Upravljanje Poslovnim Učinkom i Analiza Podataka: Ključni Koncepti i Metodologije

ISHOD 1 – Upravljanje poslovnim učinkom

1. Područja / Metode / Tehnike Poslovne Inteligencije (BI)

• Izvještavanje (Reporting): Služi za prikaz povijesnih podataka kroz standardne i ad-hoc izvještaje te omogućuje praćenje osnovnih poslovnih pokazatelja.
• OLAP analiza: Omogućuje višedimenzionalnu analizu podataka i dublje razumijevanje poslovnih rezultata kroz *drill-down* i *roll-up* operacije.
• Dashboardi i vizualizacija: Pružaju vizualni prikaz ključnih pokazatelja performansi (KPI) i omogućuju brzo uočavanje trendova i odstupanja.
• Rudarenje podataka (Data mining): Koristi statistiku i strojno učenje za otkrivanje skrivenih obrazaca i odnosa u velikim skupovima podataka.
• Prediktivna analitika: Analizira povijesne podatke kako bi se predvidjeli budući događaji i omogućilo proaktivno odlučivanje.

2. Deskriptivna, Prediktivna i Preskriptivna Analitika

Deskriptivna analitika opisuje što se dogodilo u prošlosti i temelji se na izvještajima i *dashboardima*, npr. analiza mjesečne prodaje. Prediktivna analitika koristi statističke modele i strojno učenje za predviđanje budućih događaja, npr. prognoza potražnje ili odlaska kupaca. Preskriptivna analitika nadograđuje prediktivnu i daje preporuke za djelovanje, npr. optimalna cijena ili marketinška ponuda.

3. Informacijske i Analitičke Potrebe Tvrtke

Tvrtke trebaju točne, pouzdane i pravovremene podatke, integrirane iz različitih sustava poput ERP-a, CRM-a i SCM-a. Analitičke potrebe uključuju BI alate, vizualizaciju podataka, prediktivnu i preskriptivnu analitiku te analitiku u stvarnom vremenu.

4. Potreba za Sustavnim Načinom Razmišljanja u Poslovanju

Sustavni pristup promatra poslovanje kao cjelinu u kojoj su strategija, procesi i podaci međusobno povezani. Integrirani podaci koriste se u BI i BPM sustavima za praćenje KPI-jeva, donošenje odluka i kontinuirano poboljšanje poslovanja kroz povratnu petlju.

5. Faze CRISP-DM Metodologije

1. Business understanding: Definiranje poslovnog problema i ciljeva.
2. Data understanding: Prikupljanje podataka i analiza njihove kvalitete.
3. Data preparation: Čišćenje, transformacija i priprema podataka.
4. Modeling: Izrada i treniranje analitičkih modela.
5. Evaluation: Procjena uspješnosti modela u odnosu na ciljeve.
6. Deployment: Primjena modela u stvarnom poslovnom okruženju.

6. Područja Koja se Isprepliću u Rudarenju Podataka

Rudarenje podataka povezuje statistiku, strojno učenje, baze podataka, poslovnu inteligenciju i vizualizaciju podataka kako bi se rezultati analize pretvorili u korisne poslovne uvide.

7. Povezanost ERP, CRM i SCM Sustava

CRM prikuplja podatke o kupcima i njihovom ponašanju, SCM koristi te informacije za planiranje nabave i isporuke, dok ERP objedinjuje sve podatke i procese u jedinstven sustav za upravljanje poslovanjem.

8. Izvedba BPM Sustava

BPM sustav povezuje strategiju i operativno poslovanje kroz definiranje ciljeva i KPI-jeva. KPI-jevi se prate i analiziraju, a rezultati služe za donošenje odluka i stalno poboljšanje poslovnih procesa.

9. Razlike između BSC i Six Sigma

Balanced Scorecard (BSC) je strateški alat koji prati ostvarenje ciljeva kroz više perspektiva poslovanja. Six Sigma je metodologija usmjerena na poboljšanje procesa i smanjenje grešaka primjenom statističkih metoda.

10. Primjeri Ključnih Pokazatelja Izvedbe (KPI)

• Rast prihoda: Mjeri se kao postotna promjena prihoda u određenom razdoblju.
• Stopa zadržavanja kupaca: Pokazuje udio kupaca koji ostaju vjerni tvrtki.
• Vrijeme rješavanja pritužbi: Mjeri učinkovitost korisničke podrške u satima ili danima.

11. Razlike između BPM-a i BI-ja

BPM je usmjeren na upravljanje poslovnim učinkom i ostvarenje ciljeva, dok je BI usmjeren na prikupljanje, analizu i izvještavanje podataka kao podršku odlučivanju.

12. Izrada Mape Rizika i Važnost Upravljanja Rizikom

Mapa rizika izrađuje se kroz identifikaciju rizika, procjenu njihove vjerojatnosti i utjecaja, određivanje prioriteta i definiranje mjera. Upravljanje rizikom važno je jer smanjuje negativne posljedice i povećava stabilnost poslovanja.

13. Objašnjenje Slike Mape Rizika

Slika prikazuje matricu rizika u kojoj se rizici raspoređuju prema vjerojatnosti i utjecaju. Boje označavaju razinu rizika, od niskog do visokog, te pomažu u određivanju prioriteta upravljanja rizicima.

ISHOD 2 – Big Data i upravljanje poslovnim učinkom

2. Tipovi Nestrukturiranih Podataka i Važnost Procesiranja

Nestrukturirani podaci uključuju tekst (e-mailovi, recenzije), slike, audio i video zapise. Važni su jer čine većinu današnjih podataka i sadrže vrijedan kontekst o kupcima i procesima, ali ih je potrebno procesirati kako bi se mogli koristiti u analizi i odlučivanju.

3. Zahtjevi Korisnika u Današnjim Alatima Poslovne Analitike

Korisnici očekuju intuitivne alate koji omogućuju interaktivnu vizualizaciju podataka i brz pristup informacijama. Također su važni integracija više izvora podataka, *self-service* analitika, podrška za naprednu analitiku te sigurnost i kontrola pristupa.

4. Era Big Data – Problemi i Novi Trendovi

Era Big Data obilježena je velikim količinama, brzinom i raznolikošću podataka, što se opisuje kroz 5V model. Glavni problemi su kvaliteta podataka, sigurnost i složenost obrade, dok novi trendovi uključuju umjetnu inteligenciju, analitiku u stvarnom vremenu, *cloud* rješenja i *data lakes*.

5. Potreba za Hadoop Suitom Alata

Hadoop je potreban jer tradicionalni sustavi ne mogu učinkovito obraditi velike i raznolike količine podataka. Omogućuje distribuiranu pohranu i paralelnu obradu podataka, visoku skalabilnost i otpornost na greške, što je ključno za Big Data analitiku.

6. Data Lakes i Razlika u Odnosu na Skladišta Podataka

Data lake je centralizirano spremište sirovih podataka svih tipova, gdje se struktura definira prilikom analize (*schema-on-read*). Skladište podataka sadrži unaprijed obrađene i strukturirane podatke (*schema-on-write*) i koristi se za klasično BI izvještavanje.

7. Potencijali i Benefiti Big Data Analitike u Poslovanju

Big Data analitika omogućuje brže i kvalitetnije donošenje odluka, bolje razumijevanje kupaca i personalizaciju ponuda. Također doprinosi optimizaciji procesa, smanjenju troškova, prediktivnom planiranju i stvaranju konkurentske prednosti.

ISHOD 3 – Analiza Podataka i Metode

1. Otkrivanje Znanja i Rudarenje Podataka + Faze

Otkrivanje znanja (KDD) je cjelokupan proces pretvaranja sirovih podataka u korisno znanje. Rudarenje podataka je središnja faza tog procesa u kojoj se algoritmima otkrivaju obrasci i odnosi.

Faze KDD procesa:

• Odabir podataka
• Čišćenje
• Transformacija
• Rudarenje podataka
• Interpretacija i evaluacija rezultata

2. Osnovna Terminologija Rudarenja Podataka i CRISP-DM

Osnovni pojmovi uključuju skup podataka (*dataset*), atribute, zapise, zavisnu i nezavisne varijable, model, treniranje i evaluaciju. CRISP-DM je standardna metodologija koja vodi proces od poslovnog problema, preko pripreme podataka i modeliranja, do evaluacije i primjene rješenja.

3. Osnovni Tipovi Atributa u Analizama

U analizama se javljaju numerički atributi, kategorijski atributi, ordinalni atributi, binarni atributi te vremenski atributi, ovisno o prirodi i namjeni podataka.

4. Transformacija Varijabli za Pripremu Analize

Varijable se mogu transformirati normalizacijom i standardizacijom, kodiranjem kategorijskih varijabli, diskretizacijom kontinuiranih vrijednosti te agregacijom i ekstrakcijom novih značajki.

5. Provjera i Pročišćavanje Izvorišnih Podataka

Podaci se prije analize provjeravaju uklanjanjem nedostajućih vrijednosti i duplikata, ispravljanjem nelogičnih vrijednosti te obradom ekstremnih vrijednosti (*outliera*) kako bi se osigurala kvaliteta analize.

6. Strojno Učenje (Machine Learning)

Strojno učenje je grana umjetne inteligencije koja omogućuje sustavima da uče iz podataka i poboljšavaju rezultate bez eksplicitnog programiranja, prepoznavanjem obrazaca i zakonitosti u podacima.

7. Klasifikacija u Strojnom Učenju

Klasifikacija je nadzirana metoda strojnog učenja kojom se zapisi razvrstavaju u unaprijed definirane kategorije. Primjer je razvrstavanje e-mailova na *spam* i *nije spam*.

8. Regresija i Primjer

Regresija je nadzirana metoda strojnog učenja kojom se predviđa kontinuirana numerička vrijednost. Primjer je predviđanje cijene stana ili prognoza prodaje.

9. Tipovi Varijabli za Regresiju i Klasifikaciju

Kod regresije zavisna varijabla mora biti numerička, dok je kod klasifikacije zavisna varijabla kategorijska. Nezavisne varijable u oba slučaja mogu biti numeričke ili kategorijske, uz odgovarajuću transformaciju.

10. Zavisne i Nezavisne Varijable – Primjeri

Zavisna varijabla je ishod koji se predviđa, npr. cijena stana ili odlazak korisnika. Nezavisne varijable su ulazni čimbenici koji na nju utječu, npr. kvadratura, lokacija, dob korisnika ili broj kupnji.

ISHOD 5 – Obrada Prirodnog Jezika (NLP)

1. Osnovni Problemi u Području NLP-a

Glavni problemi u NLP-u su dvosmislenost jezika, ovisnost značenja o kontekstu te pojava ironije i sarkazma. Dodatne poteškoće predstavljaju neformalni jezik, različiti jezici i dijalekti te gramatičke i sintaktičke razlike.

2. Pre-editiranje, Posteditiranje i Kontrolirani Prirodni Jezik

• Pre-editiranje: Podrazumijeva prilagodbu teksta prije strojnog prevođenja kako bi se smanjila dvosmislenost.
• Posteditiranje: Naknadna dorada i ispravljanje strojnog prijevoda.
• Kontrolirani prirodni jezik: Koristi ograničen rječnik i jednostavne rečenice radi povećanja točnosti prijevoda.

3. NLU i NLG u NLP-u

NLU (Natural Language Understanding) bavi se razumijevanjem značenja teksta, uključujući kontekst, namjeru i sentiment. NLG (Natural Language Generation) omogućuje automatsko generiranje smislenog i razumljivog teksta, poput izvještaja ili odgovora.

4. Analiza Sentimenta

Analiza sentimenta je postupak određivanja emocionalnog tona teksta, najčešće kao pozitivan, negativan ili neutralan, na temelju sadržaja i konteksta poruke.

5. Benefiti Analize Sentimenta za Poslovanje

Analiza sentimenta omogućuje praćenje zadovoljstva kupaca i pravovremeno otkrivanje negativnih reakcija. Pomaže u upravljanju reputacijom brenda te podržava marketinške, prodajne i razvojne odluke.

6. Priprema Teksta za Procesiranje

Tekst se priprema uklanjanjem interpunkcije i posebnih znakova, pretvaranjem u mala slova i tokenizacijom. Dodatno se uklanjaju stop riječi te primjenjuju *stemming* ili lematizacija, nakon čega se tekst pretvara u numerički oblik za analizu.