METODOLOGIJA NAUČNOG ISTRAŽIVANJA Prof. dr Rade Stankić kabinet:429 telefon:3021087 vreme prijema:ponedeljak 15.45-17.45 e-mail:rstankic@ekof.bg.ac.rs www.ekof.bg.ac.rs Mesto održavanja časova: ERC sala D Utorkom 1730-2100

TEME (prof. dr Rade Stankić) Osnovne tehnike korišćenja računara i računarskih mreža za prikupljanje, obradu, elektronsku razmenu podataka i podršku timskom radu u naučnim istraživanjima. Internet kao izvor podataka za naučna istraživanja. Korišćenje informacione tehnologije u prezentovanju rezultata naučnog istraživanja. Korišćenje sistema za upravljanje dokumentima, programa za tabelarna izračunavanja (Spreadsheets) i upravljačkih sistema baza podataka u naučnim istraživanjima

TEME (prof. dr Jasna Soldić Aleksić) Softveri za statističku analizu podataka. Korišćenje skladišta statističkih podataka (Statistical Data Warehouse) u naučnim istraživanjima. Primena informacione tehnologije u upravljanu znanjem. Poslovna inteligencija i naučna istraživanja.

PREPORUČENA LITERATURA Stankić R. – Poslovna informatika, Ekonomski fakultet, Beograd, 2012. Soldić Aleksić J. – Praktikum iz primenjene analize podataka, Ekonomski fakultet, Beograd, 2013. Tucker B. A. – editor-in-chief, Computer Science, Chapman & Hall/CRC, Boca Ration, 2004. Brookshear J. G., Computer Science, Addison-Wesley, 2008.

IT U NAUČNIM ISTRAŽIVANJIMA Primenom savremenih informacionih tehnologija u naučno-istraživačkom radu značajno je olakšano prikupljanje, analiza podataka i interpretacija rezultata.

IT U NAUČNIM ISTRAŽIVANJIMA Naučni radovi podrazumevaju prikupljanje i analizu različitih tipova podataka na osnovu kojih se prihvataju ili odbacuju unapred postavljene hipoteze. Često se u njima nalaze i mnogi drugi interesantni pokazatelji kao što su: neprepoznatljive skrivene zavisnosti, uzročno-posledični odnosi, međusobne povezanosti i sl. Tako se nametnula potreba korišćenja savremenih koncepata, kao i sanvremenih analitičko-statističkih alata

FAZE ISTRAŽIVAČKOG PROCESA prvo je nužno defisirati problem i odrediti dizajn samog istraživanja, nakon čega se pristupa određivanju najprikladnijih metoda i načina prikupljanja podataka, zatim se određuje uzorak na kojem će se podaci prikupiti, na kraju slede obrada podataka, izrada izveštaja i prezentacija rezultata istraživanja.

FAZE ISTRAŽIVAČKOG PROCESA Nacrt Prikupljanje Obrada Uzorak istraživanja podataka podataka

Prikupljanje i obrada podataka Sirovi podaci Sređivanje Kodiranje Analiza Razvoj kodnog Razvoj okvira Posmatranja sistema analize Sekundarni Testiranje kodnog Analiza izvori sistema Razgovori Intervjui Kodiranje podataka Uz pomoć Upitnici računara Ručno Sociometrija Verifikacija kodiranih podataka

VRSTE PODATAKA Prikupljanje tačnih i relevantnih podataka omogućuje nam da na primeren način pristupimo određenom  problemu. Dve osnovne vrste podataka, koji se mogu razlikovati prema načinu na koji se mogu prikupiti: Primarni podaci Sekundarni podaci

Primarni podaci Prikupljaju se posebno za istraživanje koje je u toku, odnosno za specifičnu svrhu koja je u tom trenutku važna. Oni nisu već prethodno dostupni,nego se prikupljaju na inicijativu istraživača. Prikupljanje primarnih podataka obično uključuje tri pristupa:anketiranje,posmatranje i eksperiment.

Sekundarni podaci Podaci koji su ranije prikupljeni u nekom drugom istraživačkom projektu, za neke druge potrebe. Oni su dostupni u izvještajima vlade, trgovačkih udruženja, javnim i unuverzitetskim bibliotekama, istraživačkim organizacijama, poslovnim dnevnicima,enciklopedijama itd.

Sekundarni podaci Takve podatke  delimo u dve grupe: podatke koje već posedujemo (interne), i one koje je neko drugi ranije prikupio, a jednostavno su dostupni (eksterne).

Interni i eksterni podaci Interni podaci se već nalaze unutar same kuće, a eksterni se prikupljaju iz drugih izvora, kao što su Zavod za statistiku, Privredna komora, udruženja, ... Takvi izvori nam omogućuju da ponovo analiziramo već postojeće podatke kako bismo pristupili rešavanju specifičnog problema.

Prednosti sekundarnih podataka u odnosu na primarne prikupljanje sekundarnih podataka je mnogo jeftinije od prikupljanja primarnih podataka, što čini osnovnu prednost; ako su sekundarni podaci dostupni, mogu se prikupiti mnogo brže nego primarni; dostupni su za neke pojave za koje inače pojedini istraživači ne bi mogli da prikupe primarne podatke, kao što je to slučaj kod podataka koji zahtevaju terenski rad, dobru organizaciju i troškove, a po pravilu ih prikupljaju profesionalne institucije poput statističkih zavoda; objektivnost je također prednost sekundarnih podataka.

Nedostaci prikupljanja podataka iz sekundarnih izvora otežano je pronalaženje podataka koji će odgovarati potrebama studije jer su sekundarni podaci prikupljeni za neku drugu svrhu i često ne odgovaraju u potpunosti potrebama studije u kojoj se primenjuju; problem pouzdanosti izvora, jer sama činjenica da je podatak objavljen i dostupan ne garantuje njegovu tačnost.

Prikupljanje podataka Pouzdanost izvora podataka; Format podataka i mogućnost njihovog preuzimanja; Uporedivost / metodologija.

Pouzdanost izvora podataka Ukoliko su Vam potrebni statistički podaci, preporuka je da se držite zvaničnih statističkih sajtova, tj. onih sa domenom gov, org ,edu, pouzdaniji su nego komercijalni sajtovi sa domenom com. http://webrzs.stat.gov.rs/WebSite/ http://epp.eurostat.ec.europa.eu/statistics_explained http://unstats.un.org/unsd/default.htm http://www.census.gov/aboutus/stat_int.html http://data.worldbank.org/

Formati podataka i mogućnost njihovog preuzimanja Najčešći formati: pdf xls csv txt xml html spss PC-AXIS

Uporedivost - metodologija Primer: U popisu stanovništva 2002. i 2011. godine - u stalno stanovništvo su uključeni i stanovnici koji na jednoj teritoriji borave duže od godinu dana. Strani državljani koji su u Srbiji boravili duže od godinu dana su upisani kao stalni stanovnici Srbije. Izbegla lica iz bivših republika SFRJ su popisani u naseljima u kojima su se zatekli kao stalni stanovnici Srbije. S obzirom da je popis stanovništva do 1991. godine vršen po staroj, a od 2002. godine po novoj metodologiji, rezultati popisa su teško uporedivi.

SISTEM ZA UPRАVLJANJE RЕLACIONIM BAZАMА PODATАKА RDBMS (Relational Database Management System) SISTEM ZA UPRАVLJANJE RЕLACIONIM BAZАMА PODATАKА Podaci u RDBMS-u se čuvаju u оbјеktima baze podataka koji se nаzivaju tabele. Tabelа predstavlja kolekciju srоdnih podataka i sastoji se od kolona i redova. Svaka tabela se identifikuje po imenu (npr. "Kupci" ili "Prodavci"). Tabele sadrže zapise (redove) sa podacima.

SISTEMI ZA UPRАVLJANJE RЕLACIONIM BAZАMА PODATАKА RDBMS je osnova za SQL i za sve moderne baze podataka kao što su: MS SQL Server, IBM DB2, Oracle, MySQL, Sybase i Microsoft Access.

SISTEMI ZA UPRАVLJANJE RЕLACIONIM BAZАMА PODATАKА TOP 5 Oracle Database - poslednja dostupna varijanta 12c. MS SQL Server - član Microsoftove porodice, inicijalno razvijen kao konkurencija Oracle-u i IBM-u. Poslednja verzija SQL Server 2012. IBM DB2 - Poslednja verzija 10.5. Sybase - Poslednja verzija 15.7. Od maja 2010. deo kompanije SAP (za 5,8 milijardi dolara). MySql - Deo Oracle porodice od Januara 2010. Do nedavno besplatan. Sadašnja cena je od $2.000 do $30.000. Postoje neke besplatne varijante i sada. Poslednja verzija 5.7.

POSLOVNA INTELIGENCIJA Business Intelligence Rast podataka nadmašuje mogućnosti korisnika da analizira, interpretira, razume i vizuelizuje podatke, te da im da adekvatan smisao. U uslovima velike raspoloživosti podataka sve je veća divergencija raspoloživih podataka i informacija potrebnih za donošenje adekvatnih odluka. Zatečeni brojnošću izvora podataka, savremeni menadžeri i istraživači sve više vremena troše na izbor relevantnih informacija. Spreadsheets in Statistics

Ogromno povećanje broja podataka dovelo je do otežanog korišćenja tradicionalnih rešenja Many first generation warehouses are built with infrastructure similar to that used to run online transactions processing systems. A relational database such as Oracle Is deployed on a general purpose server for example from Sun attached to storage from a vendor such as EMC. This is COMPLEX with many parts to deploy, configure and manage. And complex systems are often expensive to own and operate. More problematical is that this architecture is simply not very good at analyzing big data. Transaction processing systems don’t need to move big data sets. They rely on an index to quickly find one or two records on disk and move them in to memory for update or delete by the database management system. Data warehouse workloads are very different, typically reading very large data sets and then analyzing to find threats and opportunities. Not designed for analytical workloads, the transaction processing architecture is forced to inefficiently shuffle data across internal interfaces. Poorly performing queries frustrate users attempting to solve challenging problems. Not rectifying this situation risks the business losing confidence in the warehouse.

Možemo da pojednostavimo stvar, sredimo ovaj nered... Many first generation warehouses are built with infrastructure similar to that used to run online transactions processing systems. A relational database such as Oracle Is deployed on a general purpose server for example from Sun attached to storage from a vendor such as EMC. This is COMPLEX with many parts to deploy, configure and manage. And complex systems are often expensive to own and operate. More problematical is that this architecture is simply not very good at analyzing big data. Transaction processing systems don’t need to move big data sets. They rely on an index to quickly find one or two records on disk and move them in to memory for update or delete by the database management system. Data warehouse workloads are very different, typically reading very large data sets and then analyzing to find threats and opportunities. Not designed for analytical workloads, the transaction processing architecture is forced to inefficiently shuffle data across internal interfaces. Poorly performing queries frustrate users attempting to solve challenging problems. Not rectifying this situation risks the business losing confidence in the warehouse.

... ako i analitiku prebacimo u skladište. And Netezza is designed for analytics not just processing SQL queries. This means the algorithms used to detect fraud or create marketing campaigns based on previous behavior of an individual consumer run in the same powerful computing environment as the data warehouse. Technicians referred to this as in-database analytics.

Business Intelligence Radi se o kategoriji informacione tehnologije koja korisnicima u poslovanju omogućava pronalaženje, analizu i korišćenje podataka (Data Warehouse) u cilju sticanja neophodnih informacija za adekvatno odlučivanje i upravljanje, kao i o aplikativnim programima kojima se podržava odlučivanje, postavljaju upiti i formiraju izveštaji, vrši online analitička obrada (OLAP), zatim statističke analize, Data Mining, predviđanje itd.