1. METODOLOGIJA NAUČNOG ISTRAŽIVANJA
Prof. dr Rade Stankić
kabinet:429
telefon:
vreme prijema:ponedeljak
Mesto održavanja časova: ERC sala D
Utorkom

2. 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

3. 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.

4. 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,

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

6. 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

7. 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.

8. FAZE ISTRAŽIVAČKOG PROCESA
Nacrt
Prikupljanje
Obrada
Uzorak
istraživanja
podataka
podataka

9. 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

10. 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

11. 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.

12. 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.

13. 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).

14. 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.

15. 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.

16. 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.

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

18. 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.

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

20. Uporedivost - metodologija
Primer:
U popisu stanovništva i 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 godine vršen po staroj, a od godine po novoj metodologiji, rezultati popisa su teško uporedivi.

21. 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.

22. 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.

23. 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 Od maja deo kompanije SAP (za 5,8 milijardi dolara).
MySql - Deo Oracle porodice od Januara Do nedavno besplatan. Sadašnja cena je od $2.000 do $ Postoje neke besplatne varijante i sada. Poslednja verzija 5.7.

24. 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

25. 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.

26. 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.

27. ... 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.

28. 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.