Page 47 - Model SMeART in smernice za poslovno sodelovanje med univerzo in gospodarstvom
P. 47
Proizvodnja
Z uporabo različnih analitičnih metod in pristopov lahko podjetja pri-
dobijo vpogled v pretekle incidente, kot je ponavljanje prodajne številke,
in ugotovijo razloge za le-te (deskriptivna/opisna analitika), lahko pa jih
uporabijo tudi za napovedovanje prihodnjih gibanj, npr. nastajajočih tr-
žnih trendov, gibanja cen ali tehničnih napak stroja (prediktivna analitika)
in tako določijo smeri prihodnjega razvoja (preskriptivna analitika) (Bolt,
2015, str. 74).
Kljub napredku analitičnih metod številni avtorji opozarjajo, da anali-
tika obsežnih podatkov za izboljšanje kakovosti procesov in rezultatov še
vedno potrebuje nadaljnje raziskave.
Npr., v kontekstu besediloslovnih analiz odkrivanje ironije in sarkazma
v nestrukturiranih besedilih še vedno predstavlja izziv: v raziskavi, izvede-
ni na družbenem omrežju Twitter, je bilo samo 71 objav pravilno uvršče-
nih v sarkastično ali nesarkastično kategorijo (Forslid in Wikén, 2015, str.
39). Poleg tega so tradicionalne statistične metode, zlasti kar zadeva napo-
vedno analizo, pogosto neprimerne, saj so uporabne za manjša testna ob-
močja in lahko povzročijo izkrivljanje rezultatov obsežnih podatkov (Gan-
domi in Haider, 2015, str. 144). Za izmenjavo, komuniciranje in razpravo
o vpogledu v analizo obsežnih podatkov so potrebne ustrezne tehnike in
orodja vizualizacije, saj so informacije lažje razumljive s pomočjo grafičnih
prikazov. V procesu vizualizacije priporočeni vizualizacijski sistemi podje-
tjem nudijo podporo na ta način, da predlagajo primerne vizualizacije, ki
temeljijo na značilnostih podatkov ter vrsti problema ali posameznih pre-
ferenc in tako zagotovijo zanimive vpoglede v rezultate (Kaur in Owonibi,
2017, str. 266; Bikakis, 2018, str. 6).
Varnost in zasebnost podatkov prav tako igrata pomembno vlogo v i 4.0.
Predhodno obravnavane varnostne in zasebne paradigme je potrebno upo-
števati pri razvoju in izvajanju aplikacije za obsežne podatke. Zakoni o var-
stvu podatkov ter zbiranje in analiza obsežnih podatkov se na prvi pogled
morda zdijo nezdružljivi. Medtem ko sta zbiranje in analiza tehničnih po-
datkov, npr. tistih, pridobljenih iz senzorjev, pogosto pravno nesporna, se
obdelava osebnih podatkov strogo ureja z zakoni. Osebni podatki se nana-
šajo na vse podatke, ki omogočajo sklepanje o osebnih ali dejanskih okoli-
ščinah določene ali določljive fizične osebe.
Nemški zakon o varstvu podatkov npr. zahteva, da se je potrebno izogi-
bati zbiranju osebnih podatkov ali pa ga vsaj omejiti. Poleg tega se podatki
lahko zbirajo, obdelujejo in uporabljajo samo za določen namen, za vsako
spremembo pa je potrebna privolitev osebe, podatki o kateri se zbirajo. V
aplikaciji obsežnih podatkov teh načel v zvezi z osebnimi podatki ni mo-
47
Z uporabo različnih analitičnih metod in pristopov lahko podjetja pri-
dobijo vpogled v pretekle incidente, kot je ponavljanje prodajne številke,
in ugotovijo razloge za le-te (deskriptivna/opisna analitika), lahko pa jih
uporabijo tudi za napovedovanje prihodnjih gibanj, npr. nastajajočih tr-
žnih trendov, gibanja cen ali tehničnih napak stroja (prediktivna analitika)
in tako določijo smeri prihodnjega razvoja (preskriptivna analitika) (Bolt,
2015, str. 74).
Kljub napredku analitičnih metod številni avtorji opozarjajo, da anali-
tika obsežnih podatkov za izboljšanje kakovosti procesov in rezultatov še
vedno potrebuje nadaljnje raziskave.
Npr., v kontekstu besediloslovnih analiz odkrivanje ironije in sarkazma
v nestrukturiranih besedilih še vedno predstavlja izziv: v raziskavi, izvede-
ni na družbenem omrežju Twitter, je bilo samo 71 objav pravilno uvršče-
nih v sarkastično ali nesarkastično kategorijo (Forslid in Wikén, 2015, str.
39). Poleg tega so tradicionalne statistične metode, zlasti kar zadeva napo-
vedno analizo, pogosto neprimerne, saj so uporabne za manjša testna ob-
močja in lahko povzročijo izkrivljanje rezultatov obsežnih podatkov (Gan-
domi in Haider, 2015, str. 144). Za izmenjavo, komuniciranje in razpravo
o vpogledu v analizo obsežnih podatkov so potrebne ustrezne tehnike in
orodja vizualizacije, saj so informacije lažje razumljive s pomočjo grafičnih
prikazov. V procesu vizualizacije priporočeni vizualizacijski sistemi podje-
tjem nudijo podporo na ta način, da predlagajo primerne vizualizacije, ki
temeljijo na značilnostih podatkov ter vrsti problema ali posameznih pre-
ferenc in tako zagotovijo zanimive vpoglede v rezultate (Kaur in Owonibi,
2017, str. 266; Bikakis, 2018, str. 6).
Varnost in zasebnost podatkov prav tako igrata pomembno vlogo v i 4.0.
Predhodno obravnavane varnostne in zasebne paradigme je potrebno upo-
števati pri razvoju in izvajanju aplikacije za obsežne podatke. Zakoni o var-
stvu podatkov ter zbiranje in analiza obsežnih podatkov se na prvi pogled
morda zdijo nezdružljivi. Medtem ko sta zbiranje in analiza tehničnih po-
datkov, npr. tistih, pridobljenih iz senzorjev, pogosto pravno nesporna, se
obdelava osebnih podatkov strogo ureja z zakoni. Osebni podatki se nana-
šajo na vse podatke, ki omogočajo sklepanje o osebnih ali dejanskih okoli-
ščinah določene ali določljive fizične osebe.
Nemški zakon o varstvu podatkov npr. zahteva, da se je potrebno izogi-
bati zbiranju osebnih podatkov ali pa ga vsaj omejiti. Poleg tega se podatki
lahko zbirajo, obdelujejo in uporabljajo samo za določen namen, za vsako
spremembo pa je potrebna privolitev osebe, podatki o kateri se zbirajo. V
aplikaciji obsežnih podatkov teh načel v zvezi z osebnimi podatki ni mo-
47
