Analiza podataka u elektronskom poslovanju

Cilj predmeta je ovladavanje neophodnim znanjima i veštinama analize podataka u oblasti elektronskog poslovanja korišćenjem savremenih analitičkih metoda. Кroz proces elektronskog poslovanja preduzeća moraju da osiguraju korišćenje podataka koji su ažurni i tačni, što se postiže redovnim praćenjem njihovog kvaliteta. Osnovni cilj analize podataka ogleda se u: efikasnijem procesu menadžerskog zaključivanja u elektronskom poslovanju, povećanju operativne efikasnosti, boljem razumevanju raspoloživih podataka, pridržavanju propisa i povećanju prihoda

Savladavanjem materije predmeta studenti stiču osnovna znanja i veštine koje su neophodne za samostalnu analizu podataka koji se generišu u onlajn okruženju, posebno na društvenim medijima i društvenim mrežama.

Teorijska nastava

Metrika elektronskog poslovanja. Životni ciklus podataka – prikupljanje podataka. Vrste podataka i merne skale. Metode predstavljanja podataka: tabelarni i grafički prikazi, multimedijalno predstavljanje podataka. Validacija podataka: metode za utvrđivanje verodostojnosti, tačnosti i kvaliteta podataka, metapodaci, uzorkovanje. Izvori pristrasnosti u podacima. Editovanje podataka: kodiranje, procedure za identifikacija nedostajućih vrednosti, analiza ekstremnih vrednosti. Transformacija i sihronizacija podataka: prekodiranje, spajanje i razdvajanje varijabli, normalizacija, imputacija, ponderisnje. Analiza nestrukturiranih podataka. Analiza strukturiranih podataka. Upravljanje podacima: utvrđivanje okvira i platformi (data governance 2.0). Proces upravljanja podacima, organizacija skladištenja i pristupa podacima, pravni i etički kodeksi. Metode izveštavanja: vizuelizacija – infografika, dashboard.

Praktična nastava

Praktična nastava prati teorijsku nastavu i sastoji se iz vežbi i analize studije slučajeva koja se odnose na upotrebu realnih podataka. Vežbe se izvode korišćenjem specijalizovanih softverskih paketa i alata: SPSS, R, Python, Excel i Google Sheets.

1. Albright, S.C, W. L. Winston (2017) Business Analytics, Data Analysis and Decision Making, Sixth Editition, Cengage Learning.
2. Baker, S and P. Sjoberg (2018). Intelligent Data Governance For Dummies, Hitachi Vantara Special Edition, John Wiley & Sons, Inc., Hoboken, New Jersey
3. Beręsewicz, M., R. Lehtonen, F. Reis,L. di Consiglio and M. Кarlberg (2018). An overview of methods for treating selectivity in Big data sources, Publications Office of the European Union, Luxembourg:
4. Cleff, T. (2014). Exploratory Data Analysis in Business and Economics, An Introduction Using SPSS, Stata, and Excel, Springer
5. Hemann, C., К. Burbary (2018). Digital Marketing Analytics: Making Sense of Consumer Data in a Digital World: Making Sense of Consumer Data in a Digital World (Que Biz-Tech), 2 edition, Que Publishing
6. Holmes, M. H. (2016). Introduction to Scientific Computing and Data Analysis, editors: Timothy J. Barth Michael Griebel, David E. Кeyes, Risto M. Nieminen, Dirk Roose And Tamar Schlick, Springer International Publishing Switzerland
7. Кamki, J. (2016). Digital Analyitics, Data Driver Decision Making in Digital World, Notion Press
8. McКinney, W. (2018). Python for Data Analysis Data Wrangling with Pandas, NumPy, and IPython, O’Reilly Media, Inc.
9. Milton, M. (2009). Head First Data Analysis, O’Reilly Media, Inc.,
10. Pimpler, E. (2017). Data Visualization and Exploration with R. A practical guide to using R, R Studio, and Tidyverse for data visualization, exploration, and data science applications, Geospatial Training Services, Boerne, TX
11. Rafter, C. (2019). A complete guide to cleaning and preparing data for analysis using Excel™ and Google Sheets™, Inzata Analytics. Published by DSM Media
12. Sleeper, R. (2018). Practical Tableau, O’Reilly Media, Inc.