Циљ
Исход
Методе извођења наставе
Садржај
Литература
Циљ предмета је овладавање неопходним знањима и вештинама анализе података у области електронског пословања коришћењем савремених аналитичких метода. Кроз процес електронског пословања предузећа морају да осигурају коришћење података који су ажурни и тачни, што се постиже редовним праћењем њиховог квалитета. Основни циљ анализе података огледа се у: ефикаснијем процесу менаџерског закључивања у електронском пословању, повећању оперативне ефикасности, бољем разумевању расположивих података, придржавању прописа и повећању прихода.
Теоријска настава
Метрика електронског пословања. Животни циклус података – прикупљање података. Врсте података и мерне скале. Методе
представљања података: табеларни и графички прикази, мултимедијално представљање података. Валидација података:
методе за утврђивање веродостојности, тачности и квалитета података, метаподаци, узорковање. Извори пристрасности у
подацима. Едитовање података: кодирање, процедуре за идентификација недостајућих вредности, анализа екстремних
вредности. Трансформација и сихронизација података: прекодирање, спајање и раздвајање варијабли, нормализација,
импутација, пондерисње. Анализа неструктурираних података. Анализа структурираних података. Управљање подацима:
утврђивање оквира и платформи (data governance 2.0). Процес управљања подацима, организација складиштења и приступа
подацима, правни и етички кодекси. Методе извештавања: визуелизација – инфографика, dashboard.
Практична настава
Практична настава прати теоријску наставу и састоји се из вежби и анализе студије случајева која се односе на употребу
реалних података. Вежбе се изводе коришћењем специјализованих софтверских пакета и алата: SPSS, R, Python, Excel и
Google Sheets.
1. Albright, S.C, W. L. Winston Business Analytics, Data Analysis and Decision
Making, Sixth Editition Cengage Learning 2017
2. Baker, S and P. Sjoberg Intelligent Data Governance For Dummies, Hitachi
Vantara Special Edition, John Wiley & Sons, Inc. Hoboken, New Jersey 2018
3.
Beręsewicz, M., R. Lehtonen,
F. Reis,L. di Consiglio and M.
Karlberg
An overview of methods for treating selectivity in Big
data sources
Publications Office of the
European Union, Luxembourg 2018
4. Cleff, T.
Exploratory Data Analysis in Business and
Economics, An Introduction Using SPSS, Stata, and
Excel
Springer 2014
5. Hemann, C., K. Burbary
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 2018
6. Holmes, M. H.
Introduction to Scientific Computing and Data
Analysis, editors: Timothy J. Barth Michael Griebel,
David E. Keyes, Risto M. Nieminen, Dirk Roose And
Tamar Schlick
Springer International
Publishing Switzerland 2016
7. Kamki, J. Digital Analyitics, Data Driver Decision Making in
Digital World Notion Press 2016
8. McKinney, W. Python for Data Analysis Data Wrangling with Pandas,
NumPy, and IPython O’Reilly Media, Inc. 2018
9. Milton, M. Head First Data Analysis O’Reilly Media, Inc., 2009
10. Pimpler, E.
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 2017
11. Rafter, C.
A complete guide to cleaning and preparing data for
analysis using Excel™ and Google Sheets™, Inzata
Analytics
DSM Media 2019
12. Sleeper, R. Practical Tableau O’Reilly Media, Inc. 2018
13. Wexler, S., J. Shaffer and A.
Cotgreave
The Big Book of Dashboards, Visualizing Your Data
Using Real-World Business Scenarios John Wiley & Sons, Inc 2017
14. Yockey, R. D.
SPSS demystified, A Step-by-Step Guide to
Successful Data Analysis For SPSS Version 18.0,
Second Edition
Routledge, Taylor & Francis
Group 2016
15. Одабрани стручни и научни радови –
