SVEUČILIŠTE U ZAGREBU

FILOZOFSKI FAKULTET U ZAGREBU

LEO MRŠIĆ

PRIJEDLOG IZGRADNJE MODELA ZA PODRŠKU ODLUČIVANJU U

TRGOVINI KORIŠTENJEM METODE TRANSFORMACIJE VREMENSKE

SERIJE (REFII) I BAYESOVE LOGIKE

DOKTORSKI RAD

ZAGREB, 2011.

UNIVERSITY OF ZAGREB

FACULTY OF HUMANITIES AND SOCIAL SCIENCES

LEO MRŠIĆ

DECISION SUPPORT MODEL IN RETAIL BASED ON UNIQUE TIME

SERIES TRANSFORMATION METHOD (REFII) AND BAYESIAN LOGIC

DOCTORAL THESIS

ZAGREB, 2011.

Sveučilište u Zagrebu

Filozofski fakultet u Zagrebu

LEO MRŠIĆ

PRIJEDLOG IZGRADNJE MODELA ZA PODRŠKU ODLUČIVANJU U

TRGOVINI KORIŠTENJEM METODE TRANSFORMACIJE VREMENSKE

SERIJE (REFII) I BAYESOVE LOGIKE

DOKTORSKI RAD

Mentori:

prof. dr. sc. Vladimir Mateljan

prof. dr. sc. Božidar Tepeš

Zagreb, 2011.

University of Zagreb

Faculty of Humanities and Social Sciences

LEO MRŠIĆ

DECISION SUPPORT MODEL IN RETAIL BASED ON UNIQUE TIME SERIES

TRANSFORMATION METHOD (REFII) AND BAYESIAN LOGIC

DOCTORAL THESIS

Supervisors:

Prof. Vladimir Mateljan Ph.D.

Prof. Božidar Tepeš Ph.D.

Zagreb, 2011.

I

SAŽETAK

Svrha ovog rada je ponuditi rješenje odnosno metodologiju kojom je moguće analizirati

raznorodne podatke uz pretpostavku da ih je moguće izraziti u obliku vremenske serije na

bazi čega se gradi široko primjenjiv sustav za podršku odlučivanju posebno u trgovini.

Rad opisuje model za podršku odlučivanju u trgovini baziran na odabranim metodama

rudarenja podataka te na ulančavanju metoda rudarenja podataka, u konkretnom slučaju

jedinstvene metode za transformaciju vremenske serije (REFII) i Bayesove mreže.

Promatrajući točku u kojoj se događa kupnja nekog proizvoda rad daje prikaz i analizu

tržišnih zakonitosti sa aspekta tvrtke koja proizvod stavlja na dostup kupcu te kupca koji se

slijedom različitih motiva odlučuje za kupnju. Pojašnjeni su razlozi provođenja istraživanja

ovakve vrste te razlog korištenja predloženog modela i pristupa. Prikazan je pregled radova

povezane tematike te su predstavljene prednosti i ograničenja dosadašnjih radova odnosno

prednosti predloženog pristupa. Prikazana je teoretska osnova na kojoj je izgrađen model uz

komentare vezano na poslovnu i znanstvenu praksu i primjenu u stvarnim okolnostima. U

konačnici, prikazan je model kroz faze nastajanja te je isti testiran na uzorcima podataka o

prodaji odabranih grupa tekstilnih proizvoda i vremenskih prilika kombinirano sa podacima

koji se tiču sezone i kalendara. U zaključnom dijelu navedene se smjernice daljeg razvoja

modela te opisana primjenjivost u različitim granama trgovine.

Ključne riječi

podrška odlučivanju, trgovina, maloprodaja, model podrške odlučivanju, REFII model,

Bayesova mreža, analiza tržišnih zakonitosti, analiza tržišnog trenda, predviđanje tržišnog

trenda

II

ABSTRACT

The purpose of this thesis is to provide a methodology and solution for heterogeneous dana

anaylsis (assuming that data can be expressed in the form of time series) based on which is

possible to build a widely applicable system for decision support especially in retail.

Thesis provides decision support model methodology in retail based on unique time series

transformation method (REFII) and Bayesian network. By observing product purchase

activity thesis gives an overview and analysis of market principles in terms of what needs to

be done by supplier to place product on shelf and, at the same time, what drives potential

customer to search, find and buy that specific product. Furthermore reasons for conducting

research of this kind are explained together with arguments for using proposed methodology,

model and approach. Overview of related works is shown together with presentation of

limitations of previous works and the advantages of the proposed approach. Model theoretical

basis is explained together with overview of business and scientific practice and applicability

in the real market circumstances. Finally, decision supoort model is presented through the

creation stages and it is tested on real-life data samples. Data samples are taken from points-

of-sale and are made of selected groups of textile products, weather conditions data combined

with seasonal (calendar) data. As conclusion model efficiency and usability are explained

both from scientific and business approach. At the end, guidelines for model further

development are exlplained together with model applicability for the various branches of

retail business.

Keywords

decision support, trade, retail, decision support model, REFII model, Bayesian networks,

analysis of market principles, analysis of market trends, forecasting market trends

III

S A D R Ž A J

SAŽETAK I 

ABSTRACT II 

S A D R Ž A J III 

POPIS SLIKA VI 

POPIS TABLICA VIII 

1. UVOD 1 1.1. Uvod 1 1.2. Cilj rada 2 1.3. Struktura rada 3 1.4. Ciljevi istraživanja 5 1.5. Hipoteze i obrazloženje hipoteza 6 1.6. Metodološki postupci 7 1.7. Očekivan znanstveni doprinos 8 

2. POSLOVNI ASPEKT ISTRAŽIVANJA 9 2.1. Primjena i značaj primjene istraživanja 9 2.2. Dosadašnji radovi i modeli te pogled sa aspekta trgovine 12 2.3. Prednosti korištenja REFII modela 15 2.4. Dodatni razlozi za istraživanje ovog pristupa 22 2.5. Pristup odabiru varijabli za model 26 

3. DRUŠTVENI ASPEKT ISTRAŽIVANJA 30 3.1. Pojam ponašanja potrošača 30 3.2. Model ponašanja potrošača 32 3.3. Donošenje odluke o kupnji tekstilnih proizvoda 34 

3.3.1. Vrste odluka potrošača 35 3.4. Čimbenici koji utječu na potrošače u trgovini tekstilnim proizvodima 36 

3.4.1. Ciklus prihvaćanja mode 38 3.5. Ponašanje potrošača i rudarenje podataka 41 3.6. Vjernost potrošača kao prednost ili nedostatak 44 3.7. Smjernice razvoja istraživanja u ovom području 46 

4. TEORETSKA OSNOVA ZA FORMIRANJE MODELA 47 4.1. Analiza i predviđanje kao proces 47 4.2. Korelacija i uzročnost 49 4.3. Lorenzova krivulja i Gini indeks 54 4.4. Mjere prosjeka i mjere varijabilnosti 55 

4.4.1. Aritmetička sredina 56 4.4.2. Raspon 56 4.4.3. Srednje odstupanje 56 4.4.4. Varijanca i standardna devijacija 56 4.4.5. Koeficijent varijabilnosti 57 

4.5. REFII model 57 4.5.1. Princip REFII modela 61 4.5.2. Površina ispod krivulje 64 4.5.3. Područje efikasnosti/neefikasnosti proračuna površine ispod krivulje 67 4.5.4. Proračun koeficijenta kutnog otklona 67 4.5.5. Algoritamska interpretacija proračuna koeficijenata kutnog otklona 70 

IV

4.5.6. Prednosti i nedostaci proračuna koeficijenta kutnog otklona 70 4.5.7. Shematski prikaz REFII modela 71 4.5.8. Algoritamska interpretacija REFII modela 72 4.5.9. REFII model – područje efikasnosti / neefikasnosti 74 4.5.10. Kako analizirati vremenske serije posredstvom REFII modela 75 

4.6. Bayesova logika i Bayesove mreže 77 4.6.1. Pojam vjerojatnosti 77 4.6.2. Osnove uvjetne vjerojatnosti 78 4.6.3. Bayesova logika 79 4.6.4. Osnvni (naive) Bayesov klasifikator 80 4.6.5. Bayesova mreža (kauzalna mreža) 81 4.6.6. Učenje vjerojatnosti u Bayseovoj mreži 84 4.5.7. Metode pretraživanja u Bayesovim mrežama 87 4.6.8. Primjena Bayesovih mreža 89 

5. PRIJEDLOG MODELA ZA PODRŠKU ODLUČIVANJU U TRGOVINI KORIŠTENJEM METODE TRANSFORMACIJE VREMENSKE SERIJE (REFII) I BAYESOVE LOGIKE 91 5.1. Uvod 91 5.2. Paradigma efikasnosti i paradigma dovoljnosti 92 5.3. Izgradnja modela 92 

5.3.1. Identifikacija problema 94 5.3.2. Odabir i prikupljanje podataka 95 5.3.3. Pristup i tehnike pretprocesiranja podataka 97 5.3.4. Transformacija u REFII 101 5.3.5. Formiranje modela (Bayesove mreže) 103 

5.4. Model u primjeni 108 5.5. Posebnosti modela i analize u području trgovine 109 

6. PRIKAZ I ANALIZA REZULTATA PREDLOŽENOG MODELA 111 6.1. Odabir varijabli, provjera odabira varijabli, analiza veza 111 6.2. Bayesova mreža 112 6.3. Scenarij analiza utjecaji na količinu prodaje 114 

6.3.1. Definiranje blagog utjecaja 114 6.3.2. Definiranje utjecaja 117 6.3.3. „Što ako“ analiza utjecaja na količinu prodaje 120 

6.4. Scenarij analiza utjecaji na realiziranu bruto maržu 121 6.4.1. Definiranje blagog utjecaja 121 6.4.2. Definiranje utjecaja 123 6.4.3. „Što ako“ analiza utjecaja na bruto maržu 125 

6.5. Scenarij analiza kombinirani utjecaji na bruto maržu i razinu prodaje 125 6.6. Kako najbolje iskoristiti model 128 6.7. Odabrane metode vizualizacije 128 6.8. Prednosti i nedostatci predloženog modela 130 6.9. Analiza efikasnosti modela 131 6.10. Smjernice budućih istraživanja 132 

7. ZAKLJUČAK 135 

KORIŠTENA LITERATURA 139 Knjige, znanstveni i stručni radovi 139 Publikacije i časopisi 143 Internet mjesta 144 Video materijali 145 Ostali materijali 145 

V

Alati 145 

PRILOZI 146 Prilog 1. Državni hidrometeorološki zavod, klimatološki mjesečni izvještaj 146 Prilog 2. Državni hidrometeorološki zavod, minimalne temperature 149 Prilog 3. Državni hidrometeorološki zavod, maksimalne temperature 150 Prilog 4. Podaci o prodaji, uzorak 151 Prilog 5. Podaci o temperaturi, vjetru i kalendaru, transformirani 152 Prilog 6. Oracle PL/SQL skripte, pretprocesiranje podataka, primjer 153 Prilog 7. Oracle PL/SQL skripte, transformacija u REFII, primjer 154 Prilog 8. Vremenska serija, uzorak količina prodaje, normalizirana, prije pretprocesiranja 156 Prilog 9. Vremenska serija, uzorak bruto marža, normalizirana, prije pretprocesiranja 157 Prilog 10. Vremenska serija, uzorak srednja temperatura 158 Prilog 11. Prikaz mreže modela u alatu GeNIe 159 Prilog 12. Prikaz PL/SQL okruženja u alatu T.O.A.D. 160 Prilog 13. Prikaz okruženja u alatu Orange modul for Python 161 Prilog 14. Primjer definiranja poslovnih rizika u trgovini tekstilom 162 Prilog 15. Lokacije prodajnih mjesta poslovnog sustava Tekstilpromet d.d. u Gradu Zagrebu 165 Prilog 16. Matrice korelacije, grafički prikaz odnosa 167 Prilog 17. Popis korištenih kratica i simbola 168 

ŽIVOTOPIS 169 

OBJAVLJENI RADOVI 170 

VI

POPIS SLIKA

SLIKA 1.3.1. Poslovni i društveni aspekt istraživanja i točka kupnje

SLIKA 2.1.1. Primjer agregacije tekstilnih proizvoda

SLIKA 2.3.1. Etape u otkrivanju znanja posredstvom REFII modela

SLIKA 2.3.2. Pretprocesiranje vremenske serije

SLIKA 2.3.3. Metodologija procesuiranja vremenske serije

SLIKA 2.4.1. Odstupanja globalne temperature

SLIKA 2.4.2. DowJones industrial average indeks od 2000. godine do danas

SLIKA 2.5.1. Redovna vremenska prognoza za Zagreb Hrvatska sa prikazanim „feels like“

faktorom

SLIKA 3.2.1. Složeni model ponašanja potrošača

SLIKA 3.3.1. Faze u modnom i tradicionalnom procesu donošenja odluka

SLIKA 3.3.1.1. Kontinuum donošenja odluka o kupnji

SLIKA 3.4.1.1. Uobičajen modni ciklus

SLIKA 3.4.1.2. Uobičajen životni ciklus proizvoda

SLIKA 3.4.1.3. Ciljevi i strategije marketinga i životni ciklus proizvoda

SLIKA 3.4.1.4. Usporedba ciklusa prihvaćanja za klasične i modne proizvode

SLIKA 4.1.1. Procedura tijekom procesa predviđanja

SLIKA 4.3.1. Primjer Lorentzove krivulje

SLIKA 4.5.1. Komponente REFII modela

SLIKA 4.5.2. Uloga koeficijenta kutnog nagiba pravca u REFII modelu

SLIKA 4.5.1.1. Prirast diskontinuirane funkcije

SLIKA 4.5.1.2. Prikaz vremenske serije kroz REFmodel

SLIKA 4.5.2.1. Numerička integracija

SLIKA 4.5.2.2. Grafička interpretacija numeričke integracije u REFII modelu

SLIKA 4.5.4.1. Model proračuna nagiba pravca i duljine kraka u vremenskoj seriji

SLIKA 4.5.7.1. Shema REF II modela

SLIKA 4.6.1.1. Svi slučajevi vjerojatnosti nalaze se između apsolutne sigurnosti (p=1) i

apsolutne nemogućnosti (p=0)

SLIKA 4.6.5.1. Jednostavan grafički prikaz Bayesove mreže

SLIKA 4.6.5.2. Grafički prikaz Bayesove mreže i tablica uvjetne vjerojatnosti

SLIKA 4.6.5.3. Tri vrste veza među elementima mreže

VII

SLIKA 4.6.6.1. Struktura Bayesove mreže, učenje vjerojatnosti parametara mrežne strukture

X → Y

SLIKA 4.6.7.1. Broj mogućih grafova za zadani broj varijabli, kombinatorna eksplozija

SLIKA 5.3.1. Skica modela

SLIKA 5.3.5.1. Bayesova mreža, prodaja količine

SLIKA 5.3.5.2. Prikaz modela u obliku grafikona vjerojatnosti (uzorak prodaja količine

2006.)

SLIKA 5.3.3.1. Kretanje srednje dnevne temperature tijekom 2006. i 2007.

SLIKA 6.1.1. Multigram prikaz veza svih varijabli, debljine linija označavaju snagu veza

(uzorak podaci o ostvarenoj bruto marži)

SLIKA 6.5.1. Vizualizacija podataka za opisanome setove podataka i godine

SLIKA 6.10.1. Raspoložive opcije vezano na odlaganje starih tekstilnih proizvoda

SLIKA 6.7.1. Vizualizacija modela sa 12 atributa, uzorak prodaja

SLIKA 6.7.2. Analiza veza, vizualni prikaz, muška i ženska trikotaža i konfekcija, uzorak

prodaja

VIII

POPIS TABLICA

TABLICA 4.5.1. Orijentacijski odnosi između tipa analize i elemenata REFII modela

TABLICA 4.5.2. Transformacija vremenske serije u objekte

TABLICA 4.5.1.1. Definicija REF oznaka na temelju prirasta diskontinuirane funkcije

TABLICA 4.5.1.2. Primjer nadopune REF modela sa na temelju koeficijenata kutnog otklona

TABLICA 4.5.2.1. Primjer nadopune REF modela sa površinom ispod krivulje

TABLICA 4.5.4.1. Intervalne vrijednosti otklona kuteva

TABLICA 4.5.10.1. Matrica transformacije

TABLICA 4.6.6.1. Pristupi pri učenju Bayesove mreže

TABLICA 5.3.2.1. Varijable korištene u modelu

TABLICA 5.3.3.1. Osnovna statistika seta podataka, uzorak bruto marža pomak

TABLICA 5.3.3.2. Matrica korelacije, uzorak bruto marža pomak

TABLICA 5.3.3.3. Osnovna statistika seta podataka, uzorak prodaja pomak

TABLICA 5.3.3.4. Matrica korelacije, uzorak prodaja pomak

TABLICA 5.3.3.5. Deskriptivni podaci, usporedba uzorka srednje dnevne temperature sa

mjerne postaje Maksimir Zagreb za 2006. i 2007. godinu

TABLICA 5.3.4.1. Podaci transofmirani u REFII notaciju

TABLICA 5.3.4.2. Rangiranje varijabli prema Gini indeksu

TABLICA 5.3.5.1. Prikaz veza u Bayesooj mreži, prodaja količine

TABLICA 5.3.5.2. Prikaz veza u Bayesovoj mreži, ostvarena bruto marža

TABLICA 6.3.1.1. Scenarij analiza utjecaji na količinu prodaje

TABLICA 6.3.1.2. Deskriptivni podaci, usporedba uzorka srednje dnevne temperature sa

mjerne postaje Maksimir Zagreb za proljeće 2006. i 2007. godinu

TABLICA 6.3.1.3. Deskriptivni podaci, usporedba uzorka srednje dnevne temperature sa

mjerne postaje Maksimir Zagreb za zimu 2006. i 2007. godinu

TABLICA 6.3.2.1. Primjena Annealed MAP algoritma na uzorku prodaje 2006.

TABLICA 6.3.2.2. Primjena Annealed MAP algoritma na uzorku prodaje 2007.

TABLICA 6.3.3.1. Primjeri ad-hoc analiza i interpretaciaj rezultata, uzorak količina prodaje

TABLICA 6.4.1.1. Scenarij analiza utjecaji na realiziranu bruto maržu

TABLICA 6.4.2.1. Primjena Annealed MAP algoritma na uzorku realizirana bruto marža

2006.

TABLICA 6.4.2.2. Primjena Annealed MAP algoritma na uzorku realizirana bruto marža

2007.

IX

TABLICA 6.4.3.1. Primjeri ad-hoc analiza i interpretacija rezultata, uzorak realizirana bruto

marža

TABLICA 6.5.1. Vizualizacija podataka za opisanome setove podataka i godine

1

1. UVOD

1.1. Uvod

Proteklih nekoliko godina naglo raste dostupnost raznih tehnologija koje za rezultat imaju sve

snažnije povezivanje sudionika na tržištu koje postaje globalno te se otvaraju nova područja

za primjenu raznih metoda analize koje ranije nije bilo moguće efikasno primijeniti

prvenstveno zbog nedostupnosti podataka i tehnologija. Iako globalizam znatno ubrzava

komunikaciju i razmjenu iskustava te otvara prostor za povećanje ciljanog tržišta tim se

procesom istovremeno povećava broj čimbenika koji utječu na tržište. U takvim uvjetima

efikasan proces analize i predviđanja osim što je vrlo značajan, možemo reći nezamjenjiv,

ujedno je i vrlo složen te je potrebno kombinacijama raznih alata i metoda kontinuirano

upravljati i prilagođavati se novim i drugačijim situacijama odnosno prepoznavati obrasce

koji se ponavljaju te ih koristiti za donošenje odluka.

Poznata je paradigma da je upravljanje tržištem uvijek u određenoj sferi pogađanja te da onaj

tko više zna bolje i uspijeva pogoditi kojim putem krenuti. Jedan od danas najutjecajnijih

ekonomista na svijetu1 dr. Dani Rodrik, poznat po nekonvencionalnom pristupu teoriji rasta i

globalizaciji u svojim radovima govori o stazi rasta gospodarstva u kontekstu „ne znamo

mnogo unaprijed, sve je eksperiment“. U tradicionalnoj ekonomiji u kojoj je sve definirano na

unaprijed utvrđenim pravilima koja se kasnije provode (u većoj ili manjoj mjeri ovisno o

društvu i okolnostima) stekao je popularnost ističući da takav, pasivan pristup nije u skladu s

današnjim okolnostima. On zagovara strategije rasta koje se, nasuprot ideji da postoje

unaprijed poznati faktori rasta koji se moraju ostvariti, oslanjaju na dijagnostiku i koje prije

dugoročne primjene eksperimentalnom metodom provjeravaju učinak reformi vodeći računa o

prioritetima čime se olakšava njihova provedba. Kao uspješan primjer dijagnostičkih

strategija navodi Kinu. Kina je prije svake dugoročne implementacije ekonomske politike

privremeno uvela kratkoročnu provedbu da ispita hoće li učinci biti povoljni i s vremenom,

kad je pronašla kombinaciju faktora, prestala je s velikim eksperimentima. One-size-fits-all

pristup sve je manje primjenjiv obzirom na rastuće zahtjeve tržišta.

Prije nekoliko desetljeća uloga trgovine bila je opskrba stanovništva kao posrednika industrije

i potrošača. Danas se odluke o kupnji u najviše slučajeva donose na prodajnom mjestu pa

trgovina dobiva novu ulogu. Gubi pretežito funkcionalno značenje te počinje biti mjesto

destinacije s drugačijim motivom (Pavlek, 2011, 48-51). Povećan broj kanala informiranja i 1 časopis Banka, godina XVII, broj 7., srpanj 2011. stranica 14-17, intervju dr. Dani Rodrik„Velika avantura“

2

prodaje kojima je moguće privući kupca danas postavlja pitanje efikasnosti određenog kanala

za pojedini proizvod i/ili ciljani tržišni segment. Novija istraživanja pokazuju značajnu

zastupljenost efekta u kojem kupac traži informaciju kroz sve raspoložive kanale no kupnju

najčešće obavlja kroz jedan te isti, ovisno o prirodi roba2. Velika dostupnost informacija o

robi (internet) i samih roba (dostava kataloga, robe) mijenja percepciju kupca koji očekuje (i

dobiva) više nego ranije.

Ukratko prezentirana složenost modernih tržišta, brojnost utjecaja te trendovi promjena

upućuju na potrebu za stvaranjem modela koji bi na drugačiji način pojednostavili prikaz

tržišnih okolnosti, omogućili fokusiranje na važno (prema nekim unaprijed određenim

smjernicama) te osigurali presudnu dodatnu informaciju potrebnu za donošenje odluke.

Reakcija pak poslovne ali i znanstvene javnosti na takve radove ukazuje na interes za takvim

modelima koji proizlazi iz spomenute potrebe.

1.2. Cilj rada

Cilj rada je dati prijedlog drugačijeg pristupa izgradnje modela za podršku odlučivanju koji će

sa jedne strane biti u mogućnosti obuhvatiti najrazličitije podatke koji se procjene važnima za

donošenje odluka i za provjeru odnosa te, sa druge strane, jednom formiran biti dovoljno

jednostavan za upotrebu od strane donositelja odluke.

Modeli za podršku odlučivanju mogu se grubo podijeliti na (Pyle, 2003):

- deskriptivne/prediktivne,

- asocijativne/sistemske,

- statičke/dinamičke,

- kvalitativne/kvantitativne,

- komparativne/interaktivne.

Navedene karakteristike nisu konačne te se međusobno ne isključuju. Također, u praksi se

može dogoditi i kombinacija pojedinih kategorija.

Prediktivnima je zadatak izgradnja modela koji će matematičkim operatorima što vjernije

opisati pojavu u stvarnosti te će se taj model kasnije koristiti u praksi za donošenje budućih

odluka koristeći aktualne podatke. Za kreiranje i testiranje uspješnosti modela najčešće se

koriste odvojeni setovi podataka čije se karakteristike kasnije uspoređuju. Dobre strane

2 http://www.investitor.org/kako_odabrati_kanal_prodaje.php, 18.07.2011.

3

ovakvih sustava su da kada se jednom definiraju mogu lako koristiti i od strane osoba koje

nemaju nužno analitička znanja već su u stanju čitati zaključke koji proizlaze iz podataka.

Loša strana sustava je da sporo reagira na eventualne promjene koje, posebno ako su

značajne, upućuju na ponovno prilagođavanje modela što je ograničenje.

Deskriptivni modela govore o zaključcima kroz „mekša“ pravila te pretpostavljaju da sa druge

strane sustava postoji osoba koja je u stanju pročitati više od matematičkog koeficijenta te na

temelju toga formirati uzročno posljedičnu vezu i izvesti konačnu odluku. Dobra strana ovih

sustava je što su prilagodljiviji specifičnim situacijama i uvjetima te su time i primjenjiviji u

složenim uvjetima. Loša strana ovih sustava je što za konačno formiranje zaključaka trebaju

ekspertno znanje iz specifičnog područja. Potreba za tim znanjem može se umanjiti u fazama

izgradnje modela na način da se ugradi u same postavke i time unaprijed ograniči polje

rješenja. Model koji će biti prikazan u ovom radu deskriptivni je model sa brojnim

mogućnostima primjene prvenstveno u trgovini ali i u drugim djelatnostima.

Asocijativni ili korelacijski modeli baziraju se na pronalaženju odnosa ili korelacija između

atributa. Sistemski modeli podrazumijevaju pogled na svijet kao povezan sustav događaja pri

čemu su oni međusobno povezani u svim smjerovima ne nužno simetričnim vezama.

Statički modeli podrazumijevaju model koji je baziran na jednom i samo jednom setu

podataka. Dinamički, nasuprot, podrazumijevaju više setova podataka kojima je moguće

napuniti model. U praksi postoje i situacije kada je model između dva spomenuta pristupa.

Podjela na kvalitativne i kvantitativne modele podrazumijeva fokus na vrstu podataka na

kojima je model nastao i/ili se izvodi. Kvalitativni se uglavnom koriste opisnim podacima dok

se kvantitativni baziraju na empirijskim strukturiranim podacima.

Komparativni modeli bave se uspoređivanjem podataka unutar seta podataka dok se

interaktivni bave poveznicama u slučaju promjene nekog podatka u uzorku.

Svrha disertacije je ukazati na skrivene potencijale za analizu koje leže u korištenju i

kombiniranju metoda REFII i Bayesovih mreža čime se kroz prikazani model stvara snažna

platforma kao alat za povezivanje i analizu raznorodnih i međusobno ovisnih atributa.

Također, predloženi model će se kroz rad analizirati u okviru spomenute podjele.

1.3. Struktura rada

Osobine složenih tržišnih uvjeta poticaj su mnogih istraživanja. Informacijski sustavi

suočavaju se s izazovom eksplozije informacija te potrebom da se iste pravovremeno uobliče,

evidentiraju te procesiraju. Područje trgovine, uz bankarski i telekomunikacijski sektor, jedno

4

je od najperspektivnijih za primjenu raznih metoda poslovne inteligencije. Priroda

informacijskih sustava za praćenje poslovanja umnogome je specifična kada se radi o

tekstilnim proizvodima. Interni podaci o poslovanju, kretanjima tržišta, konkurenciji, raznim

vanjskim utjecajima samo su neki od čimbenika koji mogu značajno utjecati na poslovanje.

Kako bi se što bolje razumjelo tržišne zakonitosti sa aspekta poduzeća sudionika nužna je

stalna aktivnost i budno praćenje raznih čimbenika. Moguće je pronaći radove koji za cilj

imaju predvidjeti razinu prodaje primjenom ili kombinacijom različitih metoda. Obzirom na

karakteristike predloženog modela identičan nije pronađen u literaturi. Pronađene su razne

primjene Bayesove logike (sustavi za prepoznavanje slika, nadzor, optimizacija lanca nabave,

obrasci ponašanja, valuacija sustava za upravljanje poslovanjem u uvjetima tzv. fast fashion)

od čega u trgovini uglavnom za modele asistiranja pri kupnji, proučavanje raznih analize

utjecaja zatim kao dopuna kombinaciji metoda i, rjeđe, kao predikcija buduće prodaje.

Motivacija za provođenje ovog istraživanja je primjena rezultata u poslovanju te dalji razvoj i

prilagodba modela.

Rad se bazira na analizi prodaje tekstilnih proizvoda na prodajnim mjestima u gradu Zagrebu.

Podaci o prodaji agregiraju se na dnevnoj razini i promatranoj grupi proizvoda nakon čega se

transformiraju modelom transformacije vremenske serije čime se dobivaju podaci o

pomacima u vremenskim razmacima. Vrijednosti pomaka udružuju se sa ekspertnim znanjem

te kao rezultat daju kategorizirane vrijednosti (rast, pad, značajan rast, stagnacija i sl.) koje se

koriste za prikaz sezonskih oscilacija. Na isti se način transformiraju i podaci o klimatskim

promjenama te se, zajedno s podacima o prodaji, koriste kao ulazni podaci za formiranje

Bayesove mreže.

Struktura rada podijeljena je u sedam dijelova. U uvodnom dijelu opisani su motivi za

provođenje istraživanja ove vrste, ciljevi rada, opisani su metodološki postupci te očekivani

znanstveni doprinos.

Drugi i treći dio rada daju poslovni i društveni okvir za provođenje ovakvih istraživanja te

potrebu za formiranje ovakvih modela u trgovini. Promatrajući proces kupnje odnosno točku

u kojoj se događa prodaja/kupnja na način prikazan na slici poslovni aspekt predstavlja sve

one radnje i motive sa strane onoga tko stavlja proizvod na raspolaganje kupcu na polici.

Društveni aspekt predstavlja sve one aktivnosti i motive koji potrošača dovode na prodajno

mjesto. Spajanjem ponude i potražnje događa se kupnja kao središnji promatrani događaj koji

će se zajedno sa zavisnim čimbenicima promatrati modelom. Navedeni su referentni radovi

povezan

prostor

metodam

Četvrti

matema

njegov s

Peti dio

uzorcim

prikazan

Šesti di

podatak

U sedm

1.4. Ci

Ciljevi

primjen

tržišnih

Skladišt

zadržav

vanjskim

Model

prodaje)

ne tematike

za buduća i

ma otkrivan

SLIKA

dio rada

atička, statis

smisao i naz

o opisuje m

ma podataka

n na uzorcim

io daje prik

ka.

mom dijelu n

iljevi istra

istraživanja

ne u drugim

zakonitosti

te podatak

vanja postoj

m faktorima

u konačni

) primjenom

e, prednosti

istraživanja

nja znanja iz

A 1.3.1. Pos

opisuje teo

stička i pos

znake primj

model prateć

a čime se

ma podatak

kaz i interpr

navedeni su

aživanja

a očituju se

m djelatnos

i te konačno

ka o proda

ećih kupaca

a koja se mo

ci predstav

m metoda r

pristupa k

. Navedena

z podataka t

slovni i druš

oretsku pod

lovna pravi

jenjivosti.

ći faze izgra

kroz pogla

ka o prodaji

retaciju rez

zaključci is

e u izradi m

stima te pr

o podrške od

aji primjen

a i pridobiv

ogu iskorist

vlja deskrip

rudarenja po

koji se navo

a su također

te se ukazuj

štveni aspek

dlogu na k

ila prikazan

adnje te na

avlje definir

tekstilnih p

zultata na p

straživanja u

modela za an

rimjenjivost

dlučivanju.

nom metod

vanje novih

titi kao doda

ptivni mod

odataka na

odi kao prij

iskustva iz

je na smjero

kt istraživan

kojoj je fo

na je osnova

avodeći deta

ra model. P

proizvoda.

predloženom

uz obrazlož

nalizu poda

ti modela u

da rudarenj

, uz projekc

atna predno

del predviđ

poslovnim

jedlog te og

prakse, ista

ove daljih is

nja i točka k

ormiran mo

a koja određ

alje pojedin

Predloženi

m modelu n

ženje rezulta

ataka u trgo

u svrhu bo

a podataka

ciju nekih k

ost u odnosu

đanja zakon

m podacima

graničenja

aknuta pove

straživanja.

kupnje

odel. Kroz

đuje ciljeve

ne faze na s

model u p

na stvarnom

ata i hipotez

ovini sa naz

oljeg razum

a postaje

kretanja i od

u na konkur

nitosti (pos

a u kombin

5

odnosno

eznica sa

ključna

e modela

stvarnim

praksi je

m uzorku

za.

znakama

mijevanja

sredstvo

dnosa sa

enciju.

sljedično

naciji sa

6

drugim vanjskim podacima te kroz analizu varijabli u modelu a s ciljem otkrivanja uzoraka,

razumijevanja odnosa i potvrde/otkrivanja drugih zakonitosti među njima.

Cilj istraživanja je potvrditi primjenjivost REFII modela te Bayesove logike u analizi

podataka o prodaji. Motivacija je izgraditi poslovno jednostavan i primjenjiv model analize (u

ovom slučaju podataka o prodaji i vanjskih utjecaja) kojim je moguće simulirati tržišne

okolnosti te temeljem toga donositi zaključke o povijesti odnosno o budućim reakcijama i

strateškim planovima. Obzirom na snažne sezonske oscilacije tržišta fokus je na analizi trenda

prodaje što omogućuje jedinstveni model transformacije vremenske serije. Problemi

proučavanog područja sastoje se u načinu na koji efikasno organizirati i transformirati

podatke te kako ih sučeliti sa eksternim podacima i sve to prikazati u prihvatljivom obliku za

korištenje. Za razliku od strogo prediktivnog modela ovaj rad usmjeren je prema izgradnji

deskriptivnog modela koji sadrži prediktivne elemente ali u prvi plan postavlja ekspertno

znanje i donosioca odluke.

1.5. Hipoteze i obrazloženje hipoteza

Kroz istraživanje dokazat će se, ili opovrgnuti, slijedeće hipoteze:

- događaje odnosno tržište moguće je analizirati metodama rudarenja podataka

- tržišne uvjete moguće je analizirati kombiniranjem /ulančavanjem metoda rudarenja

podataka

- primjenom REFII modela moguće je kombinirati i analizirati raznorodne grupe

podataka uz pretpostavku da ih je moguće izraziti putem vremenske serije (putem

promjene vrijednosti u nekom vremenu)

- moguće je izgraditi model za podršku odlučivanju slijednom primjenom metode

transformacije vremenske serije (REFII) i Bayesove logike

- model je primjenjiv u trgovini

- promjena vremenskih prilika utječe na prodaju

- ponašanje potrošača moguće je predvidjeti – ponašanje potrošača u nekoj se mjeri

podudara sa određenim uzorkom koji se pak može ponavljati u vremenu;

- ponašanje potrošača moguće je predvidjeti primjenom metoda rudarenja podataka –

primjenom metoda rudarenja podataka moguće je uočiti obrasce ponašanja i

predvidjeti ih u budućem vremenu;

- ponašanje potrošača tekstilnih i srodnih proizvoda moguće je predvidjeti primjenom

metoda rudarenja podataka – tekstilni i srodni proizvodi sa svojim posebnostima

7

dodatno povećavaju složenost istraživanja bilo na strani vanjskih utjecaja bilo na

strani potrošača;

- kvaliteta informacijskog sustava za praćenje poslovanja i pripadajućeg skladišta

podataka preduvjet su uspješnosti rudarenja podataka u trgovini, tek kvalitetno

uobličene i evidentirane poslovne informacije mogu biti temelj za analizu.

1.6. Metodološki postupci

U radu je predstavljen prijedlog modela koji kombinira transformaciju vremenske serije

nakon čega su transformirani podaci podvrgnuti analizi te je na bazi istih dodatno formirana

Bayesova mreža s ciljem redukcije polja rješenja a koja formira konačni model podrške

odlučivanju. Model je u primjeru prikazan na stvarnim podacima te se na osnovu tih

istraživanja izvode zaključci o primjenjivosti i efikasnosti modela.

Efikasnost modela je u konkretnom slučaju sposobnost povezivanja različitih analitičkih

koncepcija s ciljem provođenja složenih analiza u području istraživanja tržišnih zakonitosti.

Iako je model primjenjiv na sve podatke koji se mogu izraziti u obliku vremenskih serija za

potrebe istraživanja korištene su baze podataka o prodaji tekstilnih proizvoda te vremenskih

prilika na području Grada Zagreba.

Osnovna metoda rada i istraživanja svodi se na primjenu REFII modela i Bayesove logike na

uzorcima podataka te na stvaranje metodološkog i praktičnog modela koji povezuje različite

koncepcije analize a s ciljem dolaženja do rješenja za različite tipove problema iz područja

analize tržišta. Kroz rad je pokazana učinkovitost modela koja se odnosi na integraciju

tradicionalnih pristupa analizi vremenskih serija i kombiniranog pristupa. Tijekom

provođenja empirijskih istraživanja, korišteni su i analitički alati IBM SPSS Statistics,

GeNie&Smile, Orange for Python, Hugin, Tableau te programski jezik Oracle PL/SQL

odnosno baza podataka Oracle s ciljem transformacije podataka i kreiranjem modela. S tim u

skladu, primijenjeni su algoritmi rudarenja podataka te algoritmi za analizu vremenskih serija.

Analiza se sastoji od selekcije varijabli te analize dostupnih/željenih varijabli. Slijedi

prikupljanje podataka i pretprocesiranje pa vrednovanje varijabli modela. Slijedeći korak je

transformacija vremenske serije za svaku od varijabli REFII modelom. Transformacija se

izvodi primjenom REFII modela pri čemu se prati odstupanje u odnosu na prethodnu točku u

vremenu i bilježi pomak kojem se pridružuje značenje korištenjem ekspertnog znanja (rast,

pad, značajan rast i sl.) Transformirani podaci obuhvaćeni su analizom sezonskih oscilacija.

8

Konačni model formira se Bayesovom mrežom koja ujedinjuje podatke o trendovima kretanja

prodaje i eksternih podataka u ovom slučaju vremenskih prilika.

1.7. Očekivan znanstveni doprinos

Znanstveni doprinos očituje se u predstavljanju drugačije koncepcije u analizi u trgovini koja

u fokus stavlja model koji kombinira transformaciju vremenske serije i Bayesovu logiku.

Prednost ovakvoga pristupa očituje se u sintezi niza različitih pristupa i metoda u analizi, u

koje spadaju i tradicionalne metode rudarenja podataka, kao i nadogradnja novim

algoritamskim postupcima analize. Ovakav pristup omogućuje provedbu različitih tipova

analiza na podacima te povezivanje raznih atributa koje je drugim modelima teško ili

nemoguće povezati na sličan način. Kao ilustracija predstavljeno je rješenje analize utjecaja

prodaje i vremenskih prilika što zahtijeva angažman niza povezanih analitičkih postupaka.

Ove mogućnosti su do sada tradicionalnim pristupima analizi podataka u trgovini zbog

primjene niza nepovezanih metoda (nepostojanja generalne strategije povezivanja) bile

nemoguće ili vrlo teško izvedive, a pojavljuju se kao vrlo vrijedne u analizi tržišnih

zakonitosti.

Model pretendira dati prijedlog kako efikasno analizirati međuzavisnosti čimbenika koji

utječu na prodaju (u ovom slučaju tekstilnih ali u praksi bilo kojih proizvoda međusobno i

prema vanjskim utjecajima). Obzirom je moguće pronaći radove koji upućuju na zanimljivost

analize prodaje i podataka o vremenskim prilikama (utjecaja vremenskih prilika) ali nude tek

djelomična rješenja, model je usmjeren na to područje. Širi kontekst je primjenjivost REFII

modela i Bayesove logike u trgovini općenito. Područja u kojima bi ovakav mode bio

primjenjiv su: predikcija prodaje, predikcija trenda, analiza utjecaja, scoring prodajnog

mjesta, procjena rizika (npr. pada prodaje u slučaju promjene vremenskih prilika), analiza

utjecaja marketing kampanje na prodaju, uvođenje novog proizvoda na tržište.

9

2. POSLOVNI ASPEKT ISTRAŽIVANJA

Priroda informacijskih sustava za praćenje poslovanja umnogome specifična, među

najsloženijima kada se radi o tekstilnim proizvodima. Upravo primjer izgradnje modela u

trgovini tekstilom bit će obrađen u ovom radu. Razni modni trendovi, društvene skupine,

klimatski uvjeti, društveni status, medijske akcije pa sve do osnovne životne potrebe

motivacije su koje mogu u kratkom vremenu promijeniti tržišna uporišta kupca tekstilnog

proizvoda. Procesiranje podataka podrazumijeva aktivno praćenje raznih atributa proizvoda

(veličine, boje, dezena, sastava, uvjeta održavanja proizvoda...) kako bi se što kvalitetnije

uočile eventualne pravilnosti u prodaji te primjenom tih saznanja reagiralo na vrlo

promjenjivo tržište.

2.1. Primjena i značaj primjene istraživanja

Trgovina pokreće svijet. Većina se aktivnosti modernog tržišta svodi na kupnju i/ili prodaju

bilo robe bilo usluga. U želji da se anticipiraju tržišna kretanja i u što većoj mjeri upravlja

okolnostima, područje predikcije tržišnih kretanja kroz vrijeme se pokazalo zanimljivo

velikom broju autora od čega su tek poneki dali ozbiljniji doprinos sa rezultatima koje je

moguće iskoristiti izvan znanstvenih okvira. Kao ključan problem pokazano je kontroliranje

modela u vrlo složenim uvjetima modernog tržišta. Upravo zbog toga istraživači su sa jedne

strane ograničavali područje istraživanja na manje uzorke odnosno u modelima koristili one

grupe roba koje je bilo lakše pratiti kroz vrijeme. U ovom radu će, osim modela, biti prikazan

i primjer na uzorku podataka o prodaji tekstilnih proizvoda i vremenskim prilikama te

međusobnom utjecaju promatranih podataka. Tekstilni proizvodi su odabrani kao najsloženiji

primjer u trgovini uslijed prirode proizvoda (razne karakteristike) i broja čimbenika koji

utječu na tržište (od životne potrebe do iskazivanja statusa).

Tržišno natjecanje i globalizacija u velikoj mjeri određuju potrebu za točnošću procjena u

logističko – trgovačkom lancu tekstilnih proizvoda. Sustav predviđanja prodaje i zakonitosti

tržišta vrlo je važan kako bi se odgovorilo na nestalno tržište i potrebe distribucije. Od ideje

„što“ ćemo prodati i „kome“ ćemo prodati kreće cijeli niz ostalih aktivnosti. Na procjenama

tih parametara baziran je ostali dio lanca. Danas dostupne metode predviđanja i analize

generalno su neprikladne za tekstilnu industriju. Sa druge strane razvoj „mekih“ tehnika

baziranih na metodama umjetne inteligencije daleko je napredovao te se sve više primjenjuju

no zbog potrebe da se njima upravlja često se zaobilaze u primjeni. Radovi koji govore o

optimizaciji lanca nabave (Lee & Saser, 1995, 270-277) iz davne 1995. godine spominju

10

modele koji objedinjuju rigorozno upravljanje izvorima, proizvodnjom i distribucijom sve do

prodaje krajnjem kupcu. Spominjani supply chain management koncept uključuje alate koji

utječu na razne faze i na različitim mjestima u logističkom lancu te uključuje razne funkcije

poput odabira i kupnje robe, analize izvora nabave, planiranja proizvodnje, kontrole i

optimiziranja zaliha te razmjene informacija kao najvažnije karike (povratna veza). Do danas,

napretkom tehnike, došlo je do velikih napredaka. Tradicionalna metoda u tekstilu znači

sezonsku rezervaciju roba na bazi procjene prodaje i prodajnih kapaciteta 6 do 12 mjeseci

unaprijed. Na taj način optimizirali bi se proizvodni i transportni kapaciteti te osigurala

sredstva za plaćanje robe. Takav model podrazumijeva dvije sezone godišnje. Globalizacija,

razvoj tehnologije i tržišta ubrzali su ritam života. Iako i danas ima sustava koji i dalje

(najčešće ne u potpunosti) rabe tradicionalni model danas se kao primjer vrhunskog

proizvodno logističkog procesa navode lanci brze mode (fast fashion) sa 8 izmjena kolekcija

godišnje, do 6 posebnih kolekcija (flash) i sa posebnim programom vezanim uz kalendar

(praznici, povratak u školu, odvijanje globalnih događaja kao što su svjetska prvenstva i

slično) te nekoliko ciklusa sniženja robe u i izvan sezone te posebne promocije. Proučavajući

problem odaziva odnosno upravljanja lancem nabave i posebno logistikom pojedini radovi

bave se scoring metodologijama takvih sustava (Cachon & Swinnwy, 2011, 778-795).

Karakteristike tekstilnog tržišta također kompliciraju analizu i predviđanje. Uspješan sustav

mora biti sposoban:

- operirati sa velikim brojem proizvoda (primjer majice u tri varijante sa pet boja u šest

veličina izrađene iz tri vrste materijala i tri linije kroja daju gotovo 1.000 kombinacija

samo u jednom proizvodu) na raznim razinama agregacije (vidi sliku)

- anticipirati srednjoročne projekcije (jedna do dvije sezone) vezano na količine i stanje

zaliha

- dati informaciju za prilagođavanje kratkoročnih aktivnosti (1-3 tjedna) rezultati kojih

će se koristiti u srednjoročnim projekcijama za prilagodbu plana

- aktivno koristiti povijesne podatke

- pratiti stalno nove proizvode (95% kolekcije)

- inkorporirati u analizu i odnose druge podatke važne za izvođenje prodaje (vremenske

prilike, marketing akcije, promocije, modne trendove, ekonomske prilike itd.)

- osigurati jednostavnost korištenja donosiocima odluka.

Model o

prednos

Kako je

poput fi

postoji v

- h

-

Heuristi

područj

primjenj

vremens

ovisi o

paramet

mogu ut

Neki rad

mreže,

sustavi

okolnos

opisan u ov

sti i ogranič

e ranije spo

inancija, ek

više načina

heurističke

statističke.

ički se bazi

a marketin

njivost stati

skog period

kvaliteti po

tara modela

tjecati fakto

dovi (Kuo &

fuzzy logik

mogu prila

stima.

vom radu p

enja no uz v

SLIKA 2.

omenuto, an

onomije, m

grupiranja.

i,

iraju na istr

nga. Stati

stičkih mod

da koji se p

ovijesnih po

a. Mnogi atr

ori koji nisu

& Xue, 199

ka, evoluira

agoditi i ide

pretendira d

velik stupan

1.1. Primjer

naliza zakon

meteorologije

Jedan od n

raživanju i

stički mod

dela bitno

promatra (D

odataka kak

ributi gener

u kontrolabi

98, 105-126)

ani algoritm

entificirati z

dati odgovo

nj upotreblji

r agregacije

nitosti i pred

e, proizvodn

njih je podje

procjenam

deli istraž

ovise o po

Dasgupta et

ko bi se osig

ralno uključ

lni niti ih je

) kombinira

mi(Van Lith

zakonitosti

or na sve na

ivosti.

e tekstilnih p

dviđanje pr

nje energije

ela na (Arms

ma osoba ili

uju povije

odručju istr

al, 1994, 2

gurala kvali

uju kratkoro

e moguće id

anjem nekol

h et al, 20

u komplek

avedene za

proizvoda

risutni su u

e i slično. A

strong, 200

ekspertnih

esne poda

raživanja, z

235-244) št

itetna podlo

očne podatk

dentificirati.

liko „mekih

000)) pokaz

ksnim vezam

ahtjeve uz o

raznim pod

Analizirajući

1):

h grupa, naj

tke. Efika

znanju kori

to zapravo z

oga za uskl

ke o prodaji

h“ tehnika (n

zuju naznak

ma u promj

11

određene

dručjima

i modele

jčešće iz

asnost i

isnika te

znači da

ađivanje

i na koje

neuralne

ke da se

mjenjivim

12

2.2. Dosadašnji radovi i modeli te pogled sa aspekta trgovine

Godine 2004. novinar New Yorker-a James Surowiecki izdaje knjigu „Mudrost masa“

(Surowiecki, 2007) koja u podnaslovu govori o tome zašto više ljudi više zna i kako

kolektivna mudrost utječe na poslovanje, privredu, društva i narode. Knjiga se prodala u

milijunskoj nakladi a za uvod u ovaj dio rada navest ćemo dva primjera iz nje. U jednome je

britanski znanstvenik Francis Galton koji je proučavao parenje i nasljeđivanje na sajmu stoke

svjedočio natjecanju u procjenjivanju težine stoke. Na sajmu je odabran i izložen debeo bik a

posjetitelji su mogli uz novčanu naknadu pogađati njegovu težinu uz mogućnost osvajanja

nagrade onome tko buda najbliži. Glaton je želio ispitati sposobnosti „prosječnog glasača„

želeći dokazati da su vrlo male te da je prosjek važećih glasačkih listića biti posve pogrešan.

Prosječna procjena težine bika nakon klanja i vaganja bila je 1.197 funti dok je stvaran

rezultat iznosio 1.198 funti. Procjena mase bila je savršena. Galton je kasnije rezultate objavio

u znanstvenom časopisu uz napomenu da je „taj rezultat demokratskom prosuđivanju dao više

vjerodostojnosti negoli se ikada moglo očekivati“.

Drugi zanimljiv primjer (Surowiecki, 2007) odnosi se na potragu za podmornicom

izgubljenom 1968. godine. Slučaj je detaljno opisan u prepričavanju autora Sontag i Drew

(Sontag, Drew, 1998). Američka podmornica Scorpion nastala je na povratku u luku.

Mornarica je znala položaj s kojeg se podmornica posljednji put javila no o daljem kretanju i

smjeru nije bilo nikakvih podataka. Potraga koja je slijedila „ograničavala“ je područje

potrage na dvadeset milja u širinu i nekoliko tisuća stopa u dubinu. Mornarički časnik koji je

vodio potragu skicirao je niz scenarija i objašnjenja što se moglo dogoditi podmornici te je

okupio skupinu specijalista iz raznih područja da mu daju odgovore koliko je vjerojatan svaki

od njegovih scenarija. Na kraju konzultacija, niti jedna od pruženih informacija nije pomogla

locirati podmornicu. No mornarički oficir je došao na ideju da skupi sva razmišljanja i

iskoristi Bayesov poučak kako bi pronašao konačnu lokaciju. Kad je to napravio dobio je,

grubo rečeno, kolektivnu procjenu lokacije. Ta lokacija nije se poklapala ni sa jednom

pojedinačnom procjenom no bila je u stvarnosti 200m dalje od mjesta na kojem su pronašli

podmornicu. Impresivno je to što su dokazi na koje se skupina oslanjala pojedinačno bili

gotovo bezvrijedni, tek mali djelići podataka.

Autori Ramya Neelamegham i Pradeep Chintagunta (Ramya, Pradeep, 1999) sa INSEAD-a

istraživali su zakonitosti pokretanja novog proizvoda u filmskoj industriji. Razmatrajući kako

najefikasnije iskoristiti izvore informacija kako bi stvorili održiv model predviđanja rezultata

koje će polučiti novi proizvod stvorili su model baziran na Bayesovoj logici koji predviđa

13

rezultate u prvom tjednu izlaska na tržište koristeći zaključak da su pokazatelji tog prvog

tjedna ključni pokazatelj daljeg uspjeha. U svom radu pokazali su nekoliko karakteristika

ovog pristupa koji su važni za razumijevanje prednosti i ograničenja i u ovom radu.

Korištenje Bayesove logike podrazumijeva sužavanje polja mogućih rješenja te se u

usporedbi sa tradicionalnim pristupom postavlja pitanje da li su u fazi ograničavanja polja

rješenja ispušteni neki dijelovi koji su bitni ali zbog konkretnog kriterija koji je korišten u

ograničavanju to nije bilo vidljivo (pitanje kvalitete modela u uvjetima sužavanja polja

rješenja). Nasuprot tome, određene analize uopće ne bi bile provedive bez spomenutog

pojednostavljenja što otvara tradicionalistima prostor za pitanja o kvaliteti rješenja dok u

primjeni u npr. trgovini upravo može dati onu razinu potrebne informacije dovoljnu za

kvalitetno donošenje odluke. Drugi problem o kojem treba voditi računa je promjenjivost

uvjeta na tržištu. U takvim uvjetima primjena Bayesove logike pokazuje se kao nezamjenjiv

alat upravo zbog karakteristika koje tradicionalni pristup kritizira. Nadalje, u konkretnom

radu, lansiranje novog proizvoda/filma odvija se u više faza i na različitim tržištima pri čemu

svaka faza i tržište zahtijevaju blago prilagođen pristup što pak opravdava deskriptivni model

i kombiniranje ekspertnog znanja.

U radu drugačijeg pristupa autori Changshui Zhang, Shiliang Sun, Guoqiang Yu (Zhang et al

2004, 216 - 221) bave se modelom baziranom na Bayesovoj mreži a kako bi predvidjeli

opterećenja na prometnicama te temeljem rezultata modela upravljali prometom u velikim

gradovima i drugdje gdje je to potrebno. Inteligentno upravljanje prometom doživjelo je u

proteklim godinama veliki napredak. Iako i dalje ne postoje efikasna generalna rješenja za

probleme poput zagušenja prometa, analiza podataka i obrazaca u vremenu pomažu

iznalaženju zakonitosti koje se mogu iskoristiti za buduće odluke. Ne ulazeći u detalje više

nego je potrebno za navođenje u ovom radu, između raznih metoda od jednostavnih do

složenih, sve one koje se baziraju na tradicionalnom pristupu nisu u mogućnosti dati

upotrebljiv rezultat najviše zbog činjenice da nisu u mogućnosti kombinirati podatke o

zavisnosti promatranih točaka (npr. raskrižja) već se fokusiraju na jednu točku i sve točke

zajedno. Formirajući model na način da stanje susjedne točke ovisi o povezanoj točki (npr.

početak stvaranja prometnog čepa) te kombinirajući Bayesovu mrežu autori potvrđuju

efikasnost primjene modela na stvarnim uvjetima te njegovu prednost nad tradicionalnim

pristupima.

Kao jedan od rijetkih primjera pokušaja se da matematičkim modelom predvidi prodaja

upravo tekstilnih proizvoda izdvaja se rad Nacionalnog tekstilnog centra SAD u kojem više

14

autora (Frank, Vemulapalli, Sztandera, Raheja, 2003) potpisuje model predviđanja prodaje

ženske sportske odjeće sa ciljem da pokažu primjenjivost netradicionalnih metoda. Rad se

osvrće na ranije spomenut problem služenosti planiranja i izvođenja prodaje tekstilnih

proizvoda uslijed velikog broja karakteristika proizvoda i tržišnih utjecaja. Planiranje prodaje

sastavni je dio poslovanja i vrlo važna karika u lancu od proizvođača do kupca. Kako bi

osigurali efikasno upravljanje poslovanjem brand managerima je potreban vrlo sofisticiran

alat za planiranje koji može obuhvatiti raznorodna obilježja kao što su veličina, boja, podatci

o vremenskim prilikama, promjene cijena, marketing kampanje ali i vrijeme kao kategorija.

Primjena tradicionalnih metoda uglavnom daje rješenja koja su linearna prirode i nisu

efikasna u složenim uvjetima. Modeli bazirani na netradicionalnim metodama umjetne

inteligencije mogu obuhvatiti endogene i egzogene varijable te dopuštaju primjenu

nelinearnih aproksimacijskih funkcija (naučenog) direktno na podacima. U zaključku

istraživanja autori ukazuju na problem kvalitete uzorka te primjenjivost modela u manjoj

mjeri i to isključivo kratkoročno. Također, navode da vide prostor za napredak modela u

kombiniranju metoda a primjenjivost modela u pronalaženju način da se uz podatke o prodaji

dodaju podaci poput klimatskih uvjeta, promjena cijene i slično kao vrlo važni u ovoj grani

trgovine.

Kao još jedan zanimljiv rad Nacionalnog tekstilnog centra SAD navodim model predviđanja

prodaje baziran na fuzzy logici (Frank et al, 2001, 1-8). Autori u ovom radu također upućuju

na upotrebljivost netradicionalnih metoda te na primjeru ukazuju da na vrlo ograničenom

uzorku proizvoda u kontroliranim uvjetima mogu postići dobre rezultate u predikciji. Na

žalost takav model daleko je od situacije koja se događa na tržištu.

Od do sada objavljenih radova najkompleksnije je ovo područje obrađeno u radu grupe autora

(Thomassey et al, 2005) sa ambicioznim ciljem da korisnicima modela daju alat koji će

omogućiti „ponudu odgovarajućih proizvoda, na pravom mjestu u pravo vrijeme po pravoj

cijeni uz istovremeno upravljanje razinom zalihe“. Sustav je u praksi usmjeren na

optimizaciju logističkog lanca no obzirom da su za uzorak korišteni podaci prodaje tekstilnih

proizvoda (logistički je proces također specifičan kad se radi o tekstilnim proizvodima) te

uspješnost ovog modela ovisi o uspješnosti procjene prodaje (bilo da se radi o procjeni od

strane eksperta ili putem modela) važno ga je spomenuti jer se u fazi analize bavi

pretpostavkama i ograničenjima važnim za područje ovog rada. Za distributera, što preciznije

predviđanje zahtjeva tržišta/kupaca omogućava da upravlja i prilagođava proizvodne

kapacitete. Model je u ovom radu prilagođen za primjenu u distribucijskoj mreži tekstilnih

15

proizvoda te se sastoji od više dijelova koji svaki djeluju u zasebnom području koje je

definirano kao zanimljivo za istraživanje zakonitosti (kratkoročna procjena, srednjoročna

procjena, procjena po grupi robe, procjena po proizvodu, procjena po veličini i boji) a koji

međusobno mogu biti povezani. Rezultati modela ukazuju na već ranije spomenute probleme

u složenom okruženju uz napomenu da, obzirom je postojala procjena prema veličini koja je

manje podložna utjecajima, ista se pokazala konstantnija u rezultatima i lakša za

prognoziranje. Svi ostali rezultati upućuju na potrebu za pojednostavljivanje modela ili seta

podataka kako bi se dobili prihvatljiviji rezultati. Rad je važan jer kombinira i povezuje niz

raznih metoda kako bi se dobio što cjelovitiji model.

U ovom radu opisan je model koji se dijelom bazira na osnovnim idejama na koje ukazuju

autori u spomenutim radovima međutim ih svojom jednostavnošću i primjenjivošću

prevazilazi u smislu primjenjivosti u poslovne svrhe te se nadovezuje na njihove rezultate i

smjernice.

2.3. Prednosti korištenja REFII modela

Osim Bayesove logike model u radu bazira se na REFII3 modelu. U ovom dijelu ukratko će

biti predstavljene prednosti REFII modela (Klepac, 2004) sa uporabnog i poslovnog aspekta a

prije matematičkog pojašnjenja modela. Standardni modeli za analizu vremenskih serija, kao

što je već spomenuto koncentrirani su prvenstveno na generiranje određenih pokazatelja

proizašlih iz analize te su fokusirani na usku problematiku. Ovakvi modeli ne pružaju

mogućnost direktnog procesuiranja vremenske serije posredstvom klasičnih data mining

algoritama, kao što je to slučaj sa REFII modelom. Ovaj model nadalje pruža mogućnost

jednoznačnog opisa vremenske serije, što rezultira primjenu egzaktnih matematičkih modela i

procesa. Model se u osnovi može oslanjati na istovremeno korištenje tri podmodela u procesu

analize (oblik krivulje, nagib krivulje i površina ispod krivulje) o čemu će biti više riječi

kasnije u opisu modela, što rezultira vrlo visokim stupnjem jednoznačnosti i preciznosti. U

pojedinim slučajevima analize ovisno o potrebnom stupnju egzaktnosti i preciznosti, proces

analize moguće je provesti sa jednim ili dva elementa modela.

Primjenjivost REFII modela u različitim područjima (financije, trgovina, bankarstvo,

medicina itd.) karakteristika je koja ovom modelu daje dodatnu težinu kao univerzalnom

sustavu za otkrivanju znanja u vremenskim serijama.

3 REFII, akronim od engl. Raise-Equal-Fall u prijevodu Raste-Stagnira-Opada te verzije modela II odnosno druga (2) verzija

16

Generalno gledajući REFII modelom opisuje se krivulja nizom parametara, a skup tih

parametara možemo kasnije procesuirati različitim tipovima algoritama u različitim

problemskim prostorima s ciljem otkrivanja znanja.

Ako promotrimo područja koje obuhvaća koncepcija REFII modela, tada tu ubrajamo

(Klepac, 2004, 15):

- analizu kretanje trenda serije

- analize cikličkih pojava unutar serije

- analize sezonskih oscilacija unutar serije

- pronalaženje odsječka vremenske serije koji korespondira sa određenom tržišnom

pojavom

- pronalaženje uzoraka unutar serije

- pronalaženje i otklanjanje irelevantnih sekvenci iz serija

- analiza korelatornih odnosa, kako između vremenskih serija tako i njenih odsječaka

- autokorelatorna analiza vremenskih serija

- predviđanje vremenskih serija

- analiza prirasta i osjetljivosti vremenskih serija

SLIKA 2.3.1. Etape u otkrivanju znanja posredstvom REFII modela (Klepac, 2004, 25)

Osnovna koncepcija primjene REFII modela svodi se na tri koraka. U prvom koraku

vremenska se serija transformira u REFII sintaktički model. Drugi korak odnosi se na

algoritmiranu obradu pokazatelja u formi REFII sintakse, dok se u trećem koraku ekstrahira

znanje iz modela.

Upravo čitav niz algoritmiziranih obrada koje se mogu primijeniti nad vremenskom serijom

opisanom REFII sintaksom, jedna je od generalnih prednosti ove koncepcije, u odnosu na

ostale koncepcije koje su procesno orijentirane. Obrada podataka može se izvršiti izradom

Vremenska serija

Transformacija u REFII sintaksu

Algoritmizirana obrada

Otkrivanje znanja

17

algoritama za procesiranje ili posredstvom zatvorene metodologije na način da algoritam bude

dio nekog većeg analitičkog paketa. U oba slučaja važna faza u postupku je pretprocesiranje i

kontrola kvalitete prije svakog slijedećeg koraka.

Karakteristika koja je ujedno i prednost ove koncepcije očituje se u modularnosti koja je

determinirana problemskim prostorom i koja nudi modele rješenja unutar tog problemskog

prostora primjenom raspoloživih tehnika unutar samog modela, ali isto tako procesuiranjem

parametara posredstvom nadograđenih modula.

Upravo ova koncepcija pruža sa jedne strane snažan alat orijentiran na sofisticiranu analizu

vremenskih serija, a sa druge strane dobivamo vrlo otvorenu arhitekturu za nadogradnju

modela rješenja iz domene različitih područja. Moguće je pronaći radove koji na druge načine

upućuju na sličan pristup a s ciljem analize vremenske serije (Koegh & Pazzani, 1998).

Vremenske serije možemo definirati kao niz kronološki uređenih vrijednosti neke pojave.

Postoje različiti pristupi u analizi vremenskih serija koji dobrim dijelom ovise o problemskom

prostoru u okviru kojeg se vrše analize nad vremenskim serijama. Tako primjerice postoje

specijalizirani modeli za makroekonomska istraživanja, predikcije vrijednosti u budućim

razdobljima, telekomunikacijski modeli ili pak modeli koji se koriste u oblasti fizike.

Ovaj je rad fokusiran prvenstveno na otkrivanje znanja iz vremenskih serija iz oblasti analize

tržišta.

Promatrajući s aspekta primjene, tri su područja u kojima je zanimljivo usporediti pristup.

Modeli su se najprije pojavili u bankarstvu. Neki od prvih alata za analizu do su današnjih

dana narasli u vrlo ozbiljne programske pakete upravo na bazi upotrebe u financijskoj

industriji. Dostupnost podataka o klijentima uz istovremeno mogućnost da se rezultati analiza

direktno kvantificiraju kroz broj prodanih usluga i profit dovelo je do mnogih standarda od

kojih su neki kasnije korišteni i u drugim područjima.

Drugo zanimljivo područje su telekomunikacije. Doživjevši snažan rast pojavom mobilne

telefonije i interneta, modeli u ovom području zahtijevali su veći stupanj prilagodbe na

okolnosti (složenije okruženje) te nisu bili u mogućnosti opravdati svoje postojanje tako

direktnim utjecajem rezultata na poslovanje kao u bankarstvu. Ipak, određen broj tehnika i u

ovom području postao je standard a istraživanja i novi pristupi i dalje se pojavljuju.

Kao područje najzanimljivije za istraživanje koje je istovremeno najteže za upravljanje

pokazuje se trgovina. Iako su prvi radovi koji su popularizirali metode rudarenja podataka bili

iz područja trgovine (analiza pozicioniranja proizvoda u supermarketima – poznati slučaj pivo

18

i pelene, emocionalni aspekt kupnje4) razlog tome više se nalazio u tome da ta područja, zbog

složenosti okruženja, nije bilo moguće analizirati tradicionalnim metodama pa je ovaj pristup

predstavljao nešto novo nego u činjenici da takvi postupci direktno utječu na profit. Područje

trgovine izuzetno je zahtjevno ali i zahvalno za analizu međutim istoj treba pristupiti

uzimajući u obzir ograničenja te kombinirajući metode kako bi se izradio efikasan model. U

tom smjeru a na bazi višegodišnjeg iskustva autora nastao je i ovaj rad.

Do pojave REF modela metodologija analize vremenskih serija u domeni analize tržišta nije

poznavala jedinstveni model transformacije, kao ni usvojenu metodologiju pretprocesiranja

vremenskih serija s ciljem analize.

Općenito gledajući postoji niz nužnih, često puta korištenih postupaka u analizama

vremenskih serija koje predmnijevaju uspjeh analize bez obzira na korištenu metodu i bez

obzira na njihovu međusobnu nekompatibilnost a koje su korištene ili su postale standard u

raznim područjima kako je ranije spomenuto.

U jedan od nužnih postupaka koji prethode bilo kakvoj analizi vremenskih serija odnosi se na

unifikaciju vremenskih pomaka na jednake intervale. Taj postupak naziva se normiranje

vremenskih distanci.

Pod pojmom normiranja podrazumijevam svođenje vremenske serije na jednake vremenske

pomake između vrijednosti atributa. Prilikom normiranja potrebno je uzeti u obzir sve

vremenske podintervale kako bismo dobili jedinstvenu vrijednost na kraju vremenskog

pomaka. U literaturi (Pyle, 1999) se prilikom provođenja ovog procesa prakticira metoda

srednje vrijednosti, medijana moda, te metoda sumiranja.

Normiranje vremenske serije u uskoj je vezi sa stupnjem granulacije vremenske serije.

Jednostavnije rečeno vremensku seriju možemo ograničiti na minute, sate, dane, mjesece.

Procjena stupnja granulacije vremenske serije ovisi o konkretnom problemu kojega

rješavamo.

Slika u nastavku prikazuje opisanu metodologiju i ilustrira razloge, zašto se prilikom analize

vremenskih serija pristupa granulaciji koja se ujedno i može shvatiti kao pretprocesiranje

podataka. Kao što je vidljivo iz slike pojave odnosno poslovni događaji mogu se odvijati u

nejednolikim vremenskim razmacima, što je neprikladno za provođenje analiza. Da bi podaci

bili podesni za provedbu analiza, potrebno ih je svesti na jednolike vremenske razmake

(sumiranje, prosjeci).

4 http://dalje.com/hr-zivot/posaljete-li-mladog-oca-po-pelene-vratit-ce-se-s-pivom/337995; 10.08.2011.

19

Prilikom pristizanja informacija koje čine vremensku seriju, te informacije mogu dolaziti u

nejednolikim vremenskim razmacima (npr. sat i minuta obavljene transakcije na prodajnom

mjestu). Iako je ta podjela detaljna i opisuje realnu situaciju, ona je analitičaru kod evaluacije

vremenskih serija neprimjerena za analizu.

Prema nekim autorima (Westphal & Blaxton, 1998) neobrađena vremenska serija može biti

interesantna za promatranje nekim od alata za vizualizaciju, pri čemu možemo vizualno

odrediti trendove, gomilišta i sezonske oscilacije usprkos nejednolikoj vremenskoj raspodjeli.

No, ozbiljnijoj analizi vremenskih serija u domeni marketinških analiza možemo pristupiti

nakon svođenja vremenske serije na jednake odsječke kao što je to prikazano na ranijoj slici.

Nakon ovog postupka vremenska serija se transformira u prepoznatljiv stepenasti oblik koji je

podijeljen na jednake vremenske odsječke, što je polazišna osnova za veliki broj algoritama

za analizu vremenskih serija, pa tako i REFII model .

Proces normizacije odnosno granulacije spada u etapu pretprocesiranja podataka, a ovom

procesu prethodi proces čišćenja podataka. Pod pojmom čišćenja podataka u vremenskoj seriji

podrazumijevamo procese dijagnosticiranja i otkrivanja nedostajućih vrijednosti atributa i

njihovu supstituciju sa vrijednostima. Bitna predradnja prije samog pristupanja analizama

vremenskih serija jest otkrivanje “ekstremnih vrijednosti” (outliers).

20

SLIKA 2.3.2. Pretprocesiranje vremenske serije (Klepac, 2004, 12)

Ekstremne vrijednosti mogu nastati smetnjama u sustavu, ali isto tako mogu biti činjenično

stanje koje upućuje na određenu anomaliju koja može biti putokaz u otkrivanju nekih

ekstremnih stanja promatrane pojave. Uobičajena metoda za otkrivanje eksternih vrijednosti

koja je obuhvaćena u okviru softverskih paketa je metoda vizualizacije vremenske serije

(Jensen & Nielsen, 2007), nakon čega analitičar procjenjuje da li je određena ekstremna

vrijednost nastala kao rezultat smetnji sustava, ili pak kao rezultat objektivnih vrijednosnih

kretanja promatranog atributa na osnovu realnih tržišnih ili nekih drugih situacija. U slučaju

smetnji ekstremne vrijednosti se izoliraju iz promatranog uzorka, u protivnom ostaju u uzorku

kako bi se podvrgli procesu analize. Autori (Pyle, 1999) prednost prilikom otkrivanja

ekstremnih vrijednosti podataka daju klasičnoj statistici.

Najčešći tipovi analize koji se provode nad vremenskim serijama koncentrirani su na

pravilnosti kretanja neke pojave unutar vremenskih odsječaka (npr. otkrivanje sezonskih

oscilacija), predviđanje (eng. forecasting), otkrivanje senzibiliteta i jačine pomaka atributa u

atonomnom vremenskom odsječku.

Vrijednost pojave X

Vrijeme (sat:minuta)

Vrijednost pojave X

Vrijeme (dani)

21

Algoritmi koji uspješno rješavaju ove tipove problema izvedeni su iz klasičnog matematičkog

instrumentarija i svode se uglavnom na vektorski račun, a u pojedinim rješenjima i na fuzzy

logiku.

Dosadašnji algoritmi pristupali su vremenskoj seriji prvenstveno kao području gdje se

klasične data mining mining metode nisu direktno mogle primijeniti na vremensku seriju,

nego se za taj tip problematike koristio instrumentarij specijaliziran samo za to područje.

Model REF II koji je odabran specijaliziran je za analizu vremenskih serija, ali isto tako

otvara vrata ka primjeni klasičnih data mining algoritama na vremensku seriju. Na taj način

otvara se čitav niz novih mogućnosti za dogradnju modela kao što je primjerice korištenje

metoda poput klasteriranja odsječaka (uzoraka) vremenskih serija, klasifikacija (stabla

odlučivanja) odsječaka (uzoraka) vremenskih serija, predviđanje (neuralne mreže) daljnjeg

trenda vremenske serije na osnovu odsječaka (uzoraka) vremenske serije.

Definiranje vremenske serije posredstvom niza parametara otvara mogućnost korištenja

klasičnih algoritama u otkrivanju znanja i prepoznavanja uzoraka. Shema metodologije

primjene odsječaka vremenske serije u klasičnim algoritmima rudarenja podataka prikazana je

na slijedećoj slici.

22

SLIKA 2.3.3. Metodologija procesuiranja vremenske serije (Klepac, 2004, 14)

Jedna od vrlo bitnih karakteristika prikazanog modela svodi se na činjenicu da je njegovom

primjenom moguće izmodelirati rješenja za određene tipove problema kako u bankarstvu tako

i u područjima trgovine, medicine, prepoznavanja uzoraka i slično.

2.4. Dodatni razlozi za istraživanje ovog pristupa

Promišljanja za izradu ovog modela započela su izradom magistarskog rada (Mršić, 2005)

odnosno potrebom da se izradi sustav koji bi pomogao u svakodnevnom radu a vezano na

aktivnosti oko planiranja i odlučivanja u trgovini. Tijekom izrade magistarskog rada testirane

su razne metode na stvarnim uzorcima podataka te se, uslijed ograničenja koja su se

pojavljivala primjenom pojedinačnih metoda, logičnim pokazala ideja kombiniranja više

metoda. Problem pri korištenju više metoda je sa jedne strane u pojednostavljivanju polja

rješenja (pitanje kvalitete podataka mijenjanjem razine granulacije) a sa druge strane izazov je

izraditi jednostavno primjenjiv i što univerzalniji model sa, po mogućnošću, intuitivnim front-

end rješenjem za korištenje i od strane osoba koje nisu analitičari već donosioci odluka

Klasični algoritmi rudarenja podataka: klasteriranje, neuralne mreže, stabla odlučivanja, link analiza...

Znanje o vremenskoj

seriji

Vrijednost pojave X

. . .

Skup vrijednosti X(1)

Skup vrijednosti X(2)

Skup vrijednosti X(3)

Skup vrijednosti X(n)

Vrijeme (dani)

23

(dakle, odlično poznaju problematiku i uzročno-posljedične veze no nemaju duboko znanje u

primjeni analitičkih metoda i njihovim karakteristikama).

Obzirom na pristup u izradi modela, u proteklih nekoliko godina dogodile su se određene

promjene koje je važno spomenuti a koje u u nekoj mjeri utjecale na izradu ovog rada te

istovremeno prisnažuju potrebu za postojanjem ovakvog i sličnih modela te daju poticaj

daljem istraživanju ovog područja.

Prije svega vezano na generalne okolnosti na tržištu, svjedoci smo globalnog zatopljenja koje

ima dalekosežan utjecaj na sve aspekte društva. Za tržišne grane, efekti globalnog zatopljenja

očituju se u povećanju prosječne temperature, poremećaju sezonskih ciklusa te snažnijim

izmjenama meteoroloških prilika u kraćem vremenskom intervalu. Sezonska ovisnost i utjecaj

sezona posebnost su mnogih roba a posebno tekstilnih proizvoda. U konkretnom slučaju za

primjer modela u ovom radu korišteni su podaci iz mreže maloprodajnih mjesta u 2006. –

2008. godine na području Grada Zagreba (meteorološki podaci sa postaje Maksimir, Zagreb).

U tim godinama, iako se utjecaj globalnog zatopljenja već mogao osjetiti većim prosječnim

temperaturama ljeti, izmjena sezona ljeto-zima još uvijek je bila pravilnija ili više nalik

ranijim godinama nego u sezonama koje su slijedila do danas. U interpretaciji rezultata

modela ipak je primijećen utjecaj rasta prosječne godišnje temperature između promatranih

godina te je isti obuhvaćen komentarom na stvarnim podacima i utjecajima. Slika u nastavku

prikazuje odstupanja od prosječne globalne temperature od 1901. – 2000. godine Nacionalnog

centra klimatskih podataka u SAD koji prati kretanje temperature i utjecaj tog kretanja na

ostale aspekte života. Grafikon prikazuje snažno odstupanje tijekom 80ih i 90ih godina

prošlog stoljeća te nije za očekivati pad tijekom godina koje slijede.

24

SLIKA 2.4.1. Odstupanja globalne temperature5

Takva vrsta promjena ukida ili umanjuje jedno od temeljnih karakteristika sezonski ovisne

trgovine, postojanje jasno razdijeljenih sezona. Posebno, u uvjetima globalnog tržišta moguće

je neke zakonitosti koje se pojavljuju u područjima koje sporije zahvaćaju efekti zatopljenja

iskoristiti u onim u kojima su ti efekti snažnije zastupljeni. Važnost klimatskih utjecaja te

spomenute promjene čine set klimatoloških podataka vrlo važnim u ovakvim istraživanjima

na što upućuju i referentni radovi. Modela opisan u ovom radu omogućava korištenje i

uspoređivanje ovih podataka sa drugima na vrlo efikasan način. Obzirom sam tijekom svoje

karijere imao prilike utjecati i na formiranje skladišta podataka iz kojeg se koriste podaci o

prodaji i imao na raspolaganju podatke do danas u primjeru sam se odlučio za vremenski

interval do 2008. zbog još jednog važnog događaja odnosno niza događaja koji je utjecao na

kvalitetu tih podataka.

Financijska kriza koja je pogodila svijet 2008. godine utjecala i, i još uvijek utječe, na sve

aspekte društva. Globalnog karaktera sa nezabilježeno dubokim i širokim implikacijama na

najšire skupine krizu karakterizira niz okolnosti poput:

- početnog ignoriranja dimenzija problema pri čemu je uslijed promišljanja da je

problem lokalne prirode te ne-djelovanjem konačni efekt dodatno pojačan,

5 http://www.ncdc.noaa.gov/cmb-faq/anomalies.php; 01.07.2011.

25

- nerazumijevanja okolnosti u kojima je došlo do krize uslijed čega je došlo do pokušaja

da se na krizu utječe metodama koje su do nje i dovele što je također povećalu utjecaj

krize,

- gubitka povjerenja u institucije i općenito budućnost uslijed informacija koje su

ukazivale ne širinu problema i ograničene mogućnosti djelovanja,

- efekata smanjenja općih rashoda svih sudionika na tržištu što je dovelo do smanjenja

volumena tržišta što je pak uz efekt fokusiranja kupca na bitno (normalan u uvjetima

ograničenih prihoda) dovelo do značajnog pada u potrošnji pojedinih grupa proizvoda,

- efekta snažne osjetljivosti na cijenu proizvoda neovisno o kvaliteti i porijeklu,

- konačnog stanja u kojem je potrebno stalno pratiti kretanja te donositi odluke izvan

uobičajenih pravila, na bazi kratkoročnih utjecaja.

Mnogo je raznih autora obrađivalo okolnosti u kojima je došlo do krize. Jedan od zanimljivih

mass-market uradaka na tu temu je cjelovečernji igrani film dokumentarnog karaktera Inside

Job6. Kroz aktere koji su doveli do de-regulacije tržišta te kroz mnoštvo dokumentiranih

podataka i stvarnih osoba impresionira jednostavnost kako je došlo do cijele situacije. Slika

koja slijedi prikazuje Dow Jones Industrial Average7 indeks koji predstavlja vrijednost kroz

uzorak najvećih kompanija SADa uz iznimku kategorija usluga i transporta. Grafikon

prikazuje indeks u periodu od 2000. do danas sa vodljivim snažnim poremećajima u 2008. i

2009. Kriza je dovela do globalnog pada prodaje te gotovo nestajanja nekih tržišnih

segmenata. Najsnažniji negativni efekti očitovali su se u financijskoj industriji, medijima,

auto industriji, trgovini svega što nije osnovna životna potreba. Također, došlo je do

redefiniranja čimbenika koji više nisu bili usporedivi niti je podatke koji proizlaze iz takvih

okolnosti moguće koristiti u ovakvom istraživanju. Možemo reći da je ovim promjenama

potreba za modelima poput ovog opisanog u radu naglo porasla uz istovremeno nestajanje

kvalitetnih podloga za istraživanja istih uslijed poremećaja na tržištu pri čemu su utjecaji bili

toliko snažno da su utjecali na zaključke no nisu bili posljedica normalnog tržišnog

funkcioniranja. Time ovaj rado dobiva dodatnu vrijednost.

6 Sony Pictures, „Inside Job“, 2010.; http://www.imdb.com/title/tt1645089/ 01.07.2011. 7 http://www.djindexes.com/ 01.07.2011.

26

SLIKA 2.4.2. DowJones industrial average indeks8 od 2000. godine do danas

Kao zanimljivost povezano sa ovim istraživanjem valja spomenuti i suradnju sa Državnim

hidrometeorološkim zavidim u Zagrebu9 koje je u sklopu svojih inicijativa za popularizaciju

hidrometeorologije i utjecaja vremenskih prilika na društvo uključio i case-study i model iz

ovog rada kao iznimno rijedak i kvalitetan primjer (Vakula, 2009).

2.5. Pristup odabiru varijabli za model

Cilj ovog rada je dati prijedlog široko primjenjivog modela koji istovremeno može uključivati

potrebno ekspertno znanja i biti jednostavan za korištenje. Iako će se svaki istraživač pri

izradi modela usredotočiti na one podatke koji su mu najzanimljiviji smatram važnim kako u

promišljanju tako i u primjeru modela dati osvrt na pristup pri odabiru varijabli te zaključke

koji su se pokazali kroz vremenski period a tiču se odabira varijabli. Konačno, sam primjer na

predloženom modelu uključuje određene grupe podataka koji možemo nazvati najboljom

praksom za ilustraciju modela. U fazi promišljanja od samih početaka (Mršić, 2005)

istraživanja pa kroz prilagodbu informacijskog sustava, izgradnju različitih vrsta modela i 8 http://stockcharts.com/freecharts/historical/djia2000.html; 01.07.2011. 9 http://www.dhmz.hr; 01.07.2011.

27

primjenu u poslovanju10 iskustva se mogu svesti na nekoliko kratkih ali vrlo korisnih

smjernica:

- uvijek biti otvoren na novi pogled na situaciju,

- suzdržati se razvoja modela „u širinu“ ukoliko nema jasno definiranog okvira zašto to

činiti,

- fokusirati se na kompletiranje modela i testiranje hipoteza (kompletirati vertikale

modela),

- obzirom predloženi model dopušta kombiniranje raznorodnih podataka, usredotočiti se

na ekspertno znanje kao najosjetljiviji dio modela,

- prilikom odabira podataka, posebno ako se radi o specifičnom području, jasno utvrditi

korake u fazama prikupljanja i pretprocesiranja kako bi se isti mogli analizirati i

usavršavati.

Nastavno na primjenu modela u trgovini te ranije spomenute karakteristike takvih sustava,

dosege u istraživanju sličnih sustava te karakteristika roba kao izuzetno se zanimljivim

pokazuje analiza ovisnosti prodaje o vremenskim prilikama. Taj se aspekt pokazao posebno

zanimljivim i u praksi. Razmjenom iskustava za potrebe ovakvog modela na korištenje su

ustupljeni hidrometeorloški podaci za period od 1949. do kraja 2007. godine a kao uzorak za

utvrđivanje kriterija za grupiranje podataka u REFII notaciju. Vezano na podatke korisno je

spomenuti službenu notaciju (Vakula, 2008):

- ledeni dan - najniža temperatura (Tmin) toga dana je niža ili jednaka -10°C,

- studeni dan - najviša temperatura (Tmax) je niža ili jednaka 0°C,

- hladni dan - najniža temperatura (Tmin) toga dana je niža od 0°C,

- topli dan - najviša temperatura (Tmax) toga dana je viša ili jednaka 25°C,

- vrući dan - najviša temperatura (Tmax) toga dana je viša ili jednaka 30°C,

- topla noć - najniža temperatura (Tmin) toga dana je viša ili jednaka 20°C.

Način obrade empirijskih podataka opisan je u dijelu pretprocesiranja podataka. Konkretno u

tekstilnoj branši ali i u nekim drugim grupama roba, postoji snažna sezonska ovisnost koja se

posebno istražuje i analizira. Osim već spomenute podjele tržišnih sezona (proljeće, ljeto,

jesen, zima) u prodaji tekstilne robe, kao primjer može se spomenuti potrošnja plina u

sezonama zima – ljeto, potrošnja pića (poput npr. piva) u sezonama zima – ljeto i slično. Uz

navedeno potrebno je napomenuti da uz uobičajene podatke sve veću upotrebu ima i tzv.

10 vidi životopis autora na kraju rada

28

„feels like“ ili „chill“ faktor11. Radi se o faktoru koji upućuje na korekciju nominalne

vrijednosti temperature i daje osjećaj najčešće hladnijeg ali moguće i toplijeg vremena od

zaključka na koji upućuje temperatura. Najčešće se radi o utjecaju vjetra pri čemu npr. vjetar

koji se pojavljuje navečer i prividno snižava temperaturu (daje osjećaj hladnoće) utječe na

percepciju potrošača na vrijeme sutrašnjeg dana.

SLIKA 2.5.1. Redovna vremenska prognoza za Zagreb Hrvatska12 sa prikazanim „feels like“

faktorom13

Nadalje kod analize vremenskih serija u potrazi za uzorcima i ponavljanjima važnu ulogu

imaju specifični utjecaji poput:

- praznika/neradnog dana (efekt neradnog dana, intenzitet prije samo praznika se

povećava a nakon njega smanjuje),

- raznih organiziranih ili predvidivih događaja (npr. svjetsko prvenstvo, Olimpijske igre,

koncerti i slično) koji utječu na tržište,

- raznih okolnosti (npr. uspjeha tima neke države na nekom natjecanju, marketing

kampanje i slično) koje utječu na tržište,

- ritam životnih navika (tjedni ritam potrošača i utjecaju na njega).

Konkretno u primjeru modela korišteni su podaci o danu u tjednu i broju tjedna dok je za

vremenski odsječak odabran jedan dan.

Odabir varijabli važan je proces u izradi modela. Prednost predloženog modela je mogućnost

kombiniranja raznorodnih varijabli (sve dok se poštuju pravila kojima se procesira u model)

11 http://www.weatherzone.com.au/help/article.jsp?id=59, 20.07.2011. 12 http://www.accuweather.com/en-us/hr/grad-zagreb/zagreb/forecast15.aspx; 10.08.2011. 13 servis AccuWeather, ovdje nazvan „real feel“

29

te dodavanja ili uklanjanja varijabli u svrhu provođenja analiza a nakon što je model već

formiran.

30

3. DRUŠTVENI ASPEKT ISTRAŽIVANJA

3.1. Pojam ponašanja potrošača

Sedamdesetih godina prošlog stoljeća početak je sazrijevanja svijesti da marketing mora biti

djelatnost koja će se orijentirati isključivo prema tržištu i njegovim zakonitostima a one su

ponajviše određene ponašanjem potrošača. Ponašanje potrošača se općenito odnosi na

aktivnosti potrošača na tržištu. Sa aspekta vjernosti kupaca a posebno pojavom internetskih

servisa koji se bave ponudom proizvoda i usluga po posebnoj cijeni (Groupon14, Kolektiva15 i

drugi) jača dvojba treba li se obraćati samo stalnim ili i povremenim klijentima. Autor

najpopularnijeg marketinškog blog-a na svijetu i najprodavanijih knjiga, Seth Godin, nakon

analize zaključuje: potrebno je smisliti način za unapređenje neke ponude koja nije u startu na

razini koju bi kupci očekivali jer takvih uvijek ima („lako“ je prodavati ono što se „samo“

prodaje). I najgora ponuda nekim ljudima može postati najbolja zbog načina na koji se

postupa sa potencijalnim klijentom ili kupcem (Godin, 2008, 72-73).

Ponašanje potrošača predstavlja proces pribavljanja i konzumiranja proizvoda, usluga i ideja

od potrošačke jedinice (Kesić, 1999). Ono također uključuje poslijeprodajne procese koji

obuhvaćaju vrednovanje i poslijeprodajno ponašanje. Treba uočiti da se pod potrošačkom

jedinicom podrazumijeva pojedinac ili obitelj (kućanstvo) koje donosi odluku. To može

također biti stručna grupa u poduzeću, institucija i sl. Moderne marketing teorije također rade

bitnu distinkciju vezano na rodne razlike. Novija istraživanja pokazuju da su žene u

razvijenim zemljama odgovorne za gotovo 80% svih odluka o kupnji16. Marketinški ih

stručnjaci stoga smatraju atraktivnima potrošačima čiji će utjecaj sve više rasti17. Novija

istraživanja pokazuju da žene u SAD utječu na kupnju računalne opreme u 66% slučajeva, na

kupnju automobila u 60% slučajeva, vlasnice su 89% svih novih bankovnih računa te 27%

žena u braku utječe na odluku o kupnji kuće i mjesta za život obitelji. Slične rezultate o rastu

značaja žene kao potrošača možemo vidjeti i u istraživanju kuće GfK u Hrvatskoj od 1995.

godine do 2010. godine18.

14 http://www.groupon.com/, 01.07.2011 15 http://hr.kolektiva.net/, 01.07.2011. 16 Poslovni dnevnik, „Marketing: Važne rodne razlike“, 22.-23.08.2008. ,str. 16 17 izvor: ranije portal kakoprodavati.com danas Facebook grupa kakoprodavati.com, 01.07.2011. 18 http://www.gfk.hr/public_relations/press/press_articles/006398/index.hr.html; 10.07.2011.

31

Definicija ponašanja potrošača upućuje na zaključak da je riječ o procesu. U tom se procesu

mogu izdvojiti tri faze a u okviru svake od njih postoji cijeli niz podfaza koje čine cjelinu

ponašanja potrošača (Kesić, 1999, 2):

- faza kupnje,

- faza konzumiranja,

- faza odlaganja.

U fazi kupnje razmatraju se čimbenici koji utječu na izbor proizvoda i usluga. Najveći dio

proučavanja ponašanja potrošača bavi se upravo ovom fazom ponašanja potrošača.

Faza konzumiranja bavi se procesom konzumiranja i stjecanja iskustvom koje ima značenje

za buduće ponašanje.

Faza odlaganja predstavlja odluku potrošača o tome što učiniti s iskorištenim proizvodom ili

onim što je ostalo od njega. Ovaj problem postaje sve aktualniji u suvremenim životnim

uvjetima i općoj brizi društva za zaštitu okoliša i stvaranju zdravih životnih uvjeta.

Pri proučavanju ponašanja potrošača istraživači polaze od pet osnovnih načela (Kesić, 1999,

2):

- potrošač je suveren,

- motivi ponašanja potrošača mogu se identificirati,

- na ponašanje potrošača može se utjecati,

- utjecaji na potrošača moraju biti društveno prihvatljivi,

- ponašanje potrošača je dinamičan proces.

Načelo suverenosti podržava zaključke teorije i prakse da se potrošačem ne smije

manipulirati, samo mu se može prilagođavati. Ponašanje potrošača uvijek je orijentirano cilju.

Potrošači cijelog svijeta postaju sve obrazovaniji i informiraniji o svemu što se događa i što se

nudi.

Proces kupnje sastoji se od više faza. U tom procesu postoji velik broj varijabli koje imaju

većeg ili manjeg utjecaja na pozitivan ili negativan rezultat kupovnog procesa. Istraživanje

usmjereno na pojedine elemente ponašanja potrošača i njihovu međusobnu povezanost ima za

cilj pojasniti sam proces donošenja odluke i načina, te jačinu utjecaja pojedinih varijabli u

32

tom procesu. Ono što je specifično za sva društvena istraživanja jest da se uvjeti stalno

mijenjaju pa s njima i intenzitet i smjer utjecaja pojedinih varijabli.

Iako je suvremeni potrošač suveren, moguće je utjecati na njegovo ponašanje

prilagođavanjem elemenata marketinškog spleta potrošačevim potrebama. Uspjeh se uvijek

postiže ako potrebe postoje ili ako su one latentne i ponuđač ih pokrene proizvodom koji

potrošači svjesno ili podsvjesno trebaju.

Potrebe i motivi potrošača stvarni su i stoga njihovo zadovoljenje pravim i korisnim

proizvodima predstavlja korist za potrošača kao i za društvo u cjelini stoga utjecaji na

potrošača moraju biti društveno prihvatljivi.

Ponašanje potrošača dinamičan je proces. Pojedinac, grupe s kojima je u neprestanoj

interakciji i društvo u trajnom su procesu promjene. Ovo je od krucijalnog interesa za

proučavanje potrošača kao polazišta za donošenje marketing strategija. To znači da su

generalizirani zaključci o ponašanju potrošača limitirani u odnosu na vrijeme, proizvod i

usluge.

3.2. Model ponašanja potrošača

Modeli ponašanja potrošača stvoreni su kao ilustracija procesa donošenja odluke o kupnji s

ciljem isticanja varijabli koje utječu na donošenje odluke i njihovu međusobnu povezanost.

Složenost modela varira među autorima no složeni modeli se u osnovi razlikuju po tome

odnose li se na prvu kupovinu ili rutinsku kupovinu. Razlika zapravo ne postoji u broju

čimbenika i faza već u stupnju psihičke uključenosti i vremenu koje se posvećuje analizi

pojedinih faza.

33

SLIKA 3.2.1. Složeni model ponašanja potrošača (Enge et al, 1995, 53)

Ponašanje potrošača pod utjecajem je velikog broja čimbenika koji su međusobno povezani a

mogu se grupirati u tri skupine:

- društveni čimbenici,

- osobni čimbenici

- psihološki procesi.

Društvene čimbenike čine: kultura, društvo i društveni staleži, društvene grupe, obitelj,

situacijski čimbenici i osobni utjecaji.

Osobne čimbenike čine: motivi i motivacija, percepcija, stavovi, obilježja ličnosti vrijednosti i

stil života, znanje.

Psihološki procesi su: prerada informacija, učenje, promjena stavova i ponašanja, osobni

utjecaji.

Složenost procesa donošenja odluke o kupnji ovisi o mnogim utjecajima što dodaje težinu na

zadatak prediktivnog modela, odnosno uvećava vrijednost pronalaženja mogućih zakonitosti.

spoznaja potrebe

traženje interno pretraživanje

utjecaji okruženja: kultura socijalne grupe osobni utjecaji obitelj situacija

indidualne razlike: potrošačevi resursi motivacija i

uključenost znanje stavovi obilježja ličnosti vrijednsoti i stil

života

alternativno vrednovanje

kupnja

rezultati

nezadovoljstvo zadovoljstvo

stimulansi

tržišno orjentirani

vanjsko traženje

memorija

izloženost

pažnja

razumjevanje

prihvaćanje

zadržavanje

ulaz

podataka

prerada informacija

proces donošenja odluke

varijable koje utječu na donošenje odluke

34

3.3. Donošenje odluke o kupnji tekstilnih proizvoda

Pri donošenju odluke o kupnji tekstilnih proizvoda potrošači su izloženi i nekim, za tu vrstu

proizvoda, specifičnim utjecajima. Premda se ti utjecaji mogu svrstati u teoretski model koji

je izložen ranije, posebno se opisuju obzirom na važnost koju imaju u promatranom procesu.

Ono na što želim skrenuti pažnju jest priroda tekstilnih proizvoda koja u kontekstu donošenja

odluke o kupnji može: pobuditi kod potrošača tradicionalni proces prikupljanja informacija

nakon čega slijedi odabir prema odgovarajućim karakteristikama ili pobuditi iracionalnu

odluku o kupnji modnog proizvoda kako bi se zadovoljili afiniteti koji ne moraju nužno biti

vidljivi.

Istraživanja danas pokazuju da potrošači ne slijede jednu strategiju već da posjeduju cijeli

skup različitih strategija koje završavaju kupnjom (Solomon & Rabolt, 2004, 353).

35

SLIKA 3.3.1. Faze u modnom i tradicionalnom procesu donošenja odluka (Solomon &,

Rabolt, 2004, 353)

3.3.1. Vrste odluka potrošača

Jedan od zahvalnih načina karakteriziranja procesa donošenja odluka je mjerenje uloženog

truda u donošenje odluke. U ovom kontekstu tzv. kontinuum donošenja odluke o kupnji

omeđen je s jedne strane svakodnevnim, rutinskim odlukama o rutinskim problemima te

složenim odlukama/problemima na suprotnoj strani. Većina odluka pada u sredinu, područje

nazvano ograničeno rješavanje problema (Solomon & Rabolt, 2004, 354).

Modni proizvod (neki proizvod je atraktivno

izložen, predstavljen)

Uočavanje (spoznaja) proizvoda

(uočili smo proizvod)

Zanimanje (pokazujemo zanimanje i

gledamo proizvod)

Procjena (isprobavamo proizvod i

trenutno počinjemo uživati u njemu)

Odluka (kupujemo proizvod)

Rezultat (uživamo u kupljenom

proizvodu)

Prepoznavanje problema (shvaćamo potrebu za

odijelom za neku prigodu)

Prikupljanje informacija (raspitujemo se o mogućim

rješenjima)

Procjena alternativa (uspoređujemo nekoliko stilova i marki u trgovini

vezano uz sastav, porijeklo, ciujenu i dodatne pogodnosti)

Odabir proizvoda (odabiemo proizvod jer ima odgovarajuće karakteristike)

Rezultat (kupujemo proizvod i

uživamo u njemu)

DONOŠENJE ODLUKE AKO JE U

PITANJU MODNI PROIZVOD

TRADICIONALNO DONOŠENJE

ODLUKE

36

SLIKA 3.3.1.1. Kontinuum donošenja odluka o kupnji (Solomon & Rrabolt, 2004, 354)

Razna istraživanja danas bave se pojedinim skupinama potrošača te proučava stilove

donošenja odluka. Kao neke od najzanimljivijim za trgovce u maloprodaji izdvojene su neke

skupine čije nazive prenosim u originalu u svrhu lakšeg razumijevanja (Solomon & Rabolt,

2004, 356):

- shoppers – karakterizira ih visok stupanj zanimanja za trgovine i planiranje izleta u

kupovinu,

- loyals – uključeni u kupnju, raznovrsnost i vrijednost,

- late bloomers – slično prethodnima ali manje uključeni znanjem o proizvodima,

važan je faktor uvjerenja

- narrowers – nezainteresirani za proces kupovanja,

- apathetics – mlađi, nemaju želju ili mogućnost uključenja u kupnju,

- avoiders – najnegativniji prema procesu kupnje, imaju malo vremena na raspolaganju.

3.4. Čimbenici koji utječu na potrošače u trgovini tekstilnim proizvodima

Obzirom su kroz rad predstavljene sve posebnosti tekstilnih proizvoda u smislu atributa koji

ih određuju a mogu biti od većeg ili manjeg značenja u procesu odluke potrošača ovaj

odjeljak osvrće se na još jedan važan pojam koji do sada nije napomenut – modu.

rutinske odluke ograničeno rješavanje problema

rješavanje složenih problema

proizvodi niske cjene

redovite kupnje

neznatan utjecaj

potrošača

poznati proizvodi

(vrsta, brand)

skuplji proizvodi

rijetke kupnje

veliki utjecaj

potrošača

nepoznati proizvodi

(vrsta, brand)

37

Modna industrija zapošljava milijune ljudi diljem svijeta, profiti se mjere u milijardama eura.

Nedvojbeno utječe na gotovo sve potrošače današnjeg svijeta. Moda se odražava na naše

društvo i kulturu te na neki način utječe na to kako ljudi doživljavaju sebe. Utječe na

promjenu garderobe, namještaja, automobila koje vozimo. Poslovna praksa također je

podložna modnim utjecajima. Moda je svuda oko nas.

Zamislimo običnu t-shirt majicu koju zasigurno svatko posjeduje u vlastitom ormaru.

Istraživanja vlakana od kojih je sačinjena, projekcije boja i kretanja modnih trendova,

istraživanja tehnoloških rješenja u proizvodnji i tkanju, uključenost posrednika i dorađivača,

dizajneri, savjetnici, logistika, PR agencije, modni časopisi i, na kraju, maloprodajni dućan.

Svi su oni nekim dijelom zaslužni za navedenu kupnju.

Još neke važne karakteristike mode su slojevitost (masovna, visoka), ovisnost o veličinama i

cijeni (dobne skupine, skupine prema veličinama) te ukus kao posebno zanimljiv.

Razni autori upućuju i na vremensku dimenziju kao dodatni, do sada vrlo malo spominjani,

faktor utjecaja. Promatrajući vremensku dimenziju, jednostavno stupnjevanje, prema

teoretskom pristupu kojeg je razvio J. Laver, glasi (Solomon & Rabolt, 2004, 12):

- nepristojno 10 godina ispred svog vremena

- besramno 5 godina prije vremena

- hrabro 1 godinu prije vremena

- pametno sada

- neuredno 1 godinu nakon svog vremena

- strašno 10 godina nakon vremena

- apsurdno 20 godina nakon vremena

- smiješno 50 godina nakon vremena

- šarmantno 70 godina nakon vremena

- romantično 100 godina nakon vremena

- lijepo 150 godina nakon vremena

Također, dostupna detaljna istraživanja (Wang et al, 2002), provođena na tržištu tekstilnih

proizvoda u Kini, odnosno njihovi rezultati, definiraju osam mentalnih karakteristika koje

opisuju donošenje odluka u potrošača. One su redom:

- spoznaja o kvaliteti,

- spoznaja o brandu,

- spoznaja o modi,

- r

-

- t

- z

- l

Ovih os

su direk

potrošač

zemlji p

3.4.1. C

Ciklus

određen

Samo n

planiran

je znati

istraživa

Moda b

masovn

nemogu

(obzirom

(Solomo

imati is

rekreacijska

spoznaja o

tendencije i

zbunjenost

lojalnost br

sam stilova

ktno povez

či su najče

porijekla rob

Ciklus prihv

prihvaćanja

nog stila. Sli

SLIKA

neki od sti

nju nabave

koji od utje

anja te u skl

biva prihva

nog tržišta. M

uće je cjelo

m ih nije

on & Rabo

sti proizvod

a i hedonist

cijeni proiz

impulzivnom

prevelikom

randu.

opisuje osn

ane s pona

ešće posebnu

be.

vaćanja mo

a mode pom

ično nekim

3.4.1.1. Uo

lova postaj

ili prodaje,

ecaja mogu

ladu s tim in

aćena od s

Moda je slo

ovito obuh

bilo mogu

olt, 2004, 2

d), tickle-do

ička orijent

zvoda,

m i naglom

m ponudom i

novne menta

ašanjem pot

u pažnju po

ode

miruje dola

drugim pro

običajen mo

ju klasici,

proizvodnj

u biti prisutn

nterpretirati

strane malo

ožen proces

hvatiti no z

uće kvalitet

0): kolektiv

wn (neki br

tacija,

ponašanju,

i

alne karakte

trošača. Pre

osvećivali r

azak, prihva

oizvodnim c

odni ciklus (

oni koji b

je ili pokuš

ni kako bism

i zaključke.

og broja k

s koji funkc

za eventual

tno prevest

vnu selekcij

rand koji st

,

eristike don

ema istom

edom: bran

aćanje, vrhu

ciklusima i o

(Solomon &

ivaju prihv

šaju izgradn

mo prema n

klijenata pr

cionira na v

lna kasnija

ti neki su

ju (pojavu

tarta sa poz

ošenja odlu

istraživanju

ndu, stilu, di

unac te pre

ovaj je mog

& Rabolt, 20

vaćeni uvije

nje prediktiv

njima mogli

rije nego p

više razina.

istraživanj

nazivi nav

kada napro

zicije "ispod

uka u potroš

u pri kupnj

izajnu, boji

estanak prih

guće vizuali

004, 13)

ek i bilo g

vnog model

i korigirati r

postane pre

Različitosti

ja valja sp

vedeni u or

osto svi nos

d" drugoga

38

šača koje

i odjeće

, cijeni i

hvaćanja

izirati.

gdje. Pri

la važno

rezultate

edmetom

i pokreta

pomenuti

riginalu)

se i žele

trudi se

doći na

brand),

sposobn

naglo pr

Marketi

zrelost i

- u

p

v

- o

z

p

- o

r

a njegovu ra

tickle-acro

nih kao odr

robiti u tren

ing ciljevi t

i odbijanje.

upravljanje

pokrili troš

voditi račun

ograničena

zreloj fazi

profitabilno

oglašavanje

razlikovanj

azinu, po d

oss (širenje

raz statusa),

nd).

SLIKA 3

tijesno prate

Primjer stra

cijenom: u

škovi razvoj

na o ponudi

distribucija

uklanjanj

osti,

e: u ranijo

e od konkur

dolasku klij

trendova

, subkulturn

3.4.1.2. Uob

e životni ci

ategije uzim

u fazi uvođe

oja i uvođen

konkurenc

a u početn

e ograniče

oj fazi usm

rencije i slič

enti vjerni

unutar odre

ni ili tickle-

bičajen živo

iklus proizv

majući u obz

enja strateg

nja, u zrelo

ije,

noj fazi: mo

enja u dis

mjereno na

čno.

brandu koj

eđenih sku

up (origina

otni ciklus p

voda prema

zir sliku mo

giju postavit

oj fazi pri

ože stvoriti

tribuciji di

kreativnos

ji je bio "iz

upina bilo d

alni radovi s

roizvoda

kategoriza

ože biti na p

ti na dodatn

formiranju

i pozitivan

irektno utj

st, u zreloj

znad" napu

dobnih ili

subkulture m

aciji: uvođen

primjer:

ni profit čim

cijene potr

efekt potr

eče na po

oj fazi na

39

uštaju taj

platežno

mogu se

nje, rast,

me bi se

rebno je

ražnje, u

ovećanje

brand i

19 http://in

Karakteris

Prodaja

Troškovi

Profit

Klijenti

Konkurenc

Marketing

Strategije

Proizvod

Cijena

Distribucij

Oglašavanj

Promocija

SLIKA 3

nstruct1.cit.co

tike

N

V

cija

ciljevi

Sno

a

je

Nku

prodaje

3.4.1.3. Cilj

ornell.edu/cou

↓

Niska prodaja

Visok trošak po klijentu Negativan

Inovatori

Slaba

nažna svijest proizvodu i

iskustvu

Ponuditi osnovni proizvod

Dodatno povećana

Selektivna

Naglasak na upce koji rano

usvajaju novosti

Snažna

evi i strateg

urses/cuttinged

↓

Drastičan raprodaje

Visok trošak klijentu

Negativan

Inovatori

Slaba

Maksimizaciudjela na tržiš

Ponuditi dodatke i dodatne

vrijednostiCijena

usmjerena penetraciji

tržišta

Intenzivna

Naglasak namasovno trži

Ograničena nzahtjevne kup

gije marketi

dge/lifeCycle/

↓

st Vrhunac

po Nizak troklijeVis

Većina

Stabilopada

ija štu

Maksimprofit

zadržaudje

i

Osigurazličite

Cijeuspored

konkure

a Dodaintenz

a šte

Naglasbran

razlikovkonkur

na pce

Ograničzadržava

prelakonkur

inga i životn

/10.htm, 01.07

↓

prodaje Pro

ošak po entu

Niz

ok U

tržišta Zpr

lna, u anju U

mizacija ta uz avanje ela

Ot

isko

urati modele

Uk

ena diva sa encijom

R

atno zivna

Unepkan

sak na nd i vanje od rencije

Ograo

reana

čena na anje od aska renciji

Ogma

ni ciklus pro

7.2011., origin

↓

odaja opada

zak trošak po klijentu

U opadanju Zaostali u rihvaćanju

U opadanju

Ograničiti troškove i oristiti brand

kinuti slabe modele

Reduciranje cijene

Ukidanje profitabilnih nala, lokacija graničiti na azinu koja osigurava akciju samo ajvjernijih kupaca

graničena na minimalne aktivnosti

oizvoda19

nalno Kotler P

40

P.

41

SLIKA 3.4.1.4. Usporedba ciklusa prihvaćanja za klasične i modne proizvode ( Solomon &

Rabolt, 2004, 3)

Bez obzira radi li se o proizvodnji ili prodaji važno je skrenuti pažnju na oscilacije koje

različiti atributi koji opisuju tekstilni proizvod mogu uvjetovati. Ilustracija pokazuje kako

ciklusi prihvaćanja mogu utjecati na trendove u prodaji. Prema tome, dobro odmjeren odnos

između trendovskih, modnih i klasičnih proizvoda upravo je ono što tražimo. Tekstilni

proizvodi mogu se klasificirati na najrazličitije načine. Na primjer tzv. bazni proizvodi poput

majica kratkih rukava i traperica mogu se prodavati i nekoliko godina bez većih varijacija.

Poslovni model koji se bazira na prodaji baznih proizvoda mora planirati dug životni ciklus

proizvoda te stalne kupce koji kupuju više komada proizvoda u dužem periodu. Životni

ciklus modnog proizvoda traje kraće od onog baznih proizvoda. Prema definiciji, moda je stil

nekog vremena. Veliki broj ljudi prihvaća određeni stil u nekom trenutku. Kada više nije

prihvaćen od većine, modni ciklus završava. Privremeni proizvodi imaju najkraći životni

ciklus. Tipično to su proizvodi prihvaćeni od određene sub-kulture ili grupe u kratkom

vremenu. Slično navedenoj klasifikaciji u npr. prehrambenoj industriji grupiranje je moguće

izvršiti prema roku trajanja neke namjernice ili sezoni. U npr. trgovini elektroničkim

uređajima u kojoj razvoj tehnologije gura stare proizvode sa polica također je moguće

govoriti o ciklusu prihvaćanja.

3.5. Ponašanje potrošača i rudarenje podataka

Ranije je spomenuto da općenito možemo reći da se ponašanje potrošača odnosi na aktivnosti

potrošača na tržištu. Istraživanjem ponašanja potrošača nastoje se naći odgovori na slijedeća

pitanja (Panian, 2003, 14):

- što potrošači na tržištu čine?

- zašto to čine?

42

- kako to čine?

Kao i mnoge druge pojave u svijetu u kojem živimo, i ponašanje potrošača s vremenom se

mijenja. Razlozi tome su mnogobrojni, a među najvažnije svakako spadaju opći društveni i

ekonomski napredak, promjene u političkom ustrojstvu svijeta, povećan standard i kvaliteta

života ljudi, obitelji i društvenih zajednica, kumuliranje individualnoga, organizacijskog i

kolektivnog znanja te tehnologija.

Među svim čimbenicima posebno je potrebno istaknuti tehnologiju i to poglavito

informacijsku tehnologiju. Poboljšane metode, tehnike, sredstva i alati kakve donosi i stvara

ta tehnologija omogućuju temeljitije i obuhvatno istraživanje ponašanja potrošača što

tvrtkama i njihovu managementu otvara mogućnosti pronalaženja boljih načina

uspostavljanja, održavanja i unapređenja odnosa s potrošačima odnosno njihovim klijentima.

Pokušaji da se zakonitosti prirode egzaktno izraze i prikažu kroz vrijeme je izazov mnogim

istraživačima. Rudarenje podataka bazirano je na raznim znanstvenim disciplinama pa su

stoga potrebne razne vještine kako bi se došlo do upotrebljivih rezultata.

"Ljudi će Vam reći da vole odreske. No, kada pripremaju prazničnu zabavu kupuju

hamburgere. Postoji odmak između onoga što ljudi kupuju i onoga što žele20". Slijedeći ovu

izjavu možemo konstatirati da će jedan od najvećih izazova rudarenju podataka biti

istovremeno i nerješiv. Naime, rudarenjem podataka možemo doći do predviđanja ponašanja

potrošača baziranog na ponašanju u prošlosti (kojim navikama teže na temelju ranije

učinjenih transakcija, demografskih informacija itd.). Može li se zaista predvidjeti što ljudi

žele kupiti?

Rudarenjem podataka utvrdit ćemo da je 34-godišnjak, član obiteljskog domaćinstva sa

suprugom i dvoje djece sklon kupnji npr. zimske jakne od perja svake tri godine. Ono što ne

znamo jest da li bi ta osoba kupila vuneni zimski kaput (koji je znatno skuplji proizvod), ako

bi kombinacija čimbenika koji utječu na kupnju na čelu s cijenom bila odgovarajuća.

Zasigurno, svjedoci smo utjecaja kojeg ovakve analize imaju na tržište, na ponudu i na

ponašanje ponuđača, doživljavamo ih općenito i u pozitivnom kontekstu nas kao potrošača.

No, jesmo li zaista svjesni kako ovakve analize mogu rezultirati npr. usklađivanjem cjenovnih

politika pri čemu spoznaja da je neki proizvod popularan, i shodno tome ponuđač odluči

podići/zadržati određenu cijenu, negativno djeluje na nas kao potrošača?

20 http://news.com.com/Behind+the+numbers/2009-1017_3-252162.html, navod Johnstone K. direktor BI odjela tvrtke Emerald Solutions, 20.10.2004.

43

Može li se ciljanim marketingom djelovati na potrošače određene životne dobi i tome ih

pridobiti da u kasnijim razdobljima života ostanu vjerni određenim proizvodima? Moguće je

da ako istraživanja pokažu slijepu vjernost nekim proizvodima trgovci odluče upravo na

njima ostvarivati dodatnu zaradu. U budućnosti nas očekuje sve veća penetracija rudarenja

podataka u domenu marketinga i ostalih, u osnovi ne-statistički orijentiranih, područja. Hoće

li se i u kojoj mjeri to negativno odraziti na potrošače ostaje da se vidi.

Jedno je očito: strogo kategoriziranje potrošača nikada ne treba shvatiti doslovno. Različite

kupnje mogu inicirati različite obrasce, mogu na različite način utjecati na kupca da potraži

dodatne informacije jednako kao što iskustvo može, bez posebnog razloga za kupca, utjecati

na promjenu odluke o kupnji. Ponašanje potrošača prvenstveno ovisi o proizvodu a tek nakon

toga o ostalim čimbenicima.

Dostupnost informacija svakog dana postaje sve veća no na pojedincima ostaje da svjesnošću

usmjere tehnološke prednosti u vlastitu prednost. Kombiniranjem prodajnih kanala uz

kvalitetnu i jasnu strategiju marketinga koja je podržana analitičkim izvještajima moguće je

doprijeti do potrošača.

Vezano na proučavanje ponašanja potrošača odnosno analitičko promišljanje pri donošenju

odluka i povezivanje sa metodama umjetne inteligencije potrebno je spomenuti Herberta

Simona21 začetnika mnogih danas znanih tehnika u područjima, među ostalima, umjetne

inteligencije, teorije odlučivanja, rješavanja problema, teorije organizacije. Autor preko tisuću

radova i dobitnik Nobelove nagrade 1978. godine22 već kao mladi istraživač fokusira svoj rad

oko ponašanja i kognitivnih procesa pri evaluaciji izbora i donošenju (racionalnih) odluka.

Prema njemu svaka odluka uključuje izbor više alternativa usmjerenih organizacijskom cilju

ili podcilju. Stvarne opcije imat će stvarne posljedice kroz aktivnosti ili ne-djelovanje

prilagođene činjenicama i vrijednostima. U praksi neke alternative mogu biti svjesne ili

nesvjesne, neke svjesne mogu biti neočekivane ili očekivane te se sam smisao aktivnosti može

razlikovati, biti usmjeren ili površan.

Aktivnosti racionalnog donošenja odluka usmjerene su odabiru alternative koja dovodi do

najprihvatljivijeg rezultata od svih opcija. Postupak se može podijeliti u tri koraka (Herbert,

1976, 67):

- identifikacija i sastavljanje liste svih alternativa,

- definiranje svih posljedica do kojih može doći odabirom bilo koje alternative,

21 http://en.wikipedia.org/wiki/Herbert_Simon; 10.08.2011. 22 http://nobelprize.org/nobel_prizes/economics/laureates/1978/; 10.08.2011.

44

- usporedba preciznosti i efikasnosti svake posljedice.

Organizacija ili osoba koja pokuša implementirati ovaj model u stvarnim okolnostima neće

nikada biti u mogućnosti ostvariti sva tri parametra. Pitanje koje se pri tome postavlja je koje

drugačije pristupe, tehnike i/ili procese pri donošenju odluka osoba ili organizacija mora

upotrijebiti a kako bi dosegla približno najbolje rješenje. Odgovor po Simonu je da „čovjek

teži racionalnosti te je uz ograničenost znanjem koje posjeduje djelomično nadišao spomenuta

ograničenja na način da uspijeva sagledavati pojedine probleme izolirajući tek dio varijabli i

ograničen broj posljedica koje u datom trenutku smatra važnim (Herbert, 1976, 82)“. Na tim

je načelima bazirano i ovo istraživanje.

3.6. Vjernost potrošača kao prednost ili nedostatak

U ovom dijelu potrebno je spomenuti i pojam vjernosti potrošača. Razne dodatne pogodnosti,

kartice članstva u privilegiranim klubovima, posebne ponude vežu nas uz osjećaj privrženosti

nekom brandu. U novijoj literaturi sve se više pojam „vjernost“ zamjenjuje pojmom

„pripadnost“. Pripadnost brandu, nekoj skupini tržišta, identifikacija s proizvodom ili

načinom života koji taj proizvod propagira. Na primjeru naše zemlje (iako se ovo može lako

navesti i za druge zemlje) i tekstilne industrije možemo navesti američki brand odjeće

Abercrombie&Fitch23. Tvrtka u portfoliu ima četiri branda tekstila za mlade i rublja od kojih

je najpoznatiji Abercrombie&Fitch. Tvrtka je završila poslovnu 2010. godinu sa 1.069

prodajnih mjesta24 od kojih samo šest izvan SAD-a od kojih je pet otvoreno u posljednjih tri

godine. Dugi niz godina osim prodajnog mjesta u Londonu prezentacija se odvijala isključivo

kroz prodajnu mrežu u SAD-u i prodajno mjestu u Londonu (uz naravno prodaju putem

interneta). To nije spriječilo prodor na tržište i interes za brandom, upravo suprotno. Čak i

danas u Hrvatskoj moguće je u pojedinim prodavaonicama pronaći neki od proizvoda

obzirom postoji potražnja i interes a uslijed nedostupnosti i identificiranja potrošača sa stilom

koji brand propagira posebno među mlađom populacijom.

Vezano na klubove vjernosti u domaćim okvirima važno je spomenuti PremiumClub tvrtke

Lantea Grupa (Mršić, 2008) iz Zagreba koji je prvi klub uveden u takvu vrstu mreže a koji

danas broji gotovo 500.000 članova. Komunikacija sa članovima kluba odvija se putem

mobilnih telefona te su članovi u mogućnosti ostvariti razne dodatne pogodnosti i

23 http://www.abercrombie.com/anf/investors/investorrelations.html, 10.07.2011. 24 http://www.abercrombie.com/anf/investors/investorrelations.html - Store Count History, 10.07.2011.

45

istovremeno biti informirani o svim novostima na lak i personaliziran način. Klub je u

mnogočemu ispred svog vremena te jedinstven u načinu izvođenja sa vrlo respektabilnim

brojem članova.

Općenito vezano na vjernost uvijek se postavlja pitanje u kojoj se mjeri obraćamo vjernom a

u kojoj mjeri novom kupcu. Da li kupac kojeg privučemo akcijom ili popustom ima „snagu“

vjernog kupca koji će se vratiti i sa kojim je moguće ostvariti odnos ili time umanjujemo

vrijednost vjernog kupca koji je s nama duži period. Iako novi smjerovi koji se pojavljuju u

prezentaciji ponude (društvene mreže, servisi za kuponsku prodaju) bilježe velik uspjeh taj je

uspjeh kratkog vijeka i ide na najčešće na teret prodavača (robe ili usluge) a kupac koji na taj

način ostvari benefit dobiva veću vrijednost nego bi to bilo moguće na drugi način čime se

stvara percepcija koju je teško zadržati na duži period25.

Umjesto zaključka u ovom dijelu, obzirom se i ovo područje stalno razvija, navest ću

odabrane smjernice iz iskustva a vezano na zadržavanje kupaca26:

- osigurati dugotrajan osjećaj zadovoljstva kroz uslugu i brigu o klijentu,

- održavati aktivan kontakt s klijentom,

- nagrađivati vjernost kroz dodatne pogodnosti,

- raditi na razumijevanju potreba klijenta,

- tražiti povratnu informaciju od klijenta o kvaliteti usluge,

- personalizirati odnos,

- osigurati kontinuitet kvalitete (neka 50-ta posjeta klijenta bude jednako zadovoljstvo

kao i prva),

- stalno educirati vlastito osoblje,

- dobro poznavati konkurenciju i što nude,

- povremeno (pozitivno) iznenaditi klijenta nečim novim.

U svakom slučaju u razumijevanju odnosa s klijetima pitanje vjernosti i/ili pripadnosti važno

je područje kojem treba posvetiti pažnju.

25 http://www.evancarmichael.com/Marketing/3973/The-Pro--Con-of-Groupon.html, 20.07.2011. 26 http://www.hotelnewsnow.com/Articles.aspx/6068/10-tips-for-retaining-loyal-guests, 10.07.2011.

46

3.7. Smjernice razvoja istraživanja u ovom području

Zamislimo neku uslugu i pružatelja te usluge. Ukoliko sve prođe kako treba zadovoljni smo

izvršenom uslugom i preporučit ćemo uslugu dalje. Ukoliko nas u tom procesu iznenade

nekim ugodnim poklonom ili drugim pozitivnim iznenađenjem postići će oduševljenje. U

ekonomskoj metrici razvio se pojam koji zbunjuje one koji se još uvijek drže klasičnih

modela koji se pak oslanjaju na statistička označavanja, matematičke pristupe i slično. Novi

val kojeg antropolozi u posljednjih nekoliko godina nazivaju doživljajno društvo, upućuje na

povezane pojmove doživljajna ekonomija, doživljajni marketing (Globe, 2001). Europsko

udruženje za marketing27 (ESOMAR) u posljednjih nekoliko godina stavlja na svojim

kongresima u središte pozornosti neuromarketing. Najopsežnija istraživanja na tom području

proveo je Martin Lindstrom (Lindstrom, 2010a) koji je tijekom tri godine analizirao nekoliko

tisuća ispitanika koji su se podvrgli neuro testovima. Nakon izdavanja knjige Buyology

(Lindstrom, 2010b) svrstan je među stotinu najutjecajnijih ljudi na svijetu u 2008. godini

prema časopisu Time28. Istraživanja na temu sveukupnog doživljaja kao odmak od

tradicionalnog pristupa sve se više pojavljuju. Eksperti neuromarketinga tvrde da se te pojave

mogu mjeriti točno kao i tjelesna temperatura. Podražaji se prate iz sekunde u sekundu a u

svrhu utvrđivanja efekata primjenjuju se dva testa: funkcionalna magnetska rezonancija

(fMRI) i elektroencefalografija (EEG). To su tehnologije kojima se mjeri aktivnost

specifičnog područja u mozgu od kojeg zavise reagiranja i akcije te psihološka stanja iz kojih

proizlaze promjene u otkucajima srce, znojenjima, pokretima, trzajima i disanju. Uz tek

poneku referencu u domaćoj literaturi (Pavlek, 2009, 24-27) ovo područje se tek razvija i bit

će predmetom istraživanja u vremenu koje slijedi. Iako neki radovi već ranije upućuju na

istraživanja ponašanja u svrhu povećanja efikasnosti (Choi & Gaskill, 2000, 15-24) razvojem

tehnika oni danas imaju bitno drugačiju podlogu i rezultate. Uglavnom se izvode u području

marketinga sa naznakama primjene u trgovini.

27 http://www.esomar.org/; 15.07.2011. 28 http://www.martinlindstrom.com/index.php/cmsid__buyology_TIME100; 15.07.2011.

47

4. TEORETSKA OSNOVA ZA FORMIRANJE MODELA

4.1. Analiza i predviđanje kao proces

Predviđanje je sveprisutno, svatko u gotovo svakom aspektu svakodnevnog života predviđa

određene pojave i efekte. Predviđanje je vjerojatnosna procjena buduće vrijednosti (Frank et

al, 2003, 107-125). Bitna pretpostavka većine metoda predviđanja je da će se obrasci iz

prošlosti ponoviti i u budućnosti. Uvriježen je termin da je za dobru procjenu potrebno imati

kvalitetne povijesne podatke29, naime povijesnim se podacima formira model koji se koristi

za prijekciju budućih kretanja. Za mnoge organizacije investicije u sustave predviđanja imaju

istovremeno izravan i dugoročan utjecaj na profitabilnost, uslugu kupcu, produktivnost i

slično. Dobar sustav analize i predviđanja osnova je u sprečavanju problema poput manjka

zaliha, propuštanja rokova, izgubljena prodaje, izgubljenih klijenata te propuštanja strateških

prilika.

Sam proces može biti više ili manje složen ovisno o situaciji. Karakteristična procedura

uključuje slijedeće faze:

- identifikacija problema (važno je jasno odrediti ciljne varijable kao npr. potražnju za

nekim proizvodom u vremenu),

- prikupljanje podataka (podaci se moraju pažljivo odabrati i prenijeti u model),

- formiranje modela (nastavno na analizu stvara se hipotetički model sa faktorima

ovisno o postavljenom cilju analize npr. potražnja za konkretnim proizvodom može

biti sezonska ili trenutna u funkciji cijene a pod utjecajem marketing kampanje itd.),

- izvođenje modela (bazirano na hipotezama formira se jedan ili više modela u koje se

prenose stvarni podaci),

- analiza rezultata (provodeći statističke testove model može biti prihvaćen, prilagođen

ili odbačen),

- dalje izmjene i unapređenja (model mora biti konstantno nadziran i podložan

prilagodbama).

29 engleski „good forecast requires good „backcast““

Uobičaj

- u

- m

- k

Univarij

drugih v

spomen

serije i

zakonito

su nasta

Uvjetne

sustavu

„uzrok

procjene

ekonom

jeno, metod

univarijantn

multivarijan

kvalitativna

jantne tehn

varijabli što

nuti u ovoj

i Box Jenk

osti no oni

ali.

e/multivarija

kao na prim

– posljedic

e. Od važni

metrijske me

SLIKA 4.1

de predviđan

na (jedne va

ntna (više v

a.

nike uobičaj

o se često

kategoriji s

kins dijagr

isključuju u

antne meto

mjer prodaja

ca“ vezama

ijih modela

etode multiv

1.1. Proced

nja dijele se

arijable),

varijabli) i

eno koriste

naziva mod

su: pomični

rami. Ovi

uvjetne veze

ode koriste

a kao funkc

a njihov je

za spomenu

varijantne A

dura tijekom

e u tri katego

e vrijeme ka

deliranje vr

i prosjeci, e

modeli mo

e te ih je ne

se za form

cija cijene. I

e primarni

uti u ovoj k

ARIMA met

m procesa pr

orije:

ao ulaznu v

remenskih

eksponencij

ogu pomoć

emoguće ko

miranje uz

Iako su ove

fokus najč

kategoriji su

tode.

redviđanja

varijablu (D

serija. Od v

alno izglađ

ći u identi

oristiti izvan

zročno pos

metode ug

češće na u

u: višestruki

DeLurigo, 19

važnijih mo

đivanje, Fou

ificiranju p

n konteksta

ljedičnih o

lavnom baz

utvrđivanju

i regresijski

48

998) bez

odela za

urier-ove

pojedinih

u kojem

odnosa u

zirane na

točnosti

i pristup,

49

Kvalitativne metode uključuju Delphi metodu, istraživanja tržišta, panel diskusije, povijesne

podatke itd. Ove sugestivne kvantitativne metode najčešće se koriste za izradu dugoročnih

predviđanja pri čemu nema dovoljno podataka iz kojih je moguće izvoditi direktne zaključke.

Kvalitativne metode su korisne u situacijama kada na raspolaganju postoji vrlo malo ili uopće

nisu dostupni minimalni podaci na kojima bi se izvela neka od kvantitativnih metoda. U

poslovanju ove se metode koriste za predviđanje efekata uvođenja novih proizvoda, novih

tehnologija, najbolje strategije i slično.

U današnje vrijeme sve industrije moraju se prilagoditi na promjenjivu okolinu u ranije više

puta spomenutom kontekstu globalizacija tržišta. Kako bi odgovorilo na sve veće zahtjeve

tržišta vezano na svestranost proizvoda i njihovu dostupnost tvrtke razvijaju razne modele

poput „just-in-time“ sustava ili sustava brzog odaziva (Panian, 2007). Kako bi reagirali na

zahtjeve koje postavlja kompetitivnost u globalnom pristupu donosioci odluka moraju

donositi mudre odluke u kratkom vremenu. U stvarnosti, moraju uzimati u obzir i one

okolnosti koje „bi mogle“ utjecati na njihovu industriju. Više od 80% tvrtki koje se bave

tekstilom u SAD pokazale su interes za sustave predviđanja i analize te su uvele jednu ili više

tehnologija iz tog područja u poslovanje (Cassill et al, 1993, 147-155). U svrhu donošenja

odluka uz pomoć modela manageri se moraju oslanjati na rezultate metoda. Bolja analiza i

predviđanje proizvodnje i potražnje za proizvodom uz uvažavanje transportnih i skladišnih

kapaciteta kroz vrijeme najvažniji su faktori za uspješnost poslovanja.

4.2. Korelacija i uzročnost

Često u životu opažamo da dvije pojave pokazuju međusobnu zavisnost ili povezanost.

Znamo da postoji određena povezanost između visine i težine (viši ljudi su u prosjeku teži od

nižih), starosti i krvnog tlaka i slično. Engleski matematičar Karl Pearson razradio je osnovni

računski postupak za izračunavanje stupnja povezanosti i izrazio stupanje povezanosti brojem

koji nazvao koeficijentom korelacije (Petz, 2007). Čak i prije tih radova znanstvenik po

imenu Francis Galton razradio je osnovnu logiku takvog računanja zanimajući se pitanjima

poput odnosa visine očeva i njihovih sinova i odnosa inteligencija očeva i sinova. Zaključio je

da je po pitanju visine ta povezanost znatno veća nego po pitanju inteligencije.

Da li je moguće izvoditi zaključke iz podataka o korelaciji? Korelacija ne znači uzročnost

(Kenny, 1979) ali korelacija omogućava povezivanje na drugi način teško povezivih atributa.

50

U radovima koji prate ova područja moguće je pronaći velik broj kontraverzi i nedorečenosti

vezano na ove pojmove. Korelacija govori o efektu ali ne i o uzroku (Tepeš, 2008).

Korelacijom se podrazumijeva statistička povezanost između varijabli na koje nije utjecano

eksperimentom. Iako se korelacija i kovarijanca30 mogu izračunati iz eksperimentalnih

podataka, termin korelacija se najčešće koristi za varijable koje dolaze iz stvarnih uvjeta, na

kojim nisu rađene prilagodbe. Vrlo često tretirajući podatke nemoguće je doći do konačnih

zaključaka no moguće je doći do podataka o korelaciji između promatranih atributa što

navodi na uvjetni zaključak.

Koeficijent korelacije izračunava se slijedećom formulom:

∑ ∑ ∑∑ ∑ ∑ ∑

pri čemu je:

∑ ž ,

N – broj parova,

∑ , ∑ - suma kvadriranih rezultata varijable X i varijable Y

Obzirom zaključak podrazumijeva potvrdu ili opovrgavanje hipoteze korištenjem podataka.

Kako bi se interpretirali podaci mora postojati razuman broj pretpostavki kako će se podaci

agregirati. Set pretpostavki te set pravila kako će se isti agregirati uobičajeno se naziva model

a podaci su agregirani statističkim metodama. Zaključak nije moguće potpuno iskoristiti za

potvrdu hipoteze iz najmanje dva razloga. Prvi, jer je zaključak dobiven statistički dakle za

dobivanje je korišten točno određeni model stoga nema sigurnosti već samo vjerojatnost.

Drugi, važniji, model ili pretpostavke na kojima se gradi zaključak mogu uvijek biti pod

znakom pitanja. Svaki zaključak je baziran na pretpostavkama pri čemu nije moguće

istovremeno utvrđivati relevantnost pretpostavke i zaključka. Stoga se u znanosti često

izbjegavaju termini „istina“ i „dokaz“ no uvijek se imaju na umu. Nastavno, snaga zaključka

razlikuje se ovisno da li se radi o potvrdi ili opovrgavanju. Opovrgavanje je najčešće

uvjerljivije od potvrde. Opovrgavanje ukazuje da su podaci nekompatibilni sa hipotezama.

30 kovarijanca pokazuje koliko se dvije varijable mijenjaju zajedno, na taj način se vrijednost kovarijace razlikuje od vrijednosti varijance koja opisuje promjene u vrijednosti jedne varijable (njezino osciliranje oko srednje vrijednosti). Kovarijanca postaje sve više pozitivnom za svaki par vrijednosti koji se razlikuje od njihovih srednjih vrijednosti u istom smjeru (zejdničkom pozitvnom ili negativnom odstupanju od svojih aritmetičkih sredina), te postaje više negativna za svaki par vrijednosti koji se razlikuje od njihovih srednjih vrijednosti u suprotnim smjerovima.

51

Potvrda najčešće ukazuje upravo suprotno, da su podaci kompatibilni sa hipotezom.

Uobičajeno, podaci potvrđuju razne zaključke. Potvrda zaključka snažnija je tada ukoliko

nema mogućih alternativnih objašnjenja efekta koji se promatra. Uvjetni zaključak potrebno

je tretirati zasebno i ne miješati ga sa stvarnim zaključkom odnosno potrebno je shvatiti da on

nema snagu ni prirodu zaključka. Pojedine varijable koje proizlaze iz istraživanja korelacije

uopće nemaju kvalitetu zaključka no svejedno se koriste. Generalno, statistika se može

koristiti za potrebu formiranja zaključka no, za potrebe npr. složenih tržišnih uvjeta, statistika

je vrlo pasivan alat. Zaključivanje ide korak dalje no oslanja se na istraživača a ne na

računalo.

Jedan je karakterističan tip zaključka koji najčešće želimo izvesti iz podataka o korelaciji:

uvjetni zaključak. Dugi niz godina znanstvenici i statističari zazirali su od riječi „uvjetno“.

Autor Judea Pearl (Pearl, 2000) vratio je 2000. godine svojim radovima koncept kaulaznosti u

fokus. Uvjeta izjava ima dva dijela: uzrok i događaj. Tri opće prihvaćene pretpostavke moraju

se uzeti u obzir kako bi se moglo reći da „X uzrokuje Y“:

- protok vremena,

- odnos među varijablama,

- istinitost (isključenje manipulacije).

Da bi X uzrokovao Y, X se mora dogoditi ranije u vremenu. Takva vremenska pretpostavka

dovodi do zaključka da je uvjetan odnos asimetričan. Za bolje razumijevanje uzmimo da X

uzrokuje Y sa nekim odmakom u vremenu.

Xt uzrokuje Yt+k pri čemu je t vrijeme a k > 0

Potrebno je napomenuti da Yt+k ne može uzrokovati Xt jer bi to bila povreda pravila

vremenskog odmaka. Uvjetne veze su u osnovi asimetrične nasuprot mnogim statističkim

mjerama koje su simetrične. Implikacija je u rječniku uvjetne vjerojatnosti aktivan, dinamičan

proces koji se mora dogoditi tijekom vremena. Analizirajući spomenuto postavlja se pitanje

može li se veza odnositi na isti način i na događaje unatrag u vremenu. Uzmimo primjer u

kojem osoba analizira ekonomsku situaciju te analizom primijeti da dolazi do pada kojeg nije

moguće izbjeći. Ta osoba tada izvede niz ekonomskih mjera kako bi se zaštitio od dolazećeg

pada (u mjeri u kojoj je to moguće). Mogli bismo diskutirati da li je pad nakon provedenih

odluka uzrokovao same odluke. Iz ove rečenice vidljiv je pogreška u načinu razmišljanja.

52

Odluke nije uzrokovao pad jer se još nije niti dogodio, odluke je uzrokovala percepcija onoga

što će se dogoditi (pada). Prejudiciranjem događaja onemogućujemo empirijsko povezivanje

unatrag.

Drugi tip zaključka koji izvodimo iz podataka o korelaciji jest postojanje funkcionalne veze

između uzroka i posljedice. Implikacija u ovom uvjetu je potreba da su uzrok i posljedica

varijable te da i jedna i druga mogu poprimiti najmanje dvije ili više vrijednosti. Kako bismo

izmjerili odnos između dviju varijabli najprije moramo definirati situaciju ili uvjete u kojima

ne postoji odnos što se često naziva nezavisnost varijabli. Dvije su varijable nezavisne

ukoliko znamo da vrijednost jedne varijable ne daje nikakve podatke o vrijednosti druge

varijable. Formalnije iskazano, X i Y su nezavisne ukoliko uvjetna distribucija X ne prelazi

Y. Ako varijable nisu nezavisne tada su u odnosu ili vezi. Kada se provjerava da li su dvije

varijable u vezi potrebno je utvrditi da li je do veze moglo doći slučajno. Obzirom su

promatrači događaja najčešće loši procjenitelji odnosa postoje statističke metode kojima se

utvrđuje postojanje odnosa ili veza. Statističke metode najčešće se provode na uzorku a

rezultati te provjere primjenjuju se na cijelu populaciju.

Treći tip zaključka koji izvodimo iz podataka o korelaciji jest izvorna veza (Suppes, 1970) .

Za odnos između dvije varijable X i Y kažemo da postoji ukoliko postoji Z koji utječe na X i

Y ali takav da taj utjecaj nestaje ukoliko je Z kontroliran. Važno je napomenuti razliku

između izvorne veze među varijablama te intervenirajuće ili posredničke varijable. Varijabla

Z intervenira između X i Y ako X uzrokuje Z a Z unatrag uzrokuje Y. Kontrolirati izvornu

varijablu ili interventnu varijablu uzrokuje da nestaje odnos između X i Y. Izvorna varijabla

pojašnjava uzročnu vezu, interventna varijabla samo nastavlja odnosno povezuje uzročni

lanac. Mnogi znanstvenici vide ovaj problem kao najveću prepreku u analizi uzročnosti te ga

nazivaju problemom treće varijable. Najčešće citiran primjer ovog slučaja je korelacija

veličine stopala i razvoja govora u djeci. Veza je izvorna jer rast djeteta uzrokuje rast veličine

stopala i razvoj govora.

Pored tri navedena formalna zahtjeva za uzročnost u vremenu potrebno je spomenuti i četvrti

koji nije moguće jednostavno jasno definirati. Sastoji se u tome da uzročnost implicitno

navodi na aktivan proces. Problem u definiranju mogao bi se svesti na problem sličan

definiranju prostora ili vremena.

Iako analiza uzroka prevladava u našem svakodnevnom životu, kontraverzno je da li je

ispravno davati joj značaj u proučavanju socijalnih znanosti pored drugih zadataka kao što su

53

promatranje, mjerenje, prilagodba podataka i formulacija raznih teorija. Najmanje su tri

razloga zbog kojih analiza uzorka treba biti dio istraživanja socijalnih znanosti:

- obzirom znanstvenici implicitno i eksplicitno grade modele, formalna metoda može

samo biti od pomoći

- uvjetno modeliranje može pomoći razvoju, prilagodbi i proširenju mjerenjima i

tradicionalnom pristupu,

- uvjetno modeliranje može dati socijalnim znanostima snažniju bazu za primjenu

teorija na rješavanje socijalnih problema.

Uvjetno modeliranje važan je doprinos socijalnoj znanosti no ima i neka ograničenja:

- istraživanje i podaci moraju biti bazirani na čvrstoj osnovi i detaljnom opažanju,

- osnovne ideje za izgradnju modela nisu najčešće pravila u odnosima već ideje, slike ili

strukture,

- uvjetno modeliranje pogodno je za zlouporabe.

Možemo zaključiti da će uvijek biti poticaja da se statističke analize nazivaju „uvjetnim

analizama“ no iako termin uvjetna vjerojatnost zvuči impresivno potrebno je isticati da taj

pristup zahtjeva od istraživača značajniji napor kako bi postigao kvalitetu i snagu zaključaka

koji iz takvog modela proizlaze.

Konačno, možemo definirati uvjetni zakon u općoj formi kao:

za sve Q, X uzrokuje Y

Pojam Q odnosi se na set objekata ili osoba na koje se odnosi zakon, X označava uzrok a Y

događaj. U mnogim uzročnim modelima zanemareno je određivanje pojma Q. U društvenim

znanostima Q je obično neki podskup osoba, iako Q također može biti skup

riječi, situacija, generacije, ili naroda. Ako je Q skup osoba obično mu se dodaju dodatne

karakteristike (na primjer pretpostavka da je osoba odrasla, budna i slično). Obzirom su uzrok

X i događaj Y varijable odnos među njima moguće je funkcionalno izraziti na način Y = f(x)

često nazivan strukturnom jednadžbom. Karakteristična forma za izražavanje je linearna:

Y = b0 +b1X

54

Termin b1 naziva se uzročni parametar i njegova interpretacija je usmjerena. Ako se varijabla

X poveća za jednu jedinicu varijabla Y povećat će se za b1 jedinica. Umjesto „jednog“ X koji

„uzrokuje“ Y može ih biti više te se mogu kombinirati na razne načine:

Y = b0 + b1X1 + b2X2 + b3X3 + . . . + bnXn

Svaka uzročna varijabla množi se uzročni parametrom koji se na kraju sumiraju.

4.3. Lorenzova krivulja i Gini indeks

Lorenzova krivulja (Šošić & Serdar, 2002) specifičan je grafički prikaz koncentracije, koji

pokazuje raspodjelu totala numeričkog niza na njegove članove. Konstruirana u prvom

kvadrantu pravokutnog koordinatnog sustava, ova krivulja se sastoji od točaka koje imaju

koordinate određene članovima kumulativnih nizova proporcija (to je jedan od načina

računanja koordinata). Početna točka ima koordinate 0T (0; 0), a svaka iduća

( ))();(( iTixi TFxFT , za i=1,2,...,N, pri čemu posljednja točka za i=N svakako ima koordinate

NT (1; 1). Koordinate točaka određene su vrijednostima članova odgovarajućih kumulativnih

nizova. Za niz podatka poredanih po veličini, tj. za:

1x ≤ 2x ≤...≤ ix ≤...≤ Nx ,

i to uz pretpostavku da su sve vrijednosti varijable x veće od nule. Apscise ove krivulje

računaju se kao vrijednosti kumulativne funkcije pomoću slijedeće formule:

NiNixF ix ,...,2,1,)( == ,

dok se ordinate, koje su članovi kumulativnog niza proporcija podtotala za jedinicu i,

računaju pomoću izraza:

Nix

xTF N

ii

i

jj

iT ,...,2,1,)(

1

1 ==

∑

∑

=

= ,

Ginijev

krivulja

raspolag

ovog ko

gdje je

Ginijev

4.4. M

Obzirom

varijabi

svake o

skupljaj

vrijedno

podatak

indeks (B

a zatvara s p

ganja s neg

oeficijenta:

N broj pod

indeks pop

Mjere pros

m se u okv

lnosti uzork

od njih. Ko

ju oko jed

osti nekog

ka na način

SLIK

Barrow, 199

pravcem jed

grupiranim v

ataka, a ix

prima vrijed

sjeka i mj

viru deskrip

ka ovdje će

od mjerenja

dne srednje

niza uz z

da govore o

IKA 4.3.1. P

96) G, pre

dnolike rasp

vrijednostim

G=∑=

N

i 12

su pojedina

dnost nula, a

ere varija

ptivne anali

e ukratko bi

a mnogih p

e vrijednost

zadane uvje

o stupnju g

Primjer Lore

edstavlja om

podjele i čit

ma podatak

∑

∑

=

+−

N

ii

i

xN

Nix

1

(

ačne vrijedn

a pri maksim

abilnosti

ze uzoraka

iti navedene

pojava mož

ti. Mjere p

ete. Mjere

rupiranja od

entzove kriv

mjer izmeđ

tave površin

ka, koristi se

∑=

N

iix

1)1

,

nosti varija

malnoj konc

najčešće k

e najpopula

žemo zapaz

prosjeka da

varijabilno

dnosno razl

vulje

đu površine

ne ispod tog

e slijedeća

able. Kada n

centraciji on

koriste mjer

arnije mjere

ziti da se r

aju inform

osti predsta

ličitosti i di

e što je Lo

ga pravca. U

formula za

nema konce

n je jednak j

re prosjeka

sa kratkim

rezultati gru

maciju o pr

avljaju opis

isperzije po

55

orenzova

U slučaju

a izračun

entracije,

jedan.

i mjere

m opisom

upiraju i

rosječnoj

s uzorka

dataka u

56

uzroku. Ta se disperzija najčešće računa kao odstupanje od nekog prosjeka ili srednje

vrijednosti koji se pak može računati na različite načine.

4.4.1. Aritmetička sredina

Najčešća i najpoznatija mjera prosjeka aritmetička sredina. Ona pripada u jedan od najčešće

izvođenih računa za statističke potrebe.

č

…

4.4.2. Raspon

Najjednostavnija ali i najnetočnija mjera oko neke srednje vrijednosti je raspon odnosno

razlika između najvećeg i najmanjeg rezultata. Raspon je vrlo nesigurna i varljiva mjera

varijabilnosti rezultata jer bilo koji usamljeni ekstremni rezultat (outlier) znatno povećava

raspon a da se grupacija rezultata oko aritmetičke sredine ipak nije bitno promijenila. Osnovni

nedostatak raspona sastoji se u tome što je on obično to veći što je veći broj mjerenja neke

pojave.

4.4.3. Srednje odstupanje

Prosječnu veličinu pojedinačnih odstupanja (bez obzira na smjer odstupanja) moguće je

izračunati prema formuli:

∑ |

gdje | | znači apsolutnu veličinu odstupanja bez obzira na predznak.

4.4.4. Varijanca i standardna devijacija

Promatrajući prosječno odstupanje u ovisnosti o predznaku uvijek bismo kao sumu dobili

nulu. Razlog tome je što je aritmetička sredina kao težište rezultata suma odstupanja iznad i

ispod nje što uvijek iznosi nula. Jedan od načina da se izbjegnu predznaci odstupanja jest taj

da se odstupanja kvadiraraju. Na taj način odstupanje će više doći do izražaja. Ako tako

kvadrirana odstupanja zbrojimo i izračunamo im aritmetičku sredinu dobit ćemo mjeru

varijabiliteta koja se naziva varijanca.

∑

1

57

Varijanca je prosječna suma kvadiranih odstupanja. Iako se često koristi u praksi ovaj pojam

nije moguće grafički predočiti te osim za razumijevanje povezanih pojmova i varijabiliteta

nije prikladan za druge svrhe.

Varijanca omogućava da se iz nje izračuna defacto standardna mjera za mjerenje varijabiliteta

rezultata standardna devijacija. Računa se kao korijen iz varijance.

∑1

4.4.5. Koeficijent varijabilnosti

Da bi bilo moguće međusobno uspoređivati varijabilnosti različitih pojava i svojstava postoji

još jedna mjera tzv. koeficijent varijabilnosti koji pokazuje koliki postotak vrijednosti

artimetičke sredine iznosi vrijednost standardne devijacije. 100

4.5. REFII model31

Osnovna karakteristika REFII modela je jednoznačnost opisa vremenske serije pomoću

parametara modela. Matematička jednoznačnost implicira mogućnost provođenja temeljnih

matematičkih operacija nad vremenskim odsječcima poput jednakosti, različitosti i sličnosti

(Klepac, 2001).

U uvjetima kada krivulju, ili neki njen segment možemo komparirati sa drugom krivuljom

odnosno nekim njenim segmentom matematički precizno, tada dolazimo do snažnog alata na

kome se može temeljiti čitav sustav analize vremenskih serija što je koncepcija REFII

modela.

Ova koncepcija zadovoljava još jedan kriterij, a to je kriterij povezanosti sa algoritmima koji

se primjenjuju u data miningu. Do sada poznate metode za analizu vremenskih serija davale

su određene pokazatelje koji se kasnije nisu mogli procesirati posredstvom nekog od poznatih

algoritama u cilju ekstrahiranja dodatnog znanja. REFII model teži ka otvorenosti, odnosno uz

svoj matematički dio koji služi kako za opis, tako i za generiranje znanja koje se krije u

vremenskoj seriji, daje modalitete rješenja povezivanja sa ostalim algoritmima rudarenja

31 definicije i ilustracije preuzete iz Klepac G. „Otkrivanje zakonitosti temeljem jedinstvenog modela transformacije vremenske serije“, doktorska disertacija, FOI Varaždin, 2004. gdje nije drugačije navedeno

58

podataka. Na taj način možemo iskoristiti snagu provjerenih algoritama na području

vremenskih serija, u sklopu standardnih programskih rješenja.

U skupinu klasičnih data mining algoritama ubrajamo neuralne mreže, klasteriranje, stabla

odlučivanja, analizu potrošačke košarice, link analizu, i slično, kao i sve mutacije i izvedenice

ovih algoritama.

REFII model se koncentrira se na tri osnovna segmenta kojima se jednoznačno može opisati

krivulja, to su :

- oblik krivulje (opis izgleda vremenske serije)

- površina ispod krivulje (kvantifikacija vremenske serije)

- koeficijent kutnog nagiba pravca unutar vremenskog odsječka (“jačina” trenda)

Odnosi ovih triju elemenata koji čine REFII model prikazani su na slici.

SLIKA 4.5.1. Komponente REFII modela (Klepac, 2004, 21)

U REFII modelu za opis oblika krivulje zadužen je REF model (Klepac, 2001). Njegova

karakteristika je dijagnosticiranje i modeliranje oblika krivulje. Ovaj model ne može

jednoznačno definirati krivulju, te se s toga služimo i sa ostala dva spomenuta elementa

modela. Površina ispod krivulje daje kvantitativnu dimenziju određenoj pojavi. Krivulja može

imati jednaki oblik u odnosu na neku drugu krivulju, ali to ne znači da ima istu kvantitativnu

vrijednost, iz čega prolazi pojam nejednakosti krivulje. Površina ispod krivulje nam može

pomoći u dobivanju tog pokazatelja.

REF model

Površina ispod

krivulje

Koeficijent kutnog otklona pravca

59

Sa ova dva elementa možemo vrlo precizno, gotovo jednoznačno opisati vremensku seriju.

REFII model je jedinstveni model transformacije koji jednoznačno opisuje empirijsku

krivulju (a sadrži diskretne vrijednosti), čija je zadaća povezati niz kako tradicionalnih, tako i

ad hoc analitičkih postupaka.

Teoretski krivulje mogu imati i jednak oblik opisan REF modelom, i jednaku površinu a da

ne budu u potpunosti jednake što se vidi iz slike (pri čemu je P1 = P2, O1 = O2, krivulja 1

slična krivulji 2 dok su različiti kutovi i dužina kraka). To objašnjava korištenje sva tri

elementa u modelu.

SLIKA 4.5.2. Uloga koeficijenta kutnog nagiba pravca u REFII modelu (Klepac, 2004, 22)

U pojedinim slučajevima ove dvije krivulje mogu zadovoljavati kriterij sličnosti. Ponekad je

apsolutno nerealno očekivati potpunu jednakost krivulja za određene pojave. Ako spoznamo

da je recimo petkom povećana prodaja neke grupe roba, to ne znači da ćemo odbiti tvrdnju o

povećanju prodaje petkom ako krivulje u potpunosti nisu identične. Spoznaja o sezonskoj

oscilaciji dostatan je indikator za poduzimanje akcija po pitanju ove problematike. Da bismo

u potpunosti uspjeli jednoznačno definirati vremensku seriju matematičkim modelom

potrebno je uvesti i treći element, a to je kut unutar vremenskog odsječka, kojeg izražavamo

koeficijentom kutnog nagiba.

X1

Vrijeme

X2

Vrijeme

Površina (P1)

Površina (P2)

Oblik1=O1=(R,F,R,F,F)

Oblik2=O2=(R,F,R,F,F)

Razlika u kutevima i dužini kraka

60

Prilikom procesa analize vremenske serije možemo no ne moramo uzeti sva tri elementa kao

temelj za analizu. Ovaj model sam po sebi ne daje gotova rješenja već je polazišna osnova za

kompleksnije modele. S tim u skladu i REF model i površina ispod krivulje i koeficijentima

kutnog nagiba pravca mogu biti korišteni zajedno kod modeliranja rješenja složenijih

problema, ali isto tako i parcijalno, što ovisi o karakteru problema koji rješavamo. Kada

govorimo o primjeni klasičnih data mining algoritama u vremenskoj seriji, tada govorimo o

transferu pretprocesiranih vrijednosti opisanog modela u algoritme. S obzirom na prirodu

problema kojeg rješavamo, u algoritme možemo transferirati vrijednosti proizašle iz svih

segmenata REFII modela, ili samo određene vrijednosti.

U algoritme tako možemo prosljeđivati podatke o oblicima krivulja, površinama ispod

krivulja, jačini trendova krivulja, te na osnovu toga možemo ekstrahirati nova znanja o

vremenskim serijama. Ponekad će nam u analizi biti bitan samo obrazac trenda kretanja bez

kvantitativnog aspekta i jačine nagiba, pa ćemo procesuirati podatke o obliku. U nekim

slučajevima kvantitativni aspekt može igrati dominantnu ulogu te će on biti predmet

razmatranja i tako redom. Naredna tablica daje orijentacijske odnose između tipa analize i

elemenata REFII modela.

TABLICA 4.5.1. Orijentacijski odnosi između tipa analize i elemenata REFII modela (Klepac,

2004, 23)

Vrsta analize Segment REFII modela Analiza oblika krivulje REF i/ili koeficijent kutnog otklona Kvantitativna analiza Površina ispod krivulje Traženje pravilnosti u vremenskoj seriji REF i površina ispod krivulje Jednoznačna definicija krivulje REF, koeficijent kutnog otklona, površina i. krivulje Otkrivanje epizoda i scenarija u vremenskim REF i /ili koeficijent kutnog otklona i/ili površina

Koncepcije poput otkrivanja epizoda i scenarija u vremenskim serijama isto je tako moguće

realizirati primjenom REFII modela. Osnovni zadatak i cilj REFII modela je uspješno

modeliranje rješenja problema iz domene analize vremenskih serija. Kao što će biti prikazano

kroz tekst REFII model je dobra polazišna osnova i temelj rješavanja problema iz poslovne

prakse. Njegova primjenjivost leži u činjenici što može ući u svaki detalj vremenske serije, te

je na osnovu konkretnog problema moguće dijagnosticirati analogiju između elementa

vremenske serije i konkretnog problemskog prostora. Vremenska serija na kojoj smo

61

primijenili model može se primjerice transformirati u niz objekata koji kao vrijednosti sadrže

upravo vrijednosti proizašle iz REFII modela.

TABLICA 4.5.2. Transformacija vremenske serije u objekte (Klepac, 2004, 24)

Indeks prostorne lokacije u remenskoj seriji (oznaka pozicije) Oznake/oznaka REF sintakse Vrijednost površine segmenta koju označava pozicija Vrijednost kutnih koeficijenata promatranog segmenta

Niz vrijednosti opisane prethodnom tablicom čine osnovu REFII modela. Kao što je vidljivo

iz tablice vrijednosti se mogu odnositi na odsječak vremenske serije ( npr. t0-t4, t4-t8,t8-t12,..,tn-

tn+4), a isto tako i na odsječak između dva promatrana stanja vremenske serije (t0-t1, t1-t2,t2-

t3,..,tn-tn+1).

Različiti modaliteti rješenja determiniraju različite strukturalne formalizacije modela. U

određenim situacijama ta će se vremenska serija morati lomiti u manje segmente s ciljem

traženja reprezentativnih uzoraka i znanja. Vrlo rijetko će ovako transformirana serija biti u

originalnoj dužini. Za potrebe sofisticiranijih analiza bit će potrebno segmentirati seriju kako

bi se olakšao proces analize.

4.5.1. Princip REFII modela

Kako se u rudarenju podataka, i području analize vremenskih serija iz domene otkrivanja

tržišnih zakonitosti susrećemo sa vremenskim nizovima predstavljenih nizom tabličnih

vrijednosti, funkcije koje ulaze u proces data mining analize vremenskih serija su

diskontinuirane funkcije. Naime, za razliku od kontinuiranih funkcija poput kvadratne

funkcije, tržišne pojave se na razini podataka promatraju u vremenskim razmacima i to

najčešće jednolikim vremenskim razmacima. Isto tako, poslovni događaji i tržišne aktivnosti

odvijaju se u diskontinuiranim vremenskim intervalima. S obzirom na to, REFII model i

modeli rudarenje podataka analiza vremenskih serija baziraju se na diskontinuiranim

funkcijama, kao što je to i prikazano na slici.

62

SLIKA 4.5.1.1. Prirast diskontinuirane funkcije (Klepac, 2004, 28)

REF komponentu unutar REFII modela definiramo kao :

TABLICA 4.5.1.1. Definicija REF oznaka na temelju prirasta diskontinuirane funkcije

dx / dt REF oznaka= 0 E >0 R<0 F

Prilikom korištenja REFII modela REF oznake označuju trendove prirasta. Unutar REFII

modela diskontinuirane vrijednosti se normiraju u intervalu <0,1>. Koeficijenti kutnog

otklona računaju se prema formuli:

tt normiranoxnormiranoxdtdx __ 1 −= +

Na temelju koeficijenta kutnog otklona kreira se REFII model kao što je to prikazano u

tablici.

x

t

dx/dt x1

x2

x3 x4

x5

63

TABLICA 4.5.1.2. Primjer nadopune REF modela sa na temelju koeficijenata kutnog otklona

Pri navedenom vrijedi da ako je t > 0 to znači da funkcija raste, ako je t< 0 to znači da

funkcija pada te ako je t= 0 funkcija ne raste niti ne pada odnosno ima istu vrijednost za

vremenski pomak

Rastući trend (t>0) dijela funkcije proizašlog iz ove formule na određenom odsječku možemo

prezentirati oznakom R. Padajući trend (t<0) dijela funkcije proizašlog iz ove formule na

određenom odsječku možemo prezentirati oznakom F. Neutralan trend (t=0) dijela funkcije

proizašlog iz ove formule na određenom odsječku možemo prezentirati oznakom E.

Upotrebom ove notacije, kompletnu vremensku seriju možemo prezentirati sa ove tri oznake.

Za funkciju (R, R, F, F, F, R) možemo reći da raste za dvije vremenske, da nakon toga pada

za tri vremenske jedinice i raste za jednu vremensku jedinicu.

SLIKA 4.5.1.2. Prikaz vremenske serije kroz REFmodel (Klepac, 2004, 36)

REF dx / dt REF oznaka Koeficijent kutnog otklona dx / dt

Razred temeljem koeficijenta kutnog otklona

= 0 E 0 Jednako

>0

R

0-0.2 Slab rast 0.2-0.6 Srednji rast 0.6-1 Oštar rast

<0

F

0-0.2 Slab pad 0.2-0.6 Srednji pad 0.6-1 Oštar pad

R F F F R

Vrijeme

R

64

Slika prikazuje kako REF model transformira vremensku seriju u svoju notaciju. Ovakva

transformacija vremenske serije i matematički instrumentarij koji će biti prikazan može biti

korisna za različite tipove analiza vremenskih serija, koje ovise o zadanim ciljevima.

Ilustrativni primjer primjene REF modela bit će prikazana metodologija otkrivanja sezonskih

oscilacija na temelju oblika krivulje. Za tu namjenu potrebno je vremensku seriju razlomiti na

vremenske odsječke (npr. po danima), transformirati je na osnovu prikazane notacije te

provoditi analize metodom usporedbe.

4.5.2. Površina ispod krivulje

Kod kontinuiranih funkcija prilikom proračuna površine ispod krivulje koristimo integraciju

funkcija. Kako je REFII model baziran na diskontinuiranim vrijednostima, za proračun

površine ispod krivulje koristimo metode numeričke integracije.

SLIKA 4.5.2.1. Numerička integracija (Klepac, 2004, 31)

Površina odsječka računa se prema formuli numeričke integracije metodom pravokutnika:

2))(*())(*( 111 nnnnnn ttxttx

p−+−

= +++

x

t

x1

x2

x3 x4

x5

t0 t1 t2 t3 t4

Površina odsječka

65

Ovako izraženu površinu možemo interpretirati kao prosječnu vrijednost neke pojave između

dva promatrana intervala. Tako primjerice površina unutar odsječka uzorka između dva

intervala (npr. dva dana) gdje se promatra primjerice stanje tekućeg računa možemo

interpretirati kao prosječnu prodaju između ta dva perioda promatranja (npr. ponedjeljka i

utorka). Površina ispod krivulje na intervalu <ta.. tb> računa se kao zbroj površina odsječaka

prema formuli:

∑=a

apP

Pri čemu je vremenska distanca izražena formulom tn+1- tn jednaka za sve vremenske

odsječke u modelu i predstavlja mjeru vremena koja može biti izražena u mjesecima, danima,

satima, minutama i slično. Površinu na razini vremenskog odsječka također možemo

normirati. Kada u REFII model uvedemo površinu ispod odsječka kao treći element

dobijemo slijedeću tablicu.

TABLICA 4.5.2.1. Primjer nadopune REF modela sa površinom ispod krivulje

REF dx / dt

REF oznaka

Koeficijent kutnog otklona dx / dt

Razred temeljem koeficijenta kutnog otklona

Površina ispod odsječka (normirana)

Razred površine

= 0 E 0 Jednako 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

>0 R

0-0.2 Slab rast 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

0.2-0.6 Srednji rast 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

0.6-1 Oštar rast 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

<0 F

0-0.2 Slab pad 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

0.2-0.6 Srednji pad 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

0.6-1 Oštar pad 0-0.3 Mala

0.3-0.6 Srednja 0.6-1 Velika

66

Istaknute vrijednosti u tablici pokazuju primjer definicije elementarnog uzoraka na temelju

numeričkih vrijednosti. Tablica je ujedno i prikaz elementarnih uzoraka koji čine REFII

model i koji povezuje otklon diskontinuirane funkcije sa površinom sa svrhom izgradnje

elementarnih uzoraka. Elementarni uzorci se mogu za potrebe analiza promatrati zasebno i

ulaziti u obradu kao zasebne vrijednosti, ili se mogu promatrati kao niz spojenih vrijednosti.

REFII model objedinjava trendove diskontinuiranih funkcija i površine na razini vremenskog

odsječka, čineći pri tome elementarni uzorak. Elementarni uzorak je predstavljen sa najviše tri

osnovne vrijednosti :

- oznakom trenda rasta (REF)

- koeficijentom kutnog otklona koji možemo klasificirati u razrede

- površinom ispod odsječka koji možemo klasificirati u razrede

Važno je napomenuti da klasifikacija u razrede unutar REFII modela ovisi o prirodi problema

koji se rješava, te je u procesima analize moguće koristi i izvorne vrijednosti koeficijenata

kutnih otklona, kao i površina. Elementarni uzorci također mogu tvoriti kompleksnije

strukture nizova uzoraka, te kao takvi mogu ulaziti u procese analize. Elementarni uzorak

definiran kroz REFII model, njegov je temeljni element. U podatkovni niz punimo vrijednosti

površina odsječaka vremenske serije. kao što je to prikazano na slici.

SLIKA 4.5.2.2. Grafička interpretacija numeričke integracije u REFII modelu (Klepac, 2004,

50)

x

t0 t1 t2 t3 t4 t5 tn

...

P(P1, P2, P3, P4, P5 ... Pn)

P1 P2 P3 P4 P5

67

Nakon transformacije vremenske serije kao što je to prikazano na slici u ovisnosti o željenom

cilju primjenjujemo metode rudarenja podataka na dobivene vrijednost, ali u koordinaciji sa

svim vrijednostima proizašlima iz REFII modela. Kao i transformacija posredstvom REF

modela, vrijednosti površina podsegmenata krivulje, također su nositelji informacija koji tek

trebaju ući u proces obrade. Cilj analize determinira metodu koja će se primijeniti nad ovim

vrijednostima. Značajka ovog pristupa leži u činjenici što ovim pristupom kvantificiramo

vremensku seriju, dajemo joj kvantitativnu dimenziju kako u njenim pojedinačnim

segmentima, tako i u cjelini.

4.5.3. Područje efikasnosti/neefikasnosti proračuna površine ispod krivulje

Unutar REFII modela proračun površine ispod dijela krivulje ima osnovni zadatak dati

kvantitativnu dimenziju cjelokupnome modelu. Površina ispod krivulje daje nam kvantitativni

pokazatelj, ali nam ništa ne govori o obliku krivulje za koju smo izračunali površinu. Što se

odsječak predprocesirane krivulje za koju računamo površinu sastoji od većeg broja manjih

odsječaka to je prognostika o svojstvima iste na osnovi površine nepreciznija.

Procesuiranje vrijednosti koje predstavljaju niz površina ispod krivulja u slučaju obrade

pretprocesiramo i klasificiramo na osnovu njihova oblika, te ima pridodjeljujemo indekse.

Upravo vrijednost površine ispod krivulje nakon indeksiranja vrlo je podesna za obradu

posredstvom algoritama poput stabla odlučivanja, klasteriranja i slično.

Osnovni zadatak proračuna površine ispod krivulje unutar REFII modela je pridodjeljivanje

karakteristika voluminoznosti cjelokupnom modelu elementarnim uzorcima. Teoretski

gledano dvije krivulje mogu imati isti oblik, ali mogu biti različite s obzirom na površinu

ispod krivulje. Ako je voluminoznost vremenskog odsječka jedan od elemenata važnih za

analizu, tada u proces analize uključujemo i komponentu površine.

4.5.4. Proračun koeficijenta kutnog otklona

Element koji upotpunjuje REFII model je proračun koeficijenta kutnog nagiba. U situaciji

kada imamo vrijednost površine ispod krivulje i definiran oblik krivulje, REF model nam

može dati konceptualni oblik krivulje sa stupnjem vjerojatnosti kada procjenjujemo sličnost

krivulja. Precizno određivanje odstupanja sa egzaktnim numeričkim pokazateljima moguće je

posredstvom ovog podmodela. On je u osnovi vrlo precizan, i daje egzaktne matematičke

pokazatelje, što upućuje na određeni stupanj "krutosti". Korištenje isključivo ovog modela

prilikom analize vremenskih serija može rezultirati potrebom za vrlo visokim stupanjem

68

sličnosti oblika krivulje, što podrazumijeva vrlo visoku sličnost kutova svih pravaca, odnosno

dužine pravaca koji reprezentiraju krivulju.

Stupanj očekivane preciznosti kod ovog modela je krajnje precizan. Rast nekog trenda u

vremenskom odsječku definiramo sa R, dok se on može izraziti koeficijentom kutnog otklona

0.234. U REFII modelu oznaku R dobiva kutni otklon vrijednosti koeficijenta kutnog otklona

0.234, i koeficijent kutnog otklona 0.876, dok između njih postoji velika razlika. Prednost

proračuna koeficijenata kutnog otklona manifestira se kroz mogućnost definiranja razreda

otklona pomoću koeficijenata kutnog otklona. Tako generalne trendove izražene sa

oznakama „R“ i „F“ možemo svesti na niži stupanj granulacije kao npr. „Slab rast“, „Srednji

rast“, „Oštar rast“ i slično.

SLIKA 4.5.4.1. Model proračuna nagiba pravca i duljine kraka u vremenskoj seriji

U prvom koraku pretprocesiranu vremensku seriju t=( y1,..,yn) transformiramo u vremensku

seriju T=( t1.. tn) na temelju izraza

minmaxmin−−

= ii

yt

gdje je ti element niza T=( t1,..,tn)

gdje min predstavlja minimalnu vrijednost na cijelom intervalu vremenske serije t, a max

predstavlja maksimalnu vrijednost na cijelom intervalu vremenske serije t

Daljnji korak se svodi na računanje koeficijente kutnog otklona prema izrazima

iij ttk −= +1 za 01 >−+ ii tt ;

y2

y3

x2 x0 x1

y1

69

1+−= iij ttk za 01 <−+ ii tt ;

0=jk za 01 =−+ ii tt

Vrijednost koeficijenata kutnog otklona kreće se u rasponu od 0-1. Ako bismo hipotetski

željeli imati krajnje precizan model za procjenu oblika krivulje, tada bismo u analizama

koristili vrijednosti koeficijenta kutnog otklona direktno bez dodatnih transformacija poput

lingvističkih varijabli. Naravno, ovakav pristup povlači čitav niz tehničkih pitanja, ali je

hipotetski u modelima moguće baratati i izvornim vrijednostima koeficijenta kutnog otklona.

U tom slučaju moramo biti svjesni činjenice da će algoritam za primjerice procjenu

jednakosti, vrijednost koeficijenata koji pripadaju odsječcima T1 i T2, a iznose 0.231 i 0.232

interpretirati kao različite.

Alternativni pristup za potrebe analiza svodi se na korištenje intervalnih vrijednosti gdje se

primjerice otklon u intervalu <0.0001-0.3> deklarira kao interval niskog rasta. Na taj način će

algoritam za procjenu jednakosti vrijednost koeficijenata koji pripadaju odsječcima T1 i T2, a

iznose 0.231 i 0.232 interpretirati kao jednake. Naredna tablica prikazuje primjer definicije

intervalnih vrijednosti otklona kutova.

TABLICA 4.5.4.1. Intervalne vrijednosti otklona kuteva

Raspon koeficijenata

kutnog otklona

Trend odsječka (REF)

Lingvistička varijabla

0.6 - 1.0 R Visok rast 0.2 - 0.6 R Srednji rast 0.01 - 0.2 R Nizak rast

0 E Bez promjene 0.01 - 0.2 F Nizak pad 0.2 - 0.6 F Srednji pad 0.6 - 1.0 F Oštar pad

Ovisno obrađivanoj problematici, rasponi intervalnih vrijednosti varijable mogu varirati.

Definicija intervalnih vrijednosti kako za koeficijente kutnog otklona, tako i za površinu ispod

krivulje, temelj je za definiciju pojmovnih struktura intervalnih jednakosti, intervalnih

nejednakosti i sličnosti.

70

4.5.5. Algoritamska interpretacija proračuna koeficijenata kutnog otklona

Algoritamska interpretacija ovog podsustava svodi se na primjenu prikazanih formula.

Primjenom ovih formula dobivamo niz vrijednosti koje korespondiraju sa koeficijentima

kutnog otklona između pravaca.

Daljnja prednost primjene koeficijenta kutnog otklona u ovom modelu očituje se u lakoj

vizualnoj predodžbi nagiba na osnovu vrijednosti kuta. Algoritamski postupak možemo

opisati na slijedeći način:

m= broj odsječaka vremenske serije

brojač = 1

ZA m > brojača

Tr > 0 (R) koeficijent = (normiraj(y2,min,max)- normiraj(y1,min, max))

Tr < 0 (F) koeficijent = (normiraj(y1,min,max)- normiraj(y2,min, max))

Tr = 0 (E) koeficijent = 0

niz(brojač)=koeficijent

brojač = brojač +1

KRAJ

Funkcija normiraj (v,minimum, maximum)

n=(v-minimum)/(maximum-minimum)

return n

Ovaj algoritam puni vrijednosti koeficijenata kutnog otklona u niz. Isto tako, ovaj element

modela prati pravilnosti ostalih dijelova modela s ciljem postizanja kompatibilnosti i

istovremene primjenjivosti svih njegovih segmenata, te se uklapa u matricu transformacije

REFII modela. Svakom odsječku vremenske serije pripada niz pokazatelja koji

korespondiraju sa elementima modela, u koje između ostalih spada i proračun koeficijenta

kutnog otklona.

4.5.6. Prednosti i nedostaci proračuna koeficijenta kutnog otklona

Prednost ovog modela očituje se u njegovoj egzaktnosti i preciznosti, što doprinosi

jednoznačnom opisu vremenske serije. Ova preciznost isto tako može biti i nedostatak, jer

zahtijevani stupanj preciznosti može rezultirati odbacivanjem određenih hipoteza, koje se za

potrebe analize mogu protumačiti kao prihvatljive.

71

Spomenuti problem možemo riješiti definicijom raspona vrijednosti otklona u razrede, što

ovisi o cilju i željenom karakteru same analize. Osnovni fokus ovog modela je jednoznačan

opis oblika krivulje i to u situacijama kada očekujemo vrlo visoki stupanj sličnosti. Model

baziran na koeficijentima kutnog otklona između vremenskih odsječaka zahtjeva egzaktnost i

preciznost.

Metodu baziranu na otklonima kutova možemo “ojačati” matematičkim instrumentarijem koji

proračunava stupnjeve tolerancije. Na taj način možemo dobiti “hibridni model” koji dopušta

određena odstupanja, gdje analitičar određuje stupnjeve slobode, ili pak možemo uvesti

kategorije razreda. Ovaj pristup je determiniran određenim problemskim prostorima.

Cjelokupni REFII model fokusiran je na dva osnovna pokazatelja koja determiniraju

vremensku seriju, a to su oblik i površinu krivulje.

Postoje i drugi načini jednoznačnog opisa vremenske serije, ali su ovi modeli kao i pokazatelji

izabrani s ciljem što efikasnijeg rješavanja problema baziranih na vremenskim serijama. Cilj

je bio naći balans između efikasnog matematičkog instrumentarija, postojeće tehnologije,

primjenjivosti sa ostalim algoritmiziranim postupcima koji se primjenjuju u analizi podataka i

otkrivanju znanja, što kraćem vremenu procesuiranja algoritmiziranih postupaka, i ono što je

najvažnije uspješnoj primjeni modela na vremenskim serijama s ciljem pronalaženja

zakonitosti prema različitim konceptualnim postavkama. Upravo ovaj zadnji element

detereminira postojanje cijelog modela i njemu je podređen kompletan matematički

instrumentarij.

4.5.7. Shematski prikaz REFII modela

Prikazana shema REFII modela objedinjava sve njegove glavne elemente. Kao što je

prikazano navedeni pokazatelji su nositelji cjelokupnog modela, ali isto tako uz glavne

pokazatelje možemo koristiti i izvedene pokazatelje, što ovisi o karakteru analize. Prikazani

model pokazuje konceptualno objedinjenje i vezu između elemenata modela pomoću kojih

analiziramo vremenske serije. Vremensku seriju za potrebe analize možemo promatrati bilo

na razini pojedinačnih odsječaka, bilo kao niz grupe odsječaka.

72

REF - trend odsječka

Pn - površina odsječka

Kn -koeficijent kutnog otklona vremenskog odsječka

SLIKA 4.5.7.1. Shema REF II modela (Klepac, 2004, 56)

4.5.8. Algoritamska interpretacija REFII modela

Krajnji algoritam mora objediniti sve tri spomenute cjeline i stvoriti temelj za primjenu

analitičkih postupaka. Algoritam za transformaciju vremenske serije u REFII model odvija se

u nekoliko koraka kako slijedi.

Vremensku seriju možemo deklarirati kao niz vrijednosti Vs=(X1,..,Xn)

1. Korak- Vremenska interpolacija

Formiranje samostalnog vremenskog niza Vi na intervalu <1..n> (Dani, tjedni, mjeseci,

kvartali, godine) sa vrijednostima 0. Na temelju tako formiranog niza potrebno je provesti

interpolaciju nedostajućih vrijednosti u Vs-u sa 0 na temelju formiranog niza Vi. Rezultat

ovakve obrade je niz Vs sa interpoliranim vrijednostima niza Vi.

2. Korak - Vremenska granulacija

P1

R

R

R F

t1 t2 t3 t4 t0

y

k1

k2

dy

t

f(x) k3

R

dx

k4

P2 P3 P4

73

U ovom koraku definiramo stupanj sažimanja vremenske serije Vs koja se nalazi u

elementarnoj vremenskoj jedinici (dan, tjedan, mjesec…). U drugom koraku elemente

postojeće vremenske serije sažimamo korištenjem statističkih funkcija poput AVG(),

SUM(), MOD() na razini granuliranog odsječka. Na taj način vremensku seriju možemo

svesti na veći stupanj granulacije (dani u tjedne, tjedni u mjesece …), te dobivamo vremensku

seriju Vg sa većim stupnjem granulacije.

Na ovaj korak možemo se vračati tijekom procesa analize s obzirom na ciljeve analize, što

podrazumijeva obavezno ponovno provođenje procesa opisanog u narednim koracima

3. Korak - Normiranje

Postupak normiranja podrazumijeva transformaciju vremenske serije Vg u Ns pri čemu je

svaki element niza podvrgnut postupku min-max normizacije na intervalu <0,1> i to

a) Ns se sastoji od elemenata (Y1,.., Yn), dok se Yi računa kao

Yi=((Xi- min(Vs))/(max(Vs)-min(Vs)) , gdje su min(Vs) i max(Vs) kao minimalni i maksimalni

elementi niza Vs

b) Vremenski pomak između elementarnih uzoraka (mjerilo vremenske kompleksnosti)

odsječka na X osi određen je sa d(Yi,Yi+1)=a

4. Korak - transformacija u REF notaciju

Prema formuli Tr=Yi+1- Yi Tr > 0 =>R; Tr< 0 =>F; Tr=0 =>E , gdje su Yi elementi niza

Ns

5. Korak – Proračun nagiba pravca na osnovu kuta

Koeficijent kutnog otklona=>

Tr > 0 (R) Koeficijent =y i+1-y i

Tr < 0 (F) Koeficijent =y i -y i+1

Tr = 0 (E) Koeficijent = 0

6. Korak – Proračun površine ispod krivulje

Numerička integracija metodom pravokutnika

p= ((y i*a)+(y i+1*a))/2

74

7. Korak - Kreiranje vremenskih indeksa

Građenje hijerarhijskog stabla indeksa ovisno o karakteru analize, gdje element

strukturiranog indeksa može biti i atribut poput šifre klijenta

8. Korak - Kreiranje razreda

Kreiranje izvedenih vrijednosti atributa na temelju površine ispod krivulje i otklona kutova.

Moguće je kreirati razrede primjenom klasične crisp logike, ili primjenom fuzzy logike.

9. Korak - Povezivanje tablice transformacije REFII modela sa relacijskim tablicama koje

sadrže atribute koji nemaju vremensku dimenziju

Ovih devet osnovnih koraka temelj su algoritmiziranog postupka na kojem se temelji REFII

model čiji je krajnji rezultat formiranje matrice transformacije. Matrica transformacije je

temelj za provođenje daljnjih analitičkih postupaka s ciljem analize vremenske serije.

4.5.9. REFII model – područje efikasnosti / neefikasnosti

Opisana koncepcija prvenstveno je zadužena za definiciju oblika krivulje, i podatkovno

gledajući krivulja transformirana posredstvom opisanog modela predstavlja niz R,E,F oznaka.

Kako toj podatkovnoj strukturi pristupiti, ovisi o konkretnom problemu, pa se u skladu s tim

formiraju algoritmizirani postupci koji u sebi sadrže modificirane formule za procjenu stupnja

pouzdanosti. Ovakva podatkovna struktura polazišna je osnovica, za obradu svih onih

problema koji se mogu uspješno razriješiti analizom oblika krivulje.

Jedna od glavnih karakteristika REFII modela svodi se na mogućnost generiranja tvrdnji

primjenom adekvatnih algoritama nad modelom u formi AKO – ONDA, što je veoma

interesantno ako problematiku analize vremenskih serija promatramo iz perspektive

generiranja znanja.

Pozitivne strane modela:

- sposoban je izgenerirati dobivene rezultate u obliku AKO- ONDA

- orijentiran je prvenstveno pronalaženju zakonitosti

- bliži je koncepciji metoda data mininga nego klasične statističke metode

- fleksibilniji je jer uvažava stanovita odstupanja od bazičnih uzoraka

- generira tvrdnje uz faktor sigurnosti

75

4.5.10. Kako analizirati vremenske serije posredstvom REFII modela

REFII model u osnovi je koncepcija sastavljena iz tri opisane podcjeline, kojoj je prvenstveni

cilj transformacija vremenske serije u niz pokazatelja koji jednoznačno definiraju vremensku

seriju. REF, površina ispod krivulje, te koeficijent kutnog otklona su pokazatelji koji

jednoznačno opisuju odsječak vremenske serije, a niz takvih odsječaka zajedno čine

transformiranu vremensku seriju. Ovakav niz pokazatelja poredani su redoslijedom

pojavnosti u jedinici vremena i objedinjeni u zajedničku koncepcijsku strukturu

transformirane vremenske serije koju nazivamo matricom transformacije. Takva struktura

gledano sa perspektive dinamičke memorije može biti matrica reda 4x tn-1 , odnosno gledano

sa perspektive trajnog zapisa na disku datoteka sa 4 atributa i dužine tn-1.

TABLICA 4.5.10.1. Matrica transformacije

Indeks vremenskog odsječka I1 I2 … In

REF oznaka REF(I1) REF(I2) … REF(I n)

Koeficijent kutnog otklona

Koeficijent kutnog otklona

(I1)

Koeficijent kutnog otklona

(I2) …

Koeficijent kutnog otklona

(In) Površina vremenskog odsječka

P(I1) P(I2) … P(In)

Pokazatelji vremenskog odsječka izračunati su na temelju koordinata dvije susjedne

vrijednosti u vremenskoj seriji. Tako je primjerice odsječak sa indeksom I1 formiran na

osnovu vrijednosti koordinata vremenske serije t0 i t1. Indeks vremenskog odsječka služi za

jednoznačnu identifikaciju vremenskog odsječka s ciljem njegove analize, odnosno kreiranje

bazičnog uzorka. Indeksi mogu biti složeno strukturirani te mogu u sebi sadržavati

hijerarhijske elemente, ako i elemente pripadnosti, te vezne elemente prema ostalim izvorima

podataka. Elementi obuhvaćeni u prethodnoj tablici temeljni su elementi REFII modela, sa

kojima je moguće jednoznačno opisati krivulju i izvršiti sve analize kroz model. Osim

opisanih pokazatelja moguće je obuhvatiti i izvedene pokazatelje prikazane kroz razvoj

modela, ali to je opcionalni pristup koji ovisi o karakteru analize. Pokazatelji navedeni u

prethodnoj tablici temelj su za sve analize zbog kojih je ovaj model razvijen.

Nakon transformacije vremenske serije posredstvom REFII modela dobiva se transformirana

vremenska serija u obliku prikazanom u tablici. Ovako transformirani podaci procesuiraju se

76

algoritmiziranim metodama s ciljem rješavanja konkretnih problema iz domene vremenskih

serija. Algoritmizirane metode i postupci koji služe za rješavanje konkretnih problema

spadaju u širi pojam REFII modela. O samom karakteru analize ovisi kako će se tako

transformiranoj vremenskoj seriji pristupiti po pitanju "lomljenja" ovako formirane strukture

u manje logičke cjeline. Ako na primjer promatramo tjedne, a vremenska serija sadrži

podatke za svaki dan u tjednu kroz cijelu godinu, tada logički razlomimo seriju na tjedne i

analiziramo vremenske odsječke posredstvom konkretnog algoritma. Ovaj postupak

"lomljenja" vremenske serije na manje analitički usporedive logičke odsječke vežemo uz

pojam vremenske kompleksnosti. Ova mjera određuje točku logičkog loma vremenske serije s

obzirom na cilj analize, a dio je algoritmiziranog postupka analize. Tako primjerice ovaj

koeficijent za tjedan može imati vrijednost 7, ili 5 (radni dani u tjednu), pri čemu treba voditi

računa o nepostojanju vrijednosti u određenoj vremenskoj točci, sa čim se ova mjera također

mora nositi.

REFII model je, u užem smislu, model transformacije vremenske serije dok je u širem

smislu skup algoritmizranih postupaka nad tako transformiranim podacima koji omogućuju

otkrivanje raznih zakonitosti. Važno je napomenuti da se svaki od tri navedena elementa

REFII modela međusobno nadopunjuju, ali da su nekim situacijama neki od elemenata

irelevantni. To ovisi o cilju analize i analitičkom pristupu. Na prikazanu tablicu moguće je

djelovati različitim algoritmiziranim postupcima koji u konačnici daju željene rezultate. Isto

tako je moguće nad istom tablicom primjenjivati i uspoređivati efikasnost primjene različitih

vrsta algoritama s ciljem rješavanja istog problema. Redoslijed i prioritet analize s obzirom na

problematiku ovise od slučaja do slučaja. Osim kvantitativnog elementa i elementa oblika

krivulje pristup analizi i algoritmiziranom postupku determinira i željeni stupanj preciznosti.

Što je stupanj preciznosti i analitičkih zahtijeva veći to će više biti iskorišteni svi mogući

pokazatelji koji proizlaze iz modela.

Ovaj transformacijski model, polazišna je točka za niz različitih vrsta analiza koje se provode

nad vremenskim serijama, a koje ova koncepcija uspješno rješava. Kao što će biti vidljivo

kroz daljnji tekst elementi prikazani u tablici proceduralno procesuirani kroz različite vrste

algoritama mogu otkriti različite vrste znanja iz vremenskih serija.

77

4.6. Bayesova logika i Bayesove mreže

4.6.1. Pojam vjerojatnosti

Iako je pojam vjerojatnosti prvenstveno matematički pojam te se problemima iz tog područja

najčešće pristupalo na matematički način, statistički pristup istom području drugačije je

prirode. Osnovni pojmovi vjerojatnosti stoga mogu se razlikovati ovisno o točki gledanja te

isto tako rezultati i interpretacije rezultata mogu biti različite. Zakoni vjerojatnosti nisu uvijek

jednostavni i razumljivi. Svakodnevno iskustvo i logika koju u životu koristimo često nisu u

skladu sa zakonima koje nam daje statistika. Pojam poznat pod imenom „subjektivna

vjerojatnost“ kojim se opisuju spomenute razlike u pristupu pripada među psihološke a ne

statističke pojmove i stoga sa matematičkom vjerojatnosti često nema mnogo zajedničkoga

(Petz, 2007). Ljudi često vjeruju da će možda ipak dobiti glavni zgoditak na lutriji a praktički

ne vjeruju da im se može dogoditi neka prometna nesreća iako je vjerojatnost nesreće daleko

veća nego ona za dobitak na lutriji.

Najosnovnija pravila vjerojatnosti mogu se sažeti u nekoliko rečenica:

- ako je potpuno sigurno da će se nešto dogoditi onda je vjerojatnost tog događaja

maksimalna (i bilježi se sa p=1), na primjer potpuno je sigurno da će čovjek koji je

rođen danas jednoga dana umrijeti,

- ako je potpuno sigurno da se nešto neće dogoditi vjerojatnost tog događaja nije

nikakva (i bilježi se sa p=0)

- vjerojatnost da će se između N događaja koji su jednako vjerojatni a međusobno

nezavisni dogoditi jedan određeni među njima je 1/N

- vjerojatnost da će se dogoditi bilo koji od nekoliko mogućih nezavisnih događaja

suma je vjerojatnosti svakog pojedinačnog događaja,

- vjerojatnost da će se zajedno dogoditi dva ili više nezavisnih događaja produkt je

vjerojatnosti svakog od tih događaja.

SLIK

Bayesov

između

naveden

radova

mreže, m

razvoju

4.6.2. O

Pretpost

utjecaj n

nekog o

ili nega

zaključa

za prora

bude po

Pretpost

Na prim

bronhiti

naveden

KA 4.6.1.1.

ve mreže p

velikog br

ne varijable

i relevantn

mreže bazir

spoznaje o

Osnove uvje

tavimo situ

na neku dru

oblika boles

ativan. God

aka o spome

ačunavanje

ozitivan.

tavimo dalj

mjer, ima li

is ili da bo

nih bolesti i

Svi slučajev

apso

predstavljaj

roja varijab

e (atribute).

nih istraživa

rane na uvj

primjenjivo

etne vjeroja

uaciju u koj

ugu karakte

sti u čovjeku

dinama se

enutoj i slič

uvjetne vje

e situaciju

pojedinac n

oluje ili ne

ima direkta

vi vjerojatno

olutne nemog

ju grafičke

bli (atributa)

Tijekom 80

anja vezano

etnoj vjeroj

osti raznih a

atnosti

joj neka ka

eristiku te is

u ima direkt

Bayes-ov

čnim situaci

erojatnosti d

u kojoj je v

naviku puše

e boluje od

an utjecaj n

osti nalaze

gućnosti (p

e strukture

) te donoše

0-tih godina

o na Bayes

jatnosti). T

algoritama t

arakteristika

ste varijable

tan utjecaj n

teorem kor

ijama. U na

da li je poje

više obilježj

enja ima dir

d raka pluć

a to da li je

se između a

=0) (Petz, 2

za predsta

enje uvjetov

a prošlog st

sove mreže

ijekom 90-t

treniranja B

a jedne zam

e. Na primj

na to hoće l

ristio kako

avedenom p

edinac zara

ja povezano

ektan utjeca

ća. Nadalje

e pojedinac

apsolutne si

2007)

avljanje uvj

vanih zaklj

toljeća nagl

(dijagrami

tih godina s

Bayesovih m

mišljene var

jer, prisutno

i test na tu b

bi se doš

rimjeru, kor

ažen bolešću

o kroz lance

aj na činjen

e postojanje

c lakše ili te

igurnosti (p=

jetnih vjero

učaka a ve

lo se poveć

i utjecaja, k

svjedočimo

mreža iz pod

rijable ima

ost ili ne po

bolest biti p

šlo do uvje

ristili bismo

u ako test n

e takvih zak

nicu da ima

e ili ne po

eže umara.

78

=1) i

ojatnosti

ezano na

ćava broj

kauzalne

o naglom

dataka.

direktan

ostojanje

pozitivan

etovanih

o teorem

na bolest

ključaka.

ili nema

ostojanje

Jednako

79

tako ukoliko pojedinac boluje ili ne boluje od raka pluća ima direktan utjecaj na izgled

rendgenskog nalaza pluća. U ovakvim i sličnim situacijama želimo doći do spoznaja i donijeti

uvjetovane zaključke koji nisu posljedica direktnih utjecaja. Želimo, na primjer, izračunati

uvjetnu vjerojatnost da pri kojoj pojedinac boluje od bronhitisa i raka pluća istovremeno pri

spoznaji da je pušač, da se lako umara i ima pozitivne markere na rak pluća na rendgenskoj

snimci. Bronhitis pri tome nema nikakvog utjecaja na rendgenski snimak. Slijedom toga

željene uvjetne vjerojatnosti nije moguće proračunati izravnom primjenom Bayes-ovog

teorema. U želji za rješavanjem ovakvih problema razvijene su Bayes-ove mreže.

Istraživanjem uvjetnih zavisnosti putem lanaca odnosa u mogućnosti smo Bayes-ovom

mrežom predstaviti velika područja na malom prostoru te smo istovremeno vrlo često u

mogućnosti izvoditi uvjetovane zaključke između karakteristika atributa u prihvatljivom

vremenu. Dodatno, mogućnost vizualnog prikazivanja Bayes-ovih mreža pruža daleko

kvalitetniji i intuitivan pregled odnosa između varijabli.

Teoretske postavke koje definiraju vjerojatnost a koje se koriste kao matematička osnova za

promjenu vjerojatnosti postavio je A. N. Kolmogorov (Kolmogorov, 1933) 30-tih godina

prošlog stoljeća. Teorija vjerojatnosti bazira se na eksperimentima koji kao rezultat daju

setove različitih ishoda. Kao primjer takvog eksperimenta možemo navesti izvlačenje karte s

vrha špila karata koji broji 52 karte.

4.6.3. Bayesova logika

Bayes je bio engleski svećenik koj se strastveno bavio problemima vjerojatnosti (prema

nekim podacima živio je 250 godina) te je pronašao neke zakone koji se ponešto razlikuju od

klasičnog pristupa pitanju vjerojatnosti. Konkretno on je izradio matematičke postupke

(formule) koji omogućuju mijenjanje vjerojatnosti nekog ishoda pod utjecajem novih

informacija. Bayesovi principi danas zauzimaju ključno mjesto u teoriji odlučivanja.

Bayesove metode pripadaju obitelji uvjetnih klasifikacijskih modela. Tim metodama

eksplicitno se izračunava a posteriori vjerojatnost P(a|b) promatranog događaja jednom kada

su a priori vjerojatnost i uvjetne karakteristike P(a|b) poznate (Vercelis, 2009). Bayesova

logika podrazumijeva korisničku procjenu vjerojatnosti P(a|b) da se određeni događaj desi

pod određenim uvjetima. Faza početnog učenja parametara može se izvršiti analizom seta

podataka, korištenjem ekspertnog znanja i slično.

80

Za neki događaj koji promatramo i označavamo ga sa a čija ciljna varijabla y može poprimiti

H različitih vrijednosti označenih sa H = {v1, v2, … vh} Bayesov teorem koji se koristi za

izračunavanje a posteriori vjerojatnosti P(b|a) (vjerojatnost događaja y po uvjetima x) bilježi

se kako slijedi:

||

∑ ||

S ciljem da uvede novu instancu a Bayesov klasifikator primjenjuje princip najveće

(maksimalne) a posteriori pretpostavke (hipoteze) (MAP) koja uključuje izračun a posteriori

vjerojatnosti P(b|a) te dodjeljuje uzorku x vrijednost maksimuma P(b|a):

arg | arg|

Obzirom je P(a) nezavisan od y kako bi se maksimizirala a posteriori vjerojatnost dovoljno je

maksimizirati prethodni operator. Sukladno tome događaj a dio je vh ako i

samo ako je:

| | , 1, 2, … ,

A priori vjerojatnost P(b) moguće je izraziti koriteći promjenu mh pri čemu se za svaku

vrijednost vh ista pojavljuje u uzorku D:

Uz dovoljno velik uzorak procjene dobivene kroz ovakav pristup mogu biti vrlo precizne.

Ovaj pristup na žalost nije moguće u potpunosti primijeniti u praksi obzirom na složenost

sustava i utjecaja te posljedično događaja koje je potrebno promatrati. Za ilustraciju

zamislimo set podataka od 50 binarnih varijabli. Iz takvog uzorka izvodi se 250 ili otprilike

1015 kombinacija vrijednosti atributa. Za relevantnu procjenu potrebno je promatrati najmanje

10 događaja po kombinaciji čime bi polje D bilo veliko najmanje 1016 događaja. U slučaju da

se ne radi o binarnim varijablama već numeričkim ili opisnim taj broj raste eksponencijalno.

Kako bi se prevazišlo ograničenja ovakvog pristupa a iskoristile prednosti metode koriste se

dva principa pojednostavljenja polja rješenja: naive (osnovni) Bayesov klasifikator i Bayesove

mreže.

4.6.4. Osnvni (naive) Bayesov klasifikator

Osnovni Bayesov klasifikator baziran je na pretpostavci da su promatrane varijable neovisne

o događaju. Ta nam hipoteza dopušta izražavanje vjerojatnosti P(a|b) kao:

Vjerojat

atributa

Dok za

4.6.5. B

U prote

zanimlji

modela

vjerojatn

što se m

Uvjetna

reducira

SLI

32 http://w

tnost P(aj|b)

a. Tako za d

kontinuiran

Bayesova m

eklih nekol

ivije širem k

prepreka je

nosti. Uvjet

može interpr

a vjerojatno

ajući pri tom

IKA 4.6.5.1.

www.ai.mit.ed

), j je eleme

iskretne var

ne varijable

mreža (kauz

liko godina

krugu istraž

e češćem ko

tnu se vjeroj

etirati kao "

ost reducira

me stupanj n

Jednostava

du/~murphyk/

ent N može

rijable vrije

vrijedi:

zalna mreža

a metode r

živača. Na ž

orištenju. O

jatnost defin

"Vjerojatnos

a polje slu

neizvjesnost

an grafički p

/Bayes/bnintro

e se procijen

di:

a)

razlučivanja

žalost, zbog

Osnovni kon

nira kao32:

P(a\b) = m

st događaja

učajnih do

ti ishoda dog

prikaz Baye

o.html, 10.10.

niti koristeć

a temeljene

g svoje priro

ncept Bayes

m

a iznosi m u

gađaja, te

gađaja.

esove mreže

.2004.

ći set podata

na vjeroja

ode složenos

ovih mreža

uz dani uvje

donosi do

e (Panian &

aka ovisno o

atnosti pos

st procesa i

a počiva na

et b".

odatnu info

& Klepac, 20

81

o prirodi

taju sve

zgradnje

uvjetnoj

ormaciju

003)

82

Ovakvi grafički sustavi pogodni su modeli za automatizirano razlučivanje pod nepotpuno

uređenim uvjetima.

Temeljno pravilo vjerojatnosti događaja a i b glasi:

P(a|b)P(b) = P(a,b)

Ako se događaji a i b promatraju u kontekstu događaja c, to se može izraziti kao:

P(a|b,c)P(b|c) = P(a,b|c)

Na osnovu temeljnog pravila proizlazi:

P(a|b)P(b) = P(b|a)P(a)

iz čega se izvodi Bayesova formula:

)()()|()|(

aPbPbaPabP =

odnosno gledajući u svjetlu događaja c:

)|()|(),|(),|(

caPcbPcbaPcabP =

Za složeniji prikaz Bayesove mreže potrebno je definirati distribuciju uvjetne vjerojatnosti

(Conditional Probability Distribution – CPD) za svaku točku. Ako su vrijednost varijabli

diskretne mogu se prikazati tablicom koja prikazuje vjerojatnosti da slijedeća točka niza

preuzima svaku od kombinacija vrijednosti roditelja, prethodnika.

Iz navedene ilustracije možemo raspraviti da izraz "trava je vlažna" (W=true/istina) ima dva

moguća uzroka: ili je prskalica uključena (S=true/istina) ili kiši (R=true/istina). Snaga odnosa

dana je u pripadajućim tablicama pa tako vjerojatnost da je trava vlažna (W=istina) pri

činjenici da radi prskalica (S=istina) i kiši (R= istina) iznosi 0.99 ili 99%.

Bayesove mreže predstavljene su tzv. usmjerenim acikličkim grafovima (kao prikazani na

ilustracijama). Jedna od karakteristika ovakvog pristupa jest što potpuna specifikacija

distribucije vjerojatnosti sadrži znatno manje vrijednosti. Za četiri varijable potpuna

distribucija sadržavala bi (2n-1) tj. petnaest vrijednosti za sve kombinacije. Spomenuti slučaj s

vlažnom travom sadrži ih devet. Za veći broj elemenata mreže značaj ovakvog pristupa

postaje još veći.

Elemen

strelice

linearne

33 ***, "Ahttp://ww

nti mreže pri

određuje sm

e, konvergen

SLIKA 4.6.

SLIKA 4

A Brief Introdww.cs.berkeley

A

B

C

ikazani su k

mjer odnosa

ntne ili dive

5.2. Grafičk

4.6.5.3. Tri

uction to Grapy.edu/~murph

kao ovisni o

a a vjerojatn

ergentne kak

ki prikaz Ba

vrste veza m

phical Modelshyk/Bayes/bay

A

B

o slijedu ko

nosti se prim

ko je prikaz

ayesove mre

među eleme

s and Bayesianyes.html, 02.1

C

oji je naznač

mjenjuju ov

zano na slici

eže i tablica

entima mrež

n Networks", 1.2004.

A

B

čen strelicam

visno o vez

i.

a uvjetne vje

že (Charnia

B

C

ma, pri čem

ama koje m

erojatnosti33

ak, 2004)

83

mu smjer

mogu biti

3

84

Vezama se zapravo unaprijed navodi na ovisnosti koje su definirane kao značajne ili ovisne

pri izgradnji modela. Elementi mreže putem vjerojatnosti prenose informacije, pri čemu se

moguća rješenja generiraju kao aproksimativne vrijednosti. Ovaj pristup, ovisno o mreži,

omogućava više putova do istog rješenja uz mogućnost evaluiranja rezultata tijekom analize.

Time nam se pruža mogućnost rješavanja problema na način koji ne mora nužno pratiti

eksponencijalni rast pravila porastom kompleksnosti modela kao što je slučaj pri

tradicionalnim metodama.

Osnova za određivanje uvjetnih vjerojatnosti jest strukturno učenje, odnosno, do navedenih

vrijednosti dolazi se učenjem putem algoritama razvijenih u tu svrhu. Alat Hugin koji je

korišten u ovom radu koristi tzv. NPC algoritam, unaprijeđenu inačicu PC algoritma koji pak

sličan IC algoritmu. Za detalje o svakom od njih upućujem na referentnu literaturu dok ću

ovdje izložiti osnove potrebne za razumijevanje primjenjene tehnike. Hugin prihvaća podatke

u obliku tablice te, uz odabir osnovnih kriterija, omogućuje formiranje mrežu putem

čarobnjaka (wizard).

PC algoritam se sastoji od sljedećih koraka:

- testira nezavisnost između svakog para varijabli,

- kreira kostur mreže putem pronađenih zavisno-nezavisnih veza,

- određuje kolizije,

- određuje smjerove ovisnosti.

U ovom radu za izradu mreža korišten je PC algoritam koji se razlikuje u tome što pri

formiranju veza mora biti definiran tzv. neophodni put što implicira mogućnost više

poveznica među varijablama. Svaka poveznica koja zadovolji kriterij ispravnosti se usvaja.

4.6.6. Učenje vjerojatnosti u Bayseovoj mreži

Model koji je predstavljen u ovom radu u primjerima se opisuje kroz Bayesove mreže koje su

izrađene ručnim postavljanjem odnosa između veza. Kroz alat koji je korišten (GeNIe) na

bazi tako izvedenog modela mreža je naučena na bazi pripremljenih podataka. Rezultat je

analitički model koji kombinira povijesne podatke kako bi proizveo unaprijeđeno znanje. Za

bolje razumijevanje na jednostavnom primjeru pojasnit ću kako se provodi učenje

vjerojatnosti u mreži na bazi pripremljenog seta podataka. Na kratkom primjeru biti će

85

prikazano kako se proračunavaju vjerojatnosti slijednih događaja uz pretpostavku zavisnosti

prema vršnim događajima kao preduvjet mreže.

Pretpostavimo distribuciju vjerojatnosti za X prikazanu strukturom mreže koju ćemo nazvati

S.

| , | , ,

pri čemu je θi vektor parametara distribucije, θS vektor parametara a Sh označava događaj

(hipotezu u statističkom slučaju) prema kojem se distribucija vjerojatnosti može izraziti

prema S. Dodatno, pretpostavimo da postoji slučajan uzorak D = {x1, … xn} distribucije

vjerojatnosti X. Tada označavamo element x1iz D kao slučaj (case). Problem učenja

vjerojatnosti u Bayesovoj mreži prema navedenom moguće je izraziti kao: za zadani slučajni

uzorak D izračunaj posteriori distribuciju vjerojatnosti p(θs|D,Sh). Ta se distribucija prikazana

kao funkcija od θ naziva funkcija lokalne distribucije (Hackerman, 1996). Analizirajući

funkciju možemo uvidjeti da se ona ne razlikuje od regresijske ili uvjetne funkcije. U većini

slučajeva sve njih je moguće iskoristiti za učenje vjerojatnosti u Bayesovoj mreži te su

uglavnom i dostupne tehnike za provođenje učenja. Modeli koji su najviše pristupni u

istraživanjima su neograničena multinominalna distribucija (Cooper & Herskovitts, 1992,

309-347), linearna regresija sa Gaussovim šumom (Hackerman & Geiger, 1996, 16-19) i

generalizirana linearna regresija (Saul et al, 1996, 61-76).

Kao ilustraciju u nastavku će biti pojašnjen koncept učenja vjerojatnosti (i strukture)

korištenjem neograničene multinominalne distribucije. Primjenjujući model pretpostavljamo

da je svaka varijabla Xi element X diskretna te da sadrži ri mogućih vrijednosti xi1, … , xi

ri te

je svaka lokalna funkcija distribucije set multinominalnih distribucija za svaki sustav Pai.

Nastavno pretpostavljamo slijedeće:

, , 0

gdje:

, … , ∏ )

opisuje Pai a θi predstavlja parametre. Koristeći lokalnu funkciju distribucije sada možemo

efikasno proračunati posterior distribuciju:

| ,

pod dvjema pretpostavkama:

- da ne postoje nedostajuće vrijednosti u uzorku D (da je slučajni uzorak D cjelovit),

86

- da su parametar vektori θij međusobno nezavisni.

Navedeno možemo prikazati sa:

| |

Ova se pretpostavka naziva nezavisnost parametara (Spiegelhalter & Lauritzen, 1990, 579-

605). Uzevši u obzir obe pretpostavke (cjelovit uzorak i nezavisnost) parametri ostaju

neovisni za zadani uzorak:

| , | ,

SLIKA 4.6.6.1. Struktura Bayesove mreže, učenje vjerojatnosti paramtetara mrežne strukture

X → Y

Prema tome moguće je mijenjati parametre vektora nezavisno kao da se radi o jednom stanju

varijable. Uz pretpostavku da za svaki vektor postoji priori distribucija posterirori distribucija

može se izraziti kao:

, , … ,

pri čemu je Nijk broj slučajeva D u kojima je Xi = xik i Pai = pai

j.

Ovi izračuni su jednostavni u izvođenju obzirom je neograničena multinominalna distribucija

eksponencijalne prirode.

θx

X

X

θy|x

Y

θy|x

Y

uzorak 1

uzorak 2

...

-

87

U pristupu razlikujemo niz problema koje je potrebno savladati pri učenju ovisno o tome da li

je struktura mreže poznata ili nepoznata, da li su podaci kompletni ili ne te da le postoje

skrivene varijable.

TABLICA 4.6.6.1. Pristupi pri učenju Bayesove mreže (Friedman & Goldszmit, 1998)

Poznata struktura Nepoznata struktura

Potpuni podaci Statistička parametarska

procjena (zatvorenog tipa)

Diskretna optimizacija kroz strukturu

(diskretno pretraživanje)

Nepotpuni podaci Parametarska optimizacija

(očekivani maksimum, stupnjevani pristup)

Kombinirani pristup (strukturni očekivani

maksimum, kombinacija modela)

U ovom radu bavit ćemo se situacijom u kojoj je struktura poznata te rabimo potpune

podatke.

4.5.7. Metode pretraživanja u Bayesovim mrežama

Nastavno na metode učenja za razumijevanje Bayesove mreže je važno spomenuti i metode

pretraživanja. One, uz razne parametre prilagodbe i ograničenja, se koriste za formiranje

mreže iz podataka. Iako je model koji će biti prikazan u primjeru kreirana na bazi ekspertnog

znanja važno je spomenuti metode pretraživanja za slučajeve:

- ukoliko nema dovoljno ekspertnog znanja za formiranje modela,

- ukoliko se želi provjeriti na drugi način odabrani model

- ukoliko je količina podataka toliko velika da nije moguće na drugačiji način formirati

efikasan model

Jednostavno rečeno metode pretraživanja identificiraju mrežne strukture sa visokim

rezultatima prema nekom kriteriju. Pri pretraživanju javljaju se razni problemi poput

kombinatorne eksplozije, ograničenja u pristupu pojedinim dijelovima mreže, opasnost da

pretraživanje stane u nekoj lokalnoj točki ne uspijevajući ostvariti globalni pristup mreži.

Nastavno na probleme postoje razne metode i heuristički algoritmi poput tzv. greedy searh

metode, greedy search sa nasumičnim restartom, best-first search, Monte Carlo metoda itd.

88

Prostor pretraživanja je pronaći sve moguće strukture usmjerenih acikličkih grafova (DAG)

prema zadanim varijablama. Broj mogućih grafova za n varijabli moguće je izračunati

slijedećom formulom (Robinson, 1973):

1 2

Očito je da sa većim brojem varijabli (povećavanjem složenosti sustava) snažno raste broj

mogućih grafova. Broj varijabli Ukupan broj mogućih grafova

1 1 2 3 3 25 4 543 5 29,281 6 3,781,503 7 1,138,779,265 8 78,370,2329,343 9 1,213,442,454,842,881

10 4,175,098,976,430,598,100

SLIKA 4.6.7.1. Broj mogućih grafova za zadani broj varijabli, kombinatorna eksplozija34

Kao ilustraciju navest ću jednostavan algoritam pretraživanja greedy search metode.

Prije primjene metode potrebno je definirati strukturu mreže. Nakon toga proračunavaju se svi

∆ za sve te se zamijeni sveki e za koji je ∆ maksimum pod uvjetom da je

pozitivan. Pretraga prestaje kad više nema e sa pozitivnom vrijednošću ∆ .

Generalno metodu (i druge metode) je moguće učiniti efikasnijom uzimajući u obzir da se

veze među atributom mogu odvojiti. Kažemo da je strukturu ili dio strukture moguće odvojiti

od ostatka mreže kada je

, , ,

gdje su Di podaci odvojeni od varijabli Xi i Pai.

34 http://www.bayesnets.com/, 01.08.2011.

89

Odvajanjem pojedinih veza proračunavanje postaje efikasnije jer se pri svakoj promjeni ne

proračunavaju dijelovi za koje se ispostavi da nisu pretrpjeli promjenu. Nastavno na rezultate

pretraživanja formira se struktura mreže (graf) koji je u svim alatima moguće ručno korigirati

(možemo reći da se radi o „prijedlogu“ strukture baziranom na podacima).

Nastavno na navedeno pristupe možemo podijeli na one bazirane na:

- ograničenjima odnosno vezama (pretraživanje i analiza odnosa, pretraživanje u

potrazi za mrežom koja je konzistentna sa promatranim odnosima i međuovisnostima)

te

- bazirane na scoring tehnikama (scoring i pretraživanje, definiranje score vrijednosti te

prolazak po strukturi s ciljem maksimiziranja te vrijednosti).

Ovdje je važno navesti najpopularnije metode definiranja score vrijednosti. Iste možemo

podijeliti na (Neapolitan, 2004):

- logaritamski bazirane (MLC Maximum Likehood Criterion),

- logaritamski bazirane s ograničenjem (BIC Bayesian Information Criterion, MDL

Minimum Description Length, AIC Akike's Information Criterion)

- score metodu baziranu na Bayesovim pravilima (naive Bayes, BDe, K2)

- metode predviđanja (k.Fold-CV, Prequential)

Za više podataka o svakoj od metoda upućujem na referentnu literaturu.

4.6.8. Primjena Bayesovih mreža

Bayesove mreže imaju vrlo širok raspon primjene u sustavima poslovne inteligencije. Neki su

primjeri i radovi ranije navedeni u ovom radu. Njihova glavna karakteristika odnosi se na

sposobnost učenja, temeljenog na probabilistici, direktno iz uzoraka podataka. Analitičar je

prvenstveno zadužen za kreiranje transparentnog modela, koji će obuhvatiti sve relevantne

atribute i njihove odnose, poštujući uzročno-posljedične veze među zadanim atributima. Vrlo

efikasna primjena je u interpretaciji znanja i odnosa, no model može biti vrlo složen za

postavljanje. Radovi na ovom području koji proučavaju aspekt primjene sve više se okreću

automatiziranim alatima za konstrukciju modela na podacima specifičnog područja na kojima

analitičar može dalje raditi.

Bayesove se mreže mogu promatrati u svjetlu ekspertnih sustava, i to onih ekspertnih sustava

zasnovanih na probabilističkoj teoriji. Ono što je svojstveno svim modelima zasnovanim na

Bayesovim mrežama, jest mogućnost procjene vjerojatnosti čak i onda kada neke informacije

nedostaju, primjerice one o inicijatoru šteta. Što je više informacija, to je procjena pouzdanija,

90

no u slučaju nepostojanja određene informacije, model je ipak sposoban predviđati

vjerojatnosti.

Bayesove mreže mogu se uspješno primijeniti u (Panian & Klepac, 2004):

- medicini (dijagnostika bolesti kao što su bolesti mišića i živaca, respiratorne bolesti i

slično),

- razvoju softvera (traženje pogrešaka u programu, programi za dijagnostiku problema

kod eksternih jedinica kao što su pisači, programiranje pomoći u programima),

- proizvodnji (praćenje proizvodnih procesa, te sugestije za optimizaciju i izbjegavanje

kvarova u sustavima),

- ekonomiji (procjena kreditnih rizika, segmentacija tržišta, analiza rizika općenito,

ponašanje klijenata),

- vojnom sektoru (planiranje operacija, planiranje logističkih aktivnosti),

- poljoprivredi i stočarstvu (selekcija i uzgoj bilja i životinja, planiranje bakteriološke

zaštite),

- farmaciji (istraživanje lijekova, istraživanje pojedinih sastojaka i njihovih kombinacija

kod otkrivanja novih vrsta lijekova za određene tipove bolesti),

- i naravno trgovini (analiza utjecaja, pokretanje novog proizvoda, prepoznavanje

zakonitosti)

Ovaj rad pokazat će primjenu Bayesovih mreža u analizi podataka o prodaji tekstilnih

proizvoda.

Poteškoće pri izgradnji ovakvih modela sastoje se u njihovoj složenosti i potrebnom

predznanju. Danas na tržištu postoji nekoliko alata kojima je moguće djelomično nadomjestiti

početno neiskustvo.

91

5. PRIJEDLOG MODELA ZA PODRŠKU ODLUČIVANJU U

TRGOVINI KORIŠTENJEM METODE TRANSFORMACIJE

VREMENSKE SERIJE (REFII) I BAYESOVE LOGIKE

5.1. Uvod

Otkrivanje uzoraka unutar vremenskih serija česta je tema znanstvenih radova iz domene

temporalanog dana mininga. Uz pojedinačne izuzetke (Williams et al, 2002, 221-231),

karakteristika svih navedenih radova, je da imaju autorski pristup ovoj problematici koja

premalo pažnje pridaje jedinstvenom modelu transformacije vremenske serije, te su ti radovi

fokusirani na rješavanje problematike otkrivanja uzoraka, bez velikih razmatranja kako

dobivene rezultate dalje obrađivati primjerice tradicionalnim metodama data mininga.

U prethodnim poglavljima pokazane su teoretske osnove komponenata modela koji će biti

predstavljen u nastavku. Do sada je pokazano kako se na temelju REFII modela mogu

izgraditi rješenja za otkrivanje sezonskih oscilacija, direktnog otkrivanja pravila iz

vremenskih serija, te otkrivanje sličnosti. Na temelju jedinstvenog skupa podataka vremenske

serije uz pomoć REFII modela, moguće je lančano provesti niz analiza, tako da izlaz iz jedne

analize postaje input u drugu analizu.

Obzirom da na raspolaganju imamo razne tehnike i metode postavlja se pitanje odluke o

korištenju određenih metoda i načinu ulančavanja. Dio radova i njihov sadržaj i napredak

spomenut je u poglavlju u kojem je bilo riječi o primjeni. Sa znanstvenog stanovišta potrebno

je spomenuti i istraživanja koja su za cilj imala provjeriti kako primijeniti različite metode u

različitim situacijama. Tako John Elder i Stephen Lee (Nisbet et al, 2009) još 1997. provode

istraživanje o efikasnosti primjene pet algoritama (neuralne mreže, logistička regresija,

vektorska kvantifikacija, ciljana regresija i stablo odlučivanja) na šest setova podataka (među

ostalima postavljanje dijagnoze u medicini, credit scoring, investiranje) te računaju prosječnu

pogrešku u rezultatima predviđanja modela. Pogreške variraju ovisno o različitim metodama i

setovima podataka od korisnog do neupotrebljivosti. Nadalje isti autori kroz istraživanje

ukazuju na značaj prilagodbe podataka namjeni, pri čemu se znatno smanjuje pogreška.

Obzirom na prirodu podataka koji su im bili na raspolaganju, provode i istraživanje s ciljem

da analiziraju pogrešku u predviđanju u slučaju slijednog kombiniranja različitih metoda te

utvrđuju da tim pristupom (ovisno o setu podataka i prirodi metoda) također povećavaju

efikasnost modela.

92

Ovo navodi na važnost odabira modela ovisno o primjeni. Pri tome u literaturi vezano na

rudarenje podataka često ćemo pronaći stav „više je bolje“ pri čemo se misli na podatke,

informacije, njihovu kvalitetu itd. Nastavno na razmatranja „više je bolje“ možemo dopuniti

na način:

- više jest bolje no

- potrebno se pri izradi modela odrediti između efikasnosti i dovoljno dobrog.

5.2. Paradigma efikasnosti i paradigma dovoljnosti

Efikasnost je uobičajeno definirana kao maksimiziranje outputa i minimiziranje inputa.

Najbolje rješenje uobičajeno se definira kao najefikasnije rješenje: ova se ideja u literaturi

naziva paradigma efikasnosti. Ona podrazumijeva da je cilj efikasnosti maksimizirati output

uz minimizaciju inputa (Nisbet et al, 2009). U statističkoj analizi paradigma efikasnosti

podrazumijeva efikasno rješenje kao ono koje ima malu varijancu. Neko se rješenje može

smatrati efikasnijim od drugoga ako matrica kovarijance drugoj oduzeta od iste prvog sadrži

velik broj pozitivnih vrijednosti. Ukoliko su sve vrijednosti pozitivne to se naziva pozitivna

(polu)definirana matrica. Najefikasnije rješenje je ono najbliže takvoj matrici. Iako statistički

dokazan taj pristup rijetko se može primijeniti u praksi obzirom se računa na bazi određenog

parametra izvan kontekst koji je vrlo važan za situacije u praksi. Tako poslovna praksa i,

često, pogled na situacije u praski općenito vodi prema pojmu paradigma dovoljnosti. Ova

paradigma osim samog cilja uključuje i kontekst odnosno sve procese koji vode k tom cilju.

Slijedeći paradigmu dovoljnosti ona će promijeniti način pristupa problemu, od formiranja

skladišta podataka do prihvaćanja onih rješenja koja su „dovoljno dobra“ u funkciji sinergije

u okviru poduzeća/poslovanja te koja mogu djelovati sa drugim procesima kako bi sse

ostvarila poveznica kroz cijeli profitni lanac. Prihvaćanje takvih akcija pružiti će kompaniji

mogućnost da bude proaktivna i prilagodljiva na promjene nasuprot pristupu u kojem

uglavnom reagira na njih.

5.3. Izgradnja modela

Kako je ranije navedeno, sam proces izrade modela može biti više ili manje složen ovisno o

situaciji. Karakteristična procedura uključuje slijedeće faze:

- identifikacija problema,

- prikupljanje podataka,

- formiranje modela,

- izvođenje modela,

93

- analiza rezultata,

- dalje izmjene i unapređenja.

SLIKA 5.3.1. Skica modela

Svaki model formira se sa jasno i definiranom svrhom. Svrha predloženog modela je na

promjenjivim uzorcima pratiti odnose između atributa važnog utjecaja na prodaju te njihov

zajednički i pojedinačni efekt na prodaju.

Algoritamski prikaz izgradnje konkretnog modela sastoji se od slijedećih faza:

- faza 1. definiranje problema (u primjeru analiza odnosa između promatranih i

varijabli, pronalaženje zakonitosti i predviđanje budućih kretanja na bazi povijesnih

odnosa),

- faza 2. odabir i prikupljanje podataka,

- faza 3. pretprocesiranje podataka (inicijalna provjera odnosa, transformacija u REFII

model, pretprocesiranje ostalih podataka, vrednovanje varijabli),

- faza 4. izvođenje rezultata na transformiranim podacima na ovoj razini (po potrebi

sezonske oscilacije, analiza veza, metode vizualizacije)

- faza 5. formiranje Bayesove mreže na transformiranim podacima

94

- faza 6. korištenje Bayesove mreže kao podloge za analizu i donošenje odluka,

izvođenje rezultata iz Bayesove mreže

- faza 7. analiza efikasnosti modela i unapređenja na modelu odnosno kombiniranje

setova podataka ovisno o promatranom području u okviru definicije problema.

Vrste modela možemo kategorizirati na različite načine. Ranije je pojašnjeno kako je

predloženi model deskriptivne prirode. Osim te karakteristike koristeći jednu od podjela iz

referentne literature (Pyle, 2003) možemo tvrdnju dopuniti istovremeno karakteristikama :

- deskriptivan,

- asocijativan ili kauzalan,

- dinamički,

- kvantitativan (iako koristi ekspertno znanje no ono je izraženo vrijednostima)

- te interaktivan.

Tijekom pojedinih faza korišteni su slijedeći programski paketi i/ili alati:

- alat za formiranje i korištenje Bayesovih mreža, Hugin, verzija lite 7.435

- alat za statističku analizu, IBM SPSS Statistics, verzija 19.036

- alat za statističku analizu, Orange for Python, verzija 2.0b37

- Oracle baza podataka verzija 9.2.0.8.0., PL/SQL jezik38

- alat za izradu Bayesivih mreža GeNIe verzija 2.039

- alat za nadzor baze podataka i razvoj PL/SQL programskog koda, Tool for Oracle

Apllication Developers (T.O.A.D.), verzija 9.040

- alat za analizu podataka Tableau verzija 5.141

5.3.1. Identifikacija problema

Problem definiramo kao potrebu za brzom, jednostavnom i dovoljno kvalitetnom analizom

raznih čimbenika koji utječu na tržište iz koje je moguće donijeti zaključke sa određenim

stupnjem sigurnosti koji će se koristiti u daljim poslovnim aktivnostima. Problem se naslanja

35 http://www.hugin.com/, 10.07.2011. 36 http://www-01.ibm.com/software/analytics/spss/products/statistics/, 10.07.2011 37 http://orange.biolab.si/, 10.07.2011. 38 http://www.oracle.com/us/products/database/index.html, 10.07.2011. 39 http://genie.sis.pitt.edu/, 01.07.2011. 40 http://www.quest.com/toad/, 10.07.2011. 41 http://www.tableausoftware.com/; 10.08.2011.

95

na poslovni aspekt i karakteristike djelovanja na tržištu no traži rješenja i izvan tradicionalnog

područja a s ciljem povećana efikasnosti.

Konkretno za primjer baziran na stvarnim podacima problem je analizirati tržišne zakonitosti i

utjecaje u trgovini tekstilnim proizvodima a s ciljem podrške odlučivanju.

5.3.2. Odabir i prikupljanje podataka

Kako je ranije pojašnjeno, sam model nastao je kao podrška odlučivanju u trgovini tekstilnim

i srodnim proizvodima. Inicijalni model modificiran je kako bi se mogao iskoristiti i u drugim

oblicima trgovine te je kao takav predstavljen u ovom radu. Primjeri koji su korišteni

najčešće se odnose na trgovinu tekstilnim proizvodima prvenstveno zbog toga što su

karakteristike tog tržišnog segmenta najsloženije te potvrda modela na takvom uzorku

garantira primjenjivost i u manje složenijim uvjetima. Prednost vezano na ovo istraživanje je

istovremeni i motiv a radi se o činjenici da je autor u svakodnevnom radu nailazio na

probleme u analizi i predviđanju kretanja tržišta.

Konačno, podaci odabrani za primjer modela sastoje se od:

- podataka o prodaji prema količinama i grupama roba na uzorku grada Zagreba u 120

prodajnih jedinica tijekom 2006. i 2007. godine,

- podataka o bruto marži ostvarenoj u prodaji na uzorku grada Zagreba u 120 prodajnih

jedinica tijekom 2006. i 2007. godine

- podataka o kretanju vremenskih prilika u Zagrebu na mjernoj postaji Maksimir od

2000. godine do danas

- posebno vezano na podatke o vremenskim prilikama podaci o srednjoj dnevnoj

temperaturi i promjeni vrijednosti formirani su na uzorku za period od 1949. godine

do uključno 2007. godine posebno procesirani za potrebe ovog istraživanja na bazi

uzorka sa mjerne postaje Maksimir Zagreb

- kalendarske podatke za promatrani period (dan u tjednu, broj tjedna, praznik)

96

Prikaz varijabli s pojašnjenjima nalazi se u slijedećoj tablici.

TABLICA 5.3.2.1. Varijable korištene u modelu

Naziv varijable u modelu Opis/značenje

DAN dan u tjednu (ponedjeljak, utorak, srijeda, četvrtak, petak, subota, nedjelja)

SEZONA sezona (proljeće, ljeto, jesen, zima)

SREDTEMP_POMAK numerički pomak srednje temperature u odnosu na prethodni dan

SREDTEMP_REFII kategoriziran pomak srednje temperature na mjernoj u REFII notaciji

TJEDAN_BROJ numerički broj tjedna u godini

PRAZNIK da li je određeni dan praznik (da/ne)

OBUCA_<spol>_POMAK numerički pomak prodaje/brtuo marže obuće u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

OBUCA_<spol>_REFII kategoriziran pomak prodaje/brtuo marže obuće u REFII notaciji u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

RUBLJE_<spol>_POMAK numerički pomak prodaje/brtuo marže rublja u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

RUBLJE_<spol>_REFII kategoriziran pomak prodaje/brtuo marže rublja u REFII notaciji u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

TRIKOTAZA_<spol>_POMAK numerički pomak prodaje/brtuo marže trikotaže u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

TRIKOTAZA_<spol>_REFII kategoriziran pomak prodaje/brtuo marže trikotaže u REFII notaciji u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

KONFEKCIJA_<spol>_POMAK numerički pomak prodaje/brtuo marže konfekcije u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

KONFEKCIJA_<spol>_REFII kategoriziran pomak prodaje/brtuo marže konfekcije u REFII notaciji u odnosu na prethodni dan u kojem je prodajna mreža imala status radnog dana

Uzorak seta podataka iz skladišta podataka, mjesečni klimatološki izvještaj te povijesne

podatke o promjeni temperature moguće je vidjeti u prilozima ovom radu. Razlog odabira

ovih varijabli krije se sa jedne strane u poslovnim zakonitostima prodaje tekstilnih proizvoda

te situacijama u kojima se može naći analitičar promatrajući utjecaje te sa druge strane u želji

da se popuni praznina prikazana u ranijim istraživanjima a koja se odnosi na analiziranje

podataka o vremenskim prilikama istovremeno sa podacima o prodaji odnosno drugim

zanimljivim podacima.

Uslijed velikog broja artikala različitih karakteristika sa vrlo malo ponavljanja potpuno istih

artikala iz sezone u sezonu (poput recimo boce nekog pića) tekstilna industrija razvila je razne

oblike agregiranja podataka oko grupa roba, namjene robe, materijala i slično. Takva

grupiranja omogućavaju praćenje na razini grupe roba pri čemu je najosjetljiviji dio takvog

pristupa za kasniju analizu ljudski faktor koji odlučuje o pripadnosti robe nekoj grupi pri

ulazu u informacijski sustav.

Kriterij za odabir poslovno zanimljivih varijabli bio je uzeti u obzir referentne grupe

proizvoda (trikotaža, konfekcija, obuća, rublje) za oba spola (muško, žensko) kako bi se kroz

97

heterogenost uzorka jasnije ukazalo na efikasnost primjene modela i veze među različitim

varijablama.

Za kvalitetniji prikaz mogućnosti podaci su izdvojeni u dva uzorka: podaci o količinama

prodaje te podaci o realiziranoj bruto marži (de facto bruto zaradi po proizvodu).

Analiziranjem pojedinih uzoraka moguće je uočavati zakonitosti povezane sa količinama

prodaje/realizacijom bruto marže i vezama prema promjenama vremenskih prilika odnosno

karakteristike sezonskih utjecaja te sa druge strane kombiniranjem oba uzorka moguće je

ukazati na zakonitosti koje upućuju na povećanje efikasnosti poslovanja (na primjer pod

kojim uvjetima sa prodajom manje količine proizvoda ostvarujemo veću bruto maržu).

Podaci su također podijeljeni u dvije godine (2006. i 2007.) kako bi se na praktičnim

primjerima mogle testirati hipoteze modela na dva odvojena uzorka.

Vezano na podatke o vremenskim prilikama, u obzir su uzeti srednja dnevna temperatura te

podatci o jačini vjetra sjevernog smjera dan prije promatranja pomaka kao utjecaj na ranije

spomenuti osjećaj vremenskih okolnosti.

5.3.3. Pristup i tehnike pretprocesiranja podataka

Jedna od okolnosti vezano na uzorke podataka je da je autor tijekom karijere imao priliku

utjecati na izgled i kvalitetu podataka koji su se prikupljali u uzorku iz prodajne mreže42 stoga

je kvaliteta podataka i razina granulacije na najvišoj razini, naravno koliko je to bilo moguće

ovisno o prirodi trgovine (npr. ukoliko prodajno mjesto ne radi nedjeljom nisu dostupni

podaci). Obzirom na ekspertno znanje podaci su harmonizirani na način da se kao kriterij

upotrijebio pristup izračuna na bazi radnih sati prodajnog mjesta pri čemu se vodilo računa da

uzorak prodajnih mjesta koja su radila na određeni dan bude u najvećoj mogućoj mjeri jednak

(više o tome u poglavlju analiza rezultata).

Prikupljanje podataka vršilo se iz skladišta podataka (podaci o prodaji, prodajnim mjestima)

te iz vanjskih izvora (podaci o vremenskim prilikama, kalendar, ekspertno znanje vezano na

kategorizaciju podataka o prodaji i vremenske prilike). Vezano na vanjske izvore podaci su

prikupljeni od Državnog hidrometeorološkog zavoda (mjesečni klimatološki izvještaj43 te

povijesni podaci o temperaturi).

42 vidi životopis autora 43 vidi priloge radu

98

Na podacima je izvršeno čišćenje, strukturiranje te su ETL obradom unošeni u Oracle bazu

podataka nakon čega su agregirani na grupe koje će se promatrati te su prilagođeni odabranoj

vremenskoj dimenziji za model. Prilikom obrade u obzir su uzeta ograničenja:

- prodajna mreža nekim danima ne radi,

- određene dane prodajna mreža na radi jednako dugo kao drugih dana (prije praznika,

povremeno subotom, moguće nedjeljom),

- intenzitet posjećenosti prodajnih mjesta veći je nekim danima (subota) i u nekim

periodima (sezonsko sniženje, razni događaji u gradu)

- u obzir su uzeta samo referentna prodajna mjesta u Zagrebu,

- uzorak u promatranim godinama (2006. i 2007.) u najvećoj mogućoj mjeri je jednak,

pomaci su rezultat kretanja tržišta i prilagodbe tvrtke na uvjete na tržištu

(raspoloživost roba, formiranje cijena).

Inicijalni cjelovit set podataka (za obe kalendarske godine) podvrgnut je standardnoj

deskriptivnoj analizi te su podaci navedeni u slijedećoj tablici.

TABLICA 5.3.3.1. Osnovna statistika seta podataka, uzorak bruto marža pomak

Srednja vrijednost Varijanca Standardna devijacija Minimum Maksimum Podataka

TJEDAN_BROJ 26.57 2.27E+02 15.06 1.00 53.00 730.00 SREDTEMP_POMAK 0.00 1.16E+01 3.41 -13.70 10.80 730.00 OBUCA_Z_POMAK 16.00 5.87E+07 7,661.67 -36,544.11 38,221.26 730.00 KONFEKCIJA_Z_POMAK 103.72 2.28E+09 47,737.16 -400,991.30 387,664.62 730.00 KONFEKCIJA_M_POMAK 106.58 1.23E+09 35,062.16 -205,234.49 117,284.34 730.00 TRIKOTAZA_Z_POMAK 91.13 2.22E+09 47,092.86 -508,692.00 499,040.61 730.00 TRIKOTAZA_M_POMAK 86.19 3.66E+08 19,124.26 -135,016.23 115,747.90 730.00 RUBLJE_Z_POMAK 44.25 5.07E+07 7,118.26 -36,309.09 41,117.82 730.00 RUBLJE_M_POMAK 18.22 1.22E+07 3,486.93 -25,476.48 29,115.21 730.00 OBUCA_M_POMAK 16.40 3.39E+07 5,820.95 -27,288.88 21,689.28 730.00 VJETAR_JACINA 0.84 6.38E-01 0.80 0.00 5.00 730.00

Nastavno na osnovne deskriptivne podatke u nastavku se nalazi tablica korelacija među

varijablama. Korelacija u ovom slučaju upućuje na odnose među varijablama te nam u

određenim slučajevima može poslužiti kako bi provjerili pretpostavke veza među varijablama

ili tek formirali stav prema odnosima na temelju vrijednosti iz matrice.

99

TABLICA 5.3.3.2. Matrica korelacije, uzorak bruto marža pomak44

SRE

DT

EM

P PO

MA

K

OB

UC

A_Z

PO

MA

K

KO

NFE

KC

IJA

_Z

POM

AK

KO

NFE

KC

IJA

_M

POM

AK

TR

IKO

TA

ZA

_Z

POM

AK

TR

IKO

TA

ZA

_M

POM

AK

RU

BL

JE_Z

PO

MA

K

RU

BL

JE_M

PO

MA

K

OB

UC

A_M

PO

MA

K

VJE

TA

R J

AC

INA

SREDTEMP_POMAK 1.000000 OBUCA_Z_POMAK 0.045900 1.000000 KONFEKCIJA_Z_POMAK 0.132030 0.582547 1.000000 KONFEKCIJA_M_POMAK 0.071040 0.515658 0.387346 1.000000 TRIKOTAZA_Z_POMAK 0.070211 0.641812 0.744391 0.434028 1.000000 TRIKOTAZA_M_POMAK 0.068771 0.474655 0.319505 0.684957 0.484860 1.000000 RUBLJE_Z_POMAK 0.063489 0.551416 0.399443 0.556513 0.543218 0.743228 1.000000 RUBLJE_M_POMAK 0.009001 0.400806 0.182871 0.547517 0.439143 0.740095 0.749789 1.000000 OBUCA_M_POMAK 0.054480 0.468951 0.292283 0.704197 0.362284 0.572730 0.526031 0.508046 1.000000 VJETAR_JACINA -0.176405 0.019397 -0.048068 0.016513 -0.024519 0.024426 -0.027229 0.008387 -0.009170 1.000000

Nastavno na opisano grupiranje uzorka slijede tablice deskriptivnih vrijednosti i matrica

korelacija za uzorak baziran na pomaku količina prodaje.

TABLICA 5.3.3.3. Osnovna statistika seta podataka, uzorak prodaja pomak

Srednja vrijednost Varijanca Standardna devijacija Minimum Maksimum Podataka

TJEDAN_BROJ 26.57 2.27E+02 15.06 1.00 53.00 730.00 SREDTEMP_POMAK 0.00 1.16E+01 3.41 -13.70 10.80 730.00 OBUCA_Z_POMAK 0.09 1.01E+03 31.80 -167.00 215.00 730.00

KONFEKCIJA_Z_POMAK 0.55 4.14E+04 203.48 -1,674.00 1,629.00 730.00 KONFEKCIJA_M_POMAK 0.42 1.45E+04 120.39 -552.00 508.00 730.00 TRIKOTAZA_Z_POMAK 1.26 2.23E+05 472.06 -3,981.00 3,905.00 730.00 TRIKOTAZA_M_POMAK 0.64 2.95E+04 171.86 -980.00 973.00 730.00

RUBLJE_Z_POMAK 1.07 5.52E+04 235.02 -1,043.00 1,184.00 730.00 RUBLJE_M_POMAK 0.70 2.27E+04 150.79 -997.00 1,083.00 730.00 OBUCA_M_POMAK 0.07 6.16E+02 24.81 -101.00 91.00 730.00

TABLICA 5.3.3.4. Matrica korelacije, uzorak prodaja pomak45

SRE

DT

EM

P PO

MA

K

OB

UC

A_Z

PO

MA

K

KO

NFE

KC

IJA

_Z

POM

AK

KO

NFE

KC

IJA

_M

POM

AK

TR

IKO

TA

ZA

_Z

POM

AK

TR

IKO

TA

ZA

_M

POM

AK

RU

BL

JE_Z

PO

MA

K

RU

BL

JE_M

PO

MA

K

OB

UC

A_M

PO

MA

K

VJE

TA

R J

AC

INA

SREDTEMP_POMAK 1.000000 OBUCA_Z_POMAK 0.010623 1.000000 KONFEKCIJA_Z_POMAK 0.079367 0.571657 1.000000 KONFEKCIJA_M_POMAK 0.092202 0.458669 0.404180 1.000000 TRIKOTAZA_Z_POMAK 0.010357 0.574973 0.850246 0.427486 1.000000 TRIKOTAZA_M_POMAK 0.083449 0.430264 0.424820 0.734953 0.566510 1.000000 RUBLJE_Z_POMAK 0.044715 0.511864 0.493065 0.646943 0.582272 0.719620 1.000000 RUBLJE_M_POMAK 0.011509 0.395763 0.235001 0.638952 0.418843 0.701546 0.741911 1.000000 OBUCA_M_POMAK 0.077321 0.495106 0.294579 0.616162 0.363918 0.517080 0.512668 0.538947 1.000000 VJETAR_JACINA -0.176405 0.009414 -0.037188 -0.004924 -0.022110 0.014653 -0.041417 0.002170 -0.026093 1.000000

44 vidi Prilog 16. ovom radu 45 vidi Prilog 16. ovom radu

100

Kroz razne alate postoje razne tehnike identifikacije ekstremnih i nedostajućih vrijednosti te

rad s njima odnosno prilagođavanje seta podataka kvaliteti potrebnoj da se podaci koriste u

istraživanju. Ovdje je važno spomenuti da je uzorak podataka o prodaji i bruto marži

harmoniziran prema satima rada prodajnog mjesta no ipak postoje neka ograničenja u

korištenju podataka posebno kod usporedbe kretanja vrijednosti u npr. ponedjeljak nakon

subote ili nedjelje. Obzirom je ovo karakteristika ove vrste trgovine podaci su prilikom

transformacije obrađeni na način da uzimaju u obzir ograničenja dok je kod usporedbe između

godina uzeto u obzir da sličan uzorak na bazi cijele godine usporediv u stvarnosti.

Također ovdje je osim promjena u tržišnim okolnostima potrebno napomenuti klimatološke

promjene. Konkretno za podatke o srednjoj dnevnoj temperaturi na mjernoj postaji Maksimir

uspoređujući podatke za 2006. i 2007. vidljivo je povećanje srednje temperature odnosno

podaci upućuju na topliji jesensko/zimski period što je važno za prodaju podložnu sezonskim

ovisnostima. Sukladno tome očekujemo efekte u rezultatima.

TABLICA 5.3.3.5. Deskriptivni podaci, usporedba uzorka srednje dnevne temperature sa

mjerne postaje Maksimir Zagreb za 2006. i 2007. godinu

Godina Srednja vrijednost Varijanca Standardna devijacija Minimum Maksimum Podataka

2006 11.82356 74.29593 8.619509 -10 28.3 365

2007 12.59863 61.52321 7.843673 -4.6 29.2 365

101

SLIKA 5.3.3.1. Kretanje srednje dnevne temperature tijekom 2006. i 2007.

Za detaljniji uvid u tehnike pretprocesiranja svakako je potrebno ukazati na referentnu

literaturu (Pyle, 1999) obzirom istraživači ne moraju imati pristup niti dostupnost podataka

kao slučaj opisan u radu.

5.3.4. Transformacija u REFII

Na pripremljenim podacima izvedena je posebno pripremljena PL/SQL skripta za

transformaciju podataka u REFII model. Procedura treba biti izvedena tako da dopušta

promjenu gradacije ovisno o ekspertnom znanju, periodu i grupi roba.

Transformacija je izvedena za svaku pojedinu grupu roba, za temperaturu na bazi uzorka te za

podatke o vjetru kako je opisano u dijelu koji opisuje razloge odabira varijabli.

Obzirom na specifičnosti prodajne mreže (prvenstveno neradne nedjelje) algoritam za

transformaciju podataka o prodaji uključivao je korekciju vrijednosti prodaje na način da ih

uključuje u model ukoliko je na određeni dan referentan broj prodajnih mjesta bio otvoren no

nije se dogodila prodaja odnosno da za referentan pomak uzima prvi prethodni dan koji je

referentan broj prodajnih mjesta bio otvoren već prema situaciji. Na taj način izbjegnute su

102

eventualne pogreške moguće zatvorenih prodajnih mjesta (preuređenje i slično) te nedjelja i

praznika kojima mreža radi na drugačijem režimu.

Transformacija je izvedena provjerom uzorka atributa te definiranjem kriterija pomaka (nema

promjene, blagi rast/pad, srednji rast/pad, snažan rast/pad). Za buduće radove u prilogu ovog

rada prikazan je primjer skripte u PL/SQL jeziku koja omogućava unos kriterija za

transformaciju te analizira uzorak. Na podacima u primjeru ovog rada korištena su ekspertna

znanja (obzirom na karakteristike prodajne mreže) dok je u skripti prikazan model preuzet iz

teoretskih osnova ovog rada (1% odstupanja od prosjeka nema promjene, do 20% blaga

promjena, do 60% srednja promjena, preko 60% odstupanja od prosjeka snažna promjena).

TABLICA 5.3.4.1. Podaci transofmirani u REFII notaciju

Datum Pomak prodaja ženske konfekcije

02.01.2006. SNAŽAN RAST

03.01.2006. BLAGI RAST

04.01.2006. NEMA PROMJENE

… …

Transformacija je izvedena na bazi kuta otklona vektora promjene te je takva prikladna za ovu

vrstu modela.

TABLICA 5.3.4.2. Rangiranje varijabli prema Gini indeksu46

Atribut Gini indeks Atribut Gini indeksRUBLJE_Z_REFII 0.217 KONFEKCIJA_M_REFII 0.263 SREDTEMP_REFII 0.200 DAN 0.213 DAN 0.175 TRIKOTAZA_M_REFII 0.183 RUBLJE_M_REFII 0.158 TRIKOTAZA_Z_REFII 0.180 OBUCA_Z_REFII 0.110 OBUCA_Z_REFII 0.180 OBUCA_M_REFII 0.108 SREDTEMP_REFII 0.163 VJETAR_JACINA 0.108 OBUCA_M_REFII 0.147 KONFEKCIJA_Z_REFII 0.108 RUBLJE_Z_REFII 0.130 SEZONA 0.108 RUBLJE_M_REFII 0.080 TRIKOTAZA_M_REFII 0.092 SEZONA 0.080

Uobičajena interpretacija vrijednosti Gini indeksa kao minimalno iskoristivu vrijednost

promatra indeks > 0.100. U promatranom slučaju iako su vrijednosti prema tom kriteriju 46 transformirani uzorak količina prodaje (lijevo, ciljna varijabla ženska trikotaža) i transformirani uzorak bruto marža (desno, ciljna varijabla ženska konfekcija); Orange modul za Python, modul Rank

103

relativno male obzirom na strukturu uzorka one su referentan pokazatelj različitosti uzorka te,

naravno, ovise uvelike o varijabli cilja.

5.3.5. Formiranje modela (Bayesove mreže)

Na konačno formiranom uzorku kreira se Bayesova mreža. Ovisno o broju atributa na

konačnom modelu moguće je za izgradnju mreže koristiti automatske metode odnosno

moguće je ručno izgraditi model. Za izgradnju mreže korisno je sastaviti tablicu odnosa

(temeljem iskustva, istraživačkog motiva) za daljnje referenciranje i eventualne korekcije

odnosno dokumentiranje modela.

Tri su glavna postupka povezana za zaključivanjem u Bayesovoj mreži (Neapolitan, 2004):

- analiza zakonitosti nepromatranih varijabli (koje proizlaze iz modela),

- učenje parametara u mreži i

- učenje strukture mreže.

U konkretnom primjeru struktura mreže je formirana putem ekspertnog znanja uz provjeru

snage veza među varijablama dok su parametri u mreži istrenirani putem podataka iz uzorka.

Vezano na analizu zakonitosti ista je navedena na primjerima u dijelu interpretacije rezultata.

Struktura mreže, ovisno o predmetu istraživanja, dostupnom ekspertnom znanju i potrebi

može biti stvorena i kroz alat a na bazi podataka i neke od spomenutih metoda pretraživanja.

Ukoliko se mreža formira na takav način važno je voditi računa o mogućem zanemarivanja

odnosa od strane alata a ovisno o primijenjenom algoritmu. U svakom slučaju kombiniranje

numeričkih metoda provjere veza te ekspertnog znanja uvijek pruža najbolje rezultate.

Za konkretan slučaj baziran na podacima o prodaji tablica odnosa izgleda kako prokazuje

slijedeća tablica. Obzirom je odnose moguće formirati samo u jednom smjeru tablicu je

moguće čitati sa bilo koje strane atributa pri čemu strelica na presjecištu označava smjer veze

(npr. Dan Žensko rublje, interpretacija: dan u tjednu utječe na prodaju rublja).

U definiranju odnosa važno je napomenuti na podjelu na osnovne tržišne grupe roba

(konfekcija i trikotaža) te dodatne grupe roba (obuća i rublje). Pri tome priroda trikotaže je da

se radi o artiklima manjeg fizičkog volumena i manje prosječne cijene stoga su prikladni za

ciljnu varijablu pri analizi količina dok je konfekcija zbog svojih karakteristika (sezonska

ovisnost, fizički veći i skuplji artikli) pogodne za ciljnu varijablu u analizi realizirane bruto

marže. Grupe obuća i rublje dodatne se grupe koje se nadovezuju na osnovne iako imaju i

vlastita tržišna pravila. Na taj su način formirane veze koje je moguće vidjeti u tablici veza u

nastavku.

104

TABLICA 5.3.5.1. Prikaz veza u Bayesooj mreži, prodaja količine

Žensko Muško

Dan

Sezo

na

Sred

nja

tem

pera

tura

Vje

tar j

ačin

a

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Dan Sezona Srednja temeperatura Vjetrar jačina

Žens

ko

Rublje

Obuća

Trikotaža

Konfekcija

Muš

ko

Rublje

Obuća

Trikotaža

Konfekcija

Za primjer modela korišten je alat GeNIe u koji su učitani setovi podataka te je na bazi njih

sastavljena Bayesova mreža prema pravilima u tablici. Problem koji se pojavljuje pri analizi

velikog broja atributa i veza (u ovom slučaju 12 atributa, selektivne veze) je broj podataka

odnosno kombinacija s kojima model mora operirati.

TABLICA 5.3.5.2. Prikaz veza u Bayesovoj mreži, ostvarena bruto marža

Žensko Muško

Dan

Sezo

na

Sred

nja

tem

pera

tura

Vje

tar j

ačin

a

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Dan Sezona Srednja temeperatura Vjetrar jačina

Žens

ko

Rublje

Obuća

Trikotaža

Konfekcija

Muš

ko

Rublje

Obuća

Trikotaža

Konfekcija

105

Za ilustraciju modeli izrađeni prema tablicama spremljeni u datoteku veličine su oko 150MB

te je za pokretanje analize potrebno osigurati dovoljnu procesorsku snagu što danas ne bi

trebao biti problem.

Po formiranju odnosa (relacija) u fazi izgradnje modela na bazi učitanih podataka alat „uči“

zakonitosti te formira mrežu. U promatranom slučaju to je učinjeno PC algoritmom uz

korisničku interakciju oko strukture mreže kako je prikazano u tablicama veza. Pretpostavke

korištenja ove metode su da nema dilema oko veza koje su savršeno interpretirane

usmjerenim acikličkim grafovima te sa testovima na podacima ne ukazuju na anomalije

odnosno da su tretirane nedostajuće i ekstremne vrijednosti u uzorku. Algoritam na bazi

podataka traži optimalnu strukturu nakon koje korisnik dodatno prilagođava istu a prema

željenom poslovnom modelu koji se promatra.

Algoritam (Spirtes et al, 2000) je baziran na pretraživanju vjerojatnosti , pri čemu je

A set varijabli. Na bazi ovog pravila metoda može raditi sa bilo kojim uzorkom. Ako je

nadalje X slučajna varijabla a P i Q dvije distribucije vjerojatnosti proračunavaju se tzv.

Kullback-Leibler (Cruz-Perez, 2008) distance između Q i P.

|| log

Ako su X i Y slučajne varijable sa zajedničkom distribucijom vjerojatnosti njihova entropija

računa se formulom

, , log,

,

,

Ako su X, Y i Z varijable zajednička entropija X i Y za dani Z računa se formulom

, | , | log, |

| |

,

Taj izraz potvrđuje da je CE(X,Y|Z) = H(X|Z) – H(X|Y,Z) te se također naziva zajednička

informacija. Pri tome Z može predstavljati i set varijabli. Kako bi se provjerilo da li su X i Y

uvjetno nezavisni od A računamo zajedničku entropiju CE(X,Y|A) pri čemu su vjerojatnosti

maksimalno očekivane iz seta podataka (relativne frekvancije). Statistička provjera vrši se

izračunom

2 , |

pri čemu je M veličina uzorka. Poznato je da, pod uvjetom neovisnosti, G2 prati X2

distribuciju sa određenim stupnjem slobode jednakim

106

1 1

pri čemu rw predstavlja broj vrijednost varijable W.

Struktura algoritma:

- pronađi uzorak na grafu (neusmjereni graf)

- pronađi veze između članova testirajući nezavisnosti

- orjentiraj se na ostale veze bez formiranja ciklusa

Za matematičku interpretaciju i detaljnu razradu algoritamskog postupka upućujem na

referentnu literaturu (Moral, 2003). Algoritam provjerava parove te odlučuje o zavisnostima i

konačnom prijedlogu strukture. Nastavno na opisani algoritam važno je spomenuti i njegovo

unapređenje u obliku NPC algoritma. Oba se koriste u alatu koji je de facto standard za ovo

područje, Hugin-u. NPC algoritam razlikuje se u odnosu na PC prvenstveno u tome što uvodi

koncept nužnog puta pri čemu se u fazi provjere testiraju samo ovisnosti koje su definirane

putevima. Provjerom određenog dijela mreže ovim algoritmom moguće je ukloniti veze do

neke točke do koje smo izračunali ovisnosti nakon čega se dodatno smanjuje polje rješenja a

zadržava znanje koje je zabilježeno na promatranoj točki. Ovo zahtjeva dodatnu interakciju

između analitičara i alata no omogućava analize velikih setova podataka na isti način kao one

manje. Za više podataka upućujem na referentnu literaturu (Steck, 2001). Također, više o ovoj

tematici moguće je pronaći u priručnicima Hugin alata (Jensen et al, 2005).

Za uzorke u ovom radu PC algoritam učenja u alatu GeNIe na dvojezgrenom CentrinoPro

procesoru takta 2.2Ghz i 4,0GB radne memorije proces „učenja“ traje oko jedne minute.

Model spreman za analizu izgleda kako prikazuje slika u nastavku.

Uobičajeno, model se osim topološki te ovisno o alatu prikazuje i putem tablica izvedenih

vjerojatnosti za svaki atribut koje se pak mijenjaju prema tome na koji način definiramo

okolnosti u modelu i/ili cilj modela. Ovisno o alatu moguće je pratiti određene okolnosti i

ciljeve te prema njima analizirati ostale dijelove mreže i ovisnost među varijablama. Alat koji

je korišten u ovom radu spada u besplatne alate te ga je moguće preuzeti sa web mjesta

navedenog u prilogu ovog rada. Referentni alat za ovu svrhu je Hugin međutim on je bez

naknade dostupan samo u ograničenoj verziji koja ne dopušta rad sa ovako velikim brojem

odnosa i atributa no važno ga je spomenuti za eventualne buduće istraživače.

Prikazom putem veza i tablica uvjetne vjerojatnosti formiran je model i spreman je za

provođenje analiza. Ovisno o prirodi istraživanja model je moguće dopunjavati te prikazivati

107

njegove dijelove i odnose među atributima. Za ilustraciju model na podacima o prodaji za

godinu 2006. ima 12 atributa, 73 stanja i 5.147.555 parametara u modelu.

SLIKA 5.3.5.1. Bayesova mreža, prodaja količine

Prikaz modela sa tablicama uvjetnih vjerojatnosti proračunatih za atribute dan je na slici u

nastavku. Svaki atribut prikazan je grafički te su unutar prikaza navedena sva stanja sa

tablicama vjerojatnosti i grafičkim prikazom istih. Promjenom stanja pojedinog atributa

mreža proračunava tablica vjerojatnosti te ih interaktivno prikazuje. Sustav dopušta

definiranje okolnosti/stanja i ciljeva pri čemu je moguće definirati stanje kao jednostruku

vrijednost ili kao kombinaciju vjerojatnosti više vrijednosti unutar atributa pri čemu suma

svih stanja unutar jednog atributa mora biti 100%. Za lakše snalaženje na raspolaganu su nam

mogućnosti vizualnog prilagođavanja (boje objekata, veličine objekata). Svaka od veza

(stralica) predstavlja slijednu ovisnost koju je moguće izraziti snagom veze i vjerojatnošću

rezultata o zavisnosti o zadanim okolnostima promatranja.

108

SLIKA 5.3.5.2. Prikaz modela u obliku grafikona vjerojatnosti (uzorak prodaja količine

2006.)

5.4. Model u primjeni

Formirana Bayesova mreža predstavlja i konačni model spreman za korištenje. Ovisno o alatu

koji se koristi za formiranje Bayesove mreže moguće je kombinirati setove podataka te na

modelu vršiti upite a kako bi se dala informacija o vezama između varijabli odnosno kako bi

se iz podataka dobilo znanje potrebno za razumijevanje promatranih situacija te donošenje

odluka u budućnosti.

Pokazanim pristupom u isti smo model uključili podatke različite prirode na način koji

omogućava analizu njihovih međuzavisnosti dok Bayesova mreža svojim karakteristikama

daje mogućnost jednostavne interakcije i korištenja rezultata i osobama koje ne moraju imati

predznanje vezano na metode korištene pri formiranju modela.

Korištenje modela vrlo je jednostavno jednom kad je isti formiran i postavljen. U poslovnom

svijetu analize koje se provode često su složene prirode te uključuju mnoge okolnosti što

upućuje na velik broj rezultata koje je potrebno sistematizirati. Kako bi se kvalitetno

109

sistematizirali potrebno je voditi računa o elementima modela a kako se pri interpretaciji

rezultata ne bi izgubilo na kvaliteti podataka za podršku odlučivanju.

Korištenjem raznih pogleda na podatke i njihove veze moguće je dobiti odgovore u obliku

tablica uvjetnih vjerojatnosti za događaje/ciljeve na jednostavna pitanja poput „kojeg dana u

tjednu je trend volumena prodaje najveći“ do složenijih „ukoliko se pojavi nagli pad

temperature uz snažan pad volumena prodaje ženskog rublja što se događa sa realiziranom

maržom u prodaji muške konfekcije“.

5.5. Posebnosti modela i analize u području trgovine

Promatrajući sa aspekta analize, područje trgovine sadrži mnoge posebnosti koje su na

različite načine spomanute u ovom radu no za bolje razumijevanje i daljnja istraživanja

potrebno ih je izdvojiti u zaseban kontekst. Osnovni čimbenici tržišta su svakako proizvod i

kupac bez kojih istog ne bi ni bilo. Slijedeće je važno spomenuti sve one čimbenike koji

opisuju platformu tržišta, platformu koja omogućava razmjenu inforamcija, roba i dobara te

novca. Nakon toga dolaze svi ostali: proizvođači, posrednici, analitičati i znanstvenici.

Zakoni ponude i potražnje te vizija budućnosti ključni su za stvaranje ideje o kreiranju novog

proizvoda. Slijedi proces evaluacije resursa i prozvodnih kapaciteta nakon čega se, ukoliko se

zavodolje svi preduvjeti, pristupa proizvodnji odnosno posljedično optimizaciji proizvodnog

procesa (proizvodne serije, povezani artikli). Proizvod(i) se nakon toga logističkim lancem

usmjeravaju prema tržištu, prema posrednicima i krajnjim kupcima. Nerijetko,proizvodi

bivaju prodani već unaprijed te uz određene posebnosti u vrlo kratkom vremenu dolaze na

raspolaganje kupcima. Nakon što je proizvod stavljen na raspolaganju kupcu (na polici, u

katalogu, na internet stranici) raznim promotivnim aktivnostima isti se oglašava i čini

poželjnim ciljanom tržišnom segmentu. Ukoliko ne ne uspije prodati proizvod doživljava

prilagodbe (sniženje prodajne cijene, izmjena karakteristika) nakon čega se očekuje da će uz

izmjenjene karakteristike pronaći svog kupca. U slučaju da ni nakon toga ne dođe do prodaje

proizvod na kraju životnog ciklusa postaje predmetom prodaje tržinim posrednicima koji se

bave prodajom robe koja je preostala iz prethodnih sezona tzv. outlet ili stock robe47. Nakon

čega ulaze u drugi sličan ciklus.

Tijekom cijelog perioda životnog ciklusa proizvoda bilježe se podaci o njegovom stanju te se

isti analiziraju ovisno o prirodi proizvoda, sezoni o drugim karakteristikama. U svakoj od

47 mađu najpoznatijima tvrtka McArthurGlen, http://www.mcarthurglen.com/; 15.08.2011.

110

brojnih faza teži se optimizaciji resursa (vrijeme, kapital) te što efikasnijem planiranju

budućih ciklusa što je predmet i ovog istraživanja.

Proizvod mora biti na raspolaganju kupcu na vrijeme (npr. akcije tijekom početka školske

godine ili kupaći kostimi tijekom ljeta), po odgovarajućoj cijeni (utjecaj konkurancije,

očekivanja tržišta, primjer: cijena i opremljenost automobila u SAD i Europi – u SADu su

opremljeniji i prosječno niže cijene za sličan model no u SADu su kupci skloniji prihvaćanju

novih tehnologija) i u odgovarajućem okruženju (masovno tržište nasuprot specifičnim

nišama poput na primjer prodavaonica odjeće za ljude krupnije građe ili provaonice cipela za

ljude sa velikim stopalima).

Povratna veza odnosno inforamcije o tome što je prodano, što se tražilo te što je ostalo

neprodano na kraju sezone izmjenjuju se sve brže tako da neki proizvođači modenih kolekcija

na početku sezone izrade kolekciju koju kasnije dopunjavaju najbolje prodajnim artiklima. Za

takav pristup potrebna je snažna logistička podrška uključivo planiranje svih resursa u lancu

proizvodnje, opskrbe i skladišnih kapaciteta.

Poput sezone u prehrambenoj industriji specifičan pritisak očituje se kroz vijek trajanja robe

(istek valjanosti) i specifičnosti logistike i prodajnihi kapaciteta (npr. skladištenje lako

pokvarljivih proizvoda). Porastom dostupnosti tehnologije sličan efekt ima i tržište

elektronice gdje se u okviru jedne kalendarske godine izmijeni više serija istog proizvoda

kroz nove i unaprijeđene inačice.

Veliko područje primjene navodi na širok opseg potreba te velik broj mogućih istraživanja

koja su primjenjiva u praksi. Otvoreni modeli poput opisanog ostim prikazanog područja

mogu se primijeniti i u drugim nišama obzirom većina nailazi na iste probleme u analizi poput

velikog broja čimbenika koje treba obuhvatiti i kratkog vremena za raspolganju za reakciju.

Pojedini radovi čak se bave analizom ponašanja posrednika na tržištu kako bi smanjili prostor

između očekivanja kupca i proizvođača (Da Silvaa et al, 2002, 241-252). Za očekivati je dalji

napredak u razvoju i primjeni sličnih sustava.

111

6. PRIKAZ I ANALIZA REZULTATA PREDLOŽENOG

MODELA

U ovom će poglavlju biti predstavljen model na stvarnom primjeru te iskorišten za

ekstrahiranje znanja na jednom uzorku te provjeru pretpostavki (predviđanje) na drugom

uzorku.

U modelu su korišteni podaci o:

- vremenskim prilikama

o pomak srednje temperature na mjernoj postaji Maksimir Zagreb

o snaga vjetra sjevernog smjera u 21:00 sat prethodno danu promatranja pomaka

- količinskoj prodaji tekstilne robe na uzorku maloprodajnih mjesta u Zagrebu

o muške i ženke obuće

o muškog i ženskog rublja

o muške i ženske trikotaže

o muške i ženke konfekcije

- bruto marži ostvarenoj u prodaji tekstilne robe na uzorku maloprodajnih mjesta u

Zagrebu

o muške i ženke obuće

o muškog i ženskog rublja

o muške i ženske trikotaže

o muške i ženke konfekcije

Podaci su pripremljeni na dva uzorka za godine 2006. i 2007. Obzirom je postojala

mogućnost da se osigura kvalitetan uzorak podataka na kasnijim godinama (napredak

tehnologije, prilagodbe skladišta podataka) kriza koja je zahvatila tržište 2008. godine bitno je

utjecala na kvalitetu uzorka, količine u nabavi i prodaji te broj prodajnih mjesta stoga period

od 2008. godine nadalje nije uključen u istraživanje već su kao referentne godine uzete 2006.

i 2007.

6.1. Odabir varijabli, provjera odabira varijabli, analiza veza

Atributi koji su odabrani za prikaz modela u praksi označeni su oznakama „pomak“ za

numeričke vrijednosti te „REFII“ za podatke transformirane u REFII notaciju.

Provjeru kvalitete odabira varijabli moguće je izvesti na razne načine. Jedan od njih je ranije

spomenuto proračunavanje Gini indeksa, mjerenje snage veza, koeficijenata korelacije i

112

slično. Alternativno za analizu moguće je koristiti neku od metoda vizualizacije rezultati

takve metode ovise o promatraču i o prirodi podataka. U slučaju većeg broja varijabli

vizualizaciju je potrebno provoditi na pojedinačnim parovima odnosno na takvoj razini

granulacija koja omogućava kvalitetan pogled na podatke i odnose. Sukladno tome, numerički

indeksi su efikasniji no ponekad vizualizacija otkrije zanimljivosti koje nije moguće uočiti

primjenom indeksa.

SLIKA 6.1.1. Multigram prikaz veza svih varijabli, debljine linija označavaju snagu veza

(uzorak podaci o ostvarenoj bruto marži)

Ranking se koristi za potvrdu odabira varijabli te za potvrdu kriterija veza pri formiranju

modela (određivanje varijabli koje imaju veći utjecaj odnosno potvrda postojanja različitosti

varijabli u uzorku). Istovremeno vidljiva je kompleksnost odnosa.

6.2. Bayesova mreža

Na bazi izgrađenog modela izvedena je analiza prema unaprijed zadanim scenarijima sa

definiranim ciljevima i okolnostima. U tablicama koje slijede prikazani su rezultati analize pri

113

čemu su postavljene okolnosti označene sivo osjenčanim poljima dok su rezultati prikazani u

obojanim poljima. Ukoliko za postavljene okolnosti nije bilo snažnijeg utjecaja isti nije

naveden u tablici.

U svrhu korištenja rezultata za analizu zakonitosti ali i potvrdu modela analiza i izvršena na

dva odvojena uzorka za godine 2006. i 2007. te se usporedno prikazani podaci kako bi se kroz

njihovu interpretaciju pojasnio način na koji se model može upotrijebiti ali i potvrdile

pretpostavke u zaključivanjima.

Rezultati su podijeljeni u grupe prema setovima podataka:

- podaci o prodaji,

- podaci o realiziranoj bruto marži

- kombinirano prethodne dvije grupe s ciljem povećanja efikasnosti poslovanja

Nadalje, rezultati su podijeljeni su prema scenarijima kako slijedi:

- scenariji u kojima su okolnosti formirane „mekim“ ili „soft evidence“ pravilima (u

kojima zbroj stanja varijabli promatranog atributa iza sumu 1,0 (odnosno 100%) no

pravilo se sastoji od više od jednog stanja),

- scenariji u kojima su okolnosti formirane „čvrstim“ odnosno „evidence“ pravilima (u

kojim sae pravilo se sastoji jednog stanja atributa),

- „što ako“ analize za pojedine zanimljive poslovne pretpostavke neovisno o

formiranim pravilimate

- kombiniranim pristupu setovima podataka (u ovom slučaju o volumentu prodaje i

realizaciji bruto marže) s ciljem usporedne analize.

Za svaki pojedini scenarij i uzorak dani su numerički rezultati uključivo vjerojatnosti ishoda

(kod „scenarija sa „čvrstim“ pravilima) dok su za „što ako“ analize dani opisni rezultati kao

ilustracija mogućnosti. U tablicama su korištene skraćenice: BP/bez promjene, SNP/snažan

pad, BLP/blagi pad, SRP/srednji pad, SNP/snažan pad, BLR/blagi rast, SNR/snažan rast.

Polja rasta osjenčana su zelenom a pada crvenom bojom za lakše snalaženje.

114

6.3. Scenarij analiza utjecaji na količinu prodaje

6.3.1. Definiranje blagog utjecaja

TABLICA 6.3.1.1. Scenarij analiza utjecaji na količinu prodaje

Žensko Muško

God

ina

Dan

Sezo

na

Sred

nja

tem

pera

tura

Sjev

erni

vj

etar

jači

na

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Scenarij 1: pad prodaje

2006

BLP 35% SRP 16% SNP 6%

BLP 42% SRP 13%

BLP 33,33%

SRP 33,33%

SNP 33,33%

BLP 47% SRP 12%

BLP 36% SRP 11% SNP 8%

BLP 28% SRP 19%

BLP 39% SRP 10% SNP 9%

BLP 29% SRP 10% SNP 9%

2007

BLP 39% SRP 21% SNP 7%

BLP 31% SRP 21% SNP 7%

BLP 33,33%

SRP 33,33%

SNP 33,33%

BLP 45% SRP 11% SNP 7%

BLP 27% SRP 17% SNP 8%

BLP 24% SRP 13% SNP 14%

BLP 42% SRP 14%

SNP 7%

BLP 30% SRP 12% SNP 12%

Scenarij 2: rast prodaje

2006

BLR 33,33%

SRR 33,33%

SNR 33,33%

BLR 35% SRR 12% SNR 7%

BLR 39% SRR 11% SNR 6%

BLR 45% SRR 12%

BLR 45% SRR 10%

BLR 24% SRR 19% SNR 9%

BLR 41% SRR 10% SNR 8%

BLR 36% SRR 11% SNR 9%

2007

BLR 33,33%

SRR 33,33%

SNR 33,33%

BLR 44% SRR 12% SNR 6%

BLR 49% SRR 8%

SNR 6%

BLR 46% SRR 7%

SNR 6%

BLR 41% SRR 10% SNR 6%

BLR 27% SRR 15% SNR 8%

BLR 42% SRR 10% SNR 6%

BLR 36% SRR 11% SNR 8%

Scenarij 3: utjecaj vjetra u prijelaznoj sezoni

2006 proljeće

BLP 7% SRP 7% SNP 40%

>=2 (od 5)

BLP 41% SRP 12%

BLP 37% SRP 10% SNP 10%

BLR 21% SRR 21% SNR 10%

BLP 31% SRP 12%

SNP 9%

2007 proljeće

BLR 15% SRR 15% SNR 31%

>=2 (od 5)

BLR 19% SRR 12% SNR 11%

BLR 24% SRR 11% SNR 11%

BLR 20% SRR 11% SNR 11%

BLR 20% SRR 11% SNR 11%

Scenarij 4: utjecaj snažnijeg pada temperature u ljetnoj sezoni

2006 ljeto

SRP 50% SNP 50%

BLP 29% SRP 14% SNP 12%

BLP 32% SRP 9%

BLP 21% SRP 12% SNP 8%

BLP 30% SRP 15%

BLR 29% SRR 9%

BLR 16% SRR 22% SNR 10%

BLP 28%

SRP 9% SNP 8%

BLP 34%

SRP 8% SNP 8%

2007 ljeto

SRP 50% SNP 50%

BLP 30% SRP 10% SNP 5%

BLP 31% SRP 5% SNP 5%

BLP 34% SRP 5% SNP 5%

BLP 27% SRP 9% SNP 6%

BLP 26% SRP 9% SNP 6%

BLP 29% SRP 11%

SNP 5%

BLP 34%

SRP 7% SNP 6%

Scenarij 5: utjecaj snažnijeg rasta temperature u zimskoj sezoni

2006 zima

SRR 50% SNR 50%

BLP 32% SRP 8%

BLR 30% SRR 11% SNR 4%

BLR 42% SRR 6%

BLR 40% SRR 6%

BLR 22% SRR 16% SNR 6%

BLR 42%

SRR 4% SNR 4%

BLR 35%

SRR 5% SNR 5%

2007 zima

SRR 50% SNR 50%

BLR 38% SRR 4%

SNR 4%

BLR 41% SRR 4%

SNR 4%

BLR 26% SRR 4%

SNR 4%

BLR 39% SRR 5%

SNR 5%

BLP 32% SRP 11% SNP 5%

BLR 24%

SRR 4% SNR 4%

BLP 33%

SRP 5% SNP 5%

115

Scenarij 1: pad prodaje

Okolnosti: pad prodaje ženske trikotaže (BLP, SRP, SNP = 100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: pad prodaje ženske trikotaže povezan je sa ostalim varijablama koje su također

pokazale trend pada, također rezultati se podudaraju između godina što upućuje na pravilnost

u odnosima na nezavisnim uzorcima

Scenarij 2: rast prodaje

Okolnosti: rast prodaje ženskog rublja (BLR, SRR, SNR = 100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: rast prodaje ženskog rublja povezan je sa ostalim varijablama koje su također

pokazale trend rasta, također rezultati se podudaraju između godina što upućuje na pravilnost

u odnosima na nezavisnim uzorcima

Scenarij 3: utjecaj vjetra u prijelaznoj sezoni

Okolnosti: sezonska ovisnost posebno je prisutna u prijelaznim sezonama koje uslijed

promjene vremenskih prilika u novije vrijeme često nemaju jasnu vremensku određenost već

su uslijed naglih klimatskih promjena „spojene“ sa redovnim sezonama, pojava snažnijeg

vjetra sjevernog smjera upućuje na promjenu temperature te utječe na faktor osjećaja

temperature (feels like faktor) koji može utjecati na kupca, godišnje doba proljeće, jačina

vjetra sjevernog smjera dan prije promatranja pomaka > 2 (od najviše 5)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: u 2006. godini vidljiv je pad temperature koji prati utjecaj vjetra, također opada

prodaja ženske konfekcije te muškog rublja i trikotaže dok raste prodaja muške obuće. U

2007. godini vidljiv je rast temperature koji prati utjecaj vjetra te su rezultati u prodaji

suprotni trendovima u 2006. te rastu u grupama žensko rublje i obuća te muško rublje i

trikotaža. Zanimljivo je uočiti da se značajniji efekti u promatranim godinama primjećuju na

različitim grupama roba. Ranije je spomenut vidljiv utjecaj promjene klimatoloških prilika u

promatranim godinama. Tablica koja slijedi prikazuje odvojeno godišnje doba proljeće.

116

TABLICA 6.3.1.2. Deskriptivni podaci, usporedba uzorka srednje dnevne temperature sa

mjerne postaje Maksimir Zagreb za proljeće 2006. i 2007. godinu

Godina Srednja vrijednost Varijanca Standardna devijacija Minimum Maksimum Podataka 2006 14.84 23.78927 4.877425 3 26.5 93

2007 16.48 28.94732 5.380271 4.2 29.2 93

Možemo zaključiti da je promatranje prisutnosti sjevernog vjetra opravdano uključeno u

istraživanje no obzirom ovisi o raznim faktorima te se pojavljuje izvan obrasca potrebno ga je

sagledavati u vezi sa snažnijim padom temperature ili na nižim razinama temperature (pri

čemu pojava vjetra pojačava osjećaj hladnoće) dok je u situaciji natprosječno visokih

temperatura njegov utjecaj umanjen odnosno čak i suprotnog karaktera od očekivanja kao što

to prikazuju rezultati u 2006. godini.

Scenarij 4: utjecaj snažnijeg pada temperature u redovnoj sezoni

Okolnosti: sezonsku ovisnost prodaje posebno možemo promatrati na utjecajima promjena

temperature (npr. pad ljeti ili rast zimi) kada se očekuje reakcija na takve promjene, u ovom

slučaju godišnje doba je postavljeno na ljeto te je promatran snažniji negativan trend

temperature (SRP, SNP = 100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: uočava se generalno negativan trend prodaje uslijed promjene temperature u svim

grupama i godinama. Tek blaga naznaka rasta muških proizvoda obuće i rublja u 2006. godini

na nižim temperaturama potvrđuju neovisnost kretanja tog tržišnog segmenta (muškarci

očekivano kupuju proizvode kada se za to pojavi potreba, u ovom slučaju niža prosječna

godišnja temperatura uz dodatni pad temperature). Simulirane okolnosti utječu negativno na

percepciju potrošača koji očekuje doživljaj kupnje (dominantno žena).

Scenarij 5: utjecaj snažnijeg rasta temperature u zimskoj sezoni

Okolnosti: godišnje doba zima, snažniji pozitivan trend srednje temperature (SRR, SNR =

100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: zabilježen je rast prodaje u svim grupama roba.

117

TABLICA 6.3.1.3. Deskriptivni podaci, usporedba uzorka srednje dnevne temperature sa

mjerne postaje Maksimir Zagreb za zimu 2006. i 2007. godinu

Godina Srednja vrijednost Varijanca Standardna devijacija Minimum Maksimum Podataka 2006 0.73 15.32068 3.914164 -10 12.2 90

2007 6.08 20.50013 4.527707 -4.6 13.8 90

Iako u poslovnoj praksi iznimno topla zima i izostanak snažnijih promjena temperatura

(ujednačenost srednjih vrijednosti temperature tijekom godine) negativno utječu na prodaju,

snažniji temperaturni skokovi utječu na prodaju i to pozitivno ukoliko se radi o zimskim

mjesecima (ulazak u ljepše vrijeme, buđenje proljeća) odnosno, kako je na ranijem scenariju

prikazano, negativno ako se radi o temperaturnim šokovima ljeti kada je percepcija suprotna.

Također, vidljiva je pravilnost kretanja trendova između godina.

6.3.2. Definiranje utjecaja U svrhu analize logičnom se ukazuje potreba za određivanjem najefikasnijeg seta varijabli za

zadani cilj. Obzirom je ovaj model specifičan po tome da za okolnosti RAST i PAD ima tri

stanja potrebno je definirati čvrsti cilj (samo jedno stanje) da bi bilo moguće izračunavati

vjerojatnost takvog cilja odnosno moguće je primijeniti algoritam koji će za zadani cilj dati

kombinaciju faktora koji maksimiziraju posteriori vjerojatnosti. Referentni radovi (Yuan et al,

2004, 628-635) upućuju na tzv. Annealed MAP algoritam koji je ugrađen i u alat GeNIe te će

biti upotrijebljen u nastavku. Taj algoritam simulira lance unutar mreže koji se fokusiraju na

koncentraciju vjerojatnosti u čvorovima mreže te se kroz radove pokazao efikasnim uslijed

čega je uključen u neke alate kao standardni model. Potrebno je napomenuti da iako ovaj

algoritam drastično povećava mogućnosti ovakvog pristupa on je ipak približno rješenje te ga

treba tako i tretirati. U svrhu primjene u poslovnom okruženju koristit ćemo osnovne postavke

algoritma koji se mogu prilagođavati kako bi se optimizirao rezultat uz spomenuta

ograničenja. Kao rezultat algoritma izračunavaju se tri parametra:

- P(MAP | E) – vjerojatnost algoritma za zadan set ciljeva

- P(E) – vjerojatnosti postavljenog cilja

- P(MAP, E) – vjerojatnost algoritma i cilja zajedno

Pri čemu je MAP kratica od najoptimalnije kombinacije parametara (engl. most likely

parameter configuration). Rezultate je potrebno promatrati ovisno o uzorku i definiranom

cilju.

118

TABLICA 6.3.2.1. Primjena Annealed MAP algoritma na uzorku količina prodaje 2006.

Uzorak podataka

Cilj Razultat algoritma; MAP P(MAP) P(E) P(MAP,E)

2006

; kol

ičin

a pr

odaj

e

TRIKOTAZA_Z_REFII BLAGI_RAST

KONFEKCIJA_M_REFII

BLAGI_RAST KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII

BLAGI_RAST OBUCA_Z_REFII

BLAGI_RAST RUBLJE_M_REFII

BLAGI_RAST RUBLJE_Z_REFII

BLAGI_RAST TRIKOTAZA_M_REFII

BLAGI_RAST

0.05

1259

6308

1782

22

0.23

9436

8281

3714

8

0.01

2273

4434

1450

05

2006

; kol

ičin

a pr

odaj

e

TRIKOTAZA_Z_REFII BLAGI_PAD

KONFEKCIJA_M_REFII

BLAGI_RAST KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII

BLAGI_PAD OBUCA_Z_REFII

BLAGI_PAD RUBLJE_M_REFII

BLAGI_PAD RUBLJE_Z_REFII

BLAGI_PAD TRIKOTAZA_M_REFII

BLAGI_PAD

0.01

9850

1900

8790

02

0.27

5290

9596

1897

6

0.00

5464

5778

7791

712

2006

; kol

ičin

a pr

odaj

e

SEZONA JESEN

SREDTEMP_REFII

SNAZAN_PAD

KONFEKCIJA_M_REFII

BLAGI_RAST KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII

BLAGI_RAST OBUCA_Z_REFII

BLAGI_RAST RUBLJE_M_REFII SREDNJI_RAST

RUBLJE_Z_REFII SREDNJI_RAST

TRIKOTAZA_M_REFII BLAGI_RAST

TRIKOTAZA_Z_REFII BLAGI_RAST

0.06

8135

8931

4586

85

0.06

3013

6986

3013

7

0.00

4293

4946

3658

898

119

TABLICA 6.3.2.2. Primjena Annealed MAP algoritma na uzorku količina prodaje 2007.

Uzorak podataka

Cilj Razultat algoritma; MAP P(MAP) P(E) P(MAP,E)

2007

; kol

ičin

a pr

odaj

e

TRIKOTAZA_Z_REFII BLAGI_RAST

KONFEKCIJA_M_REFII

BLAGI_RAST KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII

BLAGI_RAST OBUCA_Z_REFII

BLAGI_RAST RUBLJE_M_REFII

BLAGI_RAST RUBLJE_Z_REFII

BLAGI_RAST TRIKOTAZA_M_REFII

BLAGI_RAST

0.04

3253

9778

2671

63

0.28

2253

3665

7462

9

0.01

2208

5808

5933

5

2007

; kol

ičin

a pr

odaj

e

TRIKOTAZA_Z_REFII BLAGI_PAD

KONFEKCIJA_M_REFII

SREDNJI_PAD KONFEKCIJA_Z_REFII

BLAGI_PAD OBUCA_M_REFII

BLAGI_PAD OBUCA_Z_REFII

BLAGI_PAD RUBLJE_M_REFII

BLAGI_PAD RUBLJE_Z_REFII

BLAGI_PAD TRIKOTAZA_M_REFII

BLAGI_PAD

0.02

1845

5704

4905

17

0.23

3993

4053

5613

8

0.00

5111

7194

2132

102

2007

; kol

ičin

a pr

odaj

e

SEZONA JESEN

SREDTEMP_REFII

SNAZAN_PAD

KONFEKCIJA_M_REFII

SREDNJI_PAD KONFEKCIJA_Z_REFII

BLAGI_PAD OBUCA_M_REFII

BLAGI_PAD OBUCA_Z_REFII

BLAGI_PAD RUBLJE_M_REFII

BLAGI_PAD RUBLJE_Z_REFII

BLAGI_PAD TRIKOTAZA_M_REFII

BLAGI_PAD TRIKOTAZA_Z_REFII

BLAGI_PAD

0.08

7671

3166

3051

83

0.03

5616

4383

5616

44

0.00

3122

5400

4437

463

Kao i kod analize postavljanjem „mekih“ pravila primjetne su podudarnosti ali i razlike u

okolnostima iako je ovdje potrebno napomenuti da poslovni kontekst PAD ima u promatrnom

slučaju tri stanja (BLAGI, SREDNJI, SNAZAN) te se analiza u praksi provodi u dvije razine:

provjera da li se radi o pozivinoj konotaciji (rast) ili negatovnoj (pad) a nakon toga se

promatra intenzitet. Kao mogućnost koja nije korištena u ovoj analizi mogu navesti opciju

120

ponderiranja stanja blago, srednje i snažno što je također moguće izvesti na modelu no otvara

neka druga pitanja o čemu će više biti riječi poglavlju o smjernicama budućih istraživanja.

6.3.3. „Što ako“ analiza utjecaja na količinu prodaje

Za ad hoc pogled na podatke i poslovne analize model omogućava formiranje ciljeva i

okolnosti na koje je moguće dati odgovore u obliku tablica vjerojatnosti a kako bi se podržale

određene aktivnosti (analiza sezone, uvođenje novog proizvoda, procjena potreba, kretanje

ponude/potražnje).

„Što ako“ analizom moguće je dati odgovore u obliku kratkih interpretacija rezultata što

ilustrira tablica u nastavku.

TABLICA 6.3.3.1. Primjeri ad hoc analiza i interpretaciaj rezultata, uzorak količina prodaje

Cilj Rezultat 2006 Rezultat 2007 kretanje trenda prodaje za dane petak i subotu (da li potrošači više preferiraju dane vikenda?)

muška trikotaža i konfekcija rastu muška konfekcija i obuća rastu

kretanje trenda prodaje za dane utorak, srijeda, četvrtak (da li potrošači više preferiraju dane u tjednu?)

ženska konfekcija i rublje rastu muško rublje raste

ženska trikotaža, konfekcija i rublje rastu muško rublje raste

kretanje trenda prodaje u uvjetima naglog pada temperature praćenog jačim sjevernim vjetrom večer ranije?

ženska konfekcija, trikotaža i obuća u padu muško rublje i trikotaža u padu muška obuća raste

ženska trikotaža i rublje u padu muška trikotaža i konfekcija u padu muško rublje i obuća rastu

kako rast prodaje muškog rublja utječe na ostale varijable?

žensko rublje, konfekcija i trikotaža rastu muška konfekcija i trikotaža rastu

ženska trikotaža raste muška konfekcija i trikotaža rastu

kako rast prodaje muške konfekcije utječe na ostale varijable?

ženska konfekcija, trikotaža i obuća rastu muško rublje, trikotaža i obuća rastu

ženska konfekcija, trikotaža i obuća rastu muško rublje, trikotaža i obuća rastu

ako je godišnje doba zima i dođe do značajnijeg rasta temperature kako se kretala prodaja?

ženska konfekcija i trikotaža rastu ženska obuća pada muško rublje, konfekcija i trikotaža rastu

ženska trikotaža, rublje i obuća rastu muško rublje raste muška konfekcija i obuća padaju

Kombiniranjem blago i čvrsto definiranih utjecaja te interpretacijom rezultata dolazimo do

spoznaja o odnosima te ih možemo koristiti za donošenje odluka ili kao input u dalje analize.

121

6.4. Scenarij analiza utjecaji na realiziranu bruto maržu

6.4.1. Definiranje blagog utjecaja

TABLICA 6.4.1.1. Scenarij analiza utjecaji na realiziranu bruto maržu

Žensko Muško

God

ina

Dan

Sezo

na

Sred

nja

tem

pera

tura

Sjev

erni

vj

etar

jači

na

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Rub

lje

Obuća

Trik

otaž

a

Kon

fekc

ija

Scenarij 1: pad bruto marže

2006

BLP 33% SRP 12% SNP 6%

BLP 37% SRP 14%

BLP 46% SRP 7%

BLP 33,33%

SRP 33,33%

SNP 33,33%

BLP 35% SRP 9% SNP 7%

BLP 34% SRP 13%

BLP 40% SRP 10%

SNP 5%

BLP 28% SRP 14%

SNP 5%

2007

BLP 34% SRP 17% SNP 6%

BLP 27% SRP 13% SNP 8%

BLP 40% SRP 7% SNP 7%

BLP 33,33%

SRP 33,33%

SNP 33,33%

BLP 32% SRP 10% SNP 7%

BLP 24% SRP 16% SNP 9%

BLP 32%

SRP 9% SNP 6%

BLP 28% SRP 12%

SNP 8%

Scenarij 2: rast bruto marže

2006

BLR 32% SRR 12% SNR 5%

BLR 29% SRR 13% SNR 6%

BLR 36% SRR 8%

BLR 39% SRR 10%

BLR 38% SRR 8%

BLR 34% SRR 20% SNR 7%

BLR 43%

SRR 9% SNR 5%

BLR 33,33%

SRR 33,33%

SNR 33,33%

2007

BLR 32% SRR 10% SNR 7%

BLR 31% SRR 14% SNR 7%

BLR 37% SRR 7%

SNR 6%

BLR 36% SRR 7%

SNR 6%

BLR 36% SRR 9%

SNR 6%

BLR 31% SRR 21% SNR 7%

BLR 36%

SRR 9% SNR 6%

BLR 33,33%

SRR 33,33%

SNR 33,33%

Scenarij 3: utjecaj vjetra u prijelaznoj sezoni

2006 proljeće

BLP 7% SRP 7% SNP 40%

>=2 (od 5)

BLP 25% SRP 13% SNP 9%

BLR 17% SRR 11% SNR 14%

BLR 31% SRR 12%

BLP 39% SRP 12%

BLR 20% SRR 18% SNR 10%

BLP 33% SRP 14%

SNP 9%

BLP 24% SRP 16%

SNP 9%

2007 proljeće

BLR 15% SRR 15% SNR 31%

>=2 (od 5)

BLR 20% SRR 12% SNR 11%

BLR 20% SRR 11% SNR 11%

BLR 20% SRR 11% SNR 11%

BLR 20% SRR 11% SNR 11%

BLR 19% SRR 11% SNR 11%

BLR 21% SRR 11% SNR 11%

Scenarij 4: utjecaj snažnjeg pada temperature u ljetnoj sezoni

2006 ljeto

SRP 50% SNP 50%

BLP 31% SRP 18% SNP 8%

BLR 31% SRR 9%

SNR 9%

BLR 34% SRR 10%

BLR 19% SRR 15% SNR 10%

2007 ljeto

SRP 50% SNP 50%

BLP 37% SRP 9% SNP 5%

BLP 29% SRP 8% SNP 5%

BLP 29% SRP 5% SNP 5%

BLP 29% SRP 5% SNP 6%

BLP 22%

SRP 8% SNP 5%

BLP 30%

SRP 5% SNP 5%

Scenarij 5: utjecaj snažnijeg rasta temperature u zimskoj sezoni

2006 zima

SRR 50% SNR 50%

BLR 26% SRR 11% SNR 4%

BLP 29% SRP 8%

BLR 30% SRR 13%

BLR 43% SRR 6%

BLP 30% SRP 8% SNP 5%

BLP 33% SRP 9%

BLR 32%

SRR 4% SNR 4%

BLR 46% SRR 11% SNR 4%

2007 zima

SRR 50% SNR 50%

BLR 25% SRR 14% SNR 4%

BLP 36% SRP 4% SNP 4%

BLP 25% SRP 6% SNP 6%

BLP 27% SRP 13% SNP 4%

BLP 37%

SRP 4% SNP 4%

BLR 38%

SRR 4% SNR 4%

122

Scenarij 1: pad realizirane bruto marže

Okolnosti: pad realizirane bruto marže u prodaji ženske trikotaže (BLP, SRP, SNP = 100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: pad realizirane bruto marže u prodaji ženske trikotaže povezan je sa ostalim

varijablama koje su također pokazale trend pada, također rezultati se podudaraju između

godina što upućuje na pravilnost u odnosima na nezavisnim uzorcima

Scenarij 2: rast realizirane bruto marže

Okolnosti: rast realizirane bruto marže u prodaji muške konfekcije (BLR, SRR, SNR = 100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: rast realizirane bruto marže u prodaji muške konfekcije povezan je sa ostalim

varijablama koje su također pokazale trend rasta, također rezultati se podudaraju između

godina što upućuje na pravilnost u odnosima na nezavisnim uzorcima

Scenarij 3: utjecaj vjetra u prijelaznoj sezoni

Okolnosti: godišnje doba proljeće, jačina vjetra sjevernog smjera dan prije promatranja

pomaka > 2 (od najviše 5)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: kao i u slučaju scenarija s količinama vidljive su oscilacije između uzoraka. Razlike

se očituju kroz preferencije kupaca (koje će proizvode odabrati i kolika je ostvarena bruto

marža odabranim proizvodima). Vidljivo je da (na uzorku iz 2006.) i uz pad količina prodaje

nekih proizvoda realizirana bruto marža raste što upućuje na potrebu za daljim analizama

ovakvih pojava. Više o tome navedeno je u poglavlju u kojem se kombiniraju promatrani

setovi podataka (prodaja i realizirana bruto marža) u nastavku.

Scenarij 4: utjcaj snažnijeg pada temperature u redovnoj sezoni

Okolnosti: godišnje doba ljeto, promatran snažniji negativan trend temperature (SRP, SNP =

100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: očekivano, trend kretanja realiziran bruto marže uglavnom prati kretanja volumena

prodaje. I kod kretanja realizirane bruto marže vidljiva je različitost u kretanjima između

godina.

123

Scenarij 5: utjecaj snažnijeg rasta temperature u zimskoj sezoni

Okolnosti: godišnje doba zima, snažniji pozitivan trend srednje temperature (SRR, SNR =

100%)

Cilj: analizirati kretanje ostalih varijabli

Rezultat: iako promatrane okolnosti u primjeru s volumenima prodaje pokazuju generalno

pozitivne trendove ovaj primjer otvara prostor za analizu koja slijedi a upućuje na pitanje što

prodajemo, kome prodajemo i po kojoj cijeni. Rezultati upućuju da volumen prodaje bez

kvalitetnog upravljanja politikom cijena i procjenama ciljanog tržišta ne mode donijeti

efikasan rezultat (povećanje realizirane bruto marže).

6.4.2. Definiranje utjecaja Ranije opisani algoritam primijenjen je i na uzorak podataka o realiziranoj bruto marži sa

rezultatima kako slijedi u tablici.

TABLICA 6.4.2.1. Primjena Annealed MAP algoritma na uzorkurealizirana bruto marža

2006.

Uzorak podataka

Cilj Razultat algoritma; MAP P(MAP) P(E) P(MAP,E)

2006

; bru

to m

arža

KONFEKCIJA_M_REFII BLAGI_RAST

KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII SREDNJI_RAST

OBUCA_Z_REFII BLAGI_RAST

RUBLJE_M_REFII BLAGI_RAST

RUBLJE_Z_REFII BLAGI_RAST

TRIKOTAZA_M_REFII BLAGI_RAST

TRIKOTAZA_Z_REFII BLAGI_RAST

0.01

2960

6284

8909

13

0.27

6074

5963

2379

2

0.00

3578

1002

7822

853

2006

; bru

to m

arža

KONFEKCIJA_M_REFII BLAGI_PAD

KONFEKCIJA_Z_REFII

BLAGI_PAD OBUCA_M_REFII

SREDNJI_PAD OBUCA_Z_REFII

BLAGI_PAD RUBLJE_M_REFII

BLAGI_PAD RUBLJE_Z_REFII

BLAGI_PAD TRIKOTAZA_M_REFII

BLAGI_PAD TRIKOTAZA_Z_REFII

BLAGI_PAD

0.01

9850

1900

8790

02

0.27

5290

9596

1897

6

0.00

5464

5778

7791

712

124

2006

; bru

to m

arža

SEZONA ZIMA

SREDTEMP_REFII

BLAGI_PAD

KONFEKCIJA_M_REFII

BLAGI_PAD KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII

BLAGI_PAD OBUCA_Z_REFII

BLAGI_PAD RUBLJE_M_REFII

BLAGI_RAST RUBLJE_Z_REFII

BLAGI_RAST TRIKOTAZA_M_REFII

BLAGI_RAST TRIKOTAZA_Z_REFII

BLAGI_RAST

0.06

3318

4553

0848

46

0.02

4657

5342

4657

53

0.00

1561

2769

8020

921

TABLICA 6.4.2.2. Primjena Annealed MAP algoritma na uzorkurealizirana bruto marža

2007.

Uzorak podataka

Cilj Razultat algoritma; MAP P(MAP) P(E) P(MAP,E)

2007

; bru

to m

arža

KONFEKCIJA_M_REFII BLAGI_RAST

KONFEKCIJA_Z_REFII

BLAGI_RAST OBUCA_M_REFII SREDNJI_RAST

OBUCA_Z_REFII BLAGI_RAST

RUBLJE_M_REFII BLAGI_RAST

RUBLJE_Z_REFII BLAGI_RAST

TRIKOTAZA_M_REFII BLAGI_RAST

TRIKOTAZA_Z_REFII BLAGI_RAST

0.03

1369

1519

2412

59

0.28

5559

5528

5096

2

0.00

8957

7609

9676

73

2007

; bru

to m

arža

KONFEKCIJA_M_REFII BLAGI_PAD

KONFEKCIJA_Z_REFII

BLAGI_PAD OBUCA_M_REFII

SREDNJI_PAD OBUCA_Z_REFII BEZ_PROMJENE RUBLJE_M_REFII

BLAGI_PAD RUBLJE_Z_REFII

BLAGI_PAD TRIKOTAZA_M_REFII

BLAGI_PAD TRIKOTAZA_Z_REFII

BLAGI_PAD

0.01

0574

4774

6097

98

0.22

1473

7331

2244

4

0.00

2341

9689

9910

234

125

2007

; bru

to m

arža

SEZONA ZIMA

SREDTEMP_REFII

BLAGI_PAD

KONFEKCIJA_M_REFII

BLAGI_PAD KONFEKCIJA_Z_REFII

BLAGI_PAD OBUCA_M_REFII

BLAGI_PAD OBUCA_Z_REFII

BLAGI_PAD RUBLJE_M_REFII

BLAGI_PAD RUBLJE_Z_REFII

BLAGI_PAD TRIKOTAZA_M_REFII

BLAGI_PAD TRIKOTAZA_Z_REFII

BLAGI_PAD

0.09

4977

2679

6034

56

0.01

6438

3561

6438

36

0.00

1561

2701

5825

226

6.4.3. „Što ako“ analiza utjecaja na bruto maržu

Nastavno na ranije navedeno provedeno je i nekoliko „ad hoc“ upita s ciljem da se ilustriraju

mogućnosti ovakvog pristupa. Upiti i rezultati prikazani su u tablici u nastavku.

TABLICA 6.4.3.1. Primjeri ad hoc analiza i interpretacija rezultata, uzorak realizirana bruto

marža

Cilj Rezultat 2006 Rezultat 2007 kretanje realizacije bruto marže za dane petak i subotu (da li se profitabilniji proizvodi više prodaju u dane vikenda?)

raste na muškoj trikotaži, konfekciji i obući pada na svim ženskim grupama

raste na muškoj konfekciji trikotaži o obući pada na ženskom rublju, obući i trikotaži

kretanje realizacije bruto marže za dane utorak, srijeda, četvrtak (da li se profitabilniji proizvodi više prodaju u tjednu?)

raste na svim muškim grupama roba raste na ženskoj konfekciji

raste na svim muškim i ženskim grupama roba

kretanje realizacije bruto marže u uvjetima naglog pada tamperature praćenog jačim sjevernim vjetrom večer ranije?

pada na muškoj konfekciji, trikotaži i obući pada na svim ženskim grupama roba

raste na muškoj konfekciji, pada na muškoj trikotaži, obući i rublju raste na ženskoj konfekciji i obući, pada na ženskoj trikotaži i rublju

kako rast realizacije bruto marže u prodaji ženskog rublja utječe na ostale varijable?

raste na svim muškim i ženskim grupama roba

raste na svim muškim i ženskim grupama roba

kako rast realizacije bruto marže u prodaji muške konfekcije utječe na ostale varijable?

raste na svim muškim i ženskim grupama roba

raste na svim muškim i ženskim grupama roba

ako je godišnje doba zima i dođe do značajnijeg pada temperature kako će se kretati trend bruto marže?

raste na ženkom i muškom rublju i muškoj obući pada na svim drugim grupama roba

raste na muškoj trikotaži, rublju i obući, pada na ostalim gupama roba

6.5. Scenarij analiza kombinirani utjecaji na bruto maržu i razinu prodaje

Kombiniranjem podataka modela moguće je otkriti pravilnosti koje osim predviđanja kako je

to navedeno u ranijem dijelu imaju karakter optimizacije odnosno povećanja efikasnosti

poslovanja.

Više je mogućih odgovora na scenarij koji ukazuje na odnos prodanih količina (u

predloženom modelu trend prodaje) i profitabilnost (u predloženom slučaju trend kretanja

realizirane bruto marže).

126

Promatrajući na primjer dan u tjednu utorak, sezonu proljeće te uz uvjet blagog rasta srednje

dnevne temperature uviđamo odnos trenda količina i realizirane bruto marže pri čemu rast

odnosno pad trenda količina donosi rast odnosno pad trenda realizirane bruto marže.

Nastavno na navedno logično je analizirati da li u određenim uvjetima količina opada a

realizirana bruto marža raste i koje su to okolnosti? Promatrajući na primjer trend prodaje i

realizacije bruto marže doći ćemo do rezultata da u slučaju sjevernog vjetra jačine 2 dan prije

promatranja, uz uvjet da je dan u tjednu subota i godišnje doba zima (uzorak iz 2006. godine)

sve grupe roba bilježe par u prodaji. Izdvojeno za primjer na muškoj konfekciji vjerojatnost

pada je preko 60%. No promatranjem realizirane bruto marže uvidjet ćemo da na muškoj

konfekciji (ali i muškoj trikotaži i ženskoj obući) isti uvjeti ukazuju na rast trenda bruto

marže. Navedeno upućuje na dalju analizu formiranih cijena te analiziranje karakteristika roba

a kako bi se prilagođavanjem ponude ostvario najefikasniji mogući rezultat.

Promatrajući točno određenu grupu robe, promjerice mušku konfekciju, analizom u

specijaliziranom alatu možemo doći do podataka i vizualizacije prikazane na slici u nastavku.

Prikazani su prilagođeni dnevni pomaci za 2006. i 2007. godinu na oba uzorka sa istaknutim

kretanjima trenda koji se u ovom slučaju uglavnom podudara na godišnjim razinama.

127

SLIKA 6.5.1. Vizualizacija podataka za opisanoe setove podataka i godine48

TABLICA 6.5.1. Opis trenda uzorka49

Trend Lines Model

A linear trend model is computed for TJEDAN_BROJ given KONFEKCIJA_M_POMAK.

Model formula: GODINA*SET_PODATAKA*( KONFEKCIJA_M_POMAK + intercept ) Number of observations: 1253 DF (degrees of freedom): 8 Residual DF: 1245 SSE (sum squared error): 283225 MSE (mean squared error): 227.49 R-Squared: 0.0023756 Standard error: 15.0828 p (significance): 0.888036 Analysis of Variance:

Field DF SSE MSE F p GODINA 4 661.069 165.267 0.726483 0.573868 SET_PODATAKA 4 32.8529 8.21322 0.0361037 0.997512

Individual trend lines:

Pane(r,c) p Equation (1,1) 0.681529 TJEDAN_BROJ = -1.26596e-005*KONFEKCIJA_M_POMAK + 26.1282 (1,2) 0.951821 TJEDAN_BROJ = 1.25648e-006*KONFEKCIJA_M_POMAK + 27.4574 (1,3) 0.719266 TJEDAN_BROJ = -0.00267271*KONFEKCIJA_M_POMAK + 26.1031 (1,4) 0.91079 TJEDAN_BROJ = 0.000760677*KONFEKCIJA_M_POMAK + 27.5431

48 vizualizacija iz alata Tableau 49 opis trenda modela u alatu Tableau

128

Jasno je da je kombiniranjem raznih poslovno zanimljivih faktora na pravi način i

odgovarajučim modelom moguće pronaći korisne zakonitosti. Dodatni problem koji ovaj

model rješava je kako sve te faktore postaviti u odnos i prikazati te odnose na način da ih je

moguće interaktivno analizirati. Obzirom se radi o moguće velikom broju raznih utjecaja

pojedinačno praćenje može biti upotrebljivo za neke vrlo ograničene pristupe no za

sveobuhvatnu analizu potreban je drugačiji model.

6.6. Kako najbolje iskoristiti model

Kvaliteta podataka jedan je od ključnih preduvjeta za efikasnost primjene rezultata modela.

Povećanjem dostupnosti procesorske snage te razvojem alata za analizu biti će moguće

stvarati složenije sustave pri čemu treba imati na umu da ulančavanje metoda rudarenja

podataka vodi prema ograničavanju polja rješenja pri čemu je posebnu paž nju potrebno

posvetiti kvaliteti konačnog polja rješenja kako u fazi odabira seta ili razine granulacije ne

bismo izgubili potencijalno važne podatke.

Model je široko primjenjiv u situacijama u kojima je potrebno analizirati raznorodne podatke

te kada imamo potrebu analizirati više atributa odjednom (što je priroda svakog poslovnog

okruženja). Time je primjenjiv u svim područjima u kojima je potreban pristup analizi koja je

previše složena za direktnu primjenu numeričkih metoda a istovremeni može izdržati pristup

u kojem se ograničava polje rješenja.

Rezultati modela mogu se koristiti za:

- razumijevanje veza između promatranih varijabli,

- predikciju budućih kretanja na bazi rezultata analize povijesnih podataka i utjecaja,

- prepoznavanje uzoraka kretanja promjena promatranih varijabli u vremenu,

- simulacije poslovnog okruženja bilo za analizu kretanja tržišta bilo za specifične

događaje (pokretanje novog proizvoda).

U uvjetima u kojima je uslijed složenosti sustava koji se promatra nemoguće primijeniti

standardne metode model daje rješenje te dodatno omogućava prilagodbu ovisno o djelatnosti.

6.7. Odabrane metode vizualizacije

Napretkom alata te uz pretpostavku da postoje uvjeti za provođenje metoda iterativnih

pokušaja utvrđivanja zanimljivosti kao efikasne se tehnike pokazuju modeli vizualizacije.

129

Razni alati omogućavaju više ili manje automatizirane izrade često u više dimenzija koje

omogućavaju kvalitetan i koristan pogled na podatke.

Iz iskustva posebno bih skrenuo pažnju na Orange modul za Python, besplatno dostupan alat

sa velikim brojem mogućnosti a koji stalno biva nadopunjavan od strane autora. Upravo iz tog

alata navodim dvije zanimljive vizualizacije na setove podataka iz primjera a kao ilustraciju.

SLIKA 6.7.1. Vizualizacija modela sa 12 atributa, uzorak prodaja50

Općenito je u alatima rijetko dostupan jednostavan pristup vizualizaciji velikog broja

parametara uz dodatne mogućnosti grupiranja i zasebne analize grupa podataka. Prikazi

poput ovog daju uvih u širinu uzorka te omogućavaju utvrđivanje posebnosti područja u

kratkom vremenu. Ograničava ih stupanj preciznosti, odnosno oni su tek predfaza nekoj daljoj

analizi. Posebno korisnim dodatkom pokazuje se mogućnost interaktivnog pristupa

vizualizaciji pri čemu odabir pojedinih kategorija pokazvačem daje dodatne informacije o

uzorku (na slici u primjeru promatra se dan u tjednu srijeda, označen žutim).

50 Orange modul za Python, modul „Liner projection“

130

SLIKA 6.7.2. Analiza veza, vizualni prikaz, muška i ženska trikotaža i konfekcija, uzorak

prodaja51

Slično kao i u prethodnom primjeru te ranije u radu prikazanom multigramu analiza veza daje

pregled u dvije dimenzije broja veza između varijabli a s ciljem otkrivanja intenziteta i drugih

moguće zanimljivih zakonitosti.

6.8. Prednosti i nedostatci predloženog modela

Prednosti su široka primjenjivost te mogućnost kombiniranja velikog broja atributa (svih

podataka koje je moguće opisati vremenskom serijom). Dodatno prednost je prilagodljivost

modela pojedinim područjima te sumiranje ekspertnog znanja u poslovnu razinu modela pri

čemu se empirijski podaci mogu mijenjati i ažurirati kroz vrijeme te se koristiti za punjenje

modela sve dok zadržavaju predloženu strukturu.

Nedostatci modela prvenstveno se očituju u ograničenjima korištenih metoda koji su pak u

uskoj vezi da kvalitetom podataka, znanjem eksperta koji definira zone REF gradacije i

granulaciju podataka te ograničavanjem polja rješenja. Slijedom toga kod primjene modela

potrebno je voditi računa o području primjene pri čemu je najefikasnije područje svakako 51 Orange modul za Python, modul „Parallel coordinates“

131

trgovina i slične djelatnosti. Dodatno, ograničenje može biti procesorska snaga (problem

kombinatorne eksplozije) u slučaju da je modelom potrebno analizirati velik broj varijabli sa

velikim brojem stanja.

6.9. Analiza efikasnosti modela

Efikasnost modela očituje se u primjenjivosti rezultata koji proizlaze iz modela. Tu

prvenstveno govorimo o poslovnom aspektu primjenjivosti. Pojedinačnim metodama moguće

je analizirati pojedine dijelove podataka i samog modela te time potvrditi npr. snagu odnosa

između varijabli ili karakteristike uzoraka podataka (potvrditi da su atributi u uzorku dovoljno

različiti da ima smisla provoditi analizu).

Određivanje efikanosti modela statiskičkim metodama predstavljeno je kroz out-of-sample52 i

out-of-time53 validaciju odnosno na način da je model formiran na bazi podataka za godine

2006. i 2007. te su u fazi analize rezultata uzorci razdvojeni kako bi se provjerilo pravilnost

ponavljanja određenih razultata za zadane okolnosti odnosno na odvojenim uzorcima

pojasnilo na koji način promjena pojedinih parametara utječe na poslovnu interpretaciju

razultata. Također, potrebno je imati na umu da se ovako pripremljeni uzorak podataka sastoji

od 365 zapisa po godini te je pri svakom uzorkovanju potrebno voditi računa o kvaliteti

uzorka odnosno utjecaju na kvalitetu podataka pri smanjivanju inicijalnog seta.

Obzirom se varijable iz vremenskih serija koje se promatraju sastoje od sedam stanja od kojih

tri opisuju rast (blagi rast, srednji rast, snažan rast), tri pad (blagi pad, srednji pad, snažan pad)

i jedna neutralno stanje (bez promjene) moguće je tek djelomično koristiti metode validacije

koje podrazumijevaju jedno stanje ciljne ili ciljnihi varijabli. Sa druge strane upravo taj

pristup daje fleksibilnost primjeni u poslovanju te omogućava pojednostavljivanje polja

rezultata na način da istraživač može izolirati pojedine grupe podataka i zasebno analizirati

karakteristike takvog uzorka te međusobne ovisnosti varijabli.

Kombiniranjem ekspertnog znanja u fazi pretprocesiranja i transformacije u REFII model,

matrice korelacije varijabli odabranih za model, izračunavanja Gini indeksa na

transformiranim varijablama zatim formiranjem dva (ili više) usporedivih uzoraka te

kombiniranjem različitih tehnika pri formiranju varijabli cilja (pravila, meka pravila) uz

dodatne analize metodama vizualizacije omogućavaju efikasno iskorištavnje modela u

52 out-of-sample validacija podrazumijeva izgradnju modela na određenom setu podataka koji se kasnije provjerava na odabranim uzorku tog seta 53 out-of-time validacija podrazumijeva izgradnju modela na setu podataka koji pripada određenom vremenskom periodu koji se kasnije provjerava na usporedivom setu podataka u drugom vremenskom periodu

132

poslovne svrhe, konkretno u području trgovine. Zakonitosti koje proizlaze kao rezultati

modela bilježe se u bazu znanja te ih je moguće naknadno reporoducirati te provjeravati

odnosno bilježiti sličnosti i odstupanja obrazaca kroz vrijeme.

6.10. Smjernice budućih istraživanja

Kroz druga istraživanja i primjere na modelu nedvojbeno je prikazana primjenjivost te je

ponuđen odgovor na neke probleme s kojima su se susretali istraživači posebno oni koji su

istraživali područje trgovine i pokušali u odnos staviti vremenske prilike i podatke o trgovini.

Iako se veći broj radova bavi distribucijskim lancem u tekstilnoj industriji (Forza, 2000, 138-

146) kako bi se efikasno isplanirao taj lanac potrebno je odrediti potražnju. Također radovi na

području predviđanja obzirom na današnje trendove brze mode (Cachon & Swiney, 2011,

778-795) i česte izmjene modnih ciklusa fokusiraju se na predviđanje kroz sustava tzv. brze

reakcije (QR, quick response) (Fiorito et al, 1995, 12-21) odnosno na kanale prodaje (koji je

odgovarajući kanal za pojedinu grupu/vrstu proizvoda (Fisher, 1997, 105-116) što je pitanje

koje zaokuplja interes već duži niz godina).

Pitanja distribucije (Thomassey et al, 2004, 82-95), optimizacije proizvodnje, planiranja i

iskorištavanja prodajnih kapaciteta vrlo su važna pri planiranju efikasnosti no ovise

umnogome o potražnji odnosno realizaciji prodaje kao ključnom aspektu. Kroz predstavljene

rezultate modela ukazano je ono što je predmet dnevnih analiza u tvrtkama koje se bave

prodajom a to je da veća prodana količina ne mora značiti bolji rezultat. A svijet trgovine je

ipak usko povezan sa profitabilnošću odnosno „rastom“ i efikasnošću u svim svojim oblicima.

Nastavno na istraživanje i prezentirane rezultate postoji nekoliko smjerova daljih istraživanja

koje je ovdje potrebno istaknuti.

Nastavno na analizu prodaje i realizirane bruto marže prikazane u modelu za dodatnu

efikasnost u model je uputno uključiti i druge utjecaje u lancu nabave. Povezivanjem ključnih

informacija o kretanju potražnje i prodaje uz dodatak podataka o raspoloživim i transportnim

skladišnih kapacitetima te analizi pakiranja, ključeva boja i veličina te cijena u kombinaciji sa

eksternim podacima (npr. cijene konkurencije) model može postati centralni dio praćenja

poslovanja tvrtke.

Područj

potencij

hand pr

odjeću k

kako bi

SLIKA

Analizo

da web

second

Obzirom

ispod k

proizvo

trenda b

pokazuj

tržišnim

54 http://f55 http://e

e koje je na

jal je zbrinj

roizvodima

koja im više

se ilustrirao

6.10.1. Ras

om odgovar

mjesta pop

hand odjeći

m REFII m

krivulje pog

da prodana

bit će važno

je upravo po

m nišama (p

fashion.ebay.cebay.about.com

a našim pro

avanje stari

no sa drug

e nije potre

o broj mogu

spoložive op

rajućih para

ut stranice e

i pri čemu p

model osim

godan je z

će količina

o da li je ra

ovršina ispo

proizvodnja)

com/; 10.08.20m/od/sellingef

ostorima got

ih tekstilnih

ge strane rad

ebna. Ovdje

ućnosti koje

pcije vezano

al,

ametara mog

eBay54 dana

postoje i spe

kuta otklon

za analize k

a u početku

ast ili pad n

od promatra

) i trgovina

011. ffectivel1/qt/s

tovo netakn

h proizvoda

di se o opc

je potrebno

e su na raspo

o na odlaga

, 1977, 23-4

guće je odre

as ostvare v

ecijalizirani

na omoguć

koje npr. p

u krenuti od

nastao na n

ane krivulje

tekstilnih p

se_sellclothing

nuto a ima z

a. Sa jedne s

ijama koje

o navesti op

olaganju.

anje starih t

41)

editi kapaci

više milijard

i savjeti kak

ćava analizu

prate novi

nule. Nako

nižim ili viš

e trenda. Ia

proizvoda im

g.htm; 10.08.2

značajan istr

strane radi

imaju svi k

pcije koje im

ekstilnih pr

itet ovog po

di američkih

ko efikasno

u putem pr

proizvod.

on nekog vr

šim razinam

ako je to pod

ma sličan p

2011.

raživački i p

se o tržištu

koji posjedu

ma vlasnik

roizvoda (Ja

odručja. Pro

h dolara pro

prodati55.

omatranja p

Uvođenjem

remena pri p

ma prodaje

dručje bliže

pristup koji

133

poslovni

second-

uju staru

odjeće a

acoby et

ocjena je

ometa na

površine

m novog

praćenju

što nam

e drugim

se može

134

spustiti do pojedinog artikla no uglavnom se zaustavlja na pojmu „kolekcija“ koja označava

set artikala usklađenih bojom i odabirom određenoj sezoni i ciljanom tržišnom segmentu.

Konačno, kao direktna nadgradnja na predloženi model moguće je varijable stanja (blago,

srednje, snažno) dodatno ponderirati čime se pri formiranju stanaj varijable cilja dobiva

mogućnost formiranja jednog stanja koje objedinjuje više ranijih stanja a što nadalje

omogućava primjenu svih tehnika analize i validacije koje su karakteristične za takav model.

Za poslovnu primjenu koja se istražuje u ovom radu ovaj pristup predstavlja nepotrebno

dodatno smanjenje polja rješenja pri čemu se gubi izvorni smisao modela no navedeno može

biti potrebno za dokazivanje karakterstika modela tradicionalnim metodama.

135

7. ZAKLJUČAK

Predloženi model konstruiran je sa ciljem da predloži rješenje potrebe za analizom i

razumijevanjem tržišnih zakonitosti te da bude iskorišten kao podrška odlučivanju u

poslovnom okruženju. Obzirom na složene okolnosti u kojima se izvode aktivnosti na tržištu

model mora biti dovoljno robustan i primjenjiv odnosno mora biti u mogućnosti kombinirati

razne poslovno zanimljive atribute te ih biti u mogućnosti prezentirati na jednostavno

razumljiv način te po mogućnosti u obliku front end rješenja koje će moći koristiti i osobe

koje nemaju znanje potrebno za njegovu izgradnju no imaju potrebu koristiti znanje

ekstrahirano iz takvog modela.

Predloženi model u radu je testiran na podacima o prodaji tekstilnih proizvoda kao

najsloženijem primjeru utjecaja i čimbenika te na referentnom uzorku maloprodajne mreže.

Dodatna prednost ovog rada je kvalitetan uzorak podataka koji je pripremljen za potrebe

istraživanja. Rad potvrđuje ne samo mogućnost nego i efikasnost analize podataka u

poslovnom okruženju primjenom odabranih metoda rudarenja podataka.

Probleme koji se pojavljuju u predstavljenom okruženju potrebno je sagledavati sa više

aspekata kako bi se dobila cjelovit pregled. Osnovni problem je kako u upotrebljivoj mjeri

zadovoljiti zahtjeve tržišta i sudionika na tržištu kao što su potreba za kvalitetnim uvidom u

podatke, kratko vrijeme za reakciju, potreba za pristupima koji navode na problem i teže

unapređenje efikasnosti i slično. Cilj istraživanja bio je istražiti mogućnosti primjene metoda

rudarenja podataka i potvrditi korisnost konkretnog pristupa u poslovnom okruženju. Na bazi

opisane metodologije cilje je bio definirati šire primjenjiv model za podršku odlučivanju

odnosno analizu povijesnih trendova i zakonitosti s ciljem efikasnije reakcije na buduća

tržišna kretanja. Rad povezuje metodu za transformaciju i analizu vremenskih serija i metode

rudarenja podataka. Osnova svih aktivnosti povezivanja metodoloških koji otvara mogućnost

drugačije pristupa upravo je jedinstveni model transformacije vremenske serije.

U dijelu koji govori o efikasnosti modela isti je definiran kao potvrda sposobnosti

povezivanja različitih analitičkih metoda ciljem provođenja složenih analiza vremenskih serija

u području istraživanja tržišnih zakonitosti i segmentacije tržišta. Provedena istraživanja

dokazuju primjenjivost i efikasnost modela.

136

Znanstveni doprinos očituje se u predstavljanju nove metodologije u analizi tržišnih

zakonitosti koja se oslanja na karakteristike jedinstvene metode za transformaciju vremenske

serije u smislu rješenja kako raznorodne podatke staviti u odnos te karakteristike Bayesove

logike odnosno pristupa fokusiranja na sažimanje u polju mogućih rješenja. Prednost

ovakvoga pristupa očituje se u kombiniranju različitih pristupa te u mogućnostima primjene

odnosno nadgradnje ovakvog modela. Ovakav pristup daje rješenje na izazov kako uopće

provoditi složene tržišne analize temeljene na vremenskim serijama koje je tradicionalnim

pristupom vrlo teško ili gotovo nemoguće izvesti.

Nastavno na rezultate bit će obrazložene polazne hipoteze.

Hipoteza: događaje odnosno tržište moguće je analizirati metodama rudarenja podataka

Rezultati modela potvrđuju da je primjena metoda rudarenja podataka moguća, u nekim

okolnostima nezamjenjiva u analizi tržišnih kretanja.

Hipoteza: tržišne uvjete moguće je analizirati kombiniranjem /ulančavanjem metoda

rudarenja podataka

Osim što su metode rudarenja podatka pojedinačno primjejnive upravo ulančavanje metoda

rudarenja podataka daje dodatni aspekt primjenjivosti te otvara pristup koji na druge načine

nije moguće ostvariti.

Hipoteza: primjenom REFII modela moguće je kombinirati i analizirati raznorodne grupe

podataka uz pretpostavku da ih je moguće izraziti putem vremenske serije (putem promjene

vrijednosti u nekom vremenu)

Predloženi model upravo na primjerima pokazuje odnosno nastavlja se na razna istraživanja

koja upućuju na zanimljive i iskoristive ovisnosti prodaje i vremenskih prilika no za tu vrstu

analize ne nude rješenja.

Hipoteza: moguće je izgraditi model za podršku odlučivanju slijednom primjenom metode

transformacije vremenske serije (REFII) i Bayesove logike

Izgradnja modela i predstavljanje rezultata te njihova interpretacija i poslovna upotrebljivost

za podršku odlučivanju potvrđuju ovu hipotezu.

137

Hipoteza: model je primjenjiv u trgovini

Model je upravo primjenjiv u područjima u kojima je potrebno zadovoljiti aspekt

„dovoljnosti“ što je posebno slučaj s trgovinom koju karakterizira velik broj čimbenika,

utjecaja i velika dinamika. U radu su navedene specifičnosti trgovine te pokazano na koji

način model rješava nedostatke prethodnih istraživanja te njegova primjenjivost u praksi.

Hipoteza: promjena vremenskih prilika utječe na prodaju

Rezultati modela ukazuju na potvrdu ove hipoteze. Analiza utjecaja vremenskih prilka na

prodaju, posebno na prodaju tekstilnih proizvoda, pitanje je kojem se posvećuje mnogo

vremena. U vremenu u kojem živimo u kojem dolazo do naglih promjena temperature

istraćivanje ovog područja postaje dodatna prednost na tržištu.

Hipoteza: ponašanje potrošača moguće je predvidjeti – ponašanje potrošača u nekoj se mjeri

podudara sa određenim uzorkom koji se pak može ponavljati u vremenu.

Kroz referentne radove povezane tematike prikazana su istraživanja i spoznaje na području

ponašanja potrošača a u kontekstu ovog rada. Kroz analizu rezultata modela na promatranom

uzorku potvrđena je hipoteza te ostvaren doprinos u istraživanju kao podloga za buduće

radove.

Hipoteza: ponašanje potrošača moguće je predvidjeti primjenom metoda rudarenja podataka

– primjenom metoda rudarenja podataka moguće je uočiti obrasce ponašanja i predvidjeti ih

u budućem vremenu.

Na nekoliko različitih scenarija ukazano je na povezanost te na aspekte raznih utjecaja u

vremenu na sličnosti i različitosti obrazaca ponašanja. Obrasci su provjereni na dva nezavisno

uzroka te je moguće prepoznati sličnosti odnosno moguće je prepoznati utjecaje koji dovode

do eventialnih različitosti u rezultatima uzorka. Time je ova hipoteza potvrđena.

Hipoteza: ponašanje potrošača tekstilnih i srodnih proizvoda moguće je predvidjeti

primjenom metoda rudarenja podataka – tekstilni i srodni proizvodi sa svojim posebnostima

dodatno povećavaju složenost istraživanja bilo na strani vanjskih utjecaja bilo na strani

potrošača

Obzirom na prirodu i složenost u pristupu analizi kroz tijek rada izvodi se generički model no

isto se tako izdvajaju karakteristike upravo na primjeru tekstilnih proizvoda obzirom na

138

utjecaje koje je potrebno promatrati. Kako postoji akumulirano iskustvo autora upravo u

području trgovine tekstilom isto je iskorišteno kako bi se dala dodatna kvaliteta ovom radu.

Kroz prikaze i priloge radu nedvojbeno je prikazana razlika u složenosti kad su u pitanju

tekstilni proizvodi.

Hipoteza: kvaliteta informacijskog sustava za praćenje poslovanja i pripadajućeg skladišta

podataka preduvjet su uspješnosti rudarenja podataka u trgovini, tek kvalitetno uobličene i

evidentirane poslovne informacije mogu biti temelj za analizu.

U više navrata u radu upućeno je na situacije koje su se događale tijekom ovog istraživanja

odnosno upućeno je na moguće probleme koji mogu proizaći iz kvalitete podataka tijekom

faza izgradnje modela čime je ova hipoteza potvrđena.

Model se danas primjenjuje u praski za praćenje specifičnih grupa roba u malorpodaji

tekstilom te se pokazao efikasnim u uvjetima u kojima je složenost okruženja takva da nije

moguće na jednostavan način obuhvatiti sve potrebne informacije. Nastavno na smjernice

razvoja model je doživio unapređenja od nastanka te se nastavlja njegov razvoj.

139

KORIŠTENA LITERATURA

Knjige, znanstveni i stručni radovi

- Armstrong J. S. (2001) „Principles of forecasting – A handbook for researcers and

practitioners“, Kluwer Academic Press, Norwell, MA

- Armstrong J. S., Brodie R. J. (1999) „Forecasting for Marketing“, London

International Thompson Business Press

- Barrow M. (1996) “Statistics for Economics, Accounting and Business Studies“, 2nd

Edt., Longman, London

- Cachon G. P., Swiney R. (2011) „The Value of Fast Fashion: Quick Response,

Enhanced Design, and Strategic Consumer Behavior“, Vol. 57, No. 4

- Cassill, N., Kincade, D., Williamson, N. (1993) „The quick response management

system: Structure and components for the apparel industry“, Journal of the Textile

Institute,vol. 84, No. 2

- Charniak E. (1991) "Bayesian Networks Without Tears", http://www.aaai.org

- Choi Y. E, Gaskill L. R. (2000) „An analysis of mental process. behaviors and job

satisfaction of apparel product developers and traditional retail buyers“, Journal of

business research No. 49

- Cooper G., Herskovitts E. (1992) „A Bayesian method for the induction of

probabilistic networks from dana“, Machine learning, 9:309-347

- Cruz-Perez F. (2008) „Kullback-Leibler divergence estimation of continious

distributions“, Princeton University

- Dasgupta C. G., Dispensa G.S., Chose S. (1994) „Comparative predictive performance

of a neural network model with some traditional market response models“,

International journal of forecsting No. 10

- DeLurigo S. A. (1998) „Forecasting Principles and Applications“,McGraw Hill NY

- Edward H., Katsutoshi Y., Yukinobu H., Katoh N. (2000) „A Data Mining System for

Managing Customer Relationship“, AMCIS 2000 Proceedings, paper 33.

- Engel F. J., Blackwell D.R., Miniard W.P. (1995) "Consumer Behavior", The Dryden

Press

- Fiorito S. S., May E.G., Strughn K. (1995) „Quick response in retailing: components

and implementation", International Journal of Retail & Distribution Management“,

Volume 23, No. 5

140

- Fisher M. L. (1997) „What is the right supply chain for your product?“, HBR,

March/April 1997.

- Forza C. (2000) „Time compression in production and distribution within the textile-

apparel chain“, Indegrated Manufacturing systems

- Frank C., Garg A., Raheja A., Sztendera L. (2003) „Forecasting women's apparel sales

using mathematical modeling“, International Journal of Clothing Science and

Technology, Vol. 15, No. 2

- Frank C., Raheja A., Sztandera L., Garg A. (2001) "A Fuzzy Forecasting Model for

Apparel Sales", National Textile Center Annual Report: November 2001.

- Friedman N., Goldszmit M. (1998) „Learning Bayesian networks with local

structure“, University of Jerusalem

- Gobe M. (2001) „Emotional banding“, Allworth press, New York

- Hackerman D. (1995) „A tutorial on leerning with Bayes networks“, Microsoft

corporation technical report, ožujak 1995.

- Heckerman D, Geiger D. (1996) „Likehood and priors to Bayesian networks“,

Technical report MSR-TR-95-54, Microsoft research Redmond SAD

- Herbert S. (1976) “Administrative Behavior“ (3rd ed.), New York: The Free Press

- Hoeksema E. (2000) „Applying Bayesian Belief Networks for a shopping assisnant

web site“

- Jacoby J., Berning C.K., Dietvorst T. F. (1977) „What about desposition“, Journal of

Marketing 41:23

- Jaynes E. T. (1995) „Probability Theroy: The Logic of Science“, Washington

university

- Javor P. (1988) „Uvod u matematičku analizu“, Školska knjiga Zagreb

- Jensen F.V., Nielsen T.D. (2007) „Bayesian networks and decision graphs“, Springer,

Information science and statistics series

- Jensen F., Kjaerulff U.B., Lang M., Madsen A.L. (2005) „Hugin – the tool for

Bayesian networks and influence diagrams“

- Kenny D.A. (1979) „Correlation and casuality“, Wiley

- Kesić T. (1999) "Ponašanje potrošača", Adeco

- Klepac G. (2004) „Otkrivanje zakonitosti temeljem jedinstvenog modela

transformacije vremenske serije“, doktorska disertacija, FOI Varaždin

141

- Klepac G. (2001) „Primjena inteligentnih računalniih metoda u managementu“,

Sinergija

- Klepac G., Mršić L. (2006) „Poslovna inteligencija kroz poslovne slučajeve“, Tim

press/Lider Press

- Keogh E. J., Pazzani M. J. (1998) „An enhanced representation of time seried which

allows fast and accurate classification, clustering and relevance feedback“, American

associoatin for artificial intelligence

- Kolmogorov N. (1950) „Foundations oft he Theory of Probalility“, Chelsea, New

York, (originalno objavljeno kao “Grundbegriffe def Wahrscheinlichkeitsrechnung“,

Springer, Berlin, 1933.)

- Kuo R. J., Xue K. C. (1998) „A decision support system for sales forecasting through

fuzzy neural network with asymmetric fuzzy weights“, Decision support systems No.

24

- Larouse D.T. (2006) „Data mining methods and models“, Wiley

- Larouse D.T. (2005) „Discovering knowledge in data“, Wiley

- Lee H. L., Sasser M. M. (1995) „Product universality and design for supply chain

management“, Production planning and control 6(3)

- Lindstrom M. (2010a) „Brand sense: Sensory Secrets Behind the Stuff We Buy“,

FreePress

- Lindstrom M. (2010b) „Buyology: Truth and Lies About Why We Buy“, Crown

Business

- Moral S. (2003) „Strutural learning: the PC algorithm“, University of Granada Spain

- Mršić L. (2005) „Primjena metoda rudarenja podataka u trgovini tekstilnim i srodnim

proizvodima“, magistarski rad, Ekonomski fakultet Zagreb

- Mršić L. (2008) "Program vjernosti/nagrađivanja kupaca Lantea Grupa

PremiumClub", zbornik 13.HrOUG konferencija, Rovinj 14.-18. listopada 2008.

- Neapolitan R. (2004) „Learning Bayesian networks“, Pearson Prantice Hall

- Nierop E., Fok D., Franses P. H. (2002) „Sales model for many item using attribute

data“, Erasmus Research Institute of Management (ERIM) Rotterdam

- Nisbet R., Elder J., Miner G. (2009) „Statistical analysis and dana mining

applications“, Elsevier

- Panian Ž., Klepac G. (2003) "Poslovna inteligencija", Masmedia

- Panian Ž. (2003) "Odnosi s klijentima u e-poslovanju", Sinergija

142

- Panian Ž. i suradnici (2007) „Poslovna inteligencija, studije slučajeva iz hrvatske

prakse“, Narodne novine

- Pearl J. (2000) „Causality: Models, reasoning, and inference“, New York Cambridge

University Press

- Petz B. (2007) „Osnovne statističke metode za nematematičare“, Naklada Slap

- Pyle D. (2003) „Business modelling and dana mining“, Morgan Kaufmann

- Pyle D. (1999) „Data preparation for data mining“, Morgan Kaufmann publishers, Inc

- Ramya N., Pradeep C. (1999) „A Bayesian Model to Forecast New Product

Performance in Domestic and International Markets“ Marketing Science/Vol. 18, No.

2

- Rossi P. E., Allenby G. M. (2003) „Bayesian Statistics and Marketing“, Marketing

science Vol. 22 No. 3

- Saul L., Jaakkola T., Jordan M. (1996) „Mean field theory for sigmoid belief

networks“, Journal of artificial intelligence research, 4:61-76

- Silvaa R.V., Daviesa G., Naude´b P. (2002) "Assessing customer orientation in the

context of buyer/supplier relationships using judgmental modelling", Industrial

Marketing Management 31

- Solomon M.R., Rabolt N. J. (2004) "Consumer Bahavior in Fashion", Prentice Hall

- Sontag S., Drew C. (2008) „Blind man's bluff“, New York Public affairs

- Spiegelhalter D., Lauritzen S. (1990) „Sequential updating of conditional probabilities

on directed graphical structure“ 20:579-605

- Spirtes P., Glymour C., Scheines R. (2000) „Causation, Prediction and Search“, MIT

- Steck H. (2001) „Constrained based structural learning in Bayesian networks using

finite dana sets“, doktorska disertacija

- Stewart I. (1997) „Does God plays dice? – The new mathematics of chaos“, Penguin

books

- Suppes, P. (1970) "A probabilistic theory of causality"Amsterdam: North-Holland

- Surowiecki J. (2007) „Mudorst masa“, Profil

- Swoyer C. (2002) „Critical Reasoning: A User’s Manual“,

http://www.ou.edu/ouphil/chris.html

- Šošić, I. i Serdar, V. (2002) “Uvod u statistiku“, Školska knjiga, Zagreb

143

- Thomassey S., Happiette M., Castelain J.M. (2005) „A global forecasting support

adapted to textile distribution“, Elsevier, Sceince direct, International journal

Prduction Economics 96

- Yuan C., Lu T.C., Druzdel M.J. (2004) „Annealed MAP“, AUAI Press

- Vakula Z. (2008) „Some social-benefit case studies from Croatia“, WMO Training

Workshop on the Assessment of Socio-economic Benefits of Meteorological and

Hydrological Services, Sofia, Bugarska, 15-17 September

- Vakula Z. (2009) „Business Planning & Weather: Case in Point from Croatia“,

Weather and Society Watch, Vol 3, Number 3, 30 April, USA,

http://www.sip.ucar.edu/news/previous.php#Volume4

- Van Lith P.F., Betlem B.H.L., Roffel B. (2000) „Fuzzy clustering, genetic algorythms

and neuro fuzzy methods compared for hybrid fuzzy first principles modeling“, ISIAC

2000

- Vercellis C. (2009) „Business intelligence: Dana mining and optimization for decision

making“, Wiley

- Wang C.L., Hui A., Siu M. (2002) "Consumer decision-making styles on domestic

and imported brand clothing", http://www.emeraldinsight.com/0309-0566.htm

- Westphal C., Blaxton T. (1998) „Data mining solutions –methods and tools for

solving real world problems“, Wiley

- Williams J.G., Weiqiang L., Mehmut O. (2002) „Mining Temporal Patterns from

Health Care Data“ , Proceedings of the 4th International Conference on Data

Warehousing and Knowledge Discovery (DaWaK02) Lecture Notes in Computer

Science, Vol 2454, Springer, 2002 Pages 221-231, ISBN 3-540-44123-9

- Zhang C., Sun C., Yu G. (2004) „A Bayesian Network Approach to Time Series

Forecasting of Short-Term Traffic Flows“, 2004 IEEE Intelligent Transportation

Systems Conference Washington, D.C., USA, October 3-6

Publikacije i časopisi

- Časopis Banka, godina XVII, broj 7., srpanj 2011. stranica 14-17, intervju dr. Dani

Rodrik „Velika avantura“

- Časopis Suvremena trgovina, V36, broj 1., siječanj-veljača 2011., str 48-51,

prof.dr.sc. Zvonimir Pavlek „Kuda ide trgovina u novom desetljeću?“

- Godin S., „Loš stol“, Magazin Livingstone, br. 26, lipanj 2008, str. 72-73

- Poslovni dnevnik, „Marketing: Važne rodne razlike“, 22.-23.08.2008., str. 16

144

- Pavlek Z. „Zadvoljni, lojalni i oduševljani kupci“, Suvremena trgovina, 1(34), 2009.,

str. 24-27

Internet mjesta

- http://www.ai.mit.edu/~murphyk/Bayes/bnintro.html, 10.10.2004.

- http://www.cs.berkeley.edu/~murphyk/Bayes/bayes.html, "A Brief Introduction to

Graphical Models and Bayesian Networks", 02.11.2004.

- http://www.investitor.org/kako_odabrati_kanal_prodaje.php, 18.07.2011.

- http://www.ncdc.noaa.gov/cmb-faq/anomalies.php; 01.07.2011.

- http://www.djindexes.com/ 01.07.2011.

- http://stockcharts.com/freecharts/historical/djia2000.html; 01.07.2011.

- http://www.dhmz.hr; 01.07.2011.

- http://news.com.com/Behind+the+numbers/2009-1017_3-252162.html, 20.10.2004.

- http://instruct1.cit.cornell.edu/courses/cuttingedge/lifeCycle/03.htm, 01.07.2011.

- http://www.abercrombie.com/, 10.07.2011.

- http://www.evancarmichael.com/Marketing/3973/The-Pro--Con-of-Groupon.html,

20.07.2011.

- http://www.hotelnewsnow.com/Articles.aspx/6068/10-tips-for-retaining-loyal-guests,

10.07.2011.

- http://www.weatherzone.com.au/help/article.jsp?id=59, 20.07.2011.

- http://www.groupon.com/, 01.07.2011

- http://instruct1.cit.cornell.edu/courses/cuttingedge/lifeCycle/10.htm, 01.07.2011.,

originalno Kotler P.

- http://hr.kolektiva.net/, 01.07.2011.

- Izvor: ranije portal kakoprodavati.com danas Facebook grupa kakoprodavati.com,

01.07.2011.

- http://www.gfk.hr/public_relations/press/press_articles/006398/index.hr.html;

10.07.2011.

- http://www.esomar.org/; 15.07.2011.

- http://www.martinlindstrom.com/index.php/cmsid__buyology_TIME100; 15.07.2011.

- http://www.accuweather.com; 10.08.2011.

- http://fashion.ebay.com/; 10.08.2011.

- http://ebay.about.com/od/sellingeffectivel1/qt/se_sellclothing.htm; 10.08.2011.

- http://en.wikipedia.org/wiki/Herbert_Simon; 10.08.2011.

145

- http://nobelprize.org/nobel_prizes/economics/laureates/1978/; 10.08.2011.

- http://www.mcarthurglen.com/; 15.08.2011.

- http://www.abercrombie.com/; 01.10.2011.

Video materijali

- Sony Pictures (2010) „Inside Job“; http://www.imdb.com/title/tt1645089/ 01.07.2011.

Ostali materijali

- Tepeš B. (2008) kolegij „Statistički modeli na grafovima“, materijali s predavanja,

FFZG

Alati

- Hugin, http://www.hugin.com/, 10.07.2011.

- SPSS Statistics, http://www-01.ibm.com/software/analytics/spss/products/statistics/,

10.07.2011

- Orange for Python, http://orange.biolab.si/, 10.07.2011.

- Oracle baza podataka, http://www.oracle.com/us/products/database/index.html,

10.07.2011.

- GeNIe & Smile, http://genie.sis.pitt.edu/, 01.07.2011.

- T.O.A.D., http://www.quest.com/toad/, 10.07.2011.

- Tableau, http://www.tableau.com/, 10.08.2011.

146

PRILOZI

Prilog 1. Državni hidrometeorološki zavod, klimatološki mjesečni izvještaj REPUBLIKA HRVATSKA DRZAVNI HIDROMETEOROLOSKI ZAVOD - Zagreb KLIMATOLOSKO-METEOROLOSKI SEKTOR K L I M A T O L O S K I M J E S E C N I I Z V J E S T A J -------------------------------------------------------------------------------- | D| ZAGREB MAKSIMIR Hs = 123 m Mjesec : 1 Godina : 2005 | |---------------------------------------------------------------------------- | a|tx(oC)|tn(oC)| tx-tn| Temperatura zraka (oC) |Temperatura mokrog ter.(oC) | | | | (oC) | | | n| 21-21| 21-21| 21-21| 7 | 14 | 21 | Sred.| 7 | 14 | 21 | Sred. |--|------|------|------|------|------|------|------|------|------|------|------ | 1| -0.3| -8.6| 8.3| -7.9| -0.3| -2.0| -3.0|L -7.9| -1.5|L -2.2| -3.4 | 2| 0.0| -2.6| 2.6| -1.9| -0.5| -0.5| -0.8|L -2.1| -0.8| -0.6| -1.0 | 3| 5.1| -2.4| 7.5| -1.2| 4.8| -1.4| 0.2|L -1.2| 2.5|L -1.7| -0.5 | 4| -1.3| -6.0| 4.7| -5.2| -1.8| -2.9| -3.2|L -5.2|L -1.8|L -2.9| -3.2 | 5| -1.5| -4.1| 2.6| -3.2| -1.8| -2.6| -2.6|L -3.2|L -1.8|L -2.6| -2.6 | 6| -2.4| -4.5| 2.1| -3.8| -2.7| -3.4| -3.3|L -3.8|L -2.7|L -3.3| -3.3 | 7| -2.3| -4.4| 2.1| -3.8| -3.0| -3.1| -3.2|L -3.8|L -3.0|L -3.1| -3.2 | 8| -2.0| -4.2| 2.2| -3.0| -2.2| -2.7| -2.6|L -3.0|L -2.2|L -2.7| -2.6 | 9| -2.3| -4.4| 2.1| -3.8| -2.7| -2.7| -3.0|L -3.9|L -2.9|L -2.9| -3.2 |10| 0.2| -3.1| 3.3| -2.2| 0.1| -0.4| -0.7|L -2.3|L -0.7| -0.6| -1.0 |--|------|------|------|------|------|------|------|------|------|------|------ |Ds| -6.8| -44.3| 37.5| -36.0| -10.1| -21.7| -22.2| -36.4| -14.9| -22.6| -24.0 |--|------|------|------|------|------|------|------|------|------|------|------ |11| 2.4| -0.9| 3.3| -0.3| 2.3| -0.2| 0.4| -0.5| 0.5| -1.0| -0.5 |12| 1.0| -2.0| 3.0| -0.8| 0.9| -1.9| -0.9|L -1.4| -0.4|L -2.6| -1.8 |13| 0.5| -3.7| 4.2| -1.9| 0.5| -0.8| -0.8|L -2.1| -1.0|L -1.3| -1.4 |14| 1.4| -1.5| 2.9| -0.7| 1.2| -0.1| 0.1|L -0.9| 0.2| -0.5| -0.4 |15| 0.7| -0.8|N 1.5| -0.6| 0.6| -0.2| -0.1| -0.8| -0.6| -1.0| -0.8 |16| 2.5| -4.6| 7.1| -4.0| 2.3| -3.2| -2.0|L -4.1| -0.5|L -3.7| -3.0 |17| 1.1| -7.0| 8.1| -4.5| 0.3| -2.2| -2.2|L -4.7|L -1.3|L -2.7| -2.8 |18| 11.6| -4.7| 16.3| -3.2| 8.2| 2.2| 2.4|L -3.3| 4.2| 0.9| 0.7 |19| 6.4| -3.4| 9.8| -1.2| 6.2| 0.9| 1.7|L -1.6| 1.3| -1.7| -0.9 |20| 4.5| -4.8| 9.3| -4.3| 3.6| 3.0| 1.3|L -4.9| 0.1| -0.5| -1.4 |--|------|------|------|------|------|------|------|------|------|------|------ |Ds| 32.1| -33.4| 65.5| -21.5| 26.1| -2.5| -0.1| -24.3| 2.5| -14.1| -12.3 |--|------|------|------|------|------|------|------|------|------|------|------ |21| 9.7| -0.2| 9.9| 3.6| 9.4| 1.0| 3.8| 0.8| 4.2| -0.2| 1.2 |22| 1.1| -3.6| 4.7| -2.4| -1.1| -3.6| -2.7|L -4.9|L -4.1|L -3.6| -4.0 |23| 0.5| -4.0| 4.5| -2.5| 0.3| -1.9| -1.5|L -3.2|L -2.6|L -3.0| -3.0 |24| -1.9| -8.6| 6.7| -7.0| -3.4| -7.3| -6.2|L -8.0|L -6.2|L -8.7| -7.9 |25| -2.3| -16.7| 14.4| -15.8| -2.8| -12.1| -10.7|L-15.6|L -5.2|L-12.1| -11.2 |26|N -2.8|N-18.1| 15.3|N-17.7| -4.3| -12.1|N-11.6|L-17.6|L -6.2|L-12.1| -12.0 |27| -0.6| -15.7| 15.1| -15.1| -1.6| -8.3| -8.3|L-14.8|L -4.1|L -8.3| -8.9 |28| 0.2| -14.7| 14.9| -13.5| -0.2| -8.5| -7.7|L-13.3|L -2.8|L -8.5| -8.3 |29| 5.9| -12.0|X 17.9| -10.3| 3.6| 5.8| 1.2|L-10.1| 1.0| 3.5| -0.5 |30| 13.3|X 2.5| 10.8| 7.4| 12.5| 2.5| 6.2| 4.7| 7.2| 2.1| 4.0 |31|X 15.0| 0.1| 14.9| 4.5|X 14.7| 10.9|X 10.2| 3.8| 9.3| 7.9| 7.2 |--|------|------|------|------|------|------|------|------|------|------|------ |Ds| 38.1| -91.0| 129.1| -68.8| 27.1| -33.6| -27.3| -78.2| -9.5| -43.0| -43.4 |S3| 3.5| -8.3| 11.7| -6.3| 2.5| -3.1| -2.5| -7.1| -0.9| -3.9| -3.9 |--|------|------|------|------|------|------|------|------|------|------|------ |Ms| 63.4|-168.7| 232.1|-126.3| 43.1| -57.8| -49.6|-138.9| -21.9| -79.7| -79.7 |Sr| 2.0| -5.4| 7.5| -4.1| 1.4| -1.9| -1.6| -4.5| -0.7| -2.6| -2.6 |Sd| 4.7| 5.0| 5.1| 5.5| 4.6| 4.6| 4.4| 5.1| 3.4| 4.0| 3.9 -------------------------------------------------------------------------------- | tx Nd| tn Nd| |Dnevni srednjak t Nd| |------|--|-------|--| |-----------------|--| | < 0.0|11|=<-10.0| 5| | <=-20.0 | 0| |=>25.0| 0| < 0.0|29| |od-19.9 do -15.0 | 0| |=>30.0| 0|=> 20.0| 0| |od-14.9 do -10.0 | 2| ---------------------- |od -9.9 do -5.0 | 3| |od -4.9 do 0.0 |16| |od 0.1 do 5.0 | 8| |od 5.1 do 10.0 | 1| |od 10.1 do 15.0 | 1| |od 15.1 do 20.0 | 0| |od 20.1 do 25.0 | 0| |od 25.1 do 30.0 | 0| | > 30.0 | 0| ----------------------

147

-------------------------------------------------------------------------------- | D| ZAGREB MAKSIMIR Mjesec : 9 Godina : 2005 | | |---------------------------------------------------------------------------| | a| tn5cm| Tlak zraka (hPa) | | R(mm) | S | Sn| E | VV | | | (oC) | | SS(h)| | | | 14 | 14 | | n| 7 | 7 | 14 | 21 | Sred. | | 7-7 |O| cm | cm|7 21|7 21| |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| | 1| 15.3| 1002.6| 1002.0| 1002.8| 1002.5| 8.0| | | | |1 1 1|6 6 7| | 2| 14.8| 1004.5| 1005.1| 1007.4| 1005.7| 8.8| | | | |1 1 1|6 6 6| | 3| 15.0| 1009.8| 1009.3|X1010.3|X1009.8| 6.0| | | | |1 1 1|6 8 7| | 4| 12.3|X1010.3| 1009.8| 1009.2|X1009.8| 1.4| | | | |1 1 1|8 8 8| | 5| 10.4| 1007.1| 1005.9| 1004.7| 1005.9| 8.2| | | | |1 1 1|7 8 7| | 6| 8.6| 1004.4| 1003.1| 1003.3| 1003.6| X11.1| | | | |1 1 1|8 8 7| | 7| 9.5| 1003.7| 1003.4| 1004.2| 1003.8| 10.4| | | | |1 1 1|6 8 7| | 8| 11.0| 1005.3| 1004.7| 1004.3| 1004.8| 10.8| | | | |1 1 1|7 8 8| | 9| 13.5| 1002.6| 1000.4| 999.0| 1000.7| 3.8| | | | |1 1 1|8 7 6| |10|X 17.5| 997.0| 995.8| 996.2| 996.3| 3.2| 3.8|1| | |1 1 1|5 8 7| |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |Ds| 127.9|10047.3|10039.5|10041.4|10042.9| 71.7| 3.8| | | | | | |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |11| 14.0| 996.0| 995.2| 996.0| 995.7| 9.3| 0.1|1| | |1 1 1|6 8 8| |12| 14.5| 997.1| 998.6| 1000.8| 998.8| X11.1| | | | |1 0 0|8 9 8| |13| 10.5| 1004.6| 1005.3| 1006.1| 1005.3| 8.1| | | | |0 0 0|7 8 8| |14| 15.0| 1007.5| 1005.8| 1005.2| 1006.2| 4.7| 6.6|1| | |2 1 1|7 8 8| |15| 9.8| 1005.0| 1002.5| 1000.7| 1002.7| 8.8| | | | |1 1 0|7 8 8| |16| 9.8| 995.8| 991.6|N 989.6|N 992.3| 9.1| | | | |0 0 0|7 8 7| |17| 12.5| 991.2| 995.7| 999.7| 995.5| 0.6| | | | |0 0 1|7 7 7| |18| 9.6| 1002.7| 1005.2| 1006.6| 1004.8| 0.0| 2.9|1| | |2 2 2|7 6 6| |19| 9.2| 1005.3| 1005.6| 1005.3| 1005.4| 0.0| 20.2|1| | |2 2 2|6 8 7| |20| 10.2| 1003.2| 1004.1| 1005.4| 1004.2| 0.0| 4.3|1| | |2 2 2|6 7 7| |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |Ds| 115.1|10008.4|10009.6|10015.4|10010.9| 51.7| 34.1| | | | | | |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |21| 9.6| 1005.5| 1006.2| 1006.4| 1006.0| 0.0| 0.5|1| | |1 1 1|7 7 7| |22| 11.9| 1005.7| 1005.9| 1005.9| 1005.8| 0.0| 0.4|1| | |1 1 1|7 6 7| |23| 7.7| 1004.9| 1004.2| 1004.4| 1004.5| 3.3| 0.0|9| | |1 1 1|6 8 8| |24| 8.0| 1004.0| 1003.9| 1003.8| 1003.9| 4.6| | | | |1 1 1|6 7 6| |25|N 6.8| 1003.2| 1002.1| 1003.6| 1003.0| 8.2| | | | |1 1 1|6 7 7| |26| 7.8| 1005.4| 1006.6| 1007.6| 1006.5| 7.9| | | | |1 1 1|6 6 6| |27|N 6.8| 1008.1| 1006.8| 1006.8| 1007.2| 2.4| | | | |1 1 1|5 6 5| |28| 14.2| 1007.1| 1007.2| 1007.0| 1007.1| 0.1| 4.1|1| | |2 1 1|6 6 6| |29| 8.2| 1004.2| 1001.7| 1003.1| 1003.0| 0.0| | | | |1 2 2|2 5 7| |30| 7.5| 1004.6| 1005.7| 1007.6| 1006.0| 6.4|X 24.9|1| | |2 2 2|3 8 7| |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |Ds| 88.5|10052.7|10050.3|10056.2|10053.0| 32.9| 29.9| | | | | | |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |S3| 8.9|1005.3 |1005.0 |1005.6 |1005.3 | 3.3| | | | | | | |--|------|-------|-------|-------|-------|------|------|-|----|---|-----|-----| |Ms| 331.5|30108.4|30099.4|30113.0|30106.8| 156.3| 67.8| | | | | | |Sr| 11.1| 1003.6| 1003.3| 1003.8| 1003.6| 5.2| | | | | | | |Sd| 2.9| 4.2| 4.2| 4.3| 4.1| 4.0| | | | | | | -------------------------------------------------------------------------------- |Nd(SS=0.0)= 6 | | Broj dana sa | ----------------------- ---------------- |snijegom>=1cm | | Cestina vidljivosti | | Mjesecni intenzitet | | | <0.05 <1 <10 >=50| | oborine = 6.8 mm/dan | 0 | |--|-----|---|---|----| -------------------------------------------------- | 7| 0 | 2 |16 | 0 | |R>=0.1mm od oblika Nd| R(mm) Nd | Sadrzaj vode | |14| 0 | 0 | 8 | 1 | |------------------|--|-------|---| od snijega | |21| 0 | 0 | 7 | 0 | |tekucih,mjesovitih|10|>= 0.1 |10 | dan mm/cm | |Nd| 0 | 2 |19 | 1 | |krutih,mjesovitih | 0|>= 0.5 | 8 |-----|--------| ----------------------- |mjesovitih | 0|>= 1.0 | 7 | 5 | . | ----------------------|>= 5.0 | 3 | 10 | . | |>=10.0 | 2 | 15 | . | |>=20.0 | 2 | 20 | . | |>=50.0 | 0 | 25 | . | ------------| 30 | . | ----------------

148

-------------------------------------------------------------------------------- | D| ZAGREB MAKSIMIR Mjesec : 1 Godina : 2005 | | |---------------------------------------------------------------------------| | a| Tlak vodene pare (hPa)|Relativna vlaga ( % )| Naoblaka ( 0-10 ) s pojavama| | | | | | | n| 7 | 14 | 21 |Sred.| 7 | 14 | 21 | Sred.| 7 | 14 | 21 |Sred.| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| | 1| 5.6| 5.9| 5.3| 5.6| 93| 77| 96| 89 | 9| 4 | 9| | 0| 4 | 6.0| | 2| 4.2| 7.2| 6.7| 6.0| 96| 60| 86| 81 | 4| 4 | 4| 2| 10| | 6.0| | 3| 5.8| 6.5| 5.6| 6.0| 93| 63| 74| 77 | 4| | 3| 2| 0| | 2.3| | 4| 5.8| 5.2| 6.0| 5.7| 90| 44| 64|N 66 | 10| | 9| | 9| | 9.3| | 5| 4.9| 5.6| 5.4| 5.3| 92| 45| 87| 75 | 2| 4 | 3| 2| 0| 4 | 1.7| | 6| 5.5| 6.7| 6.0| 6.1| 83| 48| 93| 75 | 9| 4 | 4| 2| 0| 4 | 4.3| | 7| 5.5| 6.8| 6.3| 6.2| 94| 58| 90| 81 | 0| 4 | 4| 2| 0| | 1.3| | 8| 5.4| 5.4| 7.1| 6.0| 94|N 32| 73|N 66 | 0| 4 | 0| 2| 0| | 0.0| | 9| 7.4| 7.9| 7.0|X 7.4| 66| 55| 94| 72 | 7| | 8| | 0| 3 | 5.0| |10| 5.5|X 8.1| 6.4| 6.7| 97| 65| 95| 86 | 3| 4 | 0| 2| 0| 4 | 1.0| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| |Ds| 55.6| 65.3| 61.8| 61.0| 898| 547| 852| 768 | 48 | 44 | 19 | 36.9| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| |11| 4.9| 7.6| 5.8| 6.1| 98| 82| 96| 92 | 10| 40| 5| 2| 0| | 5.0| |12| 4.6| 6.6| 5.2| 5.5| 95| 95|X100|X 97 | 0|94 | 1|9 2| 10| 40| 3.7| |13| 4.5| 5.4| 6.2| 5.4| 98| 99| 95|X 97 | 10| 40| 10| 40| 10|2 0| 10.0| |14| 6.0| 7.0| 5.5| 6.2| 98| 85| 93| 92 | 10| | 4| 2| 0| 4 | 4.7| |15| 4.2| 4.8| 4.6| 4.5| 94| 49| 76| 73 | 0| 4 | 3| 2| 0| 4 | 1.0| |16| 4.2| 3.9| 4.2| 4.1| 75| 50| 82| 69 | 0| 4 | 3| 2| 0| 4 | 1.0| |17| 3.4| 3.7| 4.1| 3.7| 92| 53| 88| 78 | 0| 4 | 0| 2| 0| 4 | 0.0| |18| 3.4| 4.5| 4.4| 4.1| 96| 71| 96| 88 | 0| 4 | 6| 2| 10| 4 | 5.3| |19| 5.4| 4.9| 5.2| 5.2| 92| 71| 96| 86 | 10| | 9| 2| 9| | 9.3| |20| 3.6| 5.5| 5.0| 4.7| 94| 85| 65| 81 | 10| 0| 10| | 10| | 10.0| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| |Ds| 44.2| 53.9| 50.2| 49.5| 932| 740| 887| 853 | 50 | 51 | 49 | 50.0| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| |21| 5.6| 6.4| 5.4| 5.8| 61| 52| 88| 67 | 5| | 7| 2| 0| 4 | 4.0| |22| 4.5| 4.4| 4.4| 4.4| 96| 36| 79| 70 | 1| 4 | 4| 2| 0| 4 | 1.7| |23| 4.3| 3.3| 4.1| 3.9| 87| 33| 77|N 66 | 7| 4 | 8| | 2| 4 | 5.7| |24| 4.6| 5.9| 5.6| 5.4| 77| 95| 94| 89 | 10| 4 | 10|6 | 10|6 | 10.0| |25| 4.8| 4.1| 3.5| 4.1| 86| 69| 66| 74 | 10|6 | 10| | 10| | 10.0| |26| 3.8| 4.1| 3.3| 3.7| 75| 76| 66| 72 | 10|6 | 10|6 | 8| | 9.3| |27| 2.9| 3.6| 2.9| 3.1| 57| 67| 74|N 66 | 10| | 10| | 9| | 9.7| |28| 3.0| 3.0| 2.8| 2.9| 82| 67| 66| 72 | 10| | 10| | 10| | 10.0| |29| 3.3| 3.4| 2.7| 3.1| 89| 68| 61| 73 | 10|6 | 10| | 0| | 6.7| |30|N 1.8| 2.5| 2.3|N 2.2| 87| 46| 87| 73 | 0| | 5| 2| 0| | 1.7| |31| 2.3| 3.2| 3.9| 3.1| 89| 52| 65| 69 | 10| | 9| | 7| | 8.7| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| |Ds| 40.9| 43.9| 40.9| 41.7| 886| 661| 823| 791 | 83 | 93 | 56 | 77.5| |S3| 3.7| 4.0| 3.7| 3.8| 81| 60| 75| 72 | 7.5 | 8.5 | 5.1 | 7.0| |--|-----|-----|-----|-----|----|----|----|------|-------|-------|-------|-----| |Ms|140.7|163.1|152.9|152.2|2716|1948|2562|2412 |181 |188 |124 |164.4| |Sr| 4.5| 5.3| 4.9| 4.9| 88| 63| 83| 78 | 5.8 | 6.1 | 4.0 | 5.3| |Sd| 1.2| 1.5| 1.3| 1.3|10.7|17.8|12.1| 9.4 | | | | | -------------------------------------------------------------------------------- |Broj dana sa relativnom vlagom|Cestina stupnjeva naoblake | Broj termina s | |------------------------------|---------------------------|-------------------| |bar u jednom od termina| u 14 |sat/st.|0- 2|3- 7|8-10|Suma|kisom,........ | 1| |-----------------------|------|-------|----|----|----|----|----------------|--| |= ili < 30%|= ili < 50%|=> 80%| 07 | 10 | 6 | 15 | 31 |snijegom,.... | 6| |-----------|-----------|------|-------|----|----|----|----|----------------|--| | 0 | 9 | 6 | 14 | 4 | 13 | 14 | 31 |sugradicom,... | 0| -------------------------------|-------|----|----|----|----|----------------|--| | Broj dana sa| 21 | 18 | 1 | 12 | 31 |maglama | 8| |sr. naoblakom|-------|----|----|----|----|----------------|--| |-------------| Suma | 32 | 20 | 41 | 93 |sijanjem Sunca |18| | <2.0 | >8.0 |---------------------------|----------------|--| |------|------| |Suncem i naob.>5| 3| | 9 | 10 | |----------------|--| --------------- |grmljavinom,....| 0| ---------------------

149

Prilog 2. Državni hidrometeorološki zavod, minimalne temperature

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 Datum

-0.8 -9.4 0.2 -3.2 -8.6 -2.9 -7.4 -1.4 2.4 -1.9 -0.2 -0.5 101

-0.4 -6.6 7.8 -2.9 -2.6 -1.8 -5.5 -1.6 -0.7 -4.5 1.2 2.0 102

-3.0 -5.4 2.5 -0.5 -2.4 3.1 -6.7 4.0 -3.5 -0.4 0.5 -1.8 103

-7.3 -2.6 2.0 0.2 -6.0 1.8 -11.8 1.6 -6.2 -1.6 0.1 -2.3 104

-7.3 -1.4 0.3 -0.4 -4.1 5.4 -11.2 -2.8 -8.7 -2.1 0.7 0.4 105

-7.3 0.3 -0.6 -2.7 -4.5 8.0 -6.8 -4.2 -7.0 -2.8 0.7 0.7 106

-3.3 -1.8 2.4 -4.0 -4.4 6.0 -7.7 -5.3 -7.4 -1.1 0.2 4.8 107

-0.6 -1.8 2.7 3.7 -4.2 6.3 -6.0 -14.8 -6.4 -1.9 0.8 1.2 108

0.3 -1.2 1.8 1.7 -4.4 1.7 -6.9 -8.4 -0.7 2.9 -3.7 1.5 109

0.0 -0.2 -1.2 -2.6 -3.1 0.1 -7.1 -11.6 0.1 -1.5 -8.0 8.6 110

0.3 0.2 -2.8 0.5 -0.9 5.7 -2.8 -14.0 -1.5 -3.1 -6.4 9.6 111

0.7 0.5 -4.4 -1.6 -2.0 0.9 -2.7 -14.9 -1.5 -4.1 -3.7 3.0 112

0.0 0.2 -0.4 1.6 -3.7 -1.5 -2.8 -17.8 3.1 -4.4 -1.9 0.4 113

1.5 0.8 4.0 -3.1 -1.5 -1.6 -3.0 -8.4 6.1 -0.4 -2.6 -1.2 114

1.3 1.3 4.1 -0.8 -0.8 -2.9 -3.8 -9.8 1.0 -4.6 -2.3 0.7 115

-3.4 -0.5 1.6 -2.5 -4.6 -2.3 -3.8 -10.5 -2.1 -3.4 -2.9 -2.6 116

-4.0 -2.0 0.7 1.5 -7.0 -2.2 -6.3 -3.8 3.2 -6.8 -6.9 3.5 117

-5.4 -3.0 -2.2 0.6 -4.7 -1.9 -2.4 -5.4 -0.9 -7.8 -0.4 6.2 118

-3.2 -4.5 -1.6 -0.8 -3.4 -1.4 -6.6 -4.9 1.2 -4.1 -1.9 6.9 119

-2.4 -1.5 4.2 -0.7 -4.8 -2.7 -4.9 -4.8 0.3 -6.9 -5.7 2.0 120

-3.8 1.2 2.3 -0.8 -0.2 -1.4 -5.7 -4.7 -2.7 0.1 -3.5 3.5 121

-1.8 0.8 1.9 -0.8 -3.6 -1.1 3.4 -0.9 -6.0 -4.5 -4.7 5.0 122

-4.2 0.3 2.4 -1.5 -3.6 -0.3 1.7 1.2 -9.9 -3.6 -11.1 4.5 123

-4.1 -0.4 -0.4 -2.4 -8.6 0.4 5.5 0.0 -11.4 -2.1 -10.1 3.5 124

-5.4 0.6 -0.1 -3.0 -16.7 6.2 2.9 3.0 -11.1 -1.9 -14.2 -1.7 125

-5.6 -0.6 -2.3 -3.4 -18.1 8.3 1.5 2.1 -5.1 -3.5 -13.1 -3.4 126

-2.8 -1.7 -3.9 -2.0 -15.7 4.0 3.8 -1.4 -2.3 -6.5 -10.5 -6.3 127

-1.2 -2.2 -6.2 -1.4 -14.7 3.4 5.7 -0.4 -1.8 -7.5 -7.6 -3.6 128

-2.2 -3.8 -6.0 -1.9 -12.0 2.7 0.3 -0.1 -8.9 -7.1 -5.0 3.0 129

-2.2 -1.9 -4.9 -5.6 2.5 1.6 0.4 -3.4 -11.3 -14.4 -2.6 -1.5 130

-7.9 -3.5 -5.7 -4.6 0.1 0.6 4.5 -1.6 -10.0 -15.8 -5.9 -1.4 131

-10.4 -3.5 -5.5 -5.9 -0.2 0.7 2.8 -3.8 2.4 -2.6 -3.8 2.3 201

-5.7 -3.0 -6.6 -2.8 5.5 -3.9 -1.3 -9.2 -0.5 -6.4 -5.6 -2.7 202

-1.7 -5.0 -8.3 0.0 3.7 -4.1 -0.8 -9.6 -0.3 -0.2 -4.5 -1.0 203

-0.1 -4.6 -1.5 0.4 -1.5 2.5 -3.8 -3.5 1.3 -3.4 -5.0 -2.1 204

-7.1 -1.1 -3.1 -1.2 -2.3 6.8 -1.6 -2.6 -0.1 -8.6 -7.0 -3.5 205

-8.0 2.8 -7.1 -0.8 1.6 1.8 2.3 -4.8 0.4 -11.9 -11.0 2.2 206

-5.3 -0.8 -4.9 -3.4 0.3 9.4 6.3 -7.0 7.4 -14.5 -12.6 5.6 207

-5.6 -1.0 -3.6 -1.4 3.9 10.6 3.8 -6.9 3.6 -15.5 -4.5 2.4 208

-9.7 0.4 -5.7 -4.6 3.8 4.3 0.9 -6.8 1.6 -17.6 -0.8 5.6 209

-12.2 -0.3 -1.8 -2.7 -2.8 6.7 3.0 -2.2 -1.4 -17.8 -4.1 1.3 210

-7.8 2.0 -2.6 -3.8 -3.1 1.7 -1.5 -1.5 -2.5 -7.1 -3.1 2.9 211

-3.6 6.1 -1.8 -4.2 -3.1 -2.4 7.8 -2.6 -3.9 -1.2 -4.8 2.2 212

-2.5 7.3 1.5 -6.4 -0.6 0.2 4.4 -5.2 -4.7 0.0 -5.8 4.7 213

-2.5 1.7 2.3 -3.2 0.4 2.0 2.6 -8.5 -1.0 -1.0 -5.0 0.3 214

-4.5 -1.7 -2.0 -6.4 -3.2 2.0 2.7 -9.3 -4.1 -2.6 -1.0 3.6 218

* mjerna postaja Maksimir Zagreb, 07:00h ujutro, period od 1948. do 2007., uzorak

150

Prilog 3. Državni hidrometeorološki zavod, maksimalne temperature

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 Datum 1.2 -6.9 14.5 -1 -0.3 -0.3 1 3.5 5.1 4.2 3.6 3 101

1.5 -5 13.2 0.5 0 10 5.4 10.8 2.6 10.8 3.5 2.9 102

0 -2 10.5 1.7 5.1 11.5 0.5 16.3 -0.4 7.8 3.6 3.5 103

2 -0.5 11.7 1.8 -1.3 8.4 -1.9 15.7 -2.8 10.7 3.5 3.4 104

0.5 0.8 10.6 7 -1.5 8.1 -0.4 6.8 0.2 10.5 2.1 1.9 105

-1 1.8 14 5.7 -2.4 15.5 5.8 0.5 0.2 12.7 3.5 2.7 106

-0.1 1.2 12.5 13.8 -2.3 19.4 5.7 -2.5 1 10.5 2.9 1.7 107

1.8 -0.3 15 9 -2 14 3.2 -4.6 4.2 15.6 2.7 0.5 108

2.7 0.9 11.1 4.7 -2.3 10.3 4.5 -4.6 0.8 13 1.2 0.7 109

7.2 0.7 10.9 2.1 0.2 12.5 0 -4.8 2.2 11.6 0.9 0.4 110

6.9 2 8.8 2.7 2.4 13.6 -1.3 -1.4 1.5 6.9 -0.7 0.6 111

11.6 1.4 8.3 8.2 1 8 -1.5 -4 9.9 4 1.4 1.1 112

5.5 1.8 11.6 8.3 0.5 2 -1.3 -4.5 10.5 0.9 0.2 0.4 113

3.4 3.1 13.6 8 1.4 1 -1 1.1 13.8 6.7 -0.3 0.7 114

4.5 3.6 9.9 4.1 0.7 1 -2.2 2.5 6.6 6.9 1.2 1.3 115

3.6 1 6 10.7 2.5 -0.8 -1.5 9.3 7.4 5.3 0.7 1.3 116

-1.9 -0.7 8.6 13.5 1.1 0.1 -2.1 7 12.5 2.9 -0.1 2.2 117

-2.8 -2 8.2 8.3 11.6 4 -0.9 0.5 3.8 1.3 7.6 1.7 118

1 -1 5.7 3.7 6.4 4.3 0.5 1.7 2.7 2.4 5.7 1.5 119

-0.6 2 7 0.8 4.5 -0.8 3.5 -2.5 8 3.2 4.4 1.8 120

1.7 2.8 4.8 0.6 9.7 0.4 8.9 0 3.9 11.4 10 2.2 121

0.3 1.4 4.3 0.6 1.1 1 12.3 6.3 -0.6 10.9 6.5 3.4 122

-1 1.8 3.3 -0.3 0.5 2.9 11 3.1 0.2 7.7 -4.7 4.7 123

-2.3 1 2.6 -0.6 -1.9 6.6 10.7 4.6 0.2 1.8 -5.3 4.3 124

-3.6 1.1 2.6 -1.3 -2.3 14.3 13.4 4.6 -0.4 0 -5.9 3.7 125

-2.2 1.2 1.5 -0.9 -2.8 11.3 9.3 4.2 4.4 -1.7 -4 4.2 126

-0.2 -0.4 1.3 2 -0.6 10 11.6 6.5 0.5 -1.5 -2.7 4.6 127

0.9 0.4 0.7 2.8 0.2 8.2 16.5 9.4 0.7 -4 1.8 4.5 128

0.1 2.6 2.1 3.5 5.9 5.5 17 8.2 2.5 -2.4 3.4 4.9 129

0.8 4.4 4.8 -1.8 13.3 3.6 16.9 6.9 4.4 -0.6 4.5 4.6 130

-0.4 -0.6 1.5 -0.7 15 5 12.1 2.5 7.3 1 1.5 5.4 131

-0.8 3.8 0.7 -1 13.6 3.4 11.2 1.5 10.7 3.5 1.6 5.7 201

0.2 2.6 -0.6 0.3 13.8 4.5 14.3 -0.5 10.1 4.1 -2.2 5.5 202

5.6 2.9 3.9 8.5 13.4 4.5 9.8 -0.3 11.5 3.5 -2.8 5.2 203

2.9 3 3.2 9.5 8.6 13.6 14 2.8 13.2 2.8 -1.8 4.8 204

0.5 10 5.8 13.2 13.8 15.5 14.6 3.6 19 -0.9 -0.9 4.8 205

-2.7 7.5 7.7 10.6 17.7 16.3 13.5 5.4 16.1 -1.5 -0.9 5.5 206

-1.6 7.8 8.4 9.8 17 15.7 11 3.9 13.5 -4.8 -0.7 6.1 207

-2.4 8.6 6.2 7.2 14.8 17.5 12 1.2 13.1 -5.6 6.3 6.8 208

-0.9 10.2 8.5 3.2 11.5 14.6 10.8 1.6 11.1 -4.7 9.9 6.5 209

-1.7 11.1 13.8 2.4 9.6 11.2 11.2 0.6 6 -1.4 9.7 6.6 210

-0.6 14.4 15.7 -0.8 9.2 11.3 14.1 0.4 12.6 4.4 6.4 5.3 211

2.4 13.1 17.4 1 9.2 11.7 18.8 -0.2 1.5 9.6 5.4 5.3 212

3.2 14.1 17.3 -0.7 10.6 9.2 16 -1.5 0.8 9 4.3 5.5 213

5.7 11.5 18.2 0.1 9.5 9.4 10.6 -1 7.6 5.3 6.6 5.1 214

2.3 10 20 2.8 7.9 10.5 5.2 -0.5 6.5 3.5 8.7 4.8 215

* mjerna postaja Maksimir Zagreb, 07:00h ujutro, period od 1948. do 2007., uzorak

151

Prilog 4. Podaci o prodaji, uzorak

POS OZNAKA DATUM JEDINICA MJERE OPIS ROBE GRUPA ROBE NAMJENA ROBE SPOL NAZIV PRODAVAONICE PRODANO KOLIČINA BRUTO MARŽA

903 09.06.2007 KOM VESTA TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10234 122.00 3,349.81

22801 09.06.2007 KOM HLACE JOGGING TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10234 231.00 2.959.50

3001 09.06.2007 KOM KOMPLET TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10234 34.00 961.57

7803 09.06.2007 KOM KOMPLET DJECJI TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10234 81.00 864.50

930 09.06.2007 KOM HLACE KRATKE TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10111 124.00 2,211.51

28903 09.06.2007 KOM HLACE BICIKLISTICKE TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10111 111.00 2,116.16

1401 09.06.2007 KOM HLACE JOGGING TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10234 172.00 4,142.90

7301 09.06.2007 KOM HLACE JOGGING TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10111 132.00 2,861.52

26901 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10111 151.00 2,951.15

9301 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10111 135.00 6,353.10

28430 09.06.2007 KOM HLACE TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10111 131.00 149.52

5401 09.06.2007 KOM MAJICA KRATKI RUKAV BASIC TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10234 97.00 2,492.00

9301 09.06.2007 KOM HLACE BICIKLISTICKE TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 83.00 1,232.70

8501 09.06.2007 KOM MAJICA TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10093 171.00 4,421.90

26430 09.06.2007 KOM HLACE KRATKE TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 151.00 1,112.00

20213 09.06.2007 KOM HLACE KRATKE TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10093 131.00 1,141.04

29501 09.06.2007 KOM MAJICA DUGI RUKAV TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10002 122.00 954.55

22630 09.06.2007 KOM HLACE TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 121.00 684.11

7803 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10093 143.00 2,269.90

22801 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 162.00 3,120.00

9301 09.06.2007 KOM KOMBINEZON S RUKAVIMA TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 51.00 1,117.23

3001 09.06.2007 KOM HLACE JOGGING TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10093 61.00 1,114.90

22630 09.06.2007 KOM MAJICA KRATKI RUKAV BASIC TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 93.00 1,203.00

16203 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 110.00 4,234.20

25403 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10093 64.00 1,265.95

3001 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10002 92.00 2,134.00

9301 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10002 82.00 2,157.00

5401 09.06.2007 KOM HLACE KRATKE TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10093 66.00 2,547.00

930 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10002 73.00 3,135.53

11103 09.06.2007 KOM KOMBINEZON BEZ RUKAVA TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10093 82.00 1,73.80

29278 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10002 90.00 3,169.76

1401 09.06.2007 KOM TAJICE TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10093 92.00 1,181.80

1401 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 62.00 2,240.62

903 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10011 85.00 1,840.06

5401 09.06.2007 KOM HLACE TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10002 91.00 1,121.00

11103 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10093 92.00 1,120.00

11103 09.06.2007 KOM HLACE JOGGING TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10093 71.00 946.00

28903 09.06.2007 KOM MAJICA DUGI RUKAV TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10093 81.00 927.65

50065 09.06.2007 KOM KOMPLET DJECJI TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10002 81.00 875.95

27530 09.06.2007 KOM TRENIRKA TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10023 71.00 1,264.54

24278 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO Z PRODAVAONICA 10002 93.00 1.226.70

7301 09.06.2007 KOM MAJICA KRATKI RUKAV TRIKOTAZA NAMJENA OSTALO M PRODAVAONICA 10014 124.00 1.186.66

29278 09.06.2007 KOM KOMPLET TRIKOTAZA NAMJENA OSTALO D PRODAVAONICA 10002 164.00 4.478.68

152

Prilog 5. Podaci o temperaturi, vjetru i kalendaru, transformirani

Datum Dan Tjedan Pomak REFII Jačina vjetra Smjer vjetra

02.04.2004 PETAK 14 -2.40 SREDNJI PAD 1 N

01.04.2004 ČETVRTAK 14 5.10 SNAZAN RAST 2 N

30.03.2004 UTORAK 13 -0.10 BEZ PROMJENE 1 N

28.03.2004 NEDJELJA 13 0.20 BEZ PROMJENE 1 N

27.03.2004 SUBOTA 13 -0.50 BEZ PROMJENE 0 C

24.03.2004 SRIJEDA 12 0.10 BEZ PROMJENE 2 N

22.03.2004 PONEDJELJAK 12 -7.70 SNAZAN PAD 0 C

21.03.2004 NEDJELJA 12 0.30 BEZ PROMJENE 0 C

18.03.2004 ČETVRTAK 12 0.80 BEZ PROMJENE 1 N

17.03.2004 SRIJEDA 11 1.80 SREDNJI RAST 1 N

16.03.2004 UTORAK 11 1.40 BLAGI RAST 1 N

15.03.2004 PONEDJELJAK 11 -2.40 SREDNJI PAD 1 N

14.03.2004 NEDJELJA 11 2.10 SREDNJI RAST 0 C

12.03.2004 PETAK 11 -1.50 BLAGI PAD 0 C

10.03.2004 SRIJEDA 10 -1.40 BLAGI PAD 1 N

09.03.2004 UTORAK 10 0.00 BEZ PROMJENE 1 N

08.03.2004 PONEDJELJAK 10 0.60 BEZ PROMJENE 3 N

07.03.2004 NEDJELJA 10 0.20 BEZ PROMJENE 2 N

06.03.2004 SUBOTA 10 1.80 BLAGI RAST 0 C

05.03.2004 PETAK 10 -3.20 SNAZAN PAD 0 C

03.03.2004 SRIJEDA 9 -0.60 BEZ PROMJENE 1 N

01.03.2004 PONEDJELJAK 9 -1.00 BEZ PROMJENE 2 N

29.02.2004 NEDJELJA 9 1.50 BLAGI RAST 0 C

28.02.2004 SUBOTA 9 -0.90 BEZ PROMJENE 3 N

27.02.2004 PETAK 9 -0.60 BEZ PROMJENE 0 C

26.02.2004 ČETVRTAK 9 1.30 BLAGI RAST 0 C

25.02.2004 SRIJEDA 8 1.40 BLAGI RAST 0 C

22.02.2004 NEDJELJA 8 2.20 SREDNJI RAST 0 C

21.02.2004 SUBOTA 8 -2.20 SREDNJI PAD 0 C

19.02.2004 ČETVRTAK 8 -2.50 SREDNJI PAD 2 N

17.02.2004 UTORAK 7 -4.50 SNAZAN PAD 1 N

16.02.2004 PONEDJELJAK 7 0.00 BEZ PROMJENE 2 N

13.02.2004 PETAK 7 3.90 SNAZAN RAST 0 C

12.02.2004 ČETVRTAK 7 -5.40 SNAZAN PAD 0 C

11.02.2004 SRIJEDA 6 2.70 SREDNJI RAST 3 N

10.02.2004 UTORAK 6 -7.20 SNAZAN PAD 1 N

09.02.2004 PONEDJELJAK 6 -2.50 SREDNJI PAD 0 C

07.02.2004 SUBOTA 6 1.10 BLAGI RAST 0 C

06.02.2004 PETAK 6 4.40 SNAZAN RAST 0 C

05.02.2004 ČETVRTAK 6 1.30 BLAGI RAST 1 N

04.02.2004 SRIJEDA 5 0.40 BEZ PROMJENE 0 C

03.02.2004 UTORAK 5 -1.20 BLAGI PAD 0 C

02.02.2004 PONEDJELJAK 5 -3.30 SNAZAN PAD 1 N

31.01.2004 SUBOTA 5 9.10 SNAZAN RAST 0 C

28.01.2004 SRIJEDA 4 0.30 BEZ PROMJENE 0 C

27.01.2004 UTORAK 4 -0.50 BEZ PROMJENE 1 N

153

Prilog 6. Oracle PL/SQL skripte, pretprocesiranje podataka, primjer

BEGIN

DECLARE

CURSOR C IS

SELECT DATUM_DOK, GRUPA_KLAS_NAZIV, SPOL_KLAS_NAZIV, SUM(NVL(IZLAZ_KOL,0)) KOLICINA,

SUM(NVL(IZLAZ_NC,0)) NC, SUM(NVL(IZLAZ_MPC,0)) MPC, SUM(NVL(IZLAZ_MPC,0))-

SUM(NVL(IZLAZ_NC,0)) BRUTOMARZA

FROM LEO_DOC_PODACI_PRODAJA

WHERE DATUM_DOK BETWEEN TO_DATE('01012006','DDMMRR') AND TO_DATE('31122007','DDMMRR')

AND GRUPA_KLAS_NAZIV = 'OBUĆA'

AND SPOL_KLAS_NAZIV = 'M'

GROUP BY DATUM_DOK, GRUPA_KLAS_NAZIV, SPOL_KLAS_NAZIV

ORDER BY DATUM_DOK;

CURSOR D (X_DATUM IN DATE) IS

SELECT DATUM_DOK, GRUPA_KLAS_NAZIV, SPOL_KLAS_NAZIV, SUM(NVL(IZLAZ_KOL,0)) KOLICINA,

SUM(NVL(IZLAZ_NC,0)) NC, SUM(NVL(IZLAZ_MPC,0)) MPC, SUM(NVL(IZLAZ_MPC,0))-

SUM(NVL(IZLAZ_NC,0)) BRUTOMARZA

FROM LEO_DOC_PODACI_PRODAJA

WHERE GRUPA_KLAS_NAZIV = 'OBUĆA'

AND SPOL_KLAS_NAZIV = 'M'

AND DATUM_DOK = X_DATUM

GROUP BY DATUM_DOK, GRUPA_KLAS_NAZIV, SPOL_KLAS_NAZIV;

BEGIN

FOR I IN C LOOP

FOR J IN D (I.DATUM_DOK-1) LOOP

UPDATE DOC_ISTRAZIVANJE SET DOC_POMAK_OBUCA_M = NVL(I.KOLICINA,0) - NVL(J.KOLICINA,0)

WHERE DOC_DATUM = I.DATUM_DOK;

END LOOP;

END LOOP;

END;

END;

154

Prilog 7. Oracle PL/SQL skripte, transformacija u REFII, primjer BEGIN

DECLARE

V_MAX NUMBER(20,2);

V_MIN NUMBER(20,2);

V_PROSJEK NUMBER(20,2);

V_BEZ_PROMJENE NUMBER(20,2) := 1/100;

V_BLAGA_PROMJENA NUMBER(20,2) := 20/100;

V_SREDNJA_PROMJENA NUMBER(20,2) := 60/100;

--SNAŽNA PROMJENA > 60%

CURSOR C IS SELECT * FROM DOC_ISTRAZIVANJE_KOLICINE ORDER BY DOC_DATUM;

BEGIN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = NULL;

SELECT MAX(DOC_POMAK_OBUCA_Z) INTO V_MAX FROM DOC_ISTRAZIVANJE_KOLICINE;

SELECT MIN(DOC_POMAK_OBUCA_Z) INTO V_MIN FROM DOC_ISTRAZIVANJE_KOLICINE;

V_PROSJEK := (ABS(V_MAX) + ABS(V_MIN))/2;

--DBMS_OTUPUT.PUT_LINE('V_MAX: '||TO_CHAR(V_MAX));

--DBMS_OTUPUT.PUT_LINE('V_MIN: '||V_MIN);

--DBMS_OTUPUT.PUT_LINE('V_PROSJEK: '||V_PROSJEK);

--DBMS_OTUPUT.PUT_LINE('V_STAGNACIJA: '||V_PROSJEK*V_BEZ_PROMJENE);

--DBMS_OTUPUT.PUT_LINE('V_BLAGA_PROMJENA: '||V_PROSJEK*V_BLAGA_PROMJENA);

--DBMS_OTUPUT.PUT_LINE('V_SNAZNA_PROMJENA: '||V_PROSJEK*V_SNAZNA_PROMJENA);

FOR I IN C LOOP

IF I.DOC_POMAK_OBUCA_Z IS NULL THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'NEMA PODATAKA' WHERE DOC_DATUM

= I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) BETWEEN -V_PROSJEK*V_BEZ_PROMJENE AND

V_PROSJEK*V_BEZ_PROMJENE THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'BEZ PROMJENE' WHERE DOC_DATUM

= I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) BETWEEN -V_PROSJEK*V_BLAGA_PROMJENA AND 0 THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'BLAGI PAD' WHERE DOC_DATUM =

I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) BETWEEN 0 AND V_PROSJEK*V_BLAGA_PROMJENA THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'BLAGI RAST' WHERE DOC_DATUM =

I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) BETWEEN -V_PROSJEK*V_SREDNJA_PROMJENA AND 0 THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'SREDNJI PAD' WHERE DOC_DATUM =

I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) BETWEEN 0 AND V_PROSJEK*V_SREDNJA_PROMJENA THEN

155

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'SREDNJI RAST' WHERE DOC_DATUM

= I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) < -V_PROSJEK*V_SREDNJA_PROMJENA THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'SNAZAN PAD' WHERE DOC_DATUM =

I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

ELSIF NVL(I.DOC_POMAK_OBUCA_Z,0) > V_PROSJEK*V_SREDNJA_PROMJENA THEN

UPDATE DOC_ISTRAZIVANJE_KOLICINE SET DOC_REFII_OBUCA_Z = 'SNAZAN RAST' WHERE DOC_DATUM =

I.DOC_DATUM AND DOC_REFII_OBUCA_Z IS NULL;

END IF;

END LOOP;

END;

END;

156

Prilog 8. Vremenska serija, uzorak količina prodaje, normalizirana,

prije pretprocesiranja

157

Prilog 9. Vremenska serija, uzorak bruto marža, normalizirana, prije

pretprocesiranja

158

Prilog 10. Vremenska serija, uzorak srednja temperatura

159

Prilog 11. Prikaz mreže modela u alatu GeNIe

160

Prilog 12. Prikaz PL/SQL okruženja u alatu T.O.A.D.

161

Prilog 13. Prikaz okruženja u alatu Orange modul for Python

162

Prilog 14. Primjer definiranja poslovnih rizika u trgovini tekstilom56

Svrha ovog priloga je dati ilustraciju sa kojim se rizicima suočavaju odnosno na koje

rizike je potrebno posvetiti pažnju u planiranju u trgovini tekstilom a kako bi se što

vjernije predstavila složenost tržišta u današnje vrijeme.

Rizici su preuzeti iz godišnjeg izviješća tvrtke Abercrombie&Fitch, jednog od danas

najpopularnijih proizvođača casual odjeće za mlađu populaciju, za 2010. godinu. Iako

se radi o izvješću koje je namijenjeno dioničarima te u kontekstu govori o rizicima

povezanim sa kretanjm cijene dionice, istovremeno ovako strukturirano daje kvalitetan

pregled tržišnih čimbenika uz tek naznaku dijela koji je povezan sa donošenjem odluke

od strane potrošača.

Izvješće kao bitne rizike u poslovanju u 2011. koje je potrebno uzeti u obzir navodi

slijedeće 34 točke:

1. promjene u ekonomskim i financijskim okolnostima te rezultat tih promjena na

povjerenje potrošača i ukupnu potrošnju odnosno posljedično na izvršenje posla,

rezultat poslovnih operacija i likvidnost,

2. sposobnost predviđanja, identificiranja i reakcije na promjene u modnim

trendovima i zahtjevima potrošača na sezonskoj osnovi,

3. upravljanje zalihama u odnosu na potražnju na tržištu koje, ukoliko ne bude

efikasno, može dovesti do pada profitabilnosti

4. fluktuacije u trošku, dostupnosti i kvalitetni proizvodnih materijala (pamuk),

troškovi rada i prijevoza koji mogu dovesti do kašnjenja proizvodnje i povećati

troškove

5. kapitalne nagrade za protekli period povezane sa izvršnim managementom mogu

utjecati na novčani tijek te utjecati na ukupan rezultat i vrijednost dionica

6. strategija razvoja tvrtke bazira se dominantno na međunarodnom širenju što

povećava kompleksnost operacija, zahtjeva veće resurse i može utjecati na

efikasnost prodajnih mjesta

56 preuzeto sa Abercrombie&Fitch Annual Report 2010, http://www.abercrombie.com/anf/investors/investorrelations.html, 01.10.2011.

163

7. međunarodni plan širenja ovisi o velikom broju faktora od koji svaki može

dovesti do odgoda u terminskim planovima što posljedično može usporiti ili

spriječiti penetraciju pojedinih tržišta i utjecati na profitabilnost operacija• our

direct-to-consumer sales are subject to numerous risks that could adversely

impact sales

8. trpimo i nastavljamo trpjeti troškove vezano na zatvaranje prodajnih mjesta iz

operacija koje smo napustili

9. razvoj novih brandova iziskuje troškove koji će utjecati na naše financijsko

stanje i rezultat

10. flukatuacija tečajeva valuta u zemljama u kojima vršimo ili planiramo vršiti

operacije utjecat će na financijsko stanje i rezultat operacija

11. ukupna sustav uvelike ovisi o tehnološkim rješenjima te postoji rizik efikasnog

funkcioniranja u slučaju bilo kakvih problema sa dostupnošću informacijskog

sustava

12. obzirom na okolnosti na tržištu prodaja će i dalje varirati što će utjecati na

vrijednost dionice

13. tržišni udio nastavit će nagativan trend uslijed širenja konkurancije i pritiska na

cijene proizvoda za konkurentske proizvode

14. sposobnost da privučemo kupce u naše dućane djelomično ovisi o uspješnosti

shopping centara u kojima se nalazi većina naših prodavaonica

15. prodaja snažno varira i nastavit će varirati na bazi sezone što može dovesti do

kratkoročnih pozitivnih ili negativnih trendova u periodima poput blagdana

16. sposobnost da precizno planiramo potražnju za proizvodima te upravljamo

logistikom prodajnih mjesta imat će utjecaj na ukupan rezultat operacija

17. sposobnost da zaštitimo reputaciju branda imat će direktan utjecaj na brand

18. oslanjamo se na iskustvo i znanja izvršnog managementa čije bi napuštanje

tvrtke imalo utjecaj na poslovanje tvrtke

19. prekid ili odgoda u izvođenju aktivnosti u lancu nabave (prvenstveno u slučaju

problema nekog od dobavljača) koji bi doveo do izgubljene prodaje povećat će

trošak naših operacije

20. ne kontroliramo izvore proizvodnje stoga je potrebno uzeti u obzir rizike s

kojima se suočavaju proizvođači

164

21. ne kontroliramo transportne kapacitete stoga je potrebno uzeti u obzir rizike s

kojima se suočavaju prjevoznici

22. mogući su povećani troškovi uslijed rastućeg rizika prijevara putem kreditnih

kartica

23. nadogradnje i unapređenja informacijkog sustava mogu dovesti odgoda u

provođenju nekih aktivnosti

24. kapaciteti kao i kapaciteti naših partnera osjetljivi su na mogućnost da dođe do

elementarnih nepogoda takve vrste da onemoguće ili uspore poslovne aktivnosti

25. izloženost pravnim parnicama može imati utjcaj na rezultat poslovanja

26. sposobnost da zaštitimo naše robne marke može utjecati na percepciju naših

brandova te utjecati na image branda i mogućnost prodora na nova tržišta

27. utjecaj projmena poreznih politika na globalnoj razini može utjcati na efikasnost

naših operacija

28. utjecaj mogućih ratnih sukoba na nekom od tržišta može imati efekte na rezultat

naših operacija

29. sposobnost da sklopimo police osiguranja od komercijalnih rizika posla po

prihvatljivim cijenama može utjecati na troškove i rezultat

30. pad prometa i novčanog tijeka ako do njega dođe utjecat će na visinu ostvarenih

bruto marži

31. izloženi smo raznim zakonima koji definiraju carinska pitanje, zaštitu potrođača,

kvote, troškove rada a koji mogu utjecati na našu poslovnu praksu te pofvećati

troškove ili utjecati na percepciju branda ako im se ne prilagodimo

32. troškovi regulatornih agencija i prilagodba polsovanja utječu na način kako

izvodim posao i na efikasnost posla

33. bilo kakve kreditne obveze bez kvalitetnog osiguranja mogu utjecati na rezultat

naših operacija

34. na efikasnost naših operacija utječu promjene u klimi i emisije ispušnih plinova i

promjene u povezanojh regulativi

165

Prilog 15. Lokacije prodajnih mjesta poslovnog sustava Tekstilpromet

d.d.57 u Gradu Zagrebu

- ADIDAS, Zagreb, Bogovićeva 1a, Avenija Dubrovnik 16 SC Avenue Mall, SC

West Gate Zaprešić

- BASLER, Zagreb, Trg bana J.Jelačića 6

- BENETTON, Zagreb, Masarykova 10

- BENETTON - UNDERCOLOURS OF BENETTON, Zagreb, Dubrava 11

- CALAMAR, Zagreb, Ilica 39

- CAMEL ACTIVE, Zagreb, Gajeva 2a, City Center one, Jankomir 33

- CENTRA, Zagreb, Dubrava 42, Maksimirska 46,

Maksimirska 14, Vlaška 91, Trg bana J.Jelačića 4, Bakačeva 10, Pod zidom 9,

Dolac 9, Ilica 69, Črnomerec 3, Krajiška 2, Argentinska 2, Nikole Tesle 5, Pavla

Hatza 8, Kralja Zvonimira 29, R.Bičanića 4, Meštrovićev trg bb, Trg žrtava

fašizma 9, Božidara Magovca 39

- DI CAPRIO, Zagreb, Maksimirska 23

- ELENA MIRO, Zagreb, Ilica 13

- EMPORIO ARMANI, Zagreb, Frana Petrića 5

- FILA, Zagreb, Masarykova 10

- GALEB, Zagreb, Vlaška 95, Teslina 16, Zvonimirova 7, B.Magovca 47,

Jurišićeva 9

- GERRY WEBER, Zagreb, Ilica 36, City Center one, Jankomir 33

- LEVI'S, Zagreb, Jurišićeva 30

- LIU JO, Zagreb, Frana Petrića 3

- MANGO, Zagreb, Ilica 20

- MEN'S POINT, Zagreb, Ilica 8

- MODERATO, Zagreb, Maksimirska 81, Maksimirska 3, Vlaška 93b, Jurišićeva

25, Praška 6, Ilica 44, Ilica 80, Ilica 156, Ilica 218, Petrinjska 26, Trg žrtava

fašizma 2, Meštrovićev trg 1

- MODERATO MEGASTORE, Zagreb, Avenija Dubrava 45, Benetton/Playlife,

Naf Naf, Sisley, Centra, Moderato, Ritual, Naš dom

57 http://www.lanteagrupa.hr/; http://www.pro-sport.hr/, stanje na dan 01.10.2011.

166

- MONARI, Zagreb, Ilica 38a

- NAFNAF, Zagreb, Ilica 16, Trg A. Stračevića, City Center one, Jankomir 33,

King Cross, Škorpikova 34

- NAŠ DOM, Zagreb, Maksimirska 50, Maksimirska 33, Bakačeva 3, Ilica 29,

Ilica 60, Ilica 168a, Gundulićeva 34, Barčev trg bb, Trg žrtava fašizma 5,

B.Magovca 3, Ozaljska 30, Ulica grada Gospića 1a, City Center one, Jankomir

33

- NAVIGARE, Zagreb, Gajeva 2

- NIKE, Zagreb, Ilica 10, Jankomir 33

- OUTLET, Zagreb, Ilica 23, Bani 71, Ulica grada Gospića 1a, Trg Hrvatskoh

velikana 2

- PENNYBLACK, Zagreb, Ilica 13

- SISLEY, Zagreb, Vlaška 105

- SKINY, Zagreb, Trg bana J.Jelačića 2

- SVIJET TKANINE, Zagreb, Kvaternikov trg 1, Jurišićeva 8

Ilica 53a tel. 4846-374, Vlaška 94

- TOP SPORT, Zagreb, Dubrava 45, Bogovićeva 4a, Maksimirska 4

- TOSCA BLU, Zagreb, Ilica 8

- TRIUMPH, Zagreb, Maksimirska 29, Jurišićeva 12, Ilica 35

- VRTULJAK , Zagreb, Avenija Dubrava 43, Maksimirska 49a, Draškovićeva 9,

Petrinjska 5, Meštrovićev trg 1

167

Prilog 16. Matrice korelacije, grafički prikaz odnosa58

Matrica korelacije, uzorak bruto marža pomak

Matrica korelacije, uzorak prodaja pomak

58 svrha grafičkog prikaza je bolja preglednost

168

Prilog 17. Popis korištenih kratica i simbola

AVG funkcija; rezultat prosječna vrijednost BIC Bayesian Information Criterion BN Bayesian Network DM Data Mining ES Expert system

MAP Maximum a Posteriori assignment MDL Minimum Description Length MLC Maximum Likehood Criterion

QR sustav Quick Response sustav

REF akronim od Rise, Equal, Fall. Model nagiba pravaca vremenskih odsječaka, dio REFII modela, ujedno i preteča REFII modela

REFII akronim od Rise, Equal, Fall, gdje II označavava drugu, dorađenu generaciju REF modela. REFII model je jedinstveni model transformacije vremenske serije

SUM funkcija; rezultat suma QR sustav sustava tzv. brze reakcije, engl. quick response

Annealed MAP algoritam

algoritam koji simulira lance unutar mreže koji se fokusiraju na koncentraciju vjerojatnosti u čvorovima mreže

out-of-sample validacija

validacija podrazumijeva izgradnju modela na određenom setu podataka koji se kasnije provjerava na odabranim uzorku tog seta

out-of-time validacija

validacija podrazumijeva izgradnju modela na setu podataka koji pripada određenom vremenskom periodu koji se kasnije provjerava na usporedivom setu podataka u drugom vremenskom periodu

∑ suma

P vjerojatnost ishoda P(a|b) vjerojatnost ishoda događaja a pod uvjetom b

{ } omeđivanje elemenata skupa E element skupa ≤ manji ili jednak ≥ veći ili jednak → funkcija (preslikavanje) f funkcija

169

ŽIVOTOPIS

Autor je rođen 27. lipnja 1973. godine u Zagrebu. Srednju školu završava 1992. sa

zvanjem prirodoslovno-matematički tehničar. Diplomira 1997. godine na Ekonomskom

fakultetu u Zagrebu na katedri za vanjsku trgovinu sa temom diplomskog rada: “Kasko

osiguranje u brodskom prometu” (praksa i rad vezani uz Helios d.d. za osiguranje,

Zagreb). Poslijediplomski studij Informatički management na Ekonomskom fakultetu u

Zagrebu završava kao prvi student V. i VI. generacije 2005. godine sa magistarskim

radom na temu „Primjena metoda rudarenja podataka u trgovini tekstilnim i srodnim

proizvodima“. Jedan je od pokretača DSA (Decision Support Academy) pri učilištu

Alegbra u Zagrebu. Godine 2011. izabran je u zvanje višeg predavača te aktivno

sudjeluje u nastavi na Poslovnoj školi financija i prava Effectus u Zagrebu te Visokoj

školi za primijenjeno računarstvo u Zagrebu na kolegijima iz domene otkrivanja znanja

iz podataka, poslovne analize i analize rizika.

U siječnju 1998. godine zapošljava se u Domu zdravlja u Ivanić Gradu kao pomoćnik

ravnatelja ustanove za informatiku i financije gdje radi do sredine 1999. godine. U rujnu

1999. godine zapošljava se u dioničkom društvu Tekstilpromet d.d., u službi

informatike, kao projektant/organizator. Na ovom radnom mjestu obavlja više funkcija

voditelja/sudionika na različitim projektima te je aktivno uključen u projekte

organiziranja, razvoja i uvođenja aplikacija. Pohađa više specijaliziranih tečajeva za rad

s Oracle alatima. 2006. godine dolazi na poziciju direktora službe informatike i

telekomunikacija poslovnog sustava Tekstilpromet pristunog u više zemalja u regiji.

2008. godine prelazi na poziciju direktora društva Lantea Grupa d.d., vodećeg tekstilnog

maloprodajnog lanca u zemlji koji posluje u okviru sustava povezanog oko tvrtke

Tekstilpromet d.d. U okviru poslova preuzima i poziciju direktora društava Lauris Moda

d.o.o. i Premium Signum d.o.o. (tvrtki kćeri Lantea Grupe) te poziciju koordinatora za

ICT na razini Tekstilpromet grupe.

Koautor je jedne knjige iz domene rudarenja podataka te suradnik na jednom

sveučilišnom udžbeniku slične tematike. Sudionik je više domaćih i međunarodnih

konferencija te autor više članaka u specijaliziranim časopisima. Član je udruge YES

(Young Executives Society) Hrvatska.

170

OBJAVLJENI RADOVI

Knjige

- G. Klepac, L. Mršić (2006) „Poslovna inteligencija kroz poslovne slučajeve“,

Liderpress/TIM Press, Zagreb, ISBN 953-95472-1-0 (Lider press), 953-7177-

15-7 (TIM press)

Poglavlja u knjigama

- Panian Ž. i suradnici (2007) „Poslovna inteligencija - studije slučajeva iz

hrvatske poslovne prakse“, Narodne novine, Zagreb, ISBN: 978-953-234-085-

3

Javna predavanja na stručnim konferencijama

- Klepac G., Kliček B., Mršić L. (2005) „Temporal pattern discovery in consumer

behavior with REFII model“, Consumer Personality and Research Conference,

Dubrovnik, Hrvatska

- Mršić L., Čuturilo T. (2008) "Customer loyalty/reward program Lantea Grupa

PremiumClub", Oracle Open World 2008 konferencija , San Francisco, SAD,

21.-25. rujna 2008.

- Mršić L. (2008)“ Izgradnja skladišta podataka i primjena analitičkih metoda u

poslovanju“, Oracle technology day, Ekonomski fakultet Sarajevo, 06/2008

- Mršić L. (2005) „Postoji li pravilnost u trgovini tekstilnim proizvodima“,

Zbornik HrOUG str. 11., 10. konferencija HrOUG, 18.-22.10.2005. Umag

- Mršić L. (2006) „Poslovna inteligencija u funkciji povećanja efikasnosti

poslovanja“, Zbornik HrOUG str 19., 11. konferencija HrOUG 17.-20.10.2006.

Umag

- Mršić L., Klepac G. (2007) „Upravljanje rizičnošću portfelja primjenom metoda

poslovne inteligencije“, Zbornik HrOUG str 24., 12. konferencija HrOUG, 16.-

20.10.2007. Rovinj

- Mršić L., Klepac G. (2007) „Upravljanje prekidom ugovornih odnosa u

trgovini“, Zbornik HrOUG str. 24., 12. konferencija HrOUG, 16.-20.10.2007.

Rovinj

171

- Mršić L., Čuturilo T. (2008) „Program vjernosti kupaca“, Zbornik HrOUG str.

39, 13. konferencija HrOUG, 14.-18.10.2008. Rovinj

- Klepac G., Mršić L. (2007) „Prevencija i sprečavanje prekida ugovornih

odnosa/kupovine primjenom analitičkih CRM metoda" , CRM konferencija,

Infoarena, Zagreb, travanj 2007.

- Mršić L. (2010) „ Kolektivna svijest, prednost ili nedostatak“, Primjena BI

procesa konferencija u organizaciji Comminus-a i Liderpress-a, 10/2010

- Mršić L. (2011) „ Planiranje u retailu: Kako kraj cilusa pretvoriti u novi

početak?“, Primjena BI procesa međunarodna konferencija u organizaciji

Comminus-a i Liderpress-a, 11/2011, zbornik sažetaka ISBN 978-953-7724-06-

1