Program Forum podatkovne analitike 2023

  • 8.00

    1

    Sprejem in registracija

  • 9.00

    2

    Otvoritev

    Peter Ribarič

    Direktor Planet GV, d.o.o.

  • 3
  • 9.10

    Pogled na podatke s strani inovatorja

    Marin Vladović

    Soustanovitelj in direktor, AutoBrief.io

    Prikaži več

    Podatki so strateški resurs za poslovno inoviranje, s pomočjo katerih poskušamo ustvariti konkurenčno prednost. Podatkovna analitika nam omogoča pridobivanje vpogledov iz poslovanja in odločanje na podlagi podatkov. Zato je vlaganje v upravljanje podatkov in podatkovno infrastrukturo predpogoj za inoviranje na podlagi podatkov.

  • 9:40

    Načrtovanje podatkovnih cevovodov v kontekstu vzpostavitve podatkovnega prostora

    dr. Martina Šestak

    Asistentka na Fakulteti za elektrotehniko, računalništvo in informatiko, UM

    Prikaži več

    Zanesljivo deljenje podatkov danes postaja vedno bolj zanimiva tema za eksperte, še posebej z vpeljavo koncepta podatkovnega prostora, ki predstavlja infrastrukturo za zagotavljanje le-tega. Za vzpostavitev podatkovnih prostorov je najprej potrebno poskrbiti za implementacijo učinkovitih podatkovnih cevodov, ki bodo na ustrezen način združili podatke iz več virov. Za pravilno načrtovanje in implementacijo podatkovnih cevovodov se v praksi uporabljajo različni vzorci in arhitekture, ki so sestavljene iz več tehnoloških rešitev na posameznem nivoju arhitekture. V predavanju bodo predstavljeni vzorci načrtovanja cevovodov ter nabor rešitev za njihovo implementacijo na splošno in  v kontekstu vzpostavitve podatkovnega prostora za agroživilski sektor. 

  • 10.10

    Različne definicije umetne inteligence

    dr. Stevanče Nikoloski

    Podatkovni znanstvenik, Result, d.o.o.

    Prikaži več

    Umetna inteligenca je že nekaj časa del našega vsakdanjika. Večina od nas se zaveda, da obstaja in da nam bo lahko olajšala in izboljšanje poslovanje ali celo samo življenje. Se pa dostikrat zatakne že pri samem vprašanju, kaj točno pa je umetna inteligenca? In kaj ni? Kaj pa strojno učenje – zakaj se dostikrat pojavlja kratica AI/ML? Kje je sploh meja med umetno inteligenco in zgolj algoritmi za napredno izrabo podatkov?

    Slabo razumevanje osnovnih razmejitev lahko tudi bistveno vpliva na vpeljavo metod umetne inteligence v samo poslovanje. S predavanjem želimo pokazati katere vse inteligentne možnosti uporabe podatkov in pokazati povezave med njimi ter tipične primere uporabe za te metode.

  • 10.30

    Hekaton #1: OPSI sprint

    Praktični primer podatkovnega projekta
    Prikaži več

    Praktični primer podatkovnega projekta

    Podatkovni projekt sestoji iz zaporedja korakov, ki vodijo k uspešnim rezultatom. Prvi korak je opredelitev problema oziroma cilja. Nato moramo podatke zbrati in jih prečistiti, s čimer zagotovimo njihovo primernost. Raziskovanje in vizualizacija podatkov nam omogoča vpogled, ki nam pomaga pri gradnji prediktivnih modelov. Modele je potrebno analizirati in jih predstaviti vsem deležnikom, na katere bo uporaba modela vplivala. Implementacija rešitve in spremljanje njene uspešnosti je ključno za izpolnitev projektnih ciljev. Zadnji korak je izboljševanje rešitve na podlagi povratnih informacij in dopolnjevanja modela. Na tak način nam podatki omogočijo vpogled, izboljšujejo odločanje in omogočajo inovacije.

  • 10.40

    Odmor

  • 11.10

    MLOps – ključ za uspešno uvajanje modelov strojnega učenja v produkcijo

    dr. Boštjan Kaluža

    Podatkovni znanstvenik, Evolven Software

    Prikaži več

    Vse več podjetjih vključuje strojno učenje kot eno pomembnih komponent poslovanja. Na prvi pogled se precej prekriva z razvojem programske opreme, a vendar ima specifične zahteva in organizacijo dela. Učinkovit razvoj in uvajanje modelov strojnega učenja zahteva kompetence, ki jih pogosteje najdemo na različnih področjih kot so matematično modeliranje, programiranje in DevOps. To predavanje predstavi področje MLOps (Machine Learning Operations), ki obravnava kako načrtovati, zgraditi in vzdrževati projekt strojnega učenja. V nasprotju s standardnim ciklom strojnega učenja se morajo modeli strojnega učenja v produkcijskih integrirati z drugimi storitvami ali aplikacijami, delovati morajo neprekinjeno z največjo zmogljivostjo in minimalnimi stroški ter imeti sposobnost obvladovanja spreminjajočih se podatkov in poslovnih zahtev. V tem predavanju se bomo seznanili z metodologijo, dobrimi praksami in nekaterimi orodji za učinkovito vpeljavo strojnega učenja v produkcijska okolja. 

  • 11.35

    Pasti vpeljave podatkovne znanosti v poslovanje

    dr. Martin Možina

    Vodilni podatkovni znanstvenik, Mercator, d.d.

    Prikaži več

    Pogosto se pri vpeljavi podatkovne znanosti v poslovanje ujamemo v past preozkega fokusa na metrike in algoritme in posledično zanemarimo človeško presojo in intuicijo. Stalno moramo imeti pred očmi, da so podatkovni modeli lahko le tako dobri kot podatki, na katerih smo jih učili. Ob slabi kakovosti in nepopolni množici učnih podatkov bo tudi model dajal napačne in diskriminatorne rezultate. Spoštovanje področja zasebnosti in varstva osebnih podatkov je nenazadnje tudi izredno pomembno, če se želimo izogniti izgubi zaupanja vseh deleženikov in znižanju ugleda podjetja. Pri vpeljavi podatkovne znanosti v poslovanje moramo zato preučiti vse možne pasti in k vpeljavi pristopiti celovito, z uporabo zdrave človeške presoje in s spoštovanjem podatkovne etike.

  • 12.00

    Platforma za semantično interoperabilnost

    dr. Karmen Kern Pipan in Miha Jesenko, soavtor: mag. Igor Tričkovič Rifelj

    Ministrstvo za digitalno preobrazbo, Direktorat za digitalne rešitve in podatkovno ekonomijo

    Prikaži več

    Okolja, v katerih nastajajo in se izmenjujejo podatki, so lahko kompleksna ter vključuje številne ovire. Mednje spadajo tudi ovire na področju semantične interoperabilnosti. Ta predstavlja zmožnost različnih sistemov za izmenjavo podatkov z enotnim in nedvoumnim pomenom.

    Platforma za semantično interoperabilnost (PSI) je temeljno orodje za doseganja semantične interoperabilnosti v javni upravi. Sestavljajo jo med seboj povezani moduli centralni besednjak, register šifrantov in repozitorij podatkovnih modelov. S PSI zagotavljamo enotni repozitorij definicij temeljnih pojmov, doseganje višje stopnje standardizacije in interoperabilnosti na podatkovnem sloju, standardizacijo metapodatkov ter opredelitev razmerij med registri in evidencami javne uprave. Slednje omogoča lažjo preglednost, najdljivost in bolj učinkovito povezovanje podatkov ter posledično učinkovitejše zagotavljanje čezmejnih in medresorskih storitev, učinkovitejšo uporabo informacijskih virov, doslednost pri izkazovanju ter razumevanju podatkov in učinkovitejšo strojno berljivost podatkov. Z zagotavljanjem centraliziranih informacij o virih, izvoru in uporabi podatkov se izboljšuje tudi njihova kakovost in zanesljivost, s čimer se vzpostavlja tudi temelj celovitejšim in vsebinsko polnejšim podatkovnim analizam. 

  • 12.15

    Hekaton #2: OPSI sprint

    Praktični primer podatkovnega projekta
    Prikaži več
  • 12.25

    Kosilo

  • 13.15

    Leto kasneje …

    dr. Jure Bordon

    Direktor analitike, Fundacija Login5

    Prikaži več

    Dr. Jure Bordon in Samo Login sta lani predstavila Fundacijo Login5 in njihov projekt Login Eko. Glavna vizija projekta je na podlagi podatkovne znanosti razviti nove trajnostne kmetijske prakse, ki jih bo možno izvajati v največjem obsegu.

    Dr. Jure Bordon bo na letošnjem Forumu predstavil napredek v enem letu ter z nami delil nove izkušnje pri vpeljevanju podatkovne znanosti v povsem nova področja kot je npr. kmetijstvo. 

  • 13.30

    Triki za izboljšanje modelov

    dr. Miha Mlakar

    Soustanovitelj, ParetoAI

    Prikaži več

    V čem se izkušeni podatkovni znanstveniki najbolj razlikujejo od manj izkušenih? To bo rdeča nit predavanja, kjer bo Dr. Miha Mlakar na podlagi svojih izkušenj predstavil izhodišča in nekaj trikov za izboljšanje napovednega modela. Pri tem pa bo upoštevan celoten krog upravljanja s podatki, saj lahko prav vsak element vpliva na izboljšanje.

    Zelo pomemben faktor so vhodni podatki in njihova kvaliteta. Zato se podatkovni znanstvenik ne ukvarja le z napovednimi modeli ali njihovimi treniranjem, temveč je zelo pomemben dejavnik določitev, iskanje in prečiščevanje ustreznih vhodnih podatkov, kjer pride do izraza tudi zmožnost komuniciranja tako s poslovnimi uporabniki kot podatkovnimi inženirji.

  • 13.55

    Izzivi upravljanja z masovnimi podatki

    Leon Maruša

    Vodja službe za napredno analitiko podatkov, Elektro Celje

    Prikaži več

    Elektrodistribucijska podjetja se srečujejo z masovno količino podatkov. Vse večja uporaba pametnih števcev, naprednih sistemov vodenja omrežja in drugih virov podatkov narekuje uporabo Big Data tehnologij za pridobivanje dodane vrednosti iz zbranih podatkov. Elektro Celje bo predstavilo njihovo Big Data rešitev imenovano LAMBDA, ki jim omogoča podatkovne integracije, masovne obdelave, izvajanje analitike in prikaz BI vizualizacij. Poleg procesa vpeljave uporabljenih tehnologij bo predstavljen tudi pogled na netehnične izzive, ki so se pojavili pri implementaciji, konkretno dvig digitalne kulture zaposlenih, zavedanje pomembnosti o kakovosti podatkov in še mnogo več.

  • 14.20

    Hekaton #3: OPSI sprint

    Praktični primer podatkovnega projekta
    Prikaži več
  • 14.30

    Odmor

  • 15.00

    Poslovni model s podatkovnimi inovacijami

    Franci Zidar

    Soustanovitelj in direktor, Bird Buddy

    BirdBuddy

    Prikaži več

    Predstavili bomo primer inovacije tradicionalnega izdelka – ptičje krmilnice – z uporabo tehnologije in podatkov. Pametna omrežena ptičja krmilnica ima namreč kamero za zajemanje “ptičjih selfijev”, ki jih ljubitelji ptic lahko zbirajo in si jih tudi izmenjujejo. S tem niso ustvarili samo inovativne uporabniške izkušnje, temveč so tudi prispevali k prizadevanjem za ohranjanje ptic.

  • 15.25

    Pogovor: Širši pogled na podatke

    Maria Anselmi

    Group Director Data v skupini Bisnode, Dun&Bradstreet

    Pogovor vodi Peter Ribarič.

    Prikaži več

    Podatki so vedno pomembnejši pri oblikovanje in implementaciji poslovne strategije. Z izkoriščanjem podatkov pridobijo organizacije dragocen vpogled v vedenje strank, tržne trende in notranje procese, kar omogoča bolje informirano in na podatkih osnovano odločanje.

    Pomena podatkov v poslovanju ni mogoče preceniti. Organizacije, ki prednostno vlagajo v podatke in podatkovno analitko, imajo bistveno večje možnosti za uspeh v sedanjem hitro spreminjajočem se poslovnem okolju. 

  • 15.50

    Vroči stol: Pogovor ob kaminu – Kako do podatkovnega produkta?

    Prikaži več

    Jure Jeraj, programski direktor Foruma in Jure Bordon, direktor analitike v Fundaciji Login5 bosta soočila izkušnje in skupaj revidirala razvoj podatkovnega produkta na primeru Login Eko, na podatkih temelječega industrijskega ekokmetijstva.  Njuno vodilo v pogovoru bo kanvas za razvoj podatkovnega produkta (link: https://medium.com/@leandroscarvalho/data-product-canvas-a-practical-framework-for-building-high-performance-data-products-7a1717f79f0). Namen njunega pogovora je predstavitev priporočil in izkušenj pri razvoju produkta, ki temelji na podatkih.

  • 16.10

    Data networking

    Druženje
  • 17.40

    Zaključek

Moderator Foruma podatkovne analitike

Aljoša Ternovšek

Aljoša Ternovšek prihaja iz Maribora. Po končani srednji šoli je doštudiral na Akademiji za gledališče, radio, film in televizijo v Ljubljani, smer dramska igra. Po končanem študiju je dve leti ustvarjal kot svobodni umetnik, kasneje pa se je zaposlil v Mestnem gledališču ljubljanskem. Leta 2005 se je preselil v Mestno gledališče Ptuj, kjer je igral do leta 2009. Od leta 2011 je član igralskega ansambla Prešernovega gledališča Kranj. Je dobitnik nagrade Združenja dramskih umetnikov Slovenije za vlogo Bajana v predstavi Stenica in Borštnikove nagrade za vlogo Wladeka v predstavi Naš razred.

Večina Aljošo pozna po vlogi Dušana Vaupotiča – Duleta iz filma Kleščar ter oddaje Tistega lepega popoldneva in v zadnjih letih kot voditelja kviza Vem.

  • 8.00

    Sprejem in registracija

  • 8.30

    Otvoritev konference

  • 8.35

    S podatki do novih poslovnih modelov

    dr. Boštjan Kaluža
  • 9.20

    Kako z analitiko izboljšujejo igro najboljši tenisači na svetu?

    dr. Miha Mlakar
    Prikaži več

    Na primeru vrhunskega tenisa pokažemo, kako s pomočjo uporabe napredne analitike izboljšamo uspešnost tenisačev. Pri tem so pristopi enaki kot v poslovnem svetu. Primer bo predstavil bivši profesionalni teniški igralec, sedanji selektor slovenske teniške reprezentance, ki se je kot podatkovni analitik prebil v samo svetovno špico vrhunskega tenisa.

  • 10.00

    Okrogla miza – Mi imamo že vse

    Prikaži več

    Če že imamo vse, a smo potem najboljši?” Pa smo res najboljši v vsem? Niti organizacija niti posamezniki se ne smemo zadovoljiti s trenutnim stanjem, saj vsak zastoj lahko še prehitro povzroči, da organizacija “zaspi” in posledično propade (npr. Nokia, Kodak, …). Organizacije se morajo zato stalno prilagajati in razvijati, razvoj pa se ne meri samo v tržnem deležu ali dobičku, temveč v vseh poslovnih vidikih, tudi v zadovoljstvu zaposlenih, strank in ostalih deležnikov.

  • 10.35

    Odmor za druženje

  • 10.50

    Dinamično postavljanje cen

    Damjan Slapar, Nomago InterCity
    Prikaži več

    V Nomagu se osredotočajo na vlaganja v tehnologije, saj se zavedajo njihovega pomena za uspeh podjetja v zahtevnem poslovnem okolju. Predstavljeni bodo izzivi in dosežki pri vpeljavi strojnega učenja za dinamično postavljanje cen. Predavanje ne bo usmerjeno le na tehnološke, temveč tudi na organizacijske izzive, ki jih je potrebno nasloviti, da je podjetje zmožno vpeljati najsodobnejšo tehnologijo.

  • 10:50

    Izzivi, priložnosti in perspektiva poslovne inteligence v državni upravi – projekt Skrinja

    Dr. Karmen Kern Pipan, Paula Kolenko, Sektor za upravljanje s podatki, na Direktoratu za informacijsko družbo in informatiko na MJU
    Prikaži več

    Z vzpostavitvijo sistema poslovne inteligence v državni upravi preko projekta skrinja, uporabnikom omogočamo, da podatki postanejo informacije za boljše odločitve. Prvi podatkovni vir, ki je zaživel v skrinji je sistem plač javnega sektorja, v razvoju je prenos podatkov javnih naročil, ki bo sledil v naslednjih mesecih. Skrinja uporabnikom omogoča pridobivanje podatkov v realnem času, avtomatizacijo analiz in poročil ter napovedno analitiko za pripravo različnih scenarijev tako za potrebe strateškega načrtovanja kot tudi za operativno raven.

  • 11:20

    Ko planiranje preraste v nepogrešljivo orodje za upravljanje

    Senaid Mrkaljević,  A1 Slovenija d.d, Bogomir Jalovec, In516ht d.o.o.
    Prikaži več

    Prisluhnite kako je A1 prešel iz ročnega planiranja v Excelu v avtomatizirani planski proces s pomočjo napredne analitike. Predstavili vam bodo tudi, kako se to odraža v planskih procesih in dejanskem odločanju vodstva podjetja.

  • 11:50

    Dnevno upravljanje zalog, nabave in prodaje

  • 12:10

    Odmor za kosilo

  • 13:00

    Upravljanje prodaje v realnem času s pomočjo poslovne inteligence in analitike

    Patricija Filipič Orel, Mateja Kuhar Zobarič
  • 13.30

    Podpora hitri rasti poslovanja

    Edvard König, EKWB d.o.o.
    Prikaži več

    EKWB je podjetje, ki hitro povečuje obseg poslovanja v vseh ozirih: prodaja, geografija, proizvodnja in logistika. Slišali bomo, kako rešujejo izziv obdržati pregled nad poslovanjem in poslovnimi odločitvami ob vedno večjem obsegu podjetja in razpoložljivih podatkov. Trenutna rešitev vključuje ERP, sistem za planiranje, sistem za podporo proizvodnji in logistiki in sistem za poslovno analitiko. Vsak gradnik zase je specializiran za dejavnost podjetja, podatkih iz vseh skupaj pa povezani v enotno sliko, ki služi bolj učinkovitemu upravljanju, tako na strateškem kot na operativnem nivoju.

  • 11:20

    DWH nove generacije v oblaku

    Andreas Pollinger, Sixt SE
    Prikaži več

    Na predavanju se bo predstavil Sixtov novi interni produkt – Sixt Data Shop, ki je podatkovno skladišče, zgrajeno izključno v oblaku. Eden izmed glavnih namenov tega podatkovnega skladišča je odprtje podatkov poslovnim uporabnikom. Na primeru bo prikazano povezovanje tehnike (in tehničnih oddelkov) ter vsebine (oz. poslovnih oddelkov). Na predavanju se bo tudi ovrglo nekaj mitov in strahov pri uporabi oblačnih rešitev, hkrati pa bomo delili nekaj uporabnih trikov pri migraciji klasičnih sistemov na oblačne storitve.

  • 11:50

    GARBAGE IN <> GARBAGE OUT

    Tomaž Koren, Business Solutions
    Prikaži več

    Ustrezna priprava podatkov je ključni predpogoj uspeha uvedbe poslovne analitike, kot seveda tudi drugih poslovno informacijskih rešitev (ERP, CRM, DWH…), tako z vidika uporabe, kot tudi z vidika »zaupanja« v aplikacijo. Priprava podatkov je časovno zahtevna in hkrati ključna faza podatkovne analize in priprave integracij med sistemi. Če ji ne posvetimo zadosti časa, se običajno razvije sindrom “garbage in, garbage out”. Na konkretnih primerih bomo pokazali, kako nam pri obdelavi podatkov lahko sodobna orodja omogočajo prepoznavo duplikatov, napačnih vnosov, anomalij… ter se tako izognemo »garbage out« učinku, kar nam močno olajša delo pri vzdrževanju kvalitete podatkov, ter tako poveča zaupanje v podatke in posledično v aplikacije, ki le-te uporabljajo.

  • 12:10

    Odmor za kosilo

  • 13:00

    Varnost in varstvo osebnih podatkov

    Miroslav Ekart
    Prikaži več

    Splošna uredba EU o varstvu podatkov nalaga obveznosti naročnikom storitev v oblaku. Ali so ponujene rešitve na naročnike pravno ustrezne in v skladu z GDPR? Kako zagotoviti ustrezno varnost? Kako se je mogoče izogniti sklenitvi pogodbe o pogodbeni obdelavi?

  • 13:30

    Dejavniki odločanja pri izbiri tehnološke podpore in pregled trga

    dr. Bojan Cestnik
    Prikaži več

    Namen poslovne analitike je zagotoviti pravočasne in točne informacije za boljše strateško, taktično in operativno poslovno odločanje. Pri izbiri ustreznih orodij za tehnološko podporo poslovni analitiki so podjetja pogosto soočena s številnimi izzivi. V okviru predavanja bomo analizirali dejavnike odločanja in zastavili ključna vprašanja, na katera morajo podjetja znati odgovoriti, da si izboljšajo možnosti za uspešno vpeljavo poslovne analitike v poslovanje. V kontekstu omenjenih dejavnikov bomo predstavili primerjalni pregled ponudnikov tehnoloških rešitev s področja poslovne analitike.

  • 14:00

    Zaključek foruma