Dr inż. Arkadiusz Gaweł

Prodziekan Kolegium Zarządzania ds. kierunków Analityka danych w biznesie i Analityka biznesowa i Big Data Wyższej Szkoły Informatyki i Zarządzania w Rzeszowie. Doktor nauk społecznych w dyscyplinie nauki o komunikacji społecznej i mediach. Konsultant ds. zastosowania sztucznej inteligencji w nauce i edukacji. Jego zainteresowania naukowe koncentrują się wokół: analityki, analityki internetowej, statystyki, Big Data oraz przetwarzania języka naturalnego (NLP).

Czym jest analityka?

Termin Analityka odnosi się do dziedziny informatyki, która wykorzystuje matematykę, statystyki i uczenie maszynowe do znajdowania kluczowych wzorców w danych i obejmuje rafinację dużych zbiorów danych w celu odkrywania, interpretowania i dzielenia się nowymi spostrzeżeniami i wiedzą [1].

Dane to wszystko, co może być przetwarzane w celu uzyskania informacji – zarówno treści tworzone przez ludzi, jak i odczyty sensorów. Same w sobie są surowe, nieuporządkowane i odnoszą się do przeszłości. Nie są zrozumiałe dla człowieka w przypadku ich dużej złożoności. Stają się wartościowe dopiero po obróbce oraz późniejszej analizie, gdy przekształcają się w informacje, np. pomagając w podejmowaniu decyzji biznesowych. Proces ten stanowi podstawę hierarchii wiedzy, często przedstawianej w modelu DIKW (Dane – Informacja – Wiedza – Mądrość).

• Dane (Data) – to surowe, nieprzetworzone fakty, liczby i wartości, które same w sobie nie mają znaczenia;
• Informacja (Information) – dane zostają zorganizowane i powiązane ze sobą, co nadaje im znaczenie;
• Wiedza (Knowledge) – informacja jest interpretowana i analizowana w kontekście. Możemy przewidywać, co się wydarzy na podstawie wcześniejszych doświadczeń lub modeli;
• Mądrość (Wisdom) – to umiejętność podejmowania właściwych decyzji na podstawie wiedzy, z uwzględnieniem szerszego kontekstu i doświadczenia.

Mimo tego, że model DIKW ma krytyczne głosy i potrzeba bardziej holistycznego podejścia w dobie AI [2] to można go użyć jako pewnego rodzaju drogowskazu pokazując, że analiza danych może pomoc w przypadku prostych codziennych czynności.

Należy jednak zacząć od podziału analityki:

Analityka deskryptywna koncentruje się na analizie danych historycznych, aby zrozumieć, co się wydarzyło. Wykorzystuje metody statystyczne, raporty (w formie drukowanej lub interaktywnych pulpitów kierowniczych) i wizualizacje do identyfikacji trendów i wzorców.

Analityka predyktywna wykorzystuje modele statystyczne, nadzorowane algorytmy predyktywne i algorytmy uczenia maszynowego do przewidywania przyszłych zdarzeń na podstawie danych historycznych. Jest stosowana do prognozowania różnych aspektów np.: sprzedaży w następnych kwartałach, zachowań klientów czy ryzyka biznesowego.

Analityka preskryptywna idzie jeszcze krok dalej, sugerując optymalne działania na podstawie wyników aktualnej sytuacji. Wykorzystuje algorytmy optymalizacyjne, algorytmy genetyczne, metody ewolucyjne, programowanie liniowe, programowanie nieliniowe do rekomendowania decyzji, np. w logistyce, zarządzaniu zasobami.

W przypadku biznesu wszystkie typy analityki są wykorzystywane w różnych sytuacjach.

Biorąc pod uwagę, że ilość danych rośnie w sposób dynamiczny – wg serwisu statista.com (Rys. 4.) w 2025, prognoza to 182 zettabajtów (182 ZB = 182 000 000 000 000 GB) działania mające osiągać cele biznesowe muszą być powiązane z analizą danych.

Danetyzacja – czym jest?

Na przestrzeni lat powstało wiele nowych terminów które są powiązane z danymi. Przekształcenie analogowych informacji, dokumentów procesów i obiektów fizycznych w cyfrowe odpowiedniki nazywa się digitalizacją. Digitalizacja stała się znaczącym elementem nowoczesnego biznesu i społeczeństw, umożliwiającym rozwój nowych technologii, usług i modeli biznesowych. Kolejnym terminem związanym z danymi to Big Data jako duży zbiór danych do analizy, który należy zwiększać w celu wydobycia danych informacyjnych [3]. Opierając definicję o model 3V [4] w tym modelu, aby opisać termin Big Data dane muszą posiadać co najmniej 3 atrybuty – jak Volume (Objętość), Variety (Różnorodność), Velocity (Szybkość przetwarzania). Rafinacja dużych wolumenów danych z sieci odnosi się do procesu pozyskiwania ze zbiorów danych cennych informacji – niekiedy wymaga to wielu przekształceń i połączeń zbiorów danych [5].

Istnieje również inny termin nazywany datafikacją lub danetyzacja (anf. datafication) czyli kwantyfikowania świata i wszystkiego co otacza człowieka [6]. Przykłady użycia danetyzacji:

• Systemy nawigacyjne – analizowanie ruchu drogowego i optymalizacja tras, np. Google Maps; Płatności bezdotykowe w komunikacji miejskiej;
• Aplikacje zdrowotne i fitness – rejestrowanie aktywności fizycznej, np.: liczba kroków, tętno;
• Handel i e-commerce i programy lojalnościowe – gromadzenie danych o klientach w celu nagradzania lojalności;
• Personalizacja ofert – analiza danych zakupowych i rekomendowanie produktów, np.: w aplikacjach mobilnych;
• Rozpoznawanie twarzy – analiza obrazu w celu identyfikacji osób, np.: odblokowywanie telefonu twarzą;
• Płatności mobilne i cyfrowe portfele – rejestrowanie transakcji i analiza wydatków;
• Monitorowanie efektywności pracy – analiza wydajności pracowników;
• Inteligentne urządzenia domowe (Smart Home) – analiza użytkowania sprzętów domowych;
• Systemy inteligentnego monitoringu – analiza obrazu i dźwięku;
• Itd.

Dostosowanie się do takiego świata, aby wyciągnąć z niego jak najwięcej

Żeby funkcjonować w tak opanowanym przez dane społeczeństwie, aby korzystać świadomie z wszystkiego dookoła, powinniśmy „ustawić” swój sposób myślenia na data-driven mindset. Jest to sposób myślenia, w którym personalne decyzje opierają się w istotnym stopniu na analizie danych, a nie na intuicji czy przeczuciach. Osoby, organizacje w takim podejściu systematycznie zbierają, przetwarzają i interpretują dane, wyciągając z nich wnioski, aby podejmować świadome i optymalne decyzje. Ale czy da się to zrobić tak po prostu, wprowadzić to w życie codzienne?

Zacznijmy od początku, od analityki deskryptywnej i jakiejś konkretnej informacji np.: Załóżmy, że natrafiamy na nagłówek na jednej ze stron internetowych: „Koniec świata już za tydzień!”  W świecie data-driven mindset nie reagujemy emocjonalnie, ale zamiast tego przechodzimy przez logiczny proces analizy danych, aby ocenić prawdziwość takiej informacji. Pierwszym krokiem jest weryfikacja źródła informacji. Czy pochodzi z wiarygodnego źródła? (np. NASA, naukowcy, instytuty badawcze), Czy autor jest ekspertem w danej dziedzinie? Czy informacja została potwierdzona przez inne rzetelne źródła? Jeśli nagłówek pochodzi z tabloidu lub nieznanego bloga, od razu możemy go pominąć. Proces ten jest ściśle powiązany z myśleniem krytycznym. Myślenie krytyczne, to zdolność do świadomego, obiektywnego i dogłębnego analizowania informacji oraz sytuacji.

Rozwijanie dyspozycji do myślenia krytycznego wiąże się z:

• identyfikowaniem wiarygodnych źródeł informacji,
• jasnym przedstawianiem tematu z uzasadnieniami dowodzącymi słuszności stwierdzeń,
• kwestionowaniem stereotypowych wątków i poszukiwaniem tendencyjności w myśleniu,
• syntezą pomysłów z szeregu tekstów źródłowych, przedstawieniem wielu perspektyw i złożoności analizowanego problemu,
• zwięzłym podsumowywaniem pomysłów, świadczącym o zrozumieniu tematu,
• generowaniem wniosków i rozpoznawaniem implikacji stanowiących wynik analizowania danego zagadnienia,
• zajmowaniem odpowiedzialnego, etycznego stanowiska w danej sprawie,
• poszukiwaniem wykonalnych rozwiązań problemów otoczenia [7].

Człowiek krytycznie myślący poszukuje zatem dowodów i racjonalnej weryfikacji własnych przekonań. Rozwija swoją autonomię i dba o autonomię innych ludzi, nie pozwala sobie na przyjmowanie postaw konformistycznych, chroni się przed dogmatyzmem, uproszczeniami i manipulacją [8].

Warto nadmienić, że techniki analityki deskryptywnej mogą przydać się w życiu codziennym. Analiza wydatków i dochodów za pomocą arkuszy kalkulacyjnych pozwala ustabilizować wydatki w przyjętych ryzach i oszczędzać pieniądze. Wykrywanie anomalii w wydatkach kupując jakiś absurdalnie drogi przedmiot (czasami są rzeczy, które się nie opłacają, ale warto 😊). Kontrolowaniem może być nie tylko aspekt finansowy, ale również kontrolowanie kalorii, makroskładników i kontrolowanie siebie samego w aktywności fizycznej, pomaga w utrzymaniu zdrowego stylu życia. Analiza czego warto się uczyć i jak się uczyć np. mnemotechniki (sposoby służące zapamiętywaniu, przechowywaniu oraz odtwarzaniu informacji).  Dodatkowo w dobie współczesnych technik manipulacyjnych weryfikacja informacji jest niezwykle ważna, np. punktu widzenia obrony przed różnymi technikami prezentacji danych np. manipulacji skalą. Rysunek poniżej przedstawia dwa obrazki po lewej skala zaczyna się od 90 po prawej od 0. Manipulacja polega na tym, że w wykresach, które mają pokazać różnice, skala zawsze ma się zaczynać od 0 jeśli przekaz ma być wiarygodny – dotyczy to na przykład sondaży poparcia partyjnego pokazywanych w mediach lub telewizji, w których zdarza się ten aspekt… przeoczyć. Jest wiele takich możliwości wpływających na naszą percepcję, wykresy 3d, perspektywa itd. Warto się przed tym bronić, lecz trzeba najpierw zorientować się, że możemy być nieświadomie lub świadomie oszukiwani.

W artykule „Dealing with information overload: a comprehensive review” (2023) [9] autorzy przeprowadzili systematyczny przegląd literatury, aby zidentyfikować istniejące środki zapobiegania i interwencji związane z przeciążeniem informacyjnym (ang. information overlad) [10]. Przeciążenie informacyjne nasila się wraz z cyfryzacją i kluczowe interwencje w tym obszarze obejmują filtrowanie treści i techniki zarządzania czasem. Coraz więcej kont wymaga do korzystania ze swoich  usług, coraz więcej haseł, pinów, danych do zapamiętania – musimy to jakoś zoptymalizować….

No i dochodzimy do kolejnej z grupy analityki – analityki preskryptywnej, a więc optymalizacji i podejmowania decyzji. Jeśli chodzi o zwykłe, codzienne decyzje, badania wskazują, że przeciętny człowiek podejmuje do 35 000 decyzji dziennie – od trywialnych (np. co zjeść na obiad, użyć keczupu czy musztardy, posolić czy dać trochę więcej pieprzu) po kluczowe i perspektywiczne (np. dotyczące kariery) [11]. Jak sobie radzić z tyloma decyzjami? D. Kahneman w swojej książce „Pułapki myślenia. O myśleniu szybkim i wolnym” [12] wskazuje, że człowiek opanował mechanizm optymalizacji podejmowania decyzji – stworzył dwa systemy myślenia. System 1. jest można powiedzieć automatyczny/półautomatyczny, który powoduje, że wychodząc z domu czasem nie pamiętamy czy wyłączyliśmy żelazko, ale za to pomaga radzić sobie w chaosie i złożoności świata, redukując energię potrzebą do użycia Systemu 2. Dodatkowo System 1. chroni nas w razie niebezpieczeństwa bardzo niespodziewanego i reaguje błyskawicznie np. mechanizm walki czy ucieczki.  System 2. jest wolniejszy, analityczny wymagający znacznie więcej energii, jest nam bardzo potrzebny – ludzki mózg, mimo że stanowi 2% masy naszego ciała, zużywa 20-30% energii [13]. Mimo tego że System 2. jest dla nas lepszy pod względem trafności decyzji, to System 1. jest domyślnie włączony i zwykle przejmuje kontrolę, aby zaoszczędzić energię i czas. Są pewne mechanizmy, które pokazują u nas, z którego systemu korzystamy i kiedy się przełączamy: np. jadąc samochodem po codziennej trasie (i będąc długoletnim kierowcą) zwykle korzystamy podczas prowadzenia z Systemu 1. – rozmawiamy z pasażerem koncentrując się na rozmowie czy żartach, lecz gdy dochodzi do jakiejś niecodziennej sytuacji i przychodzi nam zrobić trudny manewr, zwykle rozmowa schodzi na dalszy plan, a my koncentrujemy się tylko i wyłącznie na tym zadaniu – tak, to ten sam system, który pomaga nam liczyć w głowie bardziej skomplikowane zagadki matematyczne czy przekształcać wzory. Trzeba trochę zmusić System 2. do działania, aby mieć z niego korzyści podejmując decyzję bardziej całościową, wielowątkową lub wieloetapową.

Czy podejmowanie decyzji nie jest istotną umiejętnością w życiu tak bardzo złożonym, jaki mamy w dzisiejszych czasach? Oczywiście, że jest! Niektórzy z nas mają mniejsze lub większe predyspozycje „wbudowane” w schematy analityczne. Model osobowości oparty na kolorach, czyli typy czerwony, żółty, zielony i niebieski, wywodzi się z koncepcji DISC stworzonej przez Williama Marstona. Model DISC jest często stosowany w psychologii osobowości oraz w środowiskach pracy i komunikacji. Każdy kolor w tym modelu reprezentuje inny styl zachowania i charakterystyczne cechy osobowości:

• Czerwony – typ dominujący, nastawiony na osiąganie celów, odważny, bezpośredni, pewny siebie.
• Żółty – typ inspirujący, entuzjastyczny, kreatywny, nastawiony na relacje, otwarty.
• Zielony – typ wspierający, lojalny, spokojny, współczujący, ceniący harmonię i stabilność.
• Niebieski – typ analityczny, zorganizowany, dokładny, ceniący logikę, skupiony na faktach [14].

Typy osobowości DISC wpływają znacząco na sposób podejmowania decyzji, od szybkości działania po analizę informacji i zaangażowanie emocjonalne. Oczywiście typy potrafią się mieszać, ale typ Niebieski, czy Niebiesko-Zielony to „analityczny umysł”, to jest ktoś kto liczy, wyciąga wnioski i zwykle w dłuższej perspektywie dobrze na tym wychodzi. Ma to nastawienie analityczne niejako wbudowane, ale często może to przeszkadzać np. innym. Aby podjąć decyzję typ Niebieski potrzebuje czasu, a gdy przychodzi telefoniczne zaproszenie, aby pójść na przyjęcie, Niebieski zastanawia się w co ma iść ubrany, jak dotrzeć, kiedy wyjść, dochodząc do tego… czy w ogóle iść – cały szereg analitycznych pytań, podczas gdy Żółty będzie już w taksówce jadąc na przyjęcie.

Wracając do tego przeczytanego artykułu o końcu świata za tydzień. Sposób reakcji zależy od nas i chyba lepiej nie dołączać do reakcji negatywnych emocji na wszystkie wiadomości z mediów, na początku należy zweryfikować źródło, a następnie reagować (jeśli nie mamy wpływu na to zdarzenie, to również reakcja może nie być konieczna). Reagowanie w takich sytuacjach, to  również utrata zasobów – Kahneman o tym pisze „pay attention” dosłownie płacić uwagą. Załóżmy, że minuty naszego życia to waluta – nazwijmy ją Życiominuty . Ile tej waluty mamy? Załóżmy, gdybyśmy wiedzieli, że zostanie nam 1 dzień życia (1440 Życiominut) to serio reagowalibyśmy negatywnie na to, że jakiś polityk będzie zamknięty lub nie? Czy w ogóle czytalibyśmy ten artykuł? Podejmując każdą z decyzji w programowaniu liniowym lub nieliniowym potrzebujemy 4 elementów: parametrów modelu (stałych, które znamy), zmiennych decyzyjnych (to, czego szukamy), limitów (ograniczeń naszych zasobów), funkcji celu (zwykle maksymalizacji zysku lub redukcji kosztów). Jeśli, któregoś z elementów brakuje, nie jesteśmy w stanie obliczyć wyniku. Włączenie emocji w model może zepsuć dobrą decyzję (czy pod wpływem silnego stresu podejmiemy dobrą decyzję?).

Gdyby ktoś jednak zarzucił, że przecież analiza tyle trwa, trzeba przeliczać, a są sytuacje tu i teraz, gdzie liczą się sekundy. Tutaj też mamy do dyspozycji jedną z metod. Metoda O.O.D.A. (Observe – Orient – Decide – Act), opracowana przez pułkownika amerykańskich sił powietrznych (United States Air Force) Johna Boyda, to cykl decyzyjny wykorzystywany głównie w wojskowości. Początkowo była stosowana w lotnictwie wojskowym i taktyce walki powietrznej. Boyd testował tę teorię na myśliwcach F-86 Sabre podczas wojny koreańskiej (1950–1953) [15]. Najważniejsze jest to, aby nie pominąć żadnego kroku w cyklu np. aby nie naciskać przycisku wystrzału (Act) zanim nie zorientujemy się, w jakim położeniu jesteśmy (Observe), w jakim są inni (Orient) i zanim nie podejmiemy decyzji (Decide). Aplikacja tej metody pozwalała żołnierzom i pilotom szybciej reagować niż przeciwnik, strony, które szybciej przechodziły przez cykl O.O.D.A., narzucały tempo walki. Czasami w życiu czy biznesie potrzebujemy być gotowi, zaobserwować nagłą zmianę, zorientować się, jak działają inni, trzeba podjąć decyzję w głowie i działać powtarzając cykl!

Została nam ostatnia z analityk czy analityka predyktywna związana z przewidywaniem. Co moglibyśmy przewidywać? Wiele rzeczy. Załóżmy, że planujemy zrobić zakup na zapas naszych ulubionych fit pełnoziarnistych ciasteczek (jako analitycy, ludzie, którzy analizują źródła z różnych dziedzin wiemy, że makroskładniki są ważne w diecie). Bazując na danych, które mamy, znając te techniki zbudujmy nasz model. Czy nie opłaca się nam ich kupić za dwa tygodnie, kiedy cena będzie prawdopodobnie najniższa? Około 5,40 zł (między 4,39zł – 6,41zł)

Podsumowując: Analityk, jako profesja, zawód – ocenia, szacuje, analizuje, wspiera podejmowanie decyzji, przewiduje kwestie biznesowe. Analityk, jako człowiek – robi dokładnie to samo w życiu codziennym, planuje swoją karierę, zdrowie, podejmuje trafne w danym momencie decyzje, optymalizuje swój czas wybierając jak go dobrze wykorzystać. Oczywiście wszystkie etapy analityki może wspomóc sztuczna inteligencja, jako „rozszerzenie naszego człowieczeństwa”, ale znajomość technik analitycznych jest niezbędna do życia na własnych zasadach. Wszystkie z tych analityk poznasz na studiach Analityka danych w biznesie – WSIiZ w Rzeszowie oraz Analityka biznesowa i Big Data – WSIiZ w Rzeszowie

Literatura:

1. Co to jest analityka? | Definicja, znaczenie, przykłady | SAP, 30.01.2025
2. Peters, Michael & Jandric, Petar & Green, Benjamin. (2024). The DIKW Model in the Age of Artificial Intelligence. Postdigital Science and Education. 10.1007/s42438-024-00462-8.
3. Cox, D. Ellsworth, Managing Big Data for Scientific Visualization, ACM SIGGRAPH ’97 Course #4, Exploring Gigabyte Datasets in Real-Time: Algorithms, Data Management, and Time-Critical Design, Los Angeles 1997.
4. Doug, Data Management: Controlling Data Volume, Velocity, and Variety, „Application Delivery Strategies”, META Group (currently with Gartner), 2001.
5. Gogołek, Rafinacja dużej skali zasobów sieciowych — Big Data. Dziennikarskie źródło informacji, 2016.
6. Meyer-Schonberger, K. Cukier, Big Data. Rewolucja, która zmieni nasze myślenie, MT Biznes, 2014.
7. Zbróg Rozwijanie dyspozycji do myślenia krytycznego w warunkach akademickich, Przegląd Pedagogiczny DEBIUTY NAUKOWEISSN 1897-65572020, nr 2, s. 379–392 DOI: 10.34767/PP.2020.02.26
8. Garstka, A. Śliwerski, (2019). Psychopedagogiczne mity 2. Dlaczego warto pytać o dowody. Warszawa: Wolters Kluwer.
9. Arnold, M., Goldschmitt, M., & Rigotti, T. (2023). Dealing with information overload: a comprehensive review. Frontiers in Psychology, Sec. Organizational Psychology Volume 14 – 2023 | https://doi.org/10.3389/fpsyg.2023.1122200
10. Daft R. L., Lengel R. H. (1986). Organizational information requirements, media richness and structural design. Manag. Sci. 32, 554–571. doi: 10.1287/mnsc.32.5.554
11. Sollisch J. The cure for decision fatigue. Wall Street Journal 2016.
12. Kahneman, D. (2012). Pułapki myślenia. O myśleniu szybkim i wolnym, Media Rodzina. (Oryginalna praca wydana w 2011 roku jako „Thinking, Fast and Slow”)
13. https://www.national-geographic.pl/nauka/ciekawostki-o-mozgu-neurony-babci-prawdziwa-liczba-szarych-komorek-i-mit-wykorzystywania-tylko-10-mozgu/02.2025
14. Masen, E., Hedlund, D., & Tingle J. K. (2022). The use of DISC behavioral profiling and training: An innovative pedagogical strategy to enhance learning and future career opportunities in sport management and sport coaching higher education classrooms. Journal of Higher Education Athletics & Innovation, 1(9), 82-103. https://doi.org/10.15763/issn.2376-5267.2021.1.9.82-103
15. Osinga, F.P.B. (2006). Science, Strategy and War: The Strategic Theory of John Boyd (1st ed.). https://doi.org/10.4324/9780203088869