U susret Biograd Boat Show 2018

Predmet ovog članka analiza je sudionika ( izlagača ) Biograd Boat Show koji se održao u razdoblju 19. – 22.listopada 2017.godine u Biogradu na moru. Informacije i materijali o izlagačima koji su korišteni u ovoj analizi nalaze se u katalogu koji je preuzet sa službenih internet stranica sajma. Pored dostupnih podataka o nazivu tvrtke, kontakt podacima ( koje bi već ove godine trebalo uskladiti s GDPR Uredbom ), uključeni su podaci o financijskom poslovanju ( prihodi, dobit, bonitet, broj zaposlenih ) pri čemu je korištena web aplikacije Astreel.

Analiza svih sudionika sajma prema financijskim rezultatima poslovanja nije bila moguća iz slijedećih razloga: – Za inozemne izlagače financijski podaci nisu bili dostupni u trenutku izrade analize – Izlagači koji su kategorizirani kao obrti, zadruge, udruge, ili obiteljska poljoprivredna gospodarstva nemaju javno dostupne financijske podatke – Osiguravateljske kuće, banke, leasing kuće nisu uključene u analizu Za analizu podataka koristio sam Python library – Pandas, Numpy, Matplotlib, Seaborn.

Analiza sudionika ( izlagača ) na Biograd Boat Show 2017

Od ukupno 308 izlagača na sajmu 84,4 % činili su gospodarski subjekti iz Hrvatske. Boje inozemnih sudionika branile su Slovenija, Njemačka, Austrija, Madžarska, Grčka, Francuska, Belgija, Italija. U grafikonu 1. prikazan je odnos domaćih i inozemnh izlagača na sajmu.

Prema podacima iz kataloga Biograd Boat Show iz 2017.godine od ukupno 308 izlagača, za potrebe ove analize prikupljeni su financijski podaci za 193 gospodarska subjekta ( grafikon 2. )

U grafikonu 3. vidljiv je odnos prema vrstama poduzeća sa aspekta društveno – ekonomskog sustava. Konkretne brojke govore da je od 308 izlagača, 201 tvrtki d.o.o., dok se ostali oblici udruživanja pojavljuju 107 puta ( grafikon 3. )

Prethodno smo najavili kako ćemo se fokusirati samo na tvrtke za koje imamo sve financijske podatke. Slijedeći grafikon ( grafikon 4. ) prikazuje broj izlagača prema veličini gospodarskih subjekata. Broj mikropoduzetnika bio je 101, zatim slijedi 75 malih poduzetnika, 12 srednje velikih tvrtki i 3 velika gospodarska subjekta.

Ukupno ostvareni prihodi 193 gospodarska subjekta za koje raspolažemo s financijskim podacima iznosili su 4,22 milijarde kuna, dok su istovremeno zapošljavali 3929 ljudi. Ostvareni prihodi i broj zaposlenih prema veličini subjekata:
  • mikropoduzetnici 216 milijuna kuna i 378 zaposlenika,
  • mali poduzetnici 1,51 milijarda kuna i 1239 zaposlenika,
  • srednji poduzetnici 1,04 milijarde kuna i 1087 zasposlenika, i
  • veliki poduzetnici s prihodima od 1,44 milijarde kuna s 1223 zaposlena djelatnika.
Iz grafikona 5. vidljivo je kako su najzastupljeniji bile subjekti s jednim, dvoje ili troje zaposlenih. Prema službenim evidencijama za 2017.godinu osam tvrtki koje su nastupile nisu imale evidentirane zaposlenike. Riječ je o tvrtkama koje su prošle godine bilježile negativne poslovne rezultate. Kako se kreću rasponi ostvarenih prihoda tvrtki s jednim zaposlenikom ? Podatak na vertikalnoj osi odnosi se na broj tvrtki koje su ostvarile određenu visinu prihoda. Npr. prvi stupac nam govori kako je deset tvrtki s jednim zaposlenikom ostvarilo prihode u rasponu od 1 do 500.000,00 kuna, 5 tvrtki je imalo prihode u rasponu od 500.001 do 1.000.000 kuna, itd. Jedan od izlagača na sajmu ostvario je prihod u rasponu 4 – 4,5 milijuna kuna s jednim zaposlenikom. Kako se kreću rasponi ostvarenih prihoda tvrtki s dvoje zaposlenika ? Analogno pojašnjenju koje smo dali u prethodnom slučaju distribucija ostvarenih prihoda kada su u pitanju dvoje zaposlenika. Koje su hrvatske županije zastupljene na sajmu? S obzirom na mjesto održavanja sajma najviše izlagača dolazi iz Zadarske županije, dok Splitsko-dalmatinska županija i Grad Zagreb zauzimaju drugo, odnosno treće mjesto. Financijska slika izlagača na sajmu? Prema dostupnim financijskim podacima izlagača na BBS17 za veći broj izlagača ocjena boniteta se kretala između B ( 67 subjekata ),  A ( 65 subjekata ) i C ( 37 subjekata ). Bonitetna ocjena formirana temeljem pokazatelja zaduženosti, likvidnosti, obrtaja imovine, ekonomičnosti i rentabilnosti. Za svaki od subjekata analizu je bilo moguće proširiti na način da se vidi postoje li poveznice među društvima, da li je račun blokiran, kakvi su trendovi poslovanja u usporedbi s prosjekom branše, ili usporedbe s vodećim tvrtkama iz iste djelatnosti. Na sajmu su sudjelovala 26 gospodarskih subjekata koji nisu poslovali pozitivno 2017.godine. Raspon financijskih rezultata kretao se u rasponu od -25,85 milijuna kuna do -2,44 tisuća kuna. Koje su najzastupljenije djelatnosti na BBS17? Prema financijskim podacima koji su nam bili dostupni za 193 gospodarska subjekta analizirani su podaci o najzastupljenim djelatnostima na sajmu. U grafikonu 10. izdvojeno je deset najzastupljenijih djelatnosti na sajmu. Izdvojiti ćemo tri djelatnosti iz kojih dolazi najveći broj izlagača na sajmu, te ćemo u nastavku prikazati anlizu prema županijama.  4690 Nespecijalizirana trgovina na veliko ( 27 izlagača ) 7734 Iznajmljivanje i davanje u zakup (leasing) plovila ( 20 izlagača ) 3315 Popravak i održavanje brodova i čamaca ( 16 izlagača ) Uz dostupnost ostalih zanimljivih podataka i ova analiza bi poprimila konkretniju formu. Ipak na temelju dostupnih podataka svatko ponaosob može donijeti zaključke. U ovom izvještaju nije navedeno niti jedno ime tvrtke, niti imena osoba, a sve kako bi se zaštitile informacije o istima sukladno uredbi GDPR. Podaci koji su korišteni dostupni su preko internet servisa, odnosno ne postoje ograničenja da ih bilo koja treća strana koristi za svoje potrebe.    

Matplotlib vodič

Matplotlib (Uvodni dio)

Analize i vizualizacije podatake najčešće sam radio u Excelu. Prošle godine zainteresirao me programski jezik Python. Krenuo sam ga samostalno učiti i puno puta započinjao iznova. Brzina učenja bila je manja od brzine zaboravljanja. Odgledao sam nekoliko desetaka tutoriala na internetu. Jedini način da se nauči kodirati je da počnem kodirati. Jednako važno je znati područje interesa. U mom slučaju analiza i vizualizacija podataka su područje koje me najviše zanima. Kako bi pomogao sebi u budućnosti odlučio sam napisati par redaka o Matplotlib biblioteci.

Analiza i vizualizacija podataka u Pythonu podrazumijeva korištenje biblioteka Matplotlib, Pandas, Numpy i druge. O potonje dvije sam već pisao i koristio u skriptima koje možete pronaći na ovim stranicama. Sada je došao red na matplotlib biblioteku. Koristimo je za vizualizaciju podataka s kojima radimo. Za sada ćemo krenuti s jednostavnim primjerom. Sve primjere koje prikazujemo odrađeni su pomoću Jupyter Notebooka. Riječ je o super alatu koji mi omogućava da vrlo brzo odradim računske i analitičke operacije na velikim bazama podataka.

(more…)

Najam bicikli Python analiza

Najbolji način da se nauči što je više osnovnih pojmova o statistici i vjerojatnosti je kroz primjere.U ovom slučaju koristiti ćemo se bazom podataka koja se odnosi na korištenje javnih bicikli u jednom američkom gradu. Kako se radi o Amerikancima, možete biti sigurni da je analitika posao koji znaju kako se radi. Primjere za to možete naći od gospodarstva, obrazovanja, sporta. U donošenju odluka oslanjaju se na ankete i rezultate istraživanja.
Riječ je o sustavu s 500 bicikli, koje se nalaze na 50 stanica – mjesta raspoređenih u jednom gradu. Na svakoj stanici postoji sustav za zaključavanje i popratni kiosk gdje korisnici usluge mogu platiti godišnju članarinu, jednodnevnu ili trodnevnu naknadu za korištenje.
(more…)

Python i sport

Python za sportske znanstvenike:

Deskriptivna statistika dio 2 – Standardna devijacija i varijanca

Prvi članak koji je napisan imao je ideju uvesti vas u svijet funkcionalnog kodiranja. Funkcije artitmetička sredina ( mean ) i medijan ( median ) mogle su se izračunati korištenjem biblioteke i to na način from statistics import mean, median. Korištenje biblioteke statistics za sada ćemo staviti sa strane. U ovom članku funkcije koje smo pisali u prvom tekstu, sada ćemo dodatno ojačati.Kao što govori naslov, naš fokus će biti dvije nove kalkulacije koje se odnose na: Varijancu i Standardnu devijaciju. Riječ je o funkcijama koje su povezane. Varijanca je definirana kao kvadrat standardne devijacije.
(more…)

Python za sportske znanstvenike

Python za sportske znanstvenike:

Deskriptivna statistika ( aritmetička sredina i medijan )

Cijeli članak napisan je u Jupyter Notebook zbog čega nije moguće pokrenuti kod koji je napisan. S obzirom da sam početnik u programiranju, sigurno ću s vremenom naučiti kako postaviti mogućnost da se kod u članku aktivira. Za sada ću se ipak koncentrirati na sadržaj.

Python je tijekom protekllih godina stekao veliku popularnost i postao je izborom mnogih znanstvenika koji svakodnevno rade s podacima. Nije slučajno da i među znanstvenicima koji se bave sportom postaje sve češći alat koji se koristi.

Premda ovaj članak može biti od koristi sportskim znanstvenicima on nije uvod u programski jezik. Više će biti riječi o tome kako na funkcionalan način pristupiti rješavanju problema i analiziranju podataka. Uvodni dio odnositi će se na dvije osnovne statističke mjere centralne tendencije: aritmetička sredina ( mean ) i medijan ( median ). U zagradama se nalazi prijevod na engleski jezik. To su riječi koje ćemo kasnije koristiti u procesu kodiranja.

(more…)

Python biblioteke set i csv u analizi podataka

Standardne biblioteke

Programski jezik Python posjeduje bogate standardne biblioteke modula koje omogućavaju kompleksno programiranje bez potrebe za instaliranjem dodatnih modula. Ako ste instalirali Python ( verzija 3.x) na svom računalu, velika je vjerojatnost da možete pristupiti alatima. U ovom konkretnom slučaju tema ovog članka su dva modula: set ( koji omogućava manipulaciju nad kolekcijom jedinstvenih podataka ) i csv ( modul koji omogućava čitanje i pisanje csv fileova ).

Set

Krenuti ćemo s jednostavnim primjerom. U intersekciji dviju grupa podataka imena ljudi koji rade u odjelu marketinga i managementa, pomoću Python modula set možemo kreirati novi skup koji se sastoji od imena ljudu koje nalazimo u oba odjela. Za rad na ovom zadatku koristio sam Juypiter Notebook. Iz primjera na kojem smo radili dobili smo rezultat kako ime Marko i Nikola imamo u oba odjela. Princip intersekcije puno više dolazi do izražaja kada radimo na većem setu podataka.

(more…)