TEHNIČKO VELEUČILIŠTE U ZAGREBU

Transcription

1 TEHNIČKO VELEUČILIŠTE U ZAGREBU POLITEHNIČKI SPECIJALISTIČKI DIPLOMSKI STRUČNI STUDIJ Specijalizacija informatika Luka Petrić PREVENTIVNO DJELOVANJE NA KRIMINALNE AKTIVNOSTI BIG DATA TEHNOLOGIJOM DIPLOMSKI RAD br. I 452 Zagreb, siječanj 2015.

2 TEHNIČKO VELEUČILIŠTE U ZAGREBU POLITEHNIČKI SPECIJALISTIČKI DIPLOMSKI STRUČNI STUDIJ Specijalizacija informatika Luka Petrić JMBAG: PREVENTIVNO DJELOVANJE NA KRIMINALNE AKTIVNOSTI BIG DATA TEHNOLOGIJOM DIPLOMSKI RAD br. I 452 Povjerenstvo: Zagreb, siječanj 2015.

3

4

5 Sažetak Tema diplomskog rada je preventivno djelovanje na kriminalne aktivnosti big data tehnologijom. U velikoj mjeri rad je predstavljen kroz teoretska načela sve prisutnije big data tehnologije koja su popraćena konkretnim primjerima iz prakse. Svaka cjelina, osim uvoda, u kojem se iznosi sama problematika rada, osim teoretskog dijela sadrži i primjer iz prakse. Kao osnovna tema rada je prikazana konkretna primjena big data tehnologije u prevenciji kriminaliteta. Primjer je odabran iz razloga što zahtjeva davanje odgovora na jedno od najkompleksnijih pitanja Što bi bilo kad bi bilo? Te kao takav zahtjeva primjenu velikih količina podataka tj. big data načela u punom smislu te riječi. I

6 Sadržaj 1. Uvod PODATAK KAO RESURS OVISNOST O PODATKOVNOJ ODREĐENOSTI Kvantificiranje VREDNOVANJE PODATAKA Opcionalna vrijednost podataka Ponovno korištenje podataka Kombinacija podataka Procjena vrijednosti podataka Određivanje cijene podataka PREDIKTIVNA ANALITIKA Što možemo predvidjeti Međuljudski odnosi i opravdanost predviđanja PREVENTIVNO POLICIJSKO DJELOVANJE Izrada predviđanja Hot - spot analiza Heurističke metode Regresijske metode Near repeat metoda Ulazne varijable metoda Vremensko prostorna analitika PRIMJER IZ HRVATSKE ZAKLJUČAK Summary II

7 Popis oznaka i kratica IBM -američka tvrtka koja je jedna od pionira u razvoju računarstva i informacijskih tehnologija (eng. International Business Machines). OCR -računalni program za optičko prepoznavanje znakova (eng. Optical Character Recognition). CAPTCHA - potpuno automatizirani javni Turingov test za razlikovanje računala od ljudi (eng.completely Automated Public Turing test to tell Computers and Humans Apart ). AOL - američka multinacionalna medijska korporacija (eng. America Online). NSA -Središnja sigurnosna služba (eng. National Security Agency/Central Security Service, NSA/CSS). LAPD odjel Los Angeles policije (eng. Los Angeles Police Department) BJA NJA GIS -ured za pomoć pravosuđu (eng. Bureau of Justice Assistance) -nacionalni ured za pomoć pravosuđu -geografski informacijski sustav (eng. Geographic Information System) KDE -naziv funkcije (eng. Kernel Density Estimation ) PAI -indeks pouzdanosti procjene (eng. Prediction Accuracy Index) ST-GAM -naziv modela (eng. Spatiotemporal Generalized Additive Model) LST-GAM -naziv modela (eng.. Local Spatiotemporal Generalized Additive Model ) HGSS -Hrvatska gorska služba spašavanja UNDP program Ujedinjenih naroda za razvoj (eng. United Nations Development Program) TK25 -osnovna službena državna karta (Topografska Karta 25) III

8 Popis slika Slika 1 Slika 2 Slika 3 Slika 4 Slika 5 Slika 6 Slika 7 Slika 8 Primjer grid mapp metode Rezultat korištenja Crime Stat softverskog alata Primjena KDE funkcije (konturni prikaz) Primjena KDE funkcije (toplinski prikaz) Manualna primjena grid mapping metode Quantum GIS softverski alat (dva podatkovna sloja) Quantum GIS softverski alat (tri podatkovna sloja) Quantum GIS softverski alat (četiri podatkovna sloja) IV

9 V

10 1. Uvod Prema definiciji, ljudski rad se definira kao svrsishodna i svjesno organizirana djelatnost ljudi radi postizanja nekog korisnog učinka. Dok se u apstraktnom smislu predstavlja utrošak ljudske radne snage: intelektualnog napora, mišićnog napora, psihološkog stresa i vremena da bi se postigao neki cilj i kao takav predstavlja sredstvo razmjene. Vodeći se tom definicijom, primjerice, pišući ovaj diplomski rad, nedvojbeno su prisutni svi elementi koji definiraju rad kao takav. Nadalje iz toga proizlazi da je konačni produkt svojevrsno sredstvo razmjene, koje ima svoju vrijednost. Povlačeći paralelu između definicije rada i ovog diplomskog rada možemo vidjeti da i ovaj diplomski rad ima svoju vrijednosti iako predstavlja u osnovi hrpu podataka koji nužno nemaju fizičku komponentu. Da podatci imaju vrijednost ljudi su shvatili već u najranijim danima svoga postojanja stvarajući raznorazne slike i tekstove u kojima je bilo pohranjeno određeno znanje, određena vrijednost. Kako se je čovjek s vremenom intelektualno razvijao možemo reći kako je i sve više vrijednosti pohranjivao u podatke. Ta čovjekova djelatnost traje već stoljećima, te se može primijetiti kako je s vremenom evoluirala ne samo u smislu obima već i u načinima primjene akumulirane vrijednosti. Evolucijski lanac stvaranja i primjene podataka najveće promjene doživljava u današnjim danima u kojima je u potpunosti riješen, nazovimo problem stvaranja podataka, a težnja usmjerena na samu akumuliranu vrijednost. Razlog tome je prvenstveno pojava računala koja su u prvi mah omogućila lako stvaranje novih podataka, a nakon toga i izvođenje kompleksnih analiza nad podacima. Pojavom mogućnosti kompleksnih analiza koje po složenosti nadilaze čovjekove umne sposobnosti obrade podataka, javila se i do današnjih dana neviđena mogućnost stvaranja veće vrijednosti kombinacijom analiza nad manjim jedinicama podataka tj. mogućnost veće iskoristivosti podataka. Otkrivanje skrivenog potencijala u današnje vrijeme dovodi do potpune promjene u odnosu prema podatcima, prvenstveno što otkrivanje novih, skrivenih vrijednosti podataka ponekad ima direktan učinak i na financijskom planu, a što je još bitnije i u onom segmentu života koji je po prioritetu iznad svih financijskih planova. Zadiranje u ta poprilično osjetljiva 1

11 područja života neizbježno za sobom povlači činjenicu da se u praksi ne biraju sredstva što za posljedicu ima niz kako pozitivnih ali i, u društvu uvijek primjetnijih, negativnih efekata. Da bih se ostvarili pozitivni efekti novog sagledavanja podatkovne vrijednosti, nedvojbeno je potrebno riješiti probleme signifikantnih negativnih efekata koji snažno utječu na stupanj skepticizma od strane društva. Paradoksalno je da rješenje tog problema leži također u podatcima. Naime rješenje je u stvaranju novih zakona kojima se regulira ponašanje na ovom području, što je ništa drugo nego stvaranje novih podataka, te u boljem upoznavanju javnosti s pozitivnim stranama ali isto tako ne izostavljajući negativne efekte ovog novog pristupa, što je ekvivalentno analizi podataka od strane šire javnosti o ovoj temi. 2

12 2. PODATAK KAO RESURS Novi trend u pristupu podatcima najbolje je opisao IBM-ov stručnjak za podatke Jeff Jonas rečenicom: Pustite da vam podatci govore. Inače veliki zagovornik Big Data 1 tehnologije ovom rečenicom je naglasio postojanje ogromnih podatkovnih potencijala kojima se trenutno raspolaže kao i postojanje mogućnosti izvlačenja dodatnih vrijednosti iz tih podataka tj. mogućnosti da podatci progovore.[1] Taj novi pristup u radu s podatcima na prvi pogled se čini potpuno prirodan i jednostavan zbog tehnološkog razvoja i eksponencijalnog rasta procesorske moći, što je dijelom točno. Bez tehnoloških mogućnosti kojima danas raspolažemo ovakav pristup je nemoguć jer nadilazi analitičke mogućnosti čovjeka. Kada ovaj pristup analiziramo kroz prizmu jednostavnosti možemo pasti u zamku te se isto tako osloniti na moć današnjih tehnoloških mogućnosti, preskačući jedan krucijalan korak, a to je prilagodba načina razmišljanja na osnovu kojeg se primjenjuje tehnologija te u konačnici polučuju rezultati. U osnovi možemo razlikovati tri temeljna pomaka u načinu razmišljanja: - stavljanje naglaska na količini podataka, rad s ogromnim količinama podataka - ne inzistiranje na potpunoj točnosti podataka koliko na količini - primjena korelacijskih metoda U mnogim situacijama društvo zadržava stari pristup podatcima, što se tiče njihove količine i volje za skupljanjem. Jednostavno nije još razvijena svijest o slobodi u sferi skupljanja podataka sa svih područja ljudskog djelovanja, upravo suprotno, u nekim slučajevima naglasak se stavlja na razvoju sustava koji limitiraju količinu podataka s kojima se radi. Nastojeći time nastaviti s primjenom zastarjelog načina gledanja na podatke koji su podijeljeni na manje skupove ovisno o kontekstu na koji se odnose, ne aplicirajući pri tome tehnološka dostignuća današnjice koja daju mogućnost sagledavanja skupa podataka kao jedinstvenog entiteta koji ne robuje kontekstu koji je diktirao prvobitno prikupljanje. Strah od rada s velikim količinama podataka potječe iz prošlosti kada je cjelokupna obrada bila oslonjena na čovjekove umne sposobnosti. Naime postojalo je ograničenje u 1 Izraz "velika količina podataka" (eng. Big data) iz softverskog inženjerstva i računarskih nauka, opisuje setove podataka koji se povećavaju tako brzo da postaje mučno raditi pomoću "on-hand" tj. trenutno dostupnih alata za uređivanje baza podataka 3

13 količini podataka koje čovjek može obraditi u koliko toliko razumnom roku. Najbolji primjer za to je provedba popisa stanovništva kao jednog posla koji nije tolerirao, u prošlosti, ali u nekim slučajevima i danas, tako željenu mogućnost smanjenja opsega podataka. Koliko je bilo stresno i naporno raditi s velikim količinama podataka govori i činjenica da je obrada popisa stanovništva u Americi u 19 st. trajala 8 godina. Kako bih se doskočilo konkretno ovom spomenutom problemu u početku se počinje pribjegavati razvoju tehničkih rješenja. Konkretno usvojeno tehničko rješenje je predstavljala tehnologija bušenih kartica razvijena od strane IBM-a 2 koja rezultira ostvarenjem za to vrijeme nezamislivog skoka u brzini, smanjivši vrijeme obrade podataka popisa stanovništva na svega godinu dana. [7] Primjena nove tehnologije dovela do drastičnog pomaka, ali je pomak u vremenu ipak postojao. Iako je pomak sada bio dosta kraći samo godina dana imao je izravan učinak na konačnu upotrebljivost podataka koji su praktički u trenutku objavljivanja već stvar prošlosti. [1] Zbog takvog stanja tehnologije od ključne važnosti za relevantnost podataka bila je potreba djelovanja na same podatke oslanjajući se na statističke metode uzorkovanja (eng. sampling). Početna ideja je bila odabrati takav uzorak koji će najbolje reprezentirati čitav skup podataka, što je u osnovi uključivalo intuiciju statističara koji procjenjuje valjanost uzorka. Takav pristup pokazao se potpunim promašajem što je 1934.g. Poljski statističar Jerzy Neyman praktično dokazao otkrivši veliku netočnost koji ovakav pristup generira. Brzo se zaključilo da razlog velikih odstupanja leži u uplitanju subjektivizma u formiranju uzoraka. Kako bih se taj problem riješio ubrzo je prihvaćena metoda nasumičnog uzorkovanja, koja se pokazala iznenađujuće korisnom, i što je najvažnije rezultirala je zadovoljavajućim stupnjem točnosti. U 19 od 20 slučajeva pogreška je iznosila oko 3%, nevažno da li se radilo o stotinama tisuća ili stotinama milijuna podataka. [1] Uspjeh ove metode leži u matematičkoj činjenici prema kojoj marginalna vrijednost informacije koju nosi svaki novi podataka, kako broj podataka postaje sve veći, je sve manja. Ova metoda je brzo našla primjenu i na području proizvodnje omogućujući napredak u kvaliteti lakšim i jeftinijim te je postala pandan tadašnjeg mjerenja. Iako je ovaj način mjerenja imao široko područje primjene i rezultirao zadovoljavajućim rezultatima za mnoga područja, postojala je slaba karika koja se odnosila na uspješnost 2 IBM je američka tvrtka koja je jedna od pionira u razvoju računarstva i informacijskih tehnologija. 4

14 slučajnosti u stvaranju uzorka koji mora biti slučajan, ali istovremeno mora na zadovoljavajući način reprezentirati cijeli skup. Kao što je već rečeno, metoda se oslanja na čistu matematiku smanjenja marginalne vrijednosti što izravno diktira primjenu metode isključivo na makro razini. Nedjelotvornost primjene metode na mikro razini onemogućila je primjenu kod primjerice analize pod kategorija i manjih segmenata podataka. Manjkavost uzorkovanja najbolje se može predočiti usporedbom sa starom fotografijom, koju kada gledamo iz daljine izgleda dobro ali kada zumiramo postaje mutna i nejasna. Spomenutom usporedbom, možemo i procijeniti prirodu uzorkovanja kao metode koja je u biti samo alternativa koja u datom trenutku daje zadovoljavajući rezultati, ali istodobno zanemaruje veliki spektar informacija skrivenih u dijelu podataka koje uzorak ne obuhvaća. Metodom je naglasak stavljen samo na, za taj trenutak, interesantni dio promatranja, čime se nastoji smanjiti cijena i vrijeme ispitivanja. Postavlja se pitanje koliko je to opravdano? Primjerice metoda uzorkovanja je jedno vrijeme široko upotrebljavana u analiziranju DNK 3 strukture u traganju za uzorcima koji upućuju na povećan rizik od raznoraznih oboljenja. Metoda je davala zadovoljavajuće rezultate i u vremenskom i financijskom smislu (cijena takvog testiranja 2007.g. iznosila je nekoliko stotina dolara). Na žalost ubrzo se ustanovilo da je umjesto na prvi pogled ostvarene uštede u resursima ostvaren ogroman gubitak gledajući kroz buduću primjenu prikupljenih podataka. Ovakvim načinom analize zanemareni su svi oni podatci koji su izvan promatranih segmenata, a u kojima je u stvari ključ napretka jer oni skrivaju ono što nam je nepoznato i kao takvo trebalo bi biti predmet budućih istraživanja. Dokaz tome je i pomalo smiješna razlika u cijeni za istu analizu DNK koja je u god. bila više od duplo veća u odnosu na god. te iznosila više od tisuću dolara. [1] Zanimljiv je podatak da je čovjek koji je bio pionir u mnogo čemu Steve Jobs 4, ovog puta ne u potpunosti svojom zaslugom, postao je u jednu ruku začetnik primjene novog načina gledanja na podatke, kroz uzimanje u obzir latentne vrijednosti, zagovarajući podatkovnu cjelinu nad segmentom. Koliko takav pristup donosi prednosti, poglavito u specifičnim 3 Dezoksiribonukleinska kiselina - DNK - je primarni genetički materijal. Ona je osnovni nosilac genetičke informacije (gena) u sveukupnom živom svijetu. 4 Steven Paul Jobs poznat je kao osnivač tvrtke Apple Computer. Bio je jedan je od najutjecajnijih ljudi u svijetu računalne industrije. Dana 30. lipnja Jobs je operiran od rijetke vrste tumora gušterače. Preminuo je 5. listopada u 56. godini. 5

15 djelatnostima kao što je medicina najbolje govore riječi Steve Jobs-a: Ja ili ću biti jedan od prvih koji će pobijediti ovu vrstu raka ili ću biti jedan od zadnjih koji je od njega umro. Što u praksi potvrđuje vrijednost podataka kao cjeline a ne kao segmenta, u konkretnom slučaju to je značilo godinu života više. 3. OVISNOST O PODATKOVNOJ ODREĐENOSTI Kako se jasno može uočiti, čak u mnogo slučajeva i kvantificirati prednost cjeline u odnosu na segment. S vremenom se javila potreba prikupljanja podataka o svemu, kao svojevrsni pokušaj prikaza svijeta kroz podatke. Važnost svih podataka i mogućnost učenja iz njih otkrio je nesuđeni brigadir Američke ratne mornarice Matthew Fontaine Maury davne 1839.g. Maury je uvidio potencijal u starim pomorskim dnevnicima u kojima su bili na prvi pogled bezvrijedni podatci (temperatura mora, morske struje, trenutne vremenske prilike) koji su stvarno to i bili kada su se promatrali pojedinačno. Sklapanjem podataka u jednu cjelinu otkrivene su pravilnosti u kretanjima vrijednosti bitnih za planiranje plovidbe. Kolika je bila važnost prikupljenih podataka govori i cjelokupan sustav stvoren za učinkovitu manipulaciju zapisima (eng. logs) prikupljenih tijekom plovidbe, koja je omogućavala identifikaciju i razmatranje svakog zapisa na osnovu više pokazatelja, što je razumljivo u ono vrijeme bilo limitirano dostupnom tehnologijom. [1] Pandan takve ideje upravljanja zapisima u današnje vrijeme predstavlja Googlov algoritam PageRank. Iako se PageRank ne upotrebljava za potrebe sređivanja log zapisa, takvu ideju je uspješno prenio na analizu web poveznica (linkova) koje grupira na temelju dodijeljene brojčane vrijednosti u razrede kojima je reprezentirana relevantnost svake web stranice. U utvrđivanju razreda linka tj. web stranice iskorišteno je mnogo pokazatelja kao što su relevantnosti ključnih riječi, broj zabilježenih posjeta te čitav splet odnosa među linkovima u smislu glasa stranice A za stranicu B kroz link sa stranice A na stranicu B. Iza ove priče stoji i mnoštvo drugih pokazatelja koji nisu otkriveni od strane Googla kako bih se spriječio eventualni utjecaj od strane korisnika. [4] 6

16 Za Maury-a možemo reći de je začetnik teorije koja vrijednost velikih količina podataka objašnjava kroz sumiranje svih vrijednosti najmanjih jedinica od kojih se skup sastoji. Da je to tako potvrđuje primjena takvog razmišljanja u praktičnom djelovanju nekih najuspješnijih tvrtki današnjice, kao što Amazon, Yahoo i već spomenuti Google. Za razliku od spomenutog razmišljanja, u današnje vrijeme se događa još jedan evolucijski skok što se tiče svijeta podataka. Naime, da bih smo imali povod za skupljanje podataka logično je da mora postojati i cilj zbog kojeg podatke skupljamo. U današnje vrijeme se ta logična veza povoda i cilja često gubi, i što je zanimljivo rezultira stvaranjem ekstra vrijednosti podataka. U današnje vrijeme uz trend povećane tendencije ka skupljanju što je moguće više, po mogućnosti svih podataka javlja se i težnja ka povezivanju podataka iz različitih područja što praktično omogućuje ostvarenje više ciljeva iz jednog povoda. Primjer toga je istraživanje znanstvenika Shigeomi Koshimizu-a o mogućnosti podatkovnog prikaza načina na koji čovjek sjedi korištenjem većeg broja senzora. Kao što se može vidjeti iz predmeta istraživanja, povod je bio isključivo znatiželja. Dok je povezivanjem s interesima u auto industriji rezultirao stvaranjem jako sigurnog sustava protiv krađe automobila i sustava informiranja o promjenama u stanju fokusiranosti vozača. Ovo je očiti primjer kako nešto što naizgled nema nikakav podatkovni potencijal može producirati kvalitetne informacije. [1] 3.1. Kvantificiranje Želja za prikazivanjem svijeta kroz podatke traje od kad postoji čovječanstvo, te možemo reći da su metode bilježenja podataka pratile evolucijski put homo sapiensa 5. Dugo vremena sustavi prikupljanja podataka okarakterizirani su sa dvije temeljne radnje, a to je mogućnost zapisa podataka i mogućnost interpretacije istih podataka. Prvi šire primjenjiv sustav je rimski brojevni sustav, čija je upotreba bila dosta ograničena iz razloga što je, u većini slučajeva, samo do neke mjere omogućavao, za ozbiljnije korištenje podataka nužnu treću značajku sustava, a to je mogućnost provedbe analize nad podatcima. 5 lat. Homo sapiens umni čovjek. 7

17 Pojavom arapskog brojevnog sustava problem analize podataka je riješen na zadovoljavajući način čak i za potrebe u budućnosti zbog lakog obavljanja operacija nad sustavom od strane čovjeka, ali što je još važnije lake pretvorbe u sustave razumljive računalu, omogućavajući time automatizaciju u provođenju matematičkih operacija. Rješavanje problema kvantificiranja stvari i pojava uvelike je zaslužno za stupanj napretka ostvaren do današnjih dana. Svjesni koliko je spomenuto rješenje donijelo koristi za cijelo društvo, potencijal daljnjeg razvoja na podatkovnom planu u zadnje vrijeme počeo se tražiti i na drugim poljima kao što su tekst, geografska lokacija, sustavi interakcije itd. u kojima se također nastoji naći treća komponenta koja daje mogućnost analize. Rješavanje spomenutog problema na području teksta Google je započeo 2004.g. pokretanjem projekta koji je za cilj imao omogućiti pretraživanje i pristup svakoj knjizi putem interneta. Prvotni pristup je bio kroz opću digitalizaciju u svim značajnijim svjetskim knjižnicama kroz postupak skeniranja svake stranice. Tim postupkom je na zadovoljavajući način ostvaren pristup sadržaju ali mogućnost pretraživanja ostvarena je samo do određene razine. Korisnik je mogao pretraživanjem doći do željene knjige, ali analiza sadržaja nije bila moguća od strane računala, već je zahtijevala analizu od strane korisnika. [1] Rješenje ovog problema bilo je u primjeni OCR 6 softvera koji ne stvara, za računalo nerazumljivu sliku stranice, nego tekst kojeg je moguće pretraživati. [11] Otvaranjem mogućnosti pretraživanja otvorio se je čitav spektar mogućih analiza bilo na određenom, užem segmentu, ili čak u cjelini nad čitavim izdavaštvom (nad cijelom bazom). Stvorila se mogućnost provođenja širokog spektra analiza nad tekstom, do te mjere da je moguće utvrditi učestalost upotrebe određenih riječi i na taj način u nekoj mjeri prodrijeti u tokove razmišljanja na globalnom planu. [5] U akademskom svijetu ovako nešto dočekano je s oduševljenjem, što je bio slučaj kod većine, dok je manji dio, mahom politički vrh u nekim zemljama bio primoran na ostavke zbog otkrivenog plagiranja. [1] Realno gledajući, ostvarivanje ovakvih mogućnosti analiziranja, kako u pogledu obuhvata, tako i u složenosti za mnoge bih značilo ostvarenje konačnog cilja. Uzimajući u obzir neiscrpnu vrijednost podataka tj. njihovu latentnu vrijednost, riječ konačno gubi značenje, te iz toga proizlazi kako prethodno spomenute analitičke mogućnosti predstavljaju samo cilj određene faze. Tako je primjerice Google kao pionir ovakvog načina razmišljanja 6 Optičko prepoznavanje znakova (eng. Optical Character Recognition, OCR)uključuje računalni softver koji je dizajniran tako da prevodi sliku otisnutog teksta s papira (koju obično učitamo sa skenera) u editabilni teks. 8

18 uspješno implementirao rezultate ovih analiza u razvoju servisa za prevođenje, sagledavajući ga kao matematički problem koji kao input koristi statistiku provedenih analiza, a kao output daje kvalitetno prevođenje zbog kvalitetne supstitucije riječi jednog govornog područja u drugi. Koja je isključivo proizrasla iz analitičkih sposobnosti koje tekstu daju dimenziju podatka. Ovakvim pristupom iz skupine podataka, nebitno kojeg su oblika, moguće je izvući sve ono što je od interesa za korisnika. Primjerice Amazon je na osnovu istog skupa podataka kao i Google (analizirajući digitalizirane knjižnice) stvorio poveznice između članaka u raznim knjigama i na taj način ostvario povećanje prodaje predlažući korisnicima kupnju literature koja je po sadržaju srodna s onom koju trenutno čitaju. [1] Iz ovoga vidimo kako latentna vrijednost podataka uvijek postoji, a kakav će oblik poprimiti ovisi samo o korisniku. 9

19 4. VREDNOVANJE PODATAKA Koliku vrijednost imaju podatci, naročito kada na njih gledamo na globalnoj razini. Najbolje možemo uočiti na primjeru vrijednosti koju generira upotreba jedne jedine riječi od strane korisnika. Naime radi se o projektu CAPTCHA 7, koji na osnovu jedne riječi generira višestruke koristi koje u nekim pogledima nije moguće posve financijski niti izraziti. Prvobitni cilj projekta je zaustavljanje nereda na internetu u pravom smislu te riječi zbog gomilanja spam poruka u mail sandučićima kako poslovnih tako i privatnih računa korisnika. Cilj je postignut kroz korištenje slikovnog prikaza teksta čitljivog čovjeku, ali ne i računalu, barem ne u razumnim vremenskim okvirima. Korisnik je praktički upisivanjem niza znakova prikazanih u obliku iskrivljenog teksta na slici u poseban prostor dokazao da se iza mail adrese krije stvarna osoba a ne računalo spremno za generiranje spam poruka. [8] Primjenom ovog rješenja postignute je ogroman napredak na polju sigurnosti što je rezultiralo primjenom CAPTCHA u milijunskim razmjerima. Kako se radilo zaista o ogromnom poslu sagledamo li činjenicu da milijuni ljudi svakodnevno upisuju nasumično generirani niz znakova. Autor projekta Luise von Ahen se dosjetio kako proširiti prvobitni CAPTCHA projekt usmjeravajući tako ogromnu aktivnost u stvaranje korisnog produkta. Luise von Ahen pokrenuo je projekt pod nazivom ReCAPTCHA koji umjesto slučajno generiranog niza znakova koristi po dvije riječi koje nije mogao prepoznati OCR softver u procesu digitalizacije pisanih materijala pokrenutog od strane projekta Google Books 8.[12] O veličini posla koji je tim postupkom napravljen govori podatak da je trideset godina izdavaštva New York Timesa digitalizirano unutar godine dana u razdoblju od 2012.g. do 2013.g. a samo zahvaljujući činjenici da je iskorištena vrijednost upisivanja 100 milijuna CAPTCHA izraza svaki dan, o čemu je i sustav sam izvijestio. 7 Skraćenica CAPTCHA nastala je godine, a osmislili su je Luis von Ahn, Manuel Blum, Nicholas J. Hopper (svi sa Carnegie Mellon University), i John Langford(tada u IBM-u). Skraćenica dolazi od engleskog Completely Automated Public Turing test to tell Computers and Humans Apart (u prijevodu: potpuno automatizirani javni Turingov test za razlikovanje računala od ljudi). 8 Google knjige je Google-ova tražilica zadužena za pretragu punog teksta knjiga koje Google skenira i pohranjuje u svoju digitalnu bazu podataka. Nekada se ta usluga nazivala Google Print, a pod tim nazivom je i predstavljena na Frankfurtskom sajmu knjiga u listopadu god. 10

20 Razmotrimo li što to znači u financijskom smislu, dolazimo do ogromne svote koja ovim postupkom podatkovne manipulacije postaje ništa drugo nego čista ušteda. Pretpostavimo li da smo za ovaj posao angažirali zaposlenike. Uzmimo li da prosječno vrijeme ispisa jednog ReCAPTCHA izraza traje 10 sekundi te se posao ponovi otprilike 100 milijuna puta dnevno. Dobivamo potrebu za više od pola milijuna radnih sati dnevno za obavljanje ovog obima posla. Minimalna satnica u SAD-u iznosi 7.25$, što na dnevnoj bazi iznosi 2 milijuna dolara, a godišnje nevjerojatnih 750 milijuna dolara g. Google je otkupio tehnologiju i inkorporirao je u cca web stranica, uključujući Facebook, Twitter i Craigslist. Priča o ReCAPTCHA tehnologiji naglašava postojanje latentne vrijednosti svakog podatka, čak i najjednostavnije poslovne transakcije koja u eri Big Data revolucije posjeduje u mnogo slučajeva veću vrijednost u financijskom smislu nego sama vrijednost obavljene transakcije, ako je transakcija novčano izražena. Sve više se podatkovni resursi kompanija promatraju kroz buduće upotrebe podataka, uzrokujući promjene čitavih poslovnih modela kompanija. Poslovni modeli kompanija, naročito uspješnih poput Googla, Amazona, Facebooka sve se više orijentiraju prema podatcima kao prema specifičnim materijalnim resursima u proizvodnji, koji za razliku od klasičnih resursa ne gube na vrijednosti i gotovo uvijek imaju neku vrijednost. Barem toliku da je trošak uklanjanja takvih podataka veći od troška prikupljanja, koje u eri sveopće informatizacije postaje izrazito jeftino i jednostavno, tako rekući usputno Opcionalna vrijednost podataka Ujedno čini razliku između podataka kao resursa i klasičnih proizvodnih resursa. Ostvarena je u smislu generiranja podataka za striktno određenu primarnu upotrebu koja se ne mora podudarati s upotrebom tih istih podataka u njihovoj ne samo sekundarnoj nego narednoj cikličkoj upotrebi. Primarna upotreba podataka najčešće rezultira ostvarenjem vrlo male očite vrijednosti podataka u usporedbi s ukupnom sadržanom vrijednosti. Inovativne kompanije kao što je primjerice IBM svjesne su da svaki podatak posjeduje, ako povučemo paralelu s fizičkim 11

21 svijetom, svojevrsnu potencijalnu energiju. Neupitno je da energija postoji samo ju je potrebno osloboditi kroz cikličku primjenu podatka. IBM je primjerice za potrebe pronalaženja optimuma u izgradnji infrastrukture opskrbe energijom električnih automobila stvorio klasični primjer višestrukog korištenja podataka, od primarne pa sve do stadija upotrebe koja graniči s područjem kojeg analiza obuhvaća. Primarna upotreba ostvarena je kroz upotrebu podataka prikupljenih od strane indikatora napunjenosti baterija u automobilima u regulaciji stabilnosti naponske mreže. Dok je sekundarna upotreba ostvarena u kalkulaciji optimalnih lokacija postaja za punjenje i servisiranje pri čemu su u obzir uzeti podatci o trenutnoj lokaciji vozila kao i podatci o prijašnjoj potrošnji vozila i o vršnim opterećenjima naponske mreže. [1] Slično kako su u navedenom primjeru povijesni podatci o vršnim naponskim opterećenjima iskorišteni u analizi, iako su se u vrijeme prikupljanja možda činili besmisleni, tako je potrebno gledati na sve podatke kroz prizmu buduće primjene Ponovno korištenje podataka Kada govorimo o ponovnom korištenju podataka za potrebe budućnosti, iskustva su dovela do pomalo apsurdnog zaključka. Podatci koji su se prvobitno činili najnekorisnijima i prema kojima se odnosilo kao prema nusproduktu ujedno su skrivala i najveći potencijal buduće upotrebe. Primjer takvih podataka su podatci o pretraživanju web stranica. Kako su ti podatci u potpunosti generirani od strane korisnika u sebi sadrže sve one podatke koji su interesantni svim stranama koji na korisnike usluga pretraživača gledaju kao na potencijalne klijente. Tako se iz tih podataka mogu iščitati preferencije klijenata u bilo kojem segmentu, trgovina (npr. koja je boja odjeće trenutno aktualna), financije (npr. interes za turističkim lokacijama daje pouzdanu prognozu o prihodima od turizma), tržište nekretnina (npr. ponuda i potražnja za nekretninama određene vrste) i sl.[1] 12

22 Koliki se u pozadini novčani potencijal krije može se vidjeti na primjeru dvije velike tvrtke, Amazona i telekomunikacijske tvrtke AOL 9, [9] koje su upravo na području podataka izgradile svoj uspjeh odnosno neuspjeh. Iako je tvrtka AOL kao komunikacijski posrednik tvrtke Amazon imala veću priliku za uspjeh, zbog neznanja ili pohlepe za kratkoročnim profitom, tvrtka je slikovito govoreći potpisala buduće propadanje prodajom prikupljenih podataka o pretraživanjima korisnika prije i u toku kupnje na Amazon-ovim stranicama. [1][9] U svijetu sve više postaje pravilo da tko posjeduje podatke osvaja tržište. Google je tako prvenstveno na osnovu podatkovne moći koju posjeduje zasjeo na vrh svjetskog tržišta, u mnogim segmentima. U segmentima tržišta u kojima nije imao početne potencijale kao konkurencija, kroz stvaranje monopola nad podatcima postaje lider. Početkom 2007.g. Google se počeo interesirati za razvoj sustava prepoznavanja govora. Tržište je na tom području već imalo lidera, tvrtku Nuance 10. Tvrtka je tada za razliku od Googla imala tržišnu moć ali ne i znanje i djelom spretnost na području podataka. Potpisivanjem ugovora s Googlom tvrtka prihvaća ulogu vlasnika softverskih rješenja na tom području pri čemu zanemaruje vlasništvo nad prikupljenim podatcima. Svi podatci prikupljeni od dana potpisivanja ugovora pripali su Googlu koji na osnovu toga gradi na tržištu traženu funkcionalnu vezu zvukovnog zapisa i odgovarajućeg teksta, te možemo reći da od autsajdera postaje lider i u ovom segmentu. [1][13] Zahvaljujući ovakvim novim trendovima u poslovanju koji su bazirani isključivo na podatke, neke su se tvrtke iznenada našle na iznenađujuće dobrom položaju unutar informacijskog vrijednosnog lanca. U tu skupinu sretnika spadaju prije svega mobilni operateri koji na vrlo lak način prikupljaju podatke koji možda i nisu pretjerano značajni za njihove tvrtke, ali stavljanjem u drugi kontekst od strane drugih tvrtki postaju izrazito dragocjene. Primjerice, mobilni operateri prikupljaju podatke o lokaciji pretplatnika, taj podatak konkretno u njihovom slučaju ima vrlo usku tehničku primjenu u preusmjeravanju poziva. Stavljanjem takvih podataka u drugi kontekst pokreče se jedan čitavi poslovni svijet u njihovoj pozadini. Omogućene su marketinške aktivnosti na razini svakog pretplatnika, koji ovisno o trenutnoj lokaciji dobiva promotivni materijal, donose se planovi o rješavanju uzroka 9 eng.america Online, američka multinacionalna medijska korporacija sa sjedištem u New Yorku. Temeljni biznis korporacije je digitalna distribucija sadržaja, proizvoda i servisa korisnicima. 10 eng. Nuance Communications, američka multinacionalna softverska kompanija. Trenutni poslovni proizvodi usredotočeni na automatsko prepoznavanje govora, telefonski upravljive sustave i optičko prepoznavanje znakova. 13

23 prometnih gužvi, na osnovu brzine promjene lokacija pretplatnika u prometu, a u konačnici podatci koriste u razvoju same tehnologije koja ih generira, jer predstavljaju performanse samog sustava. Kako se radi o relativno osjetljivim podatcima jedno vrijeme operateri nisu bili voljni prosljeđivati takvu vrstu informacija trećim stranama, ali je u toj priči o zaštiti privatnosti ipak na kraju presudila korist koju podatci generiraju, koja se često puta, na veliko zadovoljstvo operatera može izraziti novčano. Tako je primjerice 2012.g. veliki Španjolski tele operater Telefonica 11 čak osnovala sestrinsku firmu Telefonica Digital Insights čija je misija isključivo prodavanje agregiranih lokacijskih podataka korisnika trećim stranama. [1] 4.3. Kombinacija podataka Glavna ideja koju zastupa Big Data revolucija je generiranje i obrada što većih količina podataka. Kako bih se oformila što veća podatkovna masa stvorena je ideja o rekombinaciji, ne nužno po sadržaju srodnih podatkovnih segmenata, u izgradnji jedne podatkovne cjeline. U takvom pristupu jedini ograničavajući uvjet rekombinacije je povezanost segmenata na temelju jednog atributa koji je zajednički za sve uključene podatkovne segmente. Konkretan primjer ovakvog pristupa je provođenje ispitivanja o utjecaju mobilnih telefona na nastanak karcinoma, 2011.god. u Danskoj. Poučeni greškama u prethodnim ispitivanjima zbog malih podatkovnih obuhvata, analitičari su se odlučili na uključivanje svih raspoloživih podataka o vlasnicima mobilnih telefona od 1987.god. (kada su se pojavili prvi mobiteli u Danskoj) do 1995.g. što je uključivalo pretplatnika. Za konkretnu analizu neophodno je bilo također uključiti i podatke o oboljelima od karcinoma centralnog živčanog sustava, što je u analizu uključilo dodatnih osoba. Kako bih se u analizu uključile činjenice o drugačijim životnim navikama različitih slojeva društva koje na ovom području također imaju neupitno značenje, spomenutim podatkovnim segmentima pretplatnika i oboljelih priključeni su i podatkovni segmenti o stupnju obrazovanja i raspoloživom dohotku. [1] Tek nakon detaljne podatkovne pripreme pristupilo se i konkretnim analizama koje su trebale potvrditi ili negirati tvrdnje o većoj stopi oboljenja kod mobilnih pretplatnika i 11 Španjolski telekomunikacijski operater koji je po veličini peti u svijetu. 14

24 odgonetnuti da li osobe koje duže vremena posjeduju mobilni telefon imaju veće šanse za oboljenje. Kvaliteta ovakvo provedenog ispitivanja pokazala se neupitnom. U ispitivanje je uključen svaki registrirani slučaj oboljenja i približno svaki pretplatnik s čime nije ostavljen prostor nikakvoj sumnji u relevantnost konačnog zaključka zbog moguće statističke pogreške uzorka. Jedina možemo reći greška je u tome što se zaključak nije podudarao s medijskim nagađanjima o štetnosti mobilnih telefona, te je zbog toga relevantnost istraživanja ostala upitna u javnosti, ali ne i u znanstvenim krugovima u kojima je metoda rekombinacije više nego prepoznata Procjena vrijednosti podataka Neupitno je da podatkovni potencijal može generirati dobit. Prilikom toga treba biti oprezan i imati na umu vremensku dimenziju kojima su podatci određeni. Oslanjajući se isključivo na podatke ne uzimajući u obzir razdoblje iz kojeg potječu dobivamo rezultate koji ne odaju stvarnu sliku trenutnih događanja, nego je ta slika vezana za vrijeme nastanka podataka, i kao takva je ne upotrebljiva u trenutnoj situaciji. Takvu pojavu možemo smatrati svojevrsnim opadanjem vrijednosti podataka. Kada podatkovna vrijednost padne ispod razine koja više ne daje dodatnu vrijednost, korištenje takvih podatkovnih resursa treba prestati. Izostanak vremenskog praćenja podataka može rezultirati i smanjenjem vrijednosti novih podataka zbog greške koju generiraju stari podatci koji ako na vrijeme nisu uklonjeni ili zanemareni također ulaze u procese analize pa je ukupna greška analize veća. Iako je teoretski lako, na temelju dodane vrijednosti, procijeniti koji su podatci relevantni a koji ne, u praksi to i nije baš jednostavno. Nije jednostavno iz dva razloga. Postoje podatci koji su podložni promjenama kao primjerice preferencije kupaca. Relevantnost takvih podataka u praksi se najčešće procjenjuje kroz traženje podatkovnih odstupanja sadašnjih podataka od prošlih. Na primjeru preferencija kupaca, to znači da se kupovne navike prate stalnim uspoređivanjem trenutne kupnje s kupnjom u prošlosti na temelju čega se prognozira kupnja u budućnosti, koja može biti ispravna ili ne, a to ovisi upravo o podatkovnim promjenama. [1] 15

25 Uz ovakve podatke postoje i podatci koji reprezentiraju stvari i pojave čija je promjena vrlo rijetka, a u nekim slučajevima niti ne postoji. Ti podatci su u analizama ujedno i najvredniji, jer njihovo korištenje praktično ne generira pogreške zbog eventualne ne relevantnosti. Koliko su vrijedni govori i velika gramzljivost tvrtki da ih zadrži čak i unatoč zakonskim propisima koji nalažu brisanje nekih podataka nakon određenog vremenskog perioda. Takav je slučaj sa podatcima o povijesti pretraživanja koje prikuplja Google. Kako bih izbjegao neusklađenost sa zakonskim odredbama, Google je uveo jednu vrst deanonimizacije korisničkih pretraživanja tako što briše posljednji digit adrese pretraživanja nakon devet mjeseci. Na ovaj način i dalje ima mogućnost provođenja analiza ali ne na individualnoj razini, što je prema trenutnim odredbama unutar zakonskih okvira. Na tom području opravdanosti ili ne opravdanosti čuvanja podataka trenutno je aktualan slučaj Brad from Derbyshire. Brad iz Derbyshirea dobio je otkaz nakon što je njegov šef preko tražilice našao podatak o kaznenoj prijavi koju je dobio zbog vožnje u pijanom stanju. Zbog toga je na Europskom sudu tražio da se njegovi osobni podaci izbrišu iz Googleove tražilice kako mu se u budućnosti ne bi događale slične situacije, smatrajući pritom da pisani zapis o njegovoj grešci iz prošlosti onemogućava njegovo poslovno napredovanje. Sud je, na veliko iznenađenje, presudio u njegovu korist. Ovim slučajem Europljani su dobili pravo na online zaborav. Linkovi na nebitne ili vremenski nevažeće podatke na zahtjev korisnika mogu biti izbrisani. Google je izjavio da će zahtjeve procesirati uzimajući u obzir nužan balans između zaštite privatnosti i prava javnosti na pristup informacijama te da će s posebnom pažnjom gledati na zahtjeve koji se odnose na podatke vezane uz financijske prevare, kršenja pravila struke, kaznene prijave, osude i slično. Naime, više od polovice zahtjeva poslanih Googleu iz Ujedinjenom Kraljevstva odnosi se na brisanje podataka vezanih uz neke oblike kriminalne prošlosti. Podaci su se počeli uklanjati sredinom lipnja 2014.god., a rezultati na koje će biti primijenjena ova praksa, bit će posebno označeni. Sve odluke o ovim slučajevima donositi isključivo osoblje Googlea, što je odmak od Googleove prakse korištenja algoritama. Ova će se praksa se odnosi samo na zemlje na koje se odnose odluke Europskog suda za ljudska prava, a zahtjevi se podnose putem online formulara. Osim slike koja služi kao 16

26 dokaz identiteta, pojedinci koji podnose zahtjev moraju navesti linkove koji su problematični, navesti državljanstvo i dati smisleno objašnjenje. Koliko je ovo područje interesantno, govore ne baš riječi odobravanja odluke suda od strane šefa Googla, Larry Page, koji je slučaj prokomentirao riječima ovakve prakse potkopavaju inovativnost i pomažu represivnim režimima. Ali konačnu riječ će svakako donijeti korisnici ne korištenjem ili korištenjem ove mogućnosti. [6] 4.5. Određivanje cijene podataka Iako je vrijednost podataka, kako u poslovnom, tako i u privatnom životu prepoznata. Došlo je do manjkavosti u utvrđivanju konkretnih cijena podataka u utvrđivanju knjigovodstvenih vrijednosti tvrtki. Vrijednost tvrtki čije je poslovanje bazirano isključivo na podatcima ispravno je percipirana od strane burze, dok kada se ista tvrtka gleda kroz klasičnu knjigovodstvenu vrijednost dolazi do drastičnog odstupanja. Uzmemo li za primjer tvrtku Facebook, kao klasični primjer tvrtke čiji je posao baziran isključivo na podatcima, možemo vidjeti veliko odstupanje procijenjene burzovne vrijednosti koja iznosi cca. $ 104 milijarde i vrijednosti fizičke imovine, koja ujedno predstavlja knjigovodstvenu vrijednost, koja iznosi $ 6.3 milijarde. Ova silna razlika u vrijednosti predstavlja ništa, samo podatke s kojima tvrtka radi. Na izostanak vrijednosti podataka u iskazivanju knjigovodstvene vrijednosti tvrtke (konkretno Facebook-a) upozorio je Doug Laney, predsjednik kompanije Gartner (vodeća svjetska tvrtka za informacijsko tehnološka istraživanja). U svom istraživanju istaknuo je da Facebook iako posjeduje samo podatke u vrijednosnom smislu govoreći posjeduje 2.1 trilijun jedinica kojima trguje, kao što su lajkovi, uploadani materijali i komentari za koje se zna da je prikupio u periodu od do 2011.god. (danas je ta brojka još impresivnija). Nadalje u istraživanju je naveo i konkretnu vrijednost svake takve podatkovne stavke koja je cca. 5 centa, što daje sasvim drugi pogled na Facebook gdje svaki korisnik prosječno vrijedi 100 dolara. [1] Pojavila se potreba da se knjigovodstveni načini vrednovanja prilagode pravilima trgovanja novom vrstom dobara kojih u trgovinskim tokovima 1930.god., kada je aktualni 17

27 knjigovodstveni sustav formiran, nije niti bilo. Početni koraci u rješavanju ovog problema ostvareni su uvođenjem pojma nematerijalne imovine u knjigovodstvene kalkulacije. Nematerijalna imovina u osnovi trebala bih obuhvaćati sve one vrijednosti koje tvrtka posjeduje, a nemaju fizičku komponentu, kao što su brand, talent, strategija, podatci i sl. U praksi, uvođenjem nove stavke bilance, konkretnih pomaka nije bilo iz razloga ne postojanja nekog, možemo reći standardiziranog načina procjene vrijednosti imovine tog tipa. Značajniji pomak se dogodio u glavama investitora koji su počeli percipirati podatkovne potencijale tvrtki i utjecati na formiranje realnije tržišne vrijednosti. Problem u uspostavi odgovarajućeg načina vrednovanja podataka je u činjenici da je latentna vrijednost podataka uvijek prisutna, što implicira nemogućnost korištenja vrijednosti generirane primarnom upotrebom kao referentne. [1] Jedino što je na području latentne tj. skrivene, buduće vrijednosti podataka poznato to su tehnološke mogućnosti koje neka konkretna tvrtka posjeduje u analiziranju podataka. Na temelju tehnoloških potencijala tvrtki može se do neke mjere procijeniti stupanj korištenja podataka i na neki način stvoriti pozitivnija klima na tržištu podataka kroz reguliranje monopolske moći najvećih tvrtki. Naime mnogo puta se dogodilo da se tzv. sirovi podatkovni materijal otkupi od strane velikih tvrtki kao što je Google, Amazon.. za neke male fiksne naknade te se na temelju toga ostvari basnoslovni profit zbog netransparentnosti u načinu i trajanju upotrebe. Tehnološke/analitičke mogućnosti u najvećoj mjeri su zaslužne za veći stupanj iskoristivosti podataka. Uzimanjem u obzir te činjenice u trgovini podatcima sve više se formiraju ugovori bez fiksne naknade za korištenje, nego su naknade isključivo bazirane na postotcima od ostvarene buduće dobiti. Kako se niti na ovaj način ne može u potpunosti procijeniti stvarna podatkovna vrijednosti, u praksi se ide čak do te mjere da se podatci radije proglase javnima nego da se daju ekskluzivna prava samo jednoj tvrtki na njihovo korištenje. 18

28 5. PREDIKTIVNA ANALITIKA Predikitvna analitika je praksa ekstrahiranja informacija iz postojećih podataka kako bi utvrdili uzorke, te kako bi predvidjeli buduće ishode i trendove. Prediktivni modeli se tipično koriste za proricanje vjerojatnih događaja u budućnosti s određenom razinom pouzdanosti. Ovako pojednostavljeno predstavljanje podatkovne analitike nedvojbeno podsjeća na proricanje budućnosti iz kristalne kugle na osnovu trenutno dostupnih podataka. Naravno, ima nekih poveznica, međutim naše kristalne kugle su softveri za rudarenje podataka koji nam putem određenih algoritama rudarenja podataka i povijesnih podataka proriću što će se dogoditi u budućnosti. U poslovnom smislu prediktivna analitika služi za predviđanje nekih stvari koje nam obični alati za poslovnu inteligenciju ne mogu obaviti, a to se ponajviše odnosi na bolje razumijevanje kupaca, proizvoda, partnera a u krajnju ruku, sa gledišta navedene teme, čitave populacije na određenom prostoru kako bi identificirali potencijalne rizike te utvrdili adekvatne odgovore za njihovu prevenciju Što možemo predvidjeti Pravo bi pitanje bilo : Što ne možemo predvidjeti? Veliki broj stvari je lako predvidiv, međutim za to su potrebni kvalitetni podaci. Međutim vratimo se tristo godina unatrag i upoznajmo Johna Graunta, prvog data scientista (znanstvenika podataka) i znanstvenika amatera. Inače John je živio u vrijeme najveće kuge koja je tada harala i u svojoj knjizi Bills of Mortality je spojio sve podatke o umrlima i htio je na osnovu uzoraka znati tko je umro od kuge, a tko od neke druge bolesti, te je došao do zaključaka koji su za to vrijeme bili fascinantni. Smatra se da je J.Graunt otac statistike i rudarenja podataka, jer je po prvi puta gledajući u podatke koje je prikupio našao ono vrijedno, a to su uzorci koje golim oko ne možemo vidjeti. Međutim, danas su stvari nešto drugačije i danas ljude uglavnom zamjenjuju računala i softverski proizvodi, međutim ne u potpunosti. Vratimo se na prediktivnu analitiku i počnimo od predviđanja najkompleksnije stvari, a to su ljudi i njihova ponašanja. Smatrate da ljudska ponašanja nisu predvidiva? Antropolozi smatraju da smo itekako predvidivi i da je naš svaki korak lako predvidjeti. Zamislite svoj put od kuće do posla i zamislite da svaki put kad otključate vrata od kuće, upalite auto i odete na posao zapravo kreirate podatke o svom 19

29 ponašanju. Da te podatke možemo nekako realno izraziti, lako bi mogli predvidjeti kad ćemo se dignuti, otključati vrata od kuće, upaliti auto i kojim ćemo putem ići na posao. Policija Los Angelesa 12 (LAPD) je upravo ovo primijenila na svom problemu, odnosno na problemu kriminala. Cjelokupna ideja predviđanja kriminala utemeljena je na tzv. preslikavanju poznatih oblika ponašanja reprezentiranih kroz podatke na trenutnu situaciju. Od svih podataka iz prošlosti su našli način kako predvidjeti sljedeći korak kriminalaca na točno određenoj lokaciji i u točno određeno vrijeme. Zvuči nemoguće, međutim ova metoda je smanjila 5% općeg kriminala i 20% krađa auta u LA-u. Na prvu nije puno, ali gledajući da Los Angeles nije mali grad, ova brojka je fascinantna. Algoritam radi na jednostavan način i to na primjeru stvarnog događaja. Inače zanimljivo je da je ideja za stvaranje algoritama za predviđanje kriminaliteta proizašla iz istraživanja posvećenih predviđanju potresa. Znanstvenici su u istraživanju zaključili kako je uz današnju tehnologiju ipak nemoguće predvidjeti epicentar potresa, ali kako se sa dosta velikim stupnjem preciznosti može predvidjeti nastanak manjih potresa koji nastaju nakon velikih potresa. Taj otkriveni, možemo reći domino efekt, koji vjerno preslikava temeljnu ideju o prolongiranju prošlosti na sadašnjost, znanstvenici su uspješno preslikali na predviđanje ponašanja građana i dobili neočekivano dobre rezultate. Koliko ovo zvučalo uvrnuto to je realnost i sve će se više vremena posvećivati izučavanju ovog područja i razvijanju novih algoritama za predviđanje stvarnih događaja Međuljudski odnosi i opravdanost predviđanja Prije daljnjeg razmatranja teme korištenja prediktivnih metoda u preventivi kriminala, potrebno je utvrditi da li tako nešto ima smisla i u praksi ili je riječ samo o pukoj teoriji. Prediktivna analitika opravdanost na ovom području crpi iz same činjenice da se već neko vrijeme primjenjuje u praksi u nekoliko američkih gradova. Naime kako je provođenje zakona i pridržavanje određenih oblika ponašanja temelj ispravnog funkcioniranja bilo koje zajednice, uvođenje novih metoda na ovom području nužno zahtjeva i ostvarenje konkretnih rezultata. S 12 Policijski odjel Los Angelesa (engleski: Los Angeles Police Department, LAPD) je policijski odjel uprave Grada Los Angelesa u američkoj federalnoj državi Kalifornija. 20

30 toga da navedena tehnologija nema opravdanost za sigurno ne bi dobila notu praktičnosti, nego bi se zadržala samo na nivou teorije. Određena predviđanja tj. točnije rečeno određene geoprostorne i statističke analize u navedene svrhe provode se već desetljećima. Jedina je razlika što je posljednjih godina analitika počela koristiti veće količine podataka, možemo reći počela je živjeti u duhu Big data revolucije. Korištenjem veće količine podataka porastao je stupanj relevantnosti analiza a time i oslonjenost policije na IT tehnologije. Da se ne radi o nekakvoj naučnoj fantastici koja koristi neku tajnu vrstu softvera koja je poznata samo određenom krugu ljudi, kao što je često propagirano kroz medije. Govori i činjenica da je gotovo sav softver svoju prvobitnu primjenu imao u komercijalne svrhe te je kao takav bio razvijen od strane privatnih softverskih kompanija i sveučilišta. Većina softverskih alata, možemo reći, da je imala svojevrsnu testnu fazu unutar poslovnih okruženja velikih kompanija koje su korištenjem prediktivne analitike uspješno mijenjale primjerice prodajne strategije i ustaljenu poslovnu praksu, na opće zadovoljstvo kako kupaca, koji najčešće nisu bili svjesni razloga poboljšanja usluge, tako i na vlastito kroz veće profite. (Primjer Walmart-a.) Kako su se novi softverski paketi pokazali uspješnima u komercijalnom svijetu, njihova primjena na području provođenja zakona značila je jednostavno rečeno ništa drugo nego promjenu podataka uključenih u analizu. Ako je primjerice u poslovno svijetu bila riječ o analizi podataka o prijašnjim kupovnim navikama potrošača radi prognoziranja budućih transakcija, u svijetu prediktivnog policijskog djelovanja to uključuje podatke o dosjeima građana radi prognoze budućih kriminalnih aktivnosti. Glavna ideja u ovom za sada relativno novom segmentu primjene prediktivne analitike je poboljšanje percepcije situacije na taktičkoj i strateškoj razini u razvoju strategija efikasnog i efektivnog policijskog djelovanja. S podizanjem svjesnosti i upoznatosti s novom tehnologijom s vremenom raste i razina razumijevanja bihevioralnih karakteristika što dovodi do većeg stupnja preventivnosti kriminalnih djela koja je svima u interesu. 21

31 Pri tome treba shvatiti, kao što je ranije rečeno, da nije pronađena tzv. kristalna kugla koja proriče budućnost. Radi se u suštini o najobičnijoj prognozi koja, važno je naglasiti, manipulira brojevima a ne kao što je u medijima pa čak i na filmskom platnu (film Minority report 13 ) propagirano, ljudima. Svakoj novoj tehnologiji, pa tako i ovoj, zajedničko je da prolazi ili pada na ljudskom faktoru. 6. PREVENTIVNO POLICIJSKO DJELOVANJE Iako metode predviđanja kriminala postoje već dulji niz godina, tek nedavno je nova tehnologija omogućila prelazak sa naglašeno heurističkog pristupa na napredne matematičke algoritme. Potvrdu postojanja tog velikog zaokreta u funkcioniranju policijskog nadzora, prvi je u javnost iznio William J. Bratton šef LAPD-a. Tijekom 2008.g. Bratton je naširoko javnosti nastojao predočiti velike uspjehe novih modela predviđanja i trenutnog nadzora gradske sigurnosti u odnosu na prijašnje metode. Osim zbog uključivanja javnosti 2008.g. bila je značajna i po uključivanju kako stručnjaka s područja tehnologije tako s područja zakonodavstva. Suradnja s velikim brojem vanjskih suradnika proizašla je iz uspješne suradnje Brattona s čelnicima Ureda za pomoć pravosuđu (BJA) i Nacionalnog ureda za pravosuđe (NJI). U studenom 2009.g. održan je prvi simpozij koji je također imao velikog odjeka u podizanju aktualnosti novo predstavljenih modela. Stvorio se velik interes od strane potencijalnih vanjskih suradnika koji su pokazali volju za sudjelovanje u projektu koji ima potencijala ne samo na nivou jednog grada (Loss Angelos-a) nego i na nivou cijele države. Stvorena je i mreža ureda u većim gradovima u kojima su zainteresirane tvrtke mogle predati zahtjeve za partnerstvom ponudom softverskih rješenja. Prvi simpozij je definitivno ispunio svoju zadaću tj. stvorio svojevrsni temelj daljnjeg razvoja kroz stvaranje stabilne mreže suradnika. Kako bi se taj veliki interes kvalitetno usmjerio ka stvaranju što funkcionalnijeg sustava kako u tehničkom tako i u 13 triler u kojem je radnja smještena u godinu u kojoj postoji takva tehnologija koja može rekreirati ljudske snove, te ih hologramski prikazati. 22

32 zakonodavstvenom smislu, u lipnju 2010.g. održan je drugi simpozij. Glavne teme simpozija su bile izazovi, uspjesi, ograničenja i skalabilnost sustava. Sudionici su se složili da je za funkcionalnost nedvojbeno nužna podatkovna povezanost kao i razumljivo velike analitičke mogućnosti. U periodu poslije drugog simpozija jača medijska popraćenost ovog područja, posebice je veliku medijsku pažnju privuklo uvođenje softverskog paketa PredPol u gradovima Santa Cruz i Los Angeles. S velikom medijskom popraćenosti dolazi i do pojave pokvarenog telefona koja se manifestira kroz iskrivljavanje stvarnih činjenica radi stvaranja što većeg interesa u javnosti. Tako je primjerice IBM u reklami svog softverskog rješenja dao primjer u kojem policijski službenik ulazi u prodavaonicu neposredno prije pljačkaša. Takva popraćenost od strane medija, u osnovi je rezultirala stvaranjem dobre podloge za implementaciju sustava, jer je praktički stvoren novi pojam predictive policing koji odjednom postaje tema razgovora u znanstvenim, političkim, novinarskim krugovima, ali i u javnosti. Međutim u manjoj mjeri djeluje i spomenuti efekt pokvarenog telefona koji je pratitelj svim promjenama u društvu. Javljaju se raznorazni samozvani znanstvenici koji svoje spoznaje temelje na reklamama i novinskoj štampi te nameću sumnje u kršenje ljudskih prava i sloboda. Ali u tom silnom medijskom prepucavanju, važna je činjenica da su svoje interese na ovom području prepoznali analitičari i istražitelji koji su vlastite pristupe u radu u velikoj mjeri unaprijedili. Tu su i sami policijski službenici koji mogu obavljati isti opseg poslova s daleko manje resursa, zatim privatni sektor kroz angažman u razvoju softvera, privatne zaštitarske kuće, vojska itd. Program preventivnog policijskog djelovanja trenutno je uspješno implementiran u nekoliko američkih država kao što su: California, Washington, South Carolina, Arizona, Tennessee i Llionois. Da je potencijal prepoznat govori i podataka da je program počeo sa implementacijom i u neameričkim državama. Primjenjuje se u nekim gradovima Ujedinjenog kraljevstva Izrada predviđanja Na osnovu ovako jednostavnog naslova, može se stvoriti pogrešna slika koja kompleksnost problema predviđanja stavlja u drugi plan, a fokusira se samo na konačni rezultat procjene. Iako kada gledamo konačni rezultat imamo dojam kao da se radi o 23

33 jedinstvenom softverskom rješenju, u stvari se radi o nizu metoda koje su u mnogo čemu različite ali sinergijom generiraju cjelokupni sliku konkretnog problema kroz odgovore na pitanja kada, gdje, tko i što. Tako korištene metode možemo podijeliti u skupine s obzirom na to koje od ova četiri odgovora daju. -Hot spot analiza, statistička regresija, rudarenje podataka i metoda analize periodičnosti se obično koriste kako bih se dobio odgovor na pitanje gdje će najvjerojatnije kriminalna aktivnost nastupiti u određenom vremenskom intervalu a time i tko je potencijalno ugrožen takvim vjerojatnim razvojem događaja. -Vremenske i prostorno-vremenske metode se obično, kao što možemo pretpostaviti, koriste u procjeni vremena nastanka kriminalnih dijela, a dijelom također daju procjenu potencijalno ugrožene skupine koja se u to vrijeme također nalazi na istom području. -Kako se predikcije odnose na određeno geografsko područje metodom procjene rizičnosti terena u obzir se uzimaju geografske značajke područja razmatranja koje također, ali na jednom drugom nivou, daju odgovor na pitanje gdje. Spomenute analitičke metode osim što se razlikuju po namjeni, također se razlikuju i po kompleksnosti. Spomenutih šest analitičkih kategorija: hot spot analiza, regresijska metoda, rudarenje podataka, metoda analize periodičnosti, prostorno-vremenska analiza i metoda procjene rizičnosti terena, s obzirom na kompleksnost se mogu podijeliti u četiri kategorije: -Klasične statističke tehnike uključuje standardne statističke procese, kao što su većine vrsta regresijskih metoda, rudarenje podataka i analiza vremenskih serija. -Jednostavne metode nemaju velikih resursnih zahtjeva niti što se tiče hardverske opreme niti velike količine ulaznih podataka. Velik broj istraživačkih metoda spada u ovu kategoriju. -Kompleksne aplikacije svoju kompleksnost duguju inovativnim metodama na kojima su bazirane a koje ujedno zahtijevaju raspoloživost velikih količina ulaznih podataka kao i sukladno tome respektabilne hardverske performanse. Većina današnjih metoda rudarenja podataka također zahtjeva spomenute preduvjete. -Prilagođene metode metode čija je upotreba isključivo orijentirana ka prediktivnom policijskom djelovanju. Ova kategorija u osnovi obuhvaća sve do sada spomenute kategorije 24

34 čije metode su izmijenjene i prilagođene konkretnom području. Primjer takve prilagodbe je klasična statistička metoda koja umjesto brojčanih rezultata stvara grafički prikaz interesnih točaka na geografskoj karti promatranog područja Hot - spot analiza Hot spot analiza tj. metoda predviđanja točaka interesa je jedna od najstarijih metoda identificiranja točaka alokacije resursa u reduciranju kriminala ali i općenito jedna od prvih metoda primijenjenih u korištenju većeg skupa podataka. Razlog dosta česte primjene je mogućnost brzog izdvajanja one grupe podataka koja možemo reći, iskače iz okvira kojim je određena podatkovna cjelina, koja u ovom slučaju ima i konkretnu geografsku reprezentaciju. Hot spot analizom se u okvirima prediktivnog policijskog djelovanja identificiraju lokacije na kojima je vjerojatnost nastupanja kriminalnih aktivnosti veća u odnosu na cjelokupno područje promatranja. Procjena se temelji na identifikaciji uzoraka podataka koji upućuju na kriminalnu aktivnost iz povijesne baze kriminalnih delikata. Osnovna pretpostavka analize je konzistentnost kriminalnih aktivnosti tj. svojevrsno preslikavanje činjeničnih stanja bliže prošlosti na trenutnu i situaciju u bližoj budućnosti. Primjenjivost rezultata dobivenih metodom u velikoj mjeri ovisi o određivanju spomenutog podatkovnog okvira, svojevrsne podatkovne anomalije, dijela u odnosu na skup. Pri tome postoje dvije krajnosti. Prva krajnost je da iz skupa podataka izdvajamo podatke čija je vrijednost strogo precizirana. Takav pristup identificira vrlo malo područje interesa te stavlja u drugi plan sva druga područja čija je razlika u podatkovnoj određenosti možda i vrlo mala u odnosu na precizirane vrijednosti, čime su zanemarene moguće vrlo interesantne lokacije. Druga krajnost bi bila kada su ti podatkovni okviri previše općenito određeni, što dovodi do generiranja velikog broja točaka interesa koje zbog broja nije moguće adekvatno procesirati. Primjena metode započinje vrlo jednostavnim pristupom koji se sastoji od podjele skupa podataka, koji je u konkretnom slučaju grafički predočen geografskom kartom područja, na segmente stvaranjem svojevrsne mreže tzv. pristup grid mapping-a. 25

35 Nakon metode grid mapping-a koja je najjednostavnija i gotovo polazišna u hot spot analizi, u konkretnom problemu lociranja mjesta interesa fokus se stavlja na složenije matematičke metode kao što su covering ellipses i kernel density estimation, o kojima će biti riječi u nastavku. Grid Mapping Kao što je već spomenuto, postupak utvrđivanja točaka interesa započinje grid mapping metodom, koja izgleda prilično jednostavno, prije svega zbog jednostavne grafičke reprezentacije koja nije ništa drugo nego mreža koja pokriva određeno geografsko područje, po čemu je u konačnici metoda dobila i ime. Pozadina priče i nije tako jednostavna jer se iza jednostavnog grafičkog prikaza kriju dva moguća problema. Prvi je možemo reći teoretske prirode a odnosi se na miješanje dvaju pojmova kako od strane analitičara tako i od krajnjih korisnika. Naime grid mapping metoda je prvenstveno orijentirana, kao i što joj ime govori na mapiranje koje u kontekstu o kojem raspravljamo ima značenje određivanja zastupljenosti neke pojave, odnosno vrste kriminala na nekom području. Često se pojam mapiranja poistovjećuje s pojmom lociranja, dakako pojam mapiranja u određenoj mjeri ne isključuje lociranje jer je mapirano područje također određeno lokacijskim podatcima, ali ove dva pojma je potrebno razgraničiti možemo reći zbog nesavršenosti metode kada je riječ o određivanju točne lokacije. Prilikom pokretanja projekta kartiranja nekog područja, neovisno o tome što želimo mapirati, na pitanje koji je cilj projekta, u velikom broju slučajeva odgovor bi bio izrada karte nekog područja. Odgovor je potpuno logičan ali ne i u potpunosti točan. Takav odgovor bi bio prihvatljiv prije dvadesetak godina ali ne i danas. U današnjim kartografskim projektima grafički prikaz geografske karte ima sekundarno značenje, primarni prikaz je onaj ne grafičke prirode, tj. onaj u bazi podataka. Upravo zbog toga što primarno postaje podatkovno a sekundarno grafičko, u nekim slučajevima dolazi do nedostataka kada je određivanje lokacije u pitanju. Može se dogoditi da je mapirana točka interesa zajednička za dvije ćelije pa na taj način točka nije u potpunosti točno lokacijski određena. 26

36 Kako su u pozadini podatci, pri čemu treba naglasiti da se radi o velikoj količini podataka zbog potrebe za nalaženjem skrivenih odnosa i svojevrsnih pravila u kretanju istih. Ne smije se zanemariti i činjenica da velika količina podataka za sobom povlači i duži vremenski rok (od nekoliko mjeseci) na koji se razmatrani podatci odnose. Zbog toga dolazi i do ne savršenosti i u pogledu točnosti cjelokupnog prikaza, naročito kada se dogodi tzv. bad lack koji predstavlja pojavu nekih podataka unutar spomenutih nekoliko mjeseci promatranja koji predstavljaju iznimku a ne pravilo u kretanju parametara na nekom području, što direktno utječe na konačni rezultat. Tehnologija čija je primjena uobičajena u ovakvoj vrsti projekata je tehnologija geoinformacijskog sustava. U najstrožem smislu to je računalni sustav sposoban za integriranje, spremanje, uređivanje, analiziranje i prikazivanje geografskih informacija, i kao takav predstavlja oruđe za izradu pametne karte koja osim grafičkog prikaza karte za koji smo rekli da ima sekundarno značenje, dopušta korisnicima stvaranje interaktivnih upita, analiziranje prostornih informacija i uređivanje podataka. Te skoro da predstavlja sustav po mjeri upravo za ovakvu vrstu projekta. Međutim rad u GIS sustavima zahtjeva određenu razinu znanja i prakse pa se ponekad koriste i drugi softverski alati. Primjerice grid mapping prikaz moguće dobiti i primjenom, za mnoge korisnike, jednostavnijeg i pristupačnijeg softvera kao što je Excel. Primjerice grid mapp prikaz na slijedećoj slici napravljen je pomoću Excela. 27

37 slika 1 (Grid mapss prikaz počinjenih pljački u Washingtonu) Covering Ellipses Sukladno nazivu metoda se koristi za traženje veza između mapiranih kriminalnih delikata kroz stvaranje elipsa koje obuhvaćaju cijeli klaster promatranih događanja na nekom području. Metoda je dosta popularna, prije svega što omogućuje jednostavan matematički izračun niza elipsa koje zatvaraju klastere promatranih pojava ali i dijelom što je metoda funkcionalna u CrimeStat softveru, koji je ujedno i jedan od popularnijih softvera jer je besplatan, a i prilagođen je za rad u windows operacijskim sustavima. 28

38 CrimeStat softver je možemo reći, jedan od alata GIS 14 sustava jer ima mogućnost rada s GIS datotekama a uz to je idealan upravo za spomenutu primjenu izračuna elipsa jer zahtjeva da svi ulazni podatci imaju dodijeljene geografske koordinate pa je izračun, kao što je rečeno matematički prilično jednostavan. Kao dodatak, koji dakako doprinosi njegovoj širokoj primjeni je i rad u tri vrste koordinatnih sustava: sferni, projekcijski i kartezijev koordinatni sustav. Inicijalno formirane elipse obuhvaćale su dosta prostora koji nije od interesa s obzirom na zastupljenost kriminala iz razloga što točke interesa (eng. hot spots) u većini slučajeva ne formiraju idealne elipse. Međutim nove implementacije softvera eliminirale su ovaj problem kroz prilagođavanje elipsa s obzirom na geografsku koordinatu s najvećim stupnjem zastupljenosti promatrane pojave. U praksi kombinira se stari inicijalni pristup formiranja elipse s obzirom na geografske koordinate pri čemu su sve kriminalne aktivnosti geografski grupirane i novi pristup detaljnijeg određivanja s obzirom na intenzitet (na žarište) događanja. Što u praksi znači pouzdanije i detaljnije definiranje područja na koja se šalju policijske patrole. Ogledni primjer ovakvog načina funkcioniranja je metoda hijerarhijskog klasteriranja (eng. nearest neighbor hierarchical clustering). NNH identificira grupu događaja koji su prostorno bliski. Ovom hijerarhijskom rutinom klasteriranja grupiraju se promatrane točke s obzirom na postavljene kriterije te se utvrđuje udaljenost između svake od točaka promatranja što rezultira grupiranjem u jedan klaster samo onih točaka koje zadovoljavaju s obzirom na prag udaljenosti. Na slijedećoj slici je prikazan primjer generiran CrimeStat softverskim alatom. 14 Geografski informacijski sustav (GIS) je sustav za upravljanje prostornim podacima i osobinama pridruženih njima. U najstrožem smislu to je računalni sustav sposoban za integriranje, spremanje, uređivanje, analiziranje i prikazivanje geografskih informacija. 29

39 slika 2 (Grafički prikaz metode hijerarhijskog klasteriranja na području Washingtona) Iako ovakav pristup kroz dva koraka rezultira većom točnosti i fokusiranosti na signifikantne točke, ovakav pristup karakteriziraju i dva nedostatka: ovakvim pristupom formira se nekoliko elipsi, koje za neiskusnog korisnika imaju jednak prioritet što se tiče poduzimanja konkretnih mjera. Može se reći da se za kvalitetnu primjenu zahtjeva određena razina znanja i iskustva, jer je ponekad potrebno odabrati najbolje rješenje, a uz to u startu je potrebno na temelju vlastite intuicije predefinirati broj točaka interesa što predstavlja još veći zahtjev na znanje i iskustvo analitičara. svi korišteni podatci imaju jednaku težinu u formiranju konačnog rezultata pa metodu također karakterizira osjetljivost na korištene podatke. Takva osjetljivost je u nekim situacijama dobra ali najčešće zbog dužeg vremena na 30

40 koji se promatrani podatci odnose stvara probleme jer nikada nije moguće sa sigurnosti reći da su trendovi u kretanju pokazatelja korespondentni sa situacijom na terenu. Single and Dual Kernel Density Estimation KDE također predstavlja jedan od pristupa identifikacije točaka interesa (eng. Hot spots). Ideja je korištenjem kernel matematičke funkcije približno odrediti vjerojatnost nastupa novih kriminalnih delikata kao i njihove potencijalne lokacije na nekom području, matematičkim rječnikom rečeno, statistički interpolirati varijable od interesa. KDE funkcija je takozvana eng. smooth funkcija koja za cilj ima obuhvatiti važne obrasce u podatcima. U doslovnom smislu riječi kernel, označava jezgru ili središnji dio predmeta. Često se u računalnim znanostima odnosi na središnji dio operativnog sustava dok se u geoprostornim analizama odnosi na metode koje uključuju računanja pomoću dobro definiranog lokalnog susjedstva. Kernel Density Estimation je tehnika generalizacije lokacija opažanja na cijelo područje. Dok prostorna distribucija i statistika žarišta pružaju statistički pregled samih podataka opažanja, tehnike interpolacije generaliziraju podatke opažanja na čitavo područje. Tehnike interpolacije pružaju procjene gustoće za sve dijelove promatranog područja. Procjena gustoće je varijabla intenziteta (eng. intensity variable) koja je procijenjena na određenoj lokacij. Može se prikazati kao karta površina ili reljefna karta koja prikazuje intenzitet na svim lokacijama. Kernel funkcija se još jednostavnije može objasniti kao distribucija koja je usredotočena na jednu točku (u ovom slučaju je to lokacija gdje je zabilježena kriminalna aktivnost) i čija vrijednost ukazuje na relativni utjecaj vrijednosti na okolinu. Trenutno je nekoliko kernel funkcija u upotrebi, CrimeStat nudi mogućnost korištenja čak njih pet. U praksi se koristi više kernel funkcija iz razloga što svaka ima svoje prednosti i nedostatke, ali 31

41 je većini zajedničko da vjerojatnost nastupa kriminalnog događaja u budućnosti opada s udaljenošću od lokacije koja je uzeta u razmatranje odnosno na kojoj se delikt već dogodio. Jednostruke KDE procjene (eng. single KDE estimates) koriste samo jednu varijablu, kriminalni incident. Zbog očite ovisnosti između broja stanovnika na nekom području i broja kriminalnih incidenata u upotrebi su i dvostruke KDE procjene (eng. dual KDE estimates) koja osim varijable koja predstavlja kriminalni incident u obzir uzima i gustoću naseljenosti. Jednostruka KDE analiza rezultira procjenom da se većina kriminala događa u gradskim središtima, što je i razumljivo zbog toga što se u obzir uzima samo jedna varijabla koja usmjerava cijelu analizu ka sagledavanju broja kriminalnih delikata. Ponekad takva možemo reći ne realna analiza zadovoljava ali u svrhu stvaranja realnije slike često se koristi dvostruka KDE analiza koja u obzir uzima i tzv. rizičnu skupinu građana. To ponekad vodi do toga da je procijenjena mogućnost nastupa nekog kriminalnog događaja daleko veća primjerice u rubnim dijelovima grada gdje je omjer stanovnika koji su već imali doticaja s zakonom i ukupnog broja daleko veći nego primjerice u gradskom središtu. Kako KDE analiza ne započinje pretpostavkom koliko točaka interesa (eng. hot spots) bi moglo biti izbjegnut je glavni nedostatak elliptical covering analize, ali osjetljivost na ne relevantne ulazne podatke ostala je ista, pa je kod korištenja potrebno voditi računa o tome. Kao što je već spomenuto, za primjenu u praksi od velike važnosti je i mogućnost grafičkog prikaza rezultata ove funkcije u obliku konturnih, toplinskih ili površinskih karata. slika 3 (Konturni prikaz segmenta površine na kojem su prikazana mjesta uličnih razbojništva u Baltmore-u ) 32

42 slika 4 (Prikaz KDE analize nad podatcima koji predstavljaju slučaje zlostavljanja u Cologne-u, Njemačka) 2008.god. Spencer Chainey, Lisa Tompson i Sebastian Uhlig usporedili su rezultate KDE analize sa drugim metodama mapiranja uključujući i elliptical covering analizu. Utvrdili su kako KDE u odnosu na druge analize ima znatno veći PAI indeks (eng. prediction accuracy index). U analizi su uspoređivali stopu pogodaka točaka kriminalnih delikata s ukupnom površinom koja je predodređena kao prostor povećanog rizika, te se KDE analiza pokazala kao moćan alat prediktivnog policijskog djelovanja Heurističke metode U mnogim slučajevima tehnike preventivnog djelovanja uključuju upotrebu heurističkih metoda. Prema definiciji heuristika je znanost o mogućnostima znanstvenog istraživanja, i odgovora na pitanja: Što se može naučno istražiti? Što se ne može? Što je aksiom? Heuristika obuhvaća metode i tehnike rješavanja problema, učenja i otkrivanja koji su bazirani na iskustvu. Heurističke metode se koriste radi ubrzanja procesa pronalaženja dovoljno dobrog rješenja u situacijama kada provođenje detaljnog istraživanja nije praktično. Primjeri toga obuhvaćaju korištenje raznih uhodanih pravila, podatkovnog nagađanja, intuicije i zdravog razuma. 33

43 Ukratko rečeno, heuristika se može definirati kao korištenje lako dostupnih informacija, čija primjena nije strogo određena. Upravo činjenica da laka dostupnost nekih informacija ne utječe na njihovu korisnost donijela je velike promjene u praktičnom korištenju prediktivnih sustava od strane korisnika odnosno policijskih analitičara. Došlo je do svojevrsne ograničenosti na jednostavne matematičke strukture u provođenju analiza iz razloga što su policijski službenici odnosno analitičari također dio geografskih prostora na koje se analize odnose te imaju lak pristup velikom broju informacija iz okoline. Zdrav razum, ali i praksa potvrđuje da je nepotrebno, čak u nekim slučajevima i kontraproduktivno inzistirati na korištenju kompleksnih matematičkih struktura i tehnika da bi se u krajnjoj liniji potvrdile informacije koje su većini dobro poznate. Pogledamo li kakva je praksa u primjeni sustava, možemo vidjeti obilježja kojima je definiran heuristički pristup. Jedan policijski analitičar je ukratko opisao naj korištenije prediktivne tehnike u praksi riječima: -U praksi su od velike koristi tzv. trenutne analize koje s obzirom na vrijeme i dan u tjednu obavještavaju analitičare kada je najveća vjerojatnost za nastup određene vrste kriminalnih delikata. Većina podataka prezentiraju se u slikovnom obliku kao primjerice mape kriminalnih aktivnosti u protekla 24 sata što daje mogućnost policijskim službenicima da stvore osjećaj o tome što se događa u njihovom okruženju te kvalitetno apliciraju vlastita iskustvena znanja u prevenciji istih. Također moguće je gotovo trenutno praćenje razine uspjeha odnosno neuspjeha u njihovom radu. Moguće je vidjeti stopu određene vrste kriminala u tekućem tjednu i usporediti je primjerice sa istim razdobljem prošle godine. Vrlo brzo je moguće uočiti fluktuacije u kretanju ključnih pokazatelja što daje vremenski prostor za odgovarajuće postupke. Većina analitičara se slaže kako je usvajanje heurističkih načela u praksi pun pogodak što se tiče jednostavnosti, vremena a u krajnju ruku i funkcionalnosti. Upravo ta tri elementa, funkcionalnost, jednostavnost i brzina karakteriziraju svaku široko primjenjivu metodu iza koje stoje konkretni rezultati. Slijedeće tri metode smatraju se heurističkim, što može kod korisnika stvoriti lažnu sliku da se radi o metodama koje zbog, kao što je rečeno, jednostavnijih matematičkih algoritama i elementarnijih informacija, ne generiraju nužno relevantne rezultate. Unatoč takvoj slici, praksa pokazuje visok stupanj upotrebe baš ovih metoda: 34

44 1. Manual identifikacija točaka interesa koristeći ovu metodu analitičari koriste vlastitu procjenu i iskustvo u definiranju područja koncentrirane aktivnosti. Iako je ovo očigledan primjer neznanstvenog pristupa, bilježi visok stupanj primjene kako od strane iskusnih tako i od analitičara početnika te ovakav pristup upotpunjen još s određenim stupnjem pravnih znanja rezultira iznenađujuće velikim stupnjem točnosti. 2. Kvadratno tematsko mapiranje manualna verzija grid mapping metode o kojoj je već bilo riječi. Uključuje skup podataka koji je podijeljen s obzirom na geografsku lokaciju gdje je nastupio što je grafički prezentirano kao skup poligona jednake veličine čija boja determinirana heurističkim obilježjem odnosno brojem zabilježenih incidenata. Analitičar također može na temelju vlastite procjene grupirati područja za koja mu intuicija odnosno neki drugi pokazatelji govore da su područja visokog rizika, kao što je prikazano na slici. slika 5 (Tematska karta koja prikazuje područje s obzirom na broj krađa vozila) 3. Mapiranje s obzirom na područja nadležnosti kao što ime govori, ova vrsta, možemo reći pogleda na promatranu geografsku površinu formirana je na temelju pravnih nadležnosti. Kao takva daje mogućnost formiranja poligona na koje je područje podijeljeno u skladu s pravima nadležnosti, što u nekim situacijama olakšava posao, ali u nekim unosi dodatne komplikacije. Razlog komplikacija u nekim slučajevima je u izostavljanju onog dijela površine poligona koji je izvan umjetno stvorene granice 35

45 nadležnosti, a u kojem se može nalaziti žarište kriminalnih aktivnosti. Ovom metodom, odnosno kako smo je nazvali pogledom analitičar također može odabrati dva načina na koja će donositi zaključak o rizičnosti nekog područja, na temelju jednostavnog brojanja kriminalnih događanja ili kroz usporedbu stopa kriminala jednog područja i cijeloga skupa Regresijske metode Općenito govoreći, regresija podrazumijeva analizu oblika i smjera povezanosti i analizu u smislu nezavisnih/zavisnih varijabli sa ciljem predikcije. U regresijskom modelu poznavanje vrijednosti nezavisnih omogućuje predikciju vrijednosti zavisnih varijabli, pri čemu je za naše razmatranje najznačajnija činjenica da kad god postoji značajna korelacija između dvije varijable vrijednost jedne varijable se može iskoristiti za predikciju vrijednosti druge. Upravo zbog te činjenice u regresijskim modelima susrećemo prednost Big Data pristupa. Kako se radi o varijablama kojima je možemo reći opisano neko područje, potpuno je logično da slika nekog područja, kako podatkovna u bazi podataka, tako i grafički prikazana će biti jasnija ako je detaljnije opisana kroz što je moguće veći broj varijabli. Primjerice, regresijski model za predikciju provala, osim što će uključivati varijablu o broju provala na promatranom području, također može obuhvaćati čitav niz drugih varijabli koje čak na prvi pogled niti ne moraju biti u logičnoj vezi s modelom. Tako primjerice uz spomenutu varijablu broja provala model može uključivati broj incidenata koji spadaju u druge vrste kriminala, slučaje kršenja javnog reda i mira, broj kućanstava, broj napuštenih kućanstava, podatak o registriranim prijestupnicima i sl. Regresija metode u praksi mogu biti dosta osjetljive na volatilnost podataka i na premalu količinu podataka, premda je taj problem kroz današnji tehnološki napredak riješen. Primjena regresije je naročito primjerena situacijama u kojima je odgovor koji se nastoji dobiti broj. Regresija u tom slučaju, naravno ako su spomenuta dva preduvjeta ispoštovana daje dosta preciznu predikciju u vidu konkretnog broja i vjerojatnosti odstupanja odnosno raspona kretanja. Na primjer: ako želimo dobiti odgovor na pitanje. Koliko će se provala 36

46 dogoditi sljedeći tjedan? Koristeći se regresijom odgovor može glasiti. Vjerojatno će ih biti 7, ali sa 90-postotnom vjerojatnosti taj broj će biti između 5 i 10. U prediktivnom policijskom djelovanju moguće je koristiti više regresijskih tehnika koje su podijeljene s obzirom na matematičke odnose koji se ispituju na skupu ulaznih podataka. Tako razlikujemo tri tipa odnosa ulaznih varijabli: Linearna regresija linearni regresijski model predstavlja vezu između dvije ili više ulaznih varijabli koja je matematički određena. Zašto je model dobio naziv linearni? Razlog je u geometriji kojom je grafički predočen koja je ništa drugo nego linija koja u osnovi predstavlja plan kretanja izlaznih varijabli modela na osnovu veličine ulaznih. U praktičnom smislu bi to značilo da ako recimo želimo predvidjeti broj pljački sljedeći mjesec imamo sve potrebne korake kako doći do konkretnog podatka. To može biti primjerice: broj pljački koji će se sa određenim postotkom vjerojatnosti dogoditi slijedeći mjesec je jednak polovici broja pljački počinjenih prošlog mjeseca plus jedna četvrtina od ukupnog broja slučajeva remećenja javnog reda i mira prošlog mjeseca plus neka konstanta. Najčešće korištena metoda u kalkulaciji najboljeg matematičkog odnosa ulaz i izlaza u konkretnom primjeru je metoda najmanjih kvadrata. Nelinearna regresija za razliku od linearne regresije nije moguće jednostavno utvrditi matematičku vezu između ulaza i izlaza koristeći se ponderiranim prosjecima. Za pronalazak nelinearne veze među podatcima nije dovoljno slijediti već postojeći recept nego je nužna primjena logički a i vremenski znatno kompliciranijih algoritama. Regression splines iako je znatno kompliciranija od prethodno navedenih regresija, teoretski ideju funkcioniranja je moguće jednostavno objasniti a glasila bi podijeli pa vladaj. U donošenju zaključka koji se odnosi na čitav podatkovni skup ne koristi se samo jedna regresija niti je njeno korištenje predviđeno na određenoj fazi analize. Kako se radi sa možemo reći zamršenim skupom podataka čije odnose nije lako matematički izraziti, a u prilog toj kako smo je nazvali zamršenosti pridonosi i velika količina podataka. Podatci prije ulaska u model ne sagledavaju se samo kroz vrijednost koju imaju nego i kroz atribut kojim su određeni. Gledajući to na primjeru procjene krađa automobila na nekom području, pri čemu se pretpostavlja da promatrano područje nije jedna ulica ili jedan kvart. To bi značilo da kako bi ispoštovali temeljnu ideju podatke prvo podijelimo na manje cjeline, to može biti primjerice po geografskoj određenosti. Kako sada radimo s manjom količinom podataka, 37

47 djelomično smo riješili problem zamršenosti što se tiče količine podataka. Drugi problem je spomenuti atribut kojim je varijabla određena, primjerice naša pretpostavka o krađi vozila neće biti ni približno točna ako za najveću važnost za konačnu procjenu uzmemo varijablu boja vozila, a zanemarimo primjerice atribute godina proizvodnje i stanje automobila. Nakon što je utvrđeno koji atributi najviše utječu na donošenje odluke potencijalnog kradljivca o krađi moguće je prijeći na konkretnu vrijednost atributa u stvaranje konačne procjene, ali bitno je naglasiti, procjene za manji dio podataka (za jednu regiju), dok će konačna procjena za cijelo promatrano područje biti kombinacija svih manjih segmenata Near repeat metoda Već smo spomenuli kako kompleksnost podataka ne garantira nužno vrijednost istih i da u mnogo slučajeva upravo oni naizgled beznačajni podatci generiraju najviše korisnih informacija. U nekim slučajevima isti zaključak se može prenijeti na korištene metode. Jedna od takvih metoda je near-repeat koja nije ništa drugo nego pretpostavka da će buduće kriminalne aktivnosti imati slične značajke što se tiče vremena i lokacije, kao registrirani prijestupi u bliskoj prošlosti. Primjena ove metode proizašla je iz činjenice da unutar neke skupine podataka imamo velik broj podataka koji se ponavljaju te da pronalaženje mogućih razloga ponavljanja može rezultirati vrlo korisnim zaključcima. U samim početcima primjene ove metode, njena uspješnost je također bila pretpostavka, ali primjena metode u praksi opravdala je prvobitnu pretpostavku. Ljudi slično kao i ovdje prikazane metode također svakodnevno rade s podatcima čiju relevantnost dokazuju svakodnevno. Potpuno je prirodno i logično da će i čovjek u svom životu slijediti onaj podatkovni uzorak koji se je već pokazao kao dobitna kombinacija. Uočavanjem te pravilnost istražiteljima se ponudila mogućnost da korištenjem ionako dostupnih podatkovnih uzoraka svakog kriminalnog delikta sa dosta velikim stupnjem preciznosti mogu predvidjeti atribute sljedećeg. Da su ljudi skloni slijediti uhodane uzorke ponašanja, govore stvarni primjeri iz policijske prakse. Primjerice američki grad San Fernando tu činjenicu potvrdio je razmatrajući slučaje provala, otkrivši nevjerojatan pravilnost u ponavljanju te vrste zločina. U periodu od 38

48 2001.g. do 2005.g. u čak 100 slučajeva zabilježeno je ponavljanje kriminalnog djela u vremenskom razmaku od 3 sata i unutar udaljenosti od 200 metara od prethodne pljačke. Značajan stupanj ponavljanja zabilježen je i u gradu Beenleigh u Australiji gdje se ustanovljena vjerojatnost od 7 posto da pojedinac postane žrtva pljačke za više od duplo povećava, točnije rečeno na 16 posto, nakon nastupa prve pljačke, tj. vjerojatnost ponavljanja ove vrste kriminalnog djela na istoj lokaciji je 16 posto. Ovakav pristup, iako se u literaturi navodi kao metoda, kombiniran sa drugim, prethodno objašnjenim metodama, kroz kompliciraniju matematičku podlogu generira izrazito relevantne informacije. Informacije su do te mjere precizirane da je matematički potvrđeno da se u gradiću Santa Clara u Californiji najviše provala događa utorkom i četvrtkom između 17:00 i 20:00 sati. Uz to su policijskim službenicima na terenu dostupne informacije Hot spot analize što za sobom povlači i lokacije potencijalnih žrtava provalnika. Učinkovitost ovakvog načina razmišljanja koje je bazirano na pretpostavci prolongirane prošlosti dokazano je i u drugim slučajevima, primjerice u Japanu je ovaj način razmišljanja učinkovito primijenjen na predviđanje potresa. Jednostavno rečeno lanac uzročno posljedičnih veza je u većini slučajeva prisutan što se nikako ne smije zanemariti, a u slučajevima kada slijed događaja izgleda nepovezan i zbunjujući razlog je najčešće u preskakanju pojedinih karika u lancu Ulazne varijable metoda O izboru ulaznih varijabli modela, odnosno o problemima koje isti može izazvati rečeno je nešto u prethodnom poglavlju. Iako je u duhu Big Data pristupa podatcima, poželjno koristiti što više podataka odnosno varijabli, teoretski u model je moguće staviti sve raspoložive varijable. Problem takvog pristupa je u činjenici da kada je model prekompleksan odnosno kada ima puno parametara dolazi do stvaranja slučajne greške, takozvanog šuma u podatcima (eng. overfitting) umjesto logičnih međuodnosa. Da bi se to izbjeglo postoje metode za izbor varijabli: Manual eksperimentiranje i korelacijska heuristika cilj ove metode je ispitivanje matematičke veze ulaznih i izlaznih varijabli modela tj. ispitivanje 39

49 korelacijske povezanosti. Sve varijable koje predstavljaju potencijalne kandidate modela prolaze kroz svojevrsni filter s kojim se iz modela izbacuju varijable s nedovoljnim stupnjem korelacije te varijable kod kojih je korelacija očigledna. Analitičari kroz eksperimentalni pristup prilagođavaju kriterije spomenutog filtra kako bi u model bile uvrštene samo varijable koje u statističkom smislu pridonose stvaranju predikcije prihvatljivog stupnja pouzdanosti. Stupnjevita regresija za ovu metodu možemo reći da je strogo heuristička zbog iterativnog građenja modela. Naime metoda tj. njena izgradnja, jednostavno govoreći, nije ništa drugo nego postupak pokušaja i pogreški. Tijekom svake iteracije u model se uvrštava po jedna nova varijabla koja ima za cilj poboljšati model. Nakon uvrštavanja nove varijable, ako model nije poboljšan takva varijabla se jednostavno izbacuje te situacija ostaje ne promijenjena. Iako je ova metoda dosta kritizirana unutar znanstvenih krugova, rezultati govore da se unatoč pomalo, možemo reći, primitivnom načinu funkcioniranja u konačnici generiraju jako dobri prediktivni modeli. Ova jednostavna, ali učinkovita metoda primijenjena je čak i u razvoju nekih softverskih paketa. Optimizacijske metode primjenom ove metode rješava se spomenut problem zamršenosti oko izbora ulaznih varijabli, na jedan matematički vrlo kompliciran način da bi ga ovdje razmatrali. Uključuje primjenu naj suvremenijih analitičkih modela današnjice, least-angle regresiju, lasso regresiju i elastic net regulacijsku regresiju. 40

50 VODEĆI POKAZATELJI REGRESIJSKE METODE Pod pojmom vodeći pokazatelja, jednostavno rečeno, spadaju svi podatci koji predstavljaju najveću važnost odnosno najveći izvor korisnih informacija. Iako takvi podatci imaju ključnu važnost za uspješnost ne samo regresijske, nego i bilo koje druge prediktivne metode to za sobom ne povlači i nužnu kompleksnost u njihovom prikupljanju i obrađivanju. Jedini mogući ograničavajući faktor je u uočavanju takvih podataka. Osim što su takvi podatci u velikom broju slučajeva prilično, možemo reći, neupadljivi te se mogu činiti poprilično nepotrebni i nebitni, dinamičnost okoline, konkretno promatrajući sa gledišta prediktivnog policijskog djelovanja, zahtjeva i neprestanu potragu upravo za takvom vrstom podataka. Naime prosječnom podatkovnom analitičaru vremenska prognoza i kriminalne aktivnosti su dvije poprilično nespojive stvari sve dok se nije pokazalo da visoke temperature koreliraju s najtežim kriminalnim deliktima. Nadalje u policijskim poslovima ključna je i proaktivnost za koju su također najbitniji relevantni pokazatelji. Neki podatci koji su bili relevantni u neko razdoblju zbog dinamičnosti kako geografskih promjena prostora tako i razmišljanja i prioriteta potencijalnih prestupnika, ne moraju više biti aktualni. Problem u pronalaženju korisnik podataka tj. vodećih pokazatelja, u posljednje vrijeme se rješava pristupom kojeg smo već dosta puta spomenuli u ovom radu, a ujedno je i glavna filozofija Big data revolucije, a to je po mogućnosti koristi sve podatka. Istraživanja su pokazala da analiza nad velikim podatkovnim serijama daje daleko bolje rezultate od inzistiranja na kompleksnim metodama, čak se u mnogim slučajevima pokazalo da velika podatkovna masa kompenzira i moguću irelevantnost podataka do neke mjere. Dvojica podatkovnih analitičara Neill i Gorr činjenicu o vrijednosti velike podatkovne mase u proaktivnom policijskom djelovanju pokazali su i praktično. U svom istraživanju koristili su dvije skupine podataka. Jedna skupina su bili podatci o teškim kaznenim djelima, a druga skupina su bili podatci, možemo reći potencijalnih pokazatelja, tj. podatci o manjim prekršajima, kao što su remećenje javnog reda i mira i sl. U istraživanju skup podataka o teškim kaznenim djelima predstavljao je skup zavisnih varijabli te su analitičari ispitivali koliki broj tih djela je moguće bilo predvidjeti na temelju poznatih vodećih pokazatelja. Rezultati su pokazali da je od 93 teških kaznenih djela, korištenjem vodećih podataka, bilo 41

51 moguće otkriti čak njih 19. Slikovito rečeno, to je kao da devetnaest puta vidimo olujni oblak ali se ipak odlučimo ostati vani Vremensko prostorna analitika Uzevši u obzir sve do sada navedeno. U segmentu vremensko prostorne analitike u razmatranje ćemo uzeti relaciju između samog kriminalnog dijela, koji je određen već spomenutim atributima kao što su tip, lokacija, vrijeme te otkrivena pravilnost (eng. pattern), i atribute kojima je određena okolina unutar koje promatramo događanja. To za sobom povlači čitav niz novih parametara kojima je okolina određena i po svojima karakteristikama specifična u odnosu na neku drugu lokaciju (primjerice drugi grad) i kao takva utječe na teoretsku analitiku. Ideja vremensko prostorne analitike je ove dvije navedene skupine podataka matematičkim metodama međusobno povezati te na odgovarajući način aplicirati u praksi, koja je uvelike diktirana podatcima koji definiraju okolinu kao takvu. Stavke koje ulaze u grupu podataka kojima je definirana okolina su primjerice: trenutačno aktualni događaji (npr. koncerti, nogometne utakmice i sl.) godišnje doba vremenska prognoza tipovi lokacija na kojima su počinjena kaznena djela (npr. park, igralište i sl.) geografske veze (npr. blizu autobusne stanice, 100 metara od banke i sl.) demografske i ekonomske okolnosti na nekom području Svaki podatak ima određenu vrijednost u stvaranju konačne predikcije, kao što je već spomenuto, konačnu predikciju možemo slikovito prikazati kao lanac te naglasak nije stavljen na svaku kariku posebno nego na skup karika, što će reći da nije toliko bitna konkretna vrijednost jedne jedinice podatka, već je bitno da nas ta podatkovna jedinca tj. karika, vodi ka drugom podatku koji nam je do tada možda bio nepoznat. Uvrštavanjem ovakve vrste podataka u analizu posljedica je shvaćanja dinamičnosti okoline u kojoj se nalazimo koja se kao takva ne može razmatrati kroz prilično statične matematičke modele koji prvenstveno apliciraju prošla događanja. Apliciranjem podataka 42

52 kojima je opisana trenutna situacija a u mnogo slučajeva i situacija koja će nastupiti u bliskoj budućnosti konačni rezultati analiza se drastično mijenjaju. Primjerice uvrštavanjem u analizu podatak da je u tijeku nogometna utakmica u predikciji lokacija kriminalnih djela naglasak se, osim sa poznatih lokacija već počinjenih delikata, stavlja i na lokaciju koja se kroz prijašnja iskustva pokazala kao lokacija povezana sa kriminalom, odnosno naglasak je stavljen na područje na kojem se kreću navijačke skupine. Iako stvaranje ovakvih prognoza izgleda dosta komplicirano, što uistinu i je ako bih smo tako nešto utvrđivali na papiru, u pozadini se nalaze najčešće jednostavne statističke metode iz različitih oblasti statistike kao što su deskriptivna, inferencijalna i dvomjerna (eng. bivariate statistics) statistika. Konkretno koje će od dostupnih metoda biti iskorištene ovisi o konkretnoj situaciji i o preferencijama analitičara. Primjerice u otkrivanju uzorka budućeg širenja kriminala, prvenstveno pljački, autoriteti na tom području preporučuju korištenje jednostavne linearne regresije u koju su uključene vrijednosti intervala između pojedinih pljački i vrijednost opljačkane imovine. Suprotno tome razmišljanju pojedini analitičari pristupaju na način da u obzir uzimaju prosječne vrijednosti mobilnosti kriminala na nekom području pa na temelju toga određuju brzinu širenja za pojedine sektore promatranog područja. TOPLINSKE MAPE Kada govorimo o stvaranju bilo kakve predikcije ali i bilo kakvog plana djelovanja na određenom geografskom prostoru, prvi korak je razmotriti ako već postoji ili stvoriti geografsku kartu područja. U prethodnim cjelinama već smo imali priliku vidjeti kako izgleda najčešće korišten geografski prikaz u svakodnevnom policijskom djelovanju tzv. toplinska mapa (eng heat map). Prikaz koji smo do sada vidjeli, možemo reći da predstavlja najjednostavniji pogled na neko područje samo kroz ništa drugo nego grafički prikaz jedne varijable koja predstavlja broj kriminalnih incidenata u svakoj od ćelija na koje je prostor podijeljen. Čak i tako jednostavan prikaz, u pozadini kojeg je baza podataka koja nije ništa drugo nego najjednostavnija Excel tablica sa podatcima od interesa, na brz i lako razumljiv način daje hrpu korisnih informacija. 43

53 Uvođenjem, u ovom poglavlju razmatrane, prostorno vremenske analize u priču o preventivnom policijskom djelovanju. U pozadini tzv. toplinskih mapa nalazi se prava baza podataka koja sadrži velik broj atributa kojima je jednoznačno određeno svako kazneno djelo. Kako raspolažemo čitavim nizom atributa, zaključci mogu biti raznovrsni ovisno o atributu kojeg uzimamo u obzir. Primjerice zaključak na osnovu podataka prikupljenih od strane Washington D.C-a je da se provale najčešće događaju u jutarnjim satima a posebice oko 7 :00 dok se pljačke najčešće događaju u večernjim satima između 20:00 i 24:00 u toku radnog tjedna, dok tijekom vikenda najveća koncentracija pljački je između 21:00 i 4:00. Primjenom naprednijih softverskih rješenja, zaključci mogu biti formirani i oko nekih drugih atributa od interesa. Primjerice iz atributa o vremenu može se donijeti zaključak da u vrijeme velikih vrućina raste broj kriminalnih aktivnosti na nekom području. Osim egzaktnih vrijednosti atributa, najnoviji softverski alati omogućavaju, možemo reći, analizu čitavih pod profila stvorenih na temelju iskustva i istraživanja ponašanja određenih društvenih skupina koji su predmet promatranja. Tako da jednostavno rečeno napredniji softverski paketi imaju sposobnost da po potrebi vrše analizu čak i na individualnoj razini uz neupitnu relevantnost ponuđenih informacija. ST-GAM (Spatiotemporal Generalized Additive Model) U prethodnom poglavlju smo se dotaknuli najnovijih softverskih rješenja i njihovih mogućnosti. ST-GAM model predstavlja glavni segment velike većine najsuvremenijih kompleksnih metoda koje se danas koriste u praksi. Razvijen je od strane dvaju istraživača Xiaofeng Wang-a i Donald Brown-a na Sveučilištu u Verginiji. Predstavlja svojevrsno proširenje klasičnog mrežnog regresijskog modela, u koji se uvrštavaju prostorno-vremenski podatci koji opisuju svaku od ćelija na koje je promatrani prostor podijeljen. Uključivanjem prostorno-vremenskih podataka, kao što su trenutna ekonomska situacija, geografske lokacije građevina ili infrastrukturnih postrojenja za koje praksa pokazuje da imaju veći stupanj rizika, društvena situacija i sl. Stvara se realna slika prostora koja u sebi sadrži ključne faktore koji su prisutni u trenutku donošenja odluke od strane pojedinca da počini kazneno djelo. Upravo ta mogućnost stvaranja relevantne slike situacije neposredno prije počinjenja kaznenog djela je ključ uspjeha proaktivnog djelovanja policije. 44

54 Za primijetiti je da se na ovaj način uključuje čitav spektar novih podataka, u stvari, moguće je analizom obuhvatiti bilo koji podatak koji relevantno opisuje okolinu, jedini preduvjet je da je podatak geografski određen. Geografska određenost je bitna kako bi se podatak mogao obrađivati kroz GIS (eng. Geographic Information Systems) informacijske sustave koima se stvara kartografski prikaz područja koji se pokazao najpogodniji u praksi. U praksi se osim ST-GAM modela koji je dizajniran za predviđanje lokacije i vremena kriminala za veći dio regije od interesa, također koristi i LST-GAM (eng. Local Spatiotemporal Generalized Additive Model) model koji radi na istim principima ali definira pater manjeg geografskog područja. Ispitivanja ali što je još važnije, praksa je pokazala da su ova dva modela daleko učinkovitija u odnosu na prethodno predstavljene iz razloga što se kroz modele uspjela realizirati ideja stvarne proaktivnosti oslonjene na vremensko i prostorno određene (GIS) podatke a ne kao što je prije slučaj bio na heuristička načela. Analiza rizika geografskih lokacija Analiza rizika geografskih lokacija u okvirima prostornog obuhvata koji promatramo predstavlja skup tehnika koje imaju dva osnovna cilja: 1) izdvojiti lokacije za koje je praksa pokazala da su direktno odnosno indirektno povezane sa kriminalnim aktivnostima i 2) na temelju odrađenog prvog zadatka, stvoriti relevantne predikcije razine kriminaliteta u područjima koja se nalaze blizu takvih, možemo reći, rizičnih mjesta. Kao što smo već imali slučaj, i u ovom segmentu prediktivne analitike postoje dva moguća pristupa. Jedan pristup je znatno jednostavniji, ali s time ponešto i ograničeniji u okvirima nivoa relevantnosti koja se s njime postiže a predstavljen je kroz uhodana heuristička načela, te drugi koji ima puno više potencijala što se tiče potreba u budućnosti a zasnovan je na primjeni statističkih modela. Pogledamo li konačni rezultat analize rizika terena, prikazan grafički, prikaz je praktički identičan rezultatu koji je dobiven hot spot analizom, te sa stajališta krajnjeg korisnika, koji je u ovom slučaju policijski službenik, praktički razlika niti ne postoji. Razlika između ove dvije metode je u podatcima koji se nalaze u pozadini a u osnovi su potpuno različiti. Hot spot metode fundamentalno spadaju u grupu klasterskih tehnika koje u ovom slučaju na temelju klastera tj. događaja od interesa utvrđuju geografske lokacije 45

55 promatranih događanja koje se potom grafički prikazuju na geografskoj karti. Metode koje ulaze u okvire analiza koje se odnose na utvrđivanje rizika promatranog područja karakterizira klasifikacijski pristup koji procijenjeni rizik nekog područja bazira na prisutnost lokacija okarakteriziranih kao prijetnja (npr. barovi, noćni klubovi i sl.). Heuristički pristup RT modelu Za ovaj pristup možemo reći da oslikava aktualni način korištenja podataka. Naime u današnje vrijeme vrijednost podataka leži u podatkovnoj cjelini, koja je sastavljena od zasebnih podatkovnih jedinica koje bez obzira na zasebnu vrijednost, koja je najčešće zanemariva, imaju veliku važnost u formiranju cjeline. Takva podatkovna manipulacija upravo je najjasnije prikazana kroz ovaj model, prvenstveno što rezultat korištenja modela ima grafičku prezentaciju kroz geografsku kartu. Stvaranje karte nekog područja nije ništa drugo nego slaganje slojeva podataka jedan na drugi, što u konačnici formira jedinstveni prikaz svih podataka na jednom mjestu. U primjeni geo-informacijskih sustava (GIS) iskorišten je podatak geografske određenosti, koji je poznat za apsolutno svaki događaj, te kao zajednički atribut povezuje druge segmente podataka koji mogu imati posve različitu atributnu određenost. U praksi bi to značilo da prilikom stvaranja geografske reprezentacije RT modela najprije koristimo sloj podataka koji definiraju ćelije na koje je područje podijeljeno. Zatim na taj sloj mreže dodajemo sloj na kojem su lokacije objekata koji predstavljaju prijetnju. Slijedeći podatkovni sloj su lokacije počinjenih kriminalnih djela, te se najčešće ovisno o njihovom broju na nekom području tj. unutar neke ćelije računa njihova koncentracija. Kombinacijom samo ova tri sloja dobiva se prilična jasna slika situacije na nekom području. Ovisno o tome što želimo prikazati na geografskom prikazu područja dodajemo odnosno uklanjamo slojeve podataka. Primjerice, u gradiću Irvington (New Jersey) 2011.g. došlo je do naglog povećanja prisutnosti vatrenog oružja na ulicama, potrebno je bilo ustanoviti koja su to područja na kojima se sa najvećim stupnjem vjerojatnosti može očekivati upotreba vatrenog oružja. Kombinacijom tri sloja poznatih podataka, lokacije članova bandi, lokacije objekata u koje takav tip ljudi najčešće zalazi i područja narko kartela, dobiven je dosta pouzdan prikaz trenutne situacije, čime je dobiven podatkovni temelj za heurističke metode formiranja zaključaka. 46

56 7. PRIMJER IZ HRVATSKE Iako je u radu naglasak stavljan na korištenje big data pristupa od strane policije, kako bi smo spomenuli jedan ovoj tematici sličan projekt iz Hrvatske, odmaknut će mo se od teme i upoznati se sa projektom kojeg uspješno provodi Hrvatska gorska služba spašavanja. Naime Hrvatska gorska služba spašavanja je nositelj projekta po nazivom Razvoj inovativnih tehnologija u pustolovnom turizma financiranog sredstvima Europske unije putem IPA programa prekogranične suradnje Hrvatska Crna Gora. Vodeći projektni partneri su Hrvatska gorska služba spašavanja 15 (HGSS) u Republici Hrvatskoj i United Nations Development Program (UNDP) CO Montenegro u Crnoj Gori. Cilj projekta je, jednostavno rečeno, iskoristiti tehnološka rješenja u podizanju razine sigurnosti u sferi pustolovnog turizma na ovim prostorima, koji je zadnjih godina doživio procvat. Sve više turista je zainteresirano za provođenje godišnjeg odmora dalje od morske obale, što uključuje planine, rijeke, jezera, speleo objekte, jednom riječju, geografsko nepristupačne dijelove. Za pokretanje projekta nije od presudne važnosti bila spomenuta geografska nepristupačnost, već činjenica koja našu regiju stavlja u nepovoljan položaj u odnosu na konkurente, a to je da su nam kanali online distribucije i prikupljanja podataka dosta nerazvijeni. U skladu s novim trendovima u turizmu, kroz ovaj projekt uvest će se inovacije u kreiranju i promociji turističkih proizvoda pomoću ICT tehnologije. U okviru toga napravit će se potpuno funkcionalan geoportal (web stranica na GIS platformi) te dvije mobilne aplikacije koje će dovesti do lakšeg prikupljanja informacija i poboljšanja komunikacije s krajnjim korisnicima. Osim u ovom, trenutno aktualnom projektu, HGSS u svom radu već duže vremena zagovara filozofiju podatkovne određenosti svih svojih aktivnosti bilježi se doslovno svaki korak. Već neko vrijeme je također aktualan projekt kartiranja planinskih dijelova Hrvatske. Pri čemu je potrebno naglasiti, u ovom radu već nekoliko puta spomenutu činjenicu, da je 15 Hrvatska gorska služba spašavanja je nacionalna, dobrovoljna, stručna, humanitarna i nestranačka udruga javnog značaja čiji su osnovni ciljevi sprječavanje nesreća, spašavanje i pružanje prve medicinske pomoći u planini i na drugim nepristupačnim područjima. 47

57 konačni cilj cijele priče prikupljanja podataka stvaranje baze podataka u pozadini. Pri tome se naravno pridržava univerzalnog pravila, prikupi podatke po mogućnosti sve. Pridržavanje spomenutih pravila detaljne podatkovne određenosti, u dosta slučajeva izgleda poprilično apsurdno i besmisleno. Primjerice izlazak kartografa na teren osim prikupljanja GPS tragova putem GPS uređaja uključuje bilježenje najsitnijih podataka sa terena. Nije bitno naznačiti da je na određenoj lokaciji neka građevina, trebam znati kakve je boje fasada. Koliko god to zvučalo apsurdno, još nevjerojatnije zvuče konačni rezultati koji su na taj način ostvareni. Ne mali broj slučajeva je da su spašavatelji uspjeli spasiti osobu putem mobitela, upravo zahvaljujući ovim spomenutim krajnostima u prikupljanju podataka. Unesrećena osoba bi samo jednim telefonskim pozivom opisala okolinu gdje se nalazi (konkretno boju fasade) te bi spašavatelji na osnovu prikupljenih podataka u vrlo kratkom roku utvrdili gdje se osoba nalazi te po potrebi izašli na teren ili osobu uputili na pravi put ako se je izgubila. U stvaranju podatkovnog prikaza područja koristi se čitav niz podataka, od vojnih karata, satelitskih snimki, karata minsko sumnjivih područja i sl. te se ti podatci slažu jedan na drugi. Gledajući podatke posebno malo toga se može zaključiti, dok njihovim preklapanjem na temelju atributa geografske pozicije koja je određena geografskim koordinatama dobivamo informacije velikog stupnja relevantnosti. Kako slika govori više od tisuću riječi, ovdje ukratko opisano podatkovno preklapanje možemo vidjeti na sljedećem jednostavnom primjeru. Zamislimo situaciju da je HGSS dobio poziv od centra 112 da izađe na teren. Na temelju poziva unesrećenog imamo pouzdanu informaciju da je osoba krenula planinarskom stazom iz doma na Platku prema Snježniku i da se nalazi negdje na toj stazi ali ne znamo točno gdje. Premda je to područje kvalitetno kartirano, tj. podatkovno određeno, na stol stavljamo podatke koji su nam potrebni. 48

58 Kao prvo, spašavatelji ne moraju nužno dobro poznavati teren, pa je prvo pitanje, gdje se točno Platak nalazi? slika 6 (Korištenje QGIS softverskog alata za preklapanje dvije vrste podataka) Podatci koji su nam potrebni za odgovor na ovo pitanje su, karta Hrvatske, pri čemu su naznačene i općine, što također može biti koristan podatak i vojna karta TK25 16 koja za trenutne potrebe akcije daje optimalnu količinu informacija, kao što se može vidjeti na slici. Sljedeće logično pitanje je gdje se nalazi spomenuta planinarska staza. 16 Topografska karta (TK25) je osnovna službena državna karta i izrađuje se u mjerilu 1: Službena državna karta kodirana je slika prirodnih i izgrađenih objekata zemljine površine koja se izrađuje za cjelokupno područje Republike Hrvatske. 49

59 slika 7 (Korištenje QGIS softverskog alata za preklapanje tri vrste podataka) Odgovor na to pitanje dobivamo stavljanjem sloja podataka o planinarskim stazama na postojeća dva sloja. Kada tako posložimo podatke imamo sve što nas zanima te možemo ljude poslati na teren, jedino još bi bilo dobro znati da li se može barem jedan dio puta prijeći nekim prijevoznim sredstvom. Taj podatak se nalazi u bazi podataka ili je na karti naznačen kao oznaka klasifikacije puta prema kojoj znamo da li je put predviđen isključivo za terensko vozilo ili je isključivo pješački ili nešto treće. Kako bi spašavatelji na terenu bili što informiraniji u konkretnom slučaju raspolažemo i sa satelitskom snimkom područja. 50

60 slika 8 (Korištenje QGIS softverskog alata za preklapanje četiri vrste podataka) Osim, možemo reći, slikovitog prikaza slaganja i povezivanja podataka, iza ovog primjera se krije još jedna interesantna činjenica. Naime za ovaj primjer je korišteno besplatno i svima dostupno softversko rješenje koje svatko može skinuti sa interneta. Premda je rad u softveru poprilično jednostavan ovaj primjer ne može svatko napraviti. Postavlja se pitanje zašto je to tako. Na scenu stupa, već mnogo puta spomenuta u ovom radu, vrijednost podataka. Do podataka koji su korišteni u ovom primjeru vrlo teško je doći, pa su takve podatkovne manipulacije još uvijek u velikoj mjeri moguće samo unutar velikih tvrtki ili organizacija. Odnos prema podatcima se s vremenom mijenja kao i zakoni kojima je uređen pristup i korištenje istih. Pitanje je vremena kada će ovakve ali i mnogo složenije podatkovne manipulacije biti moguće i svakom pojedincu, što će nedvojbeno utjecati, slobodno možemo reći, na podizanje svijesti cjelokupnog društva, a razlog tomu je bolja informiranost koja stoji iza svakog uspjeha a njena manjkavost ujedno je i razlog velikom broju neuspjeha. 51