predrta guma

Odraščal sem v času optimizma. Verjeli smo, da bo že po naravi stvari jutrišnji dan lepši, bogatejši in bolj varen. Tega je že dolgo nazaj.

Potem se nam je nekje na poti predrla guma – ali pa je bila že vseskozi predrta, a tega prej na makedamu nismo opazili. Namesto, da bi jo zakrpali in nadaljevali pot smo obstali, se začeli prepirati o krivcu in ugotavljati kdaj točno, se je guma predrla.

Od takrat je minilo več let. Še vedno smo tu in tu bomo tudi ostali. Vmes smo si na tem mestu zgradili naselji. Kaj naselji – utrdbi, vsako na svoji strani ceste.

Med seboj ne govorimo, le zmerjamo se skozi strelske line. Med svojimi, med zidovjem, se počutimo shizofreno, a varno.

Pot tam zunaj pelje dalje. Posamezniki bodo šli po njej. A žal bo potreben večji dogodek, ki bo podrl zidovje in ljudi spet spravil nanjo. V katero smer bodo šli potem – še ne vemo.

… drug timeline …

Optimizacija, transparentnost

Ko sem začel ta blog, sem verjel, da so stvari v osnovi v redu. Da potrebujemo le nekaj optimizacij, transparentnosti, manj korupcije in stvari bodo OK. Ta blog ni bil pomemben prispevek na tem področju. Bil je bolj moje osebno igranje v to smer. Obstajajo boljši individualci, kot: http://virostatiq.com/ in kasneje so prišli portali, ki celostno služijo nekemu namenu:

http://www.transparency.si/
https://parlameter.si/
celo vladni https://erar.si/ (bivši supervizor – ki je tu oral ledino) in
https://podatki.gov.si/

Data (sadly) won’t set you free

Kasneje sem uvidel, da podatki težko koga spremenijo. Vsak lahko v podatkih najde sliko, ki jo želi prikazati in ignorira kar mu ni po volji. Služijo predvsem za “confirmation”, ne “change”.

Tudi drugače – ljudje smo plemenska bitja. Več kot pravilnost nam pomeni pripadnost. Takšne živali pač smo.

Množic ne premakneš z vizualizacijo in števili, premakneš jih s preprostimi, pritlehnimi stvarmi. Takrat sem imel v načrtu par objav in sem začel pisati blog:
https://opazovalnicaldp.wordpress.com/

A nisem prišel dalj od prve objave. To je bilo pred približno 1 letom – in v tem letu je omenjeni prepad dobil absurdne razsežnosti. Naše lokalne specifike so zvodenele in izgubile pomen ob globjih globalnih vprašanjih. Prepir je v zadnjih mesecih postal surov in suh ter izgubil še zadnjo trohnico potenciala za humor in samorefleksijo.

Hempcrete

Trenutno se vračam k osnovam in se ukvarjam z ekološko gradnjo hiš, čemur bom najbrž namenil novo spletno stran.

Če kdaj najdem kakšne zanimive podatke, še kaj naredim na @dataoko, a mislim da zgoraj omenjeni portali izvrstno opravljajo svoje naloge. Le ljudi ni dovolj, ki bi jim dali pozornost, ki si jo zaslužijo.

… se vidimo na poti …

Sponsored Post Learn from the experts: Create a successful blog with our brand new courseThe WordPress.com Blog

WordPress.com is excited to announce our newest offering: a course just for beginning bloggers where you’ll learn everything you need to know about blogging from the most trusted experts in the industry. We have helped millions of blogs get up and running, we know what works, and we want you to to know everything we know. This course provides all the fundamental skills and inspiration you need to get your blog started, an interactive community forum, and content updated annually.

Krediti, preneseni na DUBT (aka Slabo banko)

Včeraj sem na twitterju zagledal:

Vse podatke najdete na tej povezavi.

Seveda nisem mogel kaj, da ne bi šel malo pobrskat. Podatke sem kopiral in prilagodil v Google Docs, potem ponovno kopiral v batchgeo. Nastala sta ta dva zemljevida:

DUTB s strani NLB – največjih 250 (od 284, zaradi omejitve programa batchgeo)

DUTB s strani NKBM

Screenshot from 2014-04-18 12:28:15

Ta dva zemljevida sta v redu, za preverit individualno ali po svoji okolici, vendar ne nudita vpogleda v to, kako so krediti razporejeni, o kakšnih razmerjih govorimo, kako, če, so grozdeni?

Zato sem naredil poljuben zemljevid. Ne vem zakaj, a spominja me na zemljevid, ki ponazarja širitev kakšne kužne bolezni.

Image

Rdeči so krediti ki jih je dala NLB, Zeleni pa NKBM. Radius kroga seveda predstavlja znesek. Razlika med LJ in MB je videti zanimiva. MB ima, kot je videti par takih, ki odzvanjajo čez 9 gora, v LJ pa zato toliko (in veliko) več konkretnih.

Še bolj podroben pogled v Ljubljano:

Screenshot from 2014-04-18 12:24:53

In Maribor:

Screenshot from 2014-04-18 12:25:30

Vse tri zemljevide, pa lahko uporabite v “živo” na naslednjih povezavah:

celotna Slovenija | pogled v Ljubljano | pogled v Maribor

 

Na bitbucket strani lahko dobite tudi izvorno kodo, tukaj pa podatke v GDocs, da lahko drugič sami naredite podoben zemljevid. Po novem obstaja poleg twiter tudi dataoko facebook stran, vabljeni.

 

Zapiski: Zemljevid občin, GIS, itd #1

Prvi shape file SLO občin sem našel tu:
http://www.gadm.org/country

Dobro pri tem je, da nudi 3 nivoje (država, regije, občine) in ima definirano projekcijo, oz. je KML že v pravi. Slabo je, da ne kaže zadnjih informacij tako da nekaj občin manjka (ter, kot sem videl kasneje, da so meje med občinami nekako bolj oglate kot bi lahko bile z boljšim simplification algoritmom)

Screenshot from 2013-12-18 10:02:28

Posodobljen shapefile (SHP) občin najdete tukaj:
http://www.e-prostor.gov.si/dostop_do_podatkov/mapa/brezplacni_podatki/obcine/

Prvi problem ali feature je, da je datoteka zelo podrobna. Zato zavzame cca 5MB. Ko jo pretvorite v KML/KMZ jo google maps noče odpreti ker je prevelika oz. ima preveč featurjev. Tudi če bi jo google sprejel je za naš namen nesmiselno podrobna, kar upočasni zadevo in poslabša uporabniško izkušnjo. (mimogrede: Google Fusion Tables omogočajo nalaganje večjih struktur).

Za simplifikacijo KLM-ja sem skušal uporabiti gdal (ogr2ogr) orodje, ki v zadnji verziji (katera še ni na ubuntu) nudi opcijo -simplify ki stori ravno to. Orodje mi je javljalo napako da ne najde paketa GEOS, ki sem ga (in to orodje skušal inštalirati s prevajanjem in preko ppa a brez uspeha).

Potem sem našel orodje za simplifikacijo SHAPE datotek, ki deluje super:
http://www.mapshaper.org/

Naslednja težava je nastopila, da je shape datoteka iz eprostor.gov.si uporabljala neko svojo projekcijo z koordinatami več 1000, ki nikakor ni bila kompatibilna z google maps. Prvi problem je bil kako pretvoriti med projekcijami, ko bi to znal bi moral še ugotoviti katero projekcijo sploh uporablja. V datoteki ali na strani nisem našel nobenega podatka o tem.

Po nekaj iskanja sem ugotovil da lahko projekcijo najdem s tem orodjem:
http://projfinder.com/

In sicer je bila: EPSG:3794

WGS84 (EPSG 4326)  za Google Earth & Mercator (EPSG 3857) za Google Maps.

QGIS – odprtokodno GIS orodje (tudi za Linux)

Orodje mi je pomagalo videti s čim sploh delam, če sem pravilno našel projekcijo (v en layer sem odprl občine iz “gadm” (KML), v drug shape datoteko iz “egov” ter po nastavitvi pravih projekcij videl ujemanje. Iz QGIS sem lahko sedaj tudi direktno shranil KML in to končno v pravi projekciji!

Sedaj moram ugotoviti kako poimenovati KML elemente (z normaliziranimi imeni občin, da jih bom lahko potem manipuliral s skriptami ob prikazu).

Ostala orodja

Online KML viewer:
http://ivanrublev.me/kml/

Mailing skupina za ljubitelje podatkov

Če te zanimajo brskanje po, analiza ali prikaz podatkov. Imaš predloge glede zanimivih virov podatkov, ali predloge in kontekst glede tega, kaj bi bilo zanimivo iz njih “videti”, si vabljen na:

podatkofili@librelist.com

Na skupino se prijaviš tako, da na zgornji email naslov pošlješ (kakršnokoli) sporočilo. To bo zavrženo in nazaj boš dobil potrditveni email. Pri tem pritisneš Reply in se s tem potrdiš.

Tvoja naslednja sporočila na ta naslov bodo posredovana vsem članom skupine.

Iz skupine se odjaviš s tem, da pošlješ email na podatkofili-unsubscribe@librelist.com. To in ostala navodila dobiš ob prijavi.

Vsebina

Skupina je zaenkrat namenjena tehničnemu in vsebinskemu delu dela s podatki. Če bo sporočil slučajno preveč, ju bomo ločili.

Več infromacij o tehničnem delovanju skupine

http://librelist.com/help.html

min_finance1

Če naletite na kakšne težave ali imate dodatna vprašanja mi lahko pišete na dataoko@fastmail.fm .

Slovenske občine #3 :: Povezave

To je tretja objava o slovenskih občinah. V prvi smo se spraševali o KOLIKO, v drugi KAM, v tej pa gledamo povezave med akterji.

Skripte, podatke in mrežni graf sem naredil že pred časom (26.8.2013). K objavi materjala, pa me je vzpodbudila razprava o spremembah zakona o dostopu do informacij javnega značaja (ZDIJZ), oziroma natančneje ta objava poslanca DL in video posnetek.

Postopek

Na strani supervizor se lahko vidi s katerimi podjetji so poslovale javne ustanove. To se mi seveda zdi edino pravilno, saj so, kot že ime pove javne.

  1. Iz supervizorja smo pridobili vse občine.
  2. Za vsako občino smo iz strani prenesli 50 podjetij s katerimi je določena občina največ poslovala, ter zneske poslovanja.
  3. Podatke smo spremenili v vezi in vozlišča (edge & node) tako da jih je program Gephi lahko naložil.
  4. Z nadaljno obdelavo in nastavitvami v Gephi-ju smo dobili prikaz iz katerega se je dalo kaj videti.

Kaj nas je zanimalo

S katerimi podjetji, kako in koliko so občine največ poslovale? Koliko je skupnih podjetij, koliko vezanih le na eno občino, ter kako so razporejena? Pri takem številu potencialno povezanih podatkov, delaš mrežni graf ravno zato da boš videl, kaj se bo spoh videlo.

Splošen pogled na mrežo

V prvem grafu smo skrili nazive, da lahko opazujemo samo strukturo mreže. Rdeče so občine, svetlo modra so podjetja. Velikost pike predstavlja velikost skupnega zneska (iz občine ali v podjetje).

Kot dve največji rdeči piki lepo Izstopata Ljubjana in Maribor. Od podjetij, pa bomo kasneje videli, da so največje pike blizu sredine Banke (ker so poslovale z zelo različnimi občinami). Nekaj mest, kot npr. Celje in Maribor prisegata na svoje lokalne banke. Naslednji večji akterji pa so gradbena podjetja, ki so večinoma razporejeni po svojih širših regijah.

obc3_network_nolabel

Vidimo lahko, da si občine delijo nekaj podjetij a ima vsaka občina svoj grozd satelitov. Če odstranimo povezave so še lepše vidni.

obc3_network_noedgenolabel

Večje občine imajo nekoliko večje satelite, manjše pa manjše. Skala ni linearna ampak logaritmična, ker bi bile v tem primeru velike občine čisto prevelike, majhne pa čisto premajhne za prikaz.

Opomba: Ker smo od vsake občine vzeli 50 podjetij s katerimi so največ poslovala, ima vsaka občina na grafu isto število podjetij.

Imena

Pa poglejmo še graf z imeni. V tem primeru kliknite sliko, da vam jo bo pokazalo veliko večjo, kjer se bo dalo prebrati večje napise.

obc3_network_names

Izpostavimo par pogledov

Mestne občine

obc3_mestne_obcine

Banke 1/2 (bolj udeležene)

obc3_banke1

Banke 2/2 (malo manj udeležene)

obc3_banke2

Primerjava Elektro Ljubljana ter Elektro Mariborobc3_elektro_lj_mb

Zneski v pravem razmerju

Če bi že prej uporabili pravo razmerje (ne logaritmično), se večino občin in podjetij na grafu ne bi videlo. Sedaj, za občutek o razmerjih med zneski, pa pride tudi graf z linearnim razmerjem. Ob tem ne pozabite, da so med občinami tudi ogromne razlike v prebivalstvu, kot smo prikazali v naši prvi objavi o občinah (KOLIKO).

obc3_linear

Izvorna Gephi datoteka

Ker lahko graf pride prav komu, ki ima kaj konkretnega za raziskovati, objavljam tudi Gephi datoteko, tako da si jo lahko vsak odpre in v njej poišče specifične stvari, ki jo/ga zanimajo.

Vir podatkov

http://supervizor.kpk-rs.si/

Izvorna Gephi Datoteka

http://dataoko.bitbucket.org/

Če vam je delo všeč, prosimo donirajte projektu Gephi.

Izjava

Podatke smo obdelali in predstavili v želji, da čimbolje prikažemo realno stanje, vendar ne prevzemamo nobene odgovornosti za njihovo točnost ali za točnost naših postopkov. Prav tako ne prevzemamo odgovornost za kakršnekoli posledice uporabe teh podatkov ali naših prikazov in povzetkov. Vsi izvorni podatki so javni in vsak jih lahko analizira sam, če želi na podlagi njih delovati. Če naletite na kakšne nepravilnosti ali napake nam jih prosim sporočite na dataoko@fastmail.fm.

Konstruktivna nezaupnica vladi (2013)

Iz več kot izvrstne strani www.delajozate.si (kako to da ne sprejemajo donacij?) sem skopiral glavni govor obstoječega premierja in govor kandidatke za premierski položaj na dan konstruktivne nezaupnice. Mogoče bom s tem naredil še kaj, zaenkrat samo dva oblaka besed.

Janez Janša

dataoko_nezaup_jansa

 

 

Alenka Bratušek

dataoko_nezaup_bratusek

 

Oba oblaka sta do neke mere zgovorna. Sam bi našel kritično opazko glede obeh, a prepuščam, da si v njih vsak sam najde svojo “resnico”.

banke in njihovi v 2012 “padli” dolžniki

V torek je mojo pozornost pritegnil članek Tadeja Kotnika v FinancahReševanje krize z zatiskanjem oči, ušes in ust – 2. del: Banka Slovenije. Ne le, da se za razliko od večine napisanega v Slo. medijih ni ukvarjal z neskončno tekmo med levim in desnim klubom (kjer smo državljani in podjetniki večinoma žoga, ki jo brcajo naokrog). Članek ni pisal niti o naših kultnih nenadomestljivih osebah, ki jih je v Sloveniji ogromno (a vseeno premalo, da bi bile nadomestljive).

Članek je pisal o ustanovi in ustanove so ustanovljene z določenim namenom. Članek je trdil, da ima ta ustanova določene probleme pri opravljanju svojega namena. Govoril je med drugim tudi s številkami in nekaj tabelami. Zato sem pisal Financam oz. avtorju, ali mi lahko pošlje podatke iz tabel v berljivem formatu.

V tabelah so bile slovenske banke, in njihovi dolžniki ki so “padli” lani – 2012. S “padli” je mišljeno, da so družbe postale insolventne, torej prišle v stečaj ali prisilno poravnavo. Kar pomeni, da so vse bančne terjatve do njih v neki meri slabe. Prikazal sem dolžnike, ki so dolžni nad 5000€.

Nastala je naslednja mreža (graph). Večji in temnejši fonti, pomenijo večji dolg. Oziroma več posojil v primeru bank. Širša puščica prav tako. Na obrobju vidite predvsem podjetja, ki so prejela manjša posojila posameznih bank. Proti centru tiste z večjimi posojili iz različnih bank. Banke so rdeče, podjetja pa modra (no, mogoče ne).

dataoko_finance1_1

Sedaj si, na isti mreži, oglejmo samo posojila in dolžnike NLB:

dataoko_finance1_2

Članek je veliko omenjal še Abanko:

dataoko_finance1_4

In NKBM:

dataoko_finance1_3

Na podlagi prejšnjih grafov je vidmo, da so nekatera podjetja prejela posojila večih bank, pa si poglejmo par večjih:

dataoko_finance1_5

dataoko_finance1_6

Pred dnevi smo v novicah brali o semenarni:

dataoko_finance1_7

Če koga zanima graf za kakšno specifično podjetje ali banko naj mi piše. Če imate kakšne zanimive podatke ali idejo prav tako: dataoko@fastmail.fm.

*najdete me tudi na twiterju*

Izjava

Podatke smo obdelali in predstavili v želji, da čimbolje prikažemo realno stanje, vendar ne prevzemamo nobene odgovornosti za njihovo točnost ali za točnost naših postopkov. Prav toko ne prevzemamo odgovornost za kakršnekoli posledice uporabe teh podatkov ali naših prikazov in povzetkov. Če naletite na kakšne nepravilnosti ali napake nam jih prosim sporočite na dataoko@fastmail.fm.

685 srečnih (brezposelnost v Slo)

Lani aprila sem naredil prvo vizualizacijo podatkov iz zavoda za zaposlovanje. Zanimivo bi bilo narediti primerjavo, že tako na oko pa vidim, da se je situacija zelo poslabšala.

Par dni nazaj sem se igral z zračno fotografijo pro-vladnikov na #ZZR (kot zanimiv problemček sem tudi jaz poskušal ugotoviti koliko ljudi je bilo na trgu). Včeraj ob gledanju žalostnih številk na zavodu za zaposlovanje pa sem našel uporabo za eno od slik.

To je 1000 pravih slovenskih ljudi na Kongresnem trgu:

1000peeps

Sedaj zgornjo sliko uporabimo, da prikažemo 124.477 iskalcev zaposlitve.

Zeleno obarvamo 685 srečnežev (kolikor je prostih delovnih mest). To je to:

zzzs.201302

Slika je popolnoma dovolj zgovorna. Sam zaenkrat še nisem brezposelen zato to ni izgovor zame, kot bo objavo znal kdo hitro skategorizirat in ovrečt.

Web application user visualization (in shell with awk)

I had an interesting quick task last week, and I’m allowed to post 3 pics from it. I got to visualise users of an internet company based on some TSV (tab separated value) file. They generate this user-stats file daily where each row represents one user. But they couldn’t see if they are making any progress with their iterations and changes or not, except by approximate assessment while scrolling the file. They wanted it done in shell as they would mostly use it over ssh so I decided to use awk.

Sign-ins in last 14 days

One thing I could get from that file is the info if a user has signed-in in last 14 days. I decided to visualise it like this. Each -/¤ represents one user, they are ordered by sign up date. The green ¤ did login in last 14 days.

We can nicely see how green fields become more and more frequent with time.

dataoko_company_active14d

What this doesn’t answer us is if this is because of user churn or did the web product get better with time. Probably both but to what degree?

Users that signed-up for the second day

To find out that I needed some datapoint that isn’t affected by distance from now, and it was there. Did the user sign-in for any other than the first day.

dataoko_company_multidaylogin

So this tells us few things. From start in 2009 to Jun 2011 this rate was improving considerably. Then it peaked and flatted out. From May 2012 it actually had some drops which could mean that new iterations reduced the quality of the web app. Because drops are short and rate returns to approximate plateau level between them (and based on dates which show increased number of users per month) it could also mean that the web app got some less quality visitors that just checked out the webapp. These things are typical if you get promoted in some media, which brings a spike of users, but they are there for curiosity and not necesarry looking for exactly such app at that particular time.

What I would dare to judge is that the perceived first user’s app quality didn’t improve in any meaningfull way sice Jun. 2011, which was a shock to them.

How many users upgraded from free plan

Suposedly 37signals once wrote (and everybody keeps parroting it to this company all the time) that “free users don’t convert to paid users, and most of paid users start as paid users”.

They knew that users did upgrade on them, but never knew exactly how many, so I visulised that too. Stars are currently active paid users. Blue stars are the one that started as paid users, greens are the ones that upgraded:

dataoko_company_upgrades

Well the parrots should maybe keep their beaks closed. It turns out that 30 out of 71 currently active paying users came here by upgrading from the free plan. It also seems that the upgraders are much less “churny”, which makes sense.

This says nothing against 37signals, they have their own data. But it does say that what holds for A doesn’t necesarily hold for B.

update: I decided to show the script for the first 2 tables (it accepts the width and what to measure), but don’t shoot me for its fugliness, I just hacked away until it did what I wanted, and I am fine with it:

#!/bin/bash
awk -v width=$1 -v char=$2 -F"\t" '{x=substr($7,char,1);if(x=="+"){p++;x="33[1;31m¤33[0m"};if(x=="*"){p++;x="33[1;32m¤33[0m"};printf("%s ", x);i++;if(i>width){i=0;printf(" | ");printf("33[1;34m %s33[0m\t", $4);while(p-->0){printf("_")};p=0;print""}} END {print""}'

The TSV looked something like this:

1234    lite   1       1-Dec-2012      00-xxx-0000     1-Dec-2012      .***
1235    pro    1       2-Dec-2012      00-xxx-0000     6-Dec-2012      +**-   

~follow me on twiter~

Slovenske občine #2 :: Kam?

Do določene mere smo v prejšnji objavi odgovorili na vprašanje KOLIKO, sedaj pa nas zanima osnovna slika o KAM.

S pomočjo supervizorja in par dodatnih skript pridobimo zneske in osnovne dejavnosti podjetij s katerimi so občine poslovale med letom 2003 in 2012. Dejavnosti po SKD (standardni klasifikaciji dejavnosti) je preveč, da bi bilo uporabno, a k sreči so hirarhično urejene. Tako lahko pri vsaki dejavnosti poiščemo dejavnost na prvem nivoju in jih seštejemo.

S tem dobimo matriko, ki jo je najlažje videti v “heatmap”-u. Svetlejša barva je bolj vroča in  predstavlja višjo vrednost. Graf je normaliziran po mestih in razvrščen po povprečjih zneskov, tako da nižje občine so načeloma večje.

Kliknite na sliko in z zoom/scrool brskalnika boste lahko videli več.

dataoko_obcine1_heatmap_norm_orgs__cluster_orgs

Opazke in vprašanja:

  • občine so imele največ plačil ustanovam iz finančnega/zavarovalniškega področja in gradbeništva. Sledi voda/okolje/komunala.

Manjšinske kategorije

Pri zgornjem grafu, kot vedno, par kategorij izstopa, zato ne moremo dobro videti vzorcev pri nižji večini kategorij. Če odstranimo največje 4 kategorije se pokažejo še vzorci v teh. Tudi tu so občine razvrščene po povprečju zneskov (nižje občine so načeloma večje).

Kliknite na sliko in z zoom/scrool brskalnika boste lahko videli več.

dataoko_obcine1_heatmap_norm_orgs__cluster_orgs_minor

Vzorci tu so zelo raznovrstni in potrebovali bomo dodatne analize če hočemo ugotoviti kakšna globalna pravila, kakšne povezave. Vsak pa si lahko pogleda graf za posamezne občine (npr. svojo) in morebiti najde kakšne zanimive specifike ali primerja par izbranih občin.

Klustriranje

Da malo bolje spoznamo podatke in dobimo kakšen dodaten uvid si podatke “klustrirajmo” in si jih poglemo še enkrat. Občin je preveč in imena sama ne povedo nič o velikosti, poziciji ali kakšni drugi lastnosti občin. Zato nam klustriranje ne pove nič o samih občinah, bolje pa lahko spoznamo same kategorije. Lahko npr. vidimo kako določene kategorije tvorijo skupine, kako velike so in odnose med kategorijami samimi.

Občine sedaj niso več razporejene po povprečjih zneskov ampak so hirarhično “klustrirane”, kar pomeni da so občine s podobnimi profili kategorij bolj skupaj. Na levi lahko vidite drevo (dendrogram) ki ga je hirarhično klustriranje ustvarilo. Na najvišjem nivoju vidimo dve skupini občin, eno s poudarkom na financah in zavarovalništvu in drugo s poudarkom na gradbeništvu. Če gremo bolj v detajle najdemo še skupine znotraj teh.

heatmap_cluster_rows

Ker je bila bolj raznovrstna je manjšinska slika mogoče še bolj zanimiva. Na prvi pogled izstopa cca. 6 skupin, ene so večje ene manjše kjer ima vsaka poudarjeno eno kategorijo. Na primer daleč najširša je skupina s poudarkom na promet/skladišče, naslednji dve sta videti vozila in predelava, več je skupin okoli ožjih maksimumov.

heatmap_cluster_rows_min

To je za drugo objavo vse. Danes smo dobili občutek ozirom osnovni vpogled v kakšne tipe podjetij gre denar. Kako različne so si po tem občine med seboj. Ne vidimo pa še nobenih povezav tega z drugimi lastnostmi občin. Naslednjič bomo poskušali najti kakšne povezave, ni garancije da jih bomo glede na (omejen vrste podatkov) uspeli, ker ni garancije da močne povezave med podatki ki jih lahko pridobimo obstajajo.

Bralec

Predlogi glede tega kje najti dodatne vrste podatkov o občinah, katere podatke bi bilo smiselno primerjati, kakšna vprašanja naj poskusimo odgovoriti, vaš pogled na doslej prikazano so kot vedno dobrodošli!

Vir podatkov

http://supervizor.kpk-rs.si/

Izjava

Podatke smo obdelali in predstavili v želji, da čimbolje prikažemo realno stanje, vendar ne prevzemamo nobene odgovornosti za njihovo točnost ali za točnost naših postopkov. Prav toko ne prevzemamo odgovornost za kakršnekoli posledice uporabe teh podatkov ali naših prikazov in povzetkov. Vsi izvorni podatki so javni in vsak jih lahko analizira sam, če želi na podlagi njih delovati. Če naletite na kakšne nepravilnosti ali napake nam jih prosim sporočite na dataoko@fastmail.fm.

~sledite me na twiterju~