UPORABNA INFORMATIKA 2019 ŠTEVILKA 4 OKT/NOV/DEC LETNIK XXVII ISSN 1318-1882 Znanstveni prispevki Živa Rant, Dalibor Stanimirović: Analysis of e-Health solutions in Slovenia: A usage perspective 133 Marjeta Marolt, Andreja Pucihar: Uporaba družbenih medijev za upravljanje odnosov s strankami v slovenskih mikro, malih in srednje velikih podjetjih 143 Kratki znanstveni prispevki Manca Žerovnik Mekuč, Ciril Bohak, Rok Romih, Samo Hudoklin, Matija Marolt: Avtomatska segmentacija celičnih predelkov v volumetričnih podatkih, pridobljenih z elektronskim mikroskopom 153 Bojan Klemenc, Franc Solina: Nizkodimenzionalni model tonskega prostora 157 Sandi Gec, Dejan Lavbič, Vlado Stankovski: Do lahkih pametnih pogodb s pametnimi preroki 161 Matija Rezar, Fabio Ricciato: Kako poznavanje časa odhoda signala vpliva na lokalizacijo z uporabo časa prihoda signala? 167 Strokovni prispevki Eva Grobiša, Jure Erjavec: Analiza uporabe spletne analitike v malih in srednjih podjetjih v Sloveniji 173 Informacije O konferenci Dnevi slovenske informatike 2020 182 Slovenija na poti digitalne preobrazbe 184 Iz Islovarja 185 UPORABNA INFORMATIKA 133 INFORMATIKA 2019 ŠTEVILKA 4 OKT/NOV/DEC LETNIK XXVI ISSN 1318-1882 Ustanovitelj in izdajatelj Slovensko dru.tvo INFORMATIKA Litostrojska cesta 54, 1000 Ljubljana Predstavnik Niko Schlamberger Odgovorni urednik Saša Divjak Uredniški odbor Andrej Kovačič, Evelin Krmac, Ivan Rozman, Jan Mendling, Jan von Knop, John Taylor, Jurij Jaklič, Lili Nemec Zlatolas, Marko Hölbl, Mirjana Kljajić Borštnar, Mirko Vintar, Pedro Simoes Coelho, Saša Divjak, Sjaak Brinkkemper, Slavko Žitnik, Tatjana Welzer Družovec, Vesna Bosilj-Vukšić, Vida Groznik, Vladislav Rajkovič Recenzenti Alenka Baggia, Andrej Brodnik, Andrej Kovačič, Bojan Rosi, Boštjan Žvanut, Božidar Potočnik, Denis Trček, Franc Solina, Gregor Weiss, Igor Bernik, Igor Kononenko, Janez Demšar, Jure Erjavec, Jurij Jaklič, Jurij Mihelič, Luka Tomat, Marjan Heričko, Marko Hölbl, Martin Vodopivec, Matevž Pesek, Matija Marolt, Mihaela Triglav Čekada, Mirjana Kljajić Borštnar, Mojca Indihar Štemberger, Monika Klun, Niko Lukač, Niko Schlamberger, Peter Trkman, Sandi Gec, Saša Divjak, Slavko Žitnik, Tomaž Dobravec, Tomaž Erjavec, Štefan Kohek, Uroš Rajkovič, Vladislav Rajkovič, Živa Rant Tehnični urednik Slavko Žitnik Lektoriranje angleških izvlečkov Marvelingua (angl.) Oblikovanje KOFEIN DIZAJN, d. o. o. Prelom in tisk Boex DTP, d. o. o., Ljubljana Naklada 200 izvodov Naslov uredništva Slovensko dru.tvo INFORMATIKA Uredni.tvo revije Uporabna informatika Litostrojska cesta 54, 1000 Ljubljana www.uporabna-informatika.si Revija izhaja Ëetrtletno. Cena posamezne .tevilke je 20,00 EUR. Letna naroËnina za podjetja 85,00 EUR, za vsak nadaljnji izvod 60,00 EUR, za posameznike 35,00 EUR, za .tudente in seniorje 15,00 EUR. V ceno je vkljuËen DDV. Revija Uporabna informatika je od .tevilke 4/VII vkljuËena v mednarodno bazo INSPEC. Revija Uporabna informatika je pod zaporedno .tevilko 666 vpisana v razvid medijev, ki ga vodi Ministrstvo za kulturo RS. Revija Uporabna informatika je vkljuËena v Digitalno knjianico Slovenije (dLib.si). Y Slovensko dru.tvo INFORMATIKA Vabilo avtorjem V reviji Uporabna informatika objavljamo kakovostne izvirne Ëlanke domaËih in tujih av-torjev z naj.ir.ega podroËja informatike v poslovanju podjetij, javni upravi in zasebnem aivljenju na znanstveni, strokovni in informativni ravni; .e posebno spodbujamo objavo interdisciplinarnih Ëlankov. Zato vabimo avtorje, da prispevke, ki ustrezajo omenjenim usmeritvam, po.ljejo uredni.tvu revije po elektronski po.ti na naslov ui@drustvo--informatika.si. Avtorje prosimo, da pri pripravi prispevka upo.tevajo navodila, objavljena v nadaljeva­ nju ter na naslovu http://www.uporabna-informatika.si. Za kakovost prispevkov skrbi mednarodni uredni.ki odbor. »lanki so anonimno recen­zirani, o objavi pa na podlagi recenzij samostojno odloËa uredni.ki odbor. Recenzenti lahko zahtevajo, da avtorji besedilo spremenijo v skladu s priporoËili in da popravljeni Ëlanek ponovno prejmejo v pregled. Uredni.tvo pa lahko .e pred recenzijo zavrne objavo prispevka, Ëe njegova vsebina ne ustreza vsebinski usmeritvi revije ali Ëe Ëlanek ne ustreza kriterijem za objavo v reviji. Pred objavo Ëlanka mora avtor podpisati izjavo o avtorstvu, s katero potrjuje original-nost Ëlanka in dovoljuje prenos materialnih avtorskih pravic. NenaroËenih prispevkov ne vraËamo in ne honoriramo. Avtorji prejmejo enoletno naroËnino na revijo Uporabna informatika, ki vkljuËuje avtorski izvod revije in .e nadaljnje tri zaporedne .tevilke. S svojim prispevkom v reviji Uporabna informatika boste prispevali k .irjenju znanja na podroËju informatike. Aelimo si Ëim veË prispevkov z raznoliko in zanimivo tematiko in se jih ae vnaprej veselimo. Uredni.tvo revije Navodila avtorjem Ëlankov »lanke objavljamo praviloma v sloven.Ëini, Ëlanke tujih avtorjev pa v angle.Ëini. Bese­dilo naj bo jezikovno skrbno pripravljeno. PriporoËamo zmernost pri uporabi tujk in ‡ kjer je mogoËe ‡ njihovo zamenjavo s slovenskimi izrazi. V pomoË pri iskanju sloven-skih ustreznic priporoËamo uporabo spletnega terminolo.kega slovarja Slovenskega dru.tva Informatika Islovar (www.islovar.org). Znanstveni Ëlanek naj obsega najveË 40.000 znakov, strokovni Ëlanki do 30.000 zna­ kov, obvestila in poroËila pa do 8.000 znakov. »lanek naj bo praviloma predloaen v urejevalniku besedil Word (*.doc ali *.docx) v enojnem razmaku, brez posebnih znakov ali poudarjenih Ërk. Za loËilom na koncu stav­ka napravite samo en prazen prostor, pri odstavkih ne uporabljajte zamika. Naslovu Ëlanka naj sledi za vsakega avtorja polno ime, ustanova, v kateri je zaposlen, naslov in elektronski naslov. Sledi naj povzetek v sloven.Ëini v obsegu 8 do 10 vrstic in seznam od 5 do 8 kljuËnih besed, ki najbolje opredeljujejo vsebinski okvir Ëlanka. Pred povzetkom v angle.Ëini naj bo .e angle.ki prevod naslova, prav tako pa naj bodo doda­ne kljuËne besede v angle.Ëini. Obratno velja v primeru predloaitve Ëlanka v angle.Ëini. Razdelki naj bodo naslovljeni in o.tevilËeni z arabskimi .tevilkami. Slike in tabele vkljuËite v besedilo. Opremite jih z naslovom in o.tevilËite z arabskimi .tevilkami. Vsako sliko in tabelo razloaite tudi v besedilu Ëlanka. »e v Ëlanku uporab­ljate slike ali tabele drugih avtorjev, navedite vir pod sliko oz. tabelo. Revijo tiskamo v Ërno-beli tehniki, zato barvne slike ali fotografije kot original niso primerne. Slik zaslonov ne objavljamo, razen Ëe so nujno potrebne za razumevanje besedila. Slike, grafikoni, organizacijske sheme ipd. naj imajo belo podlago. EnaËbe o.tevilËite v okle­pajih desno od enaËbe. V besedilu se sklicujte na navedeno literaturo skladno s pravili sistema APA navajanja bibliografskih referenc, najpogosteje torej v obliki (Novak & KovaË, 2008, str. 235). Na koncu Ëlanka navedite samo v Ëlanku uporabljeno literaturo in vire v enotnem seznamu po abecednem redu avtorjev, prav tako v skladu s pravili APA. VeË o sistemu APA, katerega uporabo omogoËa tudi urejevalnik besedil Word 2007, najdete na strani http://owl.english.purdue.edu/owl/resource/560/01/. »lanku dodajte kratek aivljenjepis vsakega avtorja v obsegu do 8 vrstic, v katerem poudarite predvsem strokovne doseake. Analysis of e-Health solutions in Slovenia: A usage perspective Živa Rant1, Dalibor Stanimirović1 1Nacionalni inštitut za javno zdravje, Trubarjeva cesta 2, 1000 Ljubljana ziva.rant@nijz.si, dalibor.stanimirovic@nijz.si Izvleček Projekt eZdravje v Sloveniji združuje več različnih informacijskih sistemov in zagotavlja pomembne zdravstvene, ekonomske in admi­nistrativne podatke, ki lahko pomembno prispevajo k na podatkih temelječem odločanju v zdravstvu. Prispevek prikazuje trenutno stanje najpomembnejših rešitev eZdravja v Sloveniji: eRecepta, eNaročanja in Centralnega registra podatkov o pacientih. Osredoto-ča se predvsem na različne vidike njihove uporabe med zdravstvenimi delavci in pacienti. Prispevek predstavlja poglobljeno analizo funkcionalnosti in uporabe rešitev eZdravja. Analiza je bila izvedena na eni strani na podlagi pregleda projektne dokumentacije in tehničnih specifikacij in po drugi strani na podlagi izkušenj ter strokovnega mnenja strokovnjakov na NIJZ, ki upravljajo z rešitvami eZdravja in dejanskih statističnih podatkov o uporabi iz administratorskega modula rešitev. Raziskava je pokazala velik napredek v zadnjih treh letih in kratkoročni cilji projekta eZdravje so bili skorajda doseženi brez izjeme. Za izkoriščanje potencialov rešitev eZ­dravja tudi v prihodnje je potrebna sistemska podpora na vseh ravneh in vseh vključenih deležnikov. Ključne besede: eZdravje, eRecept, eNaročanje, Centralni register podatkov o pacientu, Povzetek podatkov o pacientu, portal zVEM Abstract The project for the digitalization of Slovenian health care (eHealth) should integrate all fragmented information systems and provide relevant medical, economic and administrative data, which could improve the increasingly important evidence-based decision-ma­king and management in the health care system. This paper explores the current state of the most important eHealth solutions in Slovenia, i.e. ePrescription, eAppointment and Central Registry of Patient Data, and furthermore specifically focuses on different aspects of their use by health care professionals and patients. The in-depth analysis included the review of eHealth-related sources and structured discussions with the experts responsible for the development and implementation of eHealth solutions. The research reveals that significant progress has been made in the last 3 years and that the short-term objectives of eHealth solutions have been met almost without exception. However, in order to further exploit the potentials of eHealth in the future, all efforts behind this project will have to be supported by systematic measures on all levels as well as the firm commitment of stakeholders. Keywords: eHealth, ePrescription, eAppointment, Central Registry of Patient Data, Patient Summary Record, patient portal zVEM INTRODUCTION The project for digitalization of the Slovenian health care system (eHealth) was managed by the Ministry of Health of the Republic of Slovenia from 2008 to November 2015. It was one of the largest national in­formation and communication technology (ICT) pro­jects in the Slovenian history and was co-financed by the EU through the European Social Fund (Rant et al., 2017). Strategic goals of the project were especially focu­sed on (MZ, 2010): • Increasing the active role and responsibilities of citizens for their health. • Improved access to all necessary health informa­tion and ability of citizens to participate in the de­velopment of high quality health care services. • Providing secure and reliable access to all key pa­tient information for all health care providers, ge­ neral practitioners (GPs), specialists, pharmacists within Electronic Health Record (EHR) and other data sets. • Easier planning and management within health care organizations or health care sector in gene­ral, based on the reliable and relevant economic, administrative and clinical data. • Improved access to health care services for under­privileged groups, which tend to be excluded due to their reduced abilities, age or any other reason. National Institute of Public Health (NIJZ) has ta­ ken over the governance of the eHealth project solu­tions on 1 December 2015. As part of eHealth, NIJZ has taken over the governance of 20 eHealth soluti­ons, i.e. ePrescription, eAppointment, Central regi­ster of patient data (CRPD), etc. NIJZ has been facing different challenges, while trying to introduce the eHealth solutions into the health care environment. However, the general success in the implementati­on of innovative eHealth solutions in Slovenia was recognized by the European Commission. Namely, Digital Economy and Society Index Report placed Slovenia on the sixth place in eHealth Services for 2017(European Commission, 2019b). Concerning the efforts in Slovenia focused on the implementation of eHealth solutions, two facts sho­uld be stressed out: First, all eHealth solutions in Slo­venia are implemented on the national level; second, all people living in Slovenia have a health insurance card. It is an official identity document of persons insured, issued by the Health Insurance Institute of Slovenia (ZZZS). The health insurance card also re­presents an official patient identifier for the use of eHealth solutions in Slovenia. This paper presents the most popular eHealth so­lutions and state of their deployment including core indicators. MeThODS In this paper, we analyzed the Slovenian eHealth solutions from the usage aspect. After an exhaustive examination of the literature, project documentati­ons and exploration of other sources in the internati­onal eHealth domain, the current situation in Slove­nia concerning this topic was thoroughly analyzed. In the next phase of the research, experts from the NIJZ being in charge of eHealth development and implementation, joined the study and provided their inputs and insights concerning the usage of indivi­dual eHealth solutions and related issues. Research findings arising from their experience and experti­se have been crucial for the overall credibility and reliability of the research results. Their views were supported by the factual usage data extracted from the business intelligence (BI) modules contained in the individual eHealth solutions. The desktop rese­arch and in–depth analysis, including the participa­ting experts affiliated with the NIJZ, were conducted from September 2018 to January 2019. The research on usage aspects was predominantly focused on the most popular eHealth solutions in Slovenia: ePre­scription, eAppointment and CRPD. 3 ReSULTS AND DIScUSSION In this section we present some facts about the nati­onal eHealth solutions ePrescription, eAppointment and CRPD, and outline the findings concerning the different parameters of their usage (Rant et al., 2018; Rant & Stanimirović, 2019). 3.1 ePrescription ePrescription is the national eHealth solution esta­blished for the electronic prescription and dispen­sing of medications. Despite some difficulties in the early stages, ePrescription now represents a good practice case and can be regarded as one of the most successful and useful eHealth solutions, developed in Slovenia (Stanimirović & Savic, 2018; Stanimiro­vić, Zidarn, Rant, & Matetić, 2018). ePrescription was fully implemented on the national level in 2016 and is daily used at almost all health care providers and pharmacies. The use of e-prescription is almost ubiquitous (it is used by 98 % of general practitio­ners) and Slovenia ranks 3rd among EU Member Sta­tes in usage of electronic prescriptions in 2018 (Euro­pean Commission, 2019a). Physician (GP or medical specialist) creates ePre­scription in his local information system (IS) and sends it to the central database. In order to provide a secure prescribing process, both physician and a pharmacist can access to patient medication history and drug interactions database. The digitally signed document is stored in the central database. Phar­macist retrieves ePrescription and dispenses me­dications to the patients in the pharmacy. Patients can access to ePrescriptions data via Patient portal zVEM and see full history of prescribed and dispen­sed medications. Further below are presented analyses from the in 2016 through 13.095.808 in 2017 to 13.867.192 in ePrescription BI module. Usage of ePrescriptions has 2018 (see Figure 1). The share of ePrescriptions in to-been slightly rising in the last 3 years, from 12.326.845 tal of all prescriptions also rises steadily. Figure 1: Number of ePrescriptions per years The number of ePrescription varies through sea-2017 and 2018 in August, in 2016 in July), the highest sons; the lowest values are in the summer months (in in winter months (except December). Figure 2: Number of ePrescriptions in 2018 The share of ePrescriptions in total of all prescrip-reaching 100 % of all issued prescriptions will not be tions was practically on the same level in 2018: bet-possible in short-term (Figure 2). The goal from the ween 92 % and 94 %. Since certain methods of pre-year 2016, presuming that the share of ePrescriptions scribing are not provided through ePrescription (ur-would reach 90 % was achieved and its share is even gent prescriptions, prescribing at home vists, etc.), higher at the moment. 3.2 eAppointment eAppointment is the national eHealth solution, esta­blished for the eReferrals, on-line booking of appo­ intments and waiting lists (Stanimirović & Indihar, 2016). eAppointment was gradually implemented in 2016, and it has been used on the national level since April 2017. The process of issuing eReferrals is simi­lar to that of ePrescription. Physician creates eRefer­ral in his local IS. The digitally signed document is stored in the central database. The on-line booking of appointments for the par­ticular health care service can be carried out using this eReferral. The whole process can be executed by the patient himself through the Patient portal zVEM, or by a nurse or a physician. The central waiting list is made automatically based on data, retrieved from the local ISs at the health care providers. eConsultation module was added to eAppoint­ment in 2018. This particular module enables con­sultation between general practitioners and medical specialists about the concrete patients with the aim to reduce waiting periods and expedite treatment process. 3.2.1 eReferrals In Figure 3 we can see that the number of eReferrals has been rising in the recent years. The usage of eRe­ferrals rose rapidly in 2017, because on 10 April 2017 eReferral became an official document with the same validity as its paper version (Figure 3). Figure 3: Number of eReferrals per years The number of eReferrals varies through seasons 3.2.2 On-line booking of appointments as well; the lowest values are in the summer months, The number of on-line booking of appointments the highest in winter months. has been rising quickly through the last years, from The share of eReferrals in the total of all referrals 324.092 in 2016 to 5.127.599 in 2018 (see Figure 5). was more than 90 % in 2018, i.e. between 93 % and 97 % (Figure 4). Figure 4: Number of eReferrals in 2018 Figure 5: Number of on-line booking of appointments per years The data for waiting lists is generated automati-patients and health care policy makers. NIJZ inten­cally in the eAppointment BI module using the re-sively promotes the usage of the on-line booking ported data from the local ISs at the health care pro-system, which is supported by the HelpDesk, where viders. However, some waiting list data is still not trained professionals help patients to execute an on-consistent, since particular process issues at health -line booking of appointments with the specialists. care providers have still not been adequately addres­sed, and thus some data are not correct and reliable. 3.3 Central Registry of Patient (CRPD) NIJZ and other stakeholders in the field are engaged CRPD is a database of health documents that can be in the task of providing more dependable and exact accessed by residents of Slovenia via Patient portal data, since this is very important information for the zVEM. It is focused on the collection of data, which should be part of the storage and exchange process between health care providers (Tepej Jočić, 2018). There can also be stored documents submitted by pa­tients themselves (i.e. patient consent forms, access permissions and prohibitions, etc.). CRPD consists of patient health documentation and Patient Summary (PPoP). PPoP contains the most important patients’ health care data in order to assist urgent health care treatment purposes. Access permissions concerning the data in the CRPD were regulated with the Infor­mation Commissioner of the Republic of Slovenia, whereas the highest security standards had to be in place before the national roll-out of the CRPD. Significant rise in usage of patient health docu­mentation and PPoP in CRPD was detected in 2017 and 2018 (Figure 6). Patient health documentation is mostly consisted of medical examination reports, diagnose records and hospital discharge letters (Figure 7). Figure 6: Number of documents in cRPD per years Figure 7: Number of documents in cRPD in 2018 according to different types Figure 8: Type of records in PPoP in 2018 The highest number of documents in the PPoP present primary care notes about patient diagnoses, while vaccination records are in the second place (Fi­gure 8). 3.4 National patient portal zVeM (one-stop health) National patient portal zVEM provides users (ci­tizens / patients) with access to their health data in a one-stop shop manner (Rant, Stanimirović, & Žlen­der, 2019). Upon registration with digital certificate patients can access to their prescribed and issued medications, issued referrals, hospital discharge let­ters, specialist reports and PPOP. They can also revi­ew waiting periods for particular health care servi­ces at individual health care providers and submit a consent or restriction concerning the use of their health data (for countries or health care providers). Access to patient health data is enabled only with a qualified digital certificate, which ensures credi­ble and reliable user verification. The portal zVEM enables the exchange of information and better inte­raction between health care providers and patients, and can contribute to the empowerment of patients and greater responsibility for their own health. Full use of the national Patient portal zVEM, including the possibility of registration, was established at the beginning of 2017. 4 CONCLUSIONS The research reveals that Slovenian eHealth solu­tions are broadly used by health care professionals and patients, and that their usage continues to rise on a monthly basis. Slovenia has developed effecti­ve eHealth solutions, which was proved also by the DESI report (DESI, 2018). The foundations for the establishment of the eHealth solutions were set in the eHealth project, co-financed by the EU. However, only the smaller number of eHealth solutions were actually implemented in that period. This research exposed that a tremendous effort is required in or­der to successfully implement even a simple national ICT solution. Accordingly, a well-coordinated action, persistence, and a great amount of resources have been invested in the national eHealth solutions, whi­ch are today implemented nation-wide and accepted by all users (i.e. ePrescription, eAppointment). Ne­vertheless, on the other hand, some eHealth soluti­ons still need additional impetus and system support to become fully accepted and used. In order to take advantage of the possibilities offered by the ICT, the entire process of the development, implementation and use of eHealth solutions must be supported by systemic measures on various levels, and should be consistent with the interests and needs of the stake­holders. Despite some difficulties and setbacks in the initial stages, significant progress in implemen­ting and using individual eHealth solutions has been noted over the last two years, which represents an important milestone. We hope that the latest events concerning eHealth confirm the increasing aware­ness of decision makers that modern eHealth solu­tions significantly impact the safety and quality of health care treatment, and also provide the necessary support at all levels of management in the health care system. AcKNOwLeDgeMeNTS We would like to thank all members of the eHe­alth expert group for their help and support during the preparation of the paper. RefeReNceS [1] European Commission. (2019a). Digital Economy and Society Index (DESI); 2019 Country Report; Slovenia. Retrieved from https://ec.europa.eu/newsroom/dae/document.cfm?doc_ id=59912. Accessed July 29, 2019 [2] European Commission. (2019b). Digital Economy and Socie­ty Index Report 2019; Digital Public Services. Retrieved from https://ec.europa.eu/digital-single-market/en/desi. Accessed July 29, 2019 [3] Ministry of Health of the Republic of Slovenia. (2010). eHealth Project in Slovenia, Ljubljana: Ministry of Health [4] Rant, Ž., Stanimirović, D., Matetić, V., Indihar, S., Zidarn, J., Beštek, M., … (2017). eZdravje danes. Uporabna Informatika, 25(3), 169-179. [5] Rant, Ž., Stanimirović, D., Tepej Jočić, L., Žlender, A., Gas-pari, I., Božič, D., … Zidarn, J. (2018). Rešitve e-Zdravja. In Š. Adamič (Ed.), 30 let Slovenskega društva za medicinsko infor­matiko, 184-190. Ljubljana: Slovensko društvo za medicinsko informatiko. [6] Rant, Ž., & Stanimirović, D. (2019). Analysis of eHealth Soluti­ons in Slovenia: A Usage Perspective [PDF file]. Retrieved from https://www.nijz.si/sites/www.nijz.si/files/uploaded/rant_ho­spitals-ehealth_solutions-p.pdf. Accessed August 1 2019 [7] Rant, Ž., Stanimirović, D., & Žlender, A. (2019). Nacionalni Por­tal zVEM v okviru eZdravja = National portal zVEM within eHe­alth (P. Šprajc, Ed.). Ekosistem Organizacij v Dobi Digitalizacije, 873-884. https://doi.org/10.18690/978-961-286-250-3.67 [8] Stanimirović, D., & Indihar, S. (2016). eNaročanje - trenutno stanje in nadaljnji koraki. NOVIS, 43(11), 4-6. [9] Stanimirović, D., & Savic, D. (2018). Two years of ePrescrip­tion in Slovenia - applications and potentials (A. Ugon, Ed.). Building Continents of Knowledge in Oceans of Data, 261­ 265. Retrieved from doi:10.3233/978-1-61499-852-5-261 [10] Stanimirović, D., Zidarn, J., Rant, Ž., & Matetić, V. (2018). ePrescription in Slovenia : operative features, user insights, and public health potentials. European Journal of Public He­alth, Vol. 28, 69. Retrieved from https://academic.oup.com/ eurpub/article/28/suppl_4/cky213.195/5186228 [11] Tepej Jočić, L. (2018). Nadgradnje in širitev uporabe CRPP v obdobju 2016-2018 = Enhancements and deployment of CRPD 2016-2018. Proceedings from Kongres medicinske in-formatike 2018: 30 Let Izkušenj v Podporo Digitalizaciji Zdra­vstva, 17-20. Ljubljana: SDMI. • Živa Rant, MSc works as an Expert Associate in development in Centre for Health Care Informatics at the National Institute of Public Health Slovenia. Her major research interests include business processes, business process redesign, process organization, knowledge workers, eHealth. She has been a project manager in some information system development projects in the Slovenian enterprises. She has worked on some national and European projects. She was a member of the Extended project group in the eHealth Project in Slovenia. She is guest lecturer on the University of Maribor on knowledge workers, business processes, eHealth. • Assist. prof. Dalibor Stanimirović, PhD, is a researcher and head of the Centre for Health Care Informatics at the National Institute of Public Health of the Republic of Slovenia (NIPH). He is an assistant professor of informatics and his work has been published in high-ranked internati­onal academic journals, and presented at leading conferences and seminars. His general research interests include ICT policies and projects in health care, evaluation metrics and models, government enterprise architectures, and health information systems. Uporaba družbenih medijev za upravljanje odnosov s strankami v slovenskih mikro, malih in srednje velikih podjetjih Marjeta Marolt1, Andreja Pucihar1 1Univerza v Mariboru, Fakulteta za organizacijske vede, Kidričeva cesta 55a, 4000 Kranj marjeta.marolt@um.si, andreja.pucihar@um.si Izvleček Družbeni mediji so pomemben del našega vsakdanjika. Tega se zavedajo tudi podjetja, zato vedno pogosteje uporabljajo družbene medije za poslovne namene, predvsem za trženje in upravljanje odnosov s strankami. Kljub temu, da Statistični urad Republike Slovenije zbira podatke glede uporabe družbenih medijev za poslovne namene, pa ti ne podajajo celovitega vpogleda v njihovo dejan­sko uporabo. Anketirana podjetja podajajo mnenja le na šest trditev glede rabe družbenih medijev v poslovne namene. Poleg tega so bila mikro podjetja v tej raziskavi udeležena le leta 2013. Naša raziskava se zato usmerja v podrobnejše proučevanje obsega upora-be družbenih medijev za upravljanje odnosov s strankami v mikro, malih in srednje velikih podjetjih. S pomočjo raziskave smo prido­bili 119 veljavnih vprašalnikov, ki smo jih analizirali z orodjem SPSS. Ugotavljamo, da se družbeni mediji pogosteje uporabljajo za komunikacijo s strankami, medtem ko je zaznati manjšo stopnjo uporabe družbenih medijev v kombinaciji s tradicionalnimi CRM re-šitvami za upravljanje podatkov o strankah. Ključne besede: družbeni mediji, mikro, mala in srednje velika podjetja, upravljanje odnosov s strankami Abstract Social media (SM) is becoming an important part of our everyday lives. Since enterprises are aware of this, they have increasingly been using social media for business purposes, especially for marketing and customer relationship management. Despite the fact that the Statistical Office of the Republic of Slovenia collects data on the use of social media for business purposes, this data does not provide comprehensive insights into the actual use of social media for customer relationship management. In addition, micro enterprises have participated in the survey on social media use only once, in 2013. That is why this research focuses on studying the use of social media for customer relationship management in micro, small and medium-sized enterprises. Using a survey, we obtained 119 valid questionnaires, which were analyzed using the SPSS software platform. We determined that social media is more commonly used for the interaction with customers, while the utilization of social media in combination with traditional CRM solutions for customer data management is less evident. Keywords: Social media, micro, small and medium-sized enterprises, customer relationship management 1. UVOD Podjetja se že dolgo zavedajo pomembnosti pozna­vanja strank, saj z ustreznimi aktivnostmi, temelječi-mi na razumevanju strank, lahko izboljšajo prodajo in zagotovijo boljše izkušnje strank (Lemon & Verho­ef, 2016). V zadnjih desetletjih zaznavamo pospešen razvoj področja upravljanja odnosov s strankami. Le-ta se je začel v 80-ih letih prejšnjega stoletja, ko so podjetja začela shranjevati podatke o strankah v digitalni obliki (Petrison, Blattberg, & Wang, 1997). Tak način je omogočal podjetjem, da so lahko zbirala in obdelovala velike količine podatkov o strankah.. Leta 1995 se je pojavil pojem upravljanje odnosov s strankami (angl. customer relationship management – v nadaljevanju CRM). Z razvojem spleta so se poja-vile prve spletne CRM rešitve. SalesForce, na primer, je predstavil prvo CRM programsko rešitev kot stori­ tev. Šele s pojavom družbenih medijev pa se je CRM iz osnovnega transakcijskega sistema razvil v močno orodje za tesnejšo interakcijo podjetja s stranko (Gre­ enberg, 2008). Tako povezovanje družbenih medijev s CRM rešitvami imenujemo družbeni CRM. Družbeni mediji so relativno nova orodja, ki pod-pirajo spletno komuniciranje. Prvotno so bili druž­beni mediji namenjeni za osebno rabo. V zadnjih desetih letih pa so se uveljavili tudi v poslovne na­mene, saj omogočajo bolj agilen način komunikacije s strankami (Andzulis, Panagopoulos, & Rapp, 2012). Podjetja zaznavajo številne prednosti uporabe druž­benih medijev, predvsem na področjih oglaševanja, podpore strankam, tržnih raziskav (Tajudeen, Jaafar, & Ainin, 2018; Zaharah et al., 2018). Prednosti zazna­vajo podjetja vseh vrst in velikosti (He, Wang, Chen, & Zha, 2017). Vendar pa Harrigan, Ramsey, & Ibbot-son (2009) ugotavljajo, da se uporaba informacijskih in komunikacijskih tehnologij (IKT) razlikuje med malimi in velikimi podjetji. Razlogi za to se kažejo predvsem v omejenih sredstvih in strokovnih zna­njih malih podjetij (Durkin, McGowan, & McKeown, 2013; Harrigan & Miles, 2014). Velika podjetja uporabljajo družbene medije za poslovne namene bolj intenzivno kot mikro, mala in srednje velika podjetja (MSP). Giannakouris & Smi­hily (2013) ugotavljata, da jim srednje velika podje­tja dokaj uspešno sledijo, medtem ko mikro in mala podjetja opazno zaostajajo. Poročilo Eurostata (Euro-stat, 2017) izpostavlja intenzivnejšo uporabo družbe­nih medijev v EU-28 podjetjih. V podjetjih, ki imajo vsaj 10 zaposlenih, se je uporaba družbenih medijev med letoma 2013 in 2017 povečala za 9 %. Podatki Statističnega urada Republike Slovenije (SURS) ka­žejo podobno rast uporabe družbenih medijev v Slo­veniji kot jo ugotavlja Eurostat v drugih državah EU­ 28. SURS je za leto 2013 zbral podatke tudi za pod-jetja, ki imajo zaposlenih 5-9 ljudi. V kasnejših letih mikro podjetja niso bila vključena v raziskavo upora-be družbenih medijev za poslovne namene. Glede na podatke iz leta 2013 lahko opazimo, da so družbena omrežja najbolj popularen tip družbenih medijev v slovenskih MSP. Podatki kažejo, da je 38 % srednje velikih, 31 % malih in 23 % mikro podjetij leta 2013 uporabljalo družbena omrežja. Ostale vrste družbe­nih medijev, kot so npr. mikroblogi in wikiji, so MSP uporabljala pod 20 %. Natančneje, izmed vseh MSP, ki so uporabljala družbene medije za poslovne na­mene, jih je 83 % srednje velikih, 82 % malih in 77 % mikro podjetij uporabljalo za razvoj celostne podobe podjetja ali za trženje izdelkov ali storitev. Le 44 % srednjih, 45 % malih in 42 % mikro podjetij uporablja družbene medije za pridobivanje mnenj ali za odgo­varjanje na mnenja in ocene strank (SURS, 2019). Kljub temu, da je SURS zbiral podatke o uporabi družbenih medijev med leti 2013 in 2017, ti podatki ne ponujajo natančnejšega vpogleda o dejanski uporabi, saj so anketirana podjetja odgovarjala na šest trditev glede rabe družbenih medijev za poslovne namene (trženje, pridobivanje mnenj strank, vključevanje strank v razvoj, sodelovanje s poslovnimi partnerji, zaposlovanje in izmenjava stališč znotraj podjetja). Nadalje, podatki glede uporabe družbenih medijev so se zbirali predvsem za mala, srednje velika in ve­lika podjetja, in s tem zapostavljali mikro podjetja. Izjema je bila le leta 2013, ko so bila v raziskavo zajeta vsa podjetja, ki imajo zaposlenih več kot pet ljudi. Da bi zapolnili omenjene vrzeli, je namen tega prispevka predstaviti dejansko uporabo družbenih medijev za poslovne namene, natančneje upravljanje odnosov s strankami v MSP. To področje uporabe družbenih medijev je po podatkih SURS in Eurostat najbolj raz­širjeno. Da bi dosegli zastavljen cilj, smo oblikovali spletni vprašalnik, ki je bil poslan 2000 MSP. Pretežni del vprašanj se je nanašal na dejansko uporabo druž­benih medijev za vključevanje strank v pogovor in upravljanje podatkov o strankah. V prispevku najprej predstavimo pregled litera­ture in metodološki pristop. Sledi predstavitev re-zultatov raziskave. Na koncu izpostavljamo sklepne misli in priporočila za nadaljnje delo. 2. PRegLeD LITeRATURe Od 90-ih let prejšnjega stoletja dalje je zaznati pove- čanje zanimanja strokovne in raziskovalne javnosti za področje CRM. Obstajajo različne opredelitve pojma CRM (Greenberg, 2008). Nekateri raziskovalci (e.g. Hsieh, 2009; Kale, 2004) menijo, da je CRM tehnolo­ška rešitev, ki ponuja prodajne in trženjske funkcio­nalnosti, ki omogočajo lažje doseganje zastavljenih ci­ljev. Drugi (Greenberg, 2010; Payne & Frow, 2005)the authors develop a conceptual framework for custo­mer relationship management (CRM razumejo CRM kot celovit pristop za upravljanje odnosov s stranka- mi z namenom ustvariti vrednost za vse deležnike. Buttle (2009) izpostavlja štiri vidike CRM: stra­ teški, operativni, analitični in sodelovalni. Strateški CRM zajema poslovne procese in tehnologije, ki lah­ko pomagajo izboljšati vsakodnevno poslovanje s strankami (Iriana & Buttle, 2006). Operativni CRM je običajno razdeljen na avtomatizacijo trženja, av-tomatizacijo prodaje in avtomatizacijo poprodajnih aktivnosti (Iriana & Buttle, 2006; Torggler, 2008). Analitični CRM pokriva zajem, shranjevanje, pove­zovanje, obdelavo, distribucijo in uporabo podatkov o strankah (Buttle, 2009; Torggler, 2008). Sodeloval­ni CRM pa upravlja vse komunikacijske kanale med podjetjem in njegovimi strankami (Torggler, 2008). CRM se je prvotno uporabljal za odkrivanje po­treb posameznih strank z zbiranjem njihovih podat­kov in sledenjem njihovim transakcijam. Podjetje je tako izdelek, ki ga je na novo razvilo, dostavilo kup-cu na podlagi informacij, ki jih je imelo o strankah (Constantinides, Yousif, & Vries, 2014). S pojavom in širšo sprejetostjo družbenih medijev pa se že v faze razvoja izdelka oziroma storitve vedno pogosteje vključuje tudi stranke (Greenberg, 2010) Družbene medije so sprva uporabljali posamezni­ki za komunikacijo, izmenjevanje slik, video posnet­kov ter mnenj o izdelkih in storitvah. To je spodbudi-lo podjetja, da so začela uporabljati družbene medije za poslovne namene. Ne glede na to, da se je veliko raziskovalcev osredotočilo na raziskovanje področja rabe družbenih medijev, obstaja več različnih opre­delitev tega pojma (Kaplan & Haenlein, 2010). Ob-stajajo tudi različne klasifikacije družbenih medijev. Zaradi raznolikosti družbenih medijev in pojavljanja novih (Sinclaire & Vogus, 2011) take klasifikacije po­stanejo hitro zastarele. Kljub temu pa je treba omeniti klasifikacijo družbenih medijev, ki je zasnovana na teoretičnih spoznanjih in je najpogosteje omenjena v znanstvenih prispevkih. Predstavila sta jo Kaplan in Haenlien (2010). Njuna klasifikacijska shema temelji na dveh konceptih, ki temeljita na nizu teorij s po­dročja medijskih raziskav in družbenih procesov. Na podlagi teh dveh konceptov družbene medije delimo na šest skupin: blogi (ang. blogs), strani za družbe­na omrežja (ang. social networking sites), virtualni družbeni svetovi (ang. virtual social worlds), sku­pinski projekti (ang. collaborative projects), vsebin­ske skupnosti (ang. content communities) in svetovi virtualnih iger (ang. virtual game worlds). Družbeni mediji povezujejo milijarde uporab­nikov (Samuel & Joe, 2016; Statista, 2017; We Are Social, 2019) in podjetjem ponujajo priložnosti za povezovanje z večjim številom potencialnih kupcev (Jones, Borgman, & Ulusoy, 2015). Kot že omenje-no, se družbeni mediji najpogosteje uporabljajo za upravljanje odnosov s strankami (ang. social CRM). Boulding, Staelin, Ehret, & Johnston (2005)Richard Staelin, Executive Director of the Teradata Center for Customer Relationship Management at Duke Uni­versity, proposed that Journal of Marketing (JM iz­postavljajo, da je tehnologija pomembna za uspešno upravljanje odnosov s strankami, vendar za to niso potrebne specializirane programske rešitve. Po mne­nju Choudhury & Harrigan (2014)the new dimensi­on of social CRM focuses on customer engagement domain, and now social media technologies have re-volutionised the way businesses and consumers inte­ract. This paper focuses on social CRM and builds on a previous CRM model proposed by Jayachandran et al. (2005 družbeni mediji pripomorejo k boljšemu upravljanju odnosov s strankami v dveh segmentih, in sicer v komunikaciji s strankami in upravljanju podatkov o strankah. Družbeni mediji torej omogo-čajo komunikacijo s strankami skozi življenjski cikel stranke (od pridobivanja strank do vzdrževanja in vse do nadgrajevanja odnosov). Tako stranke niso več pasivni udeleženci, pač pa lahko pomagajo pri promociji podjetja, si nudijo podporo pri problemih, ki jih imajo z določenim izdelkom/storitvijo in celo sodelujejo pri inoviranju poslovnih procesov (Chau & Xu, 2012). Vse te interakcije vplivajo na nastanek velikega števila podatkov, ki jih lahko podjetje zdru­ ži s transakcijskimi podatki svojih strank. Poleg tega podjetja lažje spremljajo obnašanje strank in njiho­ve preference, družbeni profili uporabnikov pa jim omogočajo lažjo segmentacijo (Greenberg, 2008). Taneja & Toombs (2014) ugotavljata, da se število MSP, ki uporablja družbene medije, povečuje. Ra-zlogi za to so predvsem v prednostih, ki jih uporaba družbenih medijev prinaša MSP(He et al., 2017; Jo­nes et al., 2015). V zvezi z uporabo družbenih medi­jev za upravljanje odnosov s strankami Orzan, Pla-ton, Stefanescu, & Orzan (2016) izpostavljajo zado­voljstvo strank. Kljub temu, da se povečuje uporaba družbenih medijev, pa Taneja & Toombs (2014) pou­darjata, da le 26 % malih podjetij učinkovito in uspe­šno uporablja družbene medije za ustvarjanje novih prodajnih priložnosti in boljših odnosov s strankami. Razlogi za to so predvsem omejena sredstva, s ka­terimi mala podjetja razpolagajo (Bakeman & Han­ son, 2012; He et al., 2017; Schaupp & Bélanger, 2014). Skrbi jih tudi stopnja povrnitve naložbe in negativno izpostavljanje blagovnih znamk (Baird & Parasnis, 2011). MSPse torej soočajo z nekaterimi izzivi, ki jih pri­naša uporaba družbenih medijev za upravljanje od­nosov s strankami in prav zaradi tega jih ne upora­bljajo v obsegu, kot bi si želeli. Ti izzivi se navezujejo predvsem na izbiro primernih tehnologij za podporo dejavnostim upravljanja odnosov s strankami (Ki­etzmann, Hermkens, McCarthy, & Silvestre, 2011), uporabo družbenih medijev ne samo za trženje, tem­več tudi za prodajo in poprodajne aktivnosti (Sussin, 2015), pridobitev dodatnih znanj, ki so potrebna za boljše vključevanje strank v pogovor (Sigala, 2011) in kako izmeriti uspešnost njihovega udejstvovanja (Kper, Lehmkuhl, Wittkuhn, Wieneke, & Jung, 2015; Woodcock, Green, & Starkey, 2011). 3. MeTODOLOgIjA Cilj te raziskave je ugotoviti obseg uporabe družbe­nih medijev za upravljanje odnosov s strankami v slovenskih MSP. Da bi dosegli zastavljen cilj, smo za raziskovalno strategijo izbrali kvantitativno raziska­vo, za tehniko zbiranja podatkov pa anketni vprašal­ nik. Kvantitativna raziskava je učinkovit in uspešen način za ocenjevanje zaznavanja ciljne populacije (Rogelberg & Stanton, 2007) ter omogoča zbiranje in-formacij iz velikega vzorca (Fink, 2012). V literaturi je izpostavljenih več načinov zbiranja podatkov, na primer preko klasične pošte, telefonsko ali z uporabo spletne ankete. Za slednjo smo se odločili, ker je učin­kovito in ekonomično orodje za zbiranje podatkov v relativno kratkem časovnem okviru (Lefever, Dal, & Matthíasdóttir, 2007). Poleg tega omogoča preprosto čiščenje in pripravo podatkov za kasnejšo analizo (Bakla, Çekiç, & Ksal, 2013). Pri razvoju vprašalnika so bile upoštevane nasle­dnje usmeritve. Uporabili smo samo vprašanja za­prtega tipa, saj je take podatke najlažje obdelovati. Zagotovili smo, da je bilo vsako vprašanje razumlji­vo in vezano na proučevano področje. Vprašalnik je bil razdeljen na sklope, ki so bili ustrezno poimeno­vani. Poleg tega so bila dodana jasna navodila, ki so anketirancem pomagala k bolj preprosti navigaciji in hitrejšemu izpolnjevanju (Reynolds, Woods, & Baker, 2007). Prvi sklop se je nanašal na vprašanja o podjetju in splošni uporabi tehnologij za upravljanje odnosov s strankami, drugi pa na dejansko uporabo družbenih medijev za vključevanje strank v pogovor in upravljanje podatkov o strankah. Dejansko upo­ rabo družbenih medijev so anketiranci ocenjevali na 5-stopenjski lestvici Likertovega tipa, kjer 1 pomeni, da se s trditvijo sploh ne strinjajo in 5, da se popol­noma strinjajo. Vprašalnik je bil pregledan s strani strokovnjakov s področja e-poslovanja in statisti­ke ter testiran na manjšem številu MSP (Callegaro, Manfreda, & Vehovar, 2015). Iz baze Slovenskega poslovnega registra smo na­ključno izbrali 1000 mikro, 500 malih in 500 srednje velikih podjetij. V vzorec je bilo izbranih več mikro podjetij, ker so pretekle študije pokazale, da ta niso pripravljena sodelovati v raziskavah v taki meri, kot mala, srednje velika ali velika podjetja. Podjetja so bile razdeljena v skupine mikro, malih in srednje velikih podjetij glede na število zaposlenih in letni promet. Vsem naključno izbranim MSPsmo poslali vabilo s kratkim opisom raziskave in povezavo na spletni vprašalnik. Pridobili smo 119 v celoti izpol- Tabela 1: Lastnosti govornih korpusov Značilnosti podjetij Pogostost Delež Leto ustanovitve Pred 1996 64 53,78 % 1996-2006 27 22,69 % Po 2006v 28 23,53 % Velikost podjetja Mikro 32 26,89 % Malo 42 35,29 % Srednje veliko 45 37,81 % Dejavnost (po standardni klasifikaciji dejavnosti) Finančne in zavarovalniške dejavnosti 1 0,80 % Poslovanje z nepremičninami 1 0,80 % Kmetijstvo in lov, gozdarstvo, ribištvo 2 1,70 % Informacijske in komunikacijske dejavnosti 5 4,20 % Promet in skladiščenje 6 5,10 % Gostinstvo 7 5,90 % Kulturne, razvedrilne in rekreacijske 7 5,90 % dejavnosti Gradbeništvo 9 7,50 % Strokovne, znanstvene in tehnične 10 8,40 % dejavnsoti Druge dejavnosti 12 10,10 % Predelovalne dejavnosti 20 16,80 % Trgovina; vzdrževanje in popravila 39 32,80 % motornih vozil njenih vprašalnikov, kar predstavlja 5,95 % stopnjo odzivnosti. Podatke smo analizirali s programom SPSS. 4. ReZULTATI 4.1 Značilnosti podjetij in anketirancev Anketirana podjetja so bila ustanovljena med leti 1901 in 2016. Med njimi je bilo 37,8 % srednje veli­kih, 35,3 % malih in 26,9 % mikro podjetij. Kar 68,1 % vseh podjetij se je klasificiralo v sledeče dejavnosti: trgovina; vzdrževanje in popravila motornih vozil, predelovalne dejavnosti, strokovne, znanstvene in tehnične dejavnosti in druge dejavnosti. Natančnejše porazdelitve so predstavljene v Tabeli 1. Več kot polovica anketirancev je bilo ženskega spola. Najnižja dosežena stopnja izobrazbe je bila srednješolska, največ anketirancev pa ima višješol­sko ali univerzitetno izobrazbo. Večina anketirancev je direktorjev ali pa so na delovnem mestu managerja s področja marketinga in prodaje. Ostali anketiranci so večinoma specialisti za prodajo, specialisti za od-nose z javnostmi ali svetovalci. Večina anketirancev Tabela 2: Značilnosti anketirancev Značilnosti anketirancev Pogostost Delež Spol Ženska 71 59,7 % Moški 48 40,3 % Dosežena stopnja izobrazbe Srednješolska 21 17,6 % 1. bolonjska stopnja 40 33,6 % 2. bolonjska stopnja 44 37,0 % Znanstveni magisterij 12 10,1 % Doktorat 2 1,7 % Delovno mesto Direktor/Lastnik 37 31,1 % Vodja marketinga 34 28,6 % Vodja prodaje 27 22,7 % Drugo 21 17,6 % Izkušnje Manj kot 1 leto 4 3,4 % 1-5 let 32 26,9 % 6-10 let 30 25,2 % 11-15 let 35 29,4 % 16 let ali več 18 15,1 % (68,1 %) ima vsaj 6 let izkušenj na trenutnem ali pri­merljivem delovnem mestu. 4.2 Uporaba družbenih medijev in drugih tehnologij za upravljanje odnosov s strankami Kar 79 % anketiranih podjetij ne uporablja CRM reši­tev, vendar pa vsaj eno od naslednjih tehnologij: ce­lovite programske rešitve (38,7 %), programske reši­tve za poslovno analitiko (10,8 %), zbirko pisarniških programov, npr. MS Office (66,4 %) ali druge rešitve (10,1 %), kot so na primer rešitve za vodenje projek­ tov ali računovodske rešitve. Poleg tega jih ima 37,5 % vzpostavljeno spletno trgovino. Med družbenimi mediji najpogosteje uporabljajo Facebook (97,4 %), Twitter (44,8 %) in Instagram (42,2 %). Slika 1 pred­ stavlja družbene medije, ki jih uporabljajo MSP. 4.3 Obseg uporabe družbenih medijev pri upravljanju odnosov s strankami Kot že omenjeno, družbeni mediji pripomorejo k boljšemu upravljanju odnosov s strankami v dveh segmentih in sicer v komunikaciji s strankami in pri upravljanju podatkov o strankah. Podjetja lahko ko­ municirajo s stranko skozi vse stopnje življenjskega cikla strank, od pridobivanja strank do vzdrževanja in vse do nadgrajevanja odnosov. Tabela 3 predsta­ vlja povprečje in standardni odklon za vseh petnajst trditev, vezanih na uporabo družbenih medijev pri komunikaciji s strankami skozi življenjski cikel stran­ke. Vidimo lahko, da MSP najpogosteje uporabljajo družbene medije za objavljanje novosti v ponudbi(x.= 4,36), obveščanje o posebnih ugodnostih za stranke(x.= 4,25) in deljenje zgodb, ki gradijo znamko (x.= 4,25). Družbeni mediji se v manjšem obsegu uporabljajo za grajenje skupnosti (x.= 2,87) in vključevanju vplivnih posameznikov (x.= 2,99). Mikro podjetja v enajstih trditvah od petnajstih uporabljajo družbene medije v večjem obsegu kot mala in srednje velika podjetja. Vendar pa mala in srednje velika podjetja bistveno ne zaostajajo za njimi. Podjetja uporabljajo družbene medije v kombi­naciji s tradicionalnimi CRM rešitvami tudi za upra­vljanje podatkov o strankah. Tabela 4 predstavlja povprečje in standardni odklon devetih trditev, ve­zanih na uporabo družbenih medijev v kombinaci­ji s tradicionalnimi CRM rešitvami pri upravljanju podatkov o strankah. Vidimo lahko, da jih podjetja najpogosteje uporabljajo za stalno zbiranje podatkov o strankah (x.= 3,28) in uporabo podatkov o strankah Slika 1: Uporaba družbenih medijev v MSP za segmentacijo strank x.= 3,07). Se pa družbeni me-diji uporabljajo v manjšem obsegu v kombinaciji z drugimi programskimi rešitvami, ki jih podjetja upo­rabljajo za upravljanje odnosov s strankami in sicer za združevanje podatkov o strankah iz različnih po­dročij v organizaciji (x.= 2,87), združevanje podatkov, zbranih iz različnih virov, ločeno za vsako stranko (x.= 2,87), uporabo podatkov o strankah za lažje vključevanje strank v pogovor (x.= 2,87) in uporabo podatkov o strankah za pripravo ponudbe, prilago­jene specifičnim potrebam strank (x.= 2,87). Če pogledamo razlike med mikro, malimi in sre­ dnje velikimi podjetji glede uporabe družbenih me-dijev v kombinaciji s tradicionalnimi CRM rešitvami pri upravljanju podatkov o strankah, lahko vidimo, da mala in srednje velika podjetja v šestih trditvah od devetih uporabljajo družbene medije v kombinaciji s tradicionalnimi CRM rešitvami v večjem obsegu, kot mikro podjetja. Ni pa opaziti večjih razlik med njimi. 5. DISKUSIjA IN ZAKLjUčKI Glavni namen te raziskave je bil ugotoviti, v kakšnem obsegu se uporabljajo družbeni mediji za upravljanje odnosov s strankami v MSP. Da bi dosegli zastavljeni Tabela 3: Povprečje in standardni odklon za trditve vezane na uporabo družbenih medijev pri komunikacij s strankami skozi življenjski cikel stranke Trditev Povprečje Standardni odklon Deljenje zgodb, ki gradijo znamko 4,25 0,679 Vključevanje vplivnih posameznikov (medijske osebe, blogerji, ...) v trženje 2,99 1,153 Obveščanje o dogodkih, ki jih organiziramo 4,23 0,961 Prikazovanje dodane vrednosti ponudbe z uporabo slik in video posnetkov 4,31 0,734 Podajanje dodatnih informacij potencialni stranki o izdelku ali storitvi preko dvosmerne komunikacije 3,77 1,053 Dogovarjanje o zadnjih podrobnostih glede nakupa 2,58 1,299 Objavljanje novosti v ponudbi 4,36 0,787 Obveščanje o posebnih ugodnostih za stranke 4,25 0,826 Deljenje zgodbe o uspehu blagovne znamke/izdelka/storitve, 3,95 0,982 Hitro odzivanje na zahtevo stranke (pritožba, pomoč, dodatna pojasnila,...) 3,67 1,067 Grajanje skupnosti, kjer so stranke med seboj delijo nasvete, trike ... 2,87 1,246 Ponujanje dodatnih izdelkov/storitev obstoječim strankam 3,36 1,198 Spodbujanje strank, da podajo povratne informacije v obliki ocen in mnenj 3,58 1,062 Spodbujanje strank, da nas priporočijo drugim 3,95 0,862 Zbiranje inovativnih idej z vključevanjem strank v pogovor 3,05 1,185 Slika 2: Razlike med mikro, malimi in srednje velikimi podjetji glede uporabe družbenih medijev pri komunikacij s strankami skozi njihov življenjski cikel cilj, smo izvedli raziskavo, v kateri je sodelovalo 119 MSP v Sloveniji. Na podlagi analize podatkov smo ugotovili, da se družbeni mediji pogosteje uporabljajo za komu­nikacijo s strankami, medtem ko je zaznati manjšo stopnjo uporabe družbenih medijev v kombinaciji s tradicionalnimi CRM rešitvami za upravljanje podat­kov o strankah. Če pogledamo uporabo družbenih medijev za komunikacijo s strankami skozi življenj-ski cikel stranke, lahko opazimo, da so njihove ak­tivnosti usmerjene predvsem v pridobivanje novih strank in ohranjanje obstoječih, nekoliko manj pa v nadgrajevanje odnosov z njimi, kar se kaže pred­vsem v grajenju skupnosti in vključevanju strank v proces inoviranja. To je skladno z rezultati SURS, ki kažejo, da MSPuporabljajo družbene medije pred­vsem za razvoj celostne podobe podjetja ali trženje izdelkov ali storitev (SURS, 2019). Med mikro, ma-limi in srednje velikimi podjetji ni bistvenih razlik glede uporabe družbenih medijev za komunikacijo s strankami. Presenetljiv pa je rezultat, da mikro pod- jetja v primerjavi z malimi in srednje velikimi podje­tji v večji meri uporabljajo družbene medije za komu­niciranje s strankami. Razlog za to je lahko, da mikro podjetja nimajo zadostnih sredstev, da bi uporabljala specializirane CRM rešitve in so velikokrat družbeni mediji njihovo glavno orodje za upravljanje odnosov s strankami (Cappuccio, Kulkarni, Sohail, Haider, & Wang, 2012). Poleg tega imajo z uporabo družbenih medijev že predhodne izkušnje (Ahmad, Abu Bakar, & Ahmad, 2018), kar lahko dodatno pripomore k nji­ hovi večji stopnji uporabe za poslovne namene. Uporaba družbenih medijev v kombinaciji s tra­dicionalnimi CRM rešitvami za upravljanje podat­kov o strankah je manj izrazita v vseh MSP, ne glede na velikost. Podjetja sicer zbirajo podatke o strankah, vendar ne na sistematičen način. To pomeni, da imajo podatke o strankah na različnih mestih, ne uspejo pa jih združiti in jih obdelovati za vsako stranko ločeno. Razlogi za to so lahko pomanjkanje sredstev in dej­stvo, da strankam ni tako enostavno slediti, saj imajo lahko več različnih spletnih identitet, ko komunici­ Slika 3: Razlike med mikro, malimi in srednje velikimi podjetji glede uporabe družbenih medijev v kombinaciji s tradicionalnimi cRM rešitvami pri upravljanju podatkov o strankah rajo z določenim podjetjem (Kietzmann, Silvestre, so veliko bolj primerljiva z velikimi podjetji, ki upo-McCarthy, & Pitt, 2012). Tudi razlika med mikro, ma-rabljajo specializirane rešitve za upravljanje odnosov limi in srednje velikimi podjetji glede uporabe druž-s strankami (npr. Salesforce, Microsoft Dynamics benih medijev v kombinaciji s tradicionalnimi CRM CRM). Zanimivo je, da mikro podjetja bistveno ne rešitvami za upravljanje podatkov o strankah ni ve-zaostajajo za njimi. Podatki kažejo, da so ta podje­lika. Je pa opaziti, da jih pogosteje uporabljajo mala tja večinoma samostojni podjetniki, ki komunicira-in srednje velika podjetja. V tem pogledu se zdi, da jo s strankami preko družbenih medijev. Poleg tega Tabela 4: Povprečje in standardni odklon za trditve vezane na uporabo družbenih medijev v kombinaciji s tradicionalnimi cRM rešitvami pri upravljanju podatkov o strankah Trditev Povprečje Standardni odklon Stalno zbiranje podatkov o strankah 3,28 1,241 Zbiranje podatkov o strankah iz internih virov (zaposleni na področjih trženja, prodaje, servisnih storitev, 2,98 1,235 ki imajo stik s strankami) Zbiranje podatkov o strankah iz vseh komunikacij s strankami 3,03 1,193 Združevanje podatkov o strankah iz različnih področij v organizaciji (trženje, prodaja, podpora strankam) 2,86 1,223 Združevanje podatkov o strankah iz vseh komunikacijskih kanalov (telefon, elektronska pošta, internet, 2,99 1,245 družbeni mediji) Združevanje podatkov, zbranih iz različnih virov, ločeno za vsako stranko 2,87 1,259 Uporabo podatkov o strankah za lažje vključevanje strank v pogovor 2,87 1,266 Uporabo podatkov o strankah za segmentacijo strank 3,07 1,425 Uporabo podatkov o strankah za pripravo ponudbe, prilagojene specifičnim potrebam strank 2,87 1,371 njihovi odnosi velikokrat temeljijo tudi na tesnem osebnem stiku. Spoznanja o strankah, ki jih dobijo iz obeh načinov komuniciranja, smiselno združujejo in uporabljajo za bolj uspešno upravljanje odnosov s strankami. Ugotavljamo, da obstajajo razlike med mikro podjetji v primerjavi z malimi in srednje velikimi podjetji, zato bi bilo potrebno v nadaljevanju te razli­ke bolj podrobno raziskati in zagotoviti večjo stopnjo odziva. Raziskava, ki bi se usmerila samo na mikro podjetja, bi lahko prikazala bolj poglobljeno sliko v podjetjih, ki jih je v Sloveniji največ. Dodatna pojasni-la glede razlik in dejanske uporabe bi lahko pridobili tudi s kvalitativnim pristopom, predvsem s poglo­bljenimi intervjuji. MSP lahko na podlagi podatkov o dejanski uporabi družbenih medijev za upravljanje odnosov s strankami lažje načrtujejo njihov vložek v nadaljnje aktivnosti, osredotočene na upravljanje in razvijanje odnosov s strankami. LITeRATURA [1] Ahmad, S. Z., Abu Bakar, A. R., & Ahmad, N. (2018). Social media adoption and its impact on firm performance: the case of the UAE. International Journal of Entrepreneurial Behavi­or & Research, 25(1), 84–111. https://doi.org/10.1108/IJE­BR-08-2017-0299 [2] Andzulis, J. M., Panagopoulos, N. G., & Rapp, A. (2012). A review of social media and implications for the sales process. Journal of Personal Selling and Sales Management, 32(3), 305–316. [3] Baird, C. H., & Parasnis, G. (2011). From social me­dia to Social CRM: reinventing the customer relation­ship. Strategy & Leadership, 39(6), 27–34. https://doi. org/10.1108/10878571111176600 [4] Bakeman, M. M., & Hanson, L. (2012). Bringing social media to small business: A role for employees and students in tech­nology diffusion. Business Education Innovation Journal, 4(2), 106–111. [5] Bakla, A., Çekiç, A., & Köksal, O. (2013). Web-based surve­ys in educational research. International Journal of Academic Research Part B, 5(1), 5–13. https://doi.org/10.7813/2075­-4124.2013/5-1/B.1 [6] Boulding, W., Staelin, R., Ehret, M., & Johnston, W. J. (2005). A Customer Relationship Management Roadmap: What Is Known, Potential Pitfalls, and Where to Go. Jour­nal of Marketing, 69(4), 155–166. https://doi.org/10.1509/ jmkg.2005.69.4.155 [7] Buttle, F. (2009). Customer relationship management: con­cepts and technologies. Routledge. [8] Callegaro, M., Manfreda, K. L., & Vehovar, V. (2015). Web Su­rvey Methodology. SAGE Publications. [9] Cappuccio, S., Kulkarni, S., Sohail, M., Haider, M., & Wang, X. (2012). Social CRM for SMEs: Current Tools and Strategy. In T. Khachidze, V. Wang, S. Siddiqui, V. Liu, S. Cappuccio, & A. Lim (Eds.), Contemporary Research on E-business Technolo­gy and Strategy (pp. 422–435). Springer Berlin Heidelberg. [10] Chau, M., & Xu, J. (2012). Business intelligence in blogs: un­derstanding consumer interactions and communities. MIS Quarterly, 36(4), 1189–1216. Retrieved from http://dl.acm. org/citation.cfm?id=2481674.2481684 [11] Choudhury, M. M., & Harrigan, P. (2014). CRM to social CRM: the integration of new technologies into customer relationship management. Journal of Strategic Marketing, 22(2), 149–176. https://doi.org/10.1080/0965254X.2013.876069 [12] Constantinides, E., Yousif, A., & Vries, S. De. (2014). Under­standing electronic social customer relationship manage­ment: foundations and current major themes. International Journal of Electronic Customer Relationship Management, 8(4), 180. https://doi.org/10.1504/IJECRM.2014.067509 [13] Durkin, M., McGowan, P., & McKeown, N. (2013). Explo­ring social media adoption in small to medium-sized enter­prises in Ireland. Journal of Small Business and Enterprise Development, 20(4), 716–734. https://doi.org/10.1108/JS­BED-08-2012-0094 [14] Eurostat. (2017). Social media - statistics on the use by enter­prises - Statistics Explained. Retrieved from http://ec.europa. eu/eurostat/statistics-explained/index.php/Social_media_-_ statistics_on_the_use_by_enterprises [15] Fink, A. (2012). How to conduct surveys: a step-by-step gui­de. In Sage Publications Ltd (CA). Retrieved from https://eric. ed.gov/?id=ED565650 [16] Giannakouris, K., & Smihily, M. (2013). Social media - stati­stics on the use by enterprises. In Statistics in focus 28/2013. Retrieved from http://ec.europa.eu/eurostat/statistics-explai-ned/index.php/Social_media_-_statistics_on_the_use_by_ enterprises [17] Greenberg, P. (2008). CRM at the speed of light: social CRM 2.0 Strategies, tools, and techniques for engaging your custo­mers (4th ed.). McGraw Hill Professional. [18] Greenberg, P. (2010). The impact of CRM 2.0 on customer insight. Journal of Business Industrial Marketing, 25(6), 410– 419. https://doi.org/10.1108/08858621011066008 [19] Harrigan, P., & Miles, M. (2014). From e-CRM to s-CRM. Cri­tical factors underpinning the Social CRM activities of SMEs. Small Enterprise Research, 21(1). [20] Harrigan, P., Ramsey, E., & Ibbotson, P. (2009). Investigating the e-CRM activities of Irish SMEs. Journal of Small Business and Enterprise Development, 16(3), 443–465. https://doi. org/10.1108/14626000910977161 [21] He, W., Wang, F.-K., Chen, Y., & Zha, S. (2017). An explo­ratory investigation of social media adoption by small bu­sinesses. Information Technology and Management, 18(2), 149–160. https://doi.org/10.1007/s10799-015-0243-3 [22] Hsieh, M. H. (2009). A case of managing customer relationship management systems: Empirical insights and lessons lear­ned. International Journal of Information Management, 29(5), 416–419. https://doi.org/10.1016/j.ijinfomgt.2009.06.008 [23] Iriana, R., & Buttle, F. (2006). Customer Relationship Mana­gement (CRM) System Implementations - An Assessment of Organisational Culture. International Journal of Knowledge, Culture and Change Management, 6(2), 137–147. Retrieved from https://www.researchonline.mq.edu.au/vital/access/ services/Download/mq:14984/DS01?view=true [24] Jones, N., Borgman, R., & Ulusoy, E. (2015). Impact of so­cial media on small businesses. Journal of Small Business and Enterprise Development, 22(4), 611–632. https://doi. org/10.1108/JSBED-09-2013-0133 [25] Kale, S. H. (2004). CRM Failure and the Seven Deadly Sins. Marketing Management, 13(5), 42–46. [26] Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Bu­siness Horizons, 53(1), 59–68. https://doi.org/10.1016/j.bu­shor.2009.09.003 [27] Kietzmann, J. H., Hermkens, K., McCarthy, I. P., & Silvestre, B. S. (2011). Social media? Get serious! Understanding the functional building blocks of social media. Business Hori­zons, Vol. 54, pp. 241–251. https://doi.org/10.1016/j.bu­shor.2011.01.005 [28] Kietzmann, J. H., Silvestre, B. S., McCarthy, I. P., & Pitt, L. F. (2012). Unpacking the social media phenomenon: towards a research agenda. Journal of Public Affairs, 12(2), 109–119. https://doi.org/10.1002/pa.1412 [29] Küpper, T., Lehmkuhl, T., Wittkuhn, N., Wieneke, A., & Jung, R. (2015). Social CRM Performance Model: An Empirical Eva­luation. 28th Bled EConference: #eWellBeing, 418–435. Re­trieved from https://domino.fov.uni-mb.si/proceedings.nsf/ Proceedings/2986D15ABF365087C1257E5B004C6396/$Fi le/4_Kupper.pdf [30] Lefever, S., Dal, M., & Matthíasdóttir, Á. (2007). Online data collection in academic research: advantages and limitations. British Journal of Educational Technology, 38(4), 574–582. https://doi.org/10.1111/j.1467-8535.2006.00638.x [31] Lemon, K. N., & Verhoef, P. C. (2016). Understanding Cu­stomer Experience Throughout the Customer Journey. Jo­urnal of Marketing, 80(6), 69–96. https://doi.org/10.1509/ jm.15.0420 [32] Orzan, G., Platon, O.-E., Stefanescu, C. D., & Orzan, M. (2016). Conceptual Model Regarding The Influence Of Social Media Marketing Communication On Brand Trust, Brand Affect And Brand Loyalty. Economic Computation and Economic Cyber­netics Studies and Research, 50(1), 141–156. Retrieved from https://ideas.repec.org/a/cys/ecocyb/v50y2016i1p141-156.html [33] Payne, A., & Frow, P. (2005). A Strategic Framework for Customer Relationship Management. Journal of Marketing, 69(4), 167–176. https://doi.org/10.1509/jmkg.2005.69.4.167 [34] Petrison, L. A., Blattberg, R. C., & Wang, P. (1997). Database marketing:Past, present, and future. Journal of Direct Mar­keting, 11(4), 109–125. https://doi.org/10.1002/(SICI)1522­-7138(199723)11:4<109::AID-DIR12>3.0.CO;2-G [35] Reynolds, R. A., Woods, R., & Baker, J. D. (2007). Handbook of research on electronic surveys and measurements. Retrie­ved from https://trove.nla.gov.au/work/8403274?selectedver sion=NBD40424185 [36] Rogelberg, S. G., & Stanton, J. M. (2007). Introduction. Or­ganizational Research Methods, 10(2), 195–209. https://doi. org/10.1177/1094428106294693 [37] Samuel, B. S., & Joe, S. (2016). Social Media and Entreprene­urship. The Social Sciences, 11(55), 639–644. [38] Schaupp, L. C., & Bélanger, F. (2014). The Value of Social Media for Small Businesses. Journal of Information Systems, 28(1), 187–207. https://doi.org/10.2308/isys-50674 [39] Sigala, M. (2011). eCRM 2.0 applications and trends: The use and perceptions of Greek tourism firms of social networks and intelligence. Computers in Human Behavior, 27(2), 655– 661. https://doi.org/10.1016/j.chb.2010.03.007 [40] Sinclaire, J. K., & Vogus, C. E. (2011). Adoption of social networking sites: an exploratory adaptive structuration per­spective for global organizations. Information Technology and Management, 12(4), 293–314. https://doi.org/10.1007/ s10799-011-0086-5 [41] Statista. (2017). Number of social media users worldwide 2010-2021. Retrieved December 19, 2017, from https://www. statista.com/statistics/278414/number-of-worldwide-social­-network-users/ [42] SURS. (2019). SI-Stat Data Portal. Retrieved July 2, 2019, from http://pxweb.stat.si/pxweb/dialog/statfile1.asp [43] Sussin, J. (2015). Top Use Cases and Benefits of Social for CRM in 2015. Retrieved from http://www.gartner.com/docu ment/2984019?ref=unauthreader# [44] Tajudeen, F. P., Jaafar, N. I., & Ainin, S. (2018). Understan­ding the impact of social media usage among organizati­ons. Information & Management, 55(3), 308–321. https://doi. org/10.1016/J.IM.2017.08.004 [45] Taneja, S., & Toombs, L. (2014). Putting a Face on Small Businesses: Visibility, Viability, and Sustainability the Impact of Social Media on Small Business Marketing. Academy of Marketing Studies Journal, 18(1), 249–260. Retrieved from https://www.questia.com/library/journal/1G1-397455483/ putting-a-face-on-small-businesses-visibility-viability [46] Torggler, M. (2008). The functionality and usage of CRM sy­stems. International Scholarly and Scientific Research & Inno­vation, 2(5), 261–269. Retrieved from http://waset.org/publi-cations/2036/the-functionality-and-usage-of-crm-systems [47] Trainor, K. J., Andzulis, J. (Mick), Rapp, A., & Agnihotri, R. (2014). Social media technology usage and customer rela­tionship performance: A capabilities-based examination of social CRM. Journal of Business Research, 67(6), 1201–1208. https://doi.org/10.1016/j.jbusres.2013.05.002 [48] We Are Social. (2019). Global Digital Report 2019. Retrieved July 29, 2019, from https://wearesocial.com/global-digital­-report-2019 [49] Woodcock, N., Green, A., & Starkey, M. (2011). Social CRM as a business strategy. Journal of Database Marketing & Customer Strategy Management, 18(1), 50–64. https://doi. org/10.1057/dbm.2011.7 [50] Zaharah, Z., Ariff, M., Kassim, N. A., Shamsul, M., Shoid, M., Abdullah, C. Z., … Radzi, R. (2018). The Benefits of Using Social Media and the Impact of not filtering the Information. International Journal of Academic Research in Progressi­ve Education and Development, 7(3), 304–313. https://doi. org/10.6007/IJARPED/v7-i3/4368 • Marjeta Marolt je asistentka za področje informacijskih sistemov na Fakulteti za organizacijske vede Univerze v Mariboru. Njena področja raziskovanja med drugim zajemajo uporabo družbenih medijev pri upravljanju odnosov s strankami, inoviranje poslovnih modelov in digitalno preobrazbo. Aktivno sodeluje na domačin in mednarodnih projektih. Rezultate raziskovalnega dela objavlja v uglednih znanstvenih revijah in na konferencah. • Andreja Pucihar je izredna profesorica na področju informacijskih sistemov na Fakulteti za organizacijske vede Univerze v Mariboru. Področje njenega raziskovanja je v zadnjih letih predvsem usmerjeno na digitalno preobrazbo in inovativne e-poslovne modele. Aktivno sodeluje v doma-čih in mednarodnih projektih. Od leta 2009 vodi svetovno uveljavljeno mednarodno Blejsko e-konferenco. Je članica uredniškega odbora revije »Electronic Markets -The International Journal on Networked Business« in so-urednica revije »Journal of Theoretical and Applied Electronic Commerce Research«. Avtomatska segmentacija celičnih predelkov v volumetričnih podatkih, pridobljenih z elektronskim mikroskopom Manca Žerovnik Mekuč1, Ciril Bohak1, Rok Romih2, Samo Hudoklin2, Matija Marolt1 1Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Večna pot 113, 1000 Ljubljana, Slovenija 2Univerza v Ljubljani, Medicinska fakulteta, Inštitut za biologijo celice, Vrazov trg 2, 1000 Ljubljana, Slovenija manca.zerovnik-mekuc@fri.uni-lj.si, ciril.bohak@fri.uni-lj.si, rok.romih@mf.uni-lj.si, samo.hudoklin@mf.uni-lj.si, matija.marolt@fri.uni-lj.si Izvleček Segmentacija celičnih predelkov je proces, s pomočjo katerega dobimo kvantitativne informacije o prisotnosti, prostorski porazdeli­tvi, strukturi in posledično funkciji organizacijskih enot celice, t.i. celičnih predelkov. Z nedavnim razvojem metod elektronske mikro­skopije je postal proces ročne segmentacije volumetričnih podatkov ozko grlo v biomedicinskih raziskavah. Da bi pripomogli k učin­kovitejšemu poteku celično bioloških raziskav, smo razvili metodo za avtomatsko segmentacijo mitohondrijev in predelkov lizosomal­ne poti v volumetričnih podatkih tkiva sečnega mehurja, pridobljenih z metodo fokusiranega ionskega snopa in vrstične elektronske mikroskopije (FIB-SEM). Predlagamo cevovod, ki temelji na konvolucijski nevronski mreži in izkorišča znanje, da imajo mitohondriji in predelki lizosomalne poti v določenih regijah podobne teksturne značilnice. Z uporabo tega znanja v omenjenih podatkih naš cevovod bolje segmentira ciljne razrede v primerjavi z ostalimi trenutno vodilnimi metodami, ki so bile predlagane za segmentacijo biomedi­cinskih podatkov. Ključne besede: avtomatska segmentacija, elektronska mikroskopija, celični predelki Abstract Segmentation of intracellular compartments is a technique that provides quantitative data about the presence, spatial distribution, structure and consequently the function of intracellular compartments, the central organization units of eukaryotic cells. With the recent development of high throughput data acquisition techniques in electron microscopy, manual segmentation is becoming a major bottleneck of the process. To aid biomedical research, we propose a technique for the automatic segmentation of mitochon­dria and compartments of the lysosomal pathway from cells obtained from the mammalian bladder with the focused ion beam combined with the scanning electron microscopy technique (FIB-SEM). We propose a segmentation pipeline based on the convolu­tional neural network that exploits the fact that mitochondria and compartments of the lysosomal pathway have similar textural features in certain regions. Using this knowledge, our approach outperforms existing state-of-the-art models evaluated on our dataset. Keywords: Automatic segmentation, electron microscopy, intracellular compartments UVOD nih predelkov pomembna, saj prinaša kvantitativne V našem delu se osredotočamo na segmentacijo ce-podatke o njihovi prisotnosti, prostorski porazdelitvi ličnih predelkov v podatkih, pridobljenih z elektron-in posledično o njihovi funkciji v celici, to pa pripo-skim mikroskopom. Primeri celičnih predelkov so more k raziskavam delovanja evkariontskih celic. npr. celični organeli, endosomi in transportni vezi-Segmentacije se v tovrstnih raziskavah večinoma še kli. Na področju biomedicine je segmentacija celič-vedno opravljajo ročno. Z nedavnim razvojem me­ Slika 1: Na levi je primer podatkov, ki jih uporabljamo, na desni pa želena segmentacija za razred mitohondrijev, ki nam služi kot zlati standard. Na sredini je to dvoje prikazano skupaj. Slika 2: cevovod za segmentacijo mitohondrijev in predelkov lizosomalne poti. V prvi veji učenje poteka na binarnem problemu. Na podlagi naučenih in prenesenih uteži nato v drugi veji model bolje segmentira redkeje zastopani razred. tod za pridobivanje volumetričnih podatkov v ele­ktronski mikroskopiji je ročna segmentacija v razi­skavah postala časovno ozko grlo. Posledično se je okrepilo področje raziskovanja metod za avtomatsko segmentacijo tovrstnih podatkov. Podatki, s katerimi se ukvarjamo v našem delu, so pridobljeni z metodo fokusiranega ionskega snopa in vrstične elektronske mikroskopije (FIB-SEM). V tem delu predlagamo ce­vovod za segmentacijo dveh ciljnih celičnih predel­kov in sicer mitohondrijev in predelkov lizosomalne poti. Primer segmentacije mitohondrijev je prikazan na sliki 1. Na področju segmentacije biomedicinskih podatkov so v zadnjih letih najbolj uspešni pristopi, ki temeljijo na globokem učenju [Litjens et al., 2017]. Pri segmentaciji celičnih predelkov se ti osredotočajo predvsem na segmentacijo mitohondrijev [Oztel et al., 2017, Xiao et al., 2018]. S segmentacijo predelkov lizosomalne poti, ki po našem vedenju v literaturi še niso bili obravnavani, smo povečali raznolikost se­gmentiranih celičnih predelkov. Predlagan segmen­tacijski cevovod smo ovrednotili na novi podatkovni zbirki, pridobljeni iz tkiva sečnega mehurja. Obstoje-či pristopi za segmentacijo mitohondrijev so bili raz­viti in ovrednoteni na podatkih pridobljenih iz mož­ganskega tkiva, ki ima v primerjavi s tkivom sečnega mehurja manjšo gostoto in kompleksnost zastopanja celičnih predelkov. Pričakujemo, da bo zato predla­gana metoda bolj robustna in uspešna tudi na po­datkovnih zbirkah celic drugih tkiv. Evalvacija naše metode je pokazala, da uspešno segmentira volume­ trične podatke v ciljne razrede in da v primerjavi z obstoječimi najuspešnejšimi metodami s področja na naših podatkih vrača boljše rezultate. 2 SegMeNTAcIjSKI ceVOVOD Segmentacijski cevovod, ki ga predlagamo, temelji na arhitekturi V-Net [Milletari et al., 2016]. Cevo­vod izkorišča informacije pogosteje zastopanega razreda mitohondrijev za izboljšavo segmentiranja predelkov lizosomalne poti, za katere imamo v učni Tabela 1: Rezultati vrednotenja na testni množici. Metoda Klasifikacijska Diceov koeficient Klasifikacijska točnost Diceov koeficient točnost mitohondriji mitohondriji predelki liz. poti predelki liz. poti U-Net 3D [Çiçek et al., 2016] 0.96 0.60 0.89 0.06 DeepMedic [Kamnitsas et al., 2017] 0.97 0.66 0.98 0.27 V-Net [Milletari et al., 2016] 0.98 0.60 0.96 0.00 Predlagan cevovod 0.99 0.77 0.98 0.46 množici zelo malo primerov. Koraki predlaganega cevovoda so prikazani na sliki 2. V vsaki ponovitvi učenja iz podatkov izrežemo okno velikosti 64 × 64 × 64 vokslov. Izbiranje okna je uravnoteženo glede na ciljne ra­zrede. V koraku predprocesiranja podatke v izbranem oknu normaliziramo. Po predprocesiranju se cevovod razdeli v dve veji. Najprej učimo zgornjo vejo, kjer spremenimo kontrast vhodnih podatkov, tako da oba ciljna razreda izgledata podobno. Na podatkih s spre­menjenim kontrastom uimo mrežo V-Net, ki je konvo­lucijska nevronska mreža z volumetričnimi operacija-mi [Milletari et al., 2016]. Naučene uteži prenesemo v spodnjo vejo, kjer uporabimo podobno arhitekturo V-Net, le da ta segmentira vhodne podatke v tri ciljne razrede. Ta model učimo na podatkih brez spremenje­nega kontrasta. Pred uporabo obeh modelov izvede-mo tudi bogatenje podatkov in sicer s postopki skali­ranja, elastičnih deformacij in zrcaljenja osi. ReZULTATI 3.1 Podatki Podatki, ki jih uporabljamo, so bili z metodo FIB-SEM pridobljeni iz površinskih celic epitelijskega tkiva sečnega mehurja miši (urotelij). Na teh podatkih smo s pomočjo orodja Slicer 3D ročno označili mitohon­drije in predelke lizosomalne poti v petih izrezanih volumnih velikosti 256 256 256 vokslov. Oznake so pregledali in popravili biomedicinski eksperti. Volu­ mne smo razdelili v učno množico z dvemi volumni, validacijsko množico z enim volumnom in testno množico z dvema volumnoma. V vsakem volumnu je od 15 do 85 mitohondrijev, število predelkov lizo­somalne poti pa je manjše. V vsakem volumnu jih je okrog 10. 3.2 Vrednotenje Na naših podatkih smo ovrednotili tri obstoječe me-tode in predlagani cevovod. Uporabili smo dve raz­lični meri uspešnosti in sicer Diceov koeficient in kla­sifikacijsko točnost: 2TP Diceov koeficient = (1) 2TP + FP + FN TP + TN Klasifikacijska točnost= (2) TP + TN + FP + FN V zgornjih enačbah TPpredstavlja število pra­vilno pozitivnih, TN število pravilno negativnih, FP število napačno pozitivnih, FN pa število napačno negativnih vokslov v volumnu. Rezultati so prika­zani v Tabeli 1. Rezultati predlaganega cevovoda v zadnji vrstici tabele kažejo, da naša metoda dosega najvišje mere uspešnosti za oba ciljna razreda. Vidi-mo, da je Diceov koeficient pri razredu lizosomal­nih predelkov še vedno precej nižji kot pri razredu mitohondrijev. Razlog je v tem, da je ta razred v podatkih redkeje zastopan in ima poleg tega zno­traj razreda večjo raznolikost. To bomo naslovili v prihodnosti. 4 ZAKLjUčeK Predstavili smo cevovod za avtomatsko segmentacijo mitohondrijev in predelkov lizosomalne poti iz FIB- SEM podatkov urotelijskih celic. Z našim cevovo­dom smo zmanjšali vpliv majhne podatkovne zbirke in neuravnoteženosti učne množice, kjer mitohon­driji predstavljajo približno 80 odstotkov, predelki lizosomalne poti pa 20 odstotkov označenih celičnih predelkov. Predlagani pristop v primerjavi z ostali-mi ovrednotenimi arhitekturami v naši podatkovni zbirki bolje segmentira ciljne razrede. V prihodnosti bomo metodo razširili z uporabo domenskega znanja o morfologiji ciljnih razredov. Dobljena segmentacija bo pripomogla k boljšemu razumevanju delovanja in funkcije celic mehurja. [5] [Milletari et al., 2016] Milletari, F., Navab, N., and Ahmadi, LITeRATURA [1] [Çiçek et al., 2016] Çiçek, Ö., Abdulkadir, A., Lienkamp, S. S., Brox, T., and Ronneberger, O. (2016). 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation. pa­ges 424–432. [2] [Kamnitsas et al., 2017] Kamnitsas, K., Ledig, C., Newcombe, V. F., Simpson, J. P., Kane, A. D., Menon, [3] D. K., Rueckert, D., and Glocker, B. (2017). Efficient multi­-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation. Medical Image Analysis, 36:61–78. [4] [Litjens et al., 2017] Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A., van Ginneken, B., and Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42(December 2012):60–88. S.-A. (2016). V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. In 2016 Fourth In­ternational Conference on 3D Vision (3DV), pages 565–571. IEEE. [6] [Oztel et al., 2017] Oztel, I., Yolcu, G., Ersoy, I., White, T., and Bunyak, F. (2017). Mitochondria segmentation in elec­tron microscopy volumes using deep convolutional neural network. In 2017 IEEE International Conference on Bioinfor­matics and Biomedicine (BIBM), volume 2017-Janua, pages 1195–1200. IEEE. [7] [Xiao et al., 2018] Xiao, C., Chen, X., Li, W., Li, L., Wang, L., Xie, Q., and Han, H. (2018). Automatic Mitochondria Segmen­tation for EM Data Using a 3D Supervised Convolutional Ne­twork. Frontiers in Neuroanatomy, 12:92. • Manca Žerovnik Mekuč je asistentka in doktorska študentka na Fakulteti za računalništvo in informatiko Univerze v Ljubljani. Njeni raziskovalni interesi so segmentacija volumetričnih podatkov, globoko učenje in rekonstrukcija volumetričnih podatkov. Trenutno poučuje pri predmetu Pro-gramiranje 2. • Ciril Bohak je asistent na Fakulteti za računalništvo in informatiko Univerze v Ljubljani. Njegovi raziskovalni interesi so računalniška grafika, inte­rakcija med človekom in računalnikom, tehnologija iger, poigritev, e-učenje in pridobivanje informacij iz glasbe. Trenutno poučuje pri predmetih Računalniška grafika, Tehnologija iger in Računalniško podprto oblikovanje. Je eden izmed ustanovnih članov slovenske skupnosti HCI. • Rok Romih je redni profesor na Medicinski fakulteti Univerze v Ljubljani. Njegovo raziskovalno in pedagoško delo sodi na področje molekularne celične biologije. Glavni interesi v raziskovanju so diferenciacija celic, zno-trajcelični transporti, medcelično signaliziranje, mehanizmi interakcije nanodelcev s celicami, regeneracija tkiv in celična biologija raka. Na področju mikroskopije se posveča predvsem razvoju metod za pripravo bioloških vzorcev za presevno in vrstično elektronsko mikroskopijo. Na dodiplomskem študiju poučuje pri predmetih Celična biologija, Celična biologija z genetiko in Humana genetika, na doktorskem študiju pa pri predmetih Medicinska celična biologija, Svetlobna in elektronska mikrosko­pija, Kriometode v elektronski mikroskopiji in Dinamičnost celične arhitekture. Je vodja raziskovalnega programa ARRS P3-0108 Diferenciacija urotelijskih celic. • Samo hudoklin je docent na Medicinski fakulteti Univerze v Ljubljani habilitiran za področje celične biologije. Raziskovalno se ukvarja z mehanizmi polariziranega vezikularnega transporta v normalnih in spremenjenih urotelijskih celicah ter vlogo Golgijevega aparata in ostalih celičnih predelkov pri tem. Pri svojem delu uporablja širok nabor svetlobno in elektronsko mikroskopskih metod. • Matija Marolt je izredni profesor na Fakulteti za računalništvo in informatiko Univerze v Ljubljani. Je predstojnik Laboratorija za računalniško grafiko in multimedije. Njegove raziskave so na področjih pridobivanja informacij iz glasbe s poudarkom na semantičnih opisih in razumevanju zvočnih signalov, pridobivanju in organizaciji glasbenih arhivov in interakcije med človekom in računalnikom. Nizkodimenzionalni model tonskega prostora Bojan Klemenc1, Franc Solina1 1Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Večna pot 113, Ljubljana bojan.klemenc@fri.uni-lj.si, franc.solina@fri.uni-lj.si Izvleček Podrobnosti človeškega zaznavanja tonov oziroma glasbe kot celote, so še vedno odprto raziskovalno področje. Osredotočamo se na nizkodimenzionalne geometrijske modele, ki pomagajo človeku razumeti slušni prostor. Večini obstoječih modelov manjka intuitivna preslikava, ki ohranja zaznavne razdalje med tonskim prostorom, prostorom akordov in tonalitet. Zato predlagamo nov dopolnjen model preslikovanja tonov in tonalitet v vizualni prostor, ki v primerjavi z obstoječimi modeli boljše modelira zaznavne razdalje. Pre­dlagani model je kvocientni prostor, ki smo ga izpeljali s pomočjo zmanjševanja števila dimenzij izvornih podatkov psihoakustičnih po­skusov. Model ohranja zajeto varianco najboljših primerljivih modelov, pri čemer omogoča lažjo interpretacijo od obstoječih modelov. Ključne besede: zaznavanje glasbe, tonski prostor, zmanjševanje števila dimenzij, vizualizacija Abstract How human brain perceives and processes tones or music as whole is still an active area of research. We focus on low dimensional models that aid the human understanding of auditory space. Most existing models lack intuitive perceptual distance preserving mapping that would simultaneously represent relationships between tones, chords and tonalities. We propose an augmented model and mapping of tone and tonal region space to a visual space that uses improved perceptually uniform mapping from auditory spa­ce to visual space compared to existing solutions. The proposed quotient space model is based on existing models derived with dimensionality reduction methods from psychoacoustic data. The model preserves the captured variance of best comparable exi­sting models while the dimensions of the model are easier to interpret compared to existing models. Keywords: Music perception, pitch space, dimensionality reduction, visualization 1. UVOD Podrobnosti človeškega zaznavanja tonov oziroma glasbe kot celote, so še vedno odprto raziskovalno področje. Raziskovalci na področju psihoakustike so v zadnjih desetletjih zgradili več zaznavnih mode- lov (Krumhansl and Cuddy, 2010), da bi razumeli značilnosti človeškega slušnega zaznavnega prosto­ra, kot na primer zaznavanje harmonskih odnosov med toni, akordi in tonalitetami – kaj zaznamo kot konsonantno ali disonantno v različnih kontekstih. Te modele lahko uporabimo za analizo glasbe, pri učenju in ustvarjanju nove glasbe. Razdelimo jih v dve skupini: če so namenjeni človeku, modeli ne smejo biti preveč zapleteni, da olajšajo razumeva­nje; če pa so namenjeni računalniku, so lahko bolj zapleteni. Osredotočimo se na modele, ki pomagajo človeku razumevati zaznavni tonski prostor. Č lo-vek se lahko uči konceptov (npr. igranja glasbil) med drugim s ponotranjanjem množice pravil. Pri tem si lahko tudi pomagamo z vizualnimi modeli. Zato se osredotočamo na podskupino zaznavnih modelov tonskega prostora, ki jih je preprosto vizualizirati – geometrijske modele. Primerjali smo obstoječe mo-dele in ugotovili, da mnogi modeli ne uporabljajo preslikav, ki bi v vizualnem modelu ohranjale slušno zaznavno razdaljo med toni, akordi in tonalitetami. Takšni neintuitivni modeli so vseeno uporabni, ven­ dar imajo bolj strmo krivuljo učenja. Predlagamo nov, dopolnjen model preslikave to-nov in tonalitet v vizualni prostor, ki bolje ohranja zaznavne razdalje pri preslikavi iz slušnega v vizu­alni prostor. Pri izdelavi modela je bilo glavno vo­ dilo zgraditi model, ki lahko pomaga človeškemu razumevanju tonskega prostora. Model je zgrajen na podlagi obstoječih geometrijskih modelov, ki so izpe­ljani s pomočjo zmanjševanja števila dimenzij: več-dimenzionalnega skaliranja (angl. multidimensional scaling – MDS) in razvijanja z maksimalno varianco (angl. maximum variance unfolding – MVU). Topo­loško imajo ti modeli obliko 2-torusa, kjer so tonali­tete na površini torusa. Takšni nizkodimenzionalni modeli ponujajo dodatno vizualno orodje, s katerim lahko uporabniku olajšamo razumevanje, v kakšnih medsebojnih razmerjih iz harmonskega vidika so posamezni toni, akordi in tonalitete. Predpogoj za smotrnost uporabe takšnega modela pa je, da model zajame čim večjo varianco izvornega večdimenzio­nalnega zaznavnega prostora. Č eprav se topologija 2-torusa razlikuje od topo­logije barvnega prostora, lahko izbrane dimenzije 2-torusa preslikamo v barvni prostor. Zaznavna bli­žina v tonskem prostoru se tako preslika v zaznav-no bližino v vizualnem oziroma barvnem prostoru. Posledično lahko preslikavo predlaganega modela v barvni prostor uporabimo za nadgradnjo obstoječih orodij za vizualizacijo glasbe ter za nadgradnjo glas­bil, kjer si lahko uporabniki s pomočjo barv pomaga­jo pri orientaciji po predlaganem modelu. Predlagani model lahko tako pri učenju nadomesti preprostej­še modele, kot na primer kvintni krog, ter se zaradi ohranjanja zaznavnih razdalj uporabi v obstoječih algoritmih za segmentacijo in prepoznavanje tonov, akordov in tonalitet. 2 OZADje IN SORODNI MODeLI Zaznavni modeli so grajeni na osnovi človeške za­znave zvoka, zato za vhodne podatke ne uporabljajo fizičnega signala, ampak glasbene tone, ki že pred­stavljajo rezultat človeške zaznave zvoka. Na pod-lagi medsebojnih razmerij med toni lahko zgradimo model tonskega prostora. Eden od možnih pristopov je, da tone začnemo razporejati po prostoru glede na njihova medsebojna razmerja, kakor jih opisuje glasbena teorija (Tymoczko, 2012; Chew, 2000; Har­te, 2010). Mnogi takšni modeli imajo probleme pri hkratnem modeliranju zaznavnih razdalj med toni, akordi in tonalitetami. Drug možen pristop je, da za izhodišče vzame-mo rezultate psihoakustičnih poskusov – zaznavne razdalje med toni, akordi in tonalitetami – ter jih postavimo v večdimenzionalen metrični prostor. Psihoakustični poskusi Krumhanslove (Krumhansl and Cuddy, 2010; Krumhansl, 1990) so zajemali večje skupine ljudi, ki so ocenjevali, kako dobro nek ton sledi zaporedju tonov, akordov ali kakšnega druge­ga tonskega konteksta. Na podlagi teh poskusov so sestavili tonalitetne profile. Tonalitetni profil za po­samezno tonaliteto je vektor zaznavnih razdalj med tonaliteto in toni enakomerno temperirane 12-tonske lestvice. Tako dobimo večdimenzionalen metrični prostor, kjer evklidska razdalja med vektorji pred­stavlja razdaljo med tonalitetami. Nato z metodami za zmanjševanje števila dimenzij modele poenosta­vimo. Za ciljno število dimenzij 4 in z uporabo MDS, kot predlaga Krumhanslova (Krumhansl and Cuddy, 2010), dobimo 2-torus (T2) vložen v R4, kjer tonalitete ležijo na površini torusa. Burgoyne in Saul (2005) sta predlagala uporabo MVU za zmanjšanje števila dimenzij. Podobno kot pri MDS, z uporabo MVU dobimo 2-torus, vendar z drugačno razporeditvijo tonalitet. Model MDS lahko dopolnimo tako, da vsebuje tudi tonske razrede (sli­ka 1a) – tak model se ujema z nekaterimi starejšimi predlaganimi modeli (Purwins et al., 2007); medtem ko Burgoyne in Saul (2005) pri modelu MVU nista definirala mreže tonskih razredov. 3 PReDLAgANI MODeL TONSKegA PROSTORA IN ReZULTATI Predlagani model gradimo na obstoječih modelih, ki so izpeljani z zmanjševanjem števila dimenzij višje­dimenzionalnega metričnega prostora, kjer evklid-ska razdalja prestavlja zaznavno razdaljo. S ciljnim številom dimenzij 4 in uporabo MDS ali MVU do-bimo 2-torus (kartezični produkt dveh krožnic T2 = S1 x S1). Uporaba štirih dimenzij je kompromis med poenostavljanjem modela in ohranjanjem čim večje količine informacij. Modele smo evalvirali tako, da smo primerjali, kako dobro ohranjajo zaznavne razdalje proti izvor­nemu večdimenzionalnemu modelu. Za vsako tona­liteto smo v izvornem modelu izračunali tonalitetni profil – vektor razdalj tonalitete do ostalih tonalitet (T-T); podobno izračunamo razdalje posameznih to-nov do tonalitet (t-T). Zanima nas, kako dobro model ohranja relativne razdalje tonalitetnih profilov, zato izračunamo Pearsonov korelacijski koeficient med vektorji razdalj izvornih tonalitetnih profilov in vek­torji nizkodimenzionalnih modelov na podlagi MDS in MVU (model 1 in model 3 v tabeli 1). Podobno izračunamo korelacijski koeficient za tonsko-tonali­tetne profile. Pri obeh nizkodimenzionalih modelih prvi dve dimenziji (R x .na slikah 1a in 1b) predsta­ vljata dva prekrivajoča se kvintna kroga. Pri modelu MDS preostali dve dimenziji (r x .) ni tako preprosto interpretirati, medtem ko pri modelu MVU dobimo kontrast med duri in moli, kar je prednost modela MVU. Po drugi strani pa je korelacija modela MDS z izvornim modelom boljša od modela MVU. Poleg tega je relativno preprosto dodati tonske razrede v model MDS (predlagana različica je prikazana na sli­ki 1a, pripadajoča korelacija z izvornimi profili pa je podana v tabeli 1 (model 2). (a) Obstoječi model razporeditve tonalitet na podlagi večdimenzionalnega (b) Predlagani model na podlagi razvijanja z maksimalno varianco (MVU) skaliranja (MDS) (Krumhansl, 1990) z dodanimi toni. je kvocientni prostor, kjer toni in tonalitete predstavljajo ekvivalenčne razrede. Vsak ton se v modelu vizualno pojavi dvakrat (enkrat v kontekstu dura – velike črke, enkrat v kontekstu mola – male črke), vendar obe pojavitvi predsta-vljata isti ekvivalenčni razred. Slika 1: Primerjava razvitih površin 2-torusov obeh modelov tonalitetnega prostora – na podlagi MDS in na podlagi MVU z dodanimi ekvivalenčnimi razredi. Za lažje razločevanje so na sliki tonalitete obkrožene, toni pa so neobkroženi. enharmonični ekvivalenti so zaradi boljše preglednosti označeni samo z enim od imen. evklidske razdalje med toni in tonalitetami predstavljajo zaznavne razdalje. Tabela 1: Primerjava tonsko-tonalitetnih modelov zgrajenih na podlagi psihoakustičnih podatkov. Primerjamo korelacijo vektorjev tonalitetnih profilov (T-T) in tonsko-tonalitetnih profilov (t-T) posameznih modelov z vektorji referenčnega modela. Model 2 smo dopolnili, da ga lahko primerjamo s predlaganima modeloma 4 in 5. korelacijski koeficienti modeli T-T t-T 1. MDS • 2-torus (Krumhansl, 1990) 0.88 2. MDS • 2-torus z dodatnimi toni (dopolnjeni model) 0.88 0.89 3. MVU • 2-torus (Burgoyne and Saul, 2005) 0.64 4. MVU • 2-torus .kvocientni prostor nad R2 (predlagani model) 0.80 0.79 5. MVU • 2-torus .kvocientni prostor nad R3 (predlagani model) 0.87 0.90 Predlagamo nov model, osnovan na modelu MVU, ki združuje prednosti obeh obstoječih mode-lov. Č e poskusimo dodati tone v model MVU, kakor smo dodali v MDS, je korelacija vektorja razdalj z vektorjem izvornih tonalitetnih profilov precej slab-ša. V predlagani model zato vsak ton dodamo dva­krat – enkrat za durov in enkrat za molov kontekst. Ker so vsi toni in tonalitete na površini torusa, lahko torus razvijemo v R2 (slika 1b) in definiramo ekviva­lenčno relacijo, ki enači vse primerke iste tonalitete T v ekvivalenčni razred [T]. Podobno definiramo ekvivalenčno relacijo za tone, ki vse primerke istega tona in njegovih enhar­ moničnih ekvivalentov enači v ekvivalenčni razred [t]. Dobimo kvocientni prostor R2/ .{T,t}. Prednost tako opredeljenega modela je, da ga še vedno lahko vizualiziramo v R2 (slika 1b). Korela­cija vektorja razdalj predlaganega modela (model 4 v tabeli 1) z vektorjem razdalj izvornih tonalitetnih profilov (stolpec T-T v tabeli 1) je višja od obstoječega modela MVU, prav tako je tudi korelacija z izvornimi tonsko-tonalitetnimi profili (stolpec t-T) visoka, ven­dar manjša od modela MDS. Problem rešimo tako, da namesto nad R2 definiramo kvocientni prostor nad R3 (model 5) in tako dosežemo približno enako korelacijo z izvornimi profili kot model MDS, hkrati pa je dimenzije predlaganega modela lažje interpre­tirati kot dimenzije modela na podlagi MDS. ZAKLjUčeK Predlagali smo nov model, ki je osnovan na nizko­ dimenzionalni vložitvi tonskega prostora na podlagi zmanjševanja števila dimenzij z metodo MVU. Ob­ stoječi model na podlagi MVU vsebuje le tonalitete, predlagani model pa spremeni obstoječi model v kvocientni prostor, da lahko dodamo tonske razrede ter hkrati ohranjamo zaznavne razdalje glede na iz­vorne večdimenzionalne tonalitetne profile. Korela­cija predlaganega modela je primerljiva z najboljšim podobnim obstoječim modelom MDS, hkrati pa ima bolj enostavne interpretacije dimenzij iz vidika glas­bene teorije in je posledično bolj primeren za člove­ško razumevanje tonskega prostora. V nadaljevanju bomo za testiranje predlaganega modela preslikali model v barvni prostor ter prenesli v obstoječa orodja za analizo glasbe in aplicirali na glasbila – npr. klavir s tipkami osvetljenimi z LED-lučkami, ki uporabniku pomagajo najti lokacije tonov, akordov in tonalitet v računalniški vizualizaciji modela. Cilj predlaganega modela je pomagati človeškemu razumevanju slu­šnega tonskega prostora, kar bi lahko omogočilo laž­je razumevanje glasbene teorije, hitrejše učenje igra­nja glasbil in ustvarjanja glasbe. LITeRATURA [1] Burgoyne, J. A. and Saul, L. K. (2005). Visualization of Low Dimensional Structure in Tonal Pitch Space. In [2] International Computer Music Conference Proceedings, pa­ges 243–246, Barcelona. [3] Chew, E. (2000). Towards a Mathematical Model for Tonality. Ph.D. dissertation, Operations Research Center, MIT, Cam­bridge, MA. [4] Harte, C. (2010). Towards automatic extraction of harmony information from music signals. PhD thesis, Department of Electronic Engineering, Queen Mary, University of London. [5] Krumhansl, C. L. (1990). Cognitive foundations of musical pitch. Number no. 17 in Oxford psychology series. Oxford University Press, New York. [6] Krumhansl, C. L. and Cuddy, L. L. (2010). A Theory of Tonal Hierarchies in Music. In Riess Jones, M., Fay, [7] R. R., and Popper, A. N., editors, Music Perception, volume 36, pages 51–87. Springer New York, New York, NY. [8] Purwins, H., Blankertz, B., and Obermayer, K. (2007). Toroidal models in tonal theory and pitch-class analysis. Computing in Musicology (Tonal Theory for the Digital Age), 15:73–98. [9] Tymoczko, D. (2012). The Generalized Tonnetz. Journal of Music Theory, 56(1):1–52. • Bojan Klemenc je asistent na Fakulteti za računalništvo in informatiko ter član Centra za jezikovne vire in tehnologije Univerze v Ljubljani. Ma-gistriral je leta 2016 na Fakulteti za računalništvo in informatiko. Raziskovalno se ukvarja z modeliranjem zaznavanja glasbe, vizualizacijami in korpusno leksikografijo. Je soavtor polavtomatiziranega odzivnega digitalnega Slovarja sopomenk in Kolokacijskega slovarja sodobne slovenščine. • franc Solina je redni profesor računalništva in informatike na Fakulteti za računalništvo in informatiko Univerze v Ljubljani ter ustanovitelj Labo­ratorija za računalniški vid (1991). Diplomiral (1979) in magistriral (1982) je na Fakulteti za elektrotehniko Univerze v Ljubljani, doktoriral pa iz računalništva (1987) na University of Pennsylvania v ZDA. Raziskovalno se ukvarja s 3D modeliranjem na osnovi slik in z uporabo računalniškega vida na področju uporabniških vmesnikov ter umetniških instalacij. Je član IEEE, IAPR, ICOMOS, Zveze društev slovenskih likovnih umetnikov ter Evropske akademije znanosti in umetnosti. Pametna pogodba z metodo za zagotavljanje ravni storitev z uporabo pametnih prerokov Sandi Gec1,2, Dejan Lavbič1, Vlado Stankovski2 1Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Ljubljana, Slovenija 2Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija sandi.gec@fri.uni-lj.si, dejan.lavbic@fri.uni-lj.si, vlado.stankovski@fgg.uni-lj.si Izvleček Od razvoja tehnologije veriženja blokov ter pristopov, kot so pametne pogodbe, je zanimanje za vključitev tovrstnih pristopov v obsto­ječe arhitekture računalništva v oblaku v vzponu. Pametne pogodbe so v splošnem porazdeljene aplikacije, ki omogočajo prenos di­gitalnih sredstev med pogodbenimi strankami po vnaprej dogovorjenih pogojih, so se izkazale kot obetavne zlasti zaradi transparen­tnega izvajanja med različnimi deležniki. S povečanjem algoritmičnih kompleksnosti funkcionalnosti, kot v našem primeru metoda za izvajanje sporazuma na ravni storitve v pametnih pogodbah, lahko postane vprašljiva smortnost izvedljivosti predvsem s stroškovne­ga stališča, zato je mogoče uporabiti sodoben pristop komunikacije pametnih pogodb z zunanjimi viri, ki ga imenujemo pametni preroki. Poenostavitev pametnih pogodb je mogoča, če del jedra funkcionalnosti ali algoritma izvajamo zunaj verige. V tem prispevku predlagamo novo metodo za izvajanje sporazuma na ravni storitve na pametni pogodbi s prenosom operacij z verige na namenske storitve zunaj verige z uporabo pametnih prerokov. Predlagana metoda dokazuje, da je mogoče zmanjšati skupne stroške izvajanja pametne pogodbe in hkrati izboljšuje raven distribucije rešitve. Ključne besede: tehnologija veriženja blokov, pametne pogodba, pametni prerok Abstract Since the development of blockchain technology such as Smart Contracts, the attempts for the integration into cloud computing architectures have been on the rise. Smart Contracts are distributed applications that facilitate the transfer of digital assets bet­ween parties under the agreed-upon terms and have proven to be promising mechanisms that are able to interact with different stakeholders. However, with the increase of the algorithmic complexity of Smart Contract functionalities, such as the Service Level Agreement, the cost feasibility may become questionable. As a result, we have used the approach known as Smart Oracles, which enables the interaction of Smart Contracts with off-chain data. It is possible to migrate the computational core of the algorithms to off-chain execution. In this paper, we propose a novel method for the Service Level Agreement by migrating on-chain operations to off-chain dedicated services via Smart Oracles. The proposed method shows that it is possible to reduce the overall Smart Contract execution cost and at the same time increase the distribution level of the solution. Keywords: Blockchain, Smart Contract, Smart Oracle UVOD S pojavom tehnologije veriženja blokov ter omrežij, kot je Ethereum [Buterin, 2015] zagnan leta 2015, so se odprle nove možnosti za izvajanje operacij zaupa­nja. Te vključujejo uporabo pametnih Pogodb (PP), ki poleg prvotne interakcije s podatki v verigi omogo-čajo neposredno interakcijo s podatki izven verige s pomočjo pristopa pametnih prerokov (PPR) ali tradi­cionalno, vendar neučinkovito z uporabo načrtoval­skega vzorca preroka, predlaganega od [Wöhrer in Zdun, 2018]. PPRlahko v osnovi opišemo kot decen­tralizirano storitev, ki omogoča interakcijo PPizven verige. V primerih, kjer so scenariji dinamični in posle-dično bolj zapleteni, se ta kompleksnost odraža v funkcijah PP, ki so stroškovno dražje in obenem so njihovi klici časovno manj učinkoviti (npr. se izve­dejo v 2 ali več blokovnih ciklih). Takšne funkcije PP zato nimajo realnih temeljev uporabe v produkcij­skih okoljih oblakovnega računalništva, v našem pri­meru pri izvajanju sporazuma o ravni storitev (ang. service-level agreement - SLA). Cilj tega dela je predlagati novo metodo v PP za SLA, ki temelji na uporabi pametnih prerokov ter jo primerjati s konvencionalno metodo SLA, podprto v celoti v PP. Smotrnost nove SLA metode je pod-krepljena z empirično analizo, kjer dokažemo, da se v primerjavi z obstoječo metodo zmanjša skupni strošek izvajanja PP. Obenem se poveča stopnja dis-tribucije sistema ter posledično tudi razpoložljivosti na več ravneh, kot so PPRvozlišča. Nova PPRvozli-šča lahko po potrebi namestimo v efektivnem času na poljubnih geolokacijah. Torej, našo rešitev lahko predstavimo z analogijo tri-nivojskih sistemov, kjer želimo doseči tankega oz. lahkega odjemalca v PP, ki je sestavljen iz manj kompleksnih in posledično ce­nejših funkcij. 2 SORODNO DeLO V tem poglavju so predstavljena sorodna raziskoval­ na dela, ki temeljijo na tehnologiji veriženja blokov. Pri tem se osredotočamo na dela PPin PPR, kot te­meljna pristopa za doseganje naše raziskave. Za pripravo robustnih PP smo uporabili orodja GasReducer avtorjev [Chen idr., 2018] ter Oyente av-torjev [Luu idr., 2016], ki nam nudijo za identifikacijo najdražjih funkcij v PP. Po identifikaciji funkcij smo pripravili prototipno rešitev brez uporabe pametnih prerokov na podlagi oblikovalskega vzorca PPR, ki sta ga predlagala [Wöhrer in Zdun, 2018]. Ker predla­gan oblikovalski vzorec vsebuje preveč varnostnih pomanjkljivosti (npr. kako zagotoviti varen pretok podatkov, integriteta zunanje storitve in drugi), smo uporabili zaupanja vreden pristop z uporabo Chain­Link1 PPR. Sorodno našemu predhodnemu delu, kjer je bila osredotoče- nost na zaupanju PPRz uporabo ogrodja Oraclize2 in našega pristopa [Kochovski idr., 2019], kjer v tem delu predstavimo smotrnost migra­cije segmentov najdražjih funkcij izven verige. Avtor­ji [Zhou idr., 2019] predlagajo SLAmetodo v celoti na PP brez uporabe PPR, vendar je stroškovni vidik pri takšnem pristopu vprašljiv za produkcijske namene. V našem delu predlagamo novo SLA metodo, ki je definirana na PP ter zunanji storitvi dostopni s po­močjo PPR. Poleg visoke stopnje distribucije takšne­ga pristopa, metoda omogoča večjo skalabilnost, saj je metodo mogoče nadgraditi v realnem času obe­nem pa hraniti obstoječe rezultate v sorodni verigi in s tem ohraniti integriteto delovanja. 3 INTeRAKcIjA PAMeTNIh POgODB NA VeRIgI Z ZUNANjIMI SISTeMI PPv osnovi omogočajo posredno interakcijo s podat­ki izven verige. Na primer, uporabnik lahko podat­ke izven verige posreduje preko vhodnih atributov funkcije PP. Raziskovalno so se [Carminati idr., 2018] ukvarjali z naslovitvijo konceptov varnega pretoka podatkov v poslovnih procesih z uporabo tehnologi­ je veriženja blokov. Od pojavitve javnih PPRrešitev so PP sposobne komunicirati s storitvami tretjih oseb (npr. podatki, ki so del drugih sistemov na tehnolo­giji veriženja blokov) preko (de)centraliziranih stori­tev PPR, ki omogočajo sprožitev zunanjih storitev in neposredno pridobivanje rezultatov PP v jedru same funkcije. Interakcija s podatki zunaj verige je omogo-čena s sledečimi entitetami: vozlišči tehnologij veri­ženja blokov vključno z drugimi sorodnimi sistemi, javnimi storitvami ali kombinacijo sistemov ter stori­tev. Proces, ki opisuje predstavljeno interakcijo med PP in PPR, je prikazan na sliki 1, kjer se interakcija poleg omrežja Ethereum (predstavljena z ETH Node) razširja tudi na druge blokovne rešitve (predstavlje­na kot X Node). Naša ideja je, da izkoristimo predno­ sti uporabe PPRz redefinicijo obstoječih funkcij PP, ki niso primerne za produkcijsko rabo – pomanjkanje preverljivosti, razširljivosti in predvsem stroškovne smotrnosti. V našem delu je primer uporabe obravnavan na PP, ki ga lahko v grobem povzamemo kot SLA, kjer je namen PP digitalno preveriti pogoje uporabe spe­cifične oblakovne storitve in posledično olajšati kon­senz med deležniki, uporabnikom ter sistemom, ki ponuja oblakovno storitev. Na primer, končni upo­rabnik želi uporabljati storitve v oblaku pod dolo-čenimi SLApogoji (npr. dostopnost storitve 99.9 %, latenca, manjša od specificirane vrednosti itd.). Naj­prej se izvede dogovor o ceni in SLApogojih – konč­ni uporabnik plača določeno ceno, ki je zaklenjena v PPin začne uporabljati storitev v oblaku. Ko končni uporabnik preneha uporabljati to storitev, se izvede funkcija preverjanja SLA. Potek funkcije je opisan v algoritmu 1. V takšni obliki je funkcija PP za prever­janje SLA draga zaradi zahtevnejših vhodnih podat­kov (npr. tabele) in jedra funkcije z vrsto zank, ki so potrebne za samo izvedbo funkcije. 1https://chain.link/ Slika 1: Prikaz procesa interakcije PP med uporabniki, instanco PP in vozliščem ethereum. Pri pristopu uporabe PPR, ki je prikazano z zelenim ozadjem, je razvidna povezljivost z zunanjimi sistemi na tehnologiji veriženja blokov in storitvami tretjih oseb. Osnovni algoritem (Metoda 1) na PP in novi algoritem (Metoda 2), kjer del algoritma predstavlja zunanja storitev. Vhodni podatki: tabela SLAOsnovneMeritve, tabela ločila, decimalnoŠtevilo CiljSLAIzhodni podatki: operacijaFormalneLogike jeDosežen tabela (razdeli SLAOsnovneMeritve po ločniku);decimalnoŠtevilo RezultatSLA = 0; tabela MeritveSLA = razdeli(SLAOsnovneMeritve, ločila); dokler MeritveSLA obstajajo naredi decimalnoŠtevilo vsotaMeritev = 0; število števec = 0; // za vsak seznam SLA meritev; ZA število i = 0, i++, dokler i < MeritveSLA.dolina; vsotaMeritev += meritev; števec++; RezultatSLA += pragPomembnosti (vsotaMeritev/števec); konec če RezultatSLA CiljSLA potem // SLA je bil dosežen; vrni pravilen; drugo // SLA ni bil dosežen; vrni napačen; konec Algoritem 1: Primer funkcije za izračun SLA, ki temelji na interakciji s podatki na ethereum verigi brez uporabe PPR. V SLA primeru uporabe nadgrajenim s PPR in-terakcijo, je algoritem preoblikovan na takšen način,da je računanjeoz. jedro funkcije v celoti preneseno v zunanjo storitev. Pri tem je potrebno pametno po­godbo razširiti s ChainlinkClient pametno pogodbo, ki definira ogrodje za podporo ChainLink PPR. Ta neposredno komunicira s SLA podatki, shranjenimi v namenski sorodni verigi (npr. IOTA3) pri čemerso takšni podatki obenem tudi vedno preverljivi. Obe­nem se vhodni podatki poenostavijo iz tabel v nize ali so dodatno nizi ločeniz ločilikot reference na SLA podatke ter s ččasovnimiokvirji relevantnimi za izračunSLA. Povzetek PP funkcije podprte s PPR predstavlja algoritem 2. 4 eKSPeRIMeNTALNA ŠTUDIjA V tem poglavju je predstavljena eksperimentalna metodologija in prvotno doseženimiempiričnimi re-zultati 3https://www.iota.org/ Vhodni podatki: tabela SLAOsnovneMeritve, tabela ločila,decimalnoŠtevilo CiljSLA Izhodni podatki: operacijaFormalneLogike jeDosežen podatki = (SLAOsnovneMeritve, ločila,CiljSLA); // gradnja nove poizvedbe; Chainlink.Request memory poizvedba = buildChainlinkRequest(jobId, this, this.izpolnjevalnaFunkcija); // dodamo parametre poizvedbe in sicer URL ter tip REST klica; poizvedba.add(„get“, „API-URL“); // dodamo pot (ang. path) z vsemi vhodnimi podatki v JSON obliki; poizvedba.add(„path“, podatki); // pošiljanje poizvedbe z 1 LINK žetonom v PPR; RezultatSLA= sendChainlinkRequest(poizvedba, 1 * LINK);če cRezultatSLA . CiljSLA potem // SLA je bil dosežen; vrni pravilen; drugo // SLA ni bil dosežen; vrni napačen; konec Algoritem 2: Primer funkcije za izračun SLA, ki temelji na interakciji s podatki na ethereum verigi nadgrajen z uporabo PPR. 4.1 eksperimentalna metodologija Eksperimentalno okolje temelji na testnem javnem Ethereum vozlišču Rinkeby, ki omogoča največjo stopnjo funkcionalnosti (npr. naprednejše poslušalce vozlišča). Druga možnost, kjer se izognemo vzpo­stavitvi lastnih vozlišč, je spletno orodje Infura4, ki povezljivost vozlišč zagotavlja preko storitev in s tem omogoča interakcijo z javnimi Ethereum testni-mi Rinkeby omrežji. V tem primeru smo nekoliko funkcionalno omejeni, saj ne moremo zagnati poslu­šalcev na nivoju bloka ali transakcijskih funkcij za bloke, imenovanih opazovalci (ang. observators). V našem primeru poganjamo svoja testna vozlišča in tako imamo možnost zagnati poslušalca na nivoju bloka, kar pomeni da smo o potrjeni transakciji (iz­ vedeni funkciji PP) nemudoma obveščeni, ko je blok na novo ustvarjen. Skozi empirično analizo želimo odgovoriti na ključni vprašanji: . Ali je v našem primeru bolj primeren pristop z uporabo zgolj PP ter s tem interakcijo podatkov na verigi ali je bolj smotrno del podatkov obrav­navati zunaj verige z uporabo PPR? . V primeru pomanjkanja PPRvozlišč ali jih je mo­goče namestiti v obstoječem ciklu (trajanje cikla cca 15 sekund) na poljubno geolokacijo? 4.2 Rezultati in razprava V okviru eksperimentalne metodologije in imple­mentacije našega primera uporabe smo izvedli eval­vacijo, kjer smo naš primer uporabe izvedli 10-krat na testnem Ethereum omrežju Rinkeby. Rezultati so prikazani na sliki 2, kjer se v primeru metrike za ceno uporablja denomenacijo GWEI5. Rezultati delovanja kažejo, da se postavitev PPv primeru klasičnega pristopa izvede v enem bloku, medtem ko v primeru pristopa z uporabo PPR le ta potrebuje čas dveh blokov. Naš pristop torej ni pri­meren takrat, ko so performančne zahteve ključnega pomena. V fazi integracije ChainLink PPRvozlišč, ki slu­žijo kot osnovne komponente za interakcijo s PPR, smo le te uporabljali v obliki kontejnerskih slik (ang. Container images). Pri tem smo instance kontejner­skih slik namestili s storitvijo Kubernetes v Sloveniji na različne geografske lokacije. Storitev Kubernetes je nameščena na strojni opremi s 4 virtualnimi pro-cesorskimi jedri s strojnim pospeševanjem procesor­ja (ang. CPU) Intel Xeon E5649 jedri s posamičnimi frekvencami 2.53GHz, 2GB delovnega pomnilnika in trdega diska kapacitete 20GB. V poskusu namestitve ChainLink vozlišč smo namestitev kontejnerskih slik izvedli 10-krat na različnih geolokacijah kot prikazu­je tabela 1. Visoka stopnja distribucije nudi hitrejšo interakcijo PPs PPRin je ključna v primerih, ko se interakcija PPR izvaja na globalnem nivoju. 4https://infura.io 51 Ethereum = 1, 000, 000, 000 GWEI (109) Slika 2: Performančni časi (a) in rezultati stroškov z uporabo denominacije gweI (b) na testnem ethereum omrežju Rinkeby. Tabela 1: časi namestitve kontejnerskih slik chainLink vozliščna različnih geolokacijah. Ime oblaka Kontinent časi namestitve [ms] Arnes Evropa 3133 flexiOps Združeno kraljestvo 80332 GKE-EU-WEST Evropa 1866 GKE-ASIA-EAST Azija 5133 GKE-US-WEST Združene države 2266 Amerike Z vidika ocene stroškov je pri uporabi našega pristopa s PPR (podatki PP deloma izven verige), kjer so v PP globalne spremenljivke bistveno kom­pleksnejše in sicer večinoma tipa uint256 in bajtov. To kot posledica terja večje stroške postavitve PP. Poleg tega je s pristopom PPR obvezna uporaba do-datnih knjižnic (npr. matematične, vmesniki, odlo-čevalske itd.), ki jih je treba vključiti v PP, kar tudi terja svoj strošek pri postavitvi PP. Po drugi strani pa s prenosom logike na storitve, ki niso povezane z verigo, postane naša funkcija SLA bistveno cenej­ša v primerjavi z običajnim pristopom. Obenem je za nadaljnjo analizo potrebno podrobneje definirati zahteve uporabe in arhitekturo v oblaku, opraviti pregled smiselnih funkcij za prenos ter izvedbo v PP takšnih funkcij, ki se izvajajo večkrat, da bi zmanj­šali skupne stroške PP, ki se običajno ocenjujejo, če se ujema s statističnim pristopom zlatega križa (ang. golden cross pattern). ZAKLjUčeK V okviru tega dela smo ugotovili, da je nova predla­gana metoda SLA v PP z interakcijo PPR smotrna v tistih primerih uporabe, kjer je uporaba funkcij pogo-sta in posledično na dolgi rok privede do nižjih celo­vitih stroškov izvedbe funkcije oz. transakcij na veri­ gi. Učinkovitost sistema pri uporabi nove metode na sam sistem ne vpliva negativno. Kljub temu študija ni obravnavala podrobnejših statističnih analiz, da bi našla ustrezne mejne vrednosti za ocenitev smotr­nosti izbranega primera uporabe. Poleg tega lahko v času trajanja generiranja bloka namestimo poljubno novo vozlišče ChainLink PPR. To delo temelji na prvotnih prizadevanjih, ki so namenjena boljšemu razumevanju PPR, novega pri­stopa PP v interakciji s podatki izven verige. Predsta­vljena metoda predstavlja segment primera uporabe v projektu ABC. Predstavljeni primer uporabe prika­zuje potencialnost PPR pristopa za uporabo v drugih scenarijih računalništva v oblaku. ZAhVALA Raziskava je bila finančnopodprta s sredstvi pro-jekta Evropske unije Horizon 2020 program za ra­ziskave in inovacije na podlagi sporazuma št. 815141 (DECENTER projekt: Decentralised technologies for orchestrated cloud-to-edge intelligence). LITeRATURA [1] [Buterin, 2015] Buterin, V. (2015). Ethereum white paper, posodobljeno september 30, 2015. https: //github.com/ethereum/wiki/wiki/White-Paper. [2] [Carminati idr., 2018] Carminati, B., Ferrari, E., in Rondanini, C.(2018). Blockchain as a platform for secure inter-organizati­onal business processes. 2018 IEEE 4th International Confe­rence on Collaboration and Internet Computing (CIC), pages 122–129. [3] [Chen idr., 2018] Chen, T., Li, Z., Zhou, H., Chen, J., Luo, X., Li, X., in Zhang, X. (2018). Towards saving money in using smart contracts. In Proceedings of the 40th International Conference on Software Engineering: New Ideas and Emer­ ter and Communications Security, CCS ’16, pages 254–269, ging Results, ICSE-NIER ’18, pages 81–84, New York, NY, New York, NY, USA. ACM. USA. ACM. [6] [Wöhrer in Zdun, 2018] Wöhrer, M. in Zdun, U. (2018). Design [4] [Kochovski idr., 2019] Kochovski, P., Gec, S., Stankovski, V., patterns for smart contracts in the ethereum ecosystem. Bajec, M., in Drobintsev, P. D. (2019). Trust management in a [7] [Zhou idr., 2019] Zhou, H., Ouyang, X., Ren, Z., Su, J., de blockchain based fog computing platform with trustless smart Laat, C., in Zhao, Z. (2019). A blockchain based witness mo- oracles. Future Generation Computer Systems, 101:747 – 759. del for trustworthy cloud service level agreement enforcement. [5] [Luu idr., 2016] Luu, L., Chu, D.-H., Olickel, H., Saxena, P., In IEEE INFOCOM 2019 - IEEE Conference on Computer in Hobor, A. (2016). Making smart contracts smarter. In Pro- Communications, pages 1567–1575. ceedings of the 2016 ACM SIGSAC Conference on Compu- • Sandi gec je zaposlen kot asistent na Fakutelti za računalništvo in informatiko, Univerze v Ljubljani. V raziskovalno-razvojnih projektih se je ukvarjal z uporabo semantičnih tehnologij pri razovoju oblačnih sistemov, bazami znanja ter integracijo podpornih rešitev v oblaku. Svoje znanje je apliciral na Horizon 2020 projektih SWITCH in ENTICE. Trenutno se v okviru Horizon 2020 projekta DECENTER ukvarja z novimi pristopi tehnologije veriženja blokov, predvsem s pametnimi pogodbami ter komunikacijo med verigami in zunaj verige. • Vlado Stankovski je izredni profesor računalništva na Univerzi v Ljubljani. Ima več kot 15 let izkušenj s področja oblakovnega računalništva, po­razdeljenih sistemih, semantike, programskega inženirstva, strojnega učenja in podatkovnega rudarjenja. Dr. Stankovski ima izkušnje s področja integracije programske opreme, kjer je svoje sodobne smernice področja gradil na več projektih EU, vključno z DataMiningGrid (2004–2006), InteliGrid (2004–2007), mOSAIC (2011–2013), ENTICE (2015–2018), SWITCH (2015–2018) in trenutno DECENTER (2018–2021 ) projek­tu. Sodeluje v nedavno oblikovanem konzorcijskem superračunalniškem centru Slovenije in pri slovenskih projektih pametne specializacije, kot je IQ DOM. Vlado Stankovski trenutno aktivno sodeluje v gruči projektov programskega inženiringa Horizon 2020, kot predstavnik projektov ENTICE, SWITCH in DECENTER. • Dejan Lavbič je leta 2010 doktoriral na področju računalništva in informatike na Fakulteti za računalništvo in informatiko Univerze v Ljubljani, kjer je zaposlen kot docent. Na raziskovalnem področju se ukvarja z inteligentnimi agenti, večagentnimi sistemi, ontologijami, poslovnimi pravili, se­mantičnim spletom, odkrivanjem plagiatorstva s pomočjo socialnih omrežij, kakovostjo informacij in naprednimi pristopi za porazdelitev podatkov. Sodeloval je pri številnih gospodarskih in raziskovalnih projektih s področja strateškega planiranja, metodologij razvoja informacijskih sistemov, uporabe inteligentnih sistemov, avtomatizacije poslovnih procesov in obvladovanja ter porazdelitve velike količine podatkov. how Time-of-departure Knowledge relates to Time-of-arrival localization accuracy? Matija Rezar1, Fabio Ricciato1 1Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Večna pot 113, 1000 Ljubljana matija.rezar@fri.uni-lj.si Izvleček Razvitih in preizkušenih je bilo že mnogo sistemov za lokalizacijo, vendar večina študij analizira le zmogljivosti konkretnih sistemov, medtem ko jih malo preuči vplive osnovnih predpostavk sistema. V tem članku analiziramo točnost metod lokalizacije vira, ki teme­ljijo na meritvah časa prihoda s strani sodelujočih sider. Ogledamo si tri različne modele: enega z znanim in dva z neznanim časom odhoda signala. Naša analiza temelji na elipsoidih, ki predstavljajo Cramér–Raovo mejo za vsak model. Tako pridobimo vpogled v geometrijske lastnosti modelov. Analiza razkrije, da je vpliv poznavanja časa odhoda zelo velik zunaj konveksne ovojnice sider, znotraj pa skromen. Rezultati kažejo, da je mogoče določene lastnosti zasnove z gotovostjo zamenjati za večjo točnost, med tem ko drugih ni mogoče. Ključne besede: Cramér–Raova meja, lokalizacija, čas prihoda, čas odhoda. Abstract Many localization systems have been developed and tested. However, most works only analyze the performance of the concrete systems in question. Few examine the effects of the underlying system assumptions. In this paper, we analyze the accuracy of so­urce localization methods based on time-of-arrival (ToA) measurements from a set of cooperating receivers (anchors). We examine three different system models, one with and two without the knowledge of the time-of-departure (ToD) of the signal. Our analysis is based on Cramér–Rao Bound (CRB) ellipsoids for each model. We use these to provide insight into the geometric properties of the models. The analysis reveals that the impact of ToD knowledge on the achievable accuracy is very large outside the convex hull of the anchors, but only modest inside. The presented results show that certain system design choices can be reliably traded for batter accuracy, while others cannot. Keywords: Cramér–Rao Bound (CRB), localization, time-of-Arrival, time-of-Departure. 1 INTRODUcTION AND MOTIVATIONS All time-based localization methods require the me­asurement of the Time-of-Arrival (ToA) of signals by one or more receiving nodes. The primary factor determining the localization precision is the measu­rement noise. Therefore, from an engineering point of view, ToA should be measured as precisely as pos­sible using more or less advanced signal processing methods in the receiver hardware, firmware or soft­ware layer [Calvo-Palomino et al., 2018]. We can con­sider certain other features of the system to be optio­nal. One such feature is node clock synchronization: if node clocks are left unsynchronized, localization can still be performed by estimating (and correcting for) the clock error terms during the ToA data proces­ sing and location estimation phases [Ricciato et al., 2018, Wu and Gu, 2017, Nagy et al., 2011]. Another prominent optional system feature is knowledge of the transmission time, hereafter called Time- of-Departure (ToD). Like with clock errors, if ToD is unknown we can treat it as a nuisance variable to be estimated jointly with the position variables. Time-of-Departure knowledge can translate into hi­gher precision, but comes at the cost of additional engineering burden in terms of ToD control. On the other hand, systems with unknown ToD require the deployment of one additional anchor to ensure that the problem is identifiable. The choice between lo­calization systems that rely on ToD knowledge, and those that do not, is therefore a matter of engineering trade-offs between costs and benefits. Most previous work on localization skips this engineering question and directly assumes a particular system model, ei­ther with or without ToD knowledge. In this paper we take a step back and study the impact of ToD knowledge on the final estimation accuracy. To do so, we consider different system mo­dels, both with and without ToD knowledge, and qualitatively assess their achievable precision. Our analysis is based on general properties of the time­-based localization problem, not bound to a specific radio technology or particular scenario. We resort to theoretical results from estimation theory to produce concrete recommendations for the engineers desi­gning localization systems. A key finding is that the additional precision gain brought by ToD knowledge is modest if the source node is located within the anchors’ convex hull, indicating that there is a design trade-off between ToD knowledge and anchor topology. The rest of the document is organized as follows. Related work is summarized in Sec. 2. In Sec. 3 we define three different system models. The Cramér– Rao Bounds (CRB) and their relations are described in Sec. 4. Graphical interpretation and geometric con­siderations are presented in Sec. 5. Finally, we draw conclusions and implications for practical system en­gineering in Sec. 6. 2 ReLATeD wORK The use of CRB for the analysis of localization precision is well-established. Previous papers have derived the CRB for different system models, with ToD knowledge and without. Shen et al. [Shen et al., 2010, Shen and Win, 2010] provide a detailed treati­se on the topic of known-ToD localization, including the notion of the Equivalent Fisher Information Ma­trix (EFIM), which is a method of comparing models with different numbers of parameters. In [Ricciato et al., 2018] the authors analyzed systems without ToD knowledge. They derived the CRB and used it as a reference to assess estimation performances in a sample scenario. Huang et al. [Huang et al., 2015] show that kno­wledge of noise characteristics affects the CRB. They come to the conclusion that heteroscedastic noise may in fact aid localization, provided that the hete­roscedasticity can be modeled accurately. Their work reinforces the idea that a properly conducted theore­tical analysis of CRB can provide insight to steer the practical design of real-world systems. In this paper we use EFIM to analyze the effect of model assumptions on the result. Cramér–Rao bo­unds are a good approximation of the accuracy that can be achieved by Maximum Likelihood Estimators (MLE) in practice [Ricciato et al., 2018, Musicki et al., 2010]. It is also a good approximation for non-gaus­sian noise [Ricciato et al., 2018]. This gives practical interest to the analysis of the theoretical CRB. 3 SYSTeM MODeLS Our scenario comprises two types of nodes: a transmitter in an unknown position (source) and se­veral receivers in fixed known locations (anchors). For each incoming packet, every anchor measures the ToA, i.e., the reception timestamp. The anchors cooperate in the localization process and share the ToA measurements with a central unit in charge of the computation. We consider three different packet transmission patterns: (i) known transmission times (known ToD); (ii) periodic transmissions with un­known starting time; and (iii) unknown transmission times (unknown ToD). In all scenarios we account for packet loss, i.e., we do not require each packet to be received by all anchors. We assume that signal propagation occurs over li-ne-of-sight (LoS) paths between transmitter and rece­iver. We consider a three-dimensional Euclidean spa­ce, but for the sake of simplicity we assume that the vertical component of the source position is known. Therefore we have a planar problem (two unknown variables) embedded in a 3D Euclidean space1. This choice simplifies the analysis and the graphical pre­sentation of the results without jeopardizing the key insights. In our models, the ToA measurement error vari­ance is constant and does not depend on the distance between transmitter and receiver. The measurement errors are independent and identically distributed Note that the full three-dimensional specification (as opposed to purely two-dimensional) is relevant to the measurment of angles, as seen in Figure 1. In two dimensions the two represented angles would be complementary, whereas in three dimensions the two angles are not directly related. Figure 1: In 3D geometry ..x (resp. ..y) denotes the angle between the basis vector ex (resp. ey) and the source–anchor n vector an. with a Gaussian distribution. This assumption is co­herent with empirical evidence from real-world ToA measurements, when received signals have a high Signal-to-Noise Ratio (SNR)[Calvo-Palomino et al., 2018]. Modeling equations for our models are: 1 r= .+ c ||p - a|| + . , nmm n meaning that the ToA rnm of packet m 1...M at anchor n 1...N is the sum of transmission time .m (ToD), the propagation time along the direct path from the so­urce position p = (px, py) to the anchor position an, with propagation speed c, and the measurement er­ror E, which has zero mean and constant (possibly unknown) variance. Depending on the transmission pattern we define three model variants: . Model-0 – All transmission times .m are known, and only the position variables px, py need to be estimated. . Model-1 – The transmission times are perfectly periodic with known period T starting from an unknown time .1, i.e., they can be expressed as .m= .1 + (m - 1) · T . . Model-2 – All transmission times .1, . . . , .M are unknown and present M nuisance variables in the model. cRAMÉR–RAO BOUND The CRB represents a lower bound on the Mean Squared-Error (MSE) of any unbiased estimator [Kay, 1993]. For multivariate estimators, the CRB provides a lower bound on the estimation error covariance. The CRBs depend on the angles between the so-urce–anchor vectors and the basis vectors, as shown in Figure 1. The effects can be split into two compo­nents. The first is “axial diversity”, which describes how much offset anchors have on each axis, relative to the offset on the other axes. This means that the further from a given axis anchors are, the more accu­rate the estimate on that axis can be. Interestingly, the direction (positive or negative) of the offset does not matter. The second component is “angular di­versity”, i.e., how much variety there is in the angles between different anchors, as seen from the source. Similarly to axial diversity this translates to offsets. However, in this case the direction does matter: bi­gger variety of offsets, i.e., both positive and negative offsets, translates to more accurate estimations. Axi­al diversity affects both known and unknown ToD models, while angular diversity affects only the un­known ToD models. We can show that C(2) . C(1) . C(0), following Lo-ewner order [Horn and Johnson, 2012] (where C(i) is the CRB for model i), by proving that the differences between the EFIMs are positive semi-definite. We can do this by employing the Sylvester criterion and the Schur complement [Horn and Johnson, 2012]. This means that the errors of Model-0 can be on average smaller than those of Model-1, which can be, in turn, smaller than those of Model-2. (b) Location B (a) Location A (c) Location C (d) Anchor positions (squares) and source test locations (dots). Figure 2: comparison of cRB confidence ellipses for moderate packet loss ploss = 0,25. Models 1 and 2 behave similarly to Model-0 inside the convex hull, but depart distinctly outside it 5 gRAPhIcAL INTeRPReTATION We start by considering a simple layout with four an­chor nodes arranged as shown in Figure 2d. We assu­me a moderate level of packet loss probability equal to ploss = 0.25. For analysis, we consider the three dif­ferent test locations labeled A, B and C in Figure 2d. The confidence ellipses that represent the CRBs as covariance matrices of a multivariate normal distri­bution are plotted in Figures 2a to 2c for the three model variants for all test locations. It is clear that the models are strictly ordered re­sulting in the inclusion of their respective confidence ellipses. The smallest confidence ellipses are obtained in test location A, well inside the convex hull of the anchors, while the ellipses get larger for all models in test location B (note the different scale of Figure 2b). As soon as the source node moves outside the convex hull, the confidence ellipses for Model-1 and Model-2 stretch, and get dramatically larger, while the enlargement remains contained for Model-0. To better illustrate the change confidence ellipses for a regular grid of different locations are plotted in Figures 3a and 3b for Model-0 and Model-2, respec­tively. In Figure 3a we can see the behavior of CRB for Model-0. The CRB is the lowest and most circular in the middle, where the anchors have high axial offset, and worsens as the source moves away. After leaving the convex hull, the CRB stretches along the angu­lar direction: when moving to the right (positive x direction), the ellipses enlarge vertically, because the anchors have less axial offset along the y axis than on the x axis. (a) Model-0 CRB (known ToD). (b) Model-2 CRB (unknown ToD). Figure 3: cRB ellipses (magnified for readability). Line color proportional to cRB trace. The cRB is similar inside the convex hull, but differs wildly outside it. We can see the effect of angular diversity in Figure 3b. Inside the convex hull, the angles’ contributions tend to cancel out, leading to CRB behavior similar to that of Model-0. Upon leaving the convex hull we start losing angular diversity. Moving in the positi­ve x direction in Figure 3b, the angular diversity on the x axis drops very quickly, because all anchors are on the same side, relative to the source, resulting in low diversity and therefore loss of precision in that direction. On the y axis, however, the diversity fades much slower. The effect is that the direction (or angle in polar coordinates) of the source can be estimated much better than the distance (range). For an intuitive interpretation, consider that from the perspective of a single receiver, we cannot discri­minate between (i) the source being further away and (ii) the packet transmission occurring at an earli­er time. In other words, there is an ambiguity betwe­en transmission time (ToD) and distance, resulting in the elongation of the ellipse in the radial direction, as can be seen in Figure 3b. In contrast, Model-0 (Figure 3a) does not suffer from that problem. CONCLUSIONS Most studies of localization systems focus on one sy­stem and do not examine the effects of basic system assumptions on the achievable accuracy. We showed how one property, transmission time knowledge, af­fects this. From the analysis presented in this work we can draw recommendations for real-world system en­gineering. First, we have found that ToD knowled­ge only brings a large gain in localization accuracy outside the anchors’ convex hull. Therefore, we may waive the transmission time measurement, if we can ensure that the area of interest remains inside the convex hull. Second, when the source lies outside the convex hull and ToD is unknown, we can still achie­ve a good estimation of the source azimuth, but not of the range. However, this might suffice whenever the range information can be obtained by other (pri­or) data or is not critical to the application, reducing both cost and complexity. RefeReNceS [1] [Calvo-Palomino et al., 2018] Calvo-Palomino, R. et al. (2018). Nanosecond-Precision Time-of-Arrival Esti- mation for Aircraft Signals with Low-Cost SDR Receivers. In 17th ACM/ IEEE IPSN, Porto. [2] [Horn and Johnson, 2012] Horn, R. and Johnson, C. (2012). Matrix analysis. Cambridge Press, 2nd edition. [Huang et al., 2015] Huang, B. et al. (2015). TDOA-Based Source Localiza­tion With Distance-Dependent [3] Noises. IEEE Trans. on Wireless Comm., 14(1). [4] [Kay, 1993] Kay, S. M. (1993). Fundamentals of statistical si­gnal processing. Prentice Hall signal processing series. Pren-tice-Hall. [5] [Musicki et al., 2010] Musicki, D. et al. (2010). Mobile Emitter Geolocation and Tracking Using TDOA and FDOA Measure­ments. IEEE Trans. on Signal Processing, 58(3). [6] [Nagy et al., 2011] Nagy, A. et al. (2011). Time-based localisa­tion in unsynchronized wireless LAN for industrial automation systems. In IEEE ETFA. [9] [Shen and Win, 2010] Shen, Y. and Win, M. Z. (2010). Funda- [7] [Ricciato et al., 2018] Ricciato, F. et al. (2018). Position and mental Limits of Wideband Localization— Part I: A General Velocity Estimation of a Non-cooperative Source From Asyn- Framework. IEEE Trans. on Information Theory, 56(10). chronous Packet Arrival Time Measurements. IEEE Trans. on [10] [Wu and Gu, 2017] Wu, X. and Gu, Z. (2017). A joint time syn- Mobile Computing, 17(9). chronization and localization method without known clock [8] [Shen et al., 2010] Shen, Y. et al. (2010). Fundamental Limits parameters. Pervasive and Mobile Computing, 37. of Wideband Localization— Part II: Coopera- tive Networks. IEEE Trans. on Information Theory, 56(10). • Matija Rezar studied at the Faculty of Computer and Information Science at University of Ljubljana, where he received a Master’s degree in 2016 and enrolled into the PhD programme in 2017. He is currently also employed there as a researcher in the area of localization and Bayesian statistics. • fabio Ricciato graduated in Electrical Engineering (1999) and received a PhD in Information and Commu-nication Technologies (2003) from University La Sapienza, Italy. Between 2004 and 2017 he worked in telecommunications research across different institutions. He worked as research manager at the Telecom-munications Research Center Vienna and at the Austrian Institute of Technology, leading medium size research units of up to 45 researchers. He has served as assistant professor in Italy (Faculty of Engineering at University of Salento) and as associate professor in Slovenia (Faculty of Computer Science at University of Ljubljana) teaching various subjects in the telecommunications field, from networking to signal processing, including traffic monitoring and radio-based localisation. He has recently joined Eurostat, the sta­tistical office of the European Union. His current interests revolve around applications of statistics, privacy-preserving computation methods and analysis of mobile phone network data. Analiza uporabe spletne analitike v malih in srednjih podjetjih v Sloveniji Eva Grobiša1, Jure Erjavec2 1Ekonomska fakulteta, Kardeljeva ploščad 17, 1000 Ljubljana 2Ekonomska fakulteta, Kardeljeva ploščad 17, 1000 Ljubljana eva.grobisa@gmail.com, jure.erjavec@ef.uni-lj.si Izvleček Spletna analitika s skokovitim razvojem spleta in rastjo obsega poslovanja, ki ga podjetja opravijo preko spleta, vedno bolj pridobiva veljavo. Namen raziskave, predstavljene v prispevku, je bil ugotoviti, v kolikšni meri se v Sloveniji med malimi in srednjimi podjetji uporablja spletna analitika, katera orodja spletne analitike se najbolj pogosto uporabljajo in kako rezultati spletne analitike vplivajo na poslovanje malih in srednjih podjetij v Sloveniji. Raziskava je bila opravljena na podlagi spletnega anketnega vprašalnika, ki je bil konec leta 2017 posredovan 1000 podjetjem. V raziskavi je sodelovalo 199 anketirancev, od tega je anketo v celoti ali delno izpolnilo 158 anketirancev. Rezultati raziskave kažejo, da spletna analitika v malih in srednjih podjetjih v Sloveniji še ni tako razvita, kot bi pričako­vali. Večinoma imajo podjetja zaposlene osebe, ki se poleg s svojim delom ukvarjajo še s spletno analitiko. Izkazalo je se, da so bila nekatera pričakovanja od uvedbe spletne analitike večja od dejanskih rezultatov. Ključne besede: mala in srednja podjetja, spletna analitika, orodja spletne analitike. Abstract With the rapid development of the web and the growth in volume of business that companies make online, web analytics are gaining in importance. The purpose of the research presented in this paper was to determine the extent to which web analytics are used in Slovenia, which web analytics tool is most widely used and how the results of web analytics affect the operations of small and medium-sized enterprises in Slovenia. The survey was carried out on the basis of an online questionnaire, which was forwarded to 1000 companies at the end of 2017. The survey involved 199 respondents, of whom 158 fully or partially completed the survey. The results of the survey show that web analytics in small and medium-sized enterprises in Slovenia is not yet as developed as expected. Most businesses have employees who are only partially engaged in web analytics. It turned out that certain expectations with the launch of the web analytics were greater than the actual results. Keywords: Small and medium-sized enterprises, web analytics, web analytics tools. 1 UVOD Nove tehnologije podjetjem omogočajo, da imajo na voljo vedno več podatkov in informacij, kot so jih imela v preteklosti, vendar mnoga podjetja še vedno iščejo boljše načine za pridobivanje celovitih podat­kov, ki jim bodo pomagali pri boljšem razumevanju trgov in poslovanja. Hitro povečanje razširjenosti in uporabe interneta v povezavi z eksplozijo različnih tehnologij sta bila povod za razvoj številnih e-stori­ tev, kot so e-poslovanje, e-bančništvo, e-uprava in e-učenje. Spletne strani, ki ponujajo te storitve, upo­rabljajo veliko različnih načinov vrednotenja podat­kov uporabnikov. Za preoblikovanje teh podatkov je treba uporabiti spletno analitiko, ki omogoča boljše razumevanje prednosti in slabosti e-storitev. Ustvarja različne vrste vrednosti in njihovi mehanizmi gene-rirajo celotno vrednost in obenem zagotavljajo navo­dila za njihovo izboljšanje in optimizacijo (Loukis, Pazalos & Salagara, 2012, str. 129). Uporaba poslovne analitike se je v zadnjem de­setletju skokovito povečala in postala ključen izziv podjetij, saj se dnevno srečujejo z vprašanjem, kako povečati poslovno vrednost podjetja. Živimo v dobi, v kateri smo obdani s podatki. Kamorkoli gremo, vse, kar smo rekli in kupili, pušča digitalno sled, ki je posneta in shranjena. Slovenska podjetja se iz dneva v dan vse bolj intenzivno soočajo s problemom majh­nosti domačega trga. V času globalizacije ta namreč ne more omogočiti pravega razvoja, širitve in uspe­šnega poslovanja. Ustrezne, predvsem pa dostopne rešitve se kažejo skozi napreden razvoj informacijske tehnologije in strukturirano uporabo informacij, ki jih ponuja svetovni splet. Namen raziskave, predstavljene v prispevku, je bil ugotoviti, v kolikšni meri se spletna analitika uporablja v Sloveniji, katera orodja spletne analitike se pri nas najbolj pogosto uporabljajo in kako rezul­tati spletne analitike vplivajo na poslovanje malih in srednjih podjetij v Sloveniji. V raziskavi ugotavlja-mo, ali uporaba spletne analitike poveča konkurenč­nost podjetja in pozitivno vpliva na poslovanje ma-lih in srednje velikih podjetij v Sloveniji, ali uporaba spletne analitike omogoča hitro prilagajanje na spre­membe trga, ali bo podjetje, ki ima zaposleno osebo z ustreznimi znanji spletne analitike, prej uvedlo in uporabilo orodje spletne analitike ter ali spletna ana­litika neposredno vpliva na učinkovitost odločitev. 2 SPLeTNA ANALITIKA Podjetja dnevno zbirajo ogromne količine podat­kov. Zbiranje, analiza in uporaba podatkov prinese nove priložnosti, ustvarjanje konkurenčne predno­sti in je temelj pri procesu odločanja. Vse podatke, pridobljene za izvajanje in uporabo pri analizah, je treba obravnavati kot izhodišče za ustvarjanje kon­kurenčne prednosti posameznega podjetja (Doruk, Ozturk & Vayvay, 2016, str. 166). Spletno analitiko lahko opredelimo kot merjenje, zbiranje, analiziranje spletnih podatkov in poročanje o njih za namene ra­zumevanja in optimizacije uporabniških izkušenj na spletu (Burby et al., 2007; Peterson, 2004). Konkurenčnost pri ustvarjanju učinkovitih odlo-čitev temelji na razumevanju podatkov, ki se obliku­jejo na trgu. Pridobivanje podatkov zunaj in znotraj podjetja predstavlja ključni poslovni uspeh podjetja. Za podjetje je tudi tehnologija ključnega pomena, saj s tem lažje sledi spremembam na trgu. Spletna ana­litika vodi do uspeha in pomaga podjetjem do večje konkurenčnosti na trgu. Spletna analitika s skokovitim razvojem spleta in rastjo obsega poslovanja, ki ga podjetja opravijo preko spleta, vedno bolj pridobiva veljavo. Uspešno se uporablja na mnogih področjih, vključno z znano­stjo, zdravstvom, trženjem in financami, za pomoč pri vodstvenem načrtovanju in odločanju v podjetju, da le-to pridobi pomembno konkurenčno prednost na trgu (Alghalith, 2015, str. 12). Mortenson, Doher­ty in Robinson (2015) trdijo, da analitika predstavlja šesto obdobje digitalne paradigme, ki ga oblikujejo velike količine raznovrstnih podatkov, ki so dopol­njeni z vrsto orodij za zajemanje, obdelavo in vizua­lizacijo le-teh. Pri spletni analitiki gre za kompleksno interak­cijo med ljudmi, napravami in algoritmi, ki pogosto ustvarja velike količine podatkov, ki jih je treba zbra-ti, obdelati in analizirati. Uporabljamo jo lahko kot orodje za tržne raziskave, da oceni in izboljša učinko­vitost neke spletne strani. Vsebuje informacije o šte­vilu obiskovalcev spletne strani in o številu ogledov strani. Pomaga meriti količino prometa in priljublje­nost trendov. Gre za podatke, ki so zelo koristni za tržne raziskave v podjetju. Uporaba spletne analitike podjetjem prinaša šte­vilne prednosti, med drugim tudi (Alghalith, 2015, str. 14): ujemanje razpoložljivih virov z interesi obiskoval­cev, povečanje vrednosti posameznega obiskovalca, izboljšanje obiskovalčeve izkušnje na spletni strani, izvajanje in doseganje zastavljenih ciljev, zbiranje in-formacij na različne načine, preizkušanje ustreznosti vsebine spletne strani, optimizacija spletnih strani. Spletna analitika predstavlja učinkovito orodje za izboljšanje odnosa s strankami. Bistveno je, da ima sistem, ki uporabniku pomaga najti v najkraj­šem možnem času ustrezne in zanesljive informacije na spletu. Spletna analitika spremlja in napoveduje navade uporabnika spletne strani. To daje obiskoval­cem zanesljivejše informacije pri oblikovanju spletne strani. Tehnologija spletne analitike lahko tehničnim delavcem v podjetju pomaga pri oblikovanju sple­tne strani, s tem pa posameznemu uporabniku olaj­ša pot, čas in trud do pridobitve želene informacije. Shranjevanje podatkov, povezanih z obiskovalci, lahko kasneje podjetju omogoči uporabo le-teh in s tem omogoči optimizacijo spletne strani (Alghalith, 2015, str. 16). Zbiranje in analiziranje podatkov lahko vsakemu podjetju omogoči globlje razumevanje obstoječega in potencialnega stanja znotraj podjetja, kakšne so nje­gove konkurenčne prednosti in kako analiza v pri­hodnje pripomore h kvantitativnim in kvalitativnim raziskavam (Doruk, Ozturk & Vayvay, 2016, str. 166). Za podjetje je pomembno, da je zmožno analizira-ti in napovedati tržno vedenje in vedenje kupcev na podlagi velikih količin podatkov, ki jih ima na razpo­lago. Če analize podatkov pravilno izvajamo, lahko to podjetju prinese večjo prilagodljivost, odzivnost, pričakovanje in zmožnost izpolnjevanja potreb kup­cev (Doruk, Ozturk & Vayvay, 2016, str. 164). S pomočjo spletne analitike si podjetja povečajo prihodke ali znižajo stroške. Pri tem si podjetja lah­ko pomagajo z naslednjimi tehnikami (Ramaswamy, 2016, str. 34): . razvrščanje strank glede na njihovo vedenje in že­ lje, kjer se uporabljajo novi segmenti ustvarjanja ciljnih sporočil,. podatkovna inteligenca se lahko uporablja za ra­ zumevanje, kako in koliko potrošnikov zanima blagovna znamka podjetja na socialnih platfor­ mah, . inteligentni algoritmi in orodja, ki se uporabljajo za velike količine podatkov, s katerimi bi dobili boljši vpogled v kupca in dosegli ciljno usmerje­nost oglasa k vsakemu potrošniku. 2.1 Orodja spletne analitike Vsako podjetje mora dobro premisliti, katero orodje za spletno analitiko bo izbralo, saj ima lahko napačna izbira na dolgi rok strateške posledice. Spletna anali­tična orodja zagotavljajo temelje za sprejemanje od­ločitev. Kakovostna analitika pa neposredno vpliva na učinkovitost odločitev. Uporaba spletnih orodij za analizo se lahko prepleta z izdelavo organizacijskega notranjega odločanja in procesov na splošno. Podat­ki, ki so pridobljeni za analizo, se običajno zbirajo v daljšem časovnem obdobju, zato je lahko napačna izbira analitičnega orodja kritična za celotno poslo­vanje podjetja (Nakatani & Chaung, 2011, str. 172). Več kot 70 % najbolj obiskanih spletnih mest upo­rablja spletna analitična orodja, vendar jih zaradi ko­ličine podatkov težko učinkovito uporabljajo. Vedeti morajo, kakšna vrsta podatkov je potrebna za uspe­šno delo pri razvoju spletne strani (Omidvar, Mirabi & Shokry, 2011, str. 16). Orodja za spletno analitiko sledijo številu klikov obiskovalcev spletnih strani in spremljajo, kaj obi-skovalec na spletni strani počne. Z orodji spletne analitike se primarno zbirajo podatki o obiskovalcih spletnih strani. Ti se uporabljajo predvsem za merje­nje celotnega obsega prometa, kar predstavlja bogat vir pridobivanja vedenjskih podatkov o posamezni­kih. Na podlagi zbranih podatkov podjetja nato išče­jo načine, kako izboljšati učinkovitost spletne strani. Podatke, zbrane s pomočjo orodij spletne analitike, lahko uporabijo, da določijo (Kent, Carr, Husted & Pop, 2011, str. 536) katere strani na spletnih straneh podjetij so najbolj priljubljene, katere spletne strani so najbolj dostopne, kakšna vrsta obiskovalcev obi- skuje določeno spletno stran in koliko časa preživijo obiskovalci na določenem spletnem mestu. Orodja spletne analitike lahko razkrijejo vedenj­ske vzorce, ki se povezujejo z več primeri uporabe spletne strani, zlasti pa se z njimi oblikuje specifič­na uporabniška izkušnja. Pomemben element orodij spletne analitike je tudi zmožnost testiranja hipotez, saj na ta način podjetja lahko preizkusijo in razu­mejo, katere vsebine (npr. besedilo, slika, video po­snetek) so ciljne skupine obiskovalcev spletne strani (Hemann & Burbary, 2013, str. 91). 2.2 Uporaba spletne analitike v malih in srednjih podjetjih Med letoma 1990 in 2000 se je začel razmah široko­pasovne informacijske tehnologije, ki je zahtevala obsežne naložbe v tehnološka sredstva in dolgoročni dostop do kapitala. Takšne kapitalske zahteve niso bile dostopne majhnim in srednjim podjetjem (Ra-maswamy, 2016, str. 32). Dostop do kapitala in uve­ljavljena blagovna znamka sta glavni prednosti ve­likih podjetij, malih in srednjih pa fleksibilnost. Biti morajo tudi zelo odzivna in prilagodljiva glede na zahteve kupcev, dejanja konkurentov in spremembe v gospodarstvu (Ramaswamy, 2016, str. 31). Sposob­ na so preživeti v vse bolj konkurenčnem globalnem okolju in v veliki meri temeljijo na svoji zmogljivosti, da izkoristijo pridobljene informacije. Manjša veli­kost podjetja je koristna zlasti pri predvidevanju in odzivu na spremembe, omogoča pa tudi globljo in te­snejšo interakcijo s strankami. Dostop do informacij ima pomembno vlogo pri odločanju in sprejemanju ključnih odločitev (Ramaswamy, 2016, str. 31). Mala in srednja podjetja se pogosto srečujejo z vi-sokimi stroški in kompleksnostjo ravnanja z velikimi količinami podatkov. V preteklosti so podjetja, ki so želela izkoristiti velike količine podatkov, vlagala v na­kup drage strojne in programske opreme, tak pristop pa zaradi omejenih virov ni bil primeren za mala in srednja podjetja. Toda trendi, ki jih narekuje svetovni splet in računalništvo v oblaku, so to spremenili. Ana­litične strategije podatkov lahko pomagajo majhnim in srednjim podjetjem do izboljšanja zasnov in konceptov, ki so postavljeni v podjetju (Ramaswamy, 2016, str. 33). Študija Goebla, Normana in Karanasiosa (2015) kaže, da imajo mala in srednja podjetja veliko mo-žnosti za vpeljavo analitike v svoje podjetje. Poslovna vrednost analitike v malih in srednjih podjetjih pove­zuje njihove poslovne izzive s konceptom poslovne vrednosti informacijske tehnologije. Ukrepi izkori-ščenosti, ki zagotavljajo vrednost sistema, kakovost informacij, zasnovo in razširitev sistema, ponujajo razvoj orodij za različne vpoglede. Študija kaže, da vpeljava analitike v mala in srednja podjetja pripo-more k reševanju mnogih specifičnih poslovnih izzi­vov v današnjem svetu, prav tako pa lahko ta podjetja postavijo okvir za izgradnjo konkurenčnih prednosti na trgu. Prav tako avtorji ugotavljajo, da ima spletna analitika velik potencial za mala in srednja podjetja in predstavlja zanje ključni informacijski izziv (Goebel, Norman & Karanasios, 2015, str. 13-15). Izbira prave informacijske tehnologije in spletne­ga analitičnega orodja lahko pomaga majhnim in sre­dnjim podjetjem premagovati izzive in tržne ovire, s katerimi se srečujejo, ter ustvariti nove priložnosti, ki bi jim pomagale do boljšega položaja na trgu. Pri tem imajo na voljo prilagodljivo informacijsko infrastruk­turo, ki jim omogoča hitro prilagajanje spremembam. S to infrastrukturo lahko nastanejo nova podjetja ali pa že obstoječa postanejo bolj učinkovita in se osredo­točijo na inovacije. Pričakuje se, da bodo mala in sre­dnja podjetja uporabljala veliko količino podatkov za poglobljeno analizo, ki bo preučila korelacije, tvega­nja, priložnosti, napovedovanje povpraševanja, opti­mizacijo procesov, načrtovanje predvidevanja zalog in segmentacijo trga (Doruk, Ozturk & Vayvay, 2016, str. 165). Imajo tudi nekaj prednosti v primerjavi z veliki-mi podjetji, pri čemer je ena izmed teh zagotovo lažje in hitrejše prilagajanje spremembam. Mala in srednja podjetja so lahko tudi inovativna, če imajo na razpo­lago dovolj sredstev, v nasprotnem primeru pa so v večini odvisna od medsebojnega sodelovanja, podpi­rajo pa se tudi preko informacijske tehnologije. Sple­tna analitika predstavlja okvir za spodbujanje konku­renčnih prednosti za mala in srednja podjetja (Goebel, Norman & Karanasios, 2015, str. 26). Mala in srednja podjetja lahko s pomočjo spletne analitike preidejo na višjo raven strateškega upravljanja, z ustvarjanjem priložnosti pa si lahko povečajo tudi konkurenčni po­ložaj (Doruk, Ozturk & Vayvay, 2016, 165). Spletna analitika se izkazuje kot pomembno po­dročje za delavce v podjetjih in raziskovalce, ki od­ražajo obseg in vpliv težav, s katerimi se spopadajo podjetja. Večina velikih podjetij uporablja spletno analitiko, kar pomeni, da bo vse več ljudi imelo glo­balne analitične sposobnosti, managerji pa bodo zna­li analizirati vse več podatkov, ki bodo vplivali na učinkovite odločitve (Chen, Chiang & Storey, 2012, str. 1165), vendar pa to ne rešuje problematike sple­tne analitike v malih in srednjih podjetjih. 3 MeTODOLOgIjA IN VZORec Raziskava je bila opravljena na podlagi spletnega anketnega vprašalnika, sestavljenega iz 23 vprašanj, ki so bila odprtega in zaprtega tipa. Začetni vpraša­nji sta se nanašali na velikost podjetja in na funkci­jo anketiranca v podjetju. V nadaljevanju so sledila vprašanja o uporabi spletne analitike v podjetju, ka­tera orodja uporabljajo, ali je le-teh več, koliko časa to orodje že uporabljajo, kaj je pripomoglo k uved-bi spletne analitike v podjetje in kdo je odgovoren zanjo. V zadnjem delu pa so anketiranci ocenjevali razloge za uvedbo spletne analitike in kako le-ti vpli­vajo na podjetje po uvedbi, ali so s spletno analitiko zadovoljni ter ali ta neposredno vpliva na učinko­vitost odločitev. Tisti, ki orodja spletne analitike ne uporabljajo, so navedli več razlogov, ki jih bomo v nadaljevanju tudi predstavili. Anketni vprašalnik je bil poslan na elektronske naslove podjetij, ki smo jih pridobili iz poslovnega imenika bizi.si. Izbirali smo elektronske naslove ti-stih podjetij, ki se po velikosti uvrščajo med mala in srednje velika podjetja. V raziskavo niso bila vključe­na mikro in velika podjetja. Anketni vprašalnik je bil posredovan 1000 podjetjem. Reprezentativnost vzor-ca smo zagotavljali z razmerjem malih in srednjih podjetij v vzorcu (1:0,85), ki je primerljivega veliko­stnega reda malih in srednjih podjetij v populaciji (1:0,29) (SURS, 2017). Podatke smo zbirali v mesecu septembru in oktobru 2017. V omenjenem času je an-ketni vprašalnik odprlo 451 anketirancev, od tega jih je 233 kliknilo na anketo. V raziskavi je sodelovalo 199 anketirancev, od tega je anketo v celoti ali delno izpolnilo 158 anketirancev. Anketiranci so bili razdeljeni v tri skupine, in sicer vrhnji management, srednji management ter ostali zaposleni v podjetju. Odgovore so podajali za­posleni, ki v podjetjih v večini spadajo v vrhnji (35 %) in srednji management (44 %), ostalih anketirancev pa je bilo 21 %. 4 ReZULTATI Najprej smo preverjali, če podjetja uporabljajo spletno analitiko. Na to vprašanje je odgovorilo 135 anketirancev. Izkazalo se je, da je več kot polovica, 86 anketirancev (64 %), takih, katerih podjetja spletne analitike ne uporabljajo, 47 anketirancev (35 %) pa je takih, katerih podjetja le-to uporabljajo. Dva anke­tiranca sta odgovorila, da so v podjetju uporabljali orodje Google Analytics, a ga ne uporabljajo več. Kot razlog za prenehanje uporabe analitičnega orodja so navedli uvedbo piškotkov, ki je pripomogla k izgubi vsebinske vrednosti podatkov, ter uporabo spletnega orodja zgolj v času oglaševanja.V nadaljevanju smo se najprej osredotočili na tiste anketirance (skupaj 86), katerih podjetja spletne ana­litike ne uporabljajo. Zanimali so nas razlogi za neu­porabo spletne analitike v podjetju. Odgovori so pri­ kazani na Sliki 1. Od teh je največ (29 %) anketirancev odgovorilo, da o uvedbi spletne analitike še niso raz­mišljali. Po velikosti jim sledi skupina anketirancev, ki ne verjame, da bi spletna analitika izboljšala uspe­šnost poslovanja podjetja (24 %), 15 % anketirancev še ni slišalo za spletno analitiko oz. ne vedo, kaj to je. Manjši del podjetij (11 %) je takih, ki so o uvedbi sple­tne analitike razmišljali, a ne vedo, kako bi se tega lotili. Enak delež (11 %) anketiranih podjetij meni, da za to nimajo usposobljenega kadra. Ostala podjetja (10 %) so navedla druge razloge (spletne analitike ne potrebujejo, za njih to izvaja zunanji izvajalec oz. je podjetje vodeno iz tujine, uporabljajo interne tabele v podjetju). Slika 1: Razlogi za neuporabo spletne analitike v podjetju (v %). V nadaljevanju smo osredotočili na podjetja, kjer spletno analitiko uporabljajo. Več kot polovica pod-jetij spletno analitiko uporablja več kot 3 leta, največ podjetij je takih, kjer spletno analitiko uporabljajo 3-5 let. Le eno podjetje izmed vseh anketiranih uporablja spletno analitiko dlje kot 10 let. Večina podjetij (68 %) uporablja zgolj eno orod­je za spletno analitiko, preostala podjetja (32 %) pa uporabljajo več orodij. Podjetja, ki uporabljajo le eno analitično orodje, v večini (96 %) uporabljajo orodje spletne analitike podjetja Google (Google Analytics ali Google Universal Analytics). Tudi pri podjetjih, kjer uporabljajo več kot eno orodje za spletno ana­litiko prednjači Google Analytics (62 %), poleg pa uporabljajo tudi Google Universal Analytics, Piwik, Adobe Analytics, Mixpanel, Yahoo!Web, Bing Web-master Tools, LiveChat in Woora. V nadaljevanju nas je zanimalo, kje so zaposleni, ki se v podjetjih ukvarjajo s spletno analitiko, prido­bili svoja znanja s področja spletne analitike. Največji delež (58 %) predstavljajo podjetja, kjer so se zapo­sleni uporabe spletne analitike priučili sami, sledijo podjetja (37 %), kjer so zaposleni znanja o spletni analitiki pridobili v okviru formalnih izobraževanj, preostala podjetja (5 %) pa imajo za to najete zuna­nje izvajalce. Preverili smo tudi, kakšne morajo biti veščine in znanja spletnih analitikov v anketiranih podjetjih. V ospredju oz. najpomembnejše so lastno­sti, ki so povezane z analitičnim pristopom: poznava­nje področja spletne analitike, reševanje problemov in poznavanje informacijskih tehnologij. Popolnoma na dnu pomembnosti pa so vedenjske lastnosti ter koordiniranje in vodenje delovnih skupin. Preverjali smo tudi vpliv uporabe spletne analiti­ke na poslovanje podjetja ter na učinkovitost odloči­tev. V večjem delu podjetij (77 %) menijo, da spletna analitika pozitivno vpliva na poslovanje podjetja, preostala podjetja pa se niso opredelila, ali spletna analitika pozitivno ali negativno vpliva na poslo­vanje podjetja. Nobeno podjetje se ni opredelilo, da spletna analitika na poslovanje vpliva negativno. V povezavi z učinkovitostjo odločitev meni večina an-ketiranih podjetij (57 %), da spletna analitika pozitiv-no vpliva na učinkovitost odločitev, preostala podje­tja pa se niso opredelila, ali spletna analitika vpliva ali ne vpliva na učinkovitost odločitev. V zadnjem delu raziskave smo preverjali še po­membnost razlogov za uvedbo spletne analitike, ki so jih imela podjetja pred uvedbo spletne analitike. Na Sliki 2 so predstavljeni razlogi od najpomembnej­šega do najmanj pomembnega (1 – sploh ni pomemb-no, 5 – zelo pomembno). Razlogi so razvrščeni po velikosti od razloga z najvišjo povprečno oceno do razloga z najnižjo povprečno oceno. Iz Slike 2 je raz­vidno, da so kot najpomembnejše razloge za uvedbo spletne analitike podjetja navedla merjenje odziva na tržno-komunikacijske dejavnosti, povečanje obiska spletne strani ter hitrejše pridobivanje in analiziranje podatkov. Ti trije razlogi edini dosegajo povprečno oceno 4,0 ali več. Med najmanj pomembne razloge so podjetja uvrstila omejitev poslovnih tveganj, reše­vanje konfliktov poslovnih interesov ter hitrejšo iz­vedbo zakonodajnih obveznosti. Slednji trije razlogi edini dosegajo povprečno oceno nižjo od 3,0. Slika 2: Pomembnost razlogov za uvedbo spletne analitike. Na koncu smo preverili še, na kaj je uvedba sple­tne analitike vplivala in v kakšnem obsegu, kar je prikazano na Sliki 3 (1 – sploh ni vplivalo, 5 – zelo vplivalo). Vplivi na razloge so razvrščeni po velikosti od vpliva na razloge z najvišjo povprečno oceno do vpliva na razloge z najnižjo povprečno oceno. Iz Sli­ke 3 je razvidno, da so kot najpomembnejši vpliv na razloge za uvedbo spletne analitike podjetja navedla merjenje odziva na tržno-komunikacijske dejavnosti, ki je tudi edini presegel povprečno oceno 4,0 ali več. Med najmanj pomembne vplive na razloge so pod-jetja uvrstila omejitev poslovnih tveganj, reševanje konfliktov poslovnih interesov ter hitrejšo izvedbo zakonodajnih obveznosti. Slednji trije vplivi na ra­ zloge edini dosegajo povprečno oceno nižjo od 3,0. Slika 3: Dejanski vpliv spletne analitike na posamezne razloge za uvedbo po uvedbi spletne analitike. DISKUSIjA Rezultati raziskave kažejo, da spletna analitika v ma-lih in srednjih podjetjih v Sloveniji še ni tako razvita, kot bi pričakovali. Anketiranci so kot razloge za ne­uporabo navedli, da nekateri o uvedbi sploh še niso razmišljali, da ne verjamejo, da bi se z uvedbo sple­tne analitike izboljšala uspešnost poslovanja podje­tja. Nekaj anketirancev za spletno analitiko sploh še ni slišalo, nekatera podjetja pa ne vedo, kako bi se tega lotila niti za to nimajo usposobljenega kadra. Marsikdo meni, da spletne analitike v podjetju sploh ne potrebujejo, nekatera podjetja pa imajo za to zu­nanje izvajalce. Na podlagi predstavljene raziskave tako glavne razloge za neuporabo spletne analitike pri podjetjih, ki so o njeni uporabi razmišljala, najde-mo v nezaupanju podjetij v spletno analitiko, takoj zatem pa sledi nepoznavanje spletne analitike bodisi na nivoju celotnega podjetja bodisi zgolj na nivoju usposobljenosti kadrov. Rezultati predstavljene raziskave kažejo, da v Slo­veniji podobno kot v svetu (Datanyze, 2019) prevla­dujeta orodji Google Analytics in njegova nadgrajena različica Google Universal Analytics. Ugotavljamo, da uporaba spletne analitike povečakonkurenčnost in uspešnost podjetja in pozitivno vpli­va na poslovanje malih in srednjih podjetij. Rezultati so pokazali, da so anketiranci uvrstili povečanje kon­kurenčnosti in uspešnosti v zgornjo polovico razlogovza uvedbo spletne analitike. Vendar pa se je izkazalo, da so bila pričakovanja pred uvedbo večja (povprečje3,7), kot pa se je izkazalo po uvedbi (3,4). Hkrati se je tudi pokazalo, da spletna analitika vpliva na odzivnost na spremembe na trgu. Raziskava je pokazala, da so bila pričakovanja pred uvedbo spletne analitike (pov­prečje 3,7) enaka kot po uvedbi (povprečje 3,7). Le peščica podjetij ima zaposlene šolane spletne analitike. Večinoma imajo podjetja zaposlene osebe, ki se poleg s svojim delom ukvarjajo še s spletno ana­litiko. Rezultati so pokazali, da delo poslovnega ana­litika v večini opravljajo priučeni zaposleni. Podjetja bi morala več investirati v njihovo izobraževanje oz. poiskati nov kader, ki je šolan na tem področju, saj priučeni zaposleni nimajo dovolj znanj, da bi imeli pregled nad celotnim poslovanjem podjetja. Pregled imajo informatiki, a imajo premalo vpogleda v vse vidike procesov niti nimajo zadostnega znanja, da bi lahko videli, kje v samem procesu nastaja doda­na vrednost za kupca, kar pa je za poslovni izid in uspeh podjetja lahko ključno. Izkazalo je se, da so bila nekatera pričakovanja od uvedbe spletne analitike tudi pri najvišje uvrščenih razlogih večja od dejanskega rezultata, vendar pa se poprečne vrednosti pričakovanj od povprečnih vre­dnosti dejanskega vpliva v teh primerih razlikujejo za največ dve desetinki ocene. V skladu z visokimi pričakovanji spletna analitika podjetjem prinaša v prvi vrsti: . boljše merjenje odziva na tržno-komunikacijske dejavnosti, . hitrejše pridobivanje in analiziranje podatkov, . povečanje obiska spletne strani,. hitrejši odziv na spremembe na trgu, . večjo prepoznavnost podjetja in. večjo preglednost in prilagodljivost. Po drugi strani pa spletna analitika najmanj vpli­va na: . omejitev poslovnih tveganj, . reševanje konfliktov poslovnih interesov in . hitrejšo izvedbo zakonodajnih obveznosti. Pred uvedbo spletne analitike v podjetje so podje­ tja pričakovala, da se bodo zmanjšali njihovi stroški, ter da bodo imeli boljšo preglednost poslovanja. Re-zultati so pokazali, da so se po uvedbi spletne anali­ tike stroški zmanjšali v skladu s pričakovanji, prav tako pa se je v skladu s pričakovanji povečala pregle­dnost poslovanja. Višja pričakovanja (razlika v povprečnih vredno­stih več kot 0,5) so bila pri:. spodbujanju inovativnosti in kreativnosti in . dodatni pomoči pri sprejemanju odločitev. Malo manjši, a še vedno pozitivni učinek po uved-bi spletne analitike pa so prinesle naslednje lastnosti: . osredotočenost na poslovne cilje,. večja prepoznavnost podjetja in. ugotavljanje želja obiskovalcev in povečanje obi- ska spletnih strani. Glede na napoved in rezultate, ki jih prinaša spletna analitika, lahko podjetje izboljša zelo veliko odločitev. Mala in srednja podjetja lahko z vključitvi­jo spletne analitike pripomorejo k večji konkurenč­nosti na trgu. 6 SKLeP V prispevku smo obravnavali uporabo spletne ana­litike med malimi in srednjimi podjetji v Sloveniji. Poslovno okolje se zelo hitro spreminja, zato je po­membno, da mala in srednja podjetja izkoristijo vse vire podatkov, ki so v danem trenutku na voljo. To lahko storijo s pomočjo spletne analitike, saj se ta uporablja za merjenje, zbiranje, analiziranje in poro- čanje o spletnih podatkih za namene razumevanja in optimizacije uporabe spleta. Na podlagi prejetih podatkov se lahko oceni in izboljša učinkovitost neke spletne strani ter poveča uspešnost poslovanja podjetja. Rezultati raziskave kažejo, da je med malimi in srednjimi podjetji v Sloveniji še veliko takih, ki sple­tne analitike zaradi različnih razlogov ne uporablja­jo. Med podjetji, ki spletno analitiko uporabljajo, pa se pričakovanja, ki jih podjetja od uvedbe spletne analitike imajo, pogosto skladajo z dejanskimi učinki spletne analitike. Večinoma imajo podjetja zaposle­ne osebe, ki se poleg s svojim delom ukvarjajo še s spletno analitiko. Izkazalo je se, da so bila nekatera pričakovanja od uvedbe spletne analitike večja od dejanskih rezultatov. Menimo, da bi z uvedbo spletne analitike mala in srednja podjetja potencialno povečala svojo rast. To bi lahko dosegla na podlagi novih znanj, tehno­logije in usposobljenega kadra. Vsekakor pa morajo biti pripravljena tudi na izzive, s katerimi se bodo ob uvedbi spletne analitike srečevala. Na podlagi raziskave ocenjujemo, da so za mala in srednja podjetja v prihodnosti ključni izzivi v iz­obraževanju in usposabljanju kadrov, osredotočanju na digitalizacijo poslovanja, uporabi tržnih orodij in uporabi orodij spletne analitike. LITeRATURA [1] Alghalith, N. (2015) Web Analytics: Enhancing Customer Re­lationship Management. Journal of Strategic Innovation and Sustainability, 10(2), 11-17. [2] Burby, J., Brown, A., & WAA Standards Committee. (2007). Web analytics definitions. Washington DC: Web Analytics As­sociation. [3] Chen, H., Chiang, R. H. L. & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165-1188. [4] Datanyze (2019). Web analytics market share. Pridobljeno 12.7.2019 na https://www.datanyze.com/market-share/web­-analytics [5] Doruk, S., Ozturk, M. & Vayvay, O. (2016). An Overview of Big Data for Growth in SMEs. Procedia-Social and Behavioral Sciences, 235, 159-167. [6] Goebel, R., Norman, A. & Karanasios, S. (2015). Exploring the Value of Business Analytics Solutions for SMEs. UK Academy for Information Systems, 22, 1-31. [7] Hemann, C. & Burbary, K. (2013). Digital Marketing Analytics: Making Sense of Customer Data in a Digitial World. Pearson Education. [8] Kent, M. L., Carr, B. J., Husted R. A. & Pop R. A. (2011). Le­arning web analytics: A tool for strategic communicationons. Public Relations Review, 37, 536-543. [9] Loukis, E., Pazalos, K. & Salagara, A. (2012). Transforming e-services evaluation data into business analytics using value models. Electronic Commerce Research and Applications, 11(2), 129-141. [10] Mortenson, M. J., Doherty, N. F. & Robinson, S. (2015). Ope­rational research from taylorism to terabytes: A research agenda for the analytics age. European Journal of Operatio­nal Research, 241, 583–595. [11] Nakatani, K. & Chaung, T. (2011). A web analytics tool selec­tion method: an analytical hierarchy process approach. Inter­net Research, 21(2), 171-186. [12] Omidvar, M. A., Mirabi, V. R. & Shokry, N. (2011). Analyzing the impact of visitors on page view with Google Analytics. International Journal of Web & Semantic Technology, 2(1), 14-32. [13] Peterson, E. T. (2004). Web Analytics Demystified: A Marketer‘s Guide to Understanding how Your Web Site Af­fects Your Business. Ingram. [14] Ramaswamy, M. (2016) Leveraging information technology for small and medium scale enterprises. Issues in Information Systems, 17(3), 31-38. [15] Statistični urad Republike Slovenije. Podjetja, Slovenija, 2017. • eva grobiša je diplomirala na Ekonomski fakulteti Univerze v Ljubljani, smer javni sektor. Nekaj let kasneje pa na isti fakulteti tudi magistrirala, smer poslovna logistika. Šestnajst let je bila aktivna športnica in v času študija zastopala Ekonomsko fakulteto na številnih košarkarskih tekmo­vanjih. Trenutno je zaposlena na Mestni občini Ljubljana na Oddelku za varstvo okolja. • jure erjavec je docent na Ekonomski fakulteti Univerze v Ljubljani, kjer poučuje predmete s področja poslovne informatike, poslovne logistike in managementa oskrbnih verig ter je vodja podiplomskega študijskega programa Poslovna logistika. Raziskovalno se ukvarja s področji digitalne preobrazbe in managementa oskrbnih verig. Svoje raziskovalno delo je med drugim objavil v International Journal of Production Economics, International Journal of Production Research, Applied Ergonomics in drugih uglednih mednarodnih revijah. Sodeluje in vodi različne svetovalne projekte, nazadnje na področjih upravljanja poslovnih procesov, poslovne analitike in prevzemanja tehnologij. O konferenci Dnevi slovenske informatike 2020 Konferenca Dnevi slovenske informatike je vsakoletno strokovno srečanje informatikov, uporabnikov ter ponudni­kov naprav in storitev že od leta 1994. S konferenco želimo omogočiti pregled dosežkov slovenske informatike, se seznaniti s pomenom informatike na vseh področjih ter povezati gospodarstvo, javni sektor in znanstveno-izobraže­valne ustanove. Konferenca DSI 2020 bo potekala v Portorožu, Hotel Bernardin v dneh od 21. do 22. aprila 2020. 20. aprila 2020 bo predkonferenčni dogodek , ki bo še posebej posvečen odločevalcem (izvršni direktorji (CEO) in vodje informatike (CIO)), njihovemu informiranju in mreženju. Vzpodbujamo tudi ustvarjalno mreženje med odločevalci, uporabniki in strokovnjaki s področja informacijske tehnologije. Za rdečo nit konference smo izbrali aktualno področje »Umetna inteligenca – korak k večji uspešnosti«. Njen cilj je predstaviti udeležencem umetno inteligenco kot novo sredstvo za povečanje uspešnosti v vseh dejavnostih tako v zasebnem kot v javnem sektorju. Cilj konference je vzpostaviti vrhunsko prizorišče za informatike, odločevalce, uporabnike, raziskovalce in strokovn­jake iz gospodarstva za izmenjavo novih idej, dosežkov, dobrih praks, rezultatov raziskav in razvojnih izkušenj na različnih področjih računalništva in informatike Namen konference je združiti tako mlade kot tudi izkušene znanstvenike, strokovnjake, inštruktorje, nevladne orga­nizacije in predstavnike zasebnega sektorja, da bi izmenjali in razpravljali o teoretičnih in praktičnih vidikih IKT. Poleg vrhunskih predstavitev prispevkov je konferenca tudi platforma za razpravljanje o aktualnih vprašanjih in inovativnih tehnologijah. Kaj lahko od konference pričakujemo: odlične zamisli, prikaz novih pristopov k reševanju aktualnih problemov, usmerjeno mreženje. Konferenca zagotavlja prosto in odprto vzdušje, kjer udeleženci izmenjujejo izkušnje in infor­macije, se spoznavajo in se ukvarjajo z ustvarjalnostjo. Na voljo bodo: • predavanja strokovnjakov iz gospodarstva o stanju dosežkih informatike v njihovih okoljih • razvojno naravnana predavanja, ki bodo navdihovala in informirala • predstavitve inovativnih raziskovalcev in praktikov • diskusijsko usmerjene sekcije in odmori za mreženje, ki bodo priložnost za poglabljanje poznanstev in sklepanje novih vzpodbujali sodelovanja V okviru rdeče niti se bomo na konferenci ukvarjali poleg že ustaljenih vsebin z zanimivimi novimi temami oziro- ma trendi informatike: • prenosljivost rešitev • primeri dobrih praks • problemi in rešitve interoperabilnosti • inovativne rešitve • računalništvo v oblaku • masivni podatki • upravne in komercialne e-storitve • standardi in poenotenje razvojnega in uporabniške­ga okolja • tehnologija – naprave, komunikacije • razvojne metodologije • vse na internetu (IoT) • mobilno računalništvo • izkušnje uporabnikov • oddajanje del in zasebno-javno partnerstvo • primerjava nacionalnih dosežkov z evropskimi in sve­tovnimi • predstavitev načrtovanih ali realiziranih projektov • aktualni problemi informatike • sodelovanje javnega in zasebnega sektorja • informatika v dejavnostih • informatika v javnem sektorju • mobilne rešitve • organizacija in upravljanje informatike • masivni podatki • obrobno računalništvo • digitalna etika in zasebnost • obogatena analitika • razvoj, voden z umetno inteligenco • pametni prostori • avtonomne stvari (agenti, naprave, vozila) • digitalni dvojčki • potopne tehnologije • digitalna orodja in pristopi • digitalna preobrazba Spremljajoči dogodek konference bosta praktični delavnici, posvečeni primerom dobre prakse s področja imple­mentacije metod umetne inteligence. Če ste se vprašali, zakaj bi se konference udeležili, vam ponujamo nekaj razlogov: srečali in spoznali boste zanimive ljudi, s katerimi si morebiti želite poslovati in katerih izkušnje bi vam lahko koristile; slišali boste, kako so probleme, ki jih imate mogoče tudi vi, rešili drugi; mogoče boste lahko rešitev, ki se je že obnesla, uporabili tudi sami. Mogoče bodo predavatelji spodbudili razmislek, ali lahko isto delate drugače, bolje; ali lahko delate kaj drugega enako ali celo bolj uspešno. Prepričani smo, da bo čas, ki ga boste prebili na konferenci, dobra investicija. Vabljeni! Slovensko društvo INFORMATIKA Slovenija na poti digitalne preobrazbe Pred natanko letom dni smo v reviji Uporabna in-formatika predstavili knjigo »Slovenija na poti digi­talne preobrazbe«, ki je izšla v založbi ULFRI, 2018. Avtorji knjige so Cene Bavec, Andrej Kovačič, Marjan Krisper, Vladislav Rajkovič in Mirko Vintar. Knjiga je sestavljena iz petih poglavij, ki se medsebojno smi­selno navezujejo in vzajemno naslavljajo. Osnovna želja avtorjev je bila, da opozorijo na družbene, eko­nomske in politične izzive, ki jih digitalizacija prina­ša. Knjiga je tako nujno branje za vsakogar, ki lahko kakor koli prispeva k uvajanju digitalne preobrazbe v našo družbo. S hitrim vstopanjem v digitalizirani svet se so pred nami spremembe, ki jim včasih sicer težko sledimo, vendar se jim moramo vsaj prilagaja-ti. Pri tem srečujemo različne ovire in lahko naletimo na različne napake, ki se jim želimo izogniti. Izziv lahko najdemo tudi v inovativnem uvajanju, ki pa mora biti usklajeno z drugimi podsistemi. Knjiga zaokroženo in kritično predstavlja slabosti sedanje­ga okolja in nakazuje verjetno prihodnost in nujnost digitalne preobrazbe, ki se ji ne moremo in niti ne smemo izogniti. Vsekakor bi jo morali prebrati vsi, ki bodo lahko tako ali drugače vplivali na spremembe, ki so pred nami. V naslednjih številkah so e nekateri od avtorjev še sami predstavili dele svojih poglavij. Omenimo naj prispevek Andreja Kovačiča v 1. številki revije v letu 2019, v katerem obravnava vprašanje, ali so sloven-ska podjetja pripravljena na digitalizacijo poslovanja. V drugi številki revije zasledimo prispevek Cene­ta Bavca, ki govori o tem, ali Slovenija 4.0 le želja ali dosegljiv cilj. Dejansko ta prispevek temelji na uvo­dnem predavanju avtorja na konferenci »Dnevi Slo­venske Informatike 2019«. To serijo prispevkov zaokrožuje v 3. številki revije članek »Analiza digitalne preobrazbe Slovenije v EU okolju« istega avtorja. Tako izkoriščamo četrto številko revije za infor­miranje bralcev, da je knjiga da je sedaj knjiga avtor­jev Bavec, C., Kovačič, A., Krisper, M., Rajkovič, V., Vintar, M., z naslovom “Slovenija na poti digitalne preobrazbe” na voljo brezplačno v elektronski obliki na naslovu http://zalozba.fri.uni-lj.si/bavec2019.pdf Prijetno in razmišljajoče branje Saša Divjak . Iz Islovarja Islovar je spletni terminološki slovar informatike, ki ga objavlja jezikovna sekcija Slovenskega društva IN­FORMATIKA in ga najdete na naslovu http://www.islovar.org. Tokrat objavljamo izbor izrazov iz zbirke »vmesnik«. Vabimo vas, da tudi vi prispevate svoje pripombe, predloge ali nove izraze.. besedílni uporábniški vmésnik -ega -ega -a m (angl. text user interface, textual user interface, text terminal user interface, TUI) uporabniški vmesnik, ki za interakcijo med človekom in računalnikom uporablja besedilo glasôvni uporábniški vmésnik -ega -ega -a m (angl. voice user interface) uporabniški vmesnik, ki za interakcijo med človekom in računalnikom uporablja glas oz. govor gráfični uporábniški vmésnik -ega -ega -a m (angl. graphical user interface, GUI) uporabniški vmesnik, pri katerem uporabnik za interakcijo z računalnikom izbira s klikom in/ ali premikanjem gradnikov1 na zaslonu (1); sin. slikovni uporabniški vmesnik; prim. WIMP možgánski računálniški vmésnik -ega -ega -a m (angl. brain-machine interface, neural-control interface, NCI, mind-machine interface, MMI, direct neural interface, DNI, BMI) vmesnik, ki prevaja možganske signale v računalniku razumljive signale; prim. BCI neposrédno rokovánje -ega -a s (angl. direct manipulation) upravljanje z objekti v uporabniškem vmesniku, ki posnema rokovanje iz realnega sveta in omogoča sprotno povratno informacijo, npr. premikanje datotek, večanje velikosti oken.; prim. vmesnik z neposrednim rokovanjem nevrónski vmésnik -ega -a m (angl. direct neural interface) vmesnik, ki prevaja nevronske signale v računalniku razumljive signale oprijemljívi uporábniški vmésnik -ega -ega -a m (angl. tangible user interface, TUI) uporabniški vmesnik, ki predstavi podatke in informacije z otipljivimi predmeti in omogoča interakcijo z njimi skni prehni vmésnik -ega -ega -a m (angl. common gateway interface, CGI) standardizirani protokol za komunikacijo (1) strežnika (2) z uporabniško programsko opremo, npr. za izvedbo dinamične spletne strani slikni uporábniški vmésnik -ega -ega -a m(angl. graphical user interface, GUI) uporabniški vmesnik, pri katerem uporabnik za interakcijo z računalnikom izbira s klikom in/ ali premikanjem gradnikov1 na zaslonu (1); sin. grafični uporabniški vmesnik; prim.WIMP splétni vmésnik -ega -a m (angl. web interface) vmesnik za prikaz spletnih strani in uporabo spletnih storitev uporábniški vmésnik -ega -a m (angl. user interface) vmesnik, ki omogoča interakcijo med človekom in računalnikom vmésnik -a m (angl. interface) del sistema, ki omogoča interakcijo med programi, napravami vmésnik z neposrédnim rokovánjem -a -- -- -- m (angl. direct manipulation interface) uporabniški vmesnik, ki omogoča neposredno vmesnik, ki omogoča upravljanje in nadzor rokovanje z objekti in sprotno povratno strežnikov neodvisno od njihovih operacijskih informacijo sistemov in strojne opreme vmésnik za uprávljanje računálniškega okólja -a -- -- -- --m (angl. intelligent platform management interface, IPMI) VËlanite se v Slovensko dru.tvo INFORMATIKA Pristopnaizjava zaËlanstvovSlovenskemdru.tvuINFORMATIKA DDV je vkljuËen v Ëlanarino. NaroËilnicana revijo UPORABNA INFORMATIKA NaroËnina zna.a: 35,00 € za fiziËne osebe 85,00 € za pravne osebe ‡ prvi izvod 60,00 € za pravne osebe ‡ vsak naslednji izvod 15,00 € za .tudente in seniorje (ob predloaitvi dokazila o statusu) DDV je vkljuËen v naroËnino. Znanstveni prispevki Živa Rant, Dalibor Stanimirović: AnAlysis of e-HeAltH solutions in sloveniA: A usAge perspectiv Marjeta Marolt, Andreja Pucihar: uporAbA družbeniH medijev ZA uprAvljAnje odnosov s strAnkAmi v slovenskiH mikro, mAliH in srednje velikiH podjetjiH kratki znanstveni prispevki Manca Žerovnik Mekuč, Ciril Bohak, Rok Romih, Samo Hudoklin, Matija Marolt: AvtomAtskA segmentAcijA celičniH predelkov v volumetričniH podAtkiH, pridobljeniH Z elektronskim mikroskopom Bojan Klemenc, Franc Solina: niZkodimenZionAlni model tonskegA prostorA Sandi Gec, Dejan Lavbič, Vlado Stankovski: do lAHkiH pAmetniH pogodb s pAmetnimi preroki Matija Rezar, Fabio Ricciato: kAko poZnAvAnje čAsA odHodA signAlA vplivA nA lokAliZAcijo Z uporAbo čAsA priHodA signAlA? strokovni prispevki Eva Grobiša, Jure Erjavec: AnAliZA uporAbe spletne AnAlitike v mAliH in srednjiH podjetjiH v sloveniji informacije okonferenci dnevi slovenske informAtike 2020 slovenijA nA poti digitAlne preobrAZbe iZ islovArjA