Post on 29-Aug-2019
PRIJEDLOG STANDARDA
ZANIMANJA ZA
ZANIMANJE
PODATKOVNI
INŽENJER/PODATKOVNA
INŽENJERKA
Obrazac HKO_SZ
ZAHTJEV ZA UPIS STANDARDA ZANIMANJA
A. OPĆI PODATCI I DOKAZ UTEMELJENOSTI PRIJEDLOGA
Naziv i ime predlagatelja Sveučilište u Zagrebu Prirodoslovno-matematički fakultet
Adresa predlagatelja
Horvatovac 102 a
10000 Zagreb
Općina / Županija Grad Zagreb
Ime i prezime odgovorne
osobe
Prof. dr. sc. Aleksandra Čižmešija (dekanica za razdoblje od 01.10.2016. do
30.09.2018.)
Matični broj 03270149
OIB 28163265527
Opis glavne djelatnosti
predlagatelja
U skladu s člankom 4. Statuta Prirodoslovno-matematičkog fakulteta
Sveučilišta u Zagrebu, djelatnosti Fakulteta su:
ustrojavanje i izvođenje sveučilišnih studija matematike, fizike,
kemije, biologije, geologije, geografije, geofizike i računarstva
znanstveno-istraživačka djelatnost
izrada znanstvenih i stručnih projekata, tehničke dokumentacije,
analiza, atesta i ekspertiza
stručni poslovi zaštite okoliša
stručna ekspertiza, standardizacija mjernih postupaka, mjerenja i
kontrola kvalitete
knjižnična djelatnost za znanstvene i nastavne potrebe matematike,
fizike, kemije, biologije, geologije, geografije i geofizike
ustrojavanje i provođenje različitih oblika stalnog ili povremenog
usavršavanja studenata odnosno polaznika
uzgoj laboratorijskih, te držanje pokusnih i divljih životinja, biljaka
i gljiva, biljnih i životinjskih staničnih kultura, te kultura
mikroorganizama
obavljanje pokusa nad životinjama u svrhu nastavnog i
znanstvenoistraživačkog rada
organiziranje i održavanje znanstvenih i stručnih skupova,
organiziranje i održavanje radionica, stručne prakse, simpozija i
seminara koji su u službi osnovne djelatnosti Fakulteta
izdavačka i informatička djelatnost za potrebe nastave, te
znanstvenog i stručnog rada
prodaja udžbenika i ostalih tiskanih materijala potrebnih za
obavljanje djelatnosti Fakulteta
obavljanje vještačenja za odgovarajuće djelatnosti iz matematike,
fizike, kemije, biologije, geologije, geografije, geofizike i
računarstva
pružanje usluga trgovačkim društvima i drugim organizacijama
kada to služi razvoju osnovne djelatnosti i racionalnijem korištenju
prostora i opreme
obrazovanje odraslih i cjeloživotno obrazovanje iz matematike,
fizike, kemije, biologije, geologije, geografije, geofizike i
računarstva,
izvođenje stručnih studija i poduka iz matematike, fizike, kemije,
biologije, geologije, geografije, geofizike i računarstva
prodaja bilja nastalih u obavljanju djelatnosti.
Fakultet može obavljati i druge djelatnosti ako iste služe osnovnoj
djelatnosti i pridonose potpunijem iskorištenju prostornih i kadrovskih
kapaciteta Fakulteta.
Šifra djelatnosti 8542
Godina 2013. 2014. 2015.
Prosječan broj
zaposlenih 700 700 700
Ukupan prihod, mil.
kuna 164 158 156
Oblik vlasništva
(većinski) javna ustanova
NAZIV STANDARDA ZANIMANJA I IZBOR SEKTORSKOG VIJEĆA
Prijedlog naziva
standarda zanimanja Podatkovni inženjer/podatkovna inženjerka
Naziv i šifra postojećeg
standarda zanimanja
(ako postoji)
-
Naziv i šifra zanimanja
ili srodnog zanimanja iz
Nacionalne klasifikacije
zanimanja
NKZ-10 skupine zanimanja:
251 stručnjaci/stručnjakinje za razvoj i analizu programske podrške i
aplikacija
252 stručnjaci/stručnjakinje za baze podataka i računalne mreže
NKZ-98 skupine zanimanja:
2131 diplomirani projektanti/projektantice računalnih sustava, sustavni
inženjeri/sustavne inženjerke i programeri/programerke
2139 diplomirani računalni stručnjaci/diplomirane računalne stručnjakinje
Naziv sektorskog vijeća
kojemu je zahtjev
upućen
Izbor 1 –
Izbor 2 –
Izbor 1 – 7. Elektrotehnika i računarstvo
Izbor 2 – 15. Matematika, fizika, geografija, geofizika, kemija, biologija
DOKAZ UTEMELJENOSTI PRIJEDLOGA STANDARDA ZANIMANJA
STRATEŠKA UTEMELJENOST
Naziv strateškog
dokumenta iz kojeg je
razvidna potreba za
novim standardom
Strategija pametne specijalizacije Republike Hrvatske za razdoblje od
2016. do 2020. godine i Akcijski plan za provedbu Strategije pametne
specijalizacije Republike Hrvatske za razdoblje od 2016. do 2017. godine
zanimanja (NN 32/2016)
Strategija obrazovanja, znanosti i tehnologije (NN 124/2014)
Industrijska strategija Republike Hrvatske 2014.-2020. (NN 126/2014)
Strategija razvoja poduzetništva Republike Hrvatske 2013.-2020. (NN
136/2013)
Strategija poticanja inovacija Republike Hrvatske 2014.-2020. (NN
153/2014)
Prijedlog Strategije e-Hrvatska 2020
(http://europski-fondovi.eu/sites/default/files/dokumenti/Strategija%20e-
Hrvatska%202020.%20(20.01.2016.).pdf )
Priopćenje Komisije Europa 2020. Europska strategija za pametan, održiv i
uključiv rast. COM (2010) 2020 final
(http://www.mingo.hr/public/trgovina/Europa_2020_HR.pdf)
Komunikacija Komisije Europskom parlamentu, Vijeću, Europskom
gospodarskom i socijalnom odboru regija. Digitalna agenda za Europu.
COM (2010) 245
(http://ec.europa.eu/europe2020/pdf/digital-agenda-communication-en.pdf)
Komunikacija Komisije Europskom parlamentu, Vijeću, Europskom
gospodarskom i socijalnom odboru i Odboru regija. Strategija jedinstvenog
digitalnog tržišta za Europu. COM (2015) 192 final
(http://eur-lex.europa.eu/legal-
content/HR/TXT/PDF/?uri=CELEX:52015DC0192&from=EN)
Dodatni dokumenti koji
su relevantni za
utvrđivanje
utemeljenosti prijedloga
Operativni program učinkoviti ljudski potencijali 2014.-2020.
(http://www.eu-projekti.info/eu/wp-content/uploads/2015/03/OPULJP-hr-
20150213.pdf)
Operativni program konkurentnost i kohezija 2014.-2020.
(http://www.strukturnifondovi.hr/UserDocsImages/Documents/01%20OPK
K%202014-2020%20hrv%2027112014.pdf)
Strateške smjernice za razvoj ICT sektora 2013. – 2020.
(http://www.aik-invest.hr/wp-content/uploads/2014/09/HKK_ICT-
strate%C5%A1ke_smjernice.pdf)
Svjetski ekonomski forum (2016) Budućnost radnih mjesta: zapošljavanje,
vještine i strategija radne snage za četvrtu industrijsku revoluciju.
(http://www3.weforum.org/docs/WEF_Future_of_Jobs.pdf)
Opis relevantnosti
standarda zanimanja na
temelju odabranih
strateških dokumenata
Na nacionalnoj razini Strategija pametne specijalizacije Republike Hrvatske
za razdoblje od 2016. do 2020. godine (u daljnjem tekstu: Strategija
pametne specijalizacije) prepoznaje kako jaz u IKT vještinama između
Republike Hrvatske i Europske unije ima negativan učinak na sudjelovanje
Republike Hrvatske u e-trgovini, e-vladi i općenito e-praksi. S druge strane,
IKT sektor prepoznaje se kao glavni izvor produktivnosti u posljednjim
desetljećima, s predviđenom stopom rasta od 10% godišnje. Informacijske i
komunikacijske tehnologije (IKT) izabrane su za jednu od dvije
horizontalne teme Strategije pametne specijalizacije. U okviru IKT-a
posebno se navodi rad s povezanim i otvorenim bazama podataka te
upravljanje velikim bazama podataka (eng. big data management), a među
izdvojenim podpodručjima (PTPP) su internet stvari (eng. Internet of
Things) i velike količine podataka (eng. big data) za koje je prijedlog
standarda zanimanja podatkovnog inženjera/podatkovne inženjerke
neposredno relevantan.
Strategija obrazovanja, znanosti i tehnologije navodi da više od 10%
svjetskog BDP-a ovisi o informacijskoj i komunikacijskoj tehnologiji te
među strateškim područjima navodi računarstvo u oblaku (eng. cloud
computing) s velikim mogućnostima obrade podataka, za što je zanimanje
podatkovnog inženjera/podatkovne inženjerke direktno relevantno.
Industrijska strategija Republike Hrvatske 2014.-2020. (dalje: Industrijska
strategija) u analizi sektora Informacije i komunikacije navodi manjak
obrazovane radne snage kao jedan od čimbenika koji utječu na razvoj ovog
sektora koji ima veliki izvozni potencijal. Posebno se ističe potencijal rasta
i zapošljavanja poddjelatnosti Računalno programiranje, savjetovanje i
djelatnosti povezane s njima, u koji pripada i predloženo zanimanje.Ta je
poddjelatnost u Industrijskoj strategiji uvrštena među strateške djelatnosti u
Republici Hrvatskoj.
Strategija razvoja poduzetništva Republike Hrvatske 2013.-2020. navodi da
je stopa zaposlenosti u znanjem intenzivnim djelatnostima u Hrvatskoj niža
od te stope u EU (28,6% u odnosu na 35,3%). Unatoč tome, ukupni
doprinos IKT djelatnosti te stručnih, znanstvenih i tehničkih djelatnosti
izvozu usluga malog i srednjeg poduzetništva (eng. SME) je 24%. Stoga se
predviđa mjera promicanja usvajanja i uporabe IKT i potpora ulaganja u
digitalnu tehnologiju.
Strategija poticanja inovacija Republike Hrvatske 2014.-2020. prepoznaje
da je korištenje IKT nužno za buduću konkurentnost hrvatskog
gospodarstva te da će se poslovanje suočiti sa sve većom nestašicom IKT
stručnjaka.
Prijedlog Strategije e-Hrvatska 2020 navodi da “Ljudski potencijali imaju
važan utjecaj na provedbu Strategije, a naročitu važnost imaju one osobe
koje rade u području IKT-a. Sustavno će se ulagati u stručni kadar …”.
Hrvatski Klaster konkurentnosti ICT sektora usvojio je Strateške smjernice
za razvoj ICT sektora 2013. – 2020. U smjernicama se među šest
prioritetnih područja izdvaja jačanje ljudskih resursa za razvoj i primjenu
IKT. Smatra se da će usmjeravanje mladih prema IKT zanimanjima
djelovati na povećanje stope zaposlenosti i povećanje produktivnosti
hrvatske ekonomije. Jedna od predviđenih mjera u prioritetnom području
razvoja ljudskih resursa za razvoj i primjenu IKT jest osiguranje bolje
sinkronizacije ponude i potražnje na tržištu rada. Razvoj relevantnih
standarda zanimanja kao što je podatkovni inženjer/podatkovna inženjerka
neposredno prodonosi toj sinkronizaciji.
Operativni program učinkoviti ljudski potencijali 2014.-2020. izdvaja IT
sektor kao jedan od onih u kojima je i u razdoblju krize ostvaren rast
zaposlenosti. Stoga se planira ulaganje sredstava Europskog socijalnog
fonda (ESF) za veći pristup/stopu završnosti obrazovanja u područjima
STEM (eng. Science, Technology, Engineering and Mathematics) i IKT-a.
Na razini Europske unije, Strategija Europa 2020 prepoznaje IKT sektor
kao jedan od najpropulzivnijih sektora gospodarstva i među predvodničke
inicijative uvrštava inicijativu Digitalna agenda za Europu.
Operativni program konkurentnost i kohezija 2014.-2020. navodi da će
Hrvatska nastojati provesti ambiciozne ciljeve Strategije Europa 2020 i
Digitalne agende za Europu te ističe potrebu provođenja mjera za
poboljšanje digitalnih vještina.
SEKTORSKA UTEMELJENOST
Profil sektora
Zanimanje podatkovnog inženjera/podatkovne inženjerke jedno je od
zanimanja vezanih uz djelatnost 62 Računalno programiranje, savjetovanje
i djelatnosti povezane s njima. Ta je djelatnost transverzalna, tj. zastupljena
je u svim sektorima, no najzastupljenija je u sektorima 7. Elektrotehnika i
računarstvo (udio sektora u ukupnoj djelatnosti je 58,9%), 9. Ekonomija i
trgovina (udio sektora u ukupnoj djelatnosti je 17,5%), 19. Pravo,
politologija, sociologija, državna uprava i javni poslovi (udio sektora u
ukupnoj djelatnosti je 7,0%) i 18. Informacije i komunikacije (udio sektora
u ukupnoj djelatnosti iznosi 6,1%). Profili sektora za ove sektore nisu
izrađeni, a za prikaz utemeljenosti standarda zanimanja korišten je HKO
portal. Sektorska utemeljenost standarda zanimanja temelji se na analizi
podsektora Računarstvo (udio podsektora u djelatnosti iznosi 41,7%) u
okviru sektora 7. Elektrotehnika i računarstvo.
Prikaz utemeljenosti
standarda zanimanja na
Profilu sektora
Zanimanje podatkovni inženjer/podatkovna inženjerka ne postoji u
klasifikaciji zanimanja, ali je po opisu glavnih poslova i zadataka te
potrebnih kompetencija srodno nizu postojećih zanimanja. Po Nacionalnoj
klasifikaciji zanimanja 1998 koja se koristi na HKO portalu, ovo zanimanje
srodno je skupinama zanimanja 2131 Diplomirani projektanti računalnih
sustava, sustavni inženjeri i programeri i 2139 Diplomirani računalni
stručnjaci d.n., a po Nacionalnoj klasifikaciji zanimanja 2010 zanimanje je
srodno zanimanjima u podvrstama 251 Stručnjaci/stručnjakinje za razvoj i
analizu programske podrške i aplikacija i 252 Stručnjaci/stručnjakinje za
baze podataka i računalne mreže, skupinama 2521 Stručnjaci/stručnjakinje
za razvoj baza podataka i 2522 Administratori sustava/administratorice
sustava. Ova će se zanimanja koristiti za prikaz važnosti zanimanja za
podsektor.
Valja napomenuti da je u podsektoru Računarstvo ciklus usvajanja novih
tehnologija i posljedičnih promjena u opisu radnih mjesta izuzetno
dinamičan te je klasifikacija zanimanja iz 1998. koja se koristi na HKO
portalu već sada neprimjerena. S druge strane, u hrvatskom gospodarstvu
dominiraju male i srednje tvrtke u kojima u pravilu nije moguće provesti
visoku specijalizaciju radnih mjesta. To znači da realna radna mjesta, bez
obzira na klasifikaciju koja je specificirana u svrhu statističkog
izvještavanja, u stvarnosti mogu biti popunjena zaposlenicima koji imaju
razna srodna zanimanja iz nacionalne klasifikacije. Zato nema smisla
provoditi analizu na razini pojedinih zanimanja, nego na razini skupina.
Podsektor Računarstvo zapošljava 26.735 osoba (3,79% svih zaposlenih).
Stopa nezaposlenosti u podsektoru iznosi 10,2%, što je za 3,6 postotnih
bodova manje od ukupne stope nezaposlenosti u Republici Hrvatskoj.
Muškarci čine 66,1% radne snage u podsektoru, ali je stopa nezaposlenosti
žena (8,2%) manja od stope nezaposlenosti muškaraca (11,3%), što ukazuje
da bi se uzroci ovog disbalansa mogli prije potražiti u individualnom izboru
zanimanja, nego u potencijalnoj diskriminaciji pri zapošljavanju. Skupine
zanimanja 2131 i 2139 čine zajedno 19,3% svih zaposlenih u podsektoru.
Stopa nezaposlenosti ovih dviju skupina zanimanja još je niža od one u
podsektoru i iznosi 5,2%, a za skupinu 2139 samo 0,3%. Podsektor
Računarstvo broji ukupno 34 zanimanja u rodovima 1 i 2, od toga su 24
zanimanja u podskupinama 2131 (22 zanimanja) i 2139 (2 zanimanja).
U obrazovnoj ponudi je 14 studijskih programa na diplomskoj razini koji
samo djelomično mogu zadovoljiti potrebe predloženog zanimanja. U akad.
god. 2012./2013., za koju su dostupni podaci na HKO portalu, ti su studijski
programi upisali ukupno 1843 studenta.
Disperzija podsektorskih zanimanja po djelatnostima vrlo je velika te 472
djelatnosti (79% svih djelatnosti) zapošljava sektorska zanimanja. Za
podsektor je najznačajnija djelatnost 62 Računalno programiranje,
savjetovanje i djelatnosti povezane s njima. Od 2000. do 2014. godine broj
zaposlenih u ovoj je djelatnosti kontinuirano rastao s prosječnom godišnjom
stopom rasta zapošljavanja od 10,0%.
Druga po udjelu zaposlenih je djelatnost 63 Informacijske uslužne
djelatnosti. I ova je djelatnost u razdoblju od 2000. do 2014. godine imala
kontinuirani rast zapošljavanja, uz prosječnu godišnju stopu rasta 4,2%.
Rast zapošljavanja u ovim djelatnostima prikazan je grafom:
Dobna struktura zaposlenih u zanimanjima roda 2 podsektora Računarstvo
prikazana je na sljedećoj slici:
Uočljiva je veća zastupljenost mlađih dobnih skupina (25 do 34 godine
starosti) koje čine nešto više od 40% zaposlenih i kod muškaraca i kod
žena. Takva dobna struktura posljedica je ubrzanog rasta sektora i rasta
zapošljavanja u posljednjih 10 godina. Ovaj je trend prisutan i u svijetu i ne
pokazuje znakove usporavanja. Izvještaj Svjetskog ekonomskog foruma
Budućnost radnih mjesta: zapošljavanje, vještine i strategija radne snage
za četvrtu industrijsku revoluciju iz siječnja 2016. godine navodi napredak
u računalnoj snazi i velikim podacima, internet stvari te umjetnu
inteligenciju među najznačajnijim tehnološkim pokretačima promjena.
Utjecaj ovih tehnologija očekuje se već u razdoblju od 2015. do 2017.
godine, ali će biti još izraženiji u razdoblju od 2018. do 2020. godine. Na
svjetskoj razini već se osjeća, a bit će još izraženija povećana potražnja za
radnom snagom s računalnim i matematičkim kompetencijama, s
naglaskom na analizu podataka.
ANALITIČKA UTEMELJENOST
Prikazati analitičku
relevantnost predloženog
standarda zanimanja
Nacionalna klasifikacija zanimanja ni u verziji 1998 niti u verziji 2010 ne
sadrži zanimanje podatkovnog inženjera/podatkovne inženjerke. Provedene
ankete s poslodavcima pokazale su da se ovo zanimanje pojavljuje pod
raznim nazivima radnih mjesta i u klasifikaciji zanimanja na HKO portalu
najbliža su mu zanimanja iz skupina 2131 i 2139. Kretanje stope
nezaposlenosti za ove dvije skupine zanimanja od 2014. godine prikazano
je na grafu:
Stopa nezaposlenosti pokazuje kontinuirani pad od siječnja 2014. godine, s
prosječnom mjesečnom stopom pada nezaposlenosti od 3,24%. Pritom broj
zaposlenih u tim skupinama pokazuje kontinuirani rast u istom razdoblju, s
prosječnom mjesečnom stopom rasta broja zaposlenih od 2,16%, što
odgovara godišnjoj stopi rasta broja zaposlenih od 29,2%. Rast broja
zaposlenih u ovim skupinama zanimanja najbolje je vidljiv na slici:
Opisati utemeljenost
standarda zanimanja na
temelju odabranih
pokazatelja tržišta rada
Kretanje broja zaposlenih i stope nezaposlenosti u podsektoru Računarstvo,
kao i u relevantnim skupinama zanimanja ukazuju na snažnu potražnju za
radnom snagom s kvalifikacijama razine 7 HKO-a (rod zanimanja 2), a
globalna izvješća predviđaju jačanje tog trenda. Strateški dokumenti na
nacionalnoj i europskoj razini naglašavaju važnost primjene informacijske i
komunikacijske tehnologije u svim djelatnostima. Sektorska analiza
pokazala je da su relevantne skupine zanimanja srodne predloženom
zanimanju podatkovni inženjer/podatkovna inženjerka zastupljene u gotovo
svim djelatnostima. Globalna izvješća, primjerice ona Svjetskog
ekonomskog foruma, predviđaju da će trend potražnje za stručnjacima za
analizu podataka, rad s velikim podacima, internet stvari i sl. u budućnosti
biti još naglašeniji. Prema izvješću Digitalizacija europske industrije:
Iskorištavanje svih prednosti jedinstvenog digitalnog tržišta (COM (2016)
180 final, str. 6) Europske komisije od 19. travnja 2016. “Naglo raste
potreba za novim multidisciplinarnim i digitalnim vještinama, primjerice
kombinacijom vještina podatkovne analitike te poslovnih ili inženjerskih
vještina. … U protekle tri godine otvoreno je više od milijun novih radnih
mjesta, i to samo za stručnjake u području IKT-a. No očekuje se da će do
2020. brz rast potražnje dovesti do više od 800 000 nepopunjenih radnih
mjesta.”. Predloženi standard zanimanja podatkovnog inženjera/podatkovne
inženjerke kombinira upravo kompetencije podatkovne analitike i analitike
poslovnih procesa s poslovnim i inženjerskim vještinama.
Projekcije o budućim kretanjima na tržištu rada koje je za potrebe
Ministarstva znanosti, obrazovanja i sporta izradio Ekonomski institut
(travanj, 2016.) pokazuju da se u sektoru 7. Elektrotehnika i računarstvo do
2020. godine očekuje trend rasta broja zaposlenih. Pritom se najveći
doprinos rastu očekuje upravo od podsektora Računarstvo, i to djelatnosti
računalnog programiranja, savjetovanja i djelatnosti povezane s njima “...
za koje se očekuju visoke stope rasta u projekcijskom razdoblju.”
Dokumenti koji su
priloženi prijedlogu
1. Svjetski ekonomski forum (2016) Budućnost radnih mjesta:
zapošljavanje, vještine i strategija radne snage za četvrtu industrijsku
revoluciju.
2. Tkalec M. (urednica) Vizek M., Žilić I. (2016) Projekcije o budućim
kretanjima na tržištu rada. Zagreb: Ekonomski institut.
3. Priopćenje Komisije Europa 2020. Europska strategija za pametan,
održiv i uključiv rast. COM (2010) 2020 final
4. Komunikacija Komisije Europskom parlamentu, Vijeću, Europskom
gospodarskom i socijalnom odboru regija. Digitalna agenda za Europu.
COM (2010) 245 final
5. Komunikacija Komisije Europskom parlamentu, Vijeću, Europskom
gospodarskom i socijalnom odboru i Odboru regija. Strategija
jedinstvenog digitalnog tržišta za Europu. COM (2015) 192 final
6. Komunikacija Komisije Europskom parlamentu, Vijeću, Europskom
gospodarskom i socijalnom odboru i Odboru regija. Digitalizacija
europske industrije: Iskorištavanje svih prednosti jedinstvenog
digitalnog tržišta. COM (2016) 180 final.
B. PRIJEDLOG STANDARDA ZANIMANJA
Opis zanimanja ili skupa
kompetencija (jednog ili
više) koje/koji će se
regulirati standardom
Podatkovni inženjer/podatkovna inženjerka je osoba koja raspolaže
raznolikim kompetencijama iz područja računarstva, statistike i matematike,
a bavi se modeliranjem, pohranjivanjem, analizom i interpretacijom
podataka. Podatkovni inženjer/podatkovna inženjerka ima osobito razvijene
ključne kompetencije kao što su analitičke vještine i sposobnost apstraktnog
razmišljanja, komunikacijske i prezentacijske vještine te sustavnost i
ustrajnost. Zanimanje podatkovnog inženjera/podatkovne inženjerke
objedinjuje nekoliko srodnih zanimanja koja se na engleskom govornom
području nazivaju data scientist, data analyst, odnosno data architect.
Procijenjena razina
kvalifikacije prema
HKO-u koja će se
izraditi na temelju
standarda
7
Popis ključnih poslova
na radnom mjestu i
pripadajućih
pojedinačnih
kompetencija potrebnih
za rad na jednom ili više
radnih mjesta
Napomena:
(a) Pri razvoju ovog
standarda prvo su
identificirani ključni
poslovi i za njih
potrebne kompetencije.
Popisane kompetencije
potom su grupirane u
skupove kompetencija.
Pritom svaka
kompetencija popisana
uz ključne poslove
pripada točno jednom
skupu kompetencija, dok
ista kompetencija može
biti potrebna za
obavljanje više ključnih
poslova. Numeracija
kompetencija prema
skupovima kompetencija
dodana je naknadno,
uvažavanjem navedenog,
čime je postignuto da
svaka kompetencija ima
svoju jedinstvenu
oznaku.
(b) Opis svakog ključnog
posla sadrži popis
najvažnijih aktivnosti
koje se u njemu odvijaju.
KP1. Modeliranje podataka i
procesa
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP1.1. Utvrđivanje zahtjeva
za podacima
KP1.2. Analiziranje tokova
podataka
KP1.3. Analiziranje
strukture podataka
KP1.4. Modeliranje
podataka
KP1.5. Modeliranje
poslovnih procesa
K1.1. prepoznavati potrebe klijenata na
temelju razumijevanja njihove poslovne
domene
K1.2. efikasno koristiti različite elementarne
tipove i strukture podataka
K1.3. primjenjivati grafičku notaciju za
modeliranje podataka ili procesa poput
BPMN, UML ili Chenove notacije
K1.4. sintetizirati modele podataka i modele
poslovnih procesa iz analizom utvrđenih
dijelova
K4.2. efikasno koristiti najmanje jedan
aktualni softverski alat za izradu BPMN,
UML ili Chenovih dijagrama
K6.1. analizirati problem, odnosno situaciju
K6.2. sintetizirati rješenje, odnosno cjelinu
na temelju provedene analize i iz nje
dobivenih elemenata, odnosno dijelova
K6.3. razlučivati bitno od nebitnog
(apstrahirati)
K6.4. misliti fleksibilno, primjenjujući
metode i oblike apstraktnog induktivnog,
deduktivnog i traduktivnog zaključivanja
(odabrati, prilagoditi i promijeniti strategiju
u skladu s njenom učinkovitošću,
generalizirati, specijalizirati, primjenjivati
analogiju)
K6.5. smisleno i efikasno primjeljivati
teorijska znanja i praktične vještine u
različitim poslovnim situacijama
(konkretizirati)
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.9. jasno i koncizno komunicirati na
hrvatskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.10. jasno i koncizno komunicirati na
engleskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.11. efikasno prezentirati i pregovarati
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.13. raditi sustavno, pedantno i ustrajno
K6.14. efikasno raditi u timu sustručnjaka i u
interdisciplinarnom timu, te u
multikulturalnom okruženju
K6.15. efikasno donositi argumentirane
odluke
K6.16. efikasno raditi samostalno
K6.17. pokazati inicijativnost, poduzetnost i
volju za uspjehom i profesionalnim razvojem
K6.18. pokazati sposobnost cjeloživotnog
učenja
KP2. Razvoj i održavanje
baza podataka
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP2.1. Oblikovanje
konceptualne sheme baze
KP2.2. Pretvorba
konceptualne sheme baze u
logičku shemu
KP2.3. Normalizacija
logičke sheme (za slučaj
relacijske baze)
KP2.4. Oblikovanje fizičke
sheme baze
KP2.5. Realizacija baze
pomoću odgovarajućeg
softvera
KP2.6. Razvoj procedura za
ažuriranje i pretraživanje
K1.1. prepoznavati potrebe klijenata na
temelju razumijevanja njihove poslovne
domene
K1.5. razlikovati elemente konceptualne
sheme baze podataka (entiteti, atributi, veze)
K1.6. sintetizirati konceptualnu shemu baze
podataka iz analizom utvrđenih dijelova
K1.7. efikasno pretvarati elemente
konceptualne sheme baze podataka u
elemente logičke sheme primjenom pravila
(npr. pravila za pretvorbu entiteta, atributa i
veza u tablice u relacijskoj bazi)
K1.8. kreirati tablice u relacijskoj bazi
podataka primjenjujući teoriju normalnih
formi
K1.9. vješto koristiti pravila za pretvorbu
tablice iz niže u višu normalnu formu
K2.2. razlikovati elemente od kojih se gradi
fizička shema baze podataka (datoteke, hash
funkcije, pokazivači, indeksi, B-stabla itd.)
K2.3. efikasno primjenjivati pravila za
pretvorbu elemenata logičke sheme baze
baze
KP2.7. Čuvanje integriteta i
sigurnosti baze, podešavanje
performansi
KP2.8. Povremena
nadogradnja logičke i fizičke
strukture baze u skladu s
novim potrebama
podataka u elemente fizičke sheme
K2.4. vješto koristiti jezik SQL ili neki drugi
jezik za rad s podacima
K4.3. efikasno koristiti najmanje jedan
aktualni softverski alat za baze podataka
(npr. Oracle, DB2, MS SQL Server,
MySQL)
K6.1. analizirati problem, odnosno situaciju
K6.2. sintetizirati rješenje, odnosno cjelinu
na temelju provedene analize i iz nje
dobivenih elemenata, odnosno dijelova
K6.3. razlučivati bitno od nebitnog
(apstrahirati)
K6.4. misliti fleksibilno, primjenjujući
metode i oblike apstraktnog induktivnog,
deduktivnog i traduktivnog zaključivanja
(odabrati, prilagoditi i promijeniti strategiju
u skladu s njenom učinkovitošću,
generalizirati, specijalizirati, primjenjivati
analogiju)
K6.5. smisleno i efikasno primjeljivati
teorijska znanja i praktične vještine u
različitim poslovnim situacijama
(konkretizirati)
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.9. jasno i koncizno komunicirati na
hrvatskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.10. jasno i koncizno komunicirati na
engleskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.11. efikasno prezentirati i pregovarati
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.13. raditi sustavno, pedantno i ustrajno
K6.14. efikasno raditi u timu sustručnjaka i u
interdisciplinarnom timu, te u
multikulturalnom okruženju
K6.15. efikasno donositi argumentirane
odluke
K6.16. efikasno raditi samostalno
K6.17. pokazati inicijativnost, poduzetnost i
volju za uspjehom i profesionalnim razvojem
K6.18. pokazati sposobnost cjeloživotnog
učenja
KP3. Razvoj i održavanje
skladišta podataka
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP3.1. Oblikovanje logičke
sheme skladišta
KP3.2. Oblikovanje fizičke
sheme skladišta
KP3.3. Realizacija skladišta
pomoću odgovarajućeg
softvera
KP3.4. Pronalaženje
kvalitetnih izvora podataka
za skladište
KP3.5. Ekstrakcija i
integriranje podataka iz
raznih izvora te punjenje
skladišta
KP3.6. Čuvanje integriteta i
sigurnosti skladišta,
podešavanje performansi
KP3.7. Povremena
nadogradnja logičke i fizičke
strukture skladišta u skladu s
novim potrebama
K1.1. prepoznavati potrebe klijenata na
temelju razumijevanja njihove poslovne
domene
K1.2. efikasno koristiti različite elementarne
tipove i strukture podataka
K1.10. sintetizirati logičke sheme skladišta
podataka iz analizom utvrđenih dijelova
K2.5. efikasno koristiti uobičajene modele
za fizičku strukturu skladišta podataka (npr.
OLAP kocke, zvijezde, pahuljice)
K2.6. efikasno primjenjivati pravila za
pretvorbu elemenata klasične (npr.
relacijske) baze u elemente skladišta
podataka
K2.7. poznavati javne i interne baze
podataka te nestrukturirane zbirke podataka
iz poslovne domene
K2.8. smisleno primjenjivati sve korake u
ETL proceduri (Extract, Transform, Load).
K4.4. efikasno koristiti najmanje jedan
aktualni softverski alat za skladišta podataka
(npr. Oracle Warehouse Builder, Microsoft
SQL Server 2008, IBM InfoSphere)
K4.5. efikasno koristiti najmanje jedan
aktualni softverski alat za ETL (npr. Oracle
Data Integrator, Microsoft SQL Server
Integration Services, IBM InfoSphere
DataStage, SAS Data Integration Studio)
K6.1. analizirati problem, odnosno situaciju
K6.2. sintetizirati rješenje, odnosno cjelinu
na temelju provedene analize i iz nje
dobivenih elemenata, odnosno dijelova
K6.3. razlučivati bitno od nebitnog
(apstrahirati)
K6.4. misliti fleksibilno, primjenjujući
metode i oblike apstraktnog induktivnog,
deduktivnog i traduktivnog zaključivanja
(odabrati, prilagoditi i promijeniti strategiju
u skladu s njenom učinkovitošću,
generalizirati, specijalizirati, primjenjivati
analogiju)
K6.5. smisleno i efikasno primjeljivati
teorijska znanja i praktične vještine u
različitim poslovnim situacijama
(konkretizirati)
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.9. jasno i koncizno komunicirati na
hrvatskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.10. jasno i koncizno komunicirati na
engleskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.11. efikasno prezentirati i pregovarati
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.13. raditi sustavno, pedantno i ustrajno
K6.14. efikasno raditi u timu sustručnjaka i u
interdisciplinarnom timu, te u
multikulturalnom okruženju
K6.15. efikasno donositi argumentirane
odluke
K6.16. efikasno raditi samostalno
K6.17. pokazati inicijativnost, poduzetnost i
volju za uspjehom i profesionalnim razvojem
K6.18. pokazati sposobnost cjeloživotnog
učenja
KP4. Statistička analiza i
modeliranje
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP4.1. Statistička analiza i
interpretacija podataka
KP4.2. Statističko
modeliranje podataka i
procesa
KP4.3. Analiza velikih
skupova podataka
KP4.4. Primjena statističkih
modela za simulaciju ili
predviđanje
KP4.5. Izrada sažetih
izvještaja o podacima,
vizualizacija podataka
KP4.6. Korištenje
softverskih paketa za
statistiku
KP4.7. Korištenje
softverskih paketa za
izvještavanje odnosno
vizualizaciju
KP4.8. Programiranje u
skriptnim jezicima u svrhu
obrade podataka te izrade
izvještaja.
K1.11. smisleno odabrati statistički model
prikladan za poslovnu situaciju i problem
koji se rješava
K1.12. efikasno primjenjivati uobičajene
statističke modele (linearnu regresiju,
regresijska stabla, nelinearni modele,
ARIMA i ADL modele za vremenske nizove
i dr.)
K1.13. sintetizirati statističke modele iz
analizom utvrđenih dijelova
K2.9. efikasno koristiti svojstva masivnih
distribuiranih baza podataka i datotečnih
sustava (npr. Hadoop Distributed File
System)
K3.2. smisleno primjenjivati osnove teorije
vjerojatnosti
K3.3. smisleno i efikasno primjenjivati
statističke teorije (deskriptivna i
inferencijalna statistika, oblikovanje
uzoraka, procjena parametara, testiranje
hipoteza i dr.)
K3.4. smisleno odabrati statistički model
prikladan za simulaciju ili predviđanje
K3.5. efikasno primjenjivati statističke
modele za simulaciju ili predviđanje
K3.6. smisleno interpretirati rezultate
simulacija ili predviđanja na temelju
razumijevanja mogućnosti i ograničenja
primijenjenih statističkih modela
K3.7. procjenjivati pogreške modela
K3.8. efikasno rješavati probleme pomoću
paradigmi za masivno paralelno računanje
(npr. MapReduce)
K3.9. sintetizirati svrsishodne izvještaje o
raspoloživim podacima
K3.10. zorno i smisleno vizualno prikazivati
podatke na različite načine
K3.11. smisleno i efikasno interpretirati
rezultate analize podataka
K3.14. primjenjivati temeljne koncepte i
rezultate teorije informacija (entropija,
unakrsna entropija, KL udaljenost)
K3.15. efikasno primjenjivati najvažnije
numeričke metode (npr. efikasne metode za
rješavanje sustava linearnih jednadžbi,
metode za računanje svojstvenih vrijednosti i
vektora, metode za singularnu
dekompoziciju (SVD), metoda najmanjih
kvadrata, gradijentna optimizacija… )
K4.6. efikasno koristiti najmanje jedan
aktualni softverski alat za statistiku (npr.
SAS, SPSS, Statistica, R)
K4.7. efikasno koristiti najmanje jedan
aktualni softverski alat za izvještavanje (npr.
SAS BO) te softverski paket za vizualizaciju
(npr. WR Mathematica, Matlab, Google
Visualization, R)
K5.1. efikasno i smisleno primjenjivati
strategije i vještine algoritamskog mišljenja
K5.2. oblikovati smislene i efikasne
algoritme primjenom načela programiranja
te osnova računarske znanosti
K5.3. analizirati performanse algoritama i
njihovih implementacija (vremenska,
prostorna i komunikacijska složenost)
K5.4. efikasno programirati u najmanje
jednom skriptnom ili višem programskom
jeziku (npr. Python, Perl, ORM, Haskell, R)
K5.5. efikasno primjenjivati načela i obrasce
programske organizacije
K5.6. efikasno povezivati vlastite programe
s bibliotekama
K6.1. analizirati problem, odnosno situaciju
K6.2. sintetizirati rješenje, odnosno cjelinu
na temelju provedene analize i iz nje
dobivenih elemenata, odnosno dijelova
K6.3. razlučivati bitno od nebitnog
(apstrahirati)
K6.4. misliti fleksibilno, primjenjujući
metode i oblike apstraktnog induktivnog,
deduktivnog i traduktivnog zaključivanja
(odabrati, prilagoditi i promijeniti strategiju
u skladu s njenom učinkovitošću,
generalizirati, specijalizirati, primjenjivati
analogiju)
K6.5. smisleno i efikasno primjeljivati
teorijska znanja i praktične vještine u
različitim poslovnim situacijama
(konkretizirati)
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.13. raditi sustavno, pedantno i ustrajno
K6.14. efikasno raditi u timu sustručnjaka i u
interdisciplinarnom timu, te u
multikulturalnom okruženju
K6.15. efikasno donositi argumentirane
odluke
K6.16. efikasno raditi samostalno
KP5. Primjena poslovne
inteligencije
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP5.1. Otkrivanje trendova
ili obrazaca u podacima iz
skladišta primjenom metoda
rudarenja podataka (data
mining)
KP5.2. Ekstrakcija znanja iz
podataka primjenom metoda
strojnog učenja (npr.
klasificiranje ili predviđanje
pomoću neuronskih mreža)
KP5.3. Korištenje
softverskih paketa za
K3.12. efikasno primjenjivati metode
rudarenja podataka (otkrivanje anomalija,
dependency modelling - povezivanje
varijabli, klasifikacija, regresija)
K3.13. efikasno primjenjivati metode
strojnog učenja (stabla odlučivanja,
Bayesove mreže, neuronske mreže, metode
potpornih vektora i dr.)
K3.14. primjenjivati temeljne koncepte i
rezultate teorije informacija (entropija,
unakrsna entropija, KL udaljenost)
K3.15. efikasno primjenjivati najvažnije
numeričke metode (npr. efikasne metode za
rješavanje sustava linearnih jednadžbi,
metode za računanje svojstvenih vrijednosti i
vektora, metode za singularnu
dekompoziciju (SVD), metoda najmanjih
poslovnu inteligenciju
KP5.4. Programiranje u
skriptnim jezicima u svrhu
izdvajanja te daljnje obrade
podataka iz skladišta
kvadrata, gradijentna optimizacija… )
K4.8. izgrađivati modele neuronskih mreža
za predviđanja i klasifikacije u najmanje
jednom aktualnom softverskom alatu (npr.
Statistica)
K4.9. smisleno i efikasno primjenjivati
neuronske mreže u poslovnoj praksi
K4.10. vješto koristiti najmanje jedan
aktualni softverski paket za poslovnu
inteligenciju (npr. IBM Cognos, OBIEE,
SAP BO, SRSS)
K5.1. efikasno i smisleno primjenjivati
strategije i vještine algoritamskog mišljenja
K5.2. oblikovati smislene i efikasne
algoritme primjenom načela programiranja
te osnova računarske znanosti
K5.3. analizirati performanse algoritama i
njihovih implementacija (vremenska,
prostorna i komunikacijska složenost)
K5.4. efikasno programirati u najmanje
jednom skriptnom ili višem programskom
jeziku (npr. Python, Perl, ORM, Haskell, R)
K5.5. efikasno primjenjivati načela i obrasce
programske organizacije
K5.6. efikasno povezivati vlastite programe
s bibliotekama
KP6. Suradnja s
menadžmentom
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP6.1. Redovito
komuniciranje s
predstavnicima
menadžmenta
KP6.2. Prepoznavanje i
rangiranje podatkovnih
potreba menadžmenta
KP6.3. Analiza i
interpretacija raspoloživih
podataka kao pomoć
K1.1. prepoznavati potrebe klijenata na
temelju razumijevanja njihove poslovne
domene
K3.11. smisleno i efikasno interpretirati
rezultate analize podataka
K4.6. efikasno koristiti najmanje jedan
aktualni softverski alat za statistiku (npr.
SAS, SPSS, Statistica, R)
K4.10. vješto koristiti najmanje jedan
aktualni softverski paket za poslovnu
inteligenciju (npr. IBM Cognos, OBIEE,
SAP BO, SRSS)
K4.11. smisleno i efikasno koristiti
uobičajene aktualne softverske alate za
uredsko poslovanje, poslovnu komunikaciju,
menadžmentu kod donošenja
poslovnih odluka
KP6.4. Simuliranje raznih
poslovnih scenarija
primjenom metoda statistike
ili poslovne inteligencije.
timski rad u virtualnom okruženju te
pretraživanje interneta i dostupnih skladišta i
baza podataka
K6.1. analizirati problem, odnosno situaciju
K6.2. sintetizirati rješenje, odnosno cjelinu
na temelju provedene analize i iz nje
dobivenih elemenata, odnosno dijelova
K6.3. razlučivati bitno od nebitnog
(apstrahirati)
K6.4. misliti fleksibilno, primjenjujući
metode i oblike apstraktnog induktivnog,
deduktivnog i traduktivnog zaključivanja
(odabrati, prilagoditi i promijeniti strategiju
u skladu s njenom učinkovitošću,
generalizirati, specijalizirati, primjenjivati
analogiju)
K6.5. smisleno i efikasno primjeljivati
teorijska znanja i praktične vještine u
različitim poslovnim situacijama
(konkretizirati)
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.9. jasno i koncizno komunicirati na
hrvatskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.10. jasno i koncizno komunicirati na
engleskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.11. efikasno prezentirati i pregovarati
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.13. raditi sustavno, pedantno i ustrajno
K6.14. efikasno raditi u timu sustručnjaka i u
interdisciplinarnom timu, te u
multikulturalnom okruženju
K6.15. efikasno donositi argumentirane
odluke
K6.16. efikasno raditi samostalno
K6.17. pokazati inicijativnost, poduzetnost i
volju za uspjehom i profesionalnim razvojem
KP7. Profesionalni razvoj
Opis:
Ovaj ključni posao obuhvaća
više aktivnosti. To su:
KP7.1. Praćenje novih
trendova i metoda vezanih uz
baze podataka, skladišta
podataka, statistiku te
poslovnu inteligenciju
KP7.2. Praćenje razvoja
softverskih paketa koji se
primjenjuju u bazama
podataka, skladištima
podataka, statistici te
poslovnoj inteligenciji
KP7.3. Sudjelovanje na
znanstvenim i stručnim
konferencijama vezanima uz
znanost o podacima te
podatkovno inženjerstvo
KP7.4. Pronalaženje
mogućnosti za poboljšanje,
kako vlastitog rada, tako i
procesa u široj radnoj okolini
K2.1. dobro poznavati aktualne teorije i
metode vezane uz pohranjivanje podataka
K3.1. dobro poznavati aktualne teorije i
metode vezane uz analizu podataka
K4.1. dobro poznavati aktualne mogućnosti
softverskih paketa za rad s podacima
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.9. jasno i koncizno komunicirati na
hrvatskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.10. jasno i koncizno komunicirati na
engleskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.11. efikasno prezentirati i pregovarati
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.15. efikasno donositi argumentirane
odluke
K6.17. pokazati inicijativnost, poduzetnost i
volju za uspjehom i profesionalnim razvojem
K6.18. pokazati sposobnost cjeloživotnog
učenja
Popis skupova
kompetencija s
pripadajućim
kompetencijama
SK1. Kompetencije vezane
uz modeliranje
K1.1. prepoznavati potrebe klijenata na
temelju razumijevanja njihove poslovne
domene
K1.2. efikasno koristiti različite elementarne
tipove i strukture podataka
K1.3. primjenjivati grafičku notaciju za
modeliranje podataka ili procesa poput
BPMN, UML ili Chenove notacije
K1.4. sintetizirati modele podataka i modele
poslovnih procesa iz analizom utvrđenih
dijelova
K1.5. razlikovati elemente konceptualne
sheme baze podataka (entiteti, atributi, veze)
K1.6. sintetizirati konceptualnu shemu baze
podataka iz analizom utvrđenih dijelova
K1.7. efikasno pretvarati elemente
konceptualne sheme baze podataka u
elemente logičke sheme primjenom pravila
(npr. pravila za pretvorbu entiteta, atributa i
veza u tablice u relacijskoj bazi)
K1.8. kreirati tablice u relacijskoj bazi
podataka primjenjujući teoriju normalnih
formi
K1.9. vješto koristiti pravila za pretvorbu
tablice iz niže u višu normalnu formu
K1.10. sintetizirati logičke sheme skladišta
podataka iz analizom utvrđenih dijelova
K1.11. smisleno odabrati statistički model
prikladan za poslovnu situaciju i problem
koji se rješava
K1.12. efikasno primjenjivati uobičajene
statističke modele (linearnu regresiju,
regresijska stabla, nelinearni modele,
ARIMA i ADL modele za vremenske nizove
i dr.)
K1.13. sintetizirati statističke modele iz
analizom utvrđenih dijelova
SK2. Kompetencije vezane
uz pohranjivanje podataka
K2.1. dobro poznavati aktualne teorije i
metode vezane uz pohranjivanje podataka
K2.2. razlikovati elemente od kojih se gradi
fizička shema baze podataka (datoteke, hash
funkcije, pokazivači, indeksi, B-stabla itd.)
K2.3. efikasno primjenjivati pravila za
pretvorbu elemenata logičke sheme baze
podataka u elemente fizičke sheme
K2.4. vješto koristiti jezik SQL ili neki drugi
jezik za rad s podacima
K2.5. efikasno koristiti uobičajene modele
za fizičku strukturu skladišta podataka (npr.
OLAP kocke, zvijezde, pahuljice)
K2.6. efikasno primjenjivati pravila za
pretvorbu elemenata klasične (npr.
relacijske) baze u elemente skladišta
podataka
K2.7. poznavati javne i interne baze
podataka te nestrukturirane zbirke podataka
iz poslovne domene
K2.8. smisleno primjenjivati sve korake u
ETL proceduri (Extract, Transform, Load).
K2.9. efikasno koristiti svojstva masivnih
distribuiranih baza podataka i datotečnih
sustava (npr. Hadoop Distributed File
System)
SK3. Kompetencije vezane
uz analizu i interpretaciju
podataka
K3.1. dobro poznavati aktualne teorije i
metode vezane uz analizu podataka
K3.2. smisleno primjenjivati osnove teorije
vjerojatnosti
K3.3. smisleno i efikasno primjenjivati
statističke teorije (deskriptivna i
inferencijalna statistika, oblikovanje
uzoraka, procjena parametara, testiranje
hipoteza i dr.)
K3.4. smisleno odabrati statistički model
prikladan za simulaciju ili predviđanje
K3.5. efikasno primjenjivati statističke
modele za simulaciju ili predviđanje
K3.6. smisleno interpretirati rezultate
simulacija ili predviđanja na temelju
razumijevanja mogućnosti i ograničenja
primijenjenih statističkih modela
K3.7. procjenjivati pogreške modela
K3.8. efikasno rješavati probleme pomoću
paradigmi za masivno paralelno računanje
(npr. MapReduce)
K3.9. sintetizirati svrsishodne izvještaje o
raspoloživim podacima
K3.10. zorno i smisleno vizualno prikazivati
podatke na različite načine
K3.11. smisleno i efikasno interpretirati
rezultate analize podataka
K3.12. efikasno primjenjivati metode
rudarenja podataka (otkrivanje anomalija,
dependency modelling - povezivanje
varijabli, klasifikacija, regresija)
K3.13. efikasno primjenjivati metode
strojnog učenja (stabla odlučivanja,
Bayesove mreže, neuronske mreže, metode
potpornih vektora i dr.)
K3.14. primjenjivati temeljne koncepte i
rezultate teorije informacija (entropija,
unakrsna entropija, KL udaljenost)
K3.15. efikasno primjenjivati najvažnije
numeričke metode (npr. efikasne metode za
rješavanje sustava linearnih jednadžbi,
metode za računanje svojstvenih vrijednosti i
vektora, metode za singularnu
dekompoziciju (SVD), metoda najmanjih
kvadrata, gradijentna optimizacija… )
SK4. Kompetencije vezane
uz korištenje softverskih
alata
K4.1. dobro poznavati aktualne mogućnosti
softverskih paketa za rad s podacima
K4.2. efikasno koristiti najmanje jedan
aktualni softverski alat za izradu BPMN,
UML ili Chenovih dijagrama
K4.3. efikasno koristiti najmanje jedan
aktualni softverski alat za baze podataka
(npr. Oracle, DB2, MS SQL Server,
MySQL)
K4.4. efikasno koristiti najmanje jedan
aktualni softverski alat za skladišta podataka
(npr. Oracle Warehouse Builder, Microsoft
SQL Server 2008, IBM InfoSphere)
K4.5. efikasno koristiti najmanje jedan
aktualni softverski alat za ETL (npr. Oracle
Data Integrator, Microsoft SQL Server
Integration Services, IBM InfoSphere
DataStage, SAS Data Integration Studio)
K4.6. efikasno koristiti najmanje jedan
aktualni softverski alat za statistiku (npr.
SAS, SPSS, Statistica, R)
K4.7. efikasno koristiti najmanje jedan
aktualni softverski alat za izvještavanje (npr.
SAS BO) te softverski paket za vizualizaciju
(npr. WR Mathematica, Matlab, Google
Visualization, R)
K4.8. izgrađivati modele neuronskih mreža
za predviđanja i klasifikacije u najmanje
jednom aktualnom softverskom alatu (npr.
Statistica)
K4.9. smisleno i efikasno primjenjivati
neuronske mreže u poslovnoj praksi
K4.10. vješto koristiti najmanje jedan
aktualni softverski paket za poslovnu
inteligenciju (npr. IBM Cognos, OBIEE,
SAP BO, SRSS)
K4.11. smisleno i efikasno koristiti
uobičajene aktualne softverske alate za
uredsko poslovanje, poslovnu komunikaciju,
timski rad u virtualnom okruženju te
pretraživanje interneta i dostupnih skladišta i
baza podataka
SK5. Kompetencije vezane
uz programiranje
K5.1. efikasno i smisleno primjenjivati
strategije i vještine algoritamskog mišljenja
K5.2. oblikovati smislene i efikasne
algoritme primjenom načela programiranja
te osnova računarske znanosti
K5.3. analizirati performanse algoritama i
njihovih implementacija (vremenska,
prostorna i komunikacijska složenost)
K5.4. efikasno programirati u najmanje
jednom skriptnom ili višem programskom
jeziku (npr. Python, Perl, ORM, Haskell, R)
K5.5. efikasno primjenjivati načela i obrasce
programske organizacije
K5.6. efikasno povezivati vlastite programe
s bibliotekama
SK6. Generičke
kompetencije
K6.1. analizirati problem, odnosno situaciju
K6.2. sintetizirati rješenje, odnosno cjelinu
na temelju provedene analize i iz nje
dobivenih elemenata, odnosno dijelova
K6.3. razlučivati bitno od nebitnog
(apstrahirati)
K6.4. misliti fleksibilno, primjenjujući
metode i oblike apstraktnog induktivnog,
deduktivnog i traduktivnog zaključivanja
(odabrati, prilagoditi i promijeniti strategiju
u skladu s njenom učinkovitošću,
generalizirati, specijalizirati, primjenjivati
analogiju)
K6.5. smisleno i efikasno primjeljivati
teorijska znanja i praktične vještine u
različitim poslovnim situacijama
(konkretizirati)
K6.6. kritički vrednovati probleme, situacije,
procese i rješenja u poslovnom okruženju
K6.7. brzo se prilagođavati novim
situacijama
K6.8. racionalno planirati vrijeme i
upravljati njime
K6.9. jasno i koncizno komunicirati na
hrvatskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.10. jasno i koncizno komunicirati na
engleskom jeziku u usmenom i pisanom
obliku te u skladu s jezičnim normama
K6.11. efikasno prezentirati i pregovarati
K6.12. stvarati nove ideje, odnosno pokazati
kreativnost
K6.13. raditi sustavno, pedantno i ustrajno
K6.14. efikasno raditi u timu sustručnjaka i u
interdisciplinarnom timu, te u
multikulturalnom okruženju
K6.15. efikasno donositi argumentirane
odluke
K6.16. efikasno raditi samostalno
K6.17. pokazati inicijativnost, poduzetnost i
volju za uspjehom i profesionalnim razvojem
K6.18. pokazati sposobnost cjeloživotnog
učenja
Uvjeti rada Radna mjesta u zanimanju podatkovnog inženjera/podatkovne inženjerke
karakterizira timski rad u interdisciplinarnim timovima, često u
međunarodnom i multikulturalnom okruženju. Međunarodno okruženje
podrazumijeva simultani rad u više vremenskih zona, što generira potrebu
za fleksibilnim radnim vremenom koje uključuje povremeni noćni rad te
rad neradnim danima (vikendom i praznikom). Rad se odvija u zatvorenom
prostoru, većinom za stolom i računalom, u sjedećem položaju. Za rad je
nužan radni stol, stolac i umjetna rasvjeta, minimalno u skladu sa
zakonskim propisima iz područja zaštite na radu, te adekvatno računalo
(hardver i softver) i recentna stručna literatura. Smjernice dobre prakse u
osiguravanju ergonomski povoljnih uvjeta za rad opisane su u standardu
ISO 9241.
REVIZIJA STANDARDA ZANIMANJA
Prijedlog roka do kojeg
se standard zanimanja
može koristiti za
predlaganje standarda
kvalifikacija i skupova
ishoda učenja
Datum: