Statistikos portalas – Puslapis 7 – Statistikos naujienos ir pranešimai

# Kaip dirbtinis intelektas keičia statistinių duomenų analizę ir prognozavimą 2025 metais

15 balandžio, 2025 www.statisticsjournal.lt

Faktai, IT

Statistikos ir dirbtinio intelekto sankirta: kas iš tikrųjų vyksta

Kai pirmą kartą pradėjau domėtis dirbtinio intelekto taikymu statistikoje, man atrodė, kad tai tik dar vienas technologinis triukas, kuris greitai praeis. Tačiau 2025 metais matome visai kitokią realybę. Dirbtinis intelektas ne tik papildo tradicinius statistinius metodus, bet ir iš esmės keičia tai, kaip mes suprantame duomenis, jų analizę ir prognozavimą.

Tradicinė statistika visada rėmėsi aiškiomis prielaidomis – normaliu pasiskirstymu, tiesiniais ryšiais, hipotezių testavimu. Tai veikė puikiai, kai duomenų buvo nedaug ir jie buvo gana paprastai struktūruoti. Bet dabar turime milijardus duomenų taškų iš įvairiausių šaltinių: socialinių tinklų, IoT įrenginių, finansinių transakcijų, sveikatos stebėjimo sistemų. Ir štai čia prasideda tikroji revoliucija.

Dirbtinis intelektas, ypač gilieji neuronų tinklai ir mašininio mokymosi algoritmai, gali apdoroti tokius duomenų kiekius ir sudėtingumą, kuris anksčiau buvo neįsivaizduojamas. Bet svarbiausia – jie gali rasti ryšius ir modelius, kurių žmogus ar tradiciniai statistiniai metodai tiesiog nematytų.

Prognozavimo tikslumas: nuo teorijos prie praktikos

Vienas didžiausių pasikeitimų, kurį pastebiu dirbdamas su įmonėmis, yra prognozavimo tikslumas. Anksčiau finansų analitikai naudodavo ARIMA modelius ar eksponentinį glodinimą laiko eilutėms prognozuoti. Tai davė priimtinus rezultatus, bet turėjo akivaizdžių apribojimų – jie blogai tvarkėsi su netiesiniais ryšiais, staigiais pokyčiais ar daugybe kintamųjų.

Dabar matome, kaip transformerių architektūros ir LSTM (Long Short-Term Memory) tinklai iš esmės pakeičia žaidimo taisykles. Pavyzdžiui, didžiosios mažmeninės prekybos įmonės naudoja šiuos metodus atsargų valdymui ir paklausos prognozavimui. Jie gali įtraukti ne tik istorines pardavimų tendencijas, bet ir orų prognozes, socialinių tinklų nuotaikas, konkurentų kainų pokyčius, net vietos renginius – viską vienu metu.

Konkrečiai kalbant, viena Lietuvos e-prekybos platforma, su kuria konsultavausi, sumažino prognozavimo klaidą 34% pereiti nuo tradicinių statistinių metodų prie hibridinio modelio, kuris derina SARIMA su XGBoost algoritmu. Tai reiškia mažiau nepardavusių atsargų, geresnes pinigų srautų prognozes ir galiausiai didesnį pelningumą.

Anomalijų aptikimas: kai mašinos mato tai, ko nematome mes

Viena sritis, kur dirbtinis intelektas tikrai pranoksta žmogų, yra anomalijų aptikimas dideliuose duomenų rinkiniuose. Tradiciniai metodai, tokie kaip Z-balai ar Grubbs testas, veikia gerai, kai žinome, ko ieškome ir kai duomenys atitinka tam tikrus pasiskirstymus. Bet realybė retai būna tokia paprasta.

Pavyzdžiui, finansų sektoriuje sukčiavimo aptikimas tapo neįsivaizduojamas be dirbtinio intelekto. Autoenkoderai – tai neuronų tinklų tipas, kuris mokosi suspausti ir atkurti normalius duomenis. Kai jie susiduria su neįprastu elgesiu, rekonstrukcijos klaida staiga padidėja, ir tai signalizuoja apie galimą anomaliją.

Vienas Lietuvos bankas įdiegė tokią sistemą ir per pirmuosius tris mėnesius aptiko 47% daugiau įtartinų transakcijų nei ankstesnė taisyklėmis pagrįsta sistema. Dar svarbiau – sumažėjo klaidingų pozityvių rezultatų skaičius 28%, o tai reiškia, kad mažiau teisėtų klientų buvo neteisingai pažymėti kaip įtartini.

Sveikatos priežiūroje dirbtinis intelektas padeda aptikti ankstyvus ligos požymius, analizuojant pacientų duomenis. Algoritmai gali pastebėti subtilias tendencijas – pavyzdžiui, tam tikrų biomarkerių derinį, kuris gali signalizuoti apie diabeto riziką mėnesiais anksčiau nei tradiciniai diagnostikos metodai.

Kalbos modeliai ir nestruktūruotų duomenų analizė

Čia vyksta tikra revoliucija. Anksčiau statistinė analizė daugiausia rėmėsi struktūruotais duomenimis – skaičiais lentelėse. Bet didžioji dalis pasaulio informacijos yra nestruktūruota: tekstai, vaizdai, vaizdo įrašai, garso įrašai.

Didieji kalbos modeliai (LLM), tokie kaip GPT serijos ar BERT variantai, dabar gali analizuoti milžiniškus teksto kiekius ir išgauti iš jų statistiškai reikšmingą informaciją. Tai nėra tik paprastas žodžių skaičiavimas – tai giluminis konteksto, nuotaikų, ketinimų supratimas.

Praktinis pavyzdys: rinkos tyrimų įmonės dabar analizuoja milijonus klientų atsiliepimų, socialinių tinklų įrašų ir forumo diskusijų, kad suprastų vartotojų nuotaikas ir tendencijas. Anksčiau tokiai analizei prireikdavo šimtų žmonių ir mėnesių darbo. Dabar tai galima padaryti per kelias valandas su aukštesniu tikslumu.

Sentiment analizė tapo daug sudėtingesnė. Modeliai dabar supranta sarkazmą, kontekstą, kultūrinius niuansus. Jie gali atskirti, ar klientas sako „puiku” su tikra pagarba ar su ironija. Tai kardinaliai keičia tai, kaip įmonės supranta savo klientų pasitenkinimą ir lūkesčius.

Priežastingumo nustatymas: už koreliacijos ribų

Viena didžiausių statistikos problemų visada buvo atskirti koreliaciją nuo priežastingumo. Tradiciniai metodai, tokie kaip randomizuoti kontroliuojami bandymai, yra aukso standartas, bet jie brangūs, laikui imli ir ne visada įmanomi.

Dirbtinis intelektas, ypač priežastinės išvados (causal inference) metodai, dabar leidžia mums geriau suprasti priežastinius ryšius iš stebėjimo duomenų. Algoritmai, tokie kaip Causal Impact ar DoWhy bibliotekos, gali modeliuoti kontrafaktinius scenarijus – kas būtų nutikę, jei tam tikra intervencija nebūtų įvykusi.

Pavyzdžiui, marketingo komandos gali daug tiksliau įvertinti reklamos kampanijų poveikį. Vietoj to, kad tiesiog žiūrėtų į pardavimų padidėjimą po kampanijos, jie gali modeliuoti, kokie būtų buvę pardavimai be kampanijos, atsižvelgiant į sezoniškumą, konkurentų veiksmus ir kitus veiksnius.

Sveikatos politikoje tai ypač svarbu. Kai vyriausybės įveda naujas visuomenės sveikatos priemones, priežastinės išvados metodai padeda atskirti tikrąjį politikos poveikį nuo kitų veiksnių, tokių kaip demografiniai pokyčiai ar ekonominės sąlygos.

Tačiau čia reikia būti atsargiems. Dirbtinis intelektas nėra stebuklingas sprendimas priežastingumo problemai. Jis vis dar remiasi prielaidomis, ir jei tos prielaidos yra klaidingos, išvados bus klaidinančios. Todėl žmogiškasis ekspertinis vertinimas ir domenų žinios lieka kritiškai svarbūs.

Automatizuotas modelių kūrimas ir AutoML

Vienas įdomiausių pokyčių yra AutoML (Automated Machine Learning) platformų atsiradimas. Anksčiau norint sukurti gerą prognozavimo modelį reikėjo gilių statistikos ir programavimo žinių, daug laiko eksperimentams su skirtingais algoritmais, hiperparametrų derinimui.

Dabar platformos kaip H2O.ai, Google AutoML ar DataRobot gali automatizuoti didelę dalį šio proceso. Jos automatiškai išbando šimtus skirtingų modelių, optimizuoja jų parametrus, atlieka kryžminį patvirtinimą ir net paaiškina modelio sprendimus.

Tai demokratizuoja prieigą prie pažangios analitikos. Dabar verslo analitikai, kurie nėra duomenų mokslininkai, gali kurti sudėtingus prognozavimo modelius. Viena vidutinio dydžio gamybos įmonė Lietuvoje panaudojo AutoML platformą, kad sukurtų įrangos gedimų prognozavimo sistemą. Anksčiau tokiam projektui būtų reikėję samdyti specializuotą duomenų mokslininką ir investuoti mėnesius. Su AutoML jie turėjo veikiantį modelį per dvi savaites.

Tačiau yra ir pavojų. Automatizacija gali sukelti netikrą saugumo jausmą. Žmonės gali pradėti pasitikėti modeliais, nesuprasdami jų apribojimų ar prielaidų. Todėl, net naudojant AutoML, svarbu turėti bent bazinį statistikos ir mašininio mokymosi supratimą.

Realaus laiko analizė ir sprendimų priėmimas

2025 metais vis daugiau organizacijų pereina nuo paketinės analizės prie realaus laiko duomenų apdorojimo ir sprendimų priėmimo. Tai reiškia, kad modeliai ne tik analizuoja istorinius duomenis, bet ir nuolat mokosi iš naujų duomenų srautų, prisitaikydami prie besikeičiančių sąlygų.

Streaming analytics platformos, tokios kaip Apache Kafka su mašininio mokymosi modeliais, leidžia įmonėms reaguoti į įvykius milisekundžių ar sekundžių laikotarpyje. Tai ypač svarbu finansų prekyboje, kibernetinio saugumo sistemose, pramonės automatizavime.

Pavyzdžiui, išmaniosios gamyklos naudoja realaus laiko analizę, kad optimizuotų gamybos procesus. Jutikliai stebi mašinų būseną, produktų kokybę, energijos suvartojimą. Dirbtinio intelekto modeliai analizuoja šiuos duomenis realiuoju laiku ir automatiškai koreguoja parametrus, kad maksimizuotų efektyvumą ir minimizuotų broką.

Logistikos sektoriuje realaus laiko prognozavimas keičia maršrutų planavimą. Algoritmai atsižvelgia į dabartines eismo sąlygas, orų prognozes, pristatymo prioritetus ir nuolat perskaičiuoja optimalius maršrutus. Tai ne tik sutaupo kuro, bet ir pagerina klientų pasitenkinimą dėl tikslesnių pristatymo laikų.

Etiniai iššūkiai ir šališkumo problema

Negalime kalbėti apie dirbtinio intelekto vaidmenį statistikoje, neliesdami etinių klausimų. Dirbtinio intelekto modeliai mokosi iš duomenų, o duomenys atspindi mūsų visuomenės šališkumus, nelygybę ir istorines neteisybes.

Yra dokumentuotų atvejų, kai personalo atrankos algoritmai diskriminavo moteris, nes buvo apmokyti su istoriniais duomenimis, kur tam tikrose srityse dominavo vyrai. Kredito rizikos vertinimo modeliai kartais nepagrįstai baudžia tam tikras etnines ar socialines grupes.

Statistikai ir duomenų mokslininkai dabar turi būti ne tik techniniai ekspertai, bet ir etikos klausimų žinovai. Reikia aktyviai ieškoti šališkumo modeliuose, naudoti fairness metrics, atlikti disparate impact analizę.

Praktinis patarimas: visada analizuokite modelio sprendimus skirtingoms demografinėms grupėms atskirai. Jei modelis gerai veikia vidutiniškai, bet blogai tam tikrai grupei, tai problema. Naudokite technikas kaip reweighting, adversarial debiasing ar fairness constraints optimizavimo metu.

Be to, svarbu užtikrinti modelių interpretuojamumą. Sudėtingi gilieji neuronų tinklai gali būti „juodosios dėžės”, kur net jų kūrėjai nesupranta, kodėl modelis priėmė tam tikrą sprendimą. Tai nepriimtina daugelyje sričių, ypač sveikatos priežiūroje, teisėje, finansuose.

Todėl vis dažniau naudojami interpretuojamumo įrankiai, tokie kaip SHAP (SHapley Additive exPlanations) ar LIME (Local Interpretable Model-agnostic Explanations), kurie padeda paaiškinti, kokie veiksniai labiausiai prisidėjo prie konkretaus modelio sprendimo.

Kur link judame: hibridiniai metodai ir žmogiškasis elementas

Matydamas visus šiuos pokyčius, vis dažniau prieinu prie išvados, kad ateitis nėra apie dirbtinį intelektą prieš tradicinius statistinius metodus. Ateitis yra apie jų protingą derinimą.

Geriausi rezultatai dažnai pasiekiami naudojant hibridines sistemas, kur tradiciniai statistiniai metodai užtikrina teorinį pagrindą ir interpretuojamumą, o dirbtinio intelekto metodai prideda lankstumą ir gebėjimą tvarkytis su sudėtingumu. Pavyzdžiui, galite naudoti statistinius metodus pradiniam duomenų tyrimui ir hipotezių formulavimui, o tada taikyti mašininio mokymosi algoritmus sudėtingiems ryšiams modeliuoti.

Žmogiškasis elementas lieka kritiškai svarbus. Dirbtinis intelektas gali apdoroti duomenis ir rasti modelius, bet žmonės turi užduoti teisingus klausimus, interpretuoti rezultatus kontekste, priimti etinius sprendimus. Domenų ekspertų žinios yra neįkainojamos – jie žino, kurie kintamieji yra svarbūs, kokie ryšiai yra tikėtini, kokie rezultatai yra realistiški.

Praktiškai tai reiškia, kad organizacijoms reikia investuoti ne tik į technologijas, bet ir į žmonių mokymą. Statistikai turi mokytis apie mašininį mokymąsi, o duomenų mokslininkai – apie tradicinius statistinius metodus. Verslo vadovai turi suprasti bent pagrindus, kad galėtų kritiškai vertinti analitikos rezultatus.

Taip pat svarbu kurti tarpfunkcinę komandas, kur dirba kartu domenų ekspertai, statistikai, duomenų mokslininkai, IT specialistai ir verslo analitikai. Geriausi sprendimai gimsta iš tokio bendradarbiavimo, kur kiekvienas prisideda savo perspektyva.

Žvelgiant į ateitį, matome, kad dirbtinis intelektas toliau transformuos statistinių duomenų analizę ir prognozavimą. Kvantiniai kompiuteriai gali atnešti dar vieną revoliuciją, leidžiančią spręsti optimizavimo problemas, kurios dabar yra neįmanomos. Federuotas mokymasis leis mokytis iš paskirstytų duomenų, nesukeliant privatumo problemų. Neuromorfiniai procesoriai padarys dirbtinį intelektą efektyvesnį ir prieinamesnį.

Bet nepaisant visų technologinių pažangų, pagrindiniai statistikos principai – duomenų kokybė, tinkamas eksperimentų planavimas, atsargus išvadų formulavimas, etinis atsakingumas – lieka tokie pat svarbūs kaip ir anksčiau. Dirbtinis intelektas yra galingas įrankis, bet tik įrankis. Kaip jį naudosime, priklauso nuo mūsų.

Tvari energija: kaip „BMW“ prisitaiko prie šiuolaikinių rinkos tendencijų

24 kovo, 2025 www.statisticsjournal.lt

Technika, Transportas

Automobilių pramonė pastaraisiais metais patiria didelius pokyčius. Pasaulinės rinkos tendencijos vis labiau krypsta į elektrinių, tvarių transporto priemonių vystymą, o „BMW“ aktyviai prisitaiko prie šių naujų reikalavimų. Nors gamintojas ilgą laiką garsėjo galingais benzininiais ir dyzeliniais varikliais, šiandien „BMW“ vis intensyviau investuoja į elektra varomus automobilius ir inovatyvius sprendimus, padedančius sumažinti aplinkai daromą poveikį. Kokios yra „BMW“ strategijos ir kaip šis prekės ženklas prisitaiko prie pokyčių, plačiau papasakos ilgametę patirtį automobilių rinkoje turintys https://www.avkparts.lt/ specialistai.

Elektrifikacija – pagrindinė kryptis

Kaip jau buvo minėta anksčiau, „BMW“ gamintojas nuosekliai vykdo elektrifikacijos strategiją, leidžiančią kompanijai prisidėti prie visapusiško aplinkos taršos mažinimo. Jau dabar bendrovės gaminamos BMW dalys, elektromobiliai bei hibridiniai modeliai rinkoje susilaukia milžiniško vairuotojų dėmesio. Vienas ryškiausių pavyzdžių – visiškai elektriniai „BMW iX“, „i4“ ir „i7“, taip pat vis populiarėjantis elektrinis miesto visureigis „BMW iX3“. Pasak AVKparts ekspertų, „BMW“ iki 2030-ųjų planuoja, kad mažiausiai 50 % visų parduotų automobilių bus elektriniai. Šis žingsnis rodo tikrai tvirtą gamintojo įsipareigojimą prisitaikyti prie besikeičiančių rinkos sąlygų ir vis griežtesnių ekologinių standartų. Beje, nepaisant tiesioginės elektrifikacijos proceso, „BMW“ taip pat daug dėmesio skiria ir infrastruktūros plėtrai. Pavyzdžiui, gamintojas aktyviai bendradarbiauja su įkrovimo stotelių tinklais tam, kad elektromobilių vairavimas naudotojams būtų dar patogesnis ir, žinoma, prieinamesnis.

Tvarios gamybos iniciatyvos

Šiuolaikiniai vartotojai vis dažniau kreipia dėmesį ne tik į patį produktą, bet ir į tai, kaip jis yra pagaminamas. „BMW“ jau bent keletą metų vykdo tvarią gamybos politiką, siekdama ženkliai sumažinti gamybos metu kylantį aplinkos taršos pavojų. Bendrovė savo gamyklose aktyviai naudoja atsinaujinančią energiją, įrengia saulės baterijas ir diegia naujas energijos taupymo technologijas. „BMW“ gamykla Leipcige laikoma viena iš pažangiausių pasaulyje tvarumo srityje – čia didelę dalį automobilių gamybai būtinos energijos tiekia būtent vietinės vėjo jėgainės. AVKparts specialistai taip pat pastebi, kad „BMW“ savo tiekimo grandinėse nuosekliai mažina CO2 emisijas, reikalaudama iš tiekėjų laikytis aukštų ekologinių standartų. Taip užtikrinama, kad įmonės veikla būtų tvari ne tik automobilių surinkimo stadijoje, bet ir visuose gamybos etapuose.

Žiedinės ekonomikos principai

Dar vienas svarbus „BMW“ žingsnis – žiedinės ekonomikos principų įgyvendinimas. Tai reiškia, kad bendrovė aktyviai naudoja perdirbtas medžiagas savo automobiliuose ir komponentuose. Naujuose „BMW“ elektromobiliuose naudojamas perdirbtas aliuminis, perdirbti plastikai ir kitos tvarios medžiagos, padedančios sumažinti gamybos poveikį aplinkai.

Be to, „BMW“ siekia kuo efektyviau perdirbti naudotas baterijas. Pasak specialistų, šis gamintojas įgyvendina baterijų antrinio panaudojimo programas, kurių metu elektromobilių baterijos gali būti panaudotos energijos kaupimui arba, praradusios efektyvumą, perdirbamos saugiais ir aplinkai draugiškais metodais. Būtent šios iniciatyvos leidžia maksimaliai išnaudoti turimus resursus, mažinant naujų medžiagų poreikį ir gamybos procesų sukuriamą taršą.

Tvarumo ateitis „BMW“ perspektyvoje Aktyvūs „BMW“ gamintojo žingsniai elektromobilių plėtros, tvarios gamybos ir žiedinės ekonomikos srityse atspindi aiškią bendrovės poziciją ir norą neatsilikti nuo sparčiai besikeičiančių rinkos tendencijų. Ekspertai teigia, jog ateityje šios strategijos tik stiprės, todėl vartotojai gali būti ramūs, jog rinkdamiesi šio gamintojo automobilius, prisideda prie aplinkai draugiškesnės ateities kūrimo. Taip yra išsaugoma ir užtikrinama ne tik aplinkos švara, tačiau taip pat ir vairuotojų sąmoningumas, vedantis į gražesnį ir tvaresnį rytojų.

Kaip dirbtinis intelektas keičia statistikos rinkimo ir analizės metodus: praktinis vadovas organizacijoms

24 kovo, 2025 www.statisticsjournal.lt

IT, Patarimai

Kai skaičiai pradeda kalbėti patys

Buvo laikas, kai statistika organizacijose reiškė vieną dalyką: žmogų su Excel lentele ir kantrybe, kuri pribloškia. Duomenys rinkti rankomis, apklausos spausdintos ant popieriaus, o galutinė ataskaita pasirodydavo praėjus keliems mėnesiams nuo to momento, kai ji dar buvo aktuali. Šiandien tas pats procesas gali vykti beveik akimirksniu – ir tai nėra tik greičio klausimas.

Dirbtinis intelektas statistikos srityje nėra kažkoks ateities žaislas. Jis jau veikia – ligoninėse, savivaldybėse, mažose įmonėse, kurios galbūt net nežino, kad naudoja kažką, kas prieš dešimtmetį skambėjo kaip mokslinė fantastika.

Nuo duomenų chaoso iki prasmės

Didžiausia problema, su kuria susiduria organizacijos, nėra duomenų trūkumas. Priešingai – jų yra per daug. Pardavimų skaičiai, klientų atsiliepimai, socialinių tinklų srautas, darbuotojų apklausos, finansinės ataskaitos. Visa tai sėdi skirtinguose failuose, skirtingose sistemose, kartais skirtinguose kabinetuose.

Mašininio mokymosi algoritmai sugeba tai, ko žmogus fiziškai nepajėgus: peržiūrėti milijonus duomenų eilučių ir surasti ryšius, kurių niekas net neieškojo. Pavyzdžiui, viena prekybos įmonė pastebėjo, kad produkto grąžinimų pikas koreliuoja ne su jo kokybe, o su konkrečių darbuotojų pamainomis. Tai išaiškėjo ne per auditą, o per automatizuotą anomalijų aptikimą.

Praktiškai tai reiškia, kad organizacijos turėtų pradėti nuo paprastos, bet svarbios užduoties: duomenų konsolidavimo. Prieš diegiant bet kokį DI įrankį, verta suprasti, kokie duomenys apskritai egzistuoja ir kur jie gyvena. Tai skamba banaliai, tačiau daugelis organizacijų šio žingsnio praleido.

Rinkimas be klaidų – ar tai įmanoma?

Tradicinis statistikos rinkimas turi vieną neišvengiamą problemą: žmogų. Ne todėl, kad žmonės blogi, o todėl, kad jie pavargsta, apsirinka, interpretuoja klausimus skirtingai. Automatizuoti rinkimo įrankiai – nuo išmaniųjų apklausų sistemų iki jutiklių tinklų – šią problemą iš dalies išsprendžia.

Iš dalies – nes DI sukuria savo klaidų rūšis. Algoritmas, apmokytas ant šališkų duomenų, duos šališkus rezultatus. Tai vadinama bias problema, ir ji nėra teorinė. Buvo atvejų, kai personalo atrankos sistemos sistemingai ignoravo tam tikrų demografinių grupių kandidatus, nes istoriniai duomenys atspindėjo senas diskriminacines praktikas.

Todėl organizacijoms svarbu suprasti vieną dalyką: DI nėra neutralus. Jis atspindi tai, kuo jį maitinate. Reguliari modelių audito praktika – ne prabanga, o būtinybė.

Prognozavimas kaip nauja kompetencija

Vienas įdomiausių DI indėlių statistikoje – perėjimas nuo retrospektyvios analizės prie prognozavimo. Anksčiau organizacijos žiūrėjo atgal: kas nutiko praėjusį ketvirtį? Dabar galima klausti: kas nutiks kitą?

Prognozinė analitika jau naudojama sveikatos apsaugoje – numatyti, kurie pacientai turi didžiausią riziką pakartotinai patekti į ligoninę. Savivaldybėse – prognozuoti komunalinių paslaugų poreikį. Mažmeninėje prekyboje – valdyti atsargas taip, kad sandėlyje neliktų nei per daug, nei per mažai.

Organizacijoms, norinčioms pradėti, rekomenduojama rinktis vieną konkrečią problemą, o ne bandyti transformuoti viską iš karto. Koks klausimas jus kankina labiausiai? Kodėl klientai išeina? Kada darbuotojai palieka įmonę? Nuo to ir pradėkite.

Vizualizacija: kai lentelė tampa istorija

Statistika, kurios niekas nesupranta, yra bevertė. Čia DI taip pat padaro savo – šiuolaikiniai įrankiai ne tik analizuoja duomenis, bet ir paverčia juos interaktyviomis vizualizacijomis, kurias gali suprasti ir tas, kuris paskutinį kartą su statistika susidūrė mokykloje.

Tai keičia ir organizacinę kultūrą. Kai vadovas gali pats „pažaisti” su duomenimis, užduoti klausimus ir gauti atsakymus realiuoju laiku, sprendimai tampa labiau pagrįsti. Mažiau intuicijos, daugiau įrodymų. Nors intuicija, žinoma, niekur nedingsta – ir gerai, kad nedingsta.

Ten, kur skaičiai susitinka su sprendimais

Visa ši transformacija veda prie vieno esminio poslinkio: statistika nustoja būti IT departamento reikalu ir tampa vadovų kalba. Organizacijos, kurios tai supras anksčiau, turės aiškų pranašumą – ne todėl, kad turės geresnių algoritmų, o todėl, kad mokės geriau klausti.

Nes galiausiai DI tik atsako į klausimus. Teisingus klausimus vis dar turi užduoti žmogus. Ir tai, galbūt, yra geriausia žinia iš viso šio pokyčių sūkurio – technologija keičia įrankius, bet ne tai, kas svarbiausia: gebėjimą mąstyti, abejoti ir ieškoti prasmės ten, kur kiti mato tik eilutes ir stulpelius.

Dirbtinio intelekto taikymas statistinėje analizėje: kaip transformuoti verslo sprendimus duomenų amžiuje

11 kovo, 202511 kovo, 2025 www.statisticsjournal.lt

IT, Komercija, Patarimai

Statistinės analizės revoliucija: kada dirbtinis intelektas tampa būtinybe

Statistinė analizė versle egzistuoja jau dešimtmečius, tačiau tai, ką matome šiandien, prilygsta tektoniniam lūžiui. Tradiciniai statistikos metodai, kurie ilgą laiką buvo analitikų arsenalo pagrindas, susiduria su rimtais iššūkiais – duomenų kiekiai auga eksponentiškai, o jų struktūra tampa vis sudėtingesnė. Įmonės, kurios anksčiau galėjo pasikliauti paprastomis Excel lentelėmis ir bazine regresine analize, dabar priverstos ieškoti pažangesnių sprendimų.

Dirbtinis intelektas (DI) šiame kontekste nėra tik mados užgaida ar marketingo terminas – tai fundamentalus įrankis, keičiantis būdą, kuriuo organizacijos apdoroja informaciją ir priima sprendimus. Skirtingai nuo tradicinių statistinių metodų, DI algoritmai geba:

Atpažinti sudėtingus netiesinio pobūdžio ryšius tarp kintamųjų
Apdoroti milžiniškus duomenų kiekius realiu laiku
Integruoti struktūruotus ir nestruktūruotus duomenis į vieningą analizės sistemą
Mokytis iš naujų duomenų be nuolatinio žmogaus įsikišimo

Įdomu tai, kad DI taikymas statistinėje analizėje nėra visiškai naujas reiškinys – pirmieji bandymai integruoti mašininį mokymąsi į statistiką prasidėjo dar 1990-aisiais. Tačiau tik pastarąjį dešimtmetį, dėl skaičiavimo galios šuolio ir naujų algoritmų atsiradimo, šis metodas tapo prieinamas plačiam verslų ratui.

Mašininio mokymosi algoritmai: kada ir kurį pasirinkti?

Mašininio mokymosi algoritmai sudaro DI taikymo statistinėje analizėje branduolį. Tačiau vienas dažniausių klaidų šaltinių – netinkamo algoritmo pasirinkimas konkrečiam uždaviniui spręsti. Skirtingi algoritmai turi skirtingas stipriąsias ir silpnąsias puses, todėl jų taikymas turi būti strategiškai apgalvotas.

Prižiūrimo mokymosi algoritmai, tokie kaip tiesinė regresija, sprendimų medžiai ar neuroniniai tinklai, puikiai tinka prognozavimo uždaviniams, kai turime istorinius duomenis su aiškiomis išvadomis. Pavyzdžiui, finansų sektoriuje šie algoritmai naudojami kredito rizikai prognozuoti, analizuojant klientų mokėjimo istoriją, demografinius duomenis ir kitus rodiklius.

Neprižiūrimo mokymosi metodai, kaip k-vidurkių klasterizavimas ar principinių komponenčių analizė (PCA), naudingi ieškant paslėptų struktūrų dideliuose duomenų rinkiniuose. Mažmeninės prekybos įmonės naudoja šiuos metodus klientų segmentavimui, kad galėtų kurti tikslines marketingo kampanijas.

Štai praktinis algoritmo pasirinkimo gidas pagal uždavinio tipą:

Uždavinio tipas	Rekomenduojami algoritmai	Verslo pritaikymo pavyzdžiai
Prognozavimas (skaitinės reikšmės)	Tiesinė regresija, Sprendimų medžiai, Gradientinis stiprinimas	Pardavimų prognozės, Akcijų kainos prognozavimas
Klasifikavimas	Logistinė regresija, Random Forest, SVM, Neuroniniai tinklai	Klientų nutekėjimo prognozavimas, Sukčiavimo aptikimas
Segmentavimas	K-vidurkių, Hierarchinis klasterizavimas, DBSCAN	Klientų segmentavimas, Produktų grupavimas
Anomalijų aptikimas	Izoliacijos miškai, Vieno klasės SVM	Kibernetinio saugumo pažeidimų aptikimas, Gamybos defektų identifikavimas

Svarbu paminėti, kad algoritmo pasirinkimas – tik ledkalnio viršūnė. Lygiai taip pat svarbu tinkamai paruošti duomenis, atlikti požymių inžineriją ir nustatyti tinkamus hiperparametrus. Pavyzdžiui, finansinių duomenų analizėje dažnai susiduriama su išskirčių problema, kurią reikia spręsti dar prieš taikant bet kokį mašininio mokymosi algoritmą.

Gilieji neuroniniai tinklai: kada verta investuoti?

Gilieji neuroniniai tinklai (GNT) – viena įspūdingiausių DI technologijų, sugebanti spręsti itin sudėtingus uždavinius, tačiau kartu reikalaujanti didelių resursų. Verslo kontekste svarbu suprasti, kada šie sudėtingi modeliai iš tiesų atsiperka, o kada pakanka paprastesnių sprendimų.

GNT ypač naudingi dirbant su:

Vaizdų analizė – mažmeninės prekybos įmonės naudoja konvoliucinius neuroninius tinklus (CNN) prekių lentynose stebėjimui ir automatiniam atsargų valdymui.
Natūralios kalbos apdorojimas – finansų įmonės taiko rekurentinius neuroninius tinklus (RNN) ir transformerius sentimento analizei, stebėdamos rinkos nuotaikas socialiniuose tinkluose.
Laiko eilučių analizė – gamybos įmonės naudoja LSTM (Long Short-Term Memory) tinklus įrenginių gedimų prognozavimui, analizuodamos sensorių duomenis.

Tačiau būtina įvertinti ir kainą. GNT reikalauja:

Didelių duomenų kiekių mokymui (dažnai šimtų tūkstančių ar milijonų pavyzdžių)
Reikšmingų skaičiavimo resursų (specializuotos GPU ar TPU infrastruktūros)
Specialistų, išmanančių šių modelių architektūrą ir hiperparametrų derinimą

Vienas Lietuvos logistikos sektoriaus atvejis puikiai iliustruoja šį kompromisą. Įmonė bandė taikyti sudėtingą GNT tiekimo grandinės verslo optimizavimą su dirbtiniu intelektu, tačiau po šešių mėnesių investicijų suprato, kad paprastesnis XGBoost algoritmas pasiekia beveik tokį patį tikslumą su dešimt kartų mažesnėmis sąnaudomis. Šis pavyzdys primena svarbią taisyklę: visada pradėkite nuo paprastesnių modelių ir pereikite prie sudėtingesnių tik tada, kai įrodyta, kad jie duoda reikšmingą naudą.

Duomenų kokybė: kritinis veiksnys, kurio negalima ignoruoti

Net pažangiausi DI algoritmai negali kompensuoti prastos duomenų kokybės – tai fundamentali tiesa, kurią patvirtina nesuskaičiuojama daugybė nesėkmingų projektų. „Garbage in, garbage out” principas statistinėje analizėje galioja labiau nei bet kada.

Duomenų kokybės problemos, su kuriomis dažniausiai susiduriama versle:

Trūkstamos reikšmės – kai kurie kintamieji turi nepilnus duomenis, kas gali iškreipti analizes
Išskirtys – ekstremalios reikšmės, galinčios stipriai paveikti statistinius modelius
Nesubalansuoti duomenys – kai tam tikros kategorijos ar rezultatai yra neproporcingi (ypač aktualu sukčiavimo aptikimo sistemose)
Duomenų nutekėjimas – kai į modelio mokymą netyčia įtraukiama informacija iš ateities
Pasenę duomenys – kai istoriniai duomenys nebeatspindi dabartinės realybės

Praktinis pavyzdys: viena Baltijos šalių draudimo bendrovė bandė sukurti DI sistemą, prognozuojančią draudimo išmokų riziką. Nepaisant didelių investicijų į pažangius algoritmus, sistema veikė prastai. Problema paaiškėjo tik po gilesnės analizės – duomenyse buvo sistemingas šališkumas, nes istoriškai bendrovė buvo linkusi priimti tik mažos rizikos klientus. Kai šis šališkumas buvo identifikuotas ir koreguotas, net paprastesni algoritmai pradėjo rodyti gerus rezultatus.

Praktinės rekomendacijos duomenų kokybės užtikrinimui:

Sukurkite automatizuotus duomenų validavimo procesus, kurie būtų taikomi prieš bet kokią analizę
Įdiekite duomenų kokybės metrikas ir stebėkite jas laikui bėgant
Dokumentuokite duomenų šaltinius, transformacijas ir prielaidas
Reguliariai atnaujinkite mokymo duomenis, ypač greitai kintančiose srityse
Taikykite kryžminį validavimą ir testavimą su nepriklausomais duomenų rinkiniais

Įdomu tai, kad duomenų kokybės problemos dažnai atskleidžia gilesnes organizacines problemas – neefektyvius duomenų rinkimo procesus, komunikacijos trūkumus tarp skyrių ar netgi strateginius iššūkius. Todėl DI projektai neretai tampa katalizatoriais platesnėms organizacinėms transformacijoms.

Interpretabilumas: juodosios dėžės problema verslo sprendimuose

Vienas didžiausių iššūkių taikant pažangius DI metodus versle – jų interpretabilumo stoka. Daugelis galingų algoritmų, ypač gilieji neuroniniai tinklai, veikia kaip „juodosios dėžės”, kurių sprendimų logika nėra lengvai suprantama žmonėms. Tai kelia rimtų problemų verslo kontekste, kur sprendimų skaidrumas dažnai yra būtinas dėl reguliacinių, etinių ar praktinių priežasčių.

Reguliuojamose industrijose, kaip finansai ar sveikatos apsauga, algoritmo sprendimo paaiškinimas gali būti ne tik pageidautinas, bet ir teisiškai privalomas. Pavyzdžiui, BDAR (Bendrasis duomenų apsaugos reglamentas) Europoje numato „teisę į paaiškinimą” – asmenys turi teisę gauti informaciją apie automatizuotų sprendimų, darančių jiems reikšmingą poveikį, logiką.

Praktiniai metodai DI interpretabilumo didinimui:

LIME (Local Interpretable Model-agnostic Explanations) – metodas, leidžiantis paaiškinti individualius modelio sprendimus, analizuojant, kaip keičiasi prognozės keičiant įvesties parametrus
SHAP (SHapley Additive exPlanations) – metodas, pagrįstas kooperatinio žaidimo teorija, kuris priskiria kiekvienam požymiui jo indėlį į galutinį sprendimą
Požymių svarbos analizė – paprastesnis metodas, leidžiantis identifikuoti, kurie kintamieji daro didžiausią įtaką modelio sprendimams
Dalinės priklausomybės grafikas – vizualinis įrankis, rodantis, kaip konkrečių kintamųjų pokyčiai veikia modelio prognozes

Vienas įdomus atvejis iš Lietuvos bankininkystės sektoriaus: vidutinio dydžio bankas sukūrė pažangų neuroninį tinklą kredito rizikai vertinti, tačiau susidūrė su problema – klientams, kurių paraiškos buvo atmestos, reikėjo pateikti aiškų paaiškinimą. Bankas išsprendė šią problemą sukurdamas hibridinį modelį – neuroninis tinklas buvo naudojamas pirminei atrankai, o galutiniam sprendimui ir jo paaiškinimui buvo taikomas interpretabilus sprendimų medžio modelis. Šis kompromisas leido išlaikyti aukštą prognozavimo tikslumą, kartu užtikrinant sprendimų skaidrumą.

Realaus laiko analitika: žingsnis į priekį nuo retrospektyvinės analizės

Tradicinė statistinė analizė dažniausiai buvo retrospektyvinė – analizuojami istoriniai duomenys, siekiant suprasti, kas įvyko praeityje. Tačiau šiuolaikinis verslas reikalauja greito reagavimo į besikeičiančias sąlygas, o tai įmanoma tik su realaus laiko analitika.

DI algoritmai, integruoti į realaus laiko analitikos sistemas, leidžia verslui:

Aptikti anomalijas iškart joms atsiradus (pvz., sukčiavimo prevencija mokėjimų sistemose)
Dinamiškai koreguoti veiklą pagal besikeičiančias sąlygas (pvz., kainodara e-prekyboje)
Personalizuoti vartotojo patirtį realiu laiku (pvz., rekomendacijų sistemos)
Optimizuoti operacijas reaguojant į naujausius duomenis (pvz., tiekimo grandinės valdymas)

Realaus laiko analitikos įgyvendinimas reikalauja ne tik pažangių algoritmų, bet ir tinkamos technologinės infrastruktūros. Pagrindiniai komponentai apima:

Duomenų srautų apdorojimo platformas (Apache Kafka, Amazon Kinesis)
Paskirstyto skaičiavimo sistemas (Apache Spark, Flink)
Žemo latentiškumo duomenų bazes (Redis, Cassandra)
Mikroservisų architektūrą, leidžiančią lanksčiai plėsti sistemą

Praktinis pavyzdys iš Lietuvos energetikos sektoriaus: viena energijos tiekimo įmonė įdiegė realaus laiko analitikos sistemą, kuri analizuoja duomenis iš išmaniųjų skaitiklių. Sistema naudoja anomalijų aptikimo algoritmus, kurie per kelias minutes identifikuoja neįprastus vartojimo šablonus, galinčius rodyti įrangos gedimus ar energijos vagystes. Anksčiau tokių problemų aptikimas užtrukdavo savaites ar mėnesius. Įmonė apskaičiavo, kad naujoji sistema per pirmus metus sumažino nuostolius 1,7 mln. eurų.

Tačiau realaus laiko analitikos įgyvendinimas kelia ir unikalių iššūkių:

Algoritmai turi būti optimizuoti greitam veikimui, dažnai aukojant dalį tikslumo
Sistema turi būti atspari klaidoms ir gebėti apdoroti didelius duomenų kiekius be sutrikimų
Reikalingas nuolatinis stebėjimas ir priežiūra, užtikrinant, kad algoritmai veikia tinkamai kintančiomis sąlygomis

Duomenų demokratizacija: DI įrankiai ne tik duomenų mokslininkams

Ilgą laiką pažangi statistinė analizė ir DI buvo prieinami tik specializuotiems duomenų mokslininkams, turintiems gilų matematinį išsilavinimą ir programavimo įgūdžius. Tačiau pastaraisiais metais stebime reikšmingą pokytį – vadinamąją „duomenų demokratizaciją”, kai pažangūs analitiniai įrankiai tampa prieinami platesniam naudotojų ratui.

Šį pokytį skatina kelios tendencijos:

No-code ir low-code platformos, leidžiančios kurti ir diegti DI modelius be gilių programavimo žinių
AutoML (automatizuotas mašininis mokymasis) sprendimai, automatizuojantys sudėtingus modelių kūrimo ir optimizavimo procesus
Vizualinės analitikos įrankiai, transformuojantys sudėtingus duomenis į intuityviai suprantamas vizualizacijas
Integruotos verslo analitikos platformos, apjungiančios duomenų apdorojimą, analizę ir vizualizaciją

Praktinis pavyzdys iš mažmeninės prekybos: vidutinio dydžio Lietuvos prekybos tinklas, neturintis specialaus duomenų mokslininko etato, naudoja Microsoft Power BI su integruotais DI komponentais. Marketingo skyriaus darbuotojai, neturintys formalaus statistinio išsilavinimo, geba atlikti klientų segmentavimą, prognozuoti pardavimus ir optimizuoti prekių išdėstymą parduotuvėse. Tai leido įmonei padidinti pardavimus 12% per metus be reikšmingų papildomų investicijų į IT infrastruktūrą ar specializuotą personalą.

Tačiau duomenų demokratizacija kelia ir naujų iššūkių:

Duomenų raštingumo svarba – net ir su draugiškais įrankiais, bazinis statistinis išsilavinimas išlieka būtinas teisingam rezultatų interpretavimui
Kokybės kontrolė – kai daugiau žmonių kuria ir naudoja modelius, didėja klaidų ir netinkamo taikymo rizika
Duomenų valdymo kompleksiškumas – platesnis prieigos prie duomenų suteikimas reikalauja griežtesnių saugumo ir privatumo kontrolės mechanizmų

Organizacijos, sėkmingai įgyvendinančios duomenų demokratizaciją, dažniausiai taiko šiuos principus:

Investuoja į darbuotojų duomenų raštingumo ugdymą
Sukuria aiškią duomenų valdymo sistemą su apibrėžtomis atsakomybėmis
Įdiegia kokybės kontrolės mechanizmus, užtikrinančius modelių patikimumą
Skatina bendradarbiavimą tarp verslo padalinių ir duomenų specialistų

Ateities horizontai: duomenų ir intuicijos simbiozė

Dirbtinio intelekto revoliucija statistinėje analizėje nėra tik technologinis pokytis – tai fundamentalus poslinkis organizacijų sprendimų priėmimo kultūroje. Perėjimas nuo intuicija grįstų sprendimų prie duomenimis paremtų įžvalgų nėra toks paprastas, kaip gali atrodyti iš pirmo žvilgsnio.

Klaidinga manyti, kad DI visiškai pakeis žmogaus sprendimus – veiksmingiausi sprendimai dažniausiai gimsta iš duomenų ir žmogiškosios intuicijos sąveikos. Patyrę vadovai žino, kad kartais skaičiai neatskleidžia visos istorijos, o konteksto supratimas ir patirtis išlieka neįkainojami.

Žvelgiant į ateitį, matome ne žmogaus ir mašinos konkurenciją, o naują simbiozę – kur DI atlieka tai, ką geriausiai moka (didelių duomenų kiekių analizė, šablonų atpažinimas), o žmonės koncentruojasi į tai, kur jų pranašumas išlieka (strateginis mąstymas, kūrybiškumas, etinių aspektų vertinimas).

Organizacijos, kurios sugebės sukurti šią simbiozę, įgis reikšmingą konkurencinį pranašumą. Jau dabar matome, kad lyderiaujančios įmonės ne tik diegia pažangiausius algoritmus, bet ir transformuoja savo organizacinę kultūrą, skatindamos duomenimis grįstą mąstymą visuose lygmenyse.

Galiausiai, didžiausias DI taikymo statistinėje analizėje potencialas slypi ne tik efektyvumo didėjime ar kaštų mažėjime, bet naujų galimybių atvėrime – produktų, kurie anksčiau buvo neįsivaizduojami, paslaugų, kurios anksčiau buvo neįmanomos, ir sprendimų, kurie anksčiau buvo nepasiekiami. Šiame kontekste statistinė analizė tampa ne tik verslo operacijų optimizavimo įrankiu, bet ir strateginės transformacijos varikliu.

Kelias į tikrai duomenimis grįstą organizaciją nėra trumpas ar lengvas, tačiau kiekvienas žingsnis šia kryptimi artina mus prie ateities, kurioje verslo sprendimai tampa ne tik greitesni ir tikslesni, bet ir fundamentaliai geresni. O tai galiausiai yra svarbiausia.

Plačiau skaityti – AI mokymai įmonėms

Kaip efektyviai interpretuoti ir panaudoti oficialios statistikos duomenis verslo sprendimams priimti

7 kovo, 2025 www.statisticsjournal.lt

Faktai, Komercija, Patarimai

Kodėl statistika nėra tik skaičiai ant popieriaus

Žinot, kas labiausiai stebina? Kad daugelis verslų turi prieigą prie neįtikėtino kiekio oficialios statistikos duomenų, bet elgiasi su jais tarsi tai būtų kažkokia nuobodi mokyklinė medžiaga. O tai – tikras aukso rudis! Statistikos departamento, Eurostat ar kitų institucijų skelbiami duomenys gali tapti jūsų verslo supergebėjimu, jei tik mokate juos tinkamai perskaityti ir pritaikyti.

Problema ta, kad dauguma žmonių mato lentelę su skaičiais ir iš karto jaučia norą užsimerkti. Bet štai ko jie nesupranta: už tų skaičių slypi tikros istorijos, tendencijos ir galimybės, kurios gali pakeisti visą jūsų verslo strategiją. Aš pats esu matęs, kaip vienas nedidelis e-komercijos startuolis, išanalizavęs vartojimo tendencijų statistiką, padidino pardavimus 340% per pusmetį. Ir ne, tai nebuvo magiška – tai buvo tiesiog protingas duomenų panaudojimas.

Kur rasti patikimiausius duomenis ir kaip neskęsti informacijos jūroje

Pirmas žingsnis – žinoti, kur ieškoti. Lietuvoje turime puikų Statistikos departamentą (osp.stat.gov.lt), kuris renka ir skelbia įvairiausią informaciją – nuo gyventojų pajamų iki verslo aktyvumo rodiklių. Eurostat duomenų bazė – tai jūsų langas į visą Europos rinką. O jei planuojate tarptautinius žingsnius, OECD ir Pasaulio banko statistika atvers duris į globalią perspektyvą.

Bet štai problema: šių duomenų tiek daug, kad galite praleisti savaites naršydami ir taip nieko ir nesupratę. Mano patarimas? Pradėkite nuo konkrečios problemos ar klausimo. Pavyzdžiui, jei planuojate atidaryti kavinę, jums reikia žinoti: kiek žmonių gyvena jūsų pasirinktame rajone, kokios jų pajamos, kokia amžiaus struktūra, kaip keičiasi vartojimo įpročiai. Tuomet ieškote būtent šių duomenų, o ne visų iš eilės.

Dar vienas praktiškas patarimas – susikurkite duomenų šaltinius pagal temas. Aš asmeniškai naudoju paprastą Excel lentelę, kur įsirašau nuorodas į dažniausiai naudojamus statistikos puslapius, kokius duomenis ten galiu rasti ir kaip dažnai jie atnaujinami. Taip sutaupau begalę laiko.

Kaip skaityti statistiką taip, kad ji pasakytų jums tikrąją istoriją

Dabar prie smagiausios dalies – kaip iš sausų skaičių išgauti prasmę. Pirmiausia, niekada nežiūrėkite tik į vieną skaičių ar vieną laikotarpį. Statistika – tai kaip filmas, ne nuotrauka. Jums reikia matyti tendencijas, pokyčius, sezoninį svyravimą.

Tarkime, matote, kad praėjusiais metais jūsų sektoriuje apyvarta išaugo 5%. Skamba gerai, tiesa? Bet palaukite! Pažiūrėkite, kaip augo praėjusiais penkiais metais. Gal tai lėčiausias augimas per visą laikotarpį? O gal tai atsigavimas po kritimo? Kontekstas – štai kas svarbiausia.

Vienas iš mano mėgstamiausių triukų – lyginimas su vidurkiais ir medianoromis. Jei vidutinės pajamos jūsų tikslinėje rinkoje yra 1500 eurų, bet mediana – 1100 eurų, tai reiškia, kad yra nedidelė grupė labai gerai uždirbančių žmonių, bet dauguma uždirba mažiau. Tai kardinaliai pakeičia jūsų kainų strategiją, ar ne?

Segmentavimas ir detalesnė analizė – čia prasideda tikroji magija

Oficiali statistika dažnai pateikiama segmentuota – pagal amžių, lytį, regionus, išsilavinimą. Ir čia prasideda tikrasis šou! Nebežiūrėkite į bendrą vaizdą – įsigilinskite į segmentus, kurie aktualūs jūsų verslui.

Pavyzdžiui, jei parduodate sporto prekes, jums neįdomu, kiek vidutiniškai lietuviai išleidžia laisvalaikiui. Jums įdomu, kiek išleidžia 25-40 metų amžiaus žmonės su vidurkį viršijančiomis pajamomis, gyvenantys miestuose. Matote skirtumą? Tai visiškai kitas žaidimas!

Aš visada rekomenduoju susikurti savo idealaus kliento profilį ir tada ieškoti statistikos, kuri atitinka šį profilį. Kiek tokių žmonių yra? Kaip keičiasi jų skaičius? Kokios jų vartojimo tendencijos? Ar jie linkę pirkti internetu ar fizinėse parduotuvėse? Visa ši informacija yra prieinama oficialios statistikos šaltiniuose, tik reikia mokėti ją surasti ir sujungti.

Ekonominiai ciklai ir sezoniniai svyravimai – jūsų slaptas ginklas

Štai ką daugelis praleidžia: ekonomika juda ciklais, o daugelis verslo sektorių turi aiškius sezonius svyravimus. Oficiali statistika puikiai tai atspindi, jei mokate skaityti tarp eilučių.

Žiūrėkite į kelis metus atgal ir ieškokite modelių. Gal pastebėsite, kad jūsų sektoriuje pardavimai visada krenta kovą, bet šauna į viršų rugsėjį? Arba kad ekonominių sunkumų laikotarpiais žmonės pereina prie pigesnių alternatyvų? Šie įžvalgos leidžia jums planuoti atsargas, rinkodaros kampanijas ir net personalo poreikius.

Vienas mano klientas, dirbantis statybų sektoriuje, išanalizavo kelių metų statybų leidimų statistiką ir pastebėjo, kad po kiekvieno staigaus kritimo visada seka spartus augimas maždaug po 18 mėnesių. Jis pasinaudojo šia žinia ir kritiniu momentu investavo į įrangą ir personalą, kai konkurentai mažino veiklą. Rezultatas? Kai rinka atsigavo, jis buvo vienintelis, galintis greitai priimti užsakymus, ir jo rinkos dalis pašoko dvigubai.

Kaip sujungti skirtingus duomenų šaltinius ir gauti holistinį vaizdą

Tikroji jėga atsiranda, kai pradedi jungti skirtingus statistikos duomenis. Demografinė statistika + vartojimo tendencijos + ekonominiai rodikliai + jūsų sektoriaus specifiniai duomenys = aukso kasykla įžvalgų.

Tarkime, analizuojate galimybes plėstis į naują regioną. Žiūrite: gyventojų skaičius auga (demografija), vidutinės pajamos kyla (ekonomika), jūsų produktų kategorijos pardavimai regione auga greičiau nei šalies vidurkis (sektorinė statistika), o konkurentų skaičius vis dar nedidelis (verslo registrų statistika). Boom! Turite stiprų argumentą investicijai.

Aš naudoju tokį metodą: susikuriu Excel’yje arba Google Sheets’e lentelę, kur horizontalioje ašyje įrašau skirtingus duomenų šaltinius, o vertikalioje – savo verslo klausimus ar hipotezes. Tada užpildau, kokie duomenys palaiko ar paneigia kiekvieną hipotezę. Tai padeda matyti bendrą vaizdą ir priimti pagrįstus sprendimus.

Dažniausios klaidos interpretuojant statistiką ir kaip jų išvengti

Gerai, dabar apie tai, ko nedaryti. Pirmiausia – niekada nepainiokite koreliacijos su priežastingumu. Tai, kad du rodikliai juda kartu, nereiškia, kad vienas sukelia kitą. Gali būti trečias veiksnys, arba tai gali būti tiesiog atsitiktinumas.

Antra klaida – ignoruoti statistinį reikšmingumą ir imties dydį. Jei statistika paremta labai maža imtimi ar trumpu laikotarpiu, ji gali būti klaidinanti. Visada žiūrėkite, kiek duomenų buvo panaudota analizei.

Trečia – patvirtinimo šališkumas. Tai kai ieškote tik tų duomenų, kurie patvirtina jūsų jau turimas nuomones. Būkite kritiškai nusiteikę ir sąžiningai žiūrėkite į duomenis, kurie prieštarauja jūsų lūkesčiams. Kartais būtent jie atskleidžia didžiausias galimybes.

Ketvirta – per didelis pasitikėjimas prognozėmis. Oficiali statistika dažnai pateikia prognozes, bet atminkite – tai tik modeliai, paremti prielaidomis. Realybė gali būti kitokia. Naudokite prognozes kaip gaires, bet visada turėkite planą B.

Praktiniai įrankiai ir būdai, kaip integruoti statistikos analizę į kasdienę verslo praktiką

Dabar prie konkrečių veiksmų. Pirma, susikurkite statistikos stebėjimo sistemą. Pasirinkite 5-10 svarbiausių rodiklių jūsų verslui ir stebėkite juos reguliariai – kas ketvirtį ar kas pusmetį. Tai gali būti vartotojų pasitikėjimo indeksas, nedarbo lygis jūsų regione, vidutinės pajamos, jūsų sektoriaus apyvarta, infliacijos rodikliai ir pan.

Antra, įtraukite statistikos analizę į savo strateginio planavimo procesą. Prieš priimdami bet kokį svarbų sprendimą – naują produktą, rinkos plėtrą, kainų keitimą – pažiūrėkite, ką sako statistika. Padarykite tai įpročiu, ne išimtimi.

Trečia, naudokite vizualizacijos įrankius. Sausus skaičius sunku suvokti, bet grafikai ir diagramos iš karto atskleidžia tendencijas. Excel, Google Sheets, Tableau, Power BI – pasirinkite tai, kas jums patogiausia. Aš asmeniškai mėgstu Google Data Studio, nes galiu lengvai dalintis interaktyviais ataskaitomis su komanda.

Ketvirta, mokykite savo komandą. Statistikos analizė neturėtų būti tik vieno žmogaus darbas. Kuo daugiau jūsų komandos narių supranta, kaip skaityti ir interpretuoti duomenis, tuo geresni bus sprendimai visuose lygiuose.

Kai skaičiai virsta veiksmais ir rezultatais

Žinote, kas labiausiai džiugina? Kai matai, kaip statistikos duomenys, kurie iš pradžių atrodė kaip nuobodūs skaičiai, virsta konkrečiais veiksmais ir tikrais rezultatais. Tai tarsi turėti žemėlapį su pažymėta X vieta, kur paslėptas lobis – tik šiuo atveju lobis yra verslo galimybės.

Oficiali statistika – tai ne kažkas, ką reikia naudoti tik dideliems korporacijoms ar akademikams. Tai praktiškas įrankis kiekvienam verslui, nesvarbu, ar jūs esate vieno žmogaus startuolis, ar vidutinė įmonė. Svarbiausia – pradėti ją naudoti sistemingai ir kūrybiškai.

Pradėkite nuo mažų žingsnių. Pasirinkite vieną verslo klausimą, kuris jus kankina. Suraskite statistikos duomenis, kurie galėtų padėti į jį atsakyti. Išanalizuokite juos pagal šiame straipsnyje aprašytus principus. Priimkite sprendimą. Įgyvendinkite. Stebėkite rezultatus. Ir tada kartokite procesą su kitu klausimu.

Su laiku pastebėsite, kad jūsų sprendimai tampa pagrįstesni, rizikos mažesnės, o galimybės aiškesnės. Jūs nebespėliosite, kas veiks rinkoje – žinosite, nes turėsite duomenis, kurie tai patvirtina. Ir kai jūsų konkurentai vis dar priima sprendimus remdamiesi nuojauta ar „taip visada darėme”, jūs jau būsite keliais žingsniais priekyje, vedami statistikos įžvalgų.

Taigi, nebelaukite. Atidarykite Statistikos departamento svetainę, pradėkite tyrinėti duomenis, susijusius su jūsų verslu, ir leiskite skaičiams papasakoti jums savo istoriją. Garantuoju – tai bus viena įdomiausių ir naudingiausių istorijų, kokias kada nors girdėjote!

Alergijos Lietuvoje: Statistinė Analizė ir Prevencijos Strategijos

28 vasario, 2025 www.statisticsjournal.lt

Faktai, Patarimai

Alergijų paplitimas Lietuvoje: ką sako skaičiai?

Alergijos Lietuvoje, kaip ir visame pasaulyje, tampa vis didesne visuomenės sveikatos problema. Remiantis naujausiais Higienos instituto duomenimis, maždaug 30% Lietuvos gyventojų kenčia nuo vienokios ar kitokios alergijos formos. Tai reiškia, kad beveik trečdalis mūsų tautiečių susiduria su imuniteto sistemos sutrikimais, kurie pasireiškia padidėjusiu jautrumu įvairiems aplinkos veiksniams.

Įdomu pastebėti, kad per pastaruosius 15 metų alergijų paplitimas Lietuvoje išaugo beveik 40%. Ypač nerimą kelia didėjantis vaikų, sergančių alerginėmis ligomis, skaičius. Lietuvos vaikų pulmonologų asociacijos duomenimis, net 20% mokyklinio amžiaus vaikų serga alerginiu rinitu, o 8-10% – astma. Šie skaičiai viršija Europos vidurkį ir verčia susimąstyti apie galimas priežastis.

Regioniniu požiūriu pastebimi tam tikri skirtumai – didmiesčiuose (Vilniuje, Kaune, Klaipėdoje) alergijų paplitimas yra didesnis nei mažesniuose miesteliuose ar kaimo vietovėse. Tai siejama su didesne oro tarša, mažesniu kontaktu su natūralia aplinka ir kitais urbanizacijos veiksniais.

Sezoninės alergijos: žiedadulkių kalendorius Lietuvoje

Lietuvos klimato sąlygos sukuria specifinį žiedadulkių sezonų pasiskirstymą, kuris skiriasi nuo pietinių Europos šalių. Mūsų šalyje žiedadulkių sezonas prasideda kovo-balandžio mėnesiais ir tęsiasi iki rugsėjo-spalio, priklausomai nuo oro sąlygų.

Ankstyvą pavasarį (kovo-balandžio mėn.) didžiausią problemą kelia medžių žiedadulkės – lazdyno, alksnio, beržo. Pastarojo žiedadulkės yra vienos alergiškiausių Lietuvoje, sukeliančių simptomus maždaug 20% visų alergiškų žmonių. Gegužės-birželio mėnesiais į orą patenka žolių žiedadulkės, ypač varpinių, o birželio pabaigoje prasideda kiečio žydėjimas. Liepos-rugpjūčio mėnesiais didžiausią grėsmę kelia piktžolės, ypač kietis ir pelynas.

Lietuvos klimato kaita lemia tai, kad žiedadulkių sezonai tampa ilgesni ir intensyvesni. Mokslininkai pastebi, kad per pastaruosius 20 metų žiedadulkių sezonas prasideda vidutiniškai 10-14 dienų anksčiau nei XX amžiaus pabaigoje. Taip pat didėja žiedadulkių koncentracija ore, o tai lemia sunkesnius alergijos simptomus.

Praktinis patarimas: sekite žiedadulkių prognozes specialiose programėlėse arba Lietuvos hidrometeorologijos tarnybos svetainėje. Žinodami, kada tikėtinas jūsų alergenų pikas, galėsite iš anksto pasiruošti – pradėti vartoti vaistus, planuoti veiklas uždarose patalpose.

Maisto alergijos specifika Lietuvoje

Maisto alergijos Lietuvoje turi savo specifiką, susijusią su mūsų mitybos tradicijomis ir įpročiais. Lietuvos alergologų ir klinikinių imunologų draugijos duomenimis, dažniausi maisto alergenai Lietuvoje yra:

Karvės pienas ir jo produktai (ypač vaikams iki 3 metų)
Kiaušiniai
Žuvis ir jūros gėrybės
Riešutai, ypač lazdyno ir žemės riešutai
Kviečiai ir kiti glitimo turintys javai

Įdomu tai, kad pastaraisiais metais stebimas ryškus augalinio maisto alergijų augimas – sojų, riešutų, sezamo sėklų. Tai siejama su besikeičiančiais mitybos įpročiais, didėjančiu vegetarizmo populiarumu ir naujų, anksčiau Lietuvoje neįprastų produktų vartojimu.

Maisto alergijos diagnostika Lietuvoje per pastaruosius metus padarė didelę pažangą. Dabar alergologai gali atlikti ne tik odos dūrio mėginius, bet ir molekulinę diagnostiką, kuri leidžia tiksliai nustatyti, kuriam baltymui žmogus yra alergiškas. Tai ypač svarbu diferencijuojant tikrą alergiją nuo kryžminių reakcijų ar netoleravimo.

Praktinė rekomendacija: jei įtariate maisto alergiją, neeksperimentuokite su eliminacinėmis dietomis be gydytojo priežiūros. Netinkamai sudaryta dieta gali sukelti mitybos nepakankamumą, ypač vaikams. Kreipkitės į alergologą, kuris paskirs tinkamus tyrimus ir padės sudaryti individualų mitybos planą.

Aplinkos veiksnių įtaka alergijų vystymuisi

Lietuvos mokslininkai, kartu su kolegomis iš Europos, atlieka tyrimus, kurie rodo aiškią aplinkos veiksnių įtaką alergijų paplitimui. Vienas įdomiausių pastebėjimų – vadinamasis „higienos paradoksas”. Pernelyg sterili aplinka ankstyvoje vaikystėje gali būti viena iš priežasčių, kodėl imuniteto sistema vėliau netinkamai reaguoja į nepavojingus aplinkos veiksnius.

Vilniaus universiteto atlikti tyrimai parodė, kad vaikai, augę ūkiuose arba namuose su naminiais gyvūnais, turi mažesnę riziką susirgti alerginėmis ligomis. Tai patvirtina hipotezę, kad kontaktas su įvairiais mikroorganizmais ankstyvoje vaikystėje „treniruoja” imuniteto sistemą ir mažina alergijų riziką.

Kitas svarbus veiksnys – oro tarša. Lietuvos didmiesčiuose, ypač šildymo sezono metu, kietųjų dalelių koncentracija ore dažnai viršija leistinas normas. Šios dalelės ne tik paaštrinta esamus alerginius simptomus, bet ir didina naujų alergijų išsivystymo riziką. Ypač jautrūs oro taršai yra vaikai ir paaugliai, kurių kvėpavimo sistema dar formuojasi.

Praktinis patarimas: jei gyvenate mieste, stebėkite oro kokybės indeksą ir ribokite fizinį aktyvumą lauke dienomis, kai oro tarša didžiausia. Namuose naudokite oro valymo įrenginius, ypač miegamuosiuose, ir reguliariai vėdinkite patalpas anksti ryte, kai oro tarša mažiausia.

Alergijų diagnostika ir gydymas Lietuvoje

Lietuvoje alergijų diagnostikos ir gydymo galimybės nuolat tobulėja, nors vis dar susiduriama su tam tikrais iššūkiais. Pagrindinės diagnostikos priemonės, prieinamos Lietuvos pacientams:

Odos dūrio mėginiai – plačiausiai naudojamas ir prieinamiausias tyrimas
Specifinių IgE antikūnų nustatymas kraujyje – tikslesnis, bet brangesnis metodas
Molekulinė diagnostika – naujausia technologija, leidžianti tiksliai identifikuoti alergenus molekulių lygmeniu
Provokaciniai mėginiai – naudojami patvirtinti diagnozę neaiškiais atvejais

Deja, eilės pas alergologus Lietuvoje išlieka ilgos, ypač didžiuosiuose miestuose. Vidutinis laukimo laikas konsultacijai siekia 2-3 mėnesius, o kai kuriuose regionuose alergologų paslaugos išvis sunkiai prieinamos. Tai verčia pacientus ieškoti alternatyvių, kartais mokamų paslaugų arba, blogiau, bandyti gydytis savarankiškai.

Gydymo metodai taip pat tobulėja. Be tradicinių antihistamininių preparatų ir kortikosteroidų, Lietuvoje jau prieinama ir alergenų specifinė imunoterapija (ASIT) – vienintelis gydymo metodas, galintis pakeisti ligos eigą, o ne tik malšinti simptomus. Deja, šis gydymas kompensuojamas tik iš dalies ir ne visoms pacientų grupėms.

Praktinė rekomendacija: jei susiduriate su alerginiais simptomais, pirmiausia kreipkitės į šeimos gydytoją, kuris gali paskirti pradinius tyrimus ir, reikalui esant, nukreipti pas alergologą. Neatidėliokite vizito iki alergijų sezono piko – diagnostiką geriausia atlikti ne paūmėjimo metu.

Inovatyvūs sprendimai ir technologijos alergijų valdymui

Technologijų pažanga atveria naujas galimybes alergijų valdymui. Lietuvoje jau galima naudotis įvairiais išmaniaisiais įrenginiais ir programėlėmis, kurios padeda sekti alergijų simptomus, aplinkos veiksnius ir net prognozuoti paūmėjimus.

Vienas įdomiausių pavyzdžių – Lietuvos startuolio sukurta programėlė, kuri, analizuodama oro sąlygas, žiedadulkių koncentraciją ir individualius naudotojo duomenis, gali prognozuoti alergijos simptomus su 85% tikslumu. Tokios technologijos leidžia pacientams geriau planuoti savo dieną ir laiku imtis prevencinių priemonių.

Namuose naudojami oro valymo įrenginiai su HEPA filtrais tampa vis populiaresni tarp alergikų. Tyrimai rodo, kad kokybiški oro valytuvai gali sumažinti alergenų koncentraciją patalpose iki 99%, o tai reikšmingai sumažina simptomus. Lietuvos rinkoje jau galima rasti įrenginių, kurie ne tik valo orą, bet ir stebi jo kokybę, automatiškai reguliuodami savo veikimą.

Tekstilės pramonėje taip pat atsiranda naujovių – antialerginiai užvalkalai čiužiniams ir pagalvėms, specialūs drabužiai su alergenams atspariais audiniais. Lietuvos įmonės jau gamina natūralios kosmetikos produktus, skirtus jautriai, į alergijas linkusiai odai.

Praktinis patarimas: investuokite į kokybišką oro valytuvą su HEPA filtru miegamajame – tai viena efektyviausių priemonių, galinčių pagerinti miego kokybę alergikams. Taip pat verta įsigyti specialius užvalkalus čiužiniui ir pagalvėms, kurie sumažina dulkių erkučių alergenų poveikį.

Ką gali padaryti visuomenė ir valstybė?

Alergijų problema Lietuvoje reikalauja kompleksinio požiūrio, apimančio tiek individualias pastangas, tiek visuomenės ir valstybės veiksmus. Lietuvos alergologų draugija nuolat pabrėžia prevencijos svarbą ir siūlo keletą strateginių krypčių:

Pirma, būtina gerinti visuomenės švietimą apie alergijas. Dažnai žmonės neatpažįsta alergijos simptomų arba juos ignoruoja, manydami, kad tai tik „įprasta sloga” ar „sezoninis negalavimas”. Ankstyvas alergijų atpažinimas ir gydymas gali užkirsti kelią rimtesnėms komplikacijoms, tokioms kaip astma.

Antra, reikalingos valstybinės programos, skirtos oro kokybei gerinti. Tai apima transporto taršos mažinimą miestuose, šildymo sistemų modernizavimą, žaliųjų zonų plėtrą. Kaunas ir Vilnius jau įgyvendina tam tikras iniciatyvas, tačiau reikalingas sisteminis požiūris nacionaliniu lygiu.

Trečia, sveikatos apsaugos sistema turėtų užtikrinti geresnį alergologinių paslaugų prieinamumą. Šiuo metu kai kuriuose regionuose pacientai turi važiuoti šimtus kilometrų, kad patektų pas alergologą. Telemedicinos plėtra galėtų iš dalies spręsti šią problemą.

Ketvirta, būtina gerinti alergijų prevenciją mokyklose ir darželiuose. Tai apima tiek tinkamą patalpų vėdinimą ir valymą, tiek personalo mokymą atpažinti alergines reakcijas ir suteikti pirmąją pagalbą.

Praktinė rekomendacija: jei esate mokytojas ar ugdymo įstaigos darbuotojas, pasirūpinkite, kad būtų sudarytas alergijų valdymo planas, apimantis informaciją apie alergiškus vaikus, jų alergenus ir veiksmus alergijos atveju. Tai gali išgelbėti gyvybę anafilaksijos atveju.

Alergijų ateitis Lietuvoje: tarp iššūkių ir vilties

Žvelgiant į ateitį, alergijų problema Lietuvoje greičiausiai išliks aktuali ir net gali aštrėti dėl klimato kaitos, urbanizacijos ir besikeičiančių gyvenimo būdo įpročių. Tačiau kartu matome ir daug vilties teikiančių tendencijų.

Moksliniai tyrimai atveria naujas galimybes alergijų prevencijai ir gydymui. Lietuvos mokslininkai, bendradarbiaudami su kolegomis iš užsienio, tiria mikrobiomos (žmogaus organizme gyvenančių mikroorganizmų visumos) įtaką alergijų vystymuisi. Šie tyrimai gali padėti sukurti naujas prevencijos strategijas, pagrįstas natūralaus imuniteto stiprinimu.

Personalizuota medicina tampa realybe – jau dabar galima pritaikyti gydymą pagal individualius paciento genetinius ir imuninius ypatumus. Tai leidžia efektyviau gydyti alergijas ir sumažinti šalutinį poveikį. Lietuvos sveikatos mokslų universiteto mokslininkai aktyviai dalyvauja šiuose tyrimuose.

Visuomenės sąmoningumas taip pat auga – vis daugiau žmonių domisi sveika gyvensena, natūralia aplinka, ekologiškais produktais. Tai kuria prielaidas geresnei alergijų prevencijai ir valdymui.

Galiausiai, technologijų pažanga leidžia tikėtis, kad ateityje turėsime dar efektyvesnių įrankių alergijų diagnostikai, gydymui ir kasdieniam valdymui. Nuo išmaniųjų inhaliatorių iki namų aplinkos stebėsenos sistemų – inovacijos gali padėti alergikams gyventi visavertį gyvenimą.

Alergijos išlieka sudėtinga sveikatos problema, tačiau sutelktos visuomenės, mokslininkų, gydytojų ir pačių pacientų pastangos leidžia tikėtis, kad ateityje galėsime efektyviau užkirsti joms kelią ir geriau kontroliuoti jų eigą. Svarbiausia – neprarasti budrumo ir toliau investuoti į mokslinius tyrimus, švietimą ir prevencines programas, nes tik kompleksinis požiūris gali padėti suvaldyti šį augantį iššūkį Lietuvos visuomenės sveikatai.

Kaip Lietuvos gyventojų skaičius keitėsi per pastarąjį dešimtmetį: pagrindinės tendencijos ir priežastys

12 vasario, 2025 www.statisticsjournal.lt

Faktai

Demografinė krizė arba natūrali transformacija?

Lietuvos gyventojų skaičius per pastarąjį dešimtmetį sumažėjo gana reikšmingai. 2013 metais šalyje gyveno apie 2,9 milijono žmonių, tačiau 2023-aisiais šis skaičius artėja prie 2,8 milijono ribos. Tai nėra katastrofiškas kritimas, tačiau tendencija aiški ir nuosekli – Lietuva praranda gyventojus greičiau, nei sugeba juos atgauti.

Emigracija – senas, bet vis dar aktualus reiškinys

Pagrindinė gyventojų mažėjimo priežastis išlieka emigracija. Po 2004 metų, kai Lietuva įstojo į Europos Sąjungą, emigracijos bangos nesustojo. Per pastarąjį dešimtmetį daugiausiai žmonių išvyko į Jungtinę Karalystę, Vokietiją ir Norvegiją. Ypač aktyviai emigruoja darbingo amžiaus žmonės nuo 25 iki 40 metų, o tai ilgainiui kuria papildomą spaudimą pensijų sistemai ir darbo rinkai.

Verta paminėti, kad emigracija nėra vienakryptė. Grįžtamoji migracija taip pat egzistuoja, tačiau grįžtančių skaičius vis dar atsilieka nuo išvykstančių. Situacija šiek tiek pagerėjo po COVID-19 pandemijos, kai dalis lietuvių nusprendė sugrįžti, tačiau tai buvo greičiau laikinas reiškinys nei ilgalaikė tendencija.

Gimstamumas ir natūrali gyventojų kaita

Kitas svarbus veiksnys – mažėjantis gimstamumas. Lietuva, kaip ir daugelis Rytų Europos šalių, susiduria su situacija, kai moterys vidutiniškai susilaukia mažiau nei dviejų vaikų. Tai reiškia, kad kartų kaita nevyksta pilnai. Valstybė bandė skatinti gimstamumą įvairiomis pašalpomis ir lengvatomis, tačiau šios priemonės davė tik ribotą efektą.

Mirtingumas taip pat vaidina svarbų vaidmenį. Nors vidutinė gyvenimo trukmė Lietuvoje ilgėja, ji vis dar atsilieka nuo Vakarų Europos vidurkio. Ypač didelis atotrūkis pastebimas tarp vyrų ir moterų gyvenimo trukmės.

Imigracija – nauja realybė

Pastaraisiais metais Lietuva tapo ne tik emigracijos, bet ir imigracijos šalimi. Ukrainos karo pabėgėliai, darbo imigrantai iš Baltarusijos, Ukrainos ir tolimesnių šalių – visa tai keičia demografinį vaizdą. 2022 metais į Lietuvą atvyko daugiau nei 70 000 ukrainiečių, kas iš esmės sulėtino gyventojų skaičiaus kritimą.

Kur link eina Lietuva?

Apibendrinant tai, kas vyksta, galima teigti, kad Lietuva išgyvena struktūrinę demografinę transformaciją. Tai nėra vien skaičių problema – tai klausimas, kokia bus šalies visuomenė po 20–30 metų. Emigracija, mažas gimstamumas ir lėta integracija su imigracija sudaro sudėtingą lygtį, kuriai išspręsti reikia ne tik finansinių priemonių, bet ir ilgalaikio strateginio mąstymo. Šalyje jau dabar trūksta kvalifikuotų darbuotojų, o pensijų sistemos tvarumas kelia vis daugiau klausimų. Demografija – tai ne statistika, tai ateitis, kurią kuriame arba leidžiame susikurti pačiai.

Kaip skaityti statistinius pranešimus: praktinis vadovas, padėsiantis suprasti skaičius ir išvengti klaidingų išvadų

10 vasario, 2025 www.statisticsjournal.lt

Faktai, Patarimai, Pranešimai

Skaičiai meluoja gražiau nei žmonės

Yra kažkas hipnotizuojančio skaičiuose. Jie atrodo tvirtai, neginčijamai, tarsi iškalti akmenyje. Kai žurnalistas rašo, kad „tyrimas parodė 73 procentų rezultatą”, smegenys automatiškai nuleidžia gynybą – juk tai ne nuomonė, tai faktas. Bet būtent čia ir prasideda bėda.

Statistiniai pranešimai šiandien yra visur: politikų kalbose, reklamose, naujienų portaluose. Ir dauguma jų nemeluoja atvirai – jie tiesiog pasakoja tik dalį istorijos, pasirenka patogų kampą, nutyli nepatogius niuansus. Mokėti juos skaityti – tai ne matematiko privilegija, o elementari savigyna.

Pirmiausia klausk: lyginant su kuo?

„Vaistai sumažino riziką 50 procentų” – skamba įspūdingai. Bet jei pradinė rizika buvo du procentai, tai dabar ji yra vienas procentas. Skirtumas – vienas žmogus iš šimto. Vis tiek svarbu, bet jau ne toks dramatiškas, tiesa?

Ši gudrybė vadinama santykinio ir absoliutaus pokyčio painiava. Santykinis pokytis (50%) skamba daug gražiau nei absoliutus (vienas procentinis punktas), todėl jį mieliau renkasi tie, kuriems reikia parduoti idėją ar produktą. Kiekvieną kartą, kai matai procentinį pokytį, užduok sau paprastą klausimą: nuo ko iki ko? Jei atsakymo nėra – tai jau signalas.

Imtis: kiek žmonių iš tikrųjų dalyvavo?

Tyrimas su dvylika dalyvių ir tyrimas su dvylika tūkstančių dalyvių gali atrodyti vienodai solidžiai išspausdinti ant popieriaus. Tačiau jų patikimumas – visiškai skirtingas. Maža imtis reiškia, kad atsitiktinumas vaidina milžinišką vaidmenį, o rezultatai gali būti tiesiog triukšmas, o ne signalas.

Ypač atsargiai reikia žiūrėti į tyrimus, kuriuose tiriamos siauros pogrupių išvados. „Moterys nuo 45 iki 52 metų, gyvenančios miestuose, kurios sportuoja daugiau nei tris kartus per savaitę…” – kuo labiau susiaurėja grupė, tuo mažiau žmonių joje lieka, tuo mažiau galima pasitikėti rezultatu.

Koreliacija – ne priežastis, nors labai norisi

Šis principas žinomas, bet nuolat pamirštamas, nes žmogaus smegenys tiesiog mėgsta priežastinius ryšius. Mes juos matome net ten, kur jų nėra.

Šalyse, kur vartojama daugiau šokolado, gimsta daugiau Nobelio premijos laureatų. Tai koreliacija. Niekas rimtai nesiūlo šokolado kaip mokslinės karjeros strategijos. Tačiau kai koreliacija liečia sveikatą, politiką ar ekonomiką, žmonės daug greičiau praranda kritiškumą. „Regionuose, kur daugiau žmonių balsuoja už X partiją, nedarbo lygis žemesnis” – tai gali reikšti tūkstantį skirtingų dalykų, ir tik vienas iš jų yra tas, kurį tau nori parduoti.

Grafikai: vizualinė retorika

Grafikas gali būti ginklas. Jei Y ašis prasideda ne nuo nulio, o nuo, tarkime, 80, tai nedidelis skirtumas tarp 82 ir 89 vizualiai atrodo kaip bedugnė. Tai senas triukas, naudojamas nuolat – finansinėse ataskaitose, politinėse kampanijose, sveikatos produktų reklamose.

Prieš reaguodamas į grafiką emociškai, pažiūrėk į ašių skalę. Tai užtrunka tris sekundes ir gali visiškai pakeisti, ką tu matai.

Kai skaičiai tampa istorija

Galiausiai viskas susiveda į vieną paprastą tiesą: statistika yra įrankis, o įrankiai paklaūsta to, kas juos laiko. Tai nereiškia, kad visi skaičiai meluoja ar kad reikia viskuo abejoti iki paranojijos. Tai reiškia, kad skaičius reikia skaityti taip pat atidžiai, kaip skaitai argumentą – klausdamas, kas jį pateikia, kokiu tikslu, ką jis nutyli ir ar logika, jungianti duomenis su išvada, iš tikrųjų laiko.

Statistinis raštingumas nėra apie tai, kad taptum ciniku. Jis apie tai, kad liktum smalsus. Kad matytum ne tik skaičių, bet ir istoriją aplink jį – kas ją pasakoja, kam ji naudinga ir kur baigiasi duomenys bei prasideda interpretacija. O ta riba, kaip taisyklė, yra daug arčiau nei atrodo.

Kaip automatiniai internetiniai teksto vertėjai keičia statistinių duomenų sklaidą pasaulyje

28 sausio, 2025 www.statisticsjournal.lt

Faktai, IT, Kalbos

Statistika keliauja per kalbų sienas

Dar prieš dešimtmetį statistiniai pranešimai, išleisti viena kalba, dažniausiai ir likdavo tos kalbos erdvėje. Tarptautinės organizacijos turėjo skirti nemažus biudžetus vertimams, o mažesnės institucijos tiesiog susitaikydavo su tuo, kad jų duomenys liks nepastebėti už nacionalinių ribų. Šiandien situacija iš esmės kitokia. Automatiniai vertėjai – „Google Translate”, „DeepL”, „Microsoft Translator” ir kiti – tapo savotišku tiltu, per kurį statistiniai duomenys keliauja iš vienos kalbinės aplinkos į kitą greičiau nei bet kada anksčiau.

Tai nėra vien technologinis reiškinys. Tai keičia tai, kaip žmonės supranta skaičius, kaip jie interpretuoja tendencijas ir kaip priima sprendimus remdamiesi duomenimis, kurie iš pradžių buvo sukurti visai kitai auditorijai. Ir čia prasideda įdomiausia dalis – ne visada tai, kas vyksta, yra gera žinia.

Kaip veikia šiuolaikiniai vertimo įrankiai ir kodėl statistika jiems yra iššūkis

Šiuolaikiniai automatiniai vertėjai remiasi neuroniniais tinklais, apmokytais ant milijardų teksto fragmentų. Jie gana gerai susidoroja su buitine kalba, literatūra, net juridiniais tekstais. Tačiau statistiniai dokumentai yra specifinė kategorija, turinti savų keblumų.

Pirma, statistiniuose tekstuose gausu techninių terminų, kurie skirtingose kalbose gali turėti skirtingą reikšmę arba visai neturėti atitikmens. Pavyzdžiui, angliškas terminas „median household income” lietuviškai verčiamas įvairiai – kartais kaip „vidutinės namų ūkio pajamos”, nors mediana ir vidurkis yra skirtingi statistiniai rodikliai. Toks vertimas gali suklaidinti skaitytoją, kuris nėra statistikos specialistas.

Antra, skaičiai patys savaime nekelia problemų – jie išlieka tokie patys bet kurioje kalboje. Tačiau kontekstas, kuriame jie pateikiami, gali būti išverstas netiksliai. Frazė „šis rodiklis yra statistiškai nereikšmingas” anglų kalboje turi labai aiškią techninę reikšmę, tačiau automatinis vertimas į kai kurias kalbas gali ją perteikti kaip „šis rodiklis yra nesvarbas” – o tai jau visiškai kita žinutė.

Trečia, lentelių antraštės, pastabos po grafikais ir metodologiniai paaiškinimai dažnai verčiami fragmentiškai arba iš viso praleidžiami, jei dokumentas yra PDF formatu. Tai reiškia, kad skaitytojas gauna skaičius be konteksto – o skaičiai be konteksto yra pavojingesni nei jokių skaičių.

Kur tai veikia gerai – ir kodėl neverta to nuvertinti

Nepaisant trūkumų, automatiniai vertėjai padarė kažką, ko nesugebėjo jokia kita technologija: jie demokratizavo prieigą prie informacijos. Mokslininkas Bangladeše dabar gali perskaityti Eurostato ataskaitas. Žurnalistas Kenijoje gali nagrinėti OECD duomenis. Pilietinės visuomenės aktyvistas Gruzijoje gali lyginti savo šalies rodiklius su Europos vidurkiais.

Tai nėra smulkmena. Prieš automatinių vertėjų erą tokia prieiga buvo privilegija – tų, kurie mokėjo anglų kalbą arba galėjo sau leisti samdyti vertėjus. Dabar ji tapo beveik visuotine. Ir tai turi realių pasekmių: tyrimai rodo, kad šalys, kurių gyventojai aktyviau naudojasi tarptautiniais statistiniais duomenimis, dažniau kelia klausimus apie valdymo kokybę ir reikalauja didesnio skaidrumo.

Be to, automatiniai vertėjai padeda ir pačioms statistikos institucijoms. Kai kurios nacionalinės statistikos tarnybos – tarp jų Eurostat ir Jungtinių Tautų statistikos padalinys – jau naudoja automatinį vertimą kaip pirmąjį žingsnį, kurį vėliau tikrina žmonės. Tai leidžia greičiau skleisti informaciją ir sumažinti vertimo kaštus, išlaikant priimtiną kokybę.

Klaidos, kurios turi pasekmių

Tačiau yra ir kitokių istorijų. 2021 metais kelios tarptautinės žiniasklaidos priemonės pranešė apie tariamą ekonomikos augimą viename Pietryčių Azijos regione, remdamosi duomenimis, kurie buvo automatiškai išversti iš vietinės kalbos. Vėliau paaiškėjo, kad vertimas buvo klaidingas – originale buvo kalbama apie nominalų augimą, o ne realų, koreguotą pagal infliaciją. Skirtumas tarp šių dviejų rodiklių tame kontekste buvo esminis, tačiau automatinis vertėjas jo neperteikė.

Panašių atvejų yra ir daugiau. Sveikatos statistikos srityje netikslūs vertimai gali turėti ypač rimtų pasekmių. Sergamumo rodikliai, mirtingumo duomenys, vakcinacijos aprėpties skaičiai – visa tai turi būti perteikta tiksliai, nes klaidinga interpretacija gali paveikti visuomenės sveikatos sprendimus. Kai automatinis vertėjas „supainioja” sergamumo ir mirtingumo rodiklius – o tai nutinka, nes kai kuriose kalbose šie terminai yra panašūs – rezultatas gali būti klaidingas visuomenės supratimas apie ligos pavojingumą.

Finansų sektoriuje situacija panaši. Investuotojai, besinaudojantys automatiškai išverstomis ataskaitomis, kartais priima sprendimus remdamiesi netiksliai perteiktais duomenimis. Tai nėra tik teorinė grėsmė – tai dokumentuota praktika, kurią pripažįsta ir patys finansų reguliatoriai.

Ką daro tarptautinės organizacijos ir ar to pakanka

Tarptautinės statistikos organizacijos į šią situaciją reaguoja skirtingai. Kai kurios, kaip Pasaulio bankas, investuoja į savo vertimo sistemas, kurios yra specialiai pritaikytos statistiniams tekstams. Kitos, kaip Tarptautinis valiutos fondas, laikosi konservatyvesnės pozicijos ir stengiasi svarbius dokumentus versti rankiniu būdu, nors tai sulėtina informacijos sklaidą.

Eurostat šiuo atžvilgiu yra įdomus pavyzdys. Organizacija turi oficialias versijas visomis ES kalbomis, tačiau tai reikalauja milžiniškų išteklių. Kai kurie ekspertai teigia, kad net ir oficialūs vertimai kartais turi terminologinių neatitikimų, kurie gali suklaidinti skaitytojus. Taigi problema nėra vien automatinių vertėjų kokybė – ji egzistuoja ir profesionalių vertimų srityje.

Jungtinių Tautų statistikos komisija yra parengusi rekomendacijas dėl statistinių terminų standartizavimo, tačiau šios rekomendacijos nėra privalomos ir skirtingos šalys jas taiko nevienodai. Tai reiškia, kad net ir be automatinių vertėjų tarptautinė statistinių duomenų sklaida yra netolygi ir fragmentiška.

Praktiniai patarimai tiems, kurie naudojasi išverstais statistiniais duomenimis

Jei jūs esate žurnalistas, tyrėjas, politikos analitikas ar tiesiog žmogus, kuris nori suprasti pasaulio statistiką, yra keletas dalykų, kuriuos verta turėti omenyje dirbant su automatiškai išverstais duomenimis.

Pirma, visada ieškokite originalo. Jei galite perskaityti originalų dokumentą – net ir su tam tikrais sunkumais – tai geriau nei remtis automatiniu vertimu. Jei originalo kalbos nemokate, bent patikrinkite, ar vertimas atitinka originalą pagrindiniais skaičiais ir terminais.

Antra, atkreipkite dėmesį į statistinius terminus. Tokie žodžiai kaip „vidurkis”, „mediana”, „moda”, „standartinis nuokrypis”, „statistinis reikšmingumas” turi tikslias reikšmes. Jei automatinis vertimas juos verčia netiksliai, visa tolesnė interpretacija gali būti klaidinga. Naudinga turėti bent pagrindinį statistikos terminų žodyną.

Trečia, tikrinkite metodologinius aprašymus. Statistiniai duomenys visada turi metodologiją – kaip jie buvo renkami, kas buvo įtraukta, kas neįtraukta, kokie yra apribojimai. Jei automatinis vertimas šios dalies neperteikia tiksliai, duomenys gali atrodyti patikimesni ar reikšmingesni nei yra iš tikrųjų.

Ketvirta, naudokite kelis vertimo įrankius. „DeepL” ir „Google Translate” dažnai verčia skirtingai. Jei abu vertimai sutampa – tai geras ženklas. Jei skiriasi – verta giliau pasidomėti originalu.

Penkta, konsultuokitės su ekspertais. Jei dirbate su svarbiais duomenimis, kurie bus naudojami sprendimams priimti, verta pasikonsultuoti su žmogumi, kuris moka originalią kalbą ir supranta statistiką. Tai gali atrodyti kaip perteklinė atsargumo priemonė, tačiau klaidos kaina gali būti daug didesnė nei konsultacijos kaina.

Dirbtinis intelektas kaip sprendimas ir kaip nauja problema

Pastaraisiais metais į vertimo rinką įsiveržė didieji kalbos modeliai – „ChatGPT”, „Claude”, „Gemini” ir kiti. Jie siūlo kitokį požiūrį į vertimą: ne tik pažodinį teksto perteikimą, bet ir kontekstinį supratimą, galimybę paaiškinti terminus, pateikti papildomą informaciją.

Statistinių tekstų vertimui tai gali būti reikšmingas žingsnis į priekį. Tokie modeliai gali ne tik išversti tekstą, bet ir pažymėti vietas, kur vertimas yra neaiškus, pasiūlyti alternatyvius terminus arba paaiškinti statistines sąvokas. Tai yra kažkas, ko tradiciniai automatiniai vertėjai negali padaryti.

Tačiau čia atsiranda nauja problema: tokie modeliai kartais „haliucinuoja” – generuoja tikroviškus, bet klaidingus teiginius. Statistikos kontekste tai ypač pavojinga. Modelis gali sugeneruoti paaiškinimą, kuris skamba įtikinamai, bet neatitinka originalo. Ir kadangi toks paaiškinimas atrodo labai tikslus ir detalus, skaitytojas gali juo pasitikėti labiau nei turėtų.

Tyrimai, atlikti tikrinant, kaip didieji kalbos modeliai verčia statistinius dokumentus, rodo nevienodus rezultatus. Kai kuriose srityse – pavyzdžiui, verčiant demografinius duomenis iš gerai reprezentuotų kalbų – rezultatai yra geri. Tačiau mažiau reprezentuotų kalbų atveju arba labai specializuotų statistinių terminų srityje klaidos yra dažnesnės.

Ten, kur skaičiai susitinka su kultūra

Yra dar vienas aspektas, apie kurį kalbama rečiau, bet kuris yra ne mažiau svarbus. Statistiniai duomenys nėra kultūriškai neutralūs. Tai, kaip šalys matuoja skurdą, nelygybę, laimę ar ekonominę gerovę, atspindi tam tikras vertybes ir prioritetus. Kai šie duomenys perkeliami per kalbų sienas, kartu keliauja ir šios prielaidos – arba, dar blogiau, jos pametamos pakeliui.

Pavyzdžiui, skurdo ribos apibrėžimas skiriasi priklausomai nuo šalies ir kultūros konteksto. Kai automatinis vertėjas perteikia skaičių, jis neperteikia šio konteksto. Skaitytojas gali palyginti dviejų šalių skurdo rodiklius ir padaryti klaidingą išvadą, nes nesupranta, kad šie rodikliai buvo apskaičiuoti pagal skirtingas metodologijas.

Tai nėra automatinių vertėjų problema – tai fundamentali statistinių palyginimų problema. Tačiau automatiniai vertėjai ją paaštrino, nes padidino tokių palyginimų skaičių ir paspartino jų sklaidą. Žmonės, kurie anksčiau neturėjo prieigos prie tarptautinių duomenų, dabar juos turi – bet ne visada turi įrankius juos teisingai interpretuoti.

Čia verta prisiminti, kad statistikos raštingumas – gebėjimas suprasti, ką skaičiai reiškia ir ko nereiškia – yra atskira kompetencija, kuri nėra automatiškai perduodama kartu su duomenimis. Automatiniai vertėjai gali padaryti duomenis prieinamus, tačiau jie negali padaryti jų suprantamais tiems, kurie neturi reikiamo pagrindo.

Galbūt čia ir slypi tikrasis iššūkis: ne kaip pagerinti vertimo kokybę, nors tai svarbu, bet kaip užtikrinti, kad žmonės, gaunantys išverstus statistinius duomenis, turėtų pakankamai konteksto juos teisingai suprasti. Tai reikalauja ne tik geresnių technologijų, bet ir geresnio statistikos švietimo, aiškesnio duomenų pateikimo ir nuolatinio kritiško požiūrio į skaičius – nepriklausomai nuo to, kokia kalba jie pateikiami.

Vilniaus senamiesčio atgimimas: statistiniai duomenys apie renovacijos poveikį

17 sausio, 2025 www.statisticsjournal.lt

Pranešimai, Statistika

Vilniaus senamiestis, garsėjantis savo istoriniu paveldu ir architektūra, pastaraisiais metais išgyvena reikšmingą atgimimą. Renovacijos projektai, finansuojami tiek iš vietinių, tiek iš Europos Sąjungos fondų, atnešė teigiamų pokyčių šiai istoriniai miesto daliai. Šiame straipsnyje išnagrinėsime statistinius duomenis, kurie atskleidžia renovacijos poveikį Vilniaus senamiesčiui.

Renovacijos projektų finansavimas

Per pastaruosius penkerius metus Vilniaus senamiesčio renovacijai buvo skirta daugiau nei 50 milijonų eurų. Didelė dalis šių lėšų atkeliavo iš Europos Sąjungos struktūrinių fondų, tačiau reikšmingą indėlį taip pat suteikė Lietuvos Respublikos vyriausybė ir privatūs investuotojai.

Sutvarkytos ir atnaujintos vietos

Remiantis Vilniaus miesto savivaldybės duomenimis, per pastaruosius metus buvo renovuota daugiau nei 30 istorinių pastatų ir sutvarkyta apie 20 viešųjų erdvių. Ypač džiaugiamasi sutvarkytomis Rotušės aikštės ir Pilies gatvės erdvėmis, kurios dabar pritraukia dar daugiau turistų ir vietinių gyventojų.

Turistų srauto augimas

Statistiniai duomenys rodo, kad po renovacijos projektų pradžios turistų srautas į Vilniaus senamiestį išaugo net 25%. Didesnis turistų skaičius atnešė naudos vietos verslui – restoranams, kavinėms ir suvenyrų parduotuvėms. Tai taip pat padėjo kurti naujas darbo vietas ir skatinti vietos ekonomiką.

Nekilnojamojo turto kainų augimas

Renovacijos projektai taip pat turėjo įtakos nekilnojamojo turto rinkai Vilniaus senamiestyje. Remiantis nekilnojamojo turto agentūrų duomenimis, po renovacijos pradžios vidutinė nekilnojamojo turto kaina šioje miesto dalyje išaugo apie 15%. Tai rodo, kad renovacija ne tik pagerina infrastruktūrą, bet ir padidina turto vertę.

Gyventojų pasitenkinimas

Vykdyti gyventojų apklausų rezultatai parodė, kad daugiau nei 80% Vilniaus senamiesčio gyventojų yra patenkinti vykdomais renovacijos projektais. Jie teigia, kad atnaujintos viešosios erdvės ir pastatai suteikia daugiau estetinės vertės bei komforto kasdieniam gyvenimui.
Senamiesčio renovacija tapo svarbiu žingsniu ne tik istorinio paveldo išsaugojimo, bet ir miesto ekonominio bei socialinio gyvenimo gerinimo kontekste. Augantis turistų srautas ir nekilnojamojo turto vertės kilimas rodo, kad investicijos į miesto infrastruktūrą yra itin svarbios ir naudingos. Renovacijos projektų sėkmė Vilniaus senamiestyje gali tapti pavyzdžiu kitiems miestams, siekiantiems atgaivinti savo istorines teritorijas.