Zdroje dat

Interní zdroje dat

Často máme data k dispozici blíž, než se může zdát. Téměř všechny systémy a zařízení kolem nás generují velké množství dat, jejichž analýza by nám mohla pomoci s řešením našich otázek či během každodenního rozhodování. V knihovně je velkým zdrojem dat automatizovaný knihovní systém: každá výpůjčka, každé přihlášení čtenáře i knihovníka či každá transakce se někde eviduje a ukládá. Když tak například rozmýšlím, který žánr literatury pro naše čtenáře více nakupovat v rámci akvizice, nemusím se spoléhat jen na intuici, pocity či na uživatelské výzkumy (jako jsou např. dotazníky). Své rozhodnutí mohu založit také na analýze preferencí současných čtenářů, v tomto případě tedy na analýze dat o výpůjčkách: které žánry se v posledních měsících půjčují nejlépe a které v půjčovanosti stoupají nejrychleji?

V prostředí knihoven budeme většinou limitování systémem, který používáme: ne všechny nás nechají k datům přistoupit volně tak, abychom je dokázali analyzovat s ohledem na aktuálně řešenou otázku. To je velkou výhodou otevřených systémů, jako je například systém Koha. U systémů komerčních budeme omezeni možnostmi jejich analytického či statistického modulu.

Externí zdroje dat

Mnohé z našich otázek budou vyžadovat širší kontext. Modelová situace: chceme do naší městské knihovny nalákat nové čtenáře a rozhodujeme se, jaké žánry beletrie posílit při nákupu do fondu další rok. Můžeme brát v potaz data o výpůjčkách z našeho knihovního systému: na základě analýzy interních dat zjišťujeme, že poslední roky rostou výpůjčky severských krimi. Tato data odpovídají i zjištěním z dotazníkového šetření mezi čtenáři a potvrzují to i zkušenosti knihovníků z výpůjční praxe: severská krimi skutečně táhne...

Zamyslete se: Jsou tato data dostatečná pro naše rozhodování s ohledem na cíl, který sledujeme? Až budete mít na tuto otázku rozmyšlenou vlastní odpověď, rozklikněte si box níže a porovnejte ji s dalšími argumenty, které tam najdete.

Externí zdroje dat mohou mít různou podobu. Mohou to být oficiální datové portály, kde si naklikáme analýzu a rovnou nalezneme odpověď. Mohou to být ale také repozitáře, kde si najdeme dataset ve formátu, o kterých jsme již mluvili (.XLSX, .CSV atp.), a analýzu provedeme sami, např. v programu Microsoft Excel - taková data nás budou v tomto kurzu zajímat nejvíce. Původci těchto dat a zdrojů mohou být také různí: například mezinárodní organizace, státní orgány nebo neziskovky. Množství dat navíc leží tak nějak různě na webu, ve více či méně otevřené podobě. Pojďme se podívat na výběr několika zajímavých zdrojů a příkladů z Česka i odjinud.

Kolik je vlastně v našem městě školek? Tak to by mohl vědět městský datový repozitář (třeba ten z Prahy, Brna nebo Plzně). Má nějaký i vaše město nebo obec? Kolik je v našem kraji středních škol? Možná má i náš kraj nějaké místo, kde zveřejňují data (jako například ten Královéhradecký). A je u nás v Královéhradeckém kraji více učilišť než v Pardubickém kraji? Tak to by mohlo vědět MŠMT a jejich repozitář otevřených dat.

Data ze specifických oblastí je pak dobré hledat u specifických poskytovatelů: zajímavá data o životním prostředí třeba leží v repozitáři Ministerstva životního prostředí nebo na geoportálu CENIA. A pro příklad ještě z jiného, nám bližšího soudku: data o knižním trhu najdeme třeba na webu oborového svazu SČKN.

Velmi často leží zajímavá data jen tak někde na webu instituce a ani nejsou součástí žádného repozitáře nebo datového portálu. Pro příklad: sami dobře víme, že na webu Ministerstva kultury leží velká tabulka nazvaná Evidence knihoven. Ve stejném stylu, tedy jen tak mimochodem, najdeme na webu MPO třeba data o počtech podnikatelů v ČR podle jejich občanství, nebo na webu Policie ČR tabulky se statistikami kriminality.

Proklikejte si...

Kéž by existoval jeden vyhledávač, který najde vše důležité - podobně jako Google pro webové stránky, že? Však on se o to Google snaží, proto spustil svou službu metavyhledávače Google Dataset Search. Rozhodně o něm zatím neplatí, že najde vše. Jako jeden z nástrojů, které při hledání dat můžeme využít, však funguje dostatečně: kolik stojí mít štěně? Google taková data najde na výraz puppy cost. Jak se sdílí kola v Londýně? Zkusme vyhledat klíčová slova bikesharing london.

Velkým fenoménem v oblasti sdílení dat je portál Kaggle, který umožňuje zveřejňovat a stahovat různé datasety a mimo to slouží i jako komunitní platforma, kde lze o datech a nad daty debatovat. Vládnete-li angličtinou, nemusí být od věci se prostě zeptat, třeba v komunitě na portálu Reddit: lidé tam sdílí zajímavé datasety a pomáhají si vzájemně relevantní data nacházet. Nadšenci do dat také sepisují seznamy zajímavých a volně dostupných datasetů, takže pokud si chcete udělat představu o tom, jaká všechna témata se dají na webu dohledat, zamiřte třeba na seznam s příhodným názvem Awesome Public Datasets.

Proklikejte si...

Sdílení vědeckých dat vytvořilo celou novou infrastrukturu. Můžeme je hledat jak v institucionálních úložištích (např. univerzitních, jako je Harvard Dataverse), tak ve všeobecných či oborových repozitářích výzkumných dat (za projití stojí např. Zenodo nebo Dryad). Abychom se ve stovkách repozitářů neztráceli, existují i jejich katalogy, jako je třeba rozsáhlý adresář institucionálních úložišť re3data.

Výzkumná data mohou být také publikována spolu s článkem (některá odborná periodika to umožňují) nebo v samostatných specializovaných datových časopisech (data journals). Tam je najdeme ve formě datových článků: kromě dat je většinou přiložen i popis jejich vzniku, podrobná metadata - a i zde často probíhá recenzní řízení, stejně jako u klasických odborných článků. Podívejte se třeba na datový časopis Nature Scientific Data a jeho kolekce.

Mnoho vědců předbíhá dobu a data z výzkumů tak můžeme někdy najít i na jejich osobních webech nebo profilech na vědeckých sociálních sítích, jako je např. ResearchGate. Osobní weby jsou často jediná cesta, jak se k datům dostat, protože autoři např. článek publikovali v periodiku, které přiložení dat ještě neumožňuje.