Svi smo jako pametni i „stručni“ nakon prometnih nesreća. Što još možemo, što nam može pomoći u prevenciji i boljem promišljanju sigurnosti prometa?

Svaka analiza sigurnosti (cestovnog) prometa kao ključnu informaciju za promišljanje zaključka daje najčešće (deskriptivnu) statistiku prometnih nesreća. U nekoliko tema bavio sam se sigurnošću (cestovnog) prometa.
Na nacionalnoj razini gledao sam učešće (krivnju) mladih vozača u smrtni stradavanjima kroz frekvencijski pristup i Bayesov pristup. Oba pristupa pokazala su (bitno) drugačije rezultate u odnosu na proklamirane (medijske) stavove.
Analizu sigurnosti prometa za Zagreb napravio sam čistim frekvencijskim pristupom.
Koliko je trend prometnih nesreća zna biti varljiv podatak pokazao sam u temi o regresiji na srednju vrijednost.
U jednoj temi sam govorio o sigurnosti prometa bez statistike prometnih nesreća.

Koliko je statistika prometnih nesreća važna? Jako. Jednostavno je objasniti aktualnim primjerom:

• u Hrvatskoj preko 99 % ljudi živi u naseljenim mjestima,
• u naseljenim mjestima pogine 55 % osoba u prometnim nesrećama, a izvan naselja 45 %,
• za preko 40 % nesreća s poginulim osobama uzrok je nepropisna brzina ili brzina neprimjerena uvjetima na cesti, dok greške pješaka sudjeluju s 3 – 4 %,
• nesrazmjer područja življenja i broja smrtnih stradavanja te krivnji vozača i pješaka nam ukazuju na problem i moguće rješenje (znakovito poboljšanje),
• statistički podatci dali su nam relevantan putokaz moguće prometne politike za bitno smanjenje smrtnih stradavanja u cestovnom prometu: promidžbom, nadzorom, kontrolom i sankcijama na izvangradskim prometnicama možemo znakovito utjecati na smanjenje smrtnih stradavanja u cestovnom prometu.

Jesu li prometne nesreće jedino mjerilo stanja sigurnosti, jesu li jedini pokazatelj (putokaz) kako poboljšati situaciju? Naravno da nisu. Osim već spomenute regresije na srednju vrijednost, postoje i drugi statistički i stručni fenomeni moguće varljivosti podataka o prometnim nesrećama. I u izboru same metodologije može doći do prijepora. Već sam spomenuo primjer korištenja različitih metodologija na istim podatcima: frekvencijski pristup i Bayesova statistika i čitatelj(ica) se može uvjeriti jesu li i koliko su rezultati (zaključci) različiti.
Postoje brojni načini utvrđivanja i prevencije opasnih stanja i situacija u prometu, a da podatci o prometnim nesrećama nisu isključivi ulazni podatak. Na praktičnoj razini je najbrže i najjednostavnije angažirati ovlaštenog revizora cestovne sigurnosti (ako govorimo o cestovnom prometu), a na studijskoj razini tu su brojne mogućnosti: od jednostavnih studija sigurnosti napravljenih po načelu podatkovne analize pa sve do cjelovitih multidisciplinarnih studija (inženjeri, sociolozi, psiholozi, pravnici i dr,).
Tri su osnovna razloga zašto podatci o prometnim nesrećama ne mogu biti jedini ulazni podatak:

• prometna nesreća je rijedak događaj,
• prometna nesreća je jedinstveni događaj,
• ne bilježe se sve prometne nesreće.

Nije empatično govoriti o rijetkom događaju kod smrtnih stradavanja i/ili teških ozljeđivanja, ali to je činjenica. U ovom temi sam govorio o riziku prometnih nesreća i činjenica da zbog tako male razine rizika bez problema svugdje u svijetu svi bespogovorno prihvaćamo taj rizik (politika, struka, sudionici) u cestovnom prometu. Rizik vožnje avionom je višestruko manji, ali se neki od nas jako boje sjesti u avion, dok istovremeno redovito koriste automobil. Nedavno sam dao prijedlog izgradnje nathodnika u Zagrebu i dotaknuo se podataka prometnih nesreća na raskrižju Ulica grada Vukovara – Miramarska cesta u Zagrebu. Važno raskrižje s puno prometa. U 2022. godini raskrižjem je prošlo gotovo 21 milijun vozila i dogodilo se 10 prometnih nesreća (sudari vozila) bez poginulih i ozlijeđenih. Nesreća se dogodila prosječno nakon prolaska svakih 2.099.300 vozila, odnosno rizik doživljenja prometne nesreće je bio 1 : 0,0000004763. To je ilustracija rijetkog događaja. I tako mali rizik producira 10 nesreća godišnje, nitko nije potpuno siguran. Ali vjerojatnost da ću baš ja doživjeti prometnu nesreću je toliko mala da zanemarujem činjenicu da jako puno ljudi prolazi raskrižjem. Avionom se vozi puno manje ljudi, rijetko ili rjeđe koristimo avion, puno manje aviona prometuje u odnosu na automobile i autobuse pa subjektivno mislimo da smo u avionu u većoj opasnosti, a nismo.

Bez obzira na bogatu bazu podataka cestovnih prometnih nesreća, u kojima razlikujemo tri osnovna uzroka (pogreške vozača i pješaka, ostali uzroci) s ukupno 27 pojedinačnih uzroka, svaka cestovna prometna nesreća je jedinstveni događaj. Brzina neprimjerena uvjetima je najčešća pogreške vozača, ali razlozi takvog ponašanja su brojni. Naravno da od 6.369 vozača (koji nisu prilagodili brzinu uvjetima na cesti u 2023. godini) ne možemo stvoriti 6.369 jedinstvenih priča i događaja, ali zasigurno postoji barem 50-tak, moguće i više klasificiranih situacija. Npr. kod alkohola možemo imati: recidiviste, alkoholičare koji do sada nisu sudjelovali u nesrećama, neregistrirane alkoholičare, one koji piju povremeno, one koji piju rijetko/nikada i baš su imali „sreću“ izazvati prometnu nesreću, one koji alkoholom i sjedanjem u automobil bježe od problema i dr.. Već po alkoholu, ugrubo, imamo pet i više klasa. Glede mobitela bi mogli, valjda, stvoriti barem 10 klasa (jedinstvenih događaja). Takva „jedinstvena klasifikacija“ je možda i moguća, ali je pitanje njezine realnosti, objektivnosti i ekonomičnosti provedbe. Zato nesreće kategoriziramo po međunarodno tipiziranim uzrocima i temeljem njihova broja izvlačimo određene zaključke, Kada je nesreća malo, onda ne možemo koristiti mjere središnje tendencije ili neki drugi aparat deskriptivne statistike.

Treći razlog nam je većini poznat. Ili smo osobno doživjeli ili znamo nekoga tko je doživio nesreću s manjom materijalnom štetom pa nije pozvana Policija, niti je ispunjavano Europsko izvješće.
Na nacionalnoj razini, zbog velikog broja nesreća (podataka), primjena statističkih alata i rezultata zasigurno ostaje u (prihvatljivim) intervalima pouzdanosti. U manjim vremenskim i prostornim jedinicama, zbog manjeg broja nesreća i ostalih opisanih razloga, ne možemo svoje zaključke temeljiti isključivo na podatcima prometnih nesreća.

Svi znamo za švedsku priču o „Vision Zero“, započete davne 1997. godine. Postoje brojne nomenklature, ali najviše volim izvorna načela jer su jednostavna i jasna:

• etički kriterij; ljudski život i zdravlje su važniji od društvenih dobiti,
• čovječnost; prometni sustav bi trebao spriječiti ljudske greške da ne dolazi do smrti ili teških ozljeđivanja,
• ranjivost; prometni sustav bi trebao smanjivati ispod pragova smrti ili težih ozljeđivanja,
• dijeljena odgovornost; investitori, projektanti i izvođači su odgovorni za visoku razinu sigurnosti, a korisnici za poštivanje pravila i dužan oprez u prometu,
• proaktivne i preventivne mjere; prevencija mora biti ispred reakcije (na prometne nesreće),
• holistički pristup; integracija svih (pod)sustava: prometnog, zdravstvenog, obrazovnog i policijskog,
• stalna poboljšanja; podaci i istraživanja se koriste za razumijevanje prošlih događaja (stanja) i razvoj novih strategija (rješenja).

Sva ova načela počivaju na stavu društva (opće i prometne politike) koliko će se javnog novca odvojiti za (puno) skuplja rješenja koja čuvaju živote i zdravlje ljudi. Koliko su skupa rješenja u svari (vrlo) jeftina, dokazuju brojni primjeri isplativosti ulaganja u sigurnost prometa.
Budući sam u kreativnom dijelu tržišta prometnih usluga, proaktivne mjere shvaćam kao stav društva da se projektantima omogući primjerenije vrijeme (rokovi) i financijska naknada za promišljanje, kreaciju i konstrukciju rješenja koje će izvođači cjelovito izvesti, a zauzvrat imamo punu (su)odgovornost za učinjeno.
Obično se klasični (tradicionalni) i „Vision Zero“ pristup opisuju ovim suprotstavljenim (izmijenjenim) stavovima:

• neizbježnost nesreće – sprječavanje nesreće,
• ponašanje u skladu s propisima – ljudi (ne)namjerno griješe,
• sprječavanje nesreća – sprječavanje smrtnih i teških stradavanja,
• osobna odgovornost – sustavski pristup,
• isplativost/društveni trošak – spašavanje života nije skupo.

Kuda je Švedska otišla u promišljanju prometa pokazuju rješenja vangradskih prometnica; fizičko odvajanje smjerova vožnje s povremenim ugibalištima za sklanjanje sporijih ili pokvarenih vozila.

Razmislite sada o uvodnim podatcima glede udjela poginulih na hrvatskim izvangradskim prometnicama. Postoje objektivna istraživanja koja pokazuju zašto se Kraljevina Švedska odlučila na ovakav, vjerojatno nepopularan, korak: na kojim cestama, je li polučio željene rezultate i gdje (ni)su nastavili s tom mjerom. Možda uskoro i prometna politika Republike Hrvatske na sličan način počne promišljati (istraživati) sigurnost prometa na izvangradskim cestama.

U ovoj temi opisao sam kako se praćenjem opasnih situacija u prometu mogu procijeniti neka stanja, budući trendovi i što se (ne) može postići ako se (ne) reagira na vrijeme. Možda je primjer banalan, ali je istinit, poučan i logičan. Postoji cijeli niz puno ozbiljnijih aktivnosti kojima se mogu prevenirati opasna ponašanja i situacije u prometu: mišljenja i ocjene revizora cestovne sigurnosti, aktualna mjerenja prometa u području brzina i razmaka (intervala) slijeđenja, procjene stanja prometne infrastrukture, procjene stanja hortikulturnog uređenja i drugih objekata u prometnim koridorima. U svom redovitom radu komunalni/prometni redari ili savjesni građani/ke mogu uočiti nepovoljan utjecaj hortikulture na sigurnost prometa: otežavaju li krošnje drveća prometovanje, zaklanjaju li prometne znakove, povećava li grmlje/živica trokut preglednosti i dr.. Isto tako položaj urbane opreme može ponekad smanjivati preglednost i uočljivost u prometu. Za sve to treba malo dobre volje i zdravog razuma, a preventivni učinci mogu biti veliki. Oni koji s podsmijehom gledaju na takve akcije nisu svjesni svojeg neznanja (manji problem) i negativnog utjecaja na opće stanje sigurnosti prometa (puno veći problem).

Kako na strateškoj i taktičkoj razini promisliti i inaugurirati proaktivne i preventivne mjere? Sviđa nam se „Vision Zero“ i želimo ga uključiti u prometnu politiku, ali kako? Svaki povijesni podatak, po definiciji, temeljem kojeg mijenjamo stanje ne predstavlja niti proaktivnu, niti preventivnu mjeru. To je reaktivna mjera. Međutim, nije situacija baš tako „crna“. I povijesni podatci mogu poslužiti za proaktivno djelovanje.

U pomoć ćemo pozvati podatkovnu analitiku (data analytics) koja kroz procese različitih složenosti i vrijednosti govori o jučer – danas – sutra. Najpoznatija (i najčešća) su četiri koraka:

• deskriptivna analitika; što se dogodilo i u kolikoj mjeri,
• dijagnostička analitika (zašto se dogodilo); zasigurno teška zadaća jer točnost ovog koraka određuje uspješnost sljedećih koraka,
• prediktivna analitika (što će se dalje događati); uz dobru dijagnostiku te izbor najprimjerenijeg prognostičkog alata može se dobiti vjerodostojna prognoza (trend) za neko buduće razdoblje; brzina razvoja novih tehnologija i društvena dinamika čine smiješnima dugoročne prognoze,
• preskriptivna analitika (kako ostvariti željeno); poznajući trend, kroz različite optimizacijske procedure djelujemo na procese i usmjeravamo (oblikujemo) ih prema željenom ili mogućem cilju/scenariju.

Slika pokazuje da postoji i peti korak – kognitivna analitika (ljudi, inteligentne tehnologije), ali nećemo ići tako daleko. Sutrašnjica s puno više automatizacije (autonomnosti) će kognitivnu analitiku učiniti neizostavnim dijelom svakog prometnog procesa. Danas je sigurnost prometa spoznajno i taktilno realna pojava pa četiri opisane analitike mogu napraviti „čuda“. Tko ne vjeruje neka opet konzultira „Vison Zero“ u Kraljevini Švedskoj i drugim zemljama. Špekulacije, odnosno „stručna“ naklapanja isto zanemarujemo.

Izgleda jako učeno, ali sve su to prometni inženjeri ili već naučili, ili imaju dostatno predznanje za svladavanje novih tehnika podatkovnih analitika. Deskriptivnu analitiku (statistiku) smo učili u srednjem i visokom obrazovanju. Imamo znanja i iskustva prepoznati neku razdiobu vjerojatnosti, izračunati mjere središnje tendencije nekog skupa ili uzorka. Učili smo i znamo se služiti statističkim testovima, ili imamo dostatno (pred)znanje za svladavanje onih s kojima se još nismo susretali. Zato nam deskripcija i dijagnoza ne predstavljaju (pre)veliki problem.

Glede predikcije svi se moramo malo pomučiti. Poznajemo model linearne regresije, a ima ih još puno. Današnji programski alati (čak i običan MS Excel) znatno olakšavaju posao, ali moramo imati predznanje (teoretsku podlogu) što i zašto tako radimo. Predikcija se provodi u dva koraka. Budući znamo što nam brojevi govore i kamo nas (moguće) vode, pretpostavljamo i gradimo model, najčešće matematički (statistički). Kakve sve modele koriste prometni inženjeri opisivao sam u ovim temama:

• višeregresijski model,
• izgradnja modela u Pythonu,
• digitalni blizanac,
• modeliranje stajališta javnog prijevoza,
• primjena Monte Carlo metode,
• primjena nekooperativnih igara,
• primjena kooperativnih igara,
• primjena programskih paketa,
• problem pokrivanja skupa,
• vremenski niz,
• analiza socijalnih mreža,
• sustavska dinamika,
• teorija nepotrebnih presijecanja,
• matematičko programiranje,
• Markovljevi lanci.

Model će dati neki rezultat, a rezultat nas upućuje na igru riječi točno (accurate) i precizno (precise) koje kažu da je model:

• točan (accurate) ako nam daje vrijednosti jednake ili vrlo bliske stvarnima,
• precizan (precise) ako nam daje iste rezultate kod ponavljanja mjerenja (korištenja).

Za pojašnjenje svi koriste analogiju gađanja mete pa ću i ja. Vizualno je jasno na što se misli. Primarno je postići točnost modela, a kroz postupak koji se naziva kalibracija dobivamo njegovu preciznost. Dakle, prvo točnost, onda preciznost. Točan i precizan model najčešće nazivamo kalibrirani model.

S dobrim (kalibriranim) modelom možemo „raditi čuda“: ispitivati različita prostorna, organizacijska, tehnološka i populacijska rješenja, možemo se otisnuti u predikciju. S novim (ili starim) podatcima možemo stvarati kratkoročne i srednjoročne prognoze. Mislim da svi shvaćamo (potresi u Hrvatskoj, Covid-19, Ukrajina, nagli proboj AI alata i dr.) da dugoročne prognoze više nemaju smisla. Znamo s visokom vjerojatnosti što se događati u narednom razdoblju 1 – 3 godine, a dulje jedino ako neće biti poremećaja koji nisu ugrađeni u model.

Danas postoje brojni prediktivni modeli. Postojali su i prije, ali informatička podrška odlučivanju danas je dostupna zaista svima. Na kraju, uvijek može posložiti i običan tablični kalkulator (MS Excel). O klasičnim prognozama u prometu pisao sam u ovoj temi, o primjeni Monte-Carlo metode u simulaciji u ovoj temi. Ovaj korak je zaista nešto u čemu se prometni inženjer/ka može pošteno iskazati ili osramotiti.

Dolazimo do preskriptivnog (optimizacijskog) koraka ili što bi trebali napraviti da naše predikcijsko rješenje pokaže najbrže i najbolje rezultate. Čim govorimo o optimizaciji, onda govorimo o matematici, a matematika je imuna od ikakvih osobnih i političkih stavova i promišljanja. Inženjeri/ke ne smiju biti obeshrabreni i moraju vjerovati znanstvenim metodama. Budući se radi o općem dobru, logično je predmnijevati usklađeno djelovanje svih dionika, pa se cijeli postupak može svesti na kooperativnu igru, u čemu sam pisao u ovoj temi. Linkove na ostale modele i postupke, od kojih se većina može koristiti u postupku optimizacije, pokazao sam ranije kod opisa predikcije.

Pokazat ću jedan mogući primjer. U jednoj prethodnoj temi sam pokazao da se, prema javnim statistikama MUP-a, u proteklom desetljeću zbog četiri greške vozača (20 % svih grešaka vozača) dogodilo 77 % smrtnih stradavanja – Paretovo načelo. Ponavljam ovdje taj grafički prikaz.

Graf opisuje dva koraka analize podataka.
Deskriptivna analitika je histogramski dio grafa. Sagledali smo i sortirali podatke o greškama vozača. Od 20 grešaka njih 10 je bilo uzrok preko 95 % smrtnih stradavanja.
Crvena crta na grafu je dijagnostički dio. Spoznali smo greške vozača koje se dovodile do smrtnih stradavanja. Rekli smo da četiri greške čine 77 % svih smrtnih stradavanja, a samo jedna od njih gotovo 40 %. Za bolju dijagnozu moramo vidjeti kako su se kretale te četiri greške tijekom godina.

Vidimo da smo nešto zaista jako dobro radili (namjerno ili slučajno) glede brzine neprimjerene uvjetima u razdoblju 2011. – 2014. jer imamo jaki pad, čak -13 % godišnje. Možda smo dobro radili, a možda je samo (na žalost) regresija na srednju vrijednost.
U realnoj situaciji morali bi dobro ispitati – postaviti točnu dijagnozu. Sve ostalo je ulovljeno u zakon velikih brojeva. Uglavnom, malo znanja, nešto više truda i strpljenja pa možemo postaviti dijagnozu: zašto i kako se nešto (ni)je mijenjalo.

Prema podatcima Ministarstva mora, prometa i infrastrukture (ožujak 2022.) ukupni društveni trošak (osobni, medicinski, produktivnost, imovinski, administrativni, ostali) jednog smrtnog stradavanja u prometu iznosi 2.405.507 EUR.
Kalkulator inflacije nam kaže da je inflacija od siječnja 2012. do ožujka 2022. bila 16,9 %. Ako društveni trošak svedemo na kraj 2011. godine, onda bi on iznosio 2.057.747 EUR.
U proteklom desetljeću (gledano po početnoj 2011. godini) vozači su zbog neprimjerene brzine stvorili društveni trošak od 1.358 smrtno stradalih × 2.057.747 EUR = 2,8 milijardi EUR. Više od četiri Pelješka mosta s pristupnim cestama. Ovaj proračun nije pošten jer sam sve sveo na 2011. godinu. Dakle, društveni trošak je i veći. U svakom slučaju, puno poštenije nego vaditi brojeve „iz rukava“ – špekulirati (naklapati).

Ovo je sve bilo „u retrovizoru“, znamo što je i kako bilo, i zašto! Sada idemo u nepoznato, moramo predviđati. Nekima je to zaista lako, bez imalo stida i srama „ispaljuju“ (besmislene) brojeve i izjave koje, na njihovu sreću, nitko kasnije (javno) ne propituje. Mi ostali, manje hrabri, koristimo matematičke i ostale znanstvene metode u želji da argumentirano postavimo tezu „što – ako“ i brojne (pod)scenarije koji se mjere, kako smo vidjeli, u ljudskim životima i ranjavanjima te milijunima EUR.

U prediktivnoj analitici neki putokaz može biti situacija između 2011. i 2014. godine.

Preskriptivna analitika u ovom primjeru je lagana i teška. Sve što smo radili ili se događalo kod grešaka „brzina neprimjerena uvjetima na cesti“ između 2011. i 2014. godine treba ponoviti s pretpostavkom poboljšanja, ne baš za 13 %, ali ipak poboljšanja. Sve što smo radili kod ostale tri grešaka, trebamo prestati raditi i započeti nešto drugo. Premalo je podataka za neki konkretniji prijedlog modela (optimizacije), ali predmnijevam iz dosadašnjeg teksta da čitatelj(ica) predmnijeva u kojem pravcu treba ići.

U ovom primjeru, ako bi se odlučili za video tehnologiju u nadzoru brzine i ponašanja u prometu morali bi riješiti različite zadaće: korištenje optičke okosnice (javne ili privatne) na većem dijelu Republike Hrvatske, korištenje postojećih video resursa, implementacija novih video (pod)sustava, usklađivanje (ako je potrebno) zakonske legislative, realnost financiranja, etapnost obzirom na vrijeme, postojeću tehnološku i financijsku raspoloživost i sl.. Društvena korisnost će na prometno ugroženijim područjima zasigurno biti veća, a teorija igara (ako se odlučimo za tu tehniku) će nam reći kako sve to povezati da ne bi dobili nova problematična područja („preselili“ smo stradavanja iz jednog područja u drugo) kao i prije uvođenja (skupih) rješenja.

Sve ovo je (malo i previše) izbanalizirano, ali molim čitatelja/icu da prihvati bit ove teme, a primjer je samo ilustracija da se ne radi o „velikoj znanosti“, već samo o dobroj volji i savjesti uključenih dionika u projektu.

Današnji video sustavi zaista mogu pomoći i znakovito unaprijediti svaki segment inženjerskog djelovanja. U deskriptivnoj analitici svježi podatci čine cijelu analizu (utvrđeni statistički model) puno kvalitetnijom, posebice u trenucima kada je rezultat graničan između dvije hipoteze.

Aktualni podatci u dijagnostičkoj analitici su upravo onaj završni argument koji pokazuju jesmo li dobro razmišljali i zaključili. Bolje na ovom koraku stati, priznati grešku, zaustaviti se i krenuti ispočetka, jer se radi o gubitku od 7 – 14 dana i malom novčanom iznosu, nego pogrešnom dijagnozom „kontaminirati“ cijeli projekt.

U prediktivnoj analitici upravo jučerašnji (današnji) podatak može biti ona prevaga koja će potvrditi ili demantirati izabrani prognostički model stvoren na podatcima starijim od 1 – 2 godine. Kao i kod dijagnostike, moguće je malo usporiti, ali i usmjeriti prema boljoj prognozi.
Preskriptivna analitika kroz najsvježije podatke može poslužiti za testiranje rješenja (analizu osjetljivosti) ili za bolje utvrđivanje ograničenja (skupa mogućih rješenja) ili faktora funkcije cilja (procjene uspješnosti rješenja).

Koliko je danas video tehnologija učinkovita u promatranju prometnog procesa, a time i prepoznavanju problematičnih (opasnih) situacija pokazuju sljedeća dva video zapisa.

Tu je video oprema ključna jer prepoznaje skoro-nesreće (Near-Miss, Close-call) čime dobivamo višestruko veću podatkovnu osnovu boljeg prepoznavanja zašto se neki tipovi nesreća događaju i ponavljaju. Puno vrjedniji podatak je prepoznavanje potencijalnih opasnosti za nove tipove nesreća i rizičnih ponašanja za kvalitetnu prediktivnu i preskriptvnu analitiku. Prije video tehnologije to su radili obučeni promatrači u kratkom periodu, ako se takvo istraživanje uopće radilo, a ljudski faktor je glavni uzročnik netočnosti i nepreciznosti. Video tehnologija ne griješi ili griješi uvijek na isti način i prikuplja podatke 24/7.

Diplomom dokazujemo posjedovanje potrebnih znanja, imamo besplatne i vrlo jeftine prilike za nova znanja, živimo u EU okruženju s primjenjivim i dostupnim tehnologijama (aktualnim i budućim), imamo sve preduvjete. Na nama, (prometnim) inženjerima, je nametnuti pristup cjelovitih podatkovnih analitika i ostalih prikladnih znanstvenostručnih metoda za rješavanje postavljenih nam zadaća, kako smo naučili u ovoj temi: točno i precizno.