{"id":791,"date":"2025-12-05T07:32:24","date_gmt":"2025-12-05T07:32:24","guid":{"rendered":"https:\/\/olgamironczuk.pl\/?p=791"},"modified":"2026-06-29T14:52:25","modified_gmt":"2026-06-29T13:52:25","slug":"sezonowosc-pytan-rolnikow-w-afryce-wschodniej-2019-2020","status":"publish","type":"post","link":"https:\/\/olgamironczuk.pl\/en\/sezonowosc-pytan-rolnikow-w-afryce-wschodniej-2019-2020\/","title":{"rendered":"Seasonality of Farmer Questions in East Africa (2019\u20132020)"},"content":{"rendered":"\n
\n
\n
\"\"<\/figure>\n<\/div><\/div>\n\n\n\n
\n

Projekt: <\/strong>Sezonowo\u015b\u0107 pyta\u0144 rolnik\u00f3w w Afryce Wschodniej (2019\u20132020)
Narz\u0119dzia: <\/strong>Python (pandas), Tableau, Excel \/ Power Query
Opis: <\/strong>Analiza wieloj\u0119zycznych pyta\u0144 rolnik\u00f3w (WeFarm) w celu identyfikacji powtarzalnych wzorc\u00f3w sezonowych w obszarach upraw, chor\u00f3b ro\u015blin, nawo\u017cenia i cen rynkowych.
Cel:<\/strong> Zrozumienie cykli aktywno\u015bci i potrzeb informacyjnych rolnik\u00f3w oraz prze\u0142o\u017cenie ich na wnioski operacyjne (planowanie tre\u015bci, kampanii i komunikacji w odpowiednim czasie).
Dane: <\/strong>Zanonimizowane dane, udost\u0119pnione w ramach DataKind challenge; w repozytorium brak surowych danych.
Repozytorium:<\/strong> \"GitHub\" Zobacz na GitHub <\/a><\/p>\n<\/div>\n<\/div>\n\n\n\n\n\n\n\n

\n\n\n\n
\n
\n

Wprowadzenie<\/h2>\n\n\n\n

Pytania zadawane przez rolnik\u00f3w drobnotowarowych zawieraj\u0105 informacje nie tylko o bie\u017c\u0105cych problemach, ale tak\u017ce o sezonowych cyklach pracy, produkcji i zapotrzebowania na wiedz\u0119. Projekt powsta\u0142 w ramach wolontariatu analitycznego DataKind – Producers Direct DataKit Challenge i by\u0142 dla mnie okazj\u0105 do przeanalizowania wieloletnich danych w spos\u00f3b uporz\u0105dkowany, transparentny i nastawiony na identyfikacj\u0119 wzorc\u00f3w.<\/p>\n\n\n\n

Dashboard mia\u0142 pokazywa\u0107 sezonowo\u015b\u0107 nie jako pojedyncze piki aktywno\u015bci, lecz jako powtarzalne schematy: kiedy rolnicy pytaj\u0105 o sadzenie, choroby ro\u015blin, nawo\u017cenie czy ceny rynkowe, jak te potrzeby zmieniaj\u0105 si\u0119 w ci\u0105gu roku oraz czym r\u00f3\u017cni\u0105 si\u0119 mi\u0119dzy regionami. Zale\u017ca\u0142o mi na wizualizacji spokojnej i czytelnej. Analizie, kt\u00f3ra pomaga zrozumie\u0107 rytm danych i kontekst operacyjny, a nie upraszcza zjawiska do jednego wska\u017anika. Projekt obejmowa\u0142 zar\u00f3wno prac\u0119 koncepcyjn\u0105, jak i pe\u0142ny proces przygotowania danych oraz budow\u0119 narz\u0119dzia analitycznego.<\/p>\n<\/div>\n\n\n\n

\n
<\/div>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Certyfikat DataKind potwierdzaj\u0105cy udzia\u0142 w mi\u0119dzynarodowym projekcie wolontariackim z zakresu analizy danych.<\/p>\n<\/div>\n<\/div>\n\n\n\n

Dane<\/h2>\n\n\n\n
    \n
  • Zakres analizy: <\/strong>2017\u20132024 (z uwzgl\u0119dnieniem r\u00f3\u017cnej kompletno\u015bci lat)<\/li>\n\n\n\n
  • \u0179r\u00f3d\u0142o danych:<\/strong> zanonimizowane dane WeFarm udost\u0119pnione uczestnikom DataKind challenge przez Producers Direct.<\/li>\n\n\n\n
  • Dane mia\u0142y posta\u0107 tabelaryczn\u0105 i obejmowa\u0142y m.in.:<\/strong>\n
      \n
    • identyfikatory rekord\u00f3w,<\/li>\n\n\n\n
    • znaczniki czasowe (rok, miesi\u0105c),<\/li>\n\n\n\n
    • informacje o kraju i j\u0119zyku,<\/li>\n\n\n\n
    • kr\u00f3tkie pytania rolnik\u00f3w w formie tekstowej,<\/li>\n\n\n\n
    • techniczne metadane platformy.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n

      Kluczowym elementem analizy by\u0142y tre\u015bci tekstowe, wymagaj\u0105ce dalszej klasyfikacji tematycznej. Zgodnie z zasadami DataKind dane \u017ar\u00f3d\u0142owe oraz tabele wynikowe (agregacje) nie s\u0105 publicznie udost\u0119pniane. Repozytorium zawiera kod analityczny, dokumentacj\u0119 procesu oraz artefakty pomocnicze wykorzystywane w pipeline\u2019ie.<\/p>\n\n\n\n

      Proces<\/h2>\n\n\n\n

      1) Przygotowanie i klasyfikacja danych (Python)<\/strong><\/strong><\/p>\n\n\n\n

        \n
      • Dane zosta\u0142y przetworzone w Pythonie z wykorzystaniem notebook\u00f3w dokumentuj\u0105cych kolejne etapy pipeline\u2019u.<\/li>\n\n\n\n
      • Najwa\u017cniejsze kroki:\n
          \n
        • oczyszczenie i standaryzacja p\u00f3l czasowych,<\/li>\n\n\n\n
        • kontrola sp\u00f3jno\u015bci metadanych (kraje, j\u0119zyki),<\/li>\n\n\n\n
        • przygotowanie tre\u015bci tekstowych do klasyfikacji,<\/li>\n\n\n\n
        • budowa i iteracyjna rozbudowa s\u0142ownika semantycznego,<\/li>\n\n\n\n
        • p\u00f3\u0142-automatyczna klasyfikacja tematyczna (human-in-the-loop),<\/li>\n\n\n\n
        • przygotowanie danych do agregacji sezonowej.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
            \n
          • Efektem pipeline\u2019u by\u0142a zagregowana tabela typu pivot (metryka: liczba pyta\u0144), wykorzystywana nast\u0119pnie jako \u017ar\u00f3d\u0142o danych w Tableau. Plik z pivotem nie jest publicznie udost\u0119pniany; w repozytorium znajduje si\u0119 opis jego struktury oraz procesu tworzenia.<\/li>\n<\/ul>\n\n\n\n
              \n
            • Ze wzgl\u0119du na wieloj\u0119zyczno\u015b\u0107 danych i brak pe\u0142nych zasob\u00f3w t\u0142umaczeniowych analiza nie opiera\u0142a si\u0119 na t\u0142umaczeniu wszystkich tre\u015bci na jeden j\u0119zyk, lecz na wzorcach cz\u0119stotliwo\u015bci i czasie wyst\u0119powania temat\u00f3w.<\/li>\n<\/ul>\n\n\n\n

              2) Wizualizacja (Tableau)<\/strong><\/h3>\n\n\n\n
                \n
              • Dashboard zosta\u0142 zaprojektowany jako narz\u0119dzie interpretacyjne, a nie raport statyczny.<\/li>\n<\/ul>\n\n\n\n
                  \n
                • Struktura obejmuje:\n
                    \n
                  • przegl\u0105d og\u00f3lnej aktywno\u015bci i wolumenu pyta\u0144,<\/li>\n\n\n\n
                  • sezonowo\u015b\u0107 kategorii tematycznych w uj\u0119ciu miesi\u0119cznym,<\/li>\n\n\n\n
                  • por\u00f3wnania regionalne,<\/li>\n\n\n\n
                  • podsumowanie kluczowych wzorc\u00f3w i mo\u017cliwych zastosowa\u0144 operacyjnych.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
                      \n
                    • Wykorzystane elementy:\n
                        \n
                      • KPI opisuj\u0105ce skal\u0119 i sezonowo\u015b\u0107,<\/li>\n\n\n\n
                      • wykresy trend\u00f3w miesi\u0119cznych,<\/li>\n\n\n\n
                      • heatmapy (miesi\u0105c \u00d7 rok),<\/li>\n\n\n\n
                      • interaktywne filtry (czas, region, kategoria),<\/li>\n\n\n\n
                      • tooltipy obja\u015bniaj\u0105ce kontekst i ograniczenia danych.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
                          \n
                        • Uk\u0142ad i kolorystyka zosta\u0142y dobrane z my\u015bl\u0105 o czytelno\u015bci i por\u00f3wnywalno\u015bci, bez nadmiernego akcentowania pojedynczych miesi\u0119cy czy kategorii.<\/li>\n<\/ul>\n\n\n\n

                          Wyniki<\/h2>\n\n\n\n
                            \n
                          • Analiza ujawni\u0142a m.in.:\n
                              \n
                            • wyra\u017ane, powtarzalne wzorce sezonowe dla kluczowych temat\u00f3w,<\/li>\n\n\n\n
                            • r\u00f3\u017cnice w rytmie zapyta\u0144 mi\u0119dzy regionami,<\/li>\n\n\n\n
                            • koncentracj\u0119 pyta\u0144 dotycz\u0105cych sadzenia i chor\u00f3b w okre\u015blonych okresach roku,<\/li>\n\n\n\n
                            • potencja\u0142 wykorzystania sezonowo\u015bci do planowania komunikacji i tre\u015bci doradczych.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
                                \n
                              • Dashboard umo\u017cliwia analiz\u0119 tych wzorc\u00f3w w czasie oraz zestawianie ich mi\u0119dzy kategoriami i regionami, bez dost\u0119pu do danych \u017ar\u00f3d\u0142owych.<\/li>\n<\/ul>\n\n\n\n

                                Refleksje<\/h2>\n\n\n\n
                                  \n
                                • Najwi\u0119kszym wyzwaniem by\u0142a praca z danymi tekstowymi w wielu j\u0119zykach, a nie sama wizualizacja. Kluczowe znaczenie mia\u0142y:\n
                                    \n
                                  • jasne definicje kategorii,<\/li>\n\n\n\n
                                  • \u015bwiadome decyzje metodologiczne,<\/li>\n\n\n\n
                                  • r\u0119czna kontrola jako\u015bci klasyfikacji.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
                                      \n
                                    • Projekt wymaga\u0142 ci\u0105g\u0142ego balansowania mi\u0119dzy szczeg\u00f3\u0142owo\u015bci\u0105 a czytelno\u015bci\u0105. Zamiast maksymalnej precyzji w ka\u017cdym punkcie, priorytetem by\u0142a sp\u00f3jno\u015b\u0107 procesu i mo\u017cliwo\u015b\u0107 interpretacji wynik\u00f3w przez osoby nietechniczne. Analiza mia\u0142a wspiera\u0107 decyzje operacyjne, a nie tworzy\u0107 narracj\u0119 opart\u0105 na pojedynczych ekstremach.<\/li>\n<\/ul>\n\n\n\n
                                      <\/div>\n\n\n\n