📌معرفی مقالات حوزه عظیم داده‌ها

❇️نام مقاله:
Big data analytics capabilities: Patchwork or progress? A systematic review of the status quo and implications for future research

🖋نویسندگان:
Minh-Tay Huynh, Michael Nippa, Thomas Aichner

🗓سال انتشار : 2023
📔ژورنال:
Technological Forecasting & Social Change

🔸این مقاله یک مرور سیستماتیک ادبیات از زمینه تحقیقات در مورد قابلیت های تجزیه و تحلیل داده های عظیم (BDAC) ارائه می دهد.

🔸با ظهور داده های عظیم و تحول دیجیتال، تعداد زیادی از محققین به نیاز سازمان ها به توسعه BDAC اشاره کرده­ اند. با این حال علیرغم تلاش‌های ارزشمند برای بررسی عوامل تعیین‌کننده و کمک به معیارهای عملکرد، زمینه تحقیقاتی در مورد BDACها نسبتا ناشناخته باقی مانده است.

🔸 در حالی که تحلیل داده های عظیم (BDA) برای تبدیل آنها به اطلاعات ضروری است، با این حال برای تولید دانش ارزشمند، راهنمایی و بهبود تصمیم گیری استراتژیک کافی نیست. محققان تاکید کرده‌اند که علاوه بر تخصص فنی و تحلیلی مورد نیاز برای BDA، شرکت‌ها باید مهارت‌های مدیریتی را پرورش داده ، رویکرد کسب‌وکار و فرهنگ سازمانی بیشتر داده‌محور را اتخاذ کرده، یادگیری سازمانی را ارتقا داده و قابلیت‌های سازمانی را تقویت کنند تا بینش‌های ارزشمندی را از تحلیل داده های عظیم به دست آورند.

🔸در همین راستا تعداد مطالعات بر روی قابلیت های تجزیه و تحلیل داده های عظیم (BDAC) در حوزه های مختلف، به ویژه مدیریت عمومی، مدیریت زنجیره تامین و مراقبت های بهداشتی، به طور قابل توجهی افزایش یافته است. در نتیجه، محققان ممکن است به طور مستقل تحقیقات قبلی را برای مطالعه BDAC به کار برده باشند که منجر به تناقضات آشکار در مفهوم‌سازی، ابعاد، نظریه‌ها و روش‌های اعمال شده آن می‌شود. لذا مشارکت‌های نظری و پیامدهای عملی جزئی بوده ، درک پیشرفت در این زمینه را دشوار کرده و فقدان راهنمایی برای تحقیقات بعدی فراهم می‌کند.

🔸 علی‌رغم وجود مقالات بررسی ادبیات اولیه در مورد BDAC، یک چارچوب جامع برای سازماندهی اجزای کلیدی BDAC هنوز وجود ندارد. بنابراین، برای برجسته کردن وضعیت موجود و ادغام تحقیقات موجود، یک مرور سیستماتیک ادبیات شامل چارچوب سازماندهی جامع برای هدایت تحقیقات آینده انجام می‌شود. بر این اساس، در این مقاله یک مرور ادبیات تفسیری BDAC با سه هدف اصلی انجام می گردد. در مرحله اول، هدف کاوش ادبیات موجود در مورد بلوک های ساختمانی اساسی BDAC، مانند پیشنیازها، ابعاد، و نتایج است. در مرحله دوم، بحث خواهد شد که تا چه اندازه تحقیقات در این حوزه با توجه به تکامل تعاریف، مفروضات نظری، زمینه‌ها و صنایع تحقیقاتی، سطوح تحلیل و لنزهای نظری اتخاذ شده پیشرفت کرده است. برای ادامه این امر، در گام سوم بر نیاز به مقایسه BDAC با قابلیت‌های سازمانی قبلی، مانند فناوری اطلاعات، دیجیتالی‌سازی و قابلیت‌های پویا، به منظور شناسایی شکاف‌های مهم، مسائل رسیدگی‌نشده، و جهت‌دهی‌های تحقیقاتی امیدوارکننده تاکید می‌گردد.

🔸برای این منظور یک بررسی ادبیات از مقالات علمی منتشر شده در 25 سال گذشته در پایگاه مقالات Scopus و Web of Science انجام گرفته است. در ابتدا 218 مقاله بازیابی شده و پس از اعمال معیارهای مرتبط، 103 مقاله به طور کامل مورد تجزیه و تحلیل قرار گرفته است. یافته‌ها نشان می‌دهد که علی‌رغم افزایش تحقیقات BDAC، موضوعات مختلف مربوط به مبانی مفهومی و نظری و همچنین قابلیت اطمینان و اعتبار سنجی نتایج تجربی بر ارزش کلی نتایج تأثیر می‌گذارد.

🔸این پژوهش از طریق ارائه بینشی در مورد ادبیات موجود BDACها، بررسی طیف وسیعی از جنبه‌های شامل این مفهوم و اجزای اصلی آن، به توسعه بیشتر این زمینه تحقیقاتی کمک می‌کند. علاوه بر این، به ادبیات عمومی‌ مدیریت سازمانی کمک کرده و شباهت‌ها و تفاوت‌های رویکرد BDAC را با مفاهیم رایج‌تر قابلیت‌های سازمانی برجسته می‌سازد. همچنین این مطالعه به ادبیات رو به رشد در مورد دیجیتالی شدن و تحول دیجیتال افزوده و در نهایت، به شکل‌گیری یک دستور کار تحقیقاتی آینده‌نگر کمک کرده که محققان می‌توانند بر اساس آن رویکردهای نظری و روش‌شناختی را برای رسیدگی به شکاف‌ها و کاستی‌های پژوهشی به شیوه‌ای انباشته به دست آورند و در عین حال دانش بیشتری را به مجموعه ادبیات موجود برای پیشرفت این رشته اضافه کنند.

👈درصورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود نمایید

#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics

#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics

#ويدئو
#عظیم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📖 کتاب بخوانیم؛

📌 "Big Data for Big Decisions: Building a Data-Driven Organization"


📍بخش دهم: استراتژی بازاریابی داده محور

در فصل دهم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ضرورت تحلیل عظیم‌داده در بخش بازاریابی در یک سازمان پرداخته می‌شود.
بسیاری از شرکت‌ها در پیاده سازی بازاریابی داده محور با مشکلات زیادی مواجه می‌شوند که می‌توان در چهار طبقه دسته بندی کرد:
1️⃣ عدم آگاهی به چگونگی پیاده سازی
2️⃣ وجود داده‌های فراوان
3️⃣ زمان و منابع محدود
4️⃣ عدم وجود زیرساخت تحلیلی
یکی از پیش نیازهای اصلی در پیاده سازی درست استراتژی‌های بازاریابی داده محور، تشخیص و شناسایی تفاوت بین داده‌های در دسترس و داده‌های مورد نیاز می‌باشد. درک درست این دو مفهوم یک ضرورت می‌باشد چرا که لزوما تمام داده‌هایی که برای بازاریابی داده محور مورد نیاز است برابر با داده‌هایی که در حال حاضر در دسترس می‌باشد، نیست. در بیشتر مواقع داده‌هایی که در یک سازمان در حال حاضر وجود دارد زیر مجموعه ای از داده‌های مورد نیاز برای پیاده سازی بازاریابی داده محور می‌باشد، به این معنا که این داده‌ها کافی نیستند و طی مراحلی نیاز است تا جمع آوری شوند.

📍منابع داده مورنیاز برای بازاریابی داده محور
یکی از بخش‌های اصلی بازاریابی داده محور فروش داده محور می‌باشد به این معنا که نمی‌توان ادعای بازاریابی داده محور داشت، اما در فروش محصولات و خدمات مجموعه داده‌ها تحلیل نشوند. داده‌های مربوط به فروش از کانال‌های مختلفی می‌توانند جمع‌آوری شوند که تحلیل توامان آنها می‌تواند بینش‌های ارزشمندی در اختیار سازمان قرار دهد.
🔹 یکی از منابع داده‌ای ارزشمند، مجموعه تعاملات واحد فروش با مشتریان می‌باشد که تحلیل آنها به ارائه هدفمند محصولات و خدمات کمک شایانی خواهد کرد.
🔸پروفایل مشتریان که شامل اطلاعات جمعیت شناختی، علایق و ترجیحات می‌باشد و به مرور زمان اطلاعات رفتاری شامل نوع خرید و میزان خرید ثبت می‌شود به عنوان یکی دیگر از منابع داده‌ای غنی جهت پیاده سازی بازاریابی داده محور می‌باشد.
🔹 یکی دیگر از منابع داده که باید در کنار سایر داده‌های کمی قرار بگیرد، استراتژی‌های بازاریابی کلان یک سازمان می‌باشد از این جهت که بتوانند در کنار منابع داده‌ای بازاریابی قرار گیرند تا همراستا شوند.

📍اجرا و مدیریت کورکورانه بازاریابی:
اگر بحث داده از بازاریابی حذف شود و یا از منظر زمانی تاخیرهای معناداری بین داده‌های تولید شده و تحلیل آن وجود داشته باشد، عملا مدیر بازاریابی نمی‌تواند بر مبنای داده عمل کند و تصمیمات کاملا شهودی خواهد شد. این داده‌ها تنها مربوط به مشتریان نمی‌باشد، بلکه تحلیل داده‌ها در سطح محصولات هم به عنوان یک پیشنیاز اصلی جهت دور شدن از تصمیمات کورکورانه در زمینه بازاریابی می‌باشد. از آنجاییکه ارتباط بین مدیر عامل و مدیر بازاریابی بسیار نزدیک و حیاتی می‌باشد، اگر مدیر بازاریابی بر مبنای داده فکر و تصمیم‌گیری نکند، این تصمیم گیری کورکورانه به سطح عالی مدیریت انتقال می‌یابد. بر همین مبنا است که طراحی استراتژی در بازاریابی داده محور نقش اساسی در کل سازمان را دارد که مبنای آن همان جمع آوری و تحلیل داده های مورد نیاز می‌باشد و کلید حل این تصمیم کورکورانه داده می‌باشد.
📍سازماندهی تیم بازاریابی داده محور
از آنجاییکه پیاده سازی موفق استراتژی نیازمند یک تیم سازمان یافته می‌باشد، طبیعتا جهت اجرا و پیاده سازی استراتژی‌هایی بازارایابی که در سطح کلان سازمان طراحی شدند، نیازمند جذب و به کارگیری افرادی است که تخصص‌های لازم در زمینه داده و تحلیل آن در حوزه بازاریابی را دارند. چگونگی سازماندهی این تیم از کسب و کار به کسب و کار متفاوت می‌باشد که نیازمند همراستا شدن با سایر بخش ها می‌باشد تا حداکثر راندمان را داشته باشد. به طور کلی چهار قدم ذیل در طراحی موفق این تیم باید مدنظر باشد:
1️⃣ نیازسنجی و جمع آوری تمام داده‌های مورد نیاز بازاریابی
2️⃣ در نظر گرفتن تمامی داده‌های تولید شده در داخل سازمان
3️⃣ تحلیل و پیاده سازی الگوریتم‌های شخصی سازی شده متناسب با سازمان
4️⃣ استفاده از بینش کسب شده جهت تصمیمات بازاریابی داده محور

#کتاب_بخوانیم
#داده‌های_عظیم_برای_تصمیمات_بزرگ
#فصل_دهم
#استراتژی_بازاریابی_داده_محور
#علی_محمدی


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌معرفی ابزار: Databricks Lakehouse Platform

🖌نوع جدیدی از معماری داده تحت عنوان "data lakehouse" دریاچه داده و انبارداده را ترکیب می‌نماید تا نقاط ضعفی را که هر یک از آنها به طور مستقل می‌توانند داشته باشند، برطرف نماید. پلتفرم lakehouse، مانند دریاچه‌های داده از ذخیره‌سازی کم هزینه برای نگهداری حجم عظیمی از داده‌ها در فرمت اصلی خود بهره می‌برد و افزودن یک لایه متادیتا بر روی محل ذخیره‌سازی نیز ساختار داده را فراهم نموده و ابزارهای مدیریت داده را مشابه آنچه در انبارداده وجود دارد امکان پذیر می‌سازد.

🔹این معماری شامل حجم از عظیمی از داده‌های ساختیافته، نیمه ساختیافته و بدون ساختار است که از اپلیکیشن‌ها، سیستم‌ها و دستگاه‌های مختلفی که در سراسر سازمان مورد استفاده قرار می‌گیرند، به دست می‌آیند.
بر خلاف دریاچه داده، پلتفرم‌های lakehouse می‌توانند داده‌ها را برای عملکرد SQL مدیریت و بهینه‌سازی نمایند. همچنین این قابلیت را دارند تا حجم بزرگی از داده‌های متنوع را با هزینه‌ای پایین‌تر از انبارهای داده ذخیره‌سازی و پردازش نمایند. این پلتفرم‌ها هنگامی که نیاز به اجرای هر گونه دسترسی به داده‌ها یا تحلیل‌گری داریم اما در خصوص داده‌ها یا تحلیل مورد نظر اطمینان نداریم می‌توانند بسیار مفید باشند.
❇️ ویژگی‌های data lakehouse عبارتند از:
✅ خواندن و نوشتن همزمان داده‌ها
✅ سازگاری و مقیاس پذیری
✅ اسکیماهای مورد نیاز توسط ابزارهای حکمرانی داده
✅ ذخیره سازی مقرون به صرفه
✅ پشتیبانی از همه انواع داده‌ها و فرمت‌های فایل
✅ امکان دسترسی ابزارهای علم داده و یادگیری ماشین
✅ دسترسی سریع‌تر و دقیق‌تر تیم‌های داده به تنها یک سیستم برای انتقال بارهای کاری
✅ قابلیت‌های بلادرنگ برای ابتکارات در علم داده، یادگیری ماشین و تحلیل‌گری

🔹دیتابریکس (Databricks) یک سرویس آپاچی اسپارک مدیریت شده را ارائه می‌دهد که به عنوان پلتفرمی برای دریاچه‌های داده قرار داده می‌شود. دریاچه داده، delta lake و موتور delta، اجزای معماری databricks lakehouse هستند که کاربردهای هوش کسب و کار، علم داده و یادگیری ماشین و از جمله تکنیک‌های هوش مصنوعی مولد مانند LLM را توانمند می‌سازند.
🔸دریاچه داده یک مخزن ذخیره‌سازی ابری عمومی است که از پشتیبانی از مدیریت متادیتا، پردازش داده دسته‌ای و جریانی برای مجموعه داده‌های چندساختاری، اکتشاف داده، کنترل دسترسی ایمن و تجزیه و تحلیل SQL بهره‌‌مند می‌باشد.
🔹دیتابریکس بیشتر کارکردهای انبارداده که از یک پلتفرم lakehouse انتظار می‌رود را ارائه می‌دهد. همچنین اخیراً از یک بارگذاری خودکار (auto loader) رونمایی کرده است که ETL و ورود داده را خودکار نموده است و از نمونه‌گیری از داده‌ها برای استنتاج اسکیمای انواع مختلف داده‌ها جهت ارائه اجزای اساسی استراتژی ذخیره‌سازی دریاچه داده استفاده می‌نماید. همچنین کاربران می‌توانند پایپ‌لاین‌های ETL را میان ساختار ابری دریاچه داده و Delta lake با استفاده از جداول لایو دلتا ایجاد کنند.
❗️هر چند به نظر می‌رسد این ابزار تمام مزیت‌های انبارداده و دریاچه داده را دارد، اما پیاده‌سازی این راهکار و ایجاد پایپ‌لاین‌ها، نیازمند نیروی انسانی و توسعه دهندگان ماهر است که به ویژه در مقیاس بالاتر پیچیدگی‌های بیشتری پیدا می‌نماید.


#معرفی_ابزار
#داده‌های_عظیم
#فاطمه_مظفری
#Data_Lakehouse
#Databricks_Lakehouse_platform

@BigData_BusinessAnalytics
www.bdbanalytics.ir

🔎 معرفی محصولات داده محور

🔹 داده‌ها به عنوان یکی از دارایی‌های حیاتی شرکت‌های فناوری اطلاعات، نقش مهمی در تصمیم‌گیری‌ها و بهبود سرویس‌ها دارند. گوگل، به عنوان یکی از بزرگ‌ترین شرکت‌های دنیا، در محصولات و خدمات مختلف خود از داده‌ها بهره می‌برد. یکی از محصولات مهم این شرکت، گوگل ادز است. در این مقاله، به بررسی کاربردهای گوناگون داده‌ها در گوگل ادز می‌پردازیم.

📍گوگل ادز: یک نگاه کلی
گوگل ادز یکی از بزرگ‌ترین پلتفرم‌های تبلیغاتی در جهان است. این پلتفرم به تبلیغ‌دهندگان اجازه می‌دهد تا با استفاده از مجموعه‌ای از ابزارها و تکنیک‌ها، تبلیغات خود را به گونه‌ای طراحی و اجرا کنند که بهترین بازده را داشته باشد.

❇️ جمع‌آوری داده‌ها
اولین قدم برای استفاده از داده‌ها در گوگل ادز، جمع‌آوری داده‌ها است. گوگل ادز داده‌های مختلفی را در اختیار کسب‌وکارها قرار می‌دهد که می‌توانند برای بهبود کمپین‌های تبلیغاتی استفاده شوند. این داده‌ها عبارتند از:
🔹داده‌های کمپین: این داده‌ها شامل اطلاعات مربوط به عملکرد کمپین‌های تبلیغاتی، مانند تعداد نمایش‌ها، کلیک‌ها، تبدیلات و هزینه‌ها هستند.
🔹داده‌های مخاطبان: این داده‌ها شامل اطلاعات مربوط به مخاطبان هدف کمپین‌های تبلیغاتی، مانند سن، جنسیت، مکان و علایق هستند.
🔹داده‌های وب‌سایت: این داده‌ها شامل اطلاعات مربوط به وب‌سایت کسب‌وکار، مانند ترافیک، نرخ تبدیل و محتوای بازدید شده هستند.
کسب‌وکارها می‌توانند از ابزارهای مختلف گوگل ادز و سایر ابزارهای تحلیل داده برای جمع‌آوری این داده‌ها استفاده کنند.

❇️ کاربرد داده‌ها در گوگل ادز

1️⃣ هدف‌گذاری مخاطبان
🔹 سن، جنسیت، و مکان جغرافیایی: تبلیغ‌دهندگان می‌توانند تبلیغات خود را بر اساس اطلاعات جمع‌آوری شده در مورد سن، جنسیت، و مکان جغرافیایی کاربران، بهینه‌سازی کنند.
🔹 علایق و نیازهای کاربران: با توجه به داده‌های جستجویی و فعالیت‌های کاربران، تبلیغ‌دهندگان می‌توانند تبلیغات خود را به نیازها و علایق ویژه کاربران متمرکز کنند.

2️⃣ تحلیل عملکرد تبلیغات
🔹 میزان کلیک و نمایش: با استفاده از داده‌های تجزیه و تحلیل، تبلیغ‌دهندگان می‌توانند میزان کلیک و نمایش تبلیغات خود را ارزیابی و بهبود بخشید.
🔹 تبدیل‌شدگی: اطلاعات جمع‌آوری شده در مورد تبدیل‌شدگی تبلیغات، به تبلیغ‌دهندگان کمک می‌کند تا فرآیندهای تبلیغاتی را بهینه‌سازی کنند.

3️⃣ پیش‌بینی رفتار کاربران
پیش‌بینی نیازهای آتی کاربران: با استفاده از یادگیری ماشینی، گوگل ادز می‌تواند رفتارهای آتی کاربران را پیش‌بینی کند و به تبلیغ‌دهندگان اجازه دهد تا استراتژی‌های تبلیغاتی خود را به نحوی تنظیم کنند که با نیازهای آتی کاربران هماهنگ باشد.

4️⃣ تبلیغات محتوایی
سفارشی‌سازی محتوا: بر اساس داده‌های جمع‌آوری شده، تبلیغ‌دهندگان می‌توانند محتوای تبلیغاتی خود را به گونه‌ای طراحی کنند که به بهترین شکل با نیازها و علایق کاربران همخوانی داشته باشد.


5️⃣ بهینه‌سازی بودجه تبلیغات
تخصیص بودجه بر اساس عملکرد: با توجه به داده‌های تجزیه و تحلیل، تبلیغ‌دهندگان می‌توانند بودجه تبلیغات خود را در ناحیه‌هایی تخصیص دهند که بهترین بازدهی را دارند.

6️⃣ بهبود ROI تبلیغات
یکی از مهم‌ترین اهداف استفاده از داده‌ها در گوگل ادز، بهبود ROI تبلیغات است. با استفاده از داده‌ها می‌توانید هزینه‌های تبلیغات خود را کاهش دهید و درآمد خود را افزایش دهید.
به عنوان مثال، با استفاده از داده‌ها می‌توانید کمپین‌هایی را که ROI آنها پایین است، شناسایی کنید و اقدامات لازم برای بهبود آنها را انجام دهید. همچنین، می‌توانید با استفاده از داده‌ها، کمپین‌هایی را ایجاد کنید که برای مخاطبان هدف شما جذاب‌تر هستند و احتمال تبدیل آنها را افزایش می‌دهند.

📍نتیجه‌گیری
داده‌ها، ابزاری قدرتمند برای تبلیغ‌دهندگان در گوگل ادز هستند. با استفاده از داده‌های جمع‌آوری شده، تبلیغ‌دهندگان می‌توانند استراتژی‌های تبلیغاتی خود را به بهترین شکل ممکن بهینه‌سازی کنند. اما همواره باید به مسائل حریم خصوصی و قوانین مرتبط توجه ویژه‌ای داشته باشند.


#محمدرضا_مرادی
#گوگل_ادز
#Google_Ads
#محصولات_داده_محور



@BigData_BusinessAnalytics
www.bdbanalytics.ir

📚معرفی کتاب

📌کاربردهای عظیم‌داده در صنعت ۴

"Big Data Applications in Industry 4.0"

📌نویسندگان:
P. Kaliraje, T. Devi

📌این کتاب در سال ۲۰۲۲ توسط CRC Press انتشار یافته است.


📍 در این کتاب، نویسندگان به چشم‌انداز تحول‌آفرین صنعت ۴ می‌پردازند که بیانگر آخرین مرز فناوری در تولید است. محور این تحول، نقش بنیادی تجزیه‌ و تحلیل عظیم‌داده بوده که به عنوان سنگ بنای صنعت ۴ شناسایی شده‌است. عظیم‌داده بینش‌های ارزشمندی را برای مدیریت موثر کارخانه‌های هوشمند ارائه می‌دهد. این کتاب همچنین بر ضرورت ابزارها و فن‌آوری‌های پیشرفته برای پردازش داده‌ها و اطمینان از تحویل اطلاعات مربوطه تأکید می‌کند. مزیت‌های بالقوه عظیم داده زمانی‌که با صنعت ۴ ادغام شود، به شکل‌دهی به فرآیندهای صنعتی، تأثیرگذاری بر مصرف منابع، ساده‌سازی فرآیندها، جهت‌دهی به اتوماسیون و نیز اهداف توسعه پایدار گسترش می‌یابد.

📍تکامل سریع این فناوری‌ها، به افراد با مهارت‌های سطح بالا و دانش عمیق نیاز دارد تا به چالش‌های بی‌وقفه رسیدگی کنند. این کتاب بر اهمیت هماهنگ ماندن با تغییرات کوچک در داده‌های تولید شده و بر تأثیر بالقوه آن‌ها بر محیط و صنعت تأکید می‌کند. افزایش نرخ تولید داده‌ها، پیچیدگی تجزیه و تحلیل عظیم‌داده‌ها را تشدید، و آن را به یک قلمرو چالش‌برانگیز پژوهشی تبدیل می‌کند.

📍 پیش‌بینی می‌شود که چشم‌انداز بازار برای تجزیه و تحلیل عظیم‌داده‌ها، رشد قابل توجهی را تجربه کند. این افزایش در تقاضا نیاز روز‌ افزون به متخصصان در این زمینه را برجسته می‌کند. افزایش تقاضا به دلیل حجم فزاینده، سرعت و تنوع داده‌های تولید شده در عصر دیجیتال امروزی است که نیازمند فناوری‌ها و روش‌های پیشرفته برای کشف اطلاعات ارزشمند برای تصمیم‌گیری، توسعه استراتژی و حل مشکلات در صنایع و بخش‌های مختلف است. توسعه مهارت برای هدایت صنعت ۴ و ایجاد زیرساخت‌های پیشرفته از منظر فناوری به عنوان عناصر کلیدی برای ستون‌های آینده توسعه جهانی پدیدار می‌شود.

📍 تغییرات پیش‌رونده تحول‌آفرین و تصاعدی، مؤسسات آموزشی و دانشگاه‌ها را ملزم می‌کند که ابزارهای صنعت ۴ را به طور فعالانه در برنامه‌های متنوع آموزشی و پژوهشی خود بگنجانند. این کتاب خود را به عنوان منبعی ارزشمند برای انتقال مفاهیم اساسی و دانش عظیم‌داده به فارغ‌التحصیلان معرفی می‌کند. نویسندگان همچنین با کشف جنبه‌های مختلف عظیم‌داده، کاربردها را در بخش‌های مختلف، از جمله امور مالی، آموزش، رسانه‌های اجتماعی، سنجش از راه دور و مراقبت‌های بهداشتی بررسی می‌کنند. دانشمندان، مهندسان و آماردانان با هدف ساخت برنامه‌های کاربردی عظیم‌داده‌ها برای حل مسئله در دنیای واقعی، مرجع جامعی را در این کتاب خواهند یافت.

📍در دیگر بخش‌های این کتاب به موضوعات خاصی مانند کاربردهای علم داده، ادغام صنعت ۴، اصول پیش‌بینی، کاربردهای مراقبت‌های بهداشتی و نقش عظیم‌داده در آموزش می‌پردازند. هر فصل به عنوان یک کاوش دقیق عمل می‌کند، و بینش‌های ارزشمندی را برای توسعه دهندگان نرم‌افزار، دانشجویان و اساتید و نیز محققان ارائه می‌دهد. محتوا به گونه‌ای طراحی شده‌ است که غنی و جامع باشد و به خوانندگان کمک کند تا درک عمیقی از موضوع پیدا کنند. بینش‌های به اشتراک گذاشته شده در هر فصل چند وجهی است و می‌تواند در حوزه‌های مختلف حرفه‌ای و آموزشی اعمال شود و کتاب را به منبعی ارزشمند برای هر علاقه‌مند به این حوزه تبدیل می‌کند.


این کتاب را می‌توانید در پست بعد دریافت نمایید.


#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور


@BigData_BusinessAnalytics
http://www.bdbanalytics.ir

🛠معرفی ابزار Apache Zeppelin

🖌اپاچی زپلین (Apache Zeppelin) یک نوت‌بوک تعاملی مبتنی بر وب برای تجزیه و تحلیل داده است. این ابزار، محیطی همکاری برای داده‌شناسان، تحلیل‌گران و مهندسان فراهم می‌کند تا با مجموعه‌های عظیم داده کار کنند، اکتشاف داده انجام دهند و نمودارها و گرافیک‌های تصویری ایجاد کنند. زپلین از چندین زبان برنامه‌نویسی مختلف پشتیبانی می‌کند و به کاربران این امکان را می‌دهد که به صورت همزمان از تکنولوژی‌ها و ابزارهای مختلف در یک تحلیل استفاده کنند.

✳️ویژگی‌ها و اجزای کلیدی Apache Zeppelin عبارتند از:

📍پشتیبانی از چندین زبان: Zeppelin از زبان‌های برنامه‌نویسی متعددی مانند اسکالا، پایتون، R، SQL و غیره پشتیبانی می‌کند. هر نوت‌بوک می‌تواند شامل چندین پاراگراف با زبان‌های مختلف باشد که این امکان را به کاربران می‌دهد که از قابلیت‌های مختلف زبان‌ها در یک تحلیل استفاده کنند.

📍رابط نوت‌بوک: رابط اصلی Zeppelin نوت‌بوک است که به پاراگراف‌ها تقسیم شده است. هر پاراگراف می‌تواند شامل کد، کوئری یا متن markdown باشد. این قابلیت به کاربران این امکان را می‌دهد که پاراگراف‌ها را به صورت مستقل اجرا کرده و کد را به صورت تکاملی توسعه دهند.

📍تجزیه و تحلیل داده: Zeppelin از نمودارها، نمودارها و داشبوردهای تصویری مختلف پشتیبانی می‌کند. کاربران می‌توانند نمودارهای تعاملی را ایجاد کرده و اطلاعات خود را از داده‌های خود در نوت‌بوک به نمایش بگذارند.

📍ادغام با تکنولوژی‌های عظیم داده: Zeppelin به طور شبیه‌سازی با چارچوب‌های پردازش داده بزرگ مانند اپاچی اسپارک، اپاچی فلینک و دیگران ادغام می‌شود. این امکان به کاربران می‌دهد که از قابلیت‌های پردازش توزیع شده برای تحلیل داده‌های عظیم استفاده کنند.

📍همکاری و به اشتراک‌گذاری: Zeppelin امکان همکاری را با اشتراک‌گذاری نوت‌بوک‌ها با دیگران فراهم می‌کند. همچنین از نسخه‌گذاری پشتیبانی می‌کند تا تغییرات را ردیابی کند و در صورت نیاز به نسخه‌های قبلی بازگردانی شود.

📍معماری مفسر: Zeppelin از یک معماری مفسر استفاده می‌کند که اجازه اجرای کد نوشته شده به زبان‌های مختلف را فراهم می‌کند. هر مفسر با یک زبان خاص مرتبط است و Zeppelin می‌تواند مفسرهایی برای زبان‌های مانند اسکالا، پایتون، SQL و غیره داشته باشد.

✳️ این ابزار به طور گسترده در حوزه علوم داده، یادگیری ماشین و تجزیه و تحلیل عظیم داده استفاده می‌شود. این ابزار فرآیند کار با مجموعه‌های داده متنوع و تکنولوژی‌های مختلف را ساده‌تر می‌کند و یک پلتفرم یکپارچه برای اکتشاف و تحلیل تعاملی داده فراهم می‌کند. در زیر، تعدادی از موارد کاربرد اصلی اپاچی زپلین را بررسی می‌کنیم:

📌تجزیه و تحلیل عظیم داده: Zeppelin به عنوان یک نوت‌بوک تعاملی و با امکان پردازش توزیع شده از چارچوب‌های مانند Apache Spark و Apache Flink پشتیبانی می‌کند. این امکان به تحلیل عظیم داده‌ها کمک می‌کند و امکان اجرای کدهای تحلیلی بر روی داده‌های توزیع شده را فراهم می‌سازد.

📌یادگیری ماشین و تحلیل پیشرفته: داده‌شناسان و محققان در زمینه یادگیری ماشین و تحلیل داده می‌توانند از Zeppelin برای ایجاد، آزمایش، و بهبود مدل‌های خود استفاده کنند. نوت‌بوک‌های تعاملی این امکان را فراهم می‌کنند که مراحل یادگیری ماشین به صورت تفاوتی و تعاملی انجام شود.

📌تحلیل داده‌های علمی: در زمینه علوم و تحقیقات، Zeppelin می‌تواند برای تجزیه و تحلیل داده‌های آزمایش‌ها، شبیه‌سازی‌ها، و نتایج تجربیات مورد استفاده قرار گیرد. نمودارها و گرافیک‌های تصویری می‌توانند به دانشمندان کمک کنند تا الگوها و روندهای مختلف را در داده‌ها شناسایی کنند.

📌تحلیل لاگ و رصد: در محیط‌های سیستمی و شبکه، زپلین می‌تواند برای تحلیل لاگ‌ها و رصد عملکرد سیستم‌ها استفاده شود. از قابلیت‌های تحلیل تعاملی برای کشف مشکلات و بهینه‌سازی عملکرد سیستم‌ها استفاده می‌شود.

📌 تجزیه و تحلیل داده‌های مالی: در صنعت مالی، داده‌های عظیم و پیچیده اغلب نیاز به تحلیل دقیق دارند. Zeppelin می‌تواند به متخصصان مالی کمک کند تا داده‌های خود را تجزیه و تحلیل کرده و اطلاعات مهم را استخراج کنند.

📌تحلیل داده‌های بازاریابی: در صنعت بازاریابی، Zeppelin می‌تواند برای تحلیل داده‌های مربوط به کمپین‌های تبلیغاتی، رفتار مشتریان، و اثربخشی استراتژی‌های بازاریابی استفاده شود.

📌 پیش‌بینی و تحلیل‌های آماری: Zeppelin از زبان‌های مختلف آماری و تحلیل داده پشتیبانی می‌کند، که این امکان را به تحلیل‌های آماری و پیش‌بینی‌های متنوع ارائه می‌دهد.

#معرفی_ابزار
#داده‌های_عظیم
#فاطمه_مصلحی
#Apache_Zeppelin

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📖 کتاب بخوانیم؛

📌 "Big Data for Big Decisions: Building a Data-Driven Organization"


📍بخش یازدهم: حکمرانی یکپارچه داده‌ها
🔹 فصل یازدهم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور،" با عنوان حکمرانی یکپارچه داده‌ها، به موضوعاتی همچون نیاز به حکمرانی داده‌ها، نیاز به حکمرانی داده‌ها در سازمان‌های جهانی با پرداختن به دغدغه‌های ذینفعان، تشخیص حکمرانی ضعیف داده‌ها، هزینه‌های حکمرانی ضعیف داده‌ها، نقشه راه تحولی برای طراحی و نهادینه‌سازی حکمرانی داده‌ها، اهمیت کاتالوگ داده‌ها، تعریف ارزش با اولویت بندی داده‌ها و ایجاد یک مورد کسب و کاری برای حکمرانی داده‌ها، برنامه‌ریزی و ایجاد اجزای حکمرانی داده‌ها و طراحی چارچوب حکمرانی داده‌های سازمانی، رشد و تحکیم حکمرانی داده‌های نهادینه شده، روندهای نوظهور و حکمرانی داده‌های عظیم و در نهایت نقش در حال تحول مدیر ارشد داده‌ها (CDO) می‌پردازد.
📍لزوم حکمرانی داده‌ها
نیاز به حاکمیت داده با 3V داده‌ها (حجم، سرعت و تنوع) همبستگی بسیار قوی دارد. این سه V معمولاً در شرکت‌های چندملیتی B2C با توجه به تعداد اشخاص حقوقی، کشورها، و خطوط تولید کسب و کار که باید تحت پوشش قرار گیرند، بسیار بالاتر از شرکت‌های محلی در یک کشور هستند. همچنین این 3V در شرکت‌هایی که حضور دیجیتالی قوی دارند بسیار بالا بوده و رشد تصاعدی دارند. برای اینکه یک سازمان بتواند مدیریت درستی بر این داده‌ها داشته باشد نیازمند یک استراتژی کامل فناوری اطلاعات، یک استراتژی کامل داده، و یک ردپای فناوری اطلاعات است که کل وسعت سازمان را پوشش می‌دهد که می‌تواند در غیاب یک مدل حکمرانی کامل شکست بخورد.

🔹نقشه راه تحولی برای طراحی و نهادینه سازی حکمرانی داده‌ها:
حکمرانی داده‌ها اساساً در مورد تصمیم گیری درباره چگونگی تصمیم گیری است. به بیان دیگر به عنوان بستر تمام تصمیم گیری‌ها در یک سازمان است. اگر سازمان‌ها امیدوارند تصمیم‌گیری درستی داشته باشند، لزوماً باید مدیریت داده‌های خود را درست انجام دهند. رویکردهای متعددی برای طراحی و اجرای برنامه حکمرانی داده‌های سازمانی وجود دارد. تعداد قابل توجهی از کارشناسان طرفدار شروع از توسعه یک بیانیه ارزش و ایجاد یک مورد کسب و کاری و نقشه راه هستند. برخی دیگر از شروع با مرحله اکتشاف، به دنبال آن مرحله "طرح و ساخت" و در نهایت مرحله "رشد و نهادینه‌سازی" حمایت می کنند.
🔸کاتالوگ داده‌ها و دیکشنری داده‌ها:
ایجاد کاتالوگ داده و دیکشنری داده باید اولین قدم به عنوان بخشی از مرحله اکتشاف، قبل از اجرای هر راه حل حاکمیت داده باشد. بسیاری از راه‌حل‌های مدیریت کیفیت داده‌ها، یا راه‌حل‌های حکمرانی داده، ویژگی‌ای برای ایجاد خودکار کاتالوگ داده‌ها دارند. در حالی که بسیاری از راه‌حل‌های هوش کسب و کار (BI) و پلت‌فرم‌های داده‌های عظیم بصری سازی تعاملی از نمودارهای ارتباطات داده‌ای را ارائه می‌دهند، اما برخی دیگر از راه‌حل‌ها نظیر SAP Information Steward، بخشی از راه‌حل مدیریت داده را ارائه می‌دهند که می‌توانند بسیار قابل توجه باشند.

📍حکمرانی داده‌ها برای داده‌های عظیم: روندهای نوظهور
موسسه مکنزی بر این باور است که هوش مصنوعی این پتانسیل را دارد که تا سال 2030 حدود 13 تریلیون دلار به اقتصاد جهانی از طریق بهبود در بهره وری، محصولات و تجارب مشتری اضافه نماید. از سوی دیگر، هوش مصنوعی می‌تواند به پیشرانی حکمرانی داده‌های عظیم کمک نماید. فناوری یادگیری عمیق می‌تواند برای خودکارسازی خوشه بندی و دسته بندی داده‌های عظیم و تخصیص خودکار تگ‌های متادیتا، ارزیابی مالکیت داده، حریم خصوصی، ریسک و غیره بسیار موثر باشد.
رشد اهمیت حکمرانی داده برای اقتصاد هوش مصنوعی و مفهوم جدیدی تحت عنوان «data lakehouse» که مزایای انبارداده و دریاچه داده را ترکیب می‌نماید، از روندهای نوظهور در حوزه حکمرانی داده‌های عظیم هستند.
🔸نقش در حال تحول مدیر ارشد داده:
استخدام یک CDO اهمیت فزاینده داده‌ها را نشان می‌دهد با این حال عدم شفافیت نقش بین یک CDO و CIO می تواند عواقبی در پی داشته باشد. برخی از سازمان‌ها نیز نقش یک مدیر ارشد دیجیتال را دارند که مسائل را بیش از پیش پیچیده می‌کند. بنابراین می‌توان گفت یک CDO تنها در صورتی می‌تواند در زمینه حکمرانی داده موفق باشد که سرمایه‌گذاری کافی در فرآیند، ابزارها و مکانیسم انطباق و همچنین خرید سهامداران وجود داشته باشد.

#کتاب_بخوانیم
#داده‌های_عظیم_برای_تصمیمات_بزرگ
#فصل_یازدهم
#حکمرانی_یکپارچه_داده‌ها
#فاطمه_مظفری


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📚 فایل ترجمه خلاصه کتاب "داده های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور"
"Big Data for Big Decisions: Building a Data Driven Organization"

📌 ضمن تشکر بابت همراهی شما با کانال گروه تحلیلگری عظیم داده و کسب و کار، خلاصه کتاب "داده های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" در قالب یک فایل جمع‌آوری شده است.

می توانید این فایل را از لینک زیر دریافت فرمایید.

🔗 B2n.ir/b46500

#داده_های_عظیم_برای_تصمیمات_بزرگ
#Big_Data_for_Big_Decisions



@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌 معرفی ویدئو
این ویدیو از کانال "Brain Growth Online" به اهمیت نوآوری داده‌های عظیم می‌پردازد و بر نقش کلیدی آن در تصمیم‌گیری‌های کسب‌وکار و تحلیل بازار تاکید دارد. در این ویدیو، دلایل اصلی اهمیت مطالعه داده‌های عظیم برای کسب‌وکار و جامعه بیان شده است.

نکات کلیدی این ویدیو:

📊 افزایش درآمد: استفاده از تحلیل‌های داده‌های عظیم برای شناسایی روندها و بهبودها، تصمیم‌گیری آگاهانه و افزایش درآمد را تقویت می‌کند.

🔍 بینش‌های بهبودیافته: تجزیه و تحلیل داده‌های عظیم رفتارها و ترجیحات مشتریان را آشکار می‌کند و امکان ارائه استراتژی‌های بازاریابی متناسب را فراهم می‌آورد.
⚙️ بهبود عملیات: ابزارهای تحلیل داده ‌های عظیم عملیات را با شناسایی ناکارآمدی‌ها و فرصت‌ها بهینه‌سازی می‌کنند.

🛡 کاهش ریسک: درک رفتارهای مشتری از طریق داده‌های عظیم ریسک را کاهش می‌دهد و از فعالیت‌های کلاهبرداری جلوگیری می‌کند.

⏩ تصمیم‌گیری سریع‌تر: تجزیه و تحلیل مجموعه‌های داده‌ای گسترده به کسب‌وکارها کمک می‌کند تا تصمیمات سریع و هوشمندانه‌ای در پاسخ به تغییر ترجیحات مشتریان و شرایط بازار اتخاذ کنند.

💰 صرفه‌جویی در هزینه: تجزیه و تحلیل داده‌های عظیم صرفه‌جویی قابل توجهی در هزینه‌ها را از طریق شناسایی منابع هدررفته و بهینه‌سازی زنجیره تامین، افزایش کارایی را ممکن می‌سازد.

📈 بهبود بهره‌وری: تجزیه و تحلیل داده‌های عظیم ارتباط بین عملکرد کارمندان و موفقیت سازمانی را روشن می‌کند، فرآیندها را خودکار می‌سازد، کار دستی را کاهش می‌دهد و به طور کلی بهره‌وری را افزایش می‌دهد.

🔝 افزایش کیفیت: تجزیه و تحلیل بازخورد مشتریان به کسب‌وکارها کمک می‌کند تا در مورد نحوه تمرکز تلاش‌های تحقیق و توسعه خود تصمیمات بهتری بگیرند و محصولات بهبودیافته‌ای تولید کنند.

🗣 بهبود ارتباط: داده‌های عظیم امکان شناسایی مشکلات احتمالی و راه‌های بهبود را قبل از اینکه تشدید شوند، فراهم می‌آورد و ارتباط و خدمات بهتری به مشتریان ارائه می‌دهد.

🔒 امنیت بیشتر: شناسایی و پاسخ به تهدیدات امنیتی به صورت زمان‌واقعی از شبکه‌ها و داده‌ها بهتر محافظت می‌کند.

🌐 جامعه مبتنی بر داده: تجزیه و تحلیل داده‌های عظیم بینش‌های ارزشمندی در مورد رفتارهای گروه‌های بزرگ ارائه می‌دهد و درک عمیق‌تری از روندها و چالش‌های جامعه فراهم می‌آورد.

برای دسترسی به ویدیو اصلی به لینک زیر مراجعه کنید:
https://www.youtube.com/watch?v=jt4iopIQESI

#معرفی_ویدئو
#عظیم_داده
#نوآوری
#حمید_جمالی

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📚معرفی کتاب "Big Data at Work: Dispelling the Myths, Uncovering the Opportunities"

عنوان:
🔍 «عظیم داده در کار: از بین بردن افسانه‌ها، کشف فرصت‌ها»

🖋 نویسنده : Thomas H. Davenport
📌 این کتاب در سال ۲۰۱۴ و توسط ‎ Harvard Business Review Pressانتشار یافته است.


📍این کتاب را می‌توان به عنوان راهنمایی کاربردی برای به‌ کارگیری عظیم داده و استفاده از مزایای آن و شناخت چالش‌های موجود در به کارگیری آن در سازمان‌ها دانست. تمرکز کتاب بیشتر از مسائل فنی بر بعد انسانی و سازمانی پیاده‌سازی و استفاده از عظیم داده است.

📍نویسنده، نگارش کتاب را در ۸ فصل انجام داده است. دو فصل ابتدایی درباره‌ی اهمیت عظیم داده و چگونگی اثرگذاری آن در سطوح فردی مشاغل و سطوح سازمانی در صنایع متفاوت است. فصل سوم کتاب بر استراژی عظیم داده و ابعاد آن با توجه به نیاز‌های کسب‌وکار و اهداف سازمانی تمرکز دارد. فصل چهارم و پنجم کتاب به صورت خاص بر چالش‌های ابعاد انسانی و زیرساخت‌های تکنولوژیکی و تحلیلی این حوزه می‌پردازند. فصول بعدی کتاب چالش‌ها و عوامل کلیدی موفقیت استفاده از عظیم داده در سازمان‌ها و همچنین مطالعاتی موردی در سطوح سازمان‌های بزرگ و استارتاپ‌ها را در این رابطه بررسی می‌کنند. در انتها، پرسشنامه‌ای جهت ارزیابی آمادگی استفاده از عظیم داده آورده شده است.

📍می‌توان برخی از نکات با اهمیت که کتاب مباحث خود را حول آن‌ها شکل می‌دهد را شامل مواردی زیر در نظر داشت:

🔹 مزایای عظیم داده همچون بهبود تصمیم‌گیری و افزایش کارایی و نوآوری در تمامی صنایع.
🔹نیاز به همراستایی زیرساختی در کنار فرهنگ مناسب با عظیم داده برای استفاد‌ه‌ی اثربخش از نتایج تحلیلی آن.
🔹مسئله‌محور بودن تمامی مراحل از جمع‌آوری تا تحلیل و آماده‌سازی گزارش‌ها و نپرداختن صرف به عظیم داده و ابعاد فنی مختلف آن.

📍به طور کلی، این کتاب دیدی نسبتا همه‌جانبه به مقوله‌ی عظیم‌داده داشته و همانگونه که خود نویسنده عنوان می‌کند، به جای پرداختن به این نکته که چه میزان داشتن این حجم از داده جذاب و مفید است، به آن پرداخته که صرف نظر از آنکه چه میزان داده در اختیار دارید، مهم آن است که چگونه از آن استفاده می‌کنید.

این کتاب را می‌توانید در پست بعد دریافت نمایید.


#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار


@BigData_BusinessAnalytics
http://www.bdbanalytics.ir

📌معرفی مقالات حوزه عظیم داده‌ها
❇️ نام مقاله:
Product improvement in a big data environment: A novel method based on text mining and large group decision making

✍️نویسندگان:
Fang Zhang , Wenyan Song

🗓سال انتشار: 2024
📔ژورنال:
Expert Systems With Applications

🔸امروزه بهبود محصول به یک تلاش چندوجهی همراه با ابهام برای تولیدکنندگان در محیط کسب و کار رقابتی تبدیل شده است. در حالیکه پلتفرم‌های آنلاین برای جلب نظر مشتریان و بازخورد آنها در خصوص محصول پدید آمده‌اند، با این حال، بهبود محصول نیازمند یک رویکرد تصمیم‌گیری پیچیده برای تولیدکنندگان است. در واقع مدیران با چالش شناسایی موثرترین روش تصمیم گیری برای بهبود محصول، به ویژه در محیط داده‌های عظیم، مواجه هستند.

🔸 در این پژوهش، به طور جامع روش‌های مختلف تصمیم‌گیری بهبود محصول از طریق یک سری تحقیقات تجربی ارزیابی می‌شود. به طور خاص، سه آزمایش مختلف انجام شده که عبارتند از : 1) انتخاب اولیه که توسط ادراک شهودی تصمیم گیرندگان و متخصصین هدایت می‌شود، 2) تصمیم گیری چند متغیره بر اساس نظرات متخصصین، و 3) یک روش ترکیبی که داده‌های عظیم مصرف‌کننده و تصمیم گیری گروهی در مقیاس بزرگ را در بر می گیرد.

⏹شرح آزمایش اول: رتبه‌بندی گزینه‌ها بر اساس شناخت شهودی تصمیم گیرندگان

در این مرحله اطلاعات در هشت معیار در خصوص یخچال در اختیار تصمیم گیرندگان قرار می گیرد که عبارتند از: «قیمت»، «استفاده آسان»، «طراحی عملکرد»، «خنک کننده»، «نویز»، «فضا»، «مصرف انرژی» و «خدمات». سپس از هر شرکت کننده خواسته می‌شود تا چهار گزینه را با توجه به دانش و درک شخصی خود رتبه‌بندی کند. شرکت کنندگان در این بخش شامل بیست کارشناس، شش طراح محصول جدید برای یخچال‌ها، شش مدیر فروش محصولات یخچال و هشت کارشناس از دانشگاه‌ها هستند. پنل متخصص دارای تخصص غنی در زمینه طراحی و توسعه محصول است.


⏹شرح آزمایش 2: تصمیم گیری گروهی

در این آزمایش رتبه بندی گزینه‌ها بر اساس رویکردهای تصمیم‌گیری چند معیاره با استفاده از متد SWARA-TOPSIS انجام می‌پذیرد. از بیست شرکت‌کننده که مشابه با پنل آزمایش 1 هستند ، دعوت می‌شود تا به اولویت‌های خود امتیاز دهند. سپس، رویکرد SWARA-TOPSIS برای محاسبه اولویت گزیه ها اعمال می‌شود.


⏹شرح آزمایش 3: روش ترکیبی مبتنی بر متن کاوی و تصمیم گیری گروهی در مقیاس بزرگ

در این آزمایش رتبه‌بندی گزینه‌ها بر اساس روش ترکیبی با استفاده از بررسی‌های آنلاین برای به دست آوردن وزن ها و اعمال MCDM برای رتبه‌بندی گزینه‌ها پیشنهاد شده است. در این روش ابتدا، داده‌های بررسی آنلاین در مورد یخچال جمع آوری می‌شود. در مرحله دوم، الگوریتم TextRank برای به دست آوردن فاکتورها و معیارهای کلیدی برای تصمیمات طراحی محصول اعمال می‌شود. همچنین الگوریتم Word2Vec برای بدست آوردن درجه تشابه بین عوامل کلیدی و معیار استفاده می‌شود. سپس، از روش‌های تصمیم‌گیری چند معیاره برای رتبه‌بندی گزینه‌ها استفاده می‌شود.


👈نتایج تجربی آزمایش ها نشان می‌دهد که روش ترکیبی، که از تکنیک‌های متن کاوی در ارتباط با تصمیم‌گیری گروه‌های بزرگ استفاده می‌کند، رویکرد قابل اعتمادتر و مؤثرتری برای تسهیل بهبود محصول ارائه می‌کند. روش ترکیبی می‌تواند ترجیحات و نظرات متنوع و پویا مصرف کنندگان را جلب کند و آنها را در فرآیند بهبود محصول بگنجاند. روش ترکیبی همچنین می‌تواند عدم قطعیت و پیچیدگی تصمیم گیری را کاهش دهد و نتایج علمی و عینی بیشتری ارائه دهد.

👈در واقع این مقاله اثربخشی روش‌های مختلف تصمیم‌گیری را برای بهبود محصول در محیط عظیم داده ها بررسی کرده وبا ارائه یک مدل ترکیبی جدید که بررسی‌های آنلاین و نظرات کارشناسان را ادغام می‌کند، به ادبیات بهبود محصول کمک می‌کند. این مقاله همچنین مفاهیم عملی را برای تولیدکنندگانی که می‌خواهند محصولات خود را بر اساس بازخورد مصرف‌کننده بهبود بخشند، ارائه می‌کند. در نهایت این پژوهش پیشنهاد می‌کند که تولیدکنندگان از داده‌های عظیم و تصمیم‌گیری گروه‌های بزرگ برای افزایش کیفیت و رقابت محصول استفاده کنند.

👈درصورت تمایل، می‌توانید فایل مقاله را از لینک زیر دانلود نمایید.

🔗 https://bdbanalytics.ir/8fek

#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 تحلیلگری عظیم داده چیست؟


در این ویدئو با نحوه استفاده از تحلیلگری عظیم داده و انواع آن و همچنین چگونگی یاری رسانی تحلیلگری عظیم داده به سازمان‌ها آشنا می‌شویم.
همچنین می‌توانید این ویدئو را در لینک زیر مشاهده فرمایید.


🔗 https://bdbanalytics.ir/wom5

#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

❄️زمستان‌نامه

فایل بیست و دومین شماره فصلنامه گروه تحلیلگری عظیم‌داده و کسب‌وکار، (زمستان 1402) در پست بعد قابل دریافت می‌باشد.

#فصلنامه_الکترونیک
#زمستان‌نامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

بیست و دومین شماره فصلنامه گروه تحلیلگری عظیم‌داده و کسب‌وکار

#فصلنامه_الکترونیک
#زمستان‌نامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📚معرفی کتاب "Artificial Intelligence for Business Analytics: Algorithms, Platforms and Application Scenarios"



🔍 عنوان: هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی

🖋 نویسنده : Felix Weber
📌 این کتاب در سال 2023 و توسط ‎ انتشارات Springer انتشار یافته است.


📍بسیاری از تحلیل‌ها در محیط کسب و کار، تحلیل توصیفی است که بر اساس آمار توصیفی محاسباتی از قبیل میانگین، درصد، شمارش، حداکثر، حداقل و محاسبات ساده را ارائه می‌نماید یا نسخه‌های فیلتر شده داده‌ها را خلاصه می‌نماید. هدف از تجزیه و تحلیل توصیفی این است که به سادگی خلاصه کند و به شما بگوید چه اتفاقی افتاده است: فروش، تعداد مشتریان، درصد کل فروش با مواردی که تبلیغ شده‌اند، بازدید از صفحه و غیره.
🔹 تحلیل‌های توصیفی می‌تواند نتایج عملیات‌های ساده ریاضی باشد و امروزه در اکثر شرکت‌ها به انجام می‌رسد که اغلب به عنوان هوش تجاری از آن یاد می‌شود. همچنین اصطلاح تجزیه و تحلیل پیشرفته برای توصیف گسترش این گزارش‌ها استفاده می‌شود. به عنوان مثال، اگر ابتدا از یک فیلتر جغرافیایی برای تجزیه و تحلیل رسانه‌های اجتماعی استفاده کنید، می‌توانید معیارهایی مانند میانگین پست در هفته از آلمان و میانگین پست در هفته از هلند را دریافت کنید و بر روی نقشه نمایش دهید. با این حال، این تحلیل ابتدایی برای مزیت رقابتی نسبت به رقبا کافی نیست. به خصوص اگر ناگهان مجبور شوید با بومی‌های دیجیتالی مانند گوگل، آمازون یا علی بابا رقابت کنید. در واقع می‌توان گفت در عصر دیجیتالی شدن، این یک چالش واقعی برای بسیاری از صنایع است. این شرکت‌ها نه تنها بر اساس نرم‌افزار و پلتفرم‌ها، بلکه مهم‌تر از آن، بر اساس تحلیل‌های پیچیده عمل می‌کنند. به طور مثال اوبر پایگاه داده عظیمی از رانندگان دارد، بنابراین به محض درخواست خودرو، الگوریتم اوبر آماده راه اندازی است و در عرض 15 ثانیه یا کمتر، شما را با راننده نزدیک به شما مطابقت می‌دهد. در پس‌زمینه، اوبر داده‌های مربوط به هر خودرو را ذخیره می‌کند - حتی زمانی که راننده مسافر ندارد. همه این داده‌ها ذخیره شده و برای پیش‌بینی عرضه و تقاضا، تعیین کرایه‌ها و شناسایی مسائل مرتبط با حمل و نقل شهری استفاده می‌شود.

📍این کتاب با هدف معرفی جنبه های ضروری تحلیلگری کسب و کار و استفاده از روش‌های هوش مصنوعی ارائه شده است. در این راستا ابتدا اصطلاحات و الگوهای فکری اساسی تحلیلگری از تحلیل توصیفی و پیش‌بینی‌کننده تا تحلیل تجویزی در بخش «رده‌بندی روش‌ها و مدل‌های تحلیلی» معرفی شده‌اند. به دنبال آن، مدل تحلیلگری کسب و کار برای هوش مصنوعی، یک مدل فرآیندی برای اجرای پروژه‌های تجزیه و تحلیل کسب و کار در بخش «مدل رویه‌ها: مدل تحلیلگری کسب و کار برای هوش مصنوعی» و یک چارچوب فناوری دنبال می‌شود که شامل ارائه مهم ترین چارچوب‌ها، زبان‌های برنامه نویسی و معماری‌ها می‌باشد. پس از ارائه مقدمه‌ای بر هوش مصنوعی در فصل 2 و به ویژه زیرشاخه یادگیری ماشین، فصل 3 با عنوان «انواع مسائل در هوش مصنوعی و الگوریتم‌های آنها» به مهم‌ترین مسائل و الگوریتم‌های قابل اجرا به شیوه‌ای قابل درک می‌پردازد. در ادامه یک مرور کلی از پلتفرم‌های ابری رایج در بخش «تجزیه و تحلیل کسب‌وکار و یادگیری ماشین به‌ عنوان یک سرویس (پلتفرم‌های ابری)» ارائه می‌شود که اجرای سریع یک پروژه تحلیلگری کسب و کار را امکان‌پذیر می‌سازد. در نهایت، چندین سناریوی کاربردی از دیدگاه‌های مختلف، استفاده احتمالی از AI و BA را در صنایع مختلف به عنوان بخش مطالعات موردی «ساخت یا خرید؟» نشان می‌دهد.

📍این کتاب به عنوان یک مقدمه و مرور کلی برای تصمیم‌گیران و متخصصان فناوری اطلاعات و حوزه‌های کاربردی مرتبط مطرح شده است و در بسیاری از موارد به ادبیات عمیق‌تری برای مطالعه بیشتر اشاره شده است.


این کتاب را می‌توانید از لینک زیر دریافت نمایید.

🔗 https://bdbanalytics.ir/jgao


#معرفی_کتاب
#هوش_مصنوعی
#تحلیلگری_کسب_و_کار
#فاطمه_مظفری


@BigData_BusinessAnalytics
http://www.bdbanalytics.ir