🔍🎧🎼 چگونه Spotify از عظیم دادهها برای بهبود تجربه کاربران استفاده می‌کند؟
🖋پلتفرم نام آشنای Spotify در حوزه پخش موسیقی، پلتفرمی‌ست که روزانه توسط میلیونها کاربر مورد استفاده قرار می‌گیرد. این برنامه که در سال 2008 در سوئد بنیان گذاشته شد، بیش از 30 میلیون آهنگ و بیش از 2 میلیارد لیست پخش آنلاین موسیقی را در اختیار کاربران خود قرار می‌دهد.
✳️اسپاتیفای ماموریت اصلی خود را اینگونه اعلام کرده که قصد دارد به افراد اجازه دهد تا به تمام موزیک‌های مورد علاقه خود در هر زمان و بصورت کاملا قانونی دسترسی داشته باشند. Spotify درحال حاضر دارایی بیش از 25 میلیون دلار را برای خود رقم زده و یکی از موفق‌ترین پلتفرم‌های پخش موسیقی محسوب می‌شود.
👈در ادامه این مطلب با هم خواهیم دید این موفقیت شگرف چگونه با کمک عظیم دادهها کسب شده و اساسا" این پلتفرم از چه طریق تجربه کاربران خود را بهبود می‌بخشد.
✅اجازه دهید با یک مثال این بحث را آغاز کنیم. فرض کنید شما در حال گوش دادن به یکی از آهنگهای جاز مورد علاقه خود هستید و پس از اتمام آن، آهنگ بعدی هم از همین سبک برایتان اجرا می‌شود. شما خیلی پیش از این، آهنگهای مورد علاقه خود را دانلود کرده‌اید اما Spotify با بهره‌گیری از عظیم داده ها سعی دارد تا یک تجربه ناب و شخصی‌سازی شده برای شما ایجاد کند. حال ببینیم این امر چگونه رخ می‌دهد.
✴️اسپاتیفای بدلیل ارائه لیست پخش‌های بی‌شمار پیشنهادات هفتگی آن، بسیار مورد توجه علاقه‌مندان به گوش دادن موسیقی قرار گرفته به صورتی که روزانه بیش از 600 گیگابایت داده تولید می‌کند و از الگوریتم‌های خود برای بدست آوردن بینش‌های مبتنی بر داده و ارتقاء تجربیات مشتریان استفاده می‌کند.
✅اما داستان جمع‌آوری دادهها توسط Spotify و استفاده از آنها به اینجا ختم نمی‌شود. این پلتفرم بطور مداوم وبلاگها و قطعات متن و موسیقی را نیز مورد پیمایش قرار می‌دهد تا بتواند داده‌های مناسبی را کشف نماید.
✴️یکی از مزیت‌های رقابتی اصلی Spotify، موتور پیشنهادی قدرتمند آن است. این پلتفرم با استفاده از الگوریتم‌های یادگیری ماشین (ML)، پردازش زبان طبیعی (NLP) و شبکه‌های عصبی کانولوشنال (CNN)، می‌تواند داده‌های موسیقیایی تاریخی را به لیست پخش شخصی و توصیه‌های موسیقی تبدیل کند. در ادامه به نحوه استفاده از این دادهها خواهیم پرداخت.
💠در واقع Spotify از ML برای تحلیل رفتار کاربران و گروه‌بندی افراد بر اساس ترجیحات موسیقی آنها استفاده می‌کند. با استفاده از این اطلاعات می‌تواند آهنگ‌هایی را بر اساس آنچه کاربران "مشابه" نیز به آن گوش می‌دهند، به شنوندگان توصیه کند. یکی از تکنیکهای استفاده شده در این بخش Collaborative filtering است که توسط سیستم‌ها برای ایجاد پیش‌بینی در مورد ترجیحات کاربر بر اساس ترجیحات سایرِ کاربران بکار می‌رود.
💠همانطور که گفته شد، Spotify از NLP درجهت مرور متادیتاهای ایجاد شده برای آهنگ‌ها، پستهای وبلاگها، مقالات، آخرین اخبار هنرمندان و آهنگهای موجود در اینترنت و مواردی از این دست برای تحلیل زبان مورد استفاده برای توصیف هنرمندان و آهنگ‌ها استفاده می‌کند. با استفاده از این بینش‌ها، می‌تواند موسیقی را بر اساس کلمات و عباراتی که برای توصیف آن استفاده می‌شود (مانند موسیقی جاز، پاپ، راک کلاسیک و ...) گروه‌بندی کند که این امر به Spotify کمک می‌کند هنرمندان مشابه را راحت‌تر شناسایی کند و لیست پخش شخصی شده‌ای را پیرامون آنها بسازد.
💠درنهایت با استفاده از CNN داده‌های خام صوتی مانند BPM آهنگ، کلید موسیقی، بلندی صدا و غیره را مورد تحلیل قرار می‌دهد. با استفاده از این اطلاعات، می‌تواند آهنگ‌ها را بر اساس نوع موسیقی آنها طبقه‌بندی کرده و موتور توصیه‌گر خود را بهینه‌تر نماید.
❓آیا کار تحلیلگری عظیم دادهها در Spotify در اینجا ختم شده است؟ باید گفت خیر، دنیای تحلیلگری عظیم دادهها در این پلتفرم و استفاده از آن برای بهبود تجربه کاربران فراترست.
🔺اگر علاقه‌مند به مطالعه ادامه مطلب و آشنایی با جزئیات بیشتر این پلتفرم داده‌محور هستید، روی لینک زیر کلیک فرمایید:
🔗 https://b2n.ir/k86743
#نمونه_موردی
#اسپاتیفای
#موسیقی
#عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
🖋پلتفرم نام آشنای Spotify در حوزه پخش موسیقی، پلتفرمی‌ست که روزانه توسط میلیونها کاربر مورد استفاده قرار می‌گیرد. این برنامه که در سال 2008 در سوئد بنیان گذاشته شد، بیش از 30 میلیون آهنگ و بیش از 2 میلیارد لیست پخش آنلاین موسیقی را در اختیار کاربران خود قرار می‌دهد.
✳️اسپاتیفای ماموریت اصلی خود را اینگونه اعلام کرده که قصد دارد به افراد اجازه دهد تا به تمام موزیک‌های مورد علاقه خود در هر زمان و بصورت کاملا قانونی دسترسی داشته باشند. Spotify درحال حاضر دارایی بیش از 25 میلیون دلار را برای خود رقم زده و یکی از موفق‌ترین پلتفرم‌های پخش موسیقی محسوب می‌شود.
👈در ادامه این مطلب با هم خواهیم دید این موفقیت شگرف چگونه با کمک عظیم دادهها کسب شده و اساسا" این پلتفرم از چه طریق تجربه کاربران خود را بهبود می‌بخشد.
✅اجازه دهید با یک مثال این بحث را آغاز کنیم. فرض کنید شما در حال گوش دادن به یکی از آهنگهای جاز مورد علاقه خود هستید و پس از اتمام آن، آهنگ بعدی هم از همین سبک برایتان اجرا می‌شود. شما خیلی پیش از این، آهنگهای مورد علاقه خود را دانلود کرده‌اید اما Spotify با بهره‌گیری از عظیم داده ها سعی دارد تا یک تجربه ناب و شخصی‌سازی شده برای شما ایجاد کند. حال ببینیم این امر چگونه رخ می‌دهد.
✴️اسپاتیفای بدلیل ارائه لیست پخش‌های بی‌شمار پیشنهادات هفتگی آن، بسیار مورد توجه علاقه‌مندان به گوش دادن موسیقی قرار گرفته به صورتی که روزانه بیش از 600 گیگابایت داده تولید می‌کند و از الگوریتم‌های خود برای بدست آوردن بینش‌های مبتنی بر داده و ارتقاء تجربیات مشتریان استفاده می‌کند.
✅اما داستان جمع‌آوری دادهها توسط Spotify و استفاده از آنها به اینجا ختم نمی‌شود. این پلتفرم بطور مداوم وبلاگها و قطعات متن و موسیقی را نیز مورد پیمایش قرار می‌دهد تا بتواند داده‌های مناسبی را کشف نماید.
✴️یکی از مزیت‌های رقابتی اصلی Spotify، موتور پیشنهادی قدرتمند آن است. این پلتفرم با استفاده از الگوریتم‌های یادگیری ماشین (ML)، پردازش زبان طبیعی (NLP) و شبکه‌های عصبی کانولوشنال (CNN)، می‌تواند داده‌های موسیقیایی تاریخی را به لیست پخش شخصی و توصیه‌های موسیقی تبدیل کند. در ادامه به نحوه استفاده از این دادهها خواهیم پرداخت.
💠در واقع Spotify از ML برای تحلیل رفتار کاربران و گروه‌بندی افراد بر اساس ترجیحات موسیقی آنها استفاده می‌کند. با استفاده از این اطلاعات می‌تواند آهنگ‌هایی را بر اساس آنچه کاربران "مشابه" نیز به آن گوش می‌دهند، به شنوندگان توصیه کند. یکی از تکنیکهای استفاده شده در این بخش Collaborative filtering است که توسط سیستم‌ها برای ایجاد پیش‌بینی در مورد ترجیحات کاربر بر اساس ترجیحات سایرِ کاربران بکار می‌رود.
💠همانطور که گفته شد، Spotify از NLP درجهت مرور متادیتاهای ایجاد شده برای آهنگ‌ها، پستهای وبلاگها، مقالات، آخرین اخبار هنرمندان و آهنگهای موجود در اینترنت و مواردی از این دست برای تحلیل زبان مورد استفاده برای توصیف هنرمندان و آهنگ‌ها استفاده می‌کند. با استفاده از این بینش‌ها، می‌تواند موسیقی را بر اساس کلمات و عباراتی که برای توصیف آن استفاده می‌شود (مانند موسیقی جاز، پاپ، راک کلاسیک و ...) گروه‌بندی کند که این امر به Spotify کمک می‌کند هنرمندان مشابه را راحت‌تر شناسایی کند و لیست پخش شخصی شده‌ای را پیرامون آنها بسازد.
💠درنهایت با استفاده از CNN داده‌های خام صوتی مانند BPM آهنگ، کلید موسیقی، بلندی صدا و غیره را مورد تحلیل قرار می‌دهد. با استفاده از این اطلاعات، می‌تواند آهنگ‌ها را بر اساس نوع موسیقی آنها طبقه‌بندی کرده و موتور توصیه‌گر خود را بهینه‌تر نماید.
❓آیا کار تحلیلگری عظیم دادهها در Spotify در اینجا ختم شده است؟ باید گفت خیر، دنیای تحلیلگری عظیم دادهها در این پلتفرم و استفاده از آن برای بهبود تجربه کاربران فراترست.
🔺اگر علاقه‌مند به مطالعه ادامه مطلب و آشنایی با جزئیات بیشتر این پلتفرم داده‌محور هستید، روی لینک زیر کلیک فرمایید:
🔗 https://b2n.ir/k86743
#نمونه_موردی
#اسپاتیفای
#موسیقی
#عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم‌داده
❇️نام مقاله: کاربردهای داده‌های عظیم در رشته‌های نوظهور مدیریت: مروری بر ادبیات موضوع با استفاده از متن کاوی
🖋نویسندگان مقاله:
Amit Kumar Kushwaha, Arpan Kumar Kar , Yogesh K. Dwivedi
📔ژورنال: International Journal of Information Management Data Insights
🗓تاریخ انتشار: ۲۰۲۱
🔹اهمیت تصمیمات و پشتیبانی داده محور در کلیه حوزه‌های مدیریتی در حال افزایش است. دسترسی مداوم به حجم زیادی از دادهها با تنوع بالا باعث شده تا داده‌های عظیم به بخشی جدایی ناپذیر از مطالعات مدیریتی تبدیل شوند.
همچنین حوزه‌های فرعی مدیریتی نیز با پشتیبانی از داده‌های عظیم برای هدایت کسب‌وکارها روز به روز در حال ظهور هستند.
👈 در همین راستا این پژوهش با یک رویکرد نظام‌مند مروری ادبیات، به کشف حوزه‌های نوظهور مدیریتی که توسط داده‌های عظیم در دوران معاصر پشتیبانی می‌شوند، می‌پردازد.
👈در واقع این پژوهش به دنبال پاسخ‌دهی به 2 سوال زیر است:
❓جدیدترین حوزه‌های مدیریتی که از قابلیتهای تحلیل داده‌های عظیم استفاده می‌کنند، کدامند؟
❓چگونه این حوزه ها، موضوعات مهم تحلیلگری دادهها را در عمل حل می‌کنند؟
✔️برای بررسی و پاسخ‌دهی به سوالات فوق، مقالات منتشر شده در مجلات مدیریتی معتبر در فاصله زمانی سال‌های 2011 تا 2021 مورد بررسی قرار گرفته‌اند. انتخاب این بازه زمانی به این سبب است که در این محدوده تحلیلگری عظیم دادهها (BDA) بطور جدی برای حل مشکلات دنیای واقعی بکار گرفته شده است.
💡روش کار به این صورت بوده که با جستجو در پایگاه مقالات Scopus با کلمات کلیدی “Big data” و “Big data analytics” مقالات همراه با اطلاعاتی شامل منبع انتشار و نام نویسنده دانلود شدند. سپس برای تعیین مقالات مرتبط معیارهایی لحاظ شده که عبارتند از : حذف مقالات کنفرانسی، حذف مقالات به زبان غیر انگلیسی، درنظرگیری مقالات پژوهشی در ژورنالهای مدیریتی و تجاری.
🔹در گام بعد برای بهبود کیفیت مقالات منتخب، پژوهش محدود به 50 مجله فهرست شده در فایننشیال تایمز، مجلات رتبه A*، A و B در رتبه‌بندی مجلات شورای بازرگانی استرالیا و رتبه‌های 4*، 3 یا 2 در رتبه‌بندی مجلات انجمن رسمی مدارس بازرگانی شده است. همچنین مقالات بصورت جداگانه از لحاظ فاکتورهایی مانند دقت علمی، روش تحقیق و چارچوب نظری مورد ممیزی قرار گرفته‌اند.
👈در نهایت 1756 مقاله انتخاب شدند و مورد تحلیل قرار گرفتند. روش تحلیل مقالات به این صورت بوده که با استفاده از کلمات کلیدی و عناوین مقالات، به تحلیل کابرد BDA در رشته‌های نوظهور مدیریت پرداخته شده است. نویسندگان اذعان دارند که بیشتر متون Clean بوده و نویز کمی داشته‌اند، لذا با استفاده از Topic modeling روی کلمات کلیدی و ایجاد دیاگرام شبکه‌ای از کاربرد BDA، نمودارهای شبکه ای از کاربرد BDA حول کلمات کلیدی ایجاد کرده‌اند . این نمودار پایه در واقع یک کلاستر از کلمات کلیدی و کاربردهای BDA همراه آنها به انضمام شبکه مرتبط با هریک از آنها می‌باشد.
🔹با تحلیل دیاگرام شبکه همراه با BDA به عنوان تم مرکزی، کلاسترهای اطراف ایده‌هایی از رشته‌های مدیریتی نوظهور (EMD) را ارائه کردند که در مجموع به 12 حوزه به شرح زیر می‌باشند:
مدیریت سلامت و بهداشت، مدیریت بحران، مدیریت امنیت، تولید و صنعت هوشمند، مدیریت قابلیتهای پویا، سیستمهای پشتیبان مدیریت، مدیریت مدلهای کسب و کار، مدیریت شبکه (عموما" مبتنی بر پلتفرم‌های رسانه‌های اجتماعی)، مدیریت خدمات، دیجیتال مارکتینگ و بهینه‌سازی موتور جستجو (SEO)، مدیریت (خدمات) دیجیتال، و مدیریت مالی.
🔸در ادامه مقاله به بررسی نقش BDA در هریک از این EMD ها می‌پردازد.
🔸نویسندگان اذعان دارند که این تحقیق به‌عنوان مرجعی برای محققان سیستمهای اطلاعاتی آینده عمل می‌کند که می‌خواهند تحلیل‌هایی را انجام دهند که ماهیت عمیقی در هر یک از این حوزه‌های مدیریتی داشته باشد و تمام توجه لازم را برای تبدیل شدن به حوزه‌های تحقیقاتی اختصاصی به خود جلب خواهند کرد.
🔹برای دریافت مقاله، به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/h54413
#معرفی_مقاله
#تحلیل_عظیم_داده
#متن_کاوی
#مدیریت_خدمات
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله: کاربردهای داده‌های عظیم در رشته‌های نوظهور مدیریت: مروری بر ادبیات موضوع با استفاده از متن کاوی
🖋نویسندگان مقاله:
Amit Kumar Kushwaha, Arpan Kumar Kar , Yogesh K. Dwivedi
📔ژورنال: International Journal of Information Management Data Insights
🗓تاریخ انتشار: ۲۰۲۱
🔹اهمیت تصمیمات و پشتیبانی داده محور در کلیه حوزه‌های مدیریتی در حال افزایش است. دسترسی مداوم به حجم زیادی از دادهها با تنوع بالا باعث شده تا داده‌های عظیم به بخشی جدایی ناپذیر از مطالعات مدیریتی تبدیل شوند.
همچنین حوزه‌های فرعی مدیریتی نیز با پشتیبانی از داده‌های عظیم برای هدایت کسب‌وکارها روز به روز در حال ظهور هستند.
👈 در همین راستا این پژوهش با یک رویکرد نظام‌مند مروری ادبیات، به کشف حوزه‌های نوظهور مدیریتی که توسط داده‌های عظیم در دوران معاصر پشتیبانی می‌شوند، می‌پردازد.
👈در واقع این پژوهش به دنبال پاسخ‌دهی به 2 سوال زیر است:
❓جدیدترین حوزه‌های مدیریتی که از قابلیتهای تحلیل داده‌های عظیم استفاده می‌کنند، کدامند؟
❓چگونه این حوزه ها، موضوعات مهم تحلیلگری دادهها را در عمل حل می‌کنند؟
✔️برای بررسی و پاسخ‌دهی به سوالات فوق، مقالات منتشر شده در مجلات مدیریتی معتبر در فاصله زمانی سال‌های 2011 تا 2021 مورد بررسی قرار گرفته‌اند. انتخاب این بازه زمانی به این سبب است که در این محدوده تحلیلگری عظیم دادهها (BDA) بطور جدی برای حل مشکلات دنیای واقعی بکار گرفته شده است.
💡روش کار به این صورت بوده که با جستجو در پایگاه مقالات Scopus با کلمات کلیدی “Big data” و “Big data analytics” مقالات همراه با اطلاعاتی شامل منبع انتشار و نام نویسنده دانلود شدند. سپس برای تعیین مقالات مرتبط معیارهایی لحاظ شده که عبارتند از : حذف مقالات کنفرانسی، حذف مقالات به زبان غیر انگلیسی، درنظرگیری مقالات پژوهشی در ژورنالهای مدیریتی و تجاری.
🔹در گام بعد برای بهبود کیفیت مقالات منتخب، پژوهش محدود به 50 مجله فهرست شده در فایننشیال تایمز، مجلات رتبه A*، A و B در رتبه‌بندی مجلات شورای بازرگانی استرالیا و رتبه‌های 4*، 3 یا 2 در رتبه‌بندی مجلات انجمن رسمی مدارس بازرگانی شده است. همچنین مقالات بصورت جداگانه از لحاظ فاکتورهایی مانند دقت علمی، روش تحقیق و چارچوب نظری مورد ممیزی قرار گرفته‌اند.
👈در نهایت 1756 مقاله انتخاب شدند و مورد تحلیل قرار گرفتند. روش تحلیل مقالات به این صورت بوده که با استفاده از کلمات کلیدی و عناوین مقالات، به تحلیل کابرد BDA در رشته‌های نوظهور مدیریت پرداخته شده است. نویسندگان اذعان دارند که بیشتر متون Clean بوده و نویز کمی داشته‌اند، لذا با استفاده از Topic modeling روی کلمات کلیدی و ایجاد دیاگرام شبکه‌ای از کاربرد BDA، نمودارهای شبکه ای از کاربرد BDA حول کلمات کلیدی ایجاد کرده‌اند . این نمودار پایه در واقع یک کلاستر از کلمات کلیدی و کاربردهای BDA همراه آنها به انضمام شبکه مرتبط با هریک از آنها می‌باشد.
🔹با تحلیل دیاگرام شبکه همراه با BDA به عنوان تم مرکزی، کلاسترهای اطراف ایده‌هایی از رشته‌های مدیریتی نوظهور (EMD) را ارائه کردند که در مجموع به 12 حوزه به شرح زیر می‌باشند:
مدیریت سلامت و بهداشت، مدیریت بحران، مدیریت امنیت، تولید و صنعت هوشمند، مدیریت قابلیتهای پویا، سیستمهای پشتیبان مدیریت، مدیریت مدلهای کسب و کار، مدیریت شبکه (عموما" مبتنی بر پلتفرم‌های رسانه‌های اجتماعی)، مدیریت خدمات، دیجیتال مارکتینگ و بهینه‌سازی موتور جستجو (SEO)، مدیریت (خدمات) دیجیتال، و مدیریت مالی.
🔸در ادامه مقاله به بررسی نقش BDA در هریک از این EMD ها می‌پردازد.
🔸نویسندگان اذعان دارند که این تحقیق به‌عنوان مرجعی برای محققان سیستمهای اطلاعاتی آینده عمل می‌کند که می‌خواهند تحلیل‌هایی را انجام دهند که ماهیت عمیقی در هر یک از این حوزه‌های مدیریتی داشته باشد و تمام توجه لازم را برای تبدیل شدن به حوزه‌های تحقیقاتی اختصاصی به خود جلب خواهند کرد.
🔹برای دریافت مقاله، به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/h54413
#معرفی_مقاله
#تحلیل_عظیم_داده
#متن_کاوی
#مدیریت_خدمات
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️مروری بر روند داده محور شدن DBS بانک سنگاپور
🔹همانطور که می‌دانیم Big Data بصورت بنیادین تمام صنایع و بخش‌ها را دستخوش تغییراتی کرده و حوزه مالی نیز از این موضوع مستثناء نیست. با فراگیر شدن استفاده از موبایل و رشد حجم تراکنش‌های دیجیتال، موسسات مالی شاهد رشد حجم دادهها بوده که این امر می‌تواند به ایشان در درک بهتر مشتریان و نیازهای آنها کمک شایانی نماید. در ادامه این مطلب خواهیم دید چگونه DBS بانک سنگاپور، یکی از پیشروترین بانک‌های آسیایی، تبدیل به یک بانک داده‌محور شد.
🔹بانک DBS پس از درک ضرورت بهره‌گیری از پتانسیل بالای تحلیل عظیم دادهها، از آنجاییکه بستر تکنولوژیک لازم برای این امر را نداشت، با مشارکت Cloudera و تشکیل یک تیم و هاب مرکزی، پلتفرمی چابک با قابلیت ذخیره و تحلیل میلیونها تراکنش را ایجاد نمود. لذا این امکان را یافت تا به سوالات پیش از پرسیده شدن پاسخ دهد و در این راستا تجربه مشتری از خدمات را بهبود بخشید. بطور مثال از ماشین لرنینگ برای تحلیل احساسات مشتریان استفاده کرده به این صورت که تمام تعاملات مشتریان با مراکز تماس رکورد شده، پس از تبدیل به متن شدن توسط الگوریتم‌های ML مورد تحلیل قرار می‌گیرند. در نتیجه بسیاری از مشکلات برای بانک مشخص می‌شوند. به همین ترتیب اطلاعات رفتاری توسط الگوریتم‌های ML در ترکیب با بیومتریک مورد تحلیل قرار گرفته و باعث بهبود فرآیند تشخیص هویت شده است که در نتیجه آن مشتری نیاز به فراهم آوردن مستندات یا استفاده از ابزارهای فیزیکی برای انجام تراکنش‌ها ندارد.
🔹بطور کلی دو نوع تحلیل Predictive و Prescriptive در این بانک صورت می‌گیرد. به عنوان نمونه از دسته تحلیل‌های پیش‌بینی کننده می‌توان به این مورد اشاره کرد که وقتی یکی از شعب بصورت موقت برای بازسازی تعطیل است، تیم با انجام تحلیل‌های دقیق پیش‌بینی می‌کند که ترافیک در کدام یک از شعب افزایش خواهد یافت، لذا با برنامه‌ریزی صحیح منابع از تداوم تجربه مطلوب مشتری از خدمات بانکی پشتیبانی می‌کند.
🔹در حوزه تحلیل‌های تجویزی بانک سعی دارد تا با اتخاذ استراتژی صحیح و مشارکت کارکنان، توصیه‌های مناسبی برای مشتریان داشته باشد. بعنوان نمونه یکی از پروژه‌های بانک به این صورت است که با استفاده از الگوریتم‌های ML زمان و پلن بیمه مناسب هر مشتری را به او توصیه کند. این پیشنهادات ثابت نبوده و با تغییر در شرایط زندگی افراد، تغییر می‌یابد.
🔹مدیر گروه تکنولوژی و عملیات DBS، آقای David Gledhill، توضیح می‌دهد که بهره‌گیری از تحلیل عظیم دادهها در این سازمان فراتر از حوزه مشتریان بوده و تحول سازمان به سمت یک کسب و کار داده‌محور، باعث پیشرفت عملیات در سراسر سازمان شده است. بعنوان نمونه بانک با پیش‌بینی جریان نقدینگی مشتریان و بار تراکنش‌های انجام شده روی ATM، به پیش‌بینی فواصل پر کردن وجوه نقد درون ATM ها می‌پردازد.
🔹در نهایت باید به این نکته اشاره کرد که DBS بانک به دنبال این بوده که توانایی تحلیلگری داده را منحصر به یک تیم نکرده و در کلیه افراد سازمان ایجاد کند. اگرچه در ابتدا مشکلاتی در این زمینه بوده اما به مرور با پیاده‌سازی موردهای کاربری کوچک در بخش‌های مختلف سازمان، شور و شوق زیادی نسبت به این موضوع در سازمان شکل گرفت که همراه با پیشرفت خدمات و کارایی عملیات، کاهش هزینه‌ها را برای سازمان در برداشت.
👈این مطلب را می‌توانید در لینک زیر نیز مطالعه فرمایید:
🔗 https://b2n.ir/r00791
#کسب_و_کار_داده_محور
#تحلیل_عظیم_داده
#DBSبانک
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
🔹همانطور که می‌دانیم Big Data بصورت بنیادین تمام صنایع و بخش‌ها را دستخوش تغییراتی کرده و حوزه مالی نیز از این موضوع مستثناء نیست. با فراگیر شدن استفاده از موبایل و رشد حجم تراکنش‌های دیجیتال، موسسات مالی شاهد رشد حجم دادهها بوده که این امر می‌تواند به ایشان در درک بهتر مشتریان و نیازهای آنها کمک شایانی نماید. در ادامه این مطلب خواهیم دید چگونه DBS بانک سنگاپور، یکی از پیشروترین بانک‌های آسیایی، تبدیل به یک بانک داده‌محور شد.
🔹بانک DBS پس از درک ضرورت بهره‌گیری از پتانسیل بالای تحلیل عظیم دادهها، از آنجاییکه بستر تکنولوژیک لازم برای این امر را نداشت، با مشارکت Cloudera و تشکیل یک تیم و هاب مرکزی، پلتفرمی چابک با قابلیت ذخیره و تحلیل میلیونها تراکنش را ایجاد نمود. لذا این امکان را یافت تا به سوالات پیش از پرسیده شدن پاسخ دهد و در این راستا تجربه مشتری از خدمات را بهبود بخشید. بطور مثال از ماشین لرنینگ برای تحلیل احساسات مشتریان استفاده کرده به این صورت که تمام تعاملات مشتریان با مراکز تماس رکورد شده، پس از تبدیل به متن شدن توسط الگوریتم‌های ML مورد تحلیل قرار می‌گیرند. در نتیجه بسیاری از مشکلات برای بانک مشخص می‌شوند. به همین ترتیب اطلاعات رفتاری توسط الگوریتم‌های ML در ترکیب با بیومتریک مورد تحلیل قرار گرفته و باعث بهبود فرآیند تشخیص هویت شده است که در نتیجه آن مشتری نیاز به فراهم آوردن مستندات یا استفاده از ابزارهای فیزیکی برای انجام تراکنش‌ها ندارد.
🔹بطور کلی دو نوع تحلیل Predictive و Prescriptive در این بانک صورت می‌گیرد. به عنوان نمونه از دسته تحلیل‌های پیش‌بینی کننده می‌توان به این مورد اشاره کرد که وقتی یکی از شعب بصورت موقت برای بازسازی تعطیل است، تیم با انجام تحلیل‌های دقیق پیش‌بینی می‌کند که ترافیک در کدام یک از شعب افزایش خواهد یافت، لذا با برنامه‌ریزی صحیح منابع از تداوم تجربه مطلوب مشتری از خدمات بانکی پشتیبانی می‌کند.
🔹در حوزه تحلیل‌های تجویزی بانک سعی دارد تا با اتخاذ استراتژی صحیح و مشارکت کارکنان، توصیه‌های مناسبی برای مشتریان داشته باشد. بعنوان نمونه یکی از پروژه‌های بانک به این صورت است که با استفاده از الگوریتم‌های ML زمان و پلن بیمه مناسب هر مشتری را به او توصیه کند. این پیشنهادات ثابت نبوده و با تغییر در شرایط زندگی افراد، تغییر می‌یابد.
🔹مدیر گروه تکنولوژی و عملیات DBS، آقای David Gledhill، توضیح می‌دهد که بهره‌گیری از تحلیل عظیم دادهها در این سازمان فراتر از حوزه مشتریان بوده و تحول سازمان به سمت یک کسب و کار داده‌محور، باعث پیشرفت عملیات در سراسر سازمان شده است. بعنوان نمونه بانک با پیش‌بینی جریان نقدینگی مشتریان و بار تراکنش‌های انجام شده روی ATM، به پیش‌بینی فواصل پر کردن وجوه نقد درون ATM ها می‌پردازد.
🔹در نهایت باید به این نکته اشاره کرد که DBS بانک به دنبال این بوده که توانایی تحلیلگری داده را منحصر به یک تیم نکرده و در کلیه افراد سازمان ایجاد کند. اگرچه در ابتدا مشکلاتی در این زمینه بوده اما به مرور با پیاده‌سازی موردهای کاربری کوچک در بخش‌های مختلف سازمان، شور و شوق زیادی نسبت به این موضوع در سازمان شکل گرفت که همراه با پیشرفت خدمات و کارایی عملیات، کاهش هزینه‌ها را برای سازمان در برداشت.
👈این مطلب را می‌توانید در لینک زیر نیز مطالعه فرمایید:
🔗 https://b2n.ir/r00791
#کسب_و_کار_داده_محور
#تحلیل_عظیم_داده
#DBSبانک
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله: تجزیه و تحلیل داده‌های عظیم برای سیستمهای تولید هوشمند
🖋نویسندگان مقاله:
Junliang Wang , Chuqiao Xu , Jie Zhang , Ray Zhong
📔ژورنال: Journal of Manufacturing Systems
🗓تاریخ انتشار: January 2022
🔹با توسعه اینترنت اشیا (IoT)، 5G و فناوری‌های رایانش ابری، میزان داده‌های سیستمهای تولیدی به سرعت در حال افزایش است. با تولید داده‌های صنعتی عظیم، دستاوردهایی فراتر از انتظارات در طراحی، ساخت و نگهداری محصول حاصل شده است. در واقع در تولید هوشمند، استفاده از داده‌های عظیم صنعتی نه‌تنها شرکت‌ها را به درک دقیق تغییرات محیط داخلی و خارجی در سیستم ارتقا می‌دهد، بلکه تجزیه و تحلیل علمی و تصمیم‌گیری برای بهینه سازی فرآیند تولید، کاهش هزینه‌ها و بهبود کارایی عملیاتی را تسهیل می‌کند.
می‌توان گفت تجزیه و تحلیل داده‌های عظیم (BDA) یک فناوری اصلی برای تقویت سیستمهای تولید هوشمند به حساب می‌آید.
🔹به منظور گزارش کامل نقش BDA در بهینه‌سازی سیستمهای تولید هوشمند، این مقاله با استفاده از روش تحقیق مرور کتابخانه‌ای، به تجزیه و تحلیل مطالعات انجام شده از سال 2011 تا 2020 در رابطه با تولید هوشمند مبتنی بر داده‌های عظیم، از پایگاه داده Web of Science می‌پردازد.
🔹در این مرور جامع موضوعات مرتبط مانند مفهوم داده‌های عظیم، روش‌های مبتنی بر مدل و داده‌محور، چارچوب تولید هوشمند مبتنی بر داده‌های عظیم، روش‌های توسعه، انواع فناوری‌های کلیدی پردازش(محاسبات توزیعی، محاسبات لبه- ابر، پردازش دسته‌ای، پردازش جریان، پردازش ترکیبی دسته‌ای و جریان) مورد بحث و بررسی قرار می‌گیرند.
🔹🔹همچنین یکی از نکات قوت این مقاله بررسی کاربردهای BDA برای هر یک از فازهای مطرح در سیستمهای تولید هوشمند اعم از طراحی محصول، برنامه‌ریزی و زمانبندی، مدیریت کیفیت و مدیریت سلامت فرآیندها و کشف ناهنجاری‌های احتمالی در آنها است که می‌تواند راهنمای خوبی برای نحوه پیاده‌سازی تحلیلگری عظیم دادهها در سیستمهای تولید باشد.
🔹در پایان نیز این مقاله به بررسی چالش‌ها و فرصت‌ها برای تحقیقات آینده در این خصوص پرداخته که از طریق این کار ایده‌های جدیدی برای تحقق BDA برای سیستمهای تولید هوشمند ارائه می شود.
👈درصورت تمایل، می‌توانید مقاله مذکور را در پست بعد دريافت و مطالعه نماييد.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله: تجزیه و تحلیل داده‌های عظیم برای سیستمهای تولید هوشمند
🖋نویسندگان مقاله:
Junliang Wang , Chuqiao Xu , Jie Zhang , Ray Zhong
📔ژورنال: Journal of Manufacturing Systems
🗓تاریخ انتشار: January 2022
🔹با توسعه اینترنت اشیا (IoT)، 5G و فناوری‌های رایانش ابری، میزان داده‌های سیستمهای تولیدی به سرعت در حال افزایش است. با تولید داده‌های صنعتی عظیم، دستاوردهایی فراتر از انتظارات در طراحی، ساخت و نگهداری محصول حاصل شده است. در واقع در تولید هوشمند، استفاده از داده‌های عظیم صنعتی نه‌تنها شرکت‌ها را به درک دقیق تغییرات محیط داخلی و خارجی در سیستم ارتقا می‌دهد، بلکه تجزیه و تحلیل علمی و تصمیم‌گیری برای بهینه سازی فرآیند تولید، کاهش هزینه‌ها و بهبود کارایی عملیاتی را تسهیل می‌کند.
می‌توان گفت تجزیه و تحلیل داده‌های عظیم (BDA) یک فناوری اصلی برای تقویت سیستمهای تولید هوشمند به حساب می‌آید.
🔹به منظور گزارش کامل نقش BDA در بهینه‌سازی سیستمهای تولید هوشمند، این مقاله با استفاده از روش تحقیق مرور کتابخانه‌ای، به تجزیه و تحلیل مطالعات انجام شده از سال 2011 تا 2020 در رابطه با تولید هوشمند مبتنی بر داده‌های عظیم، از پایگاه داده Web of Science می‌پردازد.
🔹در این مرور جامع موضوعات مرتبط مانند مفهوم داده‌های عظیم، روش‌های مبتنی بر مدل و داده‌محور، چارچوب تولید هوشمند مبتنی بر داده‌های عظیم، روش‌های توسعه، انواع فناوری‌های کلیدی پردازش(محاسبات توزیعی، محاسبات لبه- ابر، پردازش دسته‌ای، پردازش جریان، پردازش ترکیبی دسته‌ای و جریان) مورد بحث و بررسی قرار می‌گیرند.
🔹🔹همچنین یکی از نکات قوت این مقاله بررسی کاربردهای BDA برای هر یک از فازهای مطرح در سیستمهای تولید هوشمند اعم از طراحی محصول، برنامه‌ریزی و زمانبندی، مدیریت کیفیت و مدیریت سلامت فرآیندها و کشف ناهنجاری‌های احتمالی در آنها است که می‌تواند راهنمای خوبی برای نحوه پیاده‌سازی تحلیلگری عظیم دادهها در سیستمهای تولید باشد.
🔹در پایان نیز این مقاله به بررسی چالش‌ها و فرصت‌ها برای تحقیقات آینده در این خصوص پرداخته که از طریق این کار ایده‌های جدیدی برای تحقق BDA برای سیستمهای تولید هوشمند ارائه می شود.
👈درصورت تمایل، می‌توانید مقاله مذکور را در پست بعد دريافت و مطالعه نماييد.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌مروری بر نحوه استفاده کمپانی H&M از عظیم دادهها در جهت بهبود کسب و کار
🖋یکی از حوزه‌هایی که هوش مصنوعی تاثیر شگرفی بر روند کار آن داشته، حوزه خرده فروشان مد و پوشاک است. فعالان این بازار بطور فزاینده‌ای به هوش مصنوعی روی آورده‌اند تا بتوانند در برآورده‌سازی خواسته‌های مشتریان خود موفق عمل کرده و همچنان در عصر دیجیتال رقابتی باقی مانند.
در همین راستا نگاهی خواهیم داشت به عملکرد یکی از محبوب‌ترین برندهای این حوزه، گروه H&M، و خواهیم دید این کمپانی سوئدی چگونه از عظیم دادهها و هوش مصنوعی جهت ارائه خدمات به مشتریان خود استفاده می‌کند.
✳️هدف H&M از بهره‌گیری از عظیم دادهها، تحلیل دقیق خواسته‌های مشتریان است تا آنجا که بجای ذخیره‌سازی فروشگاه‌های سراسر دنیا با کالاهای مشابه، با استفاده از بینش حاصل از تحلیل عظیم دادهها، به سفارشی‌سازی محلی آنچه در فروشگاه‌ها می‌فروشد بپردازد.
✅در این کمپانی بیش از 200 دانشمند داده برای درک الگوها و روند خرید مشتریان مشغول به کار هستند. این تیم الگوریتم‌هایی برای تجزیه و تحلیل رسیدهای فروشگاهی و داده‌های کارتهای وفاداری ایجاد کرده‌اند تا خواسته‌های مشتریان را بهتر درک کنند. علاوه بر این، برای جمع‌آوری داده‌های بیشتر از پستهای وبلاگها و نیز جستجوهای انجام شده در موتورهای جستجو استفاده می‌شود.
✳️به عنوان مثال، در یکی از فروشگاه‌های H&M در استکهلم وقتی از الگوریتم‌های هوش مصنوعی برای مطالعه ترجیحات مشتریان استفاده شد، نتایج نشان داده که خریداران کالا از این فروشگاه بیشتر خانم بوده و بیشتر خریدها متمرکز بر مد مثل دامن‌های گلدار بوده است. همچنین نتایج نشان داد در این فروشگاه خرید کالاهایی با قیمت بالا ترجیح داده می‌شود. لذا اکنون در این فروشگاه کیف‌های چرمی 118 دلاری و ژاکت‌های کشمیر 107 دلاری در کنار تی‌شرت‌های معمولی 6 دلاری به فروش می‌رسد. از دیگر نتایج تحلیل این بود که این فروشگاه به مجموعه خود یک کافی شاپ اضافه کرد و فروش گل را نیز در سبد خدمات خود قرار داد چراکه خروجی تحلیل‌ها حاکی از این بود که مشتریان در طول تجربه خرید خود به این خدمات تمایل دارند.
✅در واقع H&M بجای تصمیم‌گیری مبتنی بر شهود مدیران، رو به استفاده از الگوریتم‌هایی آورد که بطور مداوم با رفتار و انتظارات مشتریان تنظیم می‌شوند. H&M معتقد است استفاده از عظیم دادهها به آنها قدرتی می‌دهد تا دقیق‌تر و مرتبط‌تر به مشتریان خود به ارائه سرویس بپردازند.
✳️راهکارهایی که به لطف الگوریتم‌ها و هوش مصنوعی در H&M بکار گرفته می شوند عبارتند از:
⏺پیش بینی تقاضای بازار: خرده‌فروشان حوزه مد و پوشاک مانند H&M به محصولات تازه با قیمت‌های رقابتی متکی هستند. بینش حاصل از تحلیل دادهها به H&M کمک می‌کند تا آنچه را که بازار می‌خواهد پیش‌بینی کند و مجبور نباشد موجودی خود را برای فروش به تخفیف گذارد.
⏺نگهداری اقلام محبوب: بوسیله الگوریتم‌ها و تحلیل روند خریدهای هر فروشگاه، H&M می‌داند که کدام اقلام را در کجا و به چه صورت تبلیغ کند و به فروش رساند.
⏺انبارهای خودکار: گروه H&M روی انبارهای خودکار و تحویل سریع، که در اکثر بازارهای اروپایی یک روزه است، سرمایه گذاری کرده و این امر منحصر به مشتریان وفادار بوده که تحلیل و شناسایی آنها توسط الگوریتم‌ها انجام می‌شود.
👈حال نگاهی خواهیم داشت به زیرساخت فنی پشتیبان این تحلیل‌ها.
✅همانطور که گفته شد اتکاء اصلی H&M بر دادهها بعنوان هسته مرکزی کار بوده و از طرفی باز شدن سریع فروشگاه‌ها در سطح جهان، نیاز به بهبود زنجیره تامین را افزایش می‌دهد.
❇️در این شرایط سیستم Hadoop داخلی H&M ناتوان از تجزیه و تحلیل داده‌های تولید شده توسط میلیونها مشتری بوده، لذا این شرکت به سمت پلتفرم Databricks مهاجرت کرده است.
❇️این پلتفرم با ایجاد محیطی مقیاس پذیر و مشارکتی به مهندسان و دانشمندان داده اجازه می‌دهد تا مدل‌ها را به سرعت با هدف تسریع زنجیره تامین آموزش داده و عملیاتی کنند.
❇️یکپارچگی پلتفرم Databricks با Azure و سایر تکنولوژی‌ها مانند Apache Airflow و Kubernetes اجازه می‌دهد تا مدل‌ها در مقیاس عظیم آموزش ببینند.
👈بطور کلی در H&M حتی 0.1 درصد بهبود در دقت مدل، تاثیر شگرفی بر کسب و کار دارد. این کمپانی با بکارگیری Databricks دادهها را برای تصمیم گیرندگان قابل دسترس‌تر کرده و این امر باعث رشد سریع کسب و کار می‌شود.
👈 در مجموع Databricks با بهبود کارایی عملیاتی، بهبود تعاملات و همکاری‌های بین‌تیمی و تاثیرات شگرف بر کسبوکار با استفاده از بینش حاصل از تحلیل دادهها، باعث هوشمندسازی تصمیم‌گیری و نیز صرفه‌جویی چشم‌گیر 70 درصدی در هزینه‌های H&M شده است.
#نمونه_موردی
#عظیم_داده
#اچاندام
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BisinessAnalytics
🖋یکی از حوزه‌هایی که هوش مصنوعی تاثیر شگرفی بر روند کار آن داشته، حوزه خرده فروشان مد و پوشاک است. فعالان این بازار بطور فزاینده‌ای به هوش مصنوعی روی آورده‌اند تا بتوانند در برآورده‌سازی خواسته‌های مشتریان خود موفق عمل کرده و همچنان در عصر دیجیتال رقابتی باقی مانند.
در همین راستا نگاهی خواهیم داشت به عملکرد یکی از محبوب‌ترین برندهای این حوزه، گروه H&M، و خواهیم دید این کمپانی سوئدی چگونه از عظیم دادهها و هوش مصنوعی جهت ارائه خدمات به مشتریان خود استفاده می‌کند.
✳️هدف H&M از بهره‌گیری از عظیم دادهها، تحلیل دقیق خواسته‌های مشتریان است تا آنجا که بجای ذخیره‌سازی فروشگاه‌های سراسر دنیا با کالاهای مشابه، با استفاده از بینش حاصل از تحلیل عظیم دادهها، به سفارشی‌سازی محلی آنچه در فروشگاه‌ها می‌فروشد بپردازد.
✅در این کمپانی بیش از 200 دانشمند داده برای درک الگوها و روند خرید مشتریان مشغول به کار هستند. این تیم الگوریتم‌هایی برای تجزیه و تحلیل رسیدهای فروشگاهی و داده‌های کارتهای وفاداری ایجاد کرده‌اند تا خواسته‌های مشتریان را بهتر درک کنند. علاوه بر این، برای جمع‌آوری داده‌های بیشتر از پستهای وبلاگها و نیز جستجوهای انجام شده در موتورهای جستجو استفاده می‌شود.
✳️به عنوان مثال، در یکی از فروشگاه‌های H&M در استکهلم وقتی از الگوریتم‌های هوش مصنوعی برای مطالعه ترجیحات مشتریان استفاده شد، نتایج نشان داده که خریداران کالا از این فروشگاه بیشتر خانم بوده و بیشتر خریدها متمرکز بر مد مثل دامن‌های گلدار بوده است. همچنین نتایج نشان داد در این فروشگاه خرید کالاهایی با قیمت بالا ترجیح داده می‌شود. لذا اکنون در این فروشگاه کیف‌های چرمی 118 دلاری و ژاکت‌های کشمیر 107 دلاری در کنار تی‌شرت‌های معمولی 6 دلاری به فروش می‌رسد. از دیگر نتایج تحلیل این بود که این فروشگاه به مجموعه خود یک کافی شاپ اضافه کرد و فروش گل را نیز در سبد خدمات خود قرار داد چراکه خروجی تحلیل‌ها حاکی از این بود که مشتریان در طول تجربه خرید خود به این خدمات تمایل دارند.
✅در واقع H&M بجای تصمیم‌گیری مبتنی بر شهود مدیران، رو به استفاده از الگوریتم‌هایی آورد که بطور مداوم با رفتار و انتظارات مشتریان تنظیم می‌شوند. H&M معتقد است استفاده از عظیم دادهها به آنها قدرتی می‌دهد تا دقیق‌تر و مرتبط‌تر به مشتریان خود به ارائه سرویس بپردازند.
✳️راهکارهایی که به لطف الگوریتم‌ها و هوش مصنوعی در H&M بکار گرفته می شوند عبارتند از:
⏺پیش بینی تقاضای بازار: خرده‌فروشان حوزه مد و پوشاک مانند H&M به محصولات تازه با قیمت‌های رقابتی متکی هستند. بینش حاصل از تحلیل دادهها به H&M کمک می‌کند تا آنچه را که بازار می‌خواهد پیش‌بینی کند و مجبور نباشد موجودی خود را برای فروش به تخفیف گذارد.
⏺نگهداری اقلام محبوب: بوسیله الگوریتم‌ها و تحلیل روند خریدهای هر فروشگاه، H&M می‌داند که کدام اقلام را در کجا و به چه صورت تبلیغ کند و به فروش رساند.
⏺انبارهای خودکار: گروه H&M روی انبارهای خودکار و تحویل سریع، که در اکثر بازارهای اروپایی یک روزه است، سرمایه گذاری کرده و این امر منحصر به مشتریان وفادار بوده که تحلیل و شناسایی آنها توسط الگوریتم‌ها انجام می‌شود.
👈حال نگاهی خواهیم داشت به زیرساخت فنی پشتیبان این تحلیل‌ها.
✅همانطور که گفته شد اتکاء اصلی H&M بر دادهها بعنوان هسته مرکزی کار بوده و از طرفی باز شدن سریع فروشگاه‌ها در سطح جهان، نیاز به بهبود زنجیره تامین را افزایش می‌دهد.
❇️در این شرایط سیستم Hadoop داخلی H&M ناتوان از تجزیه و تحلیل داده‌های تولید شده توسط میلیونها مشتری بوده، لذا این شرکت به سمت پلتفرم Databricks مهاجرت کرده است.
❇️این پلتفرم با ایجاد محیطی مقیاس پذیر و مشارکتی به مهندسان و دانشمندان داده اجازه می‌دهد تا مدل‌ها را به سرعت با هدف تسریع زنجیره تامین آموزش داده و عملیاتی کنند.
❇️یکپارچگی پلتفرم Databricks با Azure و سایر تکنولوژی‌ها مانند Apache Airflow و Kubernetes اجازه می‌دهد تا مدل‌ها در مقیاس عظیم آموزش ببینند.
👈بطور کلی در H&M حتی 0.1 درصد بهبود در دقت مدل، تاثیر شگرفی بر کسب و کار دارد. این کمپانی با بکارگیری Databricks دادهها را برای تصمیم گیرندگان قابل دسترس‌تر کرده و این امر باعث رشد سریع کسب و کار می‌شود.
👈 در مجموع Databricks با بهبود کارایی عملیاتی، بهبود تعاملات و همکاری‌های بین‌تیمی و تاثیرات شگرف بر کسبوکار با استفاده از بینش حاصل از تحلیل دادهها، باعث هوشمندسازی تصمیم‌گیری و نیز صرفه‌جویی چشم‌گیر 70 درصدی در هزینه‌های H&M شده است.
#نمونه_موردی
#عظیم_داده
#اچاندام
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BisinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله: تجزیه و تحلیل احساسات چندوجهی: بررسی سیستماتیک تاریخچه، دیتاست‌ها، روش‌های همجوشی چندوجهی، کاربردها، چالش‌ها و جهت گیری‌های آینده
🗓سال انتشار: 2022
📔ژورنال: Information Fusion
🖋نویسندگان:
Ankita Gandhi, Kinjal Adhvaryu, Soujanya Poria, Erik Cambria, Amir Hussain
🔹تحلیل احساسات (SA) در زمینه هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP) جذابیت زیادی به دست آورده است. در همین راستا تقاضای فزاینده‌ای برای تجزیه و تحلیل خودکار احساسات کاربر نسبت به محصولات یا خدمات وجود دارد. نظرات افراد نیز به طور گسترده‌ای به صورت آنلاین در قالب ویدئو به جای/ در کنار متن به اشتراک گذاشته می‌شوند.
🔹این مساله باعث شده است که SA با استفاده از بکارگیری وجوه متعدد، که آنالیز احساسات چندوجهی (MSA) نامیده می‌شود، به یک حوزه تحقیقاتی مهم تبدیل شود. در واقع تجزیه و تحلیل احساسات چندوجهی (MSA) افکار، احساسات و عواطف افراد را از مشاهدات رفتارهای آنها استخراج می‌کند و در اینجا سرنخ‌های رفتاری می‌تواند به صورت نوشته‌های مستند، حالات چهره، گفتار، علائم فیزیولوژیکی و حرکات بدنی باشد.
🔹در تحلیل احساسات چندوجهی، روش‌های مختلفی برای یافتن حالات عاطفی از تعاملات استفاده می‌شود. متداول‌ترین وجوه استفاده شده عبارتند از: متن، صوت و تصویر. هر یک از این وجوه به پیش‌بینی بهتر احساسات کمک می‌کند و ادبیات موضوع در این حوزه تاکید دارد که سیستم دو وجهی و سه وجهی نتیجه را در مقایسه با سیستم تک وجهی بهبود می‌بخشد. در واقع هر وجه سهم مهمی در بهبود دقت دارد.
🔹تحلیل احساسات چندوجهی از آخرین پیشرفت‌های یادگیری ماشین و یادگیری عمیق در مراحل مختلف از جمله برای استخراج ویژگی چندوجهی و همجوشی و تشخیص قطبیت احساسات، با هدف به حداقل رساندن میزان خطا و بهبود عملکرد استفاده می‌کند .
🔹در این مقاله 10 دیتاست برتر ، که در زمینه MSA می‌توان بکارگرفت ، همراه با مشخصات آنها معرفی شده است. همچنین در ادامه، مقاله به بررسی طبقه‌بندی اولیه و معماری‌های همجوشی چندوجهی تازه منتشر شده می‌پردازد.
🔹ادغام وجوه مختلف در مرکز تحلیل احساسات با استفاده از روش‌های متعدد صورت می‌گیرد. فیوژن یا همجوشی چندوجهی فرآیند فیلتر کردن، استخراج و ترکیب ویژگی‌های مورد نیاز از داده‌های دریافتی از منابع مختلف است. سپس این دادهها به منظور استخراج نظرات و ارزیابی نگرش‌های بیشتر تجزیه و تحلیل می‌شوند.
🔹پیشرفت‌های اخیر در معماری‌های MSA به ده دسته تقسیم می‌شوند که عبارتند از همجوشی اولیه، همجوشی دیررس، همجوشی هیبریدی، همجوشی سطح مدل، همجوشی تانسوری، همجوشی سلسله مراتبی، همجوشی دو وجهی، همجوشی مبتنی بر توجه، همجوشی کوانتومی و همجوشی سطح کلمه. مقاله ضمن تشریح هریک از دسته‌های مذکور، به بررسی چندین تحول معماری از نظر مقوله‌های همجوشی MSA و نقاط قوت و محدودیت‌های نسبی آنها می‌پردازد.
🔹 در نهایت، نویسندگان به ارائه تعدادی از کاربردهای بین رشته‌ای اعم از : شناسایی اقدامات چندوجهی و کشف تقلب، پیش‌بینی بازار برای سیستم معاملاتی، تحلیل احساسات در زمینه گردشگری، تحلیل احساسات پستهای اینستاگرام، تحلیل احساسات در توئیتر، تعاملات انسان و کامپیوتر، سیستم بهداشت و سلامت، سیستم آموزش، سیستمهای توصیه‌گر و احساسات نسبت به هر موضوع جاری، می‌پردازند.
🔹 در خاتمه نیز به بررسی چالش‌های پیشروی MSA و نیز جهت‌گیری‌های تحقیقاتی آینده در این زمینه پرداخته‌اند
👈درصورت تمایل می‌توانید فایل مقاله را👇👇👇 دانلود فرمایید.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله: تجزیه و تحلیل احساسات چندوجهی: بررسی سیستماتیک تاریخچه، دیتاست‌ها، روش‌های همجوشی چندوجهی، کاربردها، چالش‌ها و جهت گیری‌های آینده
🗓سال انتشار: 2022
📔ژورنال: Information Fusion
🖋نویسندگان:
Ankita Gandhi, Kinjal Adhvaryu, Soujanya Poria, Erik Cambria, Amir Hussain
🔹تحلیل احساسات (SA) در زمینه هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP) جذابیت زیادی به دست آورده است. در همین راستا تقاضای فزاینده‌ای برای تجزیه و تحلیل خودکار احساسات کاربر نسبت به محصولات یا خدمات وجود دارد. نظرات افراد نیز به طور گسترده‌ای به صورت آنلاین در قالب ویدئو به جای/ در کنار متن به اشتراک گذاشته می‌شوند.
🔹این مساله باعث شده است که SA با استفاده از بکارگیری وجوه متعدد، که آنالیز احساسات چندوجهی (MSA) نامیده می‌شود، به یک حوزه تحقیقاتی مهم تبدیل شود. در واقع تجزیه و تحلیل احساسات چندوجهی (MSA) افکار، احساسات و عواطف افراد را از مشاهدات رفتارهای آنها استخراج می‌کند و در اینجا سرنخ‌های رفتاری می‌تواند به صورت نوشته‌های مستند، حالات چهره، گفتار، علائم فیزیولوژیکی و حرکات بدنی باشد.
🔹در تحلیل احساسات چندوجهی، روش‌های مختلفی برای یافتن حالات عاطفی از تعاملات استفاده می‌شود. متداول‌ترین وجوه استفاده شده عبارتند از: متن، صوت و تصویر. هر یک از این وجوه به پیش‌بینی بهتر احساسات کمک می‌کند و ادبیات موضوع در این حوزه تاکید دارد که سیستم دو وجهی و سه وجهی نتیجه را در مقایسه با سیستم تک وجهی بهبود می‌بخشد. در واقع هر وجه سهم مهمی در بهبود دقت دارد.
🔹تحلیل احساسات چندوجهی از آخرین پیشرفت‌های یادگیری ماشین و یادگیری عمیق در مراحل مختلف از جمله برای استخراج ویژگی چندوجهی و همجوشی و تشخیص قطبیت احساسات، با هدف به حداقل رساندن میزان خطا و بهبود عملکرد استفاده می‌کند .
🔹در این مقاله 10 دیتاست برتر ، که در زمینه MSA می‌توان بکارگرفت ، همراه با مشخصات آنها معرفی شده است. همچنین در ادامه، مقاله به بررسی طبقه‌بندی اولیه و معماری‌های همجوشی چندوجهی تازه منتشر شده می‌پردازد.
🔹ادغام وجوه مختلف در مرکز تحلیل احساسات با استفاده از روش‌های متعدد صورت می‌گیرد. فیوژن یا همجوشی چندوجهی فرآیند فیلتر کردن، استخراج و ترکیب ویژگی‌های مورد نیاز از داده‌های دریافتی از منابع مختلف است. سپس این دادهها به منظور استخراج نظرات و ارزیابی نگرش‌های بیشتر تجزیه و تحلیل می‌شوند.
🔹پیشرفت‌های اخیر در معماری‌های MSA به ده دسته تقسیم می‌شوند که عبارتند از همجوشی اولیه، همجوشی دیررس، همجوشی هیبریدی، همجوشی سطح مدل، همجوشی تانسوری، همجوشی سلسله مراتبی، همجوشی دو وجهی، همجوشی مبتنی بر توجه، همجوشی کوانتومی و همجوشی سطح کلمه. مقاله ضمن تشریح هریک از دسته‌های مذکور، به بررسی چندین تحول معماری از نظر مقوله‌های همجوشی MSA و نقاط قوت و محدودیت‌های نسبی آنها می‌پردازد.
🔹 در نهایت، نویسندگان به ارائه تعدادی از کاربردهای بین رشته‌ای اعم از : شناسایی اقدامات چندوجهی و کشف تقلب، پیش‌بینی بازار برای سیستم معاملاتی، تحلیل احساسات در زمینه گردشگری، تحلیل احساسات پستهای اینستاگرام، تحلیل احساسات در توئیتر، تعاملات انسان و کامپیوتر، سیستم بهداشت و سلامت، سیستم آموزش، سیستمهای توصیه‌گر و احساسات نسبت به هر موضوع جاری، می‌پردازند.
🔹 در خاتمه نیز به بررسی چالش‌های پیشروی MSA و نیز جهت‌گیری‌های تحقیقاتی آینده در این زمینه پرداخته‌اند
👈درصورت تمایل می‌توانید فایل مقاله را👇👇👇 دانلود فرمایید.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله:
Issues and Challenges of Aspect-based
Sentiment Analysis: A Comprehensive Survey
🖋نویسندگان:
Ambreen Nazir , Yuan Rao, Lianwei Wu , and Ling Sun
📔منتشر شده در :
IEEE Transactions on Affective Computing
🔸این مقاله به حوزه تحلیل احساسات (SA) که به عنوان عقیده کاوی نیز نامیده می‌شود، بعنوان یک حوزه تحقیقاتی فعال برای نمایش احساسات و کشف خودکار احساسات بیان شده در متن می‌پردازد. هدف SA معمولاً محصول یا خدماتی است که در بین مردم مورد توجه است و افراد به بروز احساسات نسبت به آن اهمیت می‌دهند. به طور سنتی، SA به عنوان یک قطبیت عقیده در نظر گرفته می‌شود که آیا شخصی در مورد یک رویداد احساسات مثبت، منفی یا خنثی ابراز کرده است.
🔸تحلیل احساسات به طور کلی در سه سطح طبقه‌بندی شده است. سطح سند، سطح جمله و سطح جنبه به این معنا که آیا یک سند کامل، یک جمله (ذهنی یا عینی) و یک جنبه بیانگر یک احساس است، یعنی مثبت، منفی یا خنثی.
🔸حوزه تحلیل احساسات مبتنی بر جنبه(AbSA)، که در آن جنبه‌ها استخراج می‌شوند، احساسات مربوط به آنها تحلیل می‌شوند و احساسات در طول زمان تکامل می‌یابند، با افزایش بازخورد عمومی و حضور مشتریان در رسانه‌های اجتماعی، بسیار مورد توجه قرار گرفته است. پیشرفت‌های عظیم در این زمینه، محققان را بر آن داشت تا تکنیک‌ها و رویکردهای جدیدی را ابداع کنند، که هر کدام متمرکز بر یک تحلیل/پرسش پژوهشی متفاوت بوده و با مسائل آتی و سناریوهای پیچیده تحلیل احساسات مبتنی بر جنبه کار می‌کند.
🔸حوزه AbSA را می‌توان بر اساس سه مرحله پردازش اصلی طبقه‌بندی کرد: استخراج جنبه (AE)، تجزیه و تحلیل احساسات جنبه (ASA) و تکامل احساسات (SE). فاز اول به استخراج جنبه‌ها می‌پردازد که می‌تواند جنبه‌های صریح، جنبه‌های ضمنی، اصطلاحات جنبه، موجودیت‌ها و هدف عبارات نظر (OTE) باشد. مرحله دوم قطبیت احساسات را برای یک جنبه، هدف یا موجودیت از پیش تعریف شده طبقه بندی می‌کند. این مرحله همچنین تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای را بین اشیاء داده‌ای مختلف، به عنوان مثال، جنبه، موجودیت، هدف، هدف چند کلمه‌ای، کلمه احساس، برای دستیابی به دقت طبقه‌بندی احساسات، فرموله می‌کند. مرحله سوم به پویایی احساسات افراد نسبت به جنبه‌ها (رویدادها) در یک دوره زمانی مربوط می‌شود. ویژگی‌های اجتماعی و تجربه شخصی به عنوان علل اصلی SE در نظر گرفته می‌شود.
🔸از سویی نویسندگان مقاله تاکید دارند که تمرکز پژوهش‌های موجود به جزئیات فنی یا مراحل خاص AbSA محدود می‌شود و در آنها مسائل مهم و چالش‌های کلیدی AE، ASA، SE به طور دقیق بیان و خلاصه نشده است. همچنین به دلیل دستاوردها و نوآوری‌های نمایی در سال‌های اخیر، نتایج آن پژوهش‌ها در معرض منسوخ شدن قرار گرفته‌اند. لذا برای پر کردن این شکاف، نویسندگان مقاله یک بررسی جامع مرتبط با AbSA را پیشنهاد می‌کنند.
🔸در همین راستا این پژوهش بر مطالعه مسائل و چالش‌های مرتبط با استخراج جنبه‌های مختلف و احساسات مربوط به آنها، نگاشت رابطه‌ای بین جنبه‌ها، تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای بین اشیاء داده‌ای مختلف برای بهبود دقت احساسات و پیش‌بینی پویایی تحول احساسات تمرکز دارد.
🔸در نهایت یک مرور کلی دقیق از پیشرفت‌های اخیر در این حوزه خواهد داشت بر اساس اینکه سهم هریک در برجسته کردن و کاهش موضوعات مربوط به استخراج جنبه، تحلیل احساسات جنبه یا تکامل احساسات چه بوده است. عملکرد گزارش شده برای هر مطالعه موشکافانه استخراج جنبه و تحلیل احساسات جنبه نیز ارائه شده است که ارزیابی کمی رویکرد پیشنهادی را نشان می‌دهد. در انتها رویکردهای تحقیقاتی آتی با تحلیل انتقادی راه‌حل‌های اخیر ارائه شده پیشنهاد و مورد بحث قرار می‌گیرند که برای محققین مفید و برای بهبود طبقه‌بندی احساسات در سطح جنبه کارآمد خواهد بود.
👈در صورت تمایل، می‌توانید فایل مقاله را دانلود فرمایید👇👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله:
Issues and Challenges of Aspect-based
Sentiment Analysis: A Comprehensive Survey
🖋نویسندگان:
Ambreen Nazir , Yuan Rao, Lianwei Wu , and Ling Sun
📔منتشر شده در :
IEEE Transactions on Affective Computing
🔸این مقاله به حوزه تحلیل احساسات (SA) که به عنوان عقیده کاوی نیز نامیده می‌شود، بعنوان یک حوزه تحقیقاتی فعال برای نمایش احساسات و کشف خودکار احساسات بیان شده در متن می‌پردازد. هدف SA معمولاً محصول یا خدماتی است که در بین مردم مورد توجه است و افراد به بروز احساسات نسبت به آن اهمیت می‌دهند. به طور سنتی، SA به عنوان یک قطبیت عقیده در نظر گرفته می‌شود که آیا شخصی در مورد یک رویداد احساسات مثبت، منفی یا خنثی ابراز کرده است.
🔸تحلیل احساسات به طور کلی در سه سطح طبقه‌بندی شده است. سطح سند، سطح جمله و سطح جنبه به این معنا که آیا یک سند کامل، یک جمله (ذهنی یا عینی) و یک جنبه بیانگر یک احساس است، یعنی مثبت، منفی یا خنثی.
🔸حوزه تحلیل احساسات مبتنی بر جنبه(AbSA)، که در آن جنبه‌ها استخراج می‌شوند، احساسات مربوط به آنها تحلیل می‌شوند و احساسات در طول زمان تکامل می‌یابند، با افزایش بازخورد عمومی و حضور مشتریان در رسانه‌های اجتماعی، بسیار مورد توجه قرار گرفته است. پیشرفت‌های عظیم در این زمینه، محققان را بر آن داشت تا تکنیک‌ها و رویکردهای جدیدی را ابداع کنند، که هر کدام متمرکز بر یک تحلیل/پرسش پژوهشی متفاوت بوده و با مسائل آتی و سناریوهای پیچیده تحلیل احساسات مبتنی بر جنبه کار می‌کند.
🔸حوزه AbSA را می‌توان بر اساس سه مرحله پردازش اصلی طبقه‌بندی کرد: استخراج جنبه (AE)، تجزیه و تحلیل احساسات جنبه (ASA) و تکامل احساسات (SE). فاز اول به استخراج جنبه‌ها می‌پردازد که می‌تواند جنبه‌های صریح، جنبه‌های ضمنی، اصطلاحات جنبه، موجودیت‌ها و هدف عبارات نظر (OTE) باشد. مرحله دوم قطبیت احساسات را برای یک جنبه، هدف یا موجودیت از پیش تعریف شده طبقه بندی می‌کند. این مرحله همچنین تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای را بین اشیاء داده‌ای مختلف، به عنوان مثال، جنبه، موجودیت، هدف، هدف چند کلمه‌ای، کلمه احساس، برای دستیابی به دقت طبقه‌بندی احساسات، فرموله می‌کند. مرحله سوم به پویایی احساسات افراد نسبت به جنبه‌ها (رویدادها) در یک دوره زمانی مربوط می‌شود. ویژگی‌های اجتماعی و تجربه شخصی به عنوان علل اصلی SE در نظر گرفته می‌شود.
🔸از سویی نویسندگان مقاله تاکید دارند که تمرکز پژوهش‌های موجود به جزئیات فنی یا مراحل خاص AbSA محدود می‌شود و در آنها مسائل مهم و چالش‌های کلیدی AE، ASA، SE به طور دقیق بیان و خلاصه نشده است. همچنین به دلیل دستاوردها و نوآوری‌های نمایی در سال‌های اخیر، نتایج آن پژوهش‌ها در معرض منسوخ شدن قرار گرفته‌اند. لذا برای پر کردن این شکاف، نویسندگان مقاله یک بررسی جامع مرتبط با AbSA را پیشنهاد می‌کنند.
🔸در همین راستا این پژوهش بر مطالعه مسائل و چالش‌های مرتبط با استخراج جنبه‌های مختلف و احساسات مربوط به آنها، نگاشت رابطه‌ای بین جنبه‌ها، تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای بین اشیاء داده‌ای مختلف برای بهبود دقت احساسات و پیش‌بینی پویایی تحول احساسات تمرکز دارد.
🔸در نهایت یک مرور کلی دقیق از پیشرفت‌های اخیر در این حوزه خواهد داشت بر اساس اینکه سهم هریک در برجسته کردن و کاهش موضوعات مربوط به استخراج جنبه، تحلیل احساسات جنبه یا تکامل احساسات چه بوده است. عملکرد گزارش شده برای هر مطالعه موشکافانه استخراج جنبه و تحلیل احساسات جنبه نیز ارائه شده است که ارزیابی کمی رویکرد پیشنهادی را نشان می‌دهد. در انتها رویکردهای تحقیقاتی آتی با تحلیل انتقادی راه‌حل‌های اخیر ارائه شده پیشنهاد و مورد بحث قرار می‌گیرند که برای محققین مفید و برای بهبود طبقه‌بندی احساسات در سطح جنبه کارآمد خواهد بود.
👈در صورت تمایل، می‌توانید فایل مقاله را دانلود فرمایید👇👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله:
How can organizations leverage big data to innovate their business models? A systematic literature review
🖋نویسندگان:
Chiara Acciarini , Francesco Cappa , Paolo Boccardelli , Raffaele Oriani
🗓سال انتشار: 2023
📔ژورنال:
Technovation
🔸حجم جهانی دادهها به سرعت در حال گسترش است و شرکت‌ها به دنبال درک چگونگی ایجاد، جذب و ارائه ارزش از این منبع ارزشمند هستند.
🔸در سال 2017، اکونومیست بیان کرد که "با ارزش ترین منبع جهان دیگر نفت نیست، بلکه داده است". در حال حاضر، بازار داده‌های عظیم بیش از 55 میلیارد دلار درآمد دارد و انتظار می‌رود تا سال 2027 به 103 میلیارد دلار افزایش یابد. در واقع، در سال‌های اخیر، شاهد افزایش انفجاری در میزان اطلاعات در دسترس بوده‌ایم و مدیران و سیاست‌گذاران به طور فزاینده‌ای به مزایای حاصل از داده‌های عظیم پی‌برده‌اند. با این حال، معایب مرتبط با آنها، مانند مسائل مربوط به حریم خصوصی و امنیتی، نیز در حال ظهور هستند.
🔸مطالعات موجود عمدتاً به مزایایی می‌پردازد که داده‌های عظیم می‌توانند فراهم کنند، که برای مثال شامل عملیات پایدارتر و مدیریت زنجیره تأمین، بودجه‌بندی بهتر و تصمیم‌گیری و نوآوری بهبودیافته است. با این حال، هنوز تعداد کمی از نویسندگان جنبه تاریک داده‌های عظیم را بررسی کرده‌اند.
🔸بنابراین، برای اطمینان از اینکه مزایا نسبت به چالش‌های داده‌های عظیم بیشتر است، و برای باز کردن پتانسیل کامل داده‌های عظیم از نظر نوآوری در مدل کسبوکار، نویسندگان این مقاله استدلال می‌کنند که شرکت‌ها باید نقشه واضحی از تمام کاربردهای احتمالی آن داشته باشند.
🔸در این مطالعه که به روش مروری سیستماتیک ادبیات انجام شده است و نهایتا 311 مقاله مورد بررسی قرار گرفته‌اند، یک نمای کلی جامع از موارد زیر ارائه می‌شود:
الف) اثرات تولید شده توسط داده‌های عظیم، از جمله مزایا و همچنین معایب
ب) حوزه‌های کسب و کاری که در آنها داده‌های عظیم استفاده می‌شوند
ج) روش‌های تحقیقاتی که تاکنون توسط مطالعات قبلی اتخاذ شده است (کمی، کیفی، مفهومی و میکس)
د)نوع شرکتی که تاکنون در نظر گرفته شده است و بین کسب و کارهای خصوصی و عمومی(دولتی) تمایز قائل شده است.
🔸در نهایت نتایج این مطالعه به افزایش درک علمی از پدیده داده‌های عظیم کمک کرده و توصیه‌های نظری و عملی در مورد استفاده‌های احتمالی از آنها ارائه می‌کند که ممکن است به شرکت‌ها اجازه دهد مدلهای کسب و کار خود را مورد بازبینی و نوآوری قرار دهند.
👈در صورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود فرمایید👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله:
How can organizations leverage big data to innovate their business models? A systematic literature review
🖋نویسندگان:
Chiara Acciarini , Francesco Cappa , Paolo Boccardelli , Raffaele Oriani
🗓سال انتشار: 2023
📔ژورنال:
Technovation
🔸حجم جهانی دادهها به سرعت در حال گسترش است و شرکت‌ها به دنبال درک چگونگی ایجاد، جذب و ارائه ارزش از این منبع ارزشمند هستند.
🔸در سال 2017، اکونومیست بیان کرد که "با ارزش ترین منبع جهان دیگر نفت نیست، بلکه داده است". در حال حاضر، بازار داده‌های عظیم بیش از 55 میلیارد دلار درآمد دارد و انتظار می‌رود تا سال 2027 به 103 میلیارد دلار افزایش یابد. در واقع، در سال‌های اخیر، شاهد افزایش انفجاری در میزان اطلاعات در دسترس بوده‌ایم و مدیران و سیاست‌گذاران به طور فزاینده‌ای به مزایای حاصل از داده‌های عظیم پی‌برده‌اند. با این حال، معایب مرتبط با آنها، مانند مسائل مربوط به حریم خصوصی و امنیتی، نیز در حال ظهور هستند.
🔸مطالعات موجود عمدتاً به مزایایی می‌پردازد که داده‌های عظیم می‌توانند فراهم کنند، که برای مثال شامل عملیات پایدارتر و مدیریت زنجیره تأمین، بودجه‌بندی بهتر و تصمیم‌گیری و نوآوری بهبودیافته است. با این حال، هنوز تعداد کمی از نویسندگان جنبه تاریک داده‌های عظیم را بررسی کرده‌اند.
🔸بنابراین، برای اطمینان از اینکه مزایا نسبت به چالش‌های داده‌های عظیم بیشتر است، و برای باز کردن پتانسیل کامل داده‌های عظیم از نظر نوآوری در مدل کسبوکار، نویسندگان این مقاله استدلال می‌کنند که شرکت‌ها باید نقشه واضحی از تمام کاربردهای احتمالی آن داشته باشند.
🔸در این مطالعه که به روش مروری سیستماتیک ادبیات انجام شده است و نهایتا 311 مقاله مورد بررسی قرار گرفته‌اند، یک نمای کلی جامع از موارد زیر ارائه می‌شود:
الف) اثرات تولید شده توسط داده‌های عظیم، از جمله مزایا و همچنین معایب
ب) حوزه‌های کسب و کاری که در آنها داده‌های عظیم استفاده می‌شوند
ج) روش‌های تحقیقاتی که تاکنون توسط مطالعات قبلی اتخاذ شده است (کمی، کیفی، مفهومی و میکس)
د)نوع شرکتی که تاکنون در نظر گرفته شده است و بین کسب و کارهای خصوصی و عمومی(دولتی) تمایز قائل شده است.
🔸در نهایت نتایج این مطالعه به افزایش درک علمی از پدیده داده‌های عظیم کمک کرده و توصیه‌های نظری و عملی در مورد استفاده‌های احتمالی از آنها ارائه می‌کند که ممکن است به شرکت‌ها اجازه دهد مدلهای کسب و کار خود را مورد بازبینی و نوآوری قرار دهند.
👈در صورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود فرمایید👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌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
❇️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 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
❇️ 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