📌 معرفی مقالات داغ حوزه عظیم‌داده

“A Data Quality in Use model for Big Data”


🖋نویسندگان:
Merino Jorge,Caballero Ismael,Rivas Bibiano,Serrano Manuel,Piattini Mario

🔸این مقاله، با زمینه‌‌مند کردن معیارهای کیفیت ایزو ۲۵۰۲۴ در عظیم داده‌ و مطالعه موردی در صنعت مالی؛ در دو بخش اصلی، شامل طبقه‌بندی ابعاد کیفیت عظیم داده و چارچوب ارزیابی کیفیت ارائه شده است.

🔻 در بخش نخست، ابعاد متداول کیفیت داده (کیفیت ذاتی، دسترسی، زمینه‌ای و نمایشی) برای عظیم‌داده‌ بازتعریف شده و در سه طبقه کلی کفایت زمانی، کفایت زمینه‌ای و کفایت عملیاتی، قرار می‌گیرند؛ به نحوی که تمام شاخص‌های مورد نیاز برای سنجش کیفیت عظیم داده در نظر گرفته شوند. سپس ارتباط هر یک از این ابعاد با ویژگی‌های عظیم‌داده مشخص می‌شود.

🔺در بخش دوم نیز، یک چارچوب هفت مرحله‌ای برای ارزیابی کیفیت عظیم‌داده‌؛ از تعیین نیازمندی‌های کیفیتی تا گزارش نهایی ارائه می‌شود که پیش‌نیاز آن به‌کارگیری شاخص‌های کیفیت بر اساس ابعاد کیفیت عظیم‌داده می‌باشد.

🔹خلاصه و دريافت مقاله:

🔗 https://bit.ly/3erhTDa


#معرفی_مقاله
#ابعاد_کیفیت
#کیفیت_عظیم_داده
#علی_محمدی


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده
An analytical study of information extraction from unstructured and multidimensional big data


🖋نویسندگان:
Kiran Adnan and Rehan Akbar

🔸یکی از ویژگی‌های اصلی عظیم داده، تنوع در ساختار داده و وجود داده‌های غیرساختاریافته همچون داده‌های متنی، صوتی، تصویری و ویدیویی می‌باشد که تاکنون مقالات متعددی در مورد استخراج و تحلیل هر یک از این انواع داده منتشر شده است. در این مقاله با مرور سیستماتیک مجموعه مقالات انجام شده داده‌های غیرساختاریافته عظیم داده در بازه زمانی 2013 تا 2018، به دو سوال زیر به تفکیک هر یک از داده‌های متنی، صوتی، تصویری و ویدیویی پاسخ داده شده است:

1) چه رویکردهایی برای استخراج داده‌های غیرساختاریافته عظیم داده بیشتر مورد توجه بوده است؟

2) مهم‌ترین موضوعات و چالش‌های مطرح شده در مورد هر یک از انواع داده‌های غیرساختار یافته چه بوده است؟

🔹خلاصه و دريافت مقاله:

🔗 https://bit.ly/3iorpt4


#معرفی_مقاله
#مرور_سیستماتیک
#داده_غیرساختاریافته
#علی_محمدی



www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش اول: Big Data Analytics

🔸 فصل اول کتاب تحلیل عظیم داده، سیستم‌ها، الگوریتم‌ها و کاربردها، با معرفی اولیه و اهمیت عظیم داده برای کسب و کارها شروع می‌شود و سپس با بررسی تفاوت‌های ایجاد شده در عظیم داده در مقایسه با داده‌های سنتی، ضرورت به کارگیری از پردازش‌های موازی در قالب اکوسیستم هدوپ را مطرح می‌کند تا با معرفی اجزای سازنده اصلی آن در لایه‌های مختلف؛ اطلاعات کلی در مورد هدوپ را در اختیار خوانندگان قرار دهد.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/3l43u2f

#کتاب_بخوانیم
#فصل_اول
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ ‍ ‍ ‍ 📚 معرفی کتاب
“Big Data Analytics Methods"

✍️ نویسنده:Peter Ghavami

✍️ سال انتشار: 2020

✍️انتشارات: De Gruyter

📌کتاب روش‌های تحلیل عظیم داده، در سه بخش اصلی و ده فصل به زبان ساده نگارش شده است. در بخش نخست، به کلیات تحلیل عظیم داده و مفاهیم پایه‌ای شامل چارچوب، لایه‌ها و فرآیندهای تحلیلی پرداخته می‌شود و در بخش دوم کتاب که حجم بیشتری را در مقایسه با دو بخش دیگر تشکیل می‌دهد؛ روش های پیشرفته تحلیل شرح داده می‌شوند. نهایتا برای تکمیل مفاهیم بخش‌های اول و دوم، مطالعه موردی در بخش سوم ارائه می‌شود.

📌برای خواندن ادامه مطلب و دریافت کتاب به لینک زیر مراجعه فرمایید:


🔗 https://bit.ly/3n5e8Xx


#معرفی_کتاب
#عظیم‌_داده
#علی_محمدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌 معرفی مقالات داغ حوزه عظیم‌داده

Predictive big data analytics for supply chain demand forecasting:
methods,application and research opportunities.


🖋نویسندگان:

Mahya Seyedan and Fereshteh Mafakheri

🔸تولید حجم زیاد داده در فرآیندهای زنجیره تامین و استفاده از تکنیک‌های یادگیری ماشین برای پیش‌بینی رفتار مشتریان، روندها و تقاضا، یکی از کاربردهای عظیم داده می‌باشد که در تحقیقات بسیاری مورد توجه قرار گرفته‌ است.
در این مقاله با مرور نظام‌مند تحقیقات گذشته؛ روش‌ها، کاربردها و فرصت‌های پژوهشی برای استفاده از تحلیل‌های عظیم داده در این زمینه ارائه شده است.

🔹ابتدا منابع داده‌ای تولید شده در زنجیره تامین از منظر میزان حجم، سرعت و تنوع داده مقایسه شده‌اند و سپس پراکندگی استفاده از تکنیک‌های یادگیری ماشین نظیر شبکه‌های عصبی، سری زمانی، درخت تصمیم‌گیری، رگرسیون و کاربرد هر یک در زمینه زنجیره تامین و پیش‌بینی تقاضا مورد بررسی قرار گرفتند.

🔻خلاصه و دريافت مقاله:

🔗 https://bit.ly/2IJUHFq


#معرفی_مقاله
#تحلیل_عظیم_داده
#زنجیره_تامین
#علی_محمدی



www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📚 معرفی کتاب
“Big Data Analytics in Healthcare"

✍️ نویسندگان: Kulkarni, Siarry, Kumar Singh,Mengjie Zhang

✍️ سال انتشار: 2020

✍️انتشارات: Springer

📌با توجه به رشد حجم داده‌های تولید شده در صنعت سلامت و کاربرد داده‌های غیرساختار یافته؛ تحلیل عظیم‌داده در بخش سلامت، اطلاعات سودمندی را جهت تصمیم‌گیری‌های مبتنی بر داده فراهم می‌آورد. کتاب تحلیل عظیم داده در سلامت در نه فصل و دو بخش اصلی و با رویکردی کاملا کاربردی، توسط جمعی از متخصصان این حوزه نگارش شده است. بخش اول این کتاب؛ به فرصت‌ها، چالش‌ها، ابزارها و پلتفرم‌های عظیم‌داده‌ در‌ بخش سلامت می‌پردازد و بخش دوم کتاب مباحث مربوط به مدلسازی‌های داده محور و الگوریتم‌های پرکاربرد تحلیل داده در سیستم‌های سلامت را تشریح می‌نماید.

📌برای خواندن ادامه مطلب و دریافت کتاب به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/3qfzpzy


#معرفی_کتاب
#تحلیل_عظیم_داده
#سیستم_های_سلامت
#علی_محمدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش پنجم: مدل‌های پیش‌بینی برای داده‌های غیر ساختار یافته

🔸 یکی از بخش‌های تحلیلی عظیم داده که در لایه‌ی بالاتری نسبت به تحلیل‌های توصیفی قرار دارد؛ به کارگیری مدل‌های پیش بینی می‌باشد. در فصل پنجم کتاب “تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها” ؛ کاربرد انواع مدل‌های پیش‌بینی در تحلیل عظیم داده برای داده‌های غیر ساختار یافته شامل پردازش زبان طبیعی، بینایی ماشین، بازیابی اطلاعات و تشخیص صدا مورد بررسی قرار می‌گیرند.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/3rzRgSB

#کتاب_بخوانیم
#فصل_پنجم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش هفتم: وب کاوی معنایی و تحلیل عظیم‌داده

🔸 تولید داده توسط کاربران در فضای تعاملی صفحات وب و رسانه‌های اجتماعی مختلف یکی از منابع داده‌ای غنی در تحلیل عظیم‌داده محسوب می‌شود که در بخش هفتم کتاب "تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها" به آن پرداخته شده است.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://bit.ly/3e6iATp

#کتاب_بخوانیم
#فصل_هفتم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍📚معرفی کتاب
“Guide to big data applications"

✍️ گردآورنده: S. Srinivasan

✍️ سال انتشار: 2018

✍️انتشارات: Springer

📌این کتاب بر اساس نظر و تجربیات افراد متخصص که در زمینه‌های کاری مختلف از تحلیل عظیم داده بهره می‌برند؛ گردآوری شده است. تمامی کاربردهای تحلیل عظیم داده در چهار بخش اصلی شامل کاربردهای عمومی عظیم داده، کاربرد در علوم، حوزه‌های تخصصی پزشکی و نهایتا کسب و کار همراه با ارائه مطالعه موردی‌های مختلف ارائه شده است.

📌برای خواندن ادامه مطلب و دریافت کتاب به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/s41745

#معرفی_کتاب
#تحلیل_عظیم_داده
#کاربرد_عظیم_داده
#علی_محمدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش دهم: تکنیک‌های تحلیل‌ عظیم داده در بازارهای مالی

🔸 تولید حجم بالای داده به صورت برخط و تاثیرگذاری عوامل بیرونی چون اخبار و شبکه‌های اجتماعی در بازارهای مالی؛ دو انگیزه اصلی برای بررسی کاربردهای الگوریتم‌های تحلیل عظیم داده در این نوع بازارها می‌باشند که در بخش دهم کتاب مورد بررسی قرار گرفته‌اند. این کاربردها شامل مدل‌های یادگیری ماشین، تحلیل متون، الگوریتم‌های تریدینگ داده محور و تکنیک‌های شبیه سازی می‌باشند.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/d58898

#کتاب_بخوانیم
#فصل_دهم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش سیزدهم: تحلیل عظیم داده در بیوانفورماتیک

🔸 به‌کارگیری مناسب تکنیک‌های تحلیل عظیم داده در زمینه بیولوژی و پزشکی با توجه به پیچیدگی و ساختار این داده‌ها؛ در تحلیل‌های مختلف خرد و سیستمی ساختار بدن انسان خروجی‌های ارزشمندی را در حوزه بیوانفورماتیک به ارمغان می‌آورد.
استفاده از این نتایج در کنار نظر خبرگان این حوزه باعث خواهد شد تا ضمن شناخت و درک مکانیزم و نحوه تعامل بخش‌های مختلف بتوان راه‌حل‌های درمانی و بهبودی برای بیماری‌ها ارائه داد.
در این بخش به کاربرد‌های تحلیل عظیم داده‌ها در بیوانفورماتیک پرداخته شده است.

🔹بیوانفورماتیک یک علم میان رشته ای است که راه حل‌های زندگی در زمینه بیولوژی و سلامت با به کارگیری ابزارهای بسیاری در حوزه های مختلفی همچون علوم کامپیوتر، آمار، ذخیره سازی و بازیابی و پردازش اطلاعات ارائه می‌دهد. به عبارتی دیگر بیوانفورماتیک به کاربرد فناوری اطلاعات در سیستم‌های بیولوژیکی اشاره دارد.
خروجی این علم در پزشکی، سلامت، ژنتیک و کشاورزی نیز می تواند مورد استفاده قرار گیرد.
مراحل مختلف عمل بیوانفورماتیک معمولاً شامل موارد زیر می باشد:
1. جمع آوری داده های بیولوژیکی.
2. ساخت یک مدل محاسباتی.
3. حل یک الگوی مدل سازی محاسباتی.
4. تست و ارزیابی الگوریتم های محاسباتی.

🔸حجم داده‌های تولید شده در بیوانفرماتیک در پنج ساله اخیر رشد چشم گیری داشته است که همین امر داده‌های ورودی اولیه موردنیاز برای تحلیل‌های پیشرفته در این علم را فراهم آورده است. داده‌های توزیع شده در منابع مختلفی داده‌ای یکی از ویژگی‌های عظیم داده در زمینه بیوانفورماتیک می‌باشد. یکی از چالش‌های اصلی در تحلیل داده‌های مربوط به بیوانفورماتیک تاثیر متغیرهای جمعیت شناختی و جغرافیایی و همچنین ناهمگون بودن داده‌ها می‌باشد. تولید داده‌های مربوط به بیوانفورماتیک به دلیل اینکه توسط سازمان‌های مختلفی انجام می‌شود و هیچ سازمان یکپارچه و واحدی برای آن تعریف نشده است هیچ گونه استاندارد و فرمت خاصی ندارد که به نوبه‌ی خود به عنوان چالشی دیگر محسوب می‌شود.

🔹تحلیل‌های داده‌ای مختلفی در حوزه بیوانفورماتیک ایجاد شده است که با به کارگیری ابزارهای تحلیلی می‌توانند اطلاعات بسیار مفیدی را استخراج نمایند.

تحلیل توالی:
یکی از نکات مهم در مطالعات مولکولی و پروتئینی تاثیر ویژگی‌های مختلف در توالی و شکلگیری می‌باشد. از آنجایی که کوچکترین تغییری در مشخصات و ویژگی‌ها در توالی ژنوم‌ها اثرگذار خواهد بود این مدل تحلیل‌ها می‌توانند اطلاعات ارزشمندی را ارائه دهند. پایگاه‌های داده‌ای توالی مختلفی که شامل اطلاعات پروتیئن‌ها، ژنوم‌ها می‌باشند منابع داده‌ای مهمی در این جنس تحلیل محسوب می‌شوند.
تحلیل فیلوژنتیک:
در این تحلیل هدف بررسی ارتباط بین تکامل‌های مختلفی می‌باشد که در مولکول‌ها و مکانیزم کارکردی آنها اتفاق می‌افتد. تحلیل‌های پیشرفته داده‌ای در این زمینه می‌تواند تکامل‌های آتی را نیز پیش بینی کند.
تحلیل خرد داده:
در این جنس از داده‌های مربوط به جزییات تغییر مولکولی ژن‌ها در مراحل مختلف یک بیماری تجزیه و تحلیل می‌شوند تا ضمن شناخت چگونگی مکانیزم یک بیماری بتوان به راه حل‌های موثر درمان و بهبود آن پرداخت.
تحلیل تعامل مولکولی:
یکی از موضوعات مهم در بیولوژی ارتباط و نحوه تعامل مولکولی می‌باشد چرا که هر گونه خللی در این تعامل می‌تواند منجر به یک نتیجه معنادار باشد. تحلیل تعامل مولکولی مبتنی بر داده می‌تواند در کشف و تولید داروهای درمانی با تغییر مکانیزم این تعامل منجر شود که جز دستاوردهای مهم در علم پزشکی نیز محسوب می‌شود.
تحلیل سیستم بیولوژی:
نگاه تحلیل داده در این بخش بر خلاف موارد پیشین به صورت کلان‌تر و متمرکز به عملکرد کلی اجزا در کنار هم می‌باشد.
🔸ابزارهای یادگیری ماشین و تحلیل عظیم داده که در حوزه‌های دیگر به کار گرفته می‌شوند در تحلیل‌های بیورانفورماتیک نیز بدون تغییر قابل پیاده سازی می‌باشند. این ابزارها و تکنیک‌ها همانند هر حوزه ی دیگری که بسته به ماهیت مساله و دیتاست سفارشی می‌شوند نیاز است که در این حوزه نیز بر اساس معیارهای ارزیابی با یکدیگر مقایسه شوند. در پلتفرم‌های متداول تحلیل عظیم داده ابزارهای مجزایی به طور خاص برای تحلیل توالی داده‌ها وجود دارد اما نکته قابل توجه استفاده از خروجی‌های این ابزارها و تکنیک‌ها در کنار نظرات متخصصان حوزه بیولوژی می‌باشد.


#کتاب_بخوانیم
#فصل_سیزدهم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش چهاردهم: تحلیل عظیم داده و سیستم‌های توصیه گر

🔸یکی دیگر از کاربردهای تحلیل عظیم داده طراحی سیستم‌های توصیه گر با هدف تسهیل فرآیند انتخاب کاربران و ارائه پیشنهادات مرتبط می‌باشد. رویکردهای مختلفی در طراحی این سیستم‌ها بر پایه‌ی الگوریتم‌های یادگیری ماشین وجود دارد که هر کدام با توجه به نوع داده‌ها می‌توانند به صورتی مجزا و یا ترکیبی به کار گرفته شوند. در این بخش ضمن تعاریف اولیه در حوزه سیستم‌های توصیه‌گر به بررسی رویکردهای مختلف طراحی این سیستم‌ها پرداخته شده است.


✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/z23705

#کتاب_بخوانیم
#فصل_چهاردم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش شانزدهم: حریم شخصی در عظیم داده‌

🔸اگر چه اطلاعات کاربران در عصر دیجیتال یکی از منابع داده‌ای ارزشمند برای هر سازمانی محسوب می‌شود؛ اما تدوین سیاست‌هایی جهت حفظ حریم شخصی افراد، یکی از چالش‌های مهم عظیم داده می‌باشد. پیاده‌سازی این سیاست‌ها از طریق ایجاد ساز و کار حکمرانی داده امکان پذیر می‌باشد که در این فصل به توضیح اجمالی و بررسی اهم نکات پرداخته شده است.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/m34254

#کتاب_بخوانیم
#فصل_شانزدهم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

"تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها"
"Big Data Analytics: Systems, Algorithms, Applications"


📌 بخش هفدهم: روندهای تحقیقاتی آتی تحلیل عظیم داده

🔸فصل آخر کتاب "تحلیل عظیم‌داده، سیستم‌ها، الگوریتم‌ها و کاربردها" به مروری مختصر بر روندهای تحقیقات آتی در حوزه عظیم داده بر اساس مقالات منتشر شده در سال‌های اخیر می‌پردازد. داده کاوی، تجزیه و تحلیل پویای جریان داده و شبکه، خوشه بندی تکاملی و رخداد کاوی از جمله موضوعات مورد توجه در پژوهش‌های عظیم داده معرفی شده‌اند که مورد توجه پژوهشگران قرار گرفته‌اند.

✅ برای خواندن این مطلب می‌توانید به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/m31567

#کتاب_بخوانیم
#فصل_هفدهم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🔹محدوده، چشم انداز و مدل بلوغ سازمان داده محور
اگر قرار است سازمانی به سمت داده محور شدن حرکت کند، چه اقدامات و مواردی در این محدوده باید در نظر گرفته شوند و چه مواردی مستثنی شوند؟
کدام ارزش‌های کسب و کاری باید در این راستا مورد هدف‌گذاری قرار گیرند و و ارزش حاصل از یک سازمان داده محور چگونه ارزیابی می‌شود؟
❓علاوه بر این، چه زمانی می‌توان ادعا کرد که یک سازمان به داده محور بودن در تصمیمات رسیده است و چگونه می‌توان سطح بلوغ آن را ارزیابی کرد؟
از نظر فنی محدوده حرکت به سمت سازمان داده محور شامل طراحی؛ توسعه و استقرار زنجیره کامل داده از داده به سمت بینش و نهایتا از بینش به سمت تصمیم می‌باشد. بسته به بلوغ سازمانی، قابلیت داده‌های بزرگ می‌تواند تفاوت قابل توجهی چه از منظر پایین به بالا و چه از منظر نگاه بالا به پایین ایجاد کند. در این مدل، بلوغ داده‌های عظیم یک سازمان بر اساس گستردگی سازمان و فرآیندهای آن در چهار مرحله تعریف می‌شود:

1️⃣ مرحله اول: مدیریت ارزیابی: وجود داشبوردهای استاندارد برای پایش و ارزیابی عملکرد مبتنی بر شاخص‌های کلیدی عملکرد.
2️⃣ مرحله دوم: برتری عملیاتی در داده: استفاده از داده در پیشبرد فرآیندها و عملکرد یک بخش که می‌تواند شامل مواردی همچون قیمت گذاری هوشمند، کشف تقلب و مواردی از این دست باشد.
3️⃣ مرحله سوم: ارتقا در ارزش پیشنهادی: در این مرحله داده منحر به ارائه ارزشی به مشتری می‌شود که از شخصی‌سازی کردن و ارتقا بهبود تجربه مشتری تا تبلیغات هدفمند پیش می رود.
4️⃣ مرحله چهارم: تحول در مدل کسب و کار: در این لایه داده، منجر به تحول در مدل کسب و کار از ایجاد مدل جدید جریان در آمدی و بازمهندسی فرآیندهای کسب و کار پیش می‌رود.



#کتاب_بخوانیم
#فصل_اول
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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

✳️ بخش سوم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ارزش تحلیل عظیم داده برای مفاهیم شناخته شده و ناشناخته در سازمان می‌پردازد. برای بررسی این موضوع از مفهوم پنجره جوهری که یکی از الگوهای بسیار جالب و مورد توجه در تصویر کردن سطوح آگاهی در رفتار انسانی می‌باشد؛ استفاده می‌شود. سازمان‌هایی که به دنبال استفاده از عظیم داده برای تحلیل فرآیندهای کسب و کار و مشتریان می‌باشند با به کارگیری این مفهوم در دو بعد مشتریان و سایر ذینفعان می‌توانند استفاده بهتری از تحلیل داده‌ها داشته باشند.

🔹به طور مثال اگر دانسته‌های انسان را به دو دسته شناخته شده و ناشناخته تقسیم کنیم و همچین علم به اینکه آن موضوع را می دانیم یا خیر می‌توانیم یک ماتریس دو بعدی از این تلاقی تشکیل دهیم که شامل چهار گروه است:
1️⃣ گروه اول: نسبت به آنچه که می دانیم آگاه نیستیم.
2️⃣ گروه دوم: نسبت به آنچه نمی دانیم آگاه نیسیتم.
3️⃣ گروه سوم:نسبت به آنچه می دانیم آگاه هستیم.
4️⃣ گروه چهارم: نسبت به آنچه نمی دانیم آگاه هستیم.
تحلیل عظیم داده به نحوی می تواند در شناسایی هر یک از این چهار گروه به سازمان کمک کند.

🔸هر سازمان وابسته به اینکه چه تصمیمی در حال حاضر می‌گیرد و یا در آینده قصد دارد به آن سمت و سو برود و همچنین دسترسی و عدم دسترسی به داده می‌تواند کاربردهای عظیم داده را در چهار گروه قرار دهد که در صورت وجود داده شامل تحلیل عظیم داده برای شناسایی الگوها، تحلیل روندها و تحلیل آماری برای تصمیماتی است که در حال حاضر در دستور کار قرار ندارد. این کاربردها همچنین شامل تمرکز بر روی 10 درصد از تصمیماتی که 90 درصد تاثیر و نتایج را به دنبال دارند، مکانیزه کردن تمامی تصمیماتی که مبتنی بر قوانین می‌باشند و تصمیمات تجویزی در نقاط حیاتی برای تصمیمات کنونی که سازمان اتخاذ می‌کند، می‌باشد.


🔹همانطور که پیشتر ذکر شد یکی از الگوهای بسیار جالب و مورد توجه در تصویر کردن سطوح آگاهی در رفتار انسانی پنجره ی جوهری است. این مدل پیوند فرد با اشخاص دیگر را در چهار خانه نشان می‌دهد که این چهار خانه هریک خانه‌ای از یک پنجره ی بزرگ است. هر خانه نشان دهنده ی آگاهی - به‌وسیله ی خود فرد یا به‌وسیله ی دیگران - از رفتار، احساسات و انگیزه‌های خود است.همین مفهوم را در مورد تحلیل عظیم داده در یک سازمان در دو بعد مشتریان و سایر ذینفعان شامل کارکنان، سرمایه‌گذاران و جامعه در نظر گرفت.
از آنجاییکه سازمان‌ها در محیط ایستا عمل نمی‌کنند. همه چیز از مشتری الزامات مربوط به رقابت، مقررات دولتی و الزامات انطباق همه در طبیعت پویا هستند و می‌توانند به طور قابل توجهی یک شبه تغییر کنند. پاسخ به این سوال که چگونه یک سازمان اولویت‌های تحلیلی داده خود را به دست آورد جواب مشخصی ندارد و کاملا وابسته به سطح بلوغ سازمان در داده می‌باشد. همانطور که سازمان‌ها بالغ می‌شوند، تمایل دارند مناطق شناخته شده را پنجره جوهری چه از منظر مشتریان و سایر ذینفعان گشترس دهند. تا بدین ترتیب بتوانند؛ فرآیند محورتر شوند و داده‌های مرتبط ساختار یافته تری را کسب کنند و مهم‌تر از آن، تصمیم گیری ساختارمندتری دارند.

✅ پنجره جوهری از نگاه مشتریان:
هر سازمان که به دنبال تحلیل داده محور کسب و کار می‌باشد باید پنجره جوهری را از دیدگاه مشتری در نظر بگیرد. در میان خانه‌های این پنجره از دیدگاه مشتری، ناحیه کور نشان دهنده درک مشتریان از ارزش محصولات و خدمات سازمان‌ها در مقابل سازمان‌های رقیب می‌باشد. این نشان دهنده فرصتی برای کشف ویژگی‌های پنهان تأثیرگذار در رفتار مشتریان از طریق به کارگیری تحلیل داده‌های رفتاری مشتریان می‌باشد. به طور مشابه، منطقه ناشناخته، دلایل رفتارهای کاملا پنهان مشتری می‌باشد که نه مشتریان و نه سازمان نسبت به آن آگاه نمی‌باشند. از نظر فنی و تحلیلی، این منطقه ممکن است فرصت‌هایی برای پیشرفت‌های بزرگ از طریق تجزیه و تحلیل عظیم داده‌ها داشته باشد.
✅ پنجره جوهری از نگاه کارمندان:
پنجره جوهری از نگاه کارمندان می‌تواند برای سایر ذینفعان همچون سرمایه گذاران، جامعه و دولت نیز در نظر گرفته شود. مشارکت و حفظ کارکنان یکی از موضوعات کلیدی برای سازمان‌های پیشرو می‌باشد که در راس توجه به کیفیت زندگی افراد قرار دارد و از طریق این تحلیل این پنجره می‌توان کمک های شایانی را در این زمینه به سازمان کرد. به عنوان مثال چرا یک محصول یا جغرافیای سازمان از منظر شاخص‌های سنجش رضایت کارکنان بهتر از بقیه است؟




#کتاب_بخوانیم
#فصل_سوم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🔸 اولویت‌بندی تصمیم گیری‌ها

بعد از مشخص شدن تصمیمات کلیدی برای یک سازمان نیاز است تا یک روش‌شناسی هدفمند برای امتیازدهی و اولویت‌بندی تصمیمات بر اساس تأثیر آنها بر نتایج تجاری ارائه شود. نویسنده کتاب مدعی است که در طی تحقیقات، با کمبود روش‌های اثبات‌شده برای اولویت‌بندی تصمیمات مواجه شد. بر همین اساس به اصل معروف آیزنهاور ارجاع می‌دهد که بر اساس ضرورت و اهمیت وظایف اولویت‌بندی می‌شود. این اصل، که به وسیله جعبه آیزنهاور نمایش داده می‌شود، به عنوان ابزاری مفید برای افزایش بهره‌وری شخصی عمل می‌کند. با این حال، برای اولویت‌بندی تصمیمات در سازمان به‌طور کلی، باید ارزیابی جامعی از تصمیمات به علاوه تأثیر آنها بر نتایج تجاری صورت بگیرد. به رغم تحقیقات گسترده، نویسنده فقط تعداد محدودی مقاله را پیدا کرد که بر اهمیت دسته‌بندی و اولویت‌بندی تصمیمات تأکید داشتند. این شامل مقالاتی است که تصمیمات استراتژیک را متمایز از تصمیمات روزمره شناسایی کرده و تصمیمات را بر اساس تعهد و دامنه شرکت ارزیابی می‌کنند. یکی دیگر از مدل هایی که در این فصل به آن اشاره شده است مدل باین می باشد. این مدل در درجه اول بر ارزش در خطر و توجه مدیریت مورد نیاز به عنوان عواملی برای اولویت‌بندی تصمیم‌ها تمرکز می‌کند.
یکی از چالش‌های اصلی در اولویت بندی تصمیمات این می باشد که کمی کردن توجه مدیریت چالش برانگیز است، زیرا می‌تواند در بین افراد و سطوح تصمیم گیری متفاوت باشد. علاوه بر این، تصمیماتی که نیاز به توجه نقش‌های مختلف مدیریتی دارند یا شامل تصمیم‌گیری جمعی هستند، نباید دارای وزن یکسانی باشند. تصمیمات مبتنی بر قانون تنها در صورتی می‌توانند خودکار شوند که داده‌های لازم جمع‌آوری شده باشد و زیرساخت اتوماسیون وجود داشته باشد. بدون پشتیبان داده‌ها، همه تصمیمات به صلاحدید مدیریتی نیاز دارند.




#کتاب_بخوانیم
#فصل_پنجم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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


🔹در فصل هفتم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" مختصر تاریخچه ای از داده و چگونگی رشد آن در یک سازمان ارائه می‌شود.

رشد اصلی داده‌ها در یک سازمان را می‌توان نتیجه رشد در پایگاه داده سازمان که در ابتدا در دپارتمان‌های مختلف توزیع شده بودند، دانست. بر اساس کارکردهای مختلف هر یک از بخش‌های سازمان و فرآیندهای از پیش تعریف شده و همچنین نیاز به ثبت و استفاده مجدد از داده‌ها، اهمیت وجود پایگاه داده های منسجم در یک سازمان پر رنگ تر شد. شکل‌گیری پایگاه داده‌ها در یک دسته‌بندی کلی می‌توان در شش طبقه قرار داد:

1. سیستم‌های مبتنی بر فلت فایل

2. سیستم‌های سلسله مراتبی

3. پایگاه داده‌های رابطه‌ای

4. پایگاه داده‌های مبتنی بر تراکنش برخط

5. پایگاه داده‌های مبتنی بر XML

6. پایگاه داده‌های غیر رابطه‌ای

در کنار رشد پایگاه داده ،ظهور و رشد سیستم‌های یکپارچه برنامه‌ریزی منابع سازمانی نیز تاثیر زیادی در رشد داده‌ها در یک سازمان داشتند. به دلیل یکپارچگی فرآیندهای دپارتمان‌های مختلف در پشت این سیستم، داده‌های بیشتری تولید شده و تحلیل این داده از منظر فرآیندی کمک شایانی به یک سازمان می‌کند. این یکپارچگی در سطح برنامه‌ها و فرآیندها در نقاط زیادی داده تولید خواهند کرد که در مقایسه با حالت سنتی برنامه‌های یک سازمان که به صورت جزیره‌ای شکل گرفتند منجر به تولید داده بیشتری خواهند شد.
علاوه بر این دو روند، رشد و توسعه اینترنت به عنوان یکی دیگر از عوامل مهم در رشد داده‌ها محسوب می‌شود. این رشد هم در بحث سرعت و حجم داده‌ها و همچنین در بحث داده‌های غیر ساختار یافته که از ویژگی‌های عظیم داده می‌باشند خود را نشان داده‌ است.
همچنین نیاز به ذکر است که رشد داده‌ها منجر به ایجاد وظایفی همچون حاکمیت و مدیریت داده در یک سازمان شده است که تا پیش از این وجود نداشتند. علاوه بر این، آنچه که در عصر کنونی به عنوان داده تلقی می‌شود تنها در مرزهای یک سازمان و درون آن تولید نمی‌شوند، بلکه در بیرون سازمان همچون شبکه‌های اجتماعی نیز وجود دارند که از این منظر تحلیل شبکه‌های اجتماعی در مقیاس عظیم داده به عنوان یکی دیگر از نتایج رشد داده محسوب می‌شوند.

#کتاب_بخوانیم
#فصل_هفتم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 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