📶 داده‌های عظیم: تغییرات سریع می‌آیند؛ رشد یا نابودی

#اینفوگرافی
#عظیم_داده
#Big_Data_Analytics
#هادی_صداقت

@BigData_BusinessAnalytics
www.bdbanalytics.ir

🍃 بهارنامه

ماحصل پانزدهمین فصل از فعالیت‌های گروه تحلیلگری عظیم‌داده و کسب‌وکار، (بهار ١٤٠٠) در پست بعد قابل دریافت می‌باشد.

#فصلنامه_الکترونیک
#بهارنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

فایل پانزدهمین شماره فصلنامه گروه "تحلیلگری عظیم‌داده و کسب‌وکار"

#فصلنامه_الکترونیک
#بهارنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ ‍📚معرفی کتاب
“The Decision Maker’s Handbook To Data Science "

✍️ نویسنده: Stylianos Kampakis

✍️ سال انتشار: 2020

✍️انتشارات: Apress

📌 کتاب راهنمای تصمیم‌گیری برای علم داده: یک راهنما برای مجریان غیرفنی، مدیران و بنیان‌گذاران
📌علم داده با سرعت بالایی در حال گسترش در صنایع مختلف است و شرکت‌هایی که در ابتدا بهترین روش‌ها را اتخاذ کنند، از مزیت قابل توجهی برخوردار می‌شوند. برای بهره‌مندی از مزایای علم و تحلیل داده، تصمیم‌گیرندگان باید درک مطمئنی از علم داده و کاربرد آن در سازمان خود داشته باشند. تازه‌کارها با دیدن این کلمه احساس فلج شدن و ترس می‌کنند اما چیزی که خیلی‌ها متوجه نمی‌شوند این است که علم داده در واقع یک علم کاملا چند رشته‌ای است که برای تحلیل‌گران کسب‌وکار، استراتژیست‌ها و طراحان مفید است.
📌با چاپ دوم کتاب راهنمای تصمیم‌گیری برای علم‌داده، شما یاد خواهید گرفت که چگونه مانند یک دانشمند باسابقه داده فکر کنید و به راه‌حل‌های کاملاً جدید نزدیک شوید. Stylianos Kampakis، نویسنده کتاب، تخصص و ابزار لازم برای توسعه یک استراتژی داده را در اختیار شما قرار می‌دهد. اصول اخلاقی و حقوقی پیرامون جمع‌آوری داده‌ها و سوگیری الگوریتمی برخی از مشکلات متداول است که کامپاکیس به شما کمک می کند تا از آنها جلوگیری کنید. همچنین در این کتاب ابزارهای ارزیابی پروژه و محتوای گسترده برای استخدام و مدیریت دانشمندان داده نیز ارایه شده است. .


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

🔗 https://b2n.ir/s13077

#معرفی_کتاب
#عظیم_داده
#علم_داده
#هادی_صداقت

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📖 کتاب بخوانیم؛

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


📌 بخش نهم: تجزیه و تحلیل ‌عظیم‌داده برای خدمات مالی و بانکی

🔸 در این فصل روش‌های احتمالی کاربرد تحلیلگری عظیم‌داده در بخش خدمات بانکی و مالی مورد بررسی قرار گرفته است.در یک تجارت مالی بسیار رقابتی، شرکت‌هایی داریم که برای جلب مشتریان بالقوه خود با یکدیگر رقابت می‌کنند. این امر خواستار نظارت دقیق آنها بر نظرات و بازخورد مشتری در همه سیستم عامل‌های مختلف جهان با اینترنت که داده‌های بی‌سابقه‌ای را برای ترسیم بینش ارائه می‌دهد، می‌باشد. پدیده عظیم‌داده منجر به گسترش طیف وسیعی از انواع داده قابل پردازش شده است که به بانک‌ها و موسسات مالی امکان هضم، جذب و پاسخ بهتر به تعاملات فیزیکی و دیجیتالی آنها با مشتریان را می‌دهد.

🔹بینش مشتری و تجزیه و تحلیل بازاریابی، تجزیه و تحلیل احساسات برای ادغام بازخورد مشتری، تجزیه و تحلیل پیش‌بینی برای استفاده از بینش مشتری، ایجاد مدل، کشف تقلب و مدیریت ریسک، ادغام تجزیه و تحلیل ‌عظیم‌داده در عملیات، بهترین روشهای تجزیه و تحلیل داده‌ها در بانکداری برای جبران بحران و مدیریت از جمله موارد مورد بررسی در این فصل است.


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

🔗 https://b2n.ir/r41438

#کتاب_بخوانیم
#فصل_نهم
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌📌 معرفی کسب‌وکار داده‌محور: Huma

🖌 بیمارستان دیجیتال

🔸 این شرکت که قبلا با نام تجاری Medopad شناخته می‌شد، یک شرکت فناوری مراقبت‌های بهداشتی در انگلیس است که در لندن مستقر است. این شرکت اپلیکیشن‌هایی را تولید می‌کند که داده‌های پزشکی موجود در پایگاه داده‌های بیمارستان‌ها، داده‌های بدست آمده از دستگاه‌های پوشیدنی توسط بیمار و سایر دستگاه‌ها مانند تلفن همراه بیمار را با یکدیگر یکپارچه می‌کند و این اطلاعات را به شکلی ایمن در اختیار پزشکان قرار می‌دهند.



🔻 برای خواندن ادامه این متن به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/m26560

#کسب‌وکار‌_داده‌محور
#تحلیل_داده
#بیمارستان_دیجیتال
#بهاران_قیاسوند

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

What we talk about when we talk about (big) data

🖋نویسنده:

Matthew Jones

🔸اخیرا بسیاری از مقالات در حوزه عظیم‌داده‌ها در ژورنال Strategic Information Systems بر روی تاثیرات داده‌های عظیم بر روی افراد، سازمان‌ها و جامعه متمرکز است. به طور کلی، صرف نظر از چنین تحلیلی، در نظر گرفتن خود داده‌ها نیز بسیار اهمیت دارد (اینکه چه چیزی باعت این تاثیرات می‌شود).
در این مقاله، یک تحلیل انتقادی از چندین فرضیه گسترده در ارتباط با داده‌ها ارائه شده است. در این مقاله به این مسئله پرداخته می‌شود که داده‌ها جزئی و احتمالی هستند و از طریق روش‌های مستقر در مفهوم سازی، ذخیره شده و مورد استفاده قرار می‌گیرند. عظیم‌داده‌ها نیز به اندازه‌ای که اغلب ارائه می‌شوند، حجیم، جهانی یا جامع نیستند. بنابراین، برخی از مفاهیم اولیه از این تصور، بررسی شده‌اند. میان "داده‌هایی که ذخیره می‌شوند" و "داده‌هایی که در عمل مورد استفاده قرار می‌گیرند" تفاوت وجود دارد. داده‌هایی که مورد استفاده قرار می‌گیرند، غالبا کوچکتر بوده و لزوما نماینده داده‌های ذخیره شده که مستقیما به اثرات داده‌پردازی کمک می‌کنند، نیستند.

🔹خلاصه و دريافت مقاله:

🔗 https://b2n.ir/d24229

#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده


www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📚 معرفی کتاب
“Big Data Systems: A 360-degree Approach "
✍️ نویسنده: Jawwad Ahmed Shamsi, Muhammad Ali Khojaye
✍️ سال انتشار: 2021
✍️انتشارات: CRC Press
📌 کتاب سیستم‌های عظیم داده: یک رویکرد 360 درجه ای
📌 سیستم‌های عظیم داده شامل چالش‌های سنگینی مرتبط با پراکندگی داده، مکانیزم‌های ذخیره سازی و نیازمندی‌های توان محاسباتی می‌شوند. علاوه بر این، قابلیت‌های عظیم داده با توجه به نوع مسائل فرق می‌کند. برای مثال، سیستم‌های توزیع شده مموری برای الگوريتم‌های تکرار شونده مناسب نیستند. به طور مشابه، تفاوت در سیستم‌های عظیم داده با توجه به سازگاری و آستانه تحمل خطا نیز ایجاد می‌شوند.
📌هدف این کتاب، ارائه توضیحات مفصل از سیستم‌های عظیم داده است. کتاب، موضوعات مختلفی شامل شبکه سازی، امنیت، حریم خصوصی، ذخیره سازی، محاسبات، محاسبات ابری، سیستم های NoSQL و NewSQL، محاسبات با عملکرد بالا و یادگیری عمیق را شامل می‌شود. یک رویکرد تصویری و کاربردی برای این منظور به کار گرفته شده است.
📌ویژگی های کلیدی کتاب عبارتند از:
▫️معرفی مفاهیم و تکامل فناوری عظیم داده
▫️ارائه مثال های نمایشی برای فهم موضوع
▫️شامل مثال‌های برنامه‌نویسی برای توسعه عملی
▫️توضیح موضوعات مختلف شامل شبکه سازی، امنیت، حریم خصوصی، ذخیره سازی، محاسبات، محاسبات ابری، سیستم های NoSQL و NewSQL، محاسبات با عملکرد بالا و یادگیری عمیق
▫️ارائه مثال در خصوص فناوری‌های مشهور و استفاده شده عظیم داده مانند هدوپ و اسپارک
▫️شامل بحث در خصوص مطالعات موردی و مسائل باز
▫️ارائه سوالات در پایان هر فصل جهت بهبود یادگیری

📌برای دریافت کتاب به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/a74619

#معرفی_کتاب
#عظیم_داده
#میثم_عسگری

@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

📶 خرده‌فروشی و انقلاب عظیم داده

#اینفوگرافی
#عظیم_داده
#خرده_فروشی
#تحلیل_داده_در_خرده‌فروشی
#Big_Data_Analytics
#هادی_صداقت

@BigData_BusinessAnalytics
www.bdbanalytics.ir

🔵استفاده از هوش مصنوعی برای مبارزه با خبرهای جعلی و اسپم باتها در توییتر

🔸هر روزه تعداد زیادی توییت توسط 330 میلیون کاربر توییتر نوشته می‌شود. مردم سراسر جهان برای سهولت برقراری ارتباط با دوستان خود، پیگیری افراد مشهور مورد علاقه خود و اطلاع از اخبار، علاقه زیادی به استفاده از این شبکه اجتماعی دارند ولی به علت اینکه تعداد زیادی از افرادی که از این شبکه اجتماعی استفاده می‌کنند، ناشناس هستند، اخبار جعلی فراوانی در این شبکه اجتماعی منتشر می‌شود. هوش مصنوعی یکی از راه‌هایی است که توییتر با استفاده از آن از انتشار اخبار جعلی جلوگیری کرده است.

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

🔗 https://b2n.ir/w84470

#نمونه_موردی
#توییتر
#هوش_مصنوعی

📖 کتاب بخوانیم؛

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


📌 بخش یازدهم: تحلیل‌گری عظیم داده در صنعت بیمه

🔸 در این بخش خلاصه‌ای از تحلیل‌گری عظیم داده در صنعت بیمه مطرح شده است که شامل موارد کاربردی همچون اجتناب از ریسک، شخصی‌سازی محصولات، فروش متقابل، کشف تقلب، برنامه‌ریزی برای رخدادهای فاجعه‌آمیز و تحلیل نیازهای مشتری می‌باشد. می‌توان گفت حوزه بیمه در زمره کاربران قدیمی تکنیک‌‌های پردازش‌ داده‌ها شامل اطلاعاتی در خصوص مشتریان، روندهای بازار و رقابت که به طور فراوانی در دسترس سیستم‌های قدیمی موجود بوده است، می‌باشد. علاوه بر داده‌های این سیستم‌ها، حجم زیادی از داده‌های بدون ساختار که از ایمیل‌ها، شبکه‌های اجتماعی، پیام‌ها و بلاگ‌ها یا داده‌های سنسورها می‌آید، در کنار هم قرار داده شده و عظیم داده را در این صنعت شکل می‌دهد. تحلیل این تنوع از داده‌ها می‌تواند ارزش قابل توجهی برای فعالیت‌های بیمه نظیر بازاریابی و پذیره‌نویسی و همچنین کاهش هزینه‌های فعالیت‌های عملیاتی که می‌تواند فرموله کردن بهتر استراتژی و کاهش ریسک در بیمه را به همراه داشته باشد، ایجاد نماید.

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

🔗 https://b2n.ir/x29755

#کتاب_بخوانیم
#فصل_یازدهم
#صنعت_بیمه
#فاطمه_مظفری
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 شناخت عظیم داده و علم داده و تحلیلگری داده
🔹 در این ویدئو با تعاریف و کاربردها و مهارت های مورد نیاز در عظیم داده و علم داده و تحلیلگری داده آشنا می‌شویم.

🔸 همچنین شما می‌توانید این ویدئو را از لینک زیر تماشا نمایید.

🔗 https://b2n.ir/q26942

#ويدئو
#عظیم_داده
#علم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

‍ 📚 معرفی کتاب

“Artificial Intelligence in Practice: How 50 Successful Companies Used Artificial Intelligence to Solve Problems "

✍️ نویسنده: برنارد مار، مت وارد
✍️ سال انتشار: 2019
✍️انتشارات: وایلی

🔳 هوش مصنوعی در عمل: چگونه 50 شرکت موفق برای حل مشکلاتشان از هوش مصنوعی استفاده می‌کنند

🔸 کتاب هوش مصنوعی در عمل به چگونگی استفاده شرکت‌ها از هوش مصنوعی و یادگیری ماشین در حل مشکلات می‌پردازد. این کتاب کاربردهای عملی هوش مصنوعی در مواجه با مشکلات در سراسر دنیا را نشان می‌دهد. توسعه سریع هوش مصنوعی سبب شده است که این فناوری از آزمایشگاه‌های تحقیقاتی و بخش‌های علوم کامپیوتری فراتر رود و به کسب‌وکارها وارد شود. هوش مصنوعی و یادگیری ماشین به عنوان مهمترین روند در کسب‌وکار مدرن معرفی شده است و دامنه وسیعی برای استفاده، از بانک‌ها و علوم اقتصادی تا شبکه اجتماعی و بازاریابی دارد. این فناوری راه‌حل‌های خلاقانه‌ای به کسب‌وکارها در هر اندازه، هر بخش و هر صنعتی ارائه می‌دهد. در این کتاب نمونه‌های موردی فراوانی ارائه می‌شود که نشان می‌دهد چگونه کسب‌وکارها از هوش مصنوعی برای ارتقا عملکرد، ایجاد کارایی، تحلیل عملکرد بازار و مسائل دیگر استفاده می‌کنند.

🔹 برنارد مار، نویسنده کتاب، نشان می‌دهد که چگونه فناوری یادگیری ماشین سبب تغییر کسب‌وکارها شده است. این بررسی دقیق یک نگاه کلی به هر شرکت را فراهم می‌آورد، مشکل خاص آن را توصیف می‌کند و توضیح می‌دهد که چگونه هوش مصنوعی در حل این مشکل به شرکت کمک می‌کند. هر نمونه موردی یک نگاه کلی شامل بعضی جزئیات فنی را فراهم می‌آورد:

1- فهمیدن چگونگی حل مشکل خاص کسب‌وکار به وسیله روش‌های یادگیری ماشین خلاقانه
2- بررسی اینکه چگونه هوش مصنوعی سبب ارتقا عملکرد و افزایش کارایی در موقعیت‌های مختلف می‌شود.
3- توسعه دانش شما در مورد پیشرفت‌های این فناوری
4- بدست آوردن بینش در آینده هوش مصنوعی و نقش افزایشی آن در کسب‌وکار و صنعت


#معرفی_کتاب
#هوش_مصنوعی
#هادی_صداقت

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌دوره MBA یکساله تحلیل‌گری کسب و کار
Master of Business Analytics

‍ ✍️مصاحبه :

🖌 ضرورت تدوین سند ملی «تحلیل‌گری داده» در کشور

✅ یکی از چالش‌های مهم در عرصه کسب و کارها، ظهور نوآوری و فناوری‌های نوین است که به سرعت چشم‌انداز هر کسب و کار را تحت تأثیر قرار داده و آینده آن را با چالش‌های غیرقابل پیش بینی روبرو می‌سازد. در اين میان، «تصمیم‌گیری» و «تصمیم سازی» مولفه‌هایی مهم تلقی می‌شوند که باید متناسب با این تغییر و تحولات، با سرعت و در عین حال با دقت انجام شوند، امری که به نظر می‌رسد دیگر با مکانیسم‌های قدیمی «تصمیم‌گیری» در پیچ و خم بروکراسی‌های پیچیده سازمان‌های امروزی امکان پذیر نیست.

✅ در این مصاحبه با آقای دکتر سعید روحانی، دانشیار دانشکده مدیریت دانشگاه تهران، به گفت‌وگو در خصوص حوزه نوین تحلیل‌گری کسب و کار و تحلیل‌گری مبتنی بر داده و نقش آن در تصمیم‌گیری پرداخته شده است.

برای خواندن متن كامل این مصاحبه به لینک زیر مراجعه فرمایید:

🔗 https://news.ut.ac.ir/fa/news/21593

#مصاحبه
#دکتر_سعید_روحانی
#تحلیل‌گری_داده
#تحلیل‌گری_کسب‌وکار

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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


📌 بخش دوازدهم: تجزیه و تحلیل عظیم‌داده در تبلیغات

🔹 مقدمه
به طور سنتی، تبلیغات چیزی جز برقراری ارتباط با مجموعه ای از مخاطبان هدف نبود. اما با ظهور اینترنت، همه چیز تغییر کرد، به ویژه تبلیغات هدفمند رفتاری. از سال 2000، اینترنت اصلی‌ترین کانال تبلیغاتی و بازاریابی برای همه مشاغل در همه بخش‌ها شد. اما حتی در آن صورت، نرخ کلیک (CTRs, the click through rates) پس از مدتی افزایش می یابد. CRT ها در سال 2013 و خیلی بعدتر 62 درصد افزایش یافت. امروزه مارک‌ها به حجم عظیمی از داده‌ها در قالب بررسی، توییت، فالوور، کلیک، لایک و غیره دسترسی دارند که پتانسیل بسیار خوبی را در اختیار قرار می‌دهند. بنابراین، وقتی این نوع داده‌های بدون ساختار با داده‌های سطح کلان آژانس‌های تبلیغاتی ترکیب شود، می‌تواند یک فرصت ارتباطی ارزشمند باشد. شرکت‌ها می‌توانند ببینند چگونه می‌توانند داده‌ها را برای کسب بینش و پیش‌بینی رفتار مصرف کننده تجزیه و تحلیل کنند و همچنین به این نتیجه برسند که چگونه می‌توانند منابع داده‌های متفاوت و بدون ساختار جدید را با داده‌های موجود خود هماهنگ کرده و تصمیمات عملی بگیرند. با پیشرفت‌های اخیر در محاسبات تلفن همراه و شبکه‌های بی‌سیم، تبلیغات تلفن همراه به دلیل بستر موثری که دستگاه‌های تلفن همراه می‌توانند ارائه دهند، رواج یافته است. بنابراین، تجزیه و تحلیل عظیم‌داده مبتنی بر تلفن همراه فرصت‌های جدیدی را برای ورود به تبلیغات فراهم می‌کند. در حال حاضر، رویکردهای درگیر در فرایندهای تبلیغاتی از فناوری هدف‌گیری رفتار (BT, behavior targeting) برای ارائه خدمات ثابت استفاده می‌کنند. این سناریو در مقایسه با انتظارات و الزامات سریع و واقعی در سناریوی آینده تجزیه و تحلیل عظیم داده منسوخ و بسیار ضعیف است. نیاز به یک ساعت برای توسعه یک سرویس جدید در تبلیغات بر اساس تکنیک‌های تجزیه و تحلیل عظیم داده است. هدف از چنین ابتکاراتی ارائه خدمات بی واسطه و ثابت بر اساس تقاضا برای تبلیغ کنندگان و ناشران در مورد زمان، چه، چگونه، برای تبلیغ الگوها، شناسایی الگوهای رفتاری مشتری است که توسط داده‌ها جمع آوری شده است.
🔸 تجزیه و تحلیل عظیم داده چه نقشی می‌تواند در تبلیغات داشته باشد؟
کمپین‌های شخصی‌سازی شده هدفمند می‌توانند برای صرفه‌جویی در هزینه و افزایش کارآیی با هدف قرار دادن افراد مناسب با محصول مناسب با جمع آوری داده‌ها و یادگیری رفتار کاربران ایجاد شوند. رد پای دیجیتالی یک مشتری در عصر امروز بازاریابی و تبلیغات شخصی بسیار ارزشمند است. با هر جستجوی گوگل، هر پست فیس‌بوک یا توییتر، همه اقدامات آنلاین، رسانه‌های اجتماعی مصرف کننده و دنیای دیجیتالی، اطلاعات بسیار ارزشمندی در دسترس است که با تبلیغات محصولات مختلف تأیید می‌شود، به طوری که ممکن است مشتری مایل یا علاقه مند به خرید باشد. اطلاعات مربوط به جوامع آنلاین زنده را می‌توان پس از درک مناسب الگوهای رفتار کاربران مورد هدف قرار داد. با جزئیات چنین رفتاری می‌توان انگیزه‌های مشتری را بهتر درک کرد. آژانس‌های تبلیغاتی می‌توانند اطلاعات را بدست آورند و از این طریق منافع مشتری را دقیقا اندازه گیری کنند و با تجزیه و تحلیل سطح زیرگروه‌ها، می‌توانند برداشت‌های مشتریان را در مورد آخرین روندها یا محصولات خاص پیگیری و اندازه گیری کنند.
🔹 بات‌ها
ما قبلاً می‌دانیم که حدود یک چهارم همه تبلیغات فقط برای ربات‌ها نمایش داده می‌شود، نه به انسان‌ها. بنابراین، تقلب در تبلیغات را می‌توان در مواردی مشاهده کرد که انسان در معرض تبلیغات قرار نگرفته است.
🔸 تجزیه و تحلیل پیش بینی در تبلیغات
با استفاده از تکنیک‌های تجزیه و تحلیل پیش بینی کننده برای مشکلات عظیم داده می‌توان بر تقلب بزرگ تبلیغاتی غلبه کرد. تکنیک‌های تجزیه و تحلیل عظیم داده این امکان را فراهم می‌کند که انواع مشتریان مورد نظر را به طور دقیق مشخص کنیم، بنابراین مکانیسم‌های موثر، کارآمد و کم هزینه را برای دستیابی و تأثیر بر اهداف خاص امکان پذیر می‌سازد. Optimove پلتفرمی برای اتوماسیون بازاریابی است که از تجزیه و تحلیل پیش‌بینی برای اولویت‌بندی مشتریان فعلی به جای جذب مشتریان جدید با سرمایه‌گذاری اضافی استفاده می‌کند.
🔹 عظیم داده برای ایده های بزرگ
ایده‌های جدید و بزرگ را می‌توان با همکاری با شرکت‌های عظیم داده، با سرعتی سریع‌تر از روش‌های معمول کار با ایده‌ها و طرح‌های مختلف در بخش‌های مختلف، توسط تبلیغ کنندگان تصور و ارائه کرد. امروزه آگهی دهندگان می‌توانند ایده‌ها و کمپین‌های جدید را بسیار سریع ارائه دهند و از فناوری‌های عظیم داده استفاده کنند.

🔸نوآوری در عظیم داده - Netflix
نتفلیکس بر اساس آنچه مشتریان قبلاً مشاهده کرده اند با جمع آوری داده‌ها در برنامه‌های تلویزیونی مشاهده شده، زمان صرف شده در هر نمایش، ترجیحات بازیگران و غیره تبلیغات تلویزیونی را انجام می‌دهد. با همه این موارد، نتفلیکس می‌تواند ارزش مشتری را برای تبلیغ کنندگان محاسبه کند.
🔹 چشم انداز آینده
به دلیل این که بسیاری از مشاغل دارای داده‌های زیادی از مشتریان خود هستند اما زیرساخت‌ها یا توانایی درک آنها را ندارند، نیاز به زیرساخت‌ها و تجزیه و تحلیل فناوری بهتر و جدید همچنان افزایش می‌یابد. بنابراین، با استفاده از قدرت تجزیه و تحلیل داده‌ها، تبلیغ کنندگان می‌توانند روندهای نوظهور را شناسایی کرده و گزینه‌های تبلیغات زنده را در زمان واقعی ارائه دهند: تجزیه و تحلیل پیش‌بینی شده مبتنی بر فناوری عظیم داده می‌تواند به مخاطبین مناسب در زمان مناسب، هدف همه تبلیغات، کمک کند. این فرصتی را برای شرکت‌ها فراهم می‌کند تا داده‌های خود را استخراج کنند تا هم سطح پایینی و هم خدمات مشتری را بهبود بخشند، به جای اینکه کورکورانه روی معدن طلای داده‌های مشتریان بنشینند.
🔸 نتیجه گیری
در این فصل، نقش احتمالی تجزیه و تحلیل عظیم داده در تبلیغات تجزیه و تحلیل شده است. نقش تجزیه و تحلیل پیش‌بینی در تبلیغات با مثال Netflix ارائه شده است. در نهایت چشم انداز آینده برای نقش تجزیه و تحلیل عظیم داده در تبلیغات ارائه شده است.


#کتاب_بخوانیم
#فصل_دوازدهم
#تبلیغات
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌📌 معرفی کسب‌وکار داده‌محور

🖌Narrative Science

🔸شرکت Narrative Science یک شرکت فناوری مستقر در شیکاگو، ایلینوی است که در داستان سرایی داده تخصص دارد. این شرکت دو محصول داستان سرایی داده به نام‌های Quill و Lexio دارد که هدف آن کمک به کسب‌وکارها در درک داده‌های خود و داستان پشت آنها است.
🔹شرکت Narrative Science در سال 2010 در ایوانستون، ایلینوی، پس از یک پروژه دانشجویی در آزمایشگاه اطلاعات هوشمند در دانشگاه نورث وسترن، آغاز به کار کرد. اولین نسخه از محصول شرکت با نام پروژه StatsMonkey و در آزمایشگاه توسط کریس هاموند، لری برنبام، نیک آلن و جان تمپلون توسعه یافت. StatsMonkey برای ایجاد اختلال در صنعت روزنامه‌نگاری با اجازه دادن به داستان‌ سرایی مبتنی بر داده‌ها، به‌ویژه داستان‌های مریوط به ورزش بیسبال، به‌ صورت خودکار توسط StatsMonkey ایجاد شد. این داستان‌های بیسبال شامل خلاصه‌هایی بر اساس داده‌های بازی مانند بازیکنان، احتمال برد و امتیاز بازی نوشته میشد. Narrative Science مجوز StatsMonkey و مالکیت معنوی مرتبط با آن را از Northwestern صادر کرد و عملیات تجاری خود را در اوایل سال 2010 آغاز کرد. پس از آن که شرکت تصمیم به تغییر جهت گرفت، آنها بر این تمرکز کردند که چگونه می‌توان از همان فناوری در دنیای تجارت استفاده کرد. این منجر به توسعه یک پلت فرم تولید زبان طبیعی به نام Quill شد که داده های ساختاریافته را تجزیه و تحلیل می‌کند و به طور خودکار روایت‌های هوشمندی را برای کاربران تجاری که به داده‌ها مسلط نیستند تولید می‌کند. آنها پی بردند که بسیاری از شرکت‌ها برای گزارش دهی به داشبوردهای هوش تجاری روی می‌آورند. از این رو این شرکت، افزونه‌های داستان سرایی داده را برای بسیاری از پلتفرم های رایج BI ایجاد کرد. امروزه، Quill به ده‌ها هزار کاربر داشبورد کمک می‌کند تا داده‌های خود را درک کنند.
🔸اما، از طریق کار با Quill، متوجه شدند کاربران مشکلات زیادی در کارکردن با داشبورد دارند، چرا که عمده کاربران از اطلاعات موجود در داشبورد استفاده نمی‌کنند! بنابراین موسسین این شرکت شروع به ایجاد یک تجربه تحلیلی کاملاً جدیدی کردند. آنها محصولی با نام Lexico را راه اندازی کردند. این محصول به کاربران کمک می‌کند تا درک بهتری از داده‌های خود داشته باشند و بتوانند از آن در تصمیم گیری‌های تجاری خود در جهت بهبود فعالیت‌های شرکت استفاده کنند.
🔹پلت فرم Quill یک پلت فرم اتوماسیون هوشمند است که به سازمان‌ها اجازه می‌دهد تا نحوه گزارش‌دهی داخلی و خارجی را با استفاده از تولید زبان طبیعی تغییر دهند. پلتفرم Quill با استفاده از هوش مصنوعی، برنامه‌های NLG سفارشی ایجاد می‌کند که منطق، زبان، تجزیه و تحلیل و قالب‌بندی گزارش‌هایی را تقلید می‌کند که معمولاً برای ایجاد آنها نیاز به تحلیلگر است. سازمان‌ها می‌توانند از Quill برای خودکارسازی گزارش‌دهی با حجم بالا و زمان‌بر استفاده ‌کنند. Quill همچنین داستانی را به داشبورد معمولی شرکت اضافه می‌کند. Quill داده‌ها را هضم می‌کند و چند پاراگراف سریع می‌نویسد تا توضیح دهد که در نمودارها چه اتفاقی می‌افتد.



#کسب‌وکار‌_داده‌محور
#تحلیل_داده
#داستان_سرایی
#بهاران_قیاسوند
www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌 معرفی مقالات داغ حوزه عظیم‌داده
Big Data Analytics in Building the Competitive Intelligence of Organization

🖌نویسنده:

Jayanthi Ranjan , Cyril Foropon

🖌 ژورنال:
International Journal of Information management

🖌تاریخ انتشار:
2021


🔸در سال‌های اخیر، سازمان‌ها بر استفاده از عظیم‌داده‌ها بسیار تاکید دارند و تکنولوژی‌هایی نیز برای تحلیل این عظیم‌داده‌ها و به دست آوردن بینش‌های ارزشمند در ارتباط با فرآیندهای تصمیم‌گیری به وجود آمده است. فرآیندهای هوش رقابتی شامل نظارت بر رقبا با هدف ارائه یک هوش اجرایی و معنادار به سازمان است. هر چه شرکت‌ها بیشتر داده‌های رقبا را بشناسند، مزیت استراتژیک بیشتری به دست می‌آورند. تزریق عظیم‌داده‌ها و تحلیل آنها می‌تواند به ایجاد یک سیستم برای تحلیل‌های هوش رقابتی کمک کرده و باعث بهبود دقت تکنیک‌های هوش رقابتی سنتی شود. تکنولوژی‌ها و ابزارهایی که در حوزه عظیم‌داده وجود دارند، مولفه‌های بسیار مهمی در هدایت موفقیت‌آمیز هوش رقابتی هستند که باعث تزریق دانش ارزشمندی به استراتژی‌های هوش رقابتی می‌شوند.
در این مقاله، هدف نویسندگان، بررسی کاربردهای عظیم‌داده‌ها در فرآیندهای هوش رقابتی در سازمان است که این کار را از طریق نحوه برخورد سازمان‌ها با تحلیل‌های داده‌های عظیم انجام داده‌اند. همچنین این مقاله زمینه‌ای را برای توسعه چارچوب‌های عظیم‌داده و مدل‌های فرآیندی برای هوش رقابتی در سازمان فراهم می‌کند.


#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده


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