🔎 کاربرد تحلیل عظیم داده در تولید

🔻 مطالعه موردی: شرکت ROLLS-ROYCE

🔸پیشینه: شرکت Rolls-Royce موتورهای عظیمی را تولید می‌کند که توسط 500 شرکت هواپیمایی و همچنین در صنایع نظامی استفاده می‌شود. این موتورها نیروی زیادی تولید می‌کنند و جای تعجب نیست که شرکتی که با اعداد بزرگ سروکار داشت، از صمیم قلب از داده‌های عظیم (Big Data) استقبال کرده است.

🔹عظیم داده به حل چه مشكلی کمک می‌کند؟ این یک صنعت بسیار پیشرفته است که در آن شکست‌ها و اشتباهات می‌تواند میلیاردها دلار هزینه دربرداشته و حتی به قیمت جان انسان‌ها باشد. بنابراین برای این شرکت بسیار مهم است که بتواند بر صحت عملکرد محصولات خود نظارت داشته و مشکلات بالقوه را پیش از رخداد آنها تشخیص دهد. داده‌هایی که رولز رویس جمع‌آوری می‌کند به آن کمک می‌کند که محصولات مقاوم‌تری طراحی کرده و نگهداشت محصولات را به طور کارآمدی به انجام رسانده و خدمات بهتری به مشتریان ارائه دهد.

🔸عظيم داده در عمل چگونه استفاده می‌شود؟ رولز رویس فرآیندهای عظیم داده را در سه حوزه کلیدی عملیات خود استفاده می‌کند: طراحی، تولید و پشتیبانی پس از فروش. طبق گفته مدیر ارشد علمی شرکت، آنها دارای حجم زیادی از خوشه‌های محاسباتی با توان بالا هستند که در فرآیند طراحی به کار می‌رود. همچنین دهها ترابایت داده در هر شبیه‌سازی هر کدام از موتورهای جت تولید می‌شود. سیستم‌های تولید شرکت به طور فزاینده‌ای به صورت شبکه در آمده و با یکدیگر در محیط صنعتی اینترنت اشیا (IoT) در ارتباط هستند. همچنین از اندازه‌گیری‌های اتوماتیک و پایش کنترل کیفیت قطعات استفاده مي‌شود و به سرعت به سمت راه‌حل مبتني بر اينترنت اشيا در حركت هستند.
از نقطه نظر پشتیبانی پس از فروش، موتورهای رولز رویس و سیستم‌های پیشرانش همگی مجهز به صدها سنسور هستند که کوچکترین جزئیات در خصوص عملیات را ثبت و هرگونه تغییری را به صورت بلادرنگ به مهندسان گزارش می‌کنند. رولز رویس دارای مراکز عملیاتی در سراسر جهان است که در آن مهندسان متخصص داده‌هایی که به صورت فیدبک از موتورها کسب شده است را تحلیل کرده و با ترکیب این داده‌ها، عوامل و شرایطی که موتورها نیازمند نگهداشت هستند مشخص می‌کنند.
با توجه به نیاز به حفظ حداکثر عملکرد و صرفه‌جویی در مصرف سوخت در خطوط هوایی، تحلیل‌گری داده‌های عظیم به رولز رویس کمک می‌کند تا اقدامات نگهداشت را روزها یا هفته‌ها زودتر انجام داده و به این ترتیب بدون اینکه مسافران اختلال در زمانبندی را تجربه کنند، این کار را انجام دهند. جهت انجام این اقدامات، تحلیل‌گری به دنبال هر گونه ناهنجاری اعم از فشار، دما، ارتعاش که بیانگر نیاز به سرویس موتور است، می‌باشد. بر این اساس، عوامل مختلف دخیل در هر مشکلی شناسایی شده و سیستم یاد می‌گیرد که زمان و مکان احتمالی مشکل را پیش‌بینی نماید. در نهایت اطلاعات مجدد به فرآیند طراحی بازخورد داده می‌شود.

🔹نتایج: تحلیل‌گری عظیم داده به رولز رویس کمک کرده است تا فرآیند طراحی خود را بهبود ببخشید، زمان توسعه محصول را کاهش دهد و کیفیت و عملکرد محصولاتش را بهبود ببخشد. بنا بر اعلام این شرکت، پذیرش رویکرد مبتنی بر عظیم داده برای تشخیص خرابی‌ها و خطاها و تصحیح آنها و جلوگیری از رخداد مجدد آنها، منجر به کاهش چشمگیر در هزینه‌ها شده است. آنها همچنین می‌گویند که فرآیندهای تولید با استفاده از حذف خطاها از محصولات آتی و در حین فرآیند طراحی ساده‌ شده است. همچنین منجر به یک مدل کسب و کار جدید برای شرکت شده است. این سطح از بینش نسبت به عملیات محصولاتشان به این معناست که رولز رویس توانسته است یک مدل خدمت جدید را به مشتریان پیشنهاد نماید که آن را Total Care می‌نامد و در آن مشتریان بابت هر ساعت از استفاده از موتورها پرداخت انجام می‌دهد و شرکت متعهد به تقبل هزینه‌های سرویس می‌گردد.

🔸داده‌های به کار گرفته شده: تأکید در رولز رویس بر داده‌های داخلی، به ویژه سنسورهای نصب شده بر روی محصولات این شرکت است. داده‌های اپراتورها به شکل ارسال وایرلس از هواپیما (VHF و SATCOM، Wi-Fi) و شامل ترکیبی از گزارش‌های عملکردی است. این داده‌ها معمولاً شامل تصاویر لحظه‌ای از عملکرد موتور در مراحل کلیدی پرواز نظیر بلند شدن است، که موتور در حداکثر قدرت خود است. سایر گزارش‌ها هرگونه رخداد جالب توجه در حین پرواز را در جایی که ثبت داده با فرکانس بالا در دسترس است را شامل می‌شود. پیام‌های نگهداشت تولید شده توسط هواپیما، گزارش‌های حرکت (زمان و مکان) و پروفایل کل پرواز حتی جزئیات بیشتری را ارائه می‌نماید. همچنین داده‌های عظیمی در حین فرآیند تولید ایجاد می‌شود.

🔹جزئیات فنی: ذخیره‌سازی: با توجه به تقاضا برای ذخیره‌سازی کم هزینه و مقیاس‌پذیر و همچنین پردازش و بازیابی سریع، رولز رویس از امکانات ابری خصوصی، مقاوم و امن به همراه رویکرد ذخیره‌سازی اختصاصی استفاده می‌نماید که توان پردازشی را بهینه می‌سازد در حالیکه از data lake برای بررسی‌های آفلاین استفاده می‌کند. استفاده از ذخیره‌سازی ابری به ذخیره‌سازی منابع داده‌ای بیشتر و ترکیب آنها شامل داده‌های اینترنت اشیا کمک می‌کند که منجر به ارائه خدمات جدید به مشتریان و شناسایی فرصت‌های جدید برای بهبود می‌گردد.
تحلیل‌گری: رولز رویس از تحلیل‌گری پیچیده و پیشرو برای پایش دقیق جریان‌های داده‌ای استفاده می‌نماید. شناسایی رفتارهای ناهنجار و حداقل‌سازی نرخ مثبت کاذب در برنامه تحلیل‌گری شرکت قرار دارد.

🔸چالش‌ها: فقدان کارکنان آموزش دیده و با تجربه در زمینه تحلیل‌گری داده‌ها به عنوان چالش اصلی ذکر شده است. بر این اساس جذب استعدادهای برتر در این زمینه همواره مدنظر بوده است. در سال 2013، رولز رویس برای غلبه بر این چالش آزمایشگاه تحقیقاتی عظیم داده را با شراکت دانشگاه تکنولوژی سنگاپور بنا نهاد و زمینه‌ای را برای دسترسی راحت‌تر به استعدادهای برتر در جهان را ایجاد نمود.

🔹درس آموخته‌ها: رولز رویس به عنوان نمونه‌ای عالی از یک غول صنعتی در عصر گذشته است که توانسته است به عصر جدید با بهبودهای داده محور و کارایی مبتنی بر داده، گذار پیدا کند. رولز رویس مانند بسیاری از شرکت‌های موفق صنعتی باید بیش از پیش دیجیتالی شدن را تجربه نماید و عظیم داده این تحول را رقم می‌زند. امروزه دیگر صحبت از این نیست که آیا کسب و کارها باید از داده‌های عظیم استفاده کنند یا خیر، بلکه صحبت از این است که چه زمانی و چگونه باید از آن استفاده کنند.


#نمونه_موردی
#عظیم_داده
#تولید
#فاطمه_مظفری

www.bdbanalytics.ir
@BigData_BusinessAnalytics

کاربرد تحلیل داده در کسب‌وکار

#تحلیل_داده
#عظیم_داده
#اينفوگرافي
#هادي_صداقت



www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌 معرفی مقالات داغ حوزه عظیم‌داده
Agent-based Big Data Mining
🖌نویسنده:
Nojod M. Alotaibi , Manal Abdullah , Hala Mosli

🖌 ژورنال:
International Journal of Advanced Trends in Computer Science and Engineering
🖌تاریخ انتشار:
2018


🔸 عظیم داده اصطلاحی است که جهت توصیف داده‌هایی که پردازش، مدیریت و تحلیل آن‌ها از طریق پایگاه داده‌ها یا الگوریتم‌های داده کاوی سنتی دشوار است، به کار می‌رود. دانش مفیدی می‌تواند از عظیم داده با کمک داده کاوی حاصل گردد. با توجه به حجم، تنوع و سرعت داده، تکنیک‌های سنتی داده کاوی برای کار با عظیم داده نامناسب به حساب می‌آید. بنابراین، نیاز اساسی به ایجاد روش‌های داده کاوی قدرتمند و مولد وجود دارد. شخصیت‌پردازی یکی از راهبردهای داده کاوی است که قابلیت پردازش حجم انبوهی از داده‌های در حال رشد را دارد. این مورد جهت نگاشت یک موجودیت داده به یکی از کلاس‌ها یا دسته‌بندی‌های از پیش تعیین شده مورد استفاده قرار می‌گیرد. داده‌های حوزه سلامت نه تنها بخاطر اندازه آن، بلکه پیچیدگی و تنوع و سرعت تولید سریع آن، یک شکل از عظیم داده محسوب می‌شود. در این پژوهش، مشکل داده کاوی در عظیم داده با استفاده از عامل(ایجنت) نرم افزاری ارائه می‌شود. هدف اصلی پژوهش، توسعه و بکارگیری یک مدل دسته‌بندی عامل محور برای عظیم داده است که بتواند شدت بیماری دیابت را پیش‌بینی نماید. نتایج ثابت می‌کند با استفاده از فناوری عاملی در بخش پیش پردازش داده‌ها، ظرفیت حافظه از 8.66 ترابایت به 5 گیگابایت و زمان انتقال داده از 12 روز به 10 دقیقه با استفاده از عامل کاهش یافته و دقت دسته‌بندی مدل پیشنهادی، 87 درصد است.

#معرفی_مقاله
#میثم_عسگری
#عظیم_داده


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 دیتا پراک
🔹 دیتا پراک یک سرویس مدیریت شده است که امکان بهره‌مندی از ابزارهای داده منبع باز مانند فلینک،آپاچی اسپارک برای پردازش دسته‌ای، اس کیو ال و یادگیری ماشین را فراهم می‌آورد.
در این ویدئو با دیتا پراک و چگونگی استفاده از آن جهت سهولت پردازش داده‌ها و تحلیل‌گری آشنا می‌شویم.

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

🔗 https://b2n.ir/z01376

#ويدئو
#عظیم_داده
#دیتاپراک
#پردازش_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

🍁پاییزنامه

ماحصل هفدهمین فصل از فعالیت‌های گروه تحلیلگری عظیم‌داده و کسب‌وکار، (پاییز 1400) در پست بعد قابل دریافت می‌باشد.

#فصلنامه_الکترونیک
#پاییزنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

فایل هفدهمین شماره فصلنامه گروه "تحلیلگری عظیم‌داده و کسب‌وکار"

#فصلنامه_الکترونیک
#پاییزنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🟦مجموعه وبینارهای هوش کسب‌وکار

🔸وبینار هشتم : تحلیلگری داده، رویکردی نوین در مدیریت

▪️سرفصل موضوعات ارائه :

داده‌های مدرن و نقش تحلیل داده
نقش تحلیلگر داده
داده برای متخصصان داده
پلتفرم‌های داده‌های عظیم
جمع‌آوری و آماده‌سازی داده‌ها
عملیات تحلیل داده

▫️تاریخ:

سه شنبه – 7 دی 1400
ساعت 19 تا 21

📣 لینک ثبت نام در وبینار
https://utperm.com/course/bi8

🔎 استفاده از هوش مصنوعی برای درک اطلاعات مشتری

🔻 مطالعه موردی: شرکت کیمبرلی کلارک

🔸 کیمبرلی کلارک برخی از معروف‌ترین برندهای مراقبت شخصی از جمله Huggies، Kleenex و Scott را تولید می‌کند که در 175 کشور به فروش می‌رسند. در واقع، از هر چهار نفر جمعیت جهان، یک نفر از محصولات آن را به طور منظم استفاده می کند. ممکن است این محصولات پر زرق و برق نباشند، اما بخش مهمی از زندگی روزمره هستند، به این معنی که مقادیر زیادی از منابع برای اطمینان از تولید، فروش و توزیع موثر آنها صرف می شود. این بدان معناست که مانند بسیاری از مشاغل بزرگ دیگر، کیمبرلی کلارک دریافته است که سازنده ترین راه رو به جلو، تبدیل شدن به یک شرکت فناوری می باشد. علاوه بر تولید کالاهای روزمره که نام خود را بر روی آن بنا نهاده است، بیش از 150 فناوری خودساخته، از شرکت‌های نوپا گرفته تا شرکت‌های Fortune، مجوز می‌دهد.

🔹 کیمبرلی کلارک از هوش مصنوعی (AI) استفاده می‌کند تا تمام داده‌هایی را که از مشتریان و عملیات تجاری آنها جمع‌آوری می‌کند، معنا کند. این داده ها برای ساخت مدل های دقیق از اینکه مشتریان آن چه کسانی هستند استفاده می شود. سپس مشتریان واقعی را می‌توان بر اساس مدلی که بهترین مدل را دارند، «بخش‌بندی» کرد تا سرنخ‌هایی به کسب‌وکار در مورد آنچه که ممکن است بخواهند بخرند ارائه دهند.

🔸 در سراسر جهان بیش از 15000 محصول Kimberly-Clark در هر ثانیه در هر روز فروخته می شود. هر یک از این فروش‌ها نقاط داده تولید می‌کند، از زمان و مکان فروش گرفته تا اطلاعات مشتری از طرح های وفاداری یا نمایه‌های خرید آنلاین، و همچنین داده‌های خارجی از منابعی مانند رتبه بندی Nielsen. با داده‌های بسیار زیاد، هوش تجاری سنتی و فناوری ارتباط با مشتری نمی‌تواند به اندازه کافی سریع عمل کند تا قبل از منسوخ شدن داده‌ها بینش ایجاد کند. هوش مصنوعی و فناوری که برای پشتیبانی از آن ساخته شده است - پلتفرم‌های عظیم‌داده مانند Hadoop و چارچوب‌های اینترنت اشیا - استخراج معنی را ممکن می‌کند.


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

🔗 https://b2n.ir/n07172

#نمونه_موردی
#عظیم_داده
#هوش_مصنوعی
#ساینا_رتبه‌ای

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

Big data in safety management: An overview


نویسنده:
Bing Wang, Yuanjie Wang


ژورنال:
Safety Science

تاریخ انتشار:
2021


🔸 عظیم داده‌ها تاثیر مهمی بر مدیریت ایمنی در زمینه‌های مختلف دارند و کاربردهای آن‌ها هر روز بیشتر می‌شود. نتایج تجزیه و تحلیل عظیم داده‌ها به یک مرجع بسیار مهم و موثر در تصمیم‌گیری ایمنی تبدیل شده است. این مطالعه به بررسی چالش‌هایی که در زمینه عظیم داده‌ها در مدیریت ایمنی وجود دارند پرداخته و بینش‌هایی برای جهت‌گیری‌های آینده برای تحقیق و کاربردهای عملی ارائه کرده است. در ابتدا یک تاریخچه از عظیم داده‌ها و تاثیر آنها بر مدیریت ایمنی آمده است. سپس تئوری‌ها و تکنولوژی‌های کلی عظیم داده‌ها در مدیریت ایمنی بررسی شده و در نهایت کاربردهای عظیم داده‌ها در مدیریت ایمنی در حوزه‌های مختلف خلاصه شده است. یافته‌های بیشتری هم که از فرآیند مطالعه مروری به دست آمده نیز، ارائه شده است.

🔺برای دریافت مقاله به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/u38103

#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 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

‍ 📌📌 معرفی ابزار : Apache Druid

🖌ابزار Apache Druid یک پایگاه داده تحلیلی بلادرنگ است که برای پردازش تحلیلی آنلاین (OLAP) در مجموعه داده‌های بزرگ طراحی شده است. اغلب Druid در مواردی استفاده می‌شود که در آن ورود داده بلادرنگ، عملکرد سریع کوئری و زمان مهم است.
🔸معماری اصلی Druid ایده‌هایی از انبارهای داده، پایگاه‌های داده سری زمانی و سیستم‌های جستجوی لاگ را ترکیب می‌کند.
🔹برخی از ویژگی های کلیدی Druid عبارتند از: قالب ذخیره سازی ستونی، سیستم توزیع شده مقیاس پذیر، پردازش موازی، پردازش به صورت بلادرنگ یا دسته‌ای، معماری ابری و مقاوم در برابر خطا، ایندکس‌هایی برای فیلتر کردن سریع، پارتیشن‌بندی مبتنی بر زمان، الگوریتم‌های تقریبی و خلاصه‌سازی خودکار.
🔸این پایگاه داده برای مواردی که نرخ درج داده‌ها بالا اما بروزرسانی کمتر است، اکثر کوئری‌ها عبارتند از کوئری‌های تجمیع و گزارش، تأخیرهای کوئری از 100 میلی ثانیه تا چند ثانیه مورد نظر است، داده‌ها دارای یک جزء زمان است و load داده‌ها از Kafka، HDFS، فایل‌های فلت، یا ذخیره‌سازی آبجکت مانند Amazon S3 انجام می‌گیرد، کاملاً مناسب است.

✅ متن کامل یادداشت را در لینک زیر بخوانید:

🔗 https://b2n.ir/g89758


#معرفی_ابزار

#Apache_Druid
#فاطمه_مظفری

@BigData_BusinessAnalytics
www.bdbanalytics.ir

استفاده از داده برای هماهنگ شدن با مشتری

#عظیم_داده
#تحلیل_داده
#اینفوگرافیک

#هادی_صداقت

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📚معرفی کتاب

“Data Analytics with Spark Using Python"

✍️ نویسنده: جفری آون
✍️ سال انتشار: 2018
✍️انتشارات: ادیسون وسلی

🔳 تحلیل داده با اسپارک و پایتون

🔸 اسپارک قلب انقلاب امروز عظیم داده است که به متخصصان داده در انجام پردازش داده و کارهای تحلیلی از نظر کارآمدی و عملکردی مزیت خارق العاده ای میدهد. در این کتاب، متخصص عظیم داده، جفری آون، تمام آنچه که برای استفاده از اسپارک و ویژگی های آن در پروژه ها و اکوسیستم عظیم داده ورد نیاز است را پوشش میدهد.
🔸آون یک معرفی از مفاهیم اساسی اسپارک را با مثال های برنامه نویسی که از محیط توسعه مشهور و رایج PySpark استفاده میکند در هم آمیخته و بر زبان پایتون که در بین متخصصان و تحلیلگران و توسعه دهندگان داده بسیار مورد اقبال است تمرکز می کند. او گستره وسیعی از اسپارک مقدماتی تا پیشرفته را ارائه میکند و شما خواهید آموخت که چگونه به صورت کارآمد، همه فرمت های داده از قبیل داده جریانی، ساختارمند و نیمه ساختار و بدون ساختار را با استفاده از اسپارک مدیریت نمایید. علاوه بر این، مرورهای موضوعی سریع باعث میشود تا سرعت یادگیری شما در حل تمرین ها و آماده شدن برای حل مسائل واقعی افزایش یابد.

🔹 مطالب کتاب شامل موارد زیر می شود:
- اهمیت و نقش توسعه ای اسپارک در عظیم داده و اکوسیستم هدوپ
- ایجاد خوشه های اسپارک با استفاده از حالت های توسعه مختلف
- کنترل و بهینه سازی فعالیت ها در خوشه ها و اپلیکیشن های اسپارک
- توسعه، شتاب و بهینه سازی روتین های اسپارک با استفاده از API ها
- یکپارچه سازی اسپارک با دیتا استورهای SQL و غیر SQL
- انجام پردازش جریانی و مسیجینگ با استفاده از اسپارک و کافکا
- پیاده سازی مدلسازی پیشبینانه با استفاده از SparkR و MLib

🔻برای دریافت کتاب به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/w06081

#معرفی_کتاب
#اسپارک
#میثم_عسگری

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📚 معرفی کتاب
تحلیل‌گری داده: رویکردها و کاربردها

✍️نویسنده: دکتر سعید روحانی، هادی صداقت

✍️سال انتشار: 1400

✍️انتشارات: دانشگاه تهران

🔳ساليان ‌متمادي ‌شناخت،‌ برنامه‌ريزي ‌و ‌مديريت‌ سازمان‌ها ‌و ‌كسب‌وكارها، ‌در‌گرو ‌صرف‌ زمان ‌بسيار و تجربه وقایع مختلف در محیط کاری و اجرایی بود. همین موضوع سرعت و چابکی مورد نیاز تغییر و تحول به منزله نیاز حیاتی بقا در شرایط پیچیده بازار و فناوری را تحت‌تاثیر قرار می‌داد.

🔸پس از انقلاب اتوماسیون و ایجاد سیستم‌های اطلاعاتی و نرم‌افزارهای کاربردی که با هدف اولیه مکانیزه کردن فرآیندها شکل گرفته بودند، فرصتی شگرف از ذخیره‌سازی داده‌ها و اطلاعات مهیا و آرمانی جدید پدیدار شد. داده‌هایی که به دلیل جبر مکانیزاسیون و الکترونیکی و اینترنتی کردن فرآیندها و رویه‌های کاری در منابع سازمانی گردآوری شده بودند، حال به مسیری بنیادی برای شناخت و مدیریت داده‌محور کسب‌وکارها و سازمان‌ها بدل شده‌اند.

🔹تحلیل‌گری داده عنوانی است که معرف این رویکرد نوین شناخت، برنامه‌ریزی و مدیریت مبتنی بر تحلیل داده‌هاست و طیف وسیعی از مدل‌ها، روش‌ها، ابزارها و الگوریتم‌ها را شامل می‌شود. هدف کتاب حاضر مرور مبانی نظری و حرفه‌ای تحلیل‌گری داده، شناخت نوع داده‌ها و راهبردهای داده‌محور، معرفی مدل‌های کسب‌وکار داده‌محور و کاربردهای تحلیل‌گری داده در مدیریت کسب‌وکار و در نهایت تشریح نمونه‌های کاربردی و موردکاوی‌های این حوزه است. این کتاب به گونه‌ای طراحی و تالیف شده است که رویکردها، روش‌ها، کاربردهای عملی و مصادیق عینی تحلیل‌گری داده در کسب‌وکار را تصویرگری می‌کند و به آنها تاکید دارد. سعی شده است در طراحی و تالیف این کتاب هم مبانی علمی حوزه مدیریت داده و فناوری‌های مربتط مرور شود و هم گزارش‌های سازمانی و حرفه‌ای پوشش داده شوند.

🔸ساختار این کتاب در پنج فصل سازماندهی شده است:

در فصل یک به مفاهیم پایه، انواع داده‌ها، داده‌های عظیم، تولید داده و مرور انواع تحلیل‌گری پرداخته شده است.
فصل دوم به اینترنت اشیا و داده‌های حاصل از این فناوری می‌پردازد و تحلیل داده‌های اینترنت اشیا را بررسی می‌کند.
فصل سوم مدل‌های کسب‌وکار داده‌محور، کسب‌وکارها نوپای این حوزه و راهبردهای داده‌محور کسب‌وکارها را بررسی می‌کند.
فصل چهارم در خصوص کاربردهای مختلف تحلیل‌گری داده در صنایع مختلف و نتایج و مزایای آن در حوزه‌های کاری متفاوت و گوناگون بحث می‌کند.
فصل پنجم نمونه‌های کاربردی و موردکاوی‌های الگو در حوزه‌های نوین تحلیل داده را ارائه می‌دهد.

🔻این کتاب را می‌توانید از لینک زیر سفارش دهید:

https://press.ut.ac.ir/book_3648.html

#دکترسعیدروحانی
#هادی_صداقت
#تحلیل_داده
@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌 عظیم داده به چه معناست؟
🔹 عظیم داده از کجا آمده است؟
پیش از 2012، ایالات متحده بزرگترین مشارکت‌کننده در داده‌های جهانی بود. امروزه بازارهای نوظهور، بیشترین افزایش را در رشد داده‌ها نشان می‌دهند.
در این ویدئو علاوه بر پرداختن به موضوعات فوق، مقایسه‌ای از میزان داده‌ها موجود از سال 2012 به بعد قابل مشاهده بوده و همچنین در مورد فواید این داده‌ها بحث شده است.

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

🔗 https://b2n.ir/g50395

#ويدئو
#عظیم_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

❄️ زمستان‌نامه

ماحصل هجدهمین فصل از فعالیت‌های گروه تحلیلگری عظیم‌داده و کسب‌وکار، (زمستان 1400) در پست بعد قابل دریافت می‌باشد.

#فصلنامه_الکترونیک
#زمستان‌نامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

فایل هجدهمین شماره فصلنامه گروه "تحلیلگری عظیم‌داده و کسب‌وکار"

#فصلنامه_الکترونیک
#زمستان‌نامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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


📌 بخش پانزدهم: امنیت در عظیم داده‌ها

🔸در فصل‌های قبلی، دیدیم که چگونه تکنیک‌های تجزیه و تحلیل عظیم داده‌ را می‌توان در حوزه‌های کاربردی مختلف مانند وب معنایی اجتماعی، IOT، خدمات مالی و بانکداری، بازار سرمایه و بیمه اعمال کرد. در تمام این موارد، موفقیت چنین کاربرد تکنیک‌های تجزیه و تحلیل عظیم داده‌ به شدت به امنیت بستگی دارد. در این فصل، چگونگی و میزان توان تضمین امنیت در عظیم داده‌ بررسی خواهد شد.

🔹مجمع جهانی اقتصاد اخیراً داده‌ها را «نفت جدید» نامیده است. عصر طلایی جدیدی بوجود آمده که در آن شرکت‌هایی مانند IBM، Oracle، SAS، Microsoft، SAP، EMC، HP و Dell برای به حداکثر رساندن سود خود سازمان‌دهی می‌کنند. از آنجایی که با ارزش ترین منبع در حال حاضر داده است و کسانی که بیشترین مقدار داده را در اختیار دارند، قدرت و نفوذ زیادی خواهند داشت، بنابراین، شرکت‌هایی مانند فیس‌بوک، گوگل و اکسیون در حال ایجاد بزرگترین مجموعه داده‌ها در مورد رفتار انسان هستند که تا به حال در تاریخ ایجاد شده‌اند و می‌توانند از این اطلاعات برای اهداف خود برای سود، نظارت یا تحقیقات پزشکی استفاده کنند.

🔸مانند سایر منابع ارزشمند، این با ارزش‌ترین منبع جدید، «داده‌ها» باید به اندازه کافی با مقررات امنیتی مناسب محافظت و حراست شود. در حال حاضر مکانیسم‌های امنیتی کافی برای محافظت از این منبع نداریم. پایگاه داده‌ای که چنین داده‌هایی را ذخیره می‌کند آسیب پذیر هستند و توسط عناصر غیرقانونی یا مجرمانه قابل دسترسی و هک است. همچنین در مورد داده های زیاد ذخیره شده در شرکت هایی مانند فیس بوک و گوگل نیز در مقابل دسترسی، هک، سوء استفاده آسیب پذیر است. در این فصل، آسیب‌پذیری‌ها و تهدیدات امنیتی در عظیم‌داده‌ها شناسایی شده و همچنین تکنیک‌های ممکن به عنوان اقدامات اصلاحی خلاصه شده است.


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

🔗 https://b2n.ir/z30973

#کتاب_بخوانیم
#فصل_پانزدهم
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده
Understanding the impact of big data on firm performance: The necessity of conceptually differentiating among big data characteristics

🖋نویسنده:

DeGroote School of Business, McMaster University, Hamilton, Ontario, Canada

🔸در این مطالعه، برای بررسی تاثیر ویژگی‌های اصلی عظیم داده‌ها، یعنی حجم، سرعت و تنوع داده‌ها بر روی عملکرد شرکت و نقش‌های واسطه‌ای ارزش داده‌ها و صحت داده‌ها بر این روابط، از یک دیدگاه مبتنی بر منبع استفاده شده است. برای ارزیابی مدل تحقیق، از 143 مدیر سطح بالا و میانی در ایالات متحده، داده جمع‌آوری شده است. یافته‌ها نشان می‌دهد که تنوع داده‌ها منجر به بهبود تولید ارزش داده‌ها می‌شود؛ در حالیکه حجم و سرعت داده‌ها بر این مورد تاثیری ندارد. علاوه بر این، در حالیکه حجم داده‌ها بر روی صحت داده‌ها تاثیر منفی دارد، سرعت و تنوع داده‌ها بر روی صحت داده‌ها، اثر مثبت دارند. این مطالعه برای محققان و مدیرانی که مشتاق درک بهتر نقش ویژگی‌های عظیم داده‌ها بر عملکرد شرکت هستند، بینش مفیدی را فراهم می‌آورد.

🔹برای دریافت مقاله به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/q68101

#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده


www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌📌 معرفی ابزار : پایگاه داده Neo4j

🖌پایگاه داده Neo4j یک پایگاه داده گراف منبع باز NoSQL است که یک Backend تراکنشی سازگار با ACID را برای برنامه‌های شما فراهم می‌کند که از سال 2007 به صورت عمومی در دسترس بوده است.

🔸در Neo4j، تلاش شده است گزینه‌هایی برای حل بسیاری از نیازهای تجاری و فنی ارائه داده شود. هدف این است که محصولات ارائه شده ساده و متناسب با نیازهای کسب و کار باشد، هر چه که باشد. خواه برای تراکنش‌ها، تحلیل بازار، بهینه‌سازی عملیات یا هر چیز دیگری که می‌توان از نمودارها استفاده کرد.

🔹قابلیت‌های پلتفرم گراف Neo4j شامل کمک به توسعه‌دهندگان برای وارد کردن داده‌ها به نمودار، تحلیل‌گران تجاری برای کاوش آسان داده‌ها و دانشمندان داده برای تصمیم‌گیری بر اساس نتایج تحلیل است. هدف این است با به کارگیری قدرت نمودار و Neo4j ارزش کسب و کار به حداکثر رسیده و به نیازهای فنی پاسخ داده شود.

🔸پایگاه داده Neo4j امروزه توسط هزاران استارت آپ، مؤسسه آموزشی و شرکت‌های بزرگ در همه بخش‌ها از جمله خدمات مالی، دولتی، انرژی، فناوری، خرده فروشی و تولید استفاده می‌شود. از فناوری جدید نوآورانه گرفته تا کسب‌وکارهای محرک، کاربران در حال ایجاد بینش با نمودار، ایجاد درآمد جدید و بهبود کارایی کلی خود هستند.

✅ متن کامل یادداشت را در لینک زیر بخوانید:

🔗 https://b2n.ir/j89645


#معرفی_ابزار
#پایگاه_داده_Neo4j
#فاطمه_مصلحی

@BigData_BusinessAnalytics
www.bdbanalytics.ir