‍ 📌📌 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

📖 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

🔎 استفاده از هوش مصنوعی در تحقیقات علمی و بهبود تصمیمات پزشکی

🔻 مورد مطالعه: Elsevier

🔸 الزویر یک انتشارات چندرسانه‌ای جهانی است که بیش از 20000 محصول آموزشی و حرفه‌ای را برای جوامع علمی و حوزه‌های پزشکی، از جمله نشریات تحقیقاتی برجسته مانند The Lancet و Cell ارائه می‌دهد. مرحله اول از تحول دیجیتال مستمر شرکت شامل دیجیتالی کردن حجم عظیمی از داده‌های منتشر شده در گزارش‌ها و مجلات در طول تاریخ 140 ساله شرکت بوده است و اکنون در حال ساخت ابزارهای هوش مصنوعی (AI) است که بینش‌های جدیدی را از این داده‌ها و همچنین ترکیب آن با سایر منابع داده‌های عظیم مانند داده‌های ناشناس شده بیماران و بیمه‌ها استخراج می‌کند.

🔹 پلتفرم الزویر از داده‌های ناشناس شده بیماران، از جمله سوابق پزشکی، سوابق درمان و نتایج استفاده می‌کند. همچنین از پایگاه داده دارای 5 میلیون رکورد مرتبط با بیمه درمانی استفاده می‌کند. علاوه بر این، تمام مقالات و تحقیقات منتشر شده در مجلات الزویر در طول 140 سال گذشته نیز از جمله منابع مورد استفاده است. الزویر برای انجام تجزیه و تحلیل بر روی این داده‌ها، ابزارهای تحلیلی اختصاصی خود را ساخته است که از پردازش زبان طبیعی برای درک محتویات ادبیات پزشکی در پایگاه داده خود و همچنین سوابق بیمار استفاده می‌کنند. این شرکت، داده‌های عظیم تجاری و راه‌حل‌های هوش مصنوعی همچون راهکارهای پیشنهاد شده توسط مایکروسافت و آمازون را برای مرحله بعدی هوش مصنوعی خود در نظر دارد.

🔸 با در نظر گرفتن این موضوع که الزویر 25 درصد از تولیدات تحقیقات علمی و پزشکی منتشر شده ایالات متحده را در اختیار دارد، بهره‌گیری از هوش مصنوعی موجب شده است تا بتواند روش‌های جدیدی برای استخراج ارزش از این اطلاعات ایجاد کند. همچنین استفاده از ماشین برای تعیین مسیرهای درمانی بهینه بسته به جزئیات بیماری و بیمار، سابقه پزشکی و علائم ظاهر شده می‌تواند منجر به استانداردسازی درمان‌ها گردد. اگر درمان‌های استاندارد شده با استفاده از داده‌ها بهینه شوند، منجر به نتایج بهتری برای بیمار می‌شوند و به ارائه‌دهندگان مراقبت‌های بهداشتی نیز کمک می‌کند تا هزینه‌های کلی را کاهش دهند.

🔹الزویر علاوه بر پلت‌فرم پشتیبانی تصمیم‌گیری بالینی پیشرفته خود، از هوش مصنوعی برای راه‌حل‌های تحقیقاتی خارج از حوزه مراقبت‌های بهداشتی، مانند ابزار ScienceDirect خود استفاده می‌کند. این ابزار همچنین با استفاده از مجموعه مقالات علمی منتشر شده پژوهشگران را به سمت مقالات مرتبط با کار تحقیقاتی‌شان که با استفاده از پیش‌بینی هوش مصنوعی مشخص می‌شوند، هدایت کرده و به این ترتیب از پژوهشگران حمایت می‌کند.



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

🔗 https://b2n.ir/r19056

#نمونه_موردی
#عظیم_داده
#هوش_مصنوعی
#پزشکی
#فاطمه_مظفری

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 اهمیت عظیم داده و تحلیل‌گری در بازاریابی
🔹 عظیم داده نقش کلیدی در بازاریابی دیجیتال ایفا می کند زیرا به بازاریابان و کسب و کار کمک می‌کند تا بینشی صحیح به کسب و کار خود داشته باشند.

در این ویدئو با انواع داده‌ها در دیجیتال مارکتینگ آشنا می‌شویم و نقش عظیم داده و تحلیل‌گری در این حوزه بررسی شده است.

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

🔗 https://b2n.ir/w37832

#ويدئو
#عظیم_داده
#مارکتینگ
#بازاریابی
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

‍ 📚 معرفی کتاب

“یادگیری اسپارک: تحلیل عظیم داده با سرعت نور (چاپ دوم)"
“Learning Spark: Lightning-Fast Big Data Analysis 2nd Edition”

📍 اولین نسخه این کتاب توسط توسعه دهندگان اسپارک در سال 2015 و نسخه دوم آن که اسکالا و پایتون را شامل می‌شود در سال 2020 و توسط انتشارات O'Reilly منتشر شده است.

📍 داده‌ها بزرگ‌تر، سریع‌تر و متنوع تر شده‌اند و نیاز به پردازش مقیاس‌پذیر برای تحلیل و یادگیری ماشین دارند. اما چگونه چنین حجم داده‌ای را به صورت کارآمد پردازش کنیم؟ وارد آپاچی اسپارک شوید.
📍 با به‌روزرسانی اسپارک 3.0، نسخه دوم این کتاب برای مهندسین داده و دانشمندان داده نشان می‌دهد که چگونه ساختار و یکپارچه‌سازی در اسپارک اهمیت میابد. به ویژه، این کتاب توضیح می‌دهد که چگونه تحلیل‌های داده‌های ساده و پیچیده را انجام دهیم و الگوریتم‌های یادگیری ماشین را به کار ببریم.

📍از طریق آموزش گام به گام و با استفاده از کد اسنیپت‌ها و یادداشت‌های این کتاب شما قادر خواهید بود:
- رابط‌های اپلیکیشنی (API) های سطح بالای پایتون، اسکیوال ، اسکالا و جاوا را بیاموزید
- اپریشن‌های اسپارک و موتور اسکیوال را فرا بگیرید
- اپریشن‌های اسپارک را با استفاده از تنظیمات اسپارک و رابط گرافیکی اسپارک، تیون و بهینه‌سازی کنید
- به منابع داده متصل شوید: JSON و پارکت و CSV و Avro و ORC و هایو و S3 و یا کافکا
- روی داده‌های انباشته و یا جریانی تحلیل انجام دهید
- از طریق Delta lake و اسپارک که متن باز هستند دیتاپایپ‌لاین‌های قابل اتکا و استیبل بسازید
- از طریق MLib و Mflow پایپ‌لاین‌های یادگیری ماشین را توسعه داده و مدل‌های عملیاتی بسازید


این کتاب را می‌توانید از لینک زیر دریافت نمایید:

https://b2n.ir/m33558


#معرفی_کتاب
#تحلیل‌_عظیم‌داده_و_کسب‌وکار
#میثم_عسگری


@BigData_BusinessAnalytics
www.bdbanalytics.ir

🌱 بهارنامه

ماحصل نوزدهمین فصل از فعالیت‌های گروه تحلیلگری عظیم‌داده و کسب‌وکار، (بهار 1401) در پست بعد قابل دریافت می‌باشد.

#فصلنامه_الکترونیک
#بهارنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

فایل نوزدهمین شماره فصلنامه گروه "تحلیلگری عظیم‌داده و کسب‌وکار"

#فصلنامه_الکترونیک
#بهارنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده
Sentiment analysis researches story narrated by topic modeling approach

🖋نویسندگان: دکتر سعید روحانی، فاطمه مظفری
🖋 سال انتشار: 2022


🔸رشد فزاینده محتوای تولید شده توسط کاربران همچون وب‌سایت‌ها، رسانه‌های اجتماعی و اپلیکیشن‌های موبایل، افراد را به سمت ایجاد انبوهی از نظرات و بررسی‌ها در مورد محصولات، خدمات و رویدادهای روزانه سوق می‌دهد. تحلیل احساسات (sentiment analysis) ابزاری قدرتمند برای کسب و کارها و محققان جهت بررسی و مطالعه نگرش‌ها، تفسیرها و کسب بینش از پیامدهای آنها برای پشتیبانی از تصمیم گیری است.

🔹بر این اساس، این مقاله یک مطالعه جامع در مورد موضوعات اصلی پژوهشی، روندهای پژوهش و مقایسه موضوعات پژوهشی در زمینه "تحلیل احساسات" از طریق "رسانه‌های اجتماعی" با استفاده از تاپیک مدلینگ و به طور خاص مدل LDA Latent Dirichlet Allocation که یک مدل احتمالی برای کشف تاپیک‌های پنهان در حجم زیادی از داده‌ها است ارائه می‌دهد.

🔸یافته‌های این مقاله نشان می‌هد که روش‌های «یادگیری ماشین» از مهم‌ترین موضوعاتی است که در سال‌های اخیر روی آن‌ها کار شده است. همچنین پلتفرم‌های مختلف رسانه‌های اجتماعی مانند «توئیتر، فیس‌بوک، یوتیوب و بلاگ» زیرساخت‌های تحلیل احساسات هستند.

🔹در میان کاربردها، حوزه حمل و نقل، تشخیص اسپم و تصمیم‌گیری از نقطه نظر فراوانی نرمال شده دارای اهمیت شناخته شده‌اند. همچنین یافته‌ها تأیید می‌کنند که مفهوم «بهبود خدمات از طریق تحلیل احساسات» موضوع مهمی است که بهبود کیفیت خدمات شرکت را از طریق تمرکز بر تحلیل نظرات مشتریان میسر می‌سازد و به پژوهشگران و متخصصان و همچنین مدیران اجازه می‌دهد دیدگاه‌های بهتری در مورد دوران داغ «تحلیل احساسات» داشته باشند.

🔹برای دریافت مقاله به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/h34363

#معرفی_مقاله
#دکتر_سعید_روحانی
#فاطمه_مظفری
#تحلیل_احساسات
#شبکه‌های_اجتماعی
#تاپیک_مدلینگ


www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌📌 معرفی ابزار BigML: یادگیری ماشینی به عنوان یک سرویس برای تحلیلگران کسب و کار

🖌با توسعه یادگیری ماشین در طول سال‌ها، هیچ محیط و ابزار بدون نیاز به کد و ابزاری به طور فزاینده‌ای در بین جامعه یادگیری ماشین رایج نشده است. اگرچه بسیاری از این ابزارها قابلیت‌هایی مانند تجسم داده‌ها، پیش پردازش داده‌ها و توسعه مدل را ارائه می‌دهند، ابزارهای کمی وجود دارند که قابلیت ساخت مدل‌های یادگیری عمیق بدون کد را فراهم می‌کنند. یکی از این ابزارها BigML است. BigML یادگیری ماشینی را به عنوان یک سرویس برای تحلیلگران کسب و کار ارائه می‌کند.

🔸ابزار BigML، یکی از ابزارهای پرکاربرد علم داده است که یک محیط رابط کاربری گرافیکی کاملاً تعاملی و مبتنی بر ابر را فراهم می‌کند و می‌توانید از آن برای پردازش الگوریتم‌های یادگیری ماشین استفاده کنید. BigML نرم افزار استاندارد شده‌ای را با استفاده از محاسبات ابری برای نیازهای صنعت ارائه می‌دهد.

🔹ابزار BigML در مدل‌سازی پیش‌بینی تخصص دارد. از طیف گسترده‌ای از الگوریتم‌های یادگیری ماشین مانند خوشه‌بندی، طبقه‌بندی، پیش‌بینی سری‌های زمانی و غیره استفاده می‌کند.

🔸 ابزار BigML با استفاده از Rest API یک رابط وب آسان برای استفاده فراهم می‌کند و می‌توانید یک حساب رایگان یا یک حساب پریمیوم بر اساس نیازهای داده خود ایجاد کنید. این امکان تجسم تعاملی داده‌ها را فراهم می‌کند و به شما امکان می‌دهد نمودارهای بصری را در تلفن همراه یا دستگاه‌های IOT خود صادر کنید.

✅ متن کامل یادداشت را در لینک زیر بخوانید:

🔗 https://b2n.ir/u00862


#معرفی_ابزار
#یادگیری_ماشینی_به_عنوان_سرویس
#فاطمه_مصلحی
#BigML

@BigData_BusinessAnalytics
www.bdbanalytics.ir

🔍🎧🎼 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

📖 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

🔎کاربرد داده محوری در صنعت مد و پوشاک


💡مطالعه موردی: شرکت بربری

♦️چگونه شد که شرکت بربری که در آستانه ورشکستگی قرار داشت با تغییر رویکرد خود و استفاده از داده‌محوری در کمتر از 20 سال خود را به جمع ده برند برتر حوزه مد و پوشاک رساند؟
شرکت بربری از داده‌محوری در چه حیطه‌هایی از کسب و کار خود استفاده کرد؟

♦️اگر شما نیز به صنعت مد و پوشاک علاقه‌مند هستید و قصد دارید روندهای نوین و تغییرات عمده این صنعت را مطالعه کنید به شما پیشنهاد می‌کنم با ما همراه باشید...

🔗 https://b2n.ir/j73826

#محمدرضا_مرادی
#مورد_کاوی
#بربری
#مدوپوشاک

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

‍ 📚 معرفی کتاب

کاربردهای یادگیری ماشین در تحلیل عظیم داده و محاسبات ابری
“Applications of Machine Learning in Big-Data Analytics and Cloud Computing”


📍 این کتاب در سال ۲۰۲۱ و توسط انتشارات River Publisher منتشر شده است.

📍 محاسبات ابری و فناوری‌های عظیم داده به تعاریف جدیدی از عصر دیجیتال تبدیل شده‌اند. میزان داده‌های دیجیتال به سرعت در حال افزایش است و پیش‌بینی می‌شود تا سال ۲۰۳۰ از میزان ۶۵ تریلیون گیگابایت هم عبور کند. این انفجار داده به فرصت‌ها و تحولاتی در حوزه‌های مختلف مانند پزشکی، سازمان‌ها و صنایع منجر شده است. ابزارهای جدید محاسبات ابری و عظیم داده، به محققان و تحلیلگران کمک می‌کنند تا به جمع آوری و مدیریت و تحلیل این حجم از داده بپردازند. در حوزه کلاود و تحلیل عظیم داده نیز، یادگیری عمیق در حال توسعه دسته‌ای از تکنیک‌های یادگیری ماشین برای حل مساپل پیچیده کسب و کاری است. یادگیری عمیق، رایانه‌ها را قادر می‌سازد حجم زیادی از داده‌های بدون ساختار را تحلیل کنند.

📍این کتاب به معرفی پیشرفت‌های اخیر در استفاده از یادگیری ماشین در کلاود و تحلیل عظیم داده می‌پردازد و به عنوان یک مرجع برای محققان و دانش آموزان جدید در حوزه علوم داده و کامپیوتر می‌باشد. مفاهیم مورد نیاز برای درک چالش‌های حال حاضر یادگیری ماشین و راه حل‌های احتمالی به همراه روال‌های پیش رو در تحلیل عظیم داده، در این کتاب به تشریح درآمده‌اند.


این کتاب را می‌توانید از لینک زیر دریافت نمایید:


🔗 https://b2n.ir/g97558


#معرفی_کتاب
#تحلیل‌_عظیم‌داده_و_کسب‌وکار
#میثم_عسگری


@BigData_BusinessAnalytics
www.bdbanalytics.ir

📣 وبینار مجازی: محدودیت‌های فنی توسعه متاورس در دانشگاه‌ها

♦️ مدرس: پروفسور علی اکبر جلالی
رئیس کرسی یونسکو در آموزش و یادگیری الکترونیکی

📌تاریخ برگزاری: پنج شنبه 10 شهریور - ساعت 16 الی 17

🌐 لینک ثبت نام:
🔗 14dea.shahroodut.ac.ir


@BigData_BusinessAnalytics
www.bdbanalytics.ir

🔎 استفاده از هوش مصنوعی در خدمات مالی

🔻 مورد مطالعه: آمریکن اکسپرس

🔸 امریکن اکسپرس بیش از 25 درصد از موارد استفاده از کارت اعتباری در ایالات متحده را بر عهده دارد که در سال 2017 معادل 1.1 تریلیون دلار تراکنش در سال بوده است و بر اساس فوربس یکی از با ارزش‌ترین برندها در خدمات مالی است. این شرکت در محور هر کاری که انجام می‌دهد، داده‌ها و تحلیل‌گری را قرار داده است. با این حال، دو مورد از موارد استفاده کلیدی آن کشف تقلب و بهبود تجربه مشتری است.

🔹 بانک‌ها و موسسات مالی از جمله صادر کنندگان کارت اعتباری و بیمه‌ها، همواره از الگوهای به دست آمده در داده‌های تاریخی برای کشف تقلب استفاده می‌کنند. این موضوع به موسسات مالی امکان ایجاد مدل‌هایی را می‌دهد که می‌توانند برای پیش‌بینی قابل اعتماد بودن معاملات آتی مورد استفاده قرار دهند.

🔸 مطالعه موردی شرکت آمریکن اکسپرس در خصوص بهره‌گیری از سیستم‌های هوش مصنوعی نشان می‌دهد مدل‌های یادگیری ماشین برای کشف تقلب باید به طور مداوم و به صورت بلادرنگ تطبیق یافته و بروزرسانی شوند به این معنا که نیازمند جریان داده‌ای پیوسته برای یادگیری هستند. همچنین ذخیره سازی توزیع شده و میزان قابل توجه توان محاسباتی از الزامات استفاده از این حجم از داده جهت پیش‌بینی دقیق و بلادرنگ می‌باشد.

🔸 تعداد بالای تراکنش‌های پردازش شده توسط آمریکن اکسپرس به این معناست که افزایش کمی در کارایی می‌تواند بهبودهای بزرگی را در امنیت کلی ایجاد نماید.

🔹 علاوه بر کشف تقلب، کسب و کارهای ارائه دهنده خدمات مالی از هوش مصنوعی برای ایجاد ارزش افزوده برای مشتریان در راه تغییر در بهره‌گیری از خدمات خود استفاده می‌کنند. از جمله می‌توان از اپلیکیشن «دستیار سفر شخصی» مبتنی بر هوش مصنوعی آمریکن اکسپرس نام برد که در آن از هوش مصنوعی برای کمک به دارنده کارت با استفاده از توصیه‌های خرید شخصی‌سازی شده بر اساس عادات و سابقه خرید قبلی وی استفاده شده است.



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

🔗 https://b2n.ir/a95709

#نمونه_موردی
#عظیم_داده
#هوش_مصنوعی
#خدمات_مالی
#فاطمه_مظفری

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 تحلیل‌گری عظیم داده
🔹 در این ویدئو به زبان ساده با مفهوم تحلیل‌گری عظیم داده آشنا می‌شویم.

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

🔗 https://b2n.ir/d47448

#ويدئو
#عظیم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

❇️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 Prenoscriptive 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

🌻 تابستان‌نامه

ماحصل بیستمین فصل از فعالیت‌های گروه تحلیلگری عظیم‌داده و کسب‌وکار، (تابستان 1401) در پست بعد قابل دریافت می‌باشد.

#فصلنامه_الکترونیک
#تابستان‌نامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

فایل بیستمین شماره فصلنامه گروه "تحلیلگری عظیم‌داده و کسب‌وکار"

#فصلنامه_الکترونیک
#تابستان‌نامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌معرفی ابزار Talend : ابزاری برای یکپارچه سازی داده


🖋این ابزار یک ابزار ETL برای یکپارچه سازی داده ها است. راه حل های نرم افزاری برای آماده سازی داده ها، کیفیت داده ها، یکپارچه سازی داده ها، یکپارچه سازی برنامه ها، مدیریت داده ها و داده های بزرگ ارائه می دهد. Talend برای همه این راه حل ها محصول جداگانه ای دارد. رویکرد منحصر به فرد Talend یکپارچه سازی داده ها را ساده می کند، نیازهای متخصصان داده و کاربران تجاری را با ابزارهای سلف سرویس و کیفیت داده که در هر مرحله تعبیه شده است، برآورده می کند.

یکپارچه سازی داده ها مزایای بسیاری را ارائه می دهد که در زیر توضیح داده شده است :
📍بهبود همکاری بین تیم های مختلف در سازمان که سعی در دسترسی به داده های سازمان دارند.
📍در زمان صرفه جویی می کند و تجزیه و تحلیل داده ها را آسان می کند، زیرا داده ها به طور مؤثر یکپارچه می شوند.
📍 فرآیند یکپارچه سازی خودکار داده ها، داده ها را همگام سازی می کند و گزارش های زمان واقعی و دوره ای را آسان می کند، که در غیر این صورت اگر به صورت دستی انجام شود زمان بر است.
📍 داده هایی که از چندین منبع ادغام شده اند با گذشت زمان بالغ می شوند و بهبود می یابند که در نهایت به کیفیت بهتر داده ها کمک می کند.

✅ متن کامل یادداشت را در لینک زیر بخوانید:
🔗https://b2n.ir/j31234

#معرفی_ابزار
#یکپارچه_سازی_داده
#فاطمه_مصلحی
#Talend

www.bdbanalytics.ir
@BigData_BusinessAnalytics