Как бизнес-аналитика спасает жизни: борьба с малярией
Tableau, Mapbox, Exasol и Alteryx заявили, что в течение трех лет предоставят 4,3 миллиона долларов на программное обеспечение и услуги с целью ликвидации малярии для 60 миллионов человек в Африке. В Tableau планируют пожертвовать 100 миллионов долларов на решение глобальных проблем, в том числе малярии. Инициатива «НЕТ Малярии» была запущена в 2015 совместно с PATH и правительством Замбии.
До сих пор Visualize No Malaria дала хорошие результаты. Правительство Замбии сократило число зарегистрированных случаев малярии на 85 процентов и смертности от малярии на 92 процента в южной провинции Замбии, население которой составляет 1,8 миллиона человек.
Результаты обусловлены тем, что данные о состоянии здоровья предоставляются каждый час, поэтому официальные лица 🧐 могут принимать более быстрые решения в отношении доставки лекарств, опрыскивания в помещениях, размещения сеток и других методов.
Ниже схема визуализации на систему визуализации малярии.
Tableau, Mapbox, Exasol и Alteryx заявили, что в течение трех лет предоставят 4,3 миллиона долларов на программное обеспечение и услуги с целью ликвидации малярии для 60 миллионов человек в Африке. В Tableau планируют пожертвовать 100 миллионов долларов на решение глобальных проблем, в том числе малярии. Инициатива «НЕТ Малярии» была запущена в 2015 совместно с PATH и правительством Замбии.
До сих пор Visualize No Malaria дала хорошие результаты. Правительство Замбии сократило число зарегистрированных случаев малярии на 85 процентов и смертности от малярии на 92 процента в южной провинции Замбии, население которой составляет 1,8 миллиона человек.
Результаты обусловлены тем, что данные о состоянии здоровья предоставляются каждый час, поэтому официальные лица 🧐 могут принимать более быстрые решения в отношении доставки лекарств, опрыскивания в помещениях, размещения сеток и других методов.
Ниже схема визуализации на систему визуализации малярии.
Данные и интуиция в принятии решений
Многие из вас уже знают, что решения могут базироваться или на основании данных, или на основании экспертного мнения. Оба эти механизма далеки от идеала, но ничего лучшего человечество пока не придумало 🤷🏼♂️
Даниел Ка́неман, лауреат Нобелевской премии в 2002 и один из основоположников поведенческой экономики, выделяет такое понятие как экспертная интуиция.
В теории говорится о том, что экспертное мнение и интуиция - это две стороны одной медали. Это механизм психики предоставить эффективное решение, базируясь на личном опыте.
Мы все пользуемся экспертной интуицией каждый день, мы понимаем, в каком настроении близкие нам люди 💑 , или, увидев машину, точно оцениваем, успеем ли перейти дорогу 🚘.
Для того, чтобы этот механизм был эффективен, нужны следующие условия:
1️⃣ Обычная, предсказуемая среда. Среда, в которой существуют правила и в которой можно спрогнозировать будущее.
2️⃣ Наличие осознанного опыта. То есть експерт должен знать правила, по которым существует среда.
3️⃣ Возможность получать быструю обратную связь. Должна быть возможность проверять предположения.
Из вышеописанного я могу выделить 2 интересных вывода:
🔸 Если у вас нет опыта в определенной сфере или на определенном рынке - обязательно стоит найти эксперта, который знает правила этой среды
🔸 Если среда хаотична (к примеру, валютный рынок или рынок ценных бумаг), не слушайте экспертов, изучайте данные
Ну и, конечно, проверяйте свои предположения (проведите исследование на тестовой группе или запустите тестовый образец).
Кратко о теории описано в видео, а детально можно прочитать по ссылке ниже.
Многие из вас уже знают, что решения могут базироваться или на основании данных, или на основании экспертного мнения. Оба эти механизма далеки от идеала, но ничего лучшего человечество пока не придумало 🤷🏼♂️
Даниел Ка́неман, лауреат Нобелевской премии в 2002 и один из основоположников поведенческой экономики, выделяет такое понятие как экспертная интуиция.
В теории говорится о том, что экспертное мнение и интуиция - это две стороны одной медали. Это механизм психики предоставить эффективное решение, базируясь на личном опыте.
Мы все пользуемся экспертной интуицией каждый день, мы понимаем, в каком настроении близкие нам люди 💑 , или, увидев машину, точно оцениваем, успеем ли перейти дорогу 🚘.
Для того, чтобы этот механизм был эффективен, нужны следующие условия:
1️⃣ Обычная, предсказуемая среда. Среда, в которой существуют правила и в которой можно спрогнозировать будущее.
2️⃣ Наличие осознанного опыта. То есть експерт должен знать правила, по которым существует среда.
3️⃣ Возможность получать быструю обратную связь. Должна быть возможность проверять предположения.
Из вышеописанного я могу выделить 2 интересных вывода:
🔸 Если у вас нет опыта в определенной сфере или на определенном рынке - обязательно стоит найти эксперта, который знает правила этой среды
🔸 Если среда хаотична (к примеру, валютный рынок или рынок ценных бумаг), не слушайте экспертов, изучайте данные
Ну и, конечно, проверяйте свои предположения (проведите исследование на тестовой группе или запустите тестовый образец).
Кратко о теории описано в видео, а детально можно прочитать по ссылке ниже.
Озвучивание данных (Data #sonification)
На заре этого канала, 28 июля 2018, я делился новостью с заголовком "Big Sound вместо Big Data?" и в ней шла речь о том, что большие массивы данных исследователи изучают на слух, чтобы определить статистические отклонения.
Этот подход продолжил распространяться среди аналитиков. В некоторых случаях он используется потому что классическая визуализация 📊 не справляется. Однако такие случаи скорее исключение. Тем не менее, метод используется как дополнение к класической визуализации.
Многие используют #Python для этой задачи, к примеру Alan Smith показывает вариант дополнения визуализации аудио, используя Python, анализируя кривую доходности облигаций США.
Еще один пример - анализ среднего уровня доходности в конкретном районе Нью-Йорка, следуя по маршруту ветки метрополитена.
Но я хочу обратить внимание на другой, более простой в использовании инструмент - twotone.io. Это бесплатный инструмент от Google, который позволит озвучить данные.
Вот - мой вариант озвучивания на данных добычи урана в Украине. Приглашаю также попробовать. Возможно вы посморите на данные в другом свете, и они вдохновят на написание шедевра 🎼
На заре этого канала, 28 июля 2018, я делился новостью с заголовком "Big Sound вместо Big Data?" и в ней шла речь о том, что большие массивы данных исследователи изучают на слух, чтобы определить статистические отклонения.
Этот подход продолжил распространяться среди аналитиков. В некоторых случаях он используется потому что классическая визуализация 📊 не справляется. Однако такие случаи скорее исключение. Тем не менее, метод используется как дополнение к класической визуализации.
Многие используют #Python для этой задачи, к примеру Alan Smith показывает вариант дополнения визуализации аудио, используя Python, анализируя кривую доходности облигаций США.
Еще один пример - анализ среднего уровня доходности в конкретном районе Нью-Йорка, следуя по маршруту ветки метрополитена.
Но я хочу обратить внимание на другой, более простой в использовании инструмент - twotone.io. Это бесплатный инструмент от Google, который позволит озвучить данные.
Вот - мой вариант озвучивания на данных добычи урана в Украине. Приглашаю также попробовать. Возможно вы посморите на данные в другом свете, и они вдохновят на написание шедевра 🎼
Парадокс Симпсона
Мы много говорим о том, что решения должны базироваться на данных. Но не стоит забывать о том, что в статистике присутствуют парадоксы. Логические ловушки, которые могут привести к неверным выводам. Одна из таких ловушек - это парадокс Симпсона.
Парадокс Симпсона (Парадокс Юла—Симпсона, парадокс объединения) – эффект, явление в статистике, когда при наличии двух групп данных (в каждой из которых наблюдается одинаково направленная зависимость) их объединении меняет направление зависимости на противоположное.
Пример.
Есть четыре шляпы (две чёрных и две серых), 41 фишка (23 цветных и 18 белых) и два стола (А и Б). Фишки распределены по шляпам следующим образом:
В чёрной шляпе на столе А лежат 5 цветных и 6 белых фишек.
В серой шляпе на столе А лежат 3 цветные и 4 белые фишки.
В чёрной шляпе на столе Б лежат 6 цветных и 3 белых фишки.
В серой шляпе на столе Б лежат 9 цветных и 5 белых фишек.
Допустим, что вы хотите вытащить цветную фишку.
Если вы находитесь около стола А, то вероятность извлечь цветную фишку из чёрной шляпы равна 5/11 = 35/77, а из серой шляпы на том же столе — 3/7 = 33/77; таким образом, цветную фишку больше шансов вытащить из чёрной шляпы, чем из серой.
Если вы находитесь около стола Б, то вероятность извлечь цветную фишку из чёрной шляпы равна 6/9 = 84/126, а из серой шляпы — 9/14 = 81/126; таким образом, и здесь цветную фишку больше шансов вытащить из чёрной шляпы, чем из серой.
Допустим теперь, что фишки из двух чёрных шляп сложены в одну чёрную шляпу, а фишки из двух серых шляп — в одну серую шляпу. На первый взгляд, логично было бы предположить, что вероятность вытащить цветную фишку из чёрной шляпы выше, чем из серой. Но это неверно:
вероятность вытащить цветную фишку из чёрной шляпы равна 11/20 = 231/420,
вероятность вытащить цветную фишку из серой шляпы равна 12/21 = 240/420,
т.е. больше шансов извлечь цветную фишку из серой шляпы, чем из чёрной
Для тех, кто воспринимает информацию лучше не текстом, а на слух, рекоммендую посмотреть видео по ссылке - https://www.youtube.com/watch?v=QFcKepk88Kg
Мы много говорим о том, что решения должны базироваться на данных. Но не стоит забывать о том, что в статистике присутствуют парадоксы. Логические ловушки, которые могут привести к неверным выводам. Одна из таких ловушек - это парадокс Симпсона.
Парадокс Симпсона (Парадокс Юла—Симпсона, парадокс объединения) – эффект, явление в статистике, когда при наличии двух групп данных (в каждой из которых наблюдается одинаково направленная зависимость) их объединении меняет направление зависимости на противоположное.
Пример.
Есть четыре шляпы (две чёрных и две серых), 41 фишка (23 цветных и 18 белых) и два стола (А и Б). Фишки распределены по шляпам следующим образом:
В чёрной шляпе на столе А лежат 5 цветных и 6 белых фишек.
В серой шляпе на столе А лежат 3 цветные и 4 белые фишки.
В чёрной шляпе на столе Б лежат 6 цветных и 3 белых фишки.
В серой шляпе на столе Б лежат 9 цветных и 5 белых фишек.
Допустим, что вы хотите вытащить цветную фишку.
Если вы находитесь около стола А, то вероятность извлечь цветную фишку из чёрной шляпы равна 5/11 = 35/77, а из серой шляпы на том же столе — 3/7 = 33/77; таким образом, цветную фишку больше шансов вытащить из чёрной шляпы, чем из серой.
Если вы находитесь около стола Б, то вероятность извлечь цветную фишку из чёрной шляпы равна 6/9 = 84/126, а из серой шляпы — 9/14 = 81/126; таким образом, и здесь цветную фишку больше шансов вытащить из чёрной шляпы, чем из серой.
Допустим теперь, что фишки из двух чёрных шляп сложены в одну чёрную шляпу, а фишки из двух серых шляп — в одну серую шляпу. На первый взгляд, логично было бы предположить, что вероятность вытащить цветную фишку из чёрной шляпы выше, чем из серой. Но это неверно:
вероятность вытащить цветную фишку из чёрной шляпы равна 11/20 = 231/420,
вероятность вытащить цветную фишку из серой шляпы равна 12/21 = 240/420,
т.е. больше шансов извлечь цветную фишку из серой шляпы, чем из чёрной
Для тех, кто воспринимает информацию лучше не текстом, а на слух, рекоммендую посмотреть видео по ссылке - https://www.youtube.com/watch?v=QFcKepk88Kg
YouTube
Парадокс Симпсона [minutephysics на русском]
В этом видео рассказывается о парадоксе Симпсона, статистике парадокса и экологической ошибки, где кажущиеся противоречивые результаты подразумеваются одним набором данных в зависимости от того, как они группируются. Парадокс может возникать в медицинских…
15 рекомендаций по развертыванию BI
Сегодня решил поделиться картой, путеводителем, для тех, кто задумыввается о внедрении системы бизнес-аналитики, но не знает с чего начать.
1️⃣ Заручитесь поддержкой и участием в проекте всех сотрудников предприятия
2️⃣ Разработайте план развития и стратегию внедрения
3️⃣ Найдите области, где средства BI принесут пользу, и внедряйте их именно там
4️⃣ Узнайте потребности каждого подразделения
5️⃣ Четко определите цели
6️⃣ Выделите основные КПЭ или иную статистику для контроля освоения средств BI
7️⃣ Проводите регулярные опросы ключевых заинтересованных лиц
8️⃣ Начните с малого
9️⃣ При развертывании используйте гибкую методологию
1️⃣0️⃣ Определите источники данных и необходимые средства интеграции
1️⃣1️⃣ Создайте в организации культуру работы с данными
1️⃣2️⃣ Заложите прочные основы для управления данными
1️⃣3️⃣ Внедрите план управления безопасностью
1️⃣4️⃣ Создайте план обучения
1️⃣5️⃣ Выберите ответственного за внедрение BI
При той скорости развития технологий, которую мы наблюдаем сегодня, многим компаниям очень скоро станет сложно или даже невозможно работать без средств бизнес-аналитики. Компании, которые внедрят соответствующий инструментарий, следуя приведенным выше рекомендациям, смогут спроектировать системы, которые будут полезны всему персоналу и поспособствуют росту бизнес-производительности и повышению прибыли.
Сегодня решил поделиться картой, путеводителем, для тех, кто задумыввается о внедрении системы бизнес-аналитики, но не знает с чего начать.
1️⃣ Заручитесь поддержкой и участием в проекте всех сотрудников предприятия
2️⃣ Разработайте план развития и стратегию внедрения
3️⃣ Найдите области, где средства BI принесут пользу, и внедряйте их именно там
4️⃣ Узнайте потребности каждого подразделения
5️⃣ Четко определите цели
6️⃣ Выделите основные КПЭ или иную статистику для контроля освоения средств BI
7️⃣ Проводите регулярные опросы ключевых заинтересованных лиц
8️⃣ Начните с малого
9️⃣ При развертывании используйте гибкую методологию
1️⃣0️⃣ Определите источники данных и необходимые средства интеграции
1️⃣1️⃣ Создайте в организации культуру работы с данными
1️⃣2️⃣ Заложите прочные основы для управления данными
1️⃣3️⃣ Внедрите план управления безопасностью
1️⃣4️⃣ Создайте план обучения
1️⃣5️⃣ Выберите ответственного за внедрение BI
При той скорости развития технологий, которую мы наблюдаем сегодня, многим компаниям очень скоро станет сложно или даже невозможно работать без средств бизнес-аналитики. Компании, которые внедрят соответствующий инструментарий, следуя приведенным выше рекомендациям, смогут спроектировать системы, которые будут полезны всему персоналу и поспособствуют росту бизнес-производительности и повышению прибыли.
График Каги
Используется для отображения уровней спроса и предложения конкретного объекта торгов (акции, валюты, ценных бумаг и т. д.) с помощью визуализации ценовых изменений посредством ряда вертикальных линий, формирующих определенные паттерны. Графики Каги не оперируют временными показателями и благодаря этому позволяют отфильтровать фоновую информацию, или «шум», поступающую при анализе других финансовых графиков (например, свечных графиков), соответственно, важная информация о движении цен отображается более четко. Ключ к пониманию графиков Каги – умение распознавать возникающие паттерны.
Несмотря на то, что на графиках Каги по оси Х все-таки отображаются даты или временные промежутки, это фактически указатели дат ключевых изменений цен, не являющиеся частью временной шкалы. Ось У с правой стороны используется в качестве шкалы значений.
Линия на графике Каги изначально двигается вертикально в том же направлении, что и изменение цены, и продолжает это движение до тех пор, пока цена, на каком бы низком уровне она ни была, сохраняет то же направлении. Как только цена превысит определенный коэффициент, требующий изменения в другом направлении, линия совершает разворот и направляется в противоположном направлении. Таким образом, каждая маленькая горизонтальная линия указывает на изменение направления движения цены. Место соединения горизонтальной линии с линией падения называется «плечо», а место соединения горизонтальной линии с линией роста называется «талия».
Изменение толщины или цвета линии зависит от поведения цены. Когда цена превышает предыдущее «плечо», линия становится толще (и/или зеленой) и получает название «Янь». Это можно интерпретировать как превышение спроса над предложением. В противоположность этому, когда цена оказывается ниже предшествующей «талии», линия становится тоньше (и/или красной) и получает название «Инь». Это означает превышение предложения акций над спросом и указывает на медвежий тренд падения цен.
Трейдеры ориентируются на изменения тонкой линии (Инь) на толстую (Янь) и наоборот как на сигнал к покупке или продаже акции. Переход от Инь к Янь указывает на необходимость покупать, а от Янь к Инь – на необходимость продавать.
Используется для отображения уровней спроса и предложения конкретного объекта торгов (акции, валюты, ценных бумаг и т. д.) с помощью визуализации ценовых изменений посредством ряда вертикальных линий, формирующих определенные паттерны. Графики Каги не оперируют временными показателями и благодаря этому позволяют отфильтровать фоновую информацию, или «шум», поступающую при анализе других финансовых графиков (например, свечных графиков), соответственно, важная информация о движении цен отображается более четко. Ключ к пониманию графиков Каги – умение распознавать возникающие паттерны.
Несмотря на то, что на графиках Каги по оси Х все-таки отображаются даты или временные промежутки, это фактически указатели дат ключевых изменений цен, не являющиеся частью временной шкалы. Ось У с правой стороны используется в качестве шкалы значений.
Линия на графике Каги изначально двигается вертикально в том же направлении, что и изменение цены, и продолжает это движение до тех пор, пока цена, на каком бы низком уровне она ни была, сохраняет то же направлении. Как только цена превысит определенный коэффициент, требующий изменения в другом направлении, линия совершает разворот и направляется в противоположном направлении. Таким образом, каждая маленькая горизонтальная линия указывает на изменение направления движения цены. Место соединения горизонтальной линии с линией падения называется «плечо», а место соединения горизонтальной линии с линией роста называется «талия».
Изменение толщины или цвета линии зависит от поведения цены. Когда цена превышает предыдущее «плечо», линия становится толще (и/или зеленой) и получает название «Янь». Это можно интерпретировать как превышение спроса над предложением. В противоположность этому, когда цена оказывается ниже предшествующей «талии», линия становится тоньше (и/или красной) и получает название «Инь». Это означает превышение предложения акций над спросом и указывает на медвежий тренд падения цен.
Трейдеры ориентируются на изменения тонкой линии (Инь) на толстую (Янь) и наоборот как на сигнал к покупке или продаже акции. Переход от Инь к Янь указывает на необходимость покупать, а от Янь к Инь – на необходимость продавать.
6 правил для бизнес-аналитика
▪️Аналитика ноги кормят. Если вы находитесь в одном здание с пользователями и ключевыми заказчиками, то их надо посещать и разговаривать с ними. Игнорирование этого правила приведет к долгим почтовым перепискам и бесконечной формализации задач.
▪️Рисуйте. Рисование схем бизнес-процессов и набросков интерфейса позволит понять задачу вам и легко объяснить свое виденье пользователю. Игнорирование этого правила приведет к тому, что вы будете тратить намного больше времени на понимание задачи и ее объяснение.
▪️Упрощайте (или не усложняйте). Аналитики и бизнес-аналитики склонны к усложнению задач чаще, чем бы этого хотелось. Игнорирование этого правила приведет к созданию велосипедов и неоправданно сложных решений, которыми никто не будет пользоваться.
▪️Опрашивайте всех будущих пользователей и всех участников процесса. Виденье субъективно, поэтому пытайтесь выяснить мнение всех, кого касается будущее доработка, даже тех, кто будет затронут смежно. Игнорирование этого правила приведет к тому, что решение не будет устраивать всех, а будет удовлетворять только одного пользователя с которым вы работайте.
▪️Докапывайтесь до сути проблемы. Пользователи постоянно просят какие-то кнопки на формах, какие-то фильтры на списках и не любят объяснять зачем. Но выяснив ответ на вопрос «Зачем?» вы можете придумать совершенно другое решение, которое возможно будет работать лучше и эффективней. Игнорирование этого правила приведет к тому, что решение будет незавершенное или не будет отвечать всем требованиям задачи.
▪️Избегайте неоднозначности. Разбивайте задачу до таких деталей, чтобы виденье результата было однозначно для вас, для ключевых пользователей и для разработчиков. Игнорирование этого правила приведет к решения не отвечающим задачам.
▪️Аналитика ноги кормят. Если вы находитесь в одном здание с пользователями и ключевыми заказчиками, то их надо посещать и разговаривать с ними. Игнорирование этого правила приведет к долгим почтовым перепискам и бесконечной формализации задач.
▪️Рисуйте. Рисование схем бизнес-процессов и набросков интерфейса позволит понять задачу вам и легко объяснить свое виденье пользователю. Игнорирование этого правила приведет к тому, что вы будете тратить намного больше времени на понимание задачи и ее объяснение.
▪️Упрощайте (или не усложняйте). Аналитики и бизнес-аналитики склонны к усложнению задач чаще, чем бы этого хотелось. Игнорирование этого правила приведет к созданию велосипедов и неоправданно сложных решений, которыми никто не будет пользоваться.
▪️Опрашивайте всех будущих пользователей и всех участников процесса. Виденье субъективно, поэтому пытайтесь выяснить мнение всех, кого касается будущее доработка, даже тех, кто будет затронут смежно. Игнорирование этого правила приведет к тому, что решение не будет устраивать всех, а будет удовлетворять только одного пользователя с которым вы работайте.
▪️Докапывайтесь до сути проблемы. Пользователи постоянно просят какие-то кнопки на формах, какие-то фильтры на списках и не любят объяснять зачем. Но выяснив ответ на вопрос «Зачем?» вы можете придумать совершенно другое решение, которое возможно будет работать лучше и эффективней. Игнорирование этого правила приведет к тому, что решение будет незавершенное или не будет отвечать всем требованиям задачи.
▪️Избегайте неоднозначности. Разбивайте задачу до таких деталей, чтобы виденье результата было однозначно для вас, для ключевых пользователей и для разработчиков. Игнорирование этого правила приведет к решения не отвечающим задачам.
Всем привет!
В связи с вступившем в силу законом про украинский язык, хотим задать вопрос: стоит ли сделать канал украиноязычным? Какой бы вариант не выбрали, мы на любом языке будем продолжать искать полезные и новые материалы по аналитике и Big Data.
В связи с вступившем в силу законом про украинский язык, хотим задать вопрос: стоит ли сделать канал украиноязычным? Какой бы вариант не выбрали, мы на любом языке будем продолжать искать полезные и новые материалы по аналитике и Big Data.
Anonymous Poll
61%
Так, хочу читати українською!
39%
Нет, на русском и так отлично.
Всіх вітаю! 👋🏻
Сьогодні не лише перший пост українською 🇺🇦 але і достить не форматний для нашого каналу.
Ми натрапили на цікаву пропозицію на форумі Tableau, а саме ідею додати SUSE Enterprise Server, як ймовірну ОС для on-site серверу Tableau.
Тому якщо серед наших рядів я симпатики Linux 🐧запрошуємо до посилання - https://community.tableau.com/ideas/10227
Сьогодні не лише перший пост українською 🇺🇦 але і достить не форматний для нашого каналу.
Ми натрапили на цікаву пропозицію на форумі Tableau, а саме ідею додати SUSE Enterprise Server, як ймовірну ОС для on-site серверу Tableau.
Тому якщо серед наших рядів я симпатики Linux 🐧запрошуємо до посилання - https://community.tableau.com/ideas/10227
Як IoT змінюють логістику складів?
▪️Покращений контроль запасів із відстеженням активів
Оснащення кожного предмета інвентарем RFID або GPS-трекером дає компаніям інструменти для відстеження місцезнаходження кожного предмета в режимі реального часу.
▪️ Управління вантажівкамиу режимі реального часу
Замість того, щоб оглядати кожен транспортний засіб та збирати цю інформацію вручну, автомашини, що підтримують IoT, можуть передавати всі дані автономно назад на вузол складу.
▪️ Підвищення продуктивності працівників за допомогою трекерів/розумних годинників
Окрім відстеження продуктивності, ці пристрої можуть відстежувати рівень стресу та навіть покращувати придатність, що призводить до щасливіших та здоровіших працівників.
▪️ Прогнозування попиту за допомогою машинного навчання
IoT, у поєднанні з машинним навчанням, може вивчати максимуми і мінімуми, які компанія зазнала в минулому, і використовувати ці дані для прогнозування, коли попит буде високим і коли він знизиться з дивовижною мірою точності.
І на останок, оптимістичний прогноз: у наступне десятиліття IoT стане безцінним інструментом для оптимізації логістики вашої продукції, незалежно від галузі.
▪️Покращений контроль запасів із відстеженням активів
Оснащення кожного предмета інвентарем RFID або GPS-трекером дає компаніям інструменти для відстеження місцезнаходження кожного предмета в режимі реального часу.
▪️ Управління вантажівкамиу режимі реального часу
Замість того, щоб оглядати кожен транспортний засіб та збирати цю інформацію вручну, автомашини, що підтримують IoT, можуть передавати всі дані автономно назад на вузол складу.
▪️ Підвищення продуктивності працівників за допомогою трекерів/розумних годинників
Окрім відстеження продуктивності, ці пристрої можуть відстежувати рівень стресу та навіть покращувати придатність, що призводить до щасливіших та здоровіших працівників.
▪️ Прогнозування попиту за допомогою машинного навчання
IoT, у поєднанні з машинним навчанням, може вивчати максимуми і мінімуми, які компанія зазнала в минулому, і використовувати ці дані для прогнозування, коли попит буде високим і коли він знизиться з дивовижною мірою точності.
І на останок, оптимістичний прогноз: у наступне десятиліття IoT стане безцінним інструментом для оптимізації логістики вашої продукції, незалежно від галузі.
Найкраще про аналітиків з bash
Сьогодні вибірка найцікавіших записів з безодні інтернет цитат - bash.im
431590
Eugen: ось ти як аналітик можеш мені пояснити чому гривня так звалилася ??
proff: Я як аналітик можу лише припустити, що один відомий у вузьких колах чувак продав-таки долари, куплені в 2009 році.
431590
Коли бачу вакансію "Аналітик-python" згадую про Мудрого Каа ...
455331
Я все розумію ... Договори, аналітика ...
Але називати функцію dogs.anal () - це перебір.
448533
За підсумками новорічного корпоративу було прийнято рішення - перейменувати на проекті групу аналітики групу "Налитики" :)
447063
- Як вам нова аналітик?
- Святкували день програміста, вона прийшла в футболці з написом 'Exception'.
430502
xxx: Сисадміни, пограмісти ... Мене, системного аналітика, головбух обзивала програмістом. В помсту я почав називати її старшим касиром. Довго ображалася, потім в'їхала)
396035
Coder: Зараз на роботі. Аналітик - програмісту:
Coder: Скажіть, а цю програму розумні люди купують або крадуть?
445942
Alewer: О, я як раз недавно подрузі пояснював суть своєї роботи - аналітика.
"Ось дружина каже чоловікові: " Купи чогось смачненького ". Аналітик займається тим, що ставить для чоловіка конкретне ТЗ: необхідно протягом півгодини відвідати продуктовий магазин на відстані не більше 2 км від будинку і там купити в відділі "Кондитерські вироби" 3 товари, загальною вартістю не більше 200 гривень, з часткою жиру від 30 до 50%, з часткою вуглеводів - до 70%, з часткою білків - до 20% "
408441
Анна (аналітик): Сергій, вітаю. Питання до уточнення, якщо дозволите: червоний напис в лівому верхньому кутку, це і є логотип? його не можна змінювати?
Сергій (замовник): Доброго дня! Я вже заздалегідь вибачився за якість нашого логотипу, але не очікував, що ви його навіть за логотип не вважатимете :)))
449691
ххх - програміст, ууу - аналітик. У ххх питання по вимогам.
ууу: все зрозуміло?
ххх: ні
ууу: тобто ні? я ж тут півгодини пояснюю
ххх: так, але я не слухав
ууу: чому?
ххх: мені не цікаво просто
437272
З обговорення Big Data:
xxx: уявлення про розміри даних зустрічаються ну дуже різні. недавно колега повернувся від клієнта вкрай спантеличений - були спершу довгі переговори, керівники і юристи, презентації, бла-бла-бла ... потім почалися обговорення потрібної аналітики. колега поцікавився - наскільки дані-то великі. "О! Дуже великі - вже в excel не лізуть! 1200 записів".
416228
xxx: вчора варила чоловікові борщ. Він спробував і почав мені висловлювати, що в цей раз борщ несмачний, тому що він ненавидить в борщі довгі шматки капусти. Я видала на автоматі з задоволеною фізіономією, що перед початком готування у вимогах до борщу ніколи не вказувалися розміри шматків капусти.
ууу: ти кодер?
ххх: ні, я аналітик
405106
ShpurloS: Уже відомо, що уряд планує створити в новій доменній зоні поштовий сервер для державних потреб. Аналітики вважають, що створення власного поштового сервера може обійтися бюджету в суму до 20 млн дол.
ShpurloS: sudo aptitude install postfix postfix-mysql mysql-server postfix-tls libsasl2-2 libsasl2-modules libsasl2-modules-sql sasl2-bin libpam-mysql openssl
ShpurloS: Де я можу збрать свої 20 млн ?!
Сьогодні вибірка найцікавіших записів з безодні інтернет цитат - bash.im
431590
Eugen: ось ти як аналітик можеш мені пояснити чому гривня так звалилася ??
proff: Я як аналітик можу лише припустити, що один відомий у вузьких колах чувак продав-таки долари, куплені в 2009 році.
431590
Коли бачу вакансію "Аналітик-python" згадую про Мудрого Каа ...
455331
Я все розумію ... Договори, аналітика ...
Але називати функцію dogs.anal () - це перебір.
448533
За підсумками новорічного корпоративу було прийнято рішення - перейменувати на проекті групу аналітики групу "Налитики" :)
447063
- Як вам нова аналітик?
- Святкували день програміста, вона прийшла в футболці з написом 'Exception'.
430502
xxx: Сисадміни, пограмісти ... Мене, системного аналітика, головбух обзивала програмістом. В помсту я почав називати її старшим касиром. Довго ображалася, потім в'їхала)
396035
Coder: Зараз на роботі. Аналітик - програмісту:
Coder: Скажіть, а цю програму розумні люди купують або крадуть?
445942
Alewer: О, я як раз недавно подрузі пояснював суть своєї роботи - аналітика.
"Ось дружина каже чоловікові: " Купи чогось смачненького ". Аналітик займається тим, що ставить для чоловіка конкретне ТЗ: необхідно протягом півгодини відвідати продуктовий магазин на відстані не більше 2 км від будинку і там купити в відділі "Кондитерські вироби" 3 товари, загальною вартістю не більше 200 гривень, з часткою жиру від 30 до 50%, з часткою вуглеводів - до 70%, з часткою білків - до 20% "
408441
Анна (аналітик): Сергій, вітаю. Питання до уточнення, якщо дозволите: червоний напис в лівому верхньому кутку, це і є логотип? його не можна змінювати?
Сергій (замовник): Доброго дня! Я вже заздалегідь вибачився за якість нашого логотипу, але не очікував, що ви його навіть за логотип не вважатимете :)))
449691
ххх - програміст, ууу - аналітик. У ххх питання по вимогам.
ууу: все зрозуміло?
ххх: ні
ууу: тобто ні? я ж тут півгодини пояснюю
ххх: так, але я не слухав
ууу: чому?
ххх: мені не цікаво просто
437272
З обговорення Big Data:
xxx: уявлення про розміри даних зустрічаються ну дуже різні. недавно колега повернувся від клієнта вкрай спантеличений - були спершу довгі переговори, керівники і юристи, презентації, бла-бла-бла ... потім почалися обговорення потрібної аналітики. колега поцікавився - наскільки дані-то великі. "О! Дуже великі - вже в excel не лізуть! 1200 записів".
416228
xxx: вчора варила чоловікові борщ. Він спробував і почав мені висловлювати, що в цей раз борщ несмачний, тому що він ненавидить в борщі довгі шматки капусти. Я видала на автоматі з задоволеною фізіономією, що перед початком готування у вимогах до борщу ніколи не вказувалися розміри шматків капусти.
ууу: ти кодер?
ххх: ні, я аналітик
405106
ShpurloS: Уже відомо, що уряд планує створити в новій доменній зоні поштовий сервер для державних потреб. Аналітики вважають, що створення власного поштового сервера може обійтися бюджету в суму до 20 млн дол.
ShpurloS: sudo aptitude install postfix postfix-mysql mysql-server postfix-tls libsasl2-2 libsasl2-modules libsasl2-modules-sql sasl2-bin libpam-mysql openssl
ShpurloS: Де я можу збрать свої 20 млн ?!
Темна сторона BigData: Даркнет
Даркнет (від англ. dark net) - це та частина світової мережі, яка навмисно прихована від пошукових систем та зайвих очей. Платформу Tor розробили в США в 1995 в науковій лабраторії ВМС США в рамках проекту Free Haven, та ходять чутки 🤐 що за ним стоЇть ЦРУ.
За дослідженням Роса Ульбриха даркнет використовується для:
1️⃣ Торгівлі наркотиками
2️⃣ Крадіжки персональної інформації і данних
3️⃣ Хакінгу
Найцікавіше з цього всього те, що Tor це публічна платформа, яка надає відкриту статистику! Кожен може подивтись будь-яку метрику , яка його цікавить. Навіть сскачати її в формі таблиці.
Тема отримання користі з цього (безперечно) величезного масиву даних ходить кругами спеціалістів вже давно. За дослідженням Мет'ю Бала наразі не існує ефективного методу сбору даних з площадок торгівлі з даркнет.
Без сумніву одним з найкорисніших досліжень на цю тему є робота Брайана Нафзігера, що описав конфігурацію безкоштовного😱 ПО, яке дозволяє автоматично вкионувати data mining даркнету.
Можливо, той, хто на світовому ринку приборкає темну сторону Big Data стане лідером галузі. Питання хто це буде, можливо хтось з вас? 🌟
Тим часом, запрошую перевірити чи ваші персональні дані ще не потрапили в даркнет. Щоб безкоштовно перевірити тисни тут, або на кнопку нижче.
Даркнет (від англ. dark net) - це та частина світової мережі, яка навмисно прихована від пошукових систем та зайвих очей. Платформу Tor розробили в США в 1995 в науковій лабраторії ВМС США в рамках проекту Free Haven, та ходять чутки 🤐 що за ним стоЇть ЦРУ.
За дослідженням Роса Ульбриха даркнет використовується для:
1️⃣ Торгівлі наркотиками
2️⃣ Крадіжки персональної інформації і данних
3️⃣ Хакінгу
Найцікавіше з цього всього те, що Tor це публічна платформа, яка надає відкриту статистику! Кожен може подивтись будь-яку метрику , яка його цікавить. Навіть сскачати її в формі таблиці.
Тема отримання користі з цього (безперечно) величезного масиву даних ходить кругами спеціалістів вже давно. За дослідженням Мет'ю Бала наразі не існує ефективного методу сбору даних з площадок торгівлі з даркнет.
Без сумніву одним з найкорисніших досліжень на цю тему є робота Брайана Нафзігера, що описав конфігурацію безкоштовного😱 ПО, яке дозволяє автоматично вкионувати data mining даркнету.
Можливо, той, хто на світовому ринку приборкає темну сторону Big Data стане лідером галузі. Питання хто це буде, можливо хтось з вас? 🌟
Тим часом, запрошую перевірити чи ваші персональні дані ще не потрапили в даркнет. Щоб безкоштовно перевірити тисни тут, або на кнопку нижче.
Статистика BigData 2019
Сьогодні наведу декілька цікавих статичних фактів про BigData (станом на літо 2019 року). І так, поїхали 🚘
▪️ До 2020 року буде близько 40 трлн гігабайт даних (40 зеттабайт)
▫️90% усіх даних було створено за останні два роки
▪️Сьогодні людині знадобиться приблизно 181 мільйон років, щоб завантажити всі дані з Інтернету
▫️У 2012 році було проаналізовано лише 0,5% усіх даних
▪️Користувачі Інтернету щодня генерують близько 2,5 квінтільйона байт даних
▫️У 2018 році користувачі Інтернету провели в Інтернеті 2,8 мільйона років
▪️Соціальні мережі складають 33% від загального часу, проведеного в Інтернеті
▫️97,2% компаній з Fortune інвестують у великі дані та штучний інтелект
▪️Який об'єм ринку Big Data та аналітики у 2019 році? 49 мільярдів доларів, за даними Wikibon
▫️У 2019 році очікується, що ринок великих даних зросте на 20%
▪️До 2020 року кожна людина генеруватиме 1,7 мегабайт в секунду
▫️Використовуючи Big Data, Netflix заощаджує 1 мільярд доларів на рік на утриманні клієнтів
▪️Користувачі Twitter щохвилини надсилають майже півмільйона твітів
▫️У 2019 році Facebook налічує 2,3 мільярда активних користувачів
Джерела:
EMC
IBM
Physics.org
The Guardian
Data Never Sleeps 5.0
Global Web Index
Domo
New Vantage
Inside Big Data
Wikibon
Statista
Forbes
Flat World Solutions
Сьогодні наведу декілька цікавих статичних фактів про BigData (станом на літо 2019 року). І так, поїхали 🚘
▪️ До 2020 року буде близько 40 трлн гігабайт даних (40 зеттабайт)
▫️90% усіх даних було створено за останні два роки
▪️Сьогодні людині знадобиться приблизно 181 мільйон років, щоб завантажити всі дані з Інтернету
▫️У 2012 році було проаналізовано лише 0,5% усіх даних
▪️Користувачі Інтернету щодня генерують близько 2,5 квінтільйона байт даних
▫️У 2018 році користувачі Інтернету провели в Інтернеті 2,8 мільйона років
▪️Соціальні мережі складають 33% від загального часу, проведеного в Інтернеті
▫️97,2% компаній з Fortune інвестують у великі дані та штучний інтелект
▪️Який об'єм ринку Big Data та аналітики у 2019 році? 49 мільярдів доларів, за даними Wikibon
▫️У 2019 році очікується, що ринок великих даних зросте на 20%
▪️До 2020 року кожна людина генеруватиме 1,7 мегабайт в секунду
▫️Використовуючи Big Data, Netflix заощаджує 1 мільярд доларів на рік на утриманні клієнтів
▪️Користувачі Twitter щохвилини надсилають майже півмільйона твітів
▫️У 2019 році Facebook налічує 2,3 мільярда активних користувачів
Джерела:
EMC
IBM
Physics.org
The Guardian
Data Never Sleeps 5.0
Global Web Index
Domo
New Vantage
Inside Big Data
Wikibon
Statista
Forbes
Flat World Solutions
Data Science - це не просто числа
Про це говорить Ovetta Sampson з IDEO. Він говорить: "Перестаньте думати про спеціалістів Data Science як про заучок та гіків". Він наводить такі поради:
▪️Долучайте їх протягом всього процесу проектування, запрошуйте їх на свої наради та робочі групи.
▪️ Управляйте ними так само, як дизайнерами. Допомагайте їм робити прототипи моделей, які вони пропонують.
▪️Плануйте та організовуйте "комунікаційні зустрічі", де спеціалісти data science зможуть поділитись своїми досягеннями і планами з дизайнерами, та навпаки.
▪️Знайдіть цікаві проекти, над якими попрацюйте разом і доведіть спеціалістам data science цінність дизайну. для них
Про це говорить Ovetta Sampson з IDEO. Він говорить: "Перестаньте думати про спеціалістів Data Science як про заучок та гіків". Він наводить такі поради:
▪️Долучайте їх протягом всього процесу проектування, запрошуйте їх на свої наради та робочі групи.
▪️ Управляйте ними так само, як дизайнерами. Допомагайте їм робити прототипи моделей, які вони пропонують.
▪️Плануйте та організовуйте "комунікаційні зустрічі", де спеціалісти data science зможуть поділитись своїми досягеннями і планами з дизайнерами, та навпаки.
▪️Знайдіть цікаві проекти, над якими попрацюйте разом і доведіть спеціалістам data science цінність дизайну. для них
Фінансові та виробничі дані на службі машинного навчання
На зміну епохи великих даних прийшов час розумної аналітики. Завдяки новим джерелам інформації компанії почали накопичувати величезні обсяги даних, зберігання яких поступово переміщається в хмару. Розвиток алгоритмів машинного навчання (machine learning, ML) дало можливість інакше поглянути на ці масиви інформації, а головне дозволило використовувати їх для інтелектуального аналізу і прогнозування.
Недавнє дослідження Crisp Research, в рамках якого було опитано компанії в Німеччині, показало, що 59% респондентів для аналізу за допомогою машинного навчання використовують фінансові дані, завантажені з ERP-систем.
Також наголошується, що 43% опитаних компаній вже піддають обробці дані, зібрані в процесі виробництва. Як правило, робиться це для підвищення ефективності випуску продукції і поліпшення її якостей. При цьому 66% всіх виробничих даних доводиться на трафік, отриманий від датчиків IoT.
Для навчання алгоритмів і створення точних рішень в системах ML необхідні великі набори даних, це в свою чергу вимагає систем зберігання з швидким відгуком та простим «необмеженим» масштабуванням, оскільки вихідні датасета будуть розширюватися в процесі використання.
Хоча багато даних для ML зберігаються в хмарі, деяка їх частина як і раніше залишається в локальних ЦОД. Тут може бути і бажання заощадити, і вимога норм локального законодавства. Однак де б не перебували дані, максимальна гнучкість процесу обробки досягається при використанні хмарних ML-інструментів. При цьому локальне розміщення повинно спрощувати потік між різними середовищами, а не обмежувати його.
На закінчення необхідно відзначити, що згідно з дослідженням Crisp Research німецькі компанії для задач машинного навчання в основному використовують фінансові та виробничі дані, і, як правило, більшу їх частину за краще розміщувати в хмарних сховищах.
На зміну епохи великих даних прийшов час розумної аналітики. Завдяки новим джерелам інформації компанії почали накопичувати величезні обсяги даних, зберігання яких поступово переміщається в хмару. Розвиток алгоритмів машинного навчання (machine learning, ML) дало можливість інакше поглянути на ці масиви інформації, а головне дозволило використовувати їх для інтелектуального аналізу і прогнозування.
Недавнє дослідження Crisp Research, в рамках якого було опитано компанії в Німеччині, показало, що 59% респондентів для аналізу за допомогою машинного навчання використовують фінансові дані, завантажені з ERP-систем.
Також наголошується, що 43% опитаних компаній вже піддають обробці дані, зібрані в процесі виробництва. Як правило, робиться це для підвищення ефективності випуску продукції і поліпшення її якостей. При цьому 66% всіх виробничих даних доводиться на трафік, отриманий від датчиків IoT.
Для навчання алгоритмів і створення точних рішень в системах ML необхідні великі набори даних, це в свою чергу вимагає систем зберігання з швидким відгуком та простим «необмеженим» масштабуванням, оскільки вихідні датасета будуть розширюватися в процесі використання.
Хоча багато даних для ML зберігаються в хмарі, деяка їх частина як і раніше залишається в локальних ЦОД. Тут може бути і бажання заощадити, і вимога норм локального законодавства. Однак де б не перебували дані, максимальна гнучкість процесу обробки досягається при використанні хмарних ML-інструментів. При цьому локальне розміщення повинно спрощувати потік між різними середовищами, а не обмежувати його.
На закінчення необхідно відзначити, що згідно з дослідженням Crisp Research німецькі компанії для задач машинного навчання в основному використовують фінансові та виробничі дані, і, як правило, більшу їх частину за краще розміщувати в хмарних сховищах.
@BBDfeedback_bot - бот для спілкування.
Якщо у вас є побажання по темах, що ви хотіли б почитати на каналі, питання до нашого аналітика або просто бажання написати нам - бот до ваших послуг.
Якщо у вас є побажання по темах, що ви хотіли б почитати на каналі, питання до нашого аналітика або просто бажання написати нам - бот до ваших послуг.
BI & Big Data pinned «@BBDfeedback_bot - бот для спілкування. Якщо у вас є побажання по темах, що ви хотіли б почитати на каналі, питання до нашого аналітика або просто бажання написати нам - бот до ваших послуг.»
Теорії змови та Big Data 👻
Вітаю, друзі аналітики! 👋🏻
Сьогодні визначна подія, адже саме сьогодні вся інтернет-спільнота слідкує за тим чи відбудуться славнозвісний штурм Зони 51 👽
Продовжуючи тему іншопланетян на НЛО, ось декілька цікавих візуалізацій про спостереження літаючих тарілок в США 🇺🇸
▪️Statista, YouGov, TheAtalntic, USA Today
▪️Kaggle UFO Sightings
▪️National UFO Reporting Center
Давайте ж зануримось трохи у явище теорії змов, та методом моделювання визначми хто вони - люителі теорій змов? 🕵🏻️♂️
Людей що вірять в теорії змови часто вважають ірраціональними. Як правило, їх уявляють як людей, які постійно моніторять інтернет, протягують ниточки на спеціальній дошці між подіями та знаходять зв'язок між зовсім не пов'язаними подіями. Інтуїтивно зрозуміло, що за такою діяльністю повинна стояти якась фундаментальна логічна чи психологічна помилка.
У досліженні Коліна Клейна, Пітера Клатона та Вінса Політо були використані технології Big Data. Були використані онлайн коментарі на форумі про змови на Reddit щоб спробувати дізнатися щось про людей, які цікавляться подібними типами ідей. Набір даних містив 2,2 мільйона коментарів від приблизно 130 000 користувачів за 7 років.
Було використана техніка тематичного моделювання.
Було виявлено, що частина коментаторів страждать від монологічного мислення. Відхилення, за яким людина пояснює всі явища використовуючи один імпертаив, в цьому випадку якусь конкретну теорію змови.
Однак це були лише вершини айсберга: більшість коментаторів не підпадали під це описання. Наприклад, були знайдені підгрупи, які обговорювали розчарування владою і системою авторитетів загалом. Як доказ вони посилалсь на раніше розкриті змови.
Хтось використовував теорії змови щоб обговорювати расистські ідеї чи інші ідеї, які вважаються неприйнятними.
Більше того, як виявилось для багатьох - це просто хоббі, тісне переплетіння літаючих тарілок з котиками 😺 та мемами.
Вітаю, друзі аналітики! 👋🏻
Сьогодні визначна подія, адже саме сьогодні вся інтернет-спільнота слідкує за тим чи відбудуться славнозвісний штурм Зони 51 👽
Продовжуючи тему іншопланетян на НЛО, ось декілька цікавих візуалізацій про спостереження літаючих тарілок в США 🇺🇸
▪️Statista, YouGov, TheAtalntic, USA Today
▪️Kaggle UFO Sightings
▪️National UFO Reporting Center
Давайте ж зануримось трохи у явище теорії змов, та методом моделювання визначми хто вони - люителі теорій змов? 🕵🏻️♂️
Людей що вірять в теорії змови часто вважають ірраціональними. Як правило, їх уявляють як людей, які постійно моніторять інтернет, протягують ниточки на спеціальній дошці між подіями та знаходять зв'язок між зовсім не пов'язаними подіями. Інтуїтивно зрозуміло, що за такою діяльністю повинна стояти якась фундаментальна логічна чи психологічна помилка.
У досліженні Коліна Клейна, Пітера Клатона та Вінса Політо були використані технології Big Data. Були використані онлайн коментарі на форумі про змови на Reddit щоб спробувати дізнатися щось про людей, які цікавляться подібними типами ідей. Набір даних містив 2,2 мільйона коментарів від приблизно 130 000 користувачів за 7 років.
Було використана техніка тематичного моделювання.
Було виявлено, що частина коментаторів страждать від монологічного мислення. Відхилення, за яким людина пояснює всі явища використовуючи один імпертаив, в цьому випадку якусь конкретну теорію змови.
Однак це були лише вершини айсберга: більшість коментаторів не підпадали під це описання. Наприклад, були знайдені підгрупи, які обговорювали розчарування владою і системою авторитетів загалом. Як доказ вони посилалсь на раніше розкриті змови.
Хтось використовував теорії змови щоб обговорювати расистські ідеї чи інші ідеї, які вважаються неприйнятними.
Більше того, як виявилось для багатьох - це просто хоббі, тісне переплетіння літаючих тарілок з котиками 😺 та мемами.
Переможці Open Data Challenge 2019 розділили 2,5 млн гривень.
Open Data Challenge – це міжнародний формат конкурсу для розвитку інноваційних проєктів на основі відкритих даних, який в Україні виріс до масштабу найбільшого національного конкурсу в цій сфері. Мета конкурсу – залучення активістів, дослідників, дизайнерів та розробників для розвитку інноваційних сервісів та продуктів open data та big data, які сприятимуть вирішенню проблем українського суспільства та матимуть значний бізнес-потенціал.
Судді обрали 5 переможців, серед яких:
▪️Назар CityBot – муніципальний чат-бот, який інформує про роботу комунальних служб міста, попереджає про аварії та відключення, збирає дані лічильників та повідомляє про тарифи та їх зміни тощо.
▪️ Inspect.in.ua – вебсервіс, який, базуючись на результатах уже проведених перевірок компаній, формує перелік розповсюджених порушень, генерує персоналізовані рекомендації щодо усунення недоліків та виконує підбір зовнішніх спеціалістів.
▪️ Відкрита Влада – аналітичний вебсервіс для моніторингу роботи та виявлення корупційних зв’язків серед політиків, чиновників, державних, комунальних підприємств та організацій.
▪️ Мапа Реновації – інтерактивна мапа, що надає інформацію про стан закинутих будівель і просторів міста, пов’язані з ними виконавчі провадження; цільове призначення землі, актуальну діяльність активістів і забудовників.
▪️ Знай свого чиновника (Запарканом) – вебсервіс, який надає аналітичну інформацію для оцінювання чиновника на основі задекларованих статків, зв’язків із компаніями чи особами та генерує загальний рейтинг чиновників за ризик-факторами.
Open Data Challenge – це міжнародний формат конкурсу для розвитку інноваційних проєктів на основі відкритих даних, який в Україні виріс до масштабу найбільшого національного конкурсу в цій сфері. Мета конкурсу – залучення активістів, дослідників, дизайнерів та розробників для розвитку інноваційних сервісів та продуктів open data та big data, які сприятимуть вирішенню проблем українського суспільства та матимуть значний бізнес-потенціал.
Судді обрали 5 переможців, серед яких:
▪️Назар CityBot – муніципальний чат-бот, який інформує про роботу комунальних служб міста, попереджає про аварії та відключення, збирає дані лічильників та повідомляє про тарифи та їх зміни тощо.
▪️ Inspect.in.ua – вебсервіс, який, базуючись на результатах уже проведених перевірок компаній, формує перелік розповсюджених порушень, генерує персоналізовані рекомендації щодо усунення недоліків та виконує підбір зовнішніх спеціалістів.
▪️ Відкрита Влада – аналітичний вебсервіс для моніторингу роботи та виявлення корупційних зв’язків серед політиків, чиновників, державних, комунальних підприємств та організацій.
▪️ Мапа Реновації – інтерактивна мапа, що надає інформацію про стан закинутих будівель і просторів міста, пов’язані з ними виконавчі провадження; цільове призначення землі, актуальну діяльність активістів і забудовників.
▪️ Знай свого чиновника (Запарканом) – вебсервіс, який надає аналітичну інформацію для оцінювання чиновника на основі задекларованих статків, зв’язків із компаніями чи особами та генерує загальний рейтинг чиновників за ризик-факторами.
BigData вже активно використовується в спортивній аналітиці. Любителям хокею присвячується.
У цьому сезоні НХЛ дебютує із системою відстеження шайб і спортсменів, та обіцяє поділитися даними про швидкість і ефективність гравців.
Система слідкує за двома компонентами: бездротові та радіочастотні датчики, вбудовані в шайби та пришиті до форми фігуриста; і пристрої обробки, встановлені в стропілах та на верхньому ярусі спортивної арени, які реєструють координати x, y, z кожним датчиком на льоду сотні раз у секунду.
Програмне забезпечення штучного інтелекту збирає мільйони даних, координатні точки і видає статистику, таку, наприклад, як максимальна швидкість гравця або загальний час володіння шайбою.
НХЛ обіцяє, що система буде готова до використання вже в сезоні 2019-20.
У цьому сезоні НХЛ дебютує із системою відстеження шайб і спортсменів, та обіцяє поділитися даними про швидкість і ефективність гравців.
Система слідкує за двома компонентами: бездротові та радіочастотні датчики, вбудовані в шайби та пришиті до форми фігуриста; і пристрої обробки, встановлені в стропілах та на верхньому ярусі спортивної арени, які реєструють координати x, y, z кожним датчиком на льоду сотні раз у секунду.
Програмне забезпечення штучного інтелекту збирає мільйони даних, координатні точки і видає статистику, таку, наприклад, як максимальна швидкість гравця або загальний час володіння шайбою.
НХЛ обіцяє, що система буде готова до використання вже в сезоні 2019-20.
Business Intelligent для інформаційної безпеки
Питання надійного забезпечення інформаційної безпеки в разі із середнім і великим бізнесом часто впирається в оперативність виявлення ризиків і загроз. Однак контролювати величезну кількість різнорідних систем безпеки, що розрізняються за своїм функціоналом і формату надання звітної інформації, практично неможливо без серйозних втрат часу, які можуть виявитися критичними для діяльності компанії.
Кардинально змінити ситуацію в багатьох компаніях ситуацію допомагає практика впровадження систем бізнес-аналітики, заснованих на принципах Business Intelligence (BI). BI-системи бізнес-аналізу і контролю над інформаційною безпекою забезпечують упорядкування колосальних обсягів інформації з різнорідних джерел, подальшу очистку, агрегацію і аналіз кореляцій. Кінцеві результати надаються у вигляді наочних призначених для користувача звітів, які дозволяють оперативно виявити проблему, визначити першоджерела, а потім прийняти рішення. Саме тому ми рекомендуємо підходи, які традиційно використовуються в бізнес-аналізі, на вирішення завдань щодо забезпечення інформаційної безпеки.
Як правило, BI-системи, які використовуються для забезпечення інформаційної безпеки, характеризуються чіткою ієрархією показників ефективності, заснованої на взаємозв'язках між бізнес-орієнтованими і технічними показниками. Оцінка метрик і збір аналітичної інформації виробляються в автоматичному режимі, так що ключовим завданням стає коректна оцінка значень метрик. А звітність організована таким чином, що дозволяє робити різнорідні зрізи даних в залежності від роду аналітичних задач.
Впровадження систем бізнес-аналітики для вирішення завдань інформаційної безпеки, як правило, має переваги для прийняття управлінських рішень завдяки по над оперативному і коректному відбору ключових даних. Консолідовані дані візуалізації можуть бути представлені в зручному для управлінського аналізу форматі. В результаті процеси забезпечення інформаційної безпеки стають більш прозорими, легко коректованими і вимагають істотно меншого часу для виявлення загроз і прийняття рішення по їх локалізації.
Тим же, хто дочитав до цього рядка - хочу порадити гру Tech Support: Error Unknown. В ній ви зможете відчути себе в ролі звичайного інженера служби підтримки та матимете змогу перейти на темну сторону. 🌚
Питання надійного забезпечення інформаційної безпеки в разі із середнім і великим бізнесом часто впирається в оперативність виявлення ризиків і загроз. Однак контролювати величезну кількість різнорідних систем безпеки, що розрізняються за своїм функціоналом і формату надання звітної інформації, практично неможливо без серйозних втрат часу, які можуть виявитися критичними для діяльності компанії.
Кардинально змінити ситуацію в багатьох компаніях ситуацію допомагає практика впровадження систем бізнес-аналітики, заснованих на принципах Business Intelligence (BI). BI-системи бізнес-аналізу і контролю над інформаційною безпекою забезпечують упорядкування колосальних обсягів інформації з різнорідних джерел, подальшу очистку, агрегацію і аналіз кореляцій. Кінцеві результати надаються у вигляді наочних призначених для користувача звітів, які дозволяють оперативно виявити проблему, визначити першоджерела, а потім прийняти рішення. Саме тому ми рекомендуємо підходи, які традиційно використовуються в бізнес-аналізі, на вирішення завдань щодо забезпечення інформаційної безпеки.
Як правило, BI-системи, які використовуються для забезпечення інформаційної безпеки, характеризуються чіткою ієрархією показників ефективності, заснованої на взаємозв'язках між бізнес-орієнтованими і технічними показниками. Оцінка метрик і збір аналітичної інформації виробляються в автоматичному режимі, так що ключовим завданням стає коректна оцінка значень метрик. А звітність організована таким чином, що дозволяє робити різнорідні зрізи даних в залежності від роду аналітичних задач.
Впровадження систем бізнес-аналітики для вирішення завдань інформаційної безпеки, як правило, має переваги для прийняття управлінських рішень завдяки по над оперативному і коректному відбору ключових даних. Консолідовані дані візуалізації можуть бути представлені в зручному для управлінського аналізу форматі. В результаті процеси забезпечення інформаційної безпеки стають більш прозорими, легко коректованими і вимагають істотно меншого часу для виявлення загроз і прийняття рішення по їх локалізації.
Тим же, хто дочитав до цього рядка - хочу порадити гру Tech Support: Error Unknown. В ній ви зможете відчути себе в ролі звичайного інженера служби підтримки та матимете змогу перейти на темну сторону. 🌚
Steampowered
Save 80% on Tech Support: Error Unknown on Steam
Things are not what they seem at your new tech support specialist job. While resolving customer issues, you soon find yourself in the middle of a conspiracy. Will you side with your employer, join a rogue hacktivist group bent on destroying them, assist the…