آموزش دیتا بیس MongoDB-بخش 2.5

آموزش دیتا بیس MongoDB-بخش 2.4

آشنایی با زبان برنامه نویسی R

آژور در صدر مه داده ها

الگوریتم های پر استفاده

معرقی پایگاه داده mongodb

Big Data Technologies – What You Need to Know
» Hadoop - is an open source software project that supports data-intensive distributed applications. It enables applications to work with thousands of computational independent computers and petabytes of data.
» MapReduce - is a software framework that allows developers to write programs that process massive amounts of unstructured data in parallel across a distributed cluster of processors or stand- alone computers
» Hive – is a query language similar to standard SQL statements. The query language is called Hive Query Language (HQL). Hive is executed on Hadoop clusters based on MapReduce operations.
» NoSQL – is a term used for a wide variety of database management systems whose one thing in common is that they don’t use SQL. Oracle NoSQL Database, for example, is a key value database, where data is stored under and accessed by a unique key, and variable schemas are easily supported.
» Hadoop Distributed File System (HDFS) - is a distributed, scalable, and portable file system written in Java for the Hadoop framework. In order to scale a Hadoop cluster to hundreds and thousands of nodes, HDFS is critical.
» MongoDB – is a NoSQL open source Database designed for scale, flexible data aggregation and to store files of any size. It has rich querying, high availability and full indexing support and is fast being adopted by many businesses.
» HBase – is an Apache open source, distributed, versioned project that provides real - time read/write access to Big Data atop clusters of commodity hardware. Apache HBase provides these capabilities on top of Hadoop and HDFS.
» Sqoop – is the tool designed for efficiently transferring bulk data between the Apache distribution of Hadoop and structured relation Data Bases. (SQL to Hadoop = Sqoop)
» Pig – is a programming platform to write Map Reduce programs to query large scale data. General Pig scripts are written in the Pig Latin language.
BIG DATA AND ENTERPRISE DATA: BRIDGING TWO WORLDS WITH ORACLE DATA INTEGRATOR 12C (ODI12C)
» Oozie –is a workflow scheduler system to manage Apache Hadoop jobs. Oozie is integrated with the rest of the Hadoop stack supporting several types of Hadoop jobs such as Java map-reduce, Streaming map-reduce, Pig, Hive, and Sqoop.

بانک‌ها برای طراحی فعالیت‌های آتی خود، نیاز به تحلیل داده‌های گذشته دارند. تحلیل‌های BI عمدتا نیازمند اطلاعات مربوط به شعب، کارکنان، سپرده‌ها، وام‌های اعطایی، فروش و هزینه، سود و زیان و ... بصورت صورت اعداد مطلق و یا درصدی می‌باشند که ممکن است به تفکیک محصول، بخش، پروفیل مشتری، ناحیه، زمان و یا ساختار توزیع باشند.

✅هوش تجاری این داده‌ها را در قالب شاخص‌هایی مانند سودآوری محصول تحلیل می‌کند، شناخت نیازهای مشتری را بهبود می‌بخشد، نواحی محوری و فرصت‌های جدید بازار را شناسایی می‌کند و روشن می‌سازد چه محصولاتی نیاز به قیمت‌گذاری مجدد دارند، چه محصولاتی باید حذف شوند و چه محصولات دیگری باید معرفی شوند. به کمک این تحلیل‌ها، بانک‌ها می‌توانند انحراف دستاوردها را از اهداف کنترل کنند و اقداماتی برای درمان این مشکل صورت دهند.

ریسک‌ و عدم قطعیت مالی و غیرمالی یک بخش لاینفک بانکداری است. ریسک‌هایی که عمدتا بانک‌ها با آن مواجه‌اند عبارتند از: ریسک اعتبار، ریسک بازار و ریسک عملیاتی.

✅ریسک اعتبار اشاره به احتمال عدم بازپرداخت تعهدات قرض‌گیرنده دارد. هوش تجاری می‌تواند به بانک‌ها کمک کند تا از طریق ایجاد دیتابیس‌هایی از قرض‌گیرندگان و حوزه‌های ریسکی کسب‌وکار، این ریسک را کاهش دهند. تحلیل‌هایی که بر روی معاملات و تراکنش‌های قبلی یک قرض‌گیرنده انجام می‌شود می‌تواند به پیش‌بینی آماری رفتار وی در آینده کمک کند. این اطلاعات به بانک‌ها کمک می‌کند تا مکانیزم‌های وام‌دهی و نمره‌دهی ریسک خود را تصحیح کنند.

✅ریسک بازار ریسکی است که از نوسانات متغیرهای بازار در بازارهایی که بانک‌ها بیشتر در معرضشان قرار دارند ناشی می‌شود. تحلیل بر روی داده‌های تاریخی می‌تواند سبد بانک را با پررنگ کردن فرصت‌های تنوع-بخشی یا کاهش قرارگیری در معرض ریسک یک قرض‌گیرنده‌ی مشخص یا بخش صنعت تقویت کند. مدیریت دارایی- بدهی همچنین می‌تواند از طریق مطالعه‌ی داده‌های قدیمی به صورت موثری انجام شود.

ریسک عملیاتی ریسکی است که از خطای انسانی، تخلف یا بلایای طبیعی ناشی می‌شود. هرچند نمی‌توان بلایای طبیعی را پیش‌بینی کرد، ریسک‌های ناشی از تخلف یا خطای انسانی را می‌توان قطعا از طریق حسابرسی مناسب و کنترل‌های داخلی قوی‌تر چک کرد.

🔴سیستم BI به بانک‌ها کمک می‌کند تا سابقه‌ی جامعی از تمام تراکنش‌های مالی و غیرمالی کارمندان و سایر ذی‌نفعان خود را نگهداری کنند تا کوچک‌ترین انحراف از فرایندهای مقرر روشن شود. یک مکانیزم گزارش‌دهی مناسب همچنین شفافیت در تراکنش‌های بانکی را تضمین می‌کند و ریسک عملیاتی را کاهش می‌دهد.

#اجزای اصلی سیستم #هوش_تجاری

✅در یک راه حل هوش تجاری ارائه شده برای یک سازمان، افراد مختلفی در بخش‌های مختلف درگیر می‌شوند: این افراد باید از نرم‌افزارهای کاربردی و تکنولوژی‌های مختلف در مراحل متفاوت شامل جمع‌آوری، ذخیره‌سازی و تحلیل اطلاعات و ارائه نتایج به دست آمده، استفاده کنند.

اجزا و عناصر اصلی یک سیستم هوش تجاری شامل موارد زیر است:

🔹 استخراج، انتقال و بارگذاری
🔹 انبار داده
🔹 پردازش تحلیلی آنلاین
🔹 داده‌کاوی
🔹 نرم‌افزارهای گزارش‌گیری
🔹 سیستم تصمیم‌یار هوشمند
🔹عامل هوشمند
🔹سیستم مدیریت دانش

با توجه به متن مراحل اصلی یک سیستم هوش تجاری بیان شده ....ولی متاسفانه در اکثر سازمانها از هوش تجاری به عنوان گزارش ساز یاد میشود که این خود جای تفکر دارد ...برای داشتن یک سیستم BI به معنی واقعی .....انبار داده (OLAP)بسیار اهمیت دارد .....پس BI صرفا نرم افزار گزارش گیری نیست 🙏🏻

سلام
ممنون از مطالب ارسالي
من حداقل ٩ در حوزه هوش تجاري بانكي مشغول كار هستم و فرمايش شما تقريبا منطبق بر واقعيته.
اما مسيله و مشكل ناشي هميشه ناشي از پياده سازي نادرست BI نيست.
درواقع سازمانها ( بانكها بطور خاص) هرگز بطور جدي درگير محاسبه سود آوري و ريسك و .. نبودند و متاسفانه هنوز هم نيستند.
حال شما فرض كنيد سازماني كه هنوز به بلوغ مطلوب نرسيده، ابزارهاي پيشرفته تحليلي در اختيار داشته باشه. مسلما نهايت كاربردي كه از آن متصور ميشه، همون ساختن گزارش خواهد بود.
البته اين را هم در نظر بگيريد كه واقعا خيلي از گزارشات بي هدف در بانكها بطور سنتي براي مخاطب داخلي يا بانك مركزي ساخته ميشه كه خيلي از منابع سازمان رو به هدر ميده.
شايد اولين وظيفه BI در اين سازمانها، قبل از ورود ناگهاني به تحليلها، خودكار كردن فرآيند ساخت گزارشات عملياتي و دوره اي باشه.!

آموزش دیتا بیس MongoDB - بخش 1.5

آموزش دیتا بیس MongoDB-بخش 2.1

بررسی روند سهم PSP ها از تعداد تراکنش های آنلاین در ایران

نکته قابل تامل ! کاهش قابل توجه تعداد تراکنش های آنلاین PSP پارسیان از 67 درصد تیرماه 94 به 16 درصد مهر 95 😳

🔵ریسک شکست BI را به حداقل برسانید

✅پیتر دراکر (Peter Drucker) نویسنده و متخصص مدیریت کسب و کار می گوید: هیچ چیزی بدتر از این نیست که یک کار اشتباه را به خوبی انجام دهید

🔹چرا باید BI شکست بخورد؟
🔹چرا طراحی و پیاده سازی BI بر اساس نیاز پرسنل دپارتمان های مختلف اشتباه است؟
🔹چرا باید BI بر اساس نیاز و اهداف کلان سازمان طراحی و پیاده شود؟

✅چون معمولا پرسنل برنامه ریزی های شرکت را نمی فهمند یا از عمکرد آن دید واضحی ندارند. به این دلیل که نمی شود روی پرسنل برای آن بخش از استراتژی که مربوط به آنهاست حساب کرد، یا به اطلاعاتی که ارائه می دهند استناد نمود و تصمیمات مفید اتخاذ کرد.

آموزش دیتا بیس MongoDB-بخش 2.2

آموزش دیتا بیس MongoDB-بخش 2.3

BUSINESS INTELLIGENCE: CONCEPTS, COMPONENTS, TECHNIQUES AND BENEFITS

مفاهیم، مولفه ها، تکنیک ها و مزایای هوش تجاری

#Business_Intelligence
#BI

@Com_IT_Articles