آخرین آمارهای بانک مرکزی نشان می‌دهد که میزان بدهی بانک‌ها به بانک مرکزی دردی‌ماه سال‌جاری نسبت به مدت مشابه سال قبل ۱/ ۳۰ درصد افزایش یافته است @BIMining

اولویت‌های هزینه‌ای حوزه‌ی IT در مؤسسات مالی @BIMining

تاریخچه و تعریفNo Sql :

اصطلاح NoSQL اولین بار در سال 1998 توسط Carlo Strozzi برای پایگاه‌داده‌های رابطه‌ای‌ای که از زبان SQL استفاده نمی‌کردند به کار رفت . بعدها مجدداً در سال 2009 در اجلاس در San Francisco که مدافعین پایگاه‌داده‌های غیر رابطه‌ای گرد هم آورده بود مورداستفاده قرار گرفت. ازجمله این مدافعین می‌توان به Jon Oskarsson و Eric Evans اشاره نمود. اخیراً NoSQL به معنای "نه‌فقط SQL"(Not Only SQL) به دسته بزرگی از پایگاه‌داده‌ها اطلاق می‌شود که خصوصیات پایگاه‌داده‌های رابطه‌ای را ندارند و برای جستار زدن(query) از زبان توصیفی(declarative language) SQL استفاده نمی‌کنند. ازجمله بارزترین ویژگی‌های این دسته از پایگاه‌داده‌ها می‌توان به موارد زیر اشاره نمود:
• مدل داده غیر رابطه‌ای (Non-relational data model): محدودیت مدل رابطه‌ای در پشتیبانی از ابر داده‌ها(big data) و داده‌هایی با ساختارهای ترکیب‌شده(mixed-structured data) یعنی داده‌های ساخت‌یافته(structured)، نیمه ساخت‌یافته(semi- structured) و غیر ساخت‌یافته(unstructured) یکی از دلایل اصلی معرفی NoSQL بود.

طراحی‌شده برای محیط‌های توزیع‌شده: جهش‌های صورت گرفته در توسعه معماری کامپیوتر، پردازش‌های توزیع‌شده و موازی(distributed and parallel processing)، محاسبات ابری(cloud computing) و همچنین نیاز به تکرار(replicate) و توزیع(distribute) داده‌ها میان سرویس‌دهنده‌های متعدد؛ نیاز به یک پایگاه‌داده باقابلیت وسعت پذیری افقی( scale horizontally : scale out) را بیش‌ازپیش روشن می‌ساخت. یعنی پایگاهی که به تواند به‌سادگی و ارزانی با افزودن گره‌های جدید به شبکه‌اش توسعه یابد برخلاف پایگاه‌داده‌های رابطه‌ای که تنها به وسعت پذیری عمودی(scale vertically : scale up) یعنی ارتقا کارایی یک تک گره با افزودن به منابع آن یا با فناوری‌های مجازی‌سازی (virtualization technology)اهتمام می‌ورزند.
• واسط سطح فراخوانی ساده‌تر : واسط سطح فراخوانی(CLI : call level interface) یک استاندارد نرم‌افزاری است که می‌گوید چه طور جستارها از سمت برنامه به سمت DBMS ارسال و چه طور مجموعه‌رکورد(record set) به برنامه مجدداً به‌طور سازگاری برگرد. در برنامه‌های شی‌ءگرا و پایگاه‌داده‌های رابطه‌ای لازم بود تا نگاشت شی رابطه (Object/Relational Mapping) صورت پذیرد.
• اهمیت کم‌تر به سازگاری داده‌ها: پایگاه‌داده‌های NoSQL ای از مدل هم‌روندی و تراکنشی ضعیف‌تری نسبت به ACID بهره می‌برند. خصوصیت ACID به معنای اتمیک بودن(atomic)، سازگاری(consistency)، انزوا(isolation) و پایداری(durability) برای تراکنش‌های پایگاه‌داده، همخوانی داده‌ها در بالاترین اولویت خود می‌دانست. پیاده‌سازی این خصوصیت برای پردازش‌های موازی و پاسخگویی سریع به جستارها کار دشواری بود. پس برای پردازش حجم بالایی از داده در یک محیط توزیع‌شده ناچار به تعدیل خصوصیت ACID بودیم که در پایگاه‌داده‌های NoSQL این امر صورت پذیرفته است.
• استفاده کاراتر از شاخص‌ها و حافظه اصلی توزیع‌شده: با استفاده از ساختارهای درون‌حافظه ای(in-memory) می‌توان حجم بالایی از داده‌ها را در حافظه اصلی نهان (cache) نمود و با سرعت بالاتری نسبت به دیسک آن‌ها را واکشی(fetch) کرد.
• شمای منعطف‌تر : بی شمایی(schema-less) یا شمای ضعیف(weak schema) در انبار داده‌ها(data warehouse) یک پیشرفت در جستارهای تحلیلی حرفه‌های فاقد عمومیت(ad-hoc business analytics query) به‌حساب می‌آمد که پایگاه‌داده‌های NoSQL ای نیز بدان توجه وافری داشته‌اند.

تقسیم بندی :

پایگاه های داده NoSQL را می توان بر اساس مدل داده (data model) به چهار دسته تقسیم می شوند:

• پایگاه‌داده جفت کلید مقدار (Key Value Pair) : ایده اصلی این مدل دهه‌ها است که در محاسبات وجود دارد، این یک ساختمان داده معمول است یا مفهومی است در توسعه file system ها به کار گرفته‌شده است [1]. ساختار این مدل از مدل رابطه ای ساده تر و سرعت به جواب رسیدن جستارها نیز بسیار بالاتر است. این مدل برای تغییر(modify)دادن و جستار زدن بر روی کلیداصلی(primary key) حجم سنگینی از داده ها(mass storage) در همزمانی بالا(high concurrency) عملکرد عالی ای از خود نشان می دهد [33]. در این نوع از پایگاه‌داده‌ها، داده به‌صورت جفتی از کلیدها و مقدارها ذخیره می‌گردد. هر یک از کلیدها در گردایه (collection) خود منحصربه‌فرد است. دسترسی به مقادیر به‌وسیله تجمیع (association)کلید-مقدار به دست می‌آید. کلیدها نیازمند آن هستند که در مخزن داده‌ای که قابل‌دسترسی سریع باشند نگهداری گردند شبیه جدول درهم (hash table). نمونه ای از پیاده سازی ها :

Redis
Voldemort(LinkedIn)
Membase
Coherence(Oracle)
Velocity
BigTable(Google)
TokyoCabinet

• پایگاه‌داده‌های گراف(graph database) : پایگاه‌داده‌های گراف بر اساس نظریه گراف‌ها ایجادشده‌اند که شامل گره (node)، یال(edge) و خصوصیات (properties)هستند.بخشی از شهرت شبکه‌های اجتماعی به دلیل احیای تحقیقات پایگاه‌داده‌های گرافی در دهه‌های 80 و 90 بوده است چراکه روابط دوستی و علاقه‌مندی‌های افراد را می‌توان به‌صورت یک گراف متصور شد. نمونه ای از پیاده سازی ها :

Neo4j
InfoGrid
Sesame
BigData
FlockDB
GraphDB
AllegroGraph
DEX

پایگاه‌داده‌های ستون-فامیل (Column-Family) : پایگاه‌داده‌های ستون-فامیل نوعی از پایگاه‌داده‌های جفت کلید-مقدار هستند. و شامل column،column family و super column هستند. ابرستون ها (super-columns) و ستون فامیل (column family) شمای پایگاه‌داده را تعیین می‌کنند. می‌توان ستون و ابرستون‌های جدیدی نیز به پایگاه‌داده‌ای قبلاً تولید است اضافه نمود. یکی از تفاوت‌های پایگاه‌داده رابطه‌ای با پایگاه‌داده ستون-فامیل این است که سطرهای(row) در پایگاه‌داده ستون فامیلی لزوماً نباید هم‌درجه باشند.یعنی می‌توانند شمار متغیر و متفاوتی از ستون‌ها و ابرستون ها را داشته باشند. ازاین‌رو پایگاه‌داده‌های ستون فامیل در برنامه‌هایی که با گردایه ای از داده‌های پر تهی (spars) کار می‌کنند بسیار کارا هستند. نمونه ای از پیاده سازی ها :

Cassandra(Apache)
Hypertable
HBase
Dynamo
Riak

پایگاه‌داده‌های ستون-فامیل (Column-Family) : پایگاه‌داده‌های ستون-فامیل نوعی از پایگاه‌داده‌های جفت کلید-مقدار هستند. و شامل column،column family و super column هستند. ابرستون ها (super-columns) و ستون فامیل (column family) شمای پایگاه‌داده را تعیین می‌کنند. می‌توان ستون و ابرستون‌های جدیدی نیز به پایگاه‌داده‌ای قبلاً تولید است اضافه نمود. یکی از تفاوت‌های پایگاه‌داده رابطه‌ای با پایگاه‌داده ستون-فامیل این است که سطرهای(row) در پایگاه‌داده ستون فامیلی لزوماً نباید هم‌درجه باشند.یعنی می‌توانند شمار متغیر و متفاوتی از ستون‌ها و ابرستون ها را داشته باشند. ازاین‌رو پایگاه‌داده‌های ستون فامیل در برنامه‌هایی که با گردایه ای از داده‌های پر تهی (spars) کار می‌کنند بسیار کارا هستند. نمونه ای از پیاده سازی ها :

Cassandra(Apache)
Hypertable
HBase
Dynamo
Riak


• پایگاه‌داده سندمحور : از مفهوم جفت کلید-مقدار استفاده می‌کند ولی ساختار خاصی را در ذخیره‌سازی داده شبیه سند مانند XML و JSON اعمال می‌کنند که موجب ذخیره اطلاعات بیش‌تری درباره ساختار خود داده می‌شود که آن را نسبت به ستون-فامیل ها جستار پذیر تر می‌کند چراکه آنجا تنها جستار با یک کلید(key) یا بازه کلید (key range) امکان‌پذیر است[1] . پایگاه‌داده‌های سند‌محور با وجود شباهت ساختاری زیاد به پایگاه داده های جفت کلید/مقدار با آن ها دو تفاوت دارند: اول این‌که مقادیر پایگاه‌داده‌های سند‌محور معنایی(semantic)هستند و دوم این‌که می توانند از شاخص‌ثانویه نیز استفاده کنند . MangoDB نمونه‌ای از این مدل است که توسط شرکت 10gen توسعه‌یافته است. وقتی از پیاده‌سازی MangoDB پایگاه‌داده‌های NoSQL ای استفاده می‌کنیم خبری از جداول و شماها در پایگاه‌داده نیست. MangoDB در عوض از "گردایه ها" (collection) ها که شبیه جداول هستند و نیز از "اسناد" (documents) که شبیه سطرها هستند برای ذخیره‌سازی داده‌ها و اطلاعات شما (schema information) استفاده می‌کند. MangoDB به‌صورت خودکار برای هر "سند" یک شناسه‌ی کلید اصلی تولید(primary key id) می‌کند تا به‌طور منحصربه‌فرد قابل‌شناسایی باشد. ازلحاظ مفهومی شناسه (id) و سند (document) شبیه جفت کلید‌مقدار (key-value pair)است. MangoDB سعی می‌کند تا داده را بر حافظه نگاه دارد بنابراین دیگر نیاز به بازیابی (retrieve) داده‌های از روی دیسک سخت (hard disk) نیست و زمان کمتری برای جستارها لازم نیاز است. یکی از مشکلات (caveat) زمانی است مجموعه داده بزرگ‌تر از حافظه موجود (available memory) می‌گردد که در این صورت MangoDB مجبور به شروع کردن جستار از روی دیسک سخت خواهد شد. نمونه ای از پیاده سازی ها :

MangoDB(10gen)
CouchDB(Apache)
Riak
eXist
SimpleDB(Amazon)
Terrastore
Lotus Notes

#خبر
🌟 شریف از نظر ISC در ایران در بین دانشگاه های صنعتی بهترین شد
◀️پایگاه استنادی علوم جهان اسلام (ISC) رتبه دانشگاه های صنعتی را برای سال ۹۴-۹۵ اعلام کرد
منبع: sharif.ir
—
@BIMining

💢 درصد به کارگیری خانم ها در مشاغل فنی و غیرفنی شرکت های بزرگ فن آوری

@BIMining

۲۱۵ پتابایت اطلاعات روی یک گرم DNA ذخیره شد!

@BIMining

@BIMining
10 الگوریتم برتر داده کاوی
1. C4.5
2. k-means
3. Support vector machines
4. Apriori
5. EM
6. PageRank
7. AdaBoost
8. kNN
9. Naive Bayes
10. CART
http://www.kdnuggets.com/2015/05/top-10-data-mining-algorithms-explained.html✍🏻

@BIMining
🔶🔷 چرا امسال، سال هوش مصنوعی در صنعت بانکداری محسوب می شود؟

#Artificial_Intelligence
🔻 هوش مصنوعی در حال حاضر هم در صنعت بانکداری استفاده می شود اما ممکن است مشتریان از آن بی خبر باشند.
هوش مصنوعی به بهبود تجربه مشتری بدون به خطر افتادن حریم خصوصی افراد کمک می کند.

🔻 یکی از بخش هایی که بدون آگاهی مشتریان تحت تأثیر هوش مصنوعی قرار دارد مدیریت جرائم کلاهبرداری است. این فناوری در تطبیق چهره ها مشابه "گوگل فوتو" و "فیسبوک" عمل می کند اما بهبودهای چندگانه ای در زمینه مدیریت ریسک کلاهبرداری صورت داده است. هوش مصنوعی تمام درون-داده ها را می خواند تا تراکنش های خوب و بد، و شما را از کلاهبرداری که خودش را جای شما زده از هم تمایز دهد.

🔻 فناوری ربات های چت کننده جایی است که مشخصا مشتریان با هوش مصنوعی در تماسند. قدرت واقعی رابط های کاربری "گفتگو کننده" (Conversational)، فعالانه عمل کردن این ربات هاست. شما می توانید با ربات های چت کننده با زبان خود گفتگو کنید و اگر چیز مهمی برای گفتن به شما داشته باشند، آنها هم می توانند به زبان خود با شما صحبت کنند. رفتار فعالانه چیزی است که ربات ها را به یک دستیار هوشمند تبدیل می کنند.

🔻 ربات های دارای هوش مصنوعی می توانند در پس انداز کردن کمک کنند، می توانند به شخصی بگویند با صرف نظر از خریدن قهوه برای صبحانه می تواند 4 یا 5 دلار در حساب بازنشستگی اش پس انداز کند. چیزی که مشتریان نیاز دارند، چیزی است که همیشه قادر نیستند به زبان بیاورند، بنابراین ربات های دارای هوش مصنوعی ممکن است فعالانه عمل کنند و از واکنش های مشتریان یاد بگیرند. البته ممکن است مشتریان به این رفتارها واکنشی نشان ندهد و هوش مصنوعی راه های دیگرای را امتحان کند.

🔻 مشاوره سرمایه گذاری یکی از بخش هایی است که هوش مصنوعی به آن وارد خواهد شد و ربات های مشاور نقش رو به رشدی در آن ایفا می کنند. مدل های این ربات ها توسط انسان ها کدنویسی می شدند اما امروزه هوش مصنوعی قابلیت بازنویسی کدهای خود را نیز دارد. مشتریان از دستگاه ها و پلتفرم های مشخصی استفاده می کنند، بنابراین در مورد اینکه چه نوع هوش مصنوعی قابل استفاده در بانک هاست انتخاب های زیادی وجود ندارد.

🔻 هوش مصنوعی مانند کودکی است که به اطلاعات زیاد و داده های فراوان نیاز دارد. اما همه دستگاه ها یک نوع داده مشخص را استفاده نمی کنند چرا که هرکدام داده های متفاوتی را گردآوری می کنند. این چالشی است که بانک ها باید به آن عادت کنند و افراد یا شرکت هایی را برای رفع آن به کار بگیرند.

🔻 همه این نوآوری ها؛ اعم از اینترنت اشیاء، ابر، هوش مصنوعی، بلاکچِین دست به دست هم داده اند و تغییرات بزرگی را رقم می زنند، مرزهای میان صنایع را محو می کنند و خدمات بانکداری در همه صنایع، خودروها، فروشگاه ها و همه جا به کار گرفته می شود. بیشتر این تغییرات تکراری هستند و صرفا بدون آگاهی مشتریان اتفاق می افتند، اما اغلب تغییرات چشمگیری هم رخ می دهد.

⏩ @BIMining
خبر را در آدرس زیر ببینید:
⏩ https://goo.gl/ca9mJz

در آستانه فرا رسیدن “عید نوروز باستانی” و طمطراق پیک بهاران و آغاز سال نو تبریک و تهنیت صمیمانه را تقدیم شما عزیزان داشته و در پرتو الطاف بیکران خداوندی، سلامتی و بهروزی، عزت و کامیابی را آرزومندم.

ده مهارت برتر که آموزش آن در 2020 نیاز است:
⏩ @BIMining

1.Complex Problem Solving🔽
مهارت حل مساله که در زندگی روزمره بسته به نوع مساله(ساده یا پیچیده)نیاز است . گرچه طراحی و ساختار گرایی به روند حل مساله کمک می کند اما تصمیم گیری به موقع در موقعیت، موفقیت را بیشتر خواهد کرد که شامل: شناسایی مساله،ساختن تصویری واقعی از آن ،پیدا کردن راه حل مناسب ،تصمیم گیری،پیاده سازی و مانیتور کردن فیدبک ها می شود.

2. Critical Thinking🔽
یا همان تفکر انتقادی
این مفهوم از 2500 سال پیش مطرح شده. فرد با این نوع مهارت توانایی این را خواهد داشت که ارتباط منطقی بین ایده ها را بفهمد و قدرت تشخیص و ارزیابی را داشته باشد. همچنین ارتباط و اهمیت ایده ها را درک کرده و خود قدرت بیان عقاید و نظرات خود را داشته باشد.این مهارت باعث پیشرفت مهارت های زبانی،خلاقیت و... در فرد می شود.

3.Creativity & Innovation:🔽
یا همان خلاقیت و نوآوری که احتمالا همه دوستان با آن آشنا باشند.
خلاقیت و نوآوری در واقع تبدیل یک ایده یا تصویر جدید به یک واقعیت است. توانایی دید و درک جهان به روشی جدید برای پیدا کردن الگوهای مخفی و نادیده شده. البته خلاقیت و نوآوری دو روند دارد. تفکر و تولید.
اگر ایده یا تفکر جدید داشته باشید ولی نتوانید آن را عملی کنید می توان گفت خلاقیتی ندارید.

4.People Management:🔽
مدیریت افراد
که اشاره به نقش پذیری به عنوان یک رویه در تربیت افراد یا انگیزه مند کردن آنها برای بهبود و اجرای بهتر است که سخت ترین و مهم ترین نقش در بحث های مدیریتی است.

5. Coordinating with Others:🔽
مهارت هماهنگ شدن با دیگران
این مهارت شامل توانایی سازماندهی کار خود و لینک آن با دیگران است و توجه به فعالیت های مختلف به طور همزمان دارد. البته با اولویت بندی و تفویض اولویت در صورت لزوم.

6. Emotional Intelligence:🔽
هوش هیجانی
این مهارت اشاره به توانایی فرد برای کنترل احساسات و استفاده از آن برای بالا بردن قدرت تفکر است.
افراد با هوش هیجانی بالا در تشکیل و حفظ روابط بین فردی و گروهی بهتر عمل می کنند.

7. Judgment & Decision Making🔽
مهارت تصمیم گیری و قضاوت
در این مهارت فرد برای حل مشکلات از بین چند گزینه امکان پذیر،یک گزینه را انتخاب می کند. مساله ای که واضح و مشخص است ریسک پذیری و قبول آن از طرف فرد است.
این مهارت یک جزء کلیدی از مهارت های مدیریت محسوب می شود.

8. Servic- Orientation Management:🔽
مدیریت سرویس گرا
که به توانایی و تمایل به پیش بینی،تشخیص و رفع نیاز دیگران گفته می شود. افراد دارای این مهارت در فراهم آوردن رضایت افراد و در دسترس و تمرکز افراد اطراف خود تلاش می کنند.

9. Negotiation🔽
یا همان مذاکره
روشی است که افراد آن را برای حل و فصل اختلافات به کار می گیرند.
در این روش افراد برای درک مساله و رسیدن به بهترین نتیجه ممکن تلاش می کنند.
در مذاکره افراد به دنبال منافع متقابل و حفظ یک رابطه کلیدی برای نتیجه ای موفقیت آمیز هستند.

و بالاخره آخرین مورد

10. Cognitive Flexibility🔽
که از آن به انعطاف پذیری شناختی تعبیر می شود
توانایی ذهن است برای سوئیچ بین تفکر در دو مفهموم متفاوت یا به عبارتی تفکر در مورد مفاهیم متعدد به طور همزمان با در نظر گرفتن جنبه های مختلف فکری.
@BIMining

بخش های مختلف صنعت مالی که فین تک ها در آن فعال هستند. @BIMining

6 فناوری برای آنکه در 5 سال آینده، ثروتمند شوید @BIMining

میزان حقوق و دستمزد متخصصین هوش تجاری در 12 ماه گذشته از 237190 کارمند، کاربران، و تبلیغات کار در گذشته و حال و در کشور آمریکا. آخرین به روز رسانی: 26 مارس2017

Platforms &Tools for big data analytics in healthcare

An applied conceptual architecture of big data analytics.

#آموزشی
#بیگدیتا
#بیگ_دیتا_چیست_و_چرا_اهمیت_دارد؟ ⭐️قسمت اول⭐️

بیگ دیتا اصطلاحی رایج است که رشد و در دسترس بودن داده، چه ساختارمند و چه غیرساختارمند، را توصیف می ­کند. بیگ دیتا ممکن است به اندازه اینترنت برای کسب ­و­کار – و جامعه – مهم باشد. چرا؟ داده ­های بیشتر به تحلیل ­های دقیق ­تر می ­انجامد. تحلیل ­های دقیق ­تر منجر به تصمیم­ گیر ی­های مطمئن بیشتری شده و تصمیمات بهتر، می ­تواند معنای کارایی بیشتر عملیات، کاهش هزینه ­ها و کاهش ریسک­ ها باشد.
@BigDataMaster

#آموزشی
#بیگدیتا
#بیگ_دیتا_چیست_و_چرا_اهمیت_دارد؟ ⭐️قسمت دوم⭐️
تعریف بیگ دیتا :
@BigDataMaster
در سال 2001، تحلیلگر صنعت، داگ لنی (که اکنون با گارتنر کار می­ کند)، بیگ دیتا را به صورت سه V تعریف کرد: حجم (Volume)، سرعت (Velocity) و تنوع (Variety).

حجم: فاکتورهای بسیاری به افزایش حجم داده ­ها کمک می­ کند. داده­ های بر پایه تراکنش ذخیره شده در طی سالیان، داده ­های غیرساختارمند سرازیر شده از رسانه ­های اجتماعی؛ مقدار در حال افزایش داده­ های ماشین-به-ماشین و سنسور جمع ­آوری شده. در گذشته، حجم انبوه داده یک مسئله ذخیره کردن بود. اما با کاهش هزینه ­های ذخیره، مسائل دیگری سر بر می ­آورند؛ شامل چگونگی تعیین ارتباط در حجم زیاد داده­ ها و چگونگی استفاده از علم تجزیه و تحلیل به منظور ایجاد ارزش از داده ­های مرتبط.
@BigDataMaster
سرعت: داده­ ها با سرعتی بی ­سابقه وارد شده و باید در زمان مناسب به سراغ آن­ها رفت. تگ­ های RFID، سنسورها و اندازه­ گیری هوشمند، نیاز به سر و کله زدن با جریانات داده را در اولین زمان نزدیک به اکنون را ایجاد می­ کنند. واکنش سریع به کار با سرعت داده ­ها، چالشی برای بیشتر سازمان­ هاست.
@BigDataMaster
تنوع: داده­ ها به شکل­ های گوناگونی وارد می­ شوند. داده ­های عددی ساختاریافته در پایگاه­ های داده سنتی؛ اطلاعات ایجاد شده از برنامه­ های کاربردی کسب ­و­کار؛ اسناد متنی غیرساختاریافته، ایمیل، صدا و تراکنش­ های مالی. مدیریت، ادغام و حاکمیت بر انواع گوناگون داده، چیزی است که بسیاری از سازمان­ ها هنوز با آن درگیرند.

#آموزشی
#بیگدیتا
بیگ دیتا چیست و چرا اهمیت دارد؟ ⭐️قسمت سوم⭐️
چرا بیگ دیتا باید برای شما مهم باشد؟
@BigDataMaster
مسئله واقعی این نیست که مقدار زیادی داده به دست آورید؛ این است که با آن چه می­ کنید. دیدگاه امیدوارانه این است که سازمان­ ها قادر به تحصیل داده از هر منبعی بوده، داده­ های مرتبط را تهیه کرده و آن را تحلیل کنند تا پاسخ سؤالاتی را بیابند که
1️⃣کاهش هزینه­ ها، 2️⃣ کاهش زمان، 3️⃣ توسعه محصولات جدید و پیشنهادات جدید، و 4️⃣ تصمیم ­گیری هوشمندانه ­تر کسب ­وکار را مقدور می ­سازند. برای مثال، با ترکیب بیگ دیتا و تحلیل­ های قوی، این امکان وجود دارد تا:
@BigDataMaster
⭕️ علت های اصلی شکست ها، مسائل و نقوص را در لحظه تعیین کرد تا سالانه تا میلیاردها دلار صرفه­ جویی کرد.
⭕️ مسیر وسیله ­های حمل بسته­ های تحویلی را زمانی که هنوز در جاده هستند، بهینه کرد.
⭕️ در چند دقیقه تمام سبد ریسک را دوباره حساب کرد.
⭕️ سریعاً مشتریانی که بیشترین اهمیت را دارند، شناسایی کرد.
@BigDataMaster