‍ ✍️مصاحبه :

🖌 ضرورت تدوین سند ملی «تحلیل‌گری داده» در کشور

✅ یکی از چالش‌های مهم در عرصه کسب و کارها، ظهور نوآوری و فناوری‌های نوین است که به سرعت چشم‌انداز هر کسب و کار را تحت تأثیر قرار داده و آینده آن را با چالش‌های غیرقابل پیش بینی روبرو می‌سازد. در اين میان، «تصمیم‌گیری» و «تصمیم سازی» مولفه‌هایی مهم تلقی می‌شوند که باید متناسب با این تغییر و تحولات، با سرعت و در عین حال با دقت انجام شوند، امری که به نظر می‌رسد دیگر با مکانیسم‌های قدیمی «تصمیم‌گیری» در پیچ و خم بروکراسی‌های پیچیده سازمان‌های امروزی امکان پذیر نیست.

✅ در این مصاحبه با آقای دکتر سعید روحانی، دانشیار دانشکده مدیریت دانشگاه تهران، به گفت‌وگو در خصوص حوزه نوین تحلیل‌گری کسب و کار و تحلیل‌گری مبتنی بر داده و نقش آن در تصمیم‌گیری پرداخته شده است.

برای خواندن متن كامل این مصاحبه به لینک زیر مراجعه فرمایید:

🔗 https://news.ut.ac.ir/fa/news/21593

#مصاحبه
#دکتر_سعید_روحانی
#تحلیل‌گری_داده
#تحلیل‌گری_کسب‌وکار

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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


📌 بخش دوازدهم: تجزیه و تحلیل عظیم‌داده در تبلیغات

🔹 مقدمه
به طور سنتی، تبلیغات چیزی جز برقراری ارتباط با مجموعه ای از مخاطبان هدف نبود. اما با ظهور اینترنت، همه چیز تغییر کرد، به ویژه تبلیغات هدفمند رفتاری. از سال 2000، اینترنت اصلی‌ترین کانال تبلیغاتی و بازاریابی برای همه مشاغل در همه بخش‌ها شد. اما حتی در آن صورت، نرخ کلیک (CTRs, the click through rates) پس از مدتی افزایش می یابد. CRT ها در سال 2013 و خیلی بعدتر 62 درصد افزایش یافت. امروزه مارک‌ها به حجم عظیمی از داده‌ها در قالب بررسی، توییت، فالوور، کلیک، لایک و غیره دسترسی دارند که پتانسیل بسیار خوبی را در اختیار قرار می‌دهند. بنابراین، وقتی این نوع داده‌های بدون ساختار با داده‌های سطح کلان آژانس‌های تبلیغاتی ترکیب شود، می‌تواند یک فرصت ارتباطی ارزشمند باشد. شرکت‌ها می‌توانند ببینند چگونه می‌توانند داده‌ها را برای کسب بینش و پیش‌بینی رفتار مصرف کننده تجزیه و تحلیل کنند و همچنین به این نتیجه برسند که چگونه می‌توانند منابع داده‌های متفاوت و بدون ساختار جدید را با داده‌های موجود خود هماهنگ کرده و تصمیمات عملی بگیرند. با پیشرفت‌های اخیر در محاسبات تلفن همراه و شبکه‌های بی‌سیم، تبلیغات تلفن همراه به دلیل بستر موثری که دستگاه‌های تلفن همراه می‌توانند ارائه دهند، رواج یافته است. بنابراین، تجزیه و تحلیل عظیم‌داده مبتنی بر تلفن همراه فرصت‌های جدیدی را برای ورود به تبلیغات فراهم می‌کند. در حال حاضر، رویکردهای درگیر در فرایندهای تبلیغاتی از فناوری هدف‌گیری رفتار (BT, behavior targeting) برای ارائه خدمات ثابت استفاده می‌کنند. این سناریو در مقایسه با انتظارات و الزامات سریع و واقعی در سناریوی آینده تجزیه و تحلیل عظیم داده منسوخ و بسیار ضعیف است. نیاز به یک ساعت برای توسعه یک سرویس جدید در تبلیغات بر اساس تکنیک‌های تجزیه و تحلیل عظیم داده است. هدف از چنین ابتکاراتی ارائه خدمات بی واسطه و ثابت بر اساس تقاضا برای تبلیغ کنندگان و ناشران در مورد زمان، چه، چگونه، برای تبلیغ الگوها، شناسایی الگوهای رفتاری مشتری است که توسط داده‌ها جمع آوری شده است.
🔸 تجزیه و تحلیل عظیم داده چه نقشی می‌تواند در تبلیغات داشته باشد؟
کمپین‌های شخصی‌سازی شده هدفمند می‌توانند برای صرفه‌جویی در هزینه و افزایش کارآیی با هدف قرار دادن افراد مناسب با محصول مناسب با جمع آوری داده‌ها و یادگیری رفتار کاربران ایجاد شوند. رد پای دیجیتالی یک مشتری در عصر امروز بازاریابی و تبلیغات شخصی بسیار ارزشمند است. با هر جستجوی گوگل، هر پست فیس‌بوک یا توییتر، همه اقدامات آنلاین، رسانه‌های اجتماعی مصرف کننده و دنیای دیجیتالی، اطلاعات بسیار ارزشمندی در دسترس است که با تبلیغات محصولات مختلف تأیید می‌شود، به طوری که ممکن است مشتری مایل یا علاقه مند به خرید باشد. اطلاعات مربوط به جوامع آنلاین زنده را می‌توان پس از درک مناسب الگوهای رفتار کاربران مورد هدف قرار داد. با جزئیات چنین رفتاری می‌توان انگیزه‌های مشتری را بهتر درک کرد. آژانس‌های تبلیغاتی می‌توانند اطلاعات را بدست آورند و از این طریق منافع مشتری را دقیقا اندازه گیری کنند و با تجزیه و تحلیل سطح زیرگروه‌ها، می‌توانند برداشت‌های مشتریان را در مورد آخرین روندها یا محصولات خاص پیگیری و اندازه گیری کنند.
🔹 بات‌ها
ما قبلاً می‌دانیم که حدود یک چهارم همه تبلیغات فقط برای ربات‌ها نمایش داده می‌شود، نه به انسان‌ها. بنابراین، تقلب در تبلیغات را می‌توان در مواردی مشاهده کرد که انسان در معرض تبلیغات قرار نگرفته است.
🔸 تجزیه و تحلیل پیش بینی در تبلیغات
با استفاده از تکنیک‌های تجزیه و تحلیل پیش بینی کننده برای مشکلات عظیم داده می‌توان بر تقلب بزرگ تبلیغاتی غلبه کرد. تکنیک‌های تجزیه و تحلیل عظیم داده این امکان را فراهم می‌کند که انواع مشتریان مورد نظر را به طور دقیق مشخص کنیم، بنابراین مکانیسم‌های موثر، کارآمد و کم هزینه را برای دستیابی و تأثیر بر اهداف خاص امکان پذیر می‌سازد. Optimove پلتفرمی برای اتوماسیون بازاریابی است که از تجزیه و تحلیل پیش‌بینی برای اولویت‌بندی مشتریان فعلی به جای جذب مشتریان جدید با سرمایه‌گذاری اضافی استفاده می‌کند.
🔹 عظیم داده برای ایده های بزرگ
ایده‌های جدید و بزرگ را می‌توان با همکاری با شرکت‌های عظیم داده، با سرعتی سریع‌تر از روش‌های معمول کار با ایده‌ها و طرح‌های مختلف در بخش‌های مختلف، توسط تبلیغ کنندگان تصور و ارائه کرد. امروزه آگهی دهندگان می‌توانند ایده‌ها و کمپین‌های جدید را بسیار سریع ارائه دهند و از فناوری‌های عظیم داده استفاده کنند.

🔸نوآوری در عظیم داده - Netflix
نتفلیکس بر اساس آنچه مشتریان قبلاً مشاهده کرده اند با جمع آوری داده‌ها در برنامه‌های تلویزیونی مشاهده شده، زمان صرف شده در هر نمایش، ترجیحات بازیگران و غیره تبلیغات تلویزیونی را انجام می‌دهد. با همه این موارد، نتفلیکس می‌تواند ارزش مشتری را برای تبلیغ کنندگان محاسبه کند.
🔹 چشم انداز آینده
به دلیل این که بسیاری از مشاغل دارای داده‌های زیادی از مشتریان خود هستند اما زیرساخت‌ها یا توانایی درک آنها را ندارند، نیاز به زیرساخت‌ها و تجزیه و تحلیل فناوری بهتر و جدید همچنان افزایش می‌یابد. بنابراین، با استفاده از قدرت تجزیه و تحلیل داده‌ها، تبلیغ کنندگان می‌توانند روندهای نوظهور را شناسایی کرده و گزینه‌های تبلیغات زنده را در زمان واقعی ارائه دهند: تجزیه و تحلیل پیش‌بینی شده مبتنی بر فناوری عظیم داده می‌تواند به مخاطبین مناسب در زمان مناسب، هدف همه تبلیغات، کمک کند. این فرصتی را برای شرکت‌ها فراهم می‌کند تا داده‌های خود را استخراج کنند تا هم سطح پایینی و هم خدمات مشتری را بهبود بخشند، به جای اینکه کورکورانه روی معدن طلای داده‌های مشتریان بنشینند.
🔸 نتیجه گیری
در این فصل، نقش احتمالی تجزیه و تحلیل عظیم داده در تبلیغات تجزیه و تحلیل شده است. نقش تجزیه و تحلیل پیش‌بینی در تبلیغات با مثال Netflix ارائه شده است. در نهایت چشم انداز آینده برای نقش تجزیه و تحلیل عظیم داده در تبلیغات ارائه شده است.


#کتاب_بخوانیم
#فصل_دوازدهم
#تبلیغات
#ساینا_رتبه‌ای
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌📌 معرفی کسب‌وکار داده‌محور

🖌Narrative Science

🔸شرکت Narrative Science یک شرکت فناوری مستقر در شیکاگو، ایلینوی است که در داستان سرایی داده تخصص دارد. این شرکت دو محصول داستان سرایی داده به نام‌های Quill و Lexio دارد که هدف آن کمک به کسب‌وکارها در درک داده‌های خود و داستان پشت آنها است.
🔹شرکت Narrative Science در سال 2010 در ایوانستون، ایلینوی، پس از یک پروژه دانشجویی در آزمایشگاه اطلاعات هوشمند در دانشگاه نورث وسترن، آغاز به کار کرد. اولین نسخه از محصول شرکت با نام پروژه StatsMonkey و در آزمایشگاه توسط کریس هاموند، لری برنبام، نیک آلن و جان تمپلون توسعه یافت. StatsMonkey برای ایجاد اختلال در صنعت روزنامه‌نگاری با اجازه دادن به داستان‌ سرایی مبتنی بر داده‌ها، به‌ویژه داستان‌های مریوط به ورزش بیسبال، به‌ صورت خودکار توسط StatsMonkey ایجاد شد. این داستان‌های بیسبال شامل خلاصه‌هایی بر اساس داده‌های بازی مانند بازیکنان، احتمال برد و امتیاز بازی نوشته میشد. Narrative Science مجوز StatsMonkey و مالکیت معنوی مرتبط با آن را از Northwestern صادر کرد و عملیات تجاری خود را در اوایل سال 2010 آغاز کرد. پس از آن که شرکت تصمیم به تغییر جهت گرفت، آنها بر این تمرکز کردند که چگونه می‌توان از همان فناوری در دنیای تجارت استفاده کرد. این منجر به توسعه یک پلت فرم تولید زبان طبیعی به نام Quill شد که داده های ساختاریافته را تجزیه و تحلیل می‌کند و به طور خودکار روایت‌های هوشمندی را برای کاربران تجاری که به داده‌ها مسلط نیستند تولید می‌کند. آنها پی بردند که بسیاری از شرکت‌ها برای گزارش دهی به داشبوردهای هوش تجاری روی می‌آورند. از این رو این شرکت، افزونه‌های داستان سرایی داده را برای بسیاری از پلتفرم های رایج BI ایجاد کرد. امروزه، Quill به ده‌ها هزار کاربر داشبورد کمک می‌کند تا داده‌های خود را درک کنند.
🔸اما، از طریق کار با Quill، متوجه شدند کاربران مشکلات زیادی در کارکردن با داشبورد دارند، چرا که عمده کاربران از اطلاعات موجود در داشبورد استفاده نمی‌کنند! بنابراین موسسین این شرکت شروع به ایجاد یک تجربه تحلیلی کاملاً جدیدی کردند. آنها محصولی با نام Lexico را راه اندازی کردند. این محصول به کاربران کمک می‌کند تا درک بهتری از داده‌های خود داشته باشند و بتوانند از آن در تصمیم گیری‌های تجاری خود در جهت بهبود فعالیت‌های شرکت استفاده کنند.
🔹پلت فرم Quill یک پلت فرم اتوماسیون هوشمند است که به سازمان‌ها اجازه می‌دهد تا نحوه گزارش‌دهی داخلی و خارجی را با استفاده از تولید زبان طبیعی تغییر دهند. پلتفرم Quill با استفاده از هوش مصنوعی، برنامه‌های NLG سفارشی ایجاد می‌کند که منطق، زبان، تجزیه و تحلیل و قالب‌بندی گزارش‌هایی را تقلید می‌کند که معمولاً برای ایجاد آنها نیاز به تحلیلگر است. سازمان‌ها می‌توانند از Quill برای خودکارسازی گزارش‌دهی با حجم بالا و زمان‌بر استفاده ‌کنند. Quill همچنین داستانی را به داشبورد معمولی شرکت اضافه می‌کند. Quill داده‌ها را هضم می‌کند و چند پاراگراف سریع می‌نویسد تا توضیح دهد که در نمودارها چه اتفاقی می‌افتد.



#کسب‌وکار‌_داده‌محور
#تحلیل_داده
#داستان_سرایی
#بهاران_قیاسوند
www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌 معرفی مقالات داغ حوزه عظیم‌داده
Big Data Analytics in Building the Competitive Intelligence of Organization

🖌نویسنده:

Jayanthi Ranjan , Cyril Foropon

🖌 ژورنال:
International Journal of Information management

🖌تاریخ انتشار:
2021


🔸در سال‌های اخیر، سازمان‌ها بر استفاده از عظیم‌داده‌ها بسیار تاکید دارند و تکنولوژی‌هایی نیز برای تحلیل این عظیم‌داده‌ها و به دست آوردن بینش‌های ارزشمند در ارتباط با فرآیندهای تصمیم‌گیری به وجود آمده است. فرآیندهای هوش رقابتی شامل نظارت بر رقبا با هدف ارائه یک هوش اجرایی و معنادار به سازمان است. هر چه شرکت‌ها بیشتر داده‌های رقبا را بشناسند، مزیت استراتژیک بیشتری به دست می‌آورند. تزریق عظیم‌داده‌ها و تحلیل آنها می‌تواند به ایجاد یک سیستم برای تحلیل‌های هوش رقابتی کمک کرده و باعث بهبود دقت تکنیک‌های هوش رقابتی سنتی شود. تکنولوژی‌ها و ابزارهایی که در حوزه عظیم‌داده وجود دارند، مولفه‌های بسیار مهمی در هدایت موفقیت‌آمیز هوش رقابتی هستند که باعث تزریق دانش ارزشمندی به استراتژی‌های هوش رقابتی می‌شوند.
در این مقاله، هدف نویسندگان، بررسی کاربردهای عظیم‌داده‌ها در فرآیندهای هوش رقابتی در سازمان است که این کار را از طریق نحوه برخورد سازمان‌ها با تحلیل‌های داده‌های عظیم انجام داده‌اند. همچنین این مقاله زمینه‌ای را برای توسعه چارچوب‌های عظیم‌داده و مدل‌های فرآیندی برای هوش رقابتی در سازمان فراهم می‌کند.


#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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


📌 بخش سیزدهم: تحلیل عظیم داده در بیوانفورماتیک

🔸 به‌کارگیری مناسب تکنیک‌های تحلیل عظیم داده در زمینه بیولوژی و پزشکی با توجه به پیچیدگی و ساختار این داده‌ها؛ در تحلیل‌های مختلف خرد و سیستمی ساختار بدن انسان خروجی‌های ارزشمندی را در حوزه بیوانفورماتیک به ارمغان می‌آورد.
استفاده از این نتایج در کنار نظر خبرگان این حوزه باعث خواهد شد تا ضمن شناخت و درک مکانیزم و نحوه تعامل بخش‌های مختلف بتوان راه‌حل‌های درمانی و بهبودی برای بیماری‌ها ارائه داد.
در این بخش به کاربرد‌های تحلیل عظیم داده‌ها در بیوانفورماتیک پرداخته شده است.

🔹بیوانفورماتیک یک علم میان رشته ای است که راه حل‌های زندگی در زمینه بیولوژی و سلامت با به کارگیری ابزارهای بسیاری در حوزه های مختلفی همچون علوم کامپیوتر، آمار، ذخیره سازی و بازیابی و پردازش اطلاعات ارائه می‌دهد. به عبارتی دیگر بیوانفورماتیک به کاربرد فناوری اطلاعات در سیستم‌های بیولوژیکی اشاره دارد.
خروجی این علم در پزشکی، سلامت، ژنتیک و کشاورزی نیز می تواند مورد استفاده قرار گیرد.
مراحل مختلف عمل بیوانفورماتیک معمولاً شامل موارد زیر می باشد:
1. جمع آوری داده های بیولوژیکی.
2. ساخت یک مدل محاسباتی.
3. حل یک الگوی مدل سازی محاسباتی.
4. تست و ارزیابی الگوریتم های محاسباتی.

🔸حجم داده‌های تولید شده در بیوانفرماتیک در پنج ساله اخیر رشد چشم گیری داشته است که همین امر داده‌های ورودی اولیه موردنیاز برای تحلیل‌های پیشرفته در این علم را فراهم آورده است. داده‌های توزیع شده در منابع مختلفی داده‌ای یکی از ویژگی‌های عظیم داده در زمینه بیوانفورماتیک می‌باشد. یکی از چالش‌های اصلی در تحلیل داده‌های مربوط به بیوانفورماتیک تاثیر متغیرهای جمعیت شناختی و جغرافیایی و همچنین ناهمگون بودن داده‌ها می‌باشد. تولید داده‌های مربوط به بیوانفورماتیک به دلیل اینکه توسط سازمان‌های مختلفی انجام می‌شود و هیچ سازمان یکپارچه و واحدی برای آن تعریف نشده است هیچ گونه استاندارد و فرمت خاصی ندارد که به نوبه‌ی خود به عنوان چالشی دیگر محسوب می‌شود.

🔹تحلیل‌های داده‌ای مختلفی در حوزه بیوانفورماتیک ایجاد شده است که با به کارگیری ابزارهای تحلیلی می‌توانند اطلاعات بسیار مفیدی را استخراج نمایند.

تحلیل توالی:
یکی از نکات مهم در مطالعات مولکولی و پروتئینی تاثیر ویژگی‌های مختلف در توالی و شکلگیری می‌باشد. از آنجایی که کوچکترین تغییری در مشخصات و ویژگی‌ها در توالی ژنوم‌ها اثرگذار خواهد بود این مدل تحلیل‌ها می‌توانند اطلاعات ارزشمندی را ارائه دهند. پایگاه‌های داده‌ای توالی مختلفی که شامل اطلاعات پروتیئن‌ها، ژنوم‌ها می‌باشند منابع داده‌ای مهمی در این جنس تحلیل محسوب می‌شوند.
تحلیل فیلوژنتیک:
در این تحلیل هدف بررسی ارتباط بین تکامل‌های مختلفی می‌باشد که در مولکول‌ها و مکانیزم کارکردی آنها اتفاق می‌افتد. تحلیل‌های پیشرفته داده‌ای در این زمینه می‌تواند تکامل‌های آتی را نیز پیش بینی کند.
تحلیل خرد داده:
در این جنس از داده‌های مربوط به جزییات تغییر مولکولی ژن‌ها در مراحل مختلف یک بیماری تجزیه و تحلیل می‌شوند تا ضمن شناخت چگونگی مکانیزم یک بیماری بتوان به راه حل‌های موثر درمان و بهبود آن پرداخت.
تحلیل تعامل مولکولی:
یکی از موضوعات مهم در بیولوژی ارتباط و نحوه تعامل مولکولی می‌باشد چرا که هر گونه خللی در این تعامل می‌تواند منجر به یک نتیجه معنادار باشد. تحلیل تعامل مولکولی مبتنی بر داده می‌تواند در کشف و تولید داروهای درمانی با تغییر مکانیزم این تعامل منجر شود که جز دستاوردهای مهم در علم پزشکی نیز محسوب می‌شود.
تحلیل سیستم بیولوژی:
نگاه تحلیل داده در این بخش بر خلاف موارد پیشین به صورت کلان‌تر و متمرکز به عملکرد کلی اجزا در کنار هم می‌باشد.
🔸ابزارهای یادگیری ماشین و تحلیل عظیم داده که در حوزه‌های دیگر به کار گرفته می‌شوند در تحلیل‌های بیورانفورماتیک نیز بدون تغییر قابل پیاده سازی می‌باشند. این ابزارها و تکنیک‌ها همانند هر حوزه ی دیگری که بسته به ماهیت مساله و دیتاست سفارشی می‌شوند نیاز است که در این حوزه نیز بر اساس معیارهای ارزیابی با یکدیگر مقایسه شوند. در پلتفرم‌های متداول تحلیل عظیم داده ابزارهای مجزایی به طور خاص برای تحلیل توالی داده‌ها وجود دارد اما نکته قابل توجه استفاده از خروجی‌های این ابزارها و تکنیک‌ها در کنار نظرات متخصصان حوزه بیولوژی می‌باشد.


#کتاب_بخوانیم
#فصل_سیزدهم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🔎 کاربرد تحلیل عظیم داده در تولید

🔻 مطالعه موردی: شرکت ROLLS-ROYCE

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

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

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

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

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

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

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

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


#نمونه_موردی
#عظیم_داده
#تولید
#فاطمه_مظفری

www.bdbanalytics.ir
@BigData_BusinessAnalytics

کاربرد تحلیل داده در کسب‌وکار

#تحلیل_داده
#عظیم_داده
#اينفوگرافي
#هادي_صداقت



www.bdbanalytics.ir
@BigData_BusinessAnalytics

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

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


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

#معرفی_مقاله
#میثم_عسگری
#عظیم_داده


www.bdbanalytics.ir
@BigData_BusinessAnalytics

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

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

🔗 https://b2n.ir/z01376

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

@BigData_BusinessAnalytics
www.bdbanalytics.ir

🍁پاییزنامه

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

#فصلنامه_الکترونیک
#پاییزنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

فایل هفدهمین شماره فصلنامه گروه "تحلیلگری عظیم‌داده و کسب‌وکار"

#فصلنامه_الکترونیک
#پاییزنامه

www.bdbanalytics.ir
@BigData_BusinessAnalytics

🟦مجموعه وبینارهای هوش کسب‌وکار

🔸وبینار هشتم : تحلیلگری داده، رویکردی نوین در مدیریت

▪️سرفصل موضوعات ارائه :

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

▫️تاریخ:

سه شنبه – 7 دی 1400
ساعت 19 تا 21

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

🔎 استفاده از هوش مصنوعی برای درک اطلاعات مشتری

🔻 مطالعه موردی: شرکت کیمبرلی کلارک

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

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

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


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

🔗 https://b2n.ir/n07172

#نمونه_موردی
#عظیم_داده
#هوش_مصنوعی
#ساینا_رتبه‌ای

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

Big data in safety management: An overview


نویسنده:
Bing Wang, Yuanjie Wang


ژورنال:
Safety Science

تاریخ انتشار:
2021


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

🔺برای دریافت مقاله به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/u38103

#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📖 کتاب بخوانیم؛

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


📌 بخش چهاردهم: تحلیل عظیم داده و سیستم‌های توصیه گر

🔸یکی دیگر از کاربردهای تحلیل عظیم داده طراحی سیستم‌های توصیه گر با هدف تسهیل فرآیند انتخاب کاربران و ارائه پیشنهادات مرتبط می‌باشد. رویکردهای مختلفی در طراحی این سیستم‌ها بر پایه‌ی الگوریتم‌های یادگیری ماشین وجود دارد که هر کدام با توجه به نوع داده‌ها می‌توانند به صورتی مجزا و یا ترکیبی به کار گرفته شوند. در این بخش ضمن تعاریف اولیه در حوزه سیستم‌های توصیه‌گر به بررسی رویکردهای مختلف طراحی این سیستم‌ها پرداخته شده است.


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

🔗 https://b2n.ir/z23705

#کتاب_بخوانیم
#فصل_چهاردم
#علی_محمدی
#تحلیل_عظیم‌داده_سیستم‌ها_الگوریتم‌ها_و_کاربردها

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📌📌 معرفی ابزار : Apache Druid

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

✅ متن کامل یادداشت را در لینک زیر بخوانید:

🔗 https://b2n.ir/g89758


#معرفی_ابزار

#Apache_Druid
#فاطمه_مظفری

@BigData_BusinessAnalytics
www.bdbanalytics.ir

استفاده از داده برای هماهنگ شدن با مشتری

#عظیم_داده
#تحلیل_داده
#اینفوگرافیک

#هادی_صداقت

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📚معرفی کتاب

“Data Analytics with Spark Using Python"

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

🔳 تحلیل داده با اسپارک و پایتون

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

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

🔻برای دریافت کتاب به لینک زیر مراجعه فرمایید:

🔗 https://b2n.ir/w06081

#معرفی_کتاب
#اسپارک
#میثم_عسگری

www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ 📚 معرفی کتاب
تحلیل‌گری داده: رویکردها و کاربردها

✍️نویسنده: دکتر سعید روحانی، هادی صداقت

✍️سال انتشار: 1400

✍️انتشارات: دانشگاه تهران

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

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

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

🔸ساختار این کتاب در پنج فصل سازماندهی شده است:

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

🔻این کتاب را می‌توانید از لینک زیر سفارش دهید:

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

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