بیگ دیتا چیست و کلان داده چه کاربردی دارد؟

[amın]

تشخیص کلاهبرداری
یکی دیگر از کاربردهای رایج تجزیه و تحلیل کلان داده - به ویژه در صنعت خدمات مالی - تشخیص کلاهبرداری است. در واقع، آن دسته از سیستم‌های تجزیه و تحلیل کلان داده که بر یادگیری ماشین متکی هستند، در تشخیص ناهنجاری (Anomaly Detection) عملکرد فوق‌العاده‌ای دارند. به واسطه این قابلیت‌ها، امکان تشخیص کارت‌های اعتباری سرقت شده یا خریدهای متقلبانه در بانک‌ها و شرکت‌های ارائه دهنده کارت اعتباری وجود دارد. در بیشتر مواقع، قبل از اینکه صاحب کارت حتی از وجود مشکلات با خبر شود، این تمهیدات برای رفع آن‌ها انجام می‌شوند.

 

[amın]

معایب بیگ دیتا چه هستند؟
با وجود فواید متعدد کلان داده در صنعت‌های مختلف به ویژه دیجیتال مارکتینگ، این حوزه کاستی‌هایی نیز دارد. در ادامه این بخش از مقاله «بیگ دیتا چیست» به کاستی‌های کلان داده اشاره می‌شود.

کمبود داده‌های با کیفیت
تغییرات بسیار سریع
نیاز به سخت‌افزار مخصوص
مشکلات مربوط به ادغام با سیستم‌های قدیمی
خطرات امنیتی

اهمیت کلان داده‌ها در جهان کنونی به صورت تصاعدی در حال افزایش است. به همین دلیل آشنایی با مفاهیم مربوطه، از جمله چالش‌های این حوزه، یک ضرورت به حساب می‌آید. در ادامه این بخش، برخی از چالش‌های کلان داده شرح داده می‌شوند.

 

[amın]

کمبود داده‌های با کیفیت
بر اساس نظرسنجی Syncsort، اولین چالش کار با بیگ دیتا، کیفیت داده‌ها و نحوه بررسی آن‌ها است. پیش از آن که دانشمندان علم داده بتوانند به تجزیه و تحلیل داده‌ها با استفاده از بیگ دیتا بپردازند، لازم است آن‌ها از دقت، میزان ارتباط داده‌ها و مناسب بودن قالب‌ آن‌ها اطمینان حاصل کنند. با وجود اینکه این امر به میزان قابل توجهی روند گزارش‌دهی را کند می‌کند، اما بررسی مسائل مربوط به کیفیت داده کاملاً ضروری است.
در صورتی که کیفیت داده‌ها مورد بررسی قرار نگیرد، ممکن است بینش‌های حاصل از تجزیه و تحلیل آن داده‌های خاص، بی‌ارزش تلقی شوند یا از آن بدتر، حتی عملی کردن آن‌ها ضررهای مختلفی را برای سازمان مربوطه به دنبال داشته باشد.

 

[amın]

مشکلات مربوط به ادغام با سیستم‌های قدیمی
اغلب شرکت‌هایی که سال‌ها در حال فعالیت هستند، داده‌های شرکت‌‌های خود را در انواع سیستم‌ها و اپلیکیشن‌های مختلف جمع‌آوری کرده‌اند. به همین دلیل ممکن است یکپارچه‌سازی همه آن منابع داده متفاوت و انتقال داده‌ها در جایی که باید باشند، به افزایش زمان و هزینه کار با کلان داده منجر شوند.

 

[amın]

نیاز به سخت‌افزار مخصوص
یکی دیگر از مسائل مهم برای سازمان‌ها، زیرساخت فناوری اطلاعات است. در واقع، نیاز به سخت‌افزار مناسب برای پشتیبانی از تجزیه و تحلیل کلان داده به یکی از دغدغه‌ها اساسی چنین سازمان‌هایی تبدیل شده است. چرا که فضای ذخیره‌سازی برای نگهداری داده‌ها، پهنای باند (Bandwidth) شبکه برای انتقال داده‌ها به سیستم‌های تجزیه و تحلیل و در نهایت محاسبه منابع برای انجام این تجزیه و تحلیل‌ها همگی هزینه‌های خرید و نگهداری فراوانی دارند. در برخی از شرکت‌ها این مشکلات با استفاده از تجزیه و تحلیل مبتنی بر Cloud (فضای ابری) جبران می‌شوند. اما معمولاً همه مشکلات مربوط به زیرساخت به طور کامل برطرف نمی‌شوند.
با وجود اینکه به کارگیری کلان داده در صنعت‌های مختلف با چالش همراه است، اما در دنیای...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[amın]

انواع تحلیل کلان داده
تجزیه و تحلیل کلان داده‌ها به چهار نوع طبقه‌بندی می‌شوند که این بخش از مقاله به آن‌ها پرداخته می‌شود.

تجزیه و تحلیل توصیفی (Descriptive)
تجزیه و تحلیل تشخیصی (Diagnostic)
تجزیه و تحلیل پیش‌بینی کننده (Predictive)
تجزیه و تحلیل تجویزی (Prescriptive)


اکنون در ادامه این بخش از مقاله «بیگ دیتا چیست» هر یک از این روش‌های تحلیل کلان داده و جزییات مربوط آن‌ها شرح داده می‌شوند.

 

[amın]

تجزیه و تحلیل توصیفی
تجزیه و تحلیل توصیفی یک روش مفید برای کشف الگوها در بخش خاصی از مجموعه مشتریان است. علاوه بر اینکه با استفاده از روش تحلیل توصیفی امکان ساده‌سازی داده‌ها وجود دارد، می‌توان داده‌های گذشته را نیز به صورت خواندنی خلاصه کرد.
در تجزیه و تحلیل توصیفی در مورد آنچه در گذشته اتفاق افتاده و همچنین، روندها جزئیات بیش‌تری ارائه می‌شود و به عنوان یک ابزار کمکی برای ایجاد گزارش‌هایی مانند گزارش درآمد یک شرکت، سود، فروش و سایر موارد به کار می‌رود. آمار خلاصه (Summary Statistics)، خوشه‌بندی (Clustering) و قواعد وابستگی (Association Rule) همگی جز روش‌های تجزیه و تحلیل توصیفی به حساب می‌آیند و به منظور تحلیل سبد بازار مورد استفاده قرار می‌گیرند. به واسطه این روش تحلیلی، شرکت داو...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[amın]

تجزیه و تحلیل تشخیصی
همان‌طور که از نام آن پیداست، «تجزیه و تحلیل تشخیصی» (Diagnostic) به منظور تشخیص مشکل به کار می‌رود. در واقع، در تجزیه و تحلیل تشخیصی یک بینش دقیق و عمیق در مورد علت اصلی مشکل ارائه می‌شود. در صورتی که دانشمندان داده (Data Scientist) بخواهند دلایل پنهان و پشت پرده یک اتفاق خاص را درک کنند، از روش مذکور استفاده می‌کنند. روش‌هایی مانند تکنیک «شکستن مسئله» (Drill Down)، داده کاوی، بازیابی داده‌ها (Data Recovery)، «تحلیل رویگردانی دلیل» (Churn Reason Analysis) و تجزیه و تحلیل نمرات سلامت مشتری (Health Score Analysis) همگی نمونه‌هایی از تجزیه و تحلیل تشخیصی به حساب می‌آیند.
از لحاظ تجاری، تجزیه و تحلیل تشخیصی برای شرایطی کاربرد دارد که تحقیق در مورد دلایل پیشرونده...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[amın]

تجزیه و تحلیل پیش‌بینی کننده
«تجزیه و تحلیل پیش‌بینی کننده» (Predictive) نوعی از تحلیل است که به پیش‌بینی حوادث آینده مربوط می‌شود. ممکن است این حوادث آینده مواردی مانند روندهای بازار (Market Trends)، روندهای مصرف‌کننده و بسیاری دیگر از رویدادهای مرتبط با بازار باشند. این نوع از تجزیه و تحلیل با به کارگیری داده‌های گذشته و زمان حال برای پیش‌بینی وقایع به کار می‌رود. تجزیه و تحلیل پیش‌بینی کننده یکی از رایج‌ترین نوع تحلیل در میان کسب و کارهای مختلف به حساب می‌آید. علاوه بر کاربرد تجزیه و تحلیل پیش‌بینی کننده برای ارائه‌دهندگان خدمات، این روش تحلیلی برای مصرف‌کنندگان نیز مورد استفاده قرار می‌گیرد.
در این روش پس از پیگیری فعالیت‌های گذشته و مبنا قرار دادن آن‌ها، کارهایی پیش‌بینی می‌شوند که...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[amın]

تجزیه و تحلیل تجویزی
تجزیه و تحلیل تجویزی (Prescriptive) یکی از روش‌های ارزشمند در حوزه کلان داده به حساب می‌آید. البته در عمل از این روش به اندازه لازم استفاده نمی‌شود. تجزیه و تحلیل تجویزی مرحله بعدی در تجزیه و تحلیل پیش‌بینی کننده است. در این روش، ابتدا چندین اقدام احتمالی مورد بررسی قرار می‌گیرند، سپس بر اساس نتایج تحلیل‌های تجویزی و پیش‌بینی کننده مربوط به یک مجموعه داده‌های معین، پیشنهادها ارائه می‌شوند.
در حقیقت، تجزیه و تحلیل تجویزی از ادغام داده‌ها و قوانین تجاری مختلف تشکیل می‌شود و در آن‌، این امکان وجود دارد که داده‌‌ها هم به صورت داخلی یعنی از طریق ورودی‌های سازمانی و هم به صورت خارجی یعنی از طریق بینش رسانه‌های اجتماعی موجود باشند.