بهینه سازی سیستم های مدیریت مالی و تصمیم گیری سازمانی بر اساس داده های بزرگ

Optimization of Enterprise Financial Management and Decision-Making Systems Based on Big Data

1 مقدمه

2 وضعیت فعلی تحقیقات

3 تحلیل بهینه سازی مدیریت مالی شرکت و طراحی سیستم تصمیم گیری برای کلان داده

4 تحلیل نتایج

5 نتیجه گیری

منابع

چکیده

     این مقاله براساس نظریه عدم تقارن اطلاعات، نظریه نماینده-مالک، و نظریه مدیریت ریسک، مکانیسم تاثیر کلان داده را بر تصمیم گیری مالی، تحلیل چهار بعد: چگونه کلان داده مبنای اطلاعات را برای پیش بینی افزایش می دهد، چگونه کلان داده ارتباط تصمیم گیری را بهبود می دهد، چگونه کلان داده مزایای رقابتی جدید ایجاد می کند، و چگونه کلان داده تصمیم گیری پویا را ترویج می کند، تحلیل می کند. دوما، ما از طریق تحلیل موارد اجرای خاص کلان داده سازمانی در تصمیم گیری مالی بر مشکلات واقعی مواجه شده در مدیریت و تاثیر مسائل حل کننده از طریق پلتفرم کلان داده تمرکز می کنیم. این شرکت با درک یکپارچگی کسب و کار و امور مالی، نه تنها می تواند باعث گسترش بهتر کسب و کار شود، بلکه همچنین می تواند سطح مدیریت را در این شرکت بهبود دهد، که باعث بهبود رقابت های محوری می شود. یکپارچگی صنعت و امور مالی در اصل از طریق کاربرد ماژول های مختلف مدیریت مالی برای عملیات کسب و کار شرکت، شامل مدیریت بودجه، مدیریت سرمایه، مدیریت دارایی ثابت، و حسابداری مالی بدست می آید. اگر ما بخواهیم که کل فرایند یکپارچگی مالی را اجرا کنیم، دستیابی به این امر غیرممکن است، و ابتدا باید یک سیستم اطلاعاتی قدرتمند بعنوان یک ضمانت ایجاد کنیم. شرکت های مالی اینترنتی تحت دستورالعمل نظریه های عدم تقارن اطلاعات، سهامداران، و سیستم های اطلاعات مدیریت باید سیستم کسب و کار یکپارچه خودشان را براساس تقاضا برای یکپارچگی مالی کسب و کار در صنعت مالی اینترنت بسازند تا تطبیق داده های مالی کسب و کار شرکت های مالی اینترنتی را افزایش دهند، بهره وری مدیریت شرکت را بهبود دهند، و یکپارچگی مالی کسب و کار را درک کنند. در نهایت، ما از طریق تحقیق این مقاله مرجعی برای شرکت های مشابه ارائه می دهیم تا از کلان داده برای تصمیم گیری مالی استفاده کنیم. سودهای اقتصادی بیشتر از طریق کاربرد کلان داده در مدیریت تدارکات پشتیبانی، کنترل تولید، بودجه سرمایه ای و تصمیم سرمایه گذاری در مقایسه با تصمیمات قبلی حاصل می شوند. می توان نتیجه گرفت که در حوزه کلان داده، داده های انبوه را می توان برای بکارگیری در تصمیم گیری شرکتی به صورت عمیق استفاده کرد، که می تواند موانع تجاری و مالی را بشکند، اثربخشی و کیفیت تصمیم گیری را بهبود دهد، ساختار و پرسنل سازمانی را بهینه سازی کند، و پیش بینی و قابلیت هشدار اولیه را افزایش دهد. کاربرد ابزارهای کلان داده به کلیدی برای کمک به تصمیم گیری مالی و افزایش ارزش شرکت تبدیل شده است.

وضعیت فعلی تحقیقات
     کلان داده همراه با توسعه سریع فناوری اطلاعات و اینترنت، رشد نمایی در میزان اطلاعات، زمینه مختلف پوشش و فرایندهای کسب و کار به ویژه در تصمیم گیری مالی ایجاد کرده است که از طریق محدوده اصلی و مرزها شکسته شده است [7]. کلان داده از تحقیق ادبیات موجود عمدتا برای کنترل هزینه، بودجه جامع، تحلیل مالی، مدیریت سرمایه ای، تصمیم گیری سرمایه گذاری و غیره استفاده کرده است. با ادغام کلان داده و فناوری های جدید مانند رایانش ابری و بلاک چین، کلان داده فضای بیشتری برای تصمیم گیری مالی دارد، و نتیجه تصمیم برای شی تصمیم مشابه در زمان و فضا متفاوت خواهد بود [8]. تاثیر کلان داده بر فعالیت های مالی و روابط مالی از دیدگاه مسیر فعالیت های تصمیم گیری، اثر تصمیم گیری مالی را تعیین می کند [9]. اثر زنجیره ارزش کلان داده بر پیش بینی، تصمیم گیری، کنترل و ارزیابی، و ذینفعان مورد مطالعه و تحلیل قرار می گیرد؛ چالش های مواجه شده توسط کلان داده در فرایند کاربردی خاص بررسی می شود؛ و یک مسیر جدید برای نوآوری مدیریت مالی پیشنهاد می شود. کلان داده از نظر عملیات تصمیم گیری در دقت، یکپارچگی، و همبستگی برای تصمیم گیری مالی نشان داده می شود. کنترل هزینه از طریق فناوری کلان داده مورد بررسی قرار می گیرد، و شرکت ها داده های هزینه را از طریق چندین کانال بدست می آوردند و استانداردهای کاربرد مادی را با توجه به آنها برای برآورده کردن نیازهای واقعی تحلیل می کنند. داده های ساخت یافته و غیر ساخت یافته مانند جزئیات حقوق و دستمزد، اسناد موجودی، و هزینه های تولید در این سیستم مشترک هستند [10]. نقش کلان داده در بودجه ریزی جامع مورد مطالعه قرار می گیرد، و پیشنهاد می شود که در بودجه های جامع گذشته براساس تجربه مدیران کسب و کار به علاوه داده های ثابت ساخته شود، که فاقد سازگاری هستند، و کلان داده کمبود ابزارهای نمونه گیری را جبران می کند [11]. تحلیل مالی و نوآوری مدل کسب و کار در زمینه کلان داده مورد بررسی قرار می گیرد، و لازم به ذکر است که هدف تحلیل مالی بیشتر در جهت استراتژیک است، و لازم است تا شرکت ها نوآوری مدل کسب و کار مربوطه را انجام دهند.

     با شروع از نظریه اساسی حسابداری مدیریت، تحلیل سیستم اطلاعات حسابداری مدیریت تاثیر مثبت غیرقابل اغماضی بر سیستم مالی و ساخت پلتفرم اطلاعات شرکت دارد، و با مطالعه استراتژی های اجرای خاص، پیشنهادات مربوطه برای سیستم توسعه اطلاعات مدرن شرکت ساخته می شوند؛ بعنوان مثال، این شرکت می تواند از مدل اشتراک مالی برای توسعه رایانش ابری استفاده کند [ 12]. به راحتی می توان ارزش اطلاعات را غیرقابل تشخیص دانست، و انتخاب و استفاده از اطلاعات را دشوارتر کرد. علاوه بر این، تصمیم گیری سنتی مبتنی بر تجربه یا «طوفان فکری» به سابقه تبدیل خواهد شد. کانال های اطلاعاتی خاص و دشوار بدست اوردن اطلاعات بازار منجر به اثرات متفاوت تصمیم می شود. لازم به ذکر است که در فرایند ساخت سیستم های اطلاعاتی در شرکت ها، مسئولیت تمام جنبه های شرکت ها باید برای بهبود بیشتر سودآوری شرکت ها مشخص شود [13]. اعتقاد بر این است که مدیریت روزانه شرکت از طریق ساخت پلتفرم اطلاعات داخلی شرکت ها بدون مرز می شود، و این کارکنان می توانند به صورت مستقیم اطلاعات مربوط به رهبران شرکت را بازخورد دهند [14]. اعتقاد بر این است که در فرایند توسعه فناوری اطلاعات حسابداری شرکت، شرکت ها با فرصت های توسعه زیادی مواجه می شوند و در عین حال با ریسک های ناشی از بازار مواجه می شوند.

تحلیل تشخیصی برای شناسایی داده های پرت در تجزیه و تحلیل کلان داده ها

Diagnostic analysis for outlier detection in big data analytics

چکیده
1- مقدمه
2- مرور پیشینه
3- تشخیص کیفیت داده ها
4- بحث
5- نتیجه گیری
منابع

چکیده

     به تازگی تجزیه و تحلیل کلان داده ها به یکی از موضوعات نوپدیدار در حوزه ی بازرگانی تبدیل شده است. داده ها گردآوری، پردازش، و تحلیل می شوند تا بینش های سودمندی درباره ی سازمان به دست دهند. تجزیه و تحلیل کلان داده ها از این قابلیت برخوردار است تا کیفیت زندگی را بهبود ببخشد و به دستیابی به آرمان های توسعه ی پایدار (SDG) کمک کند. برای اطمینان از تحقق آرمان های توسعه ی پایدار، ما باید با استفاده از داده های موجود، آن آرمان ها را برآورده کنیم و مسئولیت پذیری را تضمین نماییم. با وجود این، کیفیت داده اغلب در هنگام سروکار داشتن با داده ها نادیده گرفته می شود. هر گونه خطایی که در مجموعه  داده پدیدار می شود می بایستی به درستی حل و فصل شود تا بدین وسیله اطمینان حاصل کنیم که تحلیل ارائه شده درست و قابل اطمینان است. در این مقاله، ما به مفهوم تشخیص کیفیت داده پرداخته ایم تا داده های پرت پدیدار شده در مجموعه داده ها را شناسایی نمایم. علت وجود داده-های پرت نیز مورد بحث قرار می گیرد تا بهبودهای بالقوه ای را که می توان در مجموعه داده اعمال کرد، شناسایی کنیم. افزون بر این، توصیه هایی برای بهبود کیفیت داده ها و سامانه های گردآوری داده ها فراهم خواهد شد.

مرور پیشینه
تعریف کلان داده
     به طور کلی، کلان داده به مجموعه داده های بزرگ و پیچیده اشاره دارد که اغلب برای تحلیل پیش بینی کننده مورد استفاده قرار می گیرند. کلان داده اصطلاحی است که به داده های دیجیتال گسترده، ناهمگون، و اغلب ساخت نیافته مربوط می شود که رسیدگی به آن ها با ابزارها و تکنیک های سنتی مدیریت داده دشوار است [9]. کلان داده برای گردآوری، ذخیره سازی و مدیریت داده ها از طریق تکنیک ها و برنامه های تحلیلی پیشرفته طراحی شده است. رشد شتابان داده ها فرصت های تجاری تازه ای پدید می آورد اگر داده ها به درستی گردآوری و مدیریت شوند. با وجود این، آماده سازی داده ها بسیار چالش آمیز و زمان بر است، چون حجم و تنوع داده ها در سال های اخیر رو به افزایش بوده است [10]. داده های گردآوری شده نخست باید پردازش شوند تا اطمینان پذیری آن ها پیش از آن که تجزیه و تحلیل بتواند انجام پذیرد، تضمین شود. این گام حیاتی بر نتیجه تأثیر خواهد گذاشت اگر از داده های غیرقابل اتکا برای تحلیل استفاده شود. بنابراین، پاکسازی داده ها فرایندی حیاتی است تا اطمینان حاصل شود که داده از هر گونه خطا مبرا هستند. کلان داده ها را به طور کلی می توان به پنج بُعد عمده، با نام 5V’s، تقسیم کرد. جدول 1 توضیحات معیارهای کلان داده ها را نشان می دهد.

کیفیت داده
     درونداد بیهوده، برونداد بیهوده’ همواره در هر سازمانی رخ می دهد. داده های کثیف گردآوری، ذخیره سازی، پردازش، و تحلیل می شوند، اما همچنان تصمیم نادرستی فراهم می آورند، که منجر به زیان هایی برای یک سازمان تجاری می شوند. کیفیت داده نگرانی اصلی پیش روی بیش تر سازمان ها است. این موضوع به دلیل نگهداری نامناسب پدید می آید و به شکلی غیرمستقیم باعث تولید ناهمسازی در پایگاه داده خواهد شد [11]. کیفیت داده به یکی از مهم ترین موضوعات مدیریت داده تبدیل شده است چرا که داده ها مربوط به منابع گوناگون و در قالب-های گوناگون به طور گسترده ای در دسترس هستند [12].

کیفیت داده از این نظر اهمیت دارد که استفاده پذیری داده ها تضمین شود. در این پژوهش، مجموعه داده ی قیمت های جهانی غذا که از منبع تبادل داده ی انسان دوستانه [13] به دست می آیند برای اهداف تحلیل مورد استفاده قرار خواهند گرفت. این مجموعه داده از سوی برنامه ی جهانی غذا (WFP) گردآوری می شود جایی که اطلاعات قیمت غذای 75 کشور در آن گنجانده شده است. نمایی اجمالی از این مجموعه داده در شکل 1 نشان داده شده است. این مجموعه داده شامل فهرستی از 1048576 بایگانی (رکورد) و 16 ستون است که شامل مشخصات زیر است؛ شناسه ی کشور، نام کشور، شناسه ی ایالت یا استان، نام ایالت یا استان، شناسه ی بازار، نام بازار، شناسه ی غذا، نام غذا، شناسه ی ارز، نام ارز، شناسه ی نوع، نام نوع، شناساسه ی مقیاس واحد، نام مقیاس واحد، ماه، سال، قیمت و منبع کالا. نوسانات قیمت و افزایش های مقطعی قیمت ممکن است بر مردم تأثیر بگذارند به ویژه کسانی که اهل کشورهای کم درآمد و دارای کمبود غذا هستند، چون آن ها ناامنی غذایی، گرسنگی، و شمار افراد نیازمند کمک غذایی را افزایش می دهند [14].

طراحی سیستم مدیریت اطلاعات حسابداری با استفاده از کلان داده و تکنولوژی ابر

Designing an Accounting Information Management System Using Big Data and Cloud Technology

1 مقدمه

2 آثار مرتبط

3 مروری بر کلان داده ابری برای سیستم اطلاعات مدیریت حسابداری (AIMS)

4 طراحی AIMS بر اساس فناوری کلان داده ابری

5 امتحان و شبیه سازی سیستم

6 نتیجه گیری

منابع

به دنبال توسعه سریع علم و فناوری و در نتیجه هدایت افراد به سمت عصر اطلاعات، ظهور فناوری اطلاعات به عنوان تحولی اساسی برای صنعت حسابداری به شمار می‌رود که تعریف جدیدی از حرفه حسابداری سنتی ارائه می‌دهد. علاوه بر این، تکنیک ها و مفاهیم جدید مدیریت با ترویج تحول متخصصان حسابداری از حسابداری سنتی به اطلاعات حسابداری به تدریج منجر به تغییراتی در شیوه کار حسابداری سنتی می‌شوند. در سال های اخیر، موارد متعددی از آسیب‌ پذیری سیستم های اطلاعاتی در برابر جرایم سایبری و حملات اتفاق افتاده است. این مطالعه با توضیح ساده ایده فناوری ابری و بررسی ساختار منطقی فناوری ابری در یک سیستم مدیریت اطلاعات حسابداری، از مدل و فناوری پیاده ‌سازی شده در طراحی این سیستم استفاده می‌کند. سپس با ساخت مدل SaaS به طراحی معماری پلت فرم ابری سیستم مدیریت اطلاعات حسابداری  (AIMS) می‌پردازد. برای قضاوت در مورد اثر کاربردی این سیستم، حالت ذخیره ‌سازی توزیع شده پلت فرم ابری را تعریف کرده و عملکرد خوشه‌ای سیستم را پس از تکمیل طراحی و ساخت سیستم مورد آزمایش قرار می‌دهد. در نهایت، زمان عملیات سیستم، ردیف های محلی داده ها و تعادل بار را به طور تجربی آزمایش می‌کند. نتایج حاکی از آن است که روابط پاسخِ وظایف مجزا بالاتر از TeraSort، و روابط پاسخ TeraSort بالاتر از Inquiry اصلاح می‌شوند، و در صورت یکسان بودن وظایف ورودی، زمان پاسخ متناسب با اسلات های Reduce است. با توجه به تجزیه و تحلیل انجام شده، پلت فرم ابری کلان داده مورد استفاده در این مطالعه از راندمان عملیاتی، نرخ شتاب و نرخ اجرای وظیفه بالایی برخوردار است.

2- آثار مرتبط
افزایش سریع داده های ابری فناوری ابری را به عنوان کانون تحقیقاتی جدیدی در داخل و خارج از کشور معرفی کرده است. ساب-رامانیان عمیقاً به مطالعه مسائل امنیتی ابری سه نهاد صاحبان داده، ارائه دهندگان خدمات ابری و کاربران ابری در سطوح محاسبات، ارتباطات، قراردادهای سطح خدمات و داده ها می‌پردازد. محققان در [5] به طور تجربی به ارزیابی قابلیت اجرای اطلاعات مالی و داده های حسابداری در مدیریت استراتژیک شرکت پرداخته و مدل حسابداری سنتی را بر اساس سیستم پشتیبانی اطلاعات مدیریت تغییر دادند. هدف آنها گسترش محدوده زمانی حسابداری و بهبود فرایند بودجه ریزی و توانایی تجزیه و تحلیل پیش زمینه بود. محققان در مطالعه‌ای مقدماتی در [6] به تجزیه و تحلیل نقش جامعه، محیط و مدیریت در سیستم حسابداری پرداخته و داده های ASG را به عنوان ابزار اصلی برای آزمایش توسعه پایدار انتخاب کردند. در این راستا، محققان در [7] به این نکته اشاره کردند که قابلیت پویای شرکت، شرایط و محیطِ دائماً در حال تغییر، همگی اثر بخشی سیستم مدیریت حسابداری را تحت تأثیر قرار داده و در نتیجه منجر به تغییراتی در سیستم اطلاعات مدیریت حسابداری می‌شوند. نویسندگان در [8] استراتژی تعدیل یک سیستم اطلاعات حسابداری مدیریت کارآمد را مطرح کردند. آن ها با استفاده از نرم افزار LISRELL و یک مدل معادلات ساختاری بر اساس واریانس مشارکتی، اطلاعات حسابداری را به عنوان داده های مالی حیاتی برای مدیران شرکت برای درک موقعیت های تجاری و ایجاد طرح های توسعه مورد بررسی قرار دادند. یافته ها نشان می‌دهند که استفاده از نرم‌افزارهای کاربردی شرکتی موفق تأثیر مستقیمی بر کیفیت اطلاعات حسابداری دارد.

با حفظ موارد فوق، نویسندگان در [9] استفاده از مدل رایانش ابری در مدیریت اطلاعات حسابداری شرکت های کوچک را پیشنهاد کردند. این مدل، کارآیی عملیاتی سیستم را با استفاده از پردازش توزیع شده ابری، طراحی مشارکتی ابری، شبیه سازی ابری و سایر فناوری ها بهبود می‌بخشد. محققان در [10] مدیریت اطلاعات حسابداری بر اساس خدمات مشترک مالی را به منظور کاهش هزینه مدیریت مالی، افزایش کیفیت خدمات مالی و افزایش کارآیی کلی مدیریت پیشنهاد کردند. این یک مدل مدیریتی جدید است. شرکت ها باید قبل از ایجاد یک سیستم اطلاعات مالی مشترک، ابتدا عوامل مؤثر مختلف مدیریت اطلاعات حسابداری را به منظور حصول اطمینان از امنیت داده های مالی شرکت و امکان‌سنجی مدیریت اطلاعات حسابداری تعیین کنند. نویسنده در [11] از سیستم مدیریت اطلاعات حسابداری مالی در شرکت های شیمیایی چین به منظور تغییر کامل حالت مدیریت سنتی با بهره گیری از فناوری اطلاعات در مدیریت حسابداری مالی استفاده کرده است. این سیستم با بهره گیری کامل از فناوری اطلاعات در مدیریت حسابداری مالی و افزایش ارزش کاربردی فناوری اطلاعات، کارآیی مدیریت کسب و کار را تا حد زیادی بهبود می‌بخشد. این مطالعه با توضیح ساده ایده فناوری ابری و بررسی ساختار منطقی فناوری ابری در یک سیستم مدیریت اطلاعات حسابداری، از مدل و فناوری پیاده ‌سازی شده در طراحی این سیستم استفاده می‌کند.

آمار و آنالیز تلفیقی اطلاعات هدفمند فقرزدایی با الگوریتم کلان داده کاوی

Statistics and Analysis of Targeted Poverty Alleviation Information Integrated with Big Data Mining Algorithm

1. مقدمه

2. بازبینی مطالعات پیشین

3. روش تحقیق

4. نتایج و مباحثات

5. نتیجه گیری

در دسترس بودن داده ها

تعارض منافع

تقدیم تشکر

منابع

      برای رسیدن به درکی جامع تر و سیستماتیک تر از تاثیر کمک های دولت به خانوارهای فقیر به منظور تحقق اهداف مبتنی بر کاهش فقر، در این مقاله در کنار بررسی الگوریتم داده کاوی کلان داده ها به بررسی تلفیقی از یک جامعه آماری و تحلیل اطلاعات برنامه کاهش هدفمند فقر می پردازیم. در این بررسی مطابق ماژول خط لوله در یادگیری ماشین (ML) در چارچوب اسپارک که یک چارچوب محاسباتی کلان داده می باشد پیش رفتیم و علم کلان داده های عصر جدید و الگوریتم های شناخته شده داده کاوی را با یکدیگر ادغام نمودیم،‌ پیش تر برای مدل سازی و تحلیل به حجم زیادی از داده نیاز بود اما در این مدل، روش نمونه گیری تصادفی طبقه ای را مورد استفاده قرار دادیم و بدین ترتیب توانستیم مدل جنگل تصادفی، مدل لجستیک و مدل آبشاری جدید پیشنهادی خود برای بررسی خانوارهای فقیر را تدوین نماییم. برای شناسایی خانوارهای ضعیف از چندین روش شناسایی استفاده نمودیم و به ارزیابی مقایسه ای نتایج آن ها پرداختیم، در نهایت، ‌نتایج نشان می دهند هنگامی که با 100 داده واقعی صحت سه روش شناسایی خانوار فقیر را مورد آزمایش قرار دهیم، مقدار مدل جنگل تصادفی تا 82 درصد و مقدار مدل لجستیک تا 72 درصد کاهش می یابد که تغییر اندکی به شمار می آید، اما مقدار مدل آبشاری بدون تغییر در همان 83 در صد ثابت باقی می ماند و در هر سه مدل تغییرات ناچیزی رخ خواهد داد. مزیت طراحی جدیدی که در این مقاله برای مدل آبشاری ارائه شده این است که در این روش می توان تا درصد زیادی نمونه ها را مجدد مورد استفاده قرار داد و از این طریق می توان به شکل موثری از برازش بیش از حد نمونه ها اجتناب ورزید، به همین دلیل دیگر نیازی به وجود حجم زیادی از داده نمی باشد. مدل جدید ما مدلی پایدار و قابل اعتماد می باشد. به کارگیری تلفیقی از الگوریتم های هدفمند کاهش فقر با فناوری اطلاعات کلان و داده کاوی را می توان از عمده دلایلی دانست که منجر شدند نتایج حاصل از استفاده از این مدل دقیق تر و قانع کننده‌تر بشوند. شیار تنه و شیار سمت راست غالبا به خاطر جامعه آماری از علت های شایع کنار گذاشته می‌شوند.

بازبینی مطالعات پیشین
     الگوی کاهش هدفمند فقر تنها چهار یا پنج سال است که مطرح شده است و زمان به کارگیری عملی آن در جامعه کوتاه تر از همین چند سال می باشد، به همین دلیل تحقیقات کمی در این زمینه انجام شده است. مدت کمی است که طرح کاهش هدفمند فقر ارائه شده، اما با حمایت قوی دولت مرکزی و تلاش های توامان دولت‌های محلی، طرح کاهش هدفمند فقر در سال های اخیر نتایج قابل توجهی به دست آورده است. امروزه، بسیاری از محققان چینی پیشنهادهای خلاقانه ای برای کاهش فقر ارائه می دهند و توصیف و تحلیل های مفصلی از طرح‌های خود و مشکلاتی که ممکن است در حین عملی کردن طرح با آن مواجه شوند را نیز تشریح می کنند. ژائو اس و دیگر محققان برای مطالعه وضعیت فقر در ساختار خانواده از روش اندازه گیری استفاده کردند. در نتیجه این تحقیقات متوجه شدند چه دسته ای از خانواده ها بیشتر در معرض فقر قرار دارند ]8[. آواجان و محققان دیگر برای کمک به کاهش هدفمند فقر علم کلان داده ها را به کار گرفتند. آن ها به مقایسه کلان داده های کاهش فقر با داده های کاهش فقر به روش سنتی پرداختند، یافته های آن ها نشان می دهد که کاهش هدفمند فقر به کمک کلان داده ها مزایای بیشتری نسبت به روش های سنتی کاهش فقر دارد و این روش در شناسایی و کمک به خانوارهای فقیر موفق تر عمل می کند ]9[. گای و چند تن دیگر از محققان فناوری ها و الگوهای سنتی کاهش فقر را به چالش کشیدند. مدل های کاهش فقری که در گذشته مورد استفاده قرار می گرفتند در مقیاس بزرگ کارایی داشتند و ظرفیت اعمال منطقه ای را نداشته و به همین دلیل شناسایی فقیرترین خانوارها به کمک این روش ها دشوار بود. افزون بر این، اگر اطلاعات خانوارهای فقیر برای مدتی طولانی به روز نشود، مشکلات جدید فراوانی ظاهر خواهد شد؛ به همین دلیل لازم است فورا الگوهای سنتی کاهش فقر تغییر پیدا کنند. الگوی جدیدی که ارائه می شود می بایست برای کاهش فقر مد نظر و افزایش کارایی الگوی کاهش هدفمند فقر به صورت همه جانبه فناوری کلان داده ها را به کار ببندد ]10[. کویی و محققان دیگر بر این باورند که هنوز برای لحاظ کردن درآمد اقتصادی خانوارهای فقیر به عنوان استاندارد سطح فقر در خانوارهای فقیر محدودیت هایی وجود دارد. منتهای مراتب، پژوهشی انجام شد که در آن به بررسی شرایط خانوارهای فقیر از گزارشات افراد غیر فقیر تمرکز داشت، نتایج این پژوهش مشخص کرد که 13.5 درصد از پاسخ دهنده ها که کشاورز بودند معتقدند برخی خانوارهای فقیری که واقعا به کمک دولت نیاز دارند، در فرایند شناسایی و تشکیل پرونده مغفول مانده اند ]11[. واچکووا و برخی محققان دیگر برای فقرزدایی هدفمند تعریف و تحلیل ارائه داده و نظرات خود را در مورد الزام اجرای طرح کاهش هدفمند فقر را بیان کرده اند. در این مقاله از مدل فقرزدایی مورد استفاده در زمان اصلاحات و گشایش توصیف کاملی ارائه شده و توضیح می دهیم که چرا مدل فقرزدایی گسترده قبلی دیگر برای محیط و شرایط فعلی قابل اجرا نمی باشد، همچنین نکات کلیدی و دشواری های طی مسیر اجرای طرح کاهش هدفمند فقر را به طور خلاصه بیان کرده و مدل عملی جدید خود را تشریح می نماییم ]12[. ویزو واسام و محققان دیگر سازوکار کاهش هدفمند فقر از طریق فناوری کلان داده را مورد بحث و بررسی قرار داده و به این نتیجه رسیدند که فناوری کلان داده می تواند به شکل گسترده ای در جهت کاهش هدفمند فقر مورد استفاده قرار گیرد ]13[.

اینترنت اشیا در خدمات کشاورزی فردا

The Internet of Things at the service of tomorrow’s agriculture

چکیده

1. مقدمه

2. برخی اصول فناوری برای کشاورزی

کشاورزی دقیق

کشاورزی دیجیتال

کشاورزی هوشمند

کلان داده

بلاک چین

هواپیماهای بدون سرنشین، ربات ها، نقشه های ماهواره ای

3. معماری زنجیره کشاورزی هوشمند مبتنی بر IOT

حسگرها

اتصال

ذخیره سازی

تصویرسازی و تحلیل کسب و کار

4. حسگرهایی با کارآمدی بیشتر و بیشتر با هزینه کمتر

4.1. حسگر برای گیاهان و درختان میوه

4.2. حسگرهایی برای محصولات گلخانه ای یا هیدروپونیک

4.3. حسگر برای هواپیمای بدون سرنشین کشاورزی

4.4. قلاده های متصل

5. افزایش ارزش داده ها برای تبدیل آن به اطلاعات هوشمند و مفید

6. نتیجه گیری

منابع

چکیده

کشاورزی هوشمند روشی کارآمد است که به مدیریت سیستم های کشاورزی مرتبط با تغییرات فنی کمک می کند و هدف آن ارائه صنعت کشاورزی همراه با زیرساخت برای استفاده از فناوری های پیشرفته شامل داده های کلان، ابر و اینترنت اشیا (IOT) به منظور ردیابی، نظارت، خودکار سازی و تحلیل عملیات است.

بخش صنعتی به لطف فناوری های جدید و دقیق اینترنت اشیا به منظور بهبود کارایی، بهره وری، بازار جهانی و کاهش مداخلات انسانی، زمان و هزینه ها تغییر اساسی کرده است. کشاورزی هوشمند و کشاورزی مبتنی بر اینترنت اشیا در حال پی ریزی یک «انقلاب سبز سوم» هستند که به کاربرد ترکیبی فناوری اطلاعات و ارتباطات اشاره دارد. این مقاله بر نقش اینترنت اشیا در کشاورزی تمرکز می کند و برخی دستگاه ها مانند تجهیزات دقیق، حسگرها و محرک های اینترنت اشیا، سیستم های موقعیت یابی جغرافیایی، وسائل نقلیه هوایی بدون سرنشین (UAV) و ربات هایی را ارائه می دهد که منجر به کشاورزی هوشمند می شوند.

1. مقدمه

در حال حاضر، تکامل فناوری امکان کشاورزی و فضاهای خانه سازی مناسب تر را فراهم می کند. فناوری اینترنت اشیا (IOT) با ساده سازی خود، تمام حوزه های زندگی معمولی را متحول کرده است. IOT به شبکه ای از اشیا اشاره می کند که یک شبکه خود پیکربندی را ایجاد می کنند. توسعه دستگاه های مبتنی بر کشاورزی هوشمند مانند IOT روز به روز با تقویت تولید محصولات کشاورزی، انقلابی در آن ایجاد می کند و همچنین باعث سودآوری و کاهش ضایعات می شود. هدف این مقاله کمک به کشاورزان برای بدست آوردن داده های واقعی (دما، رطوبت خاک، میزان نور از محیط خاک) برای نظارت موثر بر محیط زیست است که به دستیابی به کشاورزی هوشمند و افزایش عملکرد و کیفیت کلی محصولات کمک می کند.

Abstract

Smart agriculture is an approach that helps those managing agricultural systems deal with technological changes in an efficient manner, aiming to provide the agriculture industry with the infrastructure to leverage advanced technologies – including big data, the cloud and the Internet of Things (IoT) – to track, monitor, automate and analyze operations.

Thanks to new technologies and precisely the Internet of Things, the agricultural sector will have a radical change to improve efficiency, productivity, global market and reduce human intervention, time and costs. Smart agriculture and IoT-based agriculture are laying the foundation for a “third green revolution,” which refers to the combined application of information and communication technologies. This paper focuses on role of IoT in agriculture and presents some devices such as precision equipment, IoT sensors and actuators, geo-positioning systems, unmanned aerial vehicles (UAVs) and robots that leads to smart agriculture.

1. Introduction

The evolution of technology now allows for more suitable agricultural and housing spaces. Internet of Things (IoT) technology has revolutionized all areas of common life by simplifying it. IoT refers to a network of objects that make a self-configuring network. The development of devices based on intelligent agriculture, IoT revolutionizes day by day the agricultural production strengthening it but also making it profitable and reducing waste. The purpose of this article is to help farmers to obtain real data (temperature, soil moisture, the amount of light from the soil environment) for effective monitoring of the environment, which will help to achieve smart farming and increase the overall yield and quality of products.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

اینترنت اشیا در خدمات کشاورزی فردا

The Internet of Things at the service of tomorrow’s agriculture

داده های بزرگ در مدل سازی و برنامه ریزی حمل و نقل

Big Data in Transport Modelling and Planning

چکیده
1. مقدمه
2. نیازهای برنامه ریزی و مدلسازی حمل و نقل
3. مسائلی در مدلسازی و برنامه ریزی حمل و نقل
4. کلان داده
5. مفهوم جاده های هوشمند
6. مسائل کلیدی حوزه حمل و نقل که با استفاده از تکنولوژی کلان داده حل شدند
7. تحلیل یکپارچه سازی کلان داده با تکنولوژی های مدرن دیگر
8. بحث
9. نتیجه گیری
منابع

چکیده

در این مقاله احتمالات استفاده از تکنولوژی های کلان داده، یادگیری ماشینی و اینترنت اشیاء برای نیازهای برنامه ریزی و مدلسازی حمل و نقل را بررسی می کنیم. مؤلفان این مقاله مسائلی را تحلیل کرده اند که بخاطر افزایش شهرنشینی در زیرساخت حمل و نقل مطرح شده اند و راه حلی را بر اساس استفاده از پردازش مقادیر بزرگی از داده، برای این مسائل پیشنهاد نموده اند. در نتیجه این مطالعه، یک جدول تطبیقی را ترسیم کردیم که کاربرد ممکن تکنولوژی های کلان داده در یکپارچگی با تکنولوژی های مدرن دیگر را نشان میدهد و اینکه آنها کدامیک از مسائل برنامه ریزی حمل و نقل را حل خواهند کرد.

1. مقدمه

در دنیای امروزی ما با شهرنشینی مواجه هستیم که به سرعت در حال رشد است و منجر به افزایش فشار بر زیرساخت حمل و نقل می گردد. رشد جمعیت و همچنین افزایش تعداد ماشین ها، مسائل آلودگی هوا، تصادفات جاده ای، و تراکم ترافیک را برای ما ایجاد می کند (زانات و چودوری 2019). به علاوه مسافران تقاضای کاهش زمان مسافرت، زمان بندی قابل پیش بینی و توانایی مسیریابی را داشتند که اینها سبب راحتی کلی استفاده از حمل و نقل عمومی می شدند. در عین حال، حمل و نقل عمومی به علت پشتیبانی مالی، کارایی اقتصادی کافی، و سرمایه گذاری محدود با چالش های متعددی رو به رو می شود.

9. نتیجه گیری

تکنولوژی تحلیل کلان داده در بخش حمل و نقل، شناسایی اهداف اصلی یک شرکت حمل و نقل را ممکن ساخته است، و این اهداف باید محقق شوند تا کارایی آن بهبود یابد:

• افزایش استفاده از خودروها

• کاهش هزینه های عملیاتی شرکت یا هزینه های انجام یک سفارش حمل و نقل

• کاهش مصرف سوخت

• اجتناب از تأخیرات در اجرای سفارشات برای حمل و نقل

Abstract

This article is built on the exploration of the possibilities of using Big Data, Machine Learning and the Internet of Things technologies for the needs of transport planning and modeling. The authors analyze the problems arising in the transport infrastructure because of the growing urbanization of cities and propose a solution to the problems based on the use of processing large amounts of data. As a result of the study, a comparative table was created showing the possible application of Big Data technologies in integration with other modern technologies and what problems of transport planning they will solve.

1. Introduction

In today’s world, we are facing rapidly growing urbanization resulting in increasing stress on transportation infrastructure. The population growth as well as increased quantity of vehicles brings us to the problems of air pollution, road accidents and traffic congestions (Zannat and Choudhury, 2019). Moreover, passengers demand decreased travel time, predictable schedule and tracking ability, which result in overall comfortability of public transport usage. At the same time, public transportation faces several challenges due to financial support, adequate economic efficiency and limited investments.

9. Conclusion

Analysis of Big Data technology in the transport sector made it possible to identify the main goals of a transport company that need to be achieved to improve its efficiency:

 increased use of vehicles,

 reducing the company’s operating costs or the cost of fulfilling a transportation order,

 reduced fuel consumption,

 avoiding delays in the execution of orders for transportation.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

داده های بزرگ در مدل سازی و برنامه ریزی حمل و نقل

Big Data in Transport Modelling and Planning

تقویت فروش تجارت به تجارت (B2B) با تجزیه و تحلیل کلان داده مشتری

Fostering B2B sales with customer big data analytics

چکیده

1 مقدمه

2 پس زمینه نظری و ایجاد فرضیه

3 داده ها و روش

4 نتایج

5 بحث و نتیجه گیری

منابع

چکیده

     تمرکز این مقاله بر روی استفاده از تجزیه و تحلیل داده های کلان در مدیریت ارتباط B2B با مشتری بوده و تاثیرات تجزیه و تحلیل داده های کلان بر ارتباط با مشتری و رشد فروش با استفاده از مجموعه داده های چند صنعتی از 417 موسسه B2B را بررسی می کند. این مقاله همچنین بررسی می کند که آیا فرهنگ تحلیلی درون شرکتی این تاثیرات را متعادل می سازد. در این مقاله پی می بریم که استفاده از داده های کلان مشتری بطور قابل ملاحظه ای رشد فروش را تقویت کرده (یعنی نتایج عملکردی پولی) و ارتباط را با مشتری بهبود می دهد (نتایج عملکردی غیر پولی). هرچند در موسسه هایی که از تجزیه و تحلیل بازاریابی حمایت می شود مورد دوم بیشتر مشاهده می شود، در حالی که مورد اول هیچ گونه تاثیری را از فرهنگ تحلیلی بر نمی دارد. این مقاله بصورت تجربی ثابت می کند که تجزیه و تحلیل داده های کلان مشتری ارتباط را با مشتری بهتر کرده و باعث رشد فروش در موسسه های B2B می شود.

پس زمینه نظری و ایجاد فرضیه
ارتباط B2B در عصر داده های کلان
     این مقاله بر روی بازاریابی ارتباط کار می کند، که در مورد چگونگی مدیریت و ارتقای ارتباط با مشتری در سود دهی بلند مدت می باشد (رایالس و پین، 2001). بازاریابی ارتباط بر روی نقش اصلی مشتریان در جای گیری استراتژیک شرکت تمرکز داشته و در برگیرنده فعالیت هایی همچون آموزش کارمندان به ایجاد ارتباط شخصی با مشتریان، ایجاد برنامه های وفا داری و ایجاد ارتباط با مشتری از چندین کانال (جونز و همکاران، 2015). حقیقتاً می دانیم که شرکت ها می بایست به جای کسب مشتریان جدید، سعی بر حفظ مشتری های فعلی کنند (جهرمی، استاکوویچ، و اوینگ، 2014). این موضوع در بازار های B2B که تعداد مشتریان معمولا کمتر از بازار های B2C بوده اما بدلیل حجم بالای خرید و ارزش در محیط B2B مزایای زیاد برای کسانی که ارتباط B2B با مشتریان ایجاد کرده و حفظ می کنند وجود دارد، به راحتی قابل مشاهده است رایروئن و میلر، 2007). بنابراین، می بایست به مشتریان B2B از طریق پیشنهاد های طراحی شده و اهداف خاص نزدیک شد (جهرمی و همکاران، 2014)، و تجزیه و تحلیل داده های کلان باعث ایجاد موقعیت های جدید برای ایجاد یک تجربه شخصی سازی شده برای مشتری می شود (مورگان، 2018).

     امروزه، مدیریت ارتباط با مشتری، یعنی استفاده از فن آوری اطلاعاتی جهت بکارگیری استراتژی های بازاریابی ارتباط (رایالس و پین، 2001)، به یکی از فعال کنندگان اصلی بازاریابی ارتباط بدل شده است. بازاریابی پایگاه داده، که یکی از ابعاد بازاریابی ارتباط با تمرکز بر استفاده از اطلاعات در بازاریابی است (مولر و هالینن، 2000)، قدمی فراتر برای کسب ارتباط مورد نظر و تقسیم بندی در اواخر 1990 و اوایل 2000 ارائه داد. بازاریابی با استفاده از پایگاه داده در ارتباط بود با استفاده از اطلاعات درباره مشتری و بازارها برای بهبود فعالیت های موسسه (سسپدس و اسمیت، 1993). پایگاه های داده بازاریابی، زمانی که به درستی استفاده شوند، به مدیران بازاریابی در انجام چندین کار از جمله کار های روزانه، تخصیص منابع، برنامه ریزی بودجه، تا فرایند های تصمیم گیری استراتژیک کمک می کند (تائو و یه، 2003). همچنین، بازاریابی با استفاده از پایگاه داده از فن آوری های اطلاعاتی پیشرفته برای ایجاد شناخت و خدمات برای مشتریان با هدف افزایش وفاداری مشتری و تکرار فروش استفاده می کند (تائو و یه، 2003). بدین ترتیب راهی برای یادگیری ویژگی های فردی مشتریان (پتریسون، بلتبرگ، و وانگ، 1997) به جای توده ها ارائه داد. امروزه، تجزیه و تحلیل داد های کلان باعث ایجاد اعمال پیچیده بازاریابی شده و در نتیجه، این مقاله اظهار دارد که استفاده از داده های کلان در مدیریت ارتباط با مشتری ها می تواند قدم بعدی در بازاریابی با استفاده از پایگاه های داده در مدیریت ارتباط با مشتریان باشد.

مدیریت کلان داده ها در صنعت خرده فروشی سنگاپور: بررسی تأثیر رضایت مشتری و عملکرد سازمانی

Managing big data in the retail industry of Singapore: Examining the impact on customer satisfaction and organizational performance

چکیده

1. مقدمه

2. پیشینه تحقیق

1-2. داده‌های بزرگ

2-2. مدیریت داده‌های بزرگ در زمینه صنعت خرده‌فروشی

3-2. استراتژی‌ها (تکنولوژی محور)، رویکردها و روش‌های مدیریت داده‌های بزرگ در زمینه صنعت خرده فروشی

4-2. قابلیت‌های احتمالی صنعت خرده فروشی در تمرین مدیریت داده های بزرگ

5-2. تأثیر مدیریت داده‌های بزرگ بر عملکرد سازمانی و رضایت مشتریان

3. روش‌شناسی

1-3. فلسفه تحقیق

2-3. طرح تحقیق

3-3. روش‌ها و ابزارهای جمع‌آوری داده

4-3. جمعیت و نمونه‌گیری

5-3. روش تحلیل داده‌ها

4. یافته‌ها و بحث

1-4. آمار توصیفی

2-4. آنالیز سوال‌های تحقیق

5. نتایج

چکیده

تحقیقات در زمینه تحلیل داده‌های بزرگ عمدتاً بر روی توسعه تکنیکی یا سیستمی متمرکز بوده است که از این بین تحقیقات در مورد استفاده از تحلیل داده‌های بزرگ برای درک روابط مشتری و تجربه، بیشتر از سایر موارد انجام شده است. هنوز هم، خلأ پژوهشی در صنعت خرده‌فروشی با تمرکز بر مدیریت داده‌های بزرگ، بررسی تأثیر آن بر رضایت مشتری و عملکرد سازمانی در این بخش وجود دارد. خرده‌فروشان برای بدست آوردن تصویری یکپارچه از مشتریان و فعالیت‌هایشان در فروشگاه‌ها یا کانال‌های آنلاین تحلیل‌هایی را انجام می‌دهند و تصمیمات استراتژیکی در جهت رشد صنعت خرده‌فروشی می‌گیرند. از این رو، این مطالعه با تمرکز عمده بر صنعت خرده‌فروشی سنگاپور برای روشن شدن امکان تحلیل مدیریت داده‌های بزرگ صورت گرفته است. روش تحقیق کمی نیز با استفاده از 500 شرکت‌کننده در صنعت خرده‌فروشی سنگاپور انجام گردید. نتایج مطالعه نشان داد که در میان تحلیل‌های مختلف داده‌های بزرگ مورد استفاده در صنعت خرده‌فروشی سنگاپور، تحلیل‌های رسانه‌های اجتماعی به طور عمده توسط شرکت‌کنندگان پاسخ داده شده است. محققان بعدی می‌توانند روند آینده خرده‌فروشی در سنگاپور و چگونگی اثرات تغییر تحلیل داده‌های بزرگ در چند سال گذشته و مقابله با رکود اقتصادی غیر منتظره آینده این صنعت در سنگاپور را مورد مطالعه قرار دهند. 

1. مقدمه  

سازمان‌های متعددی با حفظ مجموعه بزرگی از داده‌ها و ساختار داده‌های غیر سنتی مرتبط درگیر هستند. اگرچه فاکتورهای مختلفی برای گسترش مهارت‌های‌ مدیریت داده‌های سازمانی و افزایش سبدمالی از نظر نرم‌افزارهای مدیریت داده نیز برای مدیریت داده‌های بزرگ اجرا می‌شود. چنین اقداماتی به افزایش خودکار عملکردهای سازمانی کمک کرده و خروجی چنین فرآیندهایی مدیریت داده‌های بزرگ (BDM) می‌باشد. داده‌های بزرگ بایستی به‌طور دائم در سیستم مدیریت داده‌های سازمان‌ها قرار گیرند (Russom, 2011). قابلیت دسترسی، تجزیه و تحلیل و مدیریت حجم بزرگی از داده‌ها علاوه‌بر پیشرفت سریع معماری اطلاعات، برای خرده‌فروشانی که هدفشان بهبود کسب‌و کار و عملکردشان می‌باشد، اهمیت زیادی دارد. اگرچه رمز موفقیت در این امر، تجربه مناسب مشتری، بازده عملیاتی، وفاداری و حفظ مشتری می‌باشد، پیش‌بینی تقاضا برای مدیریت ماهرانه موجودی کالا، وجه نقد و سودآوری کلی اهمیت زیادی دارد. با توجه به آنکه خرده‌فروشان در بازارهای مختلفی فعالیت دارند، نوع داده‌ای که معمولاً مدیریت می‌شود پیچیده‌تر می‌گردد. با این حال، تجزیه و تحلیل این داده‌های پیچیده منجر به درک جامعی از مسیر محصول به سودآوری می‌شود (Ernst & Young, 2014). 

5. نتایج

تأثیر داده‌های بزرگ بر عملکرد سازمان مطابق نتایج این مطالعه شامل افزایش بیشتر فروش و کاهش هزینه می‌باشد، اما بیشتر پاسخ‌ها به نفع فروش بیشتر بوده است. در صورت تأثیر بر خدمات مشتری، رضایت بالای مشتریان مشاهده شد. این مورد در مطالعات پیشین نیز مورد تأکید قرار گرفته بود؛ زیرا نتایج یکسانی را در این زمینه نشان می‌دادند. این مطالعه عمدتاً بر استراتژی در دو راهی قرار گرفتن به عنوان رویکرد اصلی در مدیریت داده‌های بزرگ و الگوی VLDB به عنوان روش‌شناسی اصلی تأکید دارد. از نظر کاهش موانع در زمینه مدیریت داده‌های بزرگ، استخدام منابع انسانی ماهر در تجزیه و تحلیل‌های مختلف بوسیله بیشتر شرکت‌کنندگان انتخاب شده بود. علاوه‌بر این، برای بستر قابلیت‌های احتمالی بر بازاریابی سفارشی یا سفارشی‌سازی انبوه تأکید گردید.

Abstract

Much of the research on big data analytics has been centered on technical or system development. Research has been carried out on the usage of big data analytics to understand customer relationships and experience, amongst others. Still, there is a lack of research in the retail industry considering big data management, examining the impact on customer satisfaction and organizational performance in the retail sector. Retailers explore analytics to gain a unified picture of their customers and operations across the store or online channels and make strategic decisions contributing to the growth of the retail industry. Thereof, this study has been conducted by majorly focusing on the Singapore retail industry to clarify the feasibility of big data management analytics. Quantitative research method was employed involving 500 participants from the retail industry of Singapore. The results of the study stated that amongst the different big data analytics utilized within the retail industry of Singapore, social media analytics had been majorly answered by the participants. Future researchers can study about the upcoming retail trends in Singapore and how the effects of big data analysis changed in the past few years and deal with the unexpected future recessions in the retail industry within Singapore.

1. Introduction

Several organizations suffer to maintain large sets of data and the related nontraditional data structures. Different factors of expanding data management skills of an organization and enhancing the portfolios in terms of data management software are also implemented for big data management. Such measures help in increasingly automating the operations of the organization, and the outcome of such processes is the big data management (BDM). The big data should be permanently placed within the data management system of organizations (Russom, 2011). The ability to access, analyze, and manage enormous data volumes besides the fast evolution of information architecture is increasingly critical for retailers who intend to improve business and performance efficiency. Although the key to success is suitable customer experience, operational efficiency, loyalty, and customer retention, the demand of anticipation is significant for the proficient management of inventory, cash, and overall profitability. While retailers grow and extend in the diverse market, the data type that is commonly managed has become more complex. However, the analysis of such complex data leads to a comprehensive understanding of the product’s path to profitability (Ernst and Young, 2014).

5. Conclusions

The impact of big data on the organization’s performance involves an increase in higher sales, as per the results of the conducted study. The reduced cost had also been indicated, but more responses had been in favor of a higher number of sales. In the case of the impact on customer service, highly satisfied customers had been observed. This had been further supported by the literature studies, as different studies had also depicted the same results in this context. The study had further described “Fork in the Road” strategy as an essential approach utilized for managing big data and VLDB paradigm as the main methodology to be used. In terms of reducing barriers within the aspect of big data management, the course of hiring skilled resources within various analytics had been selected by most of the participants. In addition, for the platform of possible competencies, mass customization or customization marketing had been depicted.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدیریت کلان داده ها در صنعت خرده فروشی سنگاپور: بررسی تأثیر رضایت مشتری و عملکرد سازمانی

Managing big data in the retail industry of Singapore: Examining the impact on customer satisfaction and organizational performance

نقش داده های کلان و آنالیز رسانه های اجتماعی برای پایداری B2B: یک زمینه وب مشارکتی

Role of big data and social media analytics for business to business sustainability: A participatory web context

چکیده

۱. مقدمه

۲. پایداری در چارچوب کسب و کار

۳. فناوری های مبتنی بر وب و پایداری کسب و کار

۴. نقش تلفیقی تجزیه و تحلیل داده های بزرگ و رسانه های اجتماعی برای پایداری کسب و کار

۵. روش تحقیق

۶. تجزیه و تحلیل و بحث

6.1. گفتگو درباره پایداری دقیقاً به اندازه انجام آن مهم است – تعامل ذینفعان

6.2. درک احساس ذینفعان ما درباره ما ارزشمند است – تجزیه و تحلیل احساسات

6.3. گفته مردم مهم است … اما گوینده آن مهم تر می باشد – تجزیه و تحلیل شبکه های اجتماعی

6.4. اکنون می توانیم آن را از مایل ها دورتر شناسایی کنیم و فوراً پاسخ دهیم! – افسانه زدایی

۷. آگاهی از چالش های کلیدی

۸. مشارکت های پژوهشی، محدودیت ها و تحقیقات آتی

۸.۱. سهم نظری

۸.۲. سهم عملی

۸.۳. محدودیت های تحقیق و تحقیقات آتی

۹. نتیجه گیری

منابع

چکیده

تحولات دیجیتالی مجموعه ای از پیشرفت های مختلف دیجیتالی مانند تحول در پدیده وب است. وب مشارکتی، امکان تعامل کاربر فعال را میسر ساخته و در نتیجه گردآوری اطلاعات به عنوان یک ابزار ارزش افزوده از سوی سازمان هایی با اَشکال و اندازه های مختلف برای بهبود بهره وری و کارایی کسب و کار شمرده می شود. با این حال، توانایی آن در تسهیل فعالیت های کسب و کار به کسب و کار (B2B) پایدار تا به امروز بر ادبیات مدیریت و کسب و کار متمرکز نبوده است. این تحقیق کیفی از نظر ماهیت، اکتشافی بوده و خلاء مزبور را از طریق یافته های حاصل از مصاحبه با مدیران و توسعه آرایه شناسی (تاکسونومی) که بر قابلیت وب مشارکتی نسبت به وب غیرفعال در زمینه توانمندسازی شرکت های مختلف برای مشارکت در عملیات کسب و کار تاکید دارد، پر می نماید. بدین منظور، دو کارکرد مهم مرتبط با کسب و کار یعنی عملیات و بازاریابی در برابر سه بُعد پایداری ترسیم شده اند. در نتیجه، تحقیق حاضر نشان دهنده توانایی تجزیه و تحلیل داده های بزرگ و رسانه های اجتماعی در محیط وب مشارکتی برای سودآوری و پایداری سازمان های B2B از طریق فعالیت های استراتژیک کسب و کار مرتبط با عملیات و بازاریابی می باشد. یافته های این تحقیق برای دانشگاهیان و مدیرانی که به درک و توسعه بیشتر استفاده از ابزارهای وب مشارکتی در کسب و کار برای دستیابی به پایداری کسب و کار علاقمند هستند، مفید خواهد بود. از این رو، این تحقیق، روش متمایزی برای دستیابی به پایداری شمرده شود.

۱. مقدمه

عبارت “تحولات دیجیتالی” ظرایف گسترده ای داشته و به پیشبرد اَشکال مختلف نوآوری فناورانه در حوزه صنعتی و اجتماعی نسبت داده می شود (گری و رامپ، ۲۰۱۷). تحولات دیجیتال عموماً به فرآیند باشتاب و عمومی انطباق فنی افراد، سازمان ها، جوامع و ملت های در اثر دیجیتالی شدن اطلاق می گردد (وسترمن، بونت، مک آفی، ۲۰۱۴). تمرکز این پژوهش، تحولات دیجیتالی پدیده وب است که شاهد یک تغییر انگاره از منبع اطلاعات غیرفعال به وب مشارکتی و هوشمند بوده که مشوق تعامل و مشارکت کاربر فعال می باشد. وب مشارکتی دسترسی سریع به اطلاعات را ضمن تاثیرگذاری بر سرعت و فراوانی انتقال اطلاعات فراهم نموده و در نتیجه فرصت های قابل توجهی را برای ارتباط و تعامل تقریباً آنی مدیران با ذینفعان عرضه می نماید. حجم عظیم داده های تولید و گردآوری شده از سایت های شبکه های اجتماعی  (SNS) همراه با دیدگاه های دانشگاهی محدود درباره تجزیه و تحلیل داده های بزرگ و رسانه های اجتماعی خاصه از چارچوب کسب و کار به کسب و کار (B2B)، وب مشارکتی را به مبحث جذابی تبدیل می نماید.

۹. نتیجه گیری

این مطالعه بر رابطه بین دو حوزه مهم اما چالش برانگیز فناوری مبتنی بر وب (وب مشارکتی) و پایداری در محیط B2B تاکید می نماید. ماهیت اکتشافی آن از ایجاد یک بنیان نظری پشتیبانی می کند که توسط پژوهشگران دیگر برای توسعه شاخص های رابطه بین حوزه های مزبور سیستم های مبتنی بر وب و پایداری مورد استفاده قرار می گیرد. مقاله حاضر با ارائه چهار طبقه بندی جدید که زیربنای پایداری کسب و کار هستند در پی کمک به ادبیات مربوطه است. آرایه شناسی های پیشنهادی بینشی را درباره موارد ذیل ارائه می کند: (1) مدل های مرتبط با پایداری کسب و کار؛ (2) توانمندسازهای ICT برای پایداری کسب و کار؛ (۳) مدل های پایداری کسب و کار که از فناوری های جدید و وب مشارکتی بهره می برند و، (۴) قابلیت های وب مشارکتی برای پایداری کسب و کار. 

Abstract

The digital transformation is an accumulation of various digital advancements, such as the transformation of the web phenomenon. The participatory web that allows for active user engagement and gather intelligence has been widely recognised as a value add tool by organisations of all shapes and sizes to improve business productivity and efficiency. However, its ability to facilitate sustainable business-to-business (B2B) activities has lacked focus in the business and management literature to date. This qualitative research is exploratory in nature and fills this gap through findings arising from interviews of managers and by developing taxonomies that highlight the capability of participatory web over passive web to enable different firms to engage in business operations. For this purpose, two important interrelated functions of business i.e. operations and marketing have been mapped against three dimensions of sustainability. Consequently, this research demonstrates the ability of big data and social media analytics within a participatory web environment to enable B2B organisations to become profitable and remain sustainable through strategic operations and marketing related business activities. The research findings will be useful for both academics and managers who are interested in understanding and further developing the business use of participatory web tools to achieve business sustainability. Hence, this may be considered as a distinct way of attaining sustainability.

1. Introduction

The term ‘Digital transformation’ has broad nuances and is attributed to driving various forms of technological innovation in both industrial and societal domains (Gray & Rumpe, 2017). Digital transformation generally refers to the globally accelerated process of technical adaptation by individuals, organisations, communities and nations resulting from digitalisation (Westerman, Bonnet, & McAfee, 2014). The focus of this study is the digital transformation of the web phenomenon, which has experienced a paradigm shift from a passive information source towards the collaborative and intelligent participatory web, which encourages active user engagement and contribution. The participatory web provides quick access to information and intelligence while also influencing the speed and frequency at which information travels thus presenting significant opportunities for managers to communicate and engage with stakeholders almost instantaneously. The enormous amounts of data generated and gathered from social networking sites (SNS) combined with the limited academic insights into big data and social media analytics, particularly from a business to business (B2B) context makes participatory web a highly relevant point of discussion.

9. Conclusions

This study highlights the relationship between two important but challenging domains of web-based technology (Participatory web) and sustainability in a B2B environment. Its exploratory nature supports the building of a theoretical foundation that can be used by other researchers for developing indicators of the relationship between these two domains; web-based systems and sustainability. This paper has sought to contribute to the literature by offering four novel classifications that underpin business sustainability. The developed taxonomies offer an insight into: (1) models associated with business sustainability; (2) ICT enablers for business sustainability; (3) models of business sustainability that leverage new technologies and Participatory web and, (4) the capabilities of Participatory web for business sustainability.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

نقش داده های کلان و آنالیز رسانه های اجتماعی برای پایداری B2B: یک زمینه وب مشارکتی

Role of big data and social media analytics for business to business sustainability: A participatory web context

مطالعه ای بر تجزیه و تحلیل داده های بزرگ رسانه اجتماعی

Big Social Media Data Analytics: A Survey

چکیده

1. مقدمه

2. داده های بزرگ رسانه اجتماعی

3. تجزیه و تحلیل داده های بزرگ براساس طبقه بندی رسانه اجتماعی

3-1 منابع داده های رسانه اجتماعی

3-2 مشخصه

3-2-1 تجزیه و تحلیل توصیفی

3-2-2 تجزیه و تحلیل تشخیصی

3-2-3 تجزیه و تحلیل پیش بینی کننده

3-2-4 تجزیه و تحلیل تجویزی

3-3 هوش محاسباتی

3-3-1 شبکه های عصبی مصنوعی

3-3-2 سیستم های فازی

3-3-3 هوش ازدحام

3-3-4 محاسبه تکاملی

3-3-5 یادگیری عمیق

3-4 تکنیک ها

3-4-1 مدل سازی

3-4-2 تحلیل احساسات

3-4-3 تحلیل شبکه اجتماعی

3-4-4 متن یابی (کاوش متن)

4. بحث

5. چالش های تحقیق

6. نتیجه گیری

منابع

چکیده

اخیراً تحلیل های داده های بزرگ به عنوان یک حوزه اجتماعی به دلیل محبوبیت اینترنت و ظهور فناوری های وب 2 پدیدار شده است. علاوه بر این، ازدیاد و پذیرش برنامه های رسانه های اجتماعی فرصت ها و چالش های بسیار زیادی را برای محققان و متخصصان فراهم آورده است. میزان عظیم داده های تولید شده توسط کاربران با استفاده از پلتفورم های رسانه اجتماعی نتیجه ادغام جزئیات پیشینه و فعالیت های روزانه آن ها است. این حجم عظیم از داده های شناخته شده به عنوان “داده های بزرگ (داده های کلان) ” اخیزاً به شدت مورد تحقیق قرار گرفته است. مرور کوتاهی بر کارهای اخیر در این مقاله ارائه شده است تا دیدگاه وسیع تری نسبت به موضوع تحقیقاتی تحلیل داده های بزرگ رسانه اجتماعی به دست آید. ما ادبیات موجود را براساس جنبه های مهم دسته بندی می کنیم. همچنین این مطالعه تکنیک های ممکن تحلیل داده های بزرگ و ویژگی های کیفی آن ها را با یکدیگر مقایسه می کند. علاوه بر این، بحثی درباره کاربردهای تحلیل داده های بزرگ رسانه اجتماعی با نمایان کردن بهترین تکنیک ها، روشش ها و کیفیت ویژگی های مطالعات پیشین ارائه می کنیم. چالش های تحقیقاتی موجود در تحلیل داده های بزرگی به خوبی مورد بررسی قرار می گیرند.

1. مقدمه

محبوبیت اینترنت و ظهور فناوری های وب 2 محتوای وب را از ناشر به محتوای ایجاد شده توسط کاربر تغییر داده است (Alexander, 2006). چنین تغییری در انتشار محتوا بدون نیاز به برنامه ریزی کمک کرده است. امروز موضوعات، مرورها و نظرات جالب مربوط به وب 2 و رسانه اجتماعی به آسانی از طریق اینترنت در سرتاسر جهان در هر لحظه ای قابل دستیابی است. علاوه بر این، ازدیاد و پذیرش رسانه اجتماعی فرصت ها و چالش های گسترده ای را برای محققان و متخصصان فراهم کرده است. بیش از یک میلیارد نفر در سرتاسر جهان در حال استفاده از پلتفورم های رسانه اجتماعی هستند و  دادهای ساختار نیافته را در مقیاس های زمانی نسبتاً کوتاه تولید می کنند. حجم عظیمی از داده های تولید شده توسط کاربران نتیجه ادغام جزئیات پیشینه و فعالیت های روزانه آن ها در چنین پلتفورمی است. این حجم عظیم از داده های تولید شده به عنوان “داده های بزرگ” شناخته می شود که اخیراً به شدت مورد بررسی و تحقیق قرار گرفته است.

6. نتیجه گیری

داده های بزرگ رسانه اجتماعی همراه با پیشرفت در ابزارهای محاسباتی، به عنوان کلیدی برای دیدگاه های مهم نسبت به رفتار انسان پدیدار شده است و به طور پیوسته ذخیره و توسط شرکت ها، افراد و دولت ها مورد پردازش قرار می گیرد. اول، ما کار اخیر درباره تجزیه و تحلیل رسانه اجتماعی بزرگ را مورد بررسی قرار می دهیم و چشم انداز وسیعی از این حوزه را اراده می کنیم. دوم، مقالات را براساس جنبه های مهم همانند منابع داده ها، مشخصات، هوش محاسباتی و تکنیک ها دسته بندی می کنیم. سوم، تکنیک های تجزیه و تحلیل داده های بزرگ و ویژگی های کیفی ان ها را با یکدیگر مقایسه می کنیم. چهارم، فرصت ها را با توجه به تجزیه و تحلیل داده های بزرگ براساس رسانه اجتماعی شناسایی می کنیم. در نهایت نیز چالش های تحقیقاتی موجود در تجزیه و تحلیل داده های بزرگ را توصیف می کنیم. 

Abstract

Big data analytics has recently emerged as an important research area due to the popularity of the Internet and the advent of the Web 2.0 technologies. Moreover, the proliferation and adoption of social media applications have provided extensive opportunities and challenges for researchers and practitioners. The massive amount of data generated by users using social media platforms is the result of the integration of their background details and daily activities. This enormous volume of generated data known as “big data” has been intensively researched recently. A review of the recent works is presented to obtain a broad perspective of the social media big data analytics research topic. We classify the literature based on important aspects. This study also compares possible big data analytics techniques and their quality attributes. Moreover, we provide a discussion on the applications of social media big data analytics by highlighting the state-of-the-art techniques, methods, and the quality attributes of various studies. Open research challenges in big data analytics are described as well.

1.0 Introduction

The popularity of the Internet and the advent of the Web 2.0 technologies have transformed the contents of the web from publisher- to user-created contents (Alexander, 2006). Such existence has assisted in publishing contents without the needs of programming. Today, interesting topics, reviews, and opinions from Web 2.0 and social media can easily be accessible globally via the Internet in real time. Moreover, the proliferation and adoption of social media have provided extensive opportunities and challenges for researchers and practitioners. More than a billion of people around the world are using social media platforms that generate overwhelming unstructured data in relatively short timescales. The huge amount of data generated by users is the result of the integration of their background details and daily activities in such platform. This massive amount of generated data referred to as “big data” has been intensively researched recently.

6.0 Conclusion

Big social media data along with the progress in computational tools have emerged as the key to crucial insights into human behavior and are continually stored and processed by corporations, individuals, and governments. Frist, we investigate the recent work on big social media analytics and provide a broad perspective of the area. Second, we classify the literature based on important aspects, such as data sources, characteristics, computational intelligence, and techniques. Third, we compare possible big data analytics techniques and their quality attributes. Fourth, we identify the opportunities with respect to big data analytics on social media. Finaly, we describe the open research challenges in big data analytics.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مطالعه ای بر تجزیه و تحلیل داده های بزرگ رسانه اجتماعی

Big Social Media Data Analytics: A Survey