تحلیل مسائل مربوط به کیفیت داده ها در سیستم های اطلاعات پژوهشی از طریق پروفایل بندی داده ها

Analyzing data quality issues in research information systems via data profiling

Abstract

The success or failure of a RIS in a scientific institution is largely related to the quality of the data available as a basis for the RIS applications. The most beautiful Business Intelligence (BI) tools (reporting, etc.) are worthless when displaying incorrect, incomplete, or inconsistent data. An integral part of every RIS is thus the integration of data from the operative systems. Before starting the integration process (ETL) of a source system, a rich analysis of source data is required. With the support of a data quality check, causes of quality problems can usually be detected. Corresponding analyzes are performed with data profiling to provide a good picture of the state of the data. In this paper, methods of data profiling are presented in order to gain an overview of the quality of the data in the source systems before their integration into the RIS. With the help of data profiling, the scientific institutions can not only evaluate their research information and provide information about their quality, but also examine the dependencies and redundancies between data fields and better correct them within their RIS.

1 Introduction

In recent years, the requirements for research reporting of all institutions have risen massively. Both internal institution (presidium, departmental and specialist management) and external (relevant ministries, interested public) need comprehensive information on the research activities of the institutions for planning and control purposes. Research activities include research information such as Projects, thirdparty funds, patents, partners, prices and publications, etc. This research information is stored and managed in a corresponding research information system. A research information system is used when the information system from different sources brings together research information via an integrated ETL process and makes it possible to analyze it using various output and analysis functions. With the introduction of RIS, scientific institutions can provide a current overview of their research activities, collect, process and manage information about their scientific activities, projects and publications as well as integrate them into their web presence. Furthermore, RIS users can not have any extra effort in the survey of their research activities.

The growing volumes of data and the increasing number of source systems can lead to possible data errors, duplicates, missing values, incorrect formatting and contradictions in RIS. In addition, it serves to analyze the quality of the data in the source systems prior to their integration into the RIS. The sooner quality defects are controlled and remedied, the better. For this purpose, the aim of this paper will be to present the possible methods of data profiling applicable to research information in order to allow facilities to carry out a detailed analysis and evaluation on the existing data.

چالش های کسب و کار برای اینترنت اشیا: یافته های حاصل از مراقبت های خانگی به صورت الکترونیکی، کنترل دسترسی هوشمند، شهرها و خانه های هوشمند

Business Challenges For Internet Of Things: Findings From E-Home Care, Smart Access Control, Smart Cities And Homes

INTRODUCTION

There is an increasing interest in the potential opportunities that can be achieved with the integration of smart devices to gather data or automate processes. The type of communications between devices with minimal human intervention is referred to as Machine-to-Machine (M2M) communications. M2M solutions can be applied to improve industrial, commercial or service delivery applications (Wu, et al., 2011). We are also faced with Human-to-Machine (H2M) communications, e.g., when using a smartphone for interaction with sensors for remote monitoring and control of homes or when using mobile ticketing services. Internet of Things (IoT) is a related concept for services with communication between and with connected sensors and smart devices. Forecasts often refer to a figure of 50 Billion mobile devices that will be connected a few years from now1 . There are numerous incentives that motivate solutions based on IoT and M2M communications. For network operators, there is an increasing interest in the M2M market due to the current saturation of the traditional services and the decline of voice revenues in developed countries (Wu, et al., 2011) and (Markendahl, 2011). But Telecom and broadband operators face many obstacles, since their traditional revenue stream is based on high amount of traffic per users and M2M devices do not generally follow this pattern. Instead, they usually generate very low traffic and operators can expect very low average revenue per user (ARPU). This is forcing the consideration to extend the traditional set of activities beyond connectivity provision and reach revenues in application provisioning (Daj, et al., 2012). The adoption of services based on smart devices usually entails the need to change the traditional business thinking, due to the transformation of the value network. Determining effective business models in these scenarios to create value from this technological shift is a must (Sharma & Gutiérrez, 2010); otherwise new actors will emerge to fulfil the required activities. M2M motivations are specific to each application and depend on the needs found on each market. For example, in the health care sector, there is an emphasis to change from episodic-care to continuous-care services and to furthermore, minimize costs by remotely taking care of patients at home instead of the traditional care at hospital facilities (Kijl, et al., 2010). In addition, large scale applications related to smart metering, automotive and e-Health count with strong incentives from public funding (TeliaSonera Business Day 2013, 2013). Information and communication technologies are suitable to deliver M2M solutions and fulfill the most common technical requirements but successful cases are scarce and the forecasts in the estimated number of expected M2M connections has not been met. The authors of this work believe that the main challenges are beyond technology and can be found in the business domain. Improving communication performance and scalability, although necessary, does not correspond to immediate enablers for M2M applications. There are other challenges that still need to be addressed (OECD, 2012). For instance, current deployments are typically dedicated to a single application where each solution exists in a vertical market, leading to higher application development cost and slower market adoption (IERC – Internet of Things European Research Cluster, 2012). In this study, selected cases in Sweden related to IoT and M2M are analyzed. The cases correspond to key applications such as smart grids, smart cities, facility management, access control, e-home care and mobile payments for parking, see Table I. Studying the business approach that is been taken by different actors involved in the IoT and M2M market will highlight the current role of operators and communication providers in the service delivery. Moreover, by analyzing successful solutions, it will be possible to understand the actions required to enable ambitious projects such as smart cities and smart energy systems. The work will study the interaction among actors and the value networks, with special emphasis in the business roles for communication and service provisioning. This will exhibit how an invariant position before M2M solutions tends to weaken business interaction that will be substituted by innovative market actors. By comparing the factors that have allowed the successful deployment of some solutions and the obstacles that still hamper the implementation of promising applications it is shown how successful cases are based on new definition of roles, this study is essential in order to focus immediate researcher efforts in the appropriate direction. In order to analyze the business challenges for the Internet of Things, the main research questions are the following: – What types of benefits and values can be identified for different IoT services? – Which are the drivers and barriers for adoption of IoT services? – How is the value network organized and what roles are taken by different actors? – What is the role of traditional actors like communication providers, in the service delivery? The paper is organized as follows: Next, the related work is presented followed by the methodology, where the analysis approach and the collection of primary data are further explained. Next, the selected cases are described and then analyzed and compared in terms of the level of competition and cooperation, the cost saving related to the services, the values and the competence and business perspective. This analyzing will be followed by a further comparison with other types of services (not related to IoT or M2M). Finally, conclusions and further remarks presented on the last section.

Role of knowledge management and analytical CRM in business: data mining based framework

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1852

مدیریت دانش مربوط به مشتری نیاز به جمع آوری از تمام راههای ممکن دارد و به معنای جزئیات دموگرافیک مشتری ، الگوهای خرید مشتری و یا سایر منابع خارجی است. این اطلاعات می تواند به طور موثر جمع آوری شود و از طریق روش هایی مورد استفاده قرار گیرد که به سهولت تعامل سریع با مشتریان. aCRM را میسر می سازد. ابزارها و تکنیک های DM به جمع آوری، ذخیره و بازیابی موثر اطلاعات از داده های مشتری کمک می کند. اتخاذ aCRM در سازمان وابسته به فن آوری مورد استفاده برای تجزیه و تحلیل است. ابزار و فنون DM به کشف اطلاعات پنهان و ناشناخته از داده های مشتری کمک می کند.
این مقاله به شرح زیر سازمان یافته است: در بخش 2 انگیزه و تحقیقات مرتبط با مدیریت دانش و حوزه aCRM. ارائه شده است. بخش 3 نشان دهنده که طرح و روش اتخاذ شده توسط نویسندگان است. بخش 4 به بررسی اهمیت رو به رشد aCRM و DM.می پردازد. بخش 5 به اهمیت مدیریت دانش در کسب و کار فعلی می پردازد. بخش 6 چارچوبی برای aCRM از دیدگاه مدیریت دانش با استفاده از ابزار و فنون DM را نشان می دهد. بخش 7 سازماندهی کسب و کار را استفاده از aCRM مبتنی بر مدیریت دانش در سازمانها با استفاده از تکنیک های DM منعقد شده نتیجه می گیرد.
2. تحقیق و انگیزه های مرتبط
استفاده از DM به طور فزاینده ای در دنیای کسب و کار رو به رشد است. این مورد می تواند از طریق تجزیه و تحلیل مجموعه ای از بسیاری از سازمان ها در محیط کسب و کار فعلی محقق شود. استفاده از DM در CRM، سود بسیار زیادی برای تولید صنایع بخش خدمات کرده است. رشد aCRM از طریق استفاده از DM برخی از نگرانی های جدی را در رابطه با امنیت ایجاد کرده است.
بررسی نوشته ها به شرح زیر است: است.
• بررسی چارچوب های موجود برای aCRM.
• تحقیقات مرتبط در زمینه aCRM و DM.
• . KM بر اساس BI و aCRM.
کار انجام شده توسط AHN و همکاران. (2003) چارچوبی را در aCRM بر اساس انبار داده های توزیع شده طراحی نمود. مقاله ارزش افزوده آنها برای چارچوب ما به عنوان جنبه مهم مورد نیاز چارچوب در مورد aCRM فقط از این مقاله مورد مطالعه قرار گرفت.. Tzokas و Saren (2002) نشان دادند که دانش روش به دستیابی به مزیت رقابتی در بازاریابی رابطه کمک می کند.Rowley (2002) سوالاتی را برای مدیریت دانش مشتری در محیط کسب و کار الکترونیکی یافت. Kim و Hawamdeh (2008)، استفاده گسترده از دانش مشتری را در وب سایت تجارت الکترونیک استدلال نمودند و اهمیت آن در تجارت الکترونیک کسب و کار را نشان داد. SAP (2003) اهمیت رو به رشد aCRM در کسب و کار سرمایه گذاری را دریافت و نشان داد. این مقاله در به دست آوردن بینش به این مورد کمک می کند که چگونهaCRM واقعا برای سازمان های کسب و کار مفید است.. Xu و Walton (2005) توضیح دادند که چگونه دانش مشتری از طریق aCRM به دست می آید. این مقاله در به دست آوردن بینشی به تجزیه و تحلیل کمک کرده است. CRM. Qiaohong و همکاران. (2007) چارچوب طراحی aCRM را در انبار داده های توزیع شده نشان دادند. Campbell (2003) اهمیت دانش مشتری و ایجاد آن برای فراهم آوردن ارتباط با مشتری در سازمان برای روند ایجاد بحث استراتژیک را نشان داد.
Saarenvirta (1998) استفاده از DM در ارتباط با مدیریت مشتری برای کمک به مدیران در تصمیم گیری های استراتژیک را بررسی. این مقاله به ما کمک کرد تا بدانیم که چگونه DM به خوبی می تواند مزیت اضافه شده به CRM را ارائه دهد Siragusa (2001) اجرای DM برایCRM بهتر و خدمات بهتر برای مشتریان برای ارائه رضایت آنها را مطرح کرد.. Mukhopadhyay و Nath (2001) بهره وری سیستم های CRM را اندازه گیری نمود و مدلی ارائه نمود که برای اندازه گیری بهره وری سیستم CRMارائه می شود. Wang و همکاران. (2004) نرم افزار DM هوشمند برایرا CRM با نشان دادن اثر DM در تجزیه و تحلیل داده های مشتری یافتند.. Berson و همکاران. (1999) توضیح دادند که چگونه ساخت نرم افزار DM برای CRM که به ما در به دست آوردن دانش در مورد CRM و DM با جزئیات کمک می کند، صورت می گیرد. Wang و Wang (2007) کاوش دنباله داده های ترتیب خرید را برای بخش مشتری آنلاین بررسی نمودند. Chen و همکاران. (2005) کاربرد DM دررا CRM در کسب و کار کارت های اعتباری بررسی نمودند. Chen و همکاران. (1996) مروری بر DM از دیدگاه پایگاه داده را مورد بحث قرار دادند.. Kleissner (1998) DM را برای سرمایه گذاری بررسی نمودند. Srivastava (2004) DM را برای مدیریت ارتباط با مشتری مورد تاکید قرار دادند.. Ranjan و Bhatnagar (2008) ابزارهای اجرای موثر CRM از DM را مورد بررسی قرار دادند. DM به پیدا کردن اطلاعات پنهان و ناشناخته از پایگاه داده های عملیاتی مشتری کمک می کند. این اطلاعات توسط شرکت ها برای رشد در آینده، و برای رسیدن به مزیت رقابتی مورد استفاده قرار می گیرند.. Ranjan و Bhatnagar (2008) عامل موفقیت مهم و حساس را برای پیاده سازی CRM با استفاده از DM مورد بررسی قرار دادند.
Rowley (2002) بازتابی از مدیریت دانش مشتری را در کسب و کار الکترونیکی به ما نشان دادند. این مقاله به ما کمک کرد تا اهمیت رو به رشد مدیریت دانش در کسب و کار الکترونیکی را دریابیم. . Rowley (2004) یکپارچگی بین بازاریابی رابطه و مدیریت دانش را بررسی نمود. این مقاله نشان داد که چگونه همکاری مدیریت دانش با بازاریابی رابطه سود سازمانها را افزایش می دهد.. Nissen (1999) به بررسی مدیریت دانش بر پایه دانش در حوزهمهندسی مجدد پرداخت. Lee و Thang (2005) در مورد سیستم CRM مبتنی بر مدیریت دانش بحث نمودند. Lyons و همکاران. (2008) چگونگی تعالی دانش فعال شده در عملکرد را که می تواند توسط یکپارچه سازی مدیریت دانش و مدیریت کیفیت به دست آید را بررسی نمودند. Kaplan (2006) چارچوب همگرایی دانش را برای ساختن یک فرهنگ یادگیری عملکرد توسعه داد. Kaplan و Reed (2007) نشان داد که رشد مدیریت دانش از تئوری در عمل در طول سالیان صورت می گیرد. این مقاله کمک کرد تا ما دانش کاملی در مورد مدیریت دانش را به دست آوریم.
مطالعه مقالات به ما در به دست آوردن بینش به اینکه چه aCRM کامل است کمک کرد. این مقالات نیز کمک کرد که ما به کاربرد و اهمیت مدیریت دانش و DM در دنیای کسب و کار پی ببریم. مطالعه مقالات مربوط به مدیریت دانش، DM و aCRM و اتخاذ سریعتر aCRM در سازمان کسب و کار، به ما انگیزه می دهد و ما را وادار به ارائه دانش فعال شده برای چارچوب aCRM با استفاده از تکنیک های DM. می نماید. این مورد انگیزه تحقیق ما است.
3. طراحی و رویکرد
هدف پژوهش، توسعه جدید چارچوب داده کاوی فعال شده دانش مبتنی بر CRM تحلیلی برای یکپارچه سازی مدیریت دانش و تحلیلی CRM است ما به دنبال روش علمی همانند مورد شرح داده شده توسط مارس و اسمیت (1995) و Hevner و همکاران. (2004). هستیم. علم طراحی […]فناوری IT در نظر گرفته شده برای حل مشکلات سازمانی را ایجاد و ارزیابی می کند:
در الگوی طراحی علم، دانش و درک از حوزه مشکل و راه حل ها آن در ساخت و استفاده از مصنوع طراحی شده به دست می آید. […] چنین مصنوعاتی معاف از قوانین طبیعی و یا نظریه های رفتاری نیستند. برعکس، ایجاد آنها متکی بر تئوری های موجود در هسته مورد استفاده، آزمایش، اصلاح و توسعه یافته از طریق تجربه، خلاقیت، بینش و شهود، و قابلیت های محقق مشکل است (Hevner و همکاران، 2004).
3.1 روش پژوهش و استراتژی
هدف از این مطالعه، به دست آوردن عمیق در مورد CRM تحلیلی است، دانش مدیریت و یکپارچه سازی آن از منظر داده کاوی، انتخاب رویکرد کیفی برای تحقق هدف اعلام شده مناسب است و حالات موردی تجربی از اتخاذ چارچوب برای اعتبار این گفته مورد بحث قرار گرفته است. هدف از این مقاله تجزیه و تحلیل کاملی از مفاهیم BI، KM و aCRM و ایجاد چارچوبی برای یکپارچه کردن تمام این سه مورد با یکدیگر است. حوزه نظری این مقاله، تمایز قائل شدن بین BI، KM و aCRM روشن شدن نقش و اهمیت هر کدام در محیط کسب و کار است. هدف این پست الکترونیکی به اشتراک گذاشتن این مورد است که چگونه KM در aCRM می تواند یکپارچه شود که از تکنیک های DM یکپارچه برای حفظ برتری در عملکرد کسب و کار استفاده می کند. این مقاله همچنین سه اصل را ترسیم می کند که اساسا ممکن است به عنوان دستورالعمل / قالب، برای ایجاد یک مدیریت دانش موفق چارچوب aCRM استفاده شود. در جایی که داده ها متناقض و ناکافی باشند، توجیه منطقی ارائه شده است. علاوه بر این، چند مورد از حالات تجربی به طور عمیق تر اطلاعاتی را در مورد مشکل تحقیق در مورد تعاریف، سود و ویژگی های مختلف aCRM در مدیریت دانش با استفاده از اطلاعات و تکنیک های ابزار کاوی فراهم می کند.