Explosion. Как большие данные создают большие проблемы
Комментариев нет

Explosion. Как большие данные создают большие проблемы

В этой статье будет рассмотрена концепция взрыва данных. Термин будет изучен в различных научных исследованиях, каковы причины этого явления в науке и бизнесе. Каковы плюсы и минусы взрыва данных. Мы рассмотрим, какую роль играет аналитика в создании конкурентного преимущества и на примерах разберем, какие выгоды получаются с точки зрения EBITDA. Это важно, потому что большинство компаний накапливают большие объемы данных, с которыми они понятия не имеют, что делать, или не надеются узнать что-то полезное.

Концепция взрыва данных

Также нет прямого определения того, что такое взрыв данных. Это общий термин, описывающий рост генерации данных, и этот рост является экспоненциальным сразу по нескольким направлениям. Эти большие и сложные данные, которые генерируются и извлекаются из разных систем, часто называют «большими» данными. Этот термин используется в этом контексте и в различных научных дисциплинах. И ученые сходятся во мнении, что современная цивилизация находится в самом начале этапа развития этих технологий (Ciuriak, 2019).

Причины

В качестве основной причины исследователи предлагают несколько версий. Например, Manyika (2023) цитирует, что взрыв данных был результатом разработки и принятия новых научных инструментов и форм наблюдения для получения результатов, например, в астрономии и геномике. А Гош и др (2018) связывают взрыв данных во всем мире с появлением социальных онлайн-платформ и интеллектуальных устройств, таких как сотовые телефоны, планшеты, которые открыли огромные возможности для использования новых знаний, талантов и рынков.

Плюсы

Таким образом, информационный взрыв принес обществу много плюсов. Помимо прорывов в науке, достижения в области технологий и глубокое проникновение Интернета и мобильной связи радикально расширили возможности бедных сообществ в отношении доступа к информации, образованию и здравоохранению. Вот почему Diggle 2015 (2015) считает, что социальные последствия взрыва данных могут быть больше в развивающихся странах, чем в развитых.

Минусы

Однако есть и обратная сторона. Из-за увеличения объема генерируемых данных возникают трудности с их обработкой. Это подтверждается исследованием Паволоцкого (2012), который рассматривает большие данные как результат распространения объемов и типов данных, которые настолько велики, разнообразны или неструктурированы, что современные технологии испытывают трудности с их хранением и анализом.

Согласно Беллу и соавт (2009), проблема в том, что компьютерные сети отстают от стремительного роста данных. Из-за этого в научных исследованиях больше недопустимо перемещать большие объемы данных из центра обработки данных на отдельные рабочие станции или разделять их на множество отдельных центров.

Кроме того, общество еще не имеет достаточного опыта регулирования экономики знаний. Существует проблема со скрытой информацией, и риск для правительств заключается в том, что проблемы с конфиденциальной информацией не проявятся сразу. Когда данные собираются в коммерческих или военных целях, проблемы становятся очевидными.

Роль аналитики в конкурентном преимуществе

В Davenport (2020) автор утверждает, что аналитика является источником устойчивого конкурентного преимущества. Это утверждение в целом поддерживается другими учеными. Бисак (2017) с готовностью признал, что данные являются критически важным товаром в сегодняшнем напряженном деловом климате. Основываясь на своем исследовании, он пришел к выводу, что чем большим количеством данных владеет компания, тем более разумными могут быть ее решения, основанные на фактах.

В научных теориях

Современная модель компьютерного моделирования стала важной третьей парадигмой в области науки и техники (Schmidt, 2003). Благодаря обработке данных ученые могут исследовать области, недоступные теории и эксперименту. Белл и др (2009) приводят примеры изучения эволюции Вселенной, краш-тестов автомобилей и изучения изменения климата. И использование данных не только увеличивается, но и усложняется.

В результате увеличения объема данных моделирования и экспериментов появляется четвертая парадигма, состоящая из технологий, необходимых для выполнения наукоемких исследований. С точки зрения науки потребность в науке с интенсивным использованием данных является проблемой для различных научных сообществ, поскольку она требует загрузки больших объемов данных.

В практическом бизнесе

Основа любого бизнеса — люди. Чтобы быть конкурентоспособными в очень изменчивой деловой среде, организации должны постоянно обучать своих сотрудников (Ghosh et al., 2018). Корпорации внедряют системы для сбора информации об опыте и создания индивидуальных программ обучения. Высшее руководство будет получать данные от управления эффективностью компании.

Весьма вероятно, что прогнозирование поведения и действий — это следующее поколение управления человеческими ресурсами. Этого можно достичь за счет автоматизации процессов или интеллектуальных функций на облачной платформе для достижения целей. Для создания эффективных программ обучения необходимо приобретать и обрабатывать знания о деятельности внутри или за пределами организации.

Технологии хранения данных и экспертных систем, расширенные базы знаний/интранет/интернет имеют потенциал для получения, доступа к информации или принятия явных неявных знаний для эффективного управления.

Примеры

Более чем много передовых ИИ уже проникло в обычные приложения, поэтому они больше не называются ИИ. Бисак (2017) показывает примеры того, как аналитика помогла увеличить EBITDA:

Больше клиентов

Авиакомпании использовали бизнес-аналитику в режиме реального времени при взаимодействии с клиентами:

  • Билеты в часы пик
  • Улучшить качество обработки багажа.
  • Обрабатывать жалобы клиентов.
  • повысить точность информации о бронировании и прибытии,
  • А также увеличить скорость обработки данных.

Компания инвестировала 30 миллионов долларов в оборудование, программное обеспечение и персонал, чтобы увеличить доход и сэкономить деньги в течение следующих шести лет.

Снижение эксплуатационных расходов

Транспортная компания расширила данные о перевозках:

  • Автоматизированная система управления заправкой в режиме реального времени.
  • Система управления панелью видеонаблюдения.
  • Историческая аналитика производительности.

Анализ и сравнение текущих транзакций на АЗС

Чтобы оптимизировать маршруты, лучше управляйте расходами на топливо и принимайте взвешенные решения:

  • Доставка и складирование. Предприятие, 80% продаж которого завершено за 90 дней, использовало BI для улучшения логистики и производственного процесса, чтобы оптимизировать прибыль в периоды закупок.
  • Актуальная программа лояльности клиентов. BI использовался сетью магазинов одежды для более точного анализа текущих и идеальных профилей клиентов (например, прибыль от продажи или выручка от продажи, возрастные характеристики, семейное положение, размер дома и т. д.).
  • Корректировка бюджетов, выявление и устранение отклонений. В компании разработана система BI баланса, которая быстро выявляет расхождения с годовыми расчетными операционными целями и задачами, поставленными в начале года, причины этих отклонений и пути их исправления.
  • Обеспечивается повышение эффективности продаж. Компания создала информационную панель для графического представления деятельности по продажам, что позволяет компании лучше распределять ресурсы.
  • Удовлетворенность клиентов. Для одной компании возможность отслеживать в системе бизнес-аналитики позволила сосредоточиться на более прибыльных клиентах, повысив удовлетворенность клиентов.

Однако есть и другие случаи, когда система работает не так, как планировалось.

Например, предубеждения в системах распознавания лиц, дипломатические фейки, которые использовались в переговорах. Преувеличенные человеческие ожидания, при которых реальная система может только навредить. Например, при прогнозировании преступлений склонны использовать методы, которые могут привести к негативным последствиям (Nunan & Di Domenico, 2017). Однако они связаны и с другими происшествиями — например, с авариями с участием беспилотных автомобилей.

В заключение можно сказать, что быстрые инновации и внедрение технологий сбора данных — от смартфонов с поддержкой GPS или RFID-меток до миллионов камер для записи ежедневных действий предприятий и потребителей в режиме реального времени — опередили развитие технологий хранения данных. В то же время сложность организационных бизнес-процессов значительно возросла для достижения сбалансированного подхода и гибкости. В настоящее время существует острая необходимость в определении и мониторинге соответствующих показателей, которые могут создать ценность для бизнеса. Эти требования могут быть выполнены путем сбора, хранения и преобразования данных из нескольких источников или каналов. Однако данные не бесплатны; для этого требуется хранилище, электричество, программное обеспечение для загрузки, управления и доступа к нему, а также приложения. При обработке данных стоит придерживаться упрощенного подхода.

 

Ссылки

Белл, Эй, Т., и Салай, А (2009). Информатика. Помимо потока данных. Science (Нью-Йорк, штат Нью-Йорк), 323 (5919), 1297–1298. https://doi.org/10.1126/science.1170411

Бисак, Дж. Х (2017). Бизнес-аналитика: поиск самородков в шуме. Журнал прямых инвестиций, 20 (3), 9–11. https://doi.org/10.3905/jpe.2017.20.3.009

Чуяк, Д (2019). Последствия для экономической стратегии Канады. Центр инноваций в области международного управления.

Давенпорт, Т (2020, 6 октября). Серьезно относиться к данным и науке о данных. Томдавенпорт. https://www.tomdavenport.com/gettingseriousaboutdataanddatascience/

Диггл, П.Дж (2015). Статистика: наука о данных для 21 века. Журнал Королевского статистического общества. Серия А (Статистика в обществе), 178 (4), 793–813. https://doi.org/10.1111/rssa.12132

Гош, В., Трипати, Н., Мукерджи, Х.С., и Кабра, Г (2018). Преобразование процессов управления человеческими ресурсами с помощью интеллектуальных систем. Индийский журнал производственных отношений, 53 (4), 707–710.

Маника, Дж (2023). Правильный подход к ИИ: вводные заметки об ИИ и обществе. Дедал, 151 (2), 5–27. https://doi.org/10.1162/daed_e_01897

Нунан, Д., и Ди Доменико, М (2017). Большие данные: обычная авария, ожидающая своего часа? Журнал деловой этики, 145 (3), 481–491. https://doi.org/10.1007/s10551-015-2904-x

Паволоцкий, Дж (2012). Демистификация больших данных. Деловое право сегодня, 1–4.

Шмидт, CW (2003). Взрыв данных: наведение порядка в хаосе с помощью биоинформатики. Перспективы гигиены окружающей среды, 111(6), a340–a345. https://doi.org/10.1289/ehp.111-a340

EBITDAАнализ отклоненийАналитика данныхБизнес-аналитикабизнес-эффективностьБольшие данныеВвод данныхВзрыв данныхКонкурентное преимуществообработка данныхтехнологии хранения данныхУправление данными

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Заполните поле
Заполните поле
Пожалуйста, введите корректный адрес email.

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.

<