دانلود ترجمه مقاله کلان داده ها و تجزیه و تحلیل کسب و کار

1. مقدمه 2. پیشرفت های اخیر در زمینه تکنولوژی کلان داده 3. پلتفرم تحلیل کلان داده 4. چالش ها و عوامل موفقیت 5. کاربردهای کلان داده و تحلیل های تجاری 6. خلاصه و جهت گیری های پژوهشی باز

تحلیل کسب و کار و کلان داده، روندهایی هستند که اثراتی مثبت، بر جهان کسب و کار میگذارند. پژوهشگران گذشته نشان می دهند که داده تولید شده در جهان مدرن، بسیار بزرگ بوده و به طور نمایی، در حال افزایش است. این داده ها شامل داده های ساختاریافته و غیرساختاریافته ای می شوند که همانند یک سیل، به طور روزانه وارد سازمان ها می گردند. داده های غیر ساختاریافته، اکثریت داده های دیجیتال جهان را در بر می گیرد که شامل فایل های متن، وب، پست های شبکه های اجتماعی، ایمیل ها، تصاویر، فایل های صوتی، فیلم و ... می شود. این داده های غیرساختاریافته را نمی توان در سیستم های مدیریت پایگاه داده نسبی سنتی (RDBMS) مدیریت نمود بنابراین افزایش حجم داده، نیاز به تفکری مجدد در تکنیک هایی برای ذخیره سازی، ثبت و پردازش این داده ها دارد. آنچه گفتیم نقشی است که امروزه، کلان داده ایفا می کند. بنابراین، این مقاله تلاش می کند تا توجه سازمان ها و پژوهشگران را به کاربردها و منافع مختلف فناوری کلان داده جلب نماید. مقاله در دست در واقع روندهای اخیر، فرصت ها و بن بست های پایگاه داده را مورد بررسی قرار داده و همچنین درباره نحوه توان بخشی سازمان ها، در زمینه خلق استراتژی های کسب و کار موفقیت آمیز و حفظ قابلیت رقابتی، مبتنی بر مقالات در دسترس را تحلیل می کند. علاوه بر آن، این مرور کلی، کاربردهای مختلف کلان داده و تحلیلگران کسب و کار، منابع داده تولید شده در این کاربردها و خصوصیات کلیدی شان را نیز ارائه می دهد. در نهایت، این مرور کلی نه تنها چالش های پیشروی پیاده سازی موفقیت آمیز پروژه های کلان داده بلکه جهت گیری باز کنونی پژوهش، در زمینه تحلیلگران کلان داده که نیاز به ملاحظات بیشتر دارد را مشخص می کند. جنبه های بررسی شده از کلان داده نشان می دهد که مدیریت و اداره درست مجموعه های کلان داده، با استفاده از تکنیک ها و ابزارهای کلان داده می تواند بینش های اقدام پذیری را فراهم بیاورد که ارزش های کسب و کار را خلق خواهند کرد. مقدمه: در اواخر دهه 1980، فناوری انبار داده که اغلب به عنوان یک روش پردازش تحلیلی آنلاین (OLAP) طبقه بندی می شود، توسط شرکت های سیستم مدیریتی پایگاه داده نسبتی (RDBMS)، با هدف پشتیبانی از کسب و کار و هوش کسب و کار، معرفی شد. این روش در ابتدا برای آرشیوبندی میزان قابل توجهی از داده ها که از پایگاه های داده تولیدی خارج می شدند، طراحی شد و همچنین باید می توانست برای عملکرد مناسب، آن ها را به طور خالص حفظ نماید. در انبار داده، چندین کپی از داده، بر روی چندین سرور پایگاه داده قرار گرفته اند که به آن ها به عنوان مرکز داده اشاره می شود. مرکز داده می تواند شرکتی یا مستقل باشد. از اینجا داده ها استخراج شده و در دو مرکز داده تحلیلی بارگذاری می شوند. در این جا تحلیلگران داده، الگوریتم های خود را برای اجرای کارشان ایجاد می کنند، یکی از مراکز داده به تحلیل گران آماری وصل شده و مورد دیگر به کاربران کسب و کار متصل شده است. در حالی که انبار داده هنوز در خلق ارزش کسب و کار، از طریق تهیه گزارش دقیق، مبتنی بر مدلسازی آماری مختلط، دچار شکست نشده است [1،2]، جابه جایی مداوم داده در شبکه که امری چالش برانگیز بوده و زمان حصول نتیجه می طلبد [3]. علاوه بر آن، محدودیت هایی در حجم داده ای که می توان آن ها را بر روی سیستم، ذخیره سازی کرد به چشم می خورد. علاوه بر آن، خلق داده کنونی به طور مداوم تولید شده است و بنابراین پردازش کلان داده را دشوار می سازد. کلان داده، اخیرا توجهات زیادی را در بخش دولتی، صنعتی، علوم، مراقبت از سلامت و پزشکی و امور مالی در جهان کسب و کار جلب نموده است [4]. بر این اساس، داده های تولید شده در این زمینه ها، حجم بالایی داشته و توانایی دسته بندی در سیستم مدیریت پایگاه داده نسبی، در آن ها به چشم نمی خورد و داده ها با سرعت فراوانی تولید، ثبت و پردازش می شوند [1]. بنابراین چالش های اصلی ای که پیشروی سازمان ها، صنایع و سایر بخش های کسب و کار این چنینی است، نحوه طراحی تکنیک های مناسب، برای مدیریت و پردازش این حجم سرسام آور است تا بتوان تصمیم گیری بهره ور و اثربخش را تضمین نمود.

Big data and business analytics are trends that are positively impacting the business world. Past researches show that data generated in the modern world is huge and growing exponentially. These include structured and unstructured data that flood organizations daily. Unstructured data constitute the majority of the world’s digital data and these include text files, web, and social media posts, emails, images, audio, movies, etc. The unstructured data cannot be managed in the traditional relational database management system (RDBMS). Therefore, data proliferation requires a rethinking of techniques for capturing, storing, and processing the data. This is the role big data has come to play. This paper, therefore, is aimed at increasing the attention of organizations and researchers to various applications and benefits of big data technology. The paper reviews and discusses, the recent trends, opportunities and pitfalls of big data and how it has enabled organizations to create successful business strategies and remain competitive, based on available literature. Furthermore, the review presents the various applications of big data and business analytics, data sources generated in these applications and their key characteristics. Finally, the review not only outlines the challenges for successful implementation of big data projects but also highlights the current open research directions of big data analytics that require further consideration. The reviewed areas of big data suggest that good management and manipulation of the large data sets using the techniques and tools of big data can deliver actionable insights that create business values. Introduction: In the late 1980s, data warehouse technology, which is generally categorized as online analytical processing (OLAP) was introduced by the relational database management system (RDBMS) companies to support the business decision and business intelligence. It was originally designed to archive large amounts of data out of production databases and to keep them lean and mean for good performance. In data warehousing, multiple copies of data are located on multiple database servers referred to as data mart. The data mart can be independent or an enterprise data mart. From there, data is then extracted and loaded into two analytical data marts. Here, the data analysts create their algorithms to run their jobs. One of the data marts links to a statistical analyst and the other to a business user. While data warehouse has not failed in creating business value through detailed reporting based on complex statistical modeling [1,2], it is challenging to continuously move data over the network and takes a long time to yield results [3]. Furthermore, there are limitations in the data volume that can be stored on the system. In addition, current data creation is continuously generated, thereby making it difficult to process big data. Big data has garnered lots of attention recently in government, industries, sciences, engineering, healthcare and medicine, finance and prominently in businesses [4]. Accordingly, data generated in these areas are characterized by high volume, inability to be categorized into the relational database management system and the data are generated, captured and processed rapidly [1]. Therefore, the major challenges facing various organizations, industries, and other business sectors are how to design appropriate techniques to handle and process this large volume of data to ensure effective and efficient decision-making.