همه چیز در باره داده‌های عظیم یا Big Data - صفحه 3
Loading
صفحه 3 از 6 نخستنخست 123456 آخرینآخرین
نمایش نتایج: از 21 به 30 از 53

موضوع: همه چیز در باره داده‌های عظیم یا Big Data

  1. #21
    مدير انجمن کاریابی Array itjobs آواتار ها
    تاریخ عضویت
    Saturday 24 February 2007
    نوشته ها
    6,100
    Thanks
    59
    Thanked 58 Times in 53 Posts

    Post EMC تحلیل و استفاده از کلان داده‌ها را آسان کرد





    شرکت EMC روز گذشته راهکار جدیدی را با نام Federation Business Data Lake ارائه کرد که به سازمان‌ها کمک می‌کند کلان داده‌ها را به صورت کارآمد، مقیاس‌پذیر و با هزینه کمتر مدیریت و تحلیل کنند و به کمک آنها بتوانند تصمیمات استراتژیک بگیرند.
    این شرکت به صورت همزمان سیستم سازمانی جدیدی با نام Hadoop Innovation Centre معرفی کرد که به عنوان مکمل برای راهکار یاد شده مورد استفاده قرای می‌گیرد و به تولیدکنندگان نرم‌افزار امکان می‌دهد ابزارهای جدید خود را به سادگی مبتنی بر آن ارائه دهند.
    سیستم Hadoop یک چارچوب نرم‌افزاری متن‌باز محسوب می‌شود که بیشتر راهکارهای تحلیل کلان داده مبتنی بر آن به تولید می‌رسد. شرکت EMC همچنین اظهار داشت که سازمان‌های جهان می‌توانند به مدت ۴ هفته از سیستم تحلیل تعاملی، آنلاین و باز کلان داده‌ها به صورت رایگان استفاده کنند.
    استفاده از این سیستم به دانشجویان، مدیران IT و سازمان‌های تازه‌کاری توصیه شده است که برای نخستین بار قصد دارند با ابزارهای تحلیل کلان داده‌ها آشنا شوند و مزایای استفاده از آن را بیاموزند.



    «آمیت مِهتا» مدیر مرکز سیستم‌های ذخیره‌ساز اطلاعاتی EMC توضیح داد که حجم دنیای دیجیتال هر دو سال یکبار دوبرابر می‌شود. او گفت سیستم جدید آنها برای سازگاری با این اتفاق به گونه‌ای ارائه شده است که مبتنی بر آن می‌توان شهرهای هوشمند را بنا کرد.

    *رایورز
پاسخ با نقل قول پاسخ با نقل قول

  • #22
    DelphiAdmin
    Array
    تاریخ عضویت
    Thursday 1 January 1970
    نوشته ها
    186
    Thanks
    9
    Thanked 0 Times in 0 Posts

    Post سرویس جدید کلان داده‌های مایکروسافت روی Azure

    - مایکروسافت برای دو سرویس جدید خود قابلیت یادگیری ماشینی را در نظر گرفته و در این زمینه همکاری‌هایی را با شرکت‌های بزرگ انجام داده است.

    شرکت مایکروسافت از کنفرانس Build 2015 استفاده کرد تا سرویس ویژه خود برای پردازش داده‌ها مبتنی بر پلتفورم ابری Azure را معرفی کند و به مراکز توسعه‌دهنده نرم‌افزار امکان دهد آسان‌تر از گذشته با منابع اطلاعاتی مرتبط و غیرمرتبط سازگار شوند. دو سرویس جدیدی که مایکروسافت در این زمینه ارائه کرد با نام‌های Azure SQL Data Warehouse و Azure Data Lake شناخته می‌شوند که «اسکات گاتری» مدیر گروه خدمات ابری و سازمانی مایکروسافت طی سخنرانی سه ساعته خود آنها را معرفی کرد.

    سیستم Azure SQL Data Warehouse نخستین مخزن داده محسوب می‌شود که نوع فعالیت‌های آن مبتنی بر اندازه داده‌ها تغییر می‌کند و می‌تواند اطلاعات مورد نظر خود را از منبع داده استخراج کند.گاتری همچنین توضیح داد که سیستم مذکور می‌تواند از داده‌ها در حجم پتابایت پشتیبانی کند و برای این کار منابعی مانند مرکز داده SQL، سیستم SAP یا خدمات Hadoop را مورد پشتیبانی قرار دهد.



    او برای مقایسه هرچه بهتر سرویس Redshift آمازون روی خدمات ابری AWS را مثال زد و ادعا کد که در خدمات مایکروسافت سازمان‌ها می‌توانند به صورت مستقل منابع اطلاعات خود را تنظیم و ذخیره کنند و فقط بر اساس نیازهای خود پول می‌دهند. مدیر مرکز خدمات ابری و سازمانی مایکروسافت همچنین توضیح داد که Azure Data Lake به کاربران امکان می‌دهد حجم گسترده‌ای از اطلاعات از منابع مختلف از جمله حسگرهای داده یا اینترنت اشیا در اختیار بگیرند و به راحتی آنها را تحلیل کنند.

    مایکروسافت برای دو سرویس جدید خود قابلیت یادگیری ماشینی را در نظر گرفته و در این زمینه همکاری‌هایی را با شرکت‌های Cloudera و Hortonworks انجام داده است.

    * رایورز

  • #23
    مهرداد تاجيك - مدير سایت Array admin آواتار ها
    تاریخ عضویت
    Thursday 30 June 2005
    محل سکونت
    تهران - ایران
    نوشته ها
    1,818
    Thanks
    22
    Thanked 47 Times in 42 Posts

    Post Five Key Figures About Big Data

    The amount of data transmittable through an optical fiber doubles every nine months.
    The number of transistors on an integrated circuit still doubles every two years. Storage density doubles every 13 months.



    Smartphones are the fastest-adopted technology ever.
    Broadband internet access in the G-20 is growing from 800 million (of which 50% mobile) in 2010, to 2.7 billion (of which 80% mobile) in 2015. The number of cellphones in the world is now equal to the number of people. 1-2 billion more people in the world have a cellphone than have a bank account—or a toilet. Smartphone sales reached one billion units in 2013 (up 66% over 2012).

    Facebook has 1.3 billion active users. 64% visit the site daily (spending an average of 20 minutes). 4.5 billion “likes” are posted daily.

    Half a trillion photographs are uploaded to the web each year
    and one hundred hours of video to YouTube every minute.


    The number of IP-enabled sensors will exceed 50 billion by 2020.
    RFID tags now cost as little as 5 cents. Estimates vary, but the range of projections is for the total number of sensors in the world to reach one to ten trillion between 2017 and 2025.

    of the world’s stock of data was generated in the past two years 90%
    .
    99% of that is now digitized, and over half IP-enabled, meaning that technically it can be uploaded and shared over the internet. Half of the world’s knowledge is potentially a single document.



  • #24
    DelphiAdmin
    Array
    تاریخ عضویت
    Thursday 1 January 1970
    نوشته ها
    186
    Thanks
    9
    Thanked 0 Times in 0 Posts

    Post خوبی، بدی و زشتی معماری کلان داده


  • #25
    مدیر انجمن ها Array
    تاریخ عضویت
    Friday 20 January 2006
    نوشته ها
    2,237
    Thanks
    7
    Thanked 9 Times in 9 Posts

    Post کتاب بزرگ داده، معماری و کاربرد

    مقدمه مترجم کتاب:
    بزرگ یعنی بزرگ!
    در علم کامپیوتر و صنایع وابسته آن ابعاد رنگ و بوی متفاوتی نسبت به دیگر علوم دارند. در علم شیمی ابعاد برعکس دیگر علوم رشد می کنند. روز به روز به سمت ابعاد کوچکتر می رویم. میلی، میکرو، نانو و ریزتر و همگی نشان از پیشرفت بیشتر این علم دارند. بر اساس آنچه در ویکی پدیا درباره داده نوشته شده است: ” به طور کلی، می‌توان همهٔ دانسته‌ها، آگاهی‌ها، داشته‌ها، آمارها، شناسه‌ها، پیشینه‌ها و پنداشته‌ها را داده یا دیتا (به انگلیسی: Data) نامید.” در کامپیوتر داده یکی از مهمترین و شاید اساسی ترین اقلامی است که بر روی آن از مراحل تولید تا مصرف بصورت جدی و با دقت بالا مدیریت صورت می پذیرد. دنیای امروزه شاهد طوفانی از داده های سردرگرم می باشد. یک طوفان بر سر راه خود هرآنچه را می بیند همراه خود می برد و در یک عمر کوتاه می توان انتظار وجود هرچیزی درون آن را داشت. اما چیزهایی که دستخوش تغییرات بوده اند و برای درک دقیق آنها باید اعمال مناسب و خاصی انجام شود. شبکه های اجتماعی، اطلاعات شخصی، محتوای وب سایت ها و وبلاگ ها، جستجوهای موتورهای جستجو، بازخوردهای کاربران، اخبار، و …. همگی داده هایی هستند که می توانند مفید و تاثیرگذار در تصمیم گیری ها و برنامه ریزی ها باشند. فرایند بررسی این داده ها و نتیجه گیری از آنها و درنهایت به نمایش گذاشتن نتایج حاصل شده آن چیزی است که بزرگ داده نامیده می شود.

    اکثرا حتی در محیط های علمی هم معنای بزرگ داده را فقط در حجم بالای داده ها می بینند درصورتیکه بزرگ داده مفهومی فراتر از حجم داده بوده و به موارد دیگری از جمله سرعت و بار پردازشی بالای این داده های حجیم نیز مربوط می شود. اگر موارد نرم افزاری این سیستم های بزرگ داده ای را کنار بگذاریم، بحث سخت افزار و معماری های مورد استفاده جهت پیاده سازی دستگاه های با این توان و قدرت بالای پردازش و انتقال داده به چشم می آید که این جنبه از سیستم های بزرگ داده ای گاهاً کمتر دیده می شود چرا که اکثر استفاده کنندگان از این سیستم ها فقط با نرم افزارها بطور مستقیم سروکار دارند.
    این کتاب میتواند بعنوان مرجعی برای آشنایی و درک معماری و عملکرد سخت افزارهای موجود و همچنین الگوهای مورد استفاده در این سخت افزارها بحساب بیاید. دلیل انتخاب این کتاب برای ترجمه نیز همین بوده است. چرا که باید در کنار آشنایی با روش های نرم افزاری بزرگ داده ای با سخت افزارها و معماری های موجود نیز آشنایی داشت. نویسندگان این کتاب از افرادی هستند که سالها در زمینه این سخت افزارها فعالیت داشته و در شرکت های مرتبط و درگیر با امر بزرگ داده نیز در ارتباط بوده اند. به شخصه این کتاب را برای افرادی که علاقه مند به بزرگ داده و موارد مرتبط با آن بخصوص موارد مرتبط با معماری و ساختار سخت افزارهای پشتیبانی کننده بزرگ داده هستند پیشنهاد می کنم این کتاب را از دست ندهند چرا که واقعا کمتر جایی پیدا می شود که درباره این مباحث حتی توضیحی کوتاه ارائه شده باشد.
    با آرزوی دنیایی پر از داده های مدیریت شده
    محمدامین ساجدی
    زمستان 1393


    .

  • #26
    كاربر عادي Array VBkar آواتار ها
    تاریخ عضویت
    Tuesday 11 October 2005
    نوشته ها
    1,035
    Thanks
    50
    Thanked 19 Times in 18 Posts

    Post BigData.ir

    BigData.ir




  • #27
    كاربر عادي Array VBkar آواتار ها
    تاریخ عضویت
    Tuesday 11 October 2005
    نوشته ها
    1,035
    Thanks
    50
    Thanked 19 Times in 18 Posts

    پیش فرض

    هفت چالش پیاده‌سازی تجزیه و تحلیل کلان داده ها (BDA)





    بی گمان ضبط و نگهداری داده ها، یک دارایی ارزشمند برای سازمان ها به حساب می آید. در واقع اقتصاد داده مبتنی بر ارزش داده هایی است که از طریق تجزیه و تحلیل استخراج می شوند. با این حال اعتقاد بر این است که برخلاف کالا، ارزش داده به نسبت مساوی از حجم آن رشد نمی کند. حتی اگر این دیدگاه اقتصادی در مورد داده درست باشد، برای این قاعده که حجم فزاینده و انواع مختلف داده فرصت‌های بیشتری برای استخراج ارزش افزوده فراهم می‌کند مورد محاسبه قرار نمی‌گیرد لذا قابلیت ضبط داده‌های ساختار یافته، شبه ساختار یافته و غیر ساختار یافته موجب تغییر در این فرضیات شده است. کلان داده‌ها، موجب تغییر روش‌های تجزیه و تحلیل داده‌ها از داده‌کاوی به تجزیه و تحلیل‌های پیشرفته شده‌اند.
    بررسی‌های انجام شده در طی ماه های گذشته به طور مداوم نشان می‌دهد که ۱۰ تا ۲۵ درصد از شرکت‌های مورد بررسی موفق به پیاده‌سازی طرح‌ کلان داده‌ها شده‌اند. همچنین، ۵۰ تا ۷۰ درصد از آن‌ها برای پیاده‌سازی و یا اجرای طرح‌های کلان داده‌ها برنامه‌ریزی کرده‌اند و عمدتا بیشترین توجه در حوزه‌های فنی کلان داده‌ها معطوف شده است و البته لازم به ذکر است که درصد موفقیت ارزش آفرینی داده‌ها، نمایش داده نشده است.
    این مقاله بر روی حجم کلان داده‌ها تمرکز ندارد بلکه صرفا از دیدگاه فناوری چالش های پیاده‌سازی تجزیه و تحلیل کلان داده ها را بررسی می نماید.
    هیچ دستور جادویی‌ برای دستیابی به موفقیت در پیاده‌سازی تجزیه و تحلیل کلان داده‌ها در یک سازمان وجود ندارد. در واقع هدف ترکیبی از مهارت‌ها، افراد و فرآیندها است که همانند آن را در مورد هر پروژه و یا ابتکار عمل استراتژیک دیگر نیز می‌توان دید. با این حال سازمان ها با چالش‌هایی در این مسیر مواجه هستند که نیازمند وضوح درک و افزایش اطمینان می باشد تا شانس موفقیت افزایش یابد.
    در ادامه ۷ چالشی را که به هنگام پیاده‌سازی تجزیه و تحلیل کلان داده ها (‌Big Data Analytics) با آن روبرو می شویم، تشریح خواهیم نمود.

    ۱- ابهام در تجزیه و تحلیل کلان داده ها و هوشمندی کسب و کار
    توجه به این امر بسیار مهم است که تجزیه و تحلیل کلان داده ها و هوشمندی کسب و کار به یکدیگر مرتبط هستند اما با یکدیگر مشابه نیستند. در واقع تجزیه و تحلیل کلان داده‌ها به عنوان یک ابتکار عمل از هوشمندی کسب‌وکار محسوب نمی شود بلکه واقعیت این است که هوشمندی کسب و کار را بر اساس خودش می‌سازد. نباید فراموش کنیم که فکر کردن به این موضوع که BDA به تبدیل داده‌ها از طریق داشبورد و گزارشات می پردازد، منجر به اشتباهات جدی‌ خواهد شد. در حقیقت BDA در مورد استخراج دیدی ارزشمند از داده‌ها است.
    سال‌های زیادی فروشندگان هوشمندی کسب‌وکار به سازمان‌ها وعده‌ می‌دادند که به آنها کمک خواهند کرد تا از طریق داشبوردها و گزارش‌های فانتزی به قدرت نفوذ ارزش داده‌های خود دست یابند. هوشمندی کسب‌وکار یک بخش مهم از سرمایه گذاری برای بسیاری از شرکت‌ها است، که بسیاری از آنها هنوز در تلاش هستند تا به وعده‌هایی که به آن‌ها داده شده است برسند. هوشمندی کسب‌وکار به سازمان‌ها برای دسترسی به داده‌هایشان از طریق یک روش معنی‌دار کمک می‌کند و این امری است که هیچ کسی نمی‌تواند آن را انکار کند اما این کارها ارزشی برای داده‌ها و یا شاید مرزی از ارزش را هم ایجاد نمی‌کند.
    پس لطفا، BDA را به عنوان یک سرمایه‌گذاری دیگر از هوشمندی کسب‌وکار قرار ندهید چراکه BDA بسیار فراتر از آن است. در واقع این همان مفهومی است که فروشندگان هوشمندی کسب‌وکار همواره تلاش در راستای رسیدن به آن را دارند و اینجاست که روشن می‌شود چرا بسیاری از آن‌ها -اگر چه نه همه آن‌ها - راه حل‌ کلان داده‌ها را پیشنهاد می‌کنند. اتفاق خوبی که در حال افتادن است، توجه به این نکته است که بسیاری از سازمان ها هم به همین نتیجه دست یافته‌اند، چرا که ما می‌بینیم در سال‌های اخیر شرکت‌های جدید متخصص در امر تجزیه و تحلیل وارد به بازار شده‌اند.
    هدف، قرار گرفتن سازمان ها در روندی رو به جلو است، زیرا بر خلاف طرح‌های BI ،BDA می‌تواند به سرعت و بدون سرمایه‌گذاری قابل توجهی، نتایج عملی کاملی را به ارمغان بیاورد. استفاده از BDA، تدریجی عمل کردن به این مفهوم است که: "از کوچک شروع کنید و بزرگ بیندیشید". با یک زیرساخت محدود از IT شروع کنید و راه‌حل‌های منابع در دسترس در بازار را اعمال کنید. به علاوه کار را با یک تیم محدود که اطمینان داشته باشید توسط افراد مناسب پشتیبانی می‌شوند، شروع کنید. با یک مورد استفاده کوچک، بدون نیاز به پیچیدگی بالا از روز اول شروع کنید. فراموش نکنید که : "از کوچک شروع کنید و بزرگ بیندیشید".

    ۲- تخمین بیش از تجزیه و تحلیل بلوغ سازمان
    تمامی سازمانها داده محور نیستند و همچنین تمای آن ها به درک کاملی از مزایای تجزیه و تحلیل نرسیده‌اند. در نتیجه، تمامی سازمان ها به درک کاملی از تجزیه و تحلیل کلان داده‌ها نرسیده‌اند. اگر فرض را بر این بگیریم که همه به طور کامل از BDA مطلع هستند پس به طور جدی موفقیت ابتکار BDA را به خطر انداخته ایم.
    به همین دلیل، هر ابتکار BDA نیاز به یک رویکرد مدیریت تغییر دارد که شامل تلاش برای ارتباطات گسترده است. ارتباطات برای آموزش، اطلاع‌رسانی، توضیح و فروش BDA ضروری است. حتی قبل از شروع پیاده‌سازی، شما نیاز به اقدام یک بازاریاب، فروشنده، تبلیغ کننده، یک روزنامه نگار، یک معلم و استاد دارید. شما نیاز دارید مقدار قابل توجهی از زمان خود را برای معرفی مفاهیم BDA و مزایای آن به همتایان خود، ذینفعان کسب و کار، مدیریت، تیم IT و حامیان مالی اجرایی صرف کنید.
    سازمان معمولی برای اولین بار در مورد BDA به عنوان چیزی که تنها شناخت کمی از آن دارد و فقط زمزمه‌هایی را در مورد آن شنیده است، مردد خواهد شد. این موضوع کاملا طبیعی است و نباید ترسی از آن داشت. لحظه ای که پیوند میان فعالیت های برخی از افراد سازمان مشخص می شود وبرخی از موارد کاربرد بالقوه شناسایی می گردد، زمان آغاز سفر فرامی‌رسد. مهم‌ترین گام در این سفر، مرحله بعدی است که در آن بر روی یک مورد کاربری در کسب و کار، تمرکز شده و کارهایی انجام می گیرد که با تحویل دادن داده‌ها به آن، نتایج معناداری از کسب و کار ارائه می شود. این درست لحظه‌ای است که درک درستی از BDA به دست آمده و رشد آن در سازمان شروع خواهد شد. چرا که ارتباط با آن ساده‌تر خواهد شد. دیدن یک مثال واقعی، در فعالیت‌های حوزه سازمانتان باعث درک بهتر شما می‌شود. بنابراین، از وضوح فهم سطح بلوغ سازمان خود هنگامی که درک تجزیه و تحلیل کلان داده‌ها مطرح است مطمئن شوید و سپس آن را به عنوان آغاز سفر پیاده‌سازی نیز در نظر بگیرید.

    ۳- پیدا نمودن موردهای کاریری درست
    اغلب، تجزیه و تحلیل کلان داده‌ها به عنوان "پیدا کردن یک سوزن در انبار کاه" معرفی شده است. اگر چه تصویر جالبی است ولی می‌تواند بسیار گمراه کننده باشد. اول موضوع یافتن سوزن نیست بلکه یافتن الماس است و سپس لازم است بدانید که نه تنها در در آن انبار کاه، بلکه در مزرعه، دولت و یا کشور باید جستجو کرد. نکته این است که اگر در جایی به دنبال چیزی بگردید، به احتمال زیاد چیزی خواهید یافت، اما ممکن است آن چیز برای رسیدن به هدف کسب و کار مورد نظر شما ارزشی نداشته باشد.
    در بسیاری از موارد، آنچه شرکت‌ها را جذب می کند، فکر کردن به پیاده‌سازی تجزیه و تحلیل مجموعه‌ای از داده‌های بسیار بزرگ در غالب BDA است. آن‌ها فکر می‌کنند این راهی برای ایجاد ارزش از داده‌ها است. مطمئنا به اندازه کافی نیز برای این منظور ارتباطاتی خواهند یافت و حتی برخی از آنان ممکن است معنای کسب و کار واقعی باشند. اما فراموش نکنیم BDA تنها در مورد ارتباطات نیست و به مراتب بیشتر از آن است و اگر شما می‌خواهید مزایای زیادی از BDA را تجربه کنید، بهترین راه شروع کردن با یک مورد واقعی و معنادار مورد استفاده در کسب‌وکار است.
    لازم نیست مورد کاربری مورد نظر از ابتدا بیش از حد پیچیده باشد بلکه با یک مورد ساده شروع کنید. همچنین، با توجه به سطح بلوغ سازمان خود در تجزیه و تحلیل، از پیچیدگی سطح پایین و در امن‌ترین روش شروع کنید. بدیهی است، پیچیدگی سطح پایین برای BDA در حال حاضر ممکن است در سطح یک کارشناس تجزیه و تحلیل متوسط باشد. آنچه در این جا مهم است پیدا کردن یک مورد کاربری با بالاترین شانس موفقیت است که در شرایط کنونی منجر به رسیدن به نتیجه کسب و کار گردد. بنابراین، ما در اینجا به دنبال یک مورد استفاده می‌گردیم که دارای شرایط زیر باشد:

    • انواع داده ای محدودی داشته باشد.
    • داده‌ها توسط کاربران کسب و کار شناخته شده باشند.
    • ارزش داده‌ها در زیرساخت داده‌های بزرگ جدید پایمال نشوند.
    • کسب و کار، دید واضح و روشنی را بر روی خروجی و نتیجه حاصل از آنها به دنبال داشته باشد.
    • نتیجه کسب و کار به طور موثر مفید باشد.
    • کسب و کار با صرف کمی زمان برای تیم BDA در دسترس باشد.

    با توجه به شرایط فوق، واضح است که موفقیت ابتکار BDA به شدت تحت تأثیر کاربران کسب و کار قرار دارد. محصول نهایی تجزیه و تحلیل باید به نفع اصلی ذینفعان کسب و کار شما باشد ونه تنها بایستی ارزش بیشتری برای سازمان شما به ارمغان بیاورد، بلکه باید در طولانی مدت امنیت جایگاه BDA را نیز فراهم آورد.

    ۴- استفاده از تجزیه و تحلیل کلان داده های چابک
    همانطور که قبلا گفته شد، نقش سهامداران کسب و کار، کلید موفقیت تجزیه و تحلیل کلان داده‌ها در سازمان است. آن‌ها کلید توسعه ابتکار عمل در شناسایی یک مورد کاربردی درست و همچنین ارائه نتایج موفقیت‌آمیز هستند. ارائه مورد کاربردی BDA را می‌توان با ارائه یک پروژه مقایسه کرد. اما در این مورد، از رویکرد استاندارد آبشاری برای مدیریت پروژه باید اجتناب شود.
    با در نظر گرفتن بلوغ در تجزیه و تحلیل، شما متوجه خواهید شد که این بلوغ نیز به طور قابل توجهی در طول چرخه عمر یک مورد کاربردی BDA تکامل می‌یابد. در واقع هنگامی که فرایند تجزیه و تحلیل راه‌اندازی شده است، کاربران کسب و کار یک ایده کلی در این حوزه(دامنه) را دارند و آن‌ها نیاز به تیم BDA برای راهنمایی در معرفی و جزئیات این حوزه دارند. هنگامی که داده‌ها استخراج شد، فرآیند اکتشاف دید بیشتری را برای کاربران فراهم می‌کند و به آن‌ها برای بهبود بیشتر درک خود از نتیجه مورد نظر کمک می‌کند. سپس، در فاز تجزیه و تحلیل مرکزی، مراحل مختلف نتایج، به کاربران اجازه می‌دهند تا با نتایج به دست آمده ارتباط برقرار کنند.
    رویکرد مدیریت پروژه سنتی اجازه تعامل بین کاربران و تیم BDA را به میزان کافی نمی‌دهد. به همین دلیل، استفاده از روش مدیریت پروژه چابک، مانند اسکرام بسیار مناسب تر است. هدف یک سری ارتباط تکراری بین کاربران کسب و کار و تیم BDA در طول مراحل مختلف فرآیند تجزیه و تحلیل می‌باشد که می توان آن ها را به صورت تعریف دامنه، جمع‌آوری الزامات، استخراج داده‌ها، اکتشاف داده‌ها، تجزیه و تحلیل مراحل و تحویل در نظر گرفت. کار کاردن بر روی تکرارهای کوچک و همکاری نزدیک با کاربران، ارائه یک نتیجه ی کسب و کار معنی دار را تضمین می‌کند.

    ۵- اعتماد به نتایج حاصل از تجزیه و تحلیل
    استفاده از اصول چابک در تجزیه و تحلیل کلان داده‌ها، تعامل آن دسته از کاربرانی که در فرآیند درگیر هستند را تضمین خواهد کرد. در اغلب موارد، آن‌ها اولین کاربرانی هستند که از نتایج تجزیه و تحلیل بهره مند می شوند. اما دیگران -کاربرانی که درگیر با نتایج تجزیه و تحلیل نیستند- درگیر در فرآیند BDA نیستند. در این مورد، قابل توجه است که سطح اعتماد نتیجه تجزیه و تحلیل محدود خواهد شد چرا که این امر برای بسیاری از افراد، جدید است. اما عمدتا دلیل اصلی، دشواری درک چگونگی داده‌ها است که می تواند منجر به چنین بی اعتمادی گردد. برای جلوگیری از این موضوع، گام اول این است که اطمینان حاصل شود که کاربران کسب و کار درگیر در فرآیند تجزیه و تحلیل، به طور کامل با نتایج در تعامل هستند و آن‌ها را با همتایان خود به اشتراک می‌گذارند. بنابراین ارتباطات نیازمند ترویج از طریق جلسات علاقه‌مندی‌های خاص، ارائه، گفتگوهای یک به یک و غیره است.
    BDA در بسیاری از موارد، جدید به حساب می آید و این در حالی است که ممکن است سال ها از آن داده‌ها استفاده شده باشد و این طبیعی است و نباید نادیده گرفته شود چرا که موفقیت این طرح ابتکاری BDA به تصویب آن توسط کاربران کسب و کار بستگی خواهد داشت.

    ۶- دریافت حق فناوری
    همانطور که در مقدمه اشاره شد، این مقاله در مورد فناوری نیست. اما توجه ویژه به چند نکته بسیار دارای اهمیت است. فضای فناوری کلان داده‌‌ها هنوز در مراحل ابتدایی خود به سر می‌بردو این به معنای تعداد ذی نفعان در بازار است که هنوز هم بسیار بالا است و در حال تحولی با سرعت بسیار زیاد است. انتخاب راه‌حل بسیار بزرگ است و بنابراین می‌تواند متناسب با بسیاری از نیازهای مختلف باشد. بدیهی است، امکان استفاده از تمام گزینه‌های فناوری مانند SAAS، ابر، مجازی سازی، تلفن همراه، و غیره را نیز فراهم می‌سازد. در نتیجه، می‌توان در این وادی فرصت را بسیار آسان از دست داد. بهترین توصیه آن است که: "از کوچک شروع کنید و بزرگ بیندیشید".

    ۷- پیدا کردن منابع و مهارت های مناسب
    مورد آخر اما نه آخرین برای همیشه، ساختن تیمی درست با مهارت‌های درست است. در حال حاضر، همه به طور گسترده در مورد دانشمندان داده‌ها شنیده‌اند. این قطعا یک کار بزرگ است و منابعش بی‌نهایت نیست. اگر چه هر کسی با تعریف دقیق از شغل خود موافق نیست اما یک مورد توافق شده مشترک وجود دارد که آن‌ها باید برخی از مهارت‌های کلیدی مانند آمار، تجزیه و تحلیل کسب و کار، ارتباطات، خلاقیت و درک درستی از هوشمندی کسب‌وکار را داشته باشند.
    اما نقش و مهارت‌های دیگری وجود دارند که به همان اندازه در موفقیت یک ابتکار عمل تجزیه و تحلیل کلان داده‌ها اهمیت دارند:

    • معمار تجزیه و تحلیل: اقدام به عنوان تحلیلگر کسب و کار، برترین مورد کاربردی، ارزیابی مجدد قابلیت استفاده از تجزیه و تحلیل، تعیین مسیر تجزیه و تحلیل برای یک حوزه خاص.
    • مهندس داده: استاد داده‌ها، متخصص در انبار داده‌ها، استخراج داده‌ها، پاک‌کردن داده.
    • طراح گرافیک: هنوز این نقش در جریان اصلی کار نیست، اما به زودی در زمینه BDA خواهد بود. پروفایل‌هایی که اجازه اعمال نفوذ ظرفیت کامل تجزیه و تحلیل بصری مشتق شده از طریق BDA را خواهند داشت.

    بدیهی است، حمایت، فرمان و مدیریت این تیم ضروری است. اما این نقش‌ها اطمینانی را ارائه نمی‌کنند. بنابراین، توجه خود را بر روی آن‌هایی که به طور موثر به انجام کار می‌پردازند متمرکز کنید.
    همانطور که در مقدمه مطرح شد، هیچ دستور سحر و جادویی در رسیدن به موفقیت در پیاده‌سازی تجزیه و تحلیل کلان داده‌ها در یک سازمان وجود ندارد. ۷ چالش برجسته‌ در این مقاله بررسی شد که به طور قوی شروع هر پیاده‌سازی‌ در سازمان را تشکیل می‌دهند. لازم به ذکر است موردی که این چالش‌ها به آن رسیدگی نمی‌کنند آمادگی سازمان شما برای شروع سفر تجزیه و تحلیل کلان داده‌ها است. بنابراین، آیا شما آماده هستید؟

    منبع:seven-implementation-challenges-of-big-data-analytics
    ترجمه: پروین بختیاری


  • #28
    كاربر عادي Array VBkar آواتار ها
    تاریخ عضویت
    Tuesday 11 October 2005
    نوشته ها
    1,035
    Thanks
    50
    Thanked 19 Times in 18 Posts

    Post


  • #29
    كاربر عادي Array VBkar آواتار ها
    تاریخ عضویت
    Tuesday 11 October 2005
    نوشته ها
    1,035
    Thanks
    50
    Thanked 19 Times in 18 Posts

    Post کلان داده (‌Big Data)

    - با انفجار داده ها، Big Data به یک واقعیت در بسیاری از سازمان ها تبدیل شده است.


    همان طور که سازمان‌ها بزرگ می‌شوند، اطلاعات مرتبط با آنها نیز به صورت تصاعدی رشد می‌نماید و به تبع پیچیدگی‌های مرتبط با داده‌ها افزایش می‌یابد.

    بسیاری از سازمان‌های بزرگ در برنامه‌های کاربردی متفاوتشان داده‌های زیادی در فرمت‌های مختلفی را دارند.
    به همان میزان که داده‌ها گسترش می‌یابند، دسته‌بندی آنها با یک الگوریتم یا منطق مشخص بسیار دشوار می‌گردد.
    سازمان‌های بزرگ در واقع با این چالش مواجه هستند که تمامی اطلاعات را در یک پلتفرم نگهداری نمایند و یک دیدگاه ثابت به آنها داشته باشند.
    این چالش منحصر به فرد برای درک تمامی داده‌هایی که از منابع متفاوت به دست می‌آیند و استخراج اطلاعات علمی مفید از آنها، انقلاب Big Data جهانی نامیده می‌شود.

    قابلیت گسترش سیستم‌های اطلاعاتی و سایر سیستم‌هایی که به محاسبات وابسته‌اند، به خوبی توسط قانون مور نشان داده می‌شود.
    گُردن مور از موسسین شرکت اینتل در سال ۱۹۶۵ پیش بینی کرد که تعداد قطعات یا اجزائی که در مدارهای مجتمع مورد استفاده قرار می‌گیرند، هر سال دوبرابر می‌شود.

    در طول پنجاه سال گذشته، رشدی که در واقع نمایی بود، با سرعت بسیار کمی کندتر شد.
    به عنوان نمونه، تعداد ترانزیستورها در مدارهای مجتمع، هر سال دو برابر گردید. ظرفیت دیسک، عملکرد کامپیوترها در واحد هزینه و غیره نیز به همین ترتیب، با سرعت مشابه در حال رشد هستند.
    در کنار این پیشرفت‌های فوق‌العاده در فناوری، مردم و سازمان ها بیش از پیش به دستگاه‌های کامپیوتری و منابع اطلاعاتی بر روی اینترنت وابسته می شوند.

    مطالعه جهانی IDC در ماه می ۲۰۱۰ نشان دهنده رشد جالب داده هاست.
    این مطالعه تخمین می زند که میزان اطلاعات دیجیتالی (نظیر اطلاعات رایانه شخصی، دوربینهای دیجیتالی، سرورها، سنسورها) بیش از یک زتابایت را ذخیره نموده است و پیش بینی می کند که "جهان دیجیتالی" در سال ۲۰۱۰ تا ۳۵ زتابایت رشد خواهد کرد.
    مطالعه IDC مشخص می نماید که ۳۵ زتابایت را می توان به عنوان پشته ای از دی وی دی ها در نظر گرفت که نیمی از راه رسیدن به سیاره مریخ را پوشانیده اند و در واقع انفجار داده چیزی جز این نیست.

    امروزه، Big Data به یکی از مباحثی تبدیل شده است که در روند توسعه تکنولوژی بسیار به آن پرداخته می شود.
    در حقیقت چالش واقعی با سازمان های بزرگ دریافت حداکثر اطلاعاتی است که در حال حاضر در دسترس است و همچنین پیش بینی این موضوع که چه نوعی از داده ها در آینده جمع آوری می شود.
    در واقع چگونه می توان به اطلاعات موجود، دست یافت و به آن معنا بخشید و به علاوه دستیابی به بینش دقیقی در مورد داده های گذشته یکی از نقاط کلیدی در بحث هایی است که در بسیاری از جلسات اجرایی در سازمان ها مورد انتظار است.

    با انفجار داده ها، Big Data به یک واقعیت در بسیاری از سازمان ها تبدیل شده است.


    تعریف Big Data
    سه واژه هستند که کلان داده (Big Data) را تعریف می کنند: Variety (تنوع )، Velocity (سرعت) و Volume (حجم) که در اصطلاح عامیانه به آنها 3V گفته می شود.

    Volume (حجم)
    ما در دنیای حاضر شاهد رشد نمایی ذخیره داده ها هستیم. ما می توانیم در این ذخیره سازی انواع متفاوتی از داده ها نظیر ویدئو، موسیقی، تصاویر بزرگ را در شبکه های اجتماعی مشاهده کنیم. سیستم های ذخیره سازی با حجم ترابایت یا پتابایت در سازمان ها بسیار معمول هستند. همان طور که پایگاه داده رشد می کند، برنامه های کاربردی و معماری ساخته شده برای حمایت از داده ها نیز نیاز به بررسی مجدد دارند. گاهی اوقات داده های مشابه از زوایای گوناگون بایستی مورد بررسی قرار بگیرد . حجم زیاد داده ها نشان دهنده Big Data است.

    Velocity (سرعت)
    رشد داده ها و انفجار رسانه های اجتماعی، نگاه ما را به داده ها تغییر داده است. زمانی رسیده است که ما به عنوان استفاده کننده از داده، به این باور رسیده ایم که داده های دیروز داده های گذشته هستند. کانال های رادیویی و شبکه های خبری به شدت دچار تغییر شده اند چرا که به سرعت اخبار را در اختیار ما قرار می دهند.
    امروزه مردم در شبکه های اجتماعی آخرین رخدادها را برای استفاده دیگران به روز رسانی می کنند. در شبکه های اجتماعی گاهی گذشت چند ثانیه منجر به قدیمی شدن یک پیغام می شود که دیگر مورد علاقه کاربران نیست. مردم اغلب پیام های قدیمی را دور ریخته و به موارد جدید علاقه و توجه نشان می دهند. این داده با سرعت بالا نشان دهنده Big Data است.

    Variety (تنوع)
    اطلاعات را می توان در فرمت های متعدد ذخیره نمود. به عنوان نمونه پایگاه داده، اکسل، اکسس یا حتی یک فایل متنی ساده را به کار برد. گاهی اوقات داده ها در فرمت های سنتی قرار نمی گیرند بلکه به شکل ویدئو، پیام کوتاه، فایل PDF و ... هستند. سازمان ها نیاز به این دارند که داده ها را سازماندهی نمایند و آن ها را در قالب معناداری قرار دهند. اگر تمامی داده ها دارای یک فرمت باشند کار بسیار ساده است اما این محدودیت در واقعیت وجود ندارد.جهان واقعی دارای داده های زیادی در فرمت های متفاوتی است و چالش اصلی رویارویی با این تنوع داده هاست. تنوع داده ها نشان دهنده Big Data است.

    لازم به ذکر است، Big Data تنها به معنای تعداد زیاد داده ها نیست، در واقع مفهومی است که فرصتی را فراهم آورده است تا به داده های موجود در محیط پیرامون دیدی جدید پیدا کنیم.

    منبع: پایگاه دانش BPM رایورز

  • #30
    مدير انجمن Array s.sepehrvand آواتار ها
    تاریخ عضویت
    Thursday 1 January 1970
    نوشته ها
    213
    Thanks
    9
    Thanked 3 Times in 3 Posts

    پیش فرض

    موفق ترين افراد دنيا کساني هستند که بيش تر از همه جواب رد شنيده اند .

  • صفحه 3 از 6 نخستنخست 123456 آخرینآخرین

    علاقه مندي ها (Bookmarks)

    علاقه مندي ها (Bookmarks)

    مجوز های ارسال و ویرایش

    • شما نمیتوانید موضوع جدیدی ارسال کنید
    • شما امکان ارسال پاسخ را ندارید
    • شما نمیتوانید فایل پیوست کنید.
    • شما نمیتوانید پست های خود را ویرایش کنید
    •