LOGIN
ثبت نام یا ورود
Avatar
هنوز ثبت نام نکرده اید؟

هم اکنون عضو پلاک آبی شوید .و به اطلاعات وب سایت ما دسترسی داشته باشید

تنظیم مجدد کلمه عبور - نام کاربری را فراموش کرده ام

نام کاربری
کلمه عبور
مرا به خاطر بسپار

placabi-consulting

آی بیگ

مسابقه شماره پنج

 

سوال

نرمال‌سازی یکی از روش‌های پردازش داده است. چه مواقعی می‌توان از این روش در داده کاوی استفاده کرد؟ فهرستی از کلیه‌ی موارد ذکر کنید.

مهلت ارسال پاسخ

  جمعه 29 مرداد95

اسامی برندگان

مشاهده

اسامی برندگان مسابقه شماره 5

* سرکار خانم حسنیان

* سرکار خانم میترا مقصودی

* سرکار خانم زینب شریفی

جوایز

به منظور تقدیر از مشارکت این عزیزان به عنوان هدیه از طرف آی بیگ، به هر نفر 1 میلیون ریال بن شرکت در دوره های آموزشی حضوری/آنلاین شرکت پلاک آبی تعلق می‌گیرد.

پاسخ‌ برگزیده

 

در تحلیل‌های چند متغیره وقتی به دنبال بررسی رابطه بین چند متغیر هستیم و متغیرها دارای مقیاس‌های متفاوت هستند (مثل رگرسیون)

  •  اگر دامنه تغییرات، انحراف معیار یا واریانس متغیرها تفاوت زیاد داشته باشد و تحلیل موردنظر به آن پارامترها حساس باشد (مثل PCA)
  •   مواقعی که قصد انجام چندین مرحله پردازش داریم با scale up یا scale down کردن از طریق نرمال‌سازی، داده را برای پردازش‌های بعدی آماده می‌کنیم (مثل کلان داده)
  •  در تحلیل‌های مبتنی بر فاصله (مانند KNN و K-Means)
  •  در روش‌های مبتنی بر گرادیان نزولی نرمال‌سازی باعث بهبود سرعت همگرایی و افزایش سرعت یادگیری می‌شود. (مانند شبکه‌های عصبی و SVM)  

اما در تحلیل‌هایی که میانگین داده‌ها، دامنه تغییرات، انحراف معیار یا واریانس متغیرها برایمان اهمیت دارد و در آزمایش‌هایی که مشخصات متغیر را از قبل نمی‌دانیم باید از نرمال‌سازی اجتناب کرد.

 

 

 

 

مسابقه شماره چهار

 

سوال

منابع اصلی (Source) های Big Data در آینده چه خواهد بود.

مهلت ارسال پاسخ

یکشنبه 16 اسفند 94

اسامی برندگان

مشاهده

اسامی برندگان مسابقه شماره 4

* سرکار خانم کوثر اخوان

جوایز

به منظور تقدیر از مشارکت این عزیز ، به عنوان هدیه از طرف آی بیگ، 30 درصد تخفیف جهت شرکت در یکی از دوره های آموزشی در پیش روی این گروه تعلق می‌گیرد.

پاسخ‌های برگزیده

 

  1. اینترنت اشیا
  2. داده های شبکه های اجتماعی
  3. داده های ERP ها
  4. داده های سیستم های بانکی و پرداخت
  5. داده های رایانش ابری
  6.  داده های مولتی مدیا (فیلم و عکس و...)   
  7. داده های ابزار های موبایل
  1. داده هایی که از تبادل اطلاعات در شبکه های اجتماعی به دست می آید
  2. داده هایی که از تراکنش های بانکی به دست می آید
  3. داده های به دست آمده از سرچ موتورهای جستجو

تعدادی از مواردی را که به عنوان منبع big data میتوان نام برد عبارتند از :

  1.  شبکه ها و رسانه های اجتماعی
  2.  اینترنت اشیا
  3.  کاربرد ICT در بخش های مختلف
  4.  توسعه دسترسی نسلهای جدید به موبایل
  5.   توسعه خدمات نوین بانکی 

 

 

 

 

 

 

 

مسابقه شماره دو

 

سوال

به نظر شما تفاوت های اصلی OLAP و OLTP چیست ؟

مهلت ارسال پاسخ

  یکشنبه 2 اسفند 94  

اسامی برندگان

مشاهده

اسامی برندگان مسابقه شماره 2

* سرکار خانم زهرا باقری

* جناب آقای ناصر راسخی

* جناب آقای عمار کمالی مقدم

جوایز

به منظور تقدیر از مشارکت این عزیزان؛ به عنوان هدیه از طرف آی بیگ، 30 درصد تخفیف برای هر یک از عزیزان، جهت شرکت در یکی از دوره های آموزشی در پیش روی این گروه تعلق می گیرد.

پاسخ‌های برگزیده

 

در OLTP فعالیت روزانه سازمان به صورت آنلاین ثبت می شود، اما در OLAP مسائل تحلیلی انجام می شود و باعث هوشمندی کسب و کار (BI) می شود و برای تصمیم گیری های استراتژیک استفاده می شود و توسط datawarehouse و datamining پشتیبانی می شود. 

در واقع به تمام برنامه هایی که درقلب سیستم های عملیاتی موجود باشد و داده هایی که در پردازش تراکنش مورد استفاده قرار می گیرد، OLTP می گویند.

این درحالی است که به سرویس ها و مجموعه ای از نرم افزارها که از پایگاه داده های تحلیلی برای اکتشاف وتحلیل سریع داده ها مبتنی بر شیوه چند بعدی به منظور پاسخگویی سریع به پرسش های کاربران استفاده می شود را OLAP گویند. 

این دو مفهوم در بعدها مختلفی باهم متفاوتند:

  1. نوع داده (در OLTPداده از نوع پویا می باشد و تنها شامل داده های حال حاضر است و داده های گذشته را دور می ریزد در حالی که در OLAP نوع داده ایست استا که شامل داده های حال حاضر و داده های گذشته می باشد).
  2. کاربران (کاربران OLTPمعمولا کارمندان و اپراتورها هستند. این درحالی است که در OLAP کاربران حرفه ای تر وخاص تر فعالند).
  3. سرعت پاسخ (در OLTPسرعت پاسخ و زمان پاسخ به پرسش ها بسیار مهم است این در حالی که در OLAP سرعت پاسخ برایمان مهم نیست بلکه دقت وصحت جواب برایمان مهم می باشد).
  4. اندازه (حجم داده در OLTP از مگابایت تا گیگا بایت است این امر در OLAP از گیگا بایت تا ترابایت می باشد).
  5. هدف استفاده (هدف استفاده از OLTP کارکرد عملیاتی و تراکنش هاست در حالی که در OLAP هدف کارکرد تحلیلی و پشتیبانی از تصمیم وسوالات پیچیده است.
  6. به روز رسانی (OLTP دارای سیستم به روزرسانی دوره ای و منظم است و OLAP سیستم به روز رسانی آن به صورت پیوسته ونامنظم و دوره معین است).
  7. در OLTP با فعالیت تکراری و انعطاف کم وعملکرد بالا مواجهیم (چندثانیه برای هر پرسش) در مقابل OLAP فعالیت آن غیرقابل پیش بینی است وانعطاف نسبی بیشتری داشته و عملکرد کم برای سوالات و پرسش های پیچیده دارد.
تفاوت‌های OLAP و OLTP را می‌توان از جنبه‌های زیر بررسی کرد:

1. کارکرد

OLAP: پشتیبانی تصمیم

OLTP: عملیات روزانه

2.طراحی پایگاه داده

OLAP: موضوع گرا

OLTP: کاربرد گرا

3.داده

OLAP: سابقه،خلاصه شده،چند بعدی،سرجمع،یکپارچه

OLTP: جاری،به روز،باجزیئات،رابطه ای، منفرد

4.کاربرد

OLAP: خاص منظوره

OLTP: عملیات تکرار شونده

5.واحد کاری

OLAP: پرس و جوهای پیچیده

OLTP: تراکنش های ساده وکوتاه

6.تعداد رکوردهای مورد دسترسی

OLAP: میلیون ها رکورد

OLTP: ده ها رکورد

7.تعداد کاربران

OLAP: هزاران کاربر

OLTP: صد ها کاربر

8.اندازه پایگاه داده

OLAP: گیگابایت-ترابایت

OLTP: مگابایت-گیگابایت

 

 

 

 

 

 

 

 

مسابقه شماره سه

 

سوال

 4 نشانه را، که بیانگر آماده نبودن سازمان برای پیاده سازی BI است، ذکر کنید

مهلت ارسال پاسخ

 یکشنبه 9 اسفند 94

اسامی برندگان

مشاهده

اسامی برندگان مسابقه شماره 3

*جناب آقای ناصر راسخی 

جوایز

به منظور تقدیر از مشارکت این عزیز که برای بار دوم برنده مسابقه ما شده‌اند، به عنوان هدیه از طرف آی بیگ، 30 درصد تخفیف جهت شرکت در یکی از دوره های آموزشی در پیش روی این گروه تعلق می‌گیرد.

 

پاسخ‌های برگزیده

 

  1. افراد آگاهی و مهارت‌های مورد نیاز را ندارند
  2. زیرساخت مناسب وجود ندارد و حتی ذهنیت ایجاد زیر ساخت نیز وجود ندارد
  3. اطلاعات در سازمان وجود ندارد و ذهنیت ایجاد و جمع آوری داده نیز وجود ندارد
  4. فرهنگ و اخلاق مرتبط با BI در سازمان وجود ندارد. دو فرهنگ ضروری مرتبط با BI عبارتند از «فرهنگ پیش‌بینی» و «فرهنگ گزارش‌دهی»

ارزیابی سازمان برای استقرار هوشمندی کسب و کار را می‌توان در 4 موضوع زیر پیگیری نمود:

  1. آمادگی داده‌ها
  2. اطلاعات خروجی مورد نیاز
  3. وجود معیارها و استانداردهای مورد نیاز
  4. آمادگی کارمندان

لذا در صورت :

  1. عدم صف بندی و تنظیم داده‌ها
  2. نامشخص بودن فرایند گزارش‌گیری و قالب‌دهی
  3. عدم شخصی سازی اطلاعات
  4. عدم آمادگی کاربران،

سازمان برای اجرای BI آمادگی ندارد.

 

 

 

 

 

مسابقه شماره شش

 

سوال

چالش‌ها و مشکلات پراکندگی داده‌ها و منابع اطلاعاتی در سازمان شما چیست؟ تجربیات واقعی خود را با ما به اشتراک بگذارید.

مهلت ارسال پاسخ

 سه‌شنبه 9 شهریور 95

اسامی برندگان

مشاهده

اسامی برندگان مسابقه شماره 6

*  سرکار خانم زینب شریفی

*  جناب آقای علی ابراهیمی 

جوایز

به منظور تقدیر از مشارکت این عزیزان به عنوان هدیه از طرف آی بیگ، به هر نفر 1 میلیون ریال بن شرکت در دوره های آموزشی حضوری/آنلاین شرکت پلاک آبی تعلق می‌گیرد.

پاسخ‌های برگزیده

 

سیستم های اطلاعاتی پراکنده و داده هایی که دیگر از نظر زمانی معتبر نیستند، بر روی تصمیمات سازمانی تاثیر منفی بگذارند و منجر به هزینه های اضافی شوند. این معضل به خصوص در مورد سازمان هایی که حجم انبوه داده تولید و به صورت مداوم و در بازه های زمانی کوتاه تولید میکنند (مانند فروشگاه ها یا سیستم های اطلاعاتی مدیریت پروژه) بیشتر ممکن است دیده شود. باید توجه داشت که هدف نهایی جمع آوری و تحلیل داده ها در سازمان بهبود توان تصمیم گیری میباشد. حال اگر صحت داده ها به علت عدم تجمیع و یکپارچه سازی با سوال مواجه شود، همواره صحت تصمیمات اخذ شده بر مبنای این داده ها با شک و تردید همراه خواهد بود و به تلاش های سازمان در زمینه هوشمند سازی کسب و کار به چشم منبع هزینه نگاه خواهد شد.
1.نگه داری داده ها به صورت پراکنده و جزیره ای است که در هر بخش از سازمان جدا از بخش دیگر نگه داری می شود. این موضوع باعث می شود که بروز رسانی و تغییر داده های به عنوان مثال در یک بخش صورت بگیرد و سایرین از آن بی اطلاع باشند (یعنی تغییرات و بروز رسانی آن همزمان انجام نمی گیرد).

2. ذخیره سازی دوباره و چندباره اطلاعات که بعضا برخی از فیلدها تکراری خواهند بود.

3. گزارش های متعدد که هر کدام در حوزه ی کاری خود می توانند درست باشند که همین تعدد گزارش موجب تحلیل نادرست می شود، منجر به این می شود که گزارش ها قابل استناد نباشند، حتی بسیاری از این گزارش ها ممکن است از جهت محتوا تکراری باشد.

4. حتی ممکن است رکوردی در DB یک بخش وجود داشته باشد اما در حوزه هایی دیگر هیچ اطلاعاتی از رکورد مورد نظر موجود نباشد.

5. فرمت های مختلفی از گزارش ها موجود باشد.

6. امکان خروجی گرفتن و گاهی ادغام برای کسب اطلاعات بهتر بسیار سخت است.

7. اگر بخش های مختلف یک سازمان بخواهند قسمتی از داده های خود را که با هم اشتراک دارند مقایسه کنند و صحت و اعتبارشان را بسنجند؛ به دلیل داشتن خروجی های متعدد و تایپ های مختلف داده، اطلاعاتشان قابل مقایسه نیست یا مقایسه آن سخت می باشد. 

سلام به نظر اینجانب مدیران اجرایی نیازمند اعداد دقیقی از هر کدام از واحدهای راهبردی کسب‌وکار، محصول و عملیات هستند؛ اما ناهمگونی داده‌ها، کسب درآمد و مقایسه هزینه‌ها را دشوار ساخته‌ است. ضمن آن‌که ارائه تحلیل‌های سنتی همچون جابه‌جایی موجودی کالا برمبنای محصول و مکان در سازمان تقریبا‌ غیرممکن می‌شود.هزینه‌های پشتیبانی فناوری اطلاعات افزایش می‌یابد.  

 

 

 

 

 

مسابقه شماره یک

 

سوال

به نظر شما، بهترین تعریف برای هوش کسب و کار (Business Intelligence) چیست؟

مهلت ارسال پاسخ

یکشنبه 25 بهمن 94

اسامی برندگان

مشاهده

اسامی برندگان مسابقه شماره 1

* خانم مریم لالیانپور

* آقای احمد محمدخانی 

* خانم سیده هانیه میربابایی

جوایز

به‌منظور تقدیر از مشارکت این عزیزان؛ به عنوان هدیه از طرف آی بیگ، هر سه این دوستان در جلسه دوم وبینار Big Data که شنبه اول اسفند 94 برگزار می شود به صورت رایگان ثبت نام خواهند شد.

پاسخ‌های برگزیده

 

هوش کسب و کار مفهومی کلی و عمومی است.

طبق تعریف گارتنر هوش کسب و کار به شکل زیر تعریف می گردد: “مجموعه از فناوری و روش ها برای جمع آوری داده، یکپارچه سازی داده ، تحلیل داده ، مصور سازی داده و... در جهت بهبود فرایند تصمیم گیری در سازمان ها ”

در واقع دو رکن اساسی هوش کسب و کار داده و تصمیم گیری می باشد. و از لحاظ جایگاه و موقعیت علمی ، هوش کسب و کار مفهومی چند رشته ای و مرز میان علوم فناوری اطلاعات(IT) و علوم مدیریت می باشد.با توجه به تعریف فوق اجزا و مولفه های مختلفی را می توان در هوش کسب و کار برشمرد، موسسه TDWI اجزای اصلی هوش کسب و کار را به شکل زیر تعریف می نماید:

انباره داده Datawarehouse

رویکرد های تحلیلی کسب و کار Business Analytics

سنجش عملکرد کسب و کار Business Performance Management

داده کاوی Data Mining

رابط های گرافیکی و مصور سازی داده Interface And Data Visualization

هوش کسب و کار (Business Intelligence) که به اختصار BI خوانده می شود، مجموعه‌ای از نظریات، روش‌ها، فرایندها، معماری‌ها و فناوری‌هایی برای تبدیل داده خام به اطلاعات مفید و معنادار مدیریتی در زمینه کسب و کار است که به مدیران سازمان کمک می‌کند تا تصمیمات خود را سریع‌تر و بهتر اتخاذ کنند و یک استراتژی اثربخش اعمال نمایند و بر اساس اطلاعات صحیح، عملکرد درست و سنجیده‌ای از خود نشان دهند. در حقیقت، هوش سازمانی یعنی «داشتن دانشی فراگیر از همه عواملی که بر سازمان موثر است»، مانند مشتریان (جامعه و مخاطبین، ارباب‌رجوع و غیره) رقبا، محیط اقتصادی، عملیات و فرآیندهای سازمانی (مالی، فروش، تولید، منابع انسانی و غیره) که تاثیر زیادی بر کیفیت تصمیمات مدیریتی در سازمان می‌گذارد.
هوش کسب و کار عبارت است از بعد وسیعی از فناوری‌ها و برنامه‌های کاربردی برای جمع‌آوری داده و دانش جهت انجام عملیات پرس و جو در راستای تحلیل سازمانی برای اتخاذ تصمیمات دقیق و هوشمند در کسب و کار
هوش کسب و کار (BI) یک فرآیند تکنولوژی محور برای تجزیه و تحلیل داده‌ها و ارائه اطلاعات عملی برای کمک به مدیران شرکت‌ها، مدیران کسب و کار و دیگر کاربران نهایی تصمیم‌گیری کسب و کار به طور آگاهانه تر است، و شامل انواع ابزار، برنامه های کاربردی و روش‌هاست که سازمان را قادر به جمع آوری اطلاعات از سیستم‌های داخلی و منابع خارجی، آماده‌سازی آن برای تجزیه و تحلیل، توسعه و اجرا و نمایش داده ها می‌سازد، و ایجاد گزارش، داشبورد و تصویر داده را به نتایج تحلیلی در دسترس تصمیم گیرندگان شرکت و همچنین کارگران عملیاتی قرار می دهد

 

 

 

 

 

 

 

 

 

 

 

 تماس با ما

تلفن: 09211437289
پست الکترونیک:
info @ p l a c a b i . com

 

We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. More details…