Источники больших данных и сферы их применения - курсовая работа готовая
Приём заказов:
Круглосуточно
Москва
ул. Никольская, д. 10.
Ежедневно 8:00–20:00
Звонок бесплатный

Источники больших данных и сферы их применения

Диплом777
Email: info@diplom777.ru
Phone: +7 (800) 707-84-52
Url:
Логотип сайта компании Диплом777
Никольская 10
Москва, RU 109012
Содержание

Несмотря на то, что на первый взгляд выделенные направления отличаются от направлений, отмеченных компанией DHL, фундаментально они также относятся к трём основным способам использования аналитики больших данных в бизнесе. По смыслу они повторяют пять направлений, выделенных компанией DHL, однако рассмотрены немного с другой перспективы.
Аналитика больших данных применима на всех уровнях управления цепями поставок, обеспечивая консолидацию и взаимообмен данными между уровнями. Например, департамент маркетинга отслеживает спрос через пункты продаж, транспортный департамент собирает данные с GPS датчиков, складской департамент учитывает запасы посредством RFID данных, а электронная система обмена данными отправляет запрос на закупки.
Понимание и знание потребителей изменилось за счет расширения данных до больших. Близость с потребителями может быть достигнута теперь за счет использования гораздо более сложных механизмов и техник. Источниками данных о потребителях и их предпочтениях теперь служат социальные сети, мобильные приложения и используемые потребителями программы лояльности. Благодаря этим данным, представляется возможность более точно прогнозировать спрос, разрабатывать улучшенную программу управления запасами, анализировать пользовательскую активность и интересы с целью фокусного продвижения продукта или услуги за счет контекстной рекламы.
С точки зрения закупок, где источники больших данных – это невероятное количество информационных и финансовых взаимодействий с поставщиками, использование аналитики больших данных позволяет сделать взаимоотношения с поставщиками более открытыми и надежными, за счет большего раскрытия общих характеристик компаний и финансовой информации. С учетом глобализации цепей поставок такая возможность является привлекательной, в том числе для коллаборации компаний.
Складская логистика в сильной степени усовершенствовалась за счет внедрения RFID системы. Наличие данных со считывающих устройств позволяет отслеживать место расположения товаров на складе, ускорить процесс приемки и отгрузки грузов, а также повысить надежность и прозрачность складских операций. Помимо этого, аналитика больших данных позволяет оптимизировать систему управления персоналом на складе за счет устранения нерациональных перемещений работников и развивающейся автоматизации склада.
Четвертая промышленная революция и развитие Интернета вещей открывает новые возможности для заблаговременного устранения неполадок оборудования. Коммуникация между датчиками, установленными на производственном оборудовании, и электронной системой обмена данными позволяет в реальном времени отслеживать состояние оборудования, идентифицировать проблему и мгновенно направить запрос на ремонт оборудования. Тем самым, можно утверждать, что благодаря аналитике больших данных, как основе Интернета вещей, возможна совершенная автоматизация производства.
Наконец, благодаря данным с GPS датчиков и камер, установленных на улицах, функция перевозки грузов также имеет возможность оптимизироваться как с точки зрения маршрутов развозки грузов и расписания движения, так и с точки зрения управления персоналом.
В своей статье И. Розадос и Б. Тьяйоно выделяют три подтипа продвинутой аналитики, которые могут использовать большие данные: описательная аналитика, предиктивная аналитика и предписательная аналитики. Под описательной аналитикой авторы понимают анализ исторических данных для выявления трендов, закономерностей и отклонений. Предиктивная аналитика определяется авторами как анализ исторических данных и данных, собираемых в реальном времени, для составления прогнозов в форме определения вероятностей будущих событий. Предписательная аналитика использует прогнозы для формирования предложения плана действий для получения определённых преимуществ и избегания нежелательных результатов.
В первом выпуске своего издания «Supply Chain Big Data Series» компания KPMG помимо трёх вышеупомянутых подтипов продвинутой аналитики также выделяются ещё два: диагностирующая аналитика и адаптивная аналитика. В данном случае диагностирующая аналитика является переходным этапом между описательной и предиктивной аналитикой, чьей задачей является выявления причин определённых результатов. Адаптивная аналитика является наиболее развитым из пяти подтипов продвинутой аналитики. Она используется для обучения на основе поведения участников процесса, а также фокусируется на отклонениях в таком поведении. Согласно прогнозу компании KPMG, в течении 20 лет компании прейдут от уровня описательной аналитики до уровня адаптивной, тем самым используя все пять подтипов продвинутой аналитики.

Данная работа не уникальна. Ее можно использовать, как базу для подготовки к вашему проекту.

Николай Пахомов
Николай Пахомов
Закончил СПбГУП, факультет журналистики. В университете преподаю около 20 лет, являюсь доктором наук. Поскольку нагрузка на основной работе небольшая, я решил помогать студентам в компании «Диплом777». Выполняю заказы по написанию дипломных и курсовых проектов. На сайте зарегистрирован с 2015 года.
Поделиться курсовой работой:
Поделиться в telegram
Поделиться в whatsapp
Поделиться в skype
Поделиться в vk
Поделиться в odnoklassniki
Поделиться в facebook
Поделиться в twitter
Похожие статьи
Раздаточный материал для дипломной работы образец

Когда студент выходит на защиту перед экзаменационной комиссией, ему требуется подготовить все необходимые материалы, которые могут повысить шансы на получение высокого балла. Один из таких

Читать полностью ➜
Задание на дипломную работу образец заполнения

Дипломная — это своеобразная заключительная работа, которая демонстрирует все приобретенные студентом знания во время обучения в определенном вузе. В зависимости от специализации к исследовательским работам

Читать полностью ➜