big data

Примеры процессов работы с большими данными могут быть «обработка претензий» или «порядок доставки». Они, в свою очередь, используют различные ресурсы, такие как человеческие и технические (заводы, оборудование и ИТ). Данные могут использоваться для оптимизации использования ресурсов, а также для оптимизации таких процессов, как время цикла, стоимость или качество. Некоторыми хорошими примерами использования больших данных для оптимизации процессов являются инвентаризация прогнозирование управления / продаж, операции с портами и логистика доставки пакетов.











Рисунок 2 – Архитектура высокого уровня для повышения информационной эффективности

3. Применение Big Data в управлении для работы с клиентами

Сегодня большинство руководителей понимают, что у них нет возможности понять все скрытые мотивы клиентов, на основе которых принимаются наиболее эффективные решения. С развитием технологий у компаний появилась возможность оперативно получать информацию о том, что происходит на рынке, а так же делать более персонализированные предложения клиентам. Компания, имеющая такую технологию, как Big Data, должна полностью осознавать весь её потенциал и те возможности, которые она может предоставить. В данной статье рассмотрены такие возможности.
Существует множество комбинаций программного и аппаратного обеспечения, которые позволяют создавать эффективные решения Big Data для различных бизнес дисциплин: от социальных медиа и мобильных приложений, до интеллектуального анализа и визуализации коммерческих данных. [8]
Важное достоинство Big Data — это совместимость новых инструментов с широко используемыми в бизнесе базами данных, что особенно важно при работе с кросс-дисциплинарными проектами, например, такими как организация мульти-канальных продаж и поддержки покупателей.
Последовательность работы с Big Data состоит из сбора данных, структурирования полученной информации с помощью отчетов и дашбордов, создания инсайтов и контекстов, а также формулирования рекомендаций к действию. Так как работа с Big Data подразумевает большие затраты на сбор данных, результат обработки которых заранее неизвестен, основной задачей является четкое понимание, для чего нужны данные, а не то, как много их есть в наличии. В этом случае сбор данных превращается в процесс получения исключительно нужной для решения конкретных задач информации.
Для успешного принятия решения о внедрении решений Big Data компании необходимо рассчитать инвестиционный кейс и это вызывает большие трудности из-за множества неизвестных составляющих. Парадоксом аналитики в подобных случаях становится прогнозирование будущего на основе прошлого, данные о котором зачастую отсутствуют.
В банке «Тинькофф Кредитные Системы» был реализован проект по внедрению платформы EMC2 Greenplum, которая является инструментом для массивно-параллельных вычислений. В течение последних лет у банка выросли требования к скорости обработки накопленной информации и анализа данных в режиме реального времени, вызванные высокими темпами роста количества пользователей кредитных карт.
Банк объявил о планах расширения использования технологий Big Data, в частности для обработки неструктурированных данных и работы с корпоративной информацией, получаемой из разных источников. В ФНС России в настоящий момент идет создание аналитического слоя федерального хранилища данных. На его основе создается единое информационное пространство и технология доступа к налоговым данным для статистической и аналитической обработки. В ходе реализации проекта выполняются работы по централизации аналитической ин-
Как показывает опыт внедрения Big Data-проектов, эта область призвана, успешно решать современные бизнес-задачи. При этом важным фактором достижения коммерческих целей при работе с большими данными является выбор правильной стратегии, которая включает в себя аналитику, выявляющую запросы потребителей, а также использование инновационных технологий в области Big Data

4 Разработка требований к сетевым большим данным для вычислительной разведки

Интеллектуальные методы вычислений могут быть переведены на «машинное обучение», а алгоритмы, которые используются в ряде вычислительных задач, могут проектироваться [9–11].
Программирование явных алгоритмов с хорошей производительностью является трудным или неосуществимым. Проведено большое количество исследований для объединения передовых методы машинного обучения с сетевым большим анализом данных. Предложена новая модель диагностики неисправностей компьютерных сетей на основе грубого набора и обратного распространения нейронных сетей. Возникли ошибки как серия правил, что привело их к минимальным результатам по грубой теории множеств. Нейронная сеть была разработана для изучения этих правил, чтобы идентифицировать и локализовать ошибки быстро и точно. Также было разработано аппаратное обеспечение рамок, встроенных в сопроцессор для машинного обучения, чтобы подчеркнуть обнаружение вторжений в случае атак, неизвестных для библиотеки подписи. Это обеспечение выбирает модель векторного пространства с классификатором K-ближайших соседей (K-NN) и основанный на радиальной основе (RBF) классификатор, заключающийся в том, что машинное обучение процессоры позволяет улучшить энергосбережение. При этом скорость обработки и обнаружения точна, особенно с большими наборами данных.

Заключение

В заключении отметить, что big data могут использоваться для оптимизации процессов и использования активов современных компаний в режиме реального времени, для улучшения их в долгосрочной перспективе и получения чистых новых доходов путем ввода новых мероприятий и действий. Такая технология непременно способствует повышению доходов предприятий и распространению их продукции различным клиентам.
Также необходимо учитывать, что появление таких решений, как Intelligence-Driven (Led) Security и Cognitive  Security, также связанных с большими данными, свидетельствует о формировании новой области знаний для осуществления способов снижения рисков и повышения уровня ИБ. Это будут изучать современные киберразведчики.
В данной работе достигнута основная цель – описание big data.
В данном реферате были решены следующие задачи:
описаны основные понятия, связанные с big data;
описаны проблемы, возникающие при работе с большими данными;
приведены стратегические приложения больших данных;
приведены практические примеры применения big data.
Также в процессе написания реферата были использованы современные и классические источники литературы и глобальной сети Internet.


Список использованной литературы

Радченко И.А., Николаев И.Н. Технологии и инфраструктура Big Data. СПб.: Университет ИТМО, 2018. — 52 с.
Hurwitz J. et al. Big Data for Dummies. Wiley, 2013. — 336 p.
Yulei Wu, Fei Hu. (Eds.) Big Data and Computational Intelligence in Networking. CRC Press, 2017. — 546 p.
Somani Arun, Deka Ganesh Chandra (eds.) Big Data Analytics: Tools and Technology for Effective Planning. CRC, 2018. — 413 p.
Li K.-C., Jiang H., Zomaya A.Y. (Eds.) Big Data Management and Processing. CRC Press, 2017. — 593 p.
Cтивенс-Давидовиц Cет. Все лгут: Поисковики, Big Data и Интернет знают о вас всё. М.: Эксмо, 2018. — 360 с.
Атаманов Ю. С., Гончарук В. С., Гордеев С. Н. Введение в Big Data. Международный научный журнал. — Казань: Молодой учёный.– №11 (145).–2017 — 538 с.
Севостьянов В.Н. BIG Data как инновационный путь развития компании. М.: Молодой ученый.№ 8(67).– 2014 С.
Использование Big Data в управлении взаимоотношениями с клиентами. Казань: Молодой учёный. №1 (105. – 2016. — 949 с.
Дэвис Уильям. Индустрия счастья: Как Big Data и новые технологии помогают добавить эмоцию в товары и услуги. М.: Эксмо, 2017. — 474 с.
Вайгенд Андреас. BIG DATA. Вся технология в одной книге. М.: Эксмо, 2018. — 384 с.









2