تيبكو Spotfire: تحليلات البيانات الضخمة. ذكاء الأعمال الفعال وتحليل البيانات النوعية كيفية الحصول على بيانات العملاء

عمل يمكن الوصول إليه باستخدام البيانات الضخمة باستخدام التحليلات المرئية

قم بتحسين ذكاء أعمالك وحل المشكلات الروتينية باستخدام المعلومات المخفية في البيانات الضخمة باستخدام منصة TIBCO Spotfire. إنها المنصة الوحيدة التي توفر لمستخدمي الأعمال واجهة مستخدم بديهية وسهلة الاستخدام تتيح لهم استخدام مجموعة كاملة من تقنيات تحليل البيانات الضخمة دون مشاركة متخصصي تكنولوجيا المعلومات أو التعليم الخاص.

تعمل واجهة Spotfire على تسهيل العمل مع كل من مجموعات البيانات الصغيرة ومجموعات البيانات الضخمة متعددة التيرابايت: قراءات أجهزة الاستشعار، والمعلومات من الشبكات الاجتماعية، ونقاط البيع أو مصادر تحديد الموقع الجغرافي. يمكن للمستخدمين من جميع مستويات المهارة الوصول بسهولة إلى لوحات المعلومات الثاقبة وسير العمل التحليلي ببساطة عن طريق استخدام المرئيات، وهي تمثيلات رسومية لمليارات نقاط البيانات مجتمعة.

التحليلات التنبؤية هي التعلم من خلال العمل بناءً على تجربة مشتركةالشركات لاتخاذ قرارات أكثر استنارة. باستخدام Spotfire Predictive Analytics، يمكنك اكتشاف اتجاهات السوق الجديدة من معلومات ذكاء الأعمال واتخاذ الإجراءات اللازمة لتقليل المخاطر، مما يسمح لك بتحسين جودة قراراتك الإدارية.

مراجعة

اتصال البيانات الكبيرة للتحليلات عالية الأداء

يقدم Spotfire ثلاثة أنواع رئيسية من التحليلات مع تكامل سلس مع Hadoop ومصادر البيانات الكبيرة الأخرى:

1. التحليلات حسب الطلب: موصلات البيانات المضمنة والقابلة للتكوين من قبل المستخدم والتي تسهل تصور البيانات التفاعلي والسريع للغاية
2. التحليل في قاعدة البيانات (In-Database Analytics): التكامل مع منصة الحوسبة الموزعة التي تسمح لك بإجراء حسابات البيانات بأي تعقيد بناءً على البيانات الضخمة.
3. تحليل في ذاكرة الوصول العشوائي(In-Memory Analytics): التكامل مع منصة التحليل الإحصائي التي تسحب البيانات مباشرة من أي مصدر بيانات، بما في ذلك مصادر البيانات التقليدية والجديدة.

تمثل طرق التكامل هذه معًا مزيجًا قويًا من الاستكشاف البصري والتحليلات المتقدمة.
فهو يسمح لمستخدمي الأعمال بالوصول إلى البيانات ودمجها وتحليلها من أي مصدر بيانات من خلال لوحات معلومات وسير عمل قوية وسهلة الاستخدام.

موصلات البيانات الكبيرة

تدعم موصلات Spotfire Big Data جميع أنواع الوصول إلى البيانات: مصدر البيانات، والذاكرة الداخلية، وعند الطلب. تتضمن موصلات بيانات Spotfire المدمجة ما يلي:

• موصلات بيانات Hadoop المعتمدة لـ Apache Hive وApache Spark SQL وCloudera Hive وCloudera Impala وDatabricks Cloud وHortonworks وMapR Drill وPivotal HAWQ
• تشمل موصلات البيانات الضخمة المعتمدة الأخرى Teradata وTeradata Aster وNetezza
• موصلات للبيانات التاريخية والحالية من مصادر مثل أجهزة استشعار اللمس OSI PI

الحوسبة الموزعة في مصدر البيانات

بالإضافة إلى وظيفة Spotfire المريحة للاختيار البصري لعمليات استعلامات SQL التي تصل إلى البيانات الموزعة عبر مصادر البيانات، يمكن لـ Spotfire إنشاء خوارزميات إحصائية وتعلم آلي تعمل ضمن مصادر البيانات وإرجاع النتائج الضرورية فقط لإنشاء تصورات في نظام Spotfire.

• يعمل المستخدمون مع لوحات المعلومات مع وظيفة التحديد المرئي التي تصل إلى البرامج النصية باستخدام الإمكانات المضمنة للغة TERR،
• تبدأ البرامج النصية لـ TERR عمل وظائف الحوسبة الموزعة بالتفاعل مع Map/Reduce أو H2O أو SparkR أو Fuzzy Logix،
• هذه التطبيقات بدورها تصل إلى أنظمة عالية الكفاءة مثل Hadoop أو مصادر البيانات الأخرى،
• يمكن نشر TERR كمحرك تحليلات متقدم على عقد Hadoop التي تتم إدارتها باستخدام MapReduce أو Spark. يمكن أيضًا استخدام لغة TERR لعقد بيانات Teradata.
• يتم تصور النتائج على Spotfire.

TERR للتحليلات المتقدمة

TIBCO Enterprise Runtime for R (TERR) - TERR عبارة عن حزمة إحصائية على مستوى المؤسسات تم تطويرها بواسطة TIBCO لتكون متوافقة تمامًا مع لغة R، مع الاستفادة من عقود الشركة من الخبرة التحليلية المرتبطة بـ S+. يتيح ذلك للعملاء مواصلة تطوير التطبيقات والنماذج ليس فقط باستخدام كود R المفتوح، ولكن أيضًا لدمج ونشر كود R الخاص بهم على منصة قوية تجاريًا دون الحاجة إلى إعادة كتابة الكود الخاص بهم. يتمتع TERR بكفاءة أعلى وإدارة موثوقة للذاكرة، ويوفر المزيد السرعه العاليهمعالجة كميات كبيرة من البيانات مقارنة بلغة R مفتوحة المصدر.

الجمع بين جميع الوظائف

إن الجمع بين الوظائف القوية المذكورة أعلاه يعني أنه حتى بالنسبة للمهام الأكثر تعقيدًا التي تتطلب تحليلات عالية الثقة، يتفاعل المستخدمون من خلال مسارات عمل تفاعلية بسيطة وسهلة الاستخدام. يتيح ذلك لمستخدمي الأعمال تصور البيانات وتحليلها ومشاركة نتائج التحليلات، دون الحاجة إلى معرفة تفاصيل بنية البيانات التي يقوم عليها تحليل الأعمال.

مثال: واجهة Spotfire لتكوين نتائج النموذج الذي يميز البضائع المفقودة وتشغيلها وتصورها. باستخدام هذه الواجهة، يمكن لمستخدمي الأعمال إجراء العمليات الحسابية باستخدام TERR وH2O (إطار الحوسبة الموزعة) من خلال الوصول إلى بيانات المعاملات والشحن المخزنة في مجموعات Hadoop.

مساحة تحليل البيانات الضخمة

التحليلات المتقدمة والتنبؤية

يستخدم المستخدمون لوحات معلومات Spotfire مع وظيفة التحديد المرئي لإطلاق مجموعة غنية من الإمكانات المتقدمة التي تسهل إجراء التنبؤات وإنشاء النماذج وتحسينها بسرعة. باستخدام البيانات الضخمة، يمكن إجراء التحليل داخل مصدر البيانات (In-Datasource)، مع إرجاع المعلومات والنتائج المجمعة فقط اللازمة لإنشاء تصورات على منصة Spotfire.

التعلم الالي

تتوفر مجموعة واسعة من أدوات التعلم الآلي في قائمة الميزات المضمنة في Spotfire والتي يمكن استخدامها بنقرة واحدة. يتمتع الإحصائيون بإمكانية الوصول إلى كود البرنامج المكتوب بلغة R ويمكنهم توسيع الوظائف المستخدمة. يمكن مشاركة وظائف التعلم الآلي مع مستخدمين آخرين لسهولة إعادة استخدامها.

متاح الطرق التاليةالتعلم الآلي للمتغيرات الفئوية المستمرة على Spotfire وTERR:

• الانحدار الخطي واللوجستي
• أشجار القرار (أشجار القرار)، خوارزمية الغابة العشوائية (الغابات العشوائية)، آلات تعزيز التدرج (GBM)
• النماذج الخطية (المضافة) المعممة (النماذج المضافة المعممة)
• الشبكات العصبية

تحليل محتوى

يوفر Spotfire تحليلات وتصورات للبيانات، والتي لم يتم استخدام الكثير منها من قبل - وهذا نص غير منظم يتم تخزينه في مصادر مثل المستندات والتقارير والملاحظات أنظمة إدارة علاقات العملاءوسجلات مواقع الويب والمنشورات على الشبكات الاجتماعية وغير ذلك الكثير.

تحليلات الموقع

خرائط متعددة الطبقات دقة عاليةهي طريقة رائعة لتصور البيانات الضخمة. تتيح لك وظيفة الخرائط الغنية في Spotfire إنشاء خرائط تحتوي على العديد من الطبقات المرجعية والوظيفية حسب حاجتك. يمنحك Spotfire أيضًا القدرة على استخدام التحليلات المتطورة أثناء العمل مع الخرائط. بالإضافة إلى الخرائط الجغرافيةيقوم النظام بإنشاء خرائط لتصور سلوك المستخدم والمستودعات والإنتاج والمواد الخام والعديد من المؤشرات الأخرى.

لقد كثر الحديث والكثير عن تحليل المعلومات في الآونة الأخيرة لدرجة أنه يمكن للمرء أن يصبح مرتبكًا تمامًا بشأن المشكلة. من الجيد أن يهتم الكثير من الناس بهذا الموضوع الحالي. الشيء السيئ الوحيد هو أنه بهذا المصطلح يفهم الجميع ما يحتاجون إليه، وغالبًا ما يكون ذلك دون أن يكون لديهم صورة عامة عن المشكلة. يؤدي التجزئة في هذا النهج إلى عدم فهم ما يحدث وما يجب فعله. يتكون كل شيء من قطع متصلة ببعضها البعض بشكل غير محكم وليس لها جوهر مشترك. ربما سمعت عبارة "الأتمتة المرقعة" كثيرًا. لقد واجه العديد من الأشخاص هذه المشكلة عدة مرات من قبل ويمكنهم التأكيد على أن المشكلة الرئيسية في هذا النهج هي أنه يكاد يكون من المستحيل رؤية الصورة الكبيرة. الوضع مشابه للتحليل.

من أجل فهم مكان كل آلية تحليل والغرض منها، دعونا ننظر إليها كلها في مجملها. سنبدأ من كيفية اتخاذ الشخص للقرارات، لأننا غير قادرين على شرح كيفية ولادة الفكر؛ وسوف نركز على كيفية استخدام تكنولوجيات المعلومات في هذه العملية. الخيار الأول هو أن يستخدم متخذ القرار (DM) الكمبيوتر فقط كوسيلة لاسترجاع البيانات، ويستخلص النتائج بشكل مستقل. لحل هذا النوع من المشاكل، يتم استخدام أنظمة إعداد التقارير وتحليل البيانات متعددة الأبعاد والرسوم البيانية وطرق التصور الأخرى. الخيار الثاني: لا يقوم البرنامج باستخراج البيانات فحسب، بل يقوم أيضًا بتنفيذ أنواع مختلفة من المعالجة المسبقة، على سبيل المثال، التنظيف والتجانس وما إلى ذلك. ويطبق الأساليب الرياضية للتحليل على البيانات التي تتم معالجتها بهذه الطريقة - التجميع، والتصنيف، والانحدار، وما إلى ذلك. في هذه الحالة، لا يتلقى صانع القرار بيانات أولية، بل بيانات عالية المعالجة، أي. يعمل الشخص بالفعل مع النماذج التي أعدها الكمبيوتر.

نظرًا لحقيقة أنه في الحالة الأولى، يُعهد تقريبًا بكل ما يتعلق بآليات صنع القرار نفسها إلى شخص ما، فإن مشكلة اختيار النموذج المناسب واختيار طرق المعالجة تتجاوز حدود آليات التحليل، أي أساس اتخاذ القرار هو إما تعليمات (على سبيل المثال، كيف يمكن تنفيذ آليات الاستجابة للانحرافات)، أو الحدس. في بعض الحالات، يكون هذا كافيا تماما، ولكن إذا كان صانع القرار مهتما بالمعرفة الموجودة بعمق شديد، إذا جاز التعبير، فإن آليات استخراج البيانات ببساطة لن تساعد هنا. مطلوب معالجة أكثر جدية. هذه هي الحالة الثانية. تسمح جميع آليات المعالجة والتحليل المطبقة لصانع القرار بالعمل على مستوى أعلى مستوى عال. الخيار الأول مناسب لحل المشكلات التكتيكية والتشغيلية، والثاني لتكرار المعرفة وحل المشكلات الإستراتيجية.

والحالة المثالية هي أن تكون قادرًا على استخدام كلا النهجين للتحليل. إنها تسمح لك بتغطية جميع احتياجات المؤسسة تقريبًا لتحليل معلومات الأعمال. ومن خلال تغيير التقنيات اعتمادًا على المهام، سنكون قادرين على استخراج الحد الأقصى من المعلومات المتاحة في أي حال.

ويرد أدناه المخطط العام للعمل.

في كثير من الأحيان، عند وصف منتج يحلل معلومات الأعمال، يتم استخدام مصطلحات مثل إدارة المخاطر، والتنبؤ، وتجزئة السوق... ولكن في الواقع، يتلخص حل كل من هذه المشكلات في استخدام إحدى طرق التحليل الموضحة أدناه. على سبيل المثال، التنبؤ هو مشكلة انحدار، وتجزئة السوق عبارة عن تجميع، وإدارة المخاطر هي مزيج من التجميع والتصنيف، وهناك طرق أخرى ممكنة. لذلك، تتيح لنا هذه المجموعة من التقنيات حل معظم مشاكل العمل. وهي في الواقع عناصر ذرية (أساسية) يتم منها تجميع حل مشكلة معينة.

الآن سوف نصف كل جزء من الدائرة على حدة.

يجب أن يكون المصدر الأساسي للبيانات هو قواعد بيانات أنظمة إدارة المؤسسات، والوثائق المكتبية، والإنترنت، لأنه من الضروري استخدام جميع المعلومات التي قد تكون مفيدة لاتخاذ القرار. علاوة على ذلك نحن نتحدث عنليس فقط حول المعلومات الداخلية للمنظمة، ولكن أيضًا حول البيانات الخارجية (مؤشرات الاقتصاد الكلي، بيئة تنافسيةوالبيانات الديموغرافية وما إلى ذلك).

على الرغم من أن مستودع البيانات لا يطبق تقنيات التحليل، إلا أنه هو الأساس الذي يتم بناء النظام التحليلي عليه. في حالة عدم وجود مستودع بيانات، فإن جمع وتنظيم المعلومات اللازمة للتحليل سوف يستغرق معظم الوقت، الأمر الذي سيؤدي إلى إبطال جميع فوائد التحليل إلى حد كبير. بعد كل شيء، واحد من المؤشرات الرئيسيةأي نظام تحليلي قادر على الحصول على النتائج بسرعة.

العنصر التالي في المخطط هو الطبقة الدلالية. بغض النظر عن كيفية تحليل المعلومات، فمن الضروري أن تكون مفهومة لصانع القرار، لأنه في معظم الحالات توجد البيانات التي تم تحليلها في قواعد بيانات مختلفة، ولا ينبغي لصانع القرار الخوض في الفروق الدقيقة في العمل مع نظام إدارة قواعد البيانات، فمن الضروري إنشاء بعض الآليات التي تحول الشروط موضوع النقاشفي المكالمات إلى آليات الوصول إلى قاعدة البيانات. يتم تنفيذ هذه المهمة بواسطة الطبقة الدلالية. ومن المرغوب فيه أن يكون الأمر نفسه بالنسبة لجميع تطبيقات التحليل، لذلك يكون من الأسهل تطبيق أساليب مختلفة لحل المشكلة.

تم تصميم أنظمة إعداد التقارير للإجابة على سؤال "ما الذي يحدث". الخيار الأول لاستخدامه: يتم استخدام التقارير المنتظمة لمراقبة الوضع التشغيلي وتحليل الانحرافات. على سبيل المثال، يقوم النظام بإعداد تقارير يومية عن أرصدة المنتجات في المستودع، وعندما تكون قيمتها أقل من متوسط ​​البيع الأسبوعي، فمن الضروري الاستجابة لذلك من خلال إعداد أمر شراء، أي أنها في معظم الحالات تكون معاملات تجارية موحدة. في أغلب الأحيان، يتم تنفيذ بعض عناصر هذا النهج بشكل أو بآخر في الشركات (حتى لو كان ذلك على الورق فقط)، ولكن لا ينبغي السماح بأن يكون هذا هو النهج الوحيد المتاح لتحليل البيانات. الخيار الثاني لاستخدام أنظمة التقارير: معالجة الطلبات المخصصة. عندما يريد متخذ القرار اختبار أي فكرة (فرضية)، فإنه يحتاج إلى الحصول على غذاء للفكر يؤكد الفكرة أو يدحضها، حيث أن هذه الأفكار تأتي بشكل عفوي، ولا توجد فكرة دقيقة عن نوع المعلومات المطلوبة ، هناك حاجة إلى أداة تسمح لك بالحصول على هذه المعلومات بسرعة وفي شكل مناسب. يتم عادةً عرض البيانات المستخرجة إما في جداول أو رسوم بيانية ورسوم بيانية، على الرغم من إمكانية تقديم عروض تقديمية أخرى.

على الرغم من أنه يمكن استخدام أساليب مختلفة لبناء أنظمة إعداد التقارير، إلا أن الأكثر شيوعًا اليوم هو آلية OLAP. الفكرة الأساسية هي تقديم المعلومات على شكل مكعبات متعددة الأبعاد، حيث تمثل المحاور الأبعاد (مثل الوقت، المنتجات، العملاء)، وتحتوي الخلايا على مؤشرات (على سبيل المثال، كمية المبيعات، متوسط ​​السعرشراء). يقوم المستخدم بمعالجة القياسات ويتلقى المعلومات في السياق المطلوب.

نظرًا لسهولة فهم OLAP، فقد أصبح يستخدم على نطاق واسع كمحرك لتحليل البيانات، ويجب أن يكون مفهومًا أن قدراته على التحليل الأعمق، مثل التنبؤ، محدودة للغاية. المشكلة الرئيسية في حل مشاكل التنبؤ ليست القدرة على استخراج البيانات ذات الأهمية في شكل جداول ورسوم بيانية، ولكن بناء نموذج مناسب. ثم كل شيء بسيط للغاية. يتم توفير معلومات جديدة لمدخلات النموذج الحالي، ويتم تمريرها من خلاله، والنتيجة هي التنبؤ. لكن بناء النموذج مهمة غير تافهة على الإطلاق. بالطبع، يمكنك إضافة العديد من الجاهزة و نماذج بسيطة، على سبيل المثال، الانحدار الخطي أو شيء مشابه، غالبًا ما يكون هذا هو بالضبط ما يفعلونه، لكن هذا لا يحل المشكلة. إن مشاكل العالم الحقيقي تذهب دائمًا إلى ما هو أبعد من هذه النماذج البسيطة. وبالتالي، فإن مثل هذا النموذج لن يكتشف سوى التبعيات الواضحة، التي تكون قيمة الكشف عنها ضئيلة، وهي معروفة جيدًا بالفعل، أو أنه سيقدم تنبؤات تقريبية للغاية، وهو أيضًا غير مثير للاهتمام تمامًا. على سبيل المثال، إذا قمت، عند تحليل أسعار الأسهم في سوق الأوراق المالية، بالانطلاق من الافتراض البسيط بأن الأسهم غدًا ستكلف نفس تكلفة اليوم، فستكون على صواب في 90٪ من الحالات. وما مدى قيمة هذه المعرفة؟ فقط الـ 10٪ المتبقية تهم الوسطاء. تعطي النماذج البدائية في معظم الحالات نتائج بنفس المستوى تقريبًا.

النهج الصحيح لبناء النماذج هو تحسينها خطوة بخطوة. بدءًا من النموذج الأول التقريبي نسبيًا، من الضروري تحسينه مع تراكم بيانات جديدة وتطبيق النموذج عمليًا. إن المهمة الفعلية المتمثلة في وضع التنبؤات والأشياء المشابهة تتجاوز آليات أنظمة إعداد التقارير، لذا لا يجب الانتظار في هذا الاتجاه نتائج إيجابيةعند استخدام OLAP. لحل مشاكل التحليل الأعمق، يتم استخدام مجموعة مختلفة تمامًا من التقنيات، متحدة تحت اسم Knowledge Discovery in Databases.

اكتشاف المعرفة في قواعد البيانات (KDD) هو عملية تحويل البيانات إلى معرفة. يتضمن KDD قضايا إعداد البيانات، واختيار الميزات الإعلامية، وتنظيف البيانات، وتطبيق أساليب استخراج البيانات (DM)، والمعالجة اللاحقة للبيانات، وتفسير النتائج. التنقيب في البيانات هو عملية اكتشاف المعرفة "الخام" غير المعروفة سابقًا وغير التافهة والمفيدة عمليًا والقابلة للتفسير والضرورية لاتخاذ القرار في مختلف مجالات النشاط البشري.

جاذبية هذا النهج هو أنه بغض النظر عن مجال الموضوع، فإننا نطبق نفس العمليات:

1. استخراج البيانات. في حالتنا، وهذا يتطلب طبقة الدلالية.
2. امسح البيانات. إن استخدام البيانات "القذرة" للتحليل يمكن أن ينفي تمامًا آليات التحليل المستخدمة في المستقبل.
3. تحويل البيانات. تتطلب طرق التحليل المختلفة بيانات معدة في نموذج خاص. على سبيل المثال، في مكان ما يمكن استخدام المعلومات الرقمية فقط كمدخلات.
4. إجراء التحليل الفعلي – التنقيب في البيانات.
5. تفسير النتائج التي تم الحصول عليها.

يتم تكرار هذه العملية بشكل متكرر.

يوفر استخراج البيانات بدوره حلاً لستة مشاكل فقط - التصنيف، والتجميع، والانحدار، والارتباط، وتحليل التسلسل والانحراف.

هذا هو كل ما يجب القيام به لأتمتة عملية استخراج المعرفة. إن الخبير، المعروف أيضًا باسم صانع القرار، يتخذ بالفعل خطوات إضافية.

إن تفسير نتائج معالجة الكمبيوتر يقع على عاتق البشر. فقط أساليب مختلفةتقديم غذاء متنوع للفكر. في جدا حالة بسيطة- هذه هي الجداول والرسوم البيانية، وفي أكثر تعقيدا - النماذج والقواعد. من المستحيل استبعاد المشاركة البشرية تماما، لأنه هذه النتيجة أو تلك ليس لها معنى حتى يتم تطبيقها على مجال موضوع معين. ومع ذلك، فمن الممكن تكرار المعرفة. على سبيل المثال، قام صانع القرار، باستخدام بعض الأساليب، بتحديد المؤشرات التي تؤثر على الجدارة الائتمانية للمشترين وعرض ذلك في شكل قاعدة. يمكن إدخال القاعدة في نظام إصدار القروض وبالتالي تقليل مخاطر الائتمان بشكل كبير من خلال وضع تقييماتها قيد التنفيذ. وفي الوقت نفسه، لا يشترط على الشخص المشارك في الاستخراج الفعلي للوثائق أن يكون لديه فهم عميق لأسباب هذا الاستنتاج أو ذاك. في الواقع، هذا هو نقل الأساليب المستخدمة في الصناعة إلى مجال إدارة المعرفة. الفكرة الرئيسية هي الانتقال من الطرق لمرة واحدة وغير الموحدة إلى طرق النقل.

كل ما ذكر أعلاه هو مجرد أسماء المهام. ولحل كل منها، يمكنك استخدام تقنيات مختلفة، بدءًا من الأساليب الإحصائية الكلاسيكية ووصولاً إلى خوارزميات التعلم الذاتي. يتم دائمًا حل مشكلات العمل الحقيقية بإحدى الطرق المذكورة أعلاه أو مزيج منها. جميع المهام تقريبًا - التنبؤ، وتجزئة السوق، وتقييم المخاطر، وتقييم الأداء الحملات الإعلانية، درجة مزايا تنافسيةوغيرها الكثير - تتلخص في تلك الموصوفة أعلاه. لذلك، بوجود أداة تحت تصرفك تحل قائمة المهام المحددة، يمكننا القول أنك مستعد لحل أي مشكلة في تحليل الأعمال.

إذا لاحظت، فإننا لم نذكر أبدًا الأداة التي سيتم استخدامها للتحليل، وما هي التقنيات، وما إلى ذلك. المهام نفسها وطرق حلها لا تعتمد على الأدوات. هذا مجرد وصف لنهج مختص لحل المشكلة. يمكنك استخدام أي شيء، والشيء المهم الوحيد هو أن يتم تغطية قائمة المهام بأكملها. في هذه الحالة، يمكننا القول أن هناك حلاً فعالاً حقًا. في كثير من الأحيان، يتم اقتراح الآليات التي تغطي جزءًا صغيرًا فقط من المهام على أنها "حل كامل المواصفات لمشاكل تحليل الأعمال". في أغلب الأحيان، يُفهم OLAP فقط على أنه نظام لتحليل معلومات الأعمال، وهو غير كافٍ تمامًا لإجراء تحليل كامل. تحت طبقة سميكة من الشعارات الإعلانية لا يوجد سوى نظام التقارير. الأوصاف الفعالة لأداة التحليل هذه أو تلك تخفي الجوهر، ولكن يكفي أن تبدأ من المخطط المقترح، وسوف تفهم الوضع الفعلي.

(ذكاء الأعمال).

تتم دعوة المهنيين الشباب الذين يحققون مهنة ناجحة كمحللين في شركات التكنولوجيا الفائقة مثل Microsoft وIBM وGoogle وYandex وMTS وما إلى ذلك كمتحدثين في الندوة، وفي كل ندوة، يتم إخبار الطلاب عن بعض مشاكل العمل التي يتم حلها في هذه الشركات، حول كيفية تراكم البيانات، وكيف تنشأ مشاكل تحليل البيانات، وما هي الأساليب التي يمكن استخدامها لحلها.

جميع المتخصصين المدعوين مفتوحون للاتصالات، وسيتمكن الطلاب من الاتصال بهم للحصول على المشورة.

أهداف الندوة:

• المساعدة في سد الفجوة القائمة بين البحث الجامعي وحل المشكلات العملية في مجال تحليل البيانات؛
• تعزيز تبادل الخبرات بين المهنيين الحاليين والمستقبليين.

تقام الندوة بانتظام في كلية الرياضيات الحاسوبية والرياضيات بجامعة موسكو الحكومية أيام الجمعة في الساعة 18:20 ، جمهور ص5(الطابق الأول). حضور الندوة مجاني(إذا لم يكن لديك تصريح دخول إلى جامعة موسكو الحكومية، فيرجى إبلاغ منظمي الندوة مسبقًا باسمك الكامل من أجل تقديم قائمة المشاركين في التحول).

برنامج الندوة

تاريخ	المتحدث وموضوع الندوة
10 سبتمبر 2010 18:20	الكسندر افيموف ، رئيس قسم التحليلات شبكة البيع بالتجزئةمتس. التنبؤ بتأثير الحملات التسويقية وتحسين تشكيلة المتجر. صفحة المشكلة المطبقة: تحسين مجموعة منافذ البيع بالتجزئة (مهمة مع البيانات).
17 سبتمبر 2010 18:20	فاديم ستريزوف باحث في مركز الحوسبة التابع لأكاديمية العلوم الروسية. تسجيل الائتمان المصرفي: طرق التوليد التلقائي واختيار النماذج. يتم النظر في التقنيات الكلاسيكية والجديدة لبناء بطاقات التسجيل. وتتحدث الندوة عن كيفية تنظيم بيانات العملاء وكيفية إنشاء نموذج التقييم الأكثر قبولاً، والذي يلبي أيضًا متطلبات المعايير المصرفية الدولية.
24 سبتمبر 2010 18:20	فلاديمير كريكوتن , رئيس قسم التسويق والمبيعات في شركة الوساطة Otkritie. طلب الأساليب الرياضيةللتنبؤ ومواجهة تقلبات العملاء. تؤخذ في الاعتبار المشاكل العملية التي تنشأ في التحليل قاعدة العملاءفي التسويق. يتم تعيين مهام تجميع العملاء وتقسيمهم، وتسجيل عملاء جدد، وتتبع ديناميكيات القطاعات المستهدفة. صفحة المشكلة التطبيقية: تجميع عملاء شركة وساطة (مهمة مع البيانات).
1 أكتوبر 2010 18:20	نيكولاي فيليبنكوف ، وعن. رئيس قسم التصنيف الائتماني في بنك موسكو. تطبيق الأساليب الرياضية لإدارة مخاطر الائتمان بالتجزئة. يتم النظر في بعض الجوانب العملية لبناء نماذج التسجيل وتقييم المخاطر. صفحة مشكلة التطبيق: إدارة مخاطر ائتمان التجزئة (مشكلة البيانات).
8 أكتوبر 2010 18:20	فيدور رومانينكو ، مدير جودة البحث، ياندكس. تاريخ ومبادئ تصنيف بحث الويب. يتم النظر في قضايا استخدام وتطوير أساليب استرجاع المعلومات، بدءًا من تصنيف النصوص والروابط إلى التعلم الآلي إلى التصنيف في مشكلة البحث على الإنترنت. تم توضيح المبادئ الأساسية التي يقوم عليها تصنيف الويب الحديث فيما يتعلق بقصص نجاح محركات البحث. يتم إيلاء اهتمام خاص لتأثير جودة البحث على مؤشرات السوقوالحاجة الماسة إلى العمل المستمر لتحسينه.
15 أكتوبر 2010 18:20	فيتالي غولدشتاين ، مطور، ياندكس. خدمات المعلومات الجغرافية ياندكس. إنه يتحدث عن مشروع Yandex.Traffic وغيره من مشاريع المعلومات الجغرافية Yandex، حول مصدر البيانات المصدر للبناء جغرافي نظم المعلومات، حول تكنولوجيا معالجة البيانات الجديدة القابلة للتطوير، حول مسابقة رياضيات الإنترنت وبعض المشاكل الواعدة. يتم توفير البيانات وصياغة رسمية لمشكلة إعادة بناء خريطة الطريق. صفحة المشكلة التطبيقية: إنشاء رسم بياني للطريق باستخدام البيانات الموجودة على مسارات المركبات (مهمة مع البيانات).
22 أكتوبر 2010	تم إلغاء الندوة.
29 أكتوبر 2010 18:20	فيدور كراسنوف ، نائب الرئيس للعمليات التجارية و تكنولوجيا المعلومات، أكادو. كيفية الحصول على بيانات العملاء؟

على مدى عقود من العمل مع كبار العملاء، اكتسبت شركة Force خبرة واسعة في مجال تحليل الأعمال وتعمل الآن بنشاط على تطوير تقنيات البيانات الضخمة. في مقابلة مع سي نيوز، أولغا جورشينسكايا، مديرة المشاريع البحثيةورئيس "قوة" البيانات الضخمة.

15.10.2015

أولغا جورشينسكايا

في السنوات الأخيرة، تغير جيل من القادة. جاء أشخاص جدد لإدارة الشركات الذين صنعوا حياتهم المهنية بالفعل في عصر المعلوماتية، وكانوا معتادين على استخدام أجهزة الكمبيوتر والإنترنت و أجهزة محمولةكيف في الحياة اليوميةو لحل مشاكل العمل .

CNews: ما مدى الطلب على أدوات ذكاء الأعمال؟ الشركات الروسية؟ هل هناك تغييرات في النهج المتبع في تحليل الأعمال: من "التحليلات بأسلوب Excel" إلى استخدام الأدوات التحليلية من قبل كبار المديرين؟

أولغا جورشينسكايا:

اليوم، أصبحت الحاجة إلى أدوات تحليل الأعمال مرتفعة للغاية. يتم استخدامها من قبل المنظمات الكبيرة في جميع قطاعات الاقتصاد تقريبًا. تدرك الشركات المتوسطة والصغيرة أيضًا فوائد الانتقال من برنامج Excel إلى الحلول التحليلية المتخصصة.

إذا قارنا هذا الوضع مع وضع الشركات قبل خمس سنوات، فسنرى تقدماً كبيراً. في السنوات الأخيرة، تغير جيل من القادة. لقد جاء أشخاص جدد لإدارة الشركات الذين صنعوا حياتهم المهنية بالفعل في عصر المعلومات، وقد اعتادوا على استخدام أجهزة الكمبيوتر والإنترنت والأجهزة المحمولة في الحياة اليومية وفي حل مشاكل العمل.

CNews: ولكن لا يوجد المزيد من المشاريع؟

أولغا جورشينسكايا:

لاحظنا مؤخرًا انخفاضًا طفيفًا في عدد مشاريع ذكاء الأعمال الكبيرة الجديدة. أولا، يلعب الوضع الاقتصادي والسياسي العام المعقد دورا. وهو يعيق بدء بعض المشاريع المتعلقة بإدخال الأنظمة الغربية. الاهتمام بالحلول القائمة على التوزيع الحر برمجةكما أنه يؤخر بدء مشاريع ذكاء الأعمال، لأنه يتطلب دراسة أولية لهذا القطاع من البرمجيات. العديد من حلول التحليلات مفتوحة المصدر ليست ناضجة بما يكفي لاستخدامها على نطاق واسع.

ثانيا، حدث بالفعل تشبع معين في السوق. في الوقت الحاضر لا يوجد الكثير من المنظمات التي لا تستخدم تحليل الأعمال. ويبدو أن وقت النمو النشط في تنفيذ الأنظمة التحليلية الكبيرة للشركات قد انتهى.

وأخيرًا، من المهم ملاحظة أن العملاء يغيرون تركيزهم الآن على استخدام أدوات ذكاء الأعمال، مما يعيق النمو في عدد المشاريع التي اعتدنا عليها. والحقيقة هي أن كبار الموردين - Oracle وIBM وSAP - يبنون حلول ذكاء الأعمال الخاصة بهم على فكرة نموذج بيانات منطقي واحد ومتسق، مما يعني أنه قبل تحليل أي شيء، من الضروري تحديد جميع المفاهيم والاتفاق عليها بوضوح. المؤشرات.

إلى جانب المزايا الواضحة، يؤدي هذا إلى اعتماد كبير لمستخدمي الأعمال على متخصصي تكنولوجيا المعلومات: إذا كان من الضروري تضمين بعض البيانات الجديدة في نطاق الاعتبار، فيجب على الشركة أن تلجأ باستمرار إلى تكنولوجيا المعلومات لتنزيل البيانات ومواءمتها مع البيانات الموجودة. الهياكل، وإدراجها في النموذج العام، الخ. د. الآن نرى أن الشركات تريد المزيد من الحرية، ومن أجل أن تكون قادرة على إضافة هياكل جديدة بشكل مستقل وتفسيرها وتحليلها حسب تقديرها الخاص، فإن المستخدمين على استعداد للتضحية بجزء من اتساق الشركة.

ولذلك، تظهر الآن أدوات خفيفة الوزن في المقدمة، مما يسمح للمستخدمين النهائيين بالعمل مباشرة مع البيانات وعدم القلق كثيرًا بشأن الاتساق على مستوى الشركة. ونتيجة لذلك، فإننا نشهد نجاحًا في Tableaux وQlick، اللذين يتيحان العمل بأسلوب اكتشاف البيانات، كما نشهد بعض الخسارة في السوق من قبل موفري الحلول الكبار.

CNews: يفسر هذا سبب قيام عدد من المؤسسات بتنفيذ العديد من أنظمة ذكاء الأعمال - وهذا ملحوظ بشكل خاص في القطاع المالي. ولكن هل يمكن اعتبار هذه المعلوماتية طبيعية؟

أولغا جورشينسكايا

اليوم، تلعب الأدوات التي اعتبرناها سابقًا خفيفة الوزن جدًا على مستوى المؤسسة دورًا رائدًا. هذه هي حلول فئة اكتشاف البيانات.

أولغا جورشينسكايا:

في الواقع، من الناحية العملية، لا تستخدم المؤسسات الكبيرة في كثير من الأحيان نظامًا تحليليًا واحدًا، بل عدة أنظمة تحليلية مستقلة، ولكل منها أدوات ذكاء الأعمال الخاصة به. لقد تبين أن فكرة النموذج التحليلي على مستوى الشركة هي فكرة خيالية إلى حد ما، فهي لا تحظى بشعبية كبيرة بل إنها تحد من الترويج للتقنيات التحليلية، حيث أن كل قسم، أو حتى مستخدم فردي، يريد في الممارسة العملية الاستقلال و حرية. لا يوجد شيء فظيع في ذلك. بعد كل شيء، في نفس البنك، يحتاج المتخصصون في إدارة المخاطر والمسوقون إلى أدوات ذكاء أعمال مختلفة تمامًا. لذلك، فمن الطبيعي تماما أن تختار الشركة ليس حلا واحدا ضخما لجميع المهام، ولكن العديد من الأنظمة الصغيرة الأكثر ملاءمة للإدارات الفردية.

اليوم، تلعب الأدوات التي اعتبرناها سابقًا خفيفة الوزن جدًا على مستوى المؤسسة دورًا رائدًا. هذه هي حلول فئة اكتشاف البيانات. وهي تعتمد على فكرة بساطة العمل مع البيانات والسرعة والمرونة والعرض السهل لنتائج التحليل. هناك سبب آخر لتزايد شعبية مثل هذه الأدوات: تشعر الشركات بشكل متزايد بالحاجة إلى العمل مع معلومات ذات بنية متغيرة، وغير منظمة بشكل عام، ذات معنى "غير واضح" وليست ذات قيمة واضحة دائمًا. في هذه الحالة، هناك حاجة إلى أدوات أكثر مرونة من أدوات تحليل الأعمال الكلاسيكية.

أنشأت "فورس" أكبر منصة في أوروبا وفريدة من نوعها في روسيا - مركز فورس للحلول. مهمتها الرئيسية هي التقريب أحدث التقنيات Oracle للعميل النهائي، لمساعدة الشركاء في تطويرهم وتطبيقهم، لجعل عمليات اختبار المعدات والبرامج متاحة قدر الإمكان. هذا نوع من مراكز البيانات لاختبار الأنظمة والحلول السحابية من قبل الشركاء.

CNews: كيف تساعد تقنيات البيانات الضخمة في تطوير تحليلات الأعمال؟

أولغا جورشينسكايا:

هذه المجالات - البيانات الضخمة وتحليلات الأعمال - تقترب من بعضها البعض، وفي رأيي، أصبحت الحدود بينهما غير واضحة بالفعل. على سبيل المثال، تعتبر التحليلات المتقدمة "بيانات ضخمة" على الرغم من أنها كانت موجودة قبل ظهور البيانات الضخمة. في الوقت الحاضر، يتزايد الاهتمام بالتعلم الآلي والإحصاءات، وبمساعدة تقنيات البيانات الضخمة هذه، من الممكن توسيع وظائف نظام الأعمال التقليدي الذي يركز على الحسابات والتصور.

بالإضافة إلى ذلك، تم توسيع مفهوم مستودعات البيانات من خلال استخدام تقنية Hadoop، مما أدى إلى معايير جديدة لبناء وحدات تخزين الشركات على شكل “بحيرات البيانات”.

CNews: ما هي المهام الواعدة التي تُستخدم فيها حلول البيانات الضخمة؟

أولغا جورشينسكايا:

نحن نستخدم تقنيات البيانات الضخمة في مشاريع ذكاء الأعمال في عدة حالات. الأول هو عندما يكون من الضروري تحسين أداء مستودع البيانات الحالي، وهو أمر مهم للغاية في الظروف التي يكون لدى الشركات فيها كميات متزايدة بسرعة من المعلومات المستخدمة. يعد تخزين البيانات الأولية في قواعد البيانات العلائقية التقليدية أمرًا مكلفًا للغاية ويتطلب بشكل متزايد قوة معالجة. في مثل هذه الحالات، يكون من المنطقي استخدام مجموعة أدوات Hadoop، والتي تعتبر فعالة جدًا نظرًا لبنيتها ومرونتها وقابليتها للتكيف مع احتياجات محددة ومربحة من وجهة نظر اقتصادية، نظرًا لأنها تعتمد على حل مفتوح المصدر.

باستخدام Hadoop، على وجه الخصوص، قمنا بحل مشكلة تخزين ومعالجة البيانات غير المنظمة في ملف واحد كبير البنك الروسي. في في هذه الحالةكنا نتحدث عن كميات كبيرة من البيانات التي تصل بانتظام مع بنية متغيرة. ويجب معالجة هذه المعلومات وتحليلها واستخراج المؤشرات الرقمية منها، كما يجب حفظ البيانات الأصلية. ونظرًا للنمو الكبير في حجم المعلومات الواردة، أصبح استخدام التخزين العلائقي لهذا الغرض مكلفًا للغاية وغير فعال. لقد أنشأنا مجموعة Hadoop منفصلة للمعالجة الوثائق الأولية، ويتم تحميل نتائجها في مخزن علائقي للتحليل والاستخدام الإضافي.

الاتجاه الثاني هو إدخال أدوات التحليل المتقدمة لتوسيع وظائف نظام ذكاء الأعمال. وهذا مجال واعد للغاية، لأنه لا يرتبط فقط بحل مشاكل تكنولوجيا المعلومات، ولكن أيضًا بإنشاء فرص عمل جديدة.

بدلاً من تنظيم مشاريع خاصة لتنفيذ تحليلات متعمقة، نحاول توسيع نطاق المشاريع الحالية. على سبيل المثال، بالنسبة لأي نظام تقريبًا، تتمثل الوظيفة المفيدة في التنبؤ بالمؤشرات بناءً على البيانات التاريخية المتاحة. هذه ليست مهمة بسيطة؛ فهي لا تتطلب مهارات في العمل باستخدام الأدوات فحسب، بل تتطلب أيضًا تدريبًا رياضيًا معينًا ومعرفة بالإحصاءات والاقتصاد القياسي.

لدى شركتنا فريق متخصص من علماء البيانات الذين يستوفون هذه المتطلبات. لقد أكملوا مشروعًا في مجال الرعاية الصحية بشأن إنشاء التقارير التنظيمية، بالإضافة إلى ذلك، في إطار هذا المشروع، تم تنفيذ التنبؤ بعبء العمل المنظمات الطبيةوتقسيمهم حسب المؤشرات الإحصائية. إن قيمة هذه التوقعات بالنسبة للعميل واضحة، فهي ليست مجرد استخدام لبعض التقنيات الغريبة الجديدة، ولكنها توسع طبيعي تمامًا للقدرات التحليلية. ونتيجة لذلك، يتم تحفيز الاهتمام بتطوير النظام، وعمل جديد بالنسبة لنا. نقوم الآن بالمثل بتنفيذ تقنيات التحليلات التنبؤية في مشروع لإدارة المدينة.

وأخيرًا، لدينا خبرة في تنفيذ تقنيات البيانات الضخمة حيث نتحدث عن استخدام البيانات غير المنظمة، وفي المقام الأول المستندات النصية المختلفة. يوفر الإنترنت فرصًا رائعة بفضل الكميات الهائلة من المعلومات غير المنظمة التي تحتوي على معلومات مفيدة للأعمال. جداً تجربة مثيرة للاهتمامارتبطنا بتطوير نظام تقييم قيمة العقارات لشركة ROSECO عند الطلب المجتمع الروسيالمثمنين. ولاختيار الكائنات التناظرية، قام النظام بجمع البيانات من مصادر على الإنترنت، ومعالجة هذه المعلومات باستخدام التقنيات اللغوية وإثرائها باستخدام التحليلات الجغرافية باستخدام أساليب التعلم الآلي.

CNews: ما هي الحلول الخاصة التي تطورها Force في مجالات تحليلات الأعمال والبيانات الضخمة؟

أولغا جورشينسكايا:

لقد قمنا بتطوير وتطوير حل خاص في مجال البيانات الضخمة – ForSMedia. إنها منصة لتحليل بيانات الوسائط الاجتماعية لإثراء معرفة العملاء. يمكن استخدامه في صناعات مختلفة: القطاع المالي، والاتصالات، وتجارة التجزئة - في أي مكان يريدون فيه معرفة أكبر قدر ممكن عن عملائهم.

أولغا جورشينسكايا

لقد قمنا بتطوير وتطوير حل خاص في مجال البيانات الضخمة – ForSMedia. إنها منصة لتحليل بيانات الوسائط الاجتماعية لإثراء معرفة العملاء.

حالة الاستخدام النموذجية هي تطوير حملات تسويقية مستهدفة. إذا كان لدى الشركة 20 مليون عميل، قم بتوزيع كل شيء إعلاناتوفقا لقاعدة البيانات فمن غير واقعي. تحتاج إلى تضييق نطاق دائرة مستلمي الإعلانات، و دالة الهدفهنا - لزيادة استجابة العملاء ل عرض التسويق. في هذه الحالة، يمكننا تحميل البيانات الأساسية حول جميع العملاء (الأسماء والألقاب وتواريخ الميلاد ومكان الإقامة) إلى ForSMedia، ثم، بناءً على المعلومات الواردة من الشبكات الاجتماعية، نكملهم بمعلومات مفيدة جديدة، بما في ذلك نطاق الاهتمامات، الحالة الاجتماعية، تكوين الأسرة، المنطقة النشاط المهني، التفضيلات الموسيقية، وما إلى ذلك. بالطبع، لا يمكن العثور على هذه المعرفة لجميع العملاء، لأن جزءًا معينًا منهم لا يستخدم الشبكات الاجتماعية على الإطلاق، ولكن للتسويق المستهدف، حتى هذه النتيجة "غير الكاملة" توفر مزايا هائلة.

وسائل التواصل الاجتماعيمصدر غني جدًا، على الرغم من صعوبة العمل معه. ليس من السهل تحديد شخص بين المستخدمين - غالبًا ما يستخدم الأشخاص أشكالًا مختلفة من أسمائهم، ولا يشيرون إلى العمر والتفضيلات، وليس من السهل معرفة خصائص المستخدم بناءً على منشوراته ومجموعات الاشتراكات.

تعمل منصة ForSMedia على حل جميع هذه المشكلات استنادًا إلى تقنيات البيانات الضخمة وتتيح لك إثراء بيانات العملاء بشكل كبير وتحليل النتائج. تشمل التقنيات المستخدمة Hadoop وبيئة البحث الإحصائية R وأدوات المعالجة اللغوية RCO وأدوات اكتشاف البيانات.

تحقق منصة ForSMedia أقصى استفادة من البرامج الموزعة مجانًا ويمكن تثبيتها على أي منصة أجهزة تلبي متطلبات مهمة العمل. ولكن ل التطبيقات الرئيسيةولزيادة متطلبات الأداء، نقدم إصدارًا خاصًا محسّنًا للتشغيل على أنظمة أجهزة وبرامج Oracle - Oracle Big Data Appliance وOracle Exalytics.

يعد استخدام مجمعات أوراكل المتكاملة والمبتكرة في المشاريع الكبيرة مجالًا مهمًا لنشاطنا ليس فقط في مجال الأنظمة التحليلية. لن تكون هذه المشاريع رخيصة، ولكن نظرا لحجم المهام التي يتم حلها، فهي مبررة تماما.

CNews: هل يمكن للعملاء تجربة هذه الأنظمة بطريقة أو بأخرى قبل اتخاذ قرار الشراء؟ هل توفرون، على سبيل المثال، مقاعد اختبار؟

أولغا جورشينسكايا:

في هذا الاتجاه، نحن لا نقدم فقط مقاعد الاختبار، ولكننا أنشأنا أكبر منصة في أوروبا وفريدة من نوعها في روسيا - مركز حلول Fors. وتتمثل مهمتها الرئيسية في تقريب أحدث تقنيات Oracle من العميل النهائي، ومساعدة الشركاء في تطويرها وتطبيقها، وجعل عمليات اختبار المعدات والبرامج متاحة قدر الإمكان. الفكرة لم تأت من العدم منذ ما يقرب من 25 عامًا، تعمل Force على تطوير وتنفيذ الحلول القائمة على تقنيات ومنصات Oracle. لدينا خبرة واسعة في العمل مع كل من العملاء والشركاء. في الواقع، "القوة" هي مركز كفاءة أوراكل في روسيا.

مع أخذ هذه التجربة بعين الاعتبار، في عام 2011، عندما ظهرت الإصدارات الأولى من محرك قاعدة بيانات Oracle Exadata، قمنا بإنشاء أول مختبر لإتقان هذه الأنظمة، وأطلقنا عليه اسم ExaStudio. وعلى أساسه، يمكن لعشرات الشركات اكتشاف إمكانيات برامج Exadata الجديدة وحلول الأجهزة. أخيرًا، في عام 2014، قمنا بتحويله إلى نوع من مركز البيانات لاختبار الأنظمة والحلول السحابية - وهذا هو مركز حلول Fors.

يقدم مركزنا الآن مجموعة كاملة من أحدث أنظمة برامج وأجهزة Oracle - بدءًا من Exadata وExalogic وحتى Big Data Appliance - والتي تعمل في الواقع بمثابة مقاعد اختبار لشركائنا وعملائنا. بالإضافة إلى الاختبار، يمكنك هنا الحصول على خدمات لتدقيق أنظمة المعلومات، والانتقال إلى منصة جديدة، والإعداد والتكوين والقياس.

يتطور المركز بنشاط في اتجاه استخدام التقنيات السحابية. منذ وقت ليس ببعيد، تم تعديل بنية المركز بحيث يتم توفير موارده وخدماته الحاسوبية في السحابة. الآن يمكن للعملاء الاستفادة من إمكانات إنتاجية الخدمة الذاتية: تحميل بيانات الاختبار والتطبيقات وتنفيذ الاختبار في البيئة السحابية.

ونتيجة لذلك، يمكن لشركة شريكة أو عميل، دون استثمار مسبق في المعدات والمشاريع التجريبية على أراضيها، تحميل تطبيقاتها الخاصة إلى السحابة الخاصة بنا، واختبار نتائج الأداء ومقارنتها واتخاذ قرار بشأن الانتقال إلى منصة جديدة.

CNews: والسؤال الأخير – ما الذي ستقدمه في Oracle Day؟

أولغا جورشينسكايا:

يعد Oracle Day الحدث الرئيسي لهذا العام في روسيا للشركة وجميع شركائها. لقد كانت "القوة" مراراً وتكراراً الراعي العام لها، وهذا العام أيضاً. سيكون المنتدى مخصصًا بالكامل للموضوعات السحابية - PaaS وSaaS وIaaS، وسيُعقد باسم Oracle Cloud Day، نظرًا لأن Oracle تولي اهتمامًا كبيرًا لهذه التقنيات.

سنقدم في هذا الحدث منصة ForSMedia الخاصة بنا، وسنتحدث أيضًا عن تجربتنا في استخدام تقنيات ومشاريع البيانات الضخمة في مجال تحليلات الأعمال. وبالطبع سنخبرك عن الإمكانات الجديدة لمركز حلول Fors الخاص بنا في مجال بناء الحلول السحابية.