TIBCO Spotfire: تجزیه و تحلیل داده های بزرگ. هوش تجاری موثر و تجزیه و تحلیل داده های کیفی چگونه داده های مشتری را به دست آوریم
کار قابل دسترس با داده های بزرگ با استفاده از تجزیه و تحلیل بصری
هوش تجاری خود را بهبود بخشید و مشکلات روتین را با استفاده از اطلاعات پنهان در Big Data با پلتفرم TIBCO Spotfire حل کنید. این تنها پلتفرمی است که به کاربران تجاری یک رابط کاربری بصری و کاربرپسند ارائه می دهد که به آنها امکان می دهد از طیف کاملی از فناوری های تجزیه و تحلیل داده های بزرگ بدون دخالت متخصصان فناوری اطلاعات یا آموزش ویژه استفاده کنند.
رابط Spotfire کار با مجموعه دادههای کوچک و خوشههای چند ترابایتی دادههای بزرگ را به همان اندازه راحت میکند: خوانش حسگرها، اطلاعات شبکههای اجتماعی، نقاط فروش یا منابع موقعیت جغرافیایی. کاربران در تمام سطوح مهارت می توانند به سادگی با استفاده از تجسم ها، که نمایش گرافیکی میلیاردها نقطه داده ترکیبی هستند، به داشبوردهای روشنگر و گردش کار تحلیلی دسترسی پیدا کنند.
تجزیه و تحلیل پیشگویانه یادگیری از طریق انجام بر اساس است تجربه مشترکشرکت ها تصمیمات آگاهانه تری بگیرند. با استفاده از Spotfire Predictive Analytics، می توانید روندهای جدید بازار را از اطلاعات هوش تجاری کشف کنید و برای به حداقل رساندن ریسک اقدام کنید و به شما امکان می دهد کیفیت تصمیمات مدیریتی خود را بهبود بخشید.
مرور
اتصال داده های بزرگ برای تجزیه و تحلیل با عملکرد بالا
Spotfire سه نوع اصلی تجزیه و تحلیل را با ادغام یکپارچه با Hadoop و سایر منابع داده بزرگ ارائه می دهد:
- تجزیه و تحلیل بر اساس تقاضا: رابط های داده داخلی و قابل تنظیم توسط کاربر که تجسم داده ها را بسیار سریع و تعاملی تسهیل می کند.
- تجزیه و تحلیل در پایگاه داده (In-Database Analytics): ادغام با یک پلت فرم محاسباتی توزیع شده که به شما امکان می دهد محاسبات داده با هر پیچیدگی را بر اساس داده های بزرگ انجام دهید.
- تجزیه و تحلیل در حافظه دسترسی تصادفی(In-Memory Analytics): ادغام با یک پلت فرم تجزیه و تحلیل آماری که داده ها را مستقیماً از هر منبع داده، از جمله منابع داده سنتی و جدید می گیرد.
این روشهای ادغام با هم ترکیبی قدرتمند از کاوش بصری و تجزیه و تحلیل پیشرفته را نشان میدهند.
این به کاربران تجاری اجازه می دهد تا از طریق داشبوردها و گردش کار قدرتمند و آسان به داده ها از هر منبع داده دسترسی داشته باشند، آنها را ترکیب و تجزیه و تحلیل کنند.
اتصال دهنده های بزرگ داده
Spotfire Big Data Connectors از همه نوع دسترسی به داده پشتیبانی می کند: منبع داده، حافظه داخلی و درخواستی. کانکتورهای داده داخلی Spotfire عبارتند از:
- کانکتورهای تایید شده داده Hadoop برای Apache Hive، Apache Spark SQL، Cloudera Hive، Cloudera Impala، Databricks Cloud، Hortonworks، MapR Drill و Pivotal HAWQ
- دیگر کانکتورهای کلان داده تایید شده عبارتند از Teradata، Teradata Aster و Netezza
- اتصال دهنده برای داده های تاریخی و فعلی از منابعی مانند سنسورهای لمسی OSI PI
محاسبات توزیع شده درون منبع داده
علاوه بر عملکرد راحت Spotfire برای انتخاب بصری عملیات برای درخواستهای SQL که به دادههای توزیع شده در منابع داده دسترسی دارند، Spotfire میتواند الگوریتمهای آماری و یادگیری ماشینی ایجاد کند که در منابع داده عمل میکنند و تنها نتایج لازم برای ایجاد تصویرسازیها در سیستم Spotfire را برمیگردانند.
- کاربران با داشبوردهایی با قابلیت انتخاب بصری کار می کنند که با استفاده از قابلیت های داخلی زبان TERR به اسکریپت ها دسترسی پیدا می کنند.
- اسکریپت های TERR کار عملکردهای محاسباتی توزیع شده را در تعامل با Map/Reduce، H2O، SparkR یا Fuzzy Logix آغاز می کنند.
- این برنامه ها به نوبه خود به سیستم های با کارایی بالا مانند Hadoop یا سایر منابع داده دسترسی دارند.
- TERR را می توان به عنوان یک موتور تجزیه و تحلیل پیشرفته در گره های Hadoop که با استفاده از MapReduce یا Spark مدیریت می شوند، مستقر کرد. زبان TERR همچنین می تواند برای گره های داده Teradata استفاده شود.
- نتایج در Spotfire نمایش داده می شوند.
TERR برای تجزیه و تحلیل پیشرفته
TIBCO Enterprise Runtime for R (TERR) – TERR یک بسته آماری درجه سازمانی است که توسط TIBCO برای سازگاری کامل با زبان R توسعه داده شده است و از دههها تخصص تحلیلی شرکت مرتبط با S+ استفاده میکند. این امر به مشتریان اجازه میدهد تا نه تنها با استفاده از کد R باز، به توسعه برنامهها و مدلها ادامه دهند، بلکه کد R خود را بدون نیاز به بازنویسی کد خود در یک پلتفرم تجاری قوی ادغام و مستقر کنند. TERR دارای راندمان بالاتر و مدیریت حافظه قابل اعتماد است، بیشتر فراهم می کند سرعت بالاپردازش حجم زیادی از داده ها در مقایسه با زبان منبع باز R.
ترکیب تمام عملکردها
ترکیبی از عملکرد قدرتمند فوق الذکر به این معنی است که حتی برای پیچیده ترین کارهایی که به تجزیه و تحلیل با اطمینان بالا نیاز دارند، کاربران با گردش کار تعاملی ساده و با استفاده آسان تعامل دارند. این به کاربران تجاری اجازه می دهد تا داده ها را تجسم و تجزیه و تحلیل کنند و نتایج تجزیه و تحلیل را به اشتراک بگذارند، بدون نیاز به دانستن جزئیات معماری داده های زیربنای تجزیه و تحلیل کسب و کار.
مثال: رابط Spotfire برای پیکربندی، اجرا و تجسم نتایج مدلی که محموله گمشده را مشخص می کند. با استفاده از این رابط، کاربران تجاری می توانند محاسبات را با استفاده از TERR و H2O (چارچوب محاسباتی توزیع شده) با دسترسی به داده های تراکنش و ارسال ذخیره شده در خوشه های Hadoop انجام دهند.
فضای تجزیه و تحلیل داده های بزرگ
تجزیه و تحلیل پیشرفته و پیش بینی
کاربران از داشبوردهای Spotfire با قابلیت انتخاب بصری برای راهاندازی مجموعهای غنی از قابلیتهای پیشرفته استفاده میکنند که پیشبینی، ایجاد مدلها و بهینهسازی آنها را در لحظه آسان میکند. با استفاده از کلان داده، تجزیه و تحلیل را می توان در داخل منبع داده (In-Datasource) انجام داد و تنها اطلاعات جمع آوری شده و نتایج مورد نیاز برای ایجاد تجسم در پلت فرم Spotfire را برمی گرداند.
فراگیری ماشین
طیف گستردهای از ابزارهای یادگیری ماشین در لیست ویژگیهای داخلی Spotfire موجود است که میتوان با یک کلیک از آنها استفاده کرد. آماردانان به کد برنامه نوشته شده به زبان R دسترسی دارند و می توانند عملکرد مورد استفاده را گسترش دهند. عملکرد یادگیری ماشین را می توان برای استفاده مجدد آسان با سایر کاربران به اشتراک گذاشت.
در دسترس روش های زیریادگیری ماشین برای متغیرهای طبقه بندی پیوسته در Spotfire و TERR:
- رگرسیون خطی و لجستیک
- درختان تصمیم (درخت تصمیم)، الگوریتم جنگل تصادفی (جنگل تصادفی)، ماشینهای تقویت گرادیان (GBM)
- مدل های خطی تعمیم یافته (افزودنی)مدل های افزایشی تعمیم یافته)
- شبکه های عصبی
تحلیل محتوا
Spotfire تجزیه و تحلیل و تجسم دادهها را ارائه میکند، که بسیاری از آنها قبلاً استفاده نشده است - این متن بدون ساختار است که در منابعی مانند اسناد، گزارشها، یادداشتها ذخیره میشود. سیستم های CRM، گزارش های وب سایت، انتشارات در شبکه های اجتماعی و بسیاری موارد دیگر.
تجزیه و تحلیل موقعیت مکانی
نقشه های چند لایه کیفیت بالایک راه عالی برای تجسم داده های بزرگ هستند. عملکرد نقشه غنی Spotfire به شما امکان می دهد نقشه هایی را با تعداد لایه های مرجع و کاربردی که نیاز دارید ایجاد کنید. Spotfire همچنین به شما امکان استفاده از تجزیه و تحلیل پیچیده را در حین کار با نقشه ها می دهد. بعلاوه نقشه های جغرافیاییاین سیستم نقشه هایی را برای تجسم رفتار کاربر، انبارها، تولید، مواد اولیه و بسیاری از شاخص های دیگر ایجاد می کند.
اخیراً آنقدر صحبت و در مورد تجزیه و تحلیل اطلاعات زیاد شده است که می توان در مورد مشکل کاملاً گیج شد. خوب است که خیلی ها به این موضوع توجه می کنند موضوع فعلی. تنها چیز بد این است که با این اصطلاح همه میفهمند به چه چیزی نیاز دارند، اغلب بدون داشتن تصویری کلی از مشکل. تکه تکه شدن در این رویکرد باعث عدم درک آنچه اتفاق می افتد و آنچه باید انجام شود می شود. همه چیز از قطعاتی تشکیل شده است که به طور سست به یکدیگر متصل شده اند و هسته مشترکی ندارند. احتمالاً عبارت "اتوماسیون تکه تکه ای" را زیاد شنیده اید. بسیاری از مردم قبلاً بارها با این مشکل مواجه شده اند و می توانند تأیید کنند که مشکل اصلی این رویکرد این است که تقریباً هرگز نمی توان تصویر بزرگ را دید. در تحلیل نیز وضعیت مشابه است.
برای درک مکان و هدف هر مکانیزم تحلیل، بیایید همه آن را به طور کامل بررسی کنیم. ما از نحوه تصمیم گیری یک فرد شروع خواهیم کرد، زیرا نمی توانیم توضیح دهیم که چگونه یک فکر متولد می شود، ما بر روی چگونگی استفاده از فناوری اطلاعات در این فرآیند تمرکز خواهیم کرد. گزینه اول این است که تصمیم گیرنده (DM) از رایانه فقط به عنوان وسیله ای برای بازیابی داده ها استفاده می کند و به طور مستقل نتیجه می گیرد. برای حل این نوع مشکلات از سیستم های گزارش دهی، تجزیه و تحلیل داده های چند بعدی، نمودارها و سایر روش های تجسم استفاده می شود. گزینه دوم: برنامه نه تنها داده ها را استخراج می کند، بلکه انواع مختلفی از پیش پردازش ها را نیز انجام می دهد، به عنوان مثال، تمیز کردن، صاف کردن و غیره. و روش های ریاضی تجزیه و تحلیل را برای داده های پردازش شده به این روش - خوشه بندی، طبقه بندی، رگرسیون و غیره اعمال می کند. در این حالت، تصمیم گیرنده نه داده های خام، بلکه بسیار پردازش شده را دریافت می کند. یک فرد در حال حاضر با مدل های تهیه شده توسط کامپیوتر کار می کند.
با توجه به اینکه در حالت اول، تقریباً همه چیز مربوط به خود مکانیسم های تصمیم گیری به شخص سپرده می شود، مشکل انتخاب مدل مناسب و انتخاب روش های پردازش فراتر از محدوده مکانیسم های تجزیه و تحلیل است. مبنای تصمیمگیری یا یک دستورالعمل (مثلاً نحوه اجرای مکانیسمهای واکنش به انحرافات) یا شهود است. در برخی موارد، این کاملاً کافی است، اما اگر تصمیم گیرنده علاقه مند به دانشی باشد که به اصطلاح عمیقاً قرار دارد، مکانیسم های استخراج داده به سادگی در اینجا کمکی نمی کند. پردازش جدی تری مورد نیاز است. این مورد بسیار دوم است. همه مکانیزمهای پیش پردازش و تحلیل اعمال شده به تصمیم گیرنده اجازه میدهند تا در سطح بالاتری کار کند سطح بالا. گزینه اول برای حل مشکلات تاکتیکی و عملیاتی مناسب است و گزینه دوم برای تکرار دانش و حل مشکلات استراتژیک است.
حالت ایده آل این است که بتوانیم از هر دو رویکرد برای تحلیل استفاده کنیم. آنها به شما امکان می دهند تقریباً تمام نیازهای سازمان را برای تجزیه و تحلیل اطلاعات تجاری پوشش دهید. با تغییر تکنیکها بسته به وظایف، ما میتوانیم حداکثر اطلاعات موجود را در هر صورت فشرده کنیم.
طرح کلی کار در زیر آورده شده است.
اغلب، هنگام توصیف محصولی که اطلاعات کسب و کار را تجزیه و تحلیل می کند، از عباراتی مانند مدیریت ریسک، پیش بینی، تقسیم بندی بازار استفاده می شود... اما در واقعیت، حل هر یک از این مشکلات به استفاده از یکی از روش های تحلیلی که در زیر توضیح داده شده است، ختم می شود. به عنوان مثال، پیشبینی یک مشکل رگرسیونی است، تقسیمبندی بازار به صورت خوشهبندی، مدیریت ریسک ترکیبی از خوشهبندی و طبقهبندی است و روشهای دیگری امکانپذیر است. بنابراین، این مجموعه از فناوری ها به ما اجازه می دهد تا اکثر مشکلات تجاری را حل کنیم. در واقع، آنها عناصر اتمی (پایه) هستند که راه حل یک مشکل خاص از آنها جمع آوری می شود.
حال هر قطعه از مدار را به طور جداگانه شرح می دهیم.
منبع اولیه داده ها باید پایگاه های داده سیستم های مدیریت سازمانی، اسناد اداری و اینترنت باشد، زیرا استفاده از تمام اطلاعاتی که ممکن است برای تصمیم گیری مفید باشد ضروری است. علاوه بر این ما در موردنه تنها در مورد اطلاعات داخلی سازمان، بلکه در مورد داده های خارجی (شاخص های کلان اقتصادی، محیط رقابتی، داده های جمعیت شناختی و غیره).
اگرچه انبار داده فنآوریهای تحلیلی را پیادهسازی نمیکند، اما مبنایی برای ایجاد یک سیستم تحلیلی است. در غیاب انبار داده، جمع آوری و سازماندهی اطلاعات لازم برای تجزیه و تحلیل بیشتر زمان را می گیرد که تا حد زیادی تمام مزایای تجزیه و تحلیل را نفی می کند. بالاخره یکی از شاخص های کلیدیهر سیستم تحلیلی قادر است به سرعت نتایج را به دست آورد.
عنصر بعدی نمودار لایه معنایی است. صرف نظر از نحوه تجزیه و تحلیل اطلاعات، لازم است که برای تصمیم گیرنده قابل درک باشد، زیرا در بیشتر موارد داده های تجزیه و تحلیل شده در پایگاه های داده مختلف قرار دارند و تصمیم گیرنده نباید به جزئیات کار با DBMS بپردازد. لازم است مکانیزمی ایجاد شود که اصطلاحات را تغییر دهد موضوعدر فراخوانی مکانیسم های دسترسی به پایگاه داده این کار توسط لایه معنایی انجام می شود. مطلوب است که برای همه برنامه های تحلیل یکسان باشد، بنابراین استفاده از رویکردهای مختلف برای مسئله آسان تر است.
سیستم های گزارش دهی برای پاسخ به این سوال طراحی شده اند که «چه خبر است». اولین گزینه برای استفاده از آن: گزارش های منظم برای نظارت بر وضعیت عملیاتی و تجزیه و تحلیل انحرافات استفاده می شود. به عنوان مثال، سیستم روزانه گزارشهایی از موجودی کالا در انبار تهیه میکند و زمانی که ارزش آن کمتر از میانگین فروش هفتگی است، باید با تهیه سفارش خرید به این امر پاسخ داد، یعنی در بیشتر موارد این معاملات تجاری استاندارد شده هستند. اغلب، برخی از عناصر این رویکرد به یک شکل در شرکت ها اجرا می شوند (حتی اگر فقط روی کاغذ)، اما نباید اجازه داد که این تنها رویکرد موجود برای تجزیه و تحلیل داده ها باشد. گزینه دوم برای استفاده از سیستم های گزارش دهی: پردازش درخواست های موقت. زمانی که تصمیم گیرنده می خواهد هر فکری (فرضیه ای) را آزمایش کند، باید خوراکی برای فکری به دست آورد که این ایده را تایید یا رد کند، زیرا این افکار خود به خود می آیند و هیچ ایده دقیقی از نوع اطلاعات مورد نیاز وجود ندارد. ، ابزاری مورد نیاز است که به شما امکان می دهد به سرعت و به شکلی مناسب این اطلاعات را به دست آورید. داده های استخراج شده معمولاً در جداول یا نمودارها و نمودارها ارائه می شوند، اگرچه ارائه های دیگری نیز امکان پذیر است.
اگرچه می توان از رویکردهای مختلفی برای ساخت سیستم های گزارش دهی استفاده کرد، اما امروزه رایج ترین آنها مکانیسم OLAP است. ایده اصلی ارائه اطلاعات به شکل مکعب های چند بعدی است که در آن محورها ابعاد (مثلا زمان، محصولات، مشتریان) را نشان می دهند و سلول ها حاوی شاخص هایی هستند (مثلاً میزان فروش، قیمت میانگینتدارکات). کاربر اندازه گیری ها را دستکاری می کند و اطلاعات را در زمینه مورد نظر دریافت می کند.
از آنجا که درک OLAP آسان است، به طور گسترده ای به عنوان موتور تجزیه و تحلیل داده ها مورد استفاده قرار گرفته است، باید درک کرد که قابلیت های آن برای تجزیه و تحلیل عمیق تر، مانند پیش بینی، بسیار محدود است. مشکل اصلی در حل مسائل پیش بینی، توانایی استخراج داده های مورد نظر در قالب جداول و نمودار نیست، بلکه ساخت یک مدل مناسب است. سپس همه چیز بسیار ساده است. اطلاعات جدید به ورودی مدل موجود عرضه میشود، از آن عبور میکند و نتیجه پیشبینی است. اما ساخت یک مدل یک کار کاملاً بی اهمیت است. البته می توانید چندین و آماده اضافه کنید مدل های سادهبه عنوان مثال، رگرسیون خطی یا چیزی مشابه، اغلب این دقیقاً همان کاری است که آنها انجام می دهند، اما این مشکل را حل نمی کند. مشکلات دنیای واقعی تقریباً همیشه فراتر از چنین مدل های ساده ای هستند. در نتیجه، چنین مدلی فقط وابستگیهای آشکار را تشخیص میدهد، ارزش تشخیص ناچیز است، که از قبل به خوبی شناخته شده است، یا پیشبینیهای بیش از حد خشن انجام میدهد، که کاملاً جالب نیست. به عنوان مثال، اگر هنگام تجزیه و تحلیل قیمت سهام در بازار سهام، از این فرض ساده استفاده کنید که فردا قیمت سهام مانند امروز خواهد بود، در 90 درصد موارد حق با شماست. و چنین دانشی چقدر ارزشمند است؟ فقط 10 درصد باقی مانده مورد توجه کارگزاران است. مدل های اولیه در بیشتر موارد نتایج تقریباً یکسانی را ارائه می دهند.
رویکرد صحیح در ساخت مدل ها، بهبود گام به گام آنهاست. با شروع با اولین مدل نسبتاً خشن، لازم است با جمع آوری داده های جدید و استفاده از مدل در عمل، آن را بهبود بخشید. وظیفه واقعی پیشبینی و موارد مشابه فراتر از مکانیسمهای سیستمهای گزارشدهی است، بنابراین نباید در این جهت منتظر بمانید. نتایج مثبتهنگام استفاده از OLAP برای حل مشکلات تجزیه و تحلیل عمیق تر، از مجموعه ای کاملاً متفاوت از فناوری ها استفاده می شود که تحت نام کشف دانش در پایگاه های داده متحد شده اند.
کشف دانش در پایگاه های داده (KDD) فرآیند تبدیل داده ها به دانش است. KDD شامل مسائل مربوط به آماده سازی داده ها، انتخاب ویژگی های اطلاعاتی، پاکسازی داده ها، استفاده از روش های داده کاوی (DM)، پس پردازش داده ها، تفسیر نتایج است. داده کاوی فرآیند کشف در داده های "خام" است که قبلاً ناشناخته، غیر ضروری، عملا مفید و قابل تفسیر دانش لازم برای تصمیم گیری در زمینه های مختلف فعالیت های انسانی است.
جذابیت این رویکرد این است که، صرف نظر از حوزه موضوعی، عملیات های مشابهی را اعمال می کنیم:
- استخراج داده ها در مورد ما، این نیاز به یک لایه معنایی دارد.
- اطلاعات روشن. استفاده از داده های "کثیف" برای تجزیه و تحلیل می تواند مکانیسم های تجزیه و تحلیل مورد استفاده در آینده را به طور کامل نفی کند.
- تبدیل داده ها روش های مختلف تجزیه و تحلیل نیاز به داده هایی دارند که در فرم خاصی تهیه شده اند. به عنوان مثال، در جایی فقط اطلاعات دیجیتال ممکن است به عنوان ورودی استفاده شود.
- تجزیه و تحلیل واقعی - داده کاوی را انجام دهید.
- نتایج به دست آمده را تفسیر کنید.
این روند به طور مکرر تکرار می شود.
داده کاوی به نوبه خود راه حلی برای تنها 6 مشکل ارائه می دهد - طبقه بندی، خوشه بندی، رگرسیون، ارتباط، توالی و تجزیه و تحلیل انحراف.
این تنها کاری است که باید انجام شود تا فرآیند استخراج دانش به صورت خودکار انجام شود. این متخصص که به عنوان تصمیم گیرنده نیز شناخته می شود، در حال انجام اقدامات بیشتر است.
تفسیر نتایج پردازش کامپیوتری بر عهده انسان است. فقط روش های مختلفغذای گوناگونی برای تفکر فراهم کند. در بسیار مورد ساده- اینها جداول و نمودارها و در موارد پیچیده تر - مدل ها و قوانین هستند. غیرممکن است که مشارکت انسانی را کاملاً کنار بگذاریم، زیرا این یا آن نتیجه تا زمانی که در یک حوزه موضوعی خاص اعمال نشود معنایی ندارد. با این حال، امکان تکرار دانش وجود دارد. به عنوان مثال، یک تصمیم گیرنده با استفاده از روشی مشخص می کند که کدام شاخص ها بر اعتبار خریدار تأثیر می گذارد و این را در قالب یک قانون ارائه می کند. این قانون را می توان به سیستم صدور وام وارد کرد و بنابراین با در جریان گذاشتن ارزیابی های آنها، ریسک های اعتباری را به میزان قابل توجهی کاهش داد. در عین حال، شخصی که در استخراج واقعی اسناد دخالت دارد لازم نیست درک عمیقی از دلایل این یا آن نتیجه گیری داشته باشد. در واقع این انتقال روش هایی است که زمانی در صنعت استفاده می شد به حوزه مدیریت دانش. ایده اصلی انتقال از روش های یکبار مصرف و غیر یکپارچه به روش های نقاله است.
همه آنچه در بالا ذکر شد فقط نام وظایف است. و برای حل هر یک از آنها می توانید از تکنیک های مختلف از کلاسیک استفاده کنید روش های آماریو با الگوریتم های خودآموز ختم می شود. مشکلات واقعی کسب و کار تقریبا همیشه با یکی از روش های فوق یا ترکیبی از آنها حل می شود. تقریباً همه وظایف - پیش بینی، تقسیم بازار، ارزیابی ریسک، ارزیابی عملکرد کمپین های تبلیغاتی، مقطع تحصیلی مزایای رقابتیو بسیاری دیگر - به مواردی که در بالا توضیح داده شد خلاصه می شود. بنابراین، با در اختیار داشتن ابزاری که لیست وظایف داده شده را حل می کند، می توان گفت که آماده حل هر مشکل تحلیل کسب و کار هستید.
اگر توجه کرده اید، ما هرگز اشاره نکردیم که از چه ابزاری برای تجزیه و تحلیل، چه فناوری ها و غیره استفاده می شود. خود کارها و روش های حل آنها به ابزارها بستگی ندارد. این فقط توصیفی از یک رویکرد صالح به مشکل است. شما می توانید از هر چیزی استفاده کنید، تنها نکته مهم این است که کل لیست وظایف پوشش داده شده است. در این مورد، می توان گفت که یک راه حل واقعاً کاملاً کاربردی وجود دارد. اغلب، مکانیسمهایی که تنها بخش کوچکی از وظایف را پوشش میدهند، به عنوان «راهحلی با ویژگیهای کامل برای مشکلات تحلیل کسبوکار» پیشنهاد میشوند. اغلب، فقط OLAP به عنوان یک سیستم تجزیه و تحلیل اطلاعات تجاری درک می شود که برای تجزیه و تحلیل کامل کاملاً ناکافی است. زیر لایه ضخیمی از شعارهای تبلیغاتی فقط یک سیستم گزارش دهی وجود دارد. توصیفات مؤثر این یا آن ابزار تحلیل ماهیت را پنهان می کند، اما کافی است از طرح پیشنهادی شروع کنید و وضعیت واقعی امور را درک خواهید کرد.
(هوش تجاری).
متخصصان جوانی که به عنوان تحلیلگر در شرکت های پیشرفته مانند مایکروسافت، آی بی ام، گوگل، یاندکس، ام تی اس و غیره در حال ساختن یک حرفه موفق هستند، در هر سمینار، به دانش آموزان در مورد برخی از مشکلات تجاری گفته می شود که در این شرکت ها حل می شود، در مورد چگونگی جمع آوری داده ها، چگونگی بروز مشکلات تجزیه و تحلیل داده ها و روش هایی که می توان برای حل آنها استفاده کرد.
همه متخصصان دعوت شده برای تماس آزاد هستند و دانشجویان می توانند برای مشاوره با آنها تماس بگیرند.
اهداف سمینار:
- کمک به پر کردن شکاف موجود بین تحقیقات دانشگاهی و حل مشکلات عملی در زمینه تجزیه و تحلیل داده ها.
- ترویج تبادل تجربه بین متخصصان فعلی و آینده.
این سمینار به طور منظم در دانشکده ریاضیات محاسباتی و ریاضیات دانشگاه دولتی مسکو در روزهای جمعه در 18:20
، حضار P5(طبقه اول). حضور در سمینار رایگان است(اگر مجوز ورود به دانشگاه دولتی مسکو ندارید، لطفاً نام کامل خود را از قبل به سازمان دهندگان سمینار اطلاع دهید تا لیست شرکت کنندگان برای شیفت ارسال شود). |
برنامه سمینار
تاریخ | سخنران و موضوع سمینار |
---|---|
10 سپتامبر 2010 18:20 | الکساندر افیموف
، رئیس بخش تحلیل شبکه خرده فروشی MTS. پیش بینی تاثیر کمپین های بازاریابی و بهینه سازی مجموعه فروشگاهی.
|
17 سپتامبر 2010 18:20 | وادیم استریژوف
محقق مرکز محاسبات آکادمی علوم روسیه. امتیازدهی اعتبار بانکی: روشهای تولید خودکار و انتخاب مدلها. فناوری های کلاسیک و جدید برای ساخت کارت امتیاز در نظر گرفته شده است. این سمینار در مورد نحوه سازماندهی داده های مشتریان و نحوه تولید معقول ترین مدل امتیازدهی، که الزامات استانداردهای بانکی بین المللی را نیز برآورده می کند، صحبت می کند. |
24 سپتامبر 2010 18:20 | ولادیمیر کرکوتن
، رئیس بازاریابی و فروش در کارگزاری Otkritie. کاربرد روش های ریاضیبرای پیش بینی و مقابله با ریزش مشتری. مشکلات عملی ناشی از تجزیه و تحلیل در نظر گرفته شده است پایگاه مشتریدر بازاریابی وظایف خوشهبندی و تقسیمبندی مشتریان، امتیازدهی به مشتریان جدید، و ردیابی پویایی بخشهای هدف تعیین شده است.
|
1 اکتبر 2010 18:20 | نیکولای فیلیپنکوف
، و در مورد. رئیس بخش امتیازدهی اعتباری بانک مسکو. استفاده از روش های ریاضی برای مدیریت ریسک اعتبار خرده فروشی. برخی از جنبه های عملی ساخت مدل های امتیازدهی و ارزیابی ریسک در نظر گرفته شده است.
|
8 اکتبر 2010 18:20 | فدور روماننکو
، مدیر کیفیت جستجو، Yandex. تاریخچه و اصول رتبه بندی جستجوی وب. مسائل استفاده و توسعه روش های بازیابی اطلاعات، از رتبه بندی متن و لینک گرفته تا یادگیری ماشینی تا رتبه بندی در مسئله جستجوی اینترنتی مورد توجه قرار می گیرد. اصول اساسی زیربنای رتبه بندی وب مدرن در رابطه با داستان های موفقیت موتورهای جستجو بیان شده است. توجه ویژه ای به تأثیر کیفیت جستجو بر روی آن می شود شاخص های بازارو نیاز حیاتی به تلاش مستمر برای بهبود آن. |
15 اکتبر 2010 18:20 | ویتالی گلدشتاین
، توسعه دهنده، Yandex. خدمات اطلاعات جغرافیایی Yandex. این در مورد پروژه Yandex.Traffic و سایر پروژه های اطلاعات جغرافیایی Yandex می گوید، در مورد اینکه منبع داده های ساخت و ساز از کجا آمده است. جغرافیایی سیستم های اطلاعاتی، در مورد فناوری جدید پردازش داده های مقیاس پذیر، در مورد رقابت ریاضیات اینترنتی و برخی مشکلات امیدوارکننده. داده ها ارائه شده و فرمول رسمی مشکل بازسازی نقشه راه ارائه شده است.
|
22 اکتبر 2010 | سمینار لغو شد |
29 اکتبر 2010 18:20 | فدور کراسنوف
، معاون فرآیندهای کسب و کار و فناوری اطلاعات، آکادو. چگونه داده های مشتری را بدست آوریم؟ |
در طول چندین دهه کار با مشتریان بزرگ، شرکت فورس تجربه گسترده ای در زمینه تجزیه و تحلیل کسب و کار انباشته کرده است و اکنون به طور فعال در حال توسعه فناوری های کلان داده است. در مصاحبه با CNews، اولگا گورچینسایا، کارگردان پروژه های تحقیقاتیو رئیس Big Data "Force".
15.10.2015
اولگا گورچینسایا
در سال های اخیر، نسلی از رهبران تغییر کرده است. افراد جدیدی برای مدیریت شرکتهایی آمدند که در عصر اطلاعرسانی کار خود را آغاز کردند و به استفاده از رایانه، اینترنت و ... عادت داشتند. دستگاه های تلفن همراهچگونه در زندگی روزمرهو برای حل مشکلات کاری
CNews: ابزارهای BI چقدر تقاضا دارند؟ شرکت های روسی? آیا تغییراتی در رویکرد تحلیل کسب و کار وجود دارد: از "تحلیل به سبک اکسل" تا استفاده از ابزارهای تحلیلی توسط مدیران ارشد؟
اولگا گورچینسایا:
امروزه نیاز به ابزارهای تحلیل کسب و کار در حال حاضر بسیار زیاد است. آنها توسط سازمان های بزرگ تقریباً در تمام بخش های اقتصاد استفاده می شوند. کسب و کارهای متوسط و کوچک نیز به مزایای حرکت از اکسل به راه حل های تحلیلی تخصصی پی برده اند.
اگر این وضعیت را با وضعیت پنج سال پیش شرکت ها مقایسه کنیم، شاهد پیشرفت چشمگیری خواهیم بود. در سال های اخیر، نسلی از رهبران تغییر کرده است. افراد جدیدی برای مدیریت شرکتهایی آمدهاند که شغل خود را قبلاً در عصر اطلاعات ایجاد کردهاند و عادت دارند از رایانه، اینترنت و دستگاههای تلفن همراه هم در زندگی روزمره و هم برای حل مشکلات کاری استفاده کنند.
سی نیوز: اما دیگر پروژه ای وجود ندارد؟
اولگا گورچینسایا:
اخیراً شاهد کاهش جزئی در تعداد پروژههای جدید BI هستیم. اولاً، وضعیت پیچیده اقتصادی و سیاسی کلی نقش دارد. شروع برخی از پروژه های مربوط به معرفی سیستم های غربی را متوقف می کند. علاقه به راه حل های مبتنی بر توزیع آزادانه نرم افزارهمچنین شروع پروژه های BI را به تاخیر می اندازد، زیرا نیاز به مطالعه اولیه این بخش نرم افزاری دارد. بسیاری از راه حل های تجزیه و تحلیل منبع باز به اندازه کافی بالغ نیستند که به طور گسترده مورد استفاده قرار گیرند.
ثانیاً، اشباع خاصی از بازار قبلاً رخ داده است. امروزه سازمان های زیادی وجود ندارند که از تجزیه و تحلیل کسب و کار استفاده نکنند. و ظاهرا زمان رشد فعال در پیاده سازی سیستم های تحلیلی شرکت های بزرگ در حال سپری شدن است.
و در نهایت، توجه به این نکته مهم است که مشتریان اکنون تاکید خود را در استفاده از ابزارهای BI تغییر داده اند، که مانع از رشد تعداد پروژه هایی است که ما به آنها عادت کرده ایم. واقعیت این است که تامین کنندگان پیشرو - Oracle، IBM، SAP - راه حل های BI خود را بر اساس ایده یک مدل داده منطقی منسجم و منسجم می سازند، به این معنی که قبل از تجزیه و تحلیل هر چیزی، لازم است که به وضوح همه مفاهیم و مفاهیم را تعریف و به توافق برسند. شاخص ها.
همراه با مزایای آشکار، این امر منجر به وابستگی زیاد کاربران تجاری به متخصصان فناوری اطلاعات میشود: اگر لازم باشد برخی دادههای جدید را در حیطه بررسی قرار دهیم، کسبوکار باید دائماً برای دانلود دادهها به فناوری اطلاعات روی آورد و آن را با دادههای موجود هماهنگ کند. ساختارها، شامل آن در مدل کلی و غیره. اکنون میبینیم که کسبوکارها آزادی بیشتری میخواهند، و برای اینکه بتوانند بهطور مستقل ساختارهای جدید اضافه کنند، آنها را به صلاحدید خود تفسیر و تجزیه و تحلیل کنند، کاربران مایلند بخشی از ثبات شرکت را قربانی کنند.
بنابراین، ابزارهای سبک وزن در حال حاضر به میدان می آیند و به کاربران نهایی اجازه می دهند مستقیماً با داده ها کار کنند و نگران ثبات در سطح شرکت نباشند. در نتیجه، شاهد موفقیت در Tableaux و Qlick هستیم که کار به سبک Data Discovery را امکانپذیر میسازند، و برخی از بازار را توسط ارائهدهندگان راهحل بزرگ از دست میدهند.
CNews: این توضیح می دهد که چرا تعدادی از سازمان ها چندین سیستم BI را پیاده سازی می کنند - این امر به ویژه در بخش مالی قابل توجه است. اما آیا می توان چنین اطلاع رسانی را عادی دانست؟
اولگا گورچینسایا
امروزه، ابزارهایی که قبلاً برای سطح سازمانی بسیار سبک وزن میدانستیم، نقش اصلی را ایفا میکنند. اینها راه حل های کلاس Data Discovery هستند.
اولگا گورچینسایا:
در واقع، در عمل، سازمانهای بزرگ اغلب از یک سیستم تحلیلی مستقل استفاده نمیکنند، بلکه از چندین سیستم تحلیلی مستقل استفاده میکنند که هر کدام ابزارهای BI خاص خود را دارند. ایده یک مدل تحلیلی در سطح شرکت کمی آرمانشهر بود و حتی ترویج فناوریهای تحلیلی را محدود میکند، زیرا در عمل هر بخش یا حتی یک کاربر مستقل خواهان استقلال و استقلال است. آزادی هیچ چیز وحشتناکی در مورد آن وجود ندارد. به هر حال، در یک بانک، متخصصان ریسک و بازاریابان به ابزارهای BI کاملاً متفاوتی نیاز دارند. بنابراین، زمانی که یک شرکت نه یک راه حل منفرد حجیم را برای همه وظایف، بلکه چندین سیستم کوچک را که برای بخش های جداگانه مناسب تر هستند، انتخاب می کند، کاملاً طبیعی است.
امروزه ابزارهایی که قبلاً برای سطح سازمانی بسیار سبک وزن میدانستیم، نقش اصلی را ایفا میکنند. اینها راه حل های کلاس Data Discovery هستند. آنها بر اساس ایده سادگی کار با داده ها، سرعت، انعطاف پذیری و ارائه آسان نتایج تجزیه و تحلیل هستند. دلیل دیگری برای محبوبیت فزاینده چنین ابزارهایی وجود دارد: شرکت ها به طور فزاینده ای احساس می کنند که نیاز به کار با اطلاعات یک ساختار در حال تغییر، به طور کلی بدون ساختار، با معنای "مبهم" و همیشه ارزش واضح ندارند. در این مورد، ابزارهای انعطاف پذیرتری نسبت به ابزارهای تحلیل کسب و کار کلاسیک مورد تقاضا هستند.
"Fors" بزرگترین پلت فرم در اروپا و منحصر به فرد در روسیه - مرکز راه حل Fors را ایجاد کرده است. وظیفه اصلی آن نزدیک کردن است جدیدترین فناوری هااوراکل به مشتری نهایی، برای کمک به شرکا در توسعه و کاربرد آنها، تا فرآیندهای تست تجهیزات و نرم افزار را تا حد امکان در دسترس قرار دهد. این یک نوع مرکز داده برای آزمایش سیستم ها و راه حل های ابری توسط شرکا است.
سینیوز: فناوریهای کلان داده چگونه به توسعه تحلیلهای تجاری کمک میکنند؟
اولگا گورچینسایا:
این حوزه ها - داده های بزرگ و تجزیه و تحلیل کسب و کار - در حال نزدیک شدن به یکدیگر هستند و به نظر من، مرز بین آنها از قبل محو شده است. به عنوان مثال، تجزیه و تحلیل پیشرفته "داده های بزرگ" در نظر گرفته می شود، حتی اگر قبل از ظهور Big Data وجود داشته باشد. امروزه علاقه به یادگیری ماشینی و آمار در حال افزایش است و با کمک این فناوریهای کلان داده میتوان عملکرد یک سیستم تجاری سنتی متمرکز بر محاسبات و تجسم را گسترش داد.
علاوه بر این، مفهوم انبارهای داده با استفاده از فناوری Hadoop گسترش یافته است که منجر به استانداردهای جدیدی برای ایجاد ذخیره سازی سازمانی در قالب "دریاچه های داده" شده است.
CNews: امیدوارکننده ترین وظایفی که راه حل های کلان داده برای آنها استفاده می شود چیست؟
اولگا گورچینسایا:
ما در چندین مورد از فناوری های داده های بزرگ در پروژه های BI استفاده می کنیم. اولین مورد زمانی است که لازم است عملکرد یک انبار داده موجود بهبود یابد، که در شرایطی که شرکت ها حجم اطلاعات مورد استفاده به سرعت در حال رشد هستند بسیار مهم است. ذخیره داده های خام در پایگاه داده های رابطه ای سنتی بسیار گران است و به طور فزاینده ای به قدرت پردازش نیاز دارد. در چنین مواردی، استفاده از جعبه ابزار Hadoop که به دلیل معماری بسیار کارآمد، انعطاف پذیر، سازگار با نیازهای خاص و سودآور از نقطه نظر اقتصادی بسیار موثر است، منطقی تر است، زیرا مبتنی بر یک راه حل منبع باز است.
به ویژه با استفاده از Hadoop، مشکل ذخیره و پردازش داده های بدون ساختار را در یک بزرگ حل کردیم. بانک روسیه. که در در این موردما در مورد حجم زیادی از داده های به طور منظم با ساختاری در حال تغییر صحبت می کردیم. این اطلاعات باید پردازش، تجزیه، شاخص های عددی از آن استخراج شود و داده های اصلی نیز باید ذخیره شوند. با توجه به رشد قابل توجه حجم اطلاعات دریافتی، استفاده از ذخیره سازی رابطه ای برای این امر بسیار گران و بی اثر شد. ما یک خوشه Hadoop جداگانه برای پردازش ایجاد کردیم اسناد اولیهکه نتایج آن برای تجزیه و تحلیل و استفاده بیشتر در یک ذخیره سازی رابطه ای بارگذاری می شود.
جهت دوم، معرفی ابزارهای تحلیلی پیشرفته برای گسترش عملکرد سیستم BI است. این یک حوزه بسیار امیدوارکننده است، زیرا نه تنها با حل مشکلات فناوری اطلاعات، بلکه با ایجاد فرصت های تجاری جدید نیز مرتبط است.
به جای سازماندهی پروژه های خاص برای اجرای تحلیل های عمیق، سعی می کنیم دامنه پروژه های موجود را گسترش دهیم. به عنوان مثال، تقریباً برای هر سیستمی، یک عملکرد مفید پیش بینی شاخص ها بر اساس داده های تاریخی موجود است. این کار چندان ساده ای نیست و نه تنها به مهارت در کار با ابزار نیاز دارد، بلکه به آموزش ریاضی خاص، دانش آمار و اقتصاد سنجی نیز نیاز دارد.
شرکت ما دارای یک تیم اختصاصی از دانشمندان داده است که این الزامات را برآورده می کنند. آنها پروژه ای را در حوزه بهداشت و درمان در زمینه تولید گزارشات نظارتی به پایان رساندند و علاوه بر آن در چارچوب این پروژه، پیش بینی حجم کار نیز اجرا شد. سازمان های پزشکیو تقسیم بندی آنها توسط شاخص های آماری. ارزش چنین پیشبینیهایی برای مشتری واضح است، این فقط استفاده از برخی فناوریهای عجیب و غریب جدید نیست، بلکه یک گسترش کاملاً طبیعی از قابلیتهای تحلیلی است. در نتیجه، علاقه به توسعه سیستم تحریک می شود و کار جدیدی برای ما ایجاد می شود. اکنون ما به طور مشابه فناوری های تحلیل پیش بینی را در پروژه ای برای مدیریت شهر پیاده سازی می کنیم.
و در نهایت، ما تجربه ای در پیاده سازی فناوری های کلان داده داریم که در آن در مورد استفاده از داده های بدون ساختار، در درجه اول اسناد متنی مختلف صحبت می کنیم. اینترنت با حجم عظیمی از اطلاعات بدون ساختار که حاوی اطلاعات مفید برای تجارت است، فرصت های بزرگی را ارائه می دهد. خیلی تجربه جالبما با توسعه یک سیستم برای ارزیابی ارزش املاک برای شرکت ROSECO در صورت درخواست همراه بودیم. جامعه روسیهارزیابان برای انتخاب اشیاء آنالوگ، سیستم دادهها را از منابع موجود در اینترنت جمعآوری کرد، این اطلاعات را با استفاده از فناوریهای زبانی پردازش کرد و با استفاده از تجزیه و تحلیل جغرافیایی با استفاده از روشهای یادگیری ماشین، آن را غنیسازی کرد.
CNews: Force چه راه حل های اختصاصی در زمینه های تجزیه و تحلیل کسب و کار و داده های بزرگ ایجاد می کند؟
اولگا گورچینسایا:
ما یک راه حل ویژه در زمینه داده های بزرگ ایجاد کرده ایم و در حال توسعه هستیم - ForSMedia. این یک پلت فرم تجزیه و تحلیل داده های رسانه های اجتماعی برای غنی سازی دانش مشتری است. میتوان از آن در صنایع مختلف استفاده کرد: بخش مالی، مخابرات، خردهفروشی - هر جایی که میخواهند تا حد امکان درباره مشتریان خود بدانند.
اولگا گورچینسایا
ما یک راه حل ویژه در زمینه داده های بزرگ ایجاد کرده ایم و در حال توسعه هستیم - ForSMedia. این یک پلت فرم تجزیه و تحلیل داده های رسانه های اجتماعی برای غنی سازی دانش مشتری است.
یک مورد استفاده معمولی، توسعه کمپین های بازاریابی هدفمند است. اگر یک شرکت 20 میلیون مشتری دارد، همه چیز را توزیع کنید آگهی هابا توجه به پایگاه داده غیر واقعی است. شما باید دایره گیرندگان تبلیغات را محدود کنید، و تابع هدفاینجا - برای افزایش پاسخ مشتری به پیشنهاد بازاریابی. در این صورت، میتوانیم دادههای اساسی در مورد همه مشتریان (نام، نام خانوادگی، تاریخ تولد، محل سکونت) را در ForSMedia آپلود کنیم و سپس، بر اساس اطلاعات شبکههای اجتماعی، آنها را با اطلاعات مفید جدید، از جمله طیف علایق، تکمیل کنیم. موقعیت اجتماعی، ترکیب خانواده، منطقه فعالیت حرفه ای، ترجیحات موسیقی و غیره. البته چنین دانشی را نمی توان برای همه مشتریان پیدا کرد، زیرا بخش خاصی از آنها به هیچ وجه از شبکه های اجتماعی استفاده نمی کنند، اما برای بازاریابی هدفمند، حتی چنین نتیجه "ناقص" مزایای بسیار زیادی را به همراه دارد.
رسانه های اجتماعییک منبع بسیار غنی است، اگرچه کار کردن با آن دشوار است. شناسایی یک فرد در بین کاربران چندان آسان نیست - مردم اغلب از اشکال مختلف نام خود استفاده می کنند، سن، اولویت ها را نشان نمی دهند و یافتن ویژگی های یک کاربر بر اساس پست ها و گروه های اشتراک او آسان نیست.
پلتفرم ForSMedia تمام این مشکلات را بر اساس فناوریهای کلان داده حل میکند و به شما امکان میدهد تا دادههای مشتری را به طور گسترده غنی کنید و نتایج را تجزیه و تحلیل کنید. فنآوریهای مورد استفاده شامل Hadoop، محیط تحقیقات آماری R، ابزارهای پردازش زبانی RCO و ابزارهای کشف دادهها است.
پلتفرم ForSMedia حداکثر استفاده را از نرمافزار آزادانه توزیع میکند و میتواند بر روی هر پلتفرم سختافزاری که الزامات کار تجاری را برآورده میکند نصب شود. اما برای پیاده سازی های عمدهو برای افزایش نیازهای عملکرد، نسخه ویژه ای را ارائه می دهیم که برای عملکرد بر روی سخت افزار و سیستم های نرم افزاری Oracle بهینه شده است - Oracle Big Data Appliance و Oracle Exalytics.
استفاده در پروژه های بزرگمجتمع های یکپارچه نوآورانه Oracle یک حوزه مهم فعالیت ما نه تنها در زمینه سیستم های تحلیلی است. چنین پروژه هایی ارزان نخواهند بود، اما با توجه به مقیاس وظایف در حال حل، آنها کاملاً توجیه می شوند.
CNews: آیا مشتریان می توانند به نوعی این سیستم ها را قبل از تصمیم گیری برای خرید آزمایش کنند؟ آیا مثلاً میزهای آزمون تهیه می کنید؟
اولگا گورچینسایا:
در این راستا، ما فقط نیمکت های آزمایشی را ارائه نمی دهیم، بلکه بزرگترین پلت فرم در اروپا و منحصر به فرد در روسیه - مرکز راه حل Fors را ایجاد کرده ایم. وظیفه اصلی آن نزدیکتر کردن جدیدترین فناوریهای اوراکل به مشتری نهایی، کمک به شرکا در توسعه و کاربرد آنها و دسترسی به فرآیندهای تست تجهیزات و نرمافزار است. این ایده از هیچ جا به وجود نیامد. تقریباً 25 سال است که Force در حال توسعه و پیاده سازی راه حل های مبتنی بر فناوری ها و پلتفرم های اوراکل بوده است. ما تجربه گسترده ای در کار با مشتریان و شرکا داریم. در واقع، "Force" مرکز صلاحیت اوراکل در روسیه است.
با در نظر گرفتن این تجربه، در سال 2011، زمانی که اولین نسخه های موتور پایگاه داده Oracle Exadata ظاهر شد، ما اولین آزمایشگاه را برای تسلط بر این سیستم ها ایجاد کردیم که آن را ExaStudio نامیدیم. بر اساس آن، ده ها شرکت می توانند امکانات نرم افزاری و سخت افزاری جدید Exadata را کشف کنند. سرانجام، در سال 2014، ما آن را به نوعی مرکز داده برای آزمایش سیستم ها و راه حل های ابری تبدیل کردیم - این مرکز راه حل Fors است.
اکنون مرکز ما خط کاملی از جدیدترین نرمافزارها و سیستمهای سختافزار Oracle - از Exadata و Exalogic گرفته تا Big Data Appliance - را ارائه میکند که در واقع به عنوان میز آزمایش برای شرکا و مشتریان ما عمل میکنند. علاوه بر آزمایش، در اینجا می توانید خدمات حسابرسی سیستم های اطلاعاتی، مهاجرت به یک پلت فرم جدید، راه اندازی، پیکربندی و مقیاس بندی را دریافت کنید.
این مرکز به طور فعال در راستای استفاده از فناوری های ابری در حال توسعه است. چندی پیش، معماری مرکز به گونه ای اصلاح شد که منابع محاسباتی و خدمات خود را در فضای ابری ارائه کند. اکنون مشتریان میتوانند از قابلیتهای بهرهوری سلفسرویس استفاده کنند: دادههای آزمایشی، برنامهها را آپلود کنند و آزمایش را در محیط ابری انجام دهند.
در نتیجه، یک شرکت یا مشتری شریک میتواند بدون سرمایهگذاری قبلی در تجهیزات و پروژههای آزمایشی در قلمرو خود، برنامههای کاربردی خود را در فضای ابری ما آپلود کند، نتایج عملکرد را آزمایش کرده، مقایسه کند و در مورد انتقال به یک پلتفرم جدید تصمیم بگیرد.
CNews: و آخرین سوال - چه چیزی در روز اوراکل ارائه خواهید کرد؟
اولگا گورچینسایا:
روز اوراکل رویداد اصلی سال در روسیه برای شرکت و همه شرکای آن است. "فورس" بارها و بارها حامی عمومی آن بوده است و امسال نیز. این انجمن کاملاً به موضوعات ابری - PaaS، SaaS، IaaS اختصاص دارد و به عنوان روز ابری Oracle برگزار می شود، زیرا اوراکل توجه زیادی به این فناوری ها دارد.
در این رویداد ما پلتفرم ForSMedia خود را ارائه خواهیم داد و همچنین در مورد تجربه خود در استفاده از فناوری ها و پروژه های کلان داده در زمینه تجزیه و تحلیل تجاری صحبت خواهیم کرد. و البته، ما در مورد قابلیت های جدید مرکز راه حل Fors خود در زمینه ساخت راه حل های ابری به شما خواهیم گفت.