Аналитика и монетизация отраслевых данных

СОДЕРЖАНИЕ
ВВЕДЕНИЕ 3
1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ АНАЛИЗА И МОНЕТИЗАЦИИ ДАННЫХ 5
1.1. Введение в анализ данных 5
1.2. Монетизация данных в отрасли 14
1.3. Факторы целесообразности внедрения монетизации данных в организации 19
2. ИСПОЛЬЗОВАНИЕ БОЛЬШИХ ДАННЫХ НА ПРИМЕРЕ GOOGLE 24
2.1. История создания цифровой экосистемы Google 24
2.2. Опыт использования больших данных Google 29
2.3. Проблемы и пути решения использования больших данных Google 33
ЗАКЛЮЧЕНИЕ 36
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 38

Весь текст будет доступен после покупки

В современных бурных и высококонкурентных глобальных условиях фирмы вынуждены адаптироваться более быстро, смело и экспериментировать, чтобы выжить и процветать. Они все больше ищут способы выявления ограничений в улучшении бизнес-процессов, что серьезно затрудняет их способность реагировать на ускоряющиеся конкурентные требования.
Бизнес-аналитика и аналитика больших данных и связанное с ними поле стали все более важными как в академическом, так и в деловом сообществе за последние годы. Фирмы постоянно пытаются извлечь полезные выводы из расширяющегося объема, разнообразия и скорости данных, чтобы лучше понимать данные и улучшать процесс принятия решений. Помимо того, чтобы интерпретировать способы решения известных проблем, фирмы сосредоточены на выявлении тенденций, о которых они ранее не знали.
Возможности, связанные с данными и анализом в различных организациях, способствовали значительному интересу к анализу больших данных, который часто называется техниками, технологиями, системами, практиками, методологиями и приложениями, анализирующими большое разнообразие критически важных данных для помощи фирме лучше понимать свой бизнес и рынок, а также принимать своевременные бизнес-решения. С огромным объемом данных, поступающих из веб-сайтов, мобильных устройств и датчиков на огромном масштабе, можно получить новые выводы из высокодетализированных, контекстуализированных и содержательных данных, имеющих значение для любой фирмы или организации.

Весь текст будет доступен после покупки

1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ АНАЛИЗА И МОНЕТИЗАЦИИ ДАННЫХ
1.1. Введение в анализ данных

Бизнес-гибкость – это способность адаптировать и изменять бизнес и бизнес-процессы для эффективного управления непредсказуемыми внешними и внутренними изменениями быстро и легко [1, с. 124].
Большая часть усилий по достижению гибкости пришла от поставщиков ИТ и консалтинговых фирм, таких как IBM, представляющих «большие данные» как решение.
Большие данные – это массивы разнообразных структурированных и неструктурированных данных огромных объемов, обработка которых возможна только с помощью автоматизированных программных инструментов [2, с. 37].
Анализ данных использовался для улучшения производительности фирм уже более десяти лет, когда несовершенные системы управления данными считались ограничивающим фактором для дальнейшего улучшения деловой производительности. Фреймворк разработки систем управления данными для улучшения производственных процессов был выделен Сакеттом и Брайаном в 1998 году [1, с. 152]. Основные принципы их фреймворка полезны в контексте данного исследования, поскольку существует явная связь между данными, относящимися к производственному процессу, внедрением и использованием систем управления и обработки данных, а также потребностями организации.

Весь текст будет доступен после покупки

Монографии, учебники, учебные пособия

1. Nathan Marz, James Warren. Big Data: Principles and best practices of scalable realtime data systems. Textbook; Manning Publications, 2019 г. - 328 с.
2. Адлер Ю.П., Черных Е.А. Статистическое управление процессами. «Большие данные». Учебное пособие; М.: Изд. Дом МИСиС, 2019 г. - 53 с.
3. Журавлев А.Е, Тандыкарь Л.Н. Современные технологии интеллектуального анализа данных. Учебное пособие; М.: Лань, 2020 г. - 227 с.
4. Зыков Р. Как монетизировать большие данные. Учебное пособие; М.: Изд. Питер, 2020 г. - 340 с.
5. Макшанов А.В., Журавлев А.Е. Большие данные. Big Data. Учебное пособие; М.: Лань, 2024 г. - 188 с.
6. Тесленко И.Б., Крылов Е.В. Анализ больших данных. Учебное пособие; М.: КноРус, 2023 г. - 296 с.

Статьи в периодических изданиях и сборниках

7. Elena Neira. Data management in audiovisual business: Netflix as a case study / El Profesional de la Informacion. 2019. № 25.
8. Megan Case. Google, Big Data, & Antitrust / Delaware Journal Of Corporate Law. 2022. № 46.
9. Bernard Marr. Google: How Big Data is at the Heart of Google's Business Model / Big data in practice. 2019. № 38.
10. Rosenblat, Luke Stark. Algorithmic Labor and Information Asymmetries: A case Study of Uber’s Drivers / International Journal of Communication. 2019. № 10.
11. Srivatsa Maddodi. Netflix Bigdata Analytics - the Emergence of Data Driven Recommendation / International Journal of Case Studies in Business, IT and Education. 2019. № 3.
12. Берналь И., Джемма Ван Халдерен. Большие данные для статистики населения и социальной статистики / Stats Breef. 2021 г. № 29.
13. Богомолов А.И, Невежин В.П. От больших данных к большим знаниям / Хроноэкономика. 2019 г. № 4.
14. Кучкаров Т.С. О методах и инструментах анализа больших данных / Экономика и социум. 2023 г. № 115.
15. Назипова Н.Н., Исаев Е.А. Большие данные в биоинформатике / Информационные и вычислительные технологии в биологии и медицине. 2020 г. № 1, том 12.
16. Шальнова Ю.П. Монетизация больших данных: технико - экономический анализ драйверов роста и издержек / Экономика. Информатика. 2020 г. № 3, том 47.

Весь текст будет доступен после покупки