Использование технологии Big Data на предприятии

Аннотация 3
Введение 4
1. Теоретические основы технологии Bigdata 6
1.1. История Bigdata 6
1.2 Преимущества и недостатки использования Bigdata 9
1.3 Как Bigdata используется в экономических исследованиях? 11
1.4 Основы Bigdata 13
2. Применение Bigdata в экономике 18
2.1 Анализ использования технологии Bigdata 18
2.2 Как технология Bigdata влияет на предприятия? 21
2.3 Bigdata в 2024 году 26
2.4 Проблемы, возможности и перспективы Bigdata 29
2.5 Задачи Big Data в экономических исследованиях 33
3. Анализ опыта работы с BigData в ходе практики 43
3.1 Ознакомление с местом практики 43
3.2 1С СПАРК Риски 44
3.3 Apache Spark 49
3.4 Apache Hadoop 53
3.5 Влияние Bigdata на производительность 56
Заключение 57
Список литературы 59

Весь текст будет доступен после покупки

Технология Big Data широко применяется в экономических исследованиях для сбора, обработки и анализа больших объемов данных с целью получения ценной информации и принятия обоснованных решений. Данная технология используется большим количеством компаний, так как это позволяет лучше понимать конечного потребителя и эффективно управлять финансами. Большие данные, представляя собой огромные объемы разной цифровой информации, эффективная обработка которой может производиться только за счёт специального программного обеспечения и алгоритмов, это позволяет определить закономерности между событиями, которые не могут быть найдены человеком.
Количество и разнообразие компьютерных данных растет в геометрической прогрессии по многочисленным причинам, как, например, создание обширной базы данных организации о предоставленной продукции по дням, часам и настроению клиента. Так, компании разрабатывают финансовое планирование оказываемых услуг, а социальные сети выступают драйвером формирования мнения о ведении бизнеса и общественного настроения. Ведь получение конкурентного преимущества – одна из долгосрочных целей. Благодаря этим технологиям в финансовом мире произошли кардинальные изменения в способах и стратегиях ведения бизнеса финансовыми учреждениями. Хотя внедрение фин. технологий в экономическое пространство не изменило эту сферу значительно, чтобы полностью устранить необходимость в традиционных финансовых учреждениях, но дало значительный толчок для внедрения во все большее количество компаний операций с большими данными. Тем самым обеспечивается более качественный сервис предоставления конкретных продуктов конечному потребителю. Поскольку доступность технологий в современном мире достаточно высока, это приведет к более высоким результатам взаимоотношений между клиентами и финансовыми учреждениями.

Весь текст будет доступен после покупки

1. Теоретические основы технологии Bigdata
1.1. История Bigdata
Компания Silicon Graphics) Джон Мэсси написал статью, в которой подчеркнул важность анализа и обработки больших объемов данных для эффективного функционирования информационных систем. В результате этих исследований термин Big Data стал широко используемым для описания ситуаций, когда объем данных настолько велик, что стандартные методы обработки становятся неэффективными.Silicon Graphics, IncНа конференции USENIX было замечено, что Джон Мэши активно использовал понятие Big Data в современном контексте.
Восприятие возможностей больших данных пришло немного позже. Например, в ноябре 2000 года на восьмом всемирном конгрессе эконометрического сообщества, Фрэнсис Дайболд представил доклад под названием “Динамические факторные модели на основе больших данных для макроэкономических измерений и прогнозирования”, где он утверждал: «В последнее время наука столкнулась с явлением больших данных и смогла извлечь из них пользу. Большие данные представляют собой увеличение объема (а иногда и качества) доступной и потенциально важной информации, что является результатом значительных достижений в области записи и хранения данных».

Весь текст будет доступен после покупки

1. In his book "Hands-On Machine Learning with Scikit-Learn and TensorFlow", author A. Geron explores the concepts, tools, and techniques necessary to create intelligent systems. This first edition was published by O'Reilly Media in Sebastopol, CA in 2017.
2. Han, J., Kamber, M., Pei, J. Data Mining: Principles and Practices, Third Edition. Published by Morgan Kaufmann Publishers in 2011. Contains 740 pages.[2]
3. Hilpisch, Y. (2014). Python for Finance : Analyzing Large Financial Datasets (1st ed.). Sebastopol, CA: O'Reilly Media.
4. Kirk, M. (2015). Thoughtful Machine Learning with Python : A Test-Driven Approach. Sebastopol: O'Reilly Media[2].
5. McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O'Reilly Media[2].
6. Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28[3].
7. Einav, L., & Levin, J. (2014). Economics in the age of big data. Science, 346(6210), 1243089[3].
8. Athey, S. (2017). Beyond prediction: Using big data for policy problems. Science, 355(6324), 483-485[3].
9. Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106[3].
10. Bajari, P., Nekipelov, D., Ryan, S. P., & Yang, M. (2015). Machine learning methods for demand estimation. American Economic Review, 105(5), 481-85[3].
11. Гобарева Я.Л., Городецкая О.Ю., Николаенкова М.С. "Bigdata: большой потенциал управления рисками".

Весь текст будет доступен после покупки