مدل پلتفرم داده بزرگ و نقش آن در کیفیت داده و هوشمندی کسب و کار

ملایی, نجمه; طهماسبی, عباس

مدل پلتفرم داده بزرگ و نقش آن در کیفیت داده و هوشمندی کسب و کار

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

¹ بیمه ملت

² کارشناس ارشد تحقیقات صنعتی

چکیده

هوش کسب و کار به استناد پایگاه‌های ذخیره‌سازی داده‌ها و تحلیل آن به تصمیم‌گیری در فعالیت‌های هوشمند تجاری و کسب و کار کمک می‌کند. در این پژوهش «فناوری‌های داده بزرگ» به مجموعه‌ای از زیرساخت‌های رایانش داده، ذخیره‌سازی داده، رویکرد تجزیه‌و‌تحلیل داده، مصورسازی داده، خودکارسازی داده، امنیت و حریم خصوصی تقسیم شده است. چالش‌های ناشی از عدم کیفیت داده نیز به دو دسته چالش‌های داخلی و خارجی تقسیم شده‌اند. چالش‌های داخلی بی‌کیفیتی داده‌ها با میزان آمادگی کسب و کار و فرهنگ سازمانی مرتبط بوده که استقرار پلتفرم داده بزرگ در ایجاد آمادگی و فرهنگ سازمان تأثیرگذار خواهد بود. در پلتفرم داده بزرگ پیشنهادی با توجه به دو فاکتور شناخت حوزه‌های داده و سنجش میزان آمادگی، از هر یک از فناوری‌های داده بزرگ، نرم‌افزار و سخت‌افزار متناسب انتخاب می‌گردد. جمع‌آوری داده متغیرهای مدل به وسیله پرسش‌نامه محقق ساخته صورت گرفته و حجم نمونه نیز به صورت نمونه‌گیری در دسترس تعداد 37 نفر از مدیران و کارشناسان کسب و کار را شامل شده است. داده‌ها در روش معادلات ساختاری کمترین مربعات جزیی در فضای نرم‌افزاری اسمارت پی ال اس نگارش 3 مدل‌سازی شده و نتایج حاکی از آن است که طراحی پلتفرم داده بزرگ و چالش‌های کیفیت داده نسبت به دیگر متغیرهای مورد بررسی دارای بالاترین میزان اثر بر هوشمندسازی کسب و کار هستند. همچنین با توجه به ماتریس اهمیت – عملکرد، طراحی پلتفرم داده بزرگ، فناوری‌های داده بزرگ و سنجش میزان پذیرش کسب و کار به ترتیب دارای بیشترین درصد اهمیت و عملکرد در مدل می‌باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Big Data Platform Model and its role in Data Quality and Business Intelligence

نویسندگان [English]

najme mollaii ¹
abbas tahmasebi ²

¹ mellat insurance

² Master of Industrial Research

چکیده [English]

Business intelligence contributes to decision making in intelligent business and business activities based on data storage and analysis. In this study, "Big Data Technologies" is divided into a set of infrastructures including computing, data storage, data analysis, data visualization, data automation, security, and privacy. The challenges of poor data quality are divided into two categories of internal and external challenges. The inadequacy of internal data challenges are related to the readiness level of business and organizational culture, and the deployment of a big data platform will impact the organization's readiness and culture. In the proposed big data platform, considering each of the two factors, acquisition of business data domains and business readiness assessment, software and hardware is selected proportional from each of the big data technologies. To collect the model data, a researcher-made questionnaire was used and a stratified random sampling method was used. In this research, 37 business managers and experts were selected as the sample for answering the questionnaire. Data was modeled in least squares modular structural equation modeling in SmartPlus Script 3 software environment and the results showed that designing a large data platform and data quality challenges comparing to other variables have the highest impact on business intelligence. Considering the importance of performance matrix, big data platform design, big data technologies, and business acceptance measurements have the highest percentages of importance and performance in the model, respectively

کلیدواژه‌ها [English]

Data quality
big data platform
Business intelligence
Data quality challenges

مراجع

[1]. Kučera, J., Chlapek, D., & Nečaský, M. ,2013. Open government data catalogs: Current approaches and quality perspective. Technology-Enabled Innovation for Democracy, Government and Governance, Lecture Notes in Computer Science. 8061. (pp. 152–166). Berlin Heidelberg: Springer. http://dx.doi.org/10.1007/978-3-642-40160-2_13.

[2]. S. W. Tee, P.L. Bowen, P. Doyle, F.H. Rohde, "Factors influencing organizations to improve data quality in their information systems," Accounting & Finance, vol. 47, pp. 335-355, 2007.

[3]. C. Batini, C. Cappiello, C. Francalanci, A. Maurino, "Methodologies for data quality assessment and improvement," ACM Computing Surveys (CSUR), vol. 41, p. 16, 2009.

[4]. F. G. Alizamini, M.M. Pedram, M. Alishahi, K. Badie, "Data quality improvement using fuzzy association rules," 2010, pp. V1-468-V1- 472.

[5]. Pipino, L.L., Lee, Y.W., &Wang, R.Y. , Apr 2002. Data quality assessment. Communications of the ACM, 45(4), 211–218. http://dx.doi.org/10.1145/505248.506010.

[6]. The 2016 global data management benchmark report,2016. Experian data quality.

[7]. Patterson, T., 2015,” The Use of Information Technology in Risk Management”, Complex Solutions Executive IBM Corporation.

[8]. Castro, D., Korte, T.,2013, “Data Innovation 101: An Introduction to the Technologies and Policies Supporting Data-Driven Innovation”, Center for Data Innovation.

[9]. Eastwood, M., Vesset, D. and Morris, D.H. (2005), “Delivering value in business intelligence”, HP White Paper, available at: http://research.ittoolbox.com/white-papers/lg.asp?grid ¼ 3374 (accessed March 13, 2007).

[10]. Armbrust, M., Armando Fox, Rean Griffith, Anthony D. Joseph, Randy Katz, Andy Konwinski, Gunho Lee, David Patterson, Ariel Rabkin, Ion Stoica, Matei Zaharia, 2010. "A View of Cloud Computing," Commun. ACM, Vols. vol.53, no. 4, pp. 50-58.

[11]. Combs, M., (2014, 11/19/2014). Study Shows Big Return on Big Data. Available: http://www.veristorm.com/content/study-shows-big-return-big-data.

[12]. McKinsey Global Institute report,’Big Data : the next frontier for innovation, Competition and Productivity”May 2011.

[13]. Ginsberg, J., Mohebbi, H., Patel, R., Brammer, L., Smolinski, M., Brilliant, L., Detecting influenza epidemics using search engine query data. Nature , 457(7232): 1012-1014,2008.

[14]. Rivera, J., (2014, 11/19/2014). Gartner Survey Reveals That 73 Percent of Organizations Have Invested or Plan to Invest in Big Data in the Next Two Years. Available: http://www.gartner.com/newsroom/id/2848718.

[15]. Herschel, R.T. and Jones, N.E. (2005), “Knowledge management and business intelligence: the importance of integration”, Journal of Knowledge Management, Vol. 9 No. 4, pp. 45-55.

[16]. روحانی، سعید. حسینی، سمیه. تحلیل های عظیم داده، نقشه راه پیاده‌سازی،فناوری و ابزارها. انتشارات نیاز دانش. چاپ اول. 94.

[17]. BIG DATA WORKING GROUP, 2014, “Big Data Taxonomy”,cloud security alliance.

[18]. علی اکبری و همکاران، پی دی اف مقالات همایش داده‌های عظیم، 1393.

[19]. محسنین، شهریار، اسفیدانی، رحیم، 1396، معادلات ساختاری مبتنی بر رویکرد حداقل مربعات جزئی به کمک نرم‌افزار Smart-PLS ، نشر کتاب مهربان ، چاپ دوم، تهران.

[20] Cepeda, G., Nitzl, C., and Roldán, J. L. (2017). Mediation Analyses in Partial Least Squares Structural Equation Modeling: Guidelines and Empirical Examples., in Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications, H. Latan and R. Noonan (eds.), Springer: Cham, pp. 173-195.

[21] Hair, J. F., Hollingsworth, C. L., Randolph, A. B., and Chong, A. Y. L. An Updated and Expanded Assessment of PLS-SEM in Information Systems Research. Industrial Management & Data Systems, Volume 117(2017), Issue 3, pp. 442-458.

[22]. Hair, J. F., Hult, G. T. M., Ringle, C. M., and Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd Ed., Sage: Thousand Oaks.

[23] Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On Comparing Results from CB-SEM and PLS-SEM. Five Perspectives and Five Recommendations. Marketing ZFP, 39(3), 4-16.

[24]. آذر، عادل ، غلامزاده، رسول، 1395، مدلسازی معادلات ساختاری کمترین مربعات جزئی PLS-SEM، نشر نگاه دانش، تهران

[25]. داوری، علی و رضازاده، آرش (1397)، مدل سازی معادلات ساختاری با نرم‌افزار PLS ،چاپ دوم، انتشارات جهاد دانشگاهی، تهران.

[26]. حنفی زاده، پیام و زارع رواسان، احد (1391)، روش تحلیل ساختارهای چند سطحی با استفاده از نرم‌افزار smart pls ، انتشارات ترمه، تهران.

[27]. Hair, F., Marko, J.S., Lucas, H., and Volker, G.K., 2014. Partial least squares structural equation modeling (PLS-SEM) An emerging tool in business research. European Business Review, 26 (1), 106-121.