Файл: Технологические платформы обработки больших данных.docx

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РФ

ФГАОУ ВО РОССИЙСКИЙ УНИВЕРСИТЕТ ДРУЖБЫ НАРОДОВ

_________________________________________________________

ВЫСШАЯ ШКОЛА ПРОМЫШЛЕННОЙ ПОЛИТИКИ И ПРЕДПРИНИМАТЕЛЬСТВА

КАФЕДРА: ПРИКЛАДНАЯ ЭКОНОМИКА

НАПРАВЛЕНИЕ: ПРИНЯТИЕ ЭФФЕКТИВНЫХ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

КУРСОВАЯ РАБОТА

по дисциплине «Маркетинговая аналитика на основе больших данных»

на тему:

«Технологические платформы обработки больших данных»

Выполнил: студент группы ПЭКмд-01-21 студенческий билет № 1032219764 ____________ Н. В. Куманов Проверил: Кандидат экономических наук ____________ Н.А. Диесперова

Москва, 2022
Содержание

Введение

Актуальность темы заключается в том, что в современных условиях глобальной цифровизации и ограничениях, связанных с пандемией COVID-19, возрастает скорость внедрения и актуальность реализации цифровых технологий в разных сферах современного общества.

У Big Data для компаний есть ряд преимуществ:

1. Персонализация рекламных сообщений;

2. Создание наиболее точного описания целевого потребителя;

3. Создание цифрового маркетинга и рекламных кампаний;

4. Сохранение большого числа клиентов путём меньших затрат.

Благодаря этой технологии маркетологи, в том числе и в цифровой среде, могут не только создать портрет потенциальных потребителей, но и спрогнозировать реакцию потребителей на рекламу. Также можно определить эффективные каналы размещения рекламы. В настоящее время вести продажи онлайн выгоднее.

Big Data в маркетинге позволяет найти новые источники информации, повысить качество и скорость в принятии решений по поводу клиентских предложений или удержанию клиента, а также предоставить персональные услуги.

Цель курсовой работы – исследовать технологические платформы обработки больших данных и определить перспективы развития данных технологических платформ.

---

Для достижения цели необходимо решить следующие задачи:

1. 
   Рассмотреть понятие и характеристику платформ по анализу больших данных;
   
2. 
   Изучить функции платформы обработки больших данных;
   
3. 
   Провести анализ и структуру российских платформ;
   
4. 
   Оценить факторы внедрения технологических платформ для анализа больших данных;
   
5. 
   Выявить проблемы формирования технологических платформ;
   
6. 
   Определить перспективы развития технологических платформ обработки больших данных.
   

Объект исследования – большие данные.

Предмет исследования – технологические платформы по обработке больших данных.

Информационная база курсовой работы представлена учебниками и учебными пособиями таких авторов, как В. С. Мхитарян, Е.Б. Галицкий, Б. Г. Миркин, Е.А. Кушнир, также в работе были использованы научные статьи и статистические данные.

Методы, использованные при написании курсовой работы: описание, анализ, синтез, дедукция.

Структура курсовой работы включает введение, три главы, заключение и список использованных источников.

Глава 1.Теоретические основы исследования платформ обработки больших данных

1.1. Платформы анализа больших данных: понятие и характеристика

Под технологией «большие данные»¹ понимают технологию поиска, обработки и применения неструктурированной информации в больших объемах.

Данная технология позволяет изучить огромную группу данных глубже и шире, включая ретроспективный анализ (например, в медицине, археологии). Становится возможным принятие управленческих решений, ориентированных не только на внутренние, но и на внешние источники информации (социологические опросы). Реально выстроить несколько стратегий экономического развития муниципалитета, региона, страны и выбрать из альтернативы наиболее подходящую.

Основной метод исследования больших данных – статистический, обеспечивающий высокую точность результатов. Если можно будет точно предсказать прогнозы спроса на продукты и услуги, увязав данные о тенденциях продаж, можно будет обеспечить достаточное количество продуктов при одновременном снижении затрат на утилизацию непроданной продукции. Подробный анализ, такой как изучение предпочтений, на основе данных о покупательском поведении, позволит делать приблизительные оценки потребностей потребителей и клиентов, это гарант того, что возможно уловить следующую тенденцию.

---

Препятствиями для усилий компаний по использованию больших данных являются создание компьютерных систем и наличие программного обеспечения для обработки огромных объемов информации, наличие квалифицированного персонала для анализа данных. Это требует значительных финансовых вложений. Кроме того, необходимо постоянно улучшать внутренние навыки обработки в отношении периферийных знаний и изучать практику о том, как эффективно использовать большие данные.

Для анализа больших данных используют платформы.

Платформа по обработке больших данных представляет собой инструменты, которые необходимы специалистам по data science.

Технологические платформы способствуют упрощению работы, также они помогают охватить весь цикл data science.

Технологические проблемы обеспечивают интеграцию результатов по анализу больших данных в операционную деятельность. Это может реализовываться через API предиктивной модели, к которой обращаются другие системы, веб-приложения, которым могут пользоваться сотрудники, или просто ежедневного отчета, отправляемого на почту.

Ключевым результатом использования технологических платформ является получение аналитической модели, т.е. опытного образца. Данная модель работает, ее можно запускать и показать в действии. Но если создать только модель, то это никак не отразится на бизнесе. Для работы необходимо создание различных приложений.

Технологические платформы могут использовать и системные интеграторы, и конечные заказчики, у которых есть специалисты по обработке данных и аналитике.

Технологические платформы также содержат инструменты по визуализации результатом анализа больших данных.

Следовательно, платформы для обработки больших данных – это инструмент для прогностического и динамического анализа. Такой анализ обеспечивает прогнозы по развитию любых сфер, также они помогают в принятии решений.

Технологические платформы могут использовать структурированные и неструктурированные данные, это связано с тем, что анализ строится на конкретной задаче.

---

Таким образом, технологические платформы по обработке больших данных являются важным инструментом в маркетинговой аналитике.

---

1.2.Функции платформы обработки больших данных

Цифровая трансформация отраслей экономической деятельности и социальной жизни общества определила необходимость сбора, обработки, анализа и использования все большего объема больших массивов неструктурированной и слабоструктурированной информации. Разработка новых программных продуктов, имеющих функции Data Science, позволяющих комбинировать различные алгоритмы обработки и в рамках одной системы пройти все этапы построения аналитической модели: от создания хранилища данных до моделирования и визуализации полученных результатов, значительно упростит принятие решений в многофункциональной среде.

Рассмотрим основные функциональные возможности аналитической платформы обработки больших данных (таблица 1).

Таблица 1

Функции аналитической платформы обработки больших данных²

Группа	Возможности
Интеграция данных	Доступ к разнородным источникам: офисные приложения, 1C:Предприятие, СУБД, ERP-, CRM-системы, файлы, веб-сервисы. Консолидация данных в хранилище. Визуальная настройка извлечения, трансформации и загрузки данных в хранилище с возможностью очистки.
Визуализация	OLAP-модуль: кросс-таблицы и кросс-диаграммы для многомерного анализа данных, позволяющие проводить разведочный и сравнительный анализ, выявлять тенденции. Панели отчетов для удобного представления информации конечным пользователям, не знакомых с аналитикой.
Очистка данных	Контроль качества данных с автоматическим предложением действий по исправлению выявленных проблем. Выявление и устранение ошибок: встроенные алгоритмы поиска пропусков, аномалий, дубликатов и противоречий.
Data Mining	Самообучающиеся алгоритмы и машинное обучение: деревья решений, нейронные сети, самоорганизующиеся карты, ассоциативные правила. Анализ временных рядов: выявления сезонности, тренда и случайной составляющей.
Сценарный подход	Визуальное проектирование логики обработки при помощи мастеров без программирования. Реализация всего цикла анализа: подготовка данных, выбор информативных признаков, очистка, моделирование, прогнозирование, постобработка и интерпретация результатов.

---