Данные в экономике их визуализация и предварительная обработка кратко
Обновлено: 04.07.2024
Текст – информация, которая усваивается сложно. Таблица – более понятный вид отображения информации. Диаграмма – наглядно, красиво и понятно. Суть визуализации – привести информацию в понятный вид, понятный не только технически грамотному специалисту, но и обычному человеку.
В этой статье мы разберем зачем визуализировать данные, как это делать и каких правил нужно придерживаться, чтобы визуализация была понятной и доступной для восприятия.
Зачем и как использовать визуализацию данных?
Визуальный контент притягивает больше внимания, он лучше запоминается, его проще воспринимать. Это правило лежит в основе визуализации данных. Представьте, что вам нужно привлечь как можно больше внимание к посту в FB. Как вы это сделаете?
- Структурированный текст – хорошо
- Эмодзи в тексте – еще лучше
- Хорошая яркая картинка или инфографика в тему поста – вообще замечательно
По такому же принципу работает и визуализация данных. Сложную таблицу всегда можно свести в красивый и понятный график и затем использовать его для представления продукта, рассказа об аудитории и вообще о любой вещи или явлении.
Визуализация данных решает сразу несколько задач:
- Ускоряет восприятие и принятие решения. Разгрести тонну строчек в таблице или посмотреть с десятью столбцами и круговую диаграмму. Что проще? Конечно, графики!
- Увеличение вовлеченности. Рассматривать графики гораздо интереснее, чем читать скучные цифры
- Качественное восприятие информации. Грамотная визуализация понятна любому человеку, даже если у него нет специальных знаний аналитика
Визуализируйте данные всегда: в отчетах, текстах, презентациях, постах – везде. Это улучшит восприятие и увеличит вовлеченность каждого читателя.
Правила качественной визуализации или как подать информацию
Чтобы визуализация работала правильно, выполните 4 правила:
- Проверьте информацию
- Определите правильные средства отображения информации
- Определите аудиторию и постройте графики под ее особенности
- Сделайте правильное оформление графиков
Зачем проверять информацию
Фактчекинг – важный момент в работе аналитика или любого человека, работающего с данными. От того, насколько правильно сформирован отчет зависят действия, которые вы или ваши коллеги будут применять.
График должен отражать действительность. Если в нем есть ошибки, вы непременно получите ошибки в работе, которая будет строиться на основе отчетности.
Способы отображения информации: типы диаграмм
Как выбрать подходящий график исходя из типа данных. Источник – Digital Inspiration .
Существует много разновидностей графиков и каждый из них подходит под разные цели. Рассмотрим наиболее популярные типы графиков:
1. Линейный график
Показывает динамику роста и спада по одному или нескольких показателям.
Графики удобно использовать для отображения информации о динамике цен, продаж, прибыли или для сравнения значений. Часто используются для визуализации показателей посещаемости страниц.
2. Столбцовая диаграмма
Тоже хорошее решение для демонстрации роста и спада разных показателей. Ниже представлен пример графика изменения сумм в разных кварталах года. Информация наглядная и понятная. Чтобы улучшить подачу над цифрами можно указать значения, например тыс. руб.
Есть отдельная разновидность столбцовых диаграмм – гистограммы. Они похожи на столбцовую диаграмму способом отображения, но используются для других целей.
- Обе диаграммы состоят из столбиков
- По оси Y - частота наблюдений
В чем отличия:
- Категории по оси X у столбчатой диаграммы представлены атрибутивными данными, а у гистограммы - непрерывными
- Положение увтегории по оси X у гистограммы не только существенно - его еще и можно выразить численно
Таким образом, гистограммы используются для отображения непрерывного интервала, В столбчатой диаграмме каждый столбик отображает отдельную категорию.
3. Круговая диаграмма
Идеальный вариант для демонстрации долей от целого. Примеры: разбивка аудитории по возрастному или половому признаку, источники прибыли, доли посетителей с компьютера, телефона и планшета.
4. Географические диаграммы
Используется для демонстрации распределения показателей по регионам: посещаемость из разных стран, популярность продукта в разных регионах. Можно использовать гео диаграмму по одной стране или по миру.
Пример географической диаграммы из сервиса Google Analytics. Отражает посещаемость из разных регионов.
5. Пузырьковая диаграмма
Это линейный график с расширенными возможностями. Вместо точек применяются круги разных размеров, отражающие третье значение. Использовать такую диаграмму можно для отражения зависимостей.
Пример использования – в презентации услуг SEO-агентства: как меняются показатели затрат на рекламу и растет трафик.
Такой график понятный и наглядный. Из примера: трафик растет с течением времени, затраты стремятся к нулю.
Это пять наиболее популярных разновидности графиков. Некоторые из них можно объединять для получения более наглядной демонстрации.
Как использовать графики и диаграммы правильно
Есть несколько правил, которые нужно учитывать для грамотной визуализации аналитических данных.
1. Учитывайте интересы аудитории
Графики должны быть понятны и близки аудитории, для которой вы готовите презентацию. Если вы предполагаете, что график может быть непонятен и не найдет отклик, подготовьте аудиторию устным рассказом о том, что вы пытаетесь донести.
2. Не перегружайте графики
Неудачное и правильное отображение информации.
Много данных – это хорошо, но далеко не всегда, особенно, когда вы рассказываете о сложном мало осведомленным людям. Упростите информацию и сделайте так, чтобы она легче усваивалась.
3. Не забывайте о наглядности
Сделайте так, чтобы изменения были заметными.
Если изменения незаметны, попробуйте поиграть со шкалой времени или отразите изменения не с нуля, а с текущих значений, масштаб графиков тоже влияет на наглядность.
Как оформлять отчеты
Если вы готовите стандартный отчет, избавьте его от всего лишнего. Не засоряйте график, используйте только важную информацию. Различные украшения отвлекают внимание и не дают сосредоточиться на главном – информации, которая лежит в основе графиков.
Топ-3 сервиса визуализации
Обработка массивов данных – тяжелый труд, особенно если не знать о крутых инструментах визуализации данных и автоматизации этих задач. Есть куча полезных программ, которые позволяют без помощи программиста создавать понятные графики и дашборды под любые цели. Мы определили топ-3 полезных сервиса для этих целей, берите на вооружение, презентуйте информацию правильно и легко.
Google Data Studio
Крутой инструмент от великого и могучего Google. Он бесплатный и достаточно функциональный для решения большинства задач. Позволяет сводить массивы данных в понятные графики.
С какими данными работает
Можно собирать данные более чем из 100 источников, хорошо работает с продуктами Google: Analytics, Ads, таблицы и Яндекса: Метрика и Директ. Можно использовать данные из баз MySQL и рекламных кабинетов Facebook и Instagram.
В чем преимущества
- Добротная бесплатная версия. Ее хватит для решения задач малого и среднего бизнеса
- Несложный интерфейс: разберется человек без специальных знаний, знания синтаксиса языков программирование необязательно
- Можно создавать шаблоны визуализации данных. Это удобно для частичной автоматизации процессов
- Постоянные обновления. Появляется новый функционал
Какие недостатки
- Мало типов визуализации данных. Но для решения большинства задач функционала хватает
- Узкий функционал работы с вычисляемыми полями. У следующих программ такой функционал шире
- Сервис хорош для представителей малого и среднего бизнеса, когда нужно собирать простые графики для презентаций
Power BI
Продукт для работы с массивами данных от Microsoft. Под названием Power BI объединяется несколько сервисов. Один из продуктов позволяет сводить данные в графики для упрощения анализа.
Есть бесплатная и корпоративная версия стоимостью 9.99 $/мес.
С какими данными можно работать
Информацию можно подтягивать из разных источников: популярных баз данных, Google, различных интернет-источников, в том числе из рекламных кабинетов социальных сетей.
Преимущества Power BI
- Удобно работать с продуктами Microsoft. Хорошо интегрируется с Excel. Azure Cloud Service, SQL Server
- Есть много шаблонов для красивой визуализации баз данных
- Есть облачный и десктопный интерфейсы. Можно работать на разных компьютерах: дома и в офисе
- Можно интегрировать в собственные приложения и продукты от сторонних разработчиков
- Возможности предоставления отчетов по ссылке и в файле
Недостатки
- Плохо воспринимает данные из Google Analytics и Яндекс.Метрики. Проблему помогают решить коннекторы от сторонних разработчиков
- Мало инструментария для обработки и очистки данных
- Сервис особенно удобен для пользователей, работающих на устройствах с ОС Windows
Tableau
Крупный сервис для аналитики и визуализации данных. В нем предусмотрен широкий функционал для визуализации любых данных в разных форматах.
С какими данными работает
Можно использовать данные из самых разных источников. Сервис работает с десятками платформ, популярными форматами файлов и базами данных.
Преимущества Tableau
Недостатки
- Нет бесплатной версии. Оплачивается по количеству пользователей раз в месяц
- Для интеграции в работу нужна поддержка IT-специалиста
- Сервис удобен, когда нужно собрать данные с разных источников и быстро объединить их в один отчет. Полезен для командной работы
Выводы
Визуализация данных делает жизнь специалистов проще, главное правильно подавать информацию:
- Проверьте информацию перед построением графиков
- Выбирайте правильные диаграммы и не забывайте о смысловой нагрузке каждого элемента данных
- Подстраивайте визуализацию под аудиторию, иначе информация будет воспринята неправильно
- Соблюдайте эргономику. Не переусердствуйте с оформлением
- Выберите удобный инструмент визуализации с нужным функционалом
Чтобы строить графики и визуализировать данные, их нужно откуда-то брать и где-то хранить. Соберите все в одном месте, используйте CRM.
Если вы хотите знать, как CRM-система поможет в работе с данными, пишите онлайн-консультанту на сайте.
1. Финансовый университет при Правительстве РФ Департамент анализа данных, принятия решений и финансовых технологий АНАЛИЗ ДАННЫХ
Тема 1. Данные в экономике, их визуализация
и предварительная обработка
Доцент Соловьев А.И., кандидат технических наук, доцент
Лекция
1.3 Визуализация качественных признаков в Microsoft Excel.
Сводные таблицы и сводные диаграммы в Microsoft Excel.
Таблицы сопряженности и парадокс Симпсона.
Иерархия признаков в Microsoft Excel.
2. В предыдущей лекции
3. 1. Визуализация качественных признаков в Microsoft Excel
В предыдущих лекциях мы рассмотрели визуализацию количественных
признаков.
Качественные данные так же могут быть визуализированы.
При большом количестве данных важно понять с чего начать их анализ. В этом
случае следует создать сводную таблицу или построить сводную диаграмму.
4. 2. Сводные таблицы и сводные диаграммы в Microsoft Excel
5. 2. Сводные таблицы и сводные диаграммы в Microsoft Excel
6. 2. Сводные таблицы и сводные диаграммы в Microsoft Excel
На основе сводной таблицы создается сводная
автоматическим обновлением при изменении данных.
Например:
Таблица служит основой для построения сводной диаграммы.
диаграмма,
с
7. 2. Сводные таблицы и сводные диаграммы в Microsoft Excel
8. 3. Таблицы сопряженности и парадокс Симпсона
Для анализа взаимосвязей между качественными признаками бывает полезно
использовать таблицы сопряженности.
Таблица сопряженности — это таблица, строки которой соответствуют
значениям одного признака, столбцы соответствуют значениям другого
признака, а в каждой ячейке указывается, сколько раз в наборе данных
встречается соответствующая комбинация значений двух признаков.
Для построения таблицы сопряженности проще всего воспользоваться
инструментарием создания сводных таблиц.
9. 3. Таблицы сопряженности и парадокс Симпсона
10. 3. Таблицы сопряженности и парадокс Симпсона
11. 4. Иерархия признаков в Microsoft Excel.
В данных имеется определенная иерархия признаков, когда все множество
объектов разделается на какие либо категории, каждая категория, в свою
очередь, делится на подкатегории и т. д.
Распознать такую иерархию признаков можно с помощью визуализации данных.
А) ГИСТОГРАММА С НАКОПЛЕНИЕМ
12. 4. Иерархия признаков в Microsoft Excel.
13. 4. Иерархия признаков в Microsoft Excel.
Описание:
Задание № 1. Построить график функции y=Sin(x), x изменяется от -5 до 5 с шагом 0,5
Задание № 2. Постройте окружность x2+y2=4.
Координаты точек окружности вычислите по формулам(см. скриншот).
Размер файла: 322,8 Кбайт
Фаил: (.docx)
-------------------
Обратите внимание , что преподаватели часто переставляют варианты и меняют исходные данные!
Если вы хотите, чтобы работа точно соответствовала, смотрите исходные данные. Если их нет, обратитесь к продавцу или к нам в тех. поддержку.
Имейте ввиду, что согласно гарантии возврата средств, мы не возвращаем деньги если вариант окажется не тот.
-------------------
Визуализация данных - это графическое представление информации, используются элементы, такие как диаграммы, графики и карты, они предоставляют доступный способ видеть и понимать закономерности в данных. Инструменты и технологии визуализации данных необходимы для анализа огромных объемов информации и принятия решений.
Визуализация данных и работа
Визуализация данных
Визуализация и ментальные карты
Трудно представить работу, где не использовалась бы визуализация данных, ведь она является одним из самых полезных навыков для развития.
Популярные форматы
Гистограммы
Эффективны для сравнения категорий в рамках одной меры, также особенно полезны при наличии данных, которые можно разделить на несколько категорий.
Диаграммы
Показывают прогресс в достижении цели путем сравнения показателей.
Линейный график
Соединяет несколько различных точек данных, представляя их как непрерывную сеть. В результате получается простой и понятный способ визуализации изменений одного значения относительно другого.
Гистограммы
Это боковые диаграммы, где данные кластеризованы, могут сравнивать категории.
Карты
Это визуализация вопросов о местоположении или географических исследований.
Куговые диаграммы
Мощный инструмент для добавления деталей к другим визуализациям.
Типы визуализаций
Типы визуализаций
Виды визуализации данных
Существует целый ряд способов визуализации, позволяющих эффективно и интересно представлять данные:
- Диаграммы
- Таблицы
- Диаграммы
- Карты
- Инфографика
А теперь более конкретные примеры методов визуализации данных:
- Гистограмма
- График
- Картограмма
- Круговая диаграмма
- Тепловая карта
- Таблица
- Матрица
- Сеть
- Ментальная карта
- Точечный график
- Временная шкала
- Древовидная карта
Как сделать визуализацию данных интересной
Для любого, кто визуализирует данные - будь то новичок или опытный аналитик — этот вопрос является самым важным.
Вот 6 советов по созданию интересных визуализаций данных:
Диаграммы и графики
Виды диаграмм и графиков
Тщательно продумайте и выберите правильный формат для визуализации, который лучше всего донесет информацию и ответит на ключевые вопросы. Иногда объединение связанных диаграмм бывает намного эффективней сложных графиков.
Используйте шаблоны
Убедитесь, что порядок или формат, в котором представляете данные, имеет смысл для зрителей; будь то числовой, алфавитный или последовательный. Если используете несколько графиков, убедитесь, что связи между данными понятны. Вы же не хотите, чтобы зрители запутались и потеряли интерес.
Рассказывайте все с помощью ярких цветовых подсказок
Красивые диаграммы
Как сделать диаграмму
Цвета очень важны. Они могут передать многое, при этом не используя слов. Однако в использовании цвета есть тонкий баланс; лучше всего сохранять его простым. Используйте цвет, чтобы выделить и подчеркнуть основную информацию. Слишком много цветов использовать не стоит, так как они создадут резкость.
Например, если рпедстоит работать с температурой, то можно использовать красный цвет для обозначения тепла и синий для холода.
Инкорпорируйте подсказки с формами и дизайнами
Контекст помогает нам расшифровать информацию с первого взгляда, вместо того чтобы сидеть и изучать ее. Например, возьмем диаграмму с животными из Красной книги. Вместо того чтобы использовать линейные графики, где каждое животное представлено в процентах, то есть обозначено цифрами и текстом, использование силуэтов этих животных сделает все более интересным и интуитивно понятным.
Используйте разные размеры
Сделать красивый график
Создать график онлайн
Размер может помочь подчеркнуть важную информацию и добавить подсказки в большом или небольшом тексте.
Использование размера для указания значений также хорошо работает с ментальными картами. Если в визуализации имеется несколько точек данных одинакового размера, то они "сливаются", и трудно различить значения. Сделав размер относительно значения и добавив цвет в качестве другого маркера, визуализация будет легче восприниматься.
Текст
Выбор текста может улучшить визуализацию, независимо от того, какой тип текста используете или даже сколько. Хотя он отвлекает, когда его слишком много или если он не сделан визуально приятным образом, то не стоит полагаться только на визуальные эффекты. При использовании текста убедитесь, что он указывает на важные детали.
Вот еще несколько рекомендаций:
- Поместите наиболее важную информацию сверху или в левом верхнем углу. Обычно внимание обращается сначала на эту область.
- Делайте побольше абзацев. Если текста слишком много, то он может показаться длинным и скучным для аудитории.
- Если присутствуют несколько фильтров, то попробуйте сгруппировать их вместе. Тонкая рамкка вокруг них дает визуальный сигнал, что у них есть что-то общее.
Четыре преимущества визуализации данных
Графическая визуализация данных
Инструменты визуализации данных
- Визуализация данных обеспечивает быстрое восприятие информации. Благодаря графическим представлениям мы можем усвоить большие объемы данных понятным образом, что, в свою очередь, помогает нам понять всю информацию и сделать выводы, а также экономит время и позволяет решать проблемы более эффективно.
- Информационный дизайн помогает выявить новые тенденции и действовать быстро, основываясь на том, что мы видим. Эти тенденции имеют больше смысла, когда представлены графически; то есть визуальные эффекты и диаграммы облегчают и ускоряют усвоение информации, которая может быть расписана на кучу страниц.
- Инфографика, в качестве способа визуализации, позволяет выявить закономерности в цифровых активах, поскольку распознавание тенденций в данных дает преимущество, когда речь заходит о факторах, которые могут повлиять на качество продукции, или что-то, что может помочь решить более крупные проблемы.
- Визуализация данных обеспечивает анализ на различных уровнях детализации. Люди хотят доказательств базового анализа, даже если они не понимают разбивку аналитики, хотят доказательств того, что за этим стоят данные, потому что доказательства более убедительны, чем просто личный опыт.
Недостатки визуализации данных
- Одним из самых больших преимуществ визуализации является ее способность брать большие массивы данных и упрощать их до более простых, понятных терминов. Тем не менее, легко переборщить с этим; попытка взять миллионы строчек данных и сократить их до небольших текстов может привести к неточным выводам, которые могут полностью изменить предположения.
- Человеческая ограниченность алгоритмов - это самая большая потенциальная проблема, а также самая сложная. Любой алгоритм, используемый для сведения данных к наглядным иллюстрациям, основан на человеческих данных, а они могут быть ошибочны. Проблема усугубляется тем, что большинство систем визуализации данных внедряются в большом масштабе.
- Перебор с визуальными эффектами. Это больше проблема для аудитории, чем для создателей, но эта проблема подрывает потенциальное влияние визуализации в целом. Когда пользователи начинают обращать внимание больше на визуальные элементы, то вас по сути не слушают, а смотрят только на эффекты.
Как привлечь внимание аудитории
Редактор диаграмм онлайн
Редактор графиков и диаграмм
Вовлеките аудиторию
Сделайте аудиторию частью происходящего. В то время, когда не видно, сколько человек действительно слушают вас, можно устроить небольшой опрос.
Включайте фоновую музыку
Иногда, когда слушаете, как кто-то говорит в течение длительного периода времени, становится скучно и следует разбавить эту монотонную речь. Музыка может очень помочь создать хорошую атмосферу. Также негромкая мелодия достаточно эффективна в том, чтобы находясь на заднем плане, держать аудиторию сосредоточенной.
Независимо от того, включена ли она в видео или идет постоянно, эта творческая идея будет отличным способом повысить интерес к вашему разговору.
Метафоры
Визуальные метафоры могут проиллюстрировать точку зрения и сделать работу намного интереснее.
Ментальные карты
Основы визуализации данных
Способы визуализации данных
Ментальные карты - это отличные инструменты для более легкого объяснения темы. Добавив их, вы сможете передать информацию визуально и творчески. Существует всего восемь типов ментальных карт. Каждый из них имеет свое предназначение. И кстати, на этом сайте можно сделать ментальную карту онлайн (это бесплатно!).
Юмор - это отличный способ заинтересовать аудиторию и сделать информацию запоминающейся. При стратегическом использовании это отличный способ привлечь внимание. Можно добавлять смешные комментарии или придумать шутки, аудитория будет с большей вероятностью будет внимательно слушать вас и запомнит практически все.
Выражайте свои эмоции
Иногда мы можем бояться выражать свои чувства даже близким нам людям, и уж тем более перед толпой. Однако демонстрация эмоций сделает ваши слова более искренними и может вызвать сочувствие или радость у аудитории.
Расскажите свою историю
Рассказывание историй из вашей собственной жизни - будь то глубоко трогательное, юмористическое или просто небольшие фрагменты - может стать отличным способом привлечь внимание аудитории. Выберите подходящую историю из вашего прошлого и расскажите ее. Слушатели будут чувствовать, сочувствовать и, следовательно, больше общаться и продолжать сдушать вас.
Цветовые контрасты
Использование контрастных цветов поможет обратить внимание слушателей. Сложность в использовании этой техники заключается в том, чтобы знать, какие цвета сочетаются, а какие нет.
Discover the world's research
- 20+ million members
- 135+ million publications
- 700k+ research projects
information extracted from big data in the perspective of sear ching for new directions in the dev elopment
the fore. The concept of inf ormation visualization in relation to business sciences is clarified. The
Special attention is paid to abstraction by visualizing information extracted from big dat a for the study
disciplinary knowledge of economic sciences in its solution ar e discussed. The conclusions contained in
the article are illustrated by the exampl e of graphs as the most effective form of visual r epresentation
of complex economic systems. In particular , the process of compr ehending economic reality by moving
from a three-dimensional graph depicting a r eal object to a two-dimensional graph reflecting an ideal
Platonov V.V . (2020) Vizualizatsiya bolshikh dannyh v ekonomicheskikh naukakh v usloviyakh informat-
sionnogo obschestva [Big data visualization in economic sciences in the information society].Voprosy
Purpose: it is to determine the most important factors that condition the ability of an enterprise to successfully implement the big data as a new economic resource. Methods: the methodological foundation of this research is the analytical framework of the resource-based view, which is applied to highlight the most important factors of the organizational capacity for the implementation of big data into economic activity. These factors are classified by blocks of internal factors of the organizational capacity in two hierarchical levels (organizational and individual). The study is based on the primary information obtained through a survey in the form of semi-structured interviews of managers and experts of the companies pioneering in implementation of big data. Results: a based on the analysis of scientific publications in accordance with positive and normative approaches to the understanding of big data, the concept of "big data" as an economic resource is developed. Its attributes are identified with emphasis on the heterogeneity of big data which allows filtering information about the subsystems of a complex economic system representing the modern enterprise. This information cannot be obtained from traditional sources of economic data. By systematizing the primary information on the projects of implementation of big data into economic activity by foreign companies by applying the analytical framework of the resource-based view, the key conceptual factors of the organizational capacity for the use of big data and relationship among significant factors have been identified. These key internal factors emerge as a result of the revolution in information technology and represent the necessary condition to ensure the transformation of the analytical procedures for decision making at the corporate level based on big data. The study reveals that sufficient condition represents a system of intangible resources and organizational capabilities, the most important of which is the capability to coordinate data processing and analysis. This capability, in a system with the other key organizational level capabilities, enables the integration of analytical and data processing technologies, on the one hand, and individual competencies of employees, on the other. Conclusions and Relevance: the implications of this study are aimed at researchers studying the problems of the information and networked economy, and practitioners of the Russian companies that are implementing or consider the implementation of the big data into economic activity. In business perspective, the most important implication of this research is that effective implementation of big data is not a technical challenge but an organizational and economic one. The basis of the organizational capacity for the implementation of big data is information resources, human resources and corporate culture and systems (technologies) for data processing and analysis.
Today’s ever-increasing amount of data places new demands on cognitive ergonomics and requires new design ideas to ensure successful human–data interaction. Our aim was to identify the cognitive factors that must be considered when designing systems to improve decision-making based on large amounts of data. We constructed a task that simulates the typical cognitive demands people encounter in data analysis situations. We demonstrate some essential cognitive limitations using a behavioural experiment with 20 participants. The studied task presented the participants with critical and noncritical attributes that contained information on two groups of people. They had to select the response option (group) with the higher level of critical attributes. The results showed that accuracy of judgement decreased as the amount of information increased, and that judgement was affected by irrelevant information. Our results thus demonstrate critical cognitive limitations when people utilise data and suggest a cognitive bias in data-based decision-making. Therefore, when designing for cognition, we should consider the human cognitive limitations that are manifested in a data analysis context. Furthermore, we need general cognitive ergonomic guidelines for design that support the utilisation of data and improve data-based decision-making.
Big data has attracted significant attention in recent years due to its potential. While many organisations have access to big data, there is a lack of evidence and guidance on effective use of big data. Information systems research has explored effective use in a variety of contexts. However, it is yet to specifically consider the unique characteristics of big data. This paper presents the results of an empirical study that aimed to identify significant enablers and inhibitors of effective use of big data using an exploratory case study as a research method. We found adequate system capabilities, established the culture of collaboration, and good working attitude to be the key enablers and poor data quality, lack of data understanding, data silos, lack of time, lack of cost-benefit analysis, lack of top management support, and lack of technical skills to be the key inhibitors.
This paper presents a global map of technology that characterises the proximity and dependency of technological areas. It addresses the structure of technological output embodied in the network connecting patents to the patent classifications that they are attributed to. The distance between areas of technology is based on the analysis of the co-occurrence of IPC codes assigned to individual patent documents. As our classification of technologies we use an extended version of the WIPO classification of technological fields, unfolding the 35 classes to 389. The global map allows to 'overlay' patents produced by a specific organisation or country against the background of a stable representation of global technological invention and to produce comparisons that are visually attractive, very readable, and potentially useful for policy-making and strategic management. As an illustration, the technological portfolios of two large industrial corporations (IBM and BASF) are projected on this global map of technology, highlighting the technological profile of these groups. As such, the map can provide valuable information about promising areas of further technological development, comparative advantages and missing technological competences. Introduction In a context of rising technological knowledge intensity of economic activities, and the increasing globalisation of economic affairs, technological invention is undoubtedly one of the keys to ensuring economic growth and addressing societal challenges. As such it is vitally important that policy makers and managers have a clear understanding of the patterns of technological development.
Macroscopic insight into business ecosystems is becoming increasingly important. With the emergence of new digital business data, opportunities exist to develop rich, interactive visual-analytics tools. Georgia Institute of Technology researchers have been developing and implementing visual business ecosystem intelligence tools in corporate settings. This article discusses the challenges they faced, the lessons learned, and opportunities for future research.
Standards for Reporting Data to Educators provides a synthesis of research and best practices of how data should be presented to educators in order to optimize the effectiveness of data use. Synthesizing over 300 sources of peer-reviewed research, expert commentary, and best practices, Rankin develops a set of data reporting standards that education data system vendors, providers, and creators can apply to improve how data is displayed for educators. The accurate and effective presentation of data is paramount to educators' ability to successfully implement and make use of the most current knowledge in the field. This important book reveals the most effective ways to communicate data to ensure educators can use data easily and accurately.
Digital data inundation has far-reaching implications for: disciplinary jurisdiction; the relationship between the academy, commerce and the state; and the very nature of the sociological imagination. Hitherto much of the discussion about these matters has tended to focus on ‘transactional’ data held within large and complex commercial and government databases. This emphasis has been quite understandable – such transactional data does indeed form a crucial part of the informational infrastructures that are now emerging. However, in recent years new sources of data have become available that possess a rather different character. This is data generated in the cultural sphere, not only as a result of routine transactions with various digital media but also as a result of what some would want to view as a shift towards popular cultural forms dominated by processes of what has been termed prosumption. Our analytic focus here is on contemporary prosumption practices, digital technologies, the public life of data and the playful vitality of many of the ‘glossy topics’ that constitute contemporary popular culture.
Complex organizations exhibit surprising, nonlinear behavior. Although organization scientists have studied complex organizations for many years, a developing set of conceptual and computational tools makes possible new approaches to modeling nonlinear .
Recommendations
Методология и методика ресурсно-ориентированного исследования инновационного развития российских компаний
Innovative development of an industrial enterprise
"Методология и методика ресурсно-ориентированного исследования инновационного развития российских компаний", РГНФ проект №15-02-00042/15 от 26.05.2015 г.
Новизна исследования состоит в объединении в единую систему концепций ресурсно-ориентированного исследования, экономики инноваций, разработки, на этой основе, методики исследования инновационно-акт ивных предприятий как сложных хозяйственных систем, интегрирующей инструменты информационно-сетевой и когнитивной экономики. . [more]
Цель проекта состоит в углублении знаний о факторах и механизмах, посредством которых информационно-сетевая экономика и, в частности, цифровая экономика, влияют на развитие предприятий реального се ктора . [more]
Проблемы исследования материальных и нематериальных факторов деятельности предприятий и кооперационн.
Особое внимание уделено применению ресурсно-ориентированного подхода при решении проблем исследования материальных и нематериальных факторов, когнитивного исследования, оценки долгосрочных инновационных проектов, трансформации методологии анализа, в ответ на появление нового нематериального ресурса – больших данных, а также трансформации объекта исследования в информационно-сетевой экономике. . [Show full abstract] Монография призвана внести вклад в решение научной задачи по формированию концептуально-теоретической основы анализа нематериальных и материальных факторов эффективности и результативности предприятий, в условиях информационного общества.
Барьеры на пути внедрения искусственного интеллекта в российских банках: размеры, причины, сроки и п.
Факторы успеха в использовании больших данных как нового экономического ресурса
Purpose: it is to determine the most important factors that condition the ability of an enterprise to successfully implement the big data as a new economic resource. Methods: the methodological foundation of this research is the analytical framework of the resource-based view, which is applied to highlight the most important factors of the organizational capacity for the implementation of big . [Show full abstract] data into economic activity. These factors are classified by blocks of internal factors of the organizational capacity in two hierarchical levels (organizational and individual). The study is based on the primary information obtained through a survey in the form of semi-structured interviews of managers and experts of the companies pioneering in implementation of big data. Results: a based on the analysis of scientific publications in accordance with positive and normative approaches to the understanding of big data, the concept of "big data" as an economic resource is developed. Its attributes are identified with emphasis on the heterogeneity of big data which allows filtering information about the subsystems of a complex economic system representing the modern enterprise. This information cannot be obtained from traditional sources of economic data. By systematizing the primary information on the projects of implementation of big data into economic activity by foreign companies by applying the analytical framework of the resource-based view, the key conceptual factors of the organizational capacity for the use of big data and relationship among significant factors have been identified. These key internal factors emerge as a result of the revolution in information technology and represent the necessary condition to ensure the transformation of the analytical procedures for decision making at the corporate level based on big data. The study reveals that sufficient condition represents a system of intangible resources and organizational capabilities, the most important of which is the capability to coordinate data processing and analysis. This capability, in a system with the other key organizational level capabilities, enables the integration of analytical and data processing technologies, on the one hand, and individual competencies of employees, on the other. Conclusions and Relevance: the implications of this study are aimed at researchers studying the problems of the information and networked economy, and practitioners of the Russian companies that are implementing or consider the implementation of the big data into economic activity. In business perspective, the most important implication of this research is that effective implementation of big data is not a technical challenge but an organizational and economic one. The basis of the organizational capacity for the implementation of big data is information resources, human resources and corporate culture and systems (technologies) for data processing and analysis.
Читайте также: