В настоящее время мы живем в УМНОМ мире. «Большие данные и аналитика», Интернет вещей (IoT) привели к эволюции в различных отраслях промышленности, а также в наших повседневных приложениях. Концепция «больших данных» заключается в том, чтобы оставлять цифровые следы (данные) в нашей повседневной жизни на цифровой платформе, которые могут быть извлечены с последующим тщательным анализом. Фактически, каждые два года размер нашего цифрового мира удваивается, и с этой скоростью в цифровом мире будет столько же битов информации, сколько звезд в физической вселенной [1].

Большие данные и аналитика имеют дело со следующими типами данных: структурированные данные, неструктурированные данные и полуструктурированные данные. Структурированные данные хранятся либо в таблице, либо в файле. Например: данные о клиентах, финансовые данные и так далее. «Язык структурированных запросов» (SQL) используется для управления наборами структурированных данных в системах управления базами данных (СУБД) и системах управления реляционными базами данных (СУБД). Неструктурированные и полуструктурированные данные представляют собой все данные, которые не могут быть легко сохранены в табличных структурах, например, фотографии, видео, веб-сайты, текстовые файлы и так далее. Как следует из названия, полуструктурированные данные представляют собой гибрид структурированных и неструктурированных наборов данных, например, сообщение в Facebook является хорошим примером полуструктурированных данных. Его можно классифицировать по автору, дате, как набор структурированных данных, но содержание неструктурировано. Существует огромный ажиотаж по поводу неструктурированных и полуструктурированных данных, поскольку 80% бизнес-данных относятся к этим категориям.

Компании с большим объемом данных, такие как Facebook, Google, Amazon и Walmart, используют специалистов по обработке данных, чтобы получать информацию о своих клиентах, поведении пользователей, что, в свою очередь, помогает расширять их бизнес и новые стратегии. Эти стратегии вызывают опасения у других руководителей бизнеса из-за отсутствия понимания того, как обращаться с большими данными. По имеющимся данным, деградация качества лидерства увеличилась с 33% до 67%, что означает, что треть наших лидеров не справились со своей ролью [2,3]. Такое плохое руководство также приводит к стрессу среди сотрудников, и именно 75% работающих взрослых возложили ответственность за них на своих руководителей [4]. Следовательно, по мнению экспертов, лучше выработать правильную стратегию, чем приступать к прямой обработке данных. Это будет полезно для погружения в данные и выяснения функций, необходимых для бизнес-исследований и промышленных исследований. Это может быть SMART-решение для решения проблем с большими данными. Например, анализируя записи с камер видеонаблюдения в торговых центрах, бизнес-аналитика может получить информацию о том, как клиентов привлекают коммерческие предложения, какие бренды они ищут в основном, чтобы увеличить продажи. Даже задавая вопросы SMART, можно пролить свет на новые разработки продуктов. Например, каждый день в поисковых запросах Google появляется 20% новых вещей, которые раньше никогда не появлялись в поисковой системе [5]. Это хороший показатель того, что люди мыслят новаторски, что может быть полезно для разработки новых продуктов и может быть плодотворным для создания новых бизнес-моделей.

Хотя существует так много проблем, связанных с конфиденциальностью и прозрачностью, что мы понятия не имеем о том, сколько компаний знают о нас и, более того, сколько о нас знает правительство! Нет никаких сомнений в том, что в отношении личных данных Facebook богаче любых других компаний-гигантов данных, таких как Google. Facebook знает о нас все, что нам нравится в продуктах, спорте, фильмах, кроме нашей личной информации о дне рождения, поле, месте, статусе работы и так далее [6]. Следовательно, мы не имеем ни малейшего представления о том, какая часть наших личных данных существует в другом формате. В настоящее время 25% пользователей Facebook не знают о своей конфиденциальности! Мы, как частные лица, обязаны быть более осторожными в настройках конфиденциальности в Интернете.

Во всем мире более 80% людей относятся к категории «Дно пирамиды» (BOP). Революция с «большими данными и аналитикой», теперь становится возможным создавать более умные медицинские устройства, такие как недорогое программное обеспечение для обнаружения предраковых заболеваний [7,10], недорогое программное обеспечение для обнаружения заболеваний глаз [8], помимо мобильных приложений для мониторинга состояния здоровья, таких как измерения. вариаций частоты сердечных сокращений (ВСР), которые могут прогнозировать «смертность от всех причин» [9]. Не только в сегменте доступного здравоохранения, есть приложения в спорте для повышения производительности игроков, в сельском хозяйстве для тестирования почвы и воды, в домашних приложениях для мониторинга активности детей и так далее. Во всем мире множество исследователей, новаторов и предпринимателей работают над созданием более дешевых устройств на основе Интернета вещей для улучшения нашей жизни. Следовательно, совершенно очевидно, что в ближайшем будущем «большие данные и аналитика» будут доминировать в мире более изощренно. Будет лучше, если мы сможем адаптировать его с этической точки зрения и применить инновации для миллиардов жизней.

Ссылки

1. IDC The Digital Universe Study (апрель 2014 г.), спонсор EMC2.

2. Сорчер М. (1985) Прогнозирование успеха руководителей. Нью-Йорк: Вили.

3. Хоган Р. и Хоган Дж. (2001) Оценка лидерства: взгляд на темную сторону. Международный журнал отбора и оценки, 9, 40–51.

4. С рельсов: как избежать высокой цены неудачного лидерства.

5. Квалман, Э. (2013) Социальные сети, 2013, You Tube, https://www.youtube.com/watch?v=zxpa4dNVd3c

6. Косински, М., Стиллвелл, Д., Грэпель, Т. (2013) Частные черты и атрибуты можно предсказать из цифровых записей человеческого поведения. Труды Национальной академии наук США. doi: 10.1073 / pnas.1218772110

7. Сели, Л.А., Сармента, Л., Ротберг, Дж., Марсело, А., и Клиффорд, Г., (2009) Мобильная помощь (Moca) для удаленной диагностики и скрининга. Журнал информатики здравоохранения в развивающихся странах 3 (1).

8. Дас, Н., Мукхопадхьяй, С., Гош, Н., Чхаблани, Дж., Ричхария, А., Рао, К.Д., Саху, Н.К. (2016) Исследование изменений мультифрактальности в томографических изображениях оптической когерентности In Vivo сетчатки глаза человека. Журнал биомедицинской оптики 21 (09).

9. Dekker, JM, Schouten, EG, Klootwijk, P., Pool, J., Swenne, CA, and Kromhout, D. (1997) Вариабельность сердечного ритма на основе короткой электрокардиографической записи позволяет прогнозировать смертность от всех причин у людей среднего и пожилого возраста. мужчины. Исследование Зютфена, Американский эпидемиологический журнал 145 (10).

10. Мукхопадхьяй, С., Дас, Н., Курми, И., Прадхан, А., Гош, Н., Паниграхи, П.К. (2017) Интегрированная основа на основе мультифрактальности тканей и скрытой марковской модели для оптимального выявления предрака. Журнал биомедицинской оптики 22 (10).