12+
Оглавление - Управление качеством данных. Тренды бизнес-аналитики
- Предисловие
- I Что такое данные?
- 1.1 Что такое данные в информатике? История концепции данных
- 1.2 Как хранить данные. Типы данных
- 1.3 Прогнозирование, или предиктивное моделирование. Термин «большие данные»
- 1.4 Значение данных. Термин «данные» в науке
- 1.5 Управление данными и их использование. Профессионалы в области данных
- II Управление качеством данных (DQM): основные понятия
- 2.1 Зачем вам нужно управление качеством данных? Что такое управление качеством данных (DQM)?
- 2.2 Каково определение качества данных? Зачем вам нужно управление качеством данных? Основная задача DQM
- III Каковы этапы управления качеством данных? Что может DQM?
- 3.1 Большие данные и аналитика стали одним из важнейших конкурентных преимуществ. Первый шаг
- 3.2 Перечень этапов
- 3.3 Что может DQM?
- IV 5 столпов управления качеством данных
- 4.1 Занимающиеся данными люди — ПЕРВЫЙ СТОЛП
- 4.2 Профилирование данных — ВТОРОЙ СТОЛП
- 4.3 Определение качества данных — ТРЕТИЙ СТОЛП
- 4.4 Предоставление данных — четвертыЙ СТОЛП
- 4.5 — Восстановление данных — пятыЙ СТОЛП
- V Рекомендации по подготовке данных к анализу
- 5.1 Обеспечьте управление данными. Обеспечьте вовлечение всех отделов
- 5.2 Обеспечьте прозрачность. Обучайте своих сотрудников
- 5.3 Выберите ответственных за данные. Создайте глоссарий данных
- 5.4 Найдите первопричины проблем с качеством. Инвестируйте в автоматизацию
- 5.5 Внедрите процессы безопасности. Определите ключевые показатели эффективности (KPI). Оценка соответствия требованиям
- 5.6 Интеграция DQM и BI
- VI Оценка и контроль качества данных. Три источника некачественных данных
- 6.1 Актуальность вопроса обеспечения качества данных. Роль и необходимость метрик качества данных
- 6.2 Перечень метрик качества данных
- 6.3 Каковы примеры показателей качества данных?
- 6.4 Зачем вам нужен контроль качества данных: пример использования
- 6.5 Последствия плохого контроля качества данных
- 6.6 Три источника некачественных данных
- VII Решения и инструменты для обеспечения качества данных: ключевые характеристики
- 7.1 Связность. Профилирование
- 7.2 Мониторинг и визуализация данных. Управление метаданными. Удобство для пользователя и совместная работа
- VIII Новые тенденции в области качества данных, за которыми стоит следить
- 8.1 Искусственный интеллект и машинное обучение. Автоматизация
- 8.2 Повышенное внимание к архитектуре доверия и безопасности. Демократизация данных. Семантические модели и графы знаний
- IX Эволюция бизнес-аналитики за последнее десятилетие. Прогнозы на 2025 год. Главные тенденции в области строительной аналитики
- 9.1 Эволюция бизнес-аналитики за последнее десятилетие. Прогнозы на 2025 год
- 9.2 Главные тенденции в области строительной аналитики
- X Тенденции в области искусственного интеллекта
- 10.1 Искусственный интеллект (AI). Необходимо учитывать ужесточение мер безопасности
- 10.2 Объяснимый AI. Переход к проактивной аналитике
- 10.3 Расширенные возможности анализа. AI- помощники
- 10.4 Адаптивный AI. Генеративный AI
- 10.5 Использование таких технологий, как адаптивный и генеративный AI, упростило ряд процессов. Агентный AI
- XI Безопасность данных
- 11.1 Важность охраны информации. Игнорировать защиту данных сегодня недопустимо
- 11.2 Безопасность данных и информации были горячими темами в 2024 году и останутся таковыми в 2025 году. Прогноз на 2025 год по расходам на информационную безопасность
- 11.3 Достижения в области AI открыли двери для более сложных атак, требующих еще более совершенных уровней безопасности. Прогноз Gartner по кибербезопасности
- 11.4 Проблема кибербезопасности также представляет собой проблему для SaaS-BI-инструментов. BI-программное обеспечение должно быть четко ориентировано на безопасность
- 11.5 Сетка кибербезопасности. Один из прогнозов Gartner и понятность спроса на продукты и услуги безопасности
- 11.6 Компаниям необходимо принять организационный подход к защите своих данных. Повышается потребность в более эффективных процессах управления
- XII Синтетические данные
- 12.1 Что такое синтетические данные. Определение компании Gartner
- 12.2 Два типа синтетических данных. Формы синтетических данных. Преимущества подхода
- 12.3 Синтетические данные можно использовать для дополнения данных реального мира и тестирования различных сценариев. Синтетические данные — отличный инструмент для защиты конфиденциальной информации и соблюдения законов о конфиденциальности. Успешное внедрение подхода
- XIII Устойчивость D&A
- 13.1 Концепция ESG. Лица, принимающие решения, осознали, что устойчивое развитие также представляет собой важный способ снижения операционных расходов и повышения общей рентабельности и эффективности
- 13.2 Отслеживая важные показатели, организации могут получать ценную информацию для управления своим процессом устойчивого развития. Помимо данных, связанных с ресурсами, будут играть роль и другие факторы. Мы можем ожидать появления различных инструментов
- 13.3 Причины ценности аналитики устойчивого развития
- XIV Совместная работа с данными
- 14.1 Данные и аналитика стали самым ценным конкурентным активом бизнеса. Совместное использование данных
- 14.2 Проблема совместной работы с данными. Рекомендация Gartner
- 14.3 При обсуждении совместной работы с данными часто всплывает термин «самостоятельная бизнес-аналитика». Совместная работа с данными не ограничивается обменом или обновлением документов
- 14.4 Ожидается, что в 2025 году обмен данными выйдет за рамки простого обмена информацией. А как насчет строительства?
- XV Периферийные вычисления
- 15.1 Что такое периферийные вычисления. Примеры периферийных устройств
- 15.2 Из всех тенденций в области бизнес-аналитики эта технология особенно интересна. Периферийные вычисления снижают затраты
- 15.3 Некоторые распространенные варианты использования периферийных вычислений в строительстве
- XVI Обработка естественного языка (NLP)
- 16.1 Что такое обработка естественного языка (NLP). NLP можно разделить на два подвида
- 16.2 Большой рост этого тренда в последние годы. Компании начали внедрять эту технологию для управления большими объемами неструктурированных текстовых данных. Помощник по работе с данными BI
- 16.3 По мере развития технологий в последние годы помощники на основе AI прошли путь. Анализ настроений
- XVII Инструменты предиктивной и предписывающей аналитики
- 17.1 Что такое предиктивная (прогностическая) аналитика? Рекомендательная (предписывающая) аналитика
- 17.2 Предиктивная и предписывающая аналитика — самые обсуждаемые тренды бизнес-аналитики среди специалистов по бизнес-аналитике. Что показывает предиктивная аналитика
- 17.3 Использование предиктивной аналитики применительно к бизнесу. Возможность самостоятельной аналитики становится критерием
- 17.4 Инструмент предиктивной аналитики. ARIMA. Предписывающая аналитика делает шаг вперед в будущее
- XVIII Встроенная аналитика
- 18.1 Понятие встроенной аналитики. Когда встроенная аналитика становится решающим фактором
- 18.2 Прогноз объема рынка встроенной аналитики. Отделы и владельцы компаний ищут профессиональные решения для представления своих данных без необходимости разработки собственного программного обеспечения
- 18.3 Важность предоставления клиентам и сотрудникам возможности работать с данными в привычной среде. Отчет издания Business Wire
- Литература