"ریاضیات هوایی." داده های بزرگ در جهان هوانوردی غیرنظامی. "داده های بزرگ" به شمارش گردشگران کمک کرد فناوری داده های بزرگ در حمل و نقل

بخش های سایت

انتخاب سردبیر:

تبلیغات

اسناد مشابه

اصول فناوری خانه هوشمند انتخاب عنصر کنترل برای سیستم توسعه نرم افزاربخش های سیستم کنترل اتاق: اندازه گیری رطوبت و دما، کنترل کننده مستقل و روشنایی. نمایش اطلاعات به کاربر

پایان نامه، اضافه شده در 2018/08/07

کاربرد فناوری بلاک چین در بخش مالی، صنعت بازی و مدیریت دولتی. ایجاد مفهوم ترکیب بلاک چین و اینترنت اشیا برای بهره برداری از شبکه خانه هوشمند، پیاده سازی آن در ترکیب با فناوری Big Data و هوش مصنوعی.

مقاله، اضافه شده در 2018/11/20

مفهوم، اصل عملکرد و عناصر سیستم "خانه هوشمند". پروتکل های تبادل داده بین عناصر کنترلی، انتقال دهنده و اجرایی. نمونه ای از اجرای عملی پروژه. شرح عناصر اصلی نرم افزار نمونه اولیه خانه هوشمند.

پایان نامه، اضافه شده در 2017/07/30

بررسی مشکلات موجود در مدیریت حمل و نقل مسافر شهری در روسیه. تکنیک اتوماسیون برای سیستم کنترل اعزام تجزیه و تحلیل آپتایم سیستم خبرهحمل و نقل مسافر در محیط نرم افزار AnyLogic.

مقاله، اضافه شده در 03/01/2019

توضیحاتی در مورد طراحی و ویژگی های ربات ها برای سرگرمی و امنیت. کنترل ربات جاروبرقی. حرکات و ظاهر اندروید. مطالعه الگوریتم کلی سیستم " خانه هوشمندمکانیزمی برای کنترل هوشمند در اماکن مسکونی و اداری.

چکیده، اضافه شده در 1394/02/10

تحقیق در مورد راهکارهای فناوری برای محیط شهری مانند «خیابان هوشمند»، «پارکینگ هوشمند»، «شهر هوشمند». شرح اصول اولیه عملیات و عملکرداینترنت اشیا، تعیین تأثیر اجرای آنها و مزایای اصلی.

مقاله، اضافه شده در 2018/08/18

بررسی نمودار دستگاه ها و نرم افزارهای خانه هوشمند. ایجاد ارتباط بین عناصر انتخاب اشیاء عنصر تهیه اسناد فنی. ویژگی های فرآیند اجرا و آزمایش. مطالعه فناوری های مورد استفاده

پایان نامه، اضافه شده در 2017/03/20

بررسی مسائل مربوط به توسعه و اجرای یکپارچه فناوری هایی مانند «شهر هوشمند». آشنایی با روندهای اصلی توسعه امنیت اطلاعات. تهدید به عنوان یک فرصت بالقوه برای نقض امنیت اطلاعات.

مقاله، اضافه شده در 2018/06/05

مدل شهر هوشمند IBM شامل سه مرحله «ابزاری»، «ارتباط متقابل»، «هوشمندی» است. روش های معرفی فناوری های صرفه جویی در انرژی و توسعه سازگار با محیط زیست سیستم های شهری، اثربخشی آنها.

مقاله اضافه شده در 1396/10/31

مفهوم سیستم اطلاعاتی، استفاده از آن برای پردازش اطلاعات، ذخیره و توزیع آن. فناوری اطلاعات در صنعت حمل و نقل آبی ساحل و داخل کشتی سیستم های اطلاعاتی. آموزش و سیستم های فناورانه بندری.

بر اساس سرشماری سال 2013، مسکو یک کلان شهر بزرگ با 11،979،529 سکنه است. هر کدام از آنها سر کار می روند، از یک تلفن همراه (یا حتی بیش از یک تلفن همراه) استفاده می کنند، از مترو پایین می روند و در ترافیک گیر می کنند. همه اینها توسط خدمات شهری، سازمان های دولتی و شرکت های خصوصی ارائه دهنده خدمات مختلف نظارت می شود. هزاران دوربین فیلمبرداری، صدها هزار حسگر، مانیتورهایی که زندگی شهر را کنترل می کنند، میلیون ها نفر تلفن های همراه، مودم های 3G/4G. و همه اینها میلیاردها منبع داده هستند که با پردازش آنها می توانید اطلاعاتی را برای برنامه ریزی بیشتر توسعه شهر، مدیریت جریان ترافیک آن و اطمینان از ایمنی کلان شهر به دست آورید. یکی از معدود ابزارهایی که می تواند با پردازش چنین حجمی از اطلاعات مقابله کند، راه حل های کلان داده است. ابتدا بیایید ببینیم کجا می توان از آنها استفاده کرد.

داده های تراکم جمعیت و حرکت جمعیت

ابزار اصلی برای تعیین اندازه و ساختار جمعیت، توزیع آن در سراسر منطقه در حال حاضر سرشماری است. عیب اصلی سرشماری هزینه انجام آن و نبود اطلاعات در مورد رفت و آمد ساکنان است. منبع اطلاعات سرشماری خود ساکنین هستند که در محل سکونتشان بررسی می شوند.

استفاده از راه حل های کلان داده چه مزایایی می تواند داشته باشد؟ برای پاسخ به این سوال، ابتدا مشخص می کنیم به چه داده هایی نیاز داریم:

جایی که ساکنان می خوابند و کار می کنند.
از کجا می آیند و روزهای هفته و آخر هفته کجا می روند.
مسکوئی ها و مهمانان پایتخت از چه نوع حمل و نقل استفاده می کنند.
از کجا و چرا به شهر می آیند.

برای جمع آوری این اطلاعات، ابتدا باید در مورد منبع داده ها و روش تجزیه و تحلیل آن تصمیم گیری کنیم. برای تعیین موقعیت یک ساکن، بهینه ترین راه استفاده از داده های مربوط به موقعیت مکانی او است تلفن همراه(او همیشه با اوست). چگونه انجامش بدهیم؟

در دسترس:

داده ها از اپراتورهای تلفن همراهدر مورد محل تلفن؛
داده های خدمات تخصصی (مانند Yandex.Traffic)؛
داده ها از برنامه های موبایلبا قابلیت موقعیت مکانی داخلی که توسط شهر برای راحتی ساکنان ارائه شده است.

برای تجزیه و تحلیل اطلاعات دریافتی می توان از الگوریتم های مختلفی بسته به منبع، قالب و روش ارائه آنها استفاده کرد. اما در اینجا نکات اصلی وجود دارد.

تعیین محل خواب و کار ساکنین را می توان با تجزیه و تحلیل داده های حرکت و فعالیت به دست آورد. به عنوان مثال، عدم تماس دوره ای از ساعت 22:00 تا 7:00 و عدم حرکت، محل زندگی فرد را نشان می دهد و عدم حرکت در ساعات کاری، محل کار همان فرد را نشان می دهد و یکی از معیارهایی است که افزایش دقت وجود فعالیت بر روی تلفن مشترک در مکان مشخص خواهد بود. در اینجا می توان تعیین کرد که فرد در ساعات کاری چند بار جابجا می شود، چند نفر در شهر موقعیت های مربوط به جابجایی ثابت (پیک ها، رانندگان و سایر مشاغل) را اشغال می کنند.

تعیین جهت حرکت ساکنان به روشی مشابه با استفاده از داده های مشابه در مورد حرکت مشترکان انجام می شود. ارتباطات سلولیو به شما امکان می دهد جریان های اصلی حرکت ساکنان محلی، بازدیدکنندگان و مهاجران کارگری را برجسته کنید، آمار حرکت را بر اساس منطقه و مقصد جمع آوری کنید، ببینید ساکنان و مهمانان چقدر از مغازه ها، رویدادهای فرهنگی، جاذبه های شهر بازدید می کنند، و همچنین میزان محبوبیت مکان های خاصی در شهر هستند.

با ردیابی سرعت حرکت و مکان های بازدید شده، می توان تشخیص داد که شخص از چه نوع حمل و نقل استفاده می کند: ماشین، مترو، حمل و نقل عمومی زمینی، حمل و نقل بین شهری.

تجزیه و تحلیل کار زیرساخت های شهری و تضمین امنیت عمومی

تعداد زیادی چراغ راهنمایی، سیستم‌های کنترل ترافیک شهری، سیستم‌های ضبط ویدئو (دوربین‌های نظارتی)، کنترل حمل‌ونقل عمومی در داخل شهری با جمعیت بیش از یک میلیون نفر نیازمند یک رویکرد هماهنگ برای مدیریت و تمرکز داده‌ها است. یکی از مشکلاتی که در زمان اجرای سیستم های نظارت تصویری در سطح شهر شناسایی شد، عدم امکان رصد وقایع جاری (مثلاً به منظور شناسایی اقدامات غیرقانونی) توسط مأموران وظیفه عملیاتی بود. با در نظر گرفتن فرصت های فعلی فن آوری های مدرنایجاد سیستم های توزیع شده یکپارچه که هم تشخیص رویدادها را از منابع مختلف (سیستم های کنترل ترافیک، دوربین های نظارت و غیره) و هم تجزیه و تحلیل آنها را به منظور پاسخگویی سریع فراهم می کند: تماس با پلیس، کارکنان سازمان های تعمیر و غیره. خدمات عملیاتی شهرستان یکی دیگر از کاربردهای راه حل های کلان داده، توزیع و ذخیره طولانی مدت اطلاعات جمع آوری شده، جستجوی داده های لازم و رویدادهای مرتبط است. چه چیزی باعث این یا آن تغییر در وضعیت شهر شد، چه اتفاقاتی قبل از آن رخ داد، چه کسانی را تحت تاثیر قرار دادند - اینها بخش کوچکی از سوالاتی است که "داده های بزرگ" می توانند به آنها پاسخ دهند.

نقشه برداری داده ها

یکی از امتیاز کلیدیرویدادهای رخ می دهد برای تعیین ویژگی های اشیاء شرکت کننده در آنها است. برای جمع آوری داده ها می توان از منابع کاملاً متفاوتی استفاده کرد: به عنوان مثال، برای داده های دریافتی از یک اپراتور سلولی - ویژگی ها شخصی، که سیم کارت روی آن ثبت شده است، برای سیستم های نظارت - اطلاعات از سیستم های تشخیص چهره، پایگاه های داده دپارتمان. یکی از نکات کلیدی امکان ناشناس سازی اطلاعات، به استثنای اجزای شخصی هنگام انتقال داده ها از صاحبان و منابع مختلف است.

مشکلات اصلی

و با این حال در همه اینها یک مگس در مرهم وجود دارد. مشکل اصلی همه راه حل های یکپارچه سازی، به ویژه اگر تبادل داده بین ادارات و سازمان های مختلف انجام شود، محدودیت های قانونی است که اجازه ارائه داده ها را به شکلی که وجود دارد را نمی دهد. در نتیجه، پردازش اولیه آنها از طرف مالک مورد نیاز است.

جمع

به طور خلاصه، می خواهم یادآوری کنم که فناوری های مدرن برای پردازش "داده های بزرگ" این امکان را فراهم می کند که خدمات بسیار بیشتری نسبت به خدمات فناوری اطلاعات موجود در شهر فراهم شود. در این مورد، نیازی به به روز رسانی زیرساخت های موجود نیست، زیرا منابع داده ای که در دسترس هستند در حال حاضر.

با کمک راه حل های کلاس Big Data می توانید راحتی ساکنان شهر و میهمانان آن را افزایش دهید، ترافیک ترافیکی را نه به دلیل محدودیت در ورود به شهر کاهش دهید، بلکه با مدیریت جریان ترافیک، تعداد جرایم ناشی از آن را کاهش دهید. پاسخگویی سریع، بهبود کیفیت خدمات شهری به دلیل کنترل سریع و خودکار آنها.

سخنران: فیلیپ کاتز

مصاحبه کننده: الکسی کارلینسکی

بارها وعده های نویسندگان داستان های علمی تخیلی درباره آینده ای باورنکردنی را باور می کردیم و هر بار امیدمان به خاطر زمان حال کسل کننده از بین می رفت. ما هنوز روی زمین زندگی می کنیم و ماشین های ما در هوا پرواز نمی کنند. فکر می‌کنیم: «دوباره فریب خوردیم!» و پشت همه این خیال‌پردازی‌ها بار دیگر لحظه‌ای را که واقعاً آینده می‌آید از دست می‌دهیم.

این بار با ظهور Big Data اتفاق افتاد. ما می توانیم آنها را نادیده بگیریم، اما دیگر نمی توانیم تأثیر آنها را بر زندگی خود انکار کنیم. فیلیپ کاتز، معمار و متخصص داده های بزرگ، در مورد اینکه چگونه داده های بزرگ بی سر و صدا شهرهای ما و نحوه زندگی ما در آنها را تغییر داده است، صحبت می کند.

فیلیپ یک متخصص چند رشته ای و معمار با آموزش، متخصص داده های بزرگ است. فارغ التحصیل دانشگاه معماری کازان، موسسه رسانه، معماری و طراحی Strelka، یکی از بنیانگذاران پروژه Branching Point. در دانشگاه ملی تحقیقات سن پترزبورگ تدریس می کند فناوری اطلاعات، مکانیک و اپتیک و به تجزیه و تحلیل داده ها برای Rambler&Co مشغول است.

بستن

فیلیپ، لطفاً به ما بگویید که چگونه از فناوری های داده های بزرگ استفاده می شود طراحی معماریو شهرسازی امروز؟

بیایید با این واقعیت شروع کنیم که چهار سال پیش، زمانی که من در Strelka، در روسیه تحصیل می کردم، حداقل هیچ کس از Big Data اطلاعی نداشت. دنیا به تازگی شروع به صحبت در مورد آنها کرده است. یک سال بعد، همه در روسیه قبلاً در مورد آنها می دانستند و از آنها بیمار شدند. به نظر من این یک پویایی سنتی است - چه زمانی تکنولوژی جدیدبه پایه می رسد، مورد ستایش قرار می گیرد، و سپس به سرعت شک و تردید نسبت به او ظاهر می شود. فناوری از پایه خود برچیده می شود و سپس آنها به شیوه ای آرام تر در جامعه ادغام می شوند.

اگر در مورد تحلیل معماری یا شهرسازی صحبت کنیم، به نظر من امروز این نوعی سازش بین فناوری های مدرن و تحلیل سنتی است. به عنوان مثال، یک سال پیش به دوستم کمک کردم در یک مسابقه معماری برای دانشجویان در ایالات متحده آمریکا شرکت کند. برای آنها، مدیر شهر فایل های GIS را با توصیف نسبتاً خوبی از داده ها ارائه کرد: مسیرهای حمل و نقل، حجم این مسیرها، جایی که هر سال گودال ها ظاهر می شوند، جایی که هر پنج سال یک بار سیل وجود دارد، بلوک های با سطح بالایی از کجا هستند. مالیات‌ها، بلوک‌هایی که درصد بالایی از جمعیت سیاه‌پوست دارند کجا هستند. در ایالات متحده، جزئیات آمار بالا است و داده ها به خوبی جمع آوری می شوند، بنابراین حتی در سطح یک پروژه رقابتی، ما توانستیم برخی چیزها را به صورت تمام شده دریافت کنیم. آنها نیازی به جمع آوری یا تجزیه و تحلیل نداشتند.

بیشتر مفیدترین تجزیه و تحلیل ها، به نظر من، به این خلاصه می شود: شما برخی از داده ها را به عنوان حقایق در نظر می گیرید و بر اساس آن طراحی می کنید. و اگرچه ممکن است همه داده های یکسانی داشته باشند، اما هنوز آن ها را کاملاً متفاوت می خوانند و درک می کنند.

گوگل می گوید خودروهای خودرانش می توانند تعداد تصادفات رانندگی را کاهش دهند و به استفاده کارآمدتر از سوخت و فضای جاده کمک کنند / عکس: Google.com

چگونه از فناوری های کلان داده در عمل خود استفاده کرده اید؟

ما برای مدت طولانیما پروژه "نقطه انشعاب" را با همکارانم ادیک خیمان و ساشا بولدیروا انجام دادیم - سعی کردیم به نحوی طراحی دیجیتال را مورد بحث و توسعه قرار دهیم و طبیعتاً رویای فرضی مشترک و هدف نهایی ما طراحی بر اساس پارامترها بود. در عین حال، رویای نهایی ما دقیقاً یافتن راه‌حل‌های رسمی جدید بر اساس کدهای پیچیده بود که نیازهای ما را برآورده می‌کرد، اما شکل نتیجه آن چیزی نبود که در ذهن داشتیم، بلکه چیزی غیرمنتظره بود - زیبا .

تجزیه و تحلیل یک شکل هنری است که در هر مورد خاص، الگوریتم کار با داده ها یک تصویر است

همانطور که پروژه به بلوغ رسید، همه ما فهمیدیم که این رویا چندان دست نیافتنی نیست، بلکه این ایده که یک ساختمان باید کاملاً بر اساس داده ها طراحی شود بحث برانگیز بود. بیشتر شبیه چیزی است که باید برای آن تلاش کنید، اما بدانید که هرگز به آن نخواهید رسید.

در اینجا یک لحظه دیالکتیکی مهم برای من بوجود می آید. فرض کنید در حال ساخت یک الگوریتم هستیم و درک می کنیم که اول از همه، به دلیل نیازهای ژنتیکی، به پارامترهای کاملاً ساده، اما هنوز رسمی نیاز دارد. و در یک سیستم پیچیده، و یک ساختمان یا منطقه یک سیستم پیچیده است، پارامترهای زیادی بلافاصله ظاهر می شوند که باید به یک مخرج واحد آورده شوند. شما همیشه به یک ژست رسمی اولیه نیاز دارید، به شکلی: استوانه یا موازی، اهرام و غیره.

اگر به کار زاها حدید نگاه کنیم، همیشه یک ژست رسمی برازنده در قلب پروژه وجود دارد. سپس می توان آن را به صورت دیجیتالی اصلاح کرد، اما همیشه در هسته همه چیز باقی می ماند و به قلم نویسنده تعلق دارد. سپس یک الگوریتم ژنتیک می تواند بهترین گزینه را انتخاب کند، اما هرگز نمی تواند آنها را اختراع کند.

یعنی اساس طراحی همیشه اراده انسان خواهد بود. پس چگونه میزان مشارکت انسان در طراحی با توسعه داده های بزرگ تغییر خواهد کرد؟

در آینده، نوعی موتور تحلیلی را می بینم - برای مثال یک کامپیوتر کوانتومی بزرگ و پیچیده، یا تله پات ها و فراروان شناسان غوطه ور در اتاقک های محرومیت، که چیزی را پیش بینی می کنند یا پیشنهاد می کنند که ارزش توجه به آن را دارد.

من فکر می کنم که یک شخص هرگز از این روند خارج نمی شود. همه این موارد (روش‌های تجزیه و تحلیل کلان داده) الگوریتم‌های کمک تصمیم نامیده می‌شوند و ماهیت آن‌ها به شناسایی ناهنجاری‌ها در پویایی فرآیند تا حد امکان کارآمد و به حداقل رساندن درصد کار فنی برای هر فرد خلاصه می‌شود. تحلیلگر باید در زمینه کار با آنها متخصص باشد و الگوریتم‌ها می‌توانند همه چیز را روی یک بشقاب نقره‌ای برای او بیاورند، به جز در واقع راه‌حل. البته یک آستانه فنی برای ورود به این رشته وجود دارد، اما تجزیه و تحلیل خود نوعی هنر است که الگوریتم کار با داده ها یک تصویر است. شاهکار.

پهپادهای مجهز به دوربین می توانند به طور مستقل در یک منطقه خاص گشت زنی کنند و تصاویر را به صورت بلادرنگ به یک مرکز اطلاعات منتقل کنند / عکس: کوین بیرد / Flickr.com

کلان داده نمی تواند همه اطلاعات را پوشش دهد. چگونه با آنچه در تجزیه و تحلیل داده های بزرگ در نظر گرفته نمی شود کار کنیم؟

در واقع، تحلیلگران اغلب به دلیل توصیف تنها کسانی که به اینترنت متصل هستند مورد انتقاد قرار می گیرند و کسانی که به اینترنت متصل نیستند از تحلیل حذف می شوند. این حقیقت مطلق است، اما منطق حفاظتی در اینجا وجود دارد. به طور بدبینانه، اگر مشکل مادربزرگ را ندانیم که خجالت می کشد در اینترنت بنویسد زیرا به آن عادت نکرده است، می توانیم مشکلات او را نادیده بگیریم، صرفاً به این دلیل که اگر از این روش استفاده کنیم، یا مادربزرگ یا او. نوه از او مراقبت می کند، در نهایت آنها می نویسند.

مشکل دیگر در این واقعیت نهفته است که هر فناوری برای جمع آوری یا ذخیره داده ها همیشه اولین عامل خطا است. در عین حال، در اصل غیرممکن است که همه عوامل چند عاملی را ردیابی کنیم - چرا مردم به این شکل بازی می کنند و نه به گونه ای دیگر. در ابتدا Big Data پاسخی ارائه نمی دهد. آنها به شما اجازه می دهند که سؤالات جدی بپرسید.

چگونه می‌توانیم سؤال بپرسیم طرز فکر ما را درباره یک شهر تغییر می‌دهد؟

ادوارد هیمن زمانی اصطلاح "پلاگوپولیس" را ابداع کرد. ایده این است که شهر مدرن فعال تر و پویاتر می شود. امروزه یک نوع محیط با جریانات، حرکات خاص خود است که در آن مایعی که در رگ ها جریان دارد دائماً خود تنظیم می شود. در عین حال، شما فقط می توانید یک نقطه را بگیرید و آن را کاملاً مشروط برطرف کنید. فورا خود را تغییر می دهد و نقاط دیگر اطراف خود را تغییر می دهد. برای من، این ایده یک چیز نسبتاً عملی برای کار با آن است. اکنون مشخص شده است که ما دیگر نمی توانیم شهر را به عنوان چیزی مکانیکی درک کنیم.

آیا این ایده در شهرسازی روسیه پذیرفته شده است؟

در سطح برنامه ریزی شهری در این درک روسی، این امر آشکار نیست. ما به هر شکلی از ترسیم مسیرها و خیابان ها شروع می کنیم و معتقدیم که در نهایت اینگونه خواهد بود. در بهترین حالت، ما شروع به فکر می کنیم که باید بررسی کنیم که چگونه آن را به درستی انجام دهیم، و سپس یا به روشی که ما آن را ترسیم می کنیم خواهد بود، یا مردم همه چیز را خودشان دوباره انجام می دهند.

بیگ دیتا جوابی نمی دهد. آنها به شما اجازه می دهند که سؤالات جدی بپرسید

به طور کلی، اظهارات بی اساس مبتنی بر کلیشه ها و ایده های انتزاعی امروزه بسیار آزاردهنده است. علاوه بر این، معماران و شهرسازان در درجه اول دیوانه می شوند. آنها به سادگی می گویند که "عابران پیاده بهتر از رانندگان هستند" یا "کسب و کارهای خلاقانه یک پارک صنعتی را به بهشت زمینی تبدیل می کند." ای کاش یک محاسبات اساسی پشت هر یک از این چیزها وجود داشت، زیرا ممکن است اینطور باشد یا نباشد، و بیشتر اوقات مشکلی وجود دارد.

پس چگونه Big Data می تواند به ما در درک بهتر شهر کمک کند؟

یک شهر همیشه یک فیل است از یک افسانه در مورد افراد نابینا که سعی می کنند آن را با لمس توصیف کنند. ما همیشه به همین ترتیب کار می کنیم - کسی لب به لب می گیرد، کسی گوش را می گیرد، کسی تنه را می گیرد. و همه می گویند که یک فیل می بینند. در مورد ما، همه ما نیز معتقدیم که بینا هستیم و می دانیم شهر چیست.

داده های بزرگ ما را از لمس کردن فقط در یک مکان محافظت می کند، به ما این فرصت را می دهد تا شکل کلی فیل را تقریبا تصور کنیم و بفهمیم که تقریباً این مکان را لمس می کنیم، اما موارد دیگری نیز وجود دارد. من گزارش های عظیمی از شهر دریافت می کنم و همیشه می توانم به ده خط خاص از داده ها نگاه کنم، نگاه کنم و بپرسم: چرا اینطور است؟ معمولاً این شروع نوعی تحقیق، تحقیق و تاریخ می شود.

داده های GIS همراه با الگوریتم های مدل سازی فضایی به پیش بینی سطح عایق در یک منطقه انتخاب شده کمک می کند / عکس: Trevor Patt / Flickr.com

آیا این افکار، با الهام از داده های بزرگ، به نوعی متعاقباً به پروژه های واقعی تبدیل می شوند؟

روشی به اصطلاح "طب سوزنی شهری" وجود دارد. ماهیت آن در این است که نقاط درد در شهر جستجو می شود و در این گره های کوچک - در فضاهای حداکثر یک بلوک، یا بهتر است بگوییم در یک ساختمان، یا حتی در یک منطقه کوچک بین ساختمان ها - نوعی تغییر ایجاد می شود. با توجه به حجم بودجه، کاملا میکروسکوپی است، اما تغییرات برای کل شهر، اگر این گره ها به درستی محاسبه شوند، بسیار زیاد است.

با اينكه امروزه "طب سوزنی شهری" یک پروژه سوداگرانه است؛ در حال حاضر هوشمند وجود دارد راه حل های فضایی، با چراغ های راهنمایی در داخل سیستم یکپارچه، مثلا. اینها، همراه با جاده‌های هوشمند، اجازه می‌دهند فضا تغییر کند و این می‌تواند انتشارات غیرمنتظره‌ای ایجاد کند. ربات سازی صنایع هنوز در حال انجام است و این نیز ارزش افزوده دارد. اگر الانهواپیماهای بدون سرنشینحمل و نقل کالا و سپس تدارکات شهری آغاز خواهد شدیخ خواهد زد (از انگلیسی برای ادغام — "ادغام"— A.K.)- و اعداد وجود دارد، و اعداد وجود دارد. قطعا کار با این بسیار آسان تر از کامیون داران زنده خواهد بود.

فناوری که من در حال حاضر از آن الهام گرفته ام و امیدوارم چیزی معماری از آن بیرون بیاید، پروژه جدید آمازون است که در آن یک بلندگوی هوشمند در مرکز خانه وجود دارد که به تمام سوالات شما گوش می دهد و به آنها پاسخ می دهد. شبیه سیری، فقط در خانه. این فناوری احتمالاً بیش از هر الگوریتمی حس فضای شهر را تغییر خواهد داد.

بنابراین شهر به طور فزاینده ای به نرم افزار تکیه خواهد کرد؟

دقیقا. در حال حاضر ورودی/خروجی و رابط های مختلف برای به دست آوردن اطلاعات توسط انسان ها به طور نهادی در حال تغییر هستند. از دیدگاه من، خدمات تاکسی ارزان در زندگی من بسیار بیشتر از 90 درصد تصمیمات برنامه ریزی شهری تغییر می کند. تاکسی ها در درک من از شهر تغییرات زیادی می کنند. با وجود تمام تجربه قبلی، با ظهور Yandex. تاکسی و رقابت خدمات تاکسی نشان داده است که رانندگان تاکسی ما مودب هستند، و پول آنها مشخص است، و آنها به سرعت واکنش نشان می دهند - کاملا متفاوت از برخی در نیویورک.

تاکسی سرویس ارزان زندگی من را بیش از 90 درصد تصمیمات برنامه ریزی شهری تغییر می دهد

به نظر من مهم ترین سرویسی که می تواند از Uberification سود کلانی داشته باشد، تن فروشی است. کاربر فرضی خجالت زده است و شاید به همین دلیل است که بسیاری از مردم از خدمات روسپی ها استفاده نمی کنند - به نظر آنها چیزی خطرناک، ترسناک و غیرقابل درک است. با نشستن روی تلفن آنها، مطمئناً برای آنها بسیار راحت تر خواهد بود. البته این کار بلافاصله نان را از دست دلال ها می گرفت و کسب و کار را به کلی تغییر می داد. به سادگی عظیم! من فکر می کنم این اتفاق به زودی در برخی از کشورهای لیبرال رخ خواهد داد.

آیا فکر می‌کنید مردم در آینده می‌توانند شخصاً با فناوری‌های Big Data کار کنند؟

فکر می کنم همه چیز به این سمت پیش می رود. پیچیدگی فناوری افزایش خواهد یافت و این قابل درک است، اما عملاً یاد خواهیم گرفت که چگونه آن را به نحوی به درستی بسته بندی کنیم. رابط های نرم و صاف(از انگلیسی Sleek— نازک، ظریف— A.K.)امروزه، تا حدودی، آنها درک ما را از چگونگی وقوع همه چیز ساده می کنند. اینجا یک دکمه است، اینجا یک لوله کوچک است - همین. امروزه، هرچه بیشتر بتوانید بدون از دست دادن عملکرد خود را از یک فرد معمولی پنهان کنید، بهتر است، زیرا مردم کمی از این همه پیچیدگی می ترسند. اگرچه فناوری شناخته شده، مانند "گزارش اقلیت" ظاهر نشد، فیلم از نظر لمسی بسیار درست آنچه را که اکنون اتفاق خواهد افتاد، توصیف می کند.

چه خواهد بود؟ به نظر شما کلان داده در آینده نزدیک با چه چیزی روبرو خواهد شد؟

آنها به عنوان یک موضوع مد روز ظاهر شدند و اکنون کم کم در حال محو شدن هستند، زیرا بدیهی ترین کارها قبلا انجام شده است. در مرحله بعد، لازم است مکانیسم های فنی در روش - نه به شکل عاشقانه، بلکه به شکل سودمند - کار شود. مطمئنم در پنج سال آینده یک موقعیت نسبتاً خوب و شاید خسته کننده به عنوان نوعی تحلیلگر دیجیتال در دفتر شهردار، وزارتخانه ها و مشاغل ظاهر می شود.

در عین حال Big Data بیماری خاصی دارد. افرادی هستند که درک می کنند که چه کاری انجام می دهند، و افرادی هستند که از آن تغذیه می کنند و واقعاً نمی دانند Big Data چگونه کار می کند. شکاف بین فن‌آوران حرفه‌ای و افرادی که می‌دانند چرا همه اینها ممکن است اتفاق بیفتد، همیشه در هر کسب‌وکاری، در هر علمی وجود دارد و این قطعاً یک مشکل است. افرادی که بخش فناوری را می‌دانند و راه‌حل‌های جدید را آزمایش می‌کنند، به ندرت چیزهای واقعاً مفیدی می‌سازند، و افرادی که می‌دانند چگونه این پیشرفت‌ها را به کار ببرند نیز نمی‌توانند به تنهایی یک محصول با کیفیت ایجاد کنند. بنابراین، تنها راه توسعه هنگام کار با داده های بزرگ، یافتن راه های جدید تعامل بین متخصصان است.

معرفی

بر اساس پیش‌بینی‌های تحلیلگران، 67 درصد از شرکت‌های صنعت هوافضا پروژه‌های مبتنی بر داده‌های بزرگ را اجرا می‌کنند، 10 درصد دیگر نیز چنین پروژه‌هایی را برنامه‌ریزی می‌کنند. در مورد خطوط هوایی نیز 44 درصد از شرکت ها اجرای پروژه ها را برای فوریه 2019 اعلام کردند و 25 درصد نیز برای چنین پروژه هایی برنامه ریزی کردند.

اینها نتایج مطالعه‌ای است که در دسامبر 2017 توسط FlightGlobal در رابطه با نقش داده‌های بزرگ برای شرکت‌های هوافضا و خطوط هوایی انجام شد. تحلیلگران نیز نظراتی در مورد اشتراک گذاریداده های مربوط به وضعیت هواپیما با سازندگان و شرکت های انجام دهنده تعمیرات و نگهداری (MRO). در این مطالعه 300 متخصص از صنایع هوافضا و هوانوردی شرکت داشتند. بسیاری از آنها مطمئن هستند که فناوری های کلان داده می تواند قابلیت اطمینان عملیاتی و کارایی خطوط هوایی را بهبود بخشد.

تقریباً نیمی از پاسخ دهندگان گفتند که شرکت های آنها از مجموعه داده هایی در مورد وضعیت هواپیما استفاده می کنند که به آنها در تصمیم گیری بهتر کمک می کند. در آینده نزدیک سهم این گونه شرکت ها به 75 درصد افزایش خواهد یافت.

اشتراک گذاری داده ها با OEM/MRO همچنان مشکل ساز است. با این حال، 38٪ از خطوط هوایی معتقدند که چنین مدلی می تواند مزایای تجاری قابل توجهی را برای آنها فراهم کند.

طبق نظرسنجی «هواپیمای متصل» هانیول در ماه مه 2018، 47 درصد از شرکت های هواپیمایی مورد بررسی قصد دارند تا یک میلیون دلار برای هر هواپیمایی که طی سال آینده پرواز می کنند برای اتصال هواپیما هزینه کنند. اکثر این شرکت ها قصد دارند مبلغی از 0.1 تا 0.5 میلیون دلار را برآورده کنند. با این حال، در یک چشم انداز پنج ساله، 38 درصد از شرکت های هواپیمایی سرمایه گذاری های خود را بین 1 تا 10 میلیون دلار برای هر هواپیما اعلام کردند.

تا فوریه 2019، زمانی که خطوط هوایی روی فناوری‌های متصل سرمایه‌گذاری می‌کردند، اساساً در مورد ارائه ارتباطات ماهواره‌ای و Wi-Fi بود. اکنون شرکت‌ها آماده هستند تا از داده‌هایی که می‌توانند با استفاده از تجهیزات مستقیماً در هواپیما به دست آورند، بهره ببرند. به عنوان مثال، تحلیلگران هانیول تخمین می زنند که چنین داده هایی می تواند 1 درصد سوخت مصرفی را که معادل 50000 دلار برای هر هواپیما در سال است، صرفه جویی کند.

استفاده از داده های بزرگ توسط خطوط هوایی خارجی

فن آوری های داده های بزرگ برای انجام تعدادی از وظایف در زمینه هوانوردی غیرنظامی استفاده می شود. در این فصل با جزئیات بیشتری در مورد زمینه های اصلی استفاده در هوانوردی در تعدادی از کشورهای خارجی صحبت خواهیم کرد. اول از همه، اینها تعمیرات و نگهداری، اطمینان از صرفه جویی در سوخت، ایجاد دوقلوهای دیجیتال، بهینه سازی فعالیت های عملیاتی (از جمله پیش بینی تاخیر پرواز)، ایجاد پیشنهادات شخصی برای مسافران و غیره است.

کلان داده و نگهداری از قابلیت پرواز هواپیما

یکی از این حوزه های اولویت دار در آینده نزدیک، نگهداری و تعمیر کشتی ها خواهد بود. بنابراین، 88 درصد از پاسخ دهندگان به مطالعات تحلیلی انتظار دارند که در این زمینه است که می توانند حداکثر سود را از استفاده از فناوری دریافت کنند. تعمیر و نگهداری و تعمیر از نظر اهمیت بسیار جلوتر از سایر زمینه ها هستند. تجزیه و تحلیل و تعمیرات پیش بینی در هوانوردی اثربخشی خود را نشان می دهد و در عمل ثابت می کند که فناوری های متصل کار می کنند.

پس از تعمیر و نگهداری، پاسخ‌دهندگان انتظار دارند که از اجرای فناوری‌های پرواز مرتبط با صنعت، از جمله بهینه‌سازی مصرف سوخت و زمان چرخش هواپیما و همچنین خدمات مسافری، مزایایی داشته باشد.

بنابراین، در مطالعه "Sky High Economics: ارزیابی مزایای اقتصادی عملیات خطوط هوایی متصل"، تحلیلگران خاطرنشان می کنند که هواپیماهای متصل می توانند داده ها را به ابر یا به سرورهای زمینی منتقل کنند، جایی که این داده ها را می توان با استفاده از ابزارهای Big Data Analytics تجزیه و تحلیل کرد. این به شرکت های هواپیمایی اجازه می دهد، برای مثال، ایرادات را قبل از تبدیل شدن به مشکلات بزرگ شناسایی کنند. از اطلاعات به دست آمده می توان برای تصمیم گیری بهتر و کاهش زمان توقف پرهزینه هواپیما (Aircraft on Ground) استفاده کرد.

علاوه بر این، با ظهور مدل‌سازی پیش‌بینی‌کننده، امکان جایگزینی قطعاتی که با تجزیه و تحلیل شناسایی می‌شوند که نیاز به تعویض دارند، قبل از خرابی، یعنی در طول کار تعمیر و نگهداری برنامه‌ریزی شده، ممکن شده است. همه اینها به کاهش هزینه ها و بهبود ایمنی پرواز کمک می کند.

دوقلوهای رقمی. آن چیست؟

موضوع تعمیرات پیش بینی کننده (پیشگیرانه) نیز ارتباط نزدیکی با استفاده از به اصطلاح "دوقلوهای دیجیتال" دارد. با این حال، بر خلاف، به عنوان مثال، صنعت نفت و گاز، که سی دی در حال حاضر در عمل توسط تعدادی از شرکت های بزرگ استفاده می شود، در صنعت هوانوردی این موضوع همچنان بیشتر در سطح کارشناسان و تحلیلگران مورد بحث قرار می گیرد.

در سال 2019، کارشناسان صنعت هوانوردی شروع به ترویج فعالانه موضوع استفاده از "دوقلوهای دیجیتال" کردند: مدیریت شرکت سوئدی IFS، یک توسعه دهنده نرم افزار برای مشتریان شرکتیاز جمله از صنعت هوانوردی، در آوریل 2018 گفت که یکی از نوآوری‌های فناوری که می‌تواند به شرکت‌های هواپیمایی کمک کند تا در عین کاهش هزینه‌های تعمیر و نگهداری و تعمیرات به طور موثر عمل کنند، دوقلوهای دیجیتال هستند. دوقلوهای دیجیتال کپی مجازی دارایی‌های فیزیکی هستند که می‌توانند به مهندسان روی زمین نشان دهند که یک موتور در حالی که هواپیما در هوا است چگونه کار می‌کند. برای ایجاد این امکان، مهندسان هزاران نقطه جمع آوری اطلاعات را در طول طراحی و تولید موتور نصب می کنند. سپس از اینها برای ایجاد یک مدل دیجیتال استفاده می شود که موتور را در زمان واقعی نظارت و کنترل می کند و اطلاعات ضروری را در طول چرخه عمر آن، مانند دما، فشار و جریان هوا ارائه می دهد.

جنرال الکتریک به توسعه یک دوقلو دیجیتالی برای ارابه فرود هواپیما کمک کرد. سنسورها بر روی قسمت هایی از شاسی قرار گرفتند که بیشتر در معرض خرابی بودند. در زمان واقعی، داده هایی مانند فشار و دما به متخصصان منتقل می شد و به پیش بینی خرابی های عملیاتی یا عمر باقیمانده کمک می کرد. این داده ها با داده های یک دوقلو دیجیتالی که تحت بارهای مشابه قرار گرفته بود مقایسه شد.

برای پیاده‌سازی مدل تعمیر و نگهداری پیش‌بینی‌کننده، از دو راه‌حل استفاده خواهد شد - سیستم تبادل داده‌های داخل هواپیما برای عملیات پرواز و تعمیر و نگهداری (FOMAX) و ابزارهای خارج از هواپیما برای تجزیه و تحلیل داده‌های هوانوردی Skywise. FOMAX، سروری از Rockwell Collins، داده‌های نگهداری و عملکرد هواپیما را جمع‌آوری می‌کند حالت خودکارآنها را برای مهندسان و تکنسین ها ارسال می کند. SkyWise که بر روی یک پلتفرم ابری اجرا می شود، تجزیه و تحلیل داده های مختلف را ارائه می دهد که به طور مشترک توسط Airbus و Palantir Technologies توسعه داده شده است.

سیستم FOMAX تمام داده‌ها را از سیستم FDIMU (واحد مدیریت رابط داده‌های پرواز) داخل هواپیما دریافت می‌کند. FOMAX دارای عملکرد یک روتر 4G است: پس از فرود کشتی، تمام داده ها با استفاده از آنتن های Gatelink 4G به پلت فرم تحلیلی Skywise منتقل می شود و توسط متخصصان ایرباس تجزیه و تحلیل می شود. برای تجزیه و تحلیل، متخصصان ایرباس به طور مستقل مدل های خاصی را توسعه دادند که می تواند وقوع مشکلات سیستم را پیش بینی کند. پس از تجزیه و تحلیل، نتایج آن به متخصصان EasyJet ارسال می شود، که به طور مستقل در مورد نیاز به تعمیر و نگهداری یا تعمیرات پیش بینی شده تصمیم می گیرند. با استفاده از اطلاعات به دست آمده، متخصصان شرکت های هواپیمایی می توانند الگوریتم هایی ایجاد کنند که در آینده امکان پیش بینی وقوع یک مشکل خاص در هر یک از هواپیماها را فراهم می کند.

هواپیماهای مدل A320 با FOMAX می توانند بیش از 24000 پارامتر را جمع آوری کنند، یعنی از جمع آوری 100٪ اطلاعات از سیستم ها و اجزای هواپیما اطمینان حاصل کنند. هواپیماهای بدون FOMAX 400 پارامتر، یعنی 2 درصد از اطلاعات موجود را جمع آوری می کنند.

به گفته مدیریت دلتا، برنامه تعمیر و نگهداری پیش‌بینی‌کننده آن به شرکت هواپیمایی کمک می‌کند تا تعداد اختلالات عملیاتی را به میزان قابل توجهی کاهش دهد: در 12 ماه گذشته، استفاده از تعمیر و نگهداری پیشگیرانه به جلوگیری از 1200 تاخیر یا لغو پرواز کمک کرده است.

این برنامه از داده های بدست آمده از آن استفاده می کند سیستم های مختلف، مانند، به عنوان مثال، مدیریت سلامت هواپیما از بوئینگ، از سیستم های ایرباس و جنرال الکتریک. در عین حال، اساس ناوگان هواپیماهای این شرکت هواپیمایی از هواپیماهایی تشکیل شده است که حتی قبل از اینکه استخراج و تجزیه و تحلیل داده‌ها به یک عملکرد «باید» تبدیل شود، توسعه یافته‌اند. پس از تجزیه و تحلیل داده های دریافتی، برنامه توصیه هایی برای جایگزینی قطعات و مکانیسم ها ایجاد می کند. به گفته متخصصان خطوط هوایی دلتا، برنامه مورد استفاده از نظر توصیه هایی برای نیاز به تعویض قطعات، دقت 95 درصدی را نشان می دهد.

هنگام ارائه راه حل، این استارتاپ نشان داد که یک خلبان با یک شرکت هواپیمایی بزرگ بین المللی باید در بهار 2018 اجرا شود. با این حال، هر اطلاعات اضافیهیچ انتشاری در مورد این موضوع وجود ندارد.

استفاده از داده های بزرگ برای تحلیل و پیش بینی تقاضای سفرهای هوایی

شرکت توسعه‌دهنده فن‌آوری هوانوردی Saber Corporation، ارائه‌دهنده راه‌حل‌هایی برای صنعت سفر جهانی، در نوامبر ۲۰۱۷ اعلام کرد که قراردادی چند ساله برای ارائه راه‌حل MIDT (نوارهای اطلاعات بازار) به خطوط هوایی هنگ کنگ امضا کرده است. این تصمیمپایگاه داده ای است که دسترسی به داده های رزرو تاریخی و پیش بینی (عمق تا 11 ماه) را فراهم می کند. در اختیار داشتن این محصول به خطوط هوایی اجازه می دهد تا تأثیر اقدامات در زمینه تعیین تعرفه و برنامه های بازاریابی را تجزیه و تحلیل کنند.

خطوط هوایی هنگ کنگ انتظار دارد از این محصول برای ورود به بازار آمریکای شمالی استفاده کند. این محصول به شما امکان تولید گزارش می دهد و دارای عملکرد تحلیلی است که به کاربر این فرصت را می دهد تا کانال های بهینه برای اجرای استراتژی بازاریابی را شناسایی کند. خطوط هوایی هنگ کنگ به داده های عامل Saber در سراسر جهان در همه مبدا و مقصدهایی که ایرلاین در آن حضور دارد دسترسی خواهد داشت.

داده های بزرگ برای بهبود رضایت مشتری و شخصی سازی

بریتیش ایرویز که از نظر ترافیک مسافر در بین 10 نفر برتر قرار دارد، از سال 2013 از تجزیه و تحلیل داده های بزرگ برای بهبود سطح خدمات به مشتریان خود استفاده می کند: شرکت مخابراتی داده های مختلف مسافران را در یک مرکز ذخیره سازی ویژه جمع آوری می کند و سپس آن را در یک ذخیره سازی آپلود می کند. برنامه ای به نام "من را بشناس". هدف این برنامه یادگیری و درک بهتر نیازهای مشتریان و همچنین استفاده از داده های جمع آوری شده در طول انواع تماس با این مشتریان برای ارتقای سطح خدمات آنها است.

"من را بشناس" حاوی داده های مختلفی در مورد مسافران است: رفتار هنگام سفارش آنلاین، آرزوها هنگام خرید، ترجیحات هنگام انتخاب صندلی. همه این اطلاعات به طور خودکار تولید می شود و دفعه بعد که مشتری رزرو می کند به طور خودکار استفاده می شود.

این برنامه با استفاده از نرم افزار تجزیه و تحلیل از Opera Solutions اجرا می شود. از جستجوی تصویر گوگل نیز استفاده می‌شود که به کارکنان خطوط هوایی اجازه می‌دهد تا مسافران با ارزش و پرواز بالا را از لحظه ورود به فرودگاه یا سالن کسب‌وکار تشخیص دهند و بر این اساس خدمات درجه یک را به آنها ارائه دهند.

یکی دیگر از بازیگران اصلی بازار، ویرجین استرالیا، در پایان سال 2017 اعلام کرد که در حال بهینه سازی عملکرد برنامه های خود در زمینه یادگیری ماشین است. برای این منظور، این شرکت استارتاپ DataRobot را جذب کرد. یک استارت‌آپ آمریکایی یک پلتفرم تحلیلی پیش‌بینی‌کننده برای ایجاد و پیاده‌سازی سریع مدل‌های پیش‌بینی ایجاد کرده است. این پلتفرم در حال حاضر به ویرجین استرالیا کمک می‌کند تا زمان ایجاد مدل‌های پیش‌بینی را تا ۹۰ درصد کاهش دهد در حالی که دقت پیش‌بینی تا ۱۵ درصد افزایش می‌یابد.

برای فوریه 2019، این ایرلاین در حال کار بر روی بهینه سازی برنامه وفاداری پروازهای مکرر Velocity است و تجزیه و تحلیل های پیش بینی را در آن معرفی می کند، که باید از مشتریان شرکت در انتخاب بهترین زمان برای استفاده از امتیازهایی که دریافت می کنند حمایت کند. DataRobot وظیفه دارد پیش‌بینی‌ها/مدل‌هایی را بسازد که چه کسی احتمال دارد سفر کند، با چه قیمتی، و مسافر چه نوع سفری را ترجیح می‌دهد. به طور کلی، ما در مورد افزایش سطح خدمات برای شرکت کنندگان در برنامه وفاداری خطوط هوایی صحبت می کنیم.

استفاده از چت ربات های هوشمند

راه حل اول یک مدل چت بات است که به ارتباطات انسانی نزدیک است. در همان زمان، برای بهبود قابلیت‌های گفتگو، از یک اپلیکیشن مبتنی بر یادگیری ماشینی به نام LUIS (سرویس اطلاعات درک زبان) استفاده شد. علاوه بر این، خدمات شناختی، به ویژه تشخیص چهره، در چت بات یکپارچه شده است. این به مشتریان خطوط هوایی این امکان را می دهد که لیستی از فیلم هایی با بازی بازیگر خاصی را برای تماشای هواپیما درخواست کنند. برای این کار فقط باید عکس این بازیگر را در اپلیکیشن آپلود کنید.

راه حل دوم یک برنامه مبتنی بر هوش مصنوعی برای تجزیه و تحلیل محتوای ویدیویی با استفاده از یادگیری ماشین است. این پلتفرم توانایی شناسایی موارد، سناریوها یا محتوای دارای محدودیت سنی خاص را دارد که اغلب توسط الزامات محتوای خطوط هوایی مورد نیاز است. مثلا، هوش مصنوعیقادر به شناسایی محتوای مربوط به صحنه های سقوط هواپیما یا محتوای بزرگسالان و فیلتر کردن آن است.

در آوریل 2018، FoxTripper یک برنامه "نقشه متحرک" را برای اولین بار به نمایش گذاشت. این برنامه اطلاعاتی را در مورد مناطقی که هواپیما بر فراز آنها پرواز می کند در اختیار مسافران قرار می دهد و به مسافران اجازه می دهد در مقصد خود رزرو کنند. داده‌های جمع‌آوری‌شده در طول پرواز، همراه با داده‌های خطوط هوایی درباره مسافر، به ما امکان می‌دهد پیش‌بینی کنیم که کدام محصولات و خدمات برای او مرتبط هستند.

نمونه جالب دیگر گوگو ایر است. این شرکت اطلاعات سرگرمی در پرواز از هوش مصنوعی و یادگیری ماشینی برای کمک به خطوط هوایی برای بهبود خدمات خود استفاده می کند. Gogo Air از مجموعه ابزارهای Adobe Analytics، از جمله Virtual Analyst، ابزاری مبتنی بر یادگیری ماشین، برای جمع‌آوری اطلاعات مشتریان برای تعدادی از خطوط هوایی بزرگ استفاده می‌کند.

گوگو ایر با ارائه محتوای سرگرمی و دسترسی به وای فای در حین پرواز، اطلاعات مسافرانی را که از این خدمات استفاده می کنند جمع آوری می کند. سپس این اطلاعات پردازش و تجزیه و تحلیل می شود. در نتیجه، خطوط هوایی داده‌هایی را دریافت می‌کنند که به آنها کمک می‌کند خدمات مشتری را بهبود بخشند و اغلب محصولات هدفمندتری را به مسافران خود ارائه می‌دهند. خطوط هوایی در حال یادگیری هستند که مشتریانشان در حین پرواز به چه محصولاتی علاقه مند هستند، از چه دستگاه هایی در حین پرواز استفاده می کنند، چقدر زمان را می خواهند به صورت آنلاین بگذرانند، یا چه نوع سرگرمی در پرواز را ترجیح می دهند.

خطوط هوایی از داده‌هایی که دریافت می‌کنند برای شخصی‌سازی خدمات بر اساس شرایط موقعیتی استفاده می‌کنند، برای مثال، صفحه‌های سیستم‌های اطلاعات سرگرمی در هواپیما را با مشتری بسته به طول پرواز، دستگاه‌های مورد استفاده مسافر و مقصد تطبیق می‌دهند.

فن آوری های پذیرایی داخلی نیز از قلم نیفتاده است. بنابراین، در آوریل 2018 در هامبورگ، Black Swan Data، یک شرکت در حال توسعه راه حل برای تجزیه و تحلیل داده ها، با gategroup قرارداد همکاری منعقد کرد. هدف از این همکاری تجزیه و تحلیل داده‌های مسافران و روندها در شبکه‌های اجتماعی است تا پیش‌بینی شود مسافران کدام منو را در هواپیما انتخاب می‌کنند. مسافران پس از فرود می توانند غذاهای مورد علاقه خود را سفارش دهند و انتظار دریافت کنند. پروژه آزمایشی این دو شرکت نتایج خوبی را نشان داد: کاهش 50 درصدی ضایعات مواد غذایی و افزایش بهره وری تا 15 درصد امکان پذیر شد.

در می 2018، توسعه دهنده راه حل های هوانوردی SITA یک سیستم ردیابی و مدیریت چمدان را ارائه کرد. فناوری BagJourney آن به خطوط هوایی بیشتر و بیشتری اجازه می دهد تا عملیات چمدان را مدیریت کنند. تنها در شش ماه اول سال 2018، بیش از 20 اپراتور این راه حل را انتخاب کرده اند. SITA BagJourney یکی از راه‌حل‌های کلیدی است که به صنعت هواپیمایی کمک می‌کند تا با قطعنامه ۷۵۳ یاتا مطابقت داشته باشد، که به ردیابی چمدان در هر مرحله از سفر نیاز دارد.

SITA BagJourney هر ساله برای پردازش صدها میلیون قطعه چمدان استفاده می شود. به گفته کاربران، این راه حل تعداد خطاها را تا 30 درصد کاهش می دهد. BagJourney با انواع سخت افزار از جمله دستگاه های تلفن همراهبرای اسکن یا دستگاه های ثابت

به گفته باهاماس ایر، یکی از کاربران این راه حل، پس از اجرای آن، این فرآیند طی 7 روز تکمیل شد. انتقال کاملبه دستگاه های تلفن همراه برای ردیابی تمام چمدان ها در دو مقصد شلوغ از نظر بار - ناسائو و میامی. پس از شش ماه، تعداد شکایات مربوط به مشکلات بار در شلوغ ترین مسیر 60 درصد کاهش یافت. این شرکت هواپیمایی قصد دارد این راه حل را در همه مسیرها اجرا کند و انتظار دارد تا پایان سال به طور کامل با الزامات قطعنامه 753 مطابقت داشته باشد.

مصاحبه با کارشناسان

کاربرد فناوری های داده های بزرگ در هوانوردی غیرنظامی روسیه

کار با شهرت مشتری برای شرکت های حمل و نقل از جمله هوانوردی از اهمیت بالایی برخوردار است. شبکه های اجتماعی به شما این امکان را می دهند که نظرات مسافران را در زمان واقعی جمع آوری کنید و به سرعت به آنها پاسخ دهید.

از مزایای سیستم مورد بررسی امکان نظارت مستمر بر رضایت از شرکت و تعامل با کاربران در شبکه های اجتماعی است. تضمین امنیت و شناسایی سازمان های تروریستی، افراط گرایی و سایر مشکلات؛ بهبود مستمر پیشنهاد برای مشتری از طریق تجزیه و تحلیل در شبکه های اجتماعی و توانایی برقراری ارتباط مستقیم با اپراتور. حفظ شهرت شرکت هواپیمایی از طریق تماس سریع با مخاطبان در شبکه های اجتماعی؛ تجزیه و تحلیل ترجیحات کاربر و آماده سازی پیشنهادات محصول فردی، و همچنین تبلیغات هدفمند موفق. جزئیات بیشتر در مورد پروژه -

DBMS Tarantool داخلی در پروژه تجزیه و تحلیل داده های بزرگ

Aeroflot الگوریتم های تجزیه و تحلیل پیش بینی را به عنوان بخشی از پروژه پلتفرمی برای تجزیه و تحلیل و پردازش درخواست های مسافران در شبکه های اجتماعی پیاده سازی کرده است. توسعه داخلی به عنوان یک DBMS - راه حل Tarantool از شرکت Mail.Ru Group استفاده شد.

این مجموعه متشکل از تعداد زیادی ماژول است که هم نیازمندی های کاربردی تجاری و هم ماژول های ادغام در زیرساخت های فناوری اطلاعات موجود Aeroflot PJSC و کانال های مختلف برای دریافت درخواست ها (شبکه های اجتماعی، ایمیل، وب سایت رسمی، حساب شخصی) را پوشش می دهد.

ماژول اول مسئول شناسایی مشتری بر اساس تجزیه و تحلیل جامع داده ها، هم خود متن و هم داده های نمایه نویسنده است. تعداد درخواست ها می تواند به چندین هزار در روز برسد.

ماژول دوم برای جستجوی درخواست های تکراری طراحی شده است. کپی کردن متن برای ارسال در منابع مختلف یا ارسال از طریق پست. پست های مشابه معنایی به منظور شناسایی خوشه هایی که حادثه هستند شناسایی می شوند. پردازش چندین پست مشابه به طور همزمان منجر به کاهش قابل توجه بار کاری کارکنان مسئول می شود.

ماژول سوم "سرنخ های اطلاعات" یکی از مهم ترین ماژول های سیستم است. ویژگی اصلی آن شناسایی پیش‌بینی پست‌های خطرناک حتی قبل از شروع افزایش فعالیت است. بنابراین، الگوریتم‌های تعبیه‌شده یک «بمب اطلاعاتی» بالقوه را نشان می‌دهند و سطح زیان‌های شهرت را ممکن می‌سازند.

تعداد تخمینی دسترسی به داده ها چندین هزار درخواست در ثانیه با زمان پاسخ مورد نیاز چند میلی ثانیه بود. برای برآورده ساختن نیازهای بالای مشتری، مانند محدودیت زمانی سه ثانیه ای برای غنی سازی تیراژ با خواص مختلف، استفاده از نرم افزارهای با تکنولوژی بالا مورد نیاز بود. بر اساس نتایج آزمایش‌های مربوط به عملکرد، کیفیت ذخیره‌سازی داده و عملکرد، تصمیم گرفته شد از یک توسعه داخلی - Tarantool DBMS استفاده شود.

Tarantool در پلتفرم به عنوان یک پایگاه داده عملیاتی استفاده می شود که در آن درخواست ها در قالب ساختارهای داده ویژه لازم برای الگوریتم های تحلیلی ذخیره می شوند. عملکرد بسیار بالا و وجود ویژگی هایی در پایگاه داده مانند شاخص های ثانویه و پشتیبانی از تعداد زیادی از اتصالات بدون از دست دادن عملکرد، اجرای موفقیت آمیز ماژول های کاربردی فوق توضیح داده شده را بدون تجاوز از بازه زمانی تعیین شده ممکن می سازد.

استفاده از پیشرفت های داخلی در شرکت بزرگی مانند آئروفلوت بسیار مهم است. نرم افزار روسی اغلب به هیچ وجه پایین تر نیست و، مانند مورد ما، حتی از همتایان خارجی خود برتر است. به همین دلیل ترانتول انتخاب شد. و طبیعتا عامل مهم جایگزینی واردات در حال تحقق است که برای شرکت ما یکی از اولویت های کلیدی سال های آینده است.

کریل بوگدانوف، مدیر عامل شرکت Aeroflot PJSC

بر اساس نتایج پیاده سازی، مشتری با استفاده از پلتفرم، کارایی فرآیند رسیدگی به شکایات و درخواست های مشتریان توسط کارکنان مسئول آئروفلوت PJSC را به میزان قابل توجهی افزایش داده و زمان تحویل درخواست و زمان رسیدگی را به شدت کاهش داده است. حل مشکل به دلیل مکانیسم هایی برای غنی سازی درخواست با زمینه، لحن، موضوعات (برچسب)، نویسنده پروفایل و غیره. همه اینها با هدف دستیابی به یک اثر مثبت اقتصادی و اعتباری در تقریباً تمام مراحل ارائه خدمات توسط Aeroflot PJSC است. بر اساس تجربه موفق، همه شرکت کنندگان پروژه همچنان از نرم افزار Tarantool در پروژه های خود استفاده کرده و مشارکت ها را تقویت خواهند کرد

Technoserv یک سیستم تقسیم بندی مشتری هوشمند را برای Aeroflot پیاده سازی کرد

تکنوسرور تأیید کرد که فناوری‌های کلان داده به طور کلی در صنعت حمل‌ونقل مورد تقاضا هستند و این با افزایش تعداد پروژه‌هایی که از این فناوری‌ها استفاده می‌کنند تأیید می‌شود. در عین حال، موضوعات پروژه ها، به گفته او، کاملاً متفاوت است. اینها شامل وظایف افزایش شخصی سازی ارتباطات با مشتریان، تعمیر فعال تجهیزات، پیش بینی تقاضا و سایر وظایف حل شده با استفاده از الگوریتم های یادگیری ماشین و تجزیه و تحلیل حجم زیادی از داده های ساختاریافته، بدون ساختار و نیمه ساختاریافته برای شرکت هواپیمایی و شرکای آن است. سرعت محاسبه از 14 روز به 23 ثانیه افزایش یافته است.

ما یک تراکنش برای خرید بلیط هواپیما از طریق API بلاک چین باز به بانک انجام دادیم، اما مطمئن هستم که چنین طرحی خیلی زود توسط بسیاری از شرکت‌ها در سراسر جهان استفاده خواهد شد. پلتفرم بلاک چین به شما امکان می دهد تا به طور قابل توجهی فرآیندهای تجاری را بهینه کنید. هر طرح تسویه حساب متقابل را خودکار می کند، حتی یک طرح بسیار پیچیده - به عنوان مثال، تحویل انبار. با چنین مکانیزمی، عملاً هیچ مشارکت انسانی لازم نیست: نیازی به صدور صورتحساب، انجام مصالحه یا نوشتن اعمال نیست. به طور بالقوه، تامین کنندگان کترینگ در پرواز، سوخت، خدمات فرودگاهی - همه آن شرکت هایی که S7 Airlines دائما با آنها کار می کند و نه تنها - می توانند به پلت فرم متصل شوند.(قراردادهای هوشمند سوخت هوانوردی، AFSC)، بر اساس بلاک چین. این پروژه امکان خودکارسازی برنامه ریزی و حسابداری عرضه سوخت را فراهم کرد و برای افزایش سرعت تسویه حساب های متقابل هنگام سوخت گیری هواپیما طراحی شده است.

طبق بیانیه نمایندگان گازپروم نفت، این اولین تجربه استفاده از فناوری های دفتر کل توزیع شده برای بازار هوانوردی روسیه است. با کمک آنها، این شرکت هواپیمایی قادر به پرداخت مستقیم سوخت در هنگام سوخت گیری هواپیما بدون پیش پرداخت، ضمانت های بانکی و خطرات مالی برای شرکت کنندگان در معامله بود. به گفته شرکت نفت و گاز این رویکرد باعث افزایش کارایی تراکنش های مالی و کاهش هزینه های نیروی کار می شود.

پیش بینی خرابی هواپیماهای خطوط هوایی S7 با استفاده از یادگیری ماشین و تجزیه و تحلیل داده های بزرگ

در ابتدای مارس 2018، خطوط هوایی S7 یک سیستم پیش‌بینی توسعه داد نگهداری(تعمیرات قابل پیش بینی). به گفته خود این شرکت، اولین شرکت هواپیمایی روسی بود که توسعه چنین سیستمی را تکمیل کرد.

در ابتدا برای هواپیماهای ایرباس A319 استفاده می شود. در آینده، این سیستم برای کل ناوگان هواپیما تطبیق داده خواهد شد.

سیستم تعمیر و نگهداری پیش بینی شامل تجزیه و تحلیل مجموعه ای از داده های تاریخی در مورد تعمیر و نگهداری هواپیما و عملکرد اجزای منفرد است.

نرم افزار تجزیه و تحلیل داده ها و ساخت یک مدل ریاضی توسط متخصصان خطوط هوایی S7 به همراه شرکت روسی Datadvance که متخصص در توسعه راه حل هایی برای تجزیه و تحلیل پیش بینی است، توسعه یافته است.

در مارس 2018، مجموعه داده ای برای دوره 2012 تا 2017 از قبل برای تجزیه و تحلیل در دسترس بود. این داده های ثبت شده در سیستم های تله متری هواپیما، پایگاه داده شرکت نگهداری و تعمیر هواپیما S7 Technics و داده های هواشناسی است.

عمده ترین وظایفی که شرکت انتظار دارد با کمک تعمیر و نگهداری پیش بینی حل کند، کاهش تعداد پروازهای تاخیری به دلایل فنی، افزایش ایمنی پرواز و کارایی تعمیر و نگهداری هواپیما و پیش بینی احتمال خرابی های احتمالی برای هر هواپیما در ناوگان شرکت است. .

صدها برچسب RFID در هر هواپیما به معنای واقعی کلمه به هر چیزی که نمیخکوب نشده وصل می شود - از جلیقه نجات گرفته تا کمربند ایمنی. برچسب ها همچنین به دستکش های مقاوم در برابر حرارت، مگافون، سیلندرهای اکسیژن، ماسک ها، کپسول های آتش نشانی و غیره متصل می شوند.

هدف این پروژه تسریع در موجودی تجهیزات اضطراری است که پس از هر پرواز رخ می دهد. یکی از مهمانداران هواپیما با تبلت راه اندازی می کند برنامه ویژهو از داخل کابین عبور می کند و برچسب های RFID را اسکن می کند. هر تگ شناسایی شده با یک علامت کوتاه پاسخ می دهد سیگنال صوتی، و در پایان برنامه گزارشی از حضور تمام تجهیزات اضطراری تولید می کند. گزارش بلافاصله در سرور آپلود می شود: سیم کارت ها در تبلت ها نصب می شوند و قسمت ابری بر اساس Microsoft Azure پیاده سازی می شود.

در صورت مفقود شدن برخی تجهیزات، بلافاصله در گزارش قابل مشاهده است؛ بر این اساس، در این مورد، فرمان خروج اتوبوس های سکویی با مسافر داده نمی شود و بررسی می شود.

بدون تجهیزات، نمی توان به هواپیما اجازه پرواز بعدی را داد (یعنی اگر جلیقه نجات کافی در هواپیما وجود نداشته باشد، به این معنی است که یکی از مسافران از حمل و نقل محروم می شود). موجودی دستی زمان و تلاش بسیار بیشتری می طلبد: 189 جلیقه به تنهایی زیر صندلی ها وجود دارد و همه آنها باید بررسی شوند. بنابراین، به لطف فناوری RFID، پوبدا توانست حداقل زمان گردش هواپیما را از 30 به 25 دقیقه کاهش دهد. این یکی از شاخص های کلیدی KPI در هوانوردی مسافربری است: نکته این است که هرچه زمان کمتری از ورود به فرودگاه تا خروج پرواز بعدی بگذرد، بازده اقتصادی شرکت هواپیمایی بیشتر می شود، زیرا هواپیما تنها زمانی که پرواز می کند درآمد ایجاد می کند. روی زمین نمی ایستد با توجه به اندازه ناوگان پوبدا از یک و نیم دوجین هواپیما، کاهش زمان موجودی هر هواپیما به میزان 5 دقیقه امکان انجام حداقل یک پرواز اضافی را بدون افزایش ناوگان هواپیما فراهم می کند.

ایجاد یک مرکز نوآوری هوانوردی غیرنظامی برای تقویت تخصص در داده های بزرگ

در سال 2017، شرکت Innodata، توسعه‌دهنده نرم‌افزار روسی در زمینه فناوری‌های نوآورانه، و دانشگاه IT روسیه Innopolis مرکز نوآوری در هوانوردی غیرنظامی (CIGA) را ایجاد کردند. هدف انجمن توسعه حضور فناورانه و دیجیتالی در هوانوردی غیرنظامی مدرن، کمک به آشکار کردن ماهیت و اهمیت فناوری‌های مدرن است که بر عرضه و تقاضا برای بازیگران صنعت هوانوردی تأثیر می‌گذارد، و ادغام نوآوری‌های دنیای دیجیتال در هوانوردی غیرنظامی فعلی. فن آوری ها گروه شرکت های رامکس در سال 2018 با هدف تقویت تخصص موجود در حوزه فناوری و توسعه راهکارهای تخصصی صنعت هوانوردی به شریک مرکز تبدیل شد.

زمینه های اصلی فعالیت به ترتیب توسعه راه حل های موجود و ایجاد راه حل های جدید برای صنعت هوانوردی است. این مرکز هم فعالیت های آموزشی و هم پروژه ای اعم از اجرای پروژه های علمی، فنی، نوآوری یا اطلاعاتی و تحلیلی را انجام می دهد. CIGA همچنین پذیرای پروژه‌های آزمایشی به منظور ترویج فناوری‌ها و راه‌حل‌های پیشرفته است و آماده ارائه پشتیبانی در توسعه است.

واقعیت مجازی برای مبارزه با هواهراسی، ناوبری فرودگاهی مبتنی بر فناوری واقعیت مجازیتحلیل رفتاری فعالیت‌های کارکنان در حوزه اطلاعات، پیش‌بینی قدرت خرید مسافران و ارائه توصیه‌های پویا برای تغییر قیمت بلیت، برنامه‌ریزی برنامه پرواز و تحلیل بهینه‌سازی برنامه‌های فصلی، مدیریت پیش‌بینی ترافیک مسافران، مدیریت پرسنل در فرودگاه‌ها، توسعه سیستمی برای انتخاب پیشنهادات بسته شخصی برای خدمات و شرکای خطوط هوایی و همچنین تکنیک هایی برای اسکن سطح هواپیما در طول تعمیر و نگهداری پس از پرواز، تجزیه و تحلیل باند، مدیریت سطح رزرو بیش از حد، تجزیه و تحلیل علایق مسافران و ارائه پیشنهادات برای آنها.

نتیجه

مثال‌هایی که در بالا مورد بحث قرار گرفت نشان می‌دهد که شرکت‌های هواپیمایی دیگر فقط هواپیما نیستند، حامل‌هایی که ما به آن عادت کرده‌ایم. یک پایه مهم برای توسعه آنها فناوری است که به عنوان مثال شخصی سازی خدمات را ممکن می کند. پیشنهادهای فردی که سفر هر مسافر را تا حد امکان راحت می کند. جستجوی اطلاعات سفر، رزرو بلیط، درخواست‌های جستجو - هرگونه اقدام در شبکه ردپای دیجیتالی را به جا می‌گذارد که می‌تواند برای ایجاد هدفمندترین بسته خدمات تجزیه و تحلیل شود. علاوه بر این، کار با داده های بزرگ به شما امکان می دهد وفاداری مشتری را افزایش دهید، به عنوان مثال، با پاسخ سریع به درخواست های مسافران.

سیستم های تولید حتی داده های بیشتری تولید می کنند. هواپیماها، لکوموتیوهای راه آهن و قطارها منبع جریان عظیمی از داده های فنی هستند که از حسگرهای نصب شده در موتورها و سیستم های پشتیبانی حیات به دست می آیند. تجزیه و تحلیل دقیق این داده ها به ما امکان می دهد نیاز به تعمیر یک قطعه یدکی خاص را شناسایی و پیش بینی کنیم. بنابراین، آنها به شما امکان می دهند سطح ایمنی را افزایش دهید و همچنین پول قابل توجهی را برای حامل ها ذخیره کنید. زمان مورد نیاز برای تعمیرات کاهش می یابد و هواپیما می تواند برای مدت طولانی تری برای هدف مورد نظر خود مورد استفاده قرار گیرد.

مطالب پیشنهادی به برخی از احتمالات و نتایج عملی استفاده از فناوری‌های Big Data در صنعت هوانوردی اشاره می‌کند، اما در واقعیت، چنین فرصت‌هایی برای توسعه هر روز بیشتر و بیشتر می‌شوند.

"اطلاعات بزرگ"موضوعی است که به طور فعال توسط شرکت های فناوری مورد بحث قرار می گیرد. برخی از آنها از کلان داده ها ناامید شده اند، در حالی که برخی دیگر، برعکس، بیشترین استفاده را از آن برای تجارت می کنند... بررسی تحلیلی تازه از بازار داخلی و جهانی Big Data، تهیه شده توسط بورس مسکو به همراه تحلیلگران IPOboard ، نشان می دهد که کدام روندها در حال حاضر در بازار بیشتر مرتبط هستند. امیدواریم اطلاعات جالب و مفید باشد.

BIG DATA چیست؟

ویژگی های کلیدی

کلان داده در حال حاضر یکی از محرک های کلیدی توسعه فناوری اطلاعات است. این جهت که برای تجارت روسیه نسبتاً جدید است، در کشورهای غربی گسترده شده است. این به دلیل این واقعیت است که در عصر فناوری اطلاعات، به ویژه پس از رونق شبکه های اجتماعی، حجم قابل توجهی از اطلاعات برای هر کاربر اینترنت شروع به جمع آوری کرد که در نهایت باعث توسعه Big Data شد.

عبارت Big Data جنجال‌های زیادی ایجاد می‌کند؛ بسیاری معتقدند که این فقط به معنای مقدار اطلاعات انباشته‌شده است، اما نباید جنبه فنی را فراموش کرد؛ این حوزه شامل فناوری‌های ذخیره‌سازی، محاسبات و خدمات می‌شود.

لازم به ذکر است که این حوزه شامل پردازش حجم زیادی از اطلاعات است که پردازش آن با روش های سنتی مشکل است*.

در زیر جدول مقایسه ای بین پایگاه داده های سنتی و Big Data آورده شده است.

حوزه Big Data با ویژگی های زیر مشخص می شود:
جلد – حجم، پایگاه داده انباشته شده حجم زیادی از اطلاعات را نشان می دهد که پردازش و ذخیره آن به روش های سنتی کار فشرده است؛ آنها به یک رویکرد جدید و ابزارهای بهبود یافته نیاز دارند.
سرعت - سرعت، این ویژگی هم سرعت فزاینده انباشت داده ها را نشان می دهد (90٪ اطلاعات در 2 سال گذشته جمع آوری شده است) و هم سرعت پردازش داده ها؛ فناوری های پردازش داده های بلادرنگ اخیراً تقاضای بیشتری پیدا کرده اند.
تنوع - تنوع، یعنی توانایی پردازش همزمان اطلاعات ساختاریافته و بدون ساختار با فرمت های مختلف. تفاوت اصلی بین اطلاعات ساختاریافته این است که می توان آنها را طبقه بندی کرد. نمونه ای از این اطلاعات می تواند اطلاعات مربوط به معاملات مشتری باشد.
اطلاعات بدون ساختار شامل ویدئو، فایل های صوتی، متن رایگان، اطلاعاتی است که از شبکه های اجتماعی می آید. امروزه 80 درصد اطلاعات بدون ساختار هستند. این اطلاعاتنیاز به تجزیه و تحلیل پیچیده دارد تا برای پردازش بیشتر مفید باشد.
صحت - قابلیت اطمینان داده ها، کاربران شروع به اهمیت فزاینده ای به قابلیت اطمینان داده های موجود کردند. بنابراین، شرکت های اینترنتی در تفکیک اقدامات انجام شده توسط یک ربات و یک شخص در وب سایت شرکت مشکل دارند که در نهایت منجر به مشکلاتی در تجزیه و تحلیل داده ها می شود.
ارزش - ارزش اطلاعات انباشته شده Big Data باید برای شرکت مفید باشد و ارزشی برای آن به ارمغان بیاورد. به عنوان مثال، کمک به بهبود فرآیندهای تجاری، گزارش یا بهینه سازی هزینه ها.

در صورت رعایت 5 شرط بالا، حجم انباشته داده ها را می توان به عنوان بزرگ طبقه بندی کرد.

حوزه های کاربرد داده های بزرگ

دامنه استفاده از فناوری های داده های بزرگ گسترده است. بنابراین، با کمک داده های بزرگ، می توانید در مورد ترجیحات مشتری، اثربخشی کمپین های بازاریابی یا تجزیه و تحلیل ریسک اطلاعات کسب کنید. در زیر نتایج نظرسنجی موسسه IBM در زمینه استفاده از داده های بزرگ در شرکت ها را مشاهده می کنید.

همانطور که از نمودار مشخص است، اکثر شرکت ها از داده های بزرگ در زمینه خدمات به مشتریان استفاده می کنند، دومین حوزه پرطرفدار، بهره وری عملیاتی است؛ در زمینه مدیریت ریسک، داده های بزرگ در حال حاضر کمتر رایج است.

همچنین لازم به ذکر است که Big Data یکی از سریع ترین حوزه های فناوری اطلاعات در حال رشد است؛ طبق آمار، کل داده های دریافتی و ذخیره شده هر 1.2 سال دو برابر می شود.
برای بازه زمانی 2012 تا 2014، مقدار داده های انتقال ماهانه شبکه های تلفن همراه، 81 درصد رشد کرد. بر اساس برآوردهای سیسکو، در سال 2014 حجم ترافیک موبایل 2.5 اگزابایت (واحد اندازه گیری مقدار اطلاعات برابر با 10^18 بایت استاندارد) در ماه بوده و در سال 2019 معادل 24.3 اگزابایت خواهد بود.
بنابراین، Big Data یک حوزه فناوری از قبل تاسیس شده است، حتی با وجود سن نسبتاً جوان آن، که در بسیاری از زمینه های کسب و کار گسترده شده است و نقش مهمی در توسعه شرکت ها ایفا می کند.

فناوری های کلان داده

فن آوری های مورد استفاده برای جمع آوری و پردازش داده های بزرگ را می توان به 3 گروه تقسیم کرد:

نرم افزار؛
تجهیزات؛
خدمات.

رایج ترین روش های پردازش داده (DP) عبارتند از:
SQL - یک زبان پرس و جو ساختار یافته که به شما امکان می دهد با پایگاه های داده کار کنید. با استفاده از SQL، می توانید داده ها را ایجاد و تغییر دهید، و مدیریت آرایه داده توسط سیستم مدیریت پایگاه داده مربوطه انجام می شود.
NoSQL – این اصطلاح مخفف Not Only SQL (نه فقط SQL) است. این شامل تعدادی رویکرد با هدف اجرای یک پایگاه داده است که با مدل های مورد استفاده در DBMS های رابطه ای سنتی متفاوت است. زمانی که ساختار داده مدام در حال تغییر است، استفاده از آنها راحت است. به عنوان مثال برای جمع آوری و ذخیره اطلاعات در شبکه های اجتماعی.
MapReduce - مدل توزیع محاسباتی استفاده شده برای محاسبات موازیبیش از مجموعه داده های بسیار بزرگ (پتابایت* یا بیشتر). در رابط برنامه، این داده ها نیست که برای پردازش به برنامه منتقل می شود، بلکه برنامه به داده ها منتقل می شود. بنابراین، درخواست یک برنامه جداگانه است. اصل عملیات پردازش متوالی داده ها با استفاده از دو روش است: Map و Reduce. نقشه داده های اولیه را انتخاب می کند، کاهش آن را جمع می کند.
هادوپ - برای پیاده سازی مکانیسم های جستجو و متنی برای سایت های پر بار - فیس بوک، eBay، آمازون و غیره استفاده می شود. ویژگی متمایزاین است که سیستم از شکست هر یک از گره های خوشه ای محافظت می شود، زیرا هر بلوک حداقل یک کپی از داده ها را در گره دیگر دارد.
SAP HANA – پلت فرم NewSQL با کارایی بالا برای ذخیره سازی و پردازش داده ها. سرعت بالایی در پردازش درخواست ارائه می دهد. یکی بیشتر انگاین است که SAP HANA چشم انداز سیستم را ساده می کند و هزینه پشتیبانی از سیستم های تحلیلی را کاهش می دهد.

تجهیزات تکنولوژیکی شامل:

سرورها؛
تجهیزات زیرساختی

سرورها شامل ذخیره سازی داده می شوند.
تجهیزات زیرساخت شامل ابزار شتاب پلت فرم، منابع است منبع تغذیه اضطراری، مجموعه ای از کنسول های سرور و غیره

خدمات.
خدمات شامل خدمات ساخت معماری سیستم پایگاه داده، تنظیم و بهینه سازی زیرساخت و تضمین امنیت ذخیره سازی داده ها می باشد.

نرم افزار، سخت افزار و خدمات با هم بسترهای جامعی را برای ذخیره سازی و تجزیه و تحلیل داده ها تشکیل می دهند. شرکت هایی مانند مایکروسافت، اچ پی، EMC خدماتی را برای توسعه، استقرار و مدیریت راه حل های Big Data ارائه می دهند.

کاربرد در صنایع

داده های بزرگ در بسیاری از بخش های تجاری گسترش یافته است. آنها در مراقبت های بهداشتی، مخابرات، تجارت، تدارکات، شرکت های مالی و همچنین در مدیریت دولتی استفاده می شوند.
در زیر چند نمونه از کاربردهای کلان داده در برخی از صنایع آورده شده است.

خرده فروشی
پایگاه‌های اطلاعاتی فروشگاه‌های خرده‌فروشی می‌توانند اطلاعات زیادی در مورد مشتریان، سیستم‌های مدیریت موجودی، و عرضه‌های محصولات تجاری جمع‌آوری کنند. این اطلاعات می تواند در تمام زمینه های فعالیت فروشگاه مفید باشد.

بدین ترتیب با کمک اطلاعات انباشته شده می توانید عرضه کالاها، نگهداری و فروش آنها را مدیریت کنید. بر اساس اطلاعات انباشته شده می توان تقاضا و عرضه کالا را پیش بینی کرد. همچنین، یک سیستم پردازش و تجزیه و تحلیل داده ها می تواند مشکلات دیگر یک خرده فروش را حل کند، به عنوان مثال، بهینه سازی هزینه ها یا تهیه گزارش.

خدمات مالی
Big Data تجزیه و تحلیل اعتبار وام گیرنده را ممکن می کند و همچنین برای امتیازدهی اعتبار* و پذیره نویسی** مفید است. معرفی فناوری های Big Data زمان بررسی درخواست های وام را کاهش می دهد. با کمک بیگ دیتا می توان تراکنش های یک مشتری خاص را تحلیل کرد و خدمات بانکی مناسب او را ارائه داد.

مخابرات
در صنعت ارتباطات از راه دور، داده های بزرگ در میان اپراتورهای تلفن همراه گسترده شده است.
اپراتورهای تلفن همراه، همراه با موسسات مالی، برخی از حجیم ترین پایگاه های داده را دارند که به آنها امکان می دهد عمیق ترین تجزیه و تحلیل اطلاعات انباشته شده را انجام دهند.
هدف اصلی تجزیه و تحلیل داده ها حفظ مشتریان فعلی و جذب مشتریان جدید است. برای انجام این کار، شرکت ها مشتریان را تقسیم بندی می کنند، ترافیک آنها را تجزیه و تحلیل می کنند و وابستگی اجتماعی مشترک را تعیین می کنند.

علاوه بر استفاده از داده های بزرگ برای اهداف بازاریابی، از فناوری ها برای جلوگیری از تراکنش های مالی تقلبی استفاده می شود.

معدن و صنایع نفت
داده های بزرگ هم در استخراج مواد معدنی و هم در پردازش و بازاریابی آنها استفاده می شود. بر اساس اطلاعات دریافتی، شرکت ها می توانند در مورد کارایی توسعه میدان نتیجه گیری کنند، برنامه زمان بندی تعمیرات اساسی و وضعیت تجهیزات را نظارت کنند و تقاضا برای محصولات و قیمت ها را پیش بینی کنند.

بر اساس یک نظرسنجی توسط Tech Pro Research، داده های بزرگ در صنعت ارتباطات راه دور و همچنین در شرکت های مهندسی، فناوری اطلاعات، مالی و دولتی گسترده ترین است. بر اساس نتایج این نظرسنجی، داده های بزرگ در آموزش و مراقبت های بهداشتی از محبوبیت کمتری برخوردار است. نتایج نظرسنجی در زیر ارائه شده است:

نمونه هایی از استفاده از داده های بزرگ در شرکت ها

امروزه Big Data به طور فعال در شرکت های خارجی پیاده سازی می شود. شرکت هایی مانند نزدک، فیس بوک، گوگل، آی بی ام، ویزا، مستر کارت، بانک آمریکا، HSBC، AT&T، کوکاکولا، Starbucks و Netflix در حال حاضر از منابع Big Data استفاده می کنند.

کاربردهای اطلاعات پردازش شده متفاوت است و بسته به صنعت و وظایفی که باید انجام شود متفاوت است.
در ادامه، نمونه هایی از کاربرد فناوری های کلان داده در عمل ارائه خواهد شد.

HSBC از فناوری های Big Data برای مبارزه با تراکنش های جعلی با کارت های پلاستیکی استفاده می کند. این شرکت با کمک بیگ دیتا، کارایی سرویس امنیتی را 3 برابر و تشخیص حوادث کلاهبرداری را 10 برابر افزایش داد. اثر اقتصادی معرفی این فناوری ها از 10 میلیون دلار فراتر رفت.

ضد تقلب* ویزا به شما اجازه می دهد تا به طور خودکار معاملات جعلی را محاسبه کنید، سیستم این لحظهکمک می کند تا سالانه 2 میلیارد دلار از پرداخت های جعلی جلوگیری شود.

ابر کامپیوتر واتسون IBM جریان داده ها در مورد تراکنش های پولی را در زمان واقعی تجزیه و تحلیل می کند. به گفته IBM، واتسون تعداد تراکنش‌های جعلی کشف‌شده را 15 درصد افزایش داد، موارد مثبت کاذب را تا 50 درصد کاهش داد و مقدار پول محافظت شده از این نوع تراکنش‌ها را 60 درصد افزایش داد.

پراکتر اند گمبل استفاده از داده های بزرگ برای طراحی محصولات جدید و ایجاد کمپین های بازاریابی جهانی. P&G دفاتر اختصاصی Business Spheres را ایجاد کرده است که در آن اطلاعات را می توان در زمان واقعی مشاهده کرد.
بنابراین، مدیریت شرکت این فرصت را داشت که فوراً فرضیه ها را آزمایش کند و آزمایش هایی را انجام دهد. P&G معتقد است که داده های بزرگ به پیش بینی عملکرد شرکت کمک می کند.

خرده فروش لوازم اداری OfficeMax آنها با استفاده از فناوری های کلان داده، رفتار مشتری را تجزیه و تحلیل می کنند. تجزیه و تحلیل داده های بزرگ امکان افزایش درآمد B2B را تا 13% و کاهش هزینه ها تا 400000 دلار در سال فراهم کرد.

مطابق با کرم ابریشم ، توزیع کنندگان آن سالانه 9 تا 18 میلیارد دلار سود را صرفاً به این دلیل که فناوری های پردازش کلان داده را پیاده سازی نمی کنند، از دست می دهند. Big Data به مشتریان این امکان را می دهد تا با تجزیه و تحلیل اطلاعات دریافتی از حسگرهای نصب شده روی ماشین ها، ناوگان خود را به طور موثرتری مدیریت کنند.

امروزه امکان تحلیل وضعیت اجزای کلیدی، درجه سایش و مدیریت هزینه های سوخت و نگهداری وجود دارد.

گروه لوکسوتیکا تولید کننده عینک های ورزشی از جمله برندهای Ray-Ban، Persol و Oakley است. این شرکت از فناوری های Big Data برای تجزیه و تحلیل رفتار مشتریان بالقوه و بازاریابی پیامکی "هوشمند" استفاده می کند. در نتیجه Big Data، گروه Luxottica بیش از 100 میلیون مشتری ارزشمند خود را شناسایی کرد و اثربخشی کمپین بازاریابی خود را 10٪ افزایش داد.

با کمک Yandex Data Factory، توسعه دهندگان بازی دنیای تانک ها تحلیل رفتار بازیکنان فن آوری های داده های بزرگ امکان تجزیه و تحلیل رفتار 100 هزار را فراهم می کند بازیکنان جهانمخازن با استفاده از بیش از 100 پارامتر (اطلاعات در مورد خرید، بازی، تجربه، و غیره). در نتیجه تجزیه و تحلیل، پیش بینی خروج کاربر به دست آمد. این اطلاعات به شما امکان می دهد خروج کاربر را کاهش دهید و با شرکت کنندگان در بازی به صورت هدفمند کار کنید. مدل توسعه‌یافته ۲۰ تا ۳۰ درصد مؤثرتر از ابزارهای استاندارد آنالیز صنعت بازی است.

وزارت کار آلمان از داده های بزرگ در کارهای مربوط به تجزیه و تحلیل درخواست های دریافتی برای مزایای بیکاری استفاده می کند. بنابراین، پس از تجزیه و تحلیل اطلاعات، مشخص شد که 20 درصد از مزایای بدون استحقاق پرداخت شده است. وزارت کار با کمک بیگ دیتا هزینه ها را 10 میلیارد یورو کاهش داد.

بیمارستان کودکان تورنتو پروژه پروژه آرتمیس را اجرا کرد. این یک سیستم اطلاعاتی است که داده های مربوط به نوزادان را در زمان واقعی جمع آوری و تجزیه و تحلیل می کند. این سیستم در هر ثانیه 1260 نشانگر وضعیت هر کودک را بررسی می کند. پروژه آرتمیس امکان پیش بینی وضعیت ناپایدار کودک و شروع پیشگیری از بیماری ها در کودکان را فراهم می کند.

مروری بر بازار جهانی داده های بزرگ

وضعیت فعلی بازار جهانی

در سال 2014، Big Data، طبق داده‌های Collective، به یکی از حوزه‌های سرمایه‌گذاری اولویت‌دار در صنعت سرمایه‌گذاری تبدیل شد. با توجه به داده ها پورتال اطلاعاتی Computerra، این به دلیل این واقعیت است که پیشرفت ها از این منطقه شروع به نتایج قابل توجهی برای کاربران خود کرده است. طی سال گذشته تعداد شرکت‌های دارای پروژه‌های اجرا شده در حوزه مدیریت کلان داده‌ها 125 درصد افزایش یافته و حجم بازار نسبت به سال 2013 رشد 45 درصدی داشته است.

طبق Wikibon، اکثر درآمدهای بازار کلان داده در سال 2014 از خدمات تشکیل شده بود که سهم آنها معادل 40٪ از کل درآمد بود (نمودار زیر را ببینید):

اگر کلان داده را برای سال 2014 بر اساس نوع فرعی در نظر بگیریم، بازار به شکل زیر خواهد بود:

طبق Wikibon، اپلیکیشن ها و تجزیه و تحلیل ها 36 درصد از درآمد کلان داده را در سال 2014 از برنامه های کاربردی و تجزیه و تحلیل داده های بزرگ، 17 درصد از تجهیزات محاسباتی و 15 درصد از فناوری های ذخیره سازی داده را به خود اختصاص دادند. کمترین میزان درآمد حاصل از فناوری NoSQL، تجهیزات زیرساختی و ارائه شبکه ای از شرکت ها بوده است. شبکه های شرکتی).

محبوب ترین فناوری های Big Data پلتفرم های درون حافظه SAP، HANA، Oracle و غیره هستند. نتایج نظرسنجی T-Systems نشان داد که 30 درصد از شرکت های مورد بررسی آن ها را انتخاب کرده اند. دومین محبوب ترین پلتفرم های NoSQL (18٪ از کاربران) بودند، شرکت ها همچنین از پلتفرم های تحلیلی Splunk و Dell استفاده کردند، آنها توسط 15٪ از شرکت ها انتخاب شدند. طبق نتایج نظرسنجی، محصولات Hadoop/MapReduce کمترین کاربرد را برای حل مشکلات Big Data دارند.

بر اساس نظرسنجی Accenture، در بیش از 50 درصد از شرکت‌هایی که از فناوری‌های Big Data استفاده می‌کنند، هزینه‌های Big Data بین 21 تا 30 درصد متغیر است.
بر اساس تحلیل Accenture زیر، 76 درصد از شرکت ها معتقدند که این هزینه ها در سال 2015 افزایش می یابد و 24 درصد از شرکت ها بودجه خود را برای فناوری های Big Data تغییر نمی دهند. این نشان می‌دهد که در این شرکت‌ها Big Data به یک حوزه تثبیت شده از فناوری اطلاعات تبدیل شده است که به بخشی جدایی ناپذیر از توسعه شرکت تبدیل شده است.

نتایج نظرسنجی واحد اطلاعات اکونومیست تأثیر مثبت اجرای کلان داده را تایید می کند. 46 درصد از شرکت‌ها می‌گویند که با استفاده از فناوری‌های کلان داده، خدمات مشتریان را بیش از 10 درصد بهبود بخشیده‌اند، 33 درصد از شرکت‌ها موجودی کالا را بهینه کرده‌اند و بهره‌وری دارایی‌های ثابت را بهبود بخشیده‌اند، و 32 درصد از شرکت‌ها فرآیندهای برنامه‌ریزی را بهبود بخشیده‌اند.

کلان داده در کشورهای مختلف جهان

امروزه، فناوری‌های کلان داده اغلب در شرکت‌های آمریکایی پیاده‌سازی می‌شوند، اما کشورهای دیگر در سراسر جهان قبلاً علاقه‌مندی خود را نشان داده‌اند. بر اساس گزارش IDC، در سال 2014، کشورهای اروپا، خاورمیانه، آسیا (به استثنای ژاپن) و آفریقا 45 درصد از بازار نرم افزار، خدمات و تجهیزات در حوزه داده های بزرگ را به خود اختصاص دادند.

همچنین، طبق نظرسنجی CIO، شرکت‌های منطقه آسیا و اقیانوسیه به سرعت راه‌حل‌های جدیدی را در زمینه تجزیه و تحلیل داده‌های بزرگ، ذخیره‌سازی امن و فناوری‌های ابری اتخاذ می‌کنند. آمریکای لاتین از نظر تعداد سرمایه گذاری در توسعه فناوری داده های بزرگ، بالاتر از کشورهای اروپایی و ایالات متحده آمریکا در جایگاه دوم قرار دارد.
در ادامه، توضیحات و پیش‌بینی‌هایی برای توسعه بازار کلان داده در چندین کشور ارائه خواهد شد.

چین
حجم اطلاعات در چین 909 اگزابایت است که معادل 10 درصد از حجم کل اطلاعات در جهان است، تا سال 2020 حجم اطلاعات به 8060 اگزابایت خواهد رسید، سهم اطلاعات در آمارهای جهانی نیز افزایش می یابد، در 5 سال برابر با 18 درصد خواهد بود. رشد بالقوه داده های بزرگ چین یکی از سریع ترین پویایی های در حال رشد را دارد.

برزیل
در پایان سال 2014، برزیل اطلاعاتی به ارزش 212 اگزابایت جمع آوری کرد که 3 درصد از حجم جهانی را تشکیل می دهد. تا سال 2020 حجم اطلاعات به 1600 اگزابایت خواهد رسید که 4 درصد از اطلاعات جهان را تشکیل می دهد.

هند
بر اساس گزارش EMC، حجم داده های انباشته شده در هند در پایان سال 2014، 326 اگزابایت است که 5 درصد از حجم کل اطلاعات را تشکیل می دهد. تا سال 2020 حجم اطلاعات به 2800 اگزابایت خواهد رسید که 6 درصد از اطلاعات جهان را تشکیل می دهد.

ژاپن
حجم داده های انباشته شده در ژاپن در پایان سال 2014، 495 اگزابایت است که 8 درصد از کل حجم اطلاعات را تشکیل می دهد. تا سال 2020، حجم اطلاعات به 2200 اگزابایت افزایش می یابد، اما سهم بازار ژاپن کاهش می یابد و به 5 درصد از کل حجم اطلاعات در کل جهان می رسد.
بنابراین، اندازه بازار ژاپن بیش از 30 درصد کاهش خواهد یافت.

آلمان
بر اساس گزارش EMC، حجم داده های انباشته شده در آلمان در پایان سال 2014، 230 اگزابایت است که 4 درصد از کل حجم اطلاعات در جهان است. تا سال 2020، حجم اطلاعات به 1100 اگزابایت و به 2 درصد خواهد رسید.
در بازار آلمان، طبق پیش‌بینی‌های گروه اکسپرتون، سهم زیادی از درآمد توسط بخش خدمات ایجاد خواهد شد که سهم آن در سال 2015 54 درصد و در سال 2019 به 59 درصد افزایش خواهد یافت؛ سهام نرم‌افزار و برعکس، سخت افزار کاهش خواهد یافت.

به طور کلی، اندازه بازار از 1.345 میلیارد یورو در سال 2015 به 3.198 میلیارد یورو در سال 2019 خواهد رسید که میانگین نرخ رشد 24 درصدی است.
بنابراین، بر اساس تحلیل‌های CIO و EMC می‌توان نتیجه گرفت که کشورهای در حال توسعه جهان در سال‌های آینده به بازارهایی برای توسعه فعال فناوری‌های Big Data تبدیل خواهند شد.

روندهای اصلی بازار

با توجه به IDG Enterprise، در سال 2015، هزینه شرکت ها برای داده های بزرگ به طور متوسط 7.4 میلیون دلار برای هر شرکت خواهد بود، شرکت های بزرگ قصد دارند حدود 13.8 میلیون دلار، شرکت های کوچک و متوسط - 1.6 میلیون دلار هزینه کنند.
بیشتر سرمایه گذاری در زمینه هایی مانند تجزیه و تحلیل داده ها، تجسم و جمع آوری داده ها خواهد بود.
بر اساس روندهای فعلی و تقاضای بازار، سرمایه گذاری در سال 2015 برای بهبود کیفیت داده ها، بهبود برنامه ریزی و پیش بینی و افزایش سرعت پردازش داده ها استفاده خواهد شد.
طبق تحلیل بینش شرکت Bain، شرکت‌های بخش مالی سرمایه‌گذاری قابل توجهی انجام خواهند داد، بنابراین در سال 2015 قصد دارند 6.4 میلیارد دلار برای فناوری‌های Big Data هزینه کنند، متوسط نرخ رشد سرمایه‌گذاری‌ها تا سال 2020 22 درصد خواهد بود. شرکت های اینترنتی قصد دارند 2.8 میلیارد دلار با نرخ رشد متوسط 26 درصد برای مخارج کلان داده هزینه کنند.
هنگام انجام نظرسنجی واحد اطلاعات اکونومیست، حوزه های اولویت دار برای توسعه کلان داده در سال 2014 و در 3 سال آینده مشخص شد، توزیع پاسخ ها به شرح زیر است:

بر اساس پیش بینی IDC، روند توسعه بازار به شرح زیر است:

در 5 سال آینده، هزینه‌های راه‌حل‌های ابری در زمینه فناوری‌های Big Data، 3 برابر سریع‌تر از هزینه‌های راه‌حل‌های محلی رشد خواهد کرد. پلتفرم های ترکیبی برای ذخیره سازی داده ها مورد تقاضا خواهند بود.
رشد برنامه‌های کاربردی با استفاده از تحلیل‌های پیچیده و پیش‌بینی‌کننده، از جمله یادگیری ماشین، در سال 2015 شتاب می‌گیرد و بازار چنین برنامه‌هایی 65 درصد سریع‌تر از برنامه‌هایی که از تجزیه و تحلیل پیش‌بینی‌کننده استفاده نمی‌کنند، رشد می‌کند.
تجزیه و تحلیل رسانه ها در سال 2015 سه برابر خواهد شد و به محرک اصلی رشد در بازار فناوری داده های بزرگ تبدیل خواهد شد.
روند معرفی راهکارهایی برای تجزیه و تحلیل جریان ثابت اطلاعاتی که در اینترنت اشیا قابل استفاده است، شتاب بیشتری خواهد گرفت.
تا سال 2018، 50 درصد از کاربران با خدمات مبتنی بر محاسبات شناختی تعامل خواهند داشت.

محرک ها و محدود کننده های بازار

کارشناسان IDC 3 محرک بازار کلان داده را در سال 2015 شناسایی کردند:

بر اساس یک نظرسنجی Accenture، مسائل امنیتی داده‌ها در حال حاضر مانع اصلی برای پیاده‌سازی فناوری‌های Big Data هستند، به طوری که بیش از 51 درصد از پاسخ‌دهندگان تأیید کرده‌اند که نگران تضمین حفاظت از داده‌ها و محرمانگی هستند. 47% از شرکت ها عدم امکان پیاده سازی Big Data را به دلیل بودجه محدود گزارش کردند، 41% از شرکت ها کمبود پرسنل واجد شرایط را یک مشکل اعلام کردند.

ویکی‌بون پیش‌بینی می‌کند که بازار کلان داده در سال 2015 به 38.4 میلیارد دلار افزایش می‌یابد که 36 درصد نسبت به سال گذشته افزایش می‌یابد. در سال های آینده، کاهش نرخ رشد به 10 درصد در سال 2017 وجود خواهد داشت. با در نظر گرفتن این پیش بینی ها، اندازه بازار در سال 2020 برابر با 68.7 میلیارد دلار آمریکا خواهد بود.

توزیع بازار جهانی داده های بزرگ بر اساس دسته بندی کسب و کار به این صورت خواهد بود:

همانطور که از نمودار مشاهده می شود، اکثریت بازار در اختیار فناوری هایی در زمینه بهبود خدمات مشتریان خواهد بود. بازاریابی هدفمند تا سال 2019 اولویت دوم شرکت ها خواهد بود؛ در سال 2020، به گفته Heavy Reading، راه حل هایی برای بهبود کارایی عملیاتی خواهد داد.
بخش «بهبود خدمات به مشتریان» نیز با 49 درصد افزایش سالانه بالاترین نرخ رشد را خواهد داشت.
پیش‌بینی بازار برای زیرشاخه‌های Big Data به این صورت خواهد بود:

همانطور که از نمودار مشخص است، سهم بازار غالب در اختیار خدمات حرفه ای است، بیشترین نرخ رشد در برنامه های کاربردی با تجزیه و تحلیل خواهد بود، سهم آنها از 12٪ فعلی به 18٪ در سال 2020 و حجم این بخش افزایش می یابد. معادل 12.3 میلیارد دلار آمریکا خواهد بود، برعکس، سهم تجهیزات محاسباتی از 20 درصد به 14 درصد کاهش می یابد و در سال 2020 به حدود 9.3 میلیارد دلار می رسد، بازار فناوری های ابری به تدریج افزایش می یابد و در سال 2020 با رسیدن به 6.3 میلیارد دلار، سهم بازار راه حل های ذخیره سازی داده ها از 15 درصد در سال 2014 به 13 درصد در سال 2020 کاهش می یابد و از نظر پولی معادل 8.9 میلیارد دلار آمریکا خواهد بود.
بر اساس پیش بینی تحلیل بینش Bain & Company، توزیع بازار کلان داده بر اساس صنعت در سال 2020 به شرح زیر خواهد بود:

صنعت مالی 6.4 میلیارد دلار برای کلان داده با میانگین نرخ رشد 22 درصد در سال هزینه خواهد کرد.
شرکت های اینترنتی 2.8 میلیارد دلار هزینه خواهند کرد و میانگین نرخ رشد هزینه در 5 سال آینده 26 درصد خواهد بود.
هزینه های بخش دولتی متناسب با هزینه های شرکت های اینترنتی خواهد بود، اما نرخ رشد کمتر خواهد بود - 22٪.
بخش ارتباطات از راه دور با CAGR 40 درصد رشد خواهد کرد تا به 1.2 میلیارد دلار در سال 2020 برسد.

شرکت های انرژی مقدار نسبتا کمی را در این فناوری ها سرمایه گذاری خواهند کرد - 800 میلیون دلار، اما نرخ رشد یکی از بالاترین ها - 54٪ در سال خواهد بود.
بنابراین، بیشترین سهم از بازار کلان داده در سال 2020 در اختیار شرکت‌های صنعت مالی قرار خواهد گرفت و سریع‌ترین بخش در حال رشد، انرژی خواهد بود.
بر اساس پیش بینی های تحلیلگران، حجم کل بازار در سال های آینده افزایش خواهد یافت. رشد بازار از طریق پیاده‌سازی فناوری‌های کلان داده در کشورهای در حال توسعه جهان حاصل می‌شود، همانطور که در نمودار زیر مشاهده می‌شود.

اندازه بازار پیش‌بینی‌شده به این بستگی دارد که کشورهای در حال توسعه چگونه فناوری‌های کلان داده را درک می‌کنند و اینکه آیا آنها به اندازه کشورهای توسعه‌یافته محبوب خواهند بود یا خیر. در سال 2014، کشورهای در حال توسعه جهان 40 درصد از حجم اطلاعات انباشته شده را به خود اختصاص داده اند. بر اساس پیش‌بینی EMC، ساختار فعلی بازار، با غلبه کشورهای توسعه‌یافته، در سال ۲۰۱۷ تغییر خواهد کرد. بر اساس تحلیل EMC، در سال 2020 سهم کشورهای در حال توسعه بیش از 60 درصد خواهد بود.
طبق گفته سیسکو و EMC، کشورهای در حال توسعه در سراسر جهان به طور کاملاً فعال با Big Data کار خواهند کرد که عمدتاً به دلیل در دسترس بودن فناوری و انباشت مقدار کافی اطلاعات در سطح Big Data است. در نقشه جهان نشان داده شده در صفحه بعد، پیش بینی افزایش حجم و نرخ رشد Big Data به تفکیک منطقه نشان داده خواهد شد.

تجزیه و تحلیل بازار روسیه

وضعیت فعلی بازار روسیه

بر اساس نتایج مطالعه CNews Analytics و Oracle، سطح بلوغ بازار کلان داده روسیه در سال گذشته افزایش یافته است. پاسخ دهندگان به نمایندگی از 108 شرکت بزرگ از صنایع مختلف، میزان آگاهی بالاتری از این فناوری ها و همچنین درک ثابتی از پتانسیل چنین راه حل هایی برای تجارت خود نشان دادند.
از سال 2014، طبق IDC، روسیه 155 اگزابایت اطلاعات جمع آوری کرده است که تنها 1.8 درصد از داده های جهان است. حجم اطلاعات تا سال 2020 به 980 اگزابایت می رسد و 2.2 درصد را اشغال می کند. بنابراین میانگین نرخ رشد حجم اطلاعات 36 درصد در سال خواهد بود.
IDC بازار روسیه را 340 میلیون دلار تخمین می زند که 100 میلیون دلار آن راه حل های SAP است، تقریباً 240 میلیون دلار راه حل های مشابه اوراکل، IBM، SAS، مایکروسافت و غیره است.
نرخ رشد بازار داده های بزرگ روسیه کمتر از 50٪ در سال نیست.
پیش‌بینی می‌شود که پویایی مثبت در این بخش از بازار فناوری اطلاعات روسیه، حتی در شرایط رکود اقتصادی عمومی، ادامه یابد. این به دلیل این واقعیت است که مشاغل همچنان به دنبال راه حل هایی هستند که کارایی عملیاتی را بهبود می بخشد و همچنین هزینه ها را بهینه می کند، دقت پیش بینی را بهبود می بخشد و خطرات احتمالی شرکت را به حداقل می رساند.
ارائه دهندگان خدمات اصلی در زمینه داده های بزرگ در بازار روسیه عبارتند از:

اوراکل
مایکروسافت
کلودرا
هورتون ورکز
Teradata.

مروری بر بازار بر اساس صنعت و تجربه در استفاده از داده های بزرگ در شرکت ها

به گزارش CNews، در روسیه تنها 10 درصد از شرکت ها استفاده از فناوری های Big Data را آغاز کرده اند، در حالی که در جهان سهم چنین شرکت هایی حدود 30 درصد است. بر اساس گزارش CNews Analytics و Oracle، آمادگی برای پروژه های Big Data در بسیاری از بخش های اقتصاد روسیه در حال رشد است. بیش از یک سوم شرکت های مورد بررسی (37٪) کار با فناوری های Big Data را آغاز کرده اند، که 20٪ از آنها در حال حاضر از چنین راه حل هایی استفاده می کنند و 17٪ شروع به آزمایش با آنها کرده اند. یک سوم دوم پاسخ دهندگان در حال حاضر در حال بررسی این امکان هستند.

در روسیه، فناوری‌های Big Data در بخش‌های بانکی و مخابراتی محبوب‌ترین هستند، اما در صنعت معدن، انرژی، خرده‌فروشی، شرکت‌های لجستیک و بخش عمومی نیز مورد تقاضا هستند.
در مرحله بعد، نمونه هایی از استفاده از داده های بزرگ در واقعیت های روسیه در نظر گرفته می شود.

مخابرات
اپراتورهای مخابراتی برخی از حجیم ترین پایگاه های داده را دارند که به آنها امکان می دهد عمیق ترین تجزیه و تحلیل اطلاعات انباشته شده را انجام دهند.
یکی از حوزه های کاربرد فناوری Big Data، مدیریت وفاداری مشترکین است.
هدف اصلی تجزیه و تحلیل داده ها حفظ مشتریان فعلی و جذب مشتریان جدید است. برای انجام این کار، شرکت ها مشتریان را تقسیم بندی می کنند، ترافیک آنها را تجزیه و تحلیل می کنند و وابستگی اجتماعی مشترک را تعیین می کنند. علاوه بر استفاده از اطلاعات برای اهداف بازاریابی، از فناوری های مخابراتی برای جلوگیری از تراکنش های مالی تقلبی استفاده می شود.
یکی از نمونه های بارز این صنعت VimpelCom است. این شرکت از داده های بزرگ برای بهبود کیفیت خدمات در سطح هر مشترک، جمع آوری گزارش ها، تجزیه و تحلیل داده ها برای توسعه شبکه، مبارزه با هرزنامه ها و شخصی سازی خدمات استفاده می کند.

بانک ها
بخش قابل توجهی از کاربران کلان داده متخصصان صنعت مالی هستند. یکی از آزمایش های موفق در بانک بازسازی و توسعه اورال انجام شد، جایی که پایگاه اطلاع رسانیشروع به استفاده برای تجزیه و تحلیل مشتری، بانک شروع به ارائه پیشنهادات تخصصی وام، سپرده و سایر خدمات کرد. ظرف یک سال پس از استفاده از این فناوری ها، سبد وام های خرده فروشی شرکت 55 درصد رشد کرد.
آلفا بانک اطلاعات شبکه های اجتماعی را تجزیه و تحلیل می کند، درخواست های وام را پردازش می کند و رفتار کاربران وب سایت شرکت را تجزیه و تحلیل می کند.
Sberbank همچنین پردازش حجم عظیمی از داده‌ها را برای تقسیم‌بندی مشتریان، جلوگیری از فعالیت‌های تقلبی، فروش متقابل و مدیریت ریسک‌ها آغاز کرد. در آینده، برای بهبود خدمات و تجزیه و تحلیل اقدامات مشتری در زمان واقعی برنامه ریزی شده است.
بانک توسعه منطقه ای همه روسیه رفتار دارندگان کارت های پلاستیکی را تجزیه و تحلیل می کند. این امر امکان شناسایی تراکنش‌هایی را که برای یک مشتری خاص غیرمعمول هستند، می‌سازد و در نتیجه احتمال کشف سرقت وجوه از کارت‌های پلاستیکی را افزایش می‌دهد.

خرده فروشی
در روسیه، فناوری‌های Big Data توسط شرکت‌های تجاری آنلاین و آفلاین پیاده‌سازی شده‌اند. امروزه، طبق گزارش CNews Analytics، 20 درصد از خرده فروشان از داده های بزرگ استفاده می کنند. 75 درصد از متخصصان خرده‌فروشی، داده‌های بزرگ را برای توسعه استراتژی ارتقای شرکت رقابتی ضروری می‌دانند. طبق آمار هادوپ، پس از اجرای فناوری Big Data، سود در سازمان های تجاری بین 7 تا 10 درصد افزایش می یابد.
متخصصان M.Video از بهبود برنامه ریزی لجستیک پس از اجرای SAP HANA صحبت می کنند؛ همچنین در نتیجه اجرای آن، تهیه گزارش های سالانه از 10 روز به 3، سرعت بارگذاری روزانه داده ها از 3 ساعت به کاهش یافت. 30 دقیقه.
ویکی‌مارت از این فناوری‌ها برای ایجاد توصیه‌هایی برای بازدیدکنندگان سایت استفاده می‌کند.
یکی از اولین فروشگاه های آفلاین که تجزیه و تحلیل داده های بزرگ را در روسیه معرفی کرد Lenta بود. با کمک بیگ دیتا، خرده فروشی شروع به مطالعه اطلاعات مشتریان از رسیدهای صندوق نقدی کرد. خرده فروش اطلاعاتی را برای ایجاد مدل های رفتاری جمع آوری می کند که این امر امکان تصمیم گیری آگاهانه تری را در سطح عملیاتی و تجاری فراهم می کند.

صنعت نفت و گاز
در این صنعت، دامنه داده های بزرگ بسیار گسترده است. فناوری های داده های بزرگ را می توان در استخراج مواد معدنی از زیر خاک استفاده کرد. با کمک آنها می توانید خود فرآیند استخراج را تجزیه و تحلیل کنید راه های موثراستخراج آن، نظارت بر فرآیند حفاری، تجزیه و تحلیل کیفیت مواد اولیه و همچنین فرآوری و بازاریابی محصولات نهایی. در روسیه، ترانس‌نفت و روس‌نفت استفاده از این فناوری‌ها را آغاز کرده‌اند.

ارگان های دولتی
در کشورهایی مانند آلمان، استرالیا، اسپانیا، ژاپن، برزیل و پاکستان از فناوری‌های Big Data برای حل مسائل ملی استفاده می‌شود. این فناوری‌ها به مقامات دولتی کمک می‌کنند تا خدمات مؤثرتری به مردم ارائه دهند و حمایت اجتماعی هدفمند را ارائه دهند.
در روسیه، این فناوری ها توسط نهادهای دولتی مانند صندوق بازنشستگی، خدمات مالیاتی فدرال و صندوق بیمه پزشکی اجباری تسلط یافتند. پتانسیل اجرای پروژه‌ها با استفاده از داده‌های بزرگ بسیار زیاد است؛ این فناوری‌ها می‌توانند به بهبود کیفیت خدمات، و در نتیجه، استاندارد زندگی مردم کمک کنند.

لجستیک و حمل و نقل
Big Data می تواند توسط شرکت های حمل و نقل نیز استفاده شود. با استفاده از فناوری‌های Big Data، می‌توانید ناوگان خودروی خود را ردیابی کنید، هزینه‌های سوخت را در نظر بگیرید و درخواست‌های مشتریان را نظارت کنید.
راه آهن روسیه فناوری های Big Data را همراه با SAP پیاده سازی کرد. این فناوری ها به کاهش 43.5 برابری زمان تهیه گزارش (از 14.5 ساعت به 20 دقیقه) و افزایش دقت توزیع هزینه تا 40 برابر کمک کردند. کلان داده نیز به فرآیندهای برنامه ریزی و تنظیم تعرفه وارد شد. در مجموع، شرکت ها از بیش از 300 سیستم مبتنی بر راه حل های SAP استفاده می کنند، 4 مرکز داده درگیر هستند و تعداد کاربران 220000 نفر است.

محرک ها و محدود کننده های اصلی بازار

محرک های توسعه فناوری های داده های بزرگ در بازار روسیه عبارتند از:

افزایش علاقه کاربران به قابلیت های داده های بزرگ به عنوان راهی برای افزایش رقابت پذیری یک شرکت؛
توسعه روش هایی برای پردازش فایل های رسانه ای در سطح جهانی؛
انتقال سرورهایی که اطلاعات شخصی را پردازش می کنند به قلمرو روسیه مطابق با قانون تصویب شده در مورد ذخیره و پردازش داده های شخصی.
اجرای طرح صنعت جایگزینی واردات نرم افزار. این طرح شامل حمایت دولت از تولیدکنندگان نرم‌افزار داخلی و همچنین ارائه اولویت‌ها برای محصولات داخلی فناوری اطلاعات هنگام خرید با هزینه عمومی است.
در شرایط جدید اقتصادی که نرخ دلار تقریبا دو برابر شده است، روندی در کل مشاهده خواهد شد استفاده بیشترخدمات ارائه دهندگان روسیخدمات ابری به جای خدمات خارجی
ایجاد پارک های فناوری که به توسعه بازار فناوری اطلاعات کمک می کند، از جمله بازار داده های بزرگ.
برنامه دولتی برای پیاده سازی سیستم های شبکه مبتنی بر فناوری های داده های بزرگ.

موانع اصلی توسعه داده های بزرگ در بازار روسیه عبارتند از:

تضمین امنیت و محرمانه بودن داده ها؛
کمبود پرسنل واجد شرایط؛
منابع اطلاعاتی انباشته ناکافی در سطح کلان داده در اکثر شرکت های روسی؛
مشکلات در معرفی فن آوری های جدید در سیستم های اطلاعاتی مستقر شرکت ها؛
هزینه بالای فناوری های کلان داده، که منجر به تعداد محدودی از شرکت ها می شود که فرصت اجرای این فناوری ها را دارند.
عدم اطمینان سیاسی و اقتصادی که منجر به خروج سرمایه و انجماد پروژه های سرمایه گذاری در روسیه شد.
به گفته IDC، افزایش قیمت محصولات وارداتی و افزایش تورم، توسعه کل بازار فناوری اطلاعات را کند می کند.

پیش بینی بازار روسیه

از امروز، بازار کلان داده روسیه به اندازه کشورهای توسعه یافته محبوب نیست. اکثر شرکت های روسی به آن علاقه نشان می دهند، اما جرات استفاده از فرصت های خود را ندارند.
نمونه‌هایی از شرکت‌های بزرگی که قبلاً از استفاده از فناوری‌های Big Data بهره‌مند شده‌اند، افزایش آگاهی از قابلیت‌های این فناوری‌ها هستند.
تحلیلگران همچنین پیش بینی های کاملاً خوش بینانه ای در مورد بازار روسیه دارند. IDC معتقد است که بر خلاف بازارهای آلمان و ژاپن، سهم بازار روسیه طی 5 سال آینده افزایش خواهد یافت.
تا سال 2020، حجم داده های بزرگ در روسیه از 1.8 درصد فعلی به 2.2 درصد از حجم داده های جهانی افزایش خواهد یافت. به گفته EMC، میزان اطلاعات از 155 اگزابایت فعلی به 980 اگزابایت در سال 2020 افزایش خواهد یافت.
در حال حاضر، روسیه به جمع آوری حجم اطلاعات تا سطح داده های بزرگ ادامه می دهد.
بر اساس یک نظرسنجی CNews Analytics، 44٪ از شرکت های مورد بررسی با داده های بیش از 100 ترابایت* کار می کنند و تنها 13٪ با حجم های بالاتر از 500 ترابایت کار می کنند.

با این وجود، بازار روسیه با پیروی از روندهای جهانی افزایش خواهد یافت. از سال 2014، IDC اندازه بازار را 340 میلیون دلار تخمین زده است.
نرخ رشد بازار در سال‌های گذشته 50 درصد در سال بود که اگر در همین حد باقی بماند، در سال 2018 حجم بازار به 1.7 میلیارد دلار خواهد رسید. سهم بازار روسیه در بازار جهانی حدود 3 درصد خواهد بود که از 1.2 درصد فعلی افزایش یافته است.

پذیراترین صنایع برای استفاده از داده های بزرگ در روسیه عبارتند از:

خرده‌فروشی و بانک‌ها، برای آنها، تجزیه و تحلیل پایگاه مشتری و ارزیابی تأثیر کمپین‌های بازاریابی در درجه اول مهم است.
مخابرات - تقسیم‌بندی پایگاه مشتری و درآمدزایی از ترافیک؛
بخش عمومی - گزارش، تجزیه و تحلیل برنامه های کاربردی از مردم، و غیره؛
شرکت های نفتی – نظارت بر کار و برنامه ریزی تولید و فروش.
شرکت های انرژی – ایجاد سیستم های برق هوشمند، نظارت و پیش بینی عملیاتی.

در کشورهای توسعه‌یافته، داده‌های بزرگ در حوزه‌های بهداشت، بیمه، متالورژی، شرکت‌های اینترنتی و شرکت‌های تولیدی رواج یافته است؛ به احتمال زیاد در آینده‌ای نزدیک، شرکت‌های روسی از این حوزه‌ها نیز از تاثیر معرفی Big Data استقبال خواهند کرد. این فناوری ها در صنایع خود
در روسیه، و همچنین در جهان، در آینده نزدیک روندی به سمت تجسم داده ها، تجزیه و تحلیل فایل های رسانه ای و توسعه اینترنت اشیا وجود خواهد داشت.
علیرغم رکود عمومی اقتصاد، در سال‌های آینده، تحلیلگران رشد بیشتر بازار کلان داده را پیش‌بینی می‌کنند، در درجه اول به این دلیل که استفاده از فناوری‌های کلان داده به کاربران آن مزیت رقابتی از نظر افزایش کارایی عملیاتی می‌دهد. کسب و کار، جذب جریان اضافی مشتریان، به حداقل رساندن خطرات و اجرای فناوری های پیش بینی داده ها.
بنابراین، می‌توان نتیجه گرفت که بخش کلان داده در روسیه در مرحله شکل‌گیری است، اما تقاضا برای این فناوری‌ها هر سال در حال افزایش است.

نتایج اصلی تحلیل بازار

بازار جهانی

در پایان سال 2014، بازار کلان داده با پارامترهای زیر مشخص می شود:

حجم بازار به 28.5 میلیارد دلار آمریکا رسید که نسبت به سال قبل 45 درصد افزایش داشت.
اکثر درآمدهای بازار کلان داده از خدمات حاصل شده است، سهم آنها برابر با 40٪ از کل درآمد است.
36 درصد از درآمد از برنامه های کاربردی و تجزیه و تحلیل داده های بزرگ، 17 درصد از تجهیزات محاسباتی و 15 درصد از فناوری های ذخیره سازی داده به دست آمده است.
محبوب ترین ها برای حل مشکلات Big Data پلتفرم های درون حافظه شرکت هایی مانند SAP، HANA و Oracle هستند.
تعداد شرکت‌هایی که پروژه‌های اجرا شده در زمینه مدیریت کلان داده را 125 درصد افزایش دادند.

پیش‌بینی بازار برای سال‌های آینده به شرح زیر است:

در سال 2015 حجم بازار به 38.4 میلیارد دلار آمریکا خواهد رسید، در سال 2020 - 68.7 میلیارد دلار آمریکا.
متوسط نرخ رشد سالانه 16% خواهد بود.
میانگین هزینه های شرکت برای فناوری های Big Data 13.8 میلیون دلار برای شرکت های بزرگ و 1.6 میلیون دلار برای مشاغل کوچک و متوسط خواهد بود.
فناوری‌ها در حوزه خدمات مشتری و بازاریابی هدفمند گسترده‌تر خواهند بود.
در سال 2017، ساختار بازار جهانی به سمت برتری شرکت های کاربر از کشورهای در حال توسعه تغییر خواهد کرد.

بازار روسیه

بازار کلان داده روسیه در مرحله شکل گیری است، نتایج سال 2014 به شرح زیر است:

حجم بازار به 340 میلیون دلار رسید.
متوسط نرخ رشد بازار در سال های گذشته 50 درصد سالانه بود.
حجم کل اطلاعات انباشته شده 155 اگزابایت بود.
10٪ از شرکت های روسی شروع به استفاده از فناوری های داده های بزرگ کردند.
فناوری‌های کلان داده در بخش بانکداری، مخابرات، شرکت‌های اینترنتی و خرده‌فروشی محبوب‌تر بودند.

پیش‌بینی بازار روسیه برای سال‌های آینده به شرح زیر است:

حجم بازار روسیه در سال 2015 به 500 میلیون دلار و در سال 2018 به 1.7 میلیارد دلار خواهد رسید.
سهم بازار روسیه در بازار جهانی در سال 2018 حدود 3٪ خواهد بود.
مقدار داده های انباشته شده در سال 2020 980 اگزابایت خواهد بود.
حجم داده ها در سال 2020 به 2.2 درصد از حجم داده های جهانی افزایش خواهد یافت.
فن آوری های تجسم داده ها، تجزیه و تحلیل فایل های رسانه ای و اینترنت اشیا محبوب ترین خواهند شد.

بر اساس نتایج تحلیل‌ها، می‌توان نتیجه گرفت که بازار داده‌های بزرگ هنوز در مراحل اولیه توسعه است و در آینده نزدیک شاهد رشد آن و گسترش قابلیت‌های این فناوری‌ها خواهیم بود.

از اینکه برای خواندن این اثر حجیم وقت گذاشتید متشکریم، در وبلاگ ما مشترک شوید - ما قول بسیاری از انتشارات جالب جدید را می دهیم!

خواندن:

«اسکایریم»: طومار بزرگتر منوی سمت چپ cayo coco را باز کنید چرا به ارتباطات رادیویی و ایستگاه های رادیویی نیاز داریم؟ ضرایب همبستگی رتبه کندال و اسپیرمن مثال ضریب همبستگی رتبه کندال توابع برنامه نویسی

محبوب:

انواع ویروس های کامپیوتری و علت خطرناک بودن آنها

جدید

نحوه بازگرداندن سیکل قاعدگی بعد از زایمان:

RSS