کسب‌ وکار هوشمند با حداقل تاخیر با استفاده از انبار داده‌ی کم تاخیر و داده‌کاوی جریانی


در حال بارگذاری
23 اکتبر 2022
فایل ورد و پاورپوینت
2120
3 بازدید
۱۵۹,۷۰۰ تومان
خرید

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 کسب‌ وکار هوشمند با حداقل تاخیر با استفاده از انبار داده‌ی کم تاخیر و داده‌کاوی جریانی دارای ۱۱۱ صفحه می باشد و دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد کسب‌ وکار هوشمند با حداقل تاخیر با استفاده از انبار داده‌ی کم تاخیر و داده‌کاوی جریانی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

 

بخشی از فهرست پروژه کسب‌ وکار هوشمند با حداقل تاخیر با استفاده از انبار داده‌ی کم تاخیر و داده‌کاوی جریانی
    
فصل اول: مروری بر مفاهیم انبار داده و کسب‌وکار هوشمند
    ‏1-1   مقدمه 
    ‏1-2   مباحثی چند درباره سیستم‌های موجود
    ‏1-3  چرا انبار داده به وجود آمد؟
    ‏1-4   انبار داده چیست؟
    ‏1-5   کسب‌وکار هوشمند
    ‏1-5-1  ضرورت‌های نیاز به کسب‌وکار هوشمند
    ‏1-5-2  تعریف کسب‌وکار هوشمند
    ‏1-6   ارتباط انبار داده با کسب‌وکار هوشمند
    ‏1-7   جریان‌های داده
       ‏1-7-1  دسته‌بندی جریان‌ها
       ‏1-7- 2 راهکارهای پردازش جریان‌ها با حداقل تأخیر
     ‏1-8   نتیجه‌گیری
    
فصل دوم: معرفی انبار داده کم تأخیر و کسب‌وکار هوشمند با حداقل تأخیر
    ‏2-1   مقدمه

    ‏2-2   چرا انبار داد? کم تأخیر مطرح گردید؟

    ‏2-3   تعریف انبار داد? کم تأخیر

    ‏2-4   نیازمندی‌های انبار داده کم تأخیر

    ‏2-4-1   استخراج-انتقال-بارگذاری کم تأخیر

         ‏2-4-2   چرا استخراج-انتقال-بارگذاری کم تأخیر؟

                 ‏2-4-2-1   تعریف استخراج-انتقال-بارگذاری کم تأخیر
                 ‏2-4-2-2   روش‌های استخراج-انتقال-بارگذاری کم تأخیر
    ‏2-5   تحلیل‌های کم تأخیر، نیاز روز افزون

    ‏2-6   کسب‌وکار هوشمند با رویکرد کم تأخیر 

    ‏2-7   بررسی ارتباط انبار داد? و کسب‌وکار هوشمند با حداقل تأخیر
         ‏2-7-1   معماری کسب‌وکار هوشمند با حداقل تأخیر بر اساس انبار داد? 
    ‏2-8   سیستم‌های مدیریت جریان داده

    ‏2-9   نتیجه‌گیری

    
فصل سوم: سیر تکاملی انبار داده کم تأخیر و کسب‌وکار هوشمند با حداقل تأخیر

    ‏3-1   مقدمه

    ‏3-2   نگاهی بر سیر تکاملی انبار داده کم تأخیر

         ‏3-2-1   انبار داده عملیاتی

         ‏3-2-2   کم تأخیر کردن انبار داده

    ‏‏3-2-2-1   انبار داده با تأخیر صفر

    ‏3-2-2-2   انبار داده با تأخیر صفر مبتنی بر گرید

    ‏3-2-2-3   انبار داده کم تأخیر با استفاده از سیستم مدیریت جریان‌ها
    ‏3-3   مروری بر کارهای انجام شده در تکامل کسب‌وکار هوشمند با حداقل تأخیر
         ‏3-3-1   کسب‌وکار هوشمند سنتی

         ‏3-3-2   کسب‌وکار هوشمند با حداقل تأخیر

         ‏3-3-3   کسب‌وکار هوشمند با حداقل تأخیر بر اساس جریان‌های داده
    ‏3-3-3-1   معماری سیستم کسب‌وکار هوشمند با حداقل تأخیر بر اساس داده‌کاوی جریانی
    ‏3-4   نتیجه‌گیری

    
فصل چهارم: معماری پیشنهادی و پیاده‌سازی آزمایشی آن

    ‏4-1    مقدمه

    ‏4-2   فرایند طراحی مدلی برای حداقل رساندن تأخیر در کسب‌وکار هوشمند با استفاده از انبار داده کم تأخیر
         ‏4-2-1   معرفی بخش بازار برق و نقش آن در پیش‌بینی مصرف برق کشور
         ‏4-2-2    نیاز به طراحی انبار داده کم تأخیر و کسب‌وکار هوشمند با حداقل تأخیر در صنعت برق
     ‏4-3   معرفی مدل پیشنهادی و عناصر بکار رفته در آن

          ‏4-3-1    سیستم مدیریت جریان داده پیشنهادی

                 ‏4-3-1-1   پرس‌وجوهای پیوسته 

                 ‏4-3-1-2   نقش جدول جریانی و هفتگی در سیستم مدیریت جریان 
       ‏4-3-2   مقصود از انبار داده کم تأخیر

       ‏4-3-3   پردازش کسب‌وکار

    ‏4-3-3-1   ساختار‌های ذخیره‌سازی سیستم‌های پردازش تحلیلی برخط
    ‏4-3-3-2   سرویس‌های گزارش‌گیری و تحلیلی

    ‏4-4   طراحی و پیاده‌سازی انبار داده کم تأخیر پیشنهادی برای داده‌های مصرف برق کشور
         ‏4-4-1   ابزارهای پیاده‌سازی و آزمایش مدل

         ‏4-4-2   پیاده‌سازی‌سازی نمونه موردی

    
فصل پنجم: ارزیابی مدل و نتیجه‌گیری

    ‏5-1   اجرای مدل و ارزیابی نتایج

         ‏5-1-1   بررسی ارتباط زمان ارائه گزارش و تعداد مشتریان
    ‏5-2   جمع‌بندی
فهرست منابع و مراجع

    فهرست جداول:

    ‏جدول ۱-۱:  مقایسه میان سیستم‌های عملیاتی و اطلاعاتی مرجع (جام سحر خ. ۱۳۸۷)

    ‏جدول ۵-۱:   مقایسه توپولوژی‌های استخراج-انتقال-بارگذاری

    ‏جدول ۵-۲:   نقاط ضعف و قوت مدل‌ها

    ‏جدول ۵-۳:   مقایسه ویژگی‌های مدل‌ها

    فهرست اشکال:

    ‏شکل ۱-۱:  نمودار ساده یک انبار داده مرجع (Inmon H.W. 2005)

    ‏شکل ۱-۲:  هرم مفهومی کسب‌وکار مرجع (جام سحر خ. ۱۳۸۷)

    ‏شکل ۱-۳:  نمای کلی از کسب‌وکار هوشمند مرجع (جام سحر خ. ۱۳۸۷)

    ‏شکل ۲-۱:  دیاگرام استخراج-انتقال-بارگذاری سنتی مرجع ‎(Kimbal R. 2004)

    ‏شکل ۲-۲:  دیاگرام استخراج-انتقال-بارگذاری دسته‌های کوچک مرجع ‎ (Kimball R. 2001)

    ‏شکل ۲-۳:  چهار لایه کسب‌وکار هوشمند با حداقل تأخیر مرجع ‎(Yang H. July 2010)

    ‏شکل ۲-۴:  معماری پیشنهادی برای کسب‌وکار هوشمند با رویکرد کم تأخیر مرجع (Nguan T.M 2005)

    ‏شکل ۳-۱:  ساختار کلی انبار داده با تأخیر صفر مرجع (Tho N.M. Feb, 2003)

    ‏شکل ۳-۲:  ساختار کلی انبار داده با تأخیر صفر مبتنی بر گرید مرجع (Nguyen T.M 2004)

    ‏شکل ۳-۳:  معماری پیشرفته از انبار داده‌ی کم تأخیر برای پردازش جریان‌های داده مرجع‏(Majeed F. 2010)

    ‏شکل ۳-۴:  پردازنده جریان‌های داده قبل از درج در انبار داده‌ مرجع ‎(Majeed F. 2010)

    ‏شکل ۴-۱:  مدل کسب‌وکار هوشمند پیشنهادی

    ‏شکل ۴-۲:  دیاگرام انبار داده

    ‏شکل ۴-۳:  ساختار پردازش تحلیل برخط ترکیبی با حداقل تأخیر در  مکعب انبار داده
    ‏شکل ۴-۴:  نمونه گزارش برای برق منطقه‌ای زنجان در روزهای مشابه
    ‏شکل ۵-۱:  مقایسه زمان ارائه گزارش بر اساس رکوردهایی که یک دقیقه به یک دقیقه ارسال می‌شوند
    ‏شکل ۵-۲:  مقایسه زمان ارائه گزارش بر اساس رکوردهایی که ۵ ثانیه به ۵ ثانیه ارسال می‌شوند
    ‏شکل۵-۳

 

مقدمه
مقادیر اطلاعاتی موجود در تشکیلات اقتصادی  به سرعت در حال رشدند. اطلاعات جدید به شکل پیوسته توسط منابع عملیاتی مانند پردازش سفارش، کنترل تحویل و سیستم‌های سرویس‌دهی به مشتری در حال تولید هستند. برای پشتیبانی از تحلیل و کاوش  موثر، باید بتوان داده را از منابع نامتجانس و متعدد جمع‌آوری نموده و اطلاعات یکپارچه شده را در یک مخزن واحد نگهداری نمود.
پر واضح است که در کسبوکارهای تجاری یک تصمیم‌گیری هوشمندانه با در نظر گرفتن شرایط زمان و مکان، بسیار مهم و حیاتی می‌باشد. بهترین تصمیم هنگامی گرفته می‌شود که تمامی عوامل و داده‌های مرتبط با موضوع تصمیم‌گیری، مورد توجه قرار گرفته باشند. از این رو بهترین منبع ممکن برای چنین داده‌هایی، انبار داده‌ای است که به خوبی طراحی شده باشد.
۱-۲    مباحثی چند درباره سیستم‌های موجود
اطلاعات گنجینه گران‌بهایی هستند که نگهداری و استفاده از آن، تدابیر ویژه‌ای را می‌طلبد. فناوری، روشی برای نگهداری از این اطلاعات و الگوریتم‌های اطلاعاتی نیز روشی برای معنا کردن این اطلاعات می‌باشد. تمامی سازمان‌ها به سیستم‌هایی نیاز دارند که در کوتاه‌ترین مدت، قادر باشند عکس‌العمل مناسبی را به هنگام وقوع غیر منتظره نشان دهد. در سازمان‌ها داده‌ها و اطلاعات معمولاً به دو شکل در سیستم‌ها پیاده‌سازی می‌شوند: سیستم‌ها و داده‌های عملیاتی، سیستم‌ها و داده‌های اطلاعاتی.
سیستم‌های اطلاعاتی تحلیلی در مقابل سیستم‌های عملیاتی، سیستم‌های هستند که امکان تحلیل داده‌های انبوه حاصل از سیستم‌های عملیاتی را برای تمامی سطوح کاربران فراهم می‌کنند. سیستم‌های عملیاتی در سازمان‌های بزرگی به صورت روزانه پردازش‌های اطلاعاتی فراوانی را به انجام رسانده و به تولید اطلاعات گوناگون می‌پردازند. بانک‌های اطلاعاتی این سازمان‌ها با داده‌های فراوان حاصل از تراکنش‌های مختلف روبرو شوند.
اطلاعات پایه سیستم‌ها همانند اطلاعات کاربران و سطوح دسترسی آن‌ها معمولاً با تغییرات روزانه مواجه نیستند اما اطلاعات عملیاتی نظیر عملیات تجاری، خرید و فروش محصولات و. . . می‌توانند حتی به طور لحظه‌ای تغییر کنند. تحلیل و پردازش درست و دقیق اطلاعات عملیاتی می‌تواند در تولید نتایج آماری در جهت تصمیم‌گیری‌های کلان مدیریتی موثر بوده و به مدیران کمک کند تا تصمیمات بهینه‌ای برای موفقیت سازمان خود بگیرند.
برای آنالیز و پردازش این اطلاعات و تسهیل و سرعت بخشیدن به عملیات گزارش‌گیری و پرس‌وجوهای متنوع به جای تحلیل مستقیم داده‌ها از درون سیستم‌های عملیاتی، از سیستم‌ها و پایگاه داده‌های تحلیلی استفاده می‌شود که خارج از حوزه سیستم‌های عملیاتی قرار داشته و سرعت بسیار بالایی دارند.
الف) سیستم‌های عملیاتی
این سیستم‌ها جهت انجام عملیات روزمره سازمان‌ها و شرکت‌ها، تهیه و تولید شده و توسط کاربران استفاده می‌شوند. در حقیقت این سیستم‌ها باعث می‌گردند تا چرخ کسب‌وکار بگردد. سیستم‌های پردازش تراکنشی برخط  جز سیستم‌های عملیاتی می‌باشند و وجود این سیستم‌ها سبب می‌شود تا داده‌های مربوط به کسب‌وکار وارد بانک اطلاعاتی شود.

بخشی از منابع و مراجع پروژه کسب‌ وکار هوشمند با حداقل تاخیر با استفاده از انبار داده‌ی کم تاخیر و داده‌کاوی جریانی

Arasu, A., Babcock, B., Babu, S., Cieslewicz, J., Datar, M., Ito, K., Motwani, R. , Srivastava, U., Widom, J.,. "STREAM: The Stanford Data Stream Management System." .
Asghar S., Fong S., Hussain T.,. "Business Intelligence Modeling: A Case Study of Disaster Management Organization in Pakistan." The 4th International Conferance on Computer Sciences and Convergence Information Technology. seoul, Korea, 2009. 637-638.
Azvine B., Cui Z., Nauck D. "Towards real-time business intelligence." BT Technology Journa 23 (2005): 214-225.
Azvine B., Cui Z., Nauck D.D. , Majeed B.,. "Real time business intelligence for the adaptive enterprise." The 8th IEEE International Conference on and Enterprise Computing, E-Commerce, and E-Services. . 29.
Babcock B., Babu S., Datar M., Motwan i R., Widom J.,. "Models and issues in data stream systems." In Symposium on Principles of Database Systems, ACM SIGACT-SIGMOD. . 116.
Babu S., Widom J.,. "Continuous Queries Over Data Stream." SIGMOD, : 109-120.
Berson A., Smith S., Thearling K.,. "Building Data Mining Applications for CRM." Tata McGraw-Hill, Delhi, .
Bifet A., Holmes G., Kirkby R., Pfahringer B. "MOA: Massive Online Analysis." Journal of machine Learning Research, MIT, May : 1601-1604.
Botan I., Cho Y., Derakhshan R., Dindar N., Haas L., Kim K., Tatbul N.,. "Federated Stream Processing Support for Real-Time Business Intelligence Applications." VLDB International Workshop on Enabling Real-Time for Business Intelligence. lyon, France, 2009.
Bruckner M. R., List B., Schiefer J.,. "Striving towards Near Real-Time Data Integration for Data Warehouses." Edited by LNCS 2454. Springer-Verlag Berlin Heidelberg, : 317-326.
Castellanos M., Alves de Medeiros A.K., Mendling J.,Weber M., Weijters A. J. M. M.,. "Business Process Intelligence." Chap. chapter XXI. IGI Global, .
Chandrasekaran S., Cooper O., Deshpande A., Franklin , Hellerstein J.M., Hong, Krishnamurth S., Madden S.R., Raman V.,Reiss F., Shah M.A.,. "TelegraphCQ: Continuous Dataflow Processing for an Uncertain World." CIDR, .
Darshan M. "Reducing ETL Load Times by a New Data Integration Approach for Real-time Business Intelligence." IJEIR 1 (march ): 1-5.
Dong G., Han J., Lakshmanan L.V.S., Pei J.,. "Online mining of changes from data streams: Research problems and preliminary results." In cooperation with the 2003 ACMSIGMOD International Conference on Management of Data. San Diego, June 8, .
Fan H. Investigating a Heterogeneous Data Integration Approach for Data Warehousing. A Dissertation Submitted to the University of London in Partial Fulfillment of the Requirements for the Degree of Doctor of Philosophy, .
Fellenstein B. "Grid Computing." Prentice Hall PTR, December .
Foster I., Grossman R.,. "The anatomy of the Grid: Enabling scalable virtual organizations." In International Journal. Supercomputer Applications Vol. 15 ().
Gaber M. M., Zaslavsky A., Krishnaswamy S.,. "Mining data streams: a review." SIGMOD Rec. . 18-26.
Gangadharan G.R., Swamy N.S.,. "Business intelligence systems: design and implementation strategies." Proceedings of 26th International Conference on Information Real time business intelligence 45 Technology Interfaces. Cavtat, Croatia: http://ieeexplore.org, .
Grigoria D., Casatib F., Castellanosb M., Dayalb U., Sayalb M., Shan M.C.,. "Business process intelligence." Computers in Industry 53 (): 321-343.
Haisten M. "Real-time Data Warehousing Defined." Library article from BetterManagement.com, .
Inmon H.W. Building the Data Warehouse,Fourth Edition. Edited by Fourth Edition. Wiley Publishing, .
Kimbal R., Caserta J.,. "The Data Warehouse ETL Toolkit." (Wiley Publishing) .
Kimball R. Designing A Real Time Partition, Copyright Kimball Group. .
Langseth J. "Real-time Data Warehousing: Challenges and Solutions." Article published at DSSResources.COM, .
Majeed F., Sohaib M.S., Iqbal I.,. "Efficient Data Streams Processing in the Real-Time Data Warehouse." Conference on Computer Science and Information Technology (ICCSIT). In Proceedings of 3rd IEEE Int, . 57-61.
Moss L.T., Atre S.,. "Business Intelligence Roadmap: The Complete Project Lifecycle for Decision Support Applications." Addison Wesley Longman. Boston, .
Nguan T.M, Schiefe J., Tjoa A.Min.,. "Sense & Response Service Architecture (SARESA):An Approach towards a Real-time Business IntelligenceSolution and its use for a Fraud Detection Application." ACM. .
Nguyen T. M., Tjoa A.M.,. "Zero latency data warehousing for heterogeneous data source and continuous data stream." .
Nguyen T.M, Tjoa A.M,. "Grid-Based Zero-Latency Data Warhousing for Continuous Data Streams Processing." Institute of Software Technology and Interactive Systems, Vienna University of Technology. Vienna, Austria, 2004. 9-11.
Nguyen T.M., Tjoa A.Min.,. "Zero-Latency Data Warehousing (ZLDWH): the State-of-the-art and experimental implementation approaches." proceedings of 4th IEEE Intl. conference on computer science reserch. 2003.
Parapatics P. "Evolution of Data Warehousing and Data Mining." 2007.
Paton W., Diaz O.,. "Active Database System." in ACM Computing Surveys 31 (1999).
Pedersen T., Tryfona N.,. "Pre-aggregation in spatial Data Warehouse." In Proc. of the 7th Int. Symposium on Advances in Spatial and Temporal Database. 2001. 460-478.
Pedersen T.B. "Business Intelligence, Data Warehousing and Multidimensional Databases." DAT5 course, September 24, 2007.
Sahay, B.S., Ranjan, J.,. "Real time business intelligence in supply chain analytics." Information Management & Computer Security. Ghaziabad, India: Emerald Group Publishing Limited, 2008. 28-48.
Samtani. Recent Advances and Research Problems in Data Warhousing. Kansa: Dept of Computer Science Telecommunications, University of Missouri, 1999.
Seufert A., Schiefer J.,. "Enhanced business intelligence- supporting business processes with real-time business analytics." Proceedings of the 16th International Workshop on Database and Expert System Applications-DEXA’05. 2005.
Talel A., Raja C., Georges H.,Jean Louis V.,. "Using Data Stream Management Systems to analyze Electric Power Consumption Data." Workshop on Data Stream Analysis, March 2007: 15-16.
Thakkar H., Mozafari B., Zaniolo C.,. "A Data Stream Mining System." IEEE International Conference on Data Mining Workshops (ICDMW). 2008. 987-990.
Thalhammer T., Scherefl M.,. "Realizing Active Data Warehouse with off-the-shelf database technology,." softw 32 (2002): 1193-1222.
Tho N.M., Tjoa A.M.,. "Zero-Latency Data Warehousing: Continuous Data Integration and Assembling Active Rules." In Proceedings of 5th International. Conference on Information Integration and Web-based Applications and Services (IIWAS2003. Jakarta, Feb, 2003.
Vandermay J. Considerations for Building a Real-time Data warehouse. Development DataMirror Corporation, 2001.
Vassiliadis, P,. "A Survey of Extract–Transform– Load Technology,." International Journal of Data Warehousing & Mining, University of Ioannina, , July-September 2009: 1-27.
Viitanen M., Pirttimaki V.,. "Business intelligence for strategic management in a technology-oriented company." International Journal of Technology Intelligence and Planning 2 (2006): 329-343.
Williams S., Williams N.,. "The business value of business intelligence." Business Intelligence Journal 8 (2004).
Yang H., Fong S.,. "Real-time Business Intelligence System Architecture with Stream Mining." Proceedings of the 5th International Conference on Digital Information Management (ICDIM). Thunder Bay, Canada: IEEE, July 2010.
جام سحر خ. بانک داده تجمیعی. نشر کیان رایانه سبز, ۱۳۸۷.
خالصی, ن, و مینایی،. “کسب‌وکار هوشمند با حداقل تاخیر در صنعت برق کشور.”
نخلبند،ر. انبارهای داده – پیادهسازی یک نمونه با oracle warehouse bulder 11g. ناقوس, ۱۳۹۰.

  راهنمای خرید:
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.