دانش محوري

اطلاعات در دنياي خرده‌فروشي حياتي است. شركت‌ها مدت‌هاست كه بر روي داده‌هاي فروش و تحقيقات بازار تكيه كرده‌اند تا تجربيات بهتري براي مشتري به ارمغان آورند، زنجيره‌هاي تامين را كارآمد سازند و پيشنهادات توليد را بهبود بخشند.

چرا كلان داده در خرده‌فروشي رونق يافته است؟

ابزارهاي ديجيتال امروزي، منابع داده‌ي بيشتري از آنچه قبلاً بوده براي خرده‌فروشان تدارك ديده‌اند. آنها نه تنها مي‌توانند نشان دهند كه كدام توليدات و كجا فروخته شده‌اند بلكه در حال حاضر مي‌توانند مشخص كنند كدام مشتريان حقيقي و گروه‌هاي مشتريان در حال خريد آن چيزي هستند كه در نظر گرفته بودند و چگونه تصميمات خريدشان تحت تاثير نيروهاي خارجي است.
داده‌هاي جمع‌آوري شده از شبكه‌هاي اجتماعي، دستگاه‌هاي اينترنت اشياء و جستجوي ساده در اينترنت مي‌توانند به شركت‌ها چيزهاي زيادي درباره‌ي تمايلات و رفتار مشتريان بگويند. سكوهاي توسعه‌يافته‌ي تجزيه و تحليل مي‌توانند اين داده‌هاي بدون ساختار را پردازش كنند تا گرايش‌ها و ترجيحات مشتريان را مشخص كنند.
خرده‌فروش‌ها مي‌توانند از اين داده‌ها استفاده كنند تا تصميماتي تجاري بگيرند كه با نيازهاي واقعي مشتريان توازن بيشتري دارد؛ به جاي اينكه تلاش كنند به بهترين شكل از مشتريان‌شان درخواست كنند كه چيزي كه نمي‌خواهند را بخرند يا به اين كار مجبورشان كنند.

۵ مورد استفاده‌ي ارزشمند از كلان داده در خرده‌فروشي

۱. چشم‌انداز ۳۶۰ درجه‌اي از مشتريان

كلان داده به خرده‌فروشان اجازه مي‌دهد تا بيشتر در مورد مشتريان‌شان بدانند. اين امر به نوبه‌ي خود به آنها امكان ساخت يك تصوير جامع از رفتار مشتريان مي‌دهد.
دانستن اينكه شخص چه چيزي دوست دارد و چه چيزي دوست ندارد، هرچند وقت يكبار خريد مي‌كند و به چه ميزان در شبكه‌هاي اجتماعي فعاليت مي‌كند، همه عوامل مهمي هستند كه مي‌توانند به داده‌هاي سنتي جمعيت‌شناسي بيشتري مانند گروه سني، جنسيت و مكان جغرافيايي، در ارتباط با مشتريان واقعيت بخشند.
ابزارهاي تجزيه و تحليل و يادگيري ماشيني به شركت‌ها كمك مي‌كنند تا اين كميت‌ها را در سرتاسر محدوده‌ي گسترده‌ي منابع مشخص كنند و سپس آنها را با مصرف‌كننده‌ي مناسب مطابقت دهند.
به محض تقسيم‌بندي مناسب، اين مشتريان مي‌توانند مركز توجه كمپين‌هاي بازاريابي پيچيده و هدفمند قرار بگيرند كه بر روي سفر مشتريان واقعي‌شان بازتاب بهتري دارد.

۲. پيش‌بيني هزينه‌ها

تركيب داده‌هاي به‌ دست آمده از برنامه‌ي وفاداري، فعاليت در برنامه‌ها و عضويت‌هاي تجارت الكترونيك، پيگيري هزينه‌ها را در طول زمان براي خرده‌فروشان از هميشه آسان‌تر كرده است. اين داده‌ها به آنها نه تنها امكان مشاهده‌ي آنچه مشتريان خريداري كرده‌اند را مي‌دهد بلكه در مورد نحوه‌ي خريد آنها و اينكه تحت چه شرايطي به آن روي آورده‌اند، نظريات بهتري ارائه مي‌دهد.
براي مثال اگر احتمال بيشتري وجود دارد كه برخي اشخاص در زمان‌هاي خاصي از سال خريد كنند، فرصت خوبي است كه با توصيه‌ها و پيشنهادات مازاد آنها را هدف قرار دهيم. همين داده‌ها در دوره‌هاي زماني كوتاه مدت مي‌توانند جهت اطلاع‌رساني استراتژي‌هاي بازاريابي طراحي شده جهت جلب مشتري، مورد استفاده قرار بگيرند.

۳. پيش‌بيني تقاضا

اهميت اطلاعات مشتريان به اين معني نيست كه كلان داده تنها شامل داده‌هاي جمع‌آوري شده از مشتريان است. كلان داده شامل اطلاعاتي است كه از منابع مختلف جمع‌آوري مي‌شوند و همه‌ي آنها مي‌توانند تاثيري بر تقاضا در بازار داشته باشند.
يك مثال معروف، استفاده‌ي پانتين (Pantene) از داده‌هاي آب و هواست تا مشتريان بالقوه را در صورت انتظار وجود رطوبت محلي با تبليغات در مورد محصولات برطرف‌كننده‌ي وز مو، هدف قرار دهد.
تجزيه و تحليل داده كلان همچنين مي‌تواند براي به دست آوردن بينش‌هاي مهم درباره‌ي اينكه چگونه پيشامدهاي روزانه بر روي گرايشات مشتريان تاثير مي‌گذارد و حاشيه‌اي ارزشمند نسبت به رقيبان در اختيار خرده‌فروشان قرار مي‌دهد، كمك‌كننده باشند.

۴. سادگي عمليات‌ها

كلان‌ داده‌ها به سازمان‌ها كمك مي‌كنند تا ناكارآمدي‌ها را در ساختار سازماني‌شان، از تداركات زنجيره‌اي تا ساماندهي بك آفيس، مشخص كنند. اين به اين معني است كه اغلب در قفسه‌هاي فروشگاه‌ها و مراكز توزيع توليدات مناسبي قرار خواهند گرفت، كارمندان مي‌توانند زمان بيشتري را صرف پاسخگويي به نيازهاي مشتريان كنند و (مهم‌تر از همه) هزينه‌هاي غيرضروري از بين خواهد رفت.
اين موضوع بخصوص براي شركت‌هايي كه هنوز در حال حفظ مغازه‌هاي خرده‌فروشي حضوري هستند، حياتي است. زيرا به طور فزاينده‌اي با رقباي سرسخت از همتاهاي آنلاين‌شان مواجه مي‌شوند.
فناوري‌ مانند مسيريابي سامانه بازشناسي امواج راديويي و الگوريتم‌هايي كه مديريت تداركات زنجيره‌اي را بهينه مي‌كنند، مي‌توانند به شركت‌ها كمك كنند تا در عصر حمل رايگان و تحويل در همان روز، مطرح باقي بمانند.

۵. خدمات بهتر

هدف نهايي از چشم‌انداز ۳۶۰ درجه‌اي از مشتريان اين است كه تجربه‌ي بهتري براي آنها رقم بخورد. اين هدف فراتر از اين است كه در زمان مناسب، تبليغات مناسب را به شخص مناسب ارائه كنيم.
تجزيه و تحليل كلان داده مي‌تواند براي پردازش هزاران تماس از سوي مشتريان به كار گرفته شود تا چالش‌هاي معمولي را كه مشتريان با آنها مواجه مي‌شوند را تعيين كند و راه‌حل‌هايي براي پايدار كردنشان به كار گيرد.
دريافتگر اطلاعات مي‌تواند تصوير دقيق‌تري از نحوه‌ي حركت افراد در يك فروشگاه حضوري به ما بدهد كه به شركت‌ها اجازه مي‌دهد تا فضا را براي كاهش ناسازگاري‌ها بهينه كنند.
با اينكه شايد مشتريان فوراً متوجه اين تغييرات نشوند ولي برايشان تجربه‌ي خوبي خواهد بود كه باعث ايجاد وفاداري مي‌شود و كاري مي‌كند تا آنها در آينده نيز بازگردند.

نحوه‌ي به‌كارگيري كلان داده در خرده‌فروشي

جمع‌آوري حجم عظيمي از اطلاعات مورد نياز براي ساخت بيشترين كلان داده‌ها در خرده‌فروشي يكي از چالش‌هاي اصلي براي بيشتر شركت‌هاست.
پردازش اين اطلاعات به حجم عظيمي از قدرت محاسباتي نياز دارد كه اغلب فراتر از توان اكثر خرده‌فروش‌هاست؛ به كنار كه همه‌ي اين داده‌ها را كجا دخيره كنيم!
مراكز داده به دليل قابليت انعطاف‌پذيري و اطمينان، راه‌حل مناسبي هستند. آنها به دليل درآميختن افزونه‌هاي بي‌شمار و پيشنهاد خدمات تحسين برانگيز بازيابي فاجعه، اغلب امن‌ترين محيط براي اطلاعات مشتريان هستند.
با فرارسيدن زمان پردازش اين اطلاعات، توانايي آنها در ارتباط سريع با سكوهاي ابري متعدد تضمين مي‌كند كه شركت‌ها هميشه به منابع محاسباتي دسترسي داشته باشند. اين امر مي‌تواند به تقاضاهاي پردازش كلان داده پاسخگو باشد.

قبل از يادگيري نرم افزار سيستم مديريت پايگاه داده ، بايد بدانيم:

پايگاه داده چيست؟

پايگاه داده مجموعه اي از داده هاي مرتبط است كه نمايانگر برخي از جنبه هاي دنياي واقعي است. طراحي سيستم پايگاه داده  به گونه ايست كه براي براي كار مخصوصي ساخته و با داده هاي مربوط پر مي شود.

نرم افزاري براي ذخيره و بازيابي اطلاعات كاربران با در نظر گرفتن اقدامات امنيتي مناسب است. (اين شامل يك گروه از برنامه ها است كه پايگاه داده را دستكاري مي كنند.) سيستم مديريت پايگاه داده، درخواست  برنامه را مي پذيرد و به سيستم عامل دستور مي دهد تا داده هاي خاص را ارائه دهد. در سيستم هاي بزرگ ، اين نرم افزار به كاربران و ساير نرم افزارها كمك مي كند تا داده ها را ذخيره و بازيابي كنند. همچنين به كاربران اجازه مي دهد پايگاه داده خود را بر اساس نياز خود ايجاد كنند. اصطلاح “سيستم مديريت پايگاه داده” شامل كاربر پايگاه داده و ساير برنامه هاي كاربردي است واين رابطه  بين داده ها و برنامه نرم افزار فراهم مي كند.

نمونه اي از پايگاه داده در دانشگاه:

يكي از نمونه هاي ساده پايگاه داده، در دانشگاه است. اين پايگاه اطلاعات درمورد دانشجويان ، دوره ها و نمرات در محيط دانشگاه را حفظ مي كند.

اين پايگاه داده در پنج فايل سازمان يافته است:

• فايل”دانشجو” داده هاي هر دانش آموز را ذخيره مي كند.
• فايل “دوره” حاوي داده هاي مربوط به هر دوره است.
• فايل “بخش” اطلاعات مربوط به بخشها را در يك دوره خاص ذخيره مي كند.
• فايل”نمرات” نمرات دريافتي دانش آموزان در بخشهاي مختلف ذخيره مي شود.
• و در اخر فايل “استاد”شامل اطلاعات مربوط به هر استاد است.

براي تعريف سيستم پايگاه داده بايد په كرد؟

ما بايد ساختار سوابق هر فايل را با تعريف انواع مختلف عناصر داده اي كه بايد در هر ركورد ذخيره شوند ، مشخص كنيم.ما همچنين مي توانيم از كدگذاري براي نشان دادن مقاديريك مدل از  داده استفاده كنيم.اساساً ، پايگاه داده شما داراي پنج جدول است كه يك كليد خارجي در ميان جداول مختلف تعريف شده است.

ويژگي هاي سيستم مديريت پايگاه داده:

1.  امنيت را فراهم مي كند و افزونگي را برطرف مي كند.
2. پشتيباني از مدل هاي متعدد داده ها.
3. سيستم پايگاه داده ماهيت توصيف خودگر دارد.
4.  عايق بندي بين برنامه ها و انتزاعي بودن داده ها.
5. محيطي براي به اشتراك گذاري داده ها و پردازش معاملات چند كاربره.
6. به نهادها و روابط بين آنها اجازه مي دهد جداول را تشكيل دهند.
7. از مفاهيم اتمي بودن ، سازگاري ، انزوا و ماندگاري پيروي مي كند.
8. سيستم مديريت پايگاه داده از محيط چند كاربره پشتيباني مي كند كه به كاربران امكان دسترسي و دستكاري داده ها را به صورت موازي مي دهد.

در طي پانزده سال اخير، شبكه‌هاي اجتماعي كه چيزي بي‌سابقه بودند، به يك ويژگي همه‌گير در دنياي مدرن تبديل شده‌اند.
داده‌هاي نظرسنجي تحقيق پيو (Pew) بر روي استفاده از شبكه‌هاي اجتماعي نشان مي‌دهد كه اين پلتفرم‌ها به چه ميزان جهاني شده‌اند. گزارش شده است كه ميانگين بزرگسالان آمريكايي از بين هشت پلتفرم معروف، حداقل از سه تاي آنها به‌طور منظم استفاده مي‌كنند.
داده‌هاي توليد شده از طريق شبكه‌هاي اجتماعي، با وجود كاربران فراوان، فرصت‌هاي بسياري را به شركت‌هايي با استراتژي‌هايي در محل براي مديريت كلان داده‌هاي بدون ساختار، ارائه مي‌دهد.

داده‌هاي شبكه‌هاي اجتماعي

كاربران شبكه‌هاي اجتماعي همانند ديگر كاربران به طور مداوم با جنبه‌هاي مختلفي از هر پلتفرم مواجه مي‌شوند. هركس از اين تعاملات يك مقدار داده‌ي قابل اندازه‌گيري مي‌سازد كه قابليت پيگيري، تقسيم و تجزيه و تحليل براي بينش‌ها را دارد.
داده‌هاي شبكه‌هاي اجتماعي مرتباً رفتار كاربر را ثبت مي‌كنند. اين امر به شركت‌ها اجازه مي‌دهد تا استراتژي‌هاي مشاركتي بسازند كه به آنها در ارتقاي تجارت‌شان كمك مي‌كند.
يكي از مزاياي اصلي اين داده‌ها اين است كه به سادگي مقدار زيادي از آنها را بدست خواهيد آورد. رقم سرسام‌آور ۲.۶۲ بيليون كاربر كه در سال ۲۰۱۸ از برخي از پلتفرم‌هاي شبكه‌هاي اجتماعي استفاده مي‌كردند. انتظار مي‌رود كه اين رقم تا سال ۲۰۲۱ به ۳ بيليون برسد. فيس بوك، محبوب‌ترين پلتفرم شبكه‌ي اجتماعي تابه‌حال، به تنهايي كمي بيشتر از ۲ بيليون كاربر فعال دارد.
داده‌هاي توليد شده با اين پلتفرم‌ها نه تنها وسيع هستند بلكه يك نگاه اجمالي از آنچه كاربرها در حال انجام هستند، ارائه مي‌دهند.
شركت‌ها به جاي اينكه منتظر گزارش‌هاي سالانه يا فصلي از رفتار مشتريان باشند مي‌توانند گرايش‌ها و واكنش‌ها را به محض اتفاق دنبال كنند.

سنجه‌هاي عملكرد

به طور طبيعي، داده‌هاي شبكه‌هاي اجتماعي شامل سنجه‌هاي مختلفي مي‌شوند كه به راحتي قابليت جمع‌آوري دارند:
·       پسنديدن‌ها (Likes)
·       به اشتراك‌گذاري‌ها (Shares)
·       نام بردن (Mentions)
·       اثرگذاري‌ها (impressions)
·       كليك‌هاي URL
·       نظرات (comments)
·       استفاده از هشتگ
·       استفاده از كلمات كليدي
قطعاً بسياري از اين مقادير داده بدون انواعي از محتوا، بي‌معني هستند. استراتژي‌هاي شبكه‌هاي اجتماعي اوليه بر روي سنجه‌هاي «پوچي» تمركز كرده بود؛ مانند تعداد دنبال كنندگان (follower) و مشاركت‌هاي سطحي در پسنديدن يا به اشتراك‌گذاري.
مشكل اين سنجه‌ها اين است كه نتيجه‌گيري عملي از آنها بدون تحليل و بررسي‌هاي اضافي سخت است. داشتن دنبال كنندگان زياد در يك پلتفرم عملاً به معناي موفقيت در كسب‌وكار نيست.

مديريت داده‌هاي بدون ساختار

با وجود اينكه تجزيه و تحليل‌هاي كلان داده اغلب با ديگر صنايع داراي داده‌هاي سنگين مانند مراقبت‌هاي بهداشتي مرتبط است، ولي اين را براي شركت‌ها ممكن ساخته است كه بينش‌هايي بامعني از سنجه‌هاي عملكرد شبكه‌هاي اجتماعي بيرون بكشند.
گرچه شبكه‌هاي اجتماعي داده‌ي ساختارمند فراواني در ارتباط با كاربران تهيه مي‌كنند (اطلاعات پايه‌اي مانند نام، آدرس الكترونيك، جنسيت و غيره) ولي اكثريت قريب به اتفاق آنها، بدون ساختارند. به اين معني كه با هيچ نوع بخصوصي سازگار نيستند و تقريبا مي‌توانند شامل هر اطلاعاتي باشند. از آنجا كه حدود ۸۰ درصد همه‌ي داده‌هاي توليد شده بدون ساختارند، اين نبايد جاي تعجب داشته باشد.
روش شناسي‌هاي كلان داده با استفاده از الگوريتم‌هاي قدرتمند به شركت‌ها اجازه مي‌دهد تا اين داده‌ها را به شكلي موثرتر مديريت كنند. اكثر پلتفرم‌هاي شبكه‌هاي اجتماعي شكلي از ابزارهاي تجزيه و تحليل ارائه مي‌دهند كه ايجاد محتوا براي ديگر كلان داده‌هاي بدون ساختار و گسترده را تسهيل مي‌كند.
اين امر براي توسعه و بهبود استراتژي شبكه‌ي اجتماعي كمك‌كننده است ولي تنها خراشي بر پوشش گنجينه‌ي بينش‌هاي پنهان در داده‌هاي شبكه‌هاي اجتماعي ايجاد مي‌كند.

داده كاوي

داده‌هاي بدون ساختار فراتر از سنجه‌هاي عملكرد و مشاركت را در بر مي‌گيرند. فايل‌ها، تصاوير، ويديوها، فايل‌هاي صوتي، نظرات و پيام‌هاي به اشتراك گذاشته شده، همه نوعي داده‌ي بدون ساختار هستند. زماني كه كاربران در يك پلتفرم شبكه‌ي اجتماعي چيزي را منتشر مي‌كنند، نگاهي اجمالي از زندگي‌شان را در معرض ديد قرار مي‌دهند.
اين اطلاعات براي جستجوي سازمانها جهت توسعه‌ي توليدات و خدماتي كه پاسخگوي نياز مشتريان‌اند و سطوح درد مخاطبان هدف را مورد توجه قرار مي‌دهند، ارزشمندند.
در واقع مشخص كردن مخاطبان هدف هم چالشي است كه امكان حل آن از طريق تجزيه و تحليل رفتار كاربر در پلتفرم‌هاي شبكه‌هاي اجتماعي به صورت بالقوه وجود دارد.
ولي با بيش از دو بيليون كاربر كه از شبكه‌هاي اجتماعي استفاده مي‌كنند، اطلاعات بسيار زيادي براي تجزيه و تحليل وجود دارد. اوضاع زماني بدتر مي‌شود كه درصد بالايي از اين داده‌هاي بدون ساختار، پارازيت باشند.
اينجاست كه ابزارهاي تحليل و بررسي كلان داده تغذيه شده توسط هوش مصنوعي و يادگيري ماشيني براي سازمانها ارزشمند مي‌شوند. اين برنامه‌ها مي‌توانند بيليون‌ها تكه‌ي اطلاعات را به منظور استخراج بينش‌هاي بامعني در مورد مشتريان سازمانها تجزيه و تحليل كنند.
به عنوان يك مثال قابل توجه كلان داده، مطالعه‌ي استفاده از توييتر در متروي لندن به مدت يك سال، محتواي توييت‌‌ها را در زمان‌هاي خاصي از روز تجزيه و تحليل كردند و نتايج را با استفاده از ويژگي نشانه‌گذاري جغرافيايي (geotagging) پلتفورم، ارجاع متقابل دادند تا مشخص كنند كجا، كِي و كدام كاربران در اين باره پست گذاشته‌اند. نتايج منجر به توصيه‌اي از سوي محققان شد كه چه نوع تبليغاتي بايد بر روي بيلبوردهاي ديجيتال گردان هر ايستگاه در ساعات مختلف روز نمايان شوند تا تاثيرگذاري‌شان به حداكثر برسند.
اين تنها يكي از نمونه‌هاي كلان داده است كه نشان مي‌دهد داده‌هاي شبكه‌هاي اجتماعي چگونه مي‌توانند اطلاعاتي عملي ارائه دهند. همين فناوري‌هاي داده كاوي مي‌توانند به شركت‌ها كمك كند تا محصولات و خدمات بهتري توليد كنند.
تقاضاهاي ثابت براي ويژگي‌هاي جديد بر روي يك محصول يا شكايات از يك خدمت مي‌توانند رهنمودي براي محققان و مهندسان باشند كه با كار جدي‌تر تجربيات بهتري براي مشتري به ارمغان آورند.

راه‌حل‌هاي چندگانه

كلان داده به دليل مقادير عظيم ذخيره‌سازي و قدرت محاسباتي مورد نياز براي اجراي برنامه‌هاي قدرتمند تجزيه و تحليل، بيشتر شركت‌ها را با چالش روبه‌رو كرده است.
خوشبختانه مراكز داده‌ي اشتراك فضا (colocation) از توانايي‌هاي ارتباطي برخوردارند تا براي ساخت شبكه‌هاي ابري چندگانه به شركت‌ها كمك كنند تا سرورهاي آنها را با قدرت محاسباتي مقياس‌پذير پلتفرم‌هاي خدمات ابري كامل كنند.
اين خدمات به سازمانها اجازه مي‌دهد تا انواع داده‌هاي بدون ساختارشان را موثرتر مديريت كنند، امنيت و كنترلي را كه براي زيرساخت‌هايشان نياز است، حفظ كنند در حالي كه ابزارهاي قدرتمند تجزيه و تحليل پيشنهاد شده توسط بسياري از خدمات پايه‌ي ابري را در دسترس آنها قرار مي‌دهند.
همانطور كه داده‌هاي شبكه‌هاي اجتماعي پيچيده‌تر مي‌شوند، شركت‌ها نياز پيدا مي‌كنند تا راه‌هاي مديريت اين اطلاعات مختلف را بهبود بخشند. آنها با تنظيم شبكه‌هايي كه مي‌توانند تجزيه و تحليل كلان داده را تسهيل كنند، مي‌توانند بينش‌هاي عملي را سريع‌تر از قبل دريافت كنند. اين امر به آنها اجازه مي‌دهد تا استراتژي‌هاي انعطاف‌پذير را به منظور بهبود پاسخگويي به نيازهاي مشتري‌شان توسعه دهند.
مراكز داده مي‌توانند به شركت‌ها در ايجاد اين شبكه‌ها كمك كنند و با گزينه‌هاي اتصال به هم و گسترش‌هاي مبتكرانه‌ي فضاي ابري چندگانه، آنها را قادر به دگرگوني ديجيتال كنند.

 منبع: گروه پژوهشي سلام علم

معماري سيستم مديريت پايگاه داده به طراحي ، توسعه ، پياده سازي و نگهداري پايگاه كمك مي كند. ميدانيم كه پايگاه داده اطلاعات مهم براي كسب و كار ها را ذخيره مي كند. انتخاب “معماري پايگاه” صحيح به دسترسي سريع و ايمن داده ها كمك مي كند.

معماري يك سطحي:

ساده ترين معماري پايگاه داده يك سطحي است ،كه مشتري ، سرور و پايگاه داده همه در يك ماشين قرار دارند. در هر زمان ، شما پايگاه را در سيستم خود نصب مي كنيد و در ان با زبان sql تمرين مي كنيد ، اين معماري يك سطحي است. اما چنين معماري به ندرت در توليد استفاده مي شود.

معماري دو سطحي:

معماري دو سطحي مدلي از معماري پايگاه داده است كه در آن سطح نمايشي بر روي رايانه شخصي ، موبايل ، تبلت و غيره اجرا مي شود و داده ها در يك سرور جدا ذخيره مي شوند.
يك رابط برنامه در سمت مشتري به او امكان مي دهد تا سيستم مديريت پايگاه را فراخواني كند. امروزه بيشتر سيستم هاي رابط كاربري مخصوص خود را ارائه مي دهد. معماري دو سطحي امنيت بيشتري را به ايجاد مي كند زيرا مستقيماً در معرض استفاده كاربر نهايي نيست.نمونه اي از معماري دوسطحي ، يك سيستم مديريت تماس است كه با استفاده از MS- Access ايجاد شده است.

در معماري دو سطحي تصوير مي توان مشاهده كرد كه يك سرور به كاربر هاي ۱ ،۲ و ۳ متصل است.

معماري سه سطحي:

طرح سه سطحي توسعه ي معماري دو سطحي است. اين معماري داراي سطوح زير است:

1. سطح نمايش كه در رايانه شخصي ، رايانه لوحي ، تلفن همراه و غيره توسط كاربر ديده ميشود.
2. سطح برنامه (سرور).
3. سطح سرور اطلاعات پايگاه داده.

اين معماري شامل سطح برنامه بين كاربر و سيستم مديريت پايگاه است كه وظيفه انتقال درخواست كاربر به سيستم و ارسال پاسخ از سيستم به كاربر را بر عهده دارد.
سطح برنامه ، منطق عملكردي ، محدوديت ها و قوانين را قبل از انتقال داده به كاربر را پردازش مي كند.معماري سه لايه محبوب ترين معماري سيستم مديريت پايگاه داده است.

اهداف معماري سه سطحي:

1. جدا كردن سطح برنامه كاربر و پايگاه داده فيزيكي
2. پشتيباني از ويژگي هاي سيستم مديريت پايگاه داده مطرح شده است.
3. استقلال برنامه و داده ها
4. پشتيباني از نماهاي انواع داده ها

نمونه اي از معماري سه سطحي را ميتوان هر وبسايت بزرگي در اينترنت را نام برد.

سازمانها از مدت‌ها پيش متوجه شده‌اند كه اطلاعات براي تصميم‌گيري مناسب حياتي‌اند. اما اين قضيه در حوزه‌ي كلان داده، بسيار مهم‌تر از قبل است. روش جمع‌آوري و تجزيه و تحليل داده‌ها توسط شركت‌ها با پيشرفت در هوش مصنوعي، محاسبه‌ي ابري و دستگاه‌هاي اينترنت اشيا، اساساً تغيير كرده است.
طبقه‌بندي سرراست داده‌هاي جمع‌آوري شده، مرتب‌سازي دستي را براي انسان‌ها غير ممكن مي‌كند. آنها مجبورند به منظور شناسايي الگوها، گرايش‌ها و بينش‌هاي فوق‌العاده‌اي كه شكل دهنده‌ي تصميمات تجاري‌اند، به الگوريتم‌هايي پيشرفته روي آورند.
پياده‌سازي نيازهاي سيستم به جمع‌آوري و تجزيه و تحليل كلان داده يكي از بزرگ‌ترين چالش‌هايي است كه شركت‌ها امروزه با آن روبه‌رو هستند. به دليل مزاياي قابل توجه به دست آمده از يك استراتژي كلان داده خوب، بيشتر صنايع سعي در انجام اين كار دارند. در اينجا تعدادي نمونه‌ي كلان داده در كسب و كار امروزي بيان شده است.

مراقبت‌هاي بهداشتي

صنعت مراقبت‌هاي بهداشتي هرگز از نظر داده كسري نداشته است. مشكل اينجاست كه سازمان‌هاي مراقبت بهداشتي براي استفاده‌ي موثر از اين داده‌ها در پيكار بوده‌اند.
قسمتي از اين چالش به طبيعت بدون ساختار داده‌ها برمي‌گردد.
تركيب سنجه‌هاي ساختار يافته مانند هزينه‌هاي سربار و ميزان داروهاي تجويز شده در يك الگوريتم، واقعا ساده است ولي توجيه داده‌هاي ارزشمند موجود در منابعي مانند نمودارهاي پزشكي (كه برخي از آنها هنوز هم به صورت دست نوشته‌اند) بسيار سخت‌تر است و حتي قبل از مسائل مربوط به انطباق با حريم خصوصي بيمار، كه يكي از چالش‌هاي اصلي كلان داده در مراقبت‌هاي بهداشتي است، مورد توجه قرار مي‌گرفتند.
همانطور كه بهبود تجزيه و تحليل كلان‌ داده‌ها با استفاده از هوش مصنوعي و يادگيري ماشيني ادامه دارد، با اين حال سازمان‌هاي مراقبت‌هاي بهداشتي در حال يافتن راه‌هاي متعددي هستند تا از اين مجموعه داده‌ها سود ببرند.
نمونه‌هاي مختلفي از كلان داده در مراقبت‌هاي بهداشتي وجود دارد كه ارزش اشاره دارند. تجزيه و تحليل طولاني مدت روال تشخيص بيماري، درمان و نتايج سلامتي مي‌تواند در نهايت هزينه‌ي مراقبت را از طريق حذف عادات بي‌فايده يا زائد، به طور قابل ملاحظه‌اي كاهش دهد.
متخصصان مراقبت‌هاي بهداشتي نيز مي‌توانند مدل‌هاي پيش‌بيني دقيق‌تري براي انواع مختلف شرايط و درمان‌ها ايجاد كنند كه به آنها اجازه مي‌دهد در زمان مراقبت از بيمار، تصميماتي آگاهانه‌تر بگيرند.
با افزايش دستگاه‌هاي پزشكي اينترنت اشيا كه قابليت پوشيدن دارند، سازمانها قادر خواهند بود كه حتي داده‌هاي بيشتري از بيماران جمع‌آوري كنند تا تجزيه و تحليل كلان داده‌هايشان را به طور مداوم بهبود بخشند.

رسانه و سرگرمي

ديجيتالي كردن محتواي سرگرمي در مسير توسعه‌ي شركت‌ها و خريد و فروش توليدات و خدمات آنها تحولي عظيم به بار آورده است. با اين حال تجارت الكترونيك تنها ۱۴.۳ درصد خرده فروشان آمريكا را شامل مي‌شود. اين رقم نمي‌تواند از چگونگي عملكرد مردم به عنوان مشتري يا تاثير كل نمونه‌هاي كلان داده در خرده فروشي، تصويري كلي برساند.
بر طبق داده‌هاي نيلسن (Nielsen)، جوانان (افراد بين سنين ۱۸-۳۴ سال) ۴۳ درصد از وقتي را كه صرف رسانه‌ها مي‌كنند، در پلتفورم‌هاي ديجيتال به سر مي‌برند كه تقريبا به يك سوم اين رسانه‌ها از طريق گوشي‌هاي هوشمندشان دسترسي دارند.
اين تعاملات يك صف طولاني از سطوح داده مي‌سازد كه مي‌تواند به شركت‌ها كمك كند تا توليدات و خدمات‌شان را در موقعيت موثرتري قرار دهند.
با تحليل كلان داده‌ها كه قابليت يافتن الگو در اين داده‌ها را ميسر مي‌سازد، توليدكنندگان محتوا مي‌توانند علايق و تقاضاهاي مخاطبان را خيلي دقيق‌تر از قبل پيش‌بيني كنند. آنها به جاي اينكه محتوايشان را در رابطه با يك سري از گروه‌هاي تمركز بسازند كه ممكن است نشاني از مخاطبان واقعي نداشته باشند، مي‌توانند از روند داده‌ها استفاده كنند تا محتواي بخصوصي را براي جمعيت خاصي هدف قرار دهند.
شركت‌ها با درك اينكه كاربران چگونه وقت‌شان را صرف رسانه و سرگرمي مي‌كنند، همچنين مي‌توانند از سيستم عامل‌هاي توزيع‌شان حداكثر استفاده را ببرند تا مشتريان‌شان را همانجايي كه هستند ملاقات كنند.

حمل و نقل

تركيب تگ‌هاي هوشمند بازشناسي با امواج راديويي، رديابي GPS و سنسورهاي اينترنت اشيا «شهر هوشمند» در حال تغيير روشي است كه شركت‌ها و برنامه‌ريزان شهري از زيرساخت‌هاي حمل و نقل استفاده مي‌كنند.
اين دستگاه‌ها حجم عظيمي از داده توليد مي‌كنند كه از نحوه‌ي استفاده‌ي مردم از اين زيرساخت‌ها و نحوه‌ي تاثيرگذاري متغيرهايي مانند آب و هوا، تصادفات و تعميرات بر روي الگوهاي ترافيك، تصويري واضح ارائه مي‌دهد.
با اتومبيل‌هاي خودران كه در شرف وقوع هستند، كارايي بالقوه‌ي اين داده‌ها در سال‌هاي پيش رو به طور قابل توجهي افزايش مي‌يابد. برنامه‌ريزان شهري مي‌توانند از داده‌هاي دقيق جمع‌آوري شده از سنسورهاي اينترنت اشيا استفاده كنند تا بزرگراه‌هاي بهتري طراحي كنند و زيرساخت موجود را بهينه كنند تا حمل و نقل را به يكي از ساده‌ترين نمونه‌هاي تجسم كلان داده تبديل كنند.
الگوريتم‌هاي پيشرفته‌ي محاسبه‌ي ابري مي‌توانند داده‌هاي جمع‌آوري شده توسط سنسورها و رفت و آمدهاي مكرر را تجزيه و تحليل كنند تا افراد را از اينكه چگونه مي‌توانند مقرون به صرفه‌تر به مقصد برسند آگاه كنند و از مناطق پرترافيك دور بمانند.
قدرت پيش‌بيني ناشي از تجزيه و تحليل كلان داده‌ها همچنين مي‌تواند خطرات بالقوه را قبل از اينكه تبديل به تهديد شوند، شناسايي كند و به رانندگان يا مهندسان شهري هشدار دهد كه وسيله‌ي نقليه يا پلي نياز به تعمير دارد.

خدمات مالي

جاي تعجب ندارد كه صنايع بانكداري و خدمات مالي در استفاده از تجزيه و تحليل كلان داده سريع عمل كرده‌اند. چه اين داده‌هاي مالي از مشتريان جمع‌آوري شده باشند يا گزارشاتي از بازارهاي مختلف سرمايه‌گذاري باشند، اين سازمانها حجم بالايي از داده را در اختيار دارند.
سرعت بالاي كوچك‌سازي سخت‌افزارهاي پردازش و رشد محاسبات ابري منجر شده تا شركت‌هاي خدمات مالي ديگر نيازي نداشته باشند تا بر ابر رايانه‌هاي قديمي تكيه كنند. در عوض با استفاده از جديدترين امكانات در محاسبات عملكرد بالا، به غربال كردن كوهي از داد‌ه‌هايي كه روزانه گردآوري مي‌كنند، مي‌پردازند.
جنبه‌هاي مختلف صنعت مالي اين را به مثال خوبي از كلان داده تبديل مي‌كند. اكثر معاملات سهام جهان در حال حاضر توسط الگوريتم‌هاي معاملات بسامد بالا (HFT) مديريت مي‌شوند كه سيگنال‌هاي بازار را از منابع مختلف دريافت مي‌كنند و براي خريد يا فروش در چند صدم ثانيه تصميم مي‌گيرند.
شركت‌هاي بانكداري و كارت‌هاي اعتباري همچنين مي‌توانند با استفاده از تحليل كلان داده، فعاليت‌هاي مربوط به خريد را كنترل و مديريت كنند و با شناسايي كلاهبرداران به طور بالقوه از هزاران دلار پس‌انداز مشتريان حفاظت كنند. همين روش مي‌تواند براي اقدامات امنيت سايبري نيز به كار گرفته شود.

توليد

دركي كه اغلب از صنعت توليد وجود داشت، بخشي بود كه در حال زوال سريع است. ولي در دهه‌هاي اخير به لطف خودكارسازي و ديگر فناوري‌هاي هوشمند كه كارخانه‌ها را كارآمدتر و سودمندتر ساخته، اين صنعت بازگشت لذت‌بخشي را تجربه كرده است.
ماشين‌آلات صنعتي امروزي با دستگاه‌هاي مختلف اينترنت اشيا تجهيز شده است كه داده‌هاي ارزشمندي را براي شركت‌ها تهيه مي‌كند كه مي‌تواند جهت ساده‌سازي عمليات و كاهش چشمگير هزينه‌ها مورد استفاده قرار گيرد.
گردآوري داده‌هاي بيشتر در هر سطح از روند توليد، ديد بهتري در عملكرد و نحوه‌ي دريافت محصولات و استفاده توسط مصرف‌كنندگان تدارك مي‌بيند كه نمونه‌اي مهم از كلان داده است.
در تحليل كلان داده‌ها مي‌توان از اين داده‌ها به منظور طراحي توليدات بهتر كه با نيازهاي مشتريان هم‌ترازي بيشتري دارند، استفاده كرد.
به جاي سرمايه‌گذاري در تحقيقات فشرده، گردآوري مداوم داده‌ها رويكردي تكراري را براي پاسخگويي سريع به نيازهاي بازار طراحي مي‌كند.
سازمانها با تجهيزات توليد مجهز شده به اينترنت اشيا، مي‌توانند از داده‌هاي حاصل براي پيش‌بيني زماني كه ماشين‌آلات نياز به تعمير يا جايگزيني دارند استفاده كنند و به سمت برنامه‌ي توليد موثرتري بروند.
گردآوري داده‌ها در طي فرايند توزيع و ذخيره‌سازي كمك مي‌كند تا زنجيره‌هاي تامين را به منظور جلوگيري از تاخيرهاي هزينه‌بر و خطاهاي انساني بهبود بخشيم.
حوزه‌ي كلان داده در حال حاضر روي كار است. سازمانهايي كه به منظور سرمايه‌گذاري بر روي فرصت‌هاي ارائه شده قدم برمي‌دارند، بدون شك از مزيت‌هاي رقابتي در سالهاي آينده لذت خواهند برد.

منبع: گروه پژوهشي سلام علم