Масштабна обробка великих даних за допомогою Python у сучасній бізнес-аналітиці

Мішвідобадзе Т. І.

Стаття

Випуск:	2025 №4 (92)
Рубрика:	Економіка підприємства
УДК:	004.932:330.4
DOI:	https://doi.org/10.33271/ebdut/92.188
Мова статті:	Англійська
Сторінки:	188-194
Заголовок:	Масштабна обробка великих даних за допомогою Python у сучасній бізнес-аналітиці
Автор:	Мішвідобадзе Т. І., Горійський державний університет
Анотація:	Методи. Робота базується на всебічному огляді впливу аналітики великих даних (Big Data Analytics) на сучасну бізнес-аналітику та представляє інноваційне рішення для ефективної обробки цих даних у високопродуктивних обчислювальних (HPC) середовищах. Дослідження має на меті продемонструвати, як інтеграція технологій великих даних може якісно змінити стратегічне планування, управління ризиками та оптимізацію операцій у бізнессередовищі. Аналіз охоплює динамічний ландшафт сучасної бізнес-аналітики, наголошуючи на її трансформаційній силі в отриманні критичних інсайтів з великих та різноманітних наборів даних. Особлива увага приділяється викликам, пов'язаним із недостатньою продуктивністю та загальною універсальністю існуючих інструментів обробки великих даних у HPCінфраструктурах. Для вирішення цих проблем, у дослідженні вперше обговорюється PyCOMPS – модель програмування, заснована на завданнях (task-based programming model) на мові Python. Продуктивність та ефективність PyCOMPS оцінюються шляхом його застосування для імплементації складного алгоритму машинного навчання, а саме Cascade SVM. Новизна. Новизна роботи полягає в інтегральному підході, який не лише підсумовує багатогранну роль аналітики великих даних (зокрема, у клієнтоорієнтованих ініціативах та оперативній оптимізації), але й пропонує конкретне, високопродуктивне та гнучке рішення. PyCOMPS позиціонується як відмінна відповідь на проблему відсутності продуктивних та універсальних інструментів для розподіленої обробки великих даних у HPC. Результати імплементації Cascade SVM слугують емпіричним доказом його переваг. Результати. Дослідження детально окреслює трансформаційний шлях аналітики великих даних у сучасній бізнес-розвідці, підтверджуючи її вирішальну роль у зниженні ризиків та підвищенні операційної ефективності. Головним результатом є демонстрація високої продуктивності PyCOMPS для ефективного розроблення та виконання аналітичних завдань Big Data. Робота завершується наданням практичних рекомендацій для організацій, які прагнуть максимально використати потенціал аналітики великих даних в еру, керовану даними. Практичне застосування. Робота має високу практичну цінність для ІТ-архітекторів, інженерів даних та аналітиків. Обговорення переваг PyCOMPS надає безпосередній інструментарій для високопродуктивного та ефективного розвитку аналітики великих даних у середовищі сучасних бізнес-аналітичних систем. Це рішення забезпечує кращу гнучкість та продуктивність порівняно з традиційними HPC-моделями, роблячи складну обробку даних більш доступною для розробників, які використовують Python.
Ключові слова:	Великі дані, Бізнес-аналітика, Аналітика даних, Сучасний бізнес, РуСОМРS
Файл статті:	EV20254_188-194.pdf
Література:	1. Abele, D., & D’Onofrio, S. (2020). Artificial intelligence - the big picture. Cognitive Computing: Theorie, Technik und Praxis, 31-65. 2. Amela R., Ishii K., Morizawa R., 2020, Effi- cient development of high performance data analytics in Python, Future Generation Computer Systems, Volume 111. Pages 570-581. https://doi.org/10.1016/j.future.2019.09.051 3. Alam, T. (2022). Blockchain cities: the futuristic cities driven by Blockchain, big data and internet of things. GeoJournal, 87(6), 5383-5412. https://doi.org/10.1007/s10708-021-10508-0 4. Bharadiya, J.P. (2023). A comparative study of business intelligence and artificial intelligence with big data analytics. American Journal of Artificial Intelligence, 7(1), 24. https://doi.org/10.11648/j.ajai.20230701.14 5. Chukwu, E., Adu-Baah, A., Niaz, M., Nwagwu, U., & Chukwu, M.U. (2023). Navigating ethical supply chains: the intersection of diplomatic management and theological ethics. International Journal of Multidiscipli- nary Sciences and Arts, 2(1), 127-139. https://doi.org/10.47709/ijmdsa.v2i1.2874 6. Dekimpe, M.G. (2020). Retailing and retailing research in the age of big data analytics. International Journal of Research in Marketing, 37(1), 3-14. https://doi.org/10.1016/j.ijresmar.2019.09.001 7. Figueira, P.T., Bravo, C.L., & López, J.L.R. (2020). Improving information security risk analysis by including threat-occurrence predictive models. Computers & Security, 88, 101609. https://doi.org/10.1016/j.cose.2019.101609 8. Nguyen, D.K., Sermpinis, G., & Stasinakis, C. (2023). Big data, artificial intelligence and machine learning: A transformative symbiosis in favour of financial technology. European Financial Management, 29(2), 517-548. https://doi.org/10.1111/eufm.12365 9. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A. 2011, Scikit-learn: machine learning in python. Learn. Res., pp. 2825-2830. 10. Rosário, A.T., & Dias, J.C. (2023). How has data-driven marketing evolved: Challenges and opportunities with emerging technologies. International Journal of Information Management Data Insights, 3(2), 100203. 11. Rawat, K.S., & Sood, S.K. (2021). Emerging trends and global scope of big data analytics: a scientometric analysis. Quality & Quantity, 55, 1371-1396. 12. Shah, K., Patel, H., Sanghvi, D., & Shah, M. (2020). A comparative analysis of logistic regression, random forest and KNN models for the text classifica- tion. Augmented Human Research, 1-16. https://doi.org/10.1007/s41133-020-00032-0 13. Turner V. The digital universe of opportunities: rich data and the increasing value of the internet of things, International Data Corporation (2014). 14. Tejedor E., Becerra Y., Alomar G., Queralt A., Badia R.M., Torres J., Cortes T., Labarta J. P2017, COMPSs: parallel computational workflows in python. Int. High Perform. Appl., 31 (1), pp. 66-82. https://doi.org/10.1177/1094342015594678 15. Xu, Y., Liu, H., & Long, Z. (2020). A distributed computing framework for wind speed big data forecasting on Apache Spark. Sustainable Energy Technologies and Assessments, 37, 100582. 16. Zeebaree, S.R., Shukur, H.M., Haji, L.M., Zebari, R.R., Jacksi, K., & Abas, S.M. (2020). Characteristics and analysis of hadoop distributed systems. Technology Reports of Kansai University, 62(4), 1555-1564.