Проблемы и перспективы в аналитике больших данных: комплексный обзор разработок, препятствий и будущих направлений исследований

В этой всеобъемлющей обзорной статье исследуются меняющиеся парадигмы и динамические тенденции в технологии больших данных, преимущественно за последние 5 лет, на основе обширного обзора литературы и методологии сравнительного анализа. В нем раскрывается преобразующее влияние аналитики больших данных в различных секторах, подчеркивается быстрое распространение облачных вычислений, интеграция искусственного интеллекта и разработка сложных инструментов аналитики. В обзоре рассматриваются новые тенденции, такие как использование открытых данных и этические проблемы, связанные с большими данными, что указывает на растущую потребность в строгих правилах использования данных и надежных механизмах контроля отдельных данных. Это вытекает из методического анализа последних научных статей и отраслевых отчетов. В статье также подробно рассматривается развивающееся определение «больших данных» посредством сравнительного изучения модели 3V и расширенной модели 7V в различных литературных источниках, отражающих меняющийся характер данных и уникальные проблемы, связанные с современной аналитикой больших данных. В обзоре также излагаются проблемы, связанные с успешной реализацией проектов по работе с большими данными, и освещаются текущие открытые направления исследований в области аналитики больших данных. Рассмотренные области больших данных показывают, что надлежащее управление большими наборами данных и манипулирование ими с использованием методов и инструментов больших данных могут обеспечить действенную информацию, создающую ценность для бизнеса.

1. Berisha, B., Mëziu, E., & Shabani, I. (2022). Big data analytics in Cloud computing: an overview. Journal of Cloud Computing, 11(1), 24.

2. Davenport, T.H., & Ronanki, R. (2021). Artificial Intelligence for the real world (2018). Harvard Business Review.

3. Mannering, F., Bhat, C.R., Shankar, V., & Abdel-Aty, M. (2020). Big data, traditional data and the tradeoffs between prediction and causality in highway-safety analysis. Analytic methods in accident research, 25, 100113.

4. Big Data Market. Online source: https://www.marketdataforecast.com/market-reports/big-datamarket

5. Himanen, L., Geurts, A., Foster, A. S., & Rinke, P. (2019). Data‐driven materials science: status, challenges, and perspectives. Advanced Science, 6(21), 1900808.

6. Chen, W., & Quan-Haase, A. (2020). Big data ethics and politics: Toward new understandings. Social Science Computer Review, 38(1), 3-9.

7. Berisha, B., Mëziu, E. & Shabani, I. Big data analytics in Cloud computing: an overview. J Cloud Comp 11, 24 (2022). https://doi.org/10.1186/s13677-022-00301-w

8. González García, C., & Álvarez-Fernández, E. (2022). What Is (Not) Big Data Based on Its 7Vs Challenges: A Survey. Big Data and Cognitive Computing, 6(4), 158. https://doi.org/10.3390/bdcc6040158

9. Ajah, I. A., & Nweke, H. F. (2019). Big Data and Business Analytics: Trends, Platforms, Success Factors and Applications. Big Data and Cognitive Computing, 3(2), 32. https://doi.org/10.3390/bdcc3020032

10. Lee, I., & Mangalaraj, G. (2022). Big Data Analytics in Supply Chain Management: A Systematic Literature Review and Research Directions. Big Data and Cognitive Computing, 6(1), 17. https://doi.org/10.3390/bdcc6010017

11. Borges do Nascimento I., Marcolino M., Abdulazeem H., Weerasekara I., Azzopardi-Muscat N., Gonçalves M., Novillo-Ortiz D. Impact of Big Data Analytics on People’s Health: Overview of Systematic Reviews and Recommendations for Future Studies J Med Internet Res 2021;23(4):e27275 URL: https://www.jmir.org/2021/4/e27275 DOI: 10.2196/27275

12. Seyedan, M., Mafakheri, F. Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities. J Big Data 7, 53 (2020). https://doi.org/10.1186/s40537-020-00329-2

13. What is Prescriptive Analytics? Online source: https://www.talend.com/resources/what-isprescriptive-analytics/

14. Bhattarai, B.P., Paudyal, S., Luo, Y., Mohanpurkar, M., Cheung, K., Tonkoski, R., Hovsapian, R., Myers, K.S., Zhang, R., Zhao, P., Manic, M., Zhang, S. and Zhang, X. (2019), Big data analytics in smart grids: state-of-the-art, challenges, opportunities, and future directions. IET Smart Grid, 2: 141-154. https://doi.org/10.1049/iet-stg.2018.0261

15. Tawalbeh, L. A., Muheidat, F., Tawalbeh, M., & Quwaider, M. (2020). IoT Privacy and security: Challenges and solutions. Applied Sciences, 10(12), 4102

16. Ferraris, A., Mazzoleni, A., Devalle, A., & Couturier, J. (2019). Big data analytics capabilities and knowledge management: impact on firm performance. Management Decision, 57(8), 1923-1936

17. Amani, M., Ghorbanian, A., Ahmadi, S.A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., ... & Brisco, B. (2020). Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326-5350.

18. Mohammadpoor, M., & Torabi, F. (2020). Big Data analytics in oil and gas industry: An emerging trend. Petroleum, 6(4), 321-328.

19. Jabbar, A., Akhtar, P., & Dani, S. (2020). Real-time big data processing for instantaneous marketing decisions: A problematization approach. Industrial Marketing Management, 90, 558-569.

20. Završnik, A. (2021). Algorithmic justice: Algorithms and big data in criminal justice settings. European Journal of criminology, 18(5), 623-642.

21. Amazon Redshift – The New AWS Data Warehouse by Jeff Barr. Online source: https://aws.amazon.com/ru/blogs/aws/amazon-redshift-the-new-aws-data-warehouse/