Możliwości rozwijania systemów analitycznych dla MŚP w oparciu o środowisko języka Python

Czasopismo

---

• Autorzy: Ryszard Zygała

Warianty tytułu

Developing Analytical Systems in Smes Based on Python Environment

• Języki publikacji: PL

Abstrakty

W artykule podjęta została problematyka różnych aspektów rozwoju systemów analitycznych w sektorze małych i średniej wielkości przedsiębiorstw (MŚP), z wykorzystaniem narzędzi open source, a w szczególności bibliotek języka Python. Głównym celem artykułu jest wskazanie na przykładzie środowiska języka Python, że w oprogramowaniu open source tkwi duży potencjał, który może być wykorzystany do rozwijania i eksploatacji systemów analitycznych w firmach sektora MŚP. Autor wyraża przekonanie, że firmy sektora MŚP nie tylko mogą, ale powinny rozważać wdrożenie strategii konkurencyjnych opartych na wysokiej jakości danych pozyskiwanych z systemów analitycznych. W tym celu mogą skutecznie rozwijać systemy analityczne w oparciu o oprogramowanie open source i metody wypracowane przez naukę o danych. Artykuł zawiera również identyfikację barier, przed którymi stają MŚP, decydując się na inwestowanie w technologie informacyjne. Kluczowym aspektem badawczym w artykule jest analiza funkcjonalności bibliotek języka Python, na podstawie której autor wykazuje, że poszczególne komponenty środowiska Python mogą wspomagać rozwój każdej warstwy systemu analitycznego, a zatem mogą one stanowić kompletną i solidną podstawę realizacji strategii opartej na wysokiej jakości danych pozyskiwanych z tego typu systemu w firmach sektora MŚP.(abstrakt oryginalny)

EN

The paper describes different issues concerning the analytical systems development in small and medium-sized enterprises (SME). The main purpose of the paper is to demonstrate that SMEs not only can but also should consider to develop competitive strategies based on high quality of data gathered from analytical systems. In order to implement these strategies they can develop analytics based on open source software and data science methods. The paper analyses the key Python libraries, useful for data analysis and an analytical system development.(original abstract)

Słowa kluczowe

PL

Małe i średnie przedsiębiorstwa; Otwarte oprogramowanie; Języki programowania

EN

Small business; Open source; Programing languages

• Czasopismo: ---
• Strony: 108--122

Twórcy

autor

Ryszard Zygała

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Anderson C., 2015, Creating Data-Driven Organization, O'Reilly, Sebastopol.
• Beckett H., 2003, Half of SMEs have no IT Strategy, Computer Weekly, 1, 34, http://www.computerweekly.com/feature/Half-of-SMEs-have-no-IT-strategy (listopad 2016).
• Boschetti A., Massaron L., 2015, Python Data Science Essentials, Packt, Birmingham.
• Brooke S., 2015, SMEs should do more to embrace big data and learn from the big players, http://realbusiness.co.uk/tech-and-innovation/2015/10/30/smes-should-do-more-to-embrace-big-data-and-learn-from-the-big-players/ (listopad 2016).
• Brynjolfsson E., Hitt L.M., Kim H.H., 2011, Strenght in numbers; How does data-driven decisionmaking affect firm performance?, https://pdfs.semanticscholar.org/dde1/ 9e960973068e541f634-b1a7054cf30573035.pdf.
• Davies J., 2016, 10 Programming Languages and Tools Data Scientists Use Now, InformationWeek: http://www.informationweek.com/devops/programming-languages/10-programming-languages-and-tools-data-scientists-use-now/d/d-id/1326034?image_number=2 (1.11.2016).
• Davenport T.H., Harris J.G., 2007, Competing on Analytics: The New Science of Winning, Harvard Business Press.
• Dempsey R., 2015, Python Business Intelligence Cookbook, Packt, Birmingham.
• Eurostat, http://ec.europa.eu/eurostat/web/structural-business-statistics/ structural-business-statistics/sme (listopad 2016).
• Ghobakhloo M., Sadegh Sabouri M., Hong T.S., Zulkifli N., 2011, Information technology adoption in Small and Medium-Sized Enterprises; An appraisal of two decades literature, Interdisciplinary Journal of Research in Business, vol. 1, Issue. 7, July, s. 53-80.
• http://www.kdnuggets.com/2016/06/r-python-top-analytics-data-mining-data-science-software.html.
• Łapiński J., Nieć M., Rzeźnik G., Zakrzewski R., 2014, Małe i średnie przedsiębiorstwa w Polsce, [w:] Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach 2011-2012, https://badania.parp.gov.pl/images/badania/ROSS_2013_2014.pdf (1.11.2016).
• Passerini K., El Tarabishy A., Patten K., 2012, Information Technology for Small Business: Managing the Digital Enterprise, Springer Science and Business Media, Heidelberg.
• Porter M., 2001, Porter o konkurencji, PWE, Warszawa.
• Provost F., Fawcett T., 2014, Data Science for Business, O'Reilly, Sebastopol.
• Scholz P., Schieder Ch., Kurze Ch., Gluchowski P., Boehringer M., 2010, Benefits and Challenges of Business Intelligence Adoption in Small and Medium-Sized Enterprises, Proceedings of 18th European Conference on Information Systems: http://ai2-s2-pdfs.s3.amazonaws.com/96ba/be7026fdb8c558d0c98a940d7ab8df5ae6d7.pdf.
• Thakur A., 2016, Data Science with Python, Packt, Birmingham.
• Zygała R., 2007, Podstawy zarządzania informacją w przedsiębiorstwie, Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław.

Identyfikatory

DOI

10.15611/ie.2016.2.08