Badanie preferencji przedsiębiorstw w stosowaniu zaawansowanych metod analizy danych

• Autorzy: Magdalena Barska

Warianty tytułu

Survey Analysis on Enterpreneurs' Preferences Towards Advanced Data Analysis Methods

• Języki publikacji: PL

Abstrakty

Potrzeby firm w zakresie stosowania zaawansowanych metod przetwarzania danych są różne w zależności od branży funkcjonowania, możliwości finansowania, zachowań konkurencji, rozmiaru i zmienności gromadzonych informacji. W pewnych przypadkach technologie business intelligence, wizualizacja lub metody statystyczne stają się niezbędne do funkcjonowania firmy, w innych są sposobem zwiększenia wydajności oraz uzyskania przewagi konkurencyjnej. Celem publikacji jest analiza różnic w podejściu przedsiębiorstw do stosowania tych technologii. Sprawdzono, czy istnieją cechy powodujące, że dana grupa jest podatna na ofertę związaną z big data i data science. Realizacji tego celu służy analiza skupień, pozwalająca na wyznaczenie grup klientów o podobnej charakterystyce. Wyniki badania wskazują, że źródłem różnic są cechy demograficzne, odmienne oczekiwania oraz dotychczasowe doświadczenia.(abstrakt oryginalny)

EN

Enterpreneurs' needs in terms of advanced data analysis methods vary depending on the business sector, funding flexibility, competitors' behavior, volume and volatility of stored information. Business intelligence, visualisation or statistical methods become essential for performing daily operations in some cases, while in the others they develop into a mean of increasing efficiency or gaining competitive advantage. This publication analyses the differences in enterprises' attitude towards application of hot technologies. An attempt is made to distinguish certain features that potentially make a particular group prone to use offered solutions. This objective is accomplished with a cluster analysis carried out to determine client segments sharing similar characteristics. The results indicate that main differences arise from demographic features, varied expectations and past experiences.(original abstract)

Słowa kluczowe

PL

Analiza danych; Analiza skupień; Przetwarzanie danych

EN

Data analysis; Cluster analysis; Data processing

• Czasopismo: Metody Ilościowe w Badaniach Ekonomicznych / Szkoła Główna Gospodarstwa Wiejskiego
• Rocznik: 2018
• Tom: 19(XIX)
• Numer: nr 2
• Strony: 105--116

Twórcy

autor

Magdalena Barska

• Szkoła Główna Handlowa w Warszawie

Bibliografia

• Biecek P., Szczurek E., Vingron M., Tiuryn J. (2011) The R Package bgmm: Mixture Modeling with Uncertain Knowledge. Journal of Statistical Software, 47 (3).
• Banfield J. D., Raftery A. E. (1993) Model-based Gaussian and non-Gaussian clustering. Biometrics, 49, 803-821.
• Churchill G.A. (2002) Badania marketingowe. Podstawy metodologiczne, PWN, Warszawa, 372-379.
• Dang U., Punzo A., McNicholas P., Ingrassia S., Browne R. (2017) Multivariate Response and Parsimony for Gaussian Cluster-Weighted Models. Journal of Classification, 34(1), 4-34.
• Eurostat (2017) 1 in 10 EU businesses analyses big data. http://ec.europa.eu/eurostat/en/web/products-eurostat-news/-/EDN-20170516-1.
• Frankfort-Nachmias C., Nachmias D. (2001) Metody badawcze w naukach społecznych, Wydawnictwo Zysk i S-ka, Poznań, 200-205.
• Gatnar M., Walesiak E. (2004) Metody statystycznej analizy wielowymiarowej w badaniach marketingowych. AE, Wrocław.
• Grabiński T, Wydymus S., Zeliaś A. (1989) Metody taksonomii numerycznej w badaniu zjawisk społeczno-gospodarczych. PWN, Warszawa.
• Kutera M., Lasek M. (2010). Zastosowanie metod analizy skupień w przeprowadzaniu segmentacji klientów na potrzeby kampanii reklamowych. Współczesna Ekonomia, 3(15).
• Manyika J. at al. (2011) Big Data: The Next Frontier For Innovation, Competition, And Productivity. McKinsey & Company [dostęp 2017-01-25].
• Migdał-Najman K., Najman K. (2013) Analiza porównawcza wybranych metod analizy skupień w grupowaniu jednostek o złożonej strukturze grupowej. Zarządzanie i finanse, 11(3) cz. 2, 179-194.
• Pakiet mclust programu R: https://cran.r-project.org/web/packages/mclust/mclust.pdf
• Pakiet pvclust program R: https://cran.r-project.org/web/packages/pvclust/pvclust.pdf
• Scrucca L. (2016) Identifying Connected Components in Gaussian Finite Mixture Models for Clustering. Computational Statistics & Data Analysis, 93, 5-17.

Identyfikatory

DOI

10.22630/MIBE.2018.19.2.10