Notice bibliographique
Résumé
Many businesses are implementing big data applications to improve efficiency and performance; and reduce costs and resource consumption. As digitization has become an integral part of everyday life, data collection has resulted in the accumulation of huge amounts of data that can be used in various beneficial application domains. Effective analysis and utilization of big data is a key factor for success in many businesses. This paper reviews the applications of big data to support businesses in key areas including E-Commerce, Human Resources, Customer Relationship Management, and Accounting. The review reveals that big data concepts are being used successfully and businesses have harvested it benefits both in financial and non-financial terms. The competitive nature of businesses that have emerged from enabled insight prompts for every business to ensure that they reap meaningful information from the internet and use it to create a business opportunity. Consequently, the significance of big data in developing value that can be turned to a potential commercial gap, created from insight, which can be exploited remains an area that has limited exploration from analytics in the discipline. It remains critical to evaluate the efficient business insight strategies that can be developed to ensure an optimized value addition that is based on accurate insight from the wild count of data source. Additionally, the study reveals that several opportunities are available for utilizing Big Data in different types of businesses; however, there are still many issues and challenges to be addressed to achieve better utilization of this technology. Consequently, there is much that remain unexplored on efficient Big Data approaches that can be used to gain value for business, especially now a time of acute business competition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».