Статья опубликована в рамках: CI Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 03 декабря 2025 г.)
Наука: Экономика
Секция: Экономические аспекты регионального развития
Скачать книгу(-и): Сборник статей конференции
дипломов
БОЛЬШИЕ ДАННЫЕ КАК СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЙ ФЕНОМЕН
BIG DATA AS A SOCIO-ECONOMIC PHENOMENON
Korotkovа Оlga Alexandrovna
Student, Siberian State University of Railway Transport
Russia, Novosibirsk
Stupina Yulia Vladimirovna
Candidate of ecomonics, Associate Professor Siberian State University of Railway Transport
Russia, Novosibirsk
АННОТАЦИЯ
В эпоху стремительного развития инновационных технологий и процесса глобальной цифровизации большие данные являются неотъемлемой составляющей информационного общества. Большие данные охватывают огромные объемы информации и характеризуются высокой скоростью получения и разнообразием форматов. Эти характеристики больших данных открывают новые возможности для принятия решений во всех областях человеческой деятельности.
ABSTRACT
In an era of rapid development of innovative technologies and the process of global digitalization, big data is an integral component of the information society. Big data covers huge amounts of information and is characterized by a high rate of receipt and a variety of formats. These characteristics of big data provide new opportunities for decision-making in all areas of human activity.
Ключевые слова: большие данные; объем; скорость; разнообразие.
Keywords: big data; volume; speed; variety.
Введение
Аналитика больших данных находит широкое применение в различных сферах деятельности человека. В бизнесе она помогает строить тренды, оптимизировать бизнес – процессы и принимать обоснованные стратегические решения. В розничной торговле большие данные позволяют прогнозировать предпочтения покупателей, что оптимизирует ассортимент продаваемой продукции и повышает качество управления запасами. В рамках «зеленой» экономики большие данные используют для прогнозирования изменений климата и его влияния на окружающую среду. Аналитика больших данных находит применение и в научных исследованиях, в частности, в астрофизике обрабатываются данные от телескопов и спутников для изучения космических объектов и явлений. В образовании используется анализ данных обучения для понимания успешности обучения обучающихся и оптимизации образовательных программ и другие возможности. Представленные примеры применения аналитики больших данных не являются исчерпывающими, что объясняет актуальность темы исследования.
Экспериментальная часть
Большие данные – это термин, который описывает объемные, сложные и быстро растущие наборы данных, которые трудно обрабатывать и анализировать с использованием традиционных методов и инструментов обработки данных. Характеризуются он тремя основными аспектами, известными как «тройка больших данных»: объем, скорость и разнообразие.
Объем относится к огромному количеству данных, которое генерируется и накапливается. Большие данные могут включать в себя терабайты и петабайты информации [1].
В контексте больших данных, понятие «объем» означает колоссальные размеры данных, с которыми приходится работать. Объем данных в больших данных измеряется в терабайтах, петабайтах, экзабайтах и даже зеттабайтах. Это гораздо больше, чем могут обработать традиционные базы данных и инструменты анализа данных.
Причины огромных объемов данных могут быть разнообразными:
- массовость пользовательских данных: с ростом числа пользователей онлайн-платформ, социальных сетей, электронной коммерции и других интернет-сервисов значительно увеличивается объем данных, создаваемых их взаимодействиями;
- сенсоры и устройства IoT, распространение которых приводит к тому, что миллиарды устройств и сенсоров генерируют данные в режиме реального времени, что также способствует росту объема данных;
- цифровые медиа и контент: загрузка видео, потоковая передача музыки, онлайн-игры и другие формы цифрового контента также значительно увеличивают объем данных;
- глобальные научные исследования в таких областях как геномика, астрофизика и климатология, работают с огромными объемами данных, собранными благодаря современным технологиям и приборам;
- большие корпоративные базы данных могут иметь обширные базы данных клиентов, транзакций, логов и других корпоративных данных.
Обработка и анализ таких огромных объемов данных требует специализированных инструментов и подходов, таких как распределенные вычисления, параллельная обработка данных и использование кластеров серверов [1].
Скорость характеризует быстроту, с которой данные поступают, обрабатываются и анализируются. В контексте больших данных, понятие «скорость» относится к темпу, с которым данные поступают, обрабатываются и анализируются. Это означает способность обрабатывать данные в режиме реального времени или приближенном к нему, что жизненно необходимо для эффективной работы с быстроизменяющейся информацией.
Скорость является ключевым аспектом, поскольку некоторые приложения и бизнес-процессы требуют мгновенной реакции на изменяющиеся условия или потоки данных.
Разнообразие свидетельствует о разнообразии типов данных, включая структурированные, полуструктурированные и неструктурированные данные.
Кроме этого, некоторые исследователи выделяют еще два аспекта – истинность и ценность, что на наш взгляд, является очень актуальным.
Истинность связана с точностью данных. Большие данные могут включать в себя шум и ошибки, и их анализ требует методов обработки для выявления и управления этой неопределенностью.
Ценность концентрируется на способности извлечения ценной информации и принятии решений на основе данных.
Результаты
Аналитика больших данных играет ключевую роль в преобразовании социально – экономических систем, предоставляя новые инструменты для выявления паттернов, принятия решений и достижения их более высокой эффективности [2].
Несмотря на множество выгод, связанных с аналитикой больших данных, существуют вызовы и потенциальные риски, с которыми можно столкнуться при реализации и использовании таких технологий. Рассмотрим несколько ключевых вызовов и рисков, вызванных использованием больших данных (таблица 1,2).
Таблица 1.
Ключевые вызовы использования больших данных
|
Вызов |
Характеристика |
|
Конфиденциальность и безопасность данных |
- угрозы безопасности: рост объема данных увеличивает вероятность кибератак и утечек данных; - соблюдение законодательства: с учетом регулирования (GDPR, HIPAA и др.) необходимо аккуратно обрабатывать и хранить чувствительные данные [3]. |
|
Неоднородность и сложность данных |
- разнообразие источников: данные могут быть получены из различных источников в разных форматах и структурах, что усложняет их анализ и интеграцию. |
|
Сложность внедрения и поддержки |
- нехватка квалифицированных кадров: не всегда легко найти и удержать специалистов по обработке больших данных и аналитике; - сложность внедрения: интеграция новых технологий и изменение бизнес-процессов могут вызывать сопротивление и требовать значительных усилий. |
Риски аналитики больших данных представлены в таблице 2.
Таблица 2.
Ключевые риски использования больших данных
|
Риски |
Характеристика |
|
Недостоверные выводы |
- недостаточная обработка данных: неправильная обработка или интерпретация данных может привести к ошибочным выводам и решениям. |
|
Проблемы с приватностью |
- сбор и анализ личных данных: процессы аналитики могут столкнуться с протестами и правовыми проблемами из-за сбора и использования личных данных без достаточной прозрачности и контроля. |
|
Отсутствие ясной стратегии |
- недостаточная планирование: некоторые компании могут внедрять технологии больших данных без ясной стратегии, что приводит к неэффективному использованию ресурсов. |
|
Этические вопросы |
- анализ поведения: сбор и анализ данных о поведении потребителей может вызывать этические вопросы в отношении личной жизни и свободы. |
|
Зависимость от технологий |
- отказ технологии: зависимость от определенных технологий может создавать риски при их отказе или устаревании [3]. |
Заключение
Несмотря на многочисленные выгоды, которые предоставляет аналитика больших данных, можно столкнуться с серьезными вызовами и рисками. Ключевыми среди них являются вопросы безопасности и конфиденциальности данных, сложность обработки разнообразных источников данных, а также вызовы в области качества данных. Отсутствие ясной стратегии, этические соображения и зависимость от технологий также представляют свои собственные угрозы.
Эффективное управление этими вызовами и рисками требует тщательного планирования, стратегического подхода и внедрения современных методов безопасности.
Список литературы:
- Dean, J., & Ghemawat, S. (2008). MapReduce: Simplified data processing on large clusters. Communications of the ACM, № 51(1) – P. 107-113.
- O'Neil, C., & Schutt, R. (2013). Doing Data Science: Straight Talk from the Frontline. O'Reilly Media.
- Manyika, J., et al. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.
дипломов
Оставить комментарий