वैश्लेषिकी: Difference between revisions

From Vigyanwiki
m (8 revisions imported from alpha:एनालिटिक्स)
No edit summary
Line 109: Line 109:
* {{Wiktionary-inline}}
* {{Wiktionary-inline}}
*
*
[[Category: विश्लेषिकी| विश्लेषिकी]] [[Category: वित्तीय डेटा विश्लेषण]] [[Category: औपचारिक विज्ञान]] [[Category: व्यापार खुफिया शर्तें]] [[Category: बड़ा डेटा]]


 
[[Category:All articles lacking reliable references]]
 
[[Category:All articles that may contain original research]]
[[Category: Machine Translated Page]]
[[Category:All articles with unsourced statements]]
[[Category:Articles lacking reliable references from January 2022]]
[[Category:Articles that may contain original research from January 2022]]
[[Category:Articles with hatnote templates targeting a nonexistent page]]
[[Category:Articles with invalid date parameter in template]]
[[Category:Articles with unsourced statements from January 2022]]
[[Category:CS1 British English-language sources (en-gb)]]
[[Category:CS1 English-language sources (en)]]
[[Category:CS1 errors]]
[[Category:CS1 maint]]
[[Category:Created On 06/07/2023]]
[[Category:Created On 06/07/2023]]
[[Category:Vigyan Ready]]
[[Category:Lua-based templates]]
[[Category:Machine Translated Page]]
[[Category:Multi-column templates]]
[[Category:Pages using div col with small parameter]]
[[Category:Pages with script errors]]
[[Category:Templates Vigyan Ready]]
[[Category:Templates that add a tracking category]]
[[Category:Templates that generate short descriptions]]
[[Category:Templates using TemplateData]]
[[Category:Templates using under-protected Lua modules]]
[[Category:Use mdy dates from January 2021]]
[[Category:Webarchive template wayback links]]
[[Category:Wikipedia fully protected templates|Div col]]
[[Category:औपचारिक विज्ञान]]
[[Category:बड़ा डेटा]]
[[Category:वित्तीय डेटा विश्लेषण]]
[[Category:विश्लेषिकी| विश्लेषिकी]]
[[Category:व्यापार खुफिया शर्तें]]

Revision as of 10:13, 28 July 2023

वैश्लेषिकी आंकड़ा या सांख्यिकी का व्यवस्थित अभिकलनात्मक विश्लेषण है।[1] इसका उपयोग आंकड़े में सार्थक प्रतिरुप की खोज, व्याख्या और संचार के लिए किया जाता है। इसमें प्रभावी निर्णय लेने की दिशा में आंकड़ा प्रतिरुप लागू करना भी सम्मलित है। यह दर्ज की गई जानकारी से समृद्ध क्षेत्रों में मूल्यवान हो सकता है; वैश्लेषिकी प्रदर्शन को मापने के लिए सांख्यिकी, अभिकलित्र क्रमादेशन और संचालन अनुसंधान के एक साथ अनुप्रयोग पर निर्भर करता है।

संगठन व्यावसायिक प्रदर्शन का वर्णन, पूर्वानुमान और सुधार करने के लिए व्यावसायिक आंकड़ा पर विश्लेषण लागू कर सकते हैं। विशेष रूप से, वैश्लेषिकी के अंदर के क्षेत्रों में वर्णनात्मक वैश्लेषिकी, निदानकारी वैश्लेषिकी, पूर्वानुमान विश्लेषक, अनुदेशात्मक विश्लेषण और संज्ञानात्मक वैश्लेषिकी सम्मलित हैं।[2] वैश्लेषिकी विपणन, प्रबंधन, वित्त, ऑनलाइन प्रणाली, सूचना सुरक्षा और सॉफ्टवेयर सेवाओं जैसे विभिन्न क्षेत्रों पर लागू हो सकता है। चूंकि वैश्लेषिकी के लिए व्यापक गणना की आवश्यकता हो सकती है (बड़ा आंकड़ा देखें), वैश्लेषिकी के लिए उपयोग किए जाने वाले कलनविधि और सॉफ़्टवेयर अभिकलित्र विज्ञान, सांख्यिकी और गणित में सबसे सम्मलिता तरीकों का उपयोग करते हैं।[3] अंतर्राष्ट्रीय आंकड़ा निगम के अनुसार, 2021 में बड़े आंकड़ा और बिजनेस वैश्लेषिकी (बीडीए) समाधानों पर वैश्विक खर्च 215.7 बिलियन डॉलर तक पहुंचने का अनुमान है।[4][5] गार्टनर के अनुसार, 2020 में समग्र विश्लेषणात्मक प्लेटफ़ॉर्म सॉफ़्टवेयर बाज़ार में 25.5 बिलियन डॉलर की वृद्धि हुई।[6]


विश्लेषिकी बनाम विश्लेषण

आंकड़ा विश्लेषण व्यावसायिक समझ, आंकड़ा समझ, आंकड़ा तैयारी, मॉडलिंग और मूल्यांकन और प्रस्तरण के माध्यम से पिछले आंकड़ा की जांच करने की प्रक्रिया पर केंद्रित है।[7] यह आंकड़ा वैश्लेषिकी का एक उपसमुच्चय है, जो इस बात पर ध्यान केंद्रित करने के लिए कई आंकड़ा विश्लेषण प्रक्रियाओं को अपनाता है कि कोई घटना क्यों हुई और पिछले आंकड़ा के आधार पर भविष्य में क्या हो सकता है।[8][unreliable source?] आंकड़ा वैश्लेषिकी का उपयोग बड़े संगठनात्मक निर्णय लेने के लिए किया जाता है।[citation needed]

आंकड़ा वैश्लेषिकी एक अकादमिक अनुशासन क्षेत्र है। वैश्लेषिकी के माध्यम से आंकड़े से मूल्यवान ज्ञान प्राप्त करने के लिए अभिकलित्र कौशल, गणित, सांख्यिकी, वर्णनात्मक तकनीकों और पूर्वानुमानित मॉडल का व्यापक उपयोग होता है।[9] अग्रगत वैश्लेषिकी शब्द का उपयोग बढ़ रहा है, सामान्यत: वैश्लेषिकी के तकनीकी पहलुओं का वर्णन करने के लिए उपयोग किया जाता है, विशेष रूप से उभरते क्षेत्रों में जैसे तंत्रिका संजाल, निर्णयावली, संभार तन्त्र परावर्तन, रैखिक से एकाधिक समाश्रयण विश्लेषण जैसी मशीन सीखने की तकनीकों का उपयोग, और पूर्वानुमानित मॉडलिंग करने के लिए वर्गीकरण है।[10][7]इसमें गुच्छ विश्लेषण, प्रमुख घटक विश्लेषण, विभाजन परिच्छेदिका विश्लेषण और साहचर्य विश्लेषण जैसी अपर्यवेक्षित मशीन लर्निंग तकनीकें भी सम्मलित हैं।[11][unreliable source?]

अनुप्रयोग

विपणन अनुकूलन

विपणन संगठन अभियानों या प्रयासों के परिणामों को निर्धारित करने और निवेश और उपभोक्ता लक्ष्यीकरण के लिए निर्णयों का मार्गदर्शन करने के लिए विश्लेषण का उपयोग करते हैं। जनसांख्यिकीय अध्ययन, ग्राहक विभाजन, संयुक्त विश्लेषण और अन्य तकनीकें विपणक को विपणन रणनीति को समझने और संचार करने के लिए बड़ी मात्रा में उपभोक्ता खरीद, सर्वेक्षण और पैनल आंकड़ा का उपयोग करने की अनुमति देती हैं।[12] विपणन वैश्लेषिकी में गुणात्मक और मात्रात्मक, संरचित और असंरचित आंकड़ा दोनों सम्मलित होते हैं जिनका उपयोग ब्रांड और राजस्व परिणामों के बारे में रणनीतिक निर्णय लेने के लिए किया जाता है। इस प्रक्रिया में पूर्वानुमानित मॉडलिंग, विपणन प्रयोग, स्वचालन और वास्तविक समय बिक्री संचार सम्मलित है। आंकड़ा कंपनियों को पूर्वानुमान लगाने और प्रदर्शन परिणामों को अधिकतम करने के लिए रणनीतिक निष्पादन में बदलाव करने में सक्षम बनाता है।[12]

वेब विश्लेषिकी विपणक को सत्रीकरण नामक एक संक्रिया का उपयोग करके वेबसाइट पर अन्योन्यक्रिया के बारे में सत्र-स्तरीय जानकारी एकत्र करने की अनुमति देता है। गूगल विश्लेषिकी एक लोकप्रिय मुक्त वैश्लेषिकी टूल का एक उदाहरण है जिसका उपयोग विपणक इस उद्देश्य के लिए करते हैं।[13] वे अन्योन्यक्रिया वेब वैश्लेषिकी सूचना प्रणाली को रेफरर को ट्रैक करने, संकेत शब्द (कीवर्ड) खोजने, आईपी पते की पहचान करने के लिए आवश्यक जानकारी प्रदान करते हैं।[14] और आगंतुक की गतिविधियों पर नज़र रखें, इस जानकारी के साथ, एक विपणक विपणन अभियान, वेबसाइट रचनात्मक सामग्री और सूचना वास्तुकला में सुधार कर सकता है।[15] विपणन में अधिकांशत: उपयोग की जाने वाली विश्लेषण तकनीकों में विपणन मिश्रण मॉडलिंग, मूल्य निर्धारण और प्रचार विश्लेषण, बिक्री बल अनुकूलन और ग्राहक विश्लेषण सम्मलित हैं जैसे: विभाजन। वेब वैश्लेषिकी और वेबसाइटों और ऑनलाइन अभियानों का अनुकूलन अब अधिकांशत: अधिक पारंपरिक विपणन विश्लेषण तकनीकों के साथ मिलकर काम करता है। डिजिटल मीडिया पर सकेंद्र ने शब्दावली को थोड़ा बदल दिया है जिससे कि विपणन मिश्रण मॉडलिंग को सामान्यत: डिजिटल या विपणन मिश्रण मॉडलिंग संदर्भ में गुणारोप मॉडलिंग के रूप में जाना जाता है।[citation needed]

ये उपकरण और तकनीकें रणनीतिक विपणन निर्णयों (जैसे कि विपणन पर कुल मिलाकर कितना खर्च करना है, ब्रांडों और विपणन मिश्रण के पोर्टफोलियो में बजट कैसे आवंटित करना है) और सर्वोत्तम संभावित ग्राहक को लक्षित करने के संदर्भ में अधिक सामरिक अभियान समर्थन, दोनों का समर्थन करते हैं। आदर्श समय पर सबसे अधिक लागत प्रभावी माध्यम में इष्टतम संदेश।

मानव विश्लेषण

मानव वैश्लेषिकी यह समझने के लिए व्यवहार संबंधी आंकड़ा का उपयोग करता है कि मानव कैसे काम करते हैं और कंपनियों को प्रबंधित करने के तरीके को बदलते हैं।[16] मानव वैश्लेषिकी को कार्यबल वैश्लेषिकी, एचआर वैश्लेषिकी, प्रतिभा वैश्लेषिकी, मानव अंतर्दृष्टि, प्रतिभा अंतर्दृष्टि, सहकर्मी अंतर्दृष्टि, मानव पूंजी विश्लेषण और एचआरआईएस वैश्लेषिकी के रूप में भी जाना जाता है। एचआर वैश्लेषिकी कंपनियों को मानव संसाधन का प्रबंधन करने में मदद करने के लिए वैश्लेषिकी का अनुप्रयोग है।[17] इसके अतिरिक्त, कैरियर वैश्लेषिकी टूल का उपयोग करके बदलते श्रम बाजारों में मानव संबंधी रुझानों का विश्लेषण और पूर्वानुमान करने में एचआर वैश्लेषिकी एक रणनीतिक उपकरण बन गया है।[18] इसका उद्देश्य यह समझना है कि किन कर्मचारियों को नियुक्त करना है, किसे पुरस्कृत करना है या बढ़ावा देना है, कौन सी जिम्मेदारियां सौंपनी हैं और इसी तरह की मानव संसाधन समस्याएं हैं।[19] उदाहरण के लिए, मानव विश्लेषण उपकरण का उपयोग करके कर्मचारी पण्यावर्त की रणनीतिक घटना का निरीक्षण व्यवधान के समय एक महत्वपूर्ण विश्लेषण के रूप में काम कर सकता है।

 [20] यह सुझाव दिया गया है कि मानव वैश्लेषिकी एचआर वैश्लेषिकी का एक अलग अनुशासन है, जो प्रशासनिक प्रक्रियाओं के अतिरिक्त व्यावसायिक मुद्दों पर अधिक ध्यान केंद्रित करता है।[21] और यह कि मानव वैश्लेषिकी वास्तव में संगठनों में मानव संसाधनों से संबंधित नहीं हो सकता है।[22] चूंकि, विशेषज्ञ इस पर असहमत हैं, कई मानवों का तर्क है कि मानव संसाधन को स्वचालन द्वारा लाए गए काम की बदलती दुनिया में अधिक सक्षम और रणनीतिक व्यावसायिक कार्य के एक महत्वपूर्ण भाग के रूप में मानव वैश्लेषिकी विकसित करने की आवश्यकता होगी।[23] मानव वैश्लेषिकी को एचआर से बाहर ले जाने के अतिरिक्त, कुछ विशेषज्ञों का तर्क है कि यह एचआर में है, चूंकि एचआर पेशेवरों की एक नई नस्ल द्वारा सक्षम किया गया है जो अधिक आंकड़ा-संचालित और व्यवसाय प्रेमी है।[24]


पोर्टफोलियो विश्लेषण

बिजनेस वैश्लेषिकी का एक सामान्य अनुप्रयोग पोर्टफोलियो विश्लेषण है। इसमें एक किनारा या ऋण देने वाली एजेंसी के पास अलग-अलग मूल्य (अर्थशास्त्र) और जोखिम के खातों का संग्रह होता है। खाते धारक की सामाजिक स्थिति (अमीर, मध्यम वर्ग, गरीब, आदि), भौगोलिक स्थिति, उसके शुद्ध मूल्य और कई अन्य कारकों के आधार पर भिन्न हो सकते हैं। ऋणदाता को प्रत्येक ऋण के लिए व्यतिक्रम के जोखिम के साथ ऋण पर रिटर्न को संतुलित करना होगा। फिर सवाल यह है कि समग्र रूप से विश्लेषण पोर्टफोलियो मूल्यांकन कैसे किया जाए।[25] सबसे कम जोखिम वाला ऋण बहुत अमीर मानवों के लिए हो सकता है, लेकिन अमीर मानवों की संख्या बहुत सीमित है। दूसरी ओर, ऐसे कई गरीब हैं जिन्हें ऋण दिया जा सकता है, लेकिन जोखिम अधिक है। कुछ संतुलन बनाए रखना चाहिए जिससे रिटर्न अधिकतम हो और जोखिम कम हो। वैश्लेषिकी समाधान कई अन्य मुद्दों के साथ समय श्रृंखला विश्लेषण को जोड़ सकता है जिससे कि इन विभिन्न उधारकर्ता खंडों को पैसा कब उधार दिया जाए, या उस खंड में सदस्यों के बीच किसी भी नुकसान को कवर करने के लिए पोर्टफोलियो खंड के सदस्यों से ली जाने वाली ब्याज दर पर निर्णय लिया जा सके। .[citation needed]

जोखिम विश्लेषण

बैंकिंग उद्योग में पूर्वानुमानित मॉडल व्यक्तिगत ग्राहकों के लिए जोखिम स्कोर में निश्चितता लाने के लिए विकसित किए गए हैं। विश्वस्तता की परख किसी व्यक्ति के अपराध व्यवहार की पूर्वानुमान करने के लिए बनाए जाते हैं और प्रत्येक आवेदक की उधार योग्यता का मूल्यांकन करने के लिए व्यापक रूप से उपयोग किया जाता है।[26] इसके अतिरिक्त, वैज्ञानिक दुनिया में जोखिम विश्लेषण किए जाते हैं[27] और बीमा उद्योग।[28] इसका उपयोग ऑनलाइन भुगतान गेटवे कंपनियों जैसे वित्तीय संस्थानों में भी बड़े पैमाने पर किया जाता है जिससे कि यह विश्लेषण किया जा सके कि कोई लेनदेन वास्तविक था या धोखाधड़ी।[29] इस उद्देश्य के लिए, वे ग्राहक के लेनदेन इतिहास का उपयोग करते हैं। इसका उपयोग सामान्यत: उधार कार्ड से खरीदारी में किया जाता है, जब ग्राहक लेनदेन की मात्रा में अचानक वृद्धि होती है तो ग्राहक को पुष्टि के लिए कॉल आती है कि लेनदेन उसके द्वारा शुरू किया गया था या नहीं। इससे ऐसी परिस्थितियों के कारण होने वाले नुकसान को कम करने में मदद मिलती है।[30]


डिजिटल वैश्लेषिकी

डिजिटल वैश्लेषिकी व्यावसायिक और तकनीकी गतिविधियों का एक समूह है जो डिजिटल आंकड़ा को रिपोर्टिंग, अनुसंधान, विश्लेषण, सिफारिशों, अनुकूलन, पूर्वाकलन और स्वचालन में परिभाषित, निर्माण, एकत्र, सत्यापित या परिवर्तित करता है।[31] इसमें एसईओ (खोज इंजन अनुकूलन) भी सम्मलित है जहां कीवर्ड खोज को स्वपथी किया जाता है और उस आंकड़ा का उपयोग विपणन उद्देश्यों के लिए किया जाता है।[32] यहां तक ​​कि प्रदर्श पट्ट विज्ञापन और क्लिक भी डिजिटल वैश्लेषिकी के अंतर्गत आते हैं।[33] बड़ी संख्या में ब्रांड और विपणन कंपनियां अपने डिजिटल विपणन प्रदत्त कार्य के लिए डिजिटल वैश्लेषिकी पर भरोसा करती हैं, जहां एमआरओआई (विपणन रिटर्न ऑन इन्वेस्टमेंट) एक महत्वपूर्ण प्रदर्शन संकेतक (केपीआई) है।[citation needed]

सुरक्षा विश्लेषण

सुरक्षा विश्लेषण सूचना प्रौद्योगिकी (आईटी) को संदर्भित करता है जिससे कि सुरक्षा घटनाओं को इकट्ठा किया जा सके और उन घटनाओं को समझा और उनका विश्लेषण किया जा सके जो सबसे बड़ा जोखिम पैदा करती हैं।[34][35] इस क्षेत्र के उत्पादों में सुरक्षा जानकारी और कार्यक्रम प्रबंधन और उपयोगकर्ता व्यवहार विश्लेषण सम्मलित हैं।

सॉफ्टवेयर विश्लेषण

सॉफ़्टवेयर वैश्लेषिकी किसी सॉफ़्टवेयर के उपयोग और उत्पादन के तरीके के बारे में जानकारी एकत्र करने की प्रक्रिया है।[36]


चुनौतियाँ

वाणिज्यिक विश्लेषण सॉफ्टवेयर के उद्योग में, बड़े पैमाने पर, जटिल आंकड़ा सेटों का विश्लेषण करने की चुनौतियों को हल करने पर जोर दिया गया है, अधिकांशत: जब ऐसा आंकड़ा निरंतर परिवर्तन की स्थिति में होता है। ऐसे आंकड़ा सेट को सामान्यत: बड़े आंकड़े के रूप में जाना जाता है।[37] जबकि एक समय बड़े आंकड़े से उत्पन्न समस्याएं केवल वैज्ञानिक समुदाय में पाई जाती थीं, आज बड़ा आंकड़ा कई व्यवसायों के लिए एक समस्या है जो ऑनलाइन लेनदेन प्रणाली संचालित करते हैं और परिणामस्वरूप, बड़ी मात्रा में आंकड़ा जल्दी से एकत्र कर लेते हैं।[38][37]

संरचित आंकड़ा प्रकारों का विश्लेषण उद्योग में ध्यान आकर्षित करने वाली एक और चुनौती है। असंरचित आंकड़ा संरचित आंकड़ा से भिन्न होता है क्योंकि इसका प्रारूप व्यापक रूप से भिन्न होता है और आंकड़ा परिवर्तन पर महत्वपूर्ण प्रयास के बिना पारंपरिक संबंधपरक आंकड़ाबेस में संग्रहीत नहीं किया जा सकता है।[39] असंरचित आंकड़ा के स्रोत, जैसे ईमेल, वर्ड प्रोसेसर दस्तावेजों की सामग्री, पीडीएफ, भू-स्थानिक आंकड़ा इत्यादि, तेजी से व्यवसायों, सरकारों और विश्वविद्यालयों के लिए व्यावसायिक खुफिया जानकारी का एक प्रासंगिक स्रोत बन रहे हैं।[40][41] उदाहरण के लिए, ब्रिटेन में यह पता चला कि एक कंपनी नियोक्ताओं और बीमा कंपनियों को धोखा देने में मानवों की सहायता करने के लिए अवैध रूप से फर्जी डॉक्टर के नोट बेच रही थी।[42] यह बीमा कंपनियों के लिए अपने असंरचित आंकड़ा विश्लेषण की सतर्कता बढ़ाने का एक अवसर है।[43][original research?]

ये चुनौतियाँ आधुनिक वैश्लेषिकी सूचना प्रणालियों में अधिकांश नवाचारों के लिए वर्तमान प्रेरणा हैं, जो जटिल घटना प्रसंस्करण जैसी अपेक्षाकृत नई मशीन विश्लेषण अवधारणाओं को जन्म देती हैं।[44] पूर्ण पाठ खोज और विश्लेषण, और यहां तक ​​कि प्रस्तुति में नए विचार भी। ऐसा ही एक नवाचार मशीन विश्लेषण में ग्रिड-जैसी वास्तुकला का प्रारंभ है, जो संपूर्ण आंकड़ा सेट तक समान पहुंच के साथ कई अभिकलित्रों पर कार्यभार वितरित करके बड़े पैमाने पर समानांतर प्रसंस्करण की गति में वृद्धि की अनुमति देता है।[45] शिक्षा में वैश्लेषिकी का उपयोग तेजी से बढ़ रहा है, विशेषकर जिला और सरकारी कार्यालय स्तरों पर, चूंकि, छात्र प्रदर्शन उपायों की जटिलता तब चुनौतियाँ पेश करती है जब शिक्षक छात्र प्रदर्शन में प्रतिरुप को समझने, स्नातक होने की संभावना की पूर्वानुमान करने, छात्र की सफलता की संभावनाओं में सुधार करने आदि के लिए विश्लेषण को समझने और उपयोग करने का प्रयास करते हैं।[46] उदाहरण के लिए, मजबूत आंकड़ा उपयोग के लिए जाने जाने वाले जिलों से जुड़े एक अध्ययन में, 48% शिक्षकों को आंकड़ा द्वारा पूछे गए प्रश्नों को पूछने में कठिनाई हुई, 36% ने दिए गए आंकड़ा को नहीं समझा, और 52% ने गलत तरीके से आंकड़ा की व्याख्या की[47] इससे निपटने के लिए, शिक्षकों के लिए कुछ विश्लेषण उपकरण शिक्षकों की समझ और उपयोग को बेहतर बनाने के लिए एक असूचीबद्ध आंकड़ा प्रारूप (अंतः स्थापन लेबल, पूरक दस्तावेज़ीकरण और एक सहायता प्रणाली, और मुख्य पैकेज/प्रदर्शन और सामग्री निर्णय लेना) का पालन करते हैं। विश्लेषण प्रदर्शित किया जा रहा है.[48]


जोखिम

सामान्य आबादी के लिए जोखिमों में मूल्य भेदभाव या सांख्यिकीय भेदभाव (अर्थशास्त्र) जैसे तंत्रों के माध्यम से लिंग, त्वचा का रंग, जातीय मूल या राजनीतिक राय जैसी विशेषताओं के आधार पर भेदभाव सम्मलित है।[49]


यह भी देखें

संदर्भ

  1. "एनालिटिक्स की ऑक्सफोर्ड परिभाषा". Archived from the original on August 10, 2020.
  2. "संज्ञानात्मक विश्लेषिकी - आर्टिफिशियल इंटेलिजेंस (एआई) और डेटा एनालिटिक्स का संयोजन". www.ulster.ac.uk (in British English). March 8, 2017. Archived from the original on January 10, 2022. Retrieved January 7, 2022.
  3. Kohavi, Rothleder and Simoudis (2002). "बिजनेस एनालिटिक्स में उभरते रुझान". Communications of the ACM. 45 (8): 45–48. CiteSeerX 10.1.1.13.3005. doi:10.1145/545151.545177. S2CID 15938729.
  4. "Global Spending on Big Data and Analytics Solutions Will Reach $215.7 Billion in 2021, According to a New IDC Spending Guide". Archived from the original on July 23, 2022. Retrieved July 24, 2022.
  5. "Big data and business analytics revenue 2022". Archived from the original on July 20, 2022. Retrieved July 24, 2022.
  6. "Market Share: Data and Analytics Software, Worldwide, 2020". Archived from the original on October 3, 2022. Retrieved July 24, 2022.
  7. 7.0 7.1 Kelleher, John D. (2020). Fundamentals of machine learning for predictive data analytics : algorithms, worked examples, and case studies. Brian Mac Namee, Aoife D'Arcy (2 ed.). Cambridge, Massachusetts. p. 16. ISBN 978-0-262-36110-1. OCLC 1162184998.{{cite book}}: CS1 maint: location missing publisher (link)
  8. Park, David. "Analysis vs. Analytics: Past vs. Future". EE Times. Archived from the original on January 29, 2021. Retrieved January 20, 2021.
  9. "What is Data Analytics?". Master's in Data Science (in English). Archived from the original on July 9, 2021. Retrieved July 8, 2021.
  10. "आपूर्ति श्रृंखला में एआई, बिग डेटा और उन्नत एनालिटिक्स". Forbes.com. Archived from the original on June 23, 2022. Retrieved April 16, 2020.
  11. Ronin Myers (May 19, 2019). डेटा प्रबंधन और सांख्यिकीय विश्लेषण तकनीकें. ISBN 9781839473395. Retrieved April 16, 2020.
  12. 12.0 12.1 Wedel, Michel; Kannan, P.K. (November 1, 2016). "डेटा-समृद्ध वातावरण के लिए मार्केटिंग एनालिटिक्स". Journal of Marketing. 80 (6): 97–121. doi:10.1509/jm.15.0413. ISSN 0022-2429. S2CID 168410284. Archived from the original on March 31, 2022. Retrieved January 10, 2022.
  13. "सत्र - विश्लेषिकी सहायता". support.google.com. Archived from the original on January 10, 2022. Retrieved January 9, 2022.
  14. "आईपी ​​​​पता - विश्लेषिकी सहायता". support.google.com. Archived from the original on January 10, 2022. Retrieved January 9, 2022. {{cite web}}: zero width space character in |title= at position 6 (help)
  15. "आपके व्यवसाय के लिए एनालिटिक्स उपकरण और समाधान - Google Analytics". Google Marketing Platform (in English). Archived from the original on October 2, 2022. Retrieved January 9, 2022.
  16. lukem (November 4, 2016). "People Analytics: Transforming Management with Behavioral Data". Programs for Professionals | MIT Professional Education (in English). Archived from the original on September 8, 2018. Retrieved April 3, 2018.
  17. Chalutz Ben-Gal, Hila (2019). "An ROI-based review of HR analytics: practical implementation tools" (PDF). Personnel Review, Vol. 48 No. 6, pp. 1429-1448. Archived from the original (PDF) on October 30, 2021. Retrieved February 9, 2020.
  18. Sela, A., Chalutz Ben-Gal, Hila (2018). "Career Analytics: data-driven analysis of turnover and career paths in knowledge-intensive firms: Google, Facebook and others" (PDF). In 2018 IEEE International Conference on the Science of Electrical Engineering in Israel (ICSEE). IEEE. Archived from the original (PDF) on March 31, 2022. Retrieved February 9, 2020.{{cite web}}: CS1 maint: multiple names: authors list (link)
  19. "पीपल एनालिटिक्स - पेंसिल्वेनिया विश्वविद्यालय". Coursera. Archived from the original on April 19, 2019. Retrieved May 3, 2017.
  20. Avrahami, D., Pessach, D., Singer, G. and Chalutz Ben-Gal, Hila (2022). "A human resources analytics and machine-learning examination of turnover: implications for theory and practice" (PDF). International Journal of Manpower, Vol. ahead-of-print No. ahead-of-print. Archived (PDF) from the original on April 2, 2022. Retrieved July 27, 2022.{{cite web}}: CS1 maint: multiple names: authors list (link)
  21. "People Analytics: MIT July 24, 2017". HR Examiner (in English). August 2, 2017. Archived from the original on April 28, 2019. Retrieved April 3, 2018.
  22. Bersin, Josh. "The Geeks Arrive In HR: People Analytics Is Here". Forbes (in English). Archived from the original on September 20, 2019. Retrieved April 3, 2018.
  23. "एचआर के माध्यम से प्रतिस्पर्धा करने के लिए सीईओ की मार्गदर्शिका" (in English). Archived from the original on July 24, 2020. Retrieved July 24, 2020.
  24. McNulty, Keith. "It's Time for HR 3.0". Talent Economy (in English). Archived from the original on July 3, 2020. Retrieved July 24, 2020.
  25. Pilbeam, Keith (2005), Pilbeam, Keith (ed.), "Portfolio Analysis: Risk and Return in Financial Markets", Finance and Financial Markets (in English), London: Macmillan Education UK, pp. 156–187, doi:10.1007/978-1-349-26273-1_7, ISBN 978-1-349-26273-1, retrieved January 9, 2022
  26. "Credit Reports and Scores | USAGov". www.usa.gov (in English). Archived from the original on January 8, 2022. Retrieved January 9, 2022.
  27. Mayernik, Matthew S.; Breseman, Kelsey; Downs, Robert R.; Duerr, Ruth; Garretson, Alexis; Hou, Chung-Yi (Sophie); Committee, Environmental Data Governance Initiative (EDGI) and Earth Science Information Partners (ESIP) Data Stewardship (March 12, 2020). "वैज्ञानिक डेटा के लिए जोखिम मूल्यांकन". Data Science Journal (in English). 19 (1): 10. doi:10.5334/dsj-2020-010. ISSN 1683-1470. S2CID 215873228.
  28. "Predictive Analytics in Insurance: Types, Tools, and the Future". Maryville Online (in English). October 28, 2020. Archived from the original on January 10, 2022. Retrieved January 9, 2022.
  29. Liébana-Cabanillas, Francisco; Singh, Nidhi; Kalinic, Zoran; Carvajal-Trujillo, Elena (June 1, 2021). "Examining the determinants of continuance intention to use and the moderating effect of the gender and age of users of NFC mobile payments: a multi-analytical approach". Information Technology and Management (in English). 22 (2): 133–161. doi:10.1007/s10799-021-00328-6. ISSN 1573-7667. S2CID 234834347.
  30. Crail, Chauncey (March 9, 2021). "खरीदारी और धोखाधड़ी के लिए मोबाइल क्रेडिट कार्ड अलर्ट कैसे सक्षम करें". Forbes Advisor (in English). Archived from the original on January 10, 2022. Retrieved January 9, 2022.
  31. Phillips, Judah "Building a Digital Analytics Organization" Financial Times Press, 2013, pp 7–8.
  32. "SEO Starter Guide: The Basics | Google Search Central". Google Developers (in English). Archived from the original on January 12, 2022. Retrieved January 9, 2022.
  33. "Clickthrough rate (CTR): Definition - Google Ads Help". support.google.com. Archived from the original on January 10, 2022. Retrieved January 9, 2022.
  34. "सुरक्षा विश्लेषण उल्लंघन का पता लगाने की आशा जगाता है". Enterprise Innovation. Archived from the original on February 12, 2019. Retrieved April 27, 2015.
  35. Talabis, Mark Ryan M. (2015). Information security analytics : finding security insights, patterns, and anomalies in big data. Robert McPherson, I Miyamoto, Jason L. Martin. Waltham, MA. p. 1. ISBN 978-0-12-800506-4. OCLC 910911974.{{cite book}}: CS1 maint: location missing publisher (link)
  36. "Software Analytics - an overview | ScienceDirect Topics". www.sciencedirect.com. Archived from the original on January 11, 2022. Retrieved January 9, 2022.
  37. 37.0 37.1 "2.3 Ten common characteristics of big data". www.bitbybitbook.com (in English). Archived from the original on March 31, 2022. Retrieved January 10, 2022.
  38. Naone, Erica. "नया बड़ा डेटा". Technology Review, MIT. Archived from the original on May 20, 2022. Retrieved August 22, 2011.
  39. Inmon, Bill; Nesavich, Anthony (2007). असंरचित डेटा में दोहन. Prentice-Hall. ISBN 978-0-13-236029-6.
  40. Wise, Lyndsay. "डेटा विश्लेषण और असंरचित डेटा". Dashboard Insight. Archived from the original on January 5, 2014. Retrieved February 14, 2011.
  41. "असंरचित डेटा की शक्ति का दोहन". MIT Sloan (in English). Archived from the original on January 10, 2022. Retrieved January 10, 2022.
  42. "Fake doctors' sick notes for Sale for £25, NHS fraud squad warns". The Telegraph. London. August 26, 2008. Archived from the original on January 12, 2022. Retrieved September 16, 2011.
  43. "Big Data: The next frontier for innovation, competition and productivity as reported in Building with Big Data". The Economist. May 26, 2011. Archived from the original on June 3, 2011.
  44. Flouris, Ioannis; Giatrakos, Nikos; Deligiannakis, Antonios; Garofalakis, Minos; Kamp, Michael; Mock, Michael (May 1, 2017). "Issues in complex event processing: Status and prospects in the Big Data era". Journal of Systems and Software (in English). 127: 217–236. doi:10.1016/j.jss.2016.06.011. ISSN 0164-1212. Archived from the original on April 14, 2019. Retrieved January 10, 2022.
  45. Yang, Ning; Liu, Diyou; Feng, Quanlong; Xiong, Quan; Zhang, Lin; Ren, Tianwei; Zhao, Yuanyuan; Zhu, Dehai; Huang, Jianxi (June 25, 2019). "मशीन लर्निंग और ग्रिड के साथ समानांतर गणना पर आधारित बड़े पैमाने पर फसल मानचित्रण". Remote Sensing. 11 (12): 1500. Bibcode:2019RemS...11.1500Y. doi:10.3390/rs11121500. ISSN 2072-4292.
  46. Prinsloo, Paul; Slade, Sharon (March 13, 2017). "An elephant in the learning analytics room: the obligation to act". Proceedings of the Seventh International Learning Analytics & Knowledge Conference. LAK '17. New York, NY, USA: Association for Computing Machinery: 46–55. doi:10.1145/3027385.3027406. ISBN 978-1-4503-4870-6. S2CID 9490514.
  47. U.S. Department of Education Office of Planning, Evaluation and Policy Development (2009). Implementing data-informed decision making in schools: Teacher access, supports and use. United States Department of Education (ERIC Document Reproduction Service No. ED504191)
  48. Rankin, J. (March 28, 2013). How data Systems & reports can either fight or propagate the data analysis error epidemic, and how educator leaders can help. Archived March 26, 2019, at the Wayback Machine Presentation conducted from Technology Information Center for Administrative Leadership (TICAL) School Leadership Summit.
  49. Favaretto, Maddalena; De Clercq, Eva; Elger, Bernice Simone (February 5, 2019). "Big Data and discrimination: perils, promises and solutions. A systematic review". Journal of Big Data. 6 (1): 12. doi:10.1186/s40537-019-0177-4. ISSN 2196-1115. S2CID 59603476.


बाहरी संबंध