دانلود و خرید کتاب اینترنت اشیا (نمونه های کاربردی)
برای خرید و دانلود کتاب اینترنت اشیا (نمونه های کاربردی) نوشته مهدی حق شناسی و خواندن و شنیدن هزاران کتاب الکترونیکی و صوتی دیگر، اپلیکیشن طاقچه را رایگان نصب کنید.
دیگران دریافت کرده‌اند
معرفی کتاب اینترنت اشیا (نمونه های کاربردی)
کتاب الکترونیکی «اینترنت اشیا (نمونه های کاربردی)» نوشتهٔ مهدی حق شناسی در موسسه فرهنگی هنری دیباگران تهران چاپ شده است.
درباره کتاب اینترنت اشیا (نمونه های کاربردی)
اینترنت اشیاء بر اساس استانداردهای مشخصی، قادر است تا ارتباط میلیاردها شیء را با هم برقرار کند. کتاب اینترنت اشیا (نمونه های کاربردی) به ﻣﺮوری ﺑﺮ اﯾﻨﺘﺮﻧﺖ اﺷﯿﺎء، مدل‌های کسب‌و کار و درآمدی اینترنت اشیا، کاربردها و نمونه‌های عملیاتی و ﺑﺮﺗﺮﯾﻦ ﺳﮑﻮﻫﺎی اﯾﻨﺘﺮﻧﺖ اﺷﯿﺎء می‌پردازد.
درباره مؤسسهٔ فرهنگی هنری دیباگران تهران
مؤسسهٔ فرهنگی هنری دیباگران تهران ناشر تخصصی مجتمع فنی تهران است. این انتشارات با شعارهای «یک کتاب می‌تواند زندگی ما را تغییر دهد.» و «هر کتاب دیباگران تهران، یک فرصت جدید شغلی و علمی» شروع به فعالیت کرده است. مؤسسه فرهنگی هنری دیباگران تهران بیش از ۴۰ سال سابقهٔ فعالیت در نشر آثار علمی دارد و با همکاری اساتید و متخصصان و مؤلفان و مترجمان حرفه‌ای و مشهور بیش از ۱۰۰۰ کتاب در حوزه‌های کامپیوتر و انفورماتیک و داده‌پردازی، برق و الکترونیک و مخابرات، تجارت الکترونیک، فناوری‌های نوین، گرافیک، مالتی مدیا، مدل‌سازی و سه‌بعدی، فنی، مهندسی، عمران، مکانیک، نرم‌افزارهای کاربردی، آموزش انواع مهارت‌های شغلی بر اساس استانداردهای ملی و بین‌المللی، کاردانش و فنی و حرفه‌ای، حسابداری، مدیریت و منابع انسانی، بازاریابی، آموزش علوم جدید برای فناوران جوان و نوجوانان، مکانیک خودرو، کتاب‌های کنکوری مقاطع مختلف تحصیلی (پزشکی، فنی مهندسی، کشاورزی و علوم دامی) و هنر ترجمه و تألیف کرده است.
کتاب اینترنت اشیا (نمونه های کاربردی) را به چه کسانی پیشنهاد میکنیم
این کتاب به علاقه‌مندان به مطالعهٔ مباحث مربوط به اینترنت و شبکه پیشنهاد می‌شود.
نمونه کاربردی از علم داده در بازاریابی
با توجه به حجم گسترده‌ی دادهای که در حال حاضر وجود دارد، شرکت‌ها برای به دست آوردن مزیت رقابتی که آنها را متمایز می‌کند، بر روی استخراج داده‌ها متمرکز شده‌اند. ظرفیت آنالیز دستی، دیگر پاسخ‌گوی این حجم از داده و تنوع موجود آن نیست. همچنین در برخی موارد از ظرفیت پایگاه‌داده‌های معمولی نیز فراتر رفته است. در این حین، کامپیوترها قدرتمندتر، شبکه‌ها در همه‌جا گسترده‌تر و الگوریتم‌هایی توسعه داده شد تا بتوان مجموعه‌ی داده‌ها را به هم متصل کرده و نسبت به قبل، تجزیه و تحلیل وسیع‌تر و عمیق‌تری را صورت داد. رشد همزمان گستره‌ی دادهای و افزایش قدرت تجزیه و تحلیل سبب افزایش استفاده از علم داده در کسب‌وکارها شده است.
تصمیم‌گیری مبتنی بر داده
جمع‌آوری و تجزیه و تحلیل داده‌ها مدتها است که نقش مهمی در شرکت‌ها و سازمان‌ها ایفا می‌کند؛ اما از آنجا که بشریت روزانه بیش از ۲.۵میلیون ترا بایت داده تولید می‌کند، هرگز جمع‌آوری، تجزیه و تحلیل و تفسیر داده‌ها به سادگی و به طور عملی امکان‌پذیر نبوده و نیست.
اگر برای تدوین استراتژی و تصمیم‌گیری، از داده‌های جمع‌آوری شده بر اساس شاخص‌های قابل‌اندازه‌گیری مانند شاخص‌های کلیدی عملکرد (KPI) استفاده کنیم، به آن تصمیم‌گیری مبتنی بر داده گفته می‌شود.
اصولا، تصمیم‌گیری مبتنی بر داده به معنای کار در جهت دستیابی به اهداف کلیدی کسب‌وکار با استفاده از داده‌های تائید و تجزیه و تحلیل شده است.
برای مثال یک شرکت تاکسی اینترنتی با جمع‌آوری و آنالیز داده‌ها، به این نتیجه می‌رسد که مبدا بسیاری از سفرها از رستوران‌ها و توسط مسئولین رستوران شروع می‌شود. لذا تصمیم به راه‌اندازی سرویس اینترنتی ارسال غذا از رستوران‌ها می‌گیرد.
مزایای تصمیم‌گیری مبتنی بر داده
استفاده از داده‌ها در تصمیم‌گیری سبب رشد مداوم کسب و کار است. این مهم، شرکت‌ها را قادر می‌سازد فرصت‌های شغلی جدیدی را ایجاد، درآمد بیشتری نمونه‌های کاربردی کسب، روندهای آینده را پیش‌بینی، تلاش‌های عملیاتی فعلی را بهینه و راهکارهای عملی ایجاد کنند.
هنگامی که شروع به جمع‌آوری و تجزیه و تحلیل داده‌ها می‌کنید، متوجه خواهید شد که دستیابی به یک تصمیم مطمئن در مورد هرگونه چالش تجاری، همواره آسان‌تر می‌شود؛ خواه تصمیم به راه‌اندازی یا توقف یک محصول گرفته شود، خواه تنظیم برنامه بازاریابی و… .
داده‌ها منطقی و مشخص و قابل اعتماد هستند. با حذف عناصر ذهنی از تصمیمات تجاری خود می‌توانید اعتمادبه‌نفس خود و شرکتتان را افزایش دهید. این اطمینان، به سازمان شما اجازه می‌دهد تا کاملاً نسبت به یک چشم‌انداز یا استراتژی خاص متعهد شود؛ بدون اینکه بیش از حد نگران گرفتن یک تصمیم اشتباه باشد.
آیا تصمیم‌گیری مبتنی بر داده همیشه سودآور است؟
داده‌ها ممکن است الگو یا نتیجه‌ای خاص را نشان دهند؛ اما اگر فرایند جمع‌آوری داده‌ها یا تفسیر آنها ناقص باشد، هر تصمیمی بر اساس آنها می‌تواند نادرست باشد. پس یک تصمیم مبتنی بر داده، به این معنا نیست که همیشه درست خواهد بود. از این رو، باید تأثیر تصمیمات تجاری به طور مرتب اندازه‌گیری و کنترل شود.
بازاریابی مبتنی بر داده چیست و چه تاثیری بر رشد کسب‌وکار دارد؟
بازاریابی مبتنی بر داده (Data-Driven marketing)، به استراتژی استفاده از داده‌های مشتریان برای بهینه‌سازی و هدفمند‌کردن پیام‌ها و خریدها از طریق کانال‌های ارتباطی با مشتریان، گفته می‌شود. این روند را می‌توان مهمترین تحول اخیر در دنیای بازاریابی دانست.
بازاریابی مبتنی بر داده به معنی تصمیم‌گیری و ارائه پاسخ‌های عملی به این پرسش‌هاست که چه کسی، چه زمانی، کجا، چه پیامی را باید دریافت کند.
مثال عملی از کاربرد علم داده در بازاریابی
از آنجا که هدف اصلی علم داده، به دست آوردن راهکارهای عملی از بررسی داده‌هاست، در حوزه‌ی بازاریابی نیز نمی‌توان از مزایای آن صرف نظر کرد. داده‌های بزرگ، در بازاریابی فرصتی برای درک بهتر مخاطبان هدف فراهم می‌کنند.
در ادامه، یک مورد از کاربردهای علم داده در بازاریابی که اثر بخشی آن در طول زمان به اثبات رسیده است را با مثال واقعی بررسی خواهیم کرد:
دسته‌بندی مشتریان
هر مشتری ویژگی‌های خاص خود را دارد. بنابراین نمی‌توان با یک رویکرد، با تمامی مشتری‌ها تعامل داشت. به همین منظور دسته‌بندی مشتری در بازاریابی بسیار کمک‌کننده است.
فرض کنید شما صاحب فروشگاهی هستید که بالغ بر صد هزار نفر مشتری با ویژگی‌های مختلف دارد. برای دسته‌بندی مشتریان در گروه‌های با ویژگی‌های مشابه می‌توان 3 ویژگی زیر را برای آنها در نظر گرفت:
1- هر مشتری آخرین خرید خود را چه زمانی انجام داده است. این ویژگی را با نماد R (مخفف Recency) نمایش می‌دهیم.
2- هر مشتری در بازه زمانی مشخص، برای مثال یک سال گذشته، چندبار از ما خرید انجام داده است. این ویژگی را با نماد F (مخفف Frequency) نمایش می‌دهیم.
3- هر مشتری در بازه زمانی مشخص، برای مثال یک سال گذشته، در هر بار خرید میانگین چه مبلغی خرید کرده است. این ویژگی را با نماد M (مخفف Monetary) نمایش می‌دهیم.
به مدل سازی داده‌های مشتریان با سه ویژگی فوق مدل RFM می‌گویند. این مدل در سال 1994 میلادی توسط Hughes ارائه شد. این مدل بیش از 30 سال است که برای تجزیه تحلیل ارزش مشتری استفاده می‌شود.
حال برای استفاده از این داده‌ها برای تصمیم‌گیری بهتر و مبتنی بر داده، ابتدا باید وضعیت هر یک از مشتریان را از نظر این سه شاخص مشخص کنیم. برای سادگی در مدل سازی می توان مشتریان را برای هر شاخص به ۳ دسته تقسیم کرد؛ به عنوان مثال در شاخص زمان آخرین خرید (R) با در نظر گرفتن بازه یکساله، مشتریان در سه دسته زیر تقسیم می‌شوند:
1- مشتریانی که در ۴ ماه اخیر خرید داشته‌اند در دسته ۱ قرار می گیرند.
2- مشتریانی که در ۸ ماه اخیر خرید داشته‌اند، اما در چهار ماه آخر خریدی نداشته باشند؛ در دسته ۲ قرار می گیرند.
3- مشتریانی که در 1 سال اخیر خرید داشته‌اند، اما آخرین خرید آنها نمونه‌های کاربردی به بیش از ۸ ماه مربوط می شود؛ در دسته ۳ قرار می گیرند.
بر همین اساس می‌توان به اهمیت هر یک از شاخص‌ها و رتبه آن نیز وزن مشخصی اختصاص داد.
نکته مهم: دسته‌بندی مشتریان و وزن‌دهی به اهمیت هر یک از شاخص‌ها و دسته‌ها ارتباط بسیار مهمی با صنعت، بازار و هدف سازمان دارد. به عنوان مثال اهمیت تعداد خرید و یا تأخر خرید در بازار خودرو با مواد غذایی تفاوت بسیاری خواهد داشت.
پس از مشخص کردن وضعیت هر یک از این شاخص‌ها برای مشتری می‌توان از دو روش استفاده کرد. در روش ساده‌تر که یک درک کلی از وضعیت رفتار مشتری به دست خواهد داد، می‌توان مشتریان را بر اساس رتبه در هر یک از شاخص‌ها دسته‌بندی کرد. بر این اساس مشتری با توجه به سابقه خرید خود در هر شاخص با رتبه‌ای به شکل abc نمایش داده خواهد شد. در این وضعیت مشتریانی که در رتبه ۱۱۱ یعنی متاخرترین خریدار، بیشترین تعداد خرید و بیشترین میزان خرید قرار می گیرند به عنوان برترین مشتریان و مشتریانی که در رتبه ۳۳۳ قرار می گیرند در دسته بدترین مشتریان قرار گرفته می‌شوند. در این روش این توجه به این دسته از مشتریان از اهمیت بالایی برخوردار خواهد بود:
۱-۱-۱: مشتریانی که بیشترین خرید را از نظر تعداد و میزان خرید داشته‌اند و جدیدا در زمره خریداران نیز بوده‌اند. این مشتریان به عنوان هسته اصلی درآمدزایی می‌توانند مورد توجه قرار گیرند و برنامه‌های خاص وفاداری، هسته‌های گزینشی برای ارتباط با مشتری نمونه‌های کاربردی و یا حتی سفیران برند در موردشان اجرا شود.
۱-۱-۲/۱-۱-۳: مشتریانی که در دو دسته بندی در رتبه شاخص قرار گرفته اما در دسته سوم جز مشتریان شاخص نیستند. این مشتریان بیشترین قابلیت را برای رشد در آینده دارند و با توجه به دسته‌ای که در رتبه شاخص قرار ندارند می توان برنامه های مشخصی برای ارتقا به مشتری شاخص در آینده را برایشان برنامه‌ریزی کرد.
۱-۲-۲/۱-۲-۳/۱-۳-۲/۱-۳-۳: مشتریانی که در یکی از دسته‌ها در رتبه شاخص قرار داشته اما در باقی دسته‌ها در رتبه‌های بعدی قرار دارند. این مشتریان از پتانسیل مناسبی برای تبدیل شدن به مشتریان دائمی برخوردارند و می توان برای برنامه هایی مانند ارائه تخفیف به صورت هوشمند ترغیب شوند.
در کنار این روش دسته‌بندی ساده دو روش دیگر نیز برای دسته‌بندی مشتریان به روش RFM وجود دارد. روش شاخص وزنی و روش خوشه بندی با الگوریتم K-Means.
با توجه به اینکه دو روش شاخص وزنی و خوشه‌بندی با الگوریتم K-Means کمی پیچیده‌تر می‌باشد، در ادامه به طور خلاصه به این دو روش اشاره میکنیم.
در روش شاخص وزنی رتبه های هر دسته را می توان به یک شاخص تبدیل کرد و با توجه به نوع صنعت، برنامه سازمان و… اهمیت هر یک را در فرمول مشخص کرد. به عنوان مثال امتیاز هر مشتری با توجه وضعیت آن در هر شاخص به شکل زیر مشخص می شود:
در این حالت R,F,M وضعیت مشتری در هر دسته (رتبه بهتر=عدد بالاتر) و A,B,C اهمیت هر دسته در وضعیت مشتری است (عدد بهتر=اهمیت بیشتر).
بر این اساس می‌توان وضعیت مشتریان را به یک عدد شاخص تبدیل کرد که مشتریان با عدد شاخص بالاتر در رتبه مشتریان برتر قرار خواهند گرفت، سپس با توجه به وضعیت مشتری در هر شاخص می‌توان برنامه خاصی نسبت به عدد شاخص و وضعیت در هر دسته برای مشتری متصور شد.
اما بهترین و دقیق‌ترین روش برای دسته‌بندی مشتریان به شیوه RFM استفاده از الگوریتم K-means در مشخص کردن دسته‌ها و توزیع وضعیت مشتریان در این دسته‌ها می‌باشد. در این روش پس از دسته‌بندی و مشخص کردن وضعیت مشتری در هر دسته با استفاده از تابع لگاریتمی، مرکز اقلیدسی توزیع مشتریان در هر دسته را به نحوی مشخص میکنیم که تعداد برابری از هر مشتری در هر دسته نسبت به میانگین کل وضعیت مشتریان در آن دسته وجود داشته باشد.
با توجه به اینکه این تقیسم جواب مشخص و دقیق از پیش مشخصی ندارد و در زمره مسائل NP-Hardقرار گرفته و جواب قطعی ندارد، می توان با ایجاد چرخه تکرار به جواب نزدیک به جواب بهینه پس از چندین چرخه رسید. در اینجاست که اهمیت یادگیری ماشینی و روش‌های ترکیب علم داده‌ها با بازاریابی بیش از پیش مشخص می‌شود. از آنجا که مهمترین بخش این روش تحلیلی دسته بندی یا همان segmentation مشتریان است، با استفاده از الگوریتم K-means و ایجاد چرخه‌های تکرار نمونه‌های کاربردی می‌توان دسته‌بندی بهینه را با توجه به ساختار صنعت، اهداف و . مشخص کرده و پس از آن با توزیع وضع مشتریان در این دسته‌بندی‌ها برنامه‌ریزی بسیار دقیق و اختصاصی در رابطه با هر دسته از مشتریان در نظر گرفت.
جمع‌بندی
همانطور که در مثال کاربردی بالا مشاهده کردید، جمع‌آوری داده، علم داده و تصمیم‌گیری مبتنی نمونه‌های کاربردی بر داده می‌تواند در زمینه‌های مختلف بازاریابی مانند تصمیم‌گیری‌های مهم مانند شخصیت‌سازی تجاری، بهینه‌سازی نمایش برای موتورهای جستجو، جذب و نگه‌داشتن مشتری و … کاربرد داشته باشد. بنابراین همواره به مدیران ارشد بازاریابی و مدیران محصول یادگیری و استفاده از علم داده پیشنهاد می‌گردد.
منابع
· Debra Zahay, Debika Sihi, Laurent Muzellec, Devon S. Johnson The marketing organization's journey to become data-driven
· HBS Online, The advantages of data-driven decision-making
· Peiman Alipour Sarvari, Alp Ustundag, Hidayet Takci , (2016),"Performance evaluation of different customer segmentation approaches based on RFM and demographics analysis"
· Ceren Lyim, Customer Segmentation with Machine Learning "K-means algorithm applied to a real-world e-commerce sales data"
نمونه های کاربردی
پیش‌بینی دیابت با استفاده از درخت تصمیم «نرم‌افزار رپیدماینر»
یک مثال کاربردی از داده‌کاوی در صنعت پزشکی (پیش‌بینی دیابت) که توسط جناب امیر عبداللهی در سایت Dataio.ir منتشر شده…
معماری سایت کافه بازار – از هزاران درخواست در روز به هزاران درخواست در ثانیه
کافه بازار از همان ابتدا ۳۵ میلیون کاربر نداشت و برای رسیدن به این عدد چالش‌های فنی گوناگونی را پشت…
سرگذشت تیم داده‌ی وب سایت دیوار
تیم داده دیوار، از اوایل تابستان ۹۵ با افرادی با تخصص‌ها و مهارت‌های مختلف تشکیل شد و فعالیت خودش را…
سایت مرجع دانشگاه های ایران – نمونه ای کاربردی از پردازش متن
جای خالی کارهای حرفه ای تحلیل و تصویرسازی داده ها نمونه‌های کاربردی در کشور به خوبی احساس می شود و شما به…
نمایشگر ارتباط موضوعی آیات قرآن با استفاده از داده کاوی
تدبر در قران کریم همواره مورد توجه صاحبان خرد قرار داشته و دارد. رشد علم و فناوری ابزارها و روش…
کلان داده و یادگیری ماشین: عامل برتری فوتبال آلمان در سال های اخیر
همواره آلمانی‌ها به ارائه‌ی یک فوتبال ماشینی شهره بوده‌اند، اما چیزی که در جام جهانی ۲۰۱۴ شاهد آن بودیم، فاصله‌ی…
مجلس گرافی – یک کار مهندسی داده حرفه ای به زبان فارسی
زلیخا گفتن و یوسف شنیدن شنیدن کی بود مانند دیدن امروزه حرف از مهندسی…
وب سایت مهندسی داده با هدف اطلاع رسانی در حوزه کلان داده و مهندسی داده شکل گرفته است تا مرجعی باشد برای علاقمندان به این حوزه و مکانی باشد برای بحث و تبادل نظر های تخصصی .
اگر برای پروژه های مدیریت داده خود نیاز به مشاور دارید و یا نصب و راه اندازی سامانه ها و بانک های اطلاعاتی نوین (کاساندرا، ردیس، مانگو، الاستیک سرچ و . ) خود را می خواهید برون سپاری کنید، با ما تماس بگیرید .
اینترنت اشیا Internet of Things _ نمونه های کاربردی
مولف : مهدی حق شناسی
فناوری نوظهور اینترنت اشیاء از سویی در حال تغییر نگاه نمونه‌های کاربردی و نیازمندیهای مردم نسبت به محیط پیرامون خود و از سویی دیگر در حال تغییر ماهیت دنیای اشیاء صامت به اشیاء قابل درک و مدیریت می‌باشد.
دانلود فهرست مطالب
خرید نسخه ebook این کتاب از فیدیبو
توضیحات
فناوری نوظهور اینترنت اشیاء از سویی در حال تغییر نگاه و نیازمندیهای مردم نسبت به محیط پیرامون خود و از سویی دیگر در حال تغییر ماهیت دنیای اشیاء صامت به اشیاء قابل درک و مدیریت می‌باشد. این دگردیسی باعث بوجود آمدن حوزه‌های کارآفرینی و درآمدزایی متعددی شده است که بعضی از این عبارتند از: سلامت و بهداشت، کشاورزی، شهرهوشمند و مدیریت انرژی که در این کتاب به تفصیل معرفی شده‌اند. مثالهای کاربردی در حوزه‌های مختلف، معرف عمق عملیاتی کارکردهای اینترنت اشیاء در آنها می‌باشد که در این راستا سکوها مهمترین نقش را ایفا می‌کنند. افق نگاه اینترنت اشیاء، هوشمند کردن دنیای پیرامون انسان می‌باشد که در این افق، داده‌های تولیدی می‌تواند روح دمیده شده‌ای بر این کالبد بی‌جان باشد. در این کتاب سعی شده با بیان مثالهای کاربردی، ملموس و کاملاً گویا به تبیین جایگاه اینترنت اشیاء در زندگی انسان امروز پرداخته شود.
برنامه ریزی راهبردی یک نمونه کاربردی
برنامه‌ریزی راهبردی- استراتژیک- فرایندی است سازمانی برای تعریف راهبرد سازمان و تصمیم‌گیری برای چگونگی یافتن منابع مورد نیاز برای رسیدن به مقصود استراتژی، صورت می‌گیرد. این فرایند افراد و منابع را نیز شامل می‌شود. برای آنکه سازمان بداند به کجا خواهد رفت باید بداند اکنون دقیقاً کجا قرار گرفته‌است.
پس از آن باید آنچه می‌خواهد باشد را به درستی نمونه‌های کاربردی تعریف کرده و چگونگی رسیدن به آن جایگاه را مشخص کند. مستندات حاصل از این فرایند را برنامه‌ی راهبردی سازمان می‌نامند. ضرورت ایجاد تحول در شرکت :
ایجاد نمونه‌های کاربردی قابلیت های انسانی و سازمانی لازم جهت تحقق چشم انداز و رسالت شرکت
توسعه خدمات مورد انتظار مدیریت عالی و سایر ذی نفعان شرکت
افزایش حجم فعالیت های جاری به دلیل افزایش مقیاس مبادله و تنوع محصولات
گسترش حیطه عملیات به دلیل افزایش شرکای تجاری داخلی و خارجی
تحول عمیق در سیستم های مدیریتی درسطح جهان
دیدگاه شما