ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ, ಆದರೆ ವಿಷಯವು ಎಣಿಕೆಗೆ ಸೀಮಿತವಾಗಿಲ್ಲ ಮತ್ತು ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಅವುಗಳನ್ನು ಸಾರ್ವತ್ರಿಕ ಸಾಧನವಾಗಿ ಬಳಸಬಹುದು ಎಂದು ಶೀಘ್ರದಲ್ಲೇ ಕಂಡುಹಿಡಿಯಲಾಯಿತು. ನಂತರ ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಯೋಚಿಸುವಂತೆ ಮಾಡುವ ಪ್ರಯತ್ನಗಳು ನಡೆದವು, ಆದರೆ ಅದನ್ನು ಬೌದ್ಧಿಕ ಸಹಾಯಕನಾಗಿ ಪರಿವರ್ತಿಸುವ ಪ್ರಯತ್ನಗಳು ಕಡಿಮೆ ಪ್ರಸಿದ್ಧವಾಗಿದೆ, ಅದು ತನ್ನದೇ ಆದ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಹೇಳಿಕೊಳ್ಳುವುದಿಲ್ಲ, ಆದರೆ ಮಾನವ ಮಾನಸಿಕ ಚಟುವಟಿಕೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ. ವಾನ್ನೆವರ್ ಬುಷ್ ಈ ಕಲ್ಪನೆಯನ್ನು ಕಾಲ್ಪನಿಕ ಮೆಮೆಕ್ಸ್ ಯಂತ್ರದ ರೂಪದಲ್ಲಿ ಹಾಕಲು ಮೊದಲಿಗರಾಗಿದ್ದರು ಮತ್ತು ಡೌಗ್ ಎಂಗಲ್‌ಬಾರ್ಟ್‌ನ ಸೈದ್ಧಾಂತಿಕವಾಗಿ ಇದೇ ರೀತಿಯ ಯೋಜನೆಗಳನ್ನು ಆನ್‌ಲೈನ್ ಸಿಸ್ಟಮ್ (NLS) ನಲ್ಲಿ ಸಾಕಾರಗೊಳಿಸಲಾಯಿತು. 1960 ರ ದಶಕದ ಆರಂಭದಲ್ಲಿ, ಗಣಿತಶಾಸ್ತ್ರಜ್ಞ ಮತ್ತು ತತ್ವಜ್ಞಾನಿ ರಿಚರ್ಡ್ ಹ್ಯಾಮಿಂಗ್ ಹೀಗೆ ಬರೆದಿದ್ದಾರೆ: "ಕಂಪ್ಯೂಟರ್‌ನ ಉದ್ದೇಶವು ಅರಿವು, ಲೆಕ್ಕಾಚಾರವಲ್ಲ." ಆದಾಗ್ಯೂ, ಈ ಮಹಾನ್ ಒಳ್ಳೆಯ ಉದ್ದೇಶಗಳು ಅವಾಸ್ತವಿಕವಾಗಿ ಉಳಿದಿವೆ, ಏಕೆಂದರೆ ಮನುಷ್ಯ ಮತ್ತು ಯಂತ್ರದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮನಬಂದಂತೆ ಸಂಯೋಜಿಸುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ರಚಿಸುವ ಪ್ರಾಯೋಗಿಕ ಸಾಧ್ಯತೆಯು ಇಂದು ಮಾತ್ರ ಕಾಣಿಸಿಕೊಂಡಿದೆ.

ಒಟ್ಟಿನಲ್ಲಿ, ವ್ಯಕ್ತಿಯ ಸೃಜನಾತ್ಮಕ ಮನಸ್ಸು ಮತ್ತು ಬೃಹತ್ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪುಡಿಮಾಡುವ ಯಂತ್ರದ ಸಾಮರ್ಥ್ಯವು ಸಿನರ್ಜಿಸ್ಟಿಕ್ ಪರಿಣಾಮವನ್ನು ನೀಡುತ್ತದೆ, 1997 ರಲ್ಲಿ IBM ಡೀಪ್ ಬ್ಲೂ ಪವರ್‌ಪ್ಯಾರಲಲ್ SP2 ಸೂಪರ್‌ಕಂಪ್ಯೂಟರ್‌ಗೆ 32 ನೋಡ್‌ಗಳೊಂದಿಗೆ ಗ್ಯಾರಿ ಕಾಸ್ಪರೋವ್ ಅವರ ನಷ್ಟದ ಪರಿಣಾಮಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಇದನ್ನು ನಿರ್ಣಯಿಸಬಹುದು. , 8 ಚೆಸ್ ವಿಶೇಷ ಸಂಸ್ಕಾರಕಗಳ ವಿಶೇಷ ಮಂಡಳಿಗಳು ಸೇರಿದಂತೆ. ಈ ಪಂದ್ಯದ ನಂತರ, ಗ್ರ್ಯಾಂಡ್‌ಮಾಸ್ಟರ್ ಅವರು ಆಡ್ಸ್ ಅನ್ನು ಸಹ ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಿದರು ಮತ್ತು ಇದನ್ನು ಮಾಡಲು, PC ಯಲ್ಲಿ ಚಾಲನೆಯಲ್ಲಿರುವ ಚೆಸ್ ಕಾರ್ಯಕ್ರಮಗಳ ಮೂಲಕ ಆಟಗಾರರು ತಮ್ಮ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿಸ್ತರಿಸಲು ಅವಕಾಶ ನೀಡಬೇಕು. ಕಾಸ್ಪರೋವ್ ಮತ್ತೆ ಡೀಪ್ ಬ್ಲೂ ಜೊತೆ ಭೇಟಿಯಾಗಲಿಲ್ಲ, ಆದರೆ ಡೀಪ್ ಬ್ಲೂ ಅನ್ನು ಕಿತ್ತುಹಾಕುವ ಮೊದಲು, ಇಬ್ಬರು ಹವ್ಯಾಸಿಗಳು, ಸಾಮಾನ್ಯ PC ಗಳೊಂದಿಗೆ "ಶಸ್ತ್ರಸಜ್ಜಿತ", ಅವರೊಂದಿಗೆ ಇನ್ನೂ ಒಂದು ಪಂದ್ಯವನ್ನು ಆಡಿದರು. ಗ್ರ್ಯಾಂಡ್‌ಮಾಸ್ಟರ್‌ಗಳಲ್ಲದ ಮತ್ತು ಗಂಭೀರವಾದ ಚೆಸ್ ಅರ್ಹತೆಗಳನ್ನು ಹೊಂದಿರದ ಈ ಇಬ್ಬರು ದೈತ್ಯಾಕಾರದ ವಿರುದ್ಧ ಹೋರಾಡುವಲ್ಲಿ ವಿಶ್ವ ಚಾಂಪಿಯನ್‌ಗಿಂತ ಹೆಚ್ಚು ಯಶಸ್ವಿಯಾಗಿದ್ದಾರೆ. ಮನುಷ್ಯ ಮತ್ತು ಯಂತ್ರದ ನಡುವೆ ಕಾರ್ಯಗಳನ್ನು ಸಾಮರಸ್ಯದಿಂದ ಹಂಚಿಕೊಳ್ಳುವ ವ್ಯವಸ್ಥೆಗಳು ಸಂಪೂರ್ಣ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಿಂತ ಹೇಗೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ಇದು ಅತ್ಯುತ್ತಮ ನಿದರ್ಶನವಾಗಿದೆ. ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಇದರ ಮೊದಲ ಚಿಹ್ನೆಗಳನ್ನು ನಾವು ಗಮನಿಸಬಹುದು, ಇಲ್ಲಿ ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಹಳೆಯ ಮತ್ತು ಹೊಸ ನಡುವಿನ ವಿಭಜಿಸುವ ರೇಖೆಯು ವ್ಯಕ್ತಿಯು ಯಂತ್ರದೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ವಿಧಾನವನ್ನು ಆಧರಿಸಿದೆಯೇ ಹೊರತು ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾದ ಪ್ರಕಾರಗಳ ಮೇಲೆ ಅಲ್ಲ. (ರಚನಾತ್ಮಕ ಅಥವಾ ರಚನೆಯಿಲ್ಲದ).

ಉತ್ಪಾದಕ ಮಾನವ-ಯಂತ್ರ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಹೊಸ ಅವಕಾಶವು ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸಕ್ರಿಯ ಏರಿಕೆ ಮತ್ತು ಹೊಸ ತಂತ್ರಜ್ಞಾನಗಳ ಸೃಷ್ಟಿಗೆ ಕಾರಣವಾಗಿದೆ. ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವೇದಿಕೆಗಳು. ಯಾವುದೇ ಚೇತರಿಕೆಯ ಅವಧಿಯು ಸಾಮಾನ್ಯವಾಗಿ ಅನುಗುಣವಾದ ಮಾರುಕಟ್ಟೆ ವಿಭಾಗದಲ್ಲಿ ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಇರುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ದೊಡ್ಡ ತಯಾರಕರು ಬೆಂಬಲಿಸುವ ಸ್ಥಾಪಿತ ಮತ್ತು ಪ್ರಸಿದ್ಧ ತಂತ್ರಜ್ಞಾನಗಳಿಂದ ಗಮನವು ಬಹುತೇಕ ಅಜ್ಞಾತ ಡೇಟಾ ಡಿಸ್ಕವರಿ (ಡಿಡಿ) ತಂತ್ರಜ್ಞಾನಗಳ ಉಪವಿಭಾಗಕ್ಕೆ ಬದಲಾಗುತ್ತದೆ - ಇಲ್ಲದಿದ್ದರೆ ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ (ವಿಎ) ಅಥವಾ ವಿಷುಯಲ್ ಡೇಟಾ ಡಿಸ್ಕವರಿ (ವಿಡಿಡಿ) - ಮುಖ್ಯವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸಣ್ಣ ಕಂಪನಿಗಳು ಮತ್ತು ಸುಧಾರಿತ ಮಾನವ-ಯಂತ್ರ ಸಂವಹನ ಸಾಮರ್ಥ್ಯಗಳಿಂದ ನಿರೂಪಿಸಲ್ಪಟ್ಟಿದೆ. ಡಿಡಿ ಮತ್ತು ವಿಎಗೆ ಸಮಾನಾಂತರವಾಗಿ ಬದಲಾವಣೆಯ ಇತರ ಸೂಚಕಗಳು ಇವೆ, ವಿಶ್ಲೇಷಣಾತ್ಮಕ ತಂತ್ರಜ್ಞಾನಗಳ ಎರಡು ಗುಂಪುಗಳು ಸಕ್ರಿಯವಾಗಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿವೆ: ವಿಷಯ ಮತ್ತು ಭವಿಷ್ಯ, ಅಥವಾ ಮುನ್ಸೂಚಕ ವಿಶ್ಲೇಷಣೆ(ಪ್ರಿಡಿಕ್ಟಿವ್ ಅನಾಲಿಟಿಕ್ಸ್, ಪಿಎ).

ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆಯ ವ್ಯಾಪ್ತಿಯು ಅತ್ಯಂತ ದೊಡ್ಡದಾಗಿದೆ (ಚಿತ್ರ 1), ಆದರೆ ಇಲ್ಲಿ ನಾವು ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣೆಗೆ ಸಂಬಂಧಿಸಿದ ವಿಭಾಗಗಳ ಮೇಲೆ ಮಾತ್ರ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ.

ವ್ಯವಹಾರ ವಿಶ್ಲೇಷಣೆಯ ಸಂಕ್ಷಿಪ್ತ ಇತಿಹಾಸದುದ್ದಕ್ಕೂ, ಬಳಸಿದ ವಿಧಾನಗಳಲ್ಲಿ ಪ್ರಮುಖ ಸ್ಥಾನವು ಪ್ರಶ್ನೆ ಮತ್ತು ವರದಿ ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಆಕ್ರಮಿಸಿಕೊಂಡಿದೆ, ಇದರ ಸಾರವು ಕೆಲವು ಡೇಟಾ ಮೂಲಗಳಿಗೆ ಉದ್ದೇಶಿಸಲಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ರೂಪಿಸುವುದು ಮತ್ತು ನಂತರ ಅವುಗಳ ಫಲಿತಾಂಶಗಳ ಕುರಿತು ವರದಿಗಳನ್ನು ಕಂಪೈಲ್ ಮಾಡುವುದು. ಎಲ್ಲಾ ಪ್ರಶ್ನೆ ಮತ್ತು ವರದಿ ಮಾಡುವ ಪರಿಹಾರಗಳನ್ನು ಎರಡು ದೊಡ್ಡ ಸ್ಟ್ರೀಮ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: ಒಂದು ಉತ್ಪಾದನಾ ವರದಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ - ನಿಯತಕಾಲಿಕವಾಗಿ ಉತ್ಪಾದನೆಯ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುವ ವರದಿಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಎರಡನೆಯದು ವ್ಯಾಪಾರ ಪ್ರಶ್ನೆ ಮತ್ತು ವರದಿ ಮಾಡುವಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ - ಎಂಟರ್‌ಪ್ರೈಸ್ ನಿರ್ವಹಣೆಯ ಅವಶ್ಯಕತೆಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಕಾರ್ಯಾಚರಣೆಯ ವರದಿಗಳು. ತೊಂಬತ್ತರ ದಶಕದ ಆರಂಭದಲ್ಲಿ, ಅವುಗಳ ಜೊತೆಗೆ, ಆನ್‌ಲೈನ್ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳು (ಆನ್‌ಲೈನ್ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಂಸ್ಕರಣೆ, OLAP) ಕಾಣಿಸಿಕೊಂಡವು. ತ್ವರಿತ ವಿಶ್ಲೇಷಣೆಯ ಬೆಲೆಯು ಸುದೀರ್ಘವಾದ ಪೂರ್ವಸಿದ್ಧತಾ ವಿಧಾನವಾಗಿದೆ - ಈ ವರ್ಗದ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಹಿಂದೆ ರಚನಾತ್ಮಕ ಬಹುಆಯಾಮದ OLAP ಘನಗಳಾಗಿ ಒಟ್ಟುಗೂಡಿಸಲಾದ ಡೇಟಾವನ್ನು ಮಾತ್ರ ವಿಶ್ಲೇಷಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಅಂತಹ ಪ್ರತಿಯೊಂದು ಘನವು ಉದ್ದೇಶಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಘನವನ್ನು ಸಿದ್ಧಪಡಿಸುವ ಅಗತ್ಯವು ಇನ್ಪುಟ್ ಡೇಟಾ ಸ್ಟ್ರೀಮ್ನೊಂದಿಗೆ ಯಾವುದೇ ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಅನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಅದೇನೇ ಇದ್ದರೂ, OLAP ಮತ್ತು ಸಂಬಂಧಿತ ತಂತ್ರಜ್ಞಾನಗಳ ಆಧಾರದ ಮೇಲೆ, ಇನ್ನೂ ಹೆಚ್ಚಿನ ಕಾರ್ಯಾಚರಣೆಯ ವಿಶ್ಲೇಷಣೆಯ ವಿಧಾನಗಳು ಅಭಿವೃದ್ಧಿಗೊಳ್ಳಲು ಪ್ರಾರಂಭಿಸಿದವು - ಉದಾಹರಣೆಗೆ, "ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳು", ಕ್ಯಾಪ್ಟನ್ ಸೇತುವೆಯನ್ನು ನೆನಪಿಸುವ ವಿವಿಧ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳನ್ನು ಹೊಂದಿದವು. "ರಿಯಲ್ ಟೈಮ್ ಎಂಟರ್‌ಪ್ರೈಸ್" (ಆರ್‌ಟಿಇ) ಪರಿಕಲ್ಪನೆಯು ಸಹ ಹಿಡಿತವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ.

ಈ ಎಲ್ಲಾ ಸಾಧನಗಳೊಂದಿಗೆ ಸಮಾನಾಂತರವಾಗಿ, ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ (DM) ಮತ್ತು ಮುನ್ಸೂಚನೆಯ ವಿಶ್ಲೇಷಣೆಗಳಂತಹ ಸೈದ್ಧಾಂತಿಕ ಕ್ಷೇತ್ರಗಳು ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿವೆ. ತೀರಾ ಇತ್ತೀಚೆಗೆ, BI ಯ ಅಭಿವೃದ್ಧಿಗೆ DM ಮತ್ತು PA ಮುಖ್ಯ ಸಂಪನ್ಮೂಲವನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರುತ್ತಿದೆ, ಆದರೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ DD, VA ಮತ್ತು VDD ಯ ಸಂವಾದಾತ್ಮಕ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಬೇಡಿಕೆಯಲ್ಲಿವೆ. ಅವುಗಳನ್ನು ಈಗ ಅತ್ಯಂತ ಭರವಸೆಯೆಂದು ರೇಟ್ ಮಾಡಲಾಗಿದೆ, ಆದರೂ ಅವುಗಳನ್ನು ರಚಿಸುವ ಶಕ್ತಿಗಳು ವ್ಯಾಪಾರದ ಗುಪ್ತಚರ ಪರಿಹಾರಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಆಟಗಾರರಿಗೆ ಶಕ್ತಿಯಲ್ಲಿ ಕೆಳಮಟ್ಟದ ಆದೇಶಗಳಾಗಿವೆ.

ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬದಲಾವಣೆಗಳಿಗೆ ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು

ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಏನಾಗುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಹಲವು ವಿವರಣೆಗಳು ಮತ್ತು ಕಾರಣಗಳಿವೆ, "ಏಂಜಲ್ಸ್ ಮತ್ತು ಡಿಮನ್ಸ್" ಕಾದಂಬರಿಯಿಂದ ಡಾನ್ ಬ್ರೌನ್ ಅವರ ಮಾತುಗಳು ನೆನಪಿಗೆ ಬರುತ್ತವೆ: "ಕೆಲವರು ಯೇಸುವಿಗೆ ಪ್ರಾರ್ಥನೆ ಸಲ್ಲಿಸುತ್ತಾರೆ, ಇತರರು ಮೆಕ್ಕಾಗೆ ಹೋಗುತ್ತಾರೆ, ಮತ್ತು ಇತರರು ಪ್ರಾಥಮಿಕ ನಡವಳಿಕೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತಾರೆ. ಕಣಗಳು. ಅಂತಿಮವಾಗಿ, ಎಲ್ಲರೂ ಸತ್ಯದ ಹುಡುಕಾಟದಲ್ಲಿದ್ದಾರೆ. ಆದ್ದರಿಂದ, ಸಾದೃಶ್ಯದ ಮೂಲಕ, ನಾವು ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣೆಯ ವಿಕಾಸದ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಮೂರು ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸುತ್ತೇವೆ.

ಬಿಗ್ ಡೇಟಾ, "ಮುಂದಿನ ಕೈಗಾರಿಕಾ ಕ್ರಾಂತಿ", ಉದ್ಯಮ 4.0, ಇತ್ಯಾದಿಗಳಂತಹ ಫ್ಯಾಶನ್ ವಿಷಯಗಳ ಪ್ರತಿಬಿಂಬಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ಹರಡಿರುವ "ವ್ಯವಸ್ಥಾಪಕ" ದೃಷ್ಟಿಕೋನ. ಹೆಚ್ಚಾಗಿ ಅವರು ಬಿಗ್ ಡೇಟಾ ವಿಶ್ಲೇಷಕರ "ಮೂರು Vs" ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಾರೆ. : ಸಂಪುಟ "); ವೈವಿಧ್ಯ ("ವಿವಿಧ"); ವೇಗ ("ಚಲನಶೀಲತೆ").

ಜ್ಞಾನ ನಿರ್ವಹಣಾ ಸಿದ್ಧಾಂತದ (ಜ್ಞಾನ ನಿರ್ವಹಣೆ, KM) ಅನುಯಾಯಿಗಳಿಂದ ಬದಲಾವಣೆಯ ಮೇಲಿನ ಎರಡನೇ ಗುಂಪಿನ ದೃಷ್ಟಿಕೋನಗಳು ರೂಪುಗೊಳ್ಳುತ್ತವೆ. ಅವರು "ಮಾಹಿತಿ ಕ್ರಾಂತಿ" ಯೊಂದಿಗೆ ಏನಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ಸಂಪರ್ಕಿಸುತ್ತಾರೆ, ಅದನ್ನು ಡೇಟಾದಿಂದ ಮಾಹಿತಿಗೆ, ಮಾಹಿತಿಯಿಂದ ಜ್ಞಾನಕ್ಕೆ, ಜ್ಞಾನದಿಂದ ತಿಳುವಳಿಕೆ ಮತ್ತು ಬುದ್ಧಿವಂತಿಕೆಗೆ ಆರೋಹಣದ ಐದು ಹಂತಗಳಾಗಿ ವಿಭಜಿಸುತ್ತಾರೆ: ಕಾರ್ಯಾಚರಣೆಯ - ತುಣುಕು ಡೇಟಾವನ್ನು ವೈಯಕ್ತಿಕ ವಿಶ್ಲೇಷಕರು ವಿಶ್ಲೇಷಿಸುತ್ತಾರೆ; ಏಕೀಕೃತ - ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಕರ ಕಾರ್ಯ ಗುಂಪುಗಳಿಂದ ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ; ಏಕೀಕರಣ - CM ಅನ್ನು ಬೆಂಬಲಿಸುವ ಎಂಟರ್‌ಪ್ರೈಸ್ ಮೂಲಸೌಕರ್ಯವನ್ನು ರಚಿಸಲಾಗಿದೆ; ಆಪ್ಟಿಮೈಸೇಶನ್ - ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು, ಒಟ್ಟಾರೆಯಾಗಿ ಕಾರ್ಪೊರೇಟ್ ಮಾಹಿತಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ; ನವೀನ - ಕಾರ್ಪೊರೇಟ್ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಂಯೋಜಿಸುವುದು ಹೊಸ ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಮೂರನೇ ದೃಷ್ಟಿಕೋನದ ಪ್ರಕಾರ, ವಿಕಸನ ಪ್ರಕ್ರಿಯೆಯ ಫಲಿತಾಂಶವು ಉದ್ಯಮದ ಬಗ್ಗೆ ಸಾಮಾನ್ಯ ವಿಚಾರಗಳಿಂದ ನೈಜ ಜ್ಞಾನಕ್ಕೆ ಪರಿವರ್ತನೆಯಾಗಿದೆ.

ಮೊದಲ ಎರಡು ದೃಷ್ಟಿಕೋನಗಳು ಆರಾಧನೆಗೆ ಹತ್ತಿರವಾಗಿವೆ ಮತ್ತು ಮೂರನೆಯದು ಪರ್ಯಾಯವಾಗಿದೆ ಎಂದು ಗಮನಿಸಬೇಕಾದ ಅಂಶವಾಗಿದೆ, ಇದು ಉಲ್ಲೇಖದಲ್ಲಿರುವಂತೆ ನೈಸರ್ಗಿಕ ವೈಜ್ಞಾನಿಕ ಸ್ಥಾನಕ್ಕೆ ಹತ್ತಿರದಲ್ಲಿದೆ, ಈ ಸಂದರ್ಭದಲ್ಲಿ ಇದು ವ್ಯವಸ್ಥಿತ ದೃಷ್ಟಿಕೋನವಾಗಿದೆ. ವಿವಿಧ ವಿದ್ಯಮಾನಗಳನ್ನು ಪರಿಗಣಿಸುವಾಗ ಉಪಯುಕ್ತವಾಗಿದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸಂಭವಿಸುವವು. ಆದಾಗ್ಯೂ, ಈ ಕೆಳಗಿನವುಗಳಿಗೆ ಗಮನ ಕೊಡುವುದು ಮುಖ್ಯ - ಎಲ್ಲಾ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳು ಅವುಗಳ ಸ್ವರೂಪವನ್ನು ಲೆಕ್ಕಿಸದೆ ಸಾಮಾನ್ಯತೆಯನ್ನು ಹೊಂದಿವೆ. ನೊಬರ್ಟ್ ವೀನರ್ ಈ ಬಗ್ಗೆ ಬರೆದಿದ್ದಾರೆ, ಜೀವಂತ ಜೀವಿಗಳು, ಯಂತ್ರಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳಲ್ಲಿ ನಿರ್ವಹಣಾ ತತ್ವಗಳ ಏಕತೆಯ ಕಲ್ಪನೆಯನ್ನು ಮೊದಲು ವ್ಯಕ್ತಪಡಿಸಿದವರು. ವೀನರ್ ಅವರ ಕೆಲಸವು ಯೋಗ್ಯವಾದ ಸೈದ್ಧಾಂತಿಕ ಮುಂದುವರಿಕೆಯನ್ನು ಸ್ವೀಕರಿಸಲಿಲ್ಲ, ಮತ್ತು ನೈಜ ಆಚರಣೆಯಲ್ಲಿ, ತಾಂತ್ರಿಕ ಸೌಲಭ್ಯಗಳ ನಿರ್ವಹಣೆ ತನ್ನದೇ ಆದ ರೀತಿಯಲ್ಲಿ ಹೋಯಿತು, ಮತ್ತು ವ್ಯವಹಾರ - ತನ್ನದೇ ಆದ. ಹಲವು ವರ್ಷಗಳಿಂದ ಎರಡು ವರ್ಗಗಳ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಳ ನಡುವೆ ಯಾವುದೇ ಸಾಮಾನ್ಯತೆ ಇರಲಿಲ್ಲ - ತಾಂತ್ರಿಕ ಮತ್ತು ಕಾರ್ಪೊರೇಟ್ - ಮತ್ತು, ಮೇಲಾಗಿ, ತಡೆಗೋಡೆಯು ಅವುಗಳನ್ನು ಎರಡು ಅತಿಕ್ರಮಿಸದ ಪ್ರದೇಶಗಳಾಗಿ ವಿಭಜಿಸಿತು. ಮತ್ತು ಇದು ಯಾರೊಬ್ಬರ ಕೆಟ್ಟ ಇಚ್ಛೆಯಲ್ಲ - ಒಂದು ನಿರ್ದಿಷ್ಟ ಅವಧಿಗೆ ವಿಭಜನೆಯ ಉಪಸ್ಥಿತಿಯು ಸಂಪೂರ್ಣವಾಗಿ ಸಮರ್ಥನೆ ಮತ್ತು ನೈಸರ್ಗಿಕವಾಗಿದೆ, ಇವು ಜೀವನದ ಅವಶ್ಯಕತೆಗಳು, ವಿಭಜನೆಯು ಹಿಂದೆ ಅಸ್ತಿತ್ವದಲ್ಲಿದ್ದ ಕಂಪ್ಯೂಟರ್ ಸಂಪನ್ಮೂಲಗಳ ಮೇಲಿನ ಕಟ್ಟುನಿಟ್ಟಾದ ಮಿತಿ ಮತ್ತು ಬಯಕೆಯಿಂದ ಉಂಟಾಗುತ್ತದೆ. ಲಭ್ಯವಿರುವ ಪರಿಕರಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿ ಬಳಸಲು, ಹೆಚ್ಚಿನ ಮಟ್ಟಿಗೆ ಕಾರ್ಯದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ. ಎರಡು ರೀತಿಯ ಕಾರ್ಯಗಳು ಇರುವುದರಿಂದ - ತಾಂತ್ರಿಕ ಮತ್ತು ಕಾರ್ಪೊರೇಟ್ ನಿರ್ವಹಣೆ, ಅದರ ಪ್ರಕಾರ, ಎರಡು ರೀತಿಯ ಪರಿಹಾರಗಳು ಹುಟ್ಟಿಕೊಂಡಿವೆ.

ತರುವಾಯ, ವ್ಯವಹಾರದಲ್ಲಿ ನಿರ್ವಹಣೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಕಲ್ಪನೆಯು ನೀರಸ ಡೇಟಾ ಸಂಸ್ಕರಣೆಗೆ ದಾರಿ ಮಾಡಿಕೊಟ್ಟಿತು ಮತ್ತು ERP, CRM, ಇತ್ಯಾದಿಗಳಂತಹ ವಿವಿಧ ರೀತಿಯ ವಾಡಿಕೆಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಹೊರೆಯ ಅಡಿಯಲ್ಲಿ ಸಮಾಧಿ ಮಾಡಲಾಗಿದೆ, ಇದರಲ್ಲಿ ಎಲ್ಲವನ್ನೂ ಲೆಕ್ಕಪರಿಶೋಧಕ ಮತ್ತು ಲೆಕ್ಕಪತ್ರದಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. ನಿಯಂತ್ರಣ, ಅಂದರೆ, ಸಾಮಾನ್ಯ ಅರ್ಥದಲ್ಲಿ. ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಸ್ಥಿತಿಯನ್ನು ನಿರ್ಣಯಿಸುವುದು, ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ರೂಪಿಸುವ ಎಲ್ಲವೂ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿದೆ. ಆದರೆ ನಿಜ ಜೀವನದಲ್ಲಿ, ಪ್ರತಿಕ್ರಿಯೆ ಇಲ್ಲದೆ ಯಾವುದೇ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ, ಮತ್ತು ಪ್ರಸ್ತುತ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಮಟ್ಟದಲ್ಲಿ, ಹೊರಗಿನಿಂದ ಡೇಟಾವನ್ನು ಸ್ವೀಕರಿಸುವ ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ವ್ಯವಸ್ಥಾಪಕರ ಮನಸ್ಸಿನಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ.

21 ನೇ ಶತಮಾನದ ಎರಡನೇ ದಶಕದಲ್ಲಿ, ಬಳಸಿದ ಸಂಪನ್ಮೂಲಗಳ ಮೇಲಿನ ನಿರ್ಬಂಧಗಳನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ತೆಗೆದುಹಾಕಲಾಯಿತು ಮತ್ತು ತಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ವ್ಯವಹಾರ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಳ ಒಮ್ಮುಖಕ್ಕೆ ಅವಕಾಶವನ್ನು ತೆರೆಯಲಾಯಿತು, ಈ ಏಕೀಕರಣ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳು ನಿರ್ಣಾಯಕ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತವೆ, ಇದು ಆಪರೇಟಿಂಗ್ ನೋಡ್ ಆಯಿತು. ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ನ. ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ವ್ಯವಹಾರ ಮತ್ತು ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸಮಾನ ಯಶಸ್ಸಿನೊಂದಿಗೆ ನಿರ್ವಹಿಸಬಹುದು. ಅದಕ್ಕಾಗಿಯೇ ಮುಂಬರುವ ಯುಗವನ್ನು "ಪ್ರತಿಕ್ರಿಯೆ ಆರ್ಥಿಕತೆ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.

ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಆಸಕ್ತಿಯ ಪ್ರಸ್ತುತ ಸ್ಫೋಟಕ್ಕೆ ಮುಂಚೆಯೇ, ನೈಜ-ಸಮಯದ ಉದ್ಯಮ (RTE) ಪರಿಕಲ್ಪನೆಯು ಹೊರಹೊಮ್ಮಿತು ಮತ್ತು ಹೊಸ ಅಪ್ಲಿಕೇಶನ್ ಏಕೀಕರಣ ತಂತ್ರಜ್ಞಾನಗಳ ಆಗಮನದೊಂದಿಗೆ ವಾಸ್ತವವಾಯಿತು - ಸೇವಾ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು, ಎಂಟರ್‌ಪ್ರೈಸ್ ಸೇವಾ ಬಸ್‌ಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಈವೆಂಟ್ ಪ್ರೊಸೆಸಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳು. ನೈಜ-ಸಮಯದ ವಿಶ್ಲೇಷಣೆಯು RTE ಯ ನಿರ್ಣಾಯಕ ಅಂಶವಾಗಿದೆ ಎಂದು ಆರಂಭದಲ್ಲಿ ನಿರೀಕ್ಷಿಸಲಾಗಿತ್ತು, ವಿಶ್ಲೇಷಣೆಯ ಅಳವಡಿಕೆಗೆ ಮುಖ್ಯ ಪ್ರಚೋದನೆಯು ಡೇಟಾ ಸಂಪುಟಗಳಲ್ಲಿನ ಹೆಚ್ಚಳವಾಗಿದೆ.

ವಿಶ್ಲೇಷಣೆಯ ಸಾರ್ವತ್ರಿಕ ಬಳಕೆಯ ಒಂದು ವಿವರಣಾತ್ಮಕ ಉದಾಹರಣೆಯೆಂದರೆ ತೈಲ ಉತ್ಪಾದನಾ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಉಪಕರಣಗಳು, ಇಲ್ಲಿ ಮಾರುಕಟ್ಟೆ ಮತ್ತು ಆರ್ಥಿಕ ಪರಿಸ್ಥಿತಿಯ ಮೌಲ್ಯಮಾಪನದೊಂದಿಗೆ ಕೊರೆಯುವ ಉಪಕರಣಗಳ ನಿರ್ವಹಣೆಯನ್ನು ಸಂಯೋಜಿಸುವುದು ಅವಶ್ಯಕವಾಗಿದೆ, ತಾಂತ್ರಿಕ ಮತ್ತು ವ್ಯವಹಾರ ನಿರ್ವಹಣೆಯು ಒಂದೇ ಒಟ್ಟಾರೆಯಾಗಿ ರೂಪುಗೊಳ್ಳುತ್ತದೆ. ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ಬಾವಿಗಳ ಡೇಟಾವನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳಲು, ವೆಲ್‌ಸೈಟ್ ಮಾಹಿತಿ ವರ್ಗಾವಣೆ ಪ್ರಮಾಣಿತ ಮಾರ್ಕಪ್ ಭಾಷೆ (WITSML) ಅನ್ನು ರಚಿಸಲಾಗಿದೆ, ಇದು ಎರಡು ರೀತಿಯ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳ ನಡುವಿನ ಕೊಂಡಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಇಂದು ಇಂಧನ ವಲಯ, ಸಾರಿಗೆ ಮತ್ತು ಇತರ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿ ಅದರ ಬಳಕೆಯ ಸಾಧ್ಯತೆಯಿದೆ. ಪರಿಗಣಿಸಲಾಗುತ್ತಿದೆ. ಅಂತಹ ವ್ಯವಸ್ಥೆಗಳ ಅನ್ವಯಕ್ಕೆ ಮುಖ್ಯ ಷರತ್ತು ಭೌಗೋಳಿಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಸಂಶೋಧನಾ ವ್ಯವಸ್ಥೆಗಳು, ಕೊರೆಯುವ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳು, ಜಿಯೋಫಿಸಿಕಲ್ ಸಂಶೋಧನಾ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಪ್ಯಾಕೇಜ್‌ಗಳ ನಡುವಿನ ಡೇಟಾ ವಿನಿಮಯಕ್ಕಾಗಿ ಮುಕ್ತ ಮಾನದಂಡಗಳ ಬಳಕೆಯಾಗಿದೆ.

ಡೇಟಾ ಡಿಸ್ಕವರಿ

ಇತ್ತೀಚಿನವರೆಗೂ, ವ್ಯವಹಾರ ವಿಶ್ಲೇಷಣೆಯ ಸಂಪೂರ್ಣ ಶಿಸ್ತು ರಚನಾತ್ಮಕ ದತ್ತಾಂಶದ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಮಿಸಲ್ಪಟ್ಟಿದೆ, ಆದರೆ ಬಿಗ್ ಡೇಟಾ ಸಮಸ್ಯೆಯ ಆಗಮನದೊಂದಿಗೆ, ಎಲ್ಲಾ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾದ 80% ಕ್ಕಿಂತ ಹೆಚ್ಚು ರಚನಾತ್ಮಕವಲ್ಲದ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಅಗತ್ಯವು ಹೆಚ್ಚಾಯಿತು. ತೀವ್ರ, ಮತ್ತು ಅವುಗಳ ಸಂಖ್ಯೆಯು ರಚನಾತ್ಮಕ ದತ್ತಾಂಶಕ್ಕೆ ಹೋಲಿಸಿದರೆ ವೇಗದ ಕ್ರಮದಲ್ಲಿ ಬೆಳೆಯುತ್ತಿದೆ. ಆದರೆ ಅಂಶವೆಂದರೆ ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾವು ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯವಾಗಿದೆ - ವಿಶ್ಲೇಷಣೆಗಾಗಿ ರಚನೆಯಿಲ್ಲದ ಡೇಟಾಗೆ ಒತ್ತು ನೀಡಿದ ನಂತರ, ಉಪಯುಕ್ತವಾದ ಹೊರತೆಗೆಯಲು ಮೊದಲಿಗಿಂತ ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನವಾದ ನಿರೀಕ್ಷೆಯಿದೆ, ಆದರೆ ಸದ್ಯಕ್ಕೆ ಹರಿವಿನಲ್ಲಿ ಮರೆಮಾಡಲಾದ ಡೇಟಾವನ್ನು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮಾದರಿಯು ಮೂಲಭೂತವಾಗಿ ಬದಲಾಗುತ್ತಿದೆ. ಹಿಂದೆ, ವಿಶ್ಲೇಷಣೆಯ ಕಾರ್ಯವು ಪೂರ್ವ-ನಿರ್ಧರಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಉತ್ತರಗಳನ್ನು ಪಡೆಯಲು ಮತ್ತು ವರದಿಗಳನ್ನು ರಚಿಸುವುದಕ್ಕೆ ಸೀಮಿತವಾಗಿತ್ತು, ಆದರೆ ಈಗ ವಿಶ್ಲೇಷಣೆಯು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಉಪಯುಕ್ತವಾಗಿ ಪರಿವರ್ತಿಸುವ ಮೂಲಕ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾದೊಂದಿಗೆ ಮಾನವ ಸಂವಹನದ ಸಂವಾದಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಯಾಗಿ ಬದಲಾಗುತ್ತಿದೆ. ಮಾಹಿತಿ. ಈ ಉದ್ದೇಶಕ್ಕಾಗಿ ಶಕ್ತಿಯುತ ಮತ್ತು ದುಬಾರಿ ಉಪಕರಣಗಳು ಅಗತ್ಯವಿಲ್ಲ ಎಂದು ಇದು ಗಮನಾರ್ಹವಾಗಿದೆ.

ಹೆಚ್ಚಾಗಿ, ಆಧುನಿಕ ವಿಶ್ಲೇಷಣೆಯು ಎರಡು ಸಂಬಂಧಿತ ಕ್ಷೇತ್ರಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದೆ - ಡೇಟಾ ಡಿಸ್ಕವರಿ ಮತ್ತು ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್, ಆದರೆ ಬಹುತೇಕ ಒಂದೇ ವಿಷಯಕ್ಕೆ ಎರಡು ವಿಭಿನ್ನ ಪದಗಳ ಬಳಕೆಯು ಈಗಾಗಲೇ ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲದ ಮತ್ತು ಒಂದು ರೀತಿಯಲ್ಲಿ ವಿಶ್ಲೇಷಣೆಗೆ ಸಂಬಂಧಿಸಿದ ತಂತ್ರಜ್ಞಾನಗಳಿಂದ ರೂಪುಗೊಂಡ ಹೆಸರುಗಳ ಚಿತ್ರವನ್ನು ಗೊಂದಲಗೊಳಿಸುತ್ತದೆ. ಅಥವಾ ಇನ್ನೊಂದು. ಅವುಗಳ ಸ್ಥಳವನ್ನು ಸೂಚಿಸಲು, ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣಾ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸುವುದು ಅವಶ್ಯಕ, ಅವುಗಳನ್ನು ವಿಭಜಿಸಲು, ಉದಾಹರಣೆಗೆ, ಮೂರು ದೊಡ್ಡ, ಭಾಗಶಃ ಅತಿಕ್ರಮಿಸುವ ಗುಂಪುಗಳಾಗಿ:

• ಮಾಹಿತಿ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಹೊರತೆಗೆಯುವ ತಂತ್ರಜ್ಞಾನಗಳು (ಮಾಹಿತಿ ಮತ್ತು ಕೌಲೆಡ್ಜ್ ಡಿಸ್ಕವರಿ): OLAP, ಡೇಟಾ ಮೈನಿಂಗ್, ಟೆಕ್ಸ್ಟ್ ಮೈನಿಂಗ್, ವೆಬ್ ಮೈನಿಂಗ್ ಮತ್ತು ವಿವಿಧ ಸರ್ಚ್ ಇಂಜಿನ್ಗಳು;
• ನಿರ್ಧಾರ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಬುದ್ಧಿವಂತ ವ್ಯವಸ್ಥೆಗಳು (ನಿರ್ಣಯ ಬೆಂಬಲ ಮತ್ತು ಅವಿವೇಕದ ವ್ಯವಸ್ಥೆಗಳು): ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ಗುಂಪು ನಿರ್ಧಾರ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಗಳು, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅನ್ವಯಿಕ ವಿಧಾನಗಳು, ಪರಿಣಿತ ವ್ಯವಸ್ಥೆಗಳು, ಭವಿಷ್ಯ ವಿಶ್ಲೇಷಣೆ;
• ದೃಶ್ಯೀಕರಣ ಉಪಕರಣಗಳು: ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆ, ವಿವಿಧ ರೀತಿಯ "ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು" ಮತ್ತು ರಿಮೋಟ್ ಕಂಟ್ರೋಲ್‌ಗಳು.

ಔಪಚಾರಿಕವಾಗಿ, ಡೇಟಾ ಡಿಸ್ಕವರಿ (ಗುಪ್ತ ಅರ್ಥದ ಅನ್ವೇಷಣೆ) ಸ್ಪಷ್ಟವಾಗಿ ಮೊದಲ ಗುಂಪಿಗೆ ಸೇರುತ್ತದೆ, ಮತ್ತು ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ಮೂರನೇ ಗುಂಪಿಗೆ ಸೇರಿದೆ, ಆದರೆ ಅವುಗಳು ಬಹಳಷ್ಟು ಸಾಮಾನ್ಯವಾಗಿದೆ - ಕಂಪ್ಯೂಟರ್ ತಂತ್ರಜ್ಞಾನದಿಂದ ಬೆಂಬಲಿತವಾದ ಮಾನವ ಸೃಜನಶೀಲತೆಗೆ ಒತ್ತು ನೀಡಲಾಗುತ್ತದೆ. ಡೇಟಾ ಡಿಸ್ಕವರಿ ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಪರಿಕಲ್ಪನೆಯಾಗಿದೆ ಎಂದು ಊಹಿಸಬಹುದು, ಇದು ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ವಿಧಾನಗಳ ಒಂದು ಸೆಟ್, ಮತ್ತು ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ಹೆಚ್ಚು ಸಾಧನವಾಗಿದೆ (ಇಲ್ಲಿಯವರೆಗೆ ಒಂದೇ ಒಂದು). ಸ್ಪಷ್ಟವಾಗಿ ಈ ಕಾರಣಕ್ಕಾಗಿ, ಇತ್ತೀಚೆಗೆ ಎರಡೂ ದಿಕ್ಕುಗಳು ಒಮ್ಮುಖವಾಗಲು ಪ್ರಾರಂಭಿಸಿದವು ಮತ್ತು ವಿಷುಯಲ್ ಡೇಟಾ ಡಿಸ್ಕವರಿ ಎಂಬ ಸಾಮಾನ್ಯ ಹೆಸರು ಕಾಣಿಸಿಕೊಂಡಿತು. ಈ ವರ್ಗದ ವ್ಯವಸ್ಥೆಗಳು ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಬಳಕೆದಾರರ ಬೌದ್ಧಿಕ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುವ ಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. VDD ಅನ್ನು ಪರಿಶೋಧನಾತ್ಮಕ ಅಥವಾ ತನಿಖಾ ವಿಶ್ಲೇಷಣೆ ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ. ಮೊದಲ ಹೆಸರನ್ನು 2007 ರಲ್ಲಿ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ತಜ್ಞ ಸ್ಟೀಫನ್ ಫ್ಯೂ ಪ್ರಸ್ತಾಪಿಸಿದರು, ಅವರು ಸುಧಾರಿತ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಡೇಟಾದಲ್ಲಿ ಅಡಗಿರುವ ಅರ್ಥದ ಹುಡುಕಾಟವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾರೆ. ಎರಡನೆಯದನ್ನು 2011 ರಲ್ಲಿ ಹೆಸರಾಂತ ವಿಶ್ಲೇಷಕ ಕರ್ಟ್ ಮೊನಾಶ್ ಅವರು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡೇಟಾದಲ್ಲಿ ಹಿಂದೆ ತಿಳಿದಿಲ್ಲದಿರುವುದನ್ನು ಕಂಡುಹಿಡಿಯಲು ನಡೆಸಿದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಉಲ್ಲೇಖಿಸಲು ರಚಿಸಿದರು: ಗುಪ್ತ ಮಾದರಿಗಳು, ಮಾದರಿಗಳು ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಳಸಬಹುದಾದ ಇತರ ವಿಷಯಗಳು.

ಡಿಡಿ ಪರಿಕರಗಳು ಹೆಚ್ಚು ಪ್ರಜಾಸತ್ತಾತ್ಮಕವಾಗಿವೆ; ಅವು ಮಾಹಿತಿಯನ್ನು ಬಳಸುವ ಸರಾಸರಿ ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಸಂಕೀರ್ಣ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಗಣಿತದ ವಿಧಾನಗಳಿಗೆ ಪ್ರವೇಶವನ್ನು ಹೊಂದಿರುವ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಅಲ್ಲ. ಒಂದು ಸಮಯದಲ್ಲಿ, ಆಯ್ದ ವೃತ್ತಿಪರರಿಗೆ ಮೇನ್‌ಫ್ರೇಮ್‌ಗಳು ಲಭ್ಯವಿದ್ದವು ಮತ್ತು PC ಯ ಆಗಮನವು ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ಎಲ್ಲರಿಗೂ ಪ್ರವೇಶಿಸುವಂತೆ ಮಾಡಿತು, DD ಯ ಆಗಮನವನ್ನು ವ್ಯಾಪಾರ ಬುದ್ಧಿವಂತಿಕೆಯ ಗ್ರಾಹಕೀಕರಣ ಎಂದು ಕರೆಯಬಹುದು.

PC ಯ ಮುಂಜಾನೆಯಂತೆ, ಹೊಸ ಪ್ರವೃತ್ತಿಯ ನಾಯಕರು ವ್ಯಾಪಾರ ವಿಶ್ಲೇಷಣಾ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಪ್ರಮುಖ ಆಟಗಾರರಲ್ಲ, ಆದರೆ ತುಲನಾತ್ಮಕವಾಗಿ ಅಪರಿಚಿತ ಕಂಪನಿಗಳು: QlikTech, Salient Management Company, SiSence, Tableau, Tibco, ನಂತರ ಮುಂದುವರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆಮಾನ್ಯತೆ ಪಡೆದ ಮಹನೀಯರು: ಮೈಕ್ರೋಸ್ಟ್ರಾಟಜಿಯು ವಿಷುಯಲ್ ಅನ್ನು ಸುಧಾರಿಸಿದೆಒಳನೋಟ; SAP, SAS ಮತ್ತು IBM ಹೊಸ ಉತ್ಪನ್ನಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ ವಿಷುಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್, ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ಮತ್ತು ಕಾಗ್ನೋಸ್ ಇನ್‌ಸೈಟ್ಕ್ರಮವಾಗಿ; ಮತ್ತು ಮೈಕ್ರೋಸಾಫ್ಟ್ PowerPivot ಅನ್ನು ಪವರ್ ವ್ಯೂನೊಂದಿಗೆ ಉತ್ಪನ್ನದೊಂದಿಗೆ ಪೂರಕಗೊಳಿಸಿದೆ.

ಆರ್ಥರ್ ಕಾನನ್ ಡಾಯ್ಲ್ ಅವರು ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಅವಲೋಕನಗಳ ಆಧಾರದ ಮೇಲೆ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಷರ್ಲಾಕ್ ಹೋಮ್ಸ್ಗೆ ನೀಡಿದರು, ಆದರೆ ಬಯಸಿದಲ್ಲಿ, ಅದೇ ಸತ್ಯಗಳನ್ನು ವಿಭಿನ್ನವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು ಮತ್ತು ತೀರ್ಮಾನಗಳು ವಿಭಿನ್ನವಾಗಿರುತ್ತದೆ - ಮಹಾನ್ ಪತ್ತೇದಾರಿ ಬಳಸುವ ಅನುಮಾನಾತ್ಮಕ ವಿಧಾನದ ದೌರ್ಬಲ್ಯ ಅದರ ಮಿತಿಗಳಲ್ಲಿ. ಆದರೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಮತ್ತು ಸಾಕಷ್ಟು ಉಪಕರಣಗಳು ಲಭ್ಯವಿದ್ದರೆ, ನಂತರ ವಸ್ತುನಿಷ್ಠ ಮತ್ತು ಉತ್ತಮ ತಿಳುವಳಿಕೆಯುಳ್ಳ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು - ಅವುಗಳ ಅಳವಡಿಕೆಯ ನಿಖರತೆಯು ಡೇಟಾದ ಪರಿಮಾಣ ಮತ್ತು ಉಪಕರಣದ ಗುಣಮಟ್ಟವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. DD ಯ ಯಶಸ್ಸಿನ ರಹಸ್ಯ ಸರಳವಾಗಿದೆ - ಈ ತಂತ್ರಜ್ಞಾನಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

ಡಿಡಿ ಸಿಸ್ಟಮ್‌ಗಳ ಗುರಿಯು ಜನರು-ಆಧಾರಿತ ಸಾಧನಗಳನ್ನು ರಚಿಸುವುದು, ಅವರ ಕೆಲಸದಲ್ಲಿ ಅವರನ್ನು ಬೆಂಬಲಿಸುವುದು ಮತ್ತು ಲಭ್ಯವಿರುವ ಡೇಟಾದಿಂದ ಉಪಯುಕ್ತ ಮತ್ತು ಅರ್ಥಪೂರ್ಣ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಜನರು ತಮ್ಮ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಬಳಸುವ ಅವಕಾಶವನ್ನು ತೆರೆಯುವುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಈ ಕೆಳಗಿನ ಚಕ್ರವು ಅಭಿವೃದ್ಧಿಗೊಳ್ಳುತ್ತದೆ: ಮೊದಲು, ವಿನಂತಿಯನ್ನು ರೂಪಿಸಲಾಗಿದೆ, ಅದಕ್ಕೆ ಉತ್ತರವನ್ನು ಹೆಚ್ಚಾಗಿ ಚಿತ್ರಾತ್ಮಕ ರೂಪದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ, ಅದಕ್ಕಾಗಿಯೇ ದೃಶ್ಯೀಕರಣ ತಂತ್ರಜ್ಞಾನಗಳು ಡಿಡಿಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿವೆ, ನಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ, ಚಕ್ರವನ್ನು ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ವ್ಯವಹಾರ ವಿಶ್ಲೇಷಣೆಯಿಂದ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಪ್ರಸ್ತುತಿ ಮತ್ತು ವೇಗದ ಸ್ಪಷ್ಟತೆ - ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಆಪರೇಟಿಂಗ್ ಮೋಡ್ ನೈಜ ಸಮಯಕ್ಕೆ ಹತ್ತಿರವಾಗಬೇಕೆಂದು ಬಯಸುತ್ತಾನೆ.

ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್

ಪರಿಭಾಷೆಯ ಸ್ಪಷ್ಟೀಕರಣದೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸೋಣ, ಏಕೆಂದರೆ ಮೂರು ರೀತಿಯ ಪದಗಳಿವೆ: ವಿಷುಯಲ್ ಅನಾಲಿಸಿಸ್, ವಿಷುಯಲ್ ಡೇಟಾ ಮೈನಿಂಗ್ ಮತ್ತು ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ - ಆದರೆ ಪ್ರತಿಯೊಂದಕ್ಕೂ ತನ್ನದೇ ಆದ ಅರ್ಥವಿದೆ.

ವಿಷುಯಲ್ ಡಾಟಾ ಮೈನಿಂಗ್ ಮೊದಲು ಕಾಣಿಸಿಕೊಂಡಿತು - ಸರಿಸುಮಾರು 2000 ರಲ್ಲಿ, ದೃಶ್ಯೀಕರಣ ತಂತ್ರಜ್ಞಾನಗಳೊಂದಿಗೆ ಡೇಟಾ ಮೈನಿಂಗ್ ವಿಧಾನಗಳ ಏಕೀಕರಣವನ್ನು ಯುರೋಪ್ನಲ್ಲಿ ಕರೆಯಲು ಪ್ರಾರಂಭಿಸಿತು. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮೊದಲ ವೈಜ್ಞಾನಿಕ ಶಾಲೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಕೊಬ್ಲೆಂಜ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ (ಜರ್ಮನಿ) ರಚಿಸಲಾಯಿತು.

ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ (ಚಿತ್ರ 2) ನ ಆಗಮನವು 2004 ರ ಹಿಂದಿನದು - ಇದನ್ನು ಪೆಸಿಫಿಕ್‌ನ ನೀತಿ ದಾಖಲೆಯಾಗಿ ಬಿಡುಗಡೆ ಮಾಡಲಾದ "ಲೈಟಿಂಗ್ ದಿ ವೇ, ಎ ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ರಿಸರ್ಚ್ ಅಂಡ್ ಡೆವಲಪ್‌ಮೆಂಟ್ ಅಜೆಂಡಾ" ಪುಸ್ತಕದ ಲೇಖಕರಲ್ಲಿ ಒಬ್ಬರಾದ ಜಿಮ್ ಥಾಮಸ್ ಪ್ರಸ್ತಾಪಿಸಿದ್ದಾರೆ. ವಾಯುವ್ಯ ರಾಷ್ಟ್ರೀಯ ಪ್ರಯೋಗಾಲಯ, US ಶಕ್ತಿ ಇಲಾಖೆಯ ಹದಿನಾರು ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಪುಸ್ತಕವು VA ಅನ್ನು ವಿಶ್ಲೇಷಣಾತ್ಮಕವಾಗಿ ಯೋಚಿಸುವ ಸಾಮರ್ಥ್ಯ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ಇದು ಚಿತ್ರಾತ್ಮಕ ಇಂಟರ್ಫೇಸ್ನಿಂದ ಬೆಂಬಲಿತವಾಗಿದೆ. ಭಯೋತ್ಪಾದಕ ಬೆದರಿಕೆಗಳನ್ನು ಎದುರಿಸುವ ಕಾರ್ಯಕ್ರಮದ ಭಾಗವಾಗಿ US ಡಿಪಾರ್ಟ್‌ಮೆಂಟ್ ಆಫ್ ಹೋಮ್‌ಲ್ಯಾಂಡ್ ಸೆಕ್ಯುರಿಟಿಯ ಆದೇಶದಂತೆ ಪ್ರಯೋಗಾಲಯವನ್ನು VA ಗೆ ಮರುನಿರ್ದೇಶಿಸಲಾಗಿದೆ ಮತ್ತು ಈಗ ಅತಿದೊಡ್ಡ ಸಂಶೋಧನಾ ಕೇಂದ್ರವಾಗಿ ಮಾರ್ಪಟ್ಟಿದೆ, VA ಯ ವಿವಿಧ ಅಂಶಗಳಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ಪರಿಣತಿಯನ್ನು ಹೊಂದಿದೆ, ಹಲವಾರು ಶಾಖೆಗಳನ್ನು ಹೊಂದಿದೆ. ದೇಶಗಳು; ಹಲವಾರು ವರ್ಷಗಳ ಹಿಂದೆ, ಕೊಬ್ಲೆಂಜ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಪ್ರಯೋಗಾಲಯವು ಅದರ ಭಾಗವಾಯಿತು.

ವಿಷುಯಲ್ ಅನಾಲಿಸಿಸ್ ಕನಿಷ್ಠ ಎರಡು ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಹೊಂದಿದೆ. ಮೊದಲನೆಯ ಪ್ರಕಾರ, ಇದು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಅಂತರಶಿಸ್ತೀಯ ಸಂಶೋಧನೆಗೆ ಹೆಸರಾಗಿದೆ, ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸಂವಾದಾತ್ಮಕ ದೃಶ್ಯ ಸಾಧನಗಳ ಬಳಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಒಂದು ರೀತಿಯಲ್ಲಿ ಅಥವಾ ಇನ್ನೊಂದು. ಎರಡನೆಯ ಮೌಲ್ಯವು ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್‌ನ ನಿಜವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಘಟಕಕ್ಕೆ ಅನ್ವಯಿಸುತ್ತದೆ.

ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಕಾರ್ಯಗಳು ಐಟಿ ಅಪ್ಲಿಕೇಶನ್‌ನ ಎಲ್ಲಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಭಾಗವಾಗಿದೆ - ಸ್ವಯಂಚಾಲಿತ ವಿಶ್ಲೇಷಣಾ ಪರಿಕರಗಳು ಈ ಕೆಲವು ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು, ಡೇಟಾವನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಔಪಚಾರಿಕಗೊಳಿಸಿದಾಗ ಮತ್ತು ಅವುಗಳನ್ನು ಹೋಲಿಸಲು ಸಮಂಜಸವಾದ ಮಾನದಂಡಗಳಿರುವ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅವು ಅನ್ವಯಿಸುತ್ತವೆ. ಆದರೆ ನಿಜ ಜೀವನದಲ್ಲಿ ಮತ್ತು ನೈಜ ವ್ಯವಹಾರದಲ್ಲಿ ಅಂತಹ ನಿರ್ಬಂಧಗಳನ್ನು ಅಪರೂಪವಾಗಿ ಆಚರಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ವಿಧಾನಗಳು ಪಾರುಗಾಣಿಕಾಕ್ಕೆ ಬರುತ್ತವೆ. ಇದು ಅತ್ಯಂತ ಅನಿರೀಕ್ಷಿತ ಡೇಟಾ ಆಗಿರಬಹುದು - ಉದಾಹರಣೆಗೆ, ಪಠ್ಯ ಡೇಟಾ ದೃಶ್ಯೀಕರಣದ ಕ್ಷೇತ್ರವು ಈಗ ಸಕ್ರಿಯವಾಗಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿದೆ (ವಿವರವಾಗಿ ಓದುವುದನ್ನು ಆಶ್ರಯಿಸದೆ ದಾಖಲೆಗಳ ವಿಷಯದ ಬಗ್ಗೆ ವಿಶ್ವಾಸಾರ್ಹ ತೀರ್ಪು ನೀಡುವ ಸಾಮರ್ಥ್ಯ). ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ಈ ಎರಡು ಪ್ರದೇಶಗಳ ಛೇದಕದಲ್ಲಿದೆ.

ಕಳೆದ 15-20 ವರ್ಷಗಳಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಹಲವು ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆಯಾದರೂ, ಎಲ್ಲಾ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಯಂತ್ರಕ್ಕೆ ವರ್ಗಾಯಿಸುವುದು ಅಸಂಭವವಾಗಿದೆ, ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಿರುವ ಯೋಜನೆಯ ಪ್ರಕಾರ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ; 3. ಮೊದಲನೆಯದಾಗಿ, ಸ್ವಯಂಚಾಲಿತ ವಿಶ್ಲೇಷಣಾ ಸಾಧನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ನಿರ್ದಿಷ್ಟ ಅಪ್ಲಿಕೇಶನ್ ಕ್ಷೇತ್ರಕ್ಕೆ ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ, ಅವು ಮೂಲಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಕಡಿಮೆ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ, ಡೇಟಾ ಮೈನಿಂಗ್ ವಿಧಾನಗಳನ್ನು ಅವುಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಗೆ ಸೂಕ್ತವಾದ ಮಾದರಿಯನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ. ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ತಂತ್ರಜ್ಞಾನಗಳು ಈ ಮಾದರಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಸುಧಾರಿಸಲು ವ್ಯಕ್ತಿಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ಅನುಕ್ರಮವಾಗಿ ಸಮೀಪಿಸುವ ಪುನರಾವರ್ತನೆಯ ಕ್ರಮದಲ್ಲಿ ಹೆಚ್ಚಿನ ಕ್ರಿಯೆಗಳನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕ ಅನುಷ್ಠಾನಗಳಲ್ಲಿ, ಎಲ್ಲಾ ಘಟಕಗಳು ಇರುವುದಿಲ್ಲ (ಚಿತ್ರ 3), ಆದರೆ ಪುನರಾವರ್ತಿತ ಮುಚ್ಚಿದ ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲಿ ಇರುತ್ತದೆ.

ಡೇಟಾ ಡಿಸ್ಕವರಿ ಮತ್ತು ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ಪರಿಹಾರಗಳ ಮುಖ್ಯ ಪ್ರಯೋಜನವೆಂದರೆ ಅದು ವ್ಯಕ್ತಿಯನ್ನು ಅದರಲ್ಲಿ ಅಡಗಿರುವ ಡೇಟಾದಿಂದ ಹೊರತೆಗೆಯಲು ಅಥವಾ ಡೇಟಾವನ್ನು "ಮಾತನಾಡಲು" ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ, ಫ್ರೆಡೆರಿಕ್ ಮೊಸ್ಟೆಲ್ಲರ್ ಅವರ ಸಂಭವನೀಯತೆ ಪುಸ್ತಕದಲ್ಲಿ ಹೇಳಲಾಗಿದೆ: "ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಕೇಳಲ್ಪಡುತ್ತದೆ. ಡೇಟಾ ಸ್ವತಃ ಮಾತನಾಡುತ್ತದೆ, ಆದರೆ ಅವರ ಧ್ವನಿ ತುಂಬಾ ಶಾಂತ ಮತ್ತು ಸಾಧಾರಣವಾಗಿದೆ.

4.1. ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆಯ ಆಡಿಯೋ ವಿಸ್ತರಣೆ

ವಿವಿಧ ವೈಜ್ಞಾನಿಕ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಆಧುನಿಕ ಪರಿಣಾಮಕಾರಿ ವಿಧಾನವೆಂದರೆ ಇವುಗಳ ಕಂಪ್ಯೂಟರ್ ದೃಶ್ಯೀಕರಣದ ವಿಧಾನ - ವೈಜ್ಞಾನಿಕ ದೃಶ್ಯೀಕರಣದ ವಿಧಾನ.

ವೈಜ್ಞಾನಿಕ ದೃಶ್ಯೀಕರಣದ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ವೈಜ್ಞಾನಿಕ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:

1. ಕೆಲವು ಗ್ರಾಫಿಕ್ ಚಿತ್ರದ ರೂಪದಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾದ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಪಡೆಯುವಲ್ಲಿ (ಮೂಲ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಕಾರ್ಯ). ಅಂತಹ ಗ್ರಾಫಿಕ್ ಚಿತ್ರವನ್ನು ಪಡೆಯಲು, ಡೇಟಾವನ್ನು ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದೊಂದಿಗೆ (ಪ್ರಾದೇಶಿಕ ವಸ್ತುಗಳ ಒಂದು ಸೆಟ್) ಸಂಯೋಜಿಸುವುದು ಅವಶ್ಯಕ, ಅಥವಾ ಹೆಚ್ಚು ನಿಖರವಾಗಿ, ಅದರ ಜ್ಯಾಮಿತೀಯ ಮತ್ತು ಆಪ್ಟಿಕಲ್ (ವಿನ್ಯಾಸ) ವಿವರಣೆಗಳು (ಮಾದರಿಗಳು), ಮತ್ತು ನಂತರ ಇದರ ಗ್ರಾಫಿಕ್ ಚಿತ್ರವನ್ನು ಪಡೆಯುವುದು ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯ (ರೆಂಡರಿಂಗ್), ನಂತರದ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಮಾನಿಟರ್, ಪ್ರಿಂಟರ್ ಮತ್ತು ಇತರ ಔಟ್‌ಪುಟ್ ಸಾಧನಗಳಲ್ಲಿ ಪ್ರದರ್ಶಿಸಬಹುದು.
2. ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾದ ಪರಿಣಾಮವಾಗಿ ಚಿತ್ರಾತ್ಮಕ ಚಿತ್ರದ ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಮೂಲ ಡೇಟಾಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅರ್ಥೈಸಲಾಗುತ್ತದೆ. ಈ ಕಾರ್ಯವನ್ನು ಬಳಕೆದಾರರಿಂದ ನೇರವಾಗಿ ಪರಿಹರಿಸಲಾಗುತ್ತದೆ. ಗ್ರಾಫಿಕ್ ಚಿತ್ರದ ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆಯಿಂದ ನಾವು ಉಲ್ಲೇಖಿಸಲಾದ ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆ ಎಂದರ್ಥ. ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಪ್ರಾದೇಶಿಕ ವಸ್ತುಗಳ ಸಾಪೇಕ್ಷ ಸ್ಥಾನ, ಅವುಗಳ ಆಕಾರ ಮತ್ತು ವಿನ್ಯಾಸದ ಬಗ್ಗೆ ತೀರ್ಪುಗಳನ್ನು ಮಾಡಬಹುದು.

ಅಕ್ಕಿ. 4.1. ಧ್ವನಿ ವರ್ಧಿತ ವೈಜ್ಞಾನಿಕ ದೃಶ್ಯೀಕರಣ ವಿಧಾನ.

ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮತ್ತೊಂದು ಇಂದ್ರಿಯ ಅಂಗವನ್ನು ಸಂಪರ್ಕಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ಪರಿಗಣಿಸೋಣ - ವಿಚಾರಣೆಯ ಅಂಗ. ಧ್ವನಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಮೂಲ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಲು, ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಇದು ಅವಶ್ಯಕ:

1. ಕೆಲವು ರೀತಿಯ ಆಡಿಯೊ ಪ್ರದರ್ಶನದ ರೂಪದಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾದ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಸ್ವೀಕರಿಸಿ. ಅಂತಹ ಪ್ರದರ್ಶನವನ್ನು ಪಡೆಯಲು, ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ ಜ್ಯಾಮಿತೀಯ ಮತ್ತು ಆಪ್ಟಿಕಲ್ ವಿವರಣೆಯನ್ನು ಅದರ ಧ್ವನಿ ವಿವರಣೆಯೊಂದಿಗೆ ಪೂರಕಗೊಳಿಸುವುದು ಅವಶ್ಯಕ, ಮತ್ತು ಅಂತಹ ಧ್ವನಿ ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯವನ್ನು ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ಪತ್ರವ್ಯವಹಾರದಲ್ಲಿ ಇರಿಸಿ ಮತ್ತು ನಂತರ ಈ ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ ಧ್ವನಿ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಪಡೆಯುವುದು ( ಧ್ವನಿ ರೆಂಡರಿಂಗ್), ಇದು ನಂತರದ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸ್ಪೀಕರ್‌ಗಳು ಮತ್ತು ಇತರ ಔಟ್‌ಪುಟ್ ಸಾಧನಗಳಿಗೆ ಔಟ್‌ಪುಟ್ ಆಗಿರಬಹುದು.
2. ಧ್ವನಿ ಪ್ರದರ್ಶನವನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಮತ್ತು ಮೂಲ ಡೇಟಾಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ.
   ಆಡಿಯೋ ಡಿಸ್ಪ್ಲೇ ಮತ್ತು ಗ್ರಾಫಿಕಲ್ ಇಮೇಜ್ ಎರಡನ್ನೂ ನಂತರದ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಮೂಲ ಡೇಟಾಗೆ ಹೊಂದಿಕೆಯಾಗುವುದು ವಿಶ್ಲೇಷಣಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ.

ಚಿತ್ರ 4.1 ಸುಧಾರಿತ ದೃಶ್ಯೀಕರಣ ಅಲ್ಗಾರಿದಮ್ನ ಬ್ಲಾಕ್ ರೇಖಾಚಿತ್ರವನ್ನು ತೋರಿಸುತ್ತದೆ, ಅಂದರೆ. ಜಂಟಿಯಾಗಿ ಮೂಲ ಡೇಟಾದ ಗ್ರಾಫಿಕ್ ಚಿತ್ರ ಮತ್ತು ಧ್ವನಿ ಪ್ರದರ್ಶನವನ್ನು ಪಡೆಯುವುದು.

ಅಕ್ಕಿ. 4.2. ಮುಂದುವರಿದ ವೈಜ್ಞಾನಿಕ ದೃಶ್ಯೀಕರಣ ಅಲ್ಗಾರಿದಮ್ನ ಬ್ಲಾಕ್ ರೇಖಾಚಿತ್ರ.

ನಿರ್ದಿಷ್ಟ ಸಾಫ್ಟ್‌ವೇರ್ ಉತ್ಪನ್ನ ಅಥವಾ ಸಾಫ್ಟ್‌ವೇರ್ ಉತ್ಪನ್ನಗಳ ಗುಂಪಿನ ರೂಪದಲ್ಲಿ ಬಳಸಿದ ಉಪಕರಣದ (ಉಪಕರಣಗಳ ಸೆಟ್) ಕೆಲವು ಇನ್‌ಪುಟ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಲ್ಲಿ ದೃಶ್ಯೀಕರಣ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಬರೆಯುವ ಮೂಲಕ ಅಂತಹ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಕಂಪ್ಯೂಟರ್ ಬಳಸಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ.

ಕೆಲವು ಸ್ಕೇಲಾರ್ ಕ್ಷೇತ್ರಗಳ ವಿವರಣೆಯನ್ನು ಅಂತಹ ಡೇಟಾವಾಗಿ ಬಳಸಿದಾಗ, ನಿರ್ದಿಷ್ಟ ವರ್ಗದ ವೈಜ್ಞಾನಿಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಸಮಸ್ಯೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ವಿಸ್ತೃತ ವೈಜ್ಞಾನಿಕ ದೃಶ್ಯೀಕರಣದ ವಿಧಾನದ ಮುಖ್ಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಾವು ಪರಿಗಣಿಸೋಣ.

4.2. ಸ್ಕೇಲಾರ್ ಕ್ಷೇತ್ರಗಳ ಆಡಿಯೋ ವರ್ಧಿತ ದೃಶ್ಯ ವಿಶ್ಲೇಷಣೆ.

ಆರಂಭಿಕ ಡೇಟಾ

ಈ ಡೇಟಾವು ಮೂರು ಆಯಾಮದ ಭೌತಿಕ ಜಾಗದ ಕೆಲವು ಆಯತಾಕಾರದ ವಿಭಾಗದ ಮೇಲೆ ಸ್ಕೇಲಾರ್ ಕ್ಷೇತ್ರದ ವಿವರಣೆಯಾಗಿದೆ, ಇದನ್ನು ಫೈಲ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ವಿವರಣೆಯಂತೆ, ಸ್ಕೇಲಾರ್ ಕ್ಷೇತ್ರದ ಗಣಿತದ ಮಾದರಿಯನ್ನು ನೀಡಲಾದ ಮೂರು ಆಯಾಮದ ಆಯತಾಕಾರದ ಗ್ರಿಡ್‌ನ ನೋಡ್‌ಗಳಲ್ಲಿ F (x,y,z) ರೂಪದ 3 ಅಸ್ಥಿರಗಳ ಕಾರ್ಯದ ಮೌಲ್ಯಗಳ ರೂಪದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ.

ಫಿಲ್ಟರ್ ಮಾಡಿದ ಡೇಟಾ

ಇಂಟರ್ಪೋಲೇಷನ್ ಫಂಕ್ಷನ್ f(x,y,z) ಅನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಡೇಟಾವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಗ್ರಿಡ್ ನೋಡ್‌ಗಳಲ್ಲಿನ ಮೂಲ ಕಾರ್ಯದ ಮೌಲ್ಯಗಳನ್ನು ಬಳಸಿ. ವ್ಯಾಖ್ಯಾನದ ಪರಿಗಣಿತ ಡೊಮೇನ್‌ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ f(x,y,z) ಕಾರ್ಯವನ್ನು ಪಡೆಯಲು (ಪ್ಯಾರಲೆಲೆಪಿಪ್ಡ್), ನಾವು ಟ್ರೈಲಿನಿಯರ್ ಇಂಟರ್‌ಪೋಲೇಶನ್ ಅನ್ನು ಬಳಸಿದ್ದೇವೆ.

ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ ವಿವರಣೆ

ಈ ವಿವರಣೆಯು 3 ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:

1. ರೂಪದಲ್ಲಿ f(x,y,z) ಫಂಕ್ಷನ್‌ನ ಐಸೋಸರ್‌ಫೇಸ್‌ನ ವಿವರಣೆ: f(x,y,z)=с, ಜಂಟಿಯಾಗಿ ಸ್ವೀಕರಿಸಿದ ಮೌಲ್ಯಗಳು x,y,z ಮೇಲಿನ ವ್ಯಾಖ್ಯಾನದ ಡೊಮೇನ್‌ಗೆ ಸೇರಿವೆ ಫಂಕ್ಷನ್ f(x,y,z), ಮತ್ತು c ಎನ್ನುವುದು ವಿಶ್ಲೇಷಿಸಿದ ಸ್ಕೇಲಾರ್ ಕ್ಷೇತ್ರದ ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯಕ್ಕೆ ಅನುಗುಣವಾದ ಬಳಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ನೈಜ ಸಂಖ್ಯೆಯಾಗಿದೆ.
   ಈ ಐಸೋಸರ್ಫೇಸ್ ಪರಿಗಣನೆಗೆ ಪರಿಚಯಿಸಲಾದ ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ ಮೊದಲ ಅಂಶವಾಗಿದೆ.
2. ಆಪ್ಟಿಕಲ್ ವಿವರಣೆ, ಅಂದರೆ. ಬಳಕೆದಾರರಿಂದ ಸೂಚಿಸಲಾದ ಐಸೋಸರ್ಫೇಸ್ನ ವಿನ್ಯಾಸದ ಲೇಪನದ ವಿವರಣೆ.
3. ಧ್ವನಿ ವಿವರಣೆ, ಅಂದರೆ. ಪರಿಗಣನೆಗೆ ಪರಿಚಯಿಸಲಾದ ಧ್ವನಿಯ ಪಾಯಿಂಟ್ ಮೂಲದ ವಿವರಣೆ. ಅದರ ಸ್ಥಳ (ನಿರ್ದೇಶನ ಮೌಲ್ಯಗಳು x0,y0,z0) ಬಳಕೆದಾರರಿಂದ ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿದೆ, ಮತ್ತು ಹೊರಹೋಗುವ ಧ್ವನಿಯ ಆವರ್ತನವು ಈ ಕೆಳಗಿನಂತೆ f(x,y,z) ಕಾರ್ಯದ ಮೌಲ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ: w = k* f(x0,y0,z0), ಇಲ್ಲಿ ಗುಣಾಂಕದ ಮೌಲ್ಯವನ್ನು ಬಳಕೆದಾರರಿಂದ ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗುತ್ತದೆ.
   ಧ್ವನಿಯ ಈ ಪಾಯಿಂಟ್ ಮೂಲವು ಪರಿಗಣನೆಗೆ ಪರಿಚಯಿಸಲಾದ ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ 2 ನೇ ಅಂಶವಾಗಿದೆ.

ಪ್ರಾದೇಶಿಕ ದೃಶ್ಯದ ಗ್ರಾಫಿಕ್ ಚಿತ್ರ ಮತ್ತು ಧ್ವನಿ ಪ್ರದರ್ಶನ

ರೆಂಡರಿಂಗ್ ಫಲಿತಾಂಶವು ಕ್ರಮವಾಗಿ:

• ಬಳಸಿದ ಗ್ರಾಫಿಕ್ಸ್ ಟರ್ಮಿನಲ್‌ನಲ್ಲಿ ಐಸೋಸರ್ಫೇಸ್‌ನ ಪ್ರೊಜೆಕ್ಷನ್ ಗ್ರಾಫಿಕ್ ಇಮೇಜ್,
• ಆಡಿಯೊ ಟರ್ಮಿನಲ್‌ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಧ್ವನಿ ತರಂಗವನ್ನು ಬಳಸಲಾಗುತ್ತಿದೆ.

ಧ್ವನಿ ತರಂಗದ ಆವರ್ತನವನ್ನು ಬಳಕೆದಾರರು ಧ್ವನಿಯ ಧ್ವನಿಯಾಗಿ ಗ್ರಹಿಸುತ್ತಾರೆ ಎಂದು ಸ್ಪಷ್ಟಪಡಿಸಬೇಕು.

ಸುಧಾರಿತ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಉಪಕರಣಗಳು ಕಾರ್ಪೊರೇಟ್ BI ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ಅವಿಭಾಜ್ಯ ಅಂಗವಾಗಿದೆ. ಕೆಲವು ಮಾರಾಟಗಾರರು, ಉದಾಹರಣೆಗೆ ಟೇಬಲ್ಲು, ದೃಶ್ಯೀಕರಣವನ್ನು ತಮ್ಮ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳ ಮೂಲಾಧಾರವನ್ನಾಗಿ ಮಾಡಿದ್ದಾರೆ. ಪ್ರವೃತ್ತಿಯು ವಿಶ್ಲೇಷಣಾ ವ್ಯವಸ್ಥೆಗಳ ಮಾರುಕಟ್ಟೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ವ್ಯಾಪಿಸುತ್ತದೆ: ಇಂದು, ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಸರಳವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಾಧನಗಳು ಸಹ ಸಾಮಾನ್ಯವಾಗಿ ಡೇಟಾದ ದೃಶ್ಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಅವಲಂಬಿಸಿವೆ.

ಬಿಗ್ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ

ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳ ದೃಶ್ಯ ಪ್ರಸ್ತುತಿ ಅವುಗಳ ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಮೂಲಭೂತ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿದೆ. ಮಾನವನ ಗ್ರಹಿಕೆ ಸೀಮಿತವಾಗಿದೆ ಎಂಬುದು ರಹಸ್ಯವಲ್ಲ, ಮತ್ತು ವಿಜ್ಞಾನಿಗಳು ಚಿತ್ರಗಳು, ರೇಖಾಚಿತ್ರಗಳು ಅಥವಾ ಅನಿಮೇಷನ್‌ಗಳ ರೂಪದಲ್ಲಿ ಡೇಟಾವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಆಧುನಿಕ ವಿಧಾನಗಳನ್ನು ಸುಧಾರಿಸುವ ಸಂಶೋಧನೆಯನ್ನು ಮುಂದುವರೆಸುತ್ತಾರೆ. ಇಲ್ಲಿ ಹೊಸದನ್ನು ತರಲು ಅಸಾಧ್ಯವೆಂದು ತೋರುತ್ತದೆ, ಆದರೆ ವಾಸ್ತವವಾಗಿ ಇದು ಹಾಗಲ್ಲ. ಒಂದು ವಿವರಣೆಯಾಗಿ, ತುಲನಾತ್ಮಕವಾಗಿ ಇತ್ತೀಚೆಗೆ ವ್ಯಾಪಕವಾಗಿ ಹರಡಿರುವ ಹಲವಾರು ಸುಧಾರಿತ ದೃಶ್ಯೀಕರಣ ವಿಧಾನಗಳು ಇಲ್ಲಿವೆ.

• ಟ್ಯಾಗ್ ಮೋಡ

ಟ್ಯಾಗ್ ಕ್ಲೌಡ್‌ನಲ್ಲಿರುವ ಪ್ರತಿಯೊಂದು ಅಂಶಕ್ಕೂ ನಿರ್ದಿಷ್ಟ ತೂಕವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ ಅದು ಫಾಂಟ್ ಗಾತ್ರದೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ. ಪಠ್ಯ ವಿಶ್ಲೇಷಣೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ತೂಕದ ಗುಣಾಂಕದ ಮೌಲ್ಯವು ನಿರ್ದಿಷ್ಟ ಪದ ಅಥವಾ ಪದಗುಚ್ಛದ ಬಳಕೆಯ ಆವರ್ತನ (ಉದ್ಧರಣ) ಮೇಲೆ ನೇರವಾಗಿ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಯಾವುದೇ ದೊಡ್ಡ ಪಠ್ಯ ಅಥವಾ ಪಠ್ಯಗಳ ಗುಂಪಿನ ಪ್ರಮುಖ ಅಂಶಗಳ ಕಲ್ಪನೆಯನ್ನು ತ್ವರಿತವಾಗಿ ಪಡೆಯಲು ಓದುಗರಿಗೆ ಅನುಮತಿಸುತ್ತದೆ.

• ಕ್ಲಸ್ಟರ್ಗ್ರಾಮ್

ಕ್ಲಸ್ಟರ್ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬಳಸಲಾಗುವ ದೃಶ್ಯೀಕರಣ ವಿಧಾನ. ಡೇಟಾ ಸೆಟ್‌ನ ಪ್ರತ್ಯೇಕ ಅಂಶಗಳು ಅವುಗಳ ಸಂಖ್ಯೆ ಬದಲಾದಂತೆ ಕ್ಲಸ್ಟರ್‌ಗಳಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಕ್ಲಸ್ಟರ್‌ಗಳ ಸೂಕ್ತ ಸಂಖ್ಯೆಯ ಆಯ್ಕೆಯು ಕ್ಲಸ್ಟರ್ ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ.

• ಐತಿಹಾಸಿಕ ಸ್ಟ್ರೀಮ್

ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಲೇಖಕರು ಏಕಕಾಲದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿರುವ ಡಾಕ್ಯುಮೆಂಟ್‌ನ ವಿಕಾಸವನ್ನು ಅನುಸರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ, ಇದು ವಿಕಿ ಸೇವೆಗಳಿಗೆ ಮತ್ತು ಟ್ಯಾಡ್ವೈಸರ್ ವೆಬ್‌ಸೈಟ್‌ಗೆ ವಿಶಿಷ್ಟವಾದ ಪರಿಸ್ಥಿತಿಯಾಗಿದೆ. ಸಮಯವನ್ನು ಸಮತಲ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ರೂಪಿಸಲಾಗಿದೆ, ಮತ್ತು ಪ್ರತಿ ಸಹ-ಲೇಖಕರ ಕೊಡುಗೆಯನ್ನು ಲಂಬ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಯೋಜಿಸಲಾಗಿದೆ, ಅಂದರೆ. ನಮೂದಿಸಿದ ಪಠ್ಯದ ಪರಿಮಾಣ. ಪ್ರತಿ ಅನನ್ಯ ಲೇಖಕರಿಗೆ ಚಾರ್ಟ್‌ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಬಣ್ಣವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ. ಕೆಳಗಿನ ಚಾರ್ಟ್ ವಿಕಿಪೀಡಿಯಾದಲ್ಲಿ "ಇಸ್ಲಾಂ" ಪದದ ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶವಾಗಿದೆ. ಲೇಖಕರ ಚಟುವಟಿಕೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಹೇಗೆ ಹೆಚ್ಚಿದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿ ಗೋಚರಿಸುತ್ತದೆ.

• ಪ್ರಾದೇಶಿಕ ಹರಿವು

ಈ ರೇಖಾಚಿತ್ರವು ಮಾಹಿತಿಯ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ನ್ಯೂಯಾರ್ಕ್ ಟಾಕ್ ಎಕ್ಸ್ಚೇಂಜ್ ಸೇವೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಉದಾಹರಣೆ ಚಾರ್ಟ್ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ. ಇದು ನ್ಯೂಯಾರ್ಕ್ ಮತ್ತು ಪ್ರಪಂಚದಾದ್ಯಂತದ ಇತರ ನಗರಗಳ ನಡುವಿನ IP ಸಂಚಾರ ವಿನಿಮಯದ ತೀವ್ರತೆಯನ್ನು ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ. ರೇಖೆಯು ಪ್ರಕಾಶಮಾನವಾಗಿರುತ್ತದೆ, ಸಮಯದ ಪ್ರತಿ ಘಟಕಕ್ಕೆ ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ರವಾನಿಸಲಾಗುತ್ತದೆ. ಮಾಹಿತಿ ವಿನಿಮಯದ ಸಂದರ್ಭದಲ್ಲಿ ನ್ಯೂಯಾರ್ಕ್‌ಗೆ ಸಮೀಪವಿರುವ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸುವುದು ತುಂಬಾ ಸುಲಭ ಮತ್ತು ಕಷ್ಟಕರವಲ್ಲ.

ಕಾರ್ಯಾಚರಣಾ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ಬಹು ಆಯಾಮದ ಸಂಗ್ರಹಣೆಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತಿದೆ

• ಟ್ರಾನ್ಸಾಕ್ಷನಲ್ ಹೆವಿ-ಲೋಡ್ ಡೇಟಾಬೇಸ್‌ಗಳು
• ಸಂಬಂಧಿತ ಮತ್ತು ಬಹು ಆಯಾಮದ ಸಂಗ್ರಹಣೆ
• ಸಿಸ್ಟಮ್ API ಗಳಿಗೆ ನೇರ ಕರೆಗಳು
• ಕನೆಕ್ಟರ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲಾಗುತ್ತಿದೆ
• ಫ್ಲಾಟ್ ಫೈಲ್‌ಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತಿದೆ (CSV, Excel, XML, ಇತ್ಯಾದಿ.)

ಮೆಮೊರಿಯಲ್ಲಿ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದು