ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Competing with Data Quality: Relevance and Importance in Industry

دانلود کتاب رقابت با کیفیت داده ها: ارتباط و اهمیت در صنعت

Competing with Data Quality: Relevance and Importance in Industry

مشخصات کتاب

Competing with Data Quality: Relevance and Importance in Industry

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781118342329, 9781118840962 
ناشر: John Wiley & Sons 
سال نشر: 2014 
تعداد صفحات: 301 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 29,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Competing with Data Quality: Relevance and Importance in Industry به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب رقابت با کیفیت داده ها: ارتباط و اهمیت در صنعت نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب رقابت با کیفیت داده ها: ارتباط و اهمیت در صنعت

ایجاد مزیت رقابتی با کیفیت داده داده ها به سرعت در حال تبدیل شدن به نیروگاه صنعت هستند، اما داده های با کیفیت پایین در واقع می توانند یک شرکت را در موقعیتی قرار دهند. برای استفاده مؤثر، داده‌ها باید به‌طور دقیق سناریوی دنیای واقعی را که نشان می‌دهند منعکس کنند، و باید به شکلی باشند که قابل استفاده و در دسترس باشد. داده های با کیفیت شامل پرسیدن سؤالات مناسب، هدف قرار دادن پارامترهای صحیح و داشتن یک مدیریت داخلی، سازماندهی و سیستم دسترسی مؤثر است. باید مرتبط، کامل و صحیح باشد و در عین حال مطابق با برنامه‌های نظارتی نظارتی فراگیر باشد.

\"رقابت با داده‌های با کیفیت بالا: مفاهیم، ​​ابزارها و تکنیک‌ها برای ایجاد رویکردی موفق به کیفیت داده‌ها\" " رویکردی جامع برای بهبود کیفیت داده ها، از جمع آوری تا استفاده اتخاذ می کند. نویسنده Rajesh Jugulum در سطح جهانی به عنوان یک صدای اصلی در عرصه کیفیت داده ها با پیشینه های سطح بالا در امور مالی شرکت های بین المللی شناخته شده است. در این کتاب، Jugulum یک نقشه راه برای نوآوری کیفیت داده ارائه می‌کند، که موضوعاتی مانند: رویکرد چهار مرحله‌ای به کنترل کیفیت داده‌ها روش‌شناسی که مجموعه‌های داده را برای جنبه‌های مختلف یک کسب‌وکار تولید می‌کند ارزیابی کیفیت داده‌ها و حل مسئله یک رویکرد ساختاریافته، سیستماتیک و منضبط به جمع‌آوری مؤثر داده‌ها

این کتاب همچنین شامل مطالعات موردی در دنیای واقعی است تا نشان دهد که چگونه شرکت‌ها در طیف وسیعی از بخش‌ها از سیستم‌های کیفیت داده‌ها استفاده کرده‌اند، آیا موفق شده‌اند یا نه، و چه درس‌هایی آموخته‌اند. داده های با کیفیت بالا ارزش را در سراسر زنجیره تامین اطلاعات افزایش می دهد و منافع آن به مشتری، کارمند و سهامدار گسترش می یابد. \"رقابت با داده‌های با کیفیت بالا: مفاهیم، ​​ابزارها و تکنیک‌ها برای ایجاد رویکردی موفقیت‌آمیز برای کیفیت داده‌ها\" اطلاعات و راهنمایی‌های لازم را برای تدوین و فعال‌سازی یک طرح کیفیت داده‌های موثر امروزی فراهم می‌کند.


توضیحاتی درمورد کتاب به خارجی

Create a competitive advantage with data qualityData is rapidly becoming the powerhouse of industry, but low-quality data can actually put a company at a disadvantage. To be used effectively, data must accurately reflect the real-world scenario it represents, and it must be in a form that is usable and accessible. Quality data involves asking the right questions, targeting the correct parameters, and having an effective internal management, organization, and access system. It must be relevant, complete, and correct, while falling in line with pervasive regulatory oversight programs.

"Competing with High Quality Data: Concepts, Tools and Techniques for Building a Successful Approach to Data Quality" takes a holistic approach to improving data quality, from collection to usage. Author Rajesh Jugulum is globally-recognized as a major voice in the data quality arena, with high-level backgrounds in international corporate finance. In the book, Jugulum provides a roadmap to data quality innovation, covering topics such as: The four-phase approach to data quality controlMethodology that produces data sets for different aspects of a businessStreamlined data quality assessment and issue resolutionA structured, systematic, disciplined approach to effective data gathering

The book also contains real-world case studies to illustrate how companies across a broad range of sectors have employed data quality systems, whether or not they succeeded, and what lessons were learned. High-quality data increases value throughout the information supply chain, and the benefits extend to the client, employee, and shareholder. "Competing with High Quality Data: Concepts, Tools and Techniques for Building a Successful Approach to Data Quality" provides the information and guidance necessary to formulate and activate an effective data quality plan today.



فهرست مطالب

COMPETING WITH HIGH QUALITY DATA......Page 3
Contents......Page 9
Foreword......Page 15
Prelude......Page 17
Preface......Page 19
Acknowledgments......Page 21
1.1 UNDERSTANDING THE IMPLICATIONS OF DATA QUALITY......Page 25
1.2 THE DATA MANAGEMENT FUNCTION......Page 28
1.4 GUIDE TO THIS BOOK......Page 30
Section I Building a Data Quality Program......Page 35
2.1 DATA QUALITY FOUNDATIONAL CAPABILITIES......Page 37
2.1.2 Skilled Data Quality Resources......Page 38
2.1.5 Data Integration......Page 39
2.1.8 Data Quality Monitoring and Control......Page 40
2.2.2 Conduct a Current-State Analysis......Page 41
2 .2.5 Detailed Discussion on Establishing the Data Quality Program......Page 42
2.2.6 Assess the Current State of Data Quality......Page 45
2.3 CONCLUSIONS......Page 46
3.1 SIX SIGMA METHODOLOGIES......Page 47
3.1.1 Development of Six Sigma Methodologies......Page 49
3.2.1 The Define Phase......Page 52
3.2.2 The Assess Phase......Page 55
3.2.3 The Improve Phase......Page 60
3.2.4 The Control Phase (Monitor and Measure)......Page 61
3.3 CONCLUSIONS......Page 64
Section II Executing a Data Quality Program......Page 65
4.1 BUILDING A DATA QUALITY COST QUANTIFICATION FRAMEWORK......Page 67
4.1.1 The Cost Waterfall......Page 68
4.1.2 Prioritization Matrix......Page 70
4.1.3 Remediation and Return on Investment......Page 74
4.2 A TRADING OFFICE ILLUSTRATIVE EXAMPLE......Page 75
4.3 CONCLUSIONS......Page 78
5.1 WHAT IS STATISTICAL PROCESS CONTROL?......Page 79
5.1.1 Common Causes and Special Causes......Page 81
5.2.1 Different Types of Data......Page 83
5.2.2 Sample and Sample Parameters......Page 84
5.2.3 Construction of Attribute Control Charts......Page 86
5.2.4 Construction of Variable Control Charts......Page 89
5.2.5 Other Control Charts......Page 91
5.3 RELEVANCE OF STATISTICAL PROCESS CONTROL IN DATA QUALITY MONITORING AND REPORTING......Page 93
5.4 CONCLUSIONS......Page 94
6.1.1 Data Elements and Critical Data Elements......Page 95
6.1.2 CDE Rationalization Matrix......Page 96
6.2 ASSESSMENT OF CRITICAL DATA ELEMENTS......Page 99
6.2.1 Data Quality Dimensions......Page 100
6.2.2 Data Quality Business Rules......Page 102
6.2.3 Data Profi ling......Page 103
6.2.5 Results Recording and Reporting (Scorecard)......Page 104
6.3 CONCLUSIONS......Page 106
7.1 THE FUNNEL METHODOLOGY (STATISTICAL ANALYSIS FOR CDE REDUCTION)......Page 107
7.1.1 Correlation and Regression Analysis for Continuous CDEs......Page 109
7.1.2 Association Analysis for Discrete CDEs......Page 112
7.1.3 Signal-to-Noise Ratios Analysis......Page 114
7.2.1 Basel II: CDE Rationalization Matrix......Page 115
7.2.2 Basel II: Correlation and Regression Analysis......Page 118
7.2.3 Basel II: Signal-to-Noise (S/N) Ratios......Page 120
7.3 CONCLUSIONS......Page 123
8.0 INTRODUCTION......Page 125
8.2 ANALYTICAL FRAMEWORK (ANOVA, SPCs, THRESHOLDS, HEAT MAPS)......Page 126
8.2.1 Thresholds and Heat Maps......Page 127
8.2.2 Analysis of Variance (ANOVA) and SPC Charts......Page 131
8.3 APPLICATION OF THE FRAMEWORK......Page 133
8.4 CONCLUSIONS......Page 136
9.1 DESCRIPTION OF THE METHODOLOGY1......Page 137
9.2 DATA QUALITY METHODOLOGY......Page 138
9.3 PROCESS QUALITY/SIX SIGMA APPROACH......Page 139
9.4 CASE STUDY: ISSUE RESOLUTION PROCESS REENGINEERING......Page 141
9.5 CONCLUSIONS......Page 143
10.0 INTRODUCTION......Page 145
10.1 TYPICAL SYSTEM ARRANGEMENT......Page 146
10.2.1 Study of Two-Factor Combinations......Page 147
10.2.2 Construction of Combination Tables......Page 148
10.3 MTS SOFTWARE TESTING......Page 150
10.4 CASE STUDY: A JAPANESE SOFTWARE COMPANY......Page 154
10.5 CASE STUDY: A FINANCE COMPANY......Page 157
10.6 CONCLUSIONS......Page 162
11.1 DATA TRACING METHODOLOGY......Page 163
11.1.1 Statistical Sampling......Page 166
11.2.1 Analysis of Test Cases and CDE Prioritization......Page 168
11.3 DATA LINEAGE THROUGH DATA TRACING......Page 173
11.4 CONCLUSIONS......Page 175
12.1 THE MAHALANOBIS-TAGUCHI STRATEGY......Page 177
12.2 STAGES IN MTS......Page 182
12.3.1 The Role of Orthogonal Arrays......Page 183
12.3.2 The Role of S/N Ratios in MTS......Page 185
12.3.3 Types of S/N Ratios......Page 186
12.3.4 Direction of Abnormals......Page 188
12.4 A MEDICAL DIAGNOSIS EXAMPLE......Page 196
12.5 CASE STUDY: IMPROVING CLIENT EXPERIENCE......Page 199
12.5.1 Improvements Made Based on Recommendations from MTS Analysis......Page 201
12.6 CASE STUDY: UNDERSTANDING THE BEHAVIOR PATTERNS OF DEFAULTING CUSTOMERS......Page 202
12.7 CASE STUDY: MARKETING......Page 204
12.7.3 Identification of Useful Variables......Page 205
12.8 CASE STUDY: GEAR MOTOR ASSEMBLY......Page 206
12.8.1 Apparatus......Page 207
12.8.3 High-Resolution Encoder......Page 208
12.8.5 Characterization......Page 209
12.8.6 Construction of the Reference Group or Mahalanobis Space......Page 210
12.8.7 Validation of the MTS Scale......Page 211
12.8.8 Selection of Useful Variables......Page 212
12.9 CONCLUSIONS......Page 213
13.1 DATA AND ANALYTICS AS KEY RESOURCES......Page 215
13.1.1 Different Types of Analytics......Page 217
13.1.2 Requirements for Executing Analytics......Page 219
13.1.3 Process of Executing Analytics......Page 220
13.2 DATA INNOVATION......Page 221
13.2.1 Big Data......Page 222
13.2.2 Big Data Analytics......Page 223
13.2.3 Big Data Analytics Operating Model......Page 230
13.2.4 Big Data Analytics Projects: Examples......Page 231
13.3 CONCLUSIONS......Page 232
14.1 BUILDING A DQPC......Page 233
14.2 CONCLUSIONS......Page 235
Appendix A EQUATIONS FOR SIGNAL-TO-NOISE (S/N) RATIOS......Page 237
Appendix B MATRIX THEORY: RELATED TOPICS......Page 241
Appendix C SOME USEFUL ORTHOGONAL ARRAYS......Page 245
Index of Terms and Symbols......Page 283
References......Page 285
Index......Page 291




نظرات کاربران