Aplicación de un modelo de descubrimiento de conocimiento en la era del Big Data
DOI:
https://doi.org/10.47456/bjpe.v7i3.35743Palabras clave:
Desenvolvimento de produto, Descoberta de conhecimento, Big data, rede socialResumen
La facilidad y evolución del acceso tecnológico han sido responsables de la velocidad y el volumen con que se producen los datos. Como resultado surgen escenarios, oportunidades y desafíos que favorecen la toma de decisiones y ayudan al proceso de desarrollo de productos (PDP). Por lo tanto, el presente trabajo desarrolló el modelo denominado MDC-PDP (Modelo de descubrimiento de conocimiento en el proceso de desarrollo de productos), con el fin de apoyar el descubrimiento de conocimiento en el proceso de desarrollo de productos. Para soportar el modelo se utilizaron metodologías tradicionales asociadas a las exigencias del Big Data. Para ilustrar su aplicación, el presente modelo se aplicó en el dominio de aplicación de la industria de la moda. El modelo evidenció que los esfuerzos realizados en la comprensión anticipada de los datos, pueden contribuir a que los datos extraídos sean menos complejos. Otra evidencia es la disociación entre volumen y valor de los datos, ya que el valor de los datos no está ligado a su volumen. Finalmente, el MDC-PDP también contribuyó a la adquisición de nuevos y útiles conocimientos en el desarrollo de una colección de moda, posibilitando la aplicación del modelo en otros dominios de aplicación.
Descargas
Citas
Asamoah, D. A., & Sharda, R. (2015). Adapting CRISP-DM Process for Social Network Analytics: Application to Healthcare. Twenty-First Americas Conference on Information Systems, Puerto Rico, 2015, (Mdd), 1–12.
Begoli, E., & Horey, J. (2012). Design Principles for Effective Knowledge Discovery from Big Data. Proceedings of the Joint Working IEEE/IFIP Conference on Software Architecture and European Conference on Software Architecture, Helsinki, Finland, 2012. 215–218. https://doi.org/10.1109/WICSA-ECSA.212.32
Davenport, T. (2014). Big data at work: dispelling the myths, uncovering the opportunities. Harvard Business Review Press.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37. https://doi.org/10.1609/aimag.v17i3.1230
Gantz, J., Reinsel, D., & Shadows, B. D. (2012). The Digital Universe in 2020. IDC iView “Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East,” 2007(December 2012), 1–16.
Halvorsen, K., Hoffmann, J., Coste-Manière, I., & Stankeviciute, R. (2013). Can fashion blogs function as a marketing tool to influence consumer behavior? Evidence from Norway. Journal of Global Fashion Marketing, 4(3), 211–224. https://doi.org/10.1080/20932685.2013.790707
Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Ullah Khan, S. (2015). The rise of “big data” on cloud computing: Review and open research issues. Information Systems, 47, 98–115. https://doi.org/10.1016/j.is.2014.07.006
Kaisler, S., Armour, F., Espinosa, J. A., & Money, W. (2013). Big data: Issues and challenges moving forward. In System Sciences (HICSS), Proceedings of the Hawaii International Conference, HI, USA, 46.
Li, J., Tao, F., Cheng, Y., & Zhao, L. (2015). Big Data in product lifecycle management. The International Journal of Advanced Manufacturing Technology, 81(1–4), 667–684. https://doi.org/10.1007/s00170-015-7151-x
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey & Company. Retrieved from https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital/Our%20Insights/Big%20data%20The%20next%20frontier%20for%20innovation/MGI_big_data_exec_summary.pdf
McAfee, A., & Brynjolfsson, E. (2012). Big Data. The management revolution. Harvard Buiness Review, 90(10), 61–68. https://doi.org/10.1007/s12599-013-0249-5
Milonas, E. (2011). Wittgenstein and web facets. NASKO, 3(1), 33–40.
Piatetsky, B. G. (2014). CRISP-DM, still the top methodology for analytics, data mining, or data science projects. Retrieved from http://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-science-projects.html
Rabelo, E., Dias, M., Franco, C., & Pacheco, R. C. S. (2008). Information visualization: Which the most appropriate technique to represent data mining results? Proceedings of the International Conference on Computational Intelligence for Modelling Control and Automation, CIMCA 2008, Vienna, Áustria. (pp. 1228–1233). https://doi.org/10.1109/CIMCA.2008.139
Schröer, C., Kruse, F., & Gómez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526-534.
Shiri, A. (2014). Making sense of big data: A facet analysis approach. Knowledge Organization, 41(5), 357–368. Retrieved from http://www.scopus.com/inward/record.url?eid=2-s2.0-84913553153&partnerID=tZOtx3y1
Wu, X., Zhu, X., Wu, G.-Q., & Ding, W. (2014). Data mining with big data. IEEE Transactions on Knowledge and Data Engineering, 26(1), 97–107. https://doi.org/10.1109/TKDE.2013.109
Zhang, Y., Ren, S., Liu, Y., & Si, S. (2017). A big data analytics architecture for cleaner manufacturing and maintenance processes of complex products. Journal of Cleaner Production, 142, 626–641. https://doi.org/10.1016/j.jclepro.2016.07.123
Zhuang, Y., Wang, Y., Shao, J., Chen, L., Lu, W., Sun, J., … Wu, J. (2016). D-Ocean: an unstructured data management system for data ocean environment. Frontiers of Computer Science, 10(2), 353–369. https://doi.org/10.1007/s11704-015-5045-6
Zikopoulos, P., Eaton, C., & et al. (2011). Understanding big data: Analytics for enterprise class hadoop and streaming data. McGraw-Hill Osborne Media.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Brazilian Journal of Production Engineering - BJPE
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
