Optimizing delivery time with an intelligent forecasting model: leveraging ai and machine learning for efficient logistics
Artykuł przeglądowy (review)
MNiSW
100
Lista 2024
| Status: | |
| Warianty tytułu: |
Optymalizacja czasu dostawy za pomocą inteligentnego modelu prognozowania: wykorzystanie
sztucznej inteligencji i uczenia maszynowego w celu zapewnienia wydajnej logistyki
|
| Autorzy: | Szymański Zbigniew, Maj Michał, Piwkowski Jacek, Jurczak Ewelina, Cieplak Tomasz, Pliszczuk Damian |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2024 |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 57 |
| Strony: | 485 - 497 |
| Bazy: | ANVUR - Arianta - CEJSH - CEON - Crossreff - DOAJ - EBSCO - Google Scholar - Index Copernicus - MIAR - ERIH PLUS |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 20 sierpnia 2024 |
| Abstrakty: | angielski | polski |
| Business analytics involves using various technologies to analyze data. Data mining focuses on the automated search for knowledge, patterns, or regularities in data. As a business analyst, it is essential to recognize the type of analytical technique appropriate for solving a specific problem. Exploratory Data Analysis (EDA) describes data using statistical and visualization techniques to highlight important aspects of that data for further analysis. This involves examining a data set from many angles, describing it, and summarizing it without making assumptions about its content. Exploratory data analysis is an essential step before diving into statistical modeling or machine learning to ensure that the data is really what it claims to be and that there are no apparent errors. This type of analysis should be part of data science projects in every organization. Visual analytics is sometimes confused with data visualization. Visual analysis is not simply a matter of graphically representing data. Modern, interactive visual analytics makes combining data from multiple sources easy and performs in-depth data analysis directly in the visualization. Additionally, artificial intelligence and machine learning algorithms can offer recommendations for exploration. Ultimately, visual analytics helps transform massive data sets into business insights that can positively impact an organization. Considering the previous comment about visual data analysis, it should be added that the system has extensive capabilities to create graphical dashboards containing reports and charts. It is essential that in the case of desktops, in addition to the visualizations included in the system itself, it is possible to embed reports from third-party tools. | |
| Analityka biznesowa polega na zastosowaniu różnych technologii do analizy danych. Eksploracja danych koncentruje się na zautomatyzowanym poszukiwaniu w danych wiedzy, wzorców czy też prawidłowości. Dla analityka biznesowego istotna jest umiejętność rozpoznawania, jakiego rodzaju technika analityczna jest odpowiednia do rozwiązania konkretnego problemu. Eksploracyjna Analiza Danych (EDA) to proces opisywania danych za pomocą technik statystycznych i wizualizacyjnych w celu zwrócenia uwagi na ważne aspekty tych danych do dalszej analizy. Wiąże się to z ba- daniem zbioru danych pod wieloma kątami, opisywaniem go i podsumowywaniem bez żadnych założeń dotyczących jego zawartości. Eksploracyjna analiza danych jest ważnym krokiem do przed zanurzeniem się w modelowanie statystyczne lub uczenie maszynowe, aby upewnić się, że dane są naprawdę takie, za jakie się podają, i że nie ma oczywistych błędów. Tego rodzaju analiza powinna być częścią projektów data science w każdej organizacji. Analiza wizualna jest czasami mylona z wizualizacją danych. Analiza wizualna nie jest po prostu kwestią graficznego przedstawiania danych. Nowoczesna, interaktywna analityka wizualna ułatwia łączenie danych z wielu źródeł i dogłębną analizę danych bezpośrednio w samej wizualizacji. Ponadto algorytmy sztucznej inteligencji i uczenia maszynowego mogą oferować zalecenia, które pomogą w prowadzeniu eksploracji. Ostatecznie analiza wizualna pomaga przekształcić ogromne zbiory danych w spostrzeżenia biznesowe, które mogą mieć ogromny pozytywny wpływ na organizację. Biorąc pod uwagę poprzednią uwagę o analizę wizualnej danych, należy dopowiedzieć, że system posiada szerokie możliwości tworzenie pulpitów graficznych zawierających raporty oraz wykresy. Istotny jest fakt, że w przypadku pulpitów oprócz wizualizacji zawartych w samym systemie istnieje możliwość osadzania raportów z narzędzi firm trzecich. Zastosowanie takiego podejścia daje możliwości łączenia już istniejących raportów oraz możliwości wykorzystania innych specjalistycznych narzędzi do opracowania spójnego pulpitu.900-1800 znaków ze spacjami; w języku angielskim, poniżej w języku artykułu. |
