Rola kreatywności w analityce biznesowej w kontekście analizy danych marketingowych
DOI:
https://doi.org/10.33119/SIP.2018.162.7Słowa kluczowe:
kreatywność, kompetencje, analityka biznesowa, analiza danych marketingowychAbstrakt
Wraz ze wzrostem zainteresowania tematyką analityki biznesowej pojawiło się zapotrzebowanie na specjalistów z dziedziny określanej mianem „data science”, czyli nauki poświęconej danym i ich analizie (algorytmom, narzędziom i zastosowaniom). W dobie dynamicznego rozwoju i upowszechnienia technologii informacyjnej jest ona warunkiem koniecznym do funkcjonowania na rynku, o konkurencyjności decyduje natomiast kreatywne wykorzystanie dostępnych danych i technologii. Niniejszy artykuł ma na celu wskazanie możliwości i obszarów działań kreatywnych w procesie analizy danych. Działania te mają na celu stworzenie wartości dodanej dla firmy i klienta. Rozważania zaprezentowane zostały na podstawie standardowego modelu procesu analizy danych CRISP-DM a wnioski są poparte obserwacjami i doświadczeniami autora, nabytymi podczas realizacji projektu eksploracji danych marketingowych sieci sklepów sprzedaży detalicznej w Polsce.
Downloads
Download data is not yet available.
Bibliografia
1. Boden M. A., Creativity and Artificial Intelligence, „Artificial Intelligence Journal” 1998, no. 103, s. 347–356.
2. Dewett T., Understanding the Relationship Between Information Technology and Creativity in Organizations, „Creativity Research Journal” 2003, no. 15, s. 167–182.
3. Ibrahim B., DeMiranda M. A., Siller T. J., The Correlation Between Creativity and Engineering Knowledge Among Engineering Undergraduate Students, „Institute of Electrical and Electronics Engineers Inc.” 2016, no. 38, DOI: 10.1109/ICEED.2016.7856090.
4. Jelonek D., Rola klienta w rozwoju organizacji kreatywnej, „Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach” 2012, nr 113.
5. Kanter R. M., eVolve: Succeeding in the Digital Culture of Tomorrow, Harvard Business School Press, Boston 2001, s. 261.
6. Kulikowski K., Zastosowanie modelu Cross Industry Standard Process for Data Mining (CRISP-DM) w badaniach postaw i opinii pracowników, „Zeszyty Naukowe Politechniki Śląskiej”, Seria: „Organizacja i Zarządzanie” 2015, no. 82, s. 111–121.
7. Leonard D., Barton M., Knowledge and the Management of Creativity and Innovation, w: The Oxford Handbook of Innovation Management, red. M. Dodgson, D. Gann, N. Phillips, Oxford University Press, 2014.
8. Miron E., Erez M., Naveh E., Do Personal Characteristics and Cultural Values that Promote Innovation, Quality, and Efficiency Compete or Complement Each Other? „Journal of Organizational Behavior” 2004, no. 25, s. 175–199.
9. Mitchell T., Decision Tree Learning, „Machine Learning” 1997, no. 414, McGraw Hill.
10. Nęcka E., Twórczość, w: Psychologia. Podręcznik akademicki, t. 2, red. J. Strelau, Gdańsk 2000.
11. Pawełoszek I., Wieczorkowski J., Big Data as a Business Opportunity: An Educational Perspective, „Computer Science and Information Systems (FedCSIS)” 2015, Federated Conference on IEEE.
12. Shearer C., The CRISP-DM Model: The New Blueprint for Data Mining, „Journal of Data Warehousing” 2000, no. 5, s. 13–22.
13. Smith A. M., Mateas M., Knowledge-Level Creativity in Game Design, Proceedings of the 2nd International Conference on Computational Creativity ICCC, 2011.
14. Sokół A., Figurska I., Creativity As One of the Core Competencies of Studying Knowledge Workers, „Entrepreneurship and Sustainability Issues” 2017, no. 5 (1), s. 23–35.
15. Stein M. I., Creativity and Culture, „Journal of Psychology” 1953, vol. 36.
16. Subashini R., Rita S., Vivek M., The Role of ICTs in Knowledge Management (KM) for Organizational Effectiveness, „Communications in Computer and Information Science” 2012, vol. 270, s. 542–549, http://dx.doi.org/10.1007/978–3–642–29216-3_59 (17.04.2018).
17. Szczepańska-Woszczyna K., Kompetencje menedżerskie w obszarze innowacyjności i kreatywności, ZS WSH, „Zarządzanie” 2014, nr 1, s. 101–110.
18. Tabakow M., Korczak J., Franczyk B., Big Data – definicje, wyzwania i technologie informatyczne, „Informatyka Ekonomiczna”2014, nr 1 (31).
19. Ziora L., The Sentiment Analysis As a Tool of Business Analytics in Contemporary Organizations, „Studia Ekonomiczne, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach” 2016, nr 281.
Materiały internetowe
1. Baykara B., Impact of Evaluation Methods on Decision Tree Accuracy, University of Tampere, Finland 2015, http://tampub.uta.fi/bitstream/handle/10024/97207/GRADU-1432814149.pdf;sequence=1 (17.04.2018).
2. Data Mining Processes, 2012, http://www.zentut.com/data-mining/data-mining-processes/(17.04.2018).
3. Demchenko Y., Belloum A., Wiktorski T., EDISON Data Science Framework: Part 1. Data Science Competence Framework (CF-DS) Release 2, 2017, http://edison-project.eu/sites/edison-project.eu/files/filefield_paths/edison_cf-ds-release2‑v08_0.pdf (17.04.2018).
4. Ferlic K., Creativity Perspective on Multidimensional and Infinitely Dimensional, 2006, http://ryuc.info/common/creativity_perspective/cp_on_multidimensional.htm (17.04.2018).
5. Harris H. D., Murphy S. P., Vaisman M., Analysing the Analysers. O’Reilly Strata Survey, 2013, http://cdn.oreillystatic.com/oreilly/radarreport/0636920029014/Analyzing_the_Analyzers.pdf (17.04.2018).
6. Jadczak A., 9 kierunków kształcących specjalistów od data science w Polsce, 2015 https://itwiz.pl/9‑kierunkow-ksztalcacych-specjalistow-od-data-science-polsce/ (17.04.2018).
7. Neiman L., Creativity at Work: What is Creativity?, 2012, http://www.creativityatwork.com/2014/02/17/what-is-creativity/ (17.04.2018).
2. Dewett T., Understanding the Relationship Between Information Technology and Creativity in Organizations, „Creativity Research Journal” 2003, no. 15, s. 167–182.
3. Ibrahim B., DeMiranda M. A., Siller T. J., The Correlation Between Creativity and Engineering Knowledge Among Engineering Undergraduate Students, „Institute of Electrical and Electronics Engineers Inc.” 2016, no. 38, DOI: 10.1109/ICEED.2016.7856090.
4. Jelonek D., Rola klienta w rozwoju organizacji kreatywnej, „Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach” 2012, nr 113.
5. Kanter R. M., eVolve: Succeeding in the Digital Culture of Tomorrow, Harvard Business School Press, Boston 2001, s. 261.
6. Kulikowski K., Zastosowanie modelu Cross Industry Standard Process for Data Mining (CRISP-DM) w badaniach postaw i opinii pracowników, „Zeszyty Naukowe Politechniki Śląskiej”, Seria: „Organizacja i Zarządzanie” 2015, no. 82, s. 111–121.
7. Leonard D., Barton M., Knowledge and the Management of Creativity and Innovation, w: The Oxford Handbook of Innovation Management, red. M. Dodgson, D. Gann, N. Phillips, Oxford University Press, 2014.
8. Miron E., Erez M., Naveh E., Do Personal Characteristics and Cultural Values that Promote Innovation, Quality, and Efficiency Compete or Complement Each Other? „Journal of Organizational Behavior” 2004, no. 25, s. 175–199.
9. Mitchell T., Decision Tree Learning, „Machine Learning” 1997, no. 414, McGraw Hill.
10. Nęcka E., Twórczość, w: Psychologia. Podręcznik akademicki, t. 2, red. J. Strelau, Gdańsk 2000.
11. Pawełoszek I., Wieczorkowski J., Big Data as a Business Opportunity: An Educational Perspective, „Computer Science and Information Systems (FedCSIS)” 2015, Federated Conference on IEEE.
12. Shearer C., The CRISP-DM Model: The New Blueprint for Data Mining, „Journal of Data Warehousing” 2000, no. 5, s. 13–22.
13. Smith A. M., Mateas M., Knowledge-Level Creativity in Game Design, Proceedings of the 2nd International Conference on Computational Creativity ICCC, 2011.
14. Sokół A., Figurska I., Creativity As One of the Core Competencies of Studying Knowledge Workers, „Entrepreneurship and Sustainability Issues” 2017, no. 5 (1), s. 23–35.
15. Stein M. I., Creativity and Culture, „Journal of Psychology” 1953, vol. 36.
16. Subashini R., Rita S., Vivek M., The Role of ICTs in Knowledge Management (KM) for Organizational Effectiveness, „Communications in Computer and Information Science” 2012, vol. 270, s. 542–549, http://dx.doi.org/10.1007/978–3–642–29216-3_59 (17.04.2018).
17. Szczepańska-Woszczyna K., Kompetencje menedżerskie w obszarze innowacyjności i kreatywności, ZS WSH, „Zarządzanie” 2014, nr 1, s. 101–110.
18. Tabakow M., Korczak J., Franczyk B., Big Data – definicje, wyzwania i technologie informatyczne, „Informatyka Ekonomiczna”2014, nr 1 (31).
19. Ziora L., The Sentiment Analysis As a Tool of Business Analytics in Contemporary Organizations, „Studia Ekonomiczne, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach” 2016, nr 281.
Materiały internetowe
1. Baykara B., Impact of Evaluation Methods on Decision Tree Accuracy, University of Tampere, Finland 2015, http://tampub.uta.fi/bitstream/handle/10024/97207/GRADU-1432814149.pdf;sequence=1 (17.04.2018).
2. Data Mining Processes, 2012, http://www.zentut.com/data-mining/data-mining-processes/(17.04.2018).
3. Demchenko Y., Belloum A., Wiktorski T., EDISON Data Science Framework: Part 1. Data Science Competence Framework (CF-DS) Release 2, 2017, http://edison-project.eu/sites/edison-project.eu/files/filefield_paths/edison_cf-ds-release2‑v08_0.pdf (17.04.2018).
4. Ferlic K., Creativity Perspective on Multidimensional and Infinitely Dimensional, 2006, http://ryuc.info/common/creativity_perspective/cp_on_multidimensional.htm (17.04.2018).
5. Harris H. D., Murphy S. P., Vaisman M., Analysing the Analysers. O’Reilly Strata Survey, 2013, http://cdn.oreillystatic.com/oreilly/radarreport/0636920029014/Analyzing_the_Analyzers.pdf (17.04.2018).
6. Jadczak A., 9 kierunków kształcących specjalistów od data science w Polsce, 2015 https://itwiz.pl/9‑kierunkow-ksztalcacych-specjalistow-od-data-science-polsce/ (17.04.2018).
7. Neiman L., Creativity at Work: What is Creativity?, 2012, http://www.creativityatwork.com/2014/02/17/what-is-creativity/ (17.04.2018).
Pobrania
Opublikowane
2019-08-07
Jak cytować
Pawełoszek, I. (2019). Rola kreatywności w analityce biznesowej w kontekście analizy danych marketingowych. Studia I Prace Kolegium Zarządzania I Finansów , (162), 89–104. https://doi.org/10.33119/SIP.2018.162.7
Numer
Dział
Dział główny
