Машиналық оқыту (Machine learning).

Краудсорсинг (Crowdsourcing)

Деректерді жинау (Data mining).

Кибернетика

сауалнама

жарнамаланатын өнімді немесе қызметті ең бірінші болып пайдаланатын тұтынушылар санатын анықтауға мүмкіндік беретін әдістер жиынтығы

деректерде кездесетін топологиялық, геометриялық және географиялық ақпаратты пайдаланатын әдістер класы

нарықтың белгілі бір сегментіндегі тұтынушылардың мінез-құлқын болжауға арналған әдістер жиынтығы

эмпирикалық деректерді талдау негізінде өзін-өзі оқыту алгоритмдері

халықтың жалақысын көтеру қаржылық тәуекелдерді төмендетеді

менеджменттің ақпаратты толық жинамауы деректердің қолжетімді болуын арттырады

тұтынушылар арасындағы бәсекелестік қаржылық тәуекелдерді төмендетеді

үлкен автоматтандыруға ұмтылу еңбекке ақы төлеуге кететін шығынды азайтады

қымбат адами ресурс біртіндеп шығыны аз бағдарламалық ресурстармен алмастырылады

деректерді арнайы рұқсатпен ғана алуға болады

клиенттердің қанағаттану деңгейі жоғарылайды, өйткені көптеген фактор ескеріледі

осы салада жұмыс істейтін азаматтардың әл-ауқат деңгейі төмендейді, өйткені қызметкердің еңбегін ығыстыратын жаңа технологиялар енгізіліп жатыр

қолжетімді деректердің артуы менеджменттің жеткілікті ақпарат жинай алмауына байланысты туындайтын шығындарды болдырмайды

Bigdata технологиясын пайдалану қаржылық қауіптің тек 10 пайызға төмендете алады

Bigdata-ны пайдаланудың бір кемшілігі – деректер құпиялығының бұзылу қаупінің болуы

Bigdata технологиясын пайдаланған кездегі негізгі проблема – деректерді рұқсатсыз пайдаланудан қорғау

имитациялық модельдеу (simulation) – әртүрлі дереккөзден ақпарат жинау әдісі