Información del autor
Autor Charles, Vincent |
Documentos disponibles escritos por este autor (4)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Business Performance Measurement and Management Tipo de documento: documento electrónico Autores: Charles, Vincent, Editorial: Cambridge Scholars Publishing Fecha de publicación: 2014 Número de páginas: 1 online resource (597 pages) : Il.: illustrations ISBN/ISSN/DL: 9781443868426 Palabras clave: Organizational effectiveness Measurement. Clasificación: 658.4013 Enlace de acceso : https://elibro-net.biblioproxy.umanizales.edu.co/es/lc/umanizales/titulos/151003 Business Performance Measurement and Management [documento electrónico] / Charles, Vincent, . - Cambridge Scholars Publishing, 2014 . - 1 online resource (597 pages) : : illustrations.
ISBN : 9781443868426
Palabras clave: Organizational effectiveness Measurement. Clasificación: 658.4013 Enlace de acceso : https://elibro-net.biblioproxy.umanizales.edu.co/es/lc/umanizales/titulos/151003
TÃtulo : Data-Enabled Analytics : DEA for Big Data Tipo de documento: documento electrónico Autores: Zhu, Joe, ; Charles, Vincent, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 364 p. 103 ilustraciones ISBN/ISSN/DL: 978-3-030-75162-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: La investigación de operaciones Servicios de información empresarial EconometrÃa Grandes datos Ciencias económicas Investigación de Operaciones y TeorÃa de la Decisión TI en los negocios EconomÃa cuantitativa Clasificación: Resumen: Este libro reúne técnicas basadas en el análisis envolvente de datos (DEA) y big data para explorar los usos y potenciales novedosos de DEA en big data. Estas áreas son de gran interés tanto para los investigadores como para los profesionales. Teniendo en cuenta la vasta literatura sobre DEA, se podrÃa decir que DEA ha sido y sigue siendo una técnica ampliamente utilizada tanto en la medición del desempeño como de la productividad, habiendo cubierto una gran cantidad de desafÃos y debates dentro del marco de modelación. Durante las últimas cuatro décadas, los modelos DEA se han aplicado en casi todos los campos de estudio importantes. Sin embargo, la DEA no se ha utilizado en toda su extensión. A medida que crece la investigación interdisciplinaria e intradisciplinaria, la DEA podrÃa utilizarse potencialmente de muchas otras maneras; por ejemplo, la DEA podrÃa verse como una herramienta de extracción de datos para análisis basados ​​en datos. Una oportunidad la brinda la existencia de big data. Aunque el big data existe desde hace algún tiempo y está ganando popularidad entre quienes buscan información, todavÃa estamos en etapas incipientes a la hora de aprovechar al máximo su potencial. Generalmente, los investigadores han estado interesados ​​en examinar su origen o en desarrollar y utilizar tecnologÃa de big data. A medida que la cantidad de (grandes) datos crece cada dÃa de manera exponencial, también lo hace su complejidad; en este sentido, están surgiendo diversos tipos de datos, cuyo estudio y examen podrÃan arrojar nueva luz sobre fenómenos de interés. Una revisión rápida de la literatura existente muestra que los big data son un nuevo entrante en el marco de la DEA. Recientemente, ha habido un interés creciente en unir los dos conceptos, con estudios de investigación que apuntan a integrar los conceptos de DEA y big data en un solo marco. Pero se necesita más trabajo para explorar plenamente el valor de su intersección: es hora de ver la DEA a la luz de su uso potencial en nuevos campos o nuevos usos dentro de los campos existentes, bajo el paraguas de big data. Es hora de ver los modelos DEA más allá de su alcance actual y extraer nuevos conocimientos para una mejor toma de decisiones basada en datos. Nota de contenido: Chapter 1. Data Envelopment Analysis and Big Data: A Systematic Literature Review with Bibliometric Analysis -- Chapter 2. Acceleration of large-scale DEA computations using random forest classification -- Chapter 3. The estimation of productive efficiency through machine learning techniques: Efficiency Analysis Trees -- Chapter 4. Hybrid Data Science and Reinforcement Learning in Data Envelopment Analysis -- Chapter 5. Aggregation of Outputs and Inputs for DEA Analysis of Hospital Efficiency: Economics, Operations Research and Data Science Perspectives -- Chapter 6. Parallel Processing and Large-Scale Datasets in Data Envelopment Analysis -- Chapter 7. Network DEA and Big Data with an Application to the Coronavirus Pandemic -- Chapter 8. Hierarchical Data Envelopment Analysis for Classification of High-Dimensional Data -- Chapter 9. Dominance Network Analysis: Hybridizing DEA and Complex Networks for Data Analytics -- Chapter 10. Value extracting in relative performance appraisal with networkDEA: an application to U.S. equity mutual funds -- Chapter 11. Measuring Chinese bank performance with undesirable outputs: a slack-based two-stage network DEA approach -- Chapter 12. Using Network DEA and Grey Prediction Model for Big Data Analysis: An Application in the Global Airline Efficiency. Tipo de medio : Computadora Summary : This book brings Data Envelopment Analysis (DEA) based techniques and big data together to explore the novel uses and potentials of DEA under big data. These areas are of widespread interest to researchers and practitioners alike. Considering the vast literature on DEA, one could say that DEA has been and continues to be, a widely used technique both in performance and productivity measurement, having covered a plethora of challenges and debates within the modelling framework. Over the past four decades, DEA models have been applied in almost every major field of study. However, DEA has not been used to its fullest extent. As the inter- and intra-disciplinary research grows, DEA could be used in potentially many other ways; for instance, DEA could be viewed as a data mining tool for data-enabled analytics. One opportunity is brought by the existence of big data. Although big data has existed for a while now, gaining popularity among insight seekers, we are still in incipientstages when it comes to taking full advantage of its potential. Generally, researchers have either been interested in examining its origin or in developing and using big data technology. As the amount of (big) data is growing every day in an exponential manner, so does its complexity; in this sense, various types of data are surfacing, whose study and examination could shed new light on phenomena of interest. A quick review of existing literature shows that big data is a new entrant within the DEA framework. Recently, there has been an increasing interest in bringing the two concepts together, with research studies aiming to integrate DEA and big data concepts within a single framework. But, more work is needed to fully explore the value of their intersection—it is time to view DEA in light of its potential usage in new fields or new usage within the existing fields, under the big data umbrella. It is time to view DEA models beyond their present scope and mine new insights for better data-driven decision-making. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Data-Enabled Analytics : DEA for Big Data [documento electrónico] / Zhu, Joe, ; Charles, Vincent, . - 1 ed. . - [s.l.] : Springer, 2021 . - X, 364 p. 103 ilustraciones.
ISBN : 978-3-030-75162-3
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: La investigación de operaciones Servicios de información empresarial EconometrÃa Grandes datos Ciencias económicas Investigación de Operaciones y TeorÃa de la Decisión TI en los negocios EconomÃa cuantitativa Clasificación: Resumen: Este libro reúne técnicas basadas en el análisis envolvente de datos (DEA) y big data para explorar los usos y potenciales novedosos de DEA en big data. Estas áreas son de gran interés tanto para los investigadores como para los profesionales. Teniendo en cuenta la vasta literatura sobre DEA, se podrÃa decir que DEA ha sido y sigue siendo una técnica ampliamente utilizada tanto en la medición del desempeño como de la productividad, habiendo cubierto una gran cantidad de desafÃos y debates dentro del marco de modelación. Durante las últimas cuatro décadas, los modelos DEA se han aplicado en casi todos los campos de estudio importantes. Sin embargo, la DEA no se ha utilizado en toda su extensión. A medida que crece la investigación interdisciplinaria e intradisciplinaria, la DEA podrÃa utilizarse potencialmente de muchas otras maneras; por ejemplo, la DEA podrÃa verse como una herramienta de extracción de datos para análisis basados ​​en datos. Una oportunidad la brinda la existencia de big data. Aunque el big data existe desde hace algún tiempo y está ganando popularidad entre quienes buscan información, todavÃa estamos en etapas incipientes a la hora de aprovechar al máximo su potencial. Generalmente, los investigadores han estado interesados ​​en examinar su origen o en desarrollar y utilizar tecnologÃa de big data. A medida que la cantidad de (grandes) datos crece cada dÃa de manera exponencial, también lo hace su complejidad; en este sentido, están surgiendo diversos tipos de datos, cuyo estudio y examen podrÃan arrojar nueva luz sobre fenómenos de interés. Una revisión rápida de la literatura existente muestra que los big data son un nuevo entrante en el marco de la DEA. Recientemente, ha habido un interés creciente en unir los dos conceptos, con estudios de investigación que apuntan a integrar los conceptos de DEA y big data en un solo marco. Pero se necesita más trabajo para explorar plenamente el valor de su intersección: es hora de ver la DEA a la luz de su uso potencial en nuevos campos o nuevos usos dentro de los campos existentes, bajo el paraguas de big data. Es hora de ver los modelos DEA más allá de su alcance actual y extraer nuevos conocimientos para una mejor toma de decisiones basada en datos. Nota de contenido: Chapter 1. Data Envelopment Analysis and Big Data: A Systematic Literature Review with Bibliometric Analysis -- Chapter 2. Acceleration of large-scale DEA computations using random forest classification -- Chapter 3. The estimation of productive efficiency through machine learning techniques: Efficiency Analysis Trees -- Chapter 4. Hybrid Data Science and Reinforcement Learning in Data Envelopment Analysis -- Chapter 5. Aggregation of Outputs and Inputs for DEA Analysis of Hospital Efficiency: Economics, Operations Research and Data Science Perspectives -- Chapter 6. Parallel Processing and Large-Scale Datasets in Data Envelopment Analysis -- Chapter 7. Network DEA and Big Data with an Application to the Coronavirus Pandemic -- Chapter 8. Hierarchical Data Envelopment Analysis for Classification of High-Dimensional Data -- Chapter 9. Dominance Network Analysis: Hybridizing DEA and Complex Networks for Data Analytics -- Chapter 10. Value extracting in relative performance appraisal with networkDEA: an application to U.S. equity mutual funds -- Chapter 11. Measuring Chinese bank performance with undesirable outputs: a slack-based two-stage network DEA approach -- Chapter 12. Using Network DEA and Grey Prediction Model for Big Data Analysis: An Application in the Global Airline Efficiency. Tipo de medio : Computadora Summary : This book brings Data Envelopment Analysis (DEA) based techniques and big data together to explore the novel uses and potentials of DEA under big data. These areas are of widespread interest to researchers and practitioners alike. Considering the vast literature on DEA, one could say that DEA has been and continues to be, a widely used technique both in performance and productivity measurement, having covered a plethora of challenges and debates within the modelling framework. Over the past four decades, DEA models have been applied in almost every major field of study. However, DEA has not been used to its fullest extent. As the inter- and intra-disciplinary research grows, DEA could be used in potentially many other ways; for instance, DEA could be viewed as a data mining tool for data-enabled analytics. One opportunity is brought by the existence of big data. Although big data has existed for a while now, gaining popularity among insight seekers, we are still in incipientstages when it comes to taking full advantage of its potential. Generally, researchers have either been interested in examining its origin or in developing and using big data technology. As the amount of (big) data is growing every day in an exponential manner, so does its complexity; in this sense, various types of data are surfacing, whose study and examination could shed new light on phenomena of interest. A quick review of existing literature shows that big data is a new entrant within the DEA framework. Recently, there has been an increasing interest in bringing the two concepts together, with research studies aiming to integrate DEA and big data concepts within a single framework. But, more work is needed to fully explore the value of their intersection—it is time to view DEA in light of its potential usage in new fields or new usage within the existing fields, under the big data umbrella. It is time to view DEA models beyond their present scope and mine new insights for better data-driven decision-making. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Data Envelopment Analysis and Its Applications to Management Tipo de documento: documento electrónico Autores: Charles, Vincent Editorial: Cambridge Scholars Publishing Fecha de publicación: 2013 Número de páginas: xv, 270 p. : Il.: ill. Palabras clave: Data envelopment analysis. Business Decision making Data processing. Enlace de acceso : https://elibro-net.biblioproxy.umanizales.edu.co/es/lc/umanizales/titulos/147638 Data Envelopment Analysis and Its Applications to Management [documento electrónico] / Charles, Vincent . - Cambridge Scholars Publishing, 2013 . - xv, 270 p. : : ill.
Palabras clave: Data envelopment analysis. Business Decision making Data processing. Enlace de acceso : https://elibro-net.biblioproxy.umanizales.edu.co/es/lc/umanizales/titulos/147638
TÃtulo : Data Science and Productivity Analytics Tipo de documento: documento electrónico Autores: Charles, Vincent, ; Aparicio, Juan, ; Zhu, Joe, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: X, 439 p. 98 ilustraciones, 49 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-43384-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: La investigación de operaciones EconometrÃa EstadÃsticas Investigación de Operaciones y TeorÃa de la Decisión EconomÃa cuantitativa TeorÃa y métodos estadÃsticos. Clasificación: Resumen: Este libro incluye un espectro de conceptos, como rendimiento, productividad, investigación operativa, econometrÃa y ciencia de datos, para las áreas prácticas y teóricamente importantes de ''análisis de productividad/análisis envolvente de datos'' y ''ciencia de datos/big data''. La ciencia de datos se define como la colección de métodos, procesos y sistemas cientÃficos dedicados a extraer conocimientos o ideas de los datos y se desarrolla sobre conceptos de diversos dominios, que contienen métodos matemáticos y estadÃsticos, investigación de operaciones, aprendizaje automático, programación de computadoras, reconocimiento de patrones, y visualización de datos, entre otros. Ejemplos de técnicas de ciencia de datos incluyen regresiones lineales y logÃsticas, árboles de decisión, clasificador bayesiano ingenuo, análisis de componentes principales, redes neuronales, modelado predictivo, aprendizaje profundo, análisis de texto, análisis de supervivencia, etc., todos los cuales permiten utilizar los datos para hacer decisiones más inteligentes. Por otro lado, no hay duda de que hoy en dÃa la cantidad de datos está aumentando exponencialmente y el análisis de grandes conjuntos de datos se ha convertido en una base clave para la competencia y la innovación, apuntalando nuevas olas de crecimiento de la productividad. Este libro tiene como objetivo brindar una nueva mirada a las diversas formas en que las técnicas de ciencia de datos podrÃan liberar valor e impulsar la productividad a partir de estas montañas de datos. Los investigadores que trabajan en análisis de productividad/análisis envolvente de datos se beneficiarán al aprender sobre las herramientas disponibles en ciencia de datos/big data que pueden utilizarse en sus análisis y esfuerzos de investigación actuales. Los cientÃficos de datos, por otro lado, también se beneficiarán al conocer la gran cantidad de aplicaciones disponibles en análisis de productividad/análisis envolvente de datos. Nota de contenido: Chapter 1. Data Envelopment Analysis and Big Data: Revisit with a Faster Method -- Chapter 2. Data Envelopment Analysis (DEA): Algorithms, Computations, and Geometry -- Chapter 3. An Introduction to Data Science and Its Applications: an Introduction to Data Science and Its Applications -- Chapter 4. Identification of Congestion in DEA -- Chapter 5. Data Envelopment Analysis and Non-Parametric Analysis -- Chapter 6. The Measurement of Firms' Efficiency Using Parametric Techniques -- Chapter 7. Fair Target Setting for Intermediate Products in Two-Stage Systems With Data Envelopment Analysis -- Chapter 8. Fixed Cost and Resource Allocation Considering Technology Heterogeneity in Two-Stage Network Production Systems -- Chapter 9.Efficiency Assessment of Schools Operating in Heterogeneous Contexts: A Robust Nonparametric Analysis Using Pisa 2015 -- Chapter 10. A DEA Analysis in Latin-American Ports: Measuring the Performance of Guayaquil Contecon Port -- Chapter 11. Effects of Locus of Control on Bank's Policy - a Case Study of a Chinese State Owned Bank -- Chapter 12. A Data Scientific Approach to Measure Hospital Productivity -- Chapter 13. Environmental Application of Carbon Abatement Allocation by Data Envelopment Analysis -- Chapter 14. Pension Funds and Mutual Funds Performance Measurement With a New DEA (Mv-DEA) Model Allowing for Missing Variables -- Chapter 15. Sharpe Portfolio Using a Cross-Efficiency Evaluation. Tipo de medio : Computadora Summary : This book includes a spectrum of concepts, such as performance, productivity, operations research, econometrics, and data science, for the practically and theoretically important areas of 'productivity analysis/data envelopment analysis' and 'data science/big data'. Data science is defined as the collection of scientific methods, processes, and systems dedicated to extracting knowledge or insights from data and it develops on concepts from various domains, containing mathematics and statistical methods, operations research, machine learning, computer programming, pattern recognition, and data visualisation, among others. Examples of data science techniques include linear and logistic regressions, decision trees, Naïve Bayesian classifier, principal component analysis, neural networks, predictive modelling, deep learning, text analysis, survival analysis, and so on, all of which allow using the data to make more intelligent decisions. On the other hand, it is without a doubt that nowadays the amount of data is exponentially increasing, and analysing large data sets has become a key basis of competition and innovation, underpinning new waves of productivity growth. This book aims to bring a fresh look onto the various ways that data science techniques could unleash value and drive productivity from these mountains of data. Researchers working in productivity analysis/data envelopment analysis will benefit from learning about the tools available in data science/big data that can be used in their current research analyses and endeavours. The data scientists, on the other hand, will also get benefit from learning about the plethora of applications available in productivity analysis/data envelopment analysis. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Data Science and Productivity Analytics [documento electrónico] / Charles, Vincent, ; Aparicio, Juan, ; Zhu, Joe, . - 1 ed. . - [s.l.] : Springer, 2020 . - X, 439 p. 98 ilustraciones, 49 ilustraciones en color.
ISBN : 978-3-030-43384-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: La investigación de operaciones EconometrÃa EstadÃsticas Investigación de Operaciones y TeorÃa de la Decisión EconomÃa cuantitativa TeorÃa y métodos estadÃsticos. Clasificación: Resumen: Este libro incluye un espectro de conceptos, como rendimiento, productividad, investigación operativa, econometrÃa y ciencia de datos, para las áreas prácticas y teóricamente importantes de ''análisis de productividad/análisis envolvente de datos'' y ''ciencia de datos/big data''. La ciencia de datos se define como la colección de métodos, procesos y sistemas cientÃficos dedicados a extraer conocimientos o ideas de los datos y se desarrolla sobre conceptos de diversos dominios, que contienen métodos matemáticos y estadÃsticos, investigación de operaciones, aprendizaje automático, programación de computadoras, reconocimiento de patrones, y visualización de datos, entre otros. Ejemplos de técnicas de ciencia de datos incluyen regresiones lineales y logÃsticas, árboles de decisión, clasificador bayesiano ingenuo, análisis de componentes principales, redes neuronales, modelado predictivo, aprendizaje profundo, análisis de texto, análisis de supervivencia, etc., todos los cuales permiten utilizar los datos para hacer decisiones más inteligentes. Por otro lado, no hay duda de que hoy en dÃa la cantidad de datos está aumentando exponencialmente y el análisis de grandes conjuntos de datos se ha convertido en una base clave para la competencia y la innovación, apuntalando nuevas olas de crecimiento de la productividad. Este libro tiene como objetivo brindar una nueva mirada a las diversas formas en que las técnicas de ciencia de datos podrÃan liberar valor e impulsar la productividad a partir de estas montañas de datos. Los investigadores que trabajan en análisis de productividad/análisis envolvente de datos se beneficiarán al aprender sobre las herramientas disponibles en ciencia de datos/big data que pueden utilizarse en sus análisis y esfuerzos de investigación actuales. Los cientÃficos de datos, por otro lado, también se beneficiarán al conocer la gran cantidad de aplicaciones disponibles en análisis de productividad/análisis envolvente de datos. Nota de contenido: Chapter 1. Data Envelopment Analysis and Big Data: Revisit with a Faster Method -- Chapter 2. Data Envelopment Analysis (DEA): Algorithms, Computations, and Geometry -- Chapter 3. An Introduction to Data Science and Its Applications: an Introduction to Data Science and Its Applications -- Chapter 4. Identification of Congestion in DEA -- Chapter 5. Data Envelopment Analysis and Non-Parametric Analysis -- Chapter 6. The Measurement of Firms' Efficiency Using Parametric Techniques -- Chapter 7. Fair Target Setting for Intermediate Products in Two-Stage Systems With Data Envelopment Analysis -- Chapter 8. Fixed Cost and Resource Allocation Considering Technology Heterogeneity in Two-Stage Network Production Systems -- Chapter 9.Efficiency Assessment of Schools Operating in Heterogeneous Contexts: A Robust Nonparametric Analysis Using Pisa 2015 -- Chapter 10. A DEA Analysis in Latin-American Ports: Measuring the Performance of Guayaquil Contecon Port -- Chapter 11. Effects of Locus of Control on Bank's Policy - a Case Study of a Chinese State Owned Bank -- Chapter 12. A Data Scientific Approach to Measure Hospital Productivity -- Chapter 13. Environmental Application of Carbon Abatement Allocation by Data Envelopment Analysis -- Chapter 14. Pension Funds and Mutual Funds Performance Measurement With a New DEA (Mv-DEA) Model Allowing for Missing Variables -- Chapter 15. Sharpe Portfolio Using a Cross-Efficiency Evaluation. Tipo de medio : Computadora Summary : This book includes a spectrum of concepts, such as performance, productivity, operations research, econometrics, and data science, for the practically and theoretically important areas of 'productivity analysis/data envelopment analysis' and 'data science/big data'. Data science is defined as the collection of scientific methods, processes, and systems dedicated to extracting knowledge or insights from data and it develops on concepts from various domains, containing mathematics and statistical methods, operations research, machine learning, computer programming, pattern recognition, and data visualisation, among others. Examples of data science techniques include linear and logistic regressions, decision trees, Naïve Bayesian classifier, principal component analysis, neural networks, predictive modelling, deep learning, text analysis, survival analysis, and so on, all of which allow using the data to make more intelligent decisions. On the other hand, it is without a doubt that nowadays the amount of data is exponentially increasing, and analysing large data sets has become a key basis of competition and innovation, underpinning new waves of productivity growth. This book aims to bring a fresh look onto the various ways that data science techniques could unleash value and drive productivity from these mountains of data. Researchers working in productivity analysis/data envelopment analysis will benefit from learning about the tools available in data science/big data that can be used in their current research analyses and endeavours. The data scientists, on the other hand, will also get benefit from learning about the plethora of applications available in productivity analysis/data envelopment analysis. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
