Título :	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.
Palabras clave:	La investigación de operaciones  Servicios de información empresarial  Econometría  Grandes datos  Ciencias económicas  Investigación de Operaciones y Teoría de la Decisión  TI en los negocios  Economía cuantitativa
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 podría 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 desafíos 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 podría utilizarse potencialmente de muchas otras maneras; por ejemplo, la DEA podría 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, todavía 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 tecnología de big data. A medida que la cantidad de (grandes) datos crece cada día de manera exponencial, también lo hace su complejidad; en este sentido, están surgiendo diversos tipos de datos, cuyo estudio y examen podrían 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

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.

Palabras clave:	La investigación de operaciones  Servicios de información empresarial  Econometría  Grandes datos  Ciencias económicas  Investigación de Operaciones y Teoría de la Decisión  TI en los negocios  Economía cuantitativa
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 podría 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 desafíos 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 podría utilizarse potencialmente de muchas otras maneras; por ejemplo, la DEA podría 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, todavía 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 tecnología de big data. A medida que la cantidad de (grandes) datos crece cada día de manera exponencial, también lo hace su complejidad; en este sentido, están surgiendo diversos tipos de datos, cuyo estudio y examen podrían 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i