Використання візуалізації даних як інструмента економічної діяльності

Размещено на http://www.allbest.ru/

Використання візуалізації даних як інструмента економічної діяльності

Корнута Олена Володимирівна, кандидат технічних наук, доцент, Івано-Франківський національний технічний університет нафти і газу,

вул. Карпатська, 15, Івано-Франківськ

Корнута Володимир Андрійович, кандидат технічних наук, доцент, Івано-Франківський національний технічний університет нафти і газу,

вул. Карпатська, 15, Івано-Франківськ

Пригоровська Тетяна Олексіївна, кандидат технічних наук, ассистент, Івано-Франківський національний технічний університет нафти і газу,

вул. Карпатська, 15, м. Івано-Франківськ

Пригоровський Олександр Володимирович, кандидат технічних наук, ассистент, Івано-Франківський національний технічний університет нафти і газу, вул. Карпатська, 15, м. Івано-Франківськ

Анотація

В статті розглядається стан досліджень в сфері використання візуальної аналітики для аналізу даних, актуальність чого викликана інноваційними змінами застосування принципово нових методів аналізу (статистичного, контекстуального, кількісного, прогностичного, когнітивного, візуального та ін.). Виконано аналіз ключових слів статей, які представлені в науково-метричних базах ScienceDirect, PubMed, Emerald, IEEEXplore, Scopus, Web of Science, Taylor & Francis, за період з 2009 по 2021 роки за ключовими словами. Встановлено, основні нові напрями розвитку досліджень у економічній сфері, пов'язані із візуалізацією даних. Показано, що розвиток у цій сфері відбувався за таким напрямком: інфографіка - візуалізація даних - візуальна аналітика. Візуальна аналітика та візуалізація можуть використовувати систему людського сприйняття для інтерпретації та виявлення прихованих закономерностей у В^ Data. Суть методу візуалізації у тому, що за початковими аналізованими даними за допомогою прикладної програми візуалізації ставиться у відповідність деяка їх статична або динамічна інтерпретація, яка візуально аналізується, а результати аналізу цієї графічної інтерпретації (графічних даних) потім пояснюються стосовно вихідних даних.

Якісне підвищення обсягу і ступеня сприйняття даних користування без відсікання істотних деталей, можливо при комплексному використанні математичних методів, нових інформаційних технологій та врахування принципів когнітивної психології. Візуальна аналітика методами штучного інтелекту дозволять ефективно аналізувати масивні економічні дані для керування логістичними процесами. Запропоновані основні шляхи підготовки студентів першого (бакалаврського) рівня закладів вищої освіти до набуття компетенцій щодо візуалізації даних у професійній сфері.

Ключові слова: інфографіка, візуалізація, візуальна аналітика, Big Data, економічні процеси.

Abstract

USING DATA VISUALIZATION AS A TOOL OF ECONOMIC ACTIVITY

Komuta Olena Volodymyrivna, Ph.D, Associate Professor of Ivano-Frankivsk National Technical University of Oil and Gas, 76019, Ivano-Frankivsk

Komuta Volodymyr Andriiovych, PhD, Associate Professor of Ivano-Frankivsk National Technical University of Oil and Gas, 76019, Ivano-Frankivsk

Pryhorovska Tetiana Oleksiivna, Ph.D, Assistant of Ivano-Frankivsk National Technical University of Oil and Gas, 76019, Ivano-Frankivsk

Pryhorovskyi Oleksandr Volodymyrovych, Assistant of Ivano-Frankivsk National Technical University of Oil and Gas, 76019, Ivano-Frankivsk

The article examines the state of research in the field of using visual analytics for data analysis, which is relevant due to innovative changes in the use of fundamentally new methods of analysis (statistical, contextual, quantitative, prognostic, cognitive, visual, etc.). The analysis of articles' keywords presented in ScienceDirect, PubMed, Emerald, IEEEXplore, Scopus, Web of Science, Taylor & Francis scientometric databases, for the period from 2009 to 2021 has been performed. The main new directions of economic research development related to data visualization have been identified. It has been demonstrated that the development in this area took place in the following direction: infographics - data visualization - visual analytics. Visual analytics and visualization can use the human perception system to interpret and identify hidden patterns in Big Data. The essence of the visualization method is the following: based on the initial analyzed data some kind of their static or dynamic interpretation is matched with the help of the visualization application program, which is then visually analyzed, and the results of this graphical interpretation (graphic data) are then explained in relation to the original data. Qualitative increase in the volume and degree of perception of usage data without cutting off essential details, possibly with the integrated use of mathematical methods, new information technologies and taking into account the principles of cognitive psychology. Visual analytics using artificial intelligence methods can effectively analyze massive economic data to manage logistics processes. The main ways of preparing the first (bachelor's) level students of higher educational institutions to acquire competencies in data visualization in the professional sphere have been proposed.

Keywords: infographics, visualization, visual analytics, Big Data, economic processes.

Постановка проблеми

візуалізація даних економічний аналітика

В сучасному інформаційному суспільстві процес поширення інформації зазнає серйозних змін через використання сучасних ресурсів та інструментів. Сьогодні обсяг економічних даних у світі величезний і продовжує швидко зростати в результаті інноваційних змін застосування принципово нових методів аналізу (статистичні, контекстуальні, кількісні, прогностичні, когнітивні, візуальні та ін.). Проте, незважаючи на те що наявність значного обсягу інформації дає можливість прийняти більш виважені економічні рішення, аналітична обробка великих обсягів даних стала важчою, отже потребує впровадження нових більш ефективних інструментів.

Аналіз останніх досліджень і публікацій

Тенденція до ефектної подачі інформації визнається практично всіма експертами у сфері візуалізації даних [1, 2, 3, 4]. Візуалізація даних відноситься до методів, що

використовуються для представлення інформації чітко та ефективно [5]. Це один з необхідних кроків у аналізі економічних даних, оскільки ступінь складності таких даних значно зростає в інформаційному суспільстві. Виникає так звана проблема комплексності, складності (complexity challenge), що робить малопридатними традиційні підходи до економічного аналізу.

Аналіз зарубіжних робіт із візуалізації економічних даних за останні роки показує, що вони включають у собі цілий ряд напрямів комп'ютерної візуалізації, серед яких наукова та інформаційна візуалізація, візуалізація програмного забезпечення, візуальний аналіз даних, верифікація та валідація візуалізації, вивчення когнітивної складової візуалізації при використанні «великих екранів» та середовищ віртуальної реальності. Серед завдань візуалізації економічних даних розглядаються такі: візуалізація потоків даних; візуальний інтелектуальний аналіз даних; візуальний пошук та рекомендації; опис ситуацій на основі Big Data із використанням візуалізації; масштабовані методи паралельної візуалізації; сучасні апаратні засоби та архітектури для аналізу та візуалізації даних; людино -комп'ютерний інтерфейс та візуалізація Big Data; програми візуалізації Big Data, включаючи кіберрозвідку та контррозвідку, бізнес-аналіз (бізнес розвідку), електронну комерцію, аналіз наукової інформації, освіту тощо. [6, 7].

Здійснення процесу інтерпретації результатів обробки даних вимагає подальшого розвитку засобів візуалізації та відображення інформації, таких як тривимірні проекції, голограми, інструменти доповненої та віртуальної реальності [8]. Якісне підвищення обсягу і ступеня сприйняття даних користування без відсікання істотних деталей, можливо при комплексному використанні математичних методів, нових інформаційних технологій та врахування принципів когнітивної психології. Орієнтування візуальних засобів на сформовані еволюційним шляхом базові пізнавальні структури людської свідомості знижує необхідний рівень мінімально необхідних теоретичних та спеціальних знань користувача і дозволяє значно збільшити обсяг одночасно сприйманих даних, що призводить до підвищення якості прийнятих економічних рішень [3].

Візуальна аналітика та візуалізація можуть використовувати систему людського сприйняття для інтерпретації та виявлення прихованих закономерностей у Big Data. Методи візуалізації, які використовують пізнавальні патерни людини, застосовуються для виконання аналізу даних моніторингу та моделювання, відображення [9].

Візуалізація інформації - один із важливих аспектів вирішення цієї проблеми. Візуалізація використовується у тих процесах підтримки та прийняття рішень, в яких задіяна людина, спрощуючи сприйняття інформації, і тим самим підвищуючи ефективність аналізу інформації, у тому числі оперативність (своєчасність) прийняття рішень та їхню обґрунтованість [10].

Мета статті - аналіз поточного стану, проблем та перспектив використання технологій візуальної аналітики для аналізу даних для подальшого застосування під час викладання економічних дисциплін.

Для цього проведено теоретичний аналіз та узагальнення, систематизацію результатів досліджень у таких провідних наукометричних базах даних як ScienceDirect, PubMed, Emerald, IEEEXplore, Scopus, Web of Science, Taylor & Francis, за період з 2009 по 2021 роки за ключовими словами: visual analytics, Big Data стосовно економічних досліджень. При цьому був використаний підхід, представлений у [11] із адаптацією його до економічних дисциплін

Виклад основного матеріалу

Основні нові напрями розвитку досліджень у економічній сфері, описані за допомогою кількох ключових слів, є такі: «ефективність діяльності (фірми)» (можна виділити організаційно-економічні, галузеві та інституційні аспекти), «фінансування» (звертає на себе увагу значущість венчурного капіталу, політик фінансування та ризиків), «працю та людський капітал» (з посиленням уваги до жіночого підприємництва, мігрантів та національних меншин, а також освіти), «інновації», «регіональний аспект»,

«глобалізація», «історія підприємництва». Кожен із перелічених напрямів, у свою чергу, може деталізуватися та підкріплюватися окремими дослідженнями [9, 12, 13].

Тенденція до ефектної подачі інформації визнається практично всіма експертами у сфері візуалізації даних [14]. Здатність візуалізувати результати інтелектуального аналізу даних допомагає користувачеві зрозуміти та довіряти знанням, закладеним у них. Візуалізація даних та інформації дає користувачеві можливість отримати інтуїтивно зрозуміле уявлення про дані та результати, наприклад, у формі правил. Ця здатність може бути використана в багатьох сферах бізнесу, наприклад, для виявлення шахрайства, діагностики та під час перевірки кредитоспроможності [15].

Віртуальна реальність та спільні віртуальні середовища відкривають нові можливості для збору даних. Візуальна аналітика ідеально пристосована для аналізу буквено-цифрових даних та відображення їх на нескінченній кількості вимірювань. Спільні віртуальні середовища забезпечують основу для спільного та розподіленого аналізу даних шляхом проведення іммерсивного та синергетичного аналізів даних.

Візуалізація даних розглядається багатьма дисциплінами як сучасний еквівалент візуальної комунікації і, водночас, не належить якійсь одній області, а знаходить застосування в багатьох (наприклад, вона розглядається як сучасний напрямок статистики, але також як обґрунтовану теорію розвитку інструментарію в інших областях). Вона включає в себе створення та дослідження візуального представлення даних. Це робить комплексну інформацію більш доступною, зрозумілою та корисною [10].

Інфографіка - одна з форм інформаційного дизайну через графічний спосіб подачі даних [11, 16]. Головна мета використання інфографіки - передати знання про предмет уваги, позбавивши читача від витрат часу на порівняльний аналіз даних. Зазвичай візуалізуються у формі інфографіки: бюджети; звіти; новини та інфоприводи; технічні завдання тощо. Інфографіка дозволяє організувати більші обсяги інформації в короткій та наочній формі. Матеріал може бути поданий в інфографіці, якщо містить велику кількість чисел, пояснення комплексних понять, процесів і т. д. У графічну форму, як правило, передиться складна для сприйняття у вербальній формі інформація [15]. Сфери застосування інфографіки: інтернет-маркетинг; статистика; журналістика; освіта; технічні матеріали та ін.

Одним з останніх трендів створення інфографіки є відео інфографіки. Відеоформат інфографіки збільшує вплив на людину за рахунок використання графіки у русі, а також додавання музики та звукових ефектів [17, 18]. По суті створюється не просто ролик, а мініфільм, який мають захотіти подивитись. А ще краще в digital-просторі - щоб їм захотіли поділитися у соціальних мережах [13]. Корисними критеріями при створенні інфографіки, є:

1) швидкість і актуальність візуалізованої інформації;

2) реферативність та точність даних;

3) об'єктивність інформації;

4) смак та стриманість у питаннях дизайну (колір, типографіка і т.д.);

5) різноманітність у виборі засобів візуалізації;

6) простота сприйняття;

7) стислість.

Найбільш зручним способом створення інфографіки є використання безкоштовних сервісів [19]. Незважаючи на безумовну корисність як інструмента передачі даних, інфографіка також може служити цілям створення помилкового представлення про статистичні дані та маніпулювання ня громадською думкою [10].

На сьогодні суттєвими проблемами є обмежені можливості людського пізнання та зростаючий тиск на програмні системи із боку даних. З погляду розробників програмного забезпечення реалізація програми управління великими економічними даними утруднюється тим, що у традиційних рівнях апаратури та програмного забезпечення відсутні важливі сервіси, необхідні людським когнітивним системам при обробці складної інформації.

Візуальна аналітика - продукт областей інформаційної та наукової візуалізації, яка зосереджується на аналітичних розрахунках, полегшених інтерактивними візуальними інтерфейсами [16]. Big data допомагає структурувати та візуалізувати величезну кількість даних. Візуалізація даних - це візуальне уявлення аналізу великих даних у простій вигляд.

Інструменти візуальної аналітики зазвичай застосовуються до економічних даних, що стосуються однієї з трьох категорій: бізнес-проекти, завдання та наукові дослідження у різних галузях [15]. Корисним буде вивчення моделі покупок клієнтів для прогнозу майбутніх продажів. Складання CJM (customer journey map або шлях клієнта) дозволяє компаніям зрозуміти, хто їх цільова аудиторія, чому вона робить покупки або йде до конкурентів, які існують точки контакту, чому вони впливають на клієнтів чи ні. CJM дозволяє побачити слабкі місця та знайти шляхи їх вирішення.

Суть методу візуалізації у тому, що за початковими аналізованими даними за допомогою прикладної програми візуалізації ставиться у відповідність деяка їх статична або динамічна інтерпретація, яка візуально аналізується, а результати аналізу цієї графічної інтерпретації (графічних даних) потім пояснюються стосовно вихідних даних. Поряд з цим, можуть відрізнятися і цілі аналізу вихідних даних. Візуальна аналітика поєднує методи візуалізації інформації з методами обчислювального аналізу даних, при цьому відображення посилює пізнавальні здібності людини наступними основними способами: збільшення обсягу джерел даних; скорочений пошук - у малому просторі може відображати значний обсяг даних; підтримка зв'язків даних; можливість користувача вивести відносини чи закономірності даних; відстеження за великою кількістю можливих варіантів подій.

Методи візуального аналізу надають наукову основу для ефективного поширення економічних процесів [20]. Інструменти візуальної аналітики націлені на досягнення наступних взаємопов'язаних завдань: розробка методів візуального представлення багатовимірних даних економіко -соціальної взаємодії населення у вигляді геосоціальних форм, які можуть полегшити виявлення патернів поведінки, розробка методів для перетворення створених моделей на надійні знання для підтримки процесів прийняття рішень [20]. Візуальна аналітика методами штучного інтелекту дозволять ефективно аналізувати масивні економічні дані для керування логістичними процесами.

Особа, яка приймає рішення, отримує можливість виявлення неявних зв'язків в керованій системі, що, зрештою, на якісному рівні підвищує ефективність управлінські рішення [14]. Візуальна аналітика підтримує виявлення нових та невідомих знань шляхом знаходження зв'язків, патернів, трендів та аномалій у потенційно великих та складних даних. Візуальна аналітика допомагає користувачам розуміти сенс різнорідних даних великого обсягу за рахунок інтеграції кількох методологій аналізу даних [21], забезпечує більш доступний та інтуїтивно зрозумілий підхід до аналізу даних [13]. На сьогоднішній момент розроблено значну кількість детерміністських підходів у теорії розпізнавання образів: штучні нейронні мережі з алгоритмом навчання; метод опорних векторів для лінійного випадку роздільності та лінійної неподільності класів; кластерний аналіз із різними алгоритмами розміщення центрів кластерів; класифікація за допомогою функцій відстані між вектором мі-образами та класами; метод потенційних функцій, що дозволяє за допомогою нескладного алгоритму оцінювати вагу об'єктів початкової вибірки; методи дискримінантного аналізу зі знаходженням лінійної та узагальненої функції [19].

Візуальна аналітика стає дедалі більше популярним методом дослідження та аналізу В^ Data в галузі економіки [12]. Складність економічних процесів, велика кількість слабоформалізованих факторів, які підлягають аналізу, з одного боку, та наявність, з іншого боку, досить жорстких математичних вимог до обсягу та узгодженості до даних комп'ютерного аналізу призводить до необхідності виявлення прихованих закономірностей у статистичних даних про ці процеси. Рішення даної задачі можливо на основі застосування автоматизованих систем, які забезпечують керівника засобами інтелектуальної підтримки та прийняття рішень орієнтованих на обробку різнорідних (кількісних, якісних, текстових даних необмеженого обсягу. При цьому інструментальні засоби для обробки «сирих» даних повинні бути прості в використанні, а результати повинні бути конкретні та зрозумілі користувачеві.

Аналіз мультимодальних та гетерогенних економічних даних, що часто містять також надлишкові, нерелевантні та суб'єктивні відомості, створює значні проблеми для дослідників, які намагаються отримувати корисні результати для розуміння сутності завдання.

Методи візуальної аналітики пропонують багатообіцяючі інструменти для використання Big Data для покращення керованості економічних процесів. Візуальна аналітика може полегшити дослідження Big Data, щоб генерувати гіпотези та спрямовувати вибір та використання розширених методів аналітики [6]. Тому поширення інформаційних систем збільшить попит на економістів, які можуть подолати розрив між економічними та інформаційними науками. У зв'язку із цим виникає необхідність підготовки студентів першого (бакалаврського) рівня закладів вищої освіти за економічними та фінансовими освітніми програмами для набуття компетенцій щодо візуалізації даних у професійній сфері. Бажано отримати такі результати навчання студентів за бакалаврськими програмами: знання основних понять графічного дизайну, типів візуалізації даних та правил інфодизайну; технології використання інтерактивних інструментів візуалізації досліджень, аналізу даних та бізнес - процесів; візуалізації планування, управління цілями та прийняття рішень; принципів комп'ютерного дизайну презентацій і технологій їх створення в різних додатках; графічного аналізу економічних та фінансових даних засобами MS Excel; хмарних сервісів візуалізації даних. Все це дасть можливість майбутнім фахівцям бути конкурентоспроможними на сучасному ринку праці.

Висновки

Візуальна аналітика має величезний потенціал для обробки Big Datа, що дозволяє проводити комплексний аналіз даних для покращення якості економічного аналізу складних гетерогенних даних різної природи.

Також це дозволяє підвищити ефективність використання зібраних та накопичених даних, виявляти нові та невідомі знання шляхом знаходження зв'язків, патернів, трендів та аномалій у Big Data.

Використання візуальної аналітики дозволить вирішити проблему інформаційного навантаження, яке виникає при аналізі величезних масивів даних, установити зв'язок між великою кількістю змінних.

Література

1. Мельник К. М., Улянич Ю. В. Інструменти візуалізації страхової діяльності. Економіка та держава. 2021. № 8. С. 124-128. DOI: 10.32702/2306-6806.2021.8.124

2. Чаплінський В. Р., Кушнір О. К., Свідер О. П. Аналіз великих даних та їх візуалізація для потреб бізнесу. Ефективна економіка. 2021. № 6. - URL: http://www.economy.nayka.com.ua/? op=1&z=8979 (дата звернення: 18.03.2022). DOI: 10.32702/2307-2105-2021.6.89

3. Umesh U., Kagan M. Data Visualization in Marketing. Journal of Marketing Management (JMM). 2015. 3. DOI:10.15640/jmm.v3n2a4

4. Moher D., Liberati A., Tetzlaff J., Altman D. G. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med., 2009. 6 (7), e1000097. doi: 10.1371/journal.pmed.1000097

5. Jonathan A. Schwabish. An Economist's Guide to Visualizing Data Journal of Economic Perspectives. 2014. Volume 28 (1). 209-234. https://pubs.aeaweb.org/doi/pdf/10.1257/jep.28.1.209

6. Bendoly E., Clark S. (Eds.). Visual Analytics for Management: Translational Science and Applications in Practice (1st ed.). 2016. Routledge. https://doi.org/10.4324/9781315640891

7. Zavala A., Ramirez-Marquez J. Visual analytics for identifying product disruptions and effects via social media. International Journal of Production Economics, Elsevier, 2019. vol. 208(C). 544-559. DOI: 10.1016/j.ijpe.2018.12.020

8. Дрокіна Н.І., Дарчук В.Г., Крижко О.В. Інструменти бізнес-аналітики для візуалізації маркетингових даних. Причорноморські економічні студії. 2018. 26(1). - С. 128-138. - Режим доступу: http://bses.in.ua/journals/2018/26_1_2018/27.pdf

9. Ko S., Cho I., Afzal S., Yau C., Chae J. A Survey on Visual Analysis Approaches for Financial Data. Computer Graphics Forum. 2016. https://doi.org/10.1111/cgf.12931

10. Chuprikova Е., Meng L. Reasoning about socio-economic data: a visual analytics approach to Bayesian network, International Journal of Cartography. 2019. 5:2-3, 225

241, DOI: 10.1080/23729333.2019.1613073

11. Петров В. В., Мінцер1 О. П., Крючин А. А., Крючина Є. А. Візуальна аналітика -- ефективна технологія оброблення big data в медицині. Медична інформатика та інженерія. 2020, № 2, 50-62, https://doi.org/10.11603/mie.1996-1960.2020.2.11173

12. Varian H. Big Data: New Tricks for Econometrics. Journal of Economic Perspectives. 2014.28 (2): 3-28. DOI: 10.1257/jep.28.2.3

13. Ikpe J., Ayodotun S. Digitization and technological transformation of small business for sustainable development in the less developed and emerging economies: a research note and call for papers. Journal of Small Business & Entrepreneurship. 2021. DOI:10.1080/08276331.2021.1924505.

14. Akpan Ikpe J. Scientometric evaluation and visual analytics of the scientific literature production on entrepreneurship, small business ventures, and innovation. Journal of Small Business & Entrepreneurship. 2021. 33:6. 717-745. DOI: 10.1080/08276331.2020.1786229

15. Cui W. Visual Analytics: A Comprehensive Overview. IEEE Access, vol. 7, pp. 8155581573. 2019. doi: 10.1109/ACCESS.2019.2923736

16. Caban J. J., Gotz D. Visual analytics in healthcare-opportunities and research challenges. J Am Med Inform Assoc. 2015. Vol. 22 (2). 260-262. DOI: 10.1093/jamia/ocv006

17. Tanisaro P., Schцning J., Kurzhals K., Heidemann G., Weiskopf D. Visual analytics for

video applications. It - Information Technology. vol. 57(1). 2015. 30-36.

https://doi.org/10.1515/itit-2014-1072

18. Lusardi A., Samek A., Kapteyn A., Glinert I., Hung A., Heinberg A. Visual tools and narratives: New ways to improve financial literacy. Journal of Pension Economics and Finance. 2017. 16(3), 297-323. doi:10.1017/S1474747215000323

19. Savikhin A., Maciejewski R., Ebert D. Applied visual analytics for economic decisionmaking. VAST'08 - IEEE Symposium on Visual Analytics Science and Technology, Proceedings. 2008. DOI:10.1109/VAST.2008.4677363

20. Flood M., Lemieux V., Varga M., William W. The application of visual analytics to financial stability monitoring. Journal of Financial Stability, Elsevier. 2016. vol. 27(C). 180-197. https://cutt.ly/2SE5a4b

21. Akpan I.J., Akpan A.A. Multiple criteria analysis of the popularity and growth of research and practice of visual analytics, and a forecast of the future trajectory. International Transactions in Operational Research. 2021. 28:5. 2275-2298. https://doi.org/10.1111/itor.12952

References:

1. Melnyk, K.M., & Ulyanich, Y.V. (2021). Instrumenty vizualizatsii strakhovoi diialnosti [Insurance visualization tools]. Ekonomika ta derzhava-Economy and state, 8, 124-128. DOI: 10.32702/2306-6806.2021.8.124 Tin Ukrainian!

2. Chaplinsky, V.R., & Kushnir, O.K. (2021). Analiz velykykh danykh ta yikh vizualizatsiia dlia potreb biznesu. [Analysis of big data and their visualization for business needs]. Efektyvna ekonomika - Effective economy, 6. Retrieved from: http://www.economy.nayka.com.ua/?op=1&z=8979

DOI: 10.32702/2307-2105-2021.6.89 [in Ukrainian]

3. Umesh, U., & Kagan, M. (2015). Data Visualization in Marketing. Journal of Marketing Management (JMM). 3. DOI:10.15640/jmm.v3n2a4

4. Moher, D., Liberati, A., Tetzlaff J., & Altman D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med., 6 (7), e1000097. doi: 10.1371/journal.pmed.1000097

5. Jonathan, A. & Schwabish, A. (2014). An Economist's Guide to Visualizing Data. Journal of Economic Perspectives. 28 (1), 209-234. https://pubs.aeaweb.org/doi/pdf/10.1257/jep.28.L209

6. Bendoly, E., & Clark, S. (2016). Visual Analytics for Management: Translational Science and Applications in Practice (1st ed.). Routledge. https://doi.org/10.4324/9781315640891

7. Zavala, A., & Ramirez-Marquez, J.( 2019). Visual analytics for identifying product disruptions and effects via social media. International Journal of Production Economics, Elsevier, 208(C). 544-559. DOI: 10.1016/j.ijpe.2018.12.020

8. Drokina, N.I., Darchuk, V.H., & Kryzhko, O.V. (2018). Instrumenty biznes-analityky dlia vizualizatsii marketynhovykh danykh [B! tools for marketing data visualization]. Prychornomorski ekonomichni studii - Black Sea Economic Studies, 26(1), 128-138. Retrieved from: http://bses.in.ua/journals/2018/26_1_2018/27.pdf [in Ukrainian]

9. Ko, S., Cho, I., Afzal, S., Yau, C., & Chae, J. (2016). A Survey on Visual Analysis Approaches for Financial Data. Computer Graphics Forum. https://doi.org/10.1111/cgf.12931

10. Chuprikova, Е., & Meng, L. (2019). Reasoning about socio-economic data: a visual analytics approach to Bayesian network. International Journal of Cartography. 5:2-3, 225241, DOI: 10.1080/23729333.2019.1613073

11. Petrov, V. V., Mintser, O. P., Kriuchyn, A. A., & Kriuchyna, Ye. A. (2020). Vizualna analityka -- efektyvna tekhnolohiia obroblennia big data v medytsyni [Visual analytics -- an effective technology for processing big data in medicine]. Medychna informatyka ta inzheneriia - Medical Informatics and Engineering, 2, 50-61. https://doi.org/10.11603/mie.1996-

1960.2020.2.11173 [in Ukrainian]

12. Varian, H. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives.28 (2). 3-28. DOI: 10.1257/jep.28.2.3

13. Ikpe, J., & Ayodotun, S. (2021). Digitization and technological transformation of small business for sustainable development in the less developed and emerging economies: a research note and call for papers. Journal of Small Business & Entrepreneurship. DOI:10.1080/08276331.2021.1924505.

14. Akpan Ikpe, J. (2021). Scientometric evaluation and visual analytics of the scientific literature production on entrepreneurship, small business ventures, and innovation. Journal of Small Business & Entrepreneurship. 33:6. 717-745. DOI: 10.1080/08276331.2020.1786229

15. Cui, W. (2019). Visual Analytics: A Comprehensive Overview. IEEE Access, 7, 8155581573. doi: 10.1109/ACCESS.2019.2923736

16. Caban, J. J., & Gotz, D. (2015). Visual analytics in healthcare-opportunities and research challenges. J Am Med Inform Assoc. 22 (2). 260-262. DOI: 10.1093/jamia/ocv006

17. Tanisaro P., Schцning J., Kurzhals K., Heidemann G., Weiskopf D. Visual analytics for video applications. It - Information Technology. vol. 57(1). 2015. 30-36.

https://doi.org/10.1515/itit-2014-1072

18. Lusardi A., Samek A., Kapteyn A., Glinert I., Hung A., Heinberg A. Visual tools and narratives: New ways to improve financial literacy. Journal of Pension Economics and Finance. 2017. 16(3), 297-323. doi:10.1017/S1474747215000323

19. Savikhin, A., Maciejewski, R., & Ebert, D. (2008). Applied visual analytics for economic decision-making. VAST'08 - IEEE Symposium on Visual Analytics Science and Technology, Proceedings. DOI:10.1109/VAST.2008.4677363

20. Flood, M., Lemieux, V., Varga, M., & William, W. (2016). The application of visual analytics to financial stability monitoring. Journal of Financial Stability, Elsevier. 27(C). 180-197. https://cutt.ly/2SE5a4b

21. Akpan, I.J., & Akpan, A.A. (2021). Multiple criteria analysis of the popularity and growth of research and practice of visual analytics, and a forecast of the future trajectory. International Transactions in Operational Research. 28:5. 2275-2298. https://doi.org/10.1111/itor.12952

Размещено на Allbest.ru