Applications of Big Data in Economic Information Analysis and

F t
ð Þ = 〠
k
i=1
w
i
f
i
t
ð Þ + ε:
ð1Þ
Sample results from a sample model (Figures 3 and 4).
For analysis, the following formula is used:
Z = λ
1
v
1
+ λ
2
v
2
+⋯λ
n
v
n
:
ð2Þ
4. Applications of Big Data
4.1. Management of Supplier Interaction. Vendor interaction
administration is establishing pro
ficiency in tactical strategy
formulation and supervising all contacts with an organiza-
tion
’s vendors in attempt to minimize the likelihood of mis-
takes as well as increase the worth of such relationships. In
SRM, developing tight connections among major vendors
and improving engagement with them is critical to identify-
ing and generating unique content and lowering the chance
of loss. Companies that concentrate on connection manag-
ing and cooperation will bene
fit from organizational capabil-
ities and supplier relationship management (SRM). Big data
analysis methods can assist in regulating vendor interactions
Table 4: Traditional and big data analysis.
Traditional analytics
Big data analytics
Analytics type
Descriptive, predictive
Predictive, prescriptive
Analysis methods
Hypothesis-based
Machine learning
Primary objective
Internal decision support and performance management
Business process driver and data-driven products
Data type
Structured and de
fined (formatted in rows and columns)
Unstructured and unde
fined (unstructured formats)
Data age/
flow
>24 h static pool of data
Data volume
Tens of terabytes or less
100 terabytes to petabytes
Slower speed
Average speed
Faster speed
High speed
R
unnin
g sp
eed 
1
2
11
5
10
30
55
System operation speed test
Number and proportion (%)
Number of people
Percentage
6
Figure 3: Sample model results.
Interact correctly
Interact error
Unable to interact
System interactive function test
5%
90%
5%
Figure 4: Sample result chart.
4
Wireless Communications and Mobile Computing

---

by providing reliable knowledge and statistics on institu-
tional consumption habits. Big data, for instance, may pro-
duce precise knowledge on the pro
fitability (returns on
investments) of every project as well as a detailed study of
possible suppliers. Considering the great capability of big
data computation among the examined elements, fuzzy arti-
ficial assessment and analytical hierarchy process (AHP)
have been utilized in a research to assess and choose sup-
pliers. The goal is to
find a supplying company that can
adjust to potential big data problems [7].
4.2. Design of Physical Distribution Networks. Logistics and
operation network architecture is a calculated choice that
encompasses all physical distribution partner sourcing
choices as well as organizational regulations and initiatives
aimed at achieving protracted planned goals. The logistics
and operation network architecture design task include
establishing the structural arrangement of the supply chain,
which in
fluences the majority of a corporation’s functional
departments or operational departments. It is critical to
assess service quality and supply chain performance when
constructing the supply chain network [8]. The goal of sup-
ply chain design is to create a system of individuals who can
help the
firm achieve its protracted performance goals.
These essential stages should be observed while designing a
supply chain:
(1) Decide the protracted tactical aims
(2) Identify the task domain
(3) De
fine the type of analysis to be performed
(4) Identify the instruments to be applied
(5) Identify
the
optimal
structure
for
program
accomplishment
The organization will get a substantial competitive edge
by choosing the best distribution network design and strat-
egy. In a study, a method which used big data and arbitrarily
produced large databases for logistics operations, client
need, and transit was employed, and it was referred to as
combined-integer nonlinear approach for describing trans-
mission locations. It was supposed that marketing analytics
techniques had been used to examine the attitudinal dataset.
Big data, according to the results of the research, may supply
all of the essential data on penalized cost data and service
quality, making it a very valuable resource for complicated
allocation network model [9].
4.3. Commodity Design and Development. Some of the pri-
mary worries of
flexible item makers could be whether their
items correspond to the demands of respective clients.
Developers require devices to anticipate and evaluate client
inclinations and desires as they evolve over the course of a
commodity
’s life cycle. In the item development phase, a
shortage of data regarding clients
’ tastes and desires is a
signi
ficant challenge. Developers may create goods that sat-
isfy client interests and desires if companies regularly
observe client conduct and have exposure to updated infor-
mation on client inclinations. Client conduct, commodity
creation, and production processes all produce large
amounts of information, which are referred to as big data.
It is possible to decrease unpredictability by gathering,
monitoring, and using emerging methodological tools to
acquire discoveries and relevant knowledge, which may
then be applied to judgments. Technical design is the pro-
cedure of converting client requirements into design
requirements. Data science (DS) is described as the act of
converting visible global truth knowledge into understand-
able information that can be used to make decisions [10].
In as much as there are many techniques to commodity
design which are accessible, all of these methodologies are
basic from a DS standpoint. The design procedure is
depicted schematically below Figure 5.
Big data will have signi
ficant influence over numerous
businesses, including concept development. Designers will
progressively incorporate electronics and wireless commu-
nications within their designs, which shall contribute to
this trend. As a result, throughout the production distribu-
tion procedure, company
’s goods features should be
addressed, and all supply chain stakeholders and limita-
tions need to be included at the concept phase. Supply
chain design that is based on commodity design gives the
supply chain a competitive edge and adaptability. BDA
approaches have lately been employed in item creation
and production, resulting in the creation of new goods
based on user interests. When big data analysis is used in
commodity design, it allows the developer to be continually
conscious of the interests and desires of the client, allowing
them to create an item that meets their wants and inclina-
tions [11]. Engineers can foresee and anticipate client
wants by looking at virtual conduct and consumer acquisi-
tion records. Through continuously observing client activi-
ties as well as conveying clients
’ thoughts and wants,
developers may uncover innovative attributes and forecast
prospective market patterns.
The signi
ficance of big data in the automobile sector
stems from the car, which displays vast amounts of e
fficiency
statistics and consumer requirements. One of the eventual
aims of industries producing durables for consumers is to
preserve existing economic viability for as long as it is
achievable. This has therefore made it easier to apply the
idea of (operated) data-driven development. Current
advances in data processing as well as overall use of data
analytics technologies have paved the way for alternative
ways to generate insights for item improvement and
achievement of goals. As a result of this theory, item
designers can continuously improve their goods and services
depending on actual consumption, performance, and loss
data. Despite the fact that several data analytic (software)
applications and modules were established for gathering
product-related information, item improvement using auto-
mated analysis methodologies and technologies is currently
in its infancy. Developers nevertheless confront numerous
obstacles and must address numerous constraints. Selecting
the most appropriate data analytic tools (DATs) and incor-
porating them into creative concepts are said to be di
fficult
for developers [12].
5
Wireless Communications and Mobile Computing

---

4.4. Planning for Demand. Several distribution network
managers are eager to use big data to enhance market fore-
casts and manufacturing scheduling. Demand forecasting
has traditionally proven to be a di
fficult task in SCM. Big
data analysis can be used to track customer allegiance, mar-
ket signals, and ideal cost statistics. The capacity to use mod-
ern electronics, program, and computational design is,
nevertheless, one of the obstacles that the businesses
encounter. Big data analysis allows for the detection of
emerging economic changes as well as the identi
fication of
the core sources of problems, losses, and
flaws. Through
analyzing consumer activities, data analytics could forecast
clients
’ interests and wants, allowing businesses to be more
creative and innovative. Through estimating the operating
demand, this framework allows developers to design genera-
tion identities and operations. Further in a di
fferent study,
big data is used to assess air traveler need and proposes a
methodology for anticipating demand for air passengers.
This study
’s findings suggest a 5.3 percent forecasting inac-
curacy [13].
4.5. Monitoring of Procurement. Procurement is made up of
a number of implementation mechanisms and agreements
as technical and practical judgments. Considering the huge
amount of extensively scattered information produced all
over various processes, frameworks, and di
fferent locations,
operational institutions require improved technology to pro-
cess this massive data, and highly competent people that can
evaluate it and obtain useful information and ideas to use in
their planning and decisions. Previously, gathering domestic
and architectural data from the activities and exchanges of
the organization and its a
ffiliates was a time-consuming pro-
cedure that lasted a couple of days. However, nowadays,
many di
fferent structural, procedural, interior, and exterior
information recorded by intelligent automation is readily
accessible to these companies at a great velocity, across sev-
eral instances instantaneously [14]. SCA can be used to
monitor the quality of vendors as well as supply chain risk.
Exterior and domestic big data were utilized to swiftly detect
and control shortfalls in one study. For instance, alerting the
public via social sites and the headlines regarding forex rate
fluctuations and natural calamities has an impact on the dis-
tribution network. This paradigm may be used to detect dis-
tribution network danger in real time, allowing for actual
risk monitoring, judgment assistance, and emergency pre-
paredness [15].
4.6. Customization of Production. Industries can use big data
to uncover signi
ficant knowledge and trends, allowing them
to enhance operations, improve distribution network e
ffec-
tiveness, and detect manufacturing factors. Distribution
channels as well as production methods are extensive and
sophisticated in modern worldwide and interlinked econ-
omy; it should be feasible to evaluate all elements for every
operation and connect distribution network in
finer preci-
sion to modify the operations and maximize the distribution
network [16]. Producers may accurately determine each
individual
’s behaviors and duties via fast and reliable data
assessment for every phase of the manufacturing procedure,
as well as analyze the whole corporation, using data analyt-
ics. Producers can use this capability to discover constraints
and uncover underperforming operations and equipment.
Previously,
consolidated
manufacturing
and
large
manufacturing were impractical since they were centered
solely on the orders of a limited number of clients; however,
today
’s BDA have made it feasible to precisely estimate con-
sumer requests and tastes for personalized items [17].
5. Logistics
Owing to the introduction of vast numbers of information
and gadgets, environmental worries, sophisticated regulatory
rules, shifting industrial structures, personnel limits, equip-
ment, and the emergence of digital technologies, the logistics
sector has experienced a profound transition. Within that
sector, normalization of data exchange framework and
Customer
data
Conceptual
design
Preliminary
design
Detail
design
Design
knowledge
Design
solution
Design
problem
Figure 5: The process of design.
6
Wireless Communications and Mobile Computing

---

substance is critical for improving and facilitating conversa-
tion and cooperation among various sectors, such as distrib-
utors, producers, supply chain companies, importers, and
retailers, and the development of new standard company
procedures. Nevertheless, in nowadays production network
domain, lowering expenses through decreasing surplus
stock, both stored and on transportation, proactively react-
ing to internal and external incidents, and pooling resources
has proven to be crucial. Presently, e
ffective mechanisms are
needed to rapidly and accurately evaluate data obtained
from numerous origins such as detectors, scanners, GPS,
and RFID tags and to integrate professional discretion and
fuse various information sources, due to the elevated quan-
tity of data [18].
6. Conclusion
In the upcoming years, big data shall be equally as vital as
transit, energy, and telecommunication systems in terms of
societal and
financial advancement. Several fields, including
as politics, economics, and society, will experience signi
fi-
cant transformations and attain unparalleled advancement
in the framework of big data, a
ffecting people’s lifestyles,
cognitive structures, and ethical systems profoundly. The
use of big data in the analysis of commercial economic data
will become increasingly widespread in the future.
As a result, businesses should nurture big data extensive
expertise, enhance their monetary managerial systems,
aggressively establish big data mining and analysis advanced
technologies, strengthen their application understanding of
financial decisions in the era of big data, and boost country’s
overall strength.
Data Availability
The data underlying the results presented in the study are
available within the manuscript.
Conflicts of Interest
There is no potential con
flict of interest in our paper, and all
authors have seen the manuscript and approved to submit to
your journal. We con
firm that the content of the manuscript
has not been published or submitted for publication
elsewhere.
References
[1] S. S. Darvazeh, I. R. Vanani, and F. M. Musolu, Big Data Ana-
lytics and Its Applications in Supply Chain Management, New
Trends in the Use of Arti
ficial Intelligence for the Industry 4.0,
L. R. Martínez, R. A. Osornio Rios, and M. D. Prieto, Eds.,
IntechOpen, 2020.
[2] S. Chen and I. Sanweng,
“Economic information analysis and
its application in decision-making under the background of
big data,
” Mobile Information Systems, vol. 2021, Article ID
4471485, 6 pages, 2021.
[3] M. S. Hadi, A. Q. Lawey, T. E. El-Gorashi, and J. M. Elmir-
ghani,
“Big data analytics for wireless and wired network
design: a survey,
” Computer Networks, vol. 132, pp. 180–199,
2018.
[4] K. Vassakis, E. Petrakis, and I. Kopanakis,
“Big data analytics:
applications, prospects and challenges,
” in Mobile Big Data, G.
Skourletopoulos, G. Mastorakis, C. Mavromoustakis, C.
Dobre, and E. Pallis, Eds., Springer, Cham, 2018.
[5] S. Tiwari, H. M. Wee, and Y. Daryanto,
“Big data analytics in
supply chain management between 2010 and 2016: insights
to industries,
” Computers and Industrial Engineering,
vol. 115, pp. 319
–330, 2018.
[6] K. Wen,
“Information management and information system
analysis in the context of BD,
” Digital World, vol. 173, no. 3,
p. 87, 2020.
[7] M. W. Barbosa, A. D. Vicente, M. B. Ladeira, and M. P. Oli-
veira,
“Managing supply chain resources with big data analyt-
ics: a systematic review,
” International Journal of Logistics
Research and Applications, vol. 21, no. 3, pp. 177
–200, 2018.
[8] H. Rui,
“Analysis and application of airport statistics under the
background of BD,
” Civil Aviation Management, vol. 346,
no. 8, pp. 47
–49, 2019.
[9] M. L. Song, R. Fisher, J. L. Wang, and L. B. Cui,
“Environmen-
tal performance evaluation with big data: theories and
methods,
” Annals of Operations Research, vol. 270, no. 1-2,
pp. 459
–472, 2018.
[10] T. Nguyen, Z. H. Li, V. Spiegler, P. Ieromonachou, and Y. Lin,
“Big data analytics in supply chain management: a state-of-
the-art literature review,
” Computers and Operations Research,
vol. 98, pp. 254
–264, 2018.
[11] A. Wang,
“Analysis of industrial economic information in the
era of BD and its application in macro decision-making,
”
China Civil Business, vol. 77, no. 5, 2019.
[12] R.
Dubey,
N.
Altay,
A.
Gunasekaran,
C.
Blome,
T. Papadopoulos, and S. J. Childe,
“Supply chain agility, adapt-
ability and alignment,
” International Journal of Operations &
Production Management, vol. 38, no. 1, pp. 129
–148, 2018.
[13] J. Di,
“Analysis of opportunities and challenges in marketing
under the background of BD,
” Fujian Tea, vol. 41, no. 1,
pp. 249-250, 2019.
[14] Y. Liu,
“Research on the impact of sharing economy develop-
ment on accounting in the BD era,
” Journal of Jiamusi Educa-
tion College, vol. 36, no. 4, pp. 46-47, 2020.
[15] Y. Zhang,
“Research on the application of management
accounting information based on the background of BD,
” Pub-
lic Investment Guide, vol. 331, no. 11, pp. 143
–145, 2019.
[16] Q. Feng and J. G. Shanthikumar,
“How research in production
and operations management may evolve in the era of big data,
”
Production and Operations Management, vol. 27, no. 9,
pp. 1670
–1684, 2018.
[17] T. M. Choi, S. W. Wallace, and Y. Wang,
“Big data analytics in
operations management,
” Production and Operations Man-
agement, vol. 27, no. 10, pp. 1868
–1883, 2018.
[18] P. Wang,
“Explore the application and development of BD
technology in the command information system,
” Digital User,
vol. 25, no. 14, p. 99, 2019.
7
Wireless Communications and Mobile Computing

---