با وجود اینکه مزایای تجزیه و ارزیابی داده ها بیشتراز قبل در هم اکنون ارتقاء میباشد، بعضی کسبوکارها درین مراحل با ابهام و سردرگمی مواجه میگردند. کمپانیهایی که میکوشند همگی مسائل را چک نمایند و در فرایند نظارت به هر عمل ممکنی دست بزنند، وقتی که بایستی گامبعدی را بردارند و تشخیص دهند که چه چیزی دارای اهمیت میباشد و چه کاری می بایست دراین خصوص انجام دهند (برای مشتریان، سهامداران یا این که کارمندان خویش) در گیر خلل میشوند دراینصورت کشف و شناسایی زمانهای کسبوکار حقیقی وواقعی و دستیابی به حاصل مناسب، ممکن میباشد قدری به دور از دسترس یا این که حتی حیرانکننده بهحیث رسد.
برای حل این خلل، کمپانیها می بایست چهت نیل به دیدگاه عمیق با به کارگیری از دادههای خویش و نیز اتخاذ تصمیمات قیمت آفرین مبتنی برآن، مسیر معمولیتری در پیش بگیرند. درپی، قدمهایی برای بی آلایشسازی استراتژی تحلیلی و ساخت بینشی که به نتیجه ها حقیقی میانجامد و براساس حاصل استدلال ها در کمپانیهای گوناگون به خیر پاسخ داده میباشد؛ ارائه میشود:
۱. سرعت بخشیدن به دادهها: دادههای سریع = دیدگاه سریع = نتیجه ها سریع
شما می توانید از روش ساخت و ساز یک زنجیره تامین داده و به کار گیری از آن در یک فضا تکنولوژی ترکیبی (یک پلتفرم خدمت داده که با فناوریهای کلان داده – big data- ادغام شدهاست) داده ها را آزاد فرمائید و به آنها سرعت ببخشید. چنین محیطی کسبوکارها را کارکشته میسازد که دادههای فزاینده و رو به رویش را – برای به کار گیری سریعخیس نسبت به پیشین – در سراسر سازمان منتقل، مدیر و روان نمایند. بررسیهای درلحظه، سرعت عملیات را بالا برده و بهبود کیفیت سرویس ها سازمان را بهدنبال داراست. از جمله، یک خزانه آمریکایی از چنین دور و بر فناوری برای رئیس موثرتر وسعت دادههای رو به ارتقاء خویش – در پروژههای نظارت مشتریانش – به کار گرفت. فیض آن شد که علاوه بر کاهش و بهبود برهه زمانیِ پردازش عملیات بانکی به دوران یکسری ساعت، دیدگاههای سریعتری ساخت و ساز شد و برهه زمانی پاسخگویی نیز کوتاهخیس شد.
۲. عمل را به فناوریهای تحلیلگرتان تفویض نمایید.
کشف نگرشهای تحلیلی، الزاماً فعالیت دشواری وجود ندارد. به دنبال راهکارهایی برای سپردن فعالیت به فناوریهای تحلیلگر ارائه میگردد:
نسل بعدی هوشمندی تجاری (BI) و بصریسازی داده ها (Data Visualization)
نسل بعدی هوشمندی تجاری طبق ماهیت خویش، دادهها و استدلالها را وارد متن معاش مینماید تا کمپانیها را در بهبود و با صرفهسازی پروسه تصمیمگیری و کوشش سازمانی خویش امداد نماید. هوشمندی تجاری این عمل را از روش تبدیل دادههای سازمانی به میزان دارایی گران بها انجام می دهد که در آن دادههای مطلوب، در طول و جای مطلوب و در ساختار تصویری مطلوب در مشت تصمیمگیران قرار می گیرد و فرصتی مهیا میاورد تا این اشخاص به فیض موردنظر خویش دست یابند. هنگامی دادهها در چارچوب این راهکار دیدنی تصویری و به این راه موثر به تصمیمگیران ارائه گردد، آن ها می توانند زمانهای مبنی بر داده ها را به سیرتکاملای بهتر و با اطمینان بیشتر، دنبال، شناسایی و استخراج نمایند. برای مثال، یک کمپانی ارائهدهنده سرویس ها مالی با به کارگیری از هوشمندی تجاری و بصریسازی داده ها توانست سطح ها متفاوت ریسک در سراسر سبد وام سازمان را مشاهده و رصد نماید. این موسسه بعداز تجزیهونظارت دادههای کلیدی خویش و اکران حاصل به طور بصریسازی گردیده، بعضا نواحی در ایالات متحده را که نرخ تخلف در آنجا بالا بود شناسایی کرد و بر این پایه، جایگاههای هریک از وام دهندگان، هدف ها وام و شبکههای وام و سبد وام بانکی را گزینه مشاهده و چک قرار بخشید. همینطور یوزرها این قابلیت و امکان را یافتند که با نتیجه ها، تعامل پیدا کرده و بر پایه ی نیازهای خویش، در دادهها دست به کاوش بزنند (گزینش یک محدوده وقتی گوناگون، مقایسه وام دهندگان، نوع وامها، و غیره).
با اعتنا به انعطافپذیری و قابلیت و امکانهای اکتشاف داده در هوشمندی تجاری تعاملی و چاره بصریسازی، میقدرت از یک سو تصمیمات بر پایه ی نگرش اتخاذ کرد و از سوی دیگر عملکردها را به سیرتکاملای که به نفع کسبوکار باشد، دنبال و اجرا کرد.
اکتشاف داده (Data discovery)
اکتشاف داده را میقدرت به موازات پروژههای اطلاعاتی با خروجیهای خاص استفاده کرد. کمپانیها با به کار گیری از تکنیکهای اکتشاف داده میتوانند دادههای خویش را گزینه امتحان و به کار گیری قرار دهند تا از این شیوه الگوهای دادهای را که از وضوح کمتری شامل است کشف و شناسایی نمایند. در پی کشف الگوها و نگرشهای بیشتر، مجالهای بیشتری برای خلق و خوی قیمت برای سازمان ظهور مییابد. برای مثال، یک کمپانی سازندهی منابع توانست با منفعتگیری از تکنیکهای اکتشاف داده، پیشبینی نماید که کدام یک از خطوط لولهها بیشتر در معرض خطرها فیزیکی و تهدیدها خاص قرار می گیرد. این مجموعه با اتکا به دیدگاه به دست آمده، توانست حق تقدمبندی نماید که در کدام بخشها بایستی برای تعمیرات حفظ و پرهیز از باخت فرایندها، سرمایهگذاری بیشتری داشته باشد.
برنامههای چکگر
نرمافزارهای کاربردی میتوانند آنالیزهای توسعه یافته را تسهیل نمایند چون این اپلیکیشنها قادرند بضاعت و توان تجزیه و محاسبه را به سادگی و با نازکی، در مشت یوزرها کسبوکارها قرار داده تا آنها با اتکا بدین بضاعت و توانها، تصمیمات تجاری بر پایه ی داده اتخاذ نماید. نرمافزارهای تحلیلگر همینطور میتوانند انعطافپذیر و ویژهی یک صنعت خاص بوده و برای رفع نیازهای یوزرها فردی در سازمان مطلوب باشند و در کارها مختلفی از بازاریابی گرفته تا کارها مالی، و در سطح ها مختلف از مدیران ارشد تا مدیران میانی به سرویس گرفته شوند. مثلا یک نرم افزار توسعه یافته تحلیلگر می تواند به رئیس دکان در باصرفهسازی انبار یاری دهد. مدیریت ارشد بازاریابی (CMO) نیز با به کارگیری از یک نرمافزار این قابلیت را مییابد که هزینههای بازاریابی جهانی کمپانی را به صورت با صرفه رئیس نماید.
یادگیری ماشینی و پردازش شناختی (Cognitive Computing)
یادگیری ماشینی یک سیر رو به تکامل در تجزیه و محاسبه میباشد که دخالت بشر در پردازش سبکسازی دادهها تا پروسه پیشبینی خلق مخاطب و کوشش کمپانی را حذف مینماید. طبق آنچه که در گزارش (Accenture Technology Vision ۲۰۱۵) آمده میباشد: با هجوم سیلآسای دادههای کلان و پیشرفتهایی که در بضاعت پردازش، علم داده و فناوری شناختی به دست آمده، هوشمندی قابل انعطافافزاری به ماشینها یاری مینماید که تصمیمهای بهتری اتخاذ نمایند. مثلا، یک خردهفروش داده ها به دست آمده از شبکههای متعدد فروش (تلفن همراه، مغازه، آنلاین و غیره) را به طور آنی با هم ادغام کرد و از یادگیری ماشینی برای بهبود توان خویش در ارائه سفارشهای فردیخیس به مشتریان بهره مند شد. با این رویه مبنی بر داده، کمپانی توانست مشتریان را به سیرتکاملای موثرتر مقصود قرار گرفته و درآمدهای خویش را ارتقاء دهد.
۳. هر مسیر ویژهای که به فهم و شعورِ داده منتهی میگردد را شناسایی نمایید
مسیر دستیابی به دیدگاه؛ صرفا به یک فرم و قالب محدود نمی شود. علاوه بر این که موادسازنده مختلفی درین فی مابین نقشآفرینی مینمایند، درین عرصه مدام تغییرو تحول وجود دارااست (هدف ها تجاری، فناوریها، نوع دادهها، منابع دادهها و برخی نیز به شرایط تغییرپذیری آنان بستگی داراست). یکیاز دیگر از مولفههای مهم یک کمپانی در مسیر تکان به سمت تجزیه و بررسی داده ها، به فرهنگ وتمدن خویش کمپانی گشوده میگردد: آیا کمپانی، بیشتر محافظهعمل میباشد یا این که روش آن بر اساس بخت و تصادف میباشد؟ آیا کمپانی، دادههای فراوان و فناوریهای آنالیزگر زیادی در چنگ داراست یا اخیرا اولیه پروژه تحلیلی خویش را ابتدا نموده است؟ صرفحیث از نوع ترکیبی از فرهنگ و تمدن و فناوری که در کسب و فعالیت جانور میباشد، هر مسیر منتهی به دیدگاه تحلیلی بایستی به تنهایی و به صورت خاص، با یک خط مش فیض گرا سازگار گردیده باشد.
برای دستیابی بهاین مقصود، کمپانیها میتوانند بنابر ماهیت موضوعی کسب و عمل خویش، دو طرز را به سرویس گیرند. نحوه در آغاز برای یک خلل شناختهگردیده با یک راهحل معین کاربرد داراست (برای مثالً تقسیمبندی مشتریها و سبکسازی مناسب برای کمپینهای بازاریابی غرض) که در آن، کمپانی می تواند یک روش بر طبق فرضیه را به دست گرفته و عمل را با خروجی (مثل فروش کالاهای تکمیل کننده به مشتریان فعلی) ابتدا نماید و به دنبال چاره را با یک تیم در دست گرفتن، مدیر و آزمایش کرده و در غایت آن را بر طبق مقر مشتری (customer base) در مقیاس پهناور تعمیم دهد. طریق دوم، برای یک نقص شناخته گردیده – مثلا یک تقلب – میباشد که چاره نامعلومی دارااست. دراین حالت کمپانی میتواند یک روش بر پایه ی اکتشاف اتخاذ نماید تا برای یافتن آن دسته از رابطههای دیدنی توجهی که میاقتدار آنهارا پیشبینی کرد، در ادامه الگوهای داده باشد. از جمله یک خزانه با همین نحوه متوجه شد که سرعتِ مالامال شدن فرمهای آنلاین آن، رابطه تنگاتنگی با رفتارهای جعلی و متقلبانه دارااست.
اعتنا بهاین نکته ضروری میباشد که بعداز معلوم شدن اینکه کدام ایراد می بایست حل و فصل گردد، کمپانیها می بایست نخست بر آن چیزی که میتواند بالاترین قیمت را به وجود آورد متمرکز شوند، بعد از آن بر طبق آن کمی از علم سازمانی که برای حل خلل مزبور در مشت دارااست، یک خط مش فرضیه-محور یا این که اکتشاف-محور را در امر فعالیت خویش قرار دهند. با کشف و شناسایی نگرشها، روشن میباشد که گامبعدی مرتبط با کسبوفعالیت میباشد که در آن، کمپانی می بایست تصمیمهای مبنی بر داده اتخاذ کند و با اتکا به دادهها، دست به فعالیت بزند. شما میتوانید آن دسته از مجالهای تجاری را که در دادههای شما جای دارد شناسایی فرمایید و قیمت دادههایتان را بالا ببرید. این فعالیت به آسانی قابلیتپذیر میباشد.