تتطلع المؤسسات في جميع أنحاء العالم - سواء الربحية أو غير الربحية - إلى الاستفادة من تحليلات البيانات لتحسين أداء الأعمال. النتائج من أ مسح ماكينزي تشير هذه الدراسة إلى أن المؤسسات التي تعتمد على البيانات تزيد احتمالية اكتساب العملاء بنسبة 23 مرة، واحتمال الاحتفاظ بالعملاء بستة أضعاف، وأكثر ربحية بنسبة 19 مرة [1]. البحث من قبل معهد ماساتشوستس للتكنولوجيا وجدت أن الشركات الناضجة رقميًا تحقق ربحية أكبر بنسبة 26% من نظيراتها [2]. لكن العديد من الشركات، على الرغم من كونها غنية بالبيانات، تكافح من أجل تنفيذ تحليلات البيانات بسبب الأولويات المتضاربة بين احتياجات العمل والقدرات المتاحة والموارد. البحث من قبل جارتنر وجد أن أكثر من 85% من مشاريع البيانات والتحليلات تفشل [3] وأ تقرير مشترك يوضح IBM وCarnegie Melon أن 90% من البيانات في المؤسسة لا يتم استخدامها بنجاح لأي غرض استراتيجي [4].
في ظل هذه الخلفية، نقدم مفهوم "نسيج تحليلات البيانات (DAF)"، كنظام بيئي أو هيكل يمكّن تحليلات البيانات من العمل بفعالية بناءً على (أ) احتياجات العمل أو أهدافه، (ب) القدرات المتاحة مثل الأشخاص/المهارات والعمليات والثقافة والتقنيات والرؤى وكفاءات اتخاذ القرار والمزيد، و(ج) الموارد (أي المكونات التي تحتاجها الشركة لتشغيل الأعمال).
هدفنا الأساسي من تقديم نسيج تحليلات البيانات هو الإجابة على هذا السؤال الأساسي: "ما هو المطلوب لبناء نظام فعال لتمكين القرار من العلوم البيانات خوارزميات لقياس وتحسين أداء الأعمال؟ يتم عرض ومناقشة نسيج تحليلات البيانات ومظاهره الخمسة الرئيسية أدناه.
1. التركيز على القياس
تدور التحليلات في جوهرها حول استخدام البيانات لاستخلاص رؤى لقياس أداء الأعمال وتحسينه [5]. هناك ثلاثة أنواع رئيسية من التحليلات لقياس وتحسين أداء الأعمال:
- تحليلات وصفية يسأل السؤال: ماذا حدث؟ تُستخدم التحليلات الوصفية لتحليل البيانات التاريخية لتحديد الأنماط والاتجاهات والعلاقات باستخدام تقنيات تحليل البيانات الاستكشافية والترابطية والاستنتاجية. تقوم تقنيات تحليل البيانات الاستكشافية بتحليل وتلخيص مجموعات البيانات. يشرح التحليل الوصفي النقابي العلاقة بين المتغيرات. يتم استخدام تحليل البيانات الوصفية الاستدلالية لاستنتاج أو استنتاج الاتجاهات حول عدد أكبر من السكان بناءً على مجموعة بيانات العينة.
- التحليلات التنبؤية ينظر إلى الإجابة على السؤال "ماذا سيحدث؟" في الأساس، التحليلات التنبؤية هي عملية استخدام البيانات للتنبؤ بالاتجاهات والأحداث المستقبلية. يمكن إجراء التحليل التنبؤي يدويًا (المعروف باسم التحليلات التنبؤية التي يحركها المحلل) أو باستخدام خوارزميات التعلم الآلي (المعروف أيضًا باسم التحليلات التنبؤية المبنية على البيانات). وفي كلتا الحالتين، يتم استخدام البيانات التاريخية لعمل تنبؤات مستقبلية.
- التحليلات الوصفية يساعد على الإجابة على السؤال: "كيف يمكننا تحقيق ذلك؟" في الأساس، توصي التحليلات الإرشادية بأفضل مسار للعمل للمضي قدمًا باستخدام تقنيات التحسين والمحاكاة. عادةً ما يسير التحليل التنبؤي والتحليلات الإرشادية معًا لأن التحليلات التنبؤية تساعد في العثور على النتائج المحتملة، بينما تبحث التحليلات الإرشادية في تلك النتائج وتجد المزيد من الخيارات.
2. التركيز على المتغير
ويمكن أيضًا تحليل البيانات بناءً على عدد المتغيرات المتاحة. في هذا الصدد، واستنادًا إلى عدد المتغيرات، يمكن أن تكون تقنيات تحليل البيانات أحادية المتغير، أو ثنائية المتغير، أو متعددة المتغيرات.
- تحليل أحادي أو عديد المتغير: يتضمن التحليل أحادي المتغير تحليل النمط الموجود في متغير واحد باستخدام مقاييس المركزية (المتوسط، والوسيط، والوضع، وما إلى ذلك) والتباين (الانحراف المعياري، والخطأ المعياري، والتباين، وما إلى ذلك).
- تحليل ثنائي المتغير: هناك متغيران حيث يرتبط التحليل بالسبب والعلاقة بين المتغيرين. يمكن أن يكون هذان المتغيران معتمدين أو مستقلين عن بعضهما البعض. تقنية الارتباط هي تقنية التحليل ثنائي المتغير الأكثر استخدامًا.
- تحليل متعدد المتغيرات: تستخدم هذه التقنية لتحليل أكثر من متغيرين. في بيئة متعددة المتغيرات، نعمل عادةً في ساحة التحليلات التنبؤية ومعظم خوارزميات التعلم الآلي المعروفة (ML) مثل الانحدار الخطي، والانحدار اللوجستي، وأشجار الانحدار، وآلات ناقلات الدعم، والشبكات العصبية يتم تطبيقها عادةً على بيئة متعددة المتغيرات. جلسة.
3. التركيز على الإشراف
أما النوع الثالث من نسيج تحليل البيانات فيتعامل مع تدريب البيانات المدخلة أو بيانات المتغير المستقل التي تم تصنيفها لمخرج معين (أي المتغير التابع). في الأساس، المتغير المستقل هو الذي يتحكم فيه المجرب. المتغير التابع هو المتغير الذي يتغير استجابة للمتغير المستقل. يمكن أن يكون DAF الذي يركز على الإشراف أحد نوعين.
- السببية: تعد البيانات المصنفة، سواء تم إنشاؤها تلقائيًا أو يدويًا، ضرورية للتعلم الخاضع للإشراف. تسمح البيانات المصنفة بتحديد متغير تابع بوضوح، وبعد ذلك يتعلق الأمر بخوارزمية التحليلات التنبؤية لبناء أداة الذكاء الاصطناعي/تعلم الآلة التي من شأنها بناء علاقة بين التسمية (المتغير التابع) ومجموعة المتغيرات المستقلة. وحقيقة أن لدينا ترسيمًا واضحًا بين فكرة المتغير التابع ومجموعة من المتغيرات المستقلة، فإننا نسمح لأنفسنا بإدخال مصطلح "السببية" لشرح العلاقة بشكل أفضل.
- عدم السببية: عندما نشير إلى "التركيز على الإشراف" كبُعد لدينا، فإننا نعني أيضًا "غياب الإشراف"، وهذا يجلب النماذج غير السببية إلى المناقشة. النماذج غير السببية تستحق الذكر لأنها لا تتطلب بيانات مصنفة. التقنية الأساسية هنا هي التجميع، والطرق الأكثر شيوعًا هي k-Means والتجمع الهرمي.
4. التركيز على نوع البيانات
يركز هذا البعد أو المظهر لنسيج تحليلات البيانات على ثلاثة أنواع مختلفة من متغيرات البيانات المتعلقة بكل من المتغيرات المستقلة والتابعة المستخدمة في تقنيات تحليل البيانات لاستخلاص الأفكار.
- بيانات اسمية يستخدم لتسمية أو تصنيف البيانات. ولا تتضمن قيمة عددية، وبالتالي لا يمكن إجراء حسابات إحصائية باستخدام البيانات الاسمية. ومن أمثلة البيانات الاسمية الجنس ووصف المنتج وعنوان العميل وما شابه.
- البيانات الترتيبية أو المرتبة هو ترتيب القيم، لكن الاختلافات بين كل واحدة منها غير معروفة حقًا. ومن الأمثلة الشائعة هنا تصنيف الشركات على أساس القيمة السوقية، وشروط الدفع للبائعين، ودرجات رضا العملاء، وأولوية التسليم، وما إلى ذلك.
- البيانات الرقمية لا يحتاج إلى مقدمة وهو ذو قيمة عددية. هذه المتغيرات هي أنواع البيانات الأساسية التي يمكن استخدامها لنمذجة جميع أنواع الخوارزميات.
5. التركيز على النتائج
يبحث هذا النوع من نسيج تحليلات البيانات في الطرق التي يمكن من خلالها تقديم قيمة الأعمال من الرؤى المستمدة من التحليلات. هناك طريقتان يمكن من خلالهما تحديد قيمة الأعمال من خلال التحليلات، وهما من خلال المنتجات أو المشاريع. في حين أن المنتجات قد تحتاج إلى معالجة تداعيات إضافية حول تجربة المستخدم وهندسة البرمجيات، فإن تمرين النمذجة الذي تم إجراؤه لاشتقاق النموذج سيكون مشابهًا في كل من المشروع والمنتج.
- A منتج تحليل البيانات هو أحد أصول البيانات القابلة لإعادة الاستخدام لخدمة احتياجات العمل على المدى الطويل. فهو يجمع البيانات من مصادر البيانات ذات الصلة، ويضمن جودة البيانات، ويعالجها، ويجعلها في متناول أي شخص يحتاج إليها. عادةً ما يتم تصميم المنتجات للأشخاص، ولها مراحل متعددة في دورة الحياة أو تكرارات تتحقق من خلالها قيمة المنتج.
- A مشروع تحليل البيانات تم تصميمه لتلبية احتياجات عمل معينة أو فريدة وله قاعدة مستخدمين أو غرض محدد أو ضيق. في الأساس، المشروع هو مسعى مؤقت يهدف إلى تقديم الحل لنطاق محدد، في حدود الميزانية وفي الوقت المحدد.
سيتحول الاقتصاد العالمي بشكل كبير في السنوات القادمة حيث ستستخدم المؤسسات بشكل متزايد البيانات والتحليلات لاستخلاص الأفكار واتخاذ القرارات لقياس أداء الأعمال وتحسينه. ماكينزي وجدت أن الشركات التي تعتمد على المعرفة تبلغ عن زيادة في الأرباح قبل الفوائد والضرائب والإهلاك والاستهلاك (الأرباح قبل الفوائد والضرائب والإهلاك والإطفاء) بنسبة تصل إلى 25% [5]. ومع ذلك، فإن العديد من المنظمات لا تنجح في الاستفادة من البيانات والتحليلات لتحسين نتائج الأعمال. ولكن لا توجد طريقة أو نهج قياسي واحد لتقديم تحليلات البيانات. يعتمد نشر حلول تحليلات البيانات أو تنفيذها على أهداف العمل وقدراته وموارده. يمكن لـ DAF ومظاهره الخمسة التي تمت مناقشتها هنا أن تمكن من نشر التحليلات بشكل فعال بناءً على احتياجات العمل والقدرات المتاحة والموارد.
مراجع حسابات
- mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/five-facts-how-customer-analytics-boosts-corporate-performance
- ide.mit.edu/insights/digitally-mature- Companies-are-26-أكثر ربحية-من-أقرانها/
- Gartner.com/en/newsroom/press-releases/2018-02-13-gartner يقول ما يقرب من نصف عدد الشركات التي تخطط لنشر الذكاء الاصطناعي
- forbes.com/sites/forbestechcouncil/2023/04/04/three-key-misconceptions-of-data-quality/?sh=58570fc66f98
- سوثيكال، براشانث، "أفضل ممارسات التحليلات"، التقنيات، 2020
- mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/insights-to-impact-creating-and-sustaining-data-driven-commercial-growth
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- تشارت بريم. ارفع مستوى لعبة التداول الخاصة بك مع ChartPrime. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://www.dataversity.net/introducing-the-data-analytics-fabric-concept/
