در این مطلب، کارشناسان دانشگاه امآیتی[۱]، بینشهایی را در مورد اشتباهاتی که هنگام تحلیلگری[۲] باید از آنها اجتناب کرد، استراتژیهایی که باید اتخاذ کرد و پیشرفتهایی در تحلیلگری و دادههایی که آنها را بیشتر هیجان زده میکند، به اشتراک گذاشتهاند.
یکی از بزرگترین اشتباهاتی که شرکتها در مورد تحلیلگری مرتکب میشوند، قطع ارتباط بین فناوری و تصمیمات کسبوکاری واقعی است. شرکتها تمایل دارند برای صرف داشتن دادهها، دادهها را جمعآوری کنند، و به خاطر صرف داشتن تحلیلگری، تحلیلگری را توسعه دهند، بدون اینکه فکر کنند چگونه از دادهها و قابلیتهای تحلیلگری برای گرفتن تصمیمات کسبوکاری بهتر استفاده نمایند.
سازمانهای تحلیلگر موفق همیشه تصمیممحور هستند. آنها با پرسیدن اینکه برای چه تصمیمات کسبوکاری به دادهها و تحلیلگری نیاز دارند شروع میکنند، سپس منابعی را برای جمعآوری دادهها و تحلیلگری مناسب سرمایهگذاری میکنند. داشتن استعدادهای مناسب در سازمان که هم به زبان تحلیلگری و هم به زبان کسبوکار صحبت میکنند، به همان اندازه مهم است تا بتوانند پل ارتباطی بین فناوری و تصمیمگیرندگان کسبوکاری باشند. این کارمندان نیازهای کسبوکار و چگونگی استفاده از تحلیلگری برای برآوردن این نیازها را درک میکنند. در عین حال، آنها میتوانند راهحلهای فنی را به روشی قابل درک و شهودی به تصمیمگیرندگان کسبوکار منتقل کنند.
یکی از کارشناسان امآیتی میگوید من به شخصه بیشتر از یادگیری عمیق هیجان زده هستم. روشهای تحلیل سنتی برای دادههای ساختاریافته بسیار مؤثر هستند، اما قبلاً نمیتوانستیم از دادههای بدون ساختار (تصاویر، صدا، ویدیو، زبان طبیعی و غیره) بدون پیشپردازش بسیار زیاد، ارزشی به دست آوریم.
با یادگیری عمیق، این محدودیت عملاً از بین میرود. اکنون میتوانیم از دادههای غیرساختاریافته و ساختاریافته در یک چارچوب واحد، انعطافپذیر و قدرتمند استفاده کنیم و نسبت به آنچه قبلاً میتوانستیم انجام دهیم، به دستاوردهای قابل توجهی دست یابیم. این احتمالاً مهمترین پیشرفت تحلیلگرانه است که من در دوران زندگی حرفهای خود شاهد بودهام.
استراتژی ساخت یک روش برای تحلیلگری، ساده است. ابتدا سه مورد کاربرد استفاده را شناسایی کرده و شروع به ساختن آنها کنید. این سه مورد کاربرد عبارتند از:
فناوریهای داده و تحلیلگری، یک توانمندساز حیاتی برای ایجاد گردش کار و فرآیندهای تصمیمگیری هوشمند و سیستمها هستند. با این حال، بسیاری از شرکتها در مورد این موضوع از طریق یک لنز فنی فکر میکنند و این واقعیت را فراموش میکنند این یک چالش سازمانی تمام عیار است.
فرصت طراحی فرآیندهای تصمیمگیری هوشمند از توانایی درک محیط سازمانی پدید میآید. این، نیاز به یک زبان سازمانی جدید مبتنی بر مدلهای داده دارد. سازمانها باید فرآیندهای تصمیمگیری موجود و دادههایی را که تولید میکنند عمیقاً درک نمایند و سپس لایههایی از مدلهای مبتنی بر داده را توسعه دهند تا امکان طراحی فرآیندهای تصمیمگیری هوشمند نوآورانه را فراهم کنند. برای موفقیت، بسیار مهم است که سازمانها تغییرات مورد نیاز در حقوق تصمیمگیری و تعاریف نقش نیروی کار را درک و مدیریت کنند.
اکثر پروژههای تحلیلگری در عمل بر توسعه ابزارهای یادگیری عمیق و هوش مصنوعی متمرکز هستند. این نقطه قوتی است که هر تیم تحلیلگری با تاکید بر شاخصهای عملکرد فنی (دقت ما ۸۷٪ است) و غیره سعی در ساخت، بهبود و استقرار آن دارد.
با این حال، اینها تنها یک زیرمجموعه کوچک از تجزیه و تحلیل کامل را نشان میدهند که شامل مدیریت داده، تحلیلگری توصیفی (مانند تجسم دادهها و تشخیص الگو)، تحلیلگری پیشبینانه (با استفاده از ابزارهای یادگیری ماشین، شامل اما نه محدود به یادگیری عمیق)، تحلیلگری تجویزی (با استفاده از بهینهسازی) و تاثیر کسبوکار است.
با همه هیاهویی که در مورد یادگیری ماشینی وجود دارد، به راحتی میتوان فراموش کرد که پیشبینیها زمانی مفیدتر هستند که تصمیمگیری را تعیین کنند. سازمانها را دیدهام که مدلهای پیشبینانهای را ارائه میکنند که اصلاً تصمیمگیری واقعی را ارائه نمیکنند.
اما حتی اگر یک مدل پیشبینیکننده مستقیماً به تصمیمگیری کمک کند، بهبود پیشبینیها همیشه باعث بهبود تصمیمها نمیشود. در عوض، قابلیتهای تحلیلی جدید زمانی قویتر هستند که برای رسیدگی به موارد استفاده کسبوکاری خاص برای بهبود تصمیمگیری انجام شوند.
برای اطمینان از نتایج موفقیتآمیز، بهتر است شرکتها این قابلیتها را با کیفیت تصمیمهایی که میگیرند اندازهگیری کنند و نه صرفاً با دقت پیشبینیهایی که به آنها وارد میشود.
شرکتهایی که یک فرآیند برای تحلیلگری ایجاد میکنند باید تعاریف و شیوههای ثابتی داشته باشند. اساس تحلیلگری قابل اعتماد، اجماع در مورد چگونگی تعریف معیارهای اساسی و نحوه انجام تحلیلهای رایج است.
این گاهی اوقات یکی دیگر از مزایای غیرمستقیم راهاندازی یک سیستم متمرکز برای تجربهگری تصادفی (تستهای A/B و فراتر از آن) است: اغلب نیاز به تعیین معیارهایی دارد که هنگام تجزیه و تحلیل یک آزمون مشخص نشان داده میشوند، و این مستلزم آن است که تیمها بر سر آن به توافق برسند. معیارهای خاص چگونه تعریف میشوند، اعم از تعداد روزهای فعال، زمان صرف شده در سایت، یا حتی درآمد تبلیغات به ازای هر کاربر.
[۱] MIT
[۲] Analytics
تحلیل گری داده؛ روند توسعه، زنجیره ارزش و کاربردها
چهارچوب های مطرح استراتژی و حکمرانی داده
کلان داده (بیگدیتا) در صنعت بانکداری
انتشار اپیزود هفده: فرهنگ دادهمحور