هیچ بحثی وجود ندارد: امروزه داده یکی از با ارزش ترین داراییها برای کسبوکارهاست.
در حالی که برخی از سازمانها کل مدلهای کسبوکار خود را حول دادهها میسازند، برخی دیگر به طور منظم مقادیر زیادی از دادهها را برای ترسیم الگوها، دریافت بینش، پیشبینی نتایج کسبوکار، ردیابی رفتارهای مصرفکننده یا بهبود تعامل با مشتری جذب، ذخیره و تحلیلگری میکنند.
گارتنر دریافته است که کسبوکارها به طور فزایندهای تصمیمگیری مبتنی بر داده را به تصمیمگیری مبتنی بر شهود ترجیح میدهند، که احتمالاً دلیل رشد بازار تحلیلگری داده با نرخ مرکب سالانه نزدیک به ۳۰ درصد است.
با در نظر گرفتن این عوامل، در این مطلب می خواهیم به پنج روند کلان نگاه کنیم که احتمالاً تحلیلگری داده را در سال آینده شکل خواهند داد.
همانطور که تقاضا برای هوش کسبوکار (BI) در حال افزایش است، پذیرش تحلیلگری نیز سرعت خواهد یافت.
مسلماً، تحلیلگری و هوش کسبوکار در حال حاضر در همه بخشهای کسبوکاری اصلی وجود دارند. این تقاضا برای بینش در تمام واحدهای کسبوکاری چالشبرانگیز است و همچنان رهبران تحلیلگری را به چالش می کشد تا با تقاضا – و فناوران پشت سر آنها – برای ساختن سیستم هایی که می توانند با چرخه ها بزرگ و کوچک شوند، همگام شوند.
مدل تحلیلگری «سلف سرویس» یا «دموکراتیزه شده» همچنان جام مقدسی است که متخصصان داده برای رسیدن به آن تلاش می کنند. راهاندازی و مقیاسبندی این مدل، که در آن همه واحدهای تجاری (حتی واحدهای غیر فنی) به دادهها و بینشهای هوشمند دسترسی داشته باشند دشوار است. این بدان معنا نیست که صنعت نتوانسته است این نیاز را برآورده کند. معماریهای ابری و پلتفرمهای تحلیلگری بر اساس تقاضا، همچنان به رشد خود ادامه میدهند و عملکردهایی را برای پاسخگویی به تقاضا ارائه میدهند. اگرچه، هزینه انجام این کار در مقیاس و برای همه افراد سازمان می تواند دلهره آور باشد. مدیریت این هزینهها همچنین میتواند به فناوریهای ترکیبپذیرتر منجر شود.
طبق گفته گارتنر، این روند جالبی است که باید دنبال شود زیرا اکثر سازمان های بزرگ خود را در حال اضافه کردن بیش از یک ابزار تحلیلگری یا هوش کسبوکار می دانند. گارتنر همچنین بر این باور است که ۶۰ درصد سازمانها از فناوریهای تحلیلی استفاده میکنند که ترکیبپذیر هستند. به عبارت دیگر، سازمانها اجزای راهحلهای مختلف را جهت ساخت برنامههای کاربردی کسبوکاری که دید غنیتری از دادههایشان ارائه میدهند، ترکیب میکنند. بدون یک استراتژی روشن، این ممکن است به دلیل تکرار تلاش ها و داده ها منجر به افزایش بیشتر هزینه ها شود.
بیشتر سازمان ها برای تحلیلگری اقیانوس داده هایی که جمع آوری می کنند، تلاش می کنند. این به این دلیل است که تقریباً ۹۰٪ داده ها ساختار یا طرحواره تعریف شده ای ندارند.
فناوریهای هوش مصنوعی و یادگیری ماشین به کسبوکارها این امکان را میدهد که این دادههای بدون ساختار را به روشی هوشمندانهتر و سریعتر تحلیلگری کنند. این فناوریها همچنین الگوها و روندهایی را در دادههای ساختاریافته پیدا میکنند که به آسانی آشکار نیستند.
با تعبیه یا ترکیب فناوریهای هوش مصنوعی و یادگیری ماشین با تحلیلگری دادهها و ابزارهای هوش کسبوکار سازمانها باید بتوانند با پیچیدهترین انواع دادهها مقابله کرده و ارزش پنهان دادههای بدون ساختار را در مقیاس کشف کنند.
امروزه، قابلیتهای هوش مصنوعی و یادگیری ماشین در حال حاضر قادر به مکان یابی و استخراج دادهها از اسناد بدون ساختار با دقت نزدیک به ۹۵ درصد هستند. پیشبینی اینکه ابزارهای هوش مصنوعی در سال ۲۰۲۳ به بلوغ و محبوبیت خود ادامه میدهند کار سختی نیست.
از آنجایی که سازمانها سیستمهای متفاوت را ادغام و خودکار میکنند و از فناوریهای هوش مصنوعی و یادگیری ماشین برای تحلیلگری دادههای گسترده استفاده میکنند، آنها باید منابع داده سنتی و قابلیتهای مدرن را با هم ترکیب کنند، جایی که مفهوم بافت داده مطرح میشود. بافت داده به سازمانها کمک میکند تا دادهها را پردازش و تحلیل کنند. سیستمهایی که هم از نظر فیزیکی و هم از نظر منطقی متفاوت هستند (مانند فضای داخلی، چند ابر، رسانههای اجتماعی، دستگاههای اینترنت اشیا، برنامههای کاربردی تلفن همراه و غیره)
با این حال، صاحبان داده ها و تحلیلگران اغلب می پرسند، “آیا این داده ها در زمینه مناسب قرار دارند؟” با غنی سازی بافت داده با فراداده، تحلیلگران می توانند درک عمیق تر و معناداری از داده ها به دست آورند. این به معنای افزودن زمینه به داده ها است تا معنایی ارائه دهد. درک رابطه آن با انواع دیگر دادهها میتواند به بینشهای کسبوکاری جامعتر منجر شود و در نهایت، قضاوت یا اقداماتی را انجام دهد که به استخراج پتانسیل کامل دادهها کمک کند.
جهان شاهد انفجار داده های تولید شده توسط ماشین از دستگاه های اینترنت اشیا (IoT) و اینترنت اشیا صنعتی (IIoT) است.
حجم این دادهها آنقدر زیاد است که فشار زیادی را بر مدلهای سنتی رایانش وارد میکند که در آن همه چیز بهطور مرکزی کنترل و تحلیل میشود. در نتیجه، سازمانها به سمت یک مدل رایانشی غیرمتمرکز (که رایانش لبهای نیز نامیده میشود) جذب میشوند.
این مدل سازمان ها را قادر می سازد تا داده ها را به صورت آنی تجزیه و تحلیل کنند و داده های عملی تری را در اختیار تصمیم گیرندگان قرار دهند. رایانش لبهای نیز به طور قابل توجهی سرعت تجزیه و تحلیل را افزایش می دهد. برای مثال خطاها یا بی نظمی ها در داده ها را می توان در میلی ثانیه شناسایی کرد. کارخانه ها می توانند تعمیرات و نگهداری را پیش بینی کنند. بانک ها می توانند تراکنش های تقلبی را آنی شناسایی کنند. دستگاه های پوشیدنی می توانند تغییرات علائم حیاتی را کنترل کنند. نگرانی های مربوط به حریم خصوصی همچنین منجر به انجام انواع خاصی از تجزیه و تحلیل ها به صورت محلی برای جلوگیری از نشت داده ها می شود.
همانطور که تحلیلگری متنی و پیوسته تر می شود، باید با فناوری های هوش مصنوعی و یادگیری ماشین نیز تطبیق یابد. بنابراین، تحلیلگری دیگر نباید فقط بر داده های تاریخی تمرکز کند، بلکه در عوض داده ها را در زمان واقعی پردازش می کند، زمینه را درک می کند و رفتار آن را بر این اساس تطبیق می دهد.
مزیت اصلی تجزیه و تحلیل تطبیقی این است که سازمان ها قادر خواهند بود بر اساس داده آنی با دقت بسیار بالایی تصمیم بگیرند. از آنجایی که داده ها به طور مداوم به صورت آنی تحلیل می شوند، خود سیستم نباید قدیمی یا منسوخ شود.
به طور خلاصه، داده ها نفت جدید هستند، اما برای استخراج، پالایش و مهار موثر آن به یک موتور قدرتمند نیاز داریم. سازمانهایی که پایههای تحلیلگری، فرهنگ و شایستگی تحلیلی قوی ایجاد میکنند، مطمئناً قادر به نوآوری و تصمیمگیری هوشمندانهتر خواهند بود.
فرهنگ دادهمحور؛ چیستی و چرایی
چهارچوب های مطرح استراتژی و حکمرانی داده
کلان داده (بیگدیتا) در صنعت بانکداری
ویدئو: مقایسه فرهنگ دادهمحور با فرهنگ دادهگریز
نمونه ای از تحلیل داده در منابع انسانی کلارک