داشبورد مدیریتی چیست و چه ویژگی هایی دارد؟

برای تعریف داشبورد مدیریتی ابتدا باید متوجه معنای عبارت داشبورد شویم. وقتی از داشبورد صحبت میکنیم اولین چیزی که به ذهن شنونده می­رسد، داشبورد خودرو و هواپیما است. در این مقیاس داشبورد یا پنل کنترل، مجموعه ای از متریک ­ها است که اطلاعاتی مثل سرعت، RPM و سطح سوخت را به راننده یا خلبان نمایش می­دهد که به وسیله آن میتوانند بدون اینکه چشم از مسیر خود بردارند تصمیمات سریع بگیرند. مدیران کسب و کار نیز مانند یک خلبان با داشتن داشبورد مدیریتی، مسیر پیش روی سازمان خود را می بینند و کسب و کارشان را با داشتن اطلاعات کافی راهبری می کنند.

 

 

با این تعریف، ارتباط داشبورد راننده یا خلبان و داشبورد یک مدیر کسب و کار بسیار واضح به نظر می­رسد.

معمولا داشبورد مدیریتی به صورتی طراحی میشود که مدیر در یک نگاه بیشترین اطلاعات را دریافت کند.

مدیران باید بدانند که در کسب و کارشان  چه اتفاقی می­افتد. این در حالی است که نباید خدشه ای به عملیات روزانه آنها وارد شود. تنها در این صورت است که مدیران می­توانند بر اساس داده ها تصمیم بگیرند و در جهت داده محور شدن سازمان گام بردارند.

 

 

داشبورد مدیریتی چیست؟

 

در دنیای امروزه بسیار اهمیت دارد که در حجم وسیعی از دیتا، آنهایی را فیلتر کنیم که برای سازمان ما حیاتی تر است و دسترسی به آنها ما را در تصمیم­گیری سریع یاری می­نماید.

ویژوالی قابل فهم است که شاخص ­های کلیدی عملکرد (KPI) یک سازمان را نمایش میدهد.  این شاخص­ های کلیدی عملکرد هستند که نشان میدهند کسب و کار در مسیر دستیابی به اهداف خود قرار دارد یا نه.

 

 

همانطور که گفتیم، داشبورد مدیریتی مجموعه­ ای از اطلاعاتی که برای تصمیم­ گیری یک مدیر اهمیت دارد را در نمودارهای مختلف نمایش می­دهد. به داشبورد مدیریتی، داشبورد استراتژیک نیز می­گویند. در این داشبوردها از اطلاعات به لحظه (real-time data) استفاده میشود. مدیران به وسیله داشبورد مدیریتی، تصویر کلی از سازمان خود خواهند داشت که آن ها را قادر می سازد تا از فرصت ها استفاده کنند و قسمتهایی از کسب و کار را که نیاز به بهبود دارد، شناسایی کنند. داشبورد مدیریتی به عنوان خروجی سیستم هوش تجاری در نظر گرفته می شود.

 

 

اما چگونه این اطلاعات را انتخاب کنیم؟

 

انتخاب شاخص ها برای داشبورد مدیریتی:

• KPIها باید مستقیما با اهداف سازمان ارتباط داشته باشند. مهم تر از آن KPIها باید به صورت مستقیم به اندازی گیری میزان موفقیت سازمان نیز مرتبط باشند.
• زنجیره فرایندهایتان را تحلیل کنید و نقاطی که به کسب و کار شما ارزش اضافه می­کنند را شناسایی نمایید. یعنی قسمت هایی از کسب و کار که به مشتری نهایی شما ارزش اضافه می­کند.
• KPIهایی را انتخاب کنید که به راحتی اندازه­ گیری شوند و امکان خطای کالیبراسیون نداشته باشند. (اگر اینگونه نباشد، داشبورد شما قابل اعتماد نخواهد بود)
• KPIها باید عددی باشند که به آسانی بتوان آنها را تفسیر کرد.
• همچنین میتوانید KPIهایی تعریف کنید که مشخص کنند در مسیر درست قرار دارید یا نه. به این شاخص ها، شاخصهای روند می­گویند. (مثل روند فروش در ماه­های سال)
• به یاد داشته باشید که داشبورد مدیریتی مثل یک عکس از وضعیت شرکت شما در لحظه است. شما باید آن را به درستی تفسیر کنید.

 

 

به­روش ها برای ساختن داشبورد مدیریتی:

 

• قابل استفاده بودن داشبورد مدیریتی: هدف اصلی از داشبورد مدیریتی دریافت اطلاعات واضح، دقیق و هدف محور است. استفاده از داشبورد شما نباید نیاز به آموزش­های پیچیده داشته باشد. هر کسی با حداقل اطلاعات کامپیوتری باید بتواند از آن استفاده کند.
• معنی دار بودن داشبورد مدیریتی: باید بدانید که چه KPIهایی مهم ترین اطلاعات را در راستای موفقیت سازمان شما نمایش میدهند. (در به­روش ها بیشتر از ۵ متریک اصلی نباید در داشبورد باشد.)
• داشبورد مدیریتی باید اطلاعات کافی نمایش دهد اما به این معنی نیست که اطلاعات زیادی داشته باشد. تعداد زیاد ویژوال در داشبورد مدیریتی، اثرگذاری آن را کاهش میدهد.
• انتخاب ویژوال مناسب بسیار مهم است. باید بدانید که کدام ویژوال برای نمایش KPIهای شما اثرگذارتر است.
• فاکتور مهم دیگر رنگبندی داشبورد است. باید مواظب باشید که تضاد رنگی در داشبوردتان زیاد نباشد.
• باید بدانید که برای هر مدیر چه شاخص هایی را در داشبورد نمایش دهید. برخی اطلاعات باید تنها برای مدیران رده بالای شرکت نمایش داده شوند.

 

 

مزایای داشبورد مدیریتی:

 

• ارزیابی عملکرد با توجه به برنامه و اقدام بر اساس آن.
• تقویت ارتباطات درون سازمانی. داشبوردها ابزارهای مناسبی برای بررسی عملکرد شرکت و پرسنل هستند. از این داشبوردها میتوانید به عنوان پرزنتیشن در جلسات شرکت استفاده کنید.
• تقویت ارتباط برون سازمانی. داشبورد مدیریتی ارتباط شما به تامین کنندگان و مشتریان را بهبود میبخشند. از آنها برای نشان دادن وضعیت سازمان به ذینفعان نیز میتوانید استفاده کنید.
• صرفه جویی در زمان. وقتی تمامی اطلاعاتی که نیاز دارید در یک صفحه قابل مشاهده باشد، زمان شما برای وارد کردن دیتا، ساختن گزارشات و ارتباط با واحدهای مختلف به هدر نخواهد رفت.
• اقزایش عملکرد کارکنان. با ارزیابی عملکرد کارکنان میتوانید خروجی منابع انسانی مثل استعدادها و میزان مشارکت آنها را رصد کنید.
• افزایش سودآوری. با فهمیدن اینکه کدام قسمت کسب و کار شما به بهبود نیاز دارد، میدانید که زمان، انرژی و منابع­تان را در چه قسمتی باید مصرف کنید.

 

 

داشبورد ساخته شده توسط تیم نمودار

برای دریافت دمو داشبوردهای مدیریتی نمودار کلیک کنید

برای مشاهده امکانات پرتال رادار با قابلیت مدیریت و نمایش داشبورد های پاور بی آی کلیک کنید

 

 

نمونه ­ای از داشبوردهای مدیریتی:

 

 

داشبورد مدیر ارشد

داشبورد مدیر فروش و بازاریابی

7 مزیت برتر هوش تجاری (BI)

هوش تجاری سازمانی مزایای BI
فرآیندهای هوش تجاری یا BI به شما کمک می کند تا داده های خود را سازماندهی کنید تا به راحتی قابل دسترسی و تجزیه و تحلیل باشد. سپس تصمیم گیرندگان می توانند به سرعت اطلاعات مورد نیاز خود را به دست آورند و آنها را قادر می سازد تا تصمیمات آگاهانه بگیرند. اما بهبود تصمیم گیری تنها یکی از مزایای هوش تجاری است. بیایید عملی ترین مزایای BI و نحوه استفاده سازمان ها از فناوری برای دستیابی به اهداف خود را مرور کنیم.

BI چیست؟
هوش تجاری به زیرساختی اطلاق می شود که حجم زیادی از داده ها را جمع آوری و تجزیه و تحلیل می کند تا به سازمان ها تصویر واضح و جامعی از داده های خود بدهد. هدف یک سیستم BI این است که به ذینفعان دیدی واضح و سفارشی از داده هایشان بدهد تا آنها را برای تصمیم گیری مبتنی بر داده توانمند کند. بسیاری از سیستم های BI برای استفاده بصری، بسیار قابل تنظیم و سلف سرویس هستند. BI شامل فرآیندهایی مانند داده کاوی، زیرساخت، تجسم، تجزیه و تحلیل و غیره است.

درباره BI بیشتر بدانید.

مزایای استفاده از سیستم های BI
هوش تجاری چیزی فراتر از یک نرم افزار است. این یک ابتکار کل نگر برای استفاده از داده ها در عملیات روزانه است. هفت مزیت BI که در زیر ذکر شده است، به موفقیت های دنیای واقعی تبدیل می شود که BI را در عمل به نمایش می گذارد.

مزایای هوش تجاری:

تجزیه و تحلیل سریعتر، داشبوردهای بصری
افزایش کارایی سازمانی
تصمیمات تجاری مبتنی بر داده
بهبود تجربه مشتری
بهبود رضایت کارکنان
داده های قابل اعتماد و کنترل شده
افزایش مزیت رقابتی
 

تجزیه و تحلیل سریعتر، داشبوردهای بصری
پلتفرم‌های BI برای انجام پردازش سنگین داده‌ها در فضای ابری یا سرورهای شرکت شما طراحی شده‌اند. ابزارهای BI داده‌ها را از چندین منبع به انبار داده وارد می‌کنند و سپس داده‌ها را با توجه به درخواست‌های کاربر، گزارش‌های کشیدن و رها کردن، و داشبورد تجزیه و تحلیل می‌کنند. هوش تجاری به لنوو کمک کرد تا بازده گزارش دهی را تا 95 درصد در چندین بخش افزایش دهد. بخش منابع انسانی آن‌ها چندین گزارش ماهانه را در یک داشبورد عکس فوری خلاصه می‌کرد. PepsiCo همچنین با استفاده از قدرت BI زمان تجزیه و تحلیل را تا 90 درصد کاهش داد. مزیت داشبوردهای هوش تجاری این است که تجزیه و تحلیل داده ها را آسان تر و شهودی می کند و به کاربران غیر فنی قدرت می دهد تا بدون نیاز به یادگیری کد، داستان هایی را با داده ها تعریف کنند.

افزایش کارایی سازمانی
BI به رهبران این امکان را می دهد که به داده ها دسترسی داشته باشند، دیدی کل نگر از عملیات خود به دست آورند و نتایج را در برابر سازمان بزرگتر معیار قرار دهند. رهبران با نگاهی جامع به سازمان می توانند زمینه های فرصت را شناسایی کنند. فایزر از پلتفرم‌های BI برای همکاری میان بخش‌ها و مدل‌های توسعه‌یافته برای بهینه‌سازی تشخیص بیمار و روش‌های سریع‌تر و بهتر برای انجام آزمایش‌های بالینی استفاده می‌کند. شرکت بیمه PEMCO از Tableau در عملیات خود برای مدیریت و بستن سریع مطالبات استفاده کرد. وقتی سازمان‌ها ساعت‌های کمتری را صرف تجزیه و تحلیل داده‌ها و جمع‌آوری گزارش‌ها می‌کنند، BI به آنها زمان بیشتری می‌دهد تا از داده‌ها برای نوآوری در برنامه‌ها و محصولات جدید برای کسب‌وکار استفاده کنند.

تصمیمات تجاری مبتنی بر داده
داشتن داده‌های دقیق و قابلیت‌های گزارش‌دهی سریع‌تر، تصمیمات تجاری بهتری را فراهم می‌کند. MillerCoors داشبوردهای تلفن همراه را برای تیم فروش خود سفارشی کرد تا بتوانند داده ها و پیش بینی های فروش را قبل از ملاقات با مشتریان بالقوه مشاهده کنند. فروش اکنون می تواند با اطمینان با نیازهای مشتریان یا مشتریان احتمالی صحبت کند و بداند که داده ها به روز هستند. دیگر لازم نیست رهبران روزها یا هفته ها برای گزارش ها منتظر بمانند و با خطر داده های قدیمی مقابله کنند.

بهبود تجربه مشتری
هوش تجاری می تواند به طور مستقیم بر تجربه مشتری و رضایت مشتری تأثیر بگذارد. Verizon سیستم های BI را در چندین بخش مستقر کرد و بیش از 1500 داشبورد برای کارمندان ایجاد کرد. این داشبوردها داده ها را از عملیات و داده های متنی را از جلسات چت پشتیبانی مشتری استخراج می کردند. با استفاده از این داده ها، Verizon توانست فرصت هایی را برای بهبود خدمات مشتری و کاهش تماس های پشتیبانی تا 43 درصد شناسایی کند.

بهبود رضایت کارکنان
سیستم‌های BI به بخش‌های فناوری اطلاعات و تحلیلگران این امکان را می‌دهند که زمان کمتری را برای پاسخگویی به درخواست‌های کاربران تجاری صرف کنند. بخش هایی که بدون تماس با تحلیلگران یا IT به داده های خود دسترسی نداشتند، اکنون می توانند با آموزش اندک به تجزیه و تحلیل داده ها بپردازند. BI به گونه‌ای طراحی شده است که مقیاس‌پذیر باشد و راه‌حل‌های داده را برای بخش‌هایی که به آن نیاز دارند و برای کارمندانی که هوس داده هستند ارائه می‌دهد. BrownForman پلت فرم BI خود را به 1000 کاربر جهانی افزایش داد و دریافت که به خوبی با زیرساخت داده موجود خود مطابقت دارد. نرم افزار BI باید یک تجربه کاربری یکپارچه و بصری برای کاربران غیر فنی داشته باشد تا به داده ها نگاه کنند.

داده های قابل اعتماد و کنترل شده
سیستم های BI سازماندهی و تجزیه و تحلیل داده ها را بهبود می بخشد. در تحلیل سنتی داده‌ها، داده‌های بخش‌های مختلف مخفی می‌شوند و کاربران باید برای پاسخ به سؤالات گزارش‌دهی خود به چندین پایگاه داده دسترسی داشته باشند. اکنون، پلتفرم‌های مدرن BI می‌توانند همه این پایگاه‌های داده داخلی را با منابع داده خارجی مانند داده‌های مشتری، داده‌های اجتماعی و حتی داده‌های آب و هوای تاریخی در یک انبار داده ترکیب کنند. دپارتمان ها در سراسر یک سازمان می توانند به همان داده ها در یک زمان دسترسی داشته باشند. آژانس بازاریابی Tinuiti بیش از 100 منبع داده را با استفاده از فناوری هوش تجاری متمرکز کرد و صدها ساعت در زمان تحلیل مشتریان خود صرفه جویی کرد.

افزایش مزیت رقابتی
سازمان ها زمانی می توانند رقابتی تر باشند که بازار و عملکرد خود را در آن بشناسند. Rosenblatt Securities داده های صدها منبع را تجزیه و تحلیل کرد تا بهترین زمان ممکن برای ورود و خروج از بازار و موقعیت استراتژیک خود را ببیند. با BI، کسب‌وکارها می‌توانند با تغییرات صنعت همگام باشند، تغییرات فصلی در بازار را نظارت کنند و نیازهای مشتری را پیش‌بینی کنند.

موانع برای پیاده سازی BI
برای پیاده‌سازی و مقیاس‌بندی موفقیت‌آمیز BI در یک سازمان، رهبران باید یک استراتژی را بیان کنند، یک نقشه راه بسازند و منابع را تخصیص دهند. پیاده‌سازی هر سیستم سازمانی خود یک پروژه است و سیستم‌های هوش تجاری ممکن است چندین ماه نیاز داشته باشند تا بازگشت سرمایه قابل اندازه‌گیری وجود داشته باشد. با این حال، بسیاری از سازمان‌ها با اتخاذ روش‌های نوآورانه برای استفاده از BI برای بهبود سود و کاهش هزینه‌های عملیاتی، و تعهد بلندمدت به ایجاد فرهنگ داده، به موفقیت دست می‌یابند. به همین دلیل ما Tableau Blueprint را ایجاد کردیم. شما و سازمانتان می توانید از این روش برای تبدیل شدن به یک سازمان داده محور استفاده کنید و از امروز شروع به ایجاد یک فرهنگ داده موفق کنید.

نحوه انتخاب پلتفرم هوش تجاری (BI)

پلتفرم‌های هوش تجاری افراد را قادر می‌سازد تا داده‌ها را از پایگاه‌های داده، ایمیل‌ها، ویدئوها، پاسخ‌های نظرسنجی و موارد دیگر وارد، پاکسازی و تجزیه و تحلیل کنند. این تجزیه و تحلیل داده ها هوش تجاری موبایل، دسکتاپ و بلادرنگ را فراهم می کند تا تصمیم گیرندگان بتوانند بر اساس بینش ها برای بهبود سازمان خود عمل کنند. پلتفرم‌های BI به کاربران این امکان را می‌دهند که داشبوردها را سفارشی کنند، تجسم داده‌های خیره‌کننده ایجاد کنند، کارت امتیازی بسازند و آنها را با شاخص‌های کلیدی عملکرد (KPI) مقایسه کنند.

BI چیست؟
اصطلاح هوش تجاری به زیرساختی اطلاق می‌شود که شامل تعداد زیادی فرآیند و ابزار است که با هم کار می‌کنند تا به کسب‌وکارها امکان مشاهده کامل و عملی داده‌های مربوطه‌شان را بدهد. هدف BI این است که به کسب و کارها اجازه دهد دید واضحی از تمام داده های خود داشته باشند تا بتوانند تصمیمات آگاهانه بگیرند.

درباره هوش تجاری بیشتر بدانید.

پلتفرم BI چیست؟
پلتفرم BI سیستمی است که برای کمک به کسب و کارها طراحی شده است تا تمام داده های خود را در یک مکان واحد مشاهده کنند. این می تواند شامل داشبوردها، نمودارها و روش های دیگر برای تجسم آسان مقادیر زیادی از داده ها باشد. اینها بر اساس نیازهای کسب و کار قابل تنظیم هستند و به ذینفعان کلیدی این امکان را می دهند که KPIها و تجسم هایی را انتخاب کنند که به بهترین وجه نیازهای آنها را برآورده می کند. بسیاری از پلتفرم‌های BI نیز سلف سرویس و بصری برای استفاده هستند و به کاربران اجازه می‌دهند تا کنترل کامل بر هر جنبه از داشبورد خود داشته باشند.

چرا سازمان ها به پلتفرم های BI نیاز دارند؟
برای موفقیت در دنیای پرشتاب کسب و کار، سازمان های امروزی باید داده محور باشند و فرهنگ داده محور را ترویج کنند. برای انجام این کار، رهبران به یک پلت فرم مدرن هوش تجاری نیاز دارند که به همه کمک کند داده های خود را ببینند و درک کنند. پلتفرم‌های هوش تجاری فراتر از بسته‌های نرم‌افزاری تحلیل تجاری هستند. آنها با تسهیل دسترسی و تجزیه و تحلیل داده های شما، از استراتژی BI سازمان شما پشتیبانی می کنند. پلتفرم‌های ساده تحلیلی داده‌ها را وارد، تمیز، تجزیه و تحلیل و پیش‌بینی می‌کنند – اما پلتفرم‌های هوش تجاری قوی‌تر و پویاتر هستند و می‌توانند با رشد استراتژی BI خود سازگار شوند.

پلتفرم های BI در عمل
اینها تنها برخی از برنامه های واقعی نرم افزار BI و کارهایی هستند که آنها می توانند برای سازمان شما انجام دهند:

تغییرات عرضه را در طول زمان تجسم کنید
پیش بینی فروش و سود
نتایج کمپین های بازاریابی را تجزیه و تحلیل کنید
گزارش دهی خودکار
توزیع خودکار گزارش به ذینفعان
فروش و موجودی را با عملکرد تقریباً لحظه ای تجسم کنید
ادغام با پلتفرم های شخص ثالث مبتنی بر ابر مانند خدمات وب آمازون (AWS) و Microsoft Azure
داشبوردها را در راه حل های سفارشی برای استفاده داخلی یا خارجی جاسازی کنید

ویژگی های مشترک پلتفرم های BI
بسیاری از پلتفرم‌های تجاری و منبع باز BI با تجربیات و عملکردهای مختلف کاربر در بازار موجود است. با این حال، هر پلتفرم معمولاً ترکیبی از ویژگی های زیر را ارائه می دهد.

داشبوردهای قابل تنظیم
تجسم داده ها
زمان بندی گزارش، با مشخصات امنیتی
مدیریت کیفیت داده ها و نظارت برای بخش های فناوری اطلاعات
پردازش زبان طبیعی (NLP) برای کشف بینش های جدید از داده هایی مانند ویدیوها یا پلت فرم های رسانه های اجتماعی
قابلیت داده کاوی سریعتر
ردیابی عملکرد در برابر KPI ها
یک پلتفرم آماده برای شرکت، از چابکی کسب و کار پشتیبانی می کند بدون اینکه حاکمیت یا امنیت را قربانی کند. در اینجا پنج نکته برای ارزیابی یک پلت فرم مدرن BI وجود دارد.

داشبوردهای پویا
یکی از محبوب ترین ویژگی های پلتفرم BI، توانایی ایجاد و سفارشی سازی داشبورد است. افراد می توانند ماژول ها، نمودارها و نمودارهایی ایجاد کنند که می توانند در زمان واقعی به روز شوند. داشبوردها همچنین می توانند در پلتفرم های جداگانه و داخلی منتشر شوند. شما باید پلتفرمی را انتخاب کنید که قابلیت‌های سلف‌سرویس را ارائه دهد، تا همه بتوانند به داده‌ها دسترسی داشته باشند، تجزیه و تحلیل‌های خود را ایجاد کنند و به سازمان شما در ایجاد فرهنگ تجزیه و تحلیل کمک کنند.

تجزیه و تحلیل بصری بصری
یک پلت فرم تجزیه و تحلیل بصری را انتخاب کنید که بصری باشد، به شما امکان می دهد به صورت بصری داده های خود را کاوش کنید و در حین حرکت، بینش های بصری را ارائه دهید. پلتفرم شما همچنین باید به شما امکان دهد که یافته های خود را با ایجاد تجسم های زیبا به اشتراک بگذارید - همه از یک رابط بصری یکسان و بدون نیاز به جابجایی بین محصولات مختلف برای انواع مختلف تجزیه و تحلیل. فقط یک نسخه نمایشی را تماشا نکنید. برای یک دوره آزمایشی رایگان ثبت نام کنید و پلتفرم را برای یک تست رانندگی انتخاب کنید. سعی کنید به چند سوال پاسخ دهید تا قدرت پردازش و کارایی ابزار را آزمایش کنید.

قدرت پیشبرد استراتژی BI شما
حتی قدرتمندترین پلتفرم گزارش BI اگر نتواند به راحتی به داده های شما متصل شود، بی فایده است. پلتفرم تجزیه و تحلیل مناسب، اتصالات بومی بهینه شده را به داده های شما، بدون توجه به جایی که در آن زندگی می کند، ارائه می دهد، بنابراین می توانید سریعتر به تجزیه و تحلیل خود برسید. پلتفرم شما باید به شما امکان دسترسی و تجزیه و تحلیل داده های خود را به صورت زنده و بدون نیاز به دانلود آن بدهد. شما باید این توانایی را داشته باشید که به سرعت از پایگاه داده خود و بدون هیچ تلاشی برای کدنویسی پرس و جو کنید. پلت فرم BI شما همچنین باید به شما این امکان را بدهد که تجزیه و تحلیل خود را در هر کجا که می خواهید - در فضای ابری، روی سرور محلی خود یا میزبانی خارج از سایت، مستقر کنید. این پلتفرم باید به جای اینکه شما را مجبور به تغییر یا خرید محصولات اضافی کند و زیرساخت داده فعلی شما را مختل کند، باید به طور یکپارچه با استراتژی داده موجود شما ادغام شود. همچنین باید به راحتی در پورتال های شرکت شما و سایر برنامه های کاربردی سازمانی تعبیه شود تا بتوانید کاربران خود را در جایی که هستند ملاقات کنید. این انعطاف پذیری هنگام در نظر گرفتن برنامه های هوش تجاری و انتخاب یک پلت فرم BI کلیدی است. ابزارهایی که انعطاف پذیر نیستند به کل هزینه مالکیت می افزایند.

هزینه کل مالکیت بدون تعجب
ابزارهای منبع باز BI اغلب بسیار قابل تنظیم هستند. بسیاری از سازمان‌ها، به‌ویژه سازمان‌های کوچک‌تر، به نرم‌افزار منبع باز روی می‌آورند تا نیازهای داده‌کاوی و گزارش‌دهی موردی خود را برآورده کنند. با این حال، هنگام ارزیابی پلت فرم ها، هزینه کل مالکیت را در نظر بگیرید. تصمیم خود را صرفاً بر اساس برچسب قیمت قرار ندهید. مقایسه کامل انجام دهید همه اجزای اضافی دیگری را که نیاز دارید تا آن پلتفرم «رایگان» در محیط سازمانی شما کار کند، چه در حال حاضر و چه در آینده، اضافه کنید. ابزارهای رایگان چیزی غیر از این هستند و می توانند هزینه کل زیادی را به همراه داشته باشند. آنها اغلب به محصولات، افراد و زیرساخت های بیشتری نیاز دارند تا نیازهای درجه سازمانی شما را برآورده کنند. در حالی که منابع آنلاین برای یادگیری نحوه استفاده از نرم افزار منبع باز وجود دارد، این منابع به شما نمی گویند که چگونه از پلت فرم برای نیازهای خاص سازمان خود استفاده کنید. به عبارت دیگر، حتی اگر قابل تنظیم باشد، یک راه حل منبع باز ممکن است به اندازه مقیاس سازمان شما انعطاف پذیر نباشد. برعکس، ابزارهای BI تجاری ممتاز با منابع، پشتیبانی و مقیاس پذیری سازمانی یکپارچه ارائه می شوند.

کاربران را در عین ایمن نگه داشتن داده ها توانمند می کند
پلتفرم مناسب برای سازمان شما باید همه را، صرف نظر از سطح مهارت، قادر سازد تا با داده های خود گفتگو کرده و از بینش های خود استفاده کنند. این به سازمان‌ها کمک می‌کند تا با قرار دادن داده‌ها در تصمیمات تجاری همه، فرهنگ داده را پرورش دهند. به منظور به حداکثر رساندن ارزش داده های خود، باید تجزیه و تحلیل های سلف سرویس کنترل شده را در مقیاس اجرا کنید. و به منظور توانمندسازی کل سازمان، به یک ابزار تحلیلی نیاز دارید که تجارت آن را دوست دارد و فناوری اطلاعات به آن اعتماد دارد. نرم‌افزار مناسب هوش تجاری سازمان‌ها را قادر می‌سازد تا رویکردی مبتنی بر فناوری اطلاعات و مدیریت کسب‌وکار را برای تجزیه و تحلیل اتخاذ کنند. این فناوری اطلاعات را قادر می‌سازد تا محیطی امن و تحت کنترل ایجاد کند که از داده‌ها محافظت می‌کند و یکپارچگی آن را بدون به خطر انداختن چابکی و نوآوری تجاری تضمین می‌کند.

انتخاب درست
اکنون به اولویت های خود در یک پلتفرم BI فکر کرده اید و در نظر گرفته اید که چگونه پلتفرم در شرکت شما اهرمی خواهد شد. در مرحله بعد، توصیه های خود را برای انتخاب پلتفرم BI مناسب برای شما به اشتراک خواهیم گذاشت.

یک شریک قابل اعتماد برای موفقیت در BI انتخاب کنید
همانطور که پلتفرم های هوش تجاری را ارزیابی می کنید، حواستان باشد که شرکتی را انتخاب کنید که ماموریت اصلی آن توانمندسازی افراد برای داده محوری است. آیا این شرکت سال ها تحقیق و توسعه را در پلتفرم تحلیلی خود سرمایه گذاری کرده است؟ آیا تاریخچه آن نشان می دهد که این شرکت به نوآوری خود ادامه خواهد داد؟ آیا تجربه کاربری را برای کمک به مشتریان برای پذیرش در اولویت قرار می دهد؟ به تجربه همسالان خود تکیه کنید. اشتیاق و اشتیاق آنها نشانه مستقیم موفقیتی است که با محصول داشته اند. دریابید که چگونه آنها افراد خود را تشویق کرده اند که این پلتفرم را اتخاذ کنند و از این دانش برای ساختن مسیر موفقیت خود استفاده کنید.

یک پلت فرم نوآورانه را انتخاب کنید که مطابق با نیازهای شما باشد
پلتفرم های هوش تجاری باید با فناوری فعلی و نوآوری کاربران خود سازگار شوند. شما باید پلتفرمی را انتخاب کنید که بتواند به راحتی با رشد شرکت شما مقیاس شود. در Tableau، ما درک می‌کنیم که واقعیت‌های کسب‌وکار دائماً در حال تغییر هستند، و ما مراقب روندهای آینده در هوش تجاری هستیم تا به کاربران BI اطلاع دهیم. پلت فرم مناسب برای سازمان شما انعطاف پذیر، آسان برای استفاده خواهد بود و باید به شما کمک کند تا به اهداف تجاری خود برسید. درباره ارزیابی پلتفرم های مدرن BI بیشتر بدانید.

چگونه یک استراتژی هوش تجاری (BI) موفق ایجاد کنیم؟

استراتژی هوش تجاری طرح اولیه شما برای تصمیم گیری در مورد نحوه استفاده از داده ها در شرکت است. شما به یک استراتژی نیاز دارید زیرا صرفاً انتخاب فناوری مناسب و پیاده سازی یک پلتفرم نرم افزاری برای تحقق بازگشت سرمایه کافی نیست. برای ایجاد یک استراتژی، باید سه چیز را تعیین کنید. چگونه پلتفرم نرم افزار را مستقر خواهید کرد؟ چگونه داده ها را برای تجزیه و تحلیل مدیریت خواهید کرد؟ و چگونه می توانید افراد خود را قادر به تصمیم گیری آگاهانه و مبتنی بر داده ها کنید؟ یک استراتژی هوش تجاری به شرکت شما کمک می کند تا از مزایای داشتن بینش عملی بهره مند شود. مثال‌ها شامل دسترسی به معیارهای عملکرد فروش، پیش‌بینی حقوق منابع انسانی، و اطمینان از اینکه بخش حمل‌ونقل شما می‌داند چه چیزی را هر روز ارسال کند، می‌شود. موفقیت از نزدیک شدن سیستماتیک به پروژه با یک استراتژی BI تعریف شده، شامل کشف، برنامه ریزی، و اجرای اندازه گیری شده حاصل می شود.

مراحل ایجاد یک استراتژی BI
استراتژی BI شما باید ابتدا با اهداف و چشم انداز کسب و کار شما هماهنگ باشد. با هوش تجاری، داده ها می توانند باعث تحول در سازمان شما شوند. این ابتکار داده های قابل اعتماد و مرتبط را در دستان کارمندان قرار می دهد تا بتوانند هر روز تصمیمات آگاهانه بگیرند. اکنون می توانید با پیروی از طرح ما این تحول را شروع کنید.

1. اسپانسر انتخاب کنید
در حالت ایده‌آل، انتخاب شما برای حمایت مالی از پروژه و دریافت خرید از سایر کارمندان سطح بالا باید یک رهبر در سطح اجرایی باشد. قبل از شروع، شما نیاز به مشارکت و همسویی با چشم انداز BI در شرکت دارید. سازمان‌هایی که برای داده‌ها در هر بخش ارزش قائل هستند، یک مدیر ارشد داده را برای حمایت از ابتکار عمل BI منصوب می‌کنند. CDO یا سایر حامیان اجرایی باید پشتیبانی و آموزش مورد نیاز برای استقرار را در نظر بگیرند و در نظر بگیرند که چگونه این پلتفرم را برای کل شرکت توسعه دهند. حامی خود را در مورد پیشرفت خود به روز نگه دارید. هنگامی که پلتفرم BI خود را راه اندازی کردید، و طبق انتظار کار می کند، گزارش های ارزشمند و قابل مشاهده ای ایجاد کنید تا با حامیان خود به اشتراک بگذارید. به اسپانسر خود و در نتیجه شرکت، ثابت کنید که استراتژی شما کارآمد است. برای اطلاعات بیشتر، نقش ها و مسئولیت های حامی اجرایی در طرح تابلو را ببینید.

2. پلتفرم BI خود را انتخاب کنید
یک پلت فرم نرم افزار BI می تواند کارهای زیادی انجام دهد، اما کل استراتژی BI شما نیست. اکنون که یک حامی برای این ابتکار انتخاب کرده‌اید، می‌توانید پلتفرم‌های BI را ارزیابی کنید تا مناسب طرح خود را پیدا کنید. بسیاری از پلتفرم‌ها عملکردهای مشترکی دارند، و شما باید در مقیاسی از اهمیت به ویژگی‌های زیر رتبه‌بندی کنید:

دسترسی به داده ها و مشاهده محتوای مرتبط
تعامل با داده ها در یک رابط بصری
توانایی غواصی عمیق تر در داده ها و کشف بینش های جدید به تنهایی
اکتشافات بینش جدید را در یک محیط تحت کنترل با رویکردی از پایین به بالا ارتقا دهید
در تجزیه و تحلیل داده ها و به اشتراک گذاری تجزیه و تحلیل تصویری با دیگران همکاری کنید
برای اطلاعات بیشتر، به ارزیابی پلتفرم مدرن BI مراجعه کنید. وقتی تصمیم گرفتید که چه کسی حامی BI شما خواهد بود و از چه پلتفرمی برای تجزیه و تحلیل استفاده کنید، گام بعدی شناسایی و مشارکت ذینفعان کلیدی است.

3. ذینفعان کلیدی را شناسایی کنید و آنها را درگیر کنید
هوش تجاری ممکن است شامل نرم افزار باشد، اما این بدان معنا نیست که فقط یک پروژه فناوری اطلاعات است. BI همچنین به داده های مالی نیاز دارد، اما این بدان معنا نیست که این فقط نگرانی بخش مالی است. شما باید یک نماینده از هر تیمی که تحت تأثیر طرح BI شما قرار گرفته است بیاورید. آنها را زود درگیر کنید و با آنها مصاحبه کنید. از آنها بپرسید که چگونه از داده ها در کار خود استفاده می کنند، چه چیزی برای آنها مفید است و چه چیزی برای آنها کار نمی کند. از این بینش ها برای تنظیم دامنه BI خود استفاده کنید. برای اطلاعات بیشتر، نقش‌های مصرف‌کننده محتوای تابلو را در طرح بلوپرینت Tableau ببینید.

4. تیم BI خود را جمع آوری کنید
تیم BI شما مسئول اجرای استراتژی شما خواهد بود. اگر سازمان شما کوچک است، می توانید افراد جدیدی را استخدام کنید یا از افراد بخواهید چندین کارکرد را انجام دهند. پلتفرم‌های BI اطمینان حاصل می‌کنند که گزارش‌ها و داشبوردها برای غیر تحلیل‌گران (که به عنوان هوش تجاری سلف‌سرویس شناخته می‌شود) در دسترس و قابل دسترسی هستند. با این حال، برای راه اندازی و اجرای صحیح پلت فرم، به این تیم متقابل برای اجرای طرح BI نیاز دارید. اینها برخی از نقش ها و مسئولیت های تیم پروژه BI هستند:

یک مالک خدمات فناوری اطلاعات یا مدیر تجزیه و تحلیل برای مدیریت پلت فرم نرم افزار
یک معمار سازمانی که پلتفرم را با معماری داده های موجود ادغام می کند
یک مدیر سایت برای سازماندهی محتوا و ایجاد گروه های کاربری و مجوزها
یک مباشر داده برای قرار دادن داده ها در زمینه و مستندسازی فرآیندها و رویه های استفاده از پلت فرم
اما اینها همه افراد درگیر در پروژه نیستند. شما همچنین به یک کمیته راهبری و حامی اجرایی نیاز دارید تا اطمینان حاصل کنید که پروژه ضرب الاجل خود را رعایت می کند. برای اطلاعات بیشتر، نقش‌ها و مسئولیت‌های تیم پروژه Tableau را در Tableau Blueprint ببینید.

5. محدوده BI را تعریف کنید
قبل از استقرار نرم افزار هوش تجاری، باید تصمیم بگیرید که BI برای سازمان شما چه معنایی دارد. هوش تجاری به معنای استفاده از داده ها برای تصمیم گیری تجاری است. اما شما باید تعیین کنید که چگونه در عملیات روزانه شرکت شما کار می کند و کدام بخش از BI استفاده می کند. به عنوان مثال، کوکاکولا داشبوردهای سفارشی شده ای را برای متخصصان خدمات مشتری ایجاد کرد. Chipotle یک نمای واحد از مکان های رستوران خود ایجاد کرد تا عملکرد بین آنها را مقایسه کند. HelloFresh گزارش خودکار نتایج کمپین را ایجاد کرد و صدها ساعت در زمان تجزیه و تحلیل صرفه جویی کرد. نمونه های زیادی از شرکت ها وجود دارد که از هوش تجاری به روش های نوآورانه استفاده می کنند. تصمیم بگیرید که چگونه می خواهید BI را برای حمایت از اهداف شرکت خود ادغام کنید. پس از اینکه تعریف عملیاتی خود را از هوش تجاری تعریف کردید، باید تصمیم بگیرید که کدام بخش از شرکت خود را ابتدا شامل شود. آیا از هوش تجاری برای درک و پیش بینی عملکرد مالی، منابع انسانی، زنجیره تامین یا تغییرات موجودی استفاده می کنید؟ آیا ترکیبی از اینها یا چیز دیگری را به طور کامل تجزیه و تحلیل خواهید کرد؟ قبل از اینکه به مراحل بعدی بروید، دامنه تجزیه و تحلیل در کسب و کار باید روشن باشد. هنگامی که دامنه تجزیه و تحلیل مشخص شد، باید آنچه را که می خواهید در آن داده ها اندازه گیری کنید، انتخاب کنید. مشخص کنید که کدام معیارها و گزارش ها بیشترین اولویت را برای رهبری شرکت شما دارند. این گزارش‌ها باید شامل شاخص‌های کلیدی عملکرد شما (KPI) باشد که با اهداف کلی شرکت برای اندازه‌گیری موفقیت همسو باشد. اینها می توانند معیارهای داخلی در مقایسه با معیارهای عملکرد گذشته و همچنین معیارهای خارجی باشند. چه شاخص های کلیدی موفقیت در صنعت شما را نشان می دهد؟ تحلیل رقابتی در حال تبدیل شدن به بخش مهمی از هوش تجاری است. ابزارهای BI به سازمان ها این امکان را می دهند که عملکرد رقبا، تغییرات بازار و تغییرات رفتار مشتری را نظارت کنند. شما می توانید این کار را با تجزیه و تحلیل مطالعات موردی، وبلاگ ها، مقالات، ویدئوها و غیره رقبا انجام دهید. پس از تعیین محدوده هوش تجاری خود، احتمالا متوجه خواهید شد که اجرای BI چقدر پروژه بزرگی خواهد بود. اکنون باید منابع افراد خود را برای اجرای استراتژی خود شناسایی کنید. برای اطلاعات بیشتر، به مانیتورینگ تابلو در تابلوی تابلو مراجعه کنید.

6. زیرساخت داده خود را آماده کنید
هوش تجاری برای انجام یک تحلیل دقیق باید منابع داده روشنی داشته باشد. به طور سنتی، پلتفرم های BI داده ها را از یک انبار داده وارد می کنند. با BI مدرن، می توانید داده ها را از چندین منبع تجزیه و تحلیل کنید. ما بین دو نوع داده تفاوت قائل می شویم: قابل اعتماد و غیرقابل اعتماد. داده‌های مورد اعتماد در پایگاه‌های داده ذخیره می‌شوند یا به راحتی به پایگاه‌های داده مانند صفحات گسترده، داده‌های مدیریت ارتباط با مشتری (CRM)، داده‌های مالی و غیره وارد می‌شوند. این داده‌هایی است که احتمالاً در تجزیه و تحلیل‌های تجاری قبلی استفاده کرده‌اید. داده‌های غیرقابل اعتماد اطلاعاتی مانند ایمیل‌ها، مکالمات با مشتریان، فرآیندهای کسب‌وکار، تصاویر، اخبار، مجلات تجاری و غیره هستند. با BI مدرن، می‌توانید داده‌های غیرقابل اعتماد را برای تجزیه و تحلیل وارد یک محیط کنترل‌شده و امن کنید. تیم BI باید سهامداران و مصرف کنندگان اطلاعات را بررسی کند تا ببیند قبل از استقرار پلت فرم BI به چه منابع داده ای برای تجزیه و تحلیل نیاز دارند. برای اطلاعات بیشتر، موارد استفاده Tableau و منابع داده در Tableau Blueprint را ببینید.

7. یک نقشه راه هوش تجاری تهیه کنید
تیم BI باید یک نقشه راه برای اجرای استراتژی شما ایجاد کند. در اینجا مواردی وجود دارد که باید هنگام ایجاد نقشه راه BI در نظر بگیرید:

نقاط عطف و وابستگی ها مانند زمانی که انبار داده شما آماده می شود را پیگیری کنید
به آینده نگاه کنید و در صورت نیاز نقشه راه خود را تطبیق دهید
فعال باشید، نه واکنش پذیر

تصمیم بگیرید که چه زمانی پلتفرم شما راه اندازی می شود و چه زمانی انبار داده شما برای ابتکار BI شما آماده می شود. برای تطبیق نقشه راه BI خود در صورت لزوم آماده باشید. هوش تجاری زمانی سودمند است که فعال باشد. اگر استراتژی BI شما بر واکنش به درخواست‌های گزارش موقت متمرکز باشد، از هوش تجاری تا حد توان خود استفاده نخواهید کرد. زمانی که رویدادهای جدیدی مانند کسب و کار جدید، ابتکارات جدید، تغییرات در بازار یا تغییر در رفتار مشتری رخ می دهد، روی نقشه راه خود علامت بزنید.

اجرای موثر استراتژی BI
پیاده سازی پلت فرم نرم افزار BI پروژه ای در چارچوب استراتژی کلی خواهد بود. بخش فناوری اطلاعات شما به شدت درگیر این جنبه خواهد بود و ممکن است ایده های خود را برای به کارگیری ابزار BI داشته باشد. با این حال، آنها اغلب باید با استفاده از یک طرح مدیریت پروژه چابک یا سنتی با یک حلقه بازخورد داخلی، با تیم BI در ارتباط با پیشرفت خود در ارتباط باشند. قبل از استقرار، ساختار گزارشگری را برای تیم BI ایجاد کنید. آنها در کجای نمودار سازمانی گسترده تر زندگی می کنند؟ تصمیم بگیرید که تیم BI به چه کسی گزارش می دهد و فرمت این گزارش ها چیست. در نهایت، برای تصمیم گیری در مورد مجوزهای امنیتی برای ذینفعان BI، با IT کار کنید. شما می خواهید که ذینفعان بتوانند به داده ها دسترسی داشته باشند و با آنها کار کنند، اما همچنین باید از امنیت داده ها اطمینان حاصل کنید. پیاده سازی خود را با یک حلقه بازخورد تعبیه شده در طرح به فازها تقسیم کنید. ذینفعان، تیم BI و فناوری اطلاعات خود را فعال کنید تا با پیشرفت پروژه به یکدیگر بازخورد بدهند. حتی عمیق تر در استراتژی غوطه ور شوید و این مراحل استراتژی Analytics را در Tableau Blueprint مرور کنید.

نحوه انتخاب پلتفرم هوش تجاری (BI)

پلتفرم‌های هوش تجاری افراد را قادر می‌سازد تا داده‌ها را از پایگاه‌های داده، ایمیل‌ها، ویدئوها، پاسخ‌های نظرسنجی و موارد دیگر وارد، پاکسازی و تجزیه و تحلیل کنند. این تجزیه و تحلیل داده ها هوش تجاری موبایل، دسکتاپ و بلادرنگ را فراهم می کند تا تصمیم گیرندگان بتوانند بر اساس بینش ها برای بهبود سازمان خود عمل کنند. پلتفرم‌های BI به کاربران این امکان را می‌دهند که داشبوردها را سفارشی کنند، تجسم داده‌های خیره‌کننده ایجاد کنند، کارت امتیازی بسازند و آنها را با شاخص‌های کلیدی عملکرد (KPI) مقایسه کنند.

BI چیست؟
اصطلاح هوش تجاری به زیرساختی اطلاق می‌شود که شامل تعداد زیادی فرآیند و ابزار است که با هم کار می‌کنند تا به کسب‌وکارها امکان مشاهده کامل و عملی داده‌های مربوطه‌شان را بدهد. هدف BI این است که به کسب و کارها اجازه دهد دید واضحی از تمام داده های خود داشته باشند تا بتوانند تصمیمات آگاهانه بگیرند.

درباره هوش تجاری بیشتر بدانید.

پلتفرم BI چیست؟
پلتفرم BI سیستمی است که برای کمک به کسب و کارها طراحی شده است تا تمام داده های خود را در یک مکان واحد مشاهده کنند. این می تواند شامل داشبوردها، نمودارها و روش های دیگر برای تجسم آسان مقادیر زیادی از داده ها باشد. اینها بر اساس نیازهای کسب و کار قابل تنظیم هستند و به ذینفعان کلیدی این امکان را می دهند که KPIها و تجسم هایی را انتخاب کنند که به بهترین وجه نیازهای آنها را برآورده می کند. بسیاری از پلتفرم‌های BI نیز سلف سرویس و بصری برای استفاده هستند و به کاربران اجازه می‌دهند تا کنترل کامل بر هر جنبه از داشبورد خود داشته باشند.

چرا سازمان ها به پلتفرم های BI نیاز دارند؟
برای موفقیت در دنیای پرشتاب کسب و کار، سازمان های امروزی باید داده محور باشند و فرهنگ داده محور را ترویج کنند. برای انجام این کار، رهبران به یک پلت فرم مدرن هوش تجاری نیاز دارند که به همه کمک کند داده های خود را ببینند و درک کنند. پلتفرم‌های هوش تجاری فراتر از بسته‌های نرم‌افزاری تحلیل تجاری هستند. آنها با تسهیل دسترسی و تجزیه و تحلیل داده های شما، از استراتژی BI سازمان شما پشتیبانی می کنند. پلتفرم‌های ساده تحلیلی داده‌ها را وارد، تمیز، تجزیه و تحلیل و پیش‌بینی می‌کنند – اما پلتفرم‌های هوش تجاری قوی‌تر و پویاتر هستند و می‌توانند با رشد استراتژی BI خود سازگار شوند.

پلتفرم های BI در عمل
اینها تنها برخی از برنامه های واقعی نرم افزار BI و کارهایی هستند که آنها می توانند برای سازمان شما انجام دهند:

تغییرات عرضه را در طول زمان تجسم کنید
پیش بینی فروش و سود
نتایج کمپین های بازاریابی را تجزیه و تحلیل کنید
گزارش دهی خودکار
توزیع خودکار گزارش به ذینفعان
فروش و موجودی را با عملکرد تقریباً لحظه ای تجسم کنید
ادغام با پلتفرم های شخص ثالث مبتنی بر ابر مانند خدمات وب آمازون (AWS) و Microsoft Azure
داشبوردها را در راه حل های سفارشی برای استفاده داخلی یا خارجی جاسازی کنید

ویژگی های مشترک پلتفرم های BI
بسیاری از پلتفرم‌های تجاری و منبع باز BI با تجربیات و عملکردهای مختلف کاربر در بازار موجود است. با این حال، هر پلتفرم معمولاً ترکیبی از ویژگی های زیر را ارائه می دهد.

داشبوردهای قابل تنظیم
تجسم داده ها
زمان بندی گزارش، با مشخصات امنیتی
مدیریت کیفیت داده ها و نظارت برای بخش های فناوری اطلاعات
پردازش زبان طبیعی (NLP) برای کشف بینش های جدید از داده هایی مانند ویدیوها یا پلت فرم های رسانه های اجتماعی
قابلیت داده کاوی سریعتر
ردیابی عملکرد در برابر KPI ها
یک پلتفرم آماده برای شرکت، از چابکی کسب و کار پشتیبانی می کند بدون اینکه حاکمیت یا امنیت را قربانی کند. در اینجا پنج نکته برای ارزیابی یک پلت فرم مدرن BI وجود دارد.

داشبوردهای پویا
یکی از محبوب ترین ویژگی های پلتفرم BI، توانایی ایجاد و سفارشی سازی داشبورد است. افراد می توانند ماژول ها، نمودارها و نمودارهایی ایجاد کنند که می توانند در زمان واقعی به روز شوند. داشبوردها همچنین می توانند در پلتفرم های جداگانه و داخلی منتشر شوند. شما باید پلتفرمی را انتخاب کنید که قابلیت‌های سلف‌سرویس را ارائه دهد، تا همه بتوانند به داده‌ها دسترسی داشته باشند، تجزیه و تحلیل‌های خود را ایجاد کنند و به سازمان شما در ایجاد فرهنگ تجزیه و تحلیل کمک کنند.

تجزیه و تحلیل بصری بصری
یک پلت فرم تجزیه و تحلیل بصری را انتخاب کنید که بصری باشد، به شما امکان می دهد به صورت بصری داده های خود را کاوش کنید و در حین حرکت، بینش های بصری را ارائه دهید. پلتفرم شما همچنین باید به شما امکان دهد که یافته های خود را با ایجاد تجسم های زیبا به اشتراک بگذارید - همه از یک رابط بصری یکسان و بدون نیاز به جابجایی بین محصولات مختلف برای انواع مختلف تجزیه و تحلیل. فقط یک نسخه نمایشی را تماشا نکنید. برای یک دوره آزمایشی رایگان ثبت نام کنید و پلتفرم را برای یک تست رانندگی انتخاب کنید. سعی کنید به چند سوال پاسخ دهید تا قدرت پردازش و کارایی ابزار را آزمایش کنید.

قدرت پیشبرد استراتژی BI شما
حتی قدرتمندترین پلتفرم گزارش BI اگر نتواند به راحتی به داده های شما متصل شود، بی فایده است. پلتفرم تجزیه و تحلیل مناسب، اتصالات بومی بهینه شده را به داده های شما، بدون توجه به جایی که در آن زندگی می کند، ارائه می دهد، بنابراین می توانید سریعتر به تجزیه و تحلیل خود برسید. پلتفرم شما باید به شما امکان دسترسی و تجزیه و تحلیل داده های خود را به صورت زنده و بدون نیاز به دانلود آن بدهد. شما باید این توانایی را داشته باشید که به سرعت از پایگاه داده خود و بدون هیچ تلاشی برای کدنویسی پرس و جو کنید. پلت فرم BI شما همچنین باید به شما این امکان را بدهد که تجزیه و تحلیل خود را در هر کجا که می خواهید - در فضای ابری، روی سرور محلی خود یا میزبانی خارج از سایت، مستقر کنید. این پلتفرم باید به جای اینکه شما را مجبور به تغییر یا خرید محصولات اضافی کند و زیرساخت داده فعلی شما را مختل کند، باید به طور یکپارچه با استراتژی داده موجود شما ادغام شود. همچنین باید به راحتی در پورتال های شرکت شما و سایر برنامه های کاربردی سازمانی تعبیه شود تا بتوانید کاربران خود را در جایی که هستند ملاقات کنید. این انعطاف پذیری هنگام در نظر گرفتن برنامه های هوش تجاری و انتخاب یک پلت فرم BI کلیدی است. ابزارهایی که انعطاف پذیر نیستند به کل هزینه مالکیت می افزایند.

هزینه کل مالکیت بدون تعجب
ابزارهای منبع باز BI اغلب بسیار قابل تنظیم هستند. بسیاری از سازمان‌ها، به‌ویژه سازمان‌های کوچک‌تر، به نرم‌افزار منبع باز روی می‌آورند تا نیازهای داده‌کاوی و گزارش‌دهی موردی خود را برآورده کنند. با این حال، هنگام ارزیابی پلت فرم ها، هزینه کل مالکیت را در نظر بگیرید. تصمیم خود را صرفاً بر اساس برچسب قیمت قرار ندهید. مقایسه کامل انجام دهید همه اجزای اضافی دیگری را که نیاز دارید تا آن پلتفرم «رایگان» در محیط سازمانی شما کار کند، چه در حال حاضر و چه در آینده، اضافه کنید. ابزارهای رایگان چیزی غیر از این هستند و می توانند هزینه کل زیادی را به همراه داشته باشند. آنها اغلب به محصولات، افراد و زیرساخت های بیشتری نیاز دارند تا نیازهای درجه سازمانی شما را برآورده کنند. در حالی که منابع آنلاین برای یادگیری نحوه استفاده از نرم افزار منبع باز وجود دارد، این منابع به شما نمی گویند که چگونه از پلت فرم برای نیازهای خاص سازمان خود استفاده کنید. به عبارت دیگر، حتی اگر قابل تنظیم باشد، یک راه حل منبع باز ممکن است به اندازه مقیاس سازمان شما انعطاف پذیر نباشد. برعکس، ابزارهای BI تجاری ممتاز با منابع، پشتیبانی و مقیاس پذیری سازمانی یکپارچه ارائه می شوند.

کاربران را در عین ایمن نگه داشتن داده ها توانمند می کند
پلتفرم مناسب برای سازمان شما باید همه را، صرف نظر از سطح مهارت، قادر سازد تا با داده های خود گفتگو کرده و از بینش های خود استفاده کنند. این به سازمان‌ها کمک می‌کند تا با قرار دادن داده‌ها در تصمیمات تجاری همه، فرهنگ داده را پرورش دهند. به منظور به حداکثر رساندن ارزش داده های خود، باید تجزیه و تحلیل های سلف سرویس کنترل شده را در مقیاس اجرا کنید. و به منظور توانمندسازی کل سازمان، به یک ابزار تحلیلی نیاز دارید که تجارت آن را دوست دارد و فناوری اطلاعات به آن اعتماد دارد. نرم‌افزار مناسب هوش تجاری سازمان‌ها را قادر می‌سازد تا رویکردی مبتنی بر فناوری اطلاعات و مدیریت کسب‌وکار را برای تجزیه و تحلیل اتخاذ کنند. این فناوری اطلاعات را قادر می‌سازد تا محیطی امن و تحت کنترل ایجاد کند که از داده‌ها محافظت می‌کند و یکپارچگی آن را بدون به خطر انداختن چابکی و نوآوری تجاری تضمین می‌کند.

انتخاب درست
اکنون به اولویت های خود در یک پلتفرم BI فکر کرده اید و در نظر گرفته اید که چگونه پلتفرم در شرکت شما اهرمی خواهد شد. در مرحله بعد، توصیه های خود را برای انتخاب پلتفرم BI مناسب برای شما به اشتراک خواهیم گذاشت.

یک شریک قابل اعتماد برای موفقیت در BI انتخاب کنید
همانطور که پلتفرم های هوش تجاری را ارزیابی می کنید، حواستان باشد که شرکتی را انتخاب کنید که ماموریت اصلی آن توانمندسازی افراد برای داده محوری است. آیا این شرکت سال ها تحقیق و توسعه را در پلتفرم تحلیلی خود سرمایه گذاری کرده است؟ آیا تاریخچه آن نشان می دهد که این شرکت به نوآوری خود ادامه خواهد داد؟ آیا تجربه کاربری را برای کمک به مشتریان برای پذیرش در اولویت قرار می دهد؟ به تجربه همسالان خود تکیه کنید. اشتیاق و اشتیاق آنها نشانه مستقیم موفقیتی است که با محصول داشته اند. دریابید که چگونه آنها افراد خود را تشویق کرده اند که این پلتفرم را اتخاذ کنند و از این دانش برای ساختن مسیر موفقیت خود استفاده کنید.

یک پلت فرم نوآورانه را انتخاب کنید که مطابق با نیازهای شما باشد
پلتفرم های هوش تجاری باید با فناوری فعلی و نوآوری کاربران خود سازگار شوند. شما باید پلتفرمی را انتخاب کنید که بتواند به راحتی با رشد شرکت شما مقیاس شود. در Tableau، ما درک می‌کنیم که واقعیت‌های کسب‌وکار دائماً در حال تغییر هستند، و ما مراقب روندهای آینده در هوش تجاری هستیم تا به کاربران BI اطلاع دهیم. پلت فرم مناسب برای سازمان شما انعطاف پذیر، آسان برای استفاده خواهد بود و باید به شما کمک کند تا به اهداف تجاری خود برسید. درباره ارزیابی پلتفرم های مدرن BI بیشتر بدانید.

 

10 روند برتر فعلی هوش تجاری در سال جاری

01
ظهور هوش مصنوعی قابل توضیح

از آنجایی که سازمان‌ها بیشتر به هوش مصنوعی و مدل‌های یادگیری ماشینی متکی هستند، چگونه می‌توانند مطمئن باشند که قابل اعتماد هستند؟
وعده هوش مصنوعی (AI) نشان می‌دهد که ماشین‌ها با خودکار کردن تصمیم‌گیری، درک انسان را تقویت خواهند کرد. جاش پارنتئو، مدیر هوش بازار در Tableau توضیح داد که چگونه هوش مصنوعی و یادگیری ماشین به عنوان یک دیدگاه دیگر عمل می‌کنند و "به کشف بینش‌هایی که قبلاً کشف نشده‌اند کمک می‌کند." تحقیقات گارتنر نشان می دهد که تا سال 2020، "85 درصد از مدیران ارشد فناوری اطلاعات، برنامه های هوش مصنوعی را از طریق ترکیبی از تلاش های خرید، ساخت و برون سپاری به صورت آزمایشی اجرا خواهند کرد." اما وقتی سازمان‌ها بیشتر به مدل‌های یادگیری ماشینی متکی می‌شوند، چگونه انسان‌ها می‌توانند مطمئن باشند که این توصیه‌ها قابل اعتماد هستند؟

بسیاری از برنامه‌های یادگیری ماشین در حال حاضر راهی برای «نگاه کردن به زیر سرپوش» برای درک الگوریتم‌ها یا منطق پشت تصمیم‌ها و توصیه‌ها ندارند، بنابراین سازمان‌هایی که برنامه‌های آزمایشی هوش مصنوعی را اجرا می‌کنند به درستی نگران پذیرش گسترده هستند. همانطور که آدریان ولر، محقق ارشد در یادگیری ماشین در دانشگاه کمبریج بیان کرد، "شفافیت اغلب برای فعال کردن استقرار موثر سیستم های هوشمند در دنیای واقعی" مانند یادگیری ماشین ضروری است. این مورد به دلایل مختلفی رخ می دهد - عمدتاً برای اطمینان از اینکه مدل ها مطابق طراحی کار می کنند یا برای ایجاد اعتماد با کاربران به طوری که آنها بتوانند با اطمینان بر اساس پیش بینی ها تصمیم بگیرند.

نیاز به شفافیت منجر به رشد هوش مصنوعی قابل توضیح، تمرین درک و ارائه دیدگاه های شفاف در مدل های یادگیری ماشین شده است. تصمیم گیرندگان انتظار دارند که بتوانند سؤالات بعدی را در مورد اینکه چرا یک مدل چیزی می گوید، چقدر مطمئن است، و اگر ورودی ها متفاوت بودند، چه می گوید بپرسند - بسیار شبیه به این که چگونه یک رهبر هنگام تصمیم گیری های حیاتی از یک متخصص انسانی سؤال می کند. همانطور که ریچارد تیبتز، مدیر محصول برای هوش مصنوعی در Tableau، خاطرنشان می کند، "تصمیم گیرندگان حق دارند که وقتی پاسخ های ارائه شده توسط هوش مصنوعی و یادگیری ماشینی قابل توضیح نیستند، تردید داشته باشند. تجزیه و تحلیل و هوش مصنوعی باید به تخصص و درک انسان کمک کنند - اما نه به طور کامل جایگزین شوند."

تجزیه و تحلیل و هوش مصنوعی باید به تخصص و درک انسان کمک کنند – اما نه به طور کامل جایگزین.
ریچارد تیبتز، مدیر محصول برای هوش مصنوعی، تابلو
خط رهبران کسب و کار در سازمان‌ها - به‌ویژه سازمان‌هایی که با ریسک‌هایی مانند خدمات مالی و شرکت‌های دارویی مرتبط هستند - از تیم‌های علم داده می‌خواهند از مدل‌هایی استفاده کنند که توضیح‌پذیرتر باشد و مستندات یا یک مسیر حسابرسی در مورد نحوه ساخت مدل‌ها ارائه دهد. از آنجایی که دانشمندان داده وظیفه دارند این مدل ها را برای کاربران تجاری توضیح دهند، آنها به پلتفرم های BI به عنوان یک روش تعاملی برای کاوش و اعتبارسنجی نتیجه گیری تکیه می کنند.

در نهایت، شرکت ها ارزش هوش مصنوعی و یادگیری ماشین را پذیرفته اند. اما برای ایجاد تأثیر مخرب در سازمان ها، هوش مصنوعی باید مورد اعتماد باشد. باید نتیجه‌گیری‌های خود را به شکلی قابل فهم و به ساده‌ترین شکل ممکن توجیه کند و به‌طور پویا به سؤالات بعدی پاسخ دهد - همه برای کمک به انسان‌ها برای درک بهتر داده‌هایشان.

02
زبان طبیعی داده های شما را انسانی می کند

پیشرفت‌ها در سیستم‌های NLP همه افراد را قادر می‌سازد تا مکالمه طبیعی با داده‌ها داشته باشند.
پردازش زبان طبیعی (NLP) علوم کامپیوتر و زبان‌شناسی را برای کمک به رایانه‌ها در درک معنای پشت زبان انسان گرد هم می‌آورد. امروزه، فروشندگان هوش تجاری (BI) یک رابط زبان طبیعی را برای تجسم ها ارائه می دهند تا کاربران بتوانند به طور طبیعی با داده های خود تعامل داشته باشند و بدون دانش عمیق از ابزار BI، سوالاتی را که در مورد آنها فکر می کنند بپرسند.

در زمینه BI مدرن، زبان طبیعی برای پشتیبانی از گفتگوی تحلیلی استفاده می شود. مکالمه تحلیلی به این صورت تعریف می شود که یک انسان در حال گفتگو با سیستم در مورد داده های خود است. این سیستم از زمینه درون مکالمه استفاده می کند تا هدف کاربر را در پشت یک پرس و جو درک کند و گفت و گو را بیشتر کند و یک تجربه مکالمه طبیعی تری ایجاد کند. به عنوان مثال، زمانی که شخصی یک سوال بعدی از داده های خود دارد، مجبور نیست برای کاوش عمیق تر یا روشن کردن یک ابهام، سوال را دوباره بیان کند. می‌توانید برای «پیدا کردن زمین‌لرزه‌های بزرگ نزدیک کالیفرنیا» یک ابزار BI درخواست کنید و سپس یک سؤال بعدی بپرسید «در نزدیکی تگزاس چطور؟» بدون اشاره به زلزله برای بار دوم.

یادگیری ماشینی سیستم‌ها را قادر می‌سازد تا در طول زمان بر اساس داده‌های یک شرکت و انواع سؤالاتی که کاربران می‌پرسند، دانش عمیق‌تری به دست آورند. ویدیا ستلور، مدیر توسعه در تیم زبان طبیعی در Tableau توضیح می‌دهد: «یکی از ویژگی‌های کلیدی مکالمه تحلیلی اجتناب از بن‌بست‌ها است – توانایی پرسیدن یک سؤال، به‌دست آوردن نتیجه و تغییر آن سؤال اصلی».

همه تشنه به دست آوردن بینش در مورد داده های خود هستند. و زبان طبیعی یکی از روش‌های مهم برای پر کردن این شکاف است.
Vidya Setlur، مدیر توسعه، زبان طبیعی، تابلو
زبان طبیعی همچنین به کاربران این امکان را می‌دهد که بر اساس تجسم داده‌ها سؤال بپرسند: رایان عطاالله می‌گوید: "بگذارید بگوییم من از ابزار BI خود در مورد شیوع بیماری سوالی می‌پرسم و تصویری را دریافت می‌کنم. می‌توانم بپرسم "آن سنبله نارنجی چیست؟" ، مهندس نرم افزار در Tableau. "این یک سوال بعدی است، اما بر اساس داده های من نیست. این بر اساس رمزگذاری تصویرسازی ها است." و زمانی که تجسم موجود در متن سوال بعدی معنا پیدا نمی کند، جایگزینی ارائه می دهد.

زبان طبیعی نشان دهنده یک تغییر پارادایم در نحوه پرسیدن سؤالات افراد از داده های خود است. هنگامی که افراد می توانند مانند یک شخص با یک تجسم تعامل داشته باشند، بخش هایی از خط لوله تجزیه و تحلیل را باز می کند که به طور سنتی برای دانشمندان داده و تحلیلگران پیشرفته محفوظ بود. کاربران با مهارت های تحلیلی خود محدود نمی شوند - فقط به وسعت سؤالات خودشان. همچنین به کاربران پیشرفته این امکان را می دهد که در زمان کمتری به سؤالات غنی تری پاسخ دهند و قابلیت های داشبورد جذاب تری را در اختیار دیگران قرار دهند. همانطور که زبان طبیعی در سراسر صنعت BI بالغ می شود، موانع پذیرش تجزیه و تحلیل در سراسر سازمان ها را از بین می برد و داده ها را بیشتر در هسته فرهنگ محل کار جاسازی می کند.

03
تجزیه و تحلیل عملی داده ها را در زمینه قرار می دهد

پلتفرم‌های BI برای قرار دادن داده‌ها در جایی که افراد می‌خواهند اقدام کنند، تکامل می‌یابند.
کارکنان داده داده ها و اقدامات خود را در یک مکان می خواهند و نیاز دارند. به جای انجام تجزیه و تحلیل در یک سیلو و انجام اقدامات در سیلو دیگر، هر کسی که با داده ها کار می کند باید بتواند در چارچوب فرآیندهای تجاری و گردش کار خود بماند. پلتفرم‌های هوش تجاری این نیاز را با ادغام با عملیات اصلی کسب‌وکار، جریان‌های کاری و فرآیندها از طریق قابلیت‌هایی مانند تجزیه و تحلیل موبایل، تجزیه و تحلیل جاسازی شده، افزونه‌های داشبورد (همچنین به عنوان افزودنی‌ها) و APIها برآورده می‌کنند. در نتیجه، تجزیه و تحلیل‌های عملی فرآیند تصمیم‌گیری را برای نقش‌های فنی و غیرفنی تسریع می‌کنند.

این قابلیت‌ها به کارکنان داده اجازه می‌دهد تا داده‌ها را تجزیه و تحلیل کنند و پس از یافتن بینش، اقدامی را انجام دهند - همه در یک مکان. نمونه ای از بینش و عمل همگرا، تجزیه و تحلیل جاسازی شده است. تجزیه و تحلیل جاسازی شده داده ها و بینش ها را در جایی قرار می دهد که افراد در حال حاضر کار می کنند، بنابراین نیازی به رفتن به برنامه دیگر یا سرور مشترک ندارند. تجزیه و تحلیل ممکن است در پورتال های داخلی (مانند شیرپوینت) یا در سایر برنامه های کاربردی رایج تعبیه شده باشد.

به عنوان مثال، سازمان ها تجزیه و تحلیل را در نرم افزار مدیریت ارتباط با مشتری (CRM) مانند Salesforce تعبیه می کنند. فروشندگان می توانند داده های حساب با ارزش را در زمینه مشاهده کنند - مانند ترجیحات محصول یا هزینه در طول زمان - که ممکن است به گفتگوی بهتر کمک کند یا بر مراحل بعدی با مشتری تأثیر بگذارد.

Translation is too long to be saved

افزونه های داشبورد از طرف دیگر به این همگرایی نزدیک می شوند. برای کسانی که بیشتر وقت خود را در پلتفرم تجزیه و تحلیل خود می گذرانند، برنامه های افزودنی دسترسی به سیستم های دیگر را مستقیماً در داشبورد می آورند. اکنون افراد می توانند بدون ترک گردش کار تجزیه و تحلیل خود، اقدامی انجام دهند. به عنوان مثال، مدیران فناوری اطلاعات که برای نظارت بر صف‌های بلیط به تجزیه و تحلیل‌ها تکیه می‌کنند، می‌توانند از افزونه داشبورد برای ویرایش اطلاعات پرونده یا انجام اقدامات مستقیماً از داخل داشبورد خود به جای تغییر به سیستم فروش بلیط خود استفاده کنند. این آنها را در جریان خود نگه می‌دارد و از جایی که قبلاً وقت خود را سپری می‌کنند، اقدام سریع‌تری را ممکن می‌سازد. برای اینکه بتوانیم تجزیه و تحلیل را عملی کنیم، باید مطمئن شویم که پیام درست را در زمان مناسب به فرد مناسب ارائه می دهیم، به گونه ای که او بتواند آن را درک کند. پیتر بنسون، رئیس اتحادهای استراتژیک، بینش خودکار در حالی که تجزیه و تحلیل‌های جاسازی شده و افزونه‌های داشبورد، اقدام و بینش را در پلتفرم‌ها و ابزارها به همراه می‌آورند، تجزیه و تحلیل تلفن همراه این قابلیت‌ها را برای کاربران در هر کجای فیزیکی که هستند به ارمغان می‌آورد. مشاوران می‌توانند از داده‌های مشتری در حین حضور در محل استفاده کنند، در حالی که یک مکانیک ممکن است از داده‌های اینترنت اشیا (IoT) برای تعمیر یک دستگاه در میدان استفاده کند. عمل قرار دادن تجزیه و تحلیل در زمینه تأثیر بیشتری دارد زیرا به شخصی سازی تجزیه و تحلیل برای یک خط خاص از تجارت یا صنعت کمک می کند. همگرایی تجزیه و تحلیل و عمل، زمان و تلاش بین بینش و تصمیم گیری را کوتاه می کند. همچنین داده‌ها را به‌طور گسترده‌تری در جریان‌های کاری کسب‌وکار در دسترس قرار می‌دهد و افراد بیشتری را تشویق می‌کند تا داده‌ها را در تصمیم‌گیری‌های روزمره بگنجانند.

04
داده های مشارکتی تأثیر مثبت اجتماعی را تقویت می کند

تلاش‌های متمرکز سازمان‌های بخش دولتی و خصوصی، جنبش «داده‌ها برای خیر» را تقویت می‌کند.
داده‌ها نحوه عملکرد سازمان‌ها از جمله سازمان‌های غیردولتی (NGO) و غیرانتفاعی را تغییر داده است. و اکنون جنبش "داده برای خوب" در سازمان های بخش خصوصی و دولتی در حال انفجار است. تحقیقات گارتنر نشان می‌دهد که «اشاره‌گیری در رسانه‌های اجتماعی از داده‌ها در سال گذشته ۶۸ درصد افزایش یافته است» زیرا عموم مردم از اینکه چگونه داده‌ها می‌توانند تأثیر مثبتی بر جامعه بگذارند آگاه‌تر می‌شوند.

شرکت‌های بخش خصوصی مانند شرکت چندملیتی مخابرات، Orange، در حال ایجاد پروژه‌هایی هستند که از بینش‌های مبتنی بر داده‌ها برای پیشبرد تلاش‌های اجتماعی استفاده می‌کنند. از طریق پروژه OPAL Orange، این شرکت با همکاری دولت‌های محلی کمیته‌ای ایجاد کرد تا نحوه جمع‌آوری، ناشناس‌سازی و محافظت از داده‌ها را تنظیم کند. این به آن‌ها اجازه می‌دهد تا شاخص‌های جمع‌آوری شده از سوابق جزئیات تماس را با سازمان‌های تأثیر اجتماعی به روشی ایمن و مطمئن به اشتراک بگذارند. در سنگال، این داده‌ها اخیراً برای ارزیابی نرخ باسوادی بر اساس استفاده از پیام‌های متنی مورد استفاده قرار گرفت و به سازمان‌های تأثیر اجتماعی در تصمیم‌گیری تخصیص منابع پیرامون برنامه‌های سوادآموزی کمک کرد.

از لحاظ تاریخی، سازمان‌های غیردولتی و غیرانتفاعی منابع لازم برای سرمایه‌گذاری در زیرساخت‌های داده پیچیده یا تیم‌های بزرگی از کارکنان داده را نداشته‌اند. اکنون، با کارایی و انعطاف‌پذیری رایانش ابری، این سازمان‌ها می‌توانند محیط‌های داده پیچیده‌ای را بدون سرمایه‌گذاری‌های گسترده در محل توسعه دهند و راه را برای ابتکارات تأثیر اجتماعی بیشتر مبتنی بر داده‌ها هموار کنند.

یک مثال عملی ظهور و رشد مشترک المنافع داده ها است - پلتفرم هایی برای به اشتراک گذاری و همکاری در بین سازمان ها برای دستیابی به یک هدف مشترک. به عنوان مثال، Hutch Data Commonwealth "یک تیم چند رشته ای است که ماموریت دارد تا محققان مرکز تحقیقات سرطان فرد هاچینسون را با ابزارهای نوآورانه علم داده، قابلیت های زیرساختی و همکاری برای تسریع تحقیقات خود توانمند کند." در مقاله‌ای برای GeekWire، متیو ترانل، مدیر ارشد اطلاعات و مدیر اجرایی Hutch Data Commonwealth به اشتراک می‌گذارد که چگونه ابر به‌عنوان «بنیاد مشترک داده‌های علمی» عمل می‌کند. ابر به مکانی تبدیل می‌شود که ما در آن گردهمایی و همکاری می‌کنیم، مکانی که همه برای نفع مشترک گرد هم می‌آیند.» مشترک المنافع به مشارکت با سایر مؤسسات تحقیقاتی و ارائه‌دهندگان فناوری با داده‌ها در مرکز مأموریت خود متکی است.

مشترک المنافع داده‌ها به سازمان‌ها اجازه می‌دهد تا داده‌ها را بین خود و با جهان به‌گونه‌ای به اشتراک بگذارند که ایمن و ایمن باشد – و به گونه‌ای که از حریم خصوصی هر فردی که داده‌ها از آنها جمع‌آوری می‌شود محافظت شود.
نیل مایریک، رئیس جهانی بنیاد تابلو
این مشارکت‌ها، چه از طریق پروژه‌های بخش دولتی و خصوصی و چه از طریق کشورهای مشترک المنافع، نیازمند پایه‌ای از اعتماد هستند. سازمان‌ها در حال ارزیابی عناصر حیاتی یک مشارکت موفق هستند، از جمله مفاهیم حقوقی و استانداردهای حاکمیتی مرتبط با اشتراک‌گذاری داده‌ها. این شامل ارزیابی خطرات حریم خصوصی و القای حفاظت در مورد به اشتراک گذاری اطلاعات قابل شناسایی شخصی است.

گزارش اخیر از آزمایشگاه حکومت در دانشکده مهندسی NYU Tanden در درجه اول بر چالش‌های پیرامون اشتراک‌گذاری داده‌های رسانه‌های اجتماعی بین سازمان‌های بخش خصوصی و عمومی تمرکز دارد، اما اصول آن برای انواع مشارکت‌های اشتراک‌گذاری داده اعمال می‌شود. GovLab پیش‌بینی می‌کند که سازمان‌های بیشتری سرپرستان داده را برای هدایت داده‌های مشارکتی با این مفهوم منصوب می‌کنند که «روندی مناسب برای پاسخگویی به درخواست‌های داده، سیستمی برای فیلتر کردن یا اولویت‌بندی انواع خاصی از اطلاعات؛ و روشی برای اطمینان از مطابقت داده‌های منتشر شده». نیازها و مطالبات عمومی».

دسترسی به انبوهی از منابع داده متنوع تحت کنترل‌های مناسب - مانند مورد فرد هاچ - می‌تواند تأثیر تحول‌آفرینی ایجاد کند. در حالی که چالش‌ها در این پروژه‌های مشارکتی در مقیاس بزرگ باقی می‌مانند، جنبش «داده برای خوب» گواهی بر پتانسیل نوع دوستانه به اشتراک‌گذاری داده‌ها است. پیشرفت در فناوری، افزایش سواد داده و تمرکز بر همکاری، محیطی مناسب برای حل برخی از دشوارترین مشکلات جهان ایجاد می کند.

05
کدهای اخلاقی به داده ها می رسند

با توجه به مقرراتی مانند GDPR، رهبران آینده شیوه های داده های اخلاقی را ارزیابی می کنند.
موضوع حریم خصوصی داده ها برجسته شده است و مصرف کنندگان بیش از هر زمان دیگری در مورد به اشتراک گذاری داده های شخصی آگاه هستند. این بر نحوه رویکرد کسب‌وکارها به درآمدزایی داده، جمع‌آوری داده‌ها و اشتراک‌گذاری داده تأثیر می‌گذارد. و با مقررات جدیدی مانند GDPR، شرکت‌ها گفتگوهای مهمی در مورد اخلاق داده‌ها و حفظ حریم خصوصی در زمینه شیوه‌های تجاری روزمره خود دارند. این از طریق:

کدهای اخلاقی: بسیاری از نقش ها در حال حاضر به کدهای اخلاق حرفه ای از جمله قوانین، پزشکی و حسابداری وابسته هستند. و از آنجایی که داده ها در هر زمینه ای از کسب و کار در حال تکثیر هستند، شرکت ها شروع به ارزیابی نحوه اعمال این اصول مشابه در شیوه های تجزیه و تحلیل داده ها کرده اند. همانطور که گارتنر به اشتراک گذاشت، "دوران کسب و کار دیجیتال مرزهای بین فناوری و کسب و کار را محو کرده است" و داده ها اکنون بخش مهمی برای پازل استراتژیک هستند. شرکت های بیشتری برای شکل دادن به تصمیمات تجاری در هر بخش و نقش به داده ها تکیه می کنند - به این معنی که افراد بیشتری در نحوه استفاده و اشتراک گذاری داده ها سهم دارند.

در پاسخ، رهبران، به‌ویژه افسران ارشد داده (CDOs)، مسئولیت شکل‌دهی دستورالعمل‌های داخلی برای شیوه‌های داده در سطح شرکت را به عنوان بخشی از تلاش‌های تحول دیجیتال رهبری می‌کنند. در واقع، نظرسنجی مدیر ارشد داده‌های گارتنر در سال 2017 نشان داد که «تعداد CDO‌هایی که می‌گویند اخلاق بخشی از مسئولیت‌هایشان است، از سال 2016 تا 2017 10 درصد افزایش یافته است». این کدهای اخلاقی به عنوان چارچوبی برای تصمیمات زیرساختی، حکمرانی و کارکنان آینده عمل خواهند کرد.

تغییرات در فرآیندهای تجاری: شرکت ها به طور انتقادی در مورد کل چرخه زندگی داده های خود از جمع آوری تا تجزیه و تحلیل فکر می کنند. این فرصتی را برای ارزیابی استراتژی مدیریت داده‌های شرکت به‌عنوان یک کل باز می‌کند تا از مطابقت با قوانین و مقررات اخلاقی داخلی آن اطمینان حاصل شود. این روند بررسی یک بار اتفاق نمی افتد. همانطور که Accenture در گزارش اصول جهانی اخلاق داده‌ها اشاره کرد، «روش‌های حاکمیتی باید قوی باشد، برای همه اعضای تیم شناخته شده و به طور منظم مورد بازبینی قرار گیرد،» و با رشد و تغییر شرکت سازگار شود.

اخلاق داده‌ها طوری طراحی شده‌اند که به‌عنوان سرعت‌گیر در کار ما عمل کنند، بنابراین ما درک می‌کنیم که چگونه به صورت شخصی و حرفه‌ای با معضلات روبرو شویم.
بریجت کوگلی، مشاور ارشد، راهکارهای داده Teknion
اخلاق داده ها به جمع آوری داده ها یا حاکمیت داده محدود نمی شود. همچنین در مورد نحوه تفسیر و عملکرد داده ها اعمال می شود. پلتفرم‌های مدرن BI، تحلیل داده‌ها را به روی بسیاری باز کرده‌اند و نقش‌های بیشتری مسئول پیروی از اصول اخلاق داده‌ها خواهند بود. بریجت ویندز کوگلی، مشاور ارشد در Teknion Data Solutions پیشنهاد می‌کند که هرکسی که داده‌ها را تجزیه و تحلیل می‌کند یا بینش‌های خود را به اشتراک می‌گذارد، باید «سوگیری‌ها و اینکه آیا حقایق به وضوح ارائه می‌شوند یا نه» و اینکه «محدودیت داده‌ها درک شده و متناسب با سؤال هستند یا نه» را در نظر بگیرد. با تبدیل شدن افراد بیشتر به داده‌ها، اخلاق داده‌ها بخش اصلی تلاش‌های سواد داده خواهد بود و بر نحوه برخورد افراد با داده‌ها در زمینه‌های شخصی و حرفه‌ای تأثیر می‌گذارد.

06
مدیریت داده با پلتفرم های مدرن BI همگرا می شود

مدیریت داده های کنترل شده شکاف بین داده ها و کسب و کار را پر می کند.
همانطور که منابع داده پیچیده تر، متنوع تر و متعدد می شوند، مدیریت داده در حال حاضر در استقرارهای مدرن BI حیاتی تر است. از آنجایی که تعداد بیشتری از نیروی کار از داده ها برای تصمیم گیری استفاده می کنند، سازمان ها باید از دقت داده های خود و استفاده از آن در تجزیه و تحلیل اطمینان حاصل کنند.

سازمان‌ها برای رسیدگی به چالش‌های مدیریت داده و مدیریت داده‌ها که با این دسترسی گسترده‌تر به داده‌ها همراه است، به مدیریت داده روی آورده‌اند. مدیریت داده شامل روشی است که یک سازمان داده های متفاوت را جمع آوری، پاکسازی، تعریف و تراز می کند. این فرآیند پلی بین داده ها و برنامه های کاربردی واقعی آن ایجاد می کند.

سازمان‌ها در حال حاضر میلیون‌ها دلار را صرف فناوری‌هایی می‌کنند که تعاریف داده‌ها را با ابزارهای تحلیلی که به تجزیه و تحلیل داده‌ها کمک می‌کنند، ادغام می‌کنند - با هدف رفع ابهام در بین تیم‌ها و سازمان‌ها. در پاسخ، ابزارها و فرآیندهای تنظیم داده (مانند کاتالوگ داده ها و حکمرانی معنایی) با پلتفرم های BI همگرا می شوند تا داده ها را با زمینه کسب و کار مرتبط کنند.

کاتالوگ داده به عنوان یک واژه نامه تجاری سازمانی از منابع داده و تعاریف رایج داده عمل می کند. متخصصان موضوعی مانند مهندسان داده و مباشران داده می‌توانند توضیحات و تعاریفی را به منابع و فیلدهای داده، برچسب‌گذاری برای قابلیت کشف بهتر، و حتی شاخص‌های مفید کیفیت داده‌ها اضافه کنند - از جمله اعلان‌هایی برای گواهی‌های محتوای مورد اعتماد، یا نگهداری یا از بین رفتن دارایی‌های داده.

کاربران روزمره نیازی به دانستن محل زندگی داده ها در منبع داده ندارند، اما باید بدانند که داده ها در دنیای واقعی چه چیزی را نشان می دهند. به عنوان مثال، تحلیلگران و مصرف کنندگان محتوا اغلب نیاز دارند که منشا یک قطعه داده را تأیید کنند (که به آن تحلیل نسب نیز می گویند). و اگر مجموعه داده ها تغییر کند، مهندسان داده و مباشران داده باید تأثیر پایین دستی را بر دارایی های متصل به جداول یا طرحواره هایی که مدیریت می کنند، تجزیه و تحلیل کنند. ترکیب کاتالوگ داده و پلتفرم BI به ساده‌سازی همه این وظایف کمک می‌کند و معیارهای استفاده را برای شناسایی سریع منابع داده و داشبوردهایی که اغلب در دسترس هستند، فراهم می‌کند.

مدیریت داده فرآیند شناسایی منابع داده مورد نیاز است، قرار دادن آن داده ها در زمینه کسب و کار به طوری که کاربران تجاری بتوانند با آن تعامل داشته باشند، آن را درک کنند و از آن برای ایجاد تحلیل خود استفاده کنند.
مایک هتریک، مدیر ارشد بازاریابی محصول، Tableau
همانطور که فهرست داده ها ممکن است ضروری باشد، مسلما فرصت بیشتری فراتر از حاکمیت ابرداده در حوزه حکمرانی معنایی وجود دارد. معناشناسی به ارتباط نه تنها زمینه داده ها، بلکه هدف اقدامات تحلیلی کمک می کند - مانند نگاشت مترادف ها برای اتصال دستوراتی مانند "اندازه سفارش" با "کمیت". این روش‌های جدید را برای طیف کامل کارکنان داده‌ها قادر می‌سازد تا با داده‌ها تعامل داشته باشند و به سرعت به بینش‌های جدیدی برسند. یکی از راه‌ها از طریق تعاملات زبان طبیعی است، جایی که یک پلتفرم BI لایه‌هایی را می‌فهمد که شامل چندین پرس‌وجو می‌شود، مانند «بالاترین، پایین‌ترین و متوسط ​​را برجسته کنید».

همانطور که این فناوری‌ها و فرآیندها به همگرایی ادامه می‌دهند، پردازش داده‌ها و معناشناسی پایه قوی‌تری برای بقیه تجربیات تحلیلی فراهم می‌کند. این امر اجزای متفاوت اکوسیستم داده را متحد می‌کند - مانند پاکسازی و تجزیه و تحلیل پایین‌دستی - و توصیه‌های قوی‌تر تولید شده توسط ماشین برای جداول، اتصال‌ها و مدل‌های داده را ارائه می‌دهد. در نهایت، پیشرفت‌ها در مدیریت داده‌ها، نیروی کار را قادر می‌سازد تا فراتر از پرسیدن سؤال از داده‌های خود در طول تجزیه و تحلیل، به سمت سؤال کردن درباره کسب‌وکار خود حرکت کنند.

07
داستان سرایی داده ها زبان جدید شرکت هاست

یافتن و برقراری ارتباط بینش داده ها اکنون یک ورزش تیمی است.
هر چقدر هم که ما خودکار کنیم، هر چقدر مجموعه داده هایمان بزرگ باشد، هر چقدر هم محاسبات هوشمندانه ما انجام شود، اگر نتوانید یافته ها را به دیگران منتقل کنید، نمی توانید با تجزیه و تحلیل خود تأثیری بگذارید. این قدرت تجسم داده ها است. تجسم داده ها یک زبان است و برای تحلیلگران استاندارد می شود که بدانند چگونه اطلاعات را به گونه ای عملی و قابل درک به تصمیم گیرندگان منتقل کنند. این مهارت، همراه با توانایی تحلیلگران برای به اشتراک گذاشتن مراحلی که برای کشف بینش در داده ها برداشته اند، اغلب به عنوان «داستان سرایی داده» تعریف می شود.

داستان سرایی داده یک عنصر حیاتی در فرآیند تحلیل است. و فرهنگ در حال تغییر محل کار، جایی که تجزیه و تحلیل برتر است، تعریف داستان سرایی داده را اصلاح می کند. همانطور که سازمان‌ها فرهنگ تجزیه و تحلیل را ایجاد می‌کنند، روش‌های داستان‌سرایی داده‌های تحلیلگران بیشتر در مورد پرورش گفت‌وگو پیرامون داده‌ها است و کمتر در مورد استدلال برای یک نتیجه‌گیری منحصر به فرد است. این فرهنگ‌های تحلیلی همچنین تلاش‌های سواد داده را با هدف آموزش به مردم برای درک واقعی داده‌ها و مشارکت در گفتگوی تحلیلی - از لحظه کشف تا تصمیم تجاری منتج، تقویت می‌کنند.

اندی کرک، متخصص تجسم داده ها و بنیانگذار VisualisingData.com هفت کلاه تجسم داده را به اشتراک می گذارد. یکی از اینها ارتباط دهنده است - "شخصی که اساساً به تمام روابط انسانی درگیر در هر پروژه (کارفرمایان، سهامداران و مخاطبان) توجه دارد." اندی توضیح می دهد که چگونه "تمام کارهای تجسم، حداقل در مفهوم ارتباطی، باید مخاطب محور باشد." کارکنان داده باید فرآیند مخاطب را در نتیجه گیری از تجسم درک کنند. و در عین حال، مخاطب مسئولیت دارد که دانش موضوعی لازم برای تفسیر داده ها را داشته باشد و باید «مایل به اطلاع باشد».

ما به عنوان مخاطبان باید مایل باشیم که مطلع شویم، بتوانیم تفسیر کنیم، و باید میزانی از دانش موضوعی داشته باشیم. اگر این چیزی نیست که ما متعهد هستیم، پس طراح باید مسئولیت این را بپذیرد که معنای همه اینها را به ما ارائه دهد.
اندی کرک، بنیانگذار VisualisingData.com
این تغییر در داستان سرایی داده ها در روند تجسم داده ها نیز آشکار می شود. قالب‌های داستان‌سرایی طولانی - از طریق پیمایش یا داشبوردهای چند صفحه‌ای - رایج‌تر می‌شوند و به تحلیلگر اجازه می‌دهند رویکرد گام به گام خود را برای نتیجه‌گیری نشان دهند. این روش‌ها به تحلیل‌گران اجازه می‌دهد تا پیشرفت تجزیه و تحلیل خود را نشان دهند و بینش‌هایی را که در داده‌ها با آن مواجه شده‌اند و مفروضات حاصل را برجسته کنند. گام بعدی ایجاد یک گفتگوی باز پیرامون این بینش است. این امر فضایی را برای افراد از نقش‌ها یا بخش‌های مختلف ایجاد می‌کند تا زمینه کسب‌وکار بیشتری را ایجاد کنند و دیدگاه‌های گوناگونی را قبل از تصمیم‌گیری کسب‌وکار دعوت می‌کند.

داستان سرایی داده همچنان به فرهنگ محیط کار نفوذ می کند زیرا سازمان های بیشتری جریان های کاری و تیم هایی را با تمرکز بر همکاری های تحلیلی ایجاد می کنند. این رویکرد نحوه استفاده سازمان ها از داده ها را برای تعامل، اطلاع رسانی و آزمایش ایده ها شکل می دهد. و از آنجایی که افراد بیشتری می‌دانند چگونه داده‌ها را تفسیر کنند و فرآیند تحلیلی خود را توضیح دهند، پتانسیل تأثیر تجاری را تقویت می‌کند.

08
شرکت ها در مورد پذیرش تجزیه و تحلیل هوشمندتر می شوند

چه اتفاقی می‌افتد وقتی رهبران کمتر بر پذیرش و بیشتر بر مشارکت تمرکز می‌کنند؟
ابتکارات هوش تجاری اغلب دارای تاریخ شروع و پایان کاملاً مشخصی هستند و غیرمعمول نیست که پس از ارائه به کاربران، آنها را "کامل" در نظر بگیرند. اما صرفاً ارائه دسترسی به راه‌حل‌های هوش تجاری با پذیرش یکسان نیست. افسران ارشد داده، در درجه اول، در حال ارزیابی مجدد این هستند که چگونه پذیرش BI نقشی در یک تغییر استراتژیک به سمت نوسازی ایفا می کند، زیرا ارزش واقعی با راه حلی که شما به کار می گیرید اندازه گیری نمی شود، بلکه چگونه نیروی کار شما از راه حل برای تأثیرگذاری بر تجارت استفاده می کند.

این فرض که همه فقط به این دلیل که به پلتفرم BI دسترسی دارند، ارزش کسب می کنند، در واقع می تواند مانعی برای پیشرفت واقعی با تجزیه و تحلیل باشد. همانطور که جاش پارنتیو، مدیر اطلاعات بازار در Tableau می گوید، اندازه گیری بازگشت سرمایه بر اساس تعداد مجوزها "می تواند یادگیری، رشد و امکان موفقیت بیشتر را روی میز بگذارد." رهبران به جای پذیرش به ساده‌ترین عبارت، بر روی این موضوع تمرکز می‌کنند که آیا داده‌ها و تحلیل‌ها در حال تغییر روش تصمیم‌گیری در سراسر سازمان هستند یا خیر. به عنوان مثال، اگر پلتفرم BI را از کارمندان جدا کنید، آیا بر نحوه تصمیم گیری روزانه آنها در شغلشان تأثیر می گذارد؟

همانطور که دانلود یک برنامه در تلفن شما لزوماً به معنای استفاده از آن نیست، باز کردن یک گزارش یک بار در ماه به این معنی نیست که باعث ایجاد هرگونه اقدام یا تأثیری می شود. رهبران در حال ارزیابی برنامه‌هایی هستند که مشارکت را تشویق می‌کنند، مانند جوامع داخلی و گروه‌های کاربری. این تلاش‌ها که قبلاً به عنوان برنامه‌های مردمی در نظر گرفته می‌شدند، عناصر اساسی استراتژی BI سازمان در نظر گرفته می‌شوند و به کاربران کمک می‌کنند تا سریع‌تر پیشرفت کنند، به خود خدمت کنند و سریع‌تر به سؤالات خود پاسخ دهند. در نتیجه پذیرش، رهبران را به سمت افزایش سرمایه‌گذاری و کمک به جوامع در مقیاس‌پذیری سوق می‌دهد.

ما باید در مورد چگونگی اندازه گیری مزایای BI تجدید نظر کنیم. فقط این نیست که چه کسی دسترسی دارد. این باید در مورد چگونگی استفاده مردم از تجزیه و تحلیل برای اطلاع رسانی فرآیندهای تصمیم گیری خود باشد.
جاش پارنتئو، مدیر اطلاعات بازار، تابلو
JPMorgan Chase (JPMC) یک نمونه از BI سازمانی در عمل است. تیم مرکز تعالی آنها، به رهبری IT، از این مدل برای نصب هزاران تحلیلگر و رشد جامعه کاربری آن استفاده کرد. آنها جلسات تمام روزه ای را برگزار کردند - چیزی که استیون هیتل، معاون رئیس جمهور و رهبر نوآوری BI، از آن به عنوان "جلسات داده درمانی" یاد می کند - برای به اشتراک گذاشتن تجسم داده ها و بهترین شیوه های حاکمیتی. این جلسات تنها یکی از بسیاری از فعالیت‌های مورد استفاده برای ایجاد تعامل و گفتگو بین نقش‌ها و بخش‌ها بود که به JPMC کمک کرد تا پلت فرم مدرن BI خود را به بیش از 30000 نفر افزایش دهد.

از آنجایی که این جوامع داخلی کارکنان را بر روی یک پلت فرم BI قرار می دهند، سازمان ها می توانند شروع به واگذاری مسئولیت های تحلیلی و ایجاد قهرمانان کاربران جدید کنند. این در نهایت باعث کاهش بارهای سنگین برای تعمیر و نگهداری و گزارش دهی می شود که به طور سنتی برای IT محفوظ است. قهرمانان داخلی بیشتری شروع به ظهور خواهند کرد و به عنوان کارشناسان موضوعی عمل می کنند که بهترین شیوه ها را اجتماعی می کنند و افراد را بر اساس تعاریف داده همسو می کنند. به طور اجتناب ناپذیر، همه این حرکات منجر به استفاده بیشتر افراد و کسب ارزش از نرم افزار BI می شود. و مهمتر از همه، نیروی کار شما کارآمدتر و سازمان شما رقابتی تر خواهد شد.

09
دموکراسی داده، دانشمند داده را بالا می برد

دانشمندان داده مهارت های نرمی را برای ایجاد تغییرات سازمانی توسعه می دهند.
دانشمندان داده مورد تقاضا هستند. لینکدین در گزارش مشاغل نوظهور ایالات متحده در سال 2017 اشاره کرد که «نقش دانشمندان داده از سال 2012 بیش از 650 درصد رشد کرده است» و «صدها شرکت برای این نقش‌ها در صنایع مختلف استخدام می‌کنند». گروه نامزدها عمیق تر می شود زیرا "مهندس یادگیری ماشین، دانشمند داده و مهندسان داده های بزرگ در بین مشاغل نوظهور برتر قرار می گیرند."

اما از آنجایی که انتظار می‌رود بخش‌ها و نقش‌های بیشتری با داده‌ها کار کنند، سازمان‌ها شاهد افزایش کلی در سواد داده‌ای و ظهور تعداد بیشتری از دانشمندان داده شهروندی هستند. گارتنر دانشمند داده شهروندی را اینگونه تعریف می‌کند: «شخصی که مدل‌هایی را ایجاد یا تولید می‌کند که از تحلیل‌های تشخیصی پیشرفته یا قابلیت‌های پیش‌بینی و تجویزی استفاده می‌کند، اما کارکرد شغلی اصلی او خارج از حوزه آمار و تجزیه و تحلیل است». این افراد جایگزین دانشمندان داده نیستند، اما در حال تبدیل شدن به شرکای کلیدی در توسعه و آزمایش فرضیه ها هستند.

این امر تعریف علم داده را تغییر می دهد و خطوط بین افرادی که دارای تخصص سنتی داده و دانش حوزه تجاری هستند را محو می کند. Sonic Prabhudesai، مدیر تجزیه و تحلیل آماری در Charles Schwab به اشتراک گذاشت که چگونه "کارکنان تجاری بیشتر نحوه کار با داده ها را درک می کنند، در حالی که دانشمندان داده با عملکرد درونی کسب و کار بیشتر آشنا می شوند."

امروزه از دانشمندان داده انتظار می رود که دانش آماری و یادگیری ماشینی پیشرفته ای داشته باشند، اما همچنین انتظار می رود که آنها یک ذهن استراتژیک برای تجارت داشته باشند، از جمله دانش عمیق در صنعت خود. دکتر N. R. Srinivasa Raghavan، دانشمند ارشد جهانی داده در Infosys توضیح می دهد: "علم داده چیزی بیش از خرد کردن اعداد است: این علم به کارگیری مهارت های مختلف برای حل مشکلات خاص در یک صنعت است." "دانشمندان داده باید درک کاملی از حوزه هایی داشته باشند که بینش آنها در آنها اعمال خواهد شد."

مدل‌سازی آماری و یادگیری ماشینی اکنون در حال تبدیل شدن به سهام جدول برای تبدیل شدن به یک دانشمند داده است. وجه تمایز این است که آنهایی که در این زمینه کار می کنند چقدر خوب می توانند یافته های خود را به روشی ساده اما عملی به اشتراک بگذارند.
سونیک پرابهودسای، مدیر تجزیه و تحلیل آماری، چارلز شواب
خروجی‌های الگوریتم‌ها و مدل‌ها تنها در صورتی مؤثر هستند که به حل مشکل درست در زمینه مناسب کمک کنند. این بدان معنی است که دست در دست سهامداران برای شناسایی و اصلاح بیانیه مشکل و فرضیه در ابتدای فرآیند و درگیر نگه داشتن آنها در سراسر گردش کار. و در پایان گردش کار، به این معنی است که بدانید چگونه نتایج را به شرکای تجاری به روشی مرتبط و قابل اجرا منتقل کنید.

Sonic به اشتراک می‌گذارد: «مدل‌سازی آماری و یادگیری ماشینی در حال حاضر برای تبدیل شدن به یک دانشمند داده تبدیل به سهام می‌شوند. وجه تمایز این است که افرادی که در این زمینه کار می کنند چقدر خوب می توانند یافته های خود را به روشی ساده اما عملی به اشتراک بگذارند. به جای ارائه نتایج، دانشمندان داده نقش اصلی در نحوه اعمال این نتایج در کسب و کار خواهند داشت.

با ابزارهای تجزیه و تحلیل سلف سرویس، هم دانشمندان داده و هم کاربران پیشرفته می توانند داده های خود را کاوش کرده و درک بهتری از آنها داشته باشند. این جرقه بینش هایی را ایجاد می کند که می تواند بقیه تحلیل ها را هدایت کند و در نهایت بر تجارت تأثیر بگذارد.

10
انتقال داده های ابری سریع، پذیرش مدرن BI را تقویت می کند

Translation is too long to be saved

داده ها سریعتر از همیشه به ابر منتقل می شوند و سازمان ها را به تجدید نظر در استراتژی داده خود سوق می دهد. مدرن کردن استراتژی داده شما اغلب به معنای تجدید نظر در جایی است که داده های شما ذخیره می شود. شرکت‌های بیشتری مزایای انتقال داده‌های خود به فضای ابری، از جمله انعطاف‌پذیری و مقیاس‌پذیری بیشتر با هزینه کل مالکیت کمتر را مشاهده می‌کنند. در واقع، تحقیقات گارتنر نشان می‌دهد که «پیش‌بینی می‌شود که بازار خدمات ابر عمومی با رشد ۲۱.۴ درصدی در سال ۲۰۱۸ به ۱۸۶.۴ میلیارد دلار برسد». ابر، گرفتن و ادغام انواع مختلف داده ها را برای شرکت ها آسان تر می کند. این به معنای دور شدن از محیطی است که در آن همه داده‌ها در یک انبار بسیار ساختار یافته و درون محل قرار دارند و به زیرساخت‌های مقیاس‌پذیرتر و انعطاف‌پذیرتر – خواه یک راه‌حل فول ابری یا ترکیبی – قرار دارند. این ما را به جاذبه داده می‌رساند، مفهومی که نشان می‌دهد سرویس‌ها و برنامه‌ها به سمتی کشیده می‌شوند که داده‌ها در آن قرار دارند. از آنجایی که سازمان‌های بیشتری بار کاری را با سرعتی سریع به ابر منتقل می‌کنند، این گرانش داده، فرآیندهای تحلیلی را نیز به ابر می‌کشد. همانطور که شرکت‌ها به سمت Google Cloud حرکت می‌کنند، می‌بینیم که رهبران در کل استراتژی تجزیه و تحلیل داده‌های خود و اینکه چگونه ابر می‌تواند بر کسب‌وکار و نتیجه نهایی آنها تأثیر بگذارد، تجدید نظر می‌کنند. Sudhir Hasbe، مدیر، مدیریت محصول در Google Cloud عوامل محرک پشت این جابجایی گرانشی تأخیر هستند - مقدار زمان لازم برای انجام یک عمل - و توان عملیاتی - تعداد دفعاتی که یک عمل می‌تواند انجام شود یا نتیجه به دست آمده در واحد زمان معین. وقتی داده‌ها، برنامه‌ها و سرویس‌ها کاملاً در یک راستا قرار می‌گیرند، تأخیر و توان عملیاتی کاهش می‌یابد که منجر به افزایش کارایی می‌شود. به طور طبیعی، زمانی که داده ها در فضای ابری قرار می گیرند، این برنامه ها و خدمات شروع به دنبال کردن خواهند کرد. همانطور که سازمان ها استراتژی داده های گسترده تر خود را ارزیابی می کنند، در حال تجدید نظر در مدل تحلیلی خود هستند و از BI سنتی به مدرن می روند. مک‌کینزی خاطرنشان می‌کند که ارزش ابر زمانی به دست می‌آید که شرکت‌ها به زیرساخت‌ها و سیستم‌های ابری «نه به‌عنوان تصمیم‌های تاکتیکی یک‌باره، بلکه به‌عنوان بخشی از یک استراتژی کل‌نگر برای دنبال کردن تحول دیجیتال» نزدیک می‌شوند.

Translation is too long to be saved

هوش تجاری سنتی برای ارائه پاسخ به سوالات، ایجاد تنگناها و جدا نگه داشتن تجزیه و تحلیل از زمینه کسب و کار، به بخش های فناوری اطلاعات متکی است. به همین ترتیب، استقرارهای سنتی BI اغلب بر اساس یک مدل سفت و سخت در محل ساخته می‌شوند که هدف آن پشتیبانی از این حالت از گزارش‌دهی سازمانی است. در مقابل، تجزیه و تحلیل ابری مزایای مختلفی را ارائه می‌کند، از جمله فرصتی برای فکر کردن در مورد مدل‌های استقرار جدید – و رهبران مشتاق هستند از این فرصت‌ها استفاده کنند. این شامل ارسال داشبوردهای تلفن همراه به کارمندان در این زمینه است تا آنها بتوانند بدون نیاز به پاک کردن فایروال به داده ها دسترسی داشته باشند. ابر همچنین امکان اشتراک گذاری امن داشبورد با شرکا یا مشتریان را فراهم می کند و یک منبع حقیقت را ایجاد می کند که فراتر از فرآیندهای داخلی است. اگرچه همه شرکت‌ها آماده انتقال همه داده‌های خود به فضای ابری نیستند، بسیاری از آنها در حال آزمایش راه‌حل‌های ترکیبی برای استفاده از منابع داده‌های متنوع هستند. در نتیجه، شرکت‌ها پلتفرم‌های مدرن BI را با این فرض ارزیابی می‌کنند که آیا می‌توانند از انتقال آینده به تجزیه و تحلیل تمام ابری پشتیبانی کنند یا نه.