آموزش هوش تجاری از ۰ تا ۱۰۰

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.