در این جلسه با فرایند تجزیه و تحلیل داده ها آشنا خواهیم شد. قبل از آنکه داده ها بمنظور بیان کردن یک داستان بکار گرفته شوند، باید یک پروسه ای را پشت سر بگذارد تا یک مورد مفیدی در داستان باشد. تحلیل داده عبارت از این پروسه می باشد که شامل شناسایی، پاک کردن، تبدیل و مدل بندی داده ها می باشد و هدف از آن دستیابی به اطلاعات معنادار و مفید است. بعد از آن داده ها از طریق گزارشات تحلیلی به یک داستان تبدیل می شوند تا در تصمیم گیری های مهم بکار گرفته شوند.

برای مشاهده تمام آموزش های پاور بی آی به لینک زیر مراجعه کنید:

دوره رایگان و فیلم آموزش پاور بی آی (power BI)

همزمان با وابسته تر شدن دنیا به داده ها، داستان گویی با استفاده از تحلیل داده ها به یک بخش و جنبه مهم و حیاتی از کسب و کارهای کوچک و بزرگ تبدیل شده است. به همین دلیل است که سازمان ها علاقه خاصی به استخدام تحلیل گران داده ها دارند.

کسب و کارهای متکی به داده ها بر مبنای داستانی تصمیم گیری می کنند که داده های آنها بیان می کند و در دنیای امروزی که وابستگی زیادی به داده دارد، از ظرفیت موجود در داده ها بصورت کامل استفاده نمی شود؛ اکثر کسب و کارها با این چالش مواجه هستند. در حال حاضر تحلیل داده ها یک جنبه مهمی از هر سازمان است (و باید باشد) و در تعیین موارد مؤثر بر کسب و کار (شامل ارزیابی انتظارات مشتریان، انجام مطالعه بازار و محصول و شناسایی روندها و سایر اطلاعات قابل استخراج از داده ها) می تواند مفید باشد.

مؤلفه های اصلی موجود در تحلیل داده ها

در حالیکه فرآیند مربوط به تحلیل داده ها بیشتر بر روی وظایفی همانند پاک کردن، مدل سازی و تصویر سازی داده ها تمرکز دارد، مفهوم تحلیل داده و اهمیت آن برای کسب و کار نباید کمتر مورد توجه قرار بگیرد. مؤلفه های اصلی که در تحلیل داده وجود دارند شامل موارد زیر می باشند:

• توصیفی
• تشخیصی
• پیشگویانه
• تجویزی
• شناختی

تحلیل توصیفی

تحلیل های توصیفی برمبنای داده های گذشته هستند و در پاسخ به سؤالات مربوط به اتفاقات صورت گرفته به کار گرفته می شود. تکنیک های تحلیل توصیفی مجموعه داده های گسترده را بصورت خلاصه بیان می کنند تا نتایج بدست آمده را برای سهام داران بیان کنند.

این استراتژی ها از طریق توسعه شاخص های عملکرد کلیدی (KPIs) می توانند در پیگیری موفقیت ها یا شکست های مربوط به اهداف کلیدی مفید باشند. شاخص هایی همانند بازگشت سرمایه گذاری (ROI) در صنایع مختلف به کار گرفته می شوند و یک سری شاخص های خاصی به منظور مشخص کردن عملکرد در صنایع خاص طراحی شده اند.

یک مثال از تحلیل های توصیفی شامل ایجاد گزارشاتی می باشد که هدف از آنها ارائه یک نمایی از فروش های سازمانی و داده های مالی می باشد.

تحلیل های شناختی

تحلیل های شناختی در پاسخ دادن به سؤالات مرتبط با اتفاقات صورت گرفته مفید است. تکنیک های تحلیل شناختی مکمل تحلیل های توصیفی مبنایی هستند و با استفاده از یافته های بدست آمده از تحلیل های توصیفی برای مشخص کردن علت این اتفاقات به کار گرفته می شود. بعد از آن شاخص های عملکردی مورد بررسی قرار می گیرد تا مشخص شود که چرا اتفاقات بهبود یافته اند یا وخیم تر شده اند. معمولاً این فرآیند در سه مرحله صورت می گیرد که عبارتند از:

1. شناسایی ناهنجاری های موجود در داده ها. این موارد ناهنجار ممکن است یک تغییر غیرمنتظره در یک ابزار سنجش یا بازار خاص باشد.
2. جمع آوری داده هایی که مربوط به این ناهنجاری ها هستند.
3. استفاده از تکنیک های آماری به منظور کشف روابط و روند های موجود که این موارد نابهنجار را توضیح می دهند.

تحلیل های پیشگویانه

تحلیل های پیشگویانه در پاسخ به سؤالات مربوط به اتفاقاتی که در آینده اتفاق خواهند افتاد، مفید می باشد. روش های تحلیل های پیشگویانه به منظور شناسایی روند ها از داده های مربوط به گذشته استفاده کرده و احتمال بروز مجدد آنها را مشخص می کنند. ابزارهای تحلیلی پیشگویانه منجر به ایجاد آگاهی مفید در مورد اتفاقاتی می شود که ممکن است در آینده صورت پذیرند. این تکنیک ها شامل بخش گسترده ای از تکنیک های آماری و یادگیری ماشینی هستند که برای مثال می توان به شبکه های عصبی، درخت های تصمیم و رگرسیون اشاره کرد.

تحلیل های تجویزی

تحلیل های تجویزی در حین پاسخ به سؤالات مرتبط با اقداماتی که باید بمنظور دستیابی به یک هدف یا منظور صورت بگیرد، مفید می باشند. سازمان ها با استفاده از آگاهی های بدست آمده از تحلیل های تجویزی می توانند یک سری تصمیمات مبتنی بر داده بگیرند. این تکنیک ها باعث می شوند که کسب و کارها تصمیمات آگاهانه و مطمئنی را در مواجهه با نااطمینانی بگیرند. تکنیک های تحلیل های تجویزی مبتنی بر استراتژی های یادگیری ماشینی هستند و هدف از آنها پیدا کردن الگوهای موجود در مجموع داده های بزرگ می باشد. سازمان ها از طریق تحلیل تصمیمات و اتفاقات گذشته می توانند احتمال بروز پیشامدهای مختلف را تخمین بزنند.

تحلیل های شناختی

هدف از تحلیل های شناختی عبارت از بدست آوردن استنباط از داده ها و الگوهای در دسترس، نتیجه گیری بر مبنای دانش موجود و بعد از آن اضافه کردن این یافته ها به دانش مبنایی مربوط به استنباط های آینده (که یک حلقه بازخوردی – خودیاگیری می باشد) است. تحلیل های شناختی به شما کمک می کند تا در صورت تغییر شرایط مواردی که ممکن است اتفاق بیافتد را پیش بینی کرده و نحوه مدیریت این موقعیت ها را مشخص کنید.

استنباط ها عبارت از کوئری های ساختار یافته مبتنی بر یک پایگاه داده نمی باشند، بلکه عبارت از فرضیات غیرساختاریافته می باشند که از منابع مختلف جمع آوری می شوند و با سطوح اطمینان مختلف بیان می شوند. تحلیل های شناختی مؤثر بستگی به الگوریتم های یادگیری ماشینی دارند و در پردازش مفاهیم از زبان های طبیعی مختلفی استفاده می کنند تا منابع داده ای که قبلاً استفاده نشده اند (همانند ثبت های مکالمات مرکز تماس و بررسی محصولات) شناخته شوند.

مثال

یک کسب و کار خرده فروشی از طریق گزارش کردن و تصویر سازی مبتنی بر داده ها، به منظور بررسی الگوهای خرید موجود در سال های قبل از تحلیل های توصیفی استفاده می کند و در نهایت محصولاتی را مشخص می کند که ممکن است در سال آینده با استقبال مناسبی مواجه شوند. همچنین این امکان وجود دارد که شرکت برای شناخت دلیل محبوبیت یک محصول خاص به دنبال پیدا کردن داده های تأیید کننده باشد و در صورتیکه این روند تداوم داشته باشد، در تصمیم گیری مربوط به ادامه دادن به انباشت آن محصول تأثیرگذار خواهد بود.

یک کسب و کار می تواند محبوبیت یک محصول را در یک دوره زمانی خاص مشخص کند. بعد از آن می تواند از این تحلیل به منظور بررسی تأثیرگذار بودن فعالیت های بازاریابی خاص یا فعالیت های اجتماعی آنلاین بر روی افزایش فروش استفاده کند.

یکی از جنبه های مهم تحلیل داده ها اعتماد یک کسب و کار به داده های خودش می باشد. فرآیند تحلیل داده به عنوان یک روش داده ها را از منابع قابل اعتماد دریافت می کند و آن را به شکل قابل استفاده، معنادار و دارای قابلیت درک ساده تبدیل می کند تا در فرآیند تصمیم گیری بکار برده شود. تحلیل داده این امکان را برای کسب و کارها فراهم می کند تا از طریق فرآیندها و تصمیمات مبتنی بر داده شناخت کاملی از داده های خودشان بدست بیاورند و در نهایت تصمیمات مطمئنی بگیرند.

همزمان با رشد داده ها (که همه گیر شده است)، نیاز به تحلیل های داده ای افزایش پیدا کرده است. یک تحلیل گر داده به خوبی می داند که به چه نحوی اطلاعات خودش را سازمان دهی کند و آن را به بخش های های مرتبط و قابل درک تقسیم کند. یک تحلیل گر داده به راحتی می داند که به چه نحوی داده مناسب را بدست بیاورد و بر روی آن چه کارهایی انجام دهد؛ به بیان دیگر منجر به معنادار شدن داده های حجیم و گسترده شود.