📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
📍تصمیم‌محوری پیش از داده‌محوری
🔸فصل دوم کتاب داده‌های عظیم برای تصمیمات بزرگ به بحث تصمیم‌گیری در سازمان می‌پردازد. یک سازمان باید خودآگاه باشد، به این معنا که باید برای عملکرد مطلوب و رقابت‌پذیری در بازار، خود را به طور کامل بشناسد. تحلیلگری به سازمان کمک می‌کند تا کسب و کار خود را به طور دقیق‌تر بشناسد. در واقع یک سازمان باید شایستگی‌ها، نقاط قوت و ضعف، تهدیدها و فرصت‌های خود را بشناسد. باید بداند چه محصولاتی تولید کند، چگونه مواد خام خود را تامین نماید، چگونه موجودی‌ها و سرمایه در گردش خود را کنترل کند، چگونه مصرف منابع را بهینه و در عین حال تولید را به حداکثر برساند، در کجا بازاریابی و چگونه محصولات خود را به بازار عرضه نماید. همچنین سازمان باید مشتریان، فروشندگان و کارمندان خود را بشناسد. اگر هدف از تحلیلگری داده کمک به شرکت برای شناخت دقیق خود و اتخاذ تصمیمات مبتنی بر داده‌ها و بینش‌های قابل اقدام منتج از آن باشد، آنگاه کسانی که مسئول سرمایه گذاری بر تحلیلگری هستند باید بدانند که کدام تصمیمات باید در اولویت قرار گیرند و در واقع باید از تصمیمات حیاتی شروع کنند.
🔹 یک سازمان قبل از اینکه بخواهد داده محور شود، لزوماً نیاز به تصمیم گیری دارد. یک سازمان تصمیم‌محور می‌داند چه تصمیم‌هایی می‌گیرد و هر یک از آن تصمیم‌ها چگونه بر نتایج کسب‌وکار تأثیر می‌گذارند. یک سازمان تصمیم‌محور یک فرآیند رسمی و مسیر حسابرسی را اگر نگوییم برای همه تصمیمات، دست کم برای تصمیمات مهم در نظر می‌گیرد.
🔸به طور مثال، تنها راهی که یک مدیر می تواند کنترل حساب شده‌ای بر زنجیره ارزش سازمانی اعمال کند، تصمیم‌گیری است. در این خصوص انتظار می‌رود تصمیمات با کیفیت خوب به حداکثر رساندن توان عملیاتی سازمان با کاهش محدودیت‌ها در زنجیره ارزش کمک نماید. یک مدیر فقط به اندازه کیفیت تصمیماتش خوب است و مدیری که تصمیمات را به تأخیر می اندازد معمولاً منجر به تنگناهای فرآیند در زنجیره ارزش می‌شود. انتظار می‌رود ایجاد یک فرآیند رسمی برای تصمیم گیری به مدیران کمک کند تا در کیفیت تصمیماتی که می‌گیرند ایجاد ثبات و انسجام کرده و از هر ده بار، نه بار تصمیمات "خوب" بگیرند و در قبال تصمیمات خود پاسخگو باشند.
با این حال، فرآیند تصمیم‌گیری در بین سازمان‌ها غیررسمی است و اغلب فاقد هرگونه حسابرسی به دنبال اتخاذ تصمیمات است. شاید به ندرت بتوان سازمانی را یافت که ساختار سازمانی مبتنی بر «نقش‌های تصمیم‌گیری شفاف» داشته باشند. در واقع سازمان‌هایی که به خودی خود تعاریف روشن نقش را مستند می کنند، بسیار کم هستند چه رسد به ایجاد نقش‌ها بر اساس فهرست مستندی از «تصمیمات».
🔹شایان ذکر است که صدها تصمیم عملیاتی وجود دارد که ماهیتاً تکراری هستند و معمولاً توسط یک مدیر به طور روزمره گرفته می‌شوند و به طور انباشته ارزش بسیار بالاتری نسبت به تمام تصمیمات مربوط به مخارج سرمایه‌ای دارند که در شرکت گرفته می‌شود. به بیان دیگر، یک تصمیم کوچک می‌تواند با ارزش تجمعی خود به طور قابل توجهی بر سودآوری و عملکرد شرکت تأثیر بگذارد. با توجه به اهمیت این تصمیمات عملیاتی «با اثر تجمعی بزرگ»، شناسایی و ایجاد یک فرآیند رسمی برای حفظ کیفیت تصمیمات، علاوه بر ایجاد یک مسیر حسابرسی، مهم است.
🔸نکته حائز اهمیت دیگر آن است که همه تصمیمات 100% مبتنی بر قواعد و کاملا منطقی نیستند. اما بسیاری از مراحل فرعی درگیر در فرآیند تصمیم گیری می‌تواند منطقی و مبتنی بر قاعده باشد. بنابراین، تجزیه فرآیند تصمیم‌گیری به فرآیندهای فرعی و بررسی دقیق این موضوع که آیا هر یک از این فرآیندهای فرعی می‌تواند مبتنی بر قانون و خودکار باشد یا خیر، شیوه‌ای مناسب به شمار می‌رود.
♦️ بنابراین، یک سازمان تصمیم‌محور باید بداند چه تصمیماتی می‌گیرد و کدام یک از این تصمیمات، تصمیمات کلیدی هستند که بر نتایج کسب‌وکار بیشترین تأثیر را می‌گذارند. انتظار می‌رود یک سازمان تصمیم محور برای هر یک از تصمیماتی که به عنوان تصمیم مهم شناخته می‌شوند -به طور ویژه در خصوص 10% از تصمیماتی که %90 از نتایج کسب و کار را تحت تأثیر قرار می‌دهند- با استفاده از رویه‌های عملیاتی استاندارد جهانی مستند شده، فرآیند محور شود. و از همه مهم‌تر اینکه یک سازمان تصمیم‌محور تضمین می‌کند که موفقیتش فرآیند محور و پایدار است و نه مبتنی بر افراد.
#کتاب_بخوانیم
#فصل_دوم
#فاطمه_مظفری
#تصمیم‌گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
📍تصمیم‌محوری پیش از داده‌محوری
🔸فصل دوم کتاب داده‌های عظیم برای تصمیمات بزرگ به بحث تصمیم‌گیری در سازمان می‌پردازد. یک سازمان باید خودآگاه باشد، به این معنا که باید برای عملکرد مطلوب و رقابت‌پذیری در بازار، خود را به طور کامل بشناسد. تحلیلگری به سازمان کمک می‌کند تا کسب و کار خود را به طور دقیق‌تر بشناسد. در واقع یک سازمان باید شایستگی‌ها، نقاط قوت و ضعف، تهدیدها و فرصت‌های خود را بشناسد. باید بداند چه محصولاتی تولید کند، چگونه مواد خام خود را تامین نماید، چگونه موجودی‌ها و سرمایه در گردش خود را کنترل کند، چگونه مصرف منابع را بهینه و در عین حال تولید را به حداکثر برساند، در کجا بازاریابی و چگونه محصولات خود را به بازار عرضه نماید. همچنین سازمان باید مشتریان، فروشندگان و کارمندان خود را بشناسد. اگر هدف از تحلیلگری داده کمک به شرکت برای شناخت دقیق خود و اتخاذ تصمیمات مبتنی بر داده‌ها و بینش‌های قابل اقدام منتج از آن باشد، آنگاه کسانی که مسئول سرمایه گذاری بر تحلیلگری هستند باید بدانند که کدام تصمیمات باید در اولویت قرار گیرند و در واقع باید از تصمیمات حیاتی شروع کنند.
🔹 یک سازمان قبل از اینکه بخواهد داده محور شود، لزوماً نیاز به تصمیم گیری دارد. یک سازمان تصمیم‌محور می‌داند چه تصمیم‌هایی می‌گیرد و هر یک از آن تصمیم‌ها چگونه بر نتایج کسب‌وکار تأثیر می‌گذارند. یک سازمان تصمیم‌محور یک فرآیند رسمی و مسیر حسابرسی را اگر نگوییم برای همه تصمیمات، دست کم برای تصمیمات مهم در نظر می‌گیرد.
🔸به طور مثال، تنها راهی که یک مدیر می تواند کنترل حساب شده‌ای بر زنجیره ارزش سازمانی اعمال کند، تصمیم‌گیری است. در این خصوص انتظار می‌رود تصمیمات با کیفیت خوب به حداکثر رساندن توان عملیاتی سازمان با کاهش محدودیت‌ها در زنجیره ارزش کمک نماید. یک مدیر فقط به اندازه کیفیت تصمیماتش خوب است و مدیری که تصمیمات را به تأخیر می اندازد معمولاً منجر به تنگناهای فرآیند در زنجیره ارزش می‌شود. انتظار می‌رود ایجاد یک فرآیند رسمی برای تصمیم گیری به مدیران کمک کند تا در کیفیت تصمیماتی که می‌گیرند ایجاد ثبات و انسجام کرده و از هر ده بار، نه بار تصمیمات "خوب" بگیرند و در قبال تصمیمات خود پاسخگو باشند.
با این حال، فرآیند تصمیم‌گیری در بین سازمان‌ها غیررسمی است و اغلب فاقد هرگونه حسابرسی به دنبال اتخاذ تصمیمات است. شاید به ندرت بتوان سازمانی را یافت که ساختار سازمانی مبتنی بر «نقش‌های تصمیم‌گیری شفاف» داشته باشند. در واقع سازمان‌هایی که به خودی خود تعاریف روشن نقش را مستند می کنند، بسیار کم هستند چه رسد به ایجاد نقش‌ها بر اساس فهرست مستندی از «تصمیمات».
🔹شایان ذکر است که صدها تصمیم عملیاتی وجود دارد که ماهیتاً تکراری هستند و معمولاً توسط یک مدیر به طور روزمره گرفته می‌شوند و به طور انباشته ارزش بسیار بالاتری نسبت به تمام تصمیمات مربوط به مخارج سرمایه‌ای دارند که در شرکت گرفته می‌شود. به بیان دیگر، یک تصمیم کوچک می‌تواند با ارزش تجمعی خود به طور قابل توجهی بر سودآوری و عملکرد شرکت تأثیر بگذارد. با توجه به اهمیت این تصمیمات عملیاتی «با اثر تجمعی بزرگ»، شناسایی و ایجاد یک فرآیند رسمی برای حفظ کیفیت تصمیمات، علاوه بر ایجاد یک مسیر حسابرسی، مهم است.
🔸نکته حائز اهمیت دیگر آن است که همه تصمیمات 100% مبتنی بر قواعد و کاملا منطقی نیستند. اما بسیاری از مراحل فرعی درگیر در فرآیند تصمیم گیری می‌تواند منطقی و مبتنی بر قاعده باشد. بنابراین، تجزیه فرآیند تصمیم‌گیری به فرآیندهای فرعی و بررسی دقیق این موضوع که آیا هر یک از این فرآیندهای فرعی می‌تواند مبتنی بر قانون و خودکار باشد یا خیر، شیوه‌ای مناسب به شمار می‌رود.
♦️ بنابراین، یک سازمان تصمیم‌محور باید بداند چه تصمیماتی می‌گیرد و کدام یک از این تصمیمات، تصمیمات کلیدی هستند که بر نتایج کسب‌وکار بیشترین تأثیر را می‌گذارند. انتظار می‌رود یک سازمان تصمیم محور برای هر یک از تصمیماتی که به عنوان تصمیم مهم شناخته می‌شوند -به طور ویژه در خصوص 10% از تصمیماتی که %90 از نتایج کسب و کار را تحت تأثیر قرار می‌دهند- با استفاده از رویه‌های عملیاتی استاندارد جهانی مستند شده، فرآیند محور شود. و از همه مهم‌تر اینکه یک سازمان تصمیم‌محور تضمین می‌کند که موفقیتش فرآیند محور و پایدار است و نه مبتنی بر افراد.
#کتاب_بخوانیم
#فصل_دوم
#فاطمه_مظفری
#تصمیم‌گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
✳️ بخش سوم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ارزش تحلیل عظیم داده برای مفاهیم شناخته شده و ناشناخته در سازمان می‌پردازد. برای بررسی این موضوع از مفهوم پنجره جوهری که یکی از الگوهای بسیار جالب و مورد توجه در تصویر کردن سطوح آگاهی در رفتار انسانی می‌باشد؛ استفاده می‌شود. سازمان‌هایی که به دنبال استفاده از عظیم داده برای تحلیل فرآیندهای کسب و کار و مشتریان میباشند با به کارگیری این مفهوم در دو بعد مشتریان و سایر ذینفعان می‌توانند استفاده بهتری از تحلیل داده‌ها داشته باشند.
🔹به طور مثال اگر دانسته‌های انسان را به دو دسته شناخته شده و ناشناخته تقسیم کنیم و همچین علم به اینکه آن موضوع را می دانیم یا خیر می‌توانیم یک ماتریس دو بعدی از این تلاقی تشکیل دهیم که شامل چهار گروه است:
1️⃣ گروه اول: نسبت به آنچه که می دانیم آگاه نیستیم.
2️⃣ گروه دوم: نسبت به آنچه نمی دانیم آگاه نیسیتم.
3️⃣ گروه سوم:نسبت به آنچه می دانیم آگاه هستیم.
4️⃣ گروه چهارم: نسبت به آنچه نمی دانیم آگاه هستیم.
تحلیل عظیم داده به نحوی می تواند در شناسایی هر یک از این چهار گروه به سازمان کمک کند.
🔸هر سازمان وابسته به اینکه چه تصمیمی در حال حاضر می‌گیرد و یا در آینده قصد دارد به آن سمت و سو برود و همچنین دسترسی و عدم دسترسی به داده می‌تواند کاربردهای عظیم داده را در چهار گروه قرار دهد که در صورت وجود داده شامل تحلیل عظیم داده برای شناسایی الگوها، تحلیل روندها و تحلیل آماری برای تصمیماتی است که در حال حاضر در دستور کار قرار ندارد. این کاربردها همچنین شامل تمرکز بر روی 10 درصد از تصمیماتی که 90 درصد تاثیر و نتایج را به دنبال دارند، مکانیزه کردن تمامی تصمیماتی که مبتنی بر قوانین میباشند و تصمیمات تجویزی در نقاط حیاتی برای تصمیمات کنونی که سازمان اتخاذ می‌کند، می‌باشد.
🔹همانطور که پیشتر ذکر شد یکی از الگوهای بسیار جالب و مورد توجه در تصویر کردن سطوح آگاهی در رفتار انسانی پنجره ی جوهری است. این مدل پیوند فرد با اشخاص دیگر را در چهار خانه نشان می‌دهد که این چهار خانه هریک خانه‌ای از یک پنجره ی بزرگ است. هر خانه نشان دهنده ی آگاهی - به‌وسیله ی خود فرد یا به‌وسیله ی دیگران - از رفتار، احساسات و انگیزه‌های خود است.همین مفهوم را در مورد تحلیل عظیم داده در یک سازمان در دو بعد مشتریان و سایر ذینفعان شامل کارکنان، سرمایه‌گذاران و جامعه در نظر گرفت.
از آنجاییکه سازمان‌ها در محیط ایستا عمل نمی‌کنند. همه چیز از مشتری الزامات مربوط به رقابت، مقررات دولتی و الزامات انطباق همه در طبیعت پویا هستند و می‌توانند به طور قابل توجهی یک شبه تغییر کنند. پاسخ به این سوال که چگونه یک سازمان اولویت‌های تحلیلی داده خود را به دست آورد جواب مشخصی ندارد و کاملا وابسته به سطح بلوغ سازمان در داده می‌باشد. همانطور که سازمان‌ها بالغ می‌شوند، تمایل دارند مناطق شناخته شده را پنجره جوهری چه از منظر مشتریان و سایر ذینفعان گشترس دهند. تا بدین ترتیب بتوانند؛ فرآیند محورتر شوند و داده‌های مرتبط ساختار یافته تری را کسب کنند و مهم‌تر از آن، تصمیم گیری ساختارمندتری دارند.
✅ پنجره جوهری از نگاه مشتریان:
هر سازمان که به دنبال تحلیل داده محور کسب و کار می‌باشد باید پنجره جوهری را از دیدگاه مشتری در نظر بگیرد. در میان خانه‌های این پنجره از دیدگاه مشتری، ناحیه کور نشان دهنده درک مشتریان از ارزش محصولات و خدمات سازمان‌ها در مقابل سازمان‌های رقیب می‌باشد. این نشان دهنده فرصتی برای کشف ویژگی‌های پنهان تأثیرگذار در رفتار مشتریان از طریق به کارگیری تحلیل داده‌های رفتاری مشتریان می‌باشد. به طور مشابه، منطقه ناشناخته، دلایل رفتارهای کاملا پنهان مشتری می‌باشد که نه مشتریان و نه سازمان نسبت به آن آگاه نمی‌باشند. از نظر فنی و تحلیلی، این منطقه ممکن است فرصت‌هایی برای پیشرفت‌های بزرگ از طریق تجزیه و تحلیل عظیم داده‌ها داشته باشد.
✅ پنجره جوهری از نگاه کارمندان:
پنجره جوهری از نگاه کارمندان می‌تواند برای سایر ذینفعان همچون سرمایه گذاران، جامعه و دولت نیز در نظر گرفته شود. مشارکت و حفظ کارکنان یکی از موضوعات کلیدی برای سازمان‌های پیشرو می‌باشد که در راس توجه به کیفیت زندگی افراد قرار دارد و از طریق این تحلیل این پنجره می‌توان کمک های شایانی را در این زمینه به سازمان کرد. به عنوان مثال چرا یک محصول یا جغرافیای سازمان از منظر شاخص‌های سنجش رضایت کارکنان بهتر از بقیه است؟
#کتاب_بخوانیم
#فصل_سوم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
✳️ بخش سوم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ارزش تحلیل عظیم داده برای مفاهیم شناخته شده و ناشناخته در سازمان می‌پردازد. برای بررسی این موضوع از مفهوم پنجره جوهری که یکی از الگوهای بسیار جالب و مورد توجه در تصویر کردن سطوح آگاهی در رفتار انسانی می‌باشد؛ استفاده می‌شود. سازمان‌هایی که به دنبال استفاده از عظیم داده برای تحلیل فرآیندهای کسب و کار و مشتریان میباشند با به کارگیری این مفهوم در دو بعد مشتریان و سایر ذینفعان می‌توانند استفاده بهتری از تحلیل داده‌ها داشته باشند.
🔹به طور مثال اگر دانسته‌های انسان را به دو دسته شناخته شده و ناشناخته تقسیم کنیم و همچین علم به اینکه آن موضوع را می دانیم یا خیر می‌توانیم یک ماتریس دو بعدی از این تلاقی تشکیل دهیم که شامل چهار گروه است:
1️⃣ گروه اول: نسبت به آنچه که می دانیم آگاه نیستیم.
2️⃣ گروه دوم: نسبت به آنچه نمی دانیم آگاه نیسیتم.
3️⃣ گروه سوم:نسبت به آنچه می دانیم آگاه هستیم.
4️⃣ گروه چهارم: نسبت به آنچه نمی دانیم آگاه هستیم.
تحلیل عظیم داده به نحوی می تواند در شناسایی هر یک از این چهار گروه به سازمان کمک کند.
🔸هر سازمان وابسته به اینکه چه تصمیمی در حال حاضر می‌گیرد و یا در آینده قصد دارد به آن سمت و سو برود و همچنین دسترسی و عدم دسترسی به داده می‌تواند کاربردهای عظیم داده را در چهار گروه قرار دهد که در صورت وجود داده شامل تحلیل عظیم داده برای شناسایی الگوها، تحلیل روندها و تحلیل آماری برای تصمیماتی است که در حال حاضر در دستور کار قرار ندارد. این کاربردها همچنین شامل تمرکز بر روی 10 درصد از تصمیماتی که 90 درصد تاثیر و نتایج را به دنبال دارند، مکانیزه کردن تمامی تصمیماتی که مبتنی بر قوانین میباشند و تصمیمات تجویزی در نقاط حیاتی برای تصمیمات کنونی که سازمان اتخاذ می‌کند، می‌باشد.
🔹همانطور که پیشتر ذکر شد یکی از الگوهای بسیار جالب و مورد توجه در تصویر کردن سطوح آگاهی در رفتار انسانی پنجره ی جوهری است. این مدل پیوند فرد با اشخاص دیگر را در چهار خانه نشان می‌دهد که این چهار خانه هریک خانه‌ای از یک پنجره ی بزرگ است. هر خانه نشان دهنده ی آگاهی - به‌وسیله ی خود فرد یا به‌وسیله ی دیگران - از رفتار، احساسات و انگیزه‌های خود است.همین مفهوم را در مورد تحلیل عظیم داده در یک سازمان در دو بعد مشتریان و سایر ذینفعان شامل کارکنان، سرمایه‌گذاران و جامعه در نظر گرفت.
از آنجاییکه سازمان‌ها در محیط ایستا عمل نمی‌کنند. همه چیز از مشتری الزامات مربوط به رقابت، مقررات دولتی و الزامات انطباق همه در طبیعت پویا هستند و می‌توانند به طور قابل توجهی یک شبه تغییر کنند. پاسخ به این سوال که چگونه یک سازمان اولویت‌های تحلیلی داده خود را به دست آورد جواب مشخصی ندارد و کاملا وابسته به سطح بلوغ سازمان در داده می‌باشد. همانطور که سازمان‌ها بالغ می‌شوند، تمایل دارند مناطق شناخته شده را پنجره جوهری چه از منظر مشتریان و سایر ذینفعان گشترس دهند. تا بدین ترتیب بتوانند؛ فرآیند محورتر شوند و داده‌های مرتبط ساختار یافته تری را کسب کنند و مهم‌تر از آن، تصمیم گیری ساختارمندتری دارند.
✅ پنجره جوهری از نگاه مشتریان:
هر سازمان که به دنبال تحلیل داده محور کسب و کار می‌باشد باید پنجره جوهری را از دیدگاه مشتری در نظر بگیرد. در میان خانه‌های این پنجره از دیدگاه مشتری، ناحیه کور نشان دهنده درک مشتریان از ارزش محصولات و خدمات سازمان‌ها در مقابل سازمان‌های رقیب می‌باشد. این نشان دهنده فرصتی برای کشف ویژگی‌های پنهان تأثیرگذار در رفتار مشتریان از طریق به کارگیری تحلیل داده‌های رفتاری مشتریان می‌باشد. به طور مشابه، منطقه ناشناخته، دلایل رفتارهای کاملا پنهان مشتری می‌باشد که نه مشتریان و نه سازمان نسبت به آن آگاه نمی‌باشند. از نظر فنی و تحلیلی، این منطقه ممکن است فرصت‌هایی برای پیشرفت‌های بزرگ از طریق تجزیه و تحلیل عظیم داده‌ها داشته باشد.
✅ پنجره جوهری از نگاه کارمندان:
پنجره جوهری از نگاه کارمندان می‌تواند برای سایر ذینفعان همچون سرمایه گذاران، جامعه و دولت نیز در نظر گرفته شود. مشارکت و حفظ کارکنان یکی از موضوعات کلیدی برای سازمان‌های پیشرو می‌باشد که در راس توجه به کیفیت زندگی افراد قرار دارد و از طریق این تحلیل این پنجره می‌توان کمک های شایانی را در این زمینه به سازمان کرد. به عنوان مثال چرا یک محصول یا جغرافیای سازمان از منظر شاخص‌های سنجش رضایت کارکنان بهتر از بقیه است؟
#کتاب_بخوانیم
#فصل_سوم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
✳️ فصل چهارم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ارائه نقشه راه برای تحلیلگری در راستای ایجاد یک سازمان داده محور می‌پردازد.
📍بر این اساس هشت موضوع در این فصل مورد بررسی قرار می‌گیرد:
1️⃣ چالش کسب ارزش از تحلیلگری: هر چند ضرورت سرمایه گذاری بر روی تحلیلگری پیشرفته به عنوان یک ضرورت مطرح است، اما طبق گزارش گارتنر فقط بین 30 تا 40 درصد از ابتکارات تحلیلگری نوعی ارزش کسب و کاری را حاصل می‌نماید.
2️⃣ تحلیلگری تصمیم‌گرا: اهمیت شروع از تصمیم و کار کردن با داده‌های پشت تصمیمات
3️⃣ اهمیت شروع از پایان: مشکل شروع از داده. چه تضمینی وجود دارد که پس از پردازش داده‌های خام، بینش‌های ارزشمندی وجود داشته باشد؟
4️⃣ رمزگشایی از داده‌های پشت تصمیمات: بر خلاف رویکرد سنتی، این فرآیند به شناسایی شکاف‌های داده‌ای پشت تصمیم کمک کرده و استراتژی منبع یابی داده را برای داده‌های گمشده ایجاد می‌نماید.
5️⃣ با مدیر موقت ملاقات کنید: در حالی که مدیران موقت پیشرفت می‌کنند، آن عده معدودی که به دنبال راه‌حل‌های دائمی و جامع هستند ضرر می‌کنند، زیرا برداشت عمومی از «جستجوی راه‌حل دائمی سازمانی» عالی به نظر نمی‌رسد.
6️⃣ راه حل‌های محلی در مقابل عمومی: یک استدلال قانع کننده برای اینکه چرا سازمان‌ها باید اجرای یک تمرین تحولی داده-به-تصمیم در سطح سازمان را در نظر بگیرند.
7️⃣ طرز تفکر مشکل در مقابل فرصت: مفهوم حل نقطه ای راه‌حلی برای "مشکل خاص" بر اساس این پیش‌فرض است که سیستم با حل مشکل در اوج بهره‌وری خود است و از این رو نیازی نیست که به دنبال فرصت‌های بیشتری برای بهینه سازی هزینه و زمان چرخه، یا دستیابی به مشتریان بیشتر باشید.
8️⃣ نقشه راه برای سازمان داده محور: تصمیمات بزرگ کدامند؟ تصمیماتی که توسط CxO ها گرفته می‌شوند؟ تصمیمات راهبردی؟ تصمیمات مربوط به سرمایه‌های کلان؟
❇️ بنابراین با بررسی هر یک از موضوعات مذکور، اگر سازمانی بخواهد خارج از چارچوب فکر کند و بتواند تمام فرصت‌های "بزرگ" را که در آن تحلیلگری می‌تواند تفاوت ملموسی در کیفیت تصمیم‌ها ایجاد کند کشف نماید، نکات زیر می‌تواند راهگشا باشد:
✅ تصمیمات بزرگ را شناسایی کنید - 10٪ از تصمیماتی که 90٪ از نتایج کسب و کار را تحت تأثیر قرار می‌دهند.
✅ یک نقشه راه اولویت برای تحلیلگری پیشرفته، بر اساس حیاتی بودن تصمیمات کسب و کاری و اندازه ارزش مادی حاصل از آن ایجاد کنید.
✅ یک نقشه راه تحول آفرین و یک مورد کسب و کاری برای تحلیلگری ایجاد کنید.
✅ داده‌های پشت تصمیمات را برای هر یک از تصمیمات شناسایی شده درک نمایید.
✅ شکاف داده‌ها را شناسایی کنید. به عنوان مثال داده‌هایی که برای پشتیبانی از تصمیم نیاز دارید، اما در حال حاضر ندارید.
✅ کیفیت داده‌ها را بهبود بخشید.
✅ نهادینه کردن حاکمیت داده‌ها. استانداردهای داده و تعاریف داده و سایر موارد را معرفی کنید.
✅ پیاده سازی تحلیلگری مطابق با نقشه راه تحول.
✅ یک ممیزی ارزش به صورت دوره ای انجام دهید.
#کتاب_بخوانیم
#فصل_چهارم
#فاطمه_مظفری
#تصمیم_گیری
#سازمان_داده_محور
#Big_Data_for_Big_Decisions_Building_a_Data_Driven_Organization
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
✳️ فصل چهارم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ارائه نقشه راه برای تحلیلگری در راستای ایجاد یک سازمان داده محور می‌پردازد.
📍بر این اساس هشت موضوع در این فصل مورد بررسی قرار می‌گیرد:
1️⃣ چالش کسب ارزش از تحلیلگری: هر چند ضرورت سرمایه گذاری بر روی تحلیلگری پیشرفته به عنوان یک ضرورت مطرح است، اما طبق گزارش گارتنر فقط بین 30 تا 40 درصد از ابتکارات تحلیلگری نوعی ارزش کسب و کاری را حاصل می‌نماید.
2️⃣ تحلیلگری تصمیم‌گرا: اهمیت شروع از تصمیم و کار کردن با داده‌های پشت تصمیمات
3️⃣ اهمیت شروع از پایان: مشکل شروع از داده. چه تضمینی وجود دارد که پس از پردازش داده‌های خام، بینش‌های ارزشمندی وجود داشته باشد؟
4️⃣ رمزگشایی از داده‌های پشت تصمیمات: بر خلاف رویکرد سنتی، این فرآیند به شناسایی شکاف‌های داده‌ای پشت تصمیم کمک کرده و استراتژی منبع یابی داده را برای داده‌های گمشده ایجاد می‌نماید.
5️⃣ با مدیر موقت ملاقات کنید: در حالی که مدیران موقت پیشرفت می‌کنند، آن عده معدودی که به دنبال راه‌حل‌های دائمی و جامع هستند ضرر می‌کنند، زیرا برداشت عمومی از «جستجوی راه‌حل دائمی سازمانی» عالی به نظر نمی‌رسد.
6️⃣ راه حل‌های محلی در مقابل عمومی: یک استدلال قانع کننده برای اینکه چرا سازمان‌ها باید اجرای یک تمرین تحولی داده-به-تصمیم در سطح سازمان را در نظر بگیرند.
7️⃣ طرز تفکر مشکل در مقابل فرصت: مفهوم حل نقطه ای راه‌حلی برای "مشکل خاص" بر اساس این پیش‌فرض است که سیستم با حل مشکل در اوج بهره‌وری خود است و از این رو نیازی نیست که به دنبال فرصت‌های بیشتری برای بهینه سازی هزینه و زمان چرخه، یا دستیابی به مشتریان بیشتر باشید.
8️⃣ نقشه راه برای سازمان داده محور: تصمیمات بزرگ کدامند؟ تصمیماتی که توسط CxO ها گرفته می‌شوند؟ تصمیمات راهبردی؟ تصمیمات مربوط به سرمایه‌های کلان؟
❇️ بنابراین با بررسی هر یک از موضوعات مذکور، اگر سازمانی بخواهد خارج از چارچوب فکر کند و بتواند تمام فرصت‌های "بزرگ" را که در آن تحلیلگری می‌تواند تفاوت ملموسی در کیفیت تصمیم‌ها ایجاد کند کشف نماید، نکات زیر می‌تواند راهگشا باشد:
✅ تصمیمات بزرگ را شناسایی کنید - 10٪ از تصمیماتی که 90٪ از نتایج کسب و کار را تحت تأثیر قرار می‌دهند.
✅ یک نقشه راه اولویت برای تحلیلگری پیشرفته، بر اساس حیاتی بودن تصمیمات کسب و کاری و اندازه ارزش مادی حاصل از آن ایجاد کنید.
✅ یک نقشه راه تحول آفرین و یک مورد کسب و کاری برای تحلیلگری ایجاد کنید.
✅ داده‌های پشت تصمیمات را برای هر یک از تصمیمات شناسایی شده درک نمایید.
✅ شکاف داده‌ها را شناسایی کنید. به عنوان مثال داده‌هایی که برای پشتیبانی از تصمیم نیاز دارید، اما در حال حاضر ندارید.
✅ کیفیت داده‌ها را بهبود بخشید.
✅ نهادینه کردن حاکمیت داده‌ها. استانداردهای داده و تعاریف داده و سایر موارد را معرفی کنید.
✅ پیاده سازی تحلیلگری مطابق با نقشه راه تحول.
✅ یک ممیزی ارزش به صورت دوره ای انجام دهید.
#کتاب_بخوانیم
#فصل_چهارم
#فاطمه_مظفری
#تصمیم_گیری
#سازمان_داده_محور
#Big_Data_for_Big_Decisions_Building_a_Data_Driven_Organization
www.bdbanalytics.ir
@BigData_BusinessAnalytics
🔸 اولویت‌بندی تصمیم گیری‌ها
بعد از مشخص شدن تصمیمات کلیدی برای یک سازمان نیاز است تا یک روش‌شناسی هدفمند برای امتیازدهی و اولویت‌بندی تصمیمات بر اساس تأثیر آنها بر نتایج تجاری ارائه شود. نویسنده کتاب مدعی است که در طی تحقیقات، با کمبود روش‌های اثبات‌شده برای اولویت‌بندی تصمیمات مواجه شد. بر همین اساس به اصل معروف آیزنهاور ارجاع می‌دهد که بر اساس ضرورت و اهمیت وظایف اولویت‌بندی می‌شود. این اصل، که به وسیله جعبه آیزنهاور نمایش داده می‌شود، به عنوان ابزاری مفید برای افزایش بهره‌وری شخصی عمل می‌کند. با این حال، برای اولویت‌بندی تصمیمات در سازمان به‌طور کلی، باید ارزیابی جامعی از تصمیمات به علاوه تأثیر آنها بر نتایج تجاری صورت بگیرد. به رغم تحقیقات گسترده، نویسنده فقط تعداد محدودی مقاله را پیدا کرد که بر اهمیت دسته‌بندی و اولویت‌بندی تصمیمات تأکید داشتند. این شامل مقالاتی است که تصمیمات استراتژیک را متمایز از تصمیمات روزمره شناسایی کرده و تصمیمات را بر اساس تعهد و دامنه شرکت ارزیابی می‌کنند. یکی دیگر از مدل هایی که در این فصل به آن اشاره شده است مدل باین می باشد. این مدل در درجه اول بر ارزش در خطر و توجه مدیریت مورد نیاز به عنوان عواملی برای اولویت‌بندی تصمیم‌ها تمرکز می‌کند.
یکی از چالش‌های اصلی در اولویت بندی تصمیمات این می باشد که کمی کردن توجه مدیریت چالش برانگیز است، زیرا می‌تواند در بین افراد و سطوح تصمیم گیری متفاوت باشد. علاوه بر این، تصمیماتی که نیاز به توجه نقش‌های مختلف مدیریتی دارند یا شامل تصمیم‌گیری جمعی هستند، نباید دارای وزن یکسانی باشند. تصمیمات مبتنی بر قانون تنها در صورتی می‌توانند خودکار شوند که داده‌های لازم جمع‌آوری شده باشد و زیرساخت اتوماسیون وجود داشته باشد. بدون پشتیبان داده‌ها، همه تصمیمات به صلاحدید مدیریتی نیاز دارند.
#کتاب_بخوانیم
#فصل_پنجم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
بعد از مشخص شدن تصمیمات کلیدی برای یک سازمان نیاز است تا یک روش‌شناسی هدفمند برای امتیازدهی و اولویت‌بندی تصمیمات بر اساس تأثیر آنها بر نتایج تجاری ارائه شود. نویسنده کتاب مدعی است که در طی تحقیقات، با کمبود روش‌های اثبات‌شده برای اولویت‌بندی تصمیمات مواجه شد. بر همین اساس به اصل معروف آیزنهاور ارجاع می‌دهد که بر اساس ضرورت و اهمیت وظایف اولویت‌بندی می‌شود. این اصل، که به وسیله جعبه آیزنهاور نمایش داده می‌شود، به عنوان ابزاری مفید برای افزایش بهره‌وری شخصی عمل می‌کند. با این حال، برای اولویت‌بندی تصمیمات در سازمان به‌طور کلی، باید ارزیابی جامعی از تصمیمات به علاوه تأثیر آنها بر نتایج تجاری صورت بگیرد. به رغم تحقیقات گسترده، نویسنده فقط تعداد محدودی مقاله را پیدا کرد که بر اهمیت دسته‌بندی و اولویت‌بندی تصمیمات تأکید داشتند. این شامل مقالاتی است که تصمیمات استراتژیک را متمایز از تصمیمات روزمره شناسایی کرده و تصمیمات را بر اساس تعهد و دامنه شرکت ارزیابی می‌کنند. یکی دیگر از مدل هایی که در این فصل به آن اشاره شده است مدل باین می باشد. این مدل در درجه اول بر ارزش در خطر و توجه مدیریت مورد نیاز به عنوان عواملی برای اولویت‌بندی تصمیم‌ها تمرکز می‌کند.
یکی از چالش‌های اصلی در اولویت بندی تصمیمات این می باشد که کمی کردن توجه مدیریت چالش برانگیز است، زیرا می‌تواند در بین افراد و سطوح تصمیم گیری متفاوت باشد. علاوه بر این، تصمیماتی که نیاز به توجه نقش‌های مختلف مدیریتی دارند یا شامل تصمیم‌گیری جمعی هستند، نباید دارای وزن یکسانی باشند. تصمیمات مبتنی بر قانون تنها در صورتی می‌توانند خودکار شوند که داده‌های لازم جمع‌آوری شده باشد و زیرساخت اتوماسیون وجود داشته باشد. بدون پشتیبان داده‌ها، همه تصمیمات به صلاحدید مدیریتی نیاز دارند.
#کتاب_بخوانیم
#فصل_پنجم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹 فصل ششم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور،" عوامل موثر و شرایط بالقوه‌ای که منجر به شکست پروژه‌های تحلیلگری می‌شود را مورد بررسی قرار می‌دهد.
📍در سال 2019، گارتنر پیش‌بینی کرد که بیش از 80 درصد از پروژه‌های تحلیلگری احتمالاً با شکست مواجه خواهند شد و تا سال 2022 نتایج تجاری مورد نظر را به دست نمی‌آورند. بنابراین قبل از ایجاد یک نقشه راه برای یک سازمان داده محور، درک محدودیت‌های حل نشده و شرایط بالقوه منجر به شکست حائز اهمیت است.
📍در واقع هدف ما موفقیت یک یا دو پروژه تحلیلگری جداگانه نیست، بلکه در واقع ایجاد یک سازمان داده‌محور است که نیازمند آن است که تمام تصمیمات کلیدی (اگر نگوییم تمام تصمیمات) بر مبنای داده‌ها اتخاذ شود، و در جایی که ممکن است در ادامه مورد حسابرسی قرار گیرد.
🔹نقشه راه تحلیلگری اساساً مجموعه‌ای از پروژه‌ها است که به ترتیب نزولی بر اساس ارزش نسبی خالص برنامه‌ریزی برای آنها صورت می‌گیرد. به این معنی که پروژه ای که بالاترین ارزش نسبی را در برخواهد داشت اولویت بالاتری را به خود اختصاص می‌دهد و پس از آن به همین ترتیب سایر پروژه‌ها اولویت بندی می‌شوند. ارزش نسبی مورد بحث در اینجا به ارزش دلاری نتایج تجاری اشاره دارد که بهبود کیفیت تصمیم‌گیری منجر به آن می‌شود. از آنجایی که ما فقط پروژه‌هایی را انتخاب می‌کنیم که بالاترین پتانسیل را برای تحویل ارزش دارند، انتظار می‌رود ریسک شکست پروژه‌ها حداقل باشد.
❓اما آیا این برای تضمین موفقیت پروژه‌های تحلیلگری کافی است؟ چه عوامل دیگری اولویت نسبی تصمیمات «بزرگ» را در شرکت تعیین می‌کند؟ چه زمانی می‌توانیم بگوییم یک پروژه تحلیلگری را به انجام رسانده‌ایم که در واقع ارزشی را ارائه می‌دهد؟ دقیقا چه چیزی باعث موفقیت پروژه‌های تحلیلگری می‌شود؟ مهم‌تر از آن چه چیزی می‌تواند به طور بالقوه مانع از ارائه ارزش مورد نظر پروژه‌های تحلیلگری شود؟ برای شناسایی تصمیمات «بزرگ» و ایجاد یک نقشه راه اولویت‌بندی، چه نوع بررسی لازم است؟ ارزش در معرض خطر را چگونه برآورد می‌کنید؟ چگونه می‌توان یک مورد تجاری برای تحلیلگری ایجاد کرد؟
📍جهت پاسخگویی به سوالات مطرح شده موضوعاتی که در بخش ششم کتاب به آن پرداخته شده است عبارتند از:
✅ ایجاد نقشه راه برای تصمیمات بزرگ شامل شناسایی و اولویت بندی تصمیمات و همچنین نقشه راهی برای سازمان داده محور: یک چارچوب فرآیندی با جزئیات برای شناسایی و اولویت‌بندی تصمیمات بزرگ جهت ایجاد نقشه راه سازمان داده محور
✅ رمزگشایی از داده‌هایی که در پشت تصمیمات قرار دارند، مدلسازی و تحلیل تصمیمات: نیاز به مدلسازی و تحلیل تصمیمات پیش از تلاش جهت تبدیل نقشه راه تصمیمات بزرگ به یک طرح پروژه تمام عیار، با رویدادهای «راه‌حل‌های تحلیلی» به عنوان نقاط عطف پروژه
✅ ایجاد یک مورد کسب و کاری با تحلیلگری و منابع ارزش (پیشران‌های ارزش)، تخمین بازده و مقایسه شاخص‌های کلیدی عملکرد با معیارهای صنعت و برآورد سرمایه‌گذاری‌ها: از هر CDO (یا CIO) خواسته می‌شود که یک مورد کسب و کاری برای سرمایه‌گذاری‌های تحلیلی پیشرفته ایجاد نماید. ارزش افزایشی تولید شده از طریق تحلیلگری لزوماً باید بیش از سرمایه‌گذاری انجام شده باشد.
✅ از داده تا تصمیم: خلاصه سازی گام‌های دخیل در ایجاد نقشه راه و مورد کسب و کاری برای یک سازمان داده محور
✅ داده‌ها، اعتماد و تصمیم گیرنده: در اینجا موردی بررسی می‌شود که همه چیز به طور صحیح انجام شده است؛ تصمیم درست، مدل تحلیلگری صحیح، و داده‌های درست، با این حال مدیران در مقابل استفاده از تحلیلگری مقاومت می‌کنند. درک این موضوع که دقیقا چه چیزی بر روی چنین رفتاری تاثیر می‌گذارد حائز اهمیت است چرا که برای پاسخگویی به این سوال کمک می‌کند که چه چیز دیگری به طور بالقوه می‌تواند منجر به شکست پروژه‌های تحلیلگری و عدم تحویل ارزش‌های مورد نظر شود؟
#کتاب_بخوانیم
#فصل_ششم
#فاطمه_مظفری
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹 فصل ششم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور،" عوامل موثر و شرایط بالقوه‌ای که منجر به شکست پروژه‌های تحلیلگری می‌شود را مورد بررسی قرار می‌دهد.
📍در سال 2019، گارتنر پیش‌بینی کرد که بیش از 80 درصد از پروژه‌های تحلیلگری احتمالاً با شکست مواجه خواهند شد و تا سال 2022 نتایج تجاری مورد نظر را به دست نمی‌آورند. بنابراین قبل از ایجاد یک نقشه راه برای یک سازمان داده محور، درک محدودیت‌های حل نشده و شرایط بالقوه منجر به شکست حائز اهمیت است.
📍در واقع هدف ما موفقیت یک یا دو پروژه تحلیلگری جداگانه نیست، بلکه در واقع ایجاد یک سازمان داده‌محور است که نیازمند آن است که تمام تصمیمات کلیدی (اگر نگوییم تمام تصمیمات) بر مبنای داده‌ها اتخاذ شود، و در جایی که ممکن است در ادامه مورد حسابرسی قرار گیرد.
🔹نقشه راه تحلیلگری اساساً مجموعه‌ای از پروژه‌ها است که به ترتیب نزولی بر اساس ارزش نسبی خالص برنامه‌ریزی برای آنها صورت می‌گیرد. به این معنی که پروژه ای که بالاترین ارزش نسبی را در برخواهد داشت اولویت بالاتری را به خود اختصاص می‌دهد و پس از آن به همین ترتیب سایر پروژه‌ها اولویت بندی می‌شوند. ارزش نسبی مورد بحث در اینجا به ارزش دلاری نتایج تجاری اشاره دارد که بهبود کیفیت تصمیم‌گیری منجر به آن می‌شود. از آنجایی که ما فقط پروژه‌هایی را انتخاب می‌کنیم که بالاترین پتانسیل را برای تحویل ارزش دارند، انتظار می‌رود ریسک شکست پروژه‌ها حداقل باشد.
❓اما آیا این برای تضمین موفقیت پروژه‌های تحلیلگری کافی است؟ چه عوامل دیگری اولویت نسبی تصمیمات «بزرگ» را در شرکت تعیین می‌کند؟ چه زمانی می‌توانیم بگوییم یک پروژه تحلیلگری را به انجام رسانده‌ایم که در واقع ارزشی را ارائه می‌دهد؟ دقیقا چه چیزی باعث موفقیت پروژه‌های تحلیلگری می‌شود؟ مهم‌تر از آن چه چیزی می‌تواند به طور بالقوه مانع از ارائه ارزش مورد نظر پروژه‌های تحلیلگری شود؟ برای شناسایی تصمیمات «بزرگ» و ایجاد یک نقشه راه اولویت‌بندی، چه نوع بررسی لازم است؟ ارزش در معرض خطر را چگونه برآورد می‌کنید؟ چگونه می‌توان یک مورد تجاری برای تحلیلگری ایجاد کرد؟
📍جهت پاسخگویی به سوالات مطرح شده موضوعاتی که در بخش ششم کتاب به آن پرداخته شده است عبارتند از:
✅ ایجاد نقشه راه برای تصمیمات بزرگ شامل شناسایی و اولویت بندی تصمیمات و همچنین نقشه راهی برای سازمان داده محور: یک چارچوب فرآیندی با جزئیات برای شناسایی و اولویت‌بندی تصمیمات بزرگ جهت ایجاد نقشه راه سازمان داده محور
✅ رمزگشایی از داده‌هایی که در پشت تصمیمات قرار دارند، مدلسازی و تحلیل تصمیمات: نیاز به مدلسازی و تحلیل تصمیمات پیش از تلاش جهت تبدیل نقشه راه تصمیمات بزرگ به یک طرح پروژه تمام عیار، با رویدادهای «راه‌حل‌های تحلیلی» به عنوان نقاط عطف پروژه
✅ ایجاد یک مورد کسب و کاری با تحلیلگری و منابع ارزش (پیشران‌های ارزش)، تخمین بازده و مقایسه شاخص‌های کلیدی عملکرد با معیارهای صنعت و برآورد سرمایه‌گذاری‌ها: از هر CDO (یا CIO) خواسته می‌شود که یک مورد کسب و کاری برای سرمایه‌گذاری‌های تحلیلی پیشرفته ایجاد نماید. ارزش افزایشی تولید شده از طریق تحلیلگری لزوماً باید بیش از سرمایه‌گذاری انجام شده باشد.
✅ از داده تا تصمیم: خلاصه سازی گام‌های دخیل در ایجاد نقشه راه و مورد کسب و کاری برای یک سازمان داده محور
✅ داده‌ها، اعتماد و تصمیم گیرنده: در اینجا موردی بررسی می‌شود که همه چیز به طور صحیح انجام شده است؛ تصمیم درست، مدل تحلیلگری صحیح، و داده‌های درست، با این حال مدیران در مقابل استفاده از تحلیلگری مقاومت می‌کنند. درک این موضوع که دقیقا چه چیزی بر روی چنین رفتاری تاثیر می‌گذارد حائز اهمیت است چرا که برای پاسخگویی به این سوال کمک می‌کند که چه چیز دیگری به طور بالقوه می‌تواند منجر به شکست پروژه‌های تحلیلگری و عدم تحویل ارزش‌های مورد نظر شود؟
#کتاب_بخوانیم
#فصل_ششم
#فاطمه_مظفری
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹در فصل هفتم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" مختصر تاریخچه ای از داده و چگونگی رشد آن در یک سازمان ارائه می‌شود.
رشد اصلی داده‌ها در یک سازمان را می‌توان نتیجه رشد در پایگاه داده سازمان که در ابتدا در دپارتمان‌های مختلف توزیع شده بودند، دانست. بر اساس کارکردهای مختلف هر یک از بخش‌های سازمان و فرآیندهای از پیش تعریف شده و همچنین نیاز به ثبت و استفاده مجدد از داده‌ها، اهمیت وجود پایگاه داده های منسجم در یک سازمان پر رنگ تر شد. شکل‌گیری پایگاه داده‌ها در یک دسته‌بندی کلی می‌توان در شش طبقه قرار داد:
1. سیستم‌های مبتنی بر فلت فایل
2. سیستم‌های سلسله مراتبی
3. پایگاه داده‌های رابطه‌ای
4. پایگاه داده‌های مبتنی بر تراکنش برخط
5. پایگاه داده‌های مبتنی بر XML
6. پایگاه داده‌های غیر رابطه‌ای
در کنار رشد پایگاه داده ،ظهور و رشد سیستم‌های یکپارچه برنامه‌ریزی منابع سازمانی نیز تاثیر زیادی در رشد داده‌ها در یک سازمان داشتند. به دلیل یکپارچگی فرآیندهای دپارتمان‌های مختلف در پشت این سیستم، داده‌های بیشتری تولید شده و تحلیل این داده از منظر فرآیندی کمک شایانی به یک سازمان می‌کند. این یکپارچگی در سطح برنامه‌ها و فرآیندها در نقاط زیادی داده تولید خواهند کرد که در مقایسه با حالت سنتی برنامه‌های یک سازمان که به صورت جزیره‌ای شکل گرفتند منجر به تولید داده بیشتری خواهند شد.
علاوه بر این دو روند، رشد و توسعه اینترنت به عنوان یکی دیگر از عوامل مهم در رشد داده‌ها محسوب می‌شود. این رشد هم در بحث سرعت و حجم داده‌ها و همچنین در بحث داده‌های غیر ساختار یافته که از ویژگی‌های عظیم داده میباشند خود را نشان داده است.
همچنین نیاز به ذکر است که رشد داده‌ها منجر به ایجاد وظایفی همچون حاکمیت و مدیریت داده در یک سازمان شده است که تا پیش از این وجود نداشتند. علاوه بر این، آنچه که در عصر کنونی به عنوان داده تلقی می‌شود تنها در مرزهای یک سازمان و درون آن تولید نمی‌شوند، بلکه در بیرون سازمان همچون شبکه‌های اجتماعی نیز وجود دارند که از این منظر تحلیل شبکه‌های اجتماعی در مقیاس عظیم داده به عنوان یکی دیگر از نتایج رشد داده محسوب می‌شوند.
#کتاب_بخوانیم
#فصل_هفتم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹در فصل هفتم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" مختصر تاریخچه ای از داده و چگونگی رشد آن در یک سازمان ارائه می‌شود.
رشد اصلی داده‌ها در یک سازمان را می‌توان نتیجه رشد در پایگاه داده سازمان که در ابتدا در دپارتمان‌های مختلف توزیع شده بودند، دانست. بر اساس کارکردهای مختلف هر یک از بخش‌های سازمان و فرآیندهای از پیش تعریف شده و همچنین نیاز به ثبت و استفاده مجدد از داده‌ها، اهمیت وجود پایگاه داده های منسجم در یک سازمان پر رنگ تر شد. شکل‌گیری پایگاه داده‌ها در یک دسته‌بندی کلی می‌توان در شش طبقه قرار داد:
1. سیستم‌های مبتنی بر فلت فایل
2. سیستم‌های سلسله مراتبی
3. پایگاه داده‌های رابطه‌ای
4. پایگاه داده‌های مبتنی بر تراکنش برخط
5. پایگاه داده‌های مبتنی بر XML
6. پایگاه داده‌های غیر رابطه‌ای
در کنار رشد پایگاه داده ،ظهور و رشد سیستم‌های یکپارچه برنامه‌ریزی منابع سازمانی نیز تاثیر زیادی در رشد داده‌ها در یک سازمان داشتند. به دلیل یکپارچگی فرآیندهای دپارتمان‌های مختلف در پشت این سیستم، داده‌های بیشتری تولید شده و تحلیل این داده از منظر فرآیندی کمک شایانی به یک سازمان می‌کند. این یکپارچگی در سطح برنامه‌ها و فرآیندها در نقاط زیادی داده تولید خواهند کرد که در مقایسه با حالت سنتی برنامه‌های یک سازمان که به صورت جزیره‌ای شکل گرفتند منجر به تولید داده بیشتری خواهند شد.
علاوه بر این دو روند، رشد و توسعه اینترنت به عنوان یکی دیگر از عوامل مهم در رشد داده‌ها محسوب می‌شود. این رشد هم در بحث سرعت و حجم داده‌ها و همچنین در بحث داده‌های غیر ساختار یافته که از ویژگی‌های عظیم داده میباشند خود را نشان داده است.
همچنین نیاز به ذکر است که رشد داده‌ها منجر به ایجاد وظایفی همچون حاکمیت و مدیریت داده در یک سازمان شده است که تا پیش از این وجود نداشتند. علاوه بر این، آنچه که در عصر کنونی به عنوان داده تلقی می‌شود تنها در مرزهای یک سازمان و درون آن تولید نمی‌شوند، بلکه در بیرون سازمان همچون شبکه‌های اجتماعی نیز وجود دارند که از این منظر تحلیل شبکه‌های اجتماعی در مقیاس عظیم داده به عنوان یکی دیگر از نتایج رشد داده محسوب می‌شوند.
#کتاب_بخوانیم
#فصل_هفتم
#علی_محمدی
#تصمیم_گیری
#سازمان_داده_محور
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹 فصل هشتم: ایجاد یک استراتژی فناوری اطلاعات داده محور
📍تا سال‌های اخیر، استراتژی داده، اگر اصولاً چنین چیزی در یک سازمان وجود داشت، همواره به عنوان جزئی از استراتژی فناوری اطلاعات به شمار می‌رفت. گفته شده است که اگر داده ها را مانند خون بدانیم، زیرساخت فناوری اطلاعات، سیستم گردش خونی است که سازمان ها را توانمند می‌سازد. طراحی ضعیف استراتژی IT می‌تواند به معنای داده‌های با کیفیت پایین و پراکنده باشد که با تاخیر زمانی بیشتر از عمر مفید داده‌ها تحویل می‌شود. از این رو، ایجاد یک استراتژی فناوری اطلاعات منسجم و همسو با کسب و کار، به اندازه ساختن یک استراتژی اثربخش داده‌ای در سازمان حیاتی است.
❓سوال اساسی که در اینجا مطرح است این است که آیا سازمان باید استراتژی IT خود را پیش از استراتژی داده تعریف کند یا بالعکس؟ به عبارت دیگر، آیا ظرف باید محتویات آن را تعریف نماید یا محتویات باید ظرف را تعریف نماید؟
📍یک استراتژی اساساً مجموعه‌ای از تصمیمات بلندمدت است. استراتژی فناوری اطلاعات یک جزء از استراتژی کسب و کار است - مجموعه ای از تصمیمات بلند مدت در مورد چگونگی شکل دادن به فناوری اطلاعات به گونه‌ای که از سازمان در تحقق اهداف بلندمدت کسب و کاری خود حمایت کند. بنابراین، یک استراتژی فناوری اطلاعات، در هسته، مجموعه ای از تصمیمات استراتژیک مهم است. سوال این است: چگونه می توان اطمینان حاصل کرد که این تصمیمات مبتنی بر داده هستند؟ در فصل هشتم کتاب داده‌های عظیم برای تصمیمات بزرگ با نگاهی انتقادی به آنچه که یک استراتژی فناوری اطلاعات مبتنی بر داده را تشکیل می دهد پرداخته می‌شود.
🔹با توجه به اینکه هدف اصلی استراتژی فناوری اطلاعات داده محور، ارائه ارزش کسب و کاری و افزایش عملکرد کسب و کاری شرکت است، کشف پیشران کلیدی ارزش ضروری می‌باشد و در این راستا سوالاتی مطرح است:
1️⃣ پیشران‌های کلیدی ارزش برای استراتژی فناوری اطلاعات چیست؟ آیا آنها تصمیمات "بزرگ" استراتژی فناوری اطلاعات را تعریف می‌کنند؟
2️⃣ چه نوع داده‌ای برای حمایت از تصمیمات بزرگ استراتژی فناوری اطلاعات مورد نیاز است؟
3️⃣ منابع چنین داده‌هایی چیست؟
📍پیشران‌های کلیدی باید با استراتژی کسب و کار همراستا باشند. ابتکارات فناوری اطلاعات باید سازمان را برای دستیابی به اهداف استراتژیک کسب و کار توانمند سازند و منابع کلیدی داده برای طرح‌ریزی و ابداع استراتژی فناوری اطلاعات به کار روند.
در واقع استراتژی فناوری اطلاعات داده محور بر پایه‌های زیر قرار می‌گیرد:
✅ همراستایی با استراتژی کسب و کار
✅ بهینه کاوی با صنعت، رقابت و داخل سازمان
✅ جریان کاری و زنجیره ارزش اطلاعات
✅ پوشش زنجیره ارزش سازمان
✅ بهینه سازی منابع
✅ ارزش کسب و کاری
✅ معماری سازمانی از دید سازمان، داده، کنترل، کارکرد و محصول یا خدمت
📍این پایه‌ها بر ممیزی امنیت اطلاعات و زیرساخت، تحلیل پورتفولیوی کاربردها و استراتژی داده‌ای سازمانی همراستا با استراتژی کسب و کار قرار می‌گیرند که به نوبه خود بر منابع داده‌ای مختلف سازمان شامل اپلیکیشن‌های سازمانی محوری قرار گرفته بر روی ابر یا مراکز داده سازمان، داده‌های اینترنت اشیا، موبایل، دستگاه‌های متصل، داده‌های عظیم، هوش مصنوعی، روباتیک، شبکه‌های اجتماعی، تجارت الکترونیک و ... بنا شده است.
بنابراین فصل هشتم کتاب به بررسی اجزای شکل دهنده استراتژی فناوری اطلاعات داده محور و پاسخ به سوالاتی پیرامون آنها می‌پردازد.
#کتاب_بخوانیم
#فصل_هشتم
#فاطمه_مظفری
#استراتژی_فناوری_اطلاعات_داده_محور
#داده‌های_عظیم_برای_تصمیمات_بزرگ
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹 فصل هشتم: ایجاد یک استراتژی فناوری اطلاعات داده محور
📍تا سال‌های اخیر، استراتژی داده، اگر اصولاً چنین چیزی در یک سازمان وجود داشت، همواره به عنوان جزئی از استراتژی فناوری اطلاعات به شمار می‌رفت. گفته شده است که اگر داده ها را مانند خون بدانیم، زیرساخت فناوری اطلاعات، سیستم گردش خونی است که سازمان ها را توانمند می‌سازد. طراحی ضعیف استراتژی IT می‌تواند به معنای داده‌های با کیفیت پایین و پراکنده باشد که با تاخیر زمانی بیشتر از عمر مفید داده‌ها تحویل می‌شود. از این رو، ایجاد یک استراتژی فناوری اطلاعات منسجم و همسو با کسب و کار، به اندازه ساختن یک استراتژی اثربخش داده‌ای در سازمان حیاتی است.
❓سوال اساسی که در اینجا مطرح است این است که آیا سازمان باید استراتژی IT خود را پیش از استراتژی داده تعریف کند یا بالعکس؟ به عبارت دیگر، آیا ظرف باید محتویات آن را تعریف نماید یا محتویات باید ظرف را تعریف نماید؟
📍یک استراتژی اساساً مجموعه‌ای از تصمیمات بلندمدت است. استراتژی فناوری اطلاعات یک جزء از استراتژی کسب و کار است - مجموعه ای از تصمیمات بلند مدت در مورد چگونگی شکل دادن به فناوری اطلاعات به گونه‌ای که از سازمان در تحقق اهداف بلندمدت کسب و کاری خود حمایت کند. بنابراین، یک استراتژی فناوری اطلاعات، در هسته، مجموعه ای از تصمیمات استراتژیک مهم است. سوال این است: چگونه می توان اطمینان حاصل کرد که این تصمیمات مبتنی بر داده هستند؟ در فصل هشتم کتاب داده‌های عظیم برای تصمیمات بزرگ با نگاهی انتقادی به آنچه که یک استراتژی فناوری اطلاعات مبتنی بر داده را تشکیل می دهد پرداخته می‌شود.
🔹با توجه به اینکه هدف اصلی استراتژی فناوری اطلاعات داده محور، ارائه ارزش کسب و کاری و افزایش عملکرد کسب و کاری شرکت است، کشف پیشران کلیدی ارزش ضروری می‌باشد و در این راستا سوالاتی مطرح است:
1️⃣ پیشران‌های کلیدی ارزش برای استراتژی فناوری اطلاعات چیست؟ آیا آنها تصمیمات "بزرگ" استراتژی فناوری اطلاعات را تعریف می‌کنند؟
2️⃣ چه نوع داده‌ای برای حمایت از تصمیمات بزرگ استراتژی فناوری اطلاعات مورد نیاز است؟
3️⃣ منابع چنین داده‌هایی چیست؟
📍پیشران‌های کلیدی باید با استراتژی کسب و کار همراستا باشند. ابتکارات فناوری اطلاعات باید سازمان را برای دستیابی به اهداف استراتژیک کسب و کار توانمند سازند و منابع کلیدی داده برای طرح‌ریزی و ابداع استراتژی فناوری اطلاعات به کار روند.
در واقع استراتژی فناوری اطلاعات داده محور بر پایه‌های زیر قرار می‌گیرد:
✅ همراستایی با استراتژی کسب و کار
✅ بهینه کاوی با صنعت، رقابت و داخل سازمان
✅ جریان کاری و زنجیره ارزش اطلاعات
✅ پوشش زنجیره ارزش سازمان
✅ بهینه سازی منابع
✅ ارزش کسب و کاری
✅ معماری سازمانی از دید سازمان، داده، کنترل، کارکرد و محصول یا خدمت
📍این پایه‌ها بر ممیزی امنیت اطلاعات و زیرساخت، تحلیل پورتفولیوی کاربردها و استراتژی داده‌ای سازمانی همراستا با استراتژی کسب و کار قرار می‌گیرند که به نوبه خود بر منابع داده‌ای مختلف سازمان شامل اپلیکیشن‌های سازمانی محوری قرار گرفته بر روی ابر یا مراکز داده سازمان، داده‌های اینترنت اشیا، موبایل، دستگاه‌های متصل، داده‌های عظیم، هوش مصنوعی، روباتیک، شبکه‌های اجتماعی، تجارت الکترونیک و ... بنا شده است.
بنابراین فصل هشتم کتاب به بررسی اجزای شکل دهنده استراتژی فناوری اطلاعات داده محور و پاسخ به سوالاتی پیرامون آنها می‌پردازد.
#کتاب_بخوانیم
#فصل_هشتم
#فاطمه_مظفری
#استراتژی_فناوری_اطلاعات_داده_محور
#داده‌های_عظیم_برای_تصمیمات_بزرگ
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹فصل ۹: ساختن استراتژی داده
❗️چرایی استراتژی داده
این بخش از کتاب با مقدمه‌ای از مسائل مرسوم سازمان‌ها اهمیت استراتژی داده را مرکز توجه قرار می‌دهد؛ مسائلی همچون ذخیره‌سازی جزیره‌ای داده‌ها، وجود نداشتن استانداردهایی مشخص مربوط به داده‌ها، اپلیکیشن‌هایی مختلفی که هرکدام داده‌های مربوط به خود را ذخیره‌سازی می‌کنند، کیفیت نامطلوب داده‌ها و حکمرانی ضعیف در این حوزه. مسئله‌ی دیگر، داده‌های تاریخی موجود در سازمان است که ممکن است از منابع متفاوتی باقی‌مانده باشند و تشخیص داده‌های مفید و تمیزسازی آنها برای تحلیل‌های آتی دردسر بزرگی برای سازمان‌ها خواهد بود. منابع متفاوتی از داده‌هایی که داخل و خارج از سازمان وجود دارند برای تحلیل‌های مهم مورد نیاز هستند و دستیابی به آنها نیازمند پیش‌بینی‌های زیرساختی و استراتژیک است.
📌 چیستی استراتژی داده
تعریف استراتژی داده با توجه به منابع متفاوت را می‌توان به این صورت بیان کرد که راهنمایی مشخص برای دریافت، ذخیره‌سازی، مدیریت، اشتراک و استفاده‌ی داده است به صورتی که داده‌ی مناسب، در زمان مناسب، در اختیار فرد مناسب قرار گرفته و تحلیل‌های مورد نیاز برای تصمیم‌های مهم را ممکن می‌سازد.
استراتژی داده می‌تواند راه را برای استفاده‌ی تجاری شرکت‌ها از ارزش بالقوه‌ی داده‌های خود باز کند به صورتی که محصولاتی ارزان‌تر، سریع‌تر و بهتر را با شناخت مناسب از سلایق متغیر مشتریان خود تولید و با توجه به نیاز شخصی هر مشتری، ارزش خود را ارائه کند.
✅ مسئول استراتژی داده
نکته‌ای که کتاب بر آن تاکید دارد تفاوت استراتژی داده از استراتژی فناوری اطلاعات سازمان است که همین امر نیاز مسئولی متفاوت با سبد مهارتی متفاوتی از مدیر ارشد فناوری اطلاعات سازمان (که معمولا مسئول استراتژی فناوری اطلاعات است) را به وجود می‌آورد. به همین دلیل وجود مدیر ارشد داده را در سازمان پیشنهاد می‌دهد که همزمان با زیرساخت‌های فناوری و تحلیلی مورد نیاز سازمان آشنایی دارد. مهارت اصلی او آنجایی است که تشخیص دهد کدام تصمیم‌های مهم در سازمان نیازمند چه تحلیل‌هایی و چه داده‌هایی هستند تا بتواند داده‌های مناسب را در زمان مناسب برای استفاده‌کننده‌ی مناسب فراهم کند.
📐 چهارچوب و ویژگی‌های استراتژی داده‌ی مناسب
چهارچوب استراتژی داده شامل بخش‌های متفاوتی از جمله دیدگاه‌های کنترلی، لجستیک داده، رقابت، تصمیم‌های بزرگ، تکنولوژی، اهداف کسب‌وکار، منابع و پخش و … است. نکته‌ی حائز اهمیت این است که استراتژی داده باید بر اساس نیازهای هر سازمان، صنعتی که سازمان در آن فعالیت دارد، سیستم‌های کنترلی داخل شرکت و توانمندی‌های افراد سازمان، برای آن سازمان شخصی‌سازی شود.
در صورتی که سازمان با حجم زیادی از داده‌ای که از منابع مختلف با سرعت بالا تولید می‌شود و از طرفی برای تحلیل انتخاب نمونه کار راحتی نبوده و یا خود نمونه حجم بالایی را به خود اختصاص می‌دهد در استراتژی داده باید برنامه‌ای مشخص برای عظیم‌داده داشته باشد.
استراتژی داده‌ی مناسب برای انواع داده ساختار یافته، ساختار نیافته(همانند شبکه‌های اجتماعی)، عظیم داده و انواع منابع داخل و بیرون سازمان را پوشش می‌دهد. از طرف دیگر استراتژی داده‌ی مناسب باید به این نکته توجه داشته باشد که داده‌ی درست در زمان صحیح تولید شده و به کارکرد مناسب یا استفاده‌کننده‌ی مناسب خود می‌رسد. همچنان در استراتژی داده باید تمامی کاربردهای تحلیلی داده که می‌تواند به تصمیم‌سازی‌های متفاوت کمک کند دیده شود.
✏️ توسعه و پیاده‌سازی استراتژی داده
با توجه به ویژگی‌های ذکر شده، استراتژی داده را می‌توان در توسعه به بخش‌هایی همچون زیرساخت، حکمرانی، سرویس‌های اشتراکی، مراکز بهینه‌سازی، اتوماسیون سازی و هوش مصنوعی و در نهایت تحلیلگری تقسیم نمود که هرکدام به ترتیب پیشنیاز زیرساختی بخش بعدی به حساب می‌آیند.
برای توسعه‌ی یک استراتژی داده‌ی مناسب می‌توان مراحل زیر را برشمرد:
۱. شناخت منابع داده در سازمان و داده‌هایی که برای تصمیم‌های بزرگ و تحلیل‌ها مورد نیاز هستند
۲. آماده کردن لیستی از تمامی دارایی‌های داده‌ی سازمان
۳. شناخت نیازهای سازمان و شکاف موجود بین وضعیت موجود و وضعیت مطلوب
۴. بهبود و اصلاح اهداف کسب‌وکار با هدف یک استراتژی داده‌ی یکپارچه
۵. ایجاد یک ساختار کامل سازمانی داده
۶. به کارگیری و فراگیر سازی ساختارهای داده‌ی جدید، فرایندها، سیاست‌‌ها و مدل‌های حكمراني ایجاد شده
#کتاب_بخوانیم
#فصل_نهم
#احسان_نگهدار
#استراتژی_داده
#داده‌های_عظیم_برای_تصمیمات_بزرگ
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
🔹فصل ۹: ساختن استراتژی داده
❗️چرایی استراتژی داده
این بخش از کتاب با مقدمه‌ای از مسائل مرسوم سازمان‌ها اهمیت استراتژی داده را مرکز توجه قرار می‌دهد؛ مسائلی همچون ذخیره‌سازی جزیره‌ای داده‌ها، وجود نداشتن استانداردهایی مشخص مربوط به داده‌ها، اپلیکیشن‌هایی مختلفی که هرکدام داده‌های مربوط به خود را ذخیره‌سازی می‌کنند، کیفیت نامطلوب داده‌ها و حکمرانی ضعیف در این حوزه. مسئله‌ی دیگر، داده‌های تاریخی موجود در سازمان است که ممکن است از منابع متفاوتی باقی‌مانده باشند و تشخیص داده‌های مفید و تمیزسازی آنها برای تحلیل‌های آتی دردسر بزرگی برای سازمان‌ها خواهد بود. منابع متفاوتی از داده‌هایی که داخل و خارج از سازمان وجود دارند برای تحلیل‌های مهم مورد نیاز هستند و دستیابی به آنها نیازمند پیش‌بینی‌های زیرساختی و استراتژیک است.
📌 چیستی استراتژی داده
تعریف استراتژی داده با توجه به منابع متفاوت را می‌توان به این صورت بیان کرد که راهنمایی مشخص برای دریافت، ذخیره‌سازی، مدیریت، اشتراک و استفاده‌ی داده است به صورتی که داده‌ی مناسب، در زمان مناسب، در اختیار فرد مناسب قرار گرفته و تحلیل‌های مورد نیاز برای تصمیم‌های مهم را ممکن می‌سازد.
استراتژی داده می‌تواند راه را برای استفاده‌ی تجاری شرکت‌ها از ارزش بالقوه‌ی داده‌های خود باز کند به صورتی که محصولاتی ارزان‌تر، سریع‌تر و بهتر را با شناخت مناسب از سلایق متغیر مشتریان خود تولید و با توجه به نیاز شخصی هر مشتری، ارزش خود را ارائه کند.
✅ مسئول استراتژی داده
نکته‌ای که کتاب بر آن تاکید دارد تفاوت استراتژی داده از استراتژی فناوری اطلاعات سازمان است که همین امر نیاز مسئولی متفاوت با سبد مهارتی متفاوتی از مدیر ارشد فناوری اطلاعات سازمان (که معمولا مسئول استراتژی فناوری اطلاعات است) را به وجود می‌آورد. به همین دلیل وجود مدیر ارشد داده را در سازمان پیشنهاد می‌دهد که همزمان با زیرساخت‌های فناوری و تحلیلی مورد نیاز سازمان آشنایی دارد. مهارت اصلی او آنجایی است که تشخیص دهد کدام تصمیم‌های مهم در سازمان نیازمند چه تحلیل‌هایی و چه داده‌هایی هستند تا بتواند داده‌های مناسب را در زمان مناسب برای استفاده‌کننده‌ی مناسب فراهم کند.
📐 چهارچوب و ویژگی‌های استراتژی داده‌ی مناسب
چهارچوب استراتژی داده شامل بخش‌های متفاوتی از جمله دیدگاه‌های کنترلی، لجستیک داده، رقابت، تصمیم‌های بزرگ، تکنولوژی، اهداف کسب‌وکار، منابع و پخش و … است. نکته‌ی حائز اهمیت این است که استراتژی داده باید بر اساس نیازهای هر سازمان، صنعتی که سازمان در آن فعالیت دارد، سیستم‌های کنترلی داخل شرکت و توانمندی‌های افراد سازمان، برای آن سازمان شخصی‌سازی شود.
در صورتی که سازمان با حجم زیادی از داده‌ای که از منابع مختلف با سرعت بالا تولید می‌شود و از طرفی برای تحلیل انتخاب نمونه کار راحتی نبوده و یا خود نمونه حجم بالایی را به خود اختصاص می‌دهد در استراتژی داده باید برنامه‌ای مشخص برای عظیم‌داده داشته باشد.
استراتژی داده‌ی مناسب برای انواع داده ساختار یافته، ساختار نیافته(همانند شبکه‌های اجتماعی)، عظیم داده و انواع منابع داخل و بیرون سازمان را پوشش می‌دهد. از طرف دیگر استراتژی داده‌ی مناسب باید به این نکته توجه داشته باشد که داده‌ی درست در زمان صحیح تولید شده و به کارکرد مناسب یا استفاده‌کننده‌ی مناسب خود می‌رسد. همچنان در استراتژی داده باید تمامی کاربردهای تحلیلی داده که می‌تواند به تصمیم‌سازی‌های متفاوت کمک کند دیده شود.
✏️ توسعه و پیاده‌سازی استراتژی داده
با توجه به ویژگی‌های ذکر شده، استراتژی داده را می‌توان در توسعه به بخش‌هایی همچون زیرساخت، حکمرانی، سرویس‌های اشتراکی، مراکز بهینه‌سازی، اتوماسیون سازی و هوش مصنوعی و در نهایت تحلیلگری تقسیم نمود که هرکدام به ترتیب پیشنیاز زیرساختی بخش بعدی به حساب می‌آیند.
برای توسعه‌ی یک استراتژی داده‌ی مناسب می‌توان مراحل زیر را برشمرد:
۱. شناخت منابع داده در سازمان و داده‌هایی که برای تصمیم‌های بزرگ و تحلیل‌ها مورد نیاز هستند
۲. آماده کردن لیستی از تمامی دارایی‌های داده‌ی سازمان
۳. شناخت نیازهای سازمان و شکاف موجود بین وضعیت موجود و وضعیت مطلوب
۴. بهبود و اصلاح اهداف کسب‌وکار با هدف یک استراتژی داده‌ی یکپارچه
۵. ایجاد یک ساختار کامل سازمانی داده
۶. به کارگیری و فراگیر سازی ساختارهای داده‌ی جدید، فرایندها، سیاست‌‌ها و مدل‌های حكمراني ایجاد شده
#کتاب_بخوانیم
#فصل_نهم
#احسان_نگهدار
#استراتژی_داده
#داده‌های_عظیم_برای_تصمیمات_بزرگ
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
📍بخش دهم: استراتژی بازاریابی داده محور
در فصل دهم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ضرورت تحلیل عظیم‌داده در بخش بازاریابی در یک سازمان پرداخته می‌شود.
بسیاری از شرکت‌ها در پیاده سازی بازاریابی داده محور با مشکلات زیادی مواجه می‌شوند که می‌توان در چهار طبقه دسته بندی کرد:
1️⃣ عدم آگاهی به چگونگی پیاده سازی
2️⃣ وجود داده‌های فراوان
3️⃣ زمان و منابع محدود
4️⃣ عدم وجود زیرساخت تحلیلی
یکی از پیش نیازهای اصلی در پیاده سازی درست استراتژی‌های بازاریابی داده محور، تشخیص و شناسایی تفاوت بین داده‌های در دسترس و داده‌های مورد نیاز می‌باشد. درک درست این دو مفهوم یک ضرورت می‌باشد چرا که لزوما تمام داده‌هایی که برای بازاریابی داده محور مورد نیاز است برابر با داده‌هایی که در حال حاضر در دسترس می‌باشد، نیست. در بیشتر مواقع داده‌هایی که در یک سازمان در حال حاضر وجود دارد زیر مجموعه ای از داده‌های مورد نیاز برای پیاده سازی بازاریابی داده محور می‌باشد، به این معنا که این داده‌ها کافی نیستند و طی مراحلی نیاز است تا جمع آوری شوند.
📍منابع داده مورنیاز برای بازاریابی داده محور
یکی از بخش‌های اصلی بازاریابی داده محور فروش داده محور می‌باشد به این معنا که نمی‌توان ادعای بازاریابی داده محور داشت، اما در فروش محصولات و خدمات مجموعه داده‌ها تحلیل نشوند. داده‌های مربوط به فروش از کانال‌های مختلفی می‌توانند جمع‌آوری شوند که تحلیل توامان آنها می‌تواند بینش‌های ارزشمندی در اختیار سازمان قرار دهد.
🔹 یکی از منابع داده‌ای ارزشمند، مجموعه تعاملات واحد فروش با مشتریان می‌باشد که تحلیل آنها به ارائه هدفمند محصولات و خدمات کمک شایانی خواهد کرد.
🔸پروفایل مشتریان که شامل اطلاعات جمعیت شناختی، علایق و ترجیحات می‌باشد و به مرور زمان اطلاعات رفتاری شامل نوع خرید و میزان خرید ثبت می‌شود به عنوان یکی دیگر از منابع داده‌ای غنی جهت پیاده سازی بازاریابی داده محور می‌باشد.
🔹 یکی دیگر از منابع داده که باید در کنار سایر داده‌های کمی قرار بگیرد، استراتژی‌های بازاریابی کلان یک سازمان می‌باشد از این جهت که بتوانند در کنار منابع داده‌ای بازاریابی قرار گیرند تا همراستا شوند.
📍اجرا و مدیریت کورکورانه بازاریابی:
اگر بحث داده از بازاریابی حذف شود و یا از منظر زمانی تاخیرهای معناداری بین داده‌های تولید شده و تحلیل آن وجود داشته باشد، عملا مدیر بازاریابی نمی‌تواند بر مبنای داده عمل کند و تصمیمات کاملا شهودی خواهد شد. این داده‌ها تنها مربوط به مشتریان نمی‌باشد، بلکه تحلیل داده‌ها در سطح محصولات هم به عنوان یک پیشنیاز اصلی جهت دور شدن از تصمیمات کورکورانه در زمینه بازاریابی می‌باشد. از آنجاییکه ارتباط بین مدیر عامل و مدیر بازاریابی بسیار نزدیک و حیاتی می‌باشد، اگر مدیر بازاریابی بر مبنای داده فکر و تصمیم‌گیری نکند، این تصمیم گیری کورکورانه به سطح عالی مدیریت انتقال می‌یابد. بر همین مبنا است که طراحی استراتژی در بازاریابی داده محور نقش اساسی در کل سازمان را دارد که مبنای آن همان جمع آوری و تحلیل داده های مورد نیاز می‌باشد و کلید حل این تصمیم کورکورانه داده می‌باشد.
📍سازماندهی تیم بازاریابی داده محور
از آنجاییکه پیاده سازی موفق استراتژی نیازمند یک تیم سازمان یافته می‌باشد، طبیعتا جهت اجرا و پیاده سازی استراتژی‌هایی بازارایابی که در سطح کلان سازمان طراحی شدند، نیازمند جذب و به کارگیری افرادی است که تخصص‌های لازم در زمینه داده و تحلیل آن در حوزه بازاریابی را دارند. چگونگی سازماندهی این تیم از کسب و کار به کسب و کار متفاوت می‌باشد که نیازمند همراستا شدن با سایر بخش ها می‌باشد تا حداکثر راندمان را داشته باشد. به طور کلی چهار قدم ذیل در طراحی موفق این تیم باید مدنظر باشد:
1️⃣ نیازسنجی و جمع آوری تمام داده‌های مورد نیاز بازاریابی
2️⃣ در نظر گرفتن تمامی داده‌های تولید شده در داخل سازمان
3️⃣ تحلیل و پیاده سازی الگوریتم‌های شخصی سازی شده متناسب با سازمان
4️⃣ استفاده از بینش کسب شده جهت تصمیمات بازاریابی داده محور
#کتاب_بخوانیم
#داده‌های_عظیم_برای_تصمیمات_بزرگ
#فصل_دهم
#استراتژی_بازاریابی_داده_محور
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
📍بخش دهم: استراتژی بازاریابی داده محور
در فصل دهم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور" به ضرورت تحلیل عظیم‌داده در بخش بازاریابی در یک سازمان پرداخته می‌شود.
بسیاری از شرکت‌ها در پیاده سازی بازاریابی داده محور با مشکلات زیادی مواجه می‌شوند که می‌توان در چهار طبقه دسته بندی کرد:
1️⃣ عدم آگاهی به چگونگی پیاده سازی
2️⃣ وجود داده‌های فراوان
3️⃣ زمان و منابع محدود
4️⃣ عدم وجود زیرساخت تحلیلی
یکی از پیش نیازهای اصلی در پیاده سازی درست استراتژی‌های بازاریابی داده محور، تشخیص و شناسایی تفاوت بین داده‌های در دسترس و داده‌های مورد نیاز می‌باشد. درک درست این دو مفهوم یک ضرورت می‌باشد چرا که لزوما تمام داده‌هایی که برای بازاریابی داده محور مورد نیاز است برابر با داده‌هایی که در حال حاضر در دسترس می‌باشد، نیست. در بیشتر مواقع داده‌هایی که در یک سازمان در حال حاضر وجود دارد زیر مجموعه ای از داده‌های مورد نیاز برای پیاده سازی بازاریابی داده محور می‌باشد، به این معنا که این داده‌ها کافی نیستند و طی مراحلی نیاز است تا جمع آوری شوند.
📍منابع داده مورنیاز برای بازاریابی داده محور
یکی از بخش‌های اصلی بازاریابی داده محور فروش داده محور می‌باشد به این معنا که نمی‌توان ادعای بازاریابی داده محور داشت، اما در فروش محصولات و خدمات مجموعه داده‌ها تحلیل نشوند. داده‌های مربوط به فروش از کانال‌های مختلفی می‌توانند جمع‌آوری شوند که تحلیل توامان آنها می‌تواند بینش‌های ارزشمندی در اختیار سازمان قرار دهد.
🔹 یکی از منابع داده‌ای ارزشمند، مجموعه تعاملات واحد فروش با مشتریان می‌باشد که تحلیل آنها به ارائه هدفمند محصولات و خدمات کمک شایانی خواهد کرد.
🔸پروفایل مشتریان که شامل اطلاعات جمعیت شناختی، علایق و ترجیحات می‌باشد و به مرور زمان اطلاعات رفتاری شامل نوع خرید و میزان خرید ثبت می‌شود به عنوان یکی دیگر از منابع داده‌ای غنی جهت پیاده سازی بازاریابی داده محور می‌باشد.
🔹 یکی دیگر از منابع داده که باید در کنار سایر داده‌های کمی قرار بگیرد، استراتژی‌های بازاریابی کلان یک سازمان می‌باشد از این جهت که بتوانند در کنار منابع داده‌ای بازاریابی قرار گیرند تا همراستا شوند.
📍اجرا و مدیریت کورکورانه بازاریابی:
اگر بحث داده از بازاریابی حذف شود و یا از منظر زمانی تاخیرهای معناداری بین داده‌های تولید شده و تحلیل آن وجود داشته باشد، عملا مدیر بازاریابی نمی‌تواند بر مبنای داده عمل کند و تصمیمات کاملا شهودی خواهد شد. این داده‌ها تنها مربوط به مشتریان نمی‌باشد، بلکه تحلیل داده‌ها در سطح محصولات هم به عنوان یک پیشنیاز اصلی جهت دور شدن از تصمیمات کورکورانه در زمینه بازاریابی می‌باشد. از آنجاییکه ارتباط بین مدیر عامل و مدیر بازاریابی بسیار نزدیک و حیاتی می‌باشد، اگر مدیر بازاریابی بر مبنای داده فکر و تصمیم‌گیری نکند، این تصمیم گیری کورکورانه به سطح عالی مدیریت انتقال می‌یابد. بر همین مبنا است که طراحی استراتژی در بازاریابی داده محور نقش اساسی در کل سازمان را دارد که مبنای آن همان جمع آوری و تحلیل داده های مورد نیاز می‌باشد و کلید حل این تصمیم کورکورانه داده می‌باشد.
📍سازماندهی تیم بازاریابی داده محور
از آنجاییکه پیاده سازی موفق استراتژی نیازمند یک تیم سازمان یافته می‌باشد، طبیعتا جهت اجرا و پیاده سازی استراتژی‌هایی بازارایابی که در سطح کلان سازمان طراحی شدند، نیازمند جذب و به کارگیری افرادی است که تخصص‌های لازم در زمینه داده و تحلیل آن در حوزه بازاریابی را دارند. چگونگی سازماندهی این تیم از کسب و کار به کسب و کار متفاوت می‌باشد که نیازمند همراستا شدن با سایر بخش ها می‌باشد تا حداکثر راندمان را داشته باشد. به طور کلی چهار قدم ذیل در طراحی موفق این تیم باید مدنظر باشد:
1️⃣ نیازسنجی و جمع آوری تمام داده‌های مورد نیاز بازاریابی
2️⃣ در نظر گرفتن تمامی داده‌های تولید شده در داخل سازمان
3️⃣ تحلیل و پیاده سازی الگوریتم‌های شخصی سازی شده متناسب با سازمان
4️⃣ استفاده از بینش کسب شده جهت تصمیمات بازاریابی داده محور
#کتاب_بخوانیم
#داده‌های_عظیم_برای_تصمیمات_بزرگ
#فصل_دهم
#استراتژی_بازاریابی_داده_محور
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
📍بخش یازدهم: حکمرانی یکپارچه داده‌ها
🔹 فصل یازدهم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور،" با عنوان حکمرانی یکپارچه داده‌ها، به موضوعاتی همچون نیاز به حکمرانی داده‌ها، نیاز به حکمرانی داده‌ها در سازمان‌های جهانی با پرداختن به دغدغه‌های ذینفعان، تشخیص حکمرانی ضعیف داده‌ها، هزینه‌های حکمرانی ضعیف داده‌ها، نقشه راه تحولی برای طراحی و نهادینه‌سازی حکمرانی داده‌ها، اهمیت کاتالوگ داده‌ها، تعریف ارزش با اولویت بندی داده‌ها و ایجاد یک مورد کسب و کاری برای حکمرانی داده‌ها، برنامه‌ریزی و ایجاد اجزای حکمرانی داده‌ها و طراحی چارچوب حکمرانی داده‌های سازمانی، رشد و تحکیم حکمرانی داده‌های نهادینه شده، روندهای نوظهور و حکمرانی داده‌های عظیم و در نهایت نقش در حال تحول مدیر ارشد داده‌ها (CDO) می‌پردازد.
📍لزوم حکمرانی داده‌ها
نیاز به حاکمیت داده با 3V داده‌ها (حجم، سرعت و تنوع) همبستگی بسیار قوی دارد. این سه V معمولاً در شرکت‌های چندملیتی B2C با توجه به تعداد اشخاص حقوقی، کشورها، و خطوط تولید کسب و کار که باید تحت پوشش قرار گیرند، بسیار بالاتر از شرکت‌های محلی در یک کشور هستند. همچنین این 3V در شرکت‌هایی که حضور دیجیتالی قوی دارند بسیار بالا بوده و رشد تصاعدی دارند. برای اینکه یک سازمان بتواند مدیریت درستی بر این داده‌ها داشته باشد نیازمند یک استراتژی کامل فناوری اطلاعات، یک استراتژی کامل داده، و یک ردپای فناوری اطلاعات است که کل وسعت سازمان را پوشش می‌دهد که می‌تواند در غیاب یک مدل حکمرانی کامل شکست بخورد.
🔹نقشه راه تحولی برای طراحی و نهادینه سازی حکمرانی داده‌ها:
حکمرانی داده‌ها اساساً در مورد تصمیم گیری درباره چگونگی تصمیم گیری است. به بیان دیگر به عنوان بستر تمام تصمیم گیری‌ها در یک سازمان است. اگر سازمان‌ها امیدوارند تصمیم‌گیری درستی داشته باشند، لزوماً باید مدیریت داده‌های خود را درست انجام دهند. رویکردهای متعددی برای طراحی و اجرای برنامه حکمرانی داده‌های سازمانی وجود دارد. تعداد قابل توجهی از کارشناسان طرفدار شروع از توسعه یک بیانیه ارزش و ایجاد یک مورد کسب و کاری و نقشه راه هستند. برخی دیگر از شروع با مرحله اکتشاف، به دنبال آن مرحله "طرح و ساخت" و در نهایت مرحله "رشد و نهادینه‌سازی" حمایت می کنند.
🔸کاتالوگ داده‌ها و دیکشنری داده‌ها:
ایجاد کاتالوگ داده و دیکشنری داده باید اولین قدم به عنوان بخشی از مرحله اکتشاف، قبل از اجرای هر راه حل حاکمیت داده باشد. بسیاری از راه‌حل‌های مدیریت کیفیت داده‌ها، یا راه‌حل‌های حکمرانی داده، ویژگی‌ای برای ایجاد خودکار کاتالوگ داده‌ها دارند. در حالی که بسیاری از راه‌حل‌های هوش کسب و کار (BI) و پلتفرمهای داده‌های عظیم بصری سازی تعاملی از نمودارهای ارتباطات داده‌ای را ارائه می‌دهند، اما برخی دیگر از راه‌حل‌ها نظیر SAP Information Steward، بخشی از راه‌حل مدیریت داده را ارائه می‌دهند که می‌توانند بسیار قابل توجه باشند.
📍حکمرانی داده‌ها برای داده‌های عظیم: روندهای نوظهور
موسسه مکنزی بر این باور است که هوش مصنوعی این پتانسیل را دارد که تا سال 2030 حدود 13 تریلیون دلار به اقتصاد جهانی از طریق بهبود در بهره وری، محصولات و تجارب مشتری اضافه نماید. از سوی دیگر، هوش مصنوعی می‌تواند به پیشرانی حکمرانی داده‌های عظیم کمک نماید. فناوری یادگیری عمیق می‌تواند برای خودکارسازی خوشه بندی و دسته بندی داده‌های عظیم و تخصیص خودکار تگ‌های متادیتا، ارزیابی مالکیت داده، حریم خصوصی، ریسک و غیره بسیار موثر باشد.
رشد اهمیت حکمرانی داده برای اقتصاد هوش مصنوعی و مفهوم جدیدی تحت عنوان «data lakehouse» که مزایای انبارداده و دریاچه داده را ترکیب می‌نماید، از روندهای نوظهور در حوزه حکمرانی داده‌های عظیم هستند.
🔸نقش در حال تحول مدیر ارشد داده:
استخدام یک CDO اهمیت فزاینده داده‌ها را نشان می‌دهد با این حال عدم شفافیت نقش بین یک CDO و CIO می تواند عواقبی در پی داشته باشد. برخی از سازمان‌ها نیز نقش یک مدیر ارشد دیجیتال را دارند که مسائل را بیش از پیش پیچیده می‌کند. بنابراین می‌توان گفت یک CDO تنها در صورتی می‌تواند در زمینه حکمرانی داده موفق باشد که سرمایه‌گذاری کافی در فرآیند، ابزارها و مکانیسم انطباق و همچنین خرید سهامداران وجود داشته باشد.
#کتاب_بخوانیم
#داده‌های_عظیم_برای_تصمیمات_بزرگ
#فصل_یازدهم
#حکمرانی_یکپارچه_داده‌ها
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Big Data for Big Decisions: Building a Data-Driven Organization"
📍بخش یازدهم: حکمرانی یکپارچه داده‌ها
🔹 فصل یازدهم کتاب "داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور،" با عنوان حکمرانی یکپارچه داده‌ها، به موضوعاتی همچون نیاز به حکمرانی داده‌ها، نیاز به حکمرانی داده‌ها در سازمان‌های جهانی با پرداختن به دغدغه‌های ذینفعان، تشخیص حکمرانی ضعیف داده‌ها، هزینه‌های حکمرانی ضعیف داده‌ها، نقشه راه تحولی برای طراحی و نهادینه‌سازی حکمرانی داده‌ها، اهمیت کاتالوگ داده‌ها، تعریف ارزش با اولویت بندی داده‌ها و ایجاد یک مورد کسب و کاری برای حکمرانی داده‌ها، برنامه‌ریزی و ایجاد اجزای حکمرانی داده‌ها و طراحی چارچوب حکمرانی داده‌های سازمانی، رشد و تحکیم حکمرانی داده‌های نهادینه شده، روندهای نوظهور و حکمرانی داده‌های عظیم و در نهایت نقش در حال تحول مدیر ارشد داده‌ها (CDO) می‌پردازد.
📍لزوم حکمرانی داده‌ها
نیاز به حاکمیت داده با 3V داده‌ها (حجم، سرعت و تنوع) همبستگی بسیار قوی دارد. این سه V معمولاً در شرکت‌های چندملیتی B2C با توجه به تعداد اشخاص حقوقی، کشورها، و خطوط تولید کسب و کار که باید تحت پوشش قرار گیرند، بسیار بالاتر از شرکت‌های محلی در یک کشور هستند. همچنین این 3V در شرکت‌هایی که حضور دیجیتالی قوی دارند بسیار بالا بوده و رشد تصاعدی دارند. برای اینکه یک سازمان بتواند مدیریت درستی بر این داده‌ها داشته باشد نیازمند یک استراتژی کامل فناوری اطلاعات، یک استراتژی کامل داده، و یک ردپای فناوری اطلاعات است که کل وسعت سازمان را پوشش می‌دهد که می‌تواند در غیاب یک مدل حکمرانی کامل شکست بخورد.
🔹نقشه راه تحولی برای طراحی و نهادینه سازی حکمرانی داده‌ها:
حکمرانی داده‌ها اساساً در مورد تصمیم گیری درباره چگونگی تصمیم گیری است. به بیان دیگر به عنوان بستر تمام تصمیم گیری‌ها در یک سازمان است. اگر سازمان‌ها امیدوارند تصمیم‌گیری درستی داشته باشند، لزوماً باید مدیریت داده‌های خود را درست انجام دهند. رویکردهای متعددی برای طراحی و اجرای برنامه حکمرانی داده‌های سازمانی وجود دارد. تعداد قابل توجهی از کارشناسان طرفدار شروع از توسعه یک بیانیه ارزش و ایجاد یک مورد کسب و کاری و نقشه راه هستند. برخی دیگر از شروع با مرحله اکتشاف، به دنبال آن مرحله "طرح و ساخت" و در نهایت مرحله "رشد و نهادینه‌سازی" حمایت می کنند.
🔸کاتالوگ داده‌ها و دیکشنری داده‌ها:
ایجاد کاتالوگ داده و دیکشنری داده باید اولین قدم به عنوان بخشی از مرحله اکتشاف، قبل از اجرای هر راه حل حاکمیت داده باشد. بسیاری از راه‌حل‌های مدیریت کیفیت داده‌ها، یا راه‌حل‌های حکمرانی داده، ویژگی‌ای برای ایجاد خودکار کاتالوگ داده‌ها دارند. در حالی که بسیاری از راه‌حل‌های هوش کسب و کار (BI) و پلتفرمهای داده‌های عظیم بصری سازی تعاملی از نمودارهای ارتباطات داده‌ای را ارائه می‌دهند، اما برخی دیگر از راه‌حل‌ها نظیر SAP Information Steward، بخشی از راه‌حل مدیریت داده را ارائه می‌دهند که می‌توانند بسیار قابل توجه باشند.
📍حکمرانی داده‌ها برای داده‌های عظیم: روندهای نوظهور
موسسه مکنزی بر این باور است که هوش مصنوعی این پتانسیل را دارد که تا سال 2030 حدود 13 تریلیون دلار به اقتصاد جهانی از طریق بهبود در بهره وری، محصولات و تجارب مشتری اضافه نماید. از سوی دیگر، هوش مصنوعی می‌تواند به پیشرانی حکمرانی داده‌های عظیم کمک نماید. فناوری یادگیری عمیق می‌تواند برای خودکارسازی خوشه بندی و دسته بندی داده‌های عظیم و تخصیص خودکار تگ‌های متادیتا، ارزیابی مالکیت داده، حریم خصوصی، ریسک و غیره بسیار موثر باشد.
رشد اهمیت حکمرانی داده برای اقتصاد هوش مصنوعی و مفهوم جدیدی تحت عنوان «data lakehouse» که مزایای انبارداده و دریاچه داده را ترکیب می‌نماید، از روندهای نوظهور در حوزه حکمرانی داده‌های عظیم هستند.
🔸نقش در حال تحول مدیر ارشد داده:
استخدام یک CDO اهمیت فزاینده داده‌ها را نشان می‌دهد با این حال عدم شفافیت نقش بین یک CDO و CIO می تواند عواقبی در پی داشته باشد. برخی از سازمان‌ها نیز نقش یک مدیر ارشد دیجیتال را دارند که مسائل را بیش از پیش پیچیده می‌کند. بنابراین می‌توان گفت یک CDO تنها در صورتی می‌تواند در زمینه حکمرانی داده موفق باشد که سرمایه‌گذاری کافی در فرآیند، ابزارها و مکانیسم انطباق و همچنین خرید سهامداران وجود داشته باشد.
#کتاب_بخوانیم
#داده‌های_عظیم_برای_تصمیمات_بزرگ
#فصل_یازدهم
#حکمرانی_یکپارچه_داده‌ها
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم ، پلتفرم و سناریوهای کاربردی
فصل اول: هوشمندی و تحلیل کسب و کار
فصل اول کتاب به بررسی مفاهیم اولیه کسب و کار و لایه‌های تحلیلی مختلفی از هوشمندی که در هر سازمان باید مورد توجه قرار گیرد می‌پردازد.
سه مشخصه اصلی عظیم داده؛ حجم، تنوع و سرعت پیشران‌های اصلی برای نیاز کسب و کارها به تصمیمات مبتنی بر داده می‌باشد. بنابراین آنچه که امروزه در تحلیل کسب و کار مورد توجه است به کارگیری افراد مناسب برای استخراج داده های مناسب و ارائه تحلیل درست در زمان مناسب می باشد تا بدین ترتیب فرآیند تبدیل داده خام به تصمیمات نهایی مبتنی بر داده منجر شود.
زمانی که صحبت از تصمیمات داده محور می‌شود نیاز است تا سه لایه تحلیلی بر اساس مقطع زمانی مورد بررسی قرار گیرند:
💢 گذشته: چه اتفاقاتی در گذشته رخ داده است؟ چگونه و به چه دلیل اتفاق است؟
💢 حال: در حال حاضر چه اتفاقاتی در جریان هستند و بهترین اقدام برای مرحله بعدی چه تصمیماتی می‌باشد؟
💢 آینده: چه اتفاقی در آینده رخ خواهد داد؟ چه سناریوهایی را می توان برای اتفاقات محتمل در نظر گرفت؟
زمانیکه صحبت از هوشمندی کسب و کار می شود رویکرد گذشته نگر بیشتر مدنظر می باشد درحالیکه در تحلیل داده محور کسب و کار علاوه بر رویکرد گذشته نگر، رویکرد آینده نگر نیز مورد توجه قرار می گیرد.
بر اساس همین تقسیم بندی زمانی سه نوع رویکرد تحلیلی کسب و کار مطرح می‌شود:
🔹تحلیل توصیفی: این رویکرد با استفاده از تکنیک‌های آماری و تحلیل داده بر اتفاقات گذشته متمرکز است تا به صورت تجمعی و خلاصه شده، بینشی را در مورد اتفاقات گذشته ارائه دهد. تنظیم و محاسبه شاخص های کلیدی کسب و کار در بخش های مختلف عملیات، مالی، فروش ، بازاریابی و ... در این لایه قرار می گیرند چرا که با محاسبه این سنجه ها بر اساس داده های تاریخی می توان به تحلیل هوشمندانه ای از گذشته رسید.
🔹 تحلیل پیش گویانه: لایه بعدی تحلیل داده در سازمان مربوط به تحلیل هایی از جنس پیش بینی دارد. در این لایه با استفاده از الگوریتم های داده کاوی، هدف یافتن الگو و پیش بینی آینده می باشد.
🔹 تحلیل تجویزی: لایه سوم تحلیلی مربوط به انتخاب تصمیم بهینه از بین گزینه های موجود برای آینده می‌باشد. در این لایه تاثیر انتخاب گزینه‌های مختلف بر نتیجه مطلوبی که کسب و کار به دنبال آن است سنجیده می‌شود و سعی می‌شود تصمیمی انتخاب شود که بیشترین آورده را برای هدف مطلوبی که کسب و کار مدنظر دارد باشد. مدلسازی این لایه به مراتب پیچیده تر از دو لایه قبلی می‌باشد چرا که تکنیک‌های مختلف بهینه‌سازی و آماری را همزمان نیاز دارد.
علاوه بر لایه‌های تحلیلی کسب و کار، یک نمونه چارچوب فناوری تحلیل کسب و کار در این فصل ارائه شده است.
1️⃣ منابع داده: با توجه به وجود دپارتمان های مختلف و همچنین تبادل داده ای که خارج از سازمان قرار می‌گیرد همواره منابع داده ای مختلفی وجود دارد که به عنوان خوراک اولیه تصمیمات داده محور خواهند بود.
2️⃣ آماده سازی داده: با توجه به ناسازگاری که بین منابع مختلف وجود دارد و همچنین موضوع کیفیت داده ها نیاز است تا اقداماتی در مورد آماده سازی و پیش پردازش اولیه داده ها صورت گیرد تا نهایتا تصمیمات بر اساس داده های مورد اطمینان باشند.
3️⃣ ذخیره سازی داده: منظور از ذخیره سازی در این چارچوب، ذخیره کردن داده های تحلیلی می‌باشد که عموما در انباره داده و دریاچه داده صورت می گیرد.
4️⃣ تحلیل داده: قسمت تحلیل داده اجزای شکسته شده بخش قبلی میباشند که با توجه به هدف کسب و کار و راحتی تحلیل به بخش های معناداری مثل دیتامارت ها تبدیل شدند.
5️⃣ استفاده و دسترسی داده: آخرین لایه این چارچوب مربوط به نحوه دسترسی و استفاده از این داده ها می باشد. این موضوع در هر کسب و کار با توجه به دسترسی های مختلف متفاوت می باشد.
این چارچوب فناوری تحلیل کسب و کار در کنار مراحلی که در تحلیل کسب و کار باید طی کرد، دید کلی را برای طراحی فناوری های مورد نیاز برای هر سازمان ایجاد خواهد کرد. علاوه بر این بستری برای پیاده سازی هوش مصنوعی خواهد بود که موضوع فصول بعدی کتاب میباشند.
همچنین می‌توانید این مطلب را در لینک زیر مطالعه بفرمایید.
🔗 https://bdbanalytics.ir/i0ke
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_اول
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم ، پلتفرم و سناریوهای کاربردی
فصل اول: هوشمندی و تحلیل کسب و کار
فصل اول کتاب به بررسی مفاهیم اولیه کسب و کار و لایه‌های تحلیلی مختلفی از هوشمندی که در هر سازمان باید مورد توجه قرار گیرد می‌پردازد.
سه مشخصه اصلی عظیم داده؛ حجم، تنوع و سرعت پیشران‌های اصلی برای نیاز کسب و کارها به تصمیمات مبتنی بر داده می‌باشد. بنابراین آنچه که امروزه در تحلیل کسب و کار مورد توجه است به کارگیری افراد مناسب برای استخراج داده های مناسب و ارائه تحلیل درست در زمان مناسب می باشد تا بدین ترتیب فرآیند تبدیل داده خام به تصمیمات نهایی مبتنی بر داده منجر شود.
زمانی که صحبت از تصمیمات داده محور می‌شود نیاز است تا سه لایه تحلیلی بر اساس مقطع زمانی مورد بررسی قرار گیرند:
💢 گذشته: چه اتفاقاتی در گذشته رخ داده است؟ چگونه و به چه دلیل اتفاق است؟
💢 حال: در حال حاضر چه اتفاقاتی در جریان هستند و بهترین اقدام برای مرحله بعدی چه تصمیماتی می‌باشد؟
💢 آینده: چه اتفاقی در آینده رخ خواهد داد؟ چه سناریوهایی را می توان برای اتفاقات محتمل در نظر گرفت؟
زمانیکه صحبت از هوشمندی کسب و کار می شود رویکرد گذشته نگر بیشتر مدنظر می باشد درحالیکه در تحلیل داده محور کسب و کار علاوه بر رویکرد گذشته نگر، رویکرد آینده نگر نیز مورد توجه قرار می گیرد.
بر اساس همین تقسیم بندی زمانی سه نوع رویکرد تحلیلی کسب و کار مطرح می‌شود:
🔹تحلیل توصیفی: این رویکرد با استفاده از تکنیک‌های آماری و تحلیل داده بر اتفاقات گذشته متمرکز است تا به صورت تجمعی و خلاصه شده، بینشی را در مورد اتفاقات گذشته ارائه دهد. تنظیم و محاسبه شاخص های کلیدی کسب و کار در بخش های مختلف عملیات، مالی، فروش ، بازاریابی و ... در این لایه قرار می گیرند چرا که با محاسبه این سنجه ها بر اساس داده های تاریخی می توان به تحلیل هوشمندانه ای از گذشته رسید.
🔹 تحلیل پیش گویانه: لایه بعدی تحلیل داده در سازمان مربوط به تحلیل هایی از جنس پیش بینی دارد. در این لایه با استفاده از الگوریتم های داده کاوی، هدف یافتن الگو و پیش بینی آینده می باشد.
🔹 تحلیل تجویزی: لایه سوم تحلیلی مربوط به انتخاب تصمیم بهینه از بین گزینه های موجود برای آینده می‌باشد. در این لایه تاثیر انتخاب گزینه‌های مختلف بر نتیجه مطلوبی که کسب و کار به دنبال آن است سنجیده می‌شود و سعی می‌شود تصمیمی انتخاب شود که بیشترین آورده را برای هدف مطلوبی که کسب و کار مدنظر دارد باشد. مدلسازی این لایه به مراتب پیچیده تر از دو لایه قبلی می‌باشد چرا که تکنیک‌های مختلف بهینه‌سازی و آماری را همزمان نیاز دارد.
علاوه بر لایه‌های تحلیلی کسب و کار، یک نمونه چارچوب فناوری تحلیل کسب و کار در این فصل ارائه شده است.
1️⃣ منابع داده: با توجه به وجود دپارتمان های مختلف و همچنین تبادل داده ای که خارج از سازمان قرار می‌گیرد همواره منابع داده ای مختلفی وجود دارد که به عنوان خوراک اولیه تصمیمات داده محور خواهند بود.
2️⃣ آماده سازی داده: با توجه به ناسازگاری که بین منابع مختلف وجود دارد و همچنین موضوع کیفیت داده ها نیاز است تا اقداماتی در مورد آماده سازی و پیش پردازش اولیه داده ها صورت گیرد تا نهایتا تصمیمات بر اساس داده های مورد اطمینان باشند.
3️⃣ ذخیره سازی داده: منظور از ذخیره سازی در این چارچوب، ذخیره کردن داده های تحلیلی می‌باشد که عموما در انباره داده و دریاچه داده صورت می گیرد.
4️⃣ تحلیل داده: قسمت تحلیل داده اجزای شکسته شده بخش قبلی میباشند که با توجه به هدف کسب و کار و راحتی تحلیل به بخش های معناداری مثل دیتامارت ها تبدیل شدند.
5️⃣ استفاده و دسترسی داده: آخرین لایه این چارچوب مربوط به نحوه دسترسی و استفاده از این داده ها می باشد. این موضوع در هر کسب و کار با توجه به دسترسی های مختلف متفاوت می باشد.
این چارچوب فناوری تحلیل کسب و کار در کنار مراحلی که در تحلیل کسب و کار باید طی کرد، دید کلی را برای طراحی فناوری های مورد نیاز برای هر سازمان ایجاد خواهد کرد. علاوه بر این بستری برای پیاده سازی هوش مصنوعی خواهد بود که موضوع فصول بعدی کتاب میباشند.
همچنین می‌توانید این مطلب را در لینک زیر مطالعه بفرمایید.
🔗 https://bdbanalytics.ir/i0ke
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_اول
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
فصل دوم: هوش مصنوعی
در فصل اول کتاب "هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی" به مفاهیم اولیه تحلیل و هوشمندی کسب و کار پرداختیم. در ادامه این فصل، در فصل دوم به طور خاص به موضوع هوش مصنوعی و روش‌های مختلفی که در تحلیل کسب و کار به کار گرفته می‌شوند اشاره شده است.
به طور کلی هوش مصنوعی شامل شاخه‌های متنوعی مثل رباتیک، سیستم‌های خبره، یادگیری ماشین، مدل‌های شناختی و ... می‌باشد. اما وقتی صحبت از کاربرد هوش مصنوعی در تحلیل کسب و کار می‌شود؛ نقطه تمرکز بر روش‌های یادگیری ماشین می‌باشد که می‌توانند منجر به تولید بینش در کسب و کارها شود. بر این اساس تمرکز فصل دوم بر معرفی روش‌های یادگیری ماشین می‌باشد که ابتدا به سه دسته کلی یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی اشاره می‌کند.
علاوه بر توضیح این سه روش، به صورت جزئی تر در مورد روش‌های دسته بندی، رگرسیون، خوشه بندی، استخراج قوانین و بهینه سازی موضوعاتی مورد بررسی قرار می‌گیرند که در بخش خلاصه کتاب به آن اشاره شده است.
برای مطالعه خلاصه فصل دوم به لینک زیر مراجعه بفرمایید.
🔗 https://bdbanalytics.ir/7ijz
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_دوم
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
فصل دوم: هوش مصنوعی
در فصل اول کتاب "هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی" به مفاهیم اولیه تحلیل و هوشمندی کسب و کار پرداختیم. در ادامه این فصل، در فصل دوم به طور خاص به موضوع هوش مصنوعی و روش‌های مختلفی که در تحلیل کسب و کار به کار گرفته می‌شوند اشاره شده است.
به طور کلی هوش مصنوعی شامل شاخه‌های متنوعی مثل رباتیک، سیستم‌های خبره، یادگیری ماشین، مدل‌های شناختی و ... می‌باشد. اما وقتی صحبت از کاربرد هوش مصنوعی در تحلیل کسب و کار می‌شود؛ نقطه تمرکز بر روش‌های یادگیری ماشین می‌باشد که می‌توانند منجر به تولید بینش در کسب و کارها شود. بر این اساس تمرکز فصل دوم بر معرفی روش‌های یادگیری ماشین می‌باشد که ابتدا به سه دسته کلی یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی اشاره می‌کند.
علاوه بر توضیح این سه روش، به صورت جزئی تر در مورد روش‌های دسته بندی، رگرسیون، خوشه بندی، استخراج قوانین و بهینه سازی موضوعاتی مورد بررسی قرار می‌گیرند که در بخش خلاصه کتاب به آن اشاره شده است.
برای مطالعه خلاصه فصل دوم به لینک زیر مراجعه بفرمایید.
🔗 https://bdbanalytics.ir/7ijz
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_دوم
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
📌فصل سوم: هوش مصنوعی و پلتفرمهای تحلیلگری کسب و کار
بخش اول از فصل سوم کتاب هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی، ابتدا به مفاهیم و چارچوب‌های نرم افزاری پایه همچون مدیریت داده‌ها، انبارداده، و دریاچه داده پرداخته شده است و سپس به معرفی ابزارها و پلتفرمهای مختلف مرتبط با پردازش و تحلیل داده‌های عظیم می‌پردازد.
پلتفرم‌هایی که می‌توانند برای پیاده‌سازی دریاچه داده استفاده شوند عبارتند از:
❇️ فایل سیستم توزیع شده هدوپ (HDFS)
❇️ سرویس ذخیره‌سازی ساده آمازون (S3)، ذخیره‌سازی ابری گوگل، ذخیره‌سازی دریاچه داده Azure
❇️ دریاچه‌های داده همچنین می‌توانند با انبارداده کلاسیک، HBase یا پایگاه داده NoSQL (مانند MongoDB) ترکیب شوند.
📍پردازش جریان داده و صف پیام
🔹سیستم‌های مبتنی بر MapReduce مانند Amazon EMR نمونه‌هایی از پلتفرم‌هایی هستند که از پردازش‌های دسته‌ای پشتیبانی می‌کنند. در مقابل، پردازش جریان نیازمند گرفتن یک دنباله از داده‌ها و به‌روزرسانی تدریجی سنجه‌ها، گزارش‌ها و آمار خلاصه در پاسخ به هر مجموعه داده ورودی است. بنابراین، پردازش جریان برای نظارت و پاسخگویی بلادرنگ مناسب‌تر است.
🔸امروزه بسیاری از شرکت‌ها با ترکیب دو رویکرد و ایجاد یک لایه بلادرنگ (جریان) و یک لایه دسته ای به طور همزمان یا سری، بر روی مدل‌های ترکیبی کار می‌کنند. داده‌ها ابتدا توسط یک پلتفرم داده جریانی برای ارائه بینش‌های بلادرنگ پردازش می‌شوند و سپس به یک مخزن داده بارگذاری می‌شوند که در آنجا می‌توان آن را تبدیل و برای انواع مختلف موارد استفاده پردازش دسته‌ای استفاده کرد.
📍سیستم مدیریت پایگاه داده
🔹یک سیستم مدیریت داده in-memory (IMDBMS) یک سیستم مدیریت پایگاه داده است که عمدتاً برای ذخیره‌سازی، مدیریت و دستکاری داده‌ها به حافظه اصلی متکی است. این کار تأخیر و سربار ذخیره‌سازی دیسک را حذف می‌کند و مجموعه دستورالعمل‌های مورد نیاز برای دسترسی به داده‌ها را کاهش می‌دهد. برای ذخیره‌سازی و دسترسی کارآمدتر، داده‌ها می‌توانند در یک قالب فشرده ذخیره شوند.
📍آپاچی هدوپ
🔸محیط‌های عظیم داده معمولاً نه تنها شامل داده‌های عظیم بلکه انواع مختلفی از داده‌های تراکنش ساختاریافته تا انواع نیمه‌ساختاریافته و بدون ساختار اطلاعات مانند سوابق کلیک، وب سرور و لاگ‌های برنامه‌های موبایل، پست‌های رسانه‌های اجتماعی، ایمیل‌های مشتری و داده‌های سنسور از اینترنت اشیا می‌شوند. فناوری که در ابتدا فقط با نام آپاچی هدوپ شناخته می‌شد، به عنوان بخشی از یک پروژه متن‌باز در بنیاد نرم‌افزار آپاچی (ASF) در حال توسعه است. توزیع تجاری هدوپ در حال حاضر توسط چهار ارائه دهنده اصلی پلتفرم داده‌های عظیم ارائه می‌شود: فناوری‌های آمازون وب سرویس (AWS)، کلودرا، Hortonworks و MapR. علاوه بر این، گوگل، مایکروسافت و سایر فروشندگان خدمات مدیریت مبتنی بر ابر را بر اساس هدوپ و فناوری‌های مرتبط ارائه می‌دهند.
📍تحلیل داده و زبان‌های برنامه‌نویسی
🔹علاوه بر الگوریتم‌ها، تحلیل داده همچنین نیازمند پیاده‌سازی و یکپارچه‌سازی با اپلیکیشن‌های موجود است. زبان‌های برنامه‌نویسی مانند پایتون و R در این راستا مورد استفاده قرار می‌گیرند. R نه تنها توسط کاربران دانشگاهی استفاده می‌شود، بلکه بسیاری از شرکت‌های بزرگ از جمله اوبر، گوگل، ایربی‌ان‌بی، فیس‌بوک و غیره نیز از R استفاده می‌کنند.
🔸 اسکالا (Scala) یک زبان برنامه‌نویسی سطح بالا، چند پارادایمی و همه منظوره است. این زبان یک زبان برنامه‌نویسی شیءگرا است که از رویکرد برنامه‌نویسی تابعی نیز پشتیبانی می‌کند. هیچ داده اولیه‌ای وجود ندارد، زیرا همه چیز در اسکالا یک شیء است. اسکالا برای بیان الگوهای رایج برنامه‌نویسی به شیوه‌ای دقیق، مختصر و type-safe طراحی شده است. برنامه‌های اسکالا می‌توانند به بایت کد تبدیل شوند و روی ماشین مجازی جاوا (JVM) اجرا شوند.
🔹جولیا (Julia) در سال 2009 ایجاد شد و در سال 2012 به عموم معرفی شد. جولیا با هدف رفع کمبودهای پایتون و سایر زبان‌ها و برنامه‌های محاسبات علمی و پردازش داده طراحی شده است. جولیا از metaprogramming پشتیبانی می‌کند. برنامه‌های جولیا می‌توانند برنامه‌های جولیای دیگر را تولید کرده و حتی کد خود را به روشی شبیه به زبان‌هایی مانند Lisp تغییر دهند.
برای مطالعه خلاصه فصل سوم (بخش اول) به لینک زیر مراجعه بفرمایید.
🔗 https://bdbanalytics.ir/hkis
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_سوم
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
📌فصل سوم: هوش مصنوعی و پلتفرمهای تحلیلگری کسب و کار
بخش اول از فصل سوم کتاب هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی، ابتدا به مفاهیم و چارچوب‌های نرم افزاری پایه همچون مدیریت داده‌ها، انبارداده، و دریاچه داده پرداخته شده است و سپس به معرفی ابزارها و پلتفرمهای مختلف مرتبط با پردازش و تحلیل داده‌های عظیم می‌پردازد.
پلتفرم‌هایی که می‌توانند برای پیاده‌سازی دریاچه داده استفاده شوند عبارتند از:
❇️ فایل سیستم توزیع شده هدوپ (HDFS)
❇️ سرویس ذخیره‌سازی ساده آمازون (S3)، ذخیره‌سازی ابری گوگل، ذخیره‌سازی دریاچه داده Azure
❇️ دریاچه‌های داده همچنین می‌توانند با انبارداده کلاسیک، HBase یا پایگاه داده NoSQL (مانند MongoDB) ترکیب شوند.
📍پردازش جریان داده و صف پیام
🔹سیستم‌های مبتنی بر MapReduce مانند Amazon EMR نمونه‌هایی از پلتفرم‌هایی هستند که از پردازش‌های دسته‌ای پشتیبانی می‌کنند. در مقابل، پردازش جریان نیازمند گرفتن یک دنباله از داده‌ها و به‌روزرسانی تدریجی سنجه‌ها، گزارش‌ها و آمار خلاصه در پاسخ به هر مجموعه داده ورودی است. بنابراین، پردازش جریان برای نظارت و پاسخگویی بلادرنگ مناسب‌تر است.
🔸امروزه بسیاری از شرکت‌ها با ترکیب دو رویکرد و ایجاد یک لایه بلادرنگ (جریان) و یک لایه دسته ای به طور همزمان یا سری، بر روی مدل‌های ترکیبی کار می‌کنند. داده‌ها ابتدا توسط یک پلتفرم داده جریانی برای ارائه بینش‌های بلادرنگ پردازش می‌شوند و سپس به یک مخزن داده بارگذاری می‌شوند که در آنجا می‌توان آن را تبدیل و برای انواع مختلف موارد استفاده پردازش دسته‌ای استفاده کرد.
📍سیستم مدیریت پایگاه داده
🔹یک سیستم مدیریت داده in-memory (IMDBMS) یک سیستم مدیریت پایگاه داده است که عمدتاً برای ذخیره‌سازی، مدیریت و دستکاری داده‌ها به حافظه اصلی متکی است. این کار تأخیر و سربار ذخیره‌سازی دیسک را حذف می‌کند و مجموعه دستورالعمل‌های مورد نیاز برای دسترسی به داده‌ها را کاهش می‌دهد. برای ذخیره‌سازی و دسترسی کارآمدتر، داده‌ها می‌توانند در یک قالب فشرده ذخیره شوند.
📍آپاچی هدوپ
🔸محیط‌های عظیم داده معمولاً نه تنها شامل داده‌های عظیم بلکه انواع مختلفی از داده‌های تراکنش ساختاریافته تا انواع نیمه‌ساختاریافته و بدون ساختار اطلاعات مانند سوابق کلیک، وب سرور و لاگ‌های برنامه‌های موبایل، پست‌های رسانه‌های اجتماعی، ایمیل‌های مشتری و داده‌های سنسور از اینترنت اشیا می‌شوند. فناوری که در ابتدا فقط با نام آپاچی هدوپ شناخته می‌شد، به عنوان بخشی از یک پروژه متن‌باز در بنیاد نرم‌افزار آپاچی (ASF) در حال توسعه است. توزیع تجاری هدوپ در حال حاضر توسط چهار ارائه دهنده اصلی پلتفرم داده‌های عظیم ارائه می‌شود: فناوری‌های آمازون وب سرویس (AWS)، کلودرا، Hortonworks و MapR. علاوه بر این، گوگل، مایکروسافت و سایر فروشندگان خدمات مدیریت مبتنی بر ابر را بر اساس هدوپ و فناوری‌های مرتبط ارائه می‌دهند.
📍تحلیل داده و زبان‌های برنامه‌نویسی
🔹علاوه بر الگوریتم‌ها، تحلیل داده همچنین نیازمند پیاده‌سازی و یکپارچه‌سازی با اپلیکیشن‌های موجود است. زبان‌های برنامه‌نویسی مانند پایتون و R در این راستا مورد استفاده قرار می‌گیرند. R نه تنها توسط کاربران دانشگاهی استفاده می‌شود، بلکه بسیاری از شرکت‌های بزرگ از جمله اوبر، گوگل، ایربی‌ان‌بی، فیس‌بوک و غیره نیز از R استفاده می‌کنند.
🔸 اسکالا (Scala) یک زبان برنامه‌نویسی سطح بالا، چند پارادایمی و همه منظوره است. این زبان یک زبان برنامه‌نویسی شیءگرا است که از رویکرد برنامه‌نویسی تابعی نیز پشتیبانی می‌کند. هیچ داده اولیه‌ای وجود ندارد، زیرا همه چیز در اسکالا یک شیء است. اسکالا برای بیان الگوهای رایج برنامه‌نویسی به شیوه‌ای دقیق، مختصر و type-safe طراحی شده است. برنامه‌های اسکالا می‌توانند به بایت کد تبدیل شوند و روی ماشین مجازی جاوا (JVM) اجرا شوند.
🔹جولیا (Julia) در سال 2009 ایجاد شد و در سال 2012 به عموم معرفی شد. جولیا با هدف رفع کمبودهای پایتون و سایر زبان‌ها و برنامه‌های محاسبات علمی و پردازش داده طراحی شده است. جولیا از metaprogramming پشتیبانی می‌کند. برنامه‌های جولیا می‌توانند برنامه‌های جولیای دیگر را تولید کرده و حتی کد خود را به روشی شبیه به زبان‌هایی مانند Lisp تغییر دهند.
برای مطالعه خلاصه فصل سوم (بخش اول) به لینک زیر مراجعه بفرمایید.
🔗 https://bdbanalytics.ir/hkis
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_سوم
#فاطمه_مظفری
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📖 کتاب بخوانیم؛
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
📌فصل سوم: هوش مصنوعی و پلتفرمهای تحلیلگری کسب و کار- بخش دوم
در خلاصه بخش اول فصل سوم به مفاهیم اصلی هوش مصنوعی مرتبط با تحلیگری کسب و کار همچون انباره داده، دریاچه داده، جریان داده و پایگاه های مدیریت داده پرداختیم. یکی دیگر از مباحث مهم هوش مصنوعی در پلتفرم های تحلیلگری کسب و کار، چارچوب های هوش مصنوعی می باشند.
در گذشته برای پیاده سازی مفاهیم و الگوریتم های هوش مصنوعی نیاز بود تا منطق و فرمول های ریاضیاتی از ابتدا و با جزئیات نوشته شوند که کار نسبتا سخت و پیچیده‌ای بود. اما در حال حاضر با توجه به با توجه به پیشرفت زیرساخت ها و نرم افزارهای متن باز این امکان برای متخصصان هوش مصنوعی وجود دارد که با فراخوانی چارچوب‌های قدرتمند هوش مصنوعی الگوریتم‌های مورد نیاز خود را از صفر بازنویسی کنند. به عبارتی دیگر این چارچوب ها با دریافت پارامترهای ریاضی مختلف و فیت شدن روی دیتاست های مختلف می توانند خروجی های مورد نظر برای تحلیلگران را فراهم کنند تا در وقت و انرژی صرفه جویی قابل توجهی داشته باشند. از میان تمامی چارچوب های هوش مصنوعی 5 چارچوب محبوبیت و کاربردهای زیادی دارند که در ادامه به بررسی آن ها می پردازیم:
📍چارچوب اول: Tensorflow
تنسور فلو ابتدا توسط گوگل برای استفاده داخلی توسعه داده شد و در سال ۲۰۱۵ تحت مجوز اپن سورس آپاچی 2 منتشر شد. گوگل همچنان از این کتابخانه برای خدمات مختلفی مانند تشخیص گفتار، جستجوی تصاویر و پاسخ‌های خودکار در جیمیل استفاده می‌کند.
📍چارچوب دوم: Theano
یک کتابخانه محاسبات علمی سطح پایین مبتنی بر پایتون است که برای وظایف یادگیری عمیق مرتبط با تعریف، بهینه‌سازی و ارزیابی عبارات ریاضی استفاده می‌شود. با اینکه این کتابخانه قدرت محاسباتی چشمگیری دارد، کاربران از رابط کاربری غیرقابل دسترسی و پیام‌های خطای غیر مفید آن رضایت بالایی ندارند.
📍چارچوب سوم: Torch
این چارچوب اغلب به عنوان ساده‌ترین ابزار یادگیری عمیق برای مبتدیان شناخته می‌شود. این ابزار از یک زبان اسکریپت‌نویسی ساده به نام Lua استفاده می‌کند و جامعه‌ای فعال دارد که مجموعه‌ای چشمگیر از آموزش‌ها و بسته‌ها را برای تقریباً هر هدف یادگیری عمیق ارائه می‌دهد.
📍چارچوب چهارم: Scikit-Learn
یک چارچوب طراحی شده برای الگوریتم‌های یادگیری ماشینی تحت نظارت و بدون نظارت است. به عنوان یکی از اجزای اکوسیستم علمی پایتون، این چارچوب بر اساس کتابخانه‌های NumPy و SciPy ساخته شده است که هرکدام وظیفه انجام وظایف علمی داده در سطح پایین را برعهده دارند
📍چارچوب پنجم: Jupyter Notebook
چارچوب آخری که قصد معرفی آن را داریم یک برنامه وب منبع‌باز است که به شما امکان می‌دهد اسنادی حاوی کد زنده، معادلات، تجسم‌ها و متن ایجاد و به اشتراک بگذارید. این چارچوب که توسط تیم پروژه Jupyter پشتیبانی می‌شود یک پروژه جانبی از پروژه IPython است که قبلاً خود پروژه IPython Notebook را داشت
برای مطالعه خلاصه فصل سوم (بخش دوم) به لینک زیر مراجعه بفرمایید.
🔗 https://bdbanalytics.ir/fb1c
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_سوم
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 "Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios"
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
📌فصل سوم: هوش مصنوعی و پلتفرمهای تحلیلگری کسب و کار- بخش دوم
در خلاصه بخش اول فصل سوم به مفاهیم اصلی هوش مصنوعی مرتبط با تحلیگری کسب و کار همچون انباره داده، دریاچه داده، جریان داده و پایگاه های مدیریت داده پرداختیم. یکی دیگر از مباحث مهم هوش مصنوعی در پلتفرم های تحلیلگری کسب و کار، چارچوب های هوش مصنوعی می باشند.
در گذشته برای پیاده سازی مفاهیم و الگوریتم های هوش مصنوعی نیاز بود تا منطق و فرمول های ریاضیاتی از ابتدا و با جزئیات نوشته شوند که کار نسبتا سخت و پیچیده‌ای بود. اما در حال حاضر با توجه به با توجه به پیشرفت زیرساخت ها و نرم افزارهای متن باز این امکان برای متخصصان هوش مصنوعی وجود دارد که با فراخوانی چارچوب‌های قدرتمند هوش مصنوعی الگوریتم‌های مورد نیاز خود را از صفر بازنویسی کنند. به عبارتی دیگر این چارچوب ها با دریافت پارامترهای ریاضی مختلف و فیت شدن روی دیتاست های مختلف می توانند خروجی های مورد نظر برای تحلیلگران را فراهم کنند تا در وقت و انرژی صرفه جویی قابل توجهی داشته باشند. از میان تمامی چارچوب های هوش مصنوعی 5 چارچوب محبوبیت و کاربردهای زیادی دارند که در ادامه به بررسی آن ها می پردازیم:
📍چارچوب اول: Tensorflow
تنسور فلو ابتدا توسط گوگل برای استفاده داخلی توسعه داده شد و در سال ۲۰۱۵ تحت مجوز اپن سورس آپاچی 2 منتشر شد. گوگل همچنان از این کتابخانه برای خدمات مختلفی مانند تشخیص گفتار، جستجوی تصاویر و پاسخ‌های خودکار در جیمیل استفاده می‌کند.
📍چارچوب دوم: Theano
یک کتابخانه محاسبات علمی سطح پایین مبتنی بر پایتون است که برای وظایف یادگیری عمیق مرتبط با تعریف، بهینه‌سازی و ارزیابی عبارات ریاضی استفاده می‌شود. با اینکه این کتابخانه قدرت محاسباتی چشمگیری دارد، کاربران از رابط کاربری غیرقابل دسترسی و پیام‌های خطای غیر مفید آن رضایت بالایی ندارند.
📍چارچوب سوم: Torch
این چارچوب اغلب به عنوان ساده‌ترین ابزار یادگیری عمیق برای مبتدیان شناخته می‌شود. این ابزار از یک زبان اسکریپت‌نویسی ساده به نام Lua استفاده می‌کند و جامعه‌ای فعال دارد که مجموعه‌ای چشمگیر از آموزش‌ها و بسته‌ها را برای تقریباً هر هدف یادگیری عمیق ارائه می‌دهد.
📍چارچوب چهارم: Scikit-Learn
یک چارچوب طراحی شده برای الگوریتم‌های یادگیری ماشینی تحت نظارت و بدون نظارت است. به عنوان یکی از اجزای اکوسیستم علمی پایتون، این چارچوب بر اساس کتابخانه‌های NumPy و SciPy ساخته شده است که هرکدام وظیفه انجام وظایف علمی داده در سطح پایین را برعهده دارند
📍چارچوب پنجم: Jupyter Notebook
چارچوب آخری که قصد معرفی آن را داریم یک برنامه وب منبع‌باز است که به شما امکان می‌دهد اسنادی حاوی کد زنده، معادلات، تجسم‌ها و متن ایجاد و به اشتراک بگذارید. این چارچوب که توسط تیم پروژه Jupyter پشتیبانی می‌شود یک پروژه جانبی از پروژه IPython است که قبلاً خود پروژه IPython Notebook را داشت
برای مطالعه خلاصه فصل سوم (بخش دوم) به لینک زیر مراجعه بفرمایید.
🔗 https://bdbanalytics.ir/fb1c
#کتاب_بخوانیم
#هوش_مصنوعی_برای_تحلیل_کسب_و_کار
#فصل_سوم
#علی_محمدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics