برای مطالعه بیشتر و آشنایی با دیگر گروه‌های نمودار بر رو لینک زیر کلیک کنید.
https://www.nemoudar.com/blog/power-bi-visuals/

✅ @Nemoudar

علم داده ترکیبی از ابزارها، الگوریتم‌ها، اصول و قوانین یادگیری ماشین (Machine Learning) است. هدف نهایی آن دستیابی به الگوهای موجود در داده‌های خام است. 
تحلیلگر داده معمولا با پردازش و تحلیل داده‌های گذشته، روندهای مربوط به داده‌ها را توضیح می‌دهد. اما دانشمند داده، نه تنها به بررسی و تحلیل داده‌های گذشته می‌پردازد، بلکه از الگوریتم‌های پیشرفته‌ی یادگیری ماشین نیز استفاده می‌کند تا روند داده‌ها در آینده را پیش‌بینی کند. می‌توان گفت یک دانشمند داده می‌بایست از زوایای مختلفی به داده‌ها نگاه کند.
علم داده برای تصمیم‌گیری و پیش‌بینی آینده با استفاده از تحلیل و پیش‌بینی علی و معلولی (Predictive Causal Analytics)، تحلیل تجویزی (Prescriptive Analytics)، پیش‌بینی با استفاده از یادگیری ماشین (Machine Learning for Making Predictions) و الگویابی با استفاده از یادگیری ماشین (Machine Learning for Pattern Discovery) اجرا می‌شود.

برای مطالعه مطالب بیشتر بر روی لینک زیر کلیک کنید.

https://www.nemoudar.com/blog/what-is-data-science/

✅ @Nemoudar

یادگیری عمیق زیر مجموعه‌ی یادگیری ماشین است. این بخش با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم‌هایی که عمل‌کرد مغز انسان را شبیه‌سازی می‌کنند، کار می‌کند.
حجم داده‌ای که هر روزه تولید می‌شود سرسام آور است. به همین دلیل باید از یادگیری عمیق استفاده شود.همانطور که ما با استفاده از تجربیات خود فرآیند یادگیری را انجام می‌دهیم، الگوریتم یادگیری عمیق سیستم هم بارها و بارها یک وظیفه را انجام داده و هر سری سرعت خود را در بهبود نتیجه افزایش می‌دهد. ما زمانی به یادگیری عمیق مراجعه می‌کنیم، که شبکه عصبی هوش مصنوعی دارای لایه‌های متنوع و عمق زیادی باشد. تقریبا برای هر مشکلی که نیاز به تفکر دارد، یادگیری عمیق می‌تواند کمک کند.
یادگیری عمیق به ماشین‌ها این قابلیت را می‌دهد تا مشکلات پیچیده را حتی با دسترسی به داده‌های متنوع و بدون ساختار حل کنند. برای مثال ترجمه و درک زبان انسان، وسایل نقلیه بدون سرنشین، تشخیص چهره، پزشکی و داروسازی و مواردی دیگر از قابلیت‌های یادگیری عمیق است.

برای اطلاع از مطالب بیشتر بر روی لینک زیر کلیک کنید.
https://www.nemoudar.com/blog/what-is-deep-learning/

✅ @Nemoudar

در روند استخراج ارزش از داده‌ها، باید یک مدل عملکردی برای حل مسائل کسب‌وکارها طراحی شود. برای رسیدن به آن لازم است بدانید کجای مسیر بلوغ داده قرار دارید. امروزه رسیدن به بلوغ داده برای هر سازمانی الزامی است. مراحل بلوغ داده:
آگاهی به داده (Data Aware)
گزارش‌های کسب‌وکارها به صورت تکی گرفته می‌شوند. به همین دلیل قابل اعتماد نیستند. در این مرحله با مدل‌سازی و جمع‌آوری داده، در منحنی بلوغ پیشرفت می‌کنید.
چیرگی بر داده‌ها (Data Proficient)
در اینجا، کیفیت داده بررسی می‌شود. KPI‌های سازمان پیگیری می‌شوند. این اقدام‌ها منجر به دریافت گزارش‌های تحلیلی استاندارد از طریق پلتفرم‌های مختلفی می‌شود.
درک داده‌ها (Data Savvy)
در این مرحله سازمان‌ها از داده‌ها برای تصمیم‌گیری‌های مهم استفاده می‌کنند. این همان جایی است که اعضای کلیدی سازمان به مرحله بعدی می‌روند تا مخزن‌های داده‌ را تجزیه کنند. 
داده محور (Data Driven)
نداشتن داده به معنای نداشتن توانایی تصمیم‌گیری است. IT تمامی منابع داده را یکپارچه‌ کرده و پلتفرمی پیشرفته برای تحلیل پیاده‌ می‌کند. در این مرحله کسب‌وکار شما می‌داند که از تحلیل‌ها در کجا و چگونه استفاده کند.

برای مطالعه مطالب بیشتر روی لینک زیر کلیک کنید.
https://www.nemoudar.com/blog/data-maturity-model/

✅ @Nemoudar

تعریف داشبورد در بحث هوش تجاری به نحوی به داشبورد ماشین و هواپیما شباهت دارد. هر سازمان به علت حجم بالای اطلاعات، نیاز دارد تا اطلاعات مفید را فیلتر کند؛ آن‌هایی که حیاتی‌تر است و دسترسی به آن‌ها در تصمیم‌گیری سریع کمک می‌کند.
داشبورد مدیریتی نمایش گرافیکی داده‌ها است. مجموعه­‌ای از اطلاعاتی را که برای تصمیم­‌گیری مدیران اهمیت دارد، در نمودارهای مختلف نمایش می‌­دهد. به داشبورد مدیریتی، داشبورد استراتژیک نیز می­‌گویند. در این داشبوردها از اطلاعات به لحظه استفاده می‌شود. داشبورد گونه‌ای طراحی شده که مدیران در یک نگاه بیشترین اطلاعات را دریافت کند. مدیران باید بدانند که در کسب‌وکارشان  چه اتفاقی می‌­افتد. این در حالی است که نباید اختلالی در عملیات روزانه ‌‌آن‌ها ایجاد شود. تنها در این صورت است که مدیران می‌توانند بر اساس داده‌ها تصمیم بگیرند و در جهت داده‌محور شدن سازمان گام بردارند.
هر سازمانی باید بر اساس نیاز خود، شاخص هایی برای داشبورد مدیریتی تعریف کند. شاخص‌هایی که مستقیم با اهداف سازمان ارتباط داشته باشند. همچنین باید به صورت عددی باشند که به آسانی بتوان آن‌ها را تفسیر کرد.

✅ @Nemoudar

برای مطالعه مطالب بیشتر بر روی لینک زیر کلیک کنید.

https://www.nemoudar.com/blog/management-dashboard-and-features/

✅ @Nemoudar

#job #استخدام
✅ @Nemoudar

هر سازمان در فرآیند پیاده‌سازی هوش تجاری ممکن است با چالش‌های مختلفی رو‌به‌رو شود. پس بهتر است پیش از اجرا، با این چالش‌ها کمی آشنا شویم.
1)اطمینان از کیفیت داده‌ها
کیفیت و کامل بودن داده‌ها مهم‌ترین فاکتورها در موفقیت راهکارهای هوش تجاری هستند. برای تمامی سازمان‌ها، ارزیابی‌ و اطمینان از اعتبار داده‌ها امری حیاتی است. داده‌ها به اشکال متفاوتی در هوش کسب و کار استفاده می‌شوند. پس اگر ارزیابی این دادها به بهترین شکل انجام نشود، مشکلات کیفیت داده نمایان نخواهد شد. 
2) آموزش
هر کسب و کاری الزامات خاص خود را دارد، سامانه‌ی هوش تجاری یکی از الزامات کسب‌ و کارها است. اما کار کردن با هوش تجاری هم مانند دیگر سیستم‌ها نیازمند توانایی‌های خاصی است. دادن آموزش‌های لازم به افراد مرتبط با این سیستم برای مدیریت سامانه‌ی هوش تجاری در هر سازمانی ضروری است. سازمان‌ها باید بر درک دارایی‌های خود تمرکز کنند.
در پست‌های بعدی شما را با دیگر چالش‌های پیاده‌سازی هوش تجاری آشنا می‌کنیم.

برای مطالعه مطالب بیشتر روی لینک زیر کلیک کنید.
https://www.nemoudar.com/blog/top-challenges-in-business-intelligence/

✅ @Nemoudar

#job #استخدام
✅ @Nemoudar

#job #استخدام
✅ @Nemoudar

دانشمند داده یکی از محبوب‌ترین پست‌های شغلی در سال‌های اخیر است. دانشمند داده شدن نیاز به زمان و تلاش فراوان دارد. برای این‌که به دانشمند داده تبدیل شوید لازم است اول آموزش ببینید.  
1)یک زبان برنامه‌نویسی را انتخاب کنید و آن را یاد بگیرید. معمولا زبان Python یا R مناسب است. سعی کنید دانشی کلی از کتابخانه‌‌های Python مانند Pandas داشته باشید.
2)از پلتفرم‌های آنلاین مانند Coursera و edx، دوره‌های یادگیری ماشین که توسط Andrew NG تدریس شده است را بگذرانید. این دوره‌ها با این‌که قدیمی هستند، پایه‌های علمی شما را تقویت می‌کنند. 
در پست‌های بعدی با راه‌های بیشتری آشنا می‌شوید!

برای مطالعه مطالب بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/the-roadmap-to-become-a-data-scientist/

✅ @Nemoudar

در همه کارهایی که انجام می‌دهیم، ردپایی از دنیای دیجیتال وجود دارد. پس عجیب نیست که از روش‌های مختلفی بتوانیم داده‌ها را جمع‌آوری کنیم. با توجه به انبوه داده‌ها ماهیت رقابت بین سازمان‌ها تغییر کرده است. سازمان‌ها با جمع‌آوری داده‌های بیشتر، شانس خود را برای موفقیت و رشد در بازار افزایش می‌دهند. پس هر چه سازمان داده‌ی بیشتری داشته باشد،‌ کیفیت محصولات و خدمات آن افزایش خواهد یافت و کاربران بیشتری از خدمات سازمان استفاده می‌کنند. در نهایت این حلقه جمع‌آوری داده برای بهبود خدمات در سازمان دائما در حال تکرار شدن خواهد بود. هرچه کمپانی تسلا داده‌های بیشتری از خودروهای خودران خود جمع‌آوری کند، وضعیت حرکت و رانندگی این خودروها بهتر خواهد شد. داده‌ها نقطه قوت شرکت‌ها هستند! هر چه داده بیشتر، محصولات و خدمات با کیفیت‌تر.
دسترسی داده ( Data Access)‌ یکی دیگر از موارد مهم در حوزه رقابتی به شمار می‌آید. سیستم‌های بزرگی داد‌ه‌ها برگ برنده دنیای رقابتی امروز هستند.

برای مطالعه مطالب بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/data-is-the-most-valuable-resource/

✅ @Nemoudar

پیاده‌سازی هوش تجاری در شرکت‌ها معمولا با چالش‌هایی مواجه است که در پست قبلی به دو مورد آن اشاره کردیم. در این پست به اهمیت یکپارچه سازی در کل سازمان و هدف‌گذاری توسط تیم مرکزی می‌پردازیم.
1)یکپارچه‌سازی هوش تجاری در بین کاربران تمامی گروه‌ها 
یکی از مهم‌ترین چالش‌ها داشتن ابزار یکپارچه‌سازی هوش تجاری است. این ابزار شامل حاکمیت مرکزی، امنیت و مدیریت همه کاربران در داخل و خارج سازمان است.
2)هدف‌گذاری‌های بزرگ با یک تیم مرکزی 
در نبود تیم مرکزی نیازهای سازمان به خوبی بررسی نمی‌شوند. حتی ممکن است برخی از موارد مهم نادیده گرفته شوند، که موجب شکست پروژه‌های هوش تجاری خواهد شد. این تیم الزامات هر بخش سازمان را تشخیص می‌دهد و یک نقشه راه برای پیاده‌سازی هوش تجاری اجرا می‌کند.

برای مطالعه مطالب بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/top-challenges-in-business-intelligence/

✅ @Nemoudar

استخدام گرافیست

در شرکت دانش بنیان هوشمند تجارت نمودار

ارسال رزومه به
✉️Hr@nemoudar.com

#استخدام front-end developer
🔹مهارت‌ها:
مسلط به HTML, CSS , JavaScript , Jquery, Bootstrap , Responsive
آشنا به استفاده از API
آشنا به Git
آشنا به مفاهیم UX و UI و Material Design
آشنا با React JS یا Vue JS
ترجیحا آشنا با SQL Server و تکنولوژی های مایکروسافت

ارسال رزومه به
✉️hr@nemoudar.com

هوش تجاری و علم داده هر دو با هدف به دست آوردن نتایج مطلوب، بر داده‌ها تمرکز می‌کنند. هر دوی این رشته‌ها قابلیت تفسیر داده را دارند. علم داده در کسب وکارها به صورت مجموعه‌ای از علوم بین رشته‌ای است. این دانش داده‌های گذشته را تحلیل می‌کند تا وضعیت آینده را پیش‌بینی کند. 
درحالی که هوش تجاری برای نظارت بر وضعیت کنونی کسب وکار شما است تا عملکرد کسب وکار را در گذشته متوجه شوید.
علم داده و هوش تجاری به طور کلی در سه حوزه با یکدیگر تفاوت دارند: ۱- تنوع و حجم داده ۲- قابلیت‌های پیش بینی ۳-پلتفرم‌های مصورسازی
مهم‌ترین تفاوت بین علم داده و هوش تجاری این است که BI به این منظور طراحی شده است که با داده‌های ساختاریافته و آماری کار کند. از طرفی علم داده، داده‌های با حجم و سرعت بالا، پیچیده و چند ساختاری را از چند منبع مختلف مدیریت می‌کند.
همچنین تفاوت بین هوش تجاری پیشرفته و علم داده در بحث کتابخانه‌های پیش فرض یادگیری ماشین است.
هرچه کسب و کارها بیشتر در فضای رقابتی باشند، نیاز بیشتری به تعامل بین کارشناس هوش تجاری و دانشمند داده احساس خواهد شد. 
✅ @Nemoudar

برای مطالعه مطالب بیشتر روی لینک زیر کلیک کنید.
https://www.nemoudar.com/blog/business-intelligence-vs-data-science/
✅ @Nemoudar

در این پست به معرفی بخشی از آخرین پیشنهادهای مایکروسافت، برای دانشمندان داده می‌پردازیم‌. مایکروسافت برای افراد با سطح‌های مختلف تخصص، پیشنهادهایی در حوزه اجرای یادگیری ماشین دارد.
1)Auto ML – Automated Machine Learning
Auto ML نرم‌افزاری که مدل‌های یادگیری ماشین را به صورت خودکار انتخاب می‌کند، یاد می‌گیرد و می‌سازد. سپس بهترین مدل‌ را بر اساس مسئله و نوع داده پیشنهاد می‌کند. Auto ML در حال حاضر فقط از مسائل طبقه‌بندی، پیش‌بینی و رگرسیون پشتیبانی می‌کند.
2)سرویس ابری -Azure Machine Learning Service
سرویس‌های ابری برای ذخیره داده‌ها و پردازش آن‌ها بدون محدودیت فضای ذخیره‌سازی، استفاده می‌شوند. آن‌ها مقیاس‌پذیر و قابل مدیریت هستند. با استفاده از آن‌ها داده‌ها به سرعت پیش‌پردازش و آموزش داده می‌شوند و مدل‌های ساخته شده ML روی آن‌ها استفاده می‌شود.
3)فریم ورک برای چت بات- Bot Framework
این Bot frameworks کدهای اسکلتی با هدف ساخت چت بات‌های سفارشی هستند. این ابزار قابلیت‌های گسترده‌ای دارد. مانند انتخاب‌های چندگزینه‌ای برای مشتریان و صحبت کردن به زبان طبیعی که بسیار نزدیک به قابلیت‌های انسانی است.
✅ @Nemoudar

برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/microsoft-and-machine-learning/
✅ @Nemoudar

در پست‌های قبلی چهار مورد از چالش‌های پیاده‌سازی هوش تجاری در شرکت‌ها را معرفی کردیم. در این پست به هوش تجاری سلف سرویس و سافت سِرو بی‌آی می‌پردازیم.

۱) یکی از بزرگترین مشکلات سامانه‌های قدیمی هوش تجاری پیچیدگی آن‌ها است. این مشکلات باعث می‌شود روند استفاده از هوش تجاری و ایجاد گزارش کند شود. برای برطرف کردن این مشکل سازمان‌ها هوش تجاری سلف سرویس را به کار می‌گیرند. با این روش کاربران به راحتی به داده‌ها و تحلیل آن‌ها دسترسی دارند و می‌توانند گزارش‌ها را با توجه به شاخص‌های کلیدی عملکرد مورد نیاز خود ایجاد کنند.

۲) برخلاف هوش تجاری سلف سرویس، سافت سرو بی‌آی به کاربران اجازه نمی‌دهد به داده‌های انبار داده دسترسی داشته باشند و آن‌ها را دستکاری کنند. آن‌ها تنها می‌توانند به گزارش‌ها دسترسی داشته باشند.
✅ @Nemoudar