#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

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

✅ @Nemoudar

برای پیاده‌سازی هوش تجاری و تحلیل داده‌های سازمان بهتر است به شرکت‌هایی که قابلیت انجام این کار را دارند مراجعه کنید. اما برای این کار مواردی هست که متناسب با نیاز هر سازمان ممکن است تغییر کند.
1)پیش نیازهای راه اندازی BI و اهداف
یکی از موارد مهم این است که بررسی کنیم آیا سازمان واقعا به BI نیاز دارد؟ چه اهدافی را دنبال می‌کنیم؟
حتی ممکن شما به این جمع بندی نرسیده باشید که آیا مجموعه شما به بلوغ لازم برای هوش تجاری رسیده است یا خیر.
2)جمع‌آوری داده‌ها
در تمامی مراحل، داده‌ها نقش اساسی را ایفا می‌کنند. باید داده‌ها جمع‌آوری و پاک‌سازی شده و صحت آن‌ها بررسی شود. حال نیاز دارید تا انبار داده یا DW راه اندازی کنید. در این صورت تمامی داده ها در مکانی واحد جمع‌آوری می‌شوند.

برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/business-intelligence-steps/

✅ @Nemoudar

در بازار رقابتی امروز، داد‌ه‌های فروش نقش کلیدی‌ای در موفقیت سازمان‌ها دارند. در این مجموعه پست به تاثیر هوش تجاری در میزان فروش سازمان‌ها و اهمیت داده می‌پردازیم.
از جمله موارد تاثیر گذار:
1)فروش بیشتر به مشتریان فعلی
شکی نیست که هزینه‌ی جذب مشتری جدید، از هزینه‌ی نگهداری مشتریان فعلی بیشتر است. برخی تحقیقات نشان می‌دهد که احتمال فروش محصول به مشتریان فعلی، ۱۴برابر بیشتر از فروش به مشتریان جدید است. 
سازمان‌ها با استفاده از هوش تجاری بهتر می‌توانند واقعیت‌های موجود در بازار فروش را ببینند. شاید بررسی آنچه مشتریان شما خریداری می‌کنند مهم‌تر از آن چیزی باشد که خرید نمی‌کنند.
مثلا ممکن است تحلیل داده‌ها نشان دهد که فروش نرم‌افزار منابع انسانی، بخش عمده‌ی درآمدتان را تشکیل می‌دهد. اینجا می‌توان تصمیم‌گیری کرد که برای سوددهی بیشتر آیا باید با ایجاد کمپین به فروش بخش‌های دیگر کمک کنید یا اصلا تولید آن‌ها متوقف شود.

برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/business-intelligence-and-sales/

✅ @Nemoudar

انبار داده یکی از اجزای اصلی معماری هوش تجاری است. تصمیم‌گیری‌های دقیق و درست در تجارت نیاز به اطلاعات باکیفیت دارد. اما این اطلاعات باید در یک بخش جمع‌آوری شوند. در هر سازمانی با استفاده از هوش تجاری و انبار داده می‌توان این کار را انجام داد. اهمیت دسترسی به انبار داده‌ی طبقه‌بندی شده در بازار رقابتی امروز را نمی‌توان انکار کرد. داده نقش موثری در افزایش کارایی کسب و کارها دارد. اگر بخواهید با سرعت، دقت و اطمینان به اطلاعات خود دسترسی داشته باشید، انبار داده نیازی اساسی است. زمانی که داده‌ها از میان منابع پراکنده جمع‌آوری شد، آن‌ها را در انبار داده بارگذاری می‌کنیم.
سازمان‌دهی، ذخیره‌سازی، تمیز کردن و استخراج داده‌ها به وسیله این مخزن مرکزی داده انجام می‌شود.
انبار کردن داده‌ها فرآیند‌ی سازمانی در پایگاه داده است. این کار از طریق منابع مختلف با تمرکز بر تحلیل داده‌ها انجام می شود. 
از نظر تجاری این بخش برای پیاده‌سازی فرهنگ تصمیم‌گیری داده محور اهمیت بالایی دارد. 

برای مطالعه‌ی بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/business-intelligence-data-warehouse/

✅ @Nemoudar

سازمان‌ها برای پیاده‌سازی هوش تجاری با چالش‌های مختلفی مواجه می‌شوند. در پست‌های قبلی شش مورد از این چالش‌ها را بررسی کردیم. در این پست به دو مورد دیگر می‌پردازیم.
1)دسترسی پیدا کردن به داده‌های مدفون در سامانه‌ها
داشتن محل ذخیره داده و اطلاع از محل ذخیره سازی داده، به معنای دسترسی راحت به داده‌ها نیست.
برای به دست آوردن ارزش واقعی داده، باید داده را به شکل درست تغییر و تبدیل نمود. شما می‌توانید داده‌ها را با استفاده از یک انبار داده و یک فرایند موثر ETL پاکسازی کنید.
2)هزینه
پیاده‌سازی هوش تجاری هزینه‌بر است. این هزینه عموما برای کسب وکارهای کوچک چشمگیر است. اما برخی سامانه‌‌ها مانند سامانه‌ی هوش تجاری نمودار برای کسب و کارهای کوچک امکان استفاده از هوش تجاری را فراهم کرده است.

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

✅ @Nemoudar

امروزه همه کمپانی‌ها از تحلیل داده استفاده می‌کنند. در این بین چند اشتباه وجود دارد که کمپانی‌ها در هنگام تحلیل اطلاعات خود مرتکب آن‌ها می‌شوند. در این پست اولین مورد را توضیح می‌دهیم.
1) ابتدا ابزار را تهیه می‌کنند و سپس به دنبال مسائل هستند!
برای تحلیل داده، ابزارهای مختلفی وجود دارد که با استفاده از آن‌ها می‌شود کارهای مختلفی انجام داد. اما گاهی اوقات کمپانی‌ها برعکس عمل می‌کنند؛ آن‌ها ابتدا ابزار را انتخاب می‌کنند و سپس به دنبال مسائلی متناسب با آن ابزار هستند. برای این که گام به گام با علم داده حرکت کنید، به دنبال پایگاه‌هایی از داده‌ باشید که مقادیر زیادی داده در اختیار شما قرار دهد و بتوان حداکثر استفاده را برد.
برای مثال: استفاده از ابزارهایی برای تحلیل زمان دیرکرد کارکنان مسئله‌ی مهمی نیست. اما اطلاعات مشتریان و تحلیل رفتار آن‌ها برای کسب و کار بسیار ارزشمندتر خواهد بود و باید زمان زیادی را صرف تحلیل این دست اطلاعات کرد.

برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/5-mistakes-in-analytics/

✅ @Nemoudar

پیاده‌سازی هوش تجاری در سازمان‌ها شامل مراحل مختلفی است. در پست قبلی دو مورد  از این مراحل را معرفی کردیم. در این پست به موارد بعدی می‌پردازیم.
1)ایجاد و بررسی شاخص ها
شاخص‌ها موردی بسیار مهم در راه تحلیل اطلاعات سازمان هستند. شاخص کلیدی عملکرد روشی است که به شما میزان خوب بودن را نشان می‌دهد. برای همین اهمیت دارد شاخص‌های خود را به درستی تعریف کرده یا از شرکت‌هایی برای پیاده‌سازی هوش تجاری استفاده کنید که شناخت خوبی از این بخش دارند.
2)تشخیص ابزار مناسب
امروزه تکنولوژی در زمینه هوش کسب و کار به سمتی می‌رود که سازمان‌ها از ابزارهای سلف سرویس برای گزارش‌گیری استفاده کنند؛ زیرا هم قدرت و توانایی لازم را دارند، هم برای کاربر عادی پیچیده نیستند. برای همین بهترین ابزار در این زمینه Power BI مایکروسافت است.
اما ممکن است شما تمامی مراحل را انجام دهید ولی باز به نتیجه مطلوب خود نرسید! به همین دلیل بهتر است تحلیل داده‌های کسب و کار خود را به شرکت‌هایی بسپارید که صلاحیت لازم برای این کار را داشته باشند. یک انتخاب درست باعث می‌شود در زمان و هزینه‌های خود صرفه جویی کنید.

✅ @Nemoudar