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

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 پست به دومین تاثیر هوش تجاری بر افزایش فروش می‌پردازیم.
از جمله موارد تاثیر گذار:
2)ارائه خدمات بهتر به مشتری
در صورتی که سیستم هوش تجاری در سازمان شما خرید مشتریان و علاقه‌مندی آن‌ها را به درستی تحلیل و ارزیابی کند، می‌توانید دید کاملی از نیاز‌های آن‌ها داشته باشید. بعد از آن تنها نیاز به هماهنگی میان بخش‌های مختلف سازمان با بخش فروش دارید.
فرض کنید بعضی از محصولات شما فروش خوبی داشته یا بازدید بیشتری دریافت کرده است. در این صورت اعضای خدمات پس از فروش باید با مطالعه بیشتر و جمع‌آوری اطلاعات در مورد آن محصولات، خود را برای پاسخگویی صحیح و کامل به سوال‌های آینده‌ی مشتریان آماده کنند.

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

✅ @Nemoudar

برای مطالعه ببشتر به لینک زیر مراجعه کنید.

https://www.nemoudar.com/blog/how-netflix-brought-business-intelligence-to-hollywood/

✅ @Nemoudar

امروزه تمام صنعت‌ها به وسیله‌ی میزان داده و اطلاعات در دسترس اداره می‌شوند. اطلاعات هر آهنگی که در Spotify می­‌شنوید، هر فیلمی که در Netflix تماشا می‌کنید و هر ویدئویی که در YouTube می‌بینید، در یک انبار مجازی نامحدود ذخیره می­‌شوند.
 این داده‌ها به الگوریتم‌هایی پیچیده تبدیل می‌شوند که لیست آهنگ‌ها، فیلم‌ها و ویدئو‌های پیشنهادی برای هر فرد را تشکیل می‌دهند.
جالب است بدانید Netflix از پیشگامان ورود این نوع تجزیه و تحلیل داده‌ها به این صنعت بوده است. این شرکت با برگزاری مسابقه‌ای از سال ۲۰۰۶ به دنبال الگوریتمی است که بتواند پیش‌بینی کند کاربران بر اساس رتبه‌ای که به فیلم­‌های قبلی داده‌اند، به فیلم‌های دیگر چه رتبه‌ای می‌دهند. آن‌ها حتی قدمی فراتر برداشته‌اند و می‌خواهند از داده‌ها برای تصمیم‌گیری در مورد تولید محتوا استفاده کنند. 
کمپانی‌های دیگری هم هستند که در صنعت سرگرمی به دنبال الگوریتم‌های جدید برای استفاده از اطلاعات کاربران هستند. هوش تجاری و تحلیل داده، در همه حوزه‌ها تاثیر مثبتی دارد و سازمان‌ها از این طریق اطلاعات بهتری به دست می‌آورند.

✅ @Nemoudar

خلاصه ای از مهم ترین به روز رسانی ها
🔷Power BI Report Server - October 2020🔷

🔻لیبل total برای ویژوال های stacked
🔻اضافه شدن فرمت نقطه ای برای لاین چارت
🔻به روز رسانی visualization pane
🔻تغییر سایز آیکون ها متناسب با سایز فونت
🔻بهبودهایی برای توابع SWITCH و IF

این نسخه را از طریق لینک زیر دانلود کنید.
🔗Https://www.nemoudar.com/downloads

نصب و راه اندازی Power BI Report Server را به راحتی و به صورت گام به گام از طریق لینک زیر بیاموزید.
🔗https://www.nemoudar.com/blog/install-power-bi-report-server/

گزارش‌گیری مفهومی است که اغلب به اشتباه، با هوش تجاری یکسان در نظر گرفته می‌شود. اما باید بدانیم این دو با  هم تفاوت‌هایی اساسی دارند. 

گزارش‌گیری به شما کمک می‌کند تغییرات کسب و کار خود را کامل نشان دهید و بررسی کنید؛ این‌که چه اتفاقاتی در کسب و کار شما رخ داده است و در چه وضعیتی قرار دارید. این اطلاعات به شما کمک می‌کند تا کارها را با کیفیتی بالاتر و ساده‌تر انجام دهید. اما هوش تجاری دلایل اتفاقات رخ داده در کسب و کار را به شما نشان می‌دهد. همچنین به شما کمک می ‌کند تا بدانید چگونه برای بهبود عملکرد کسب و کار خود در آینده فعالیت کنید. 
اصولا گزارشات دارای قالبی یکسان هستند. به همین دلیل افرادی که از گزارشات استفاده می‌کنند نیازی ندارند به قالب‌های جدید گزارش تسلط داشته باشند. اما چون اهداف و شرایط موجود در کسب و کارها در حال تغییر و گسترش است، گزارش‌ها باید تغییر کنند. فرمت‌های محدود برخی ابزارهای گزارش‌گیری باعث کندی پیشرفت سازمان و ارتباط با مشتری می‌شود. 
اما ابزارهای هوش تجاری، با دقت بالا و انعطاف پذیری خوبی طراحی می‌شوند
@Nemoudar

برای مطالعه‌ی بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/difference-between-reporting-and-business-intelligence/
@Nemoudar

تصمیم‌گیری داده محور یکی از فرآیندهای مهم در استفاده از ابزارهای هوش تجاری است. این فرآیند به صورت زیر است :
*جمع‌آوری داده بر اساس اهداف یا شاخص‌های کلیدی عملکرد
*تحلیل داده‌ها
*استفاده از تحلیل‌ها برای تعیین استراتژی و فعالیت‌هایی که موجب پیشرفت و سوددهی در سازمان می‌شود
در واقع تصمیم‌گیری داده محور به معنای حرکت در مسیر اهداف سازمان است. در این مسیر از تجزیه و تحلیل داده‌ها استفاده می‌شود. امروزه با پیشرفت ابزارها و پلتفرم‌های هوش تجاری،‌ برای استفاده از داده‌ها لزوما نیازی به تخصص IT یا هوش تجاری نیست. این داده‌ها در دو دسته‌ی کمی و کیفی قرار می‌گیرند. هر دو این موارد در تصمیم‌گیری داده محور مهم هستند. تحلیل‌های کیفی بر روی داده‌هایی که ارتباطی با اعداد و ارقام ندارند تمرکز می‌کنند. تحلیل داده‌های کمی بر اساس اعداد و آمار صورت می‌گیرد. هر کدام از این تحلیل‌ها در قالب خود به تصمیم‌گیری داده محور در سازمان شما کمک می‌کنند.
امروزه داده‌ها مدام در حال افزایش هستند و تصمیم‌گیری داده محور بر سوددهی بیشتر سازمان تاثیر مستقیمی دارد.
✅ @Nemoudar

برای مطالعه بیشتر به لینک زیر مراجعه کنید.

https://www.nemoudar.com/blog/why-data-driven-decision-making/


✅ @Nemoudar