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

منابع انسانی یکی از بخش‌های چند وجهی در هر سازمان است و می‌تواند تمام امور این بخش مانند استخدام و آموزش را پوشش دهد. 
 زمانی که در فرآیند استخدام با حجم زیادی از داده‌ی افراد مواجه می‌شوید، هوش تجاری به شما کمک می‌کند؛ می‌توانید تحلیل‌هایی دقیق داشته باشید و شاخص‌های مناسب را پیدا کنید.
اما واحد منابع انسانی تنها محدود به استخدام نمی‌شود. عملکرد کارکنان از حیاتی‌ترین فرایندهای سازمان است. هوش تجاری در این مرحله کمک می‌کند عملکرد نیروهای خود را تحلیل کنید. با جمع‌آوری این داده‌ها، تصویر بهتری از کارمندان خواهید داشت. کاربرد دیگر هوش تجاری در واحد منابع انسانی شناسایی ریسک و نمایش آن است؛ برای مثل روندهایی مثل افزایش گردش مالی کارکنان و کاهش بهره‌وری.
فرهنگ سازمانی از جمله مواردی است که به فضای کار روح می‌بخشد. هوش تجاری کمک می‌کند فرهنگی ایجاد کنید که با استفاده از داده‌ها، شناسایی نیازها و پیدا کردن راه‌حل از کارمندان مراقبت شود. هوش تجاری برای ایجاد مسئولیت اجتماعی شرکتی هم استفاده می شود. نقشی که در بخش منابع انسانی نادیده گرفته می‌شود. 

✅ @Nemoudar

برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/how-business-intelligence-works-for-hr/

✅ @Nemoudar

در دنیای امروزه استفاده از داده و به‌کارگیری آن برای پیشرفت دغدغه‌ی اصلی بسیاری از سازمان‌ها است. اما همانطور که پیش از این هم توضیح دادیم در این مسیر سازمان‌ها مرتکب اشتباهاتی می‌شوند. در ادامه به مورد دوم این اشتباهات می‌پردازیم.

۲) استفاده از بهترین ابزار به جای ارزان‌ترین ابزار
همیشه بهترین ابزار، مناسب‌ترین ابزار برای کسب وکار شما نیست. اگر می‌توانید از ابزارهای ارزان‌تر و ساده‌تر استفاده کنید، نیازی به  زمان و هزینه زیاد برای ابزارهای دیگر نیست. زمانی که از منبع ذخیره‌سازی داده صحبت می‌کنیم منظورمان منابع مختلفی مانند انواع دیتابیس، انبار داده، دریاچه داده است. هرکدام از این‌ها کاربردها و هزینه‌های مختلفی دارند. گاهی اوقات هزینه زیاد می‌تواند به تنهایی موجب نابودی پروژه شما باشد. پس لازم است بدانید چه ابزاری را برای چه پروژه‌ای به‌کار می‌گیرید.
برای مثال : برخی اوقات کمپانی‌ها ترجیح می‌دهند که برای گزارشات از انبار داده استفاده کنند. چون انبار داده محل مناسبی برای داده‌های ساختاریافته است. اما اگر فقط ۱۰ جدول در دیتامارت خود دارید، پایگاه داده SQL این کار را با هزینه کمتری انجام می‌دهد.
✅ @Nemoudar

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

✅ @Nemoudar

#استخدام
✅ @Nemoudar

#استخدام
✅ @Nemoudar

در هر کسب و کاری متغیرهای مختلف و زیادی وجود دارد که می‌توانند بر موفقیت یا شکست شرکت تاثیرگذار باشند. با توجه به حجم داده‌ها و سرعت پیشرفت جهان، هوش تجاری برای بررسی و تحلیل این متغیرها، نیاز اساسی برای تمامی کسب و کارها است. در این پست به بررسی سومین مورد در اهمیت هوش تجاری بر افزایش می‌پردازیم.
3)تصمیم‌گیری داده محور
برای آن که بتوانید در بازار رقابت کنید، قبل از هر چیزی نیاز دارید تا اطلاعات دقیق و درستی از سازمان خودتان داشته باشید. با توجه به بالا رفتن هزینه‌ها، نمی‌توان با تصمیمات احساسی یا صرفا براساس تجربیات گذشته پیشرفت کرد. شما با استفاده از تحلیل داده‌های پیشین در بحث‌های مالی، می‌توانید برای آینده به شکل بهتری برنامه‌ریزی کنید و احتمال زیان را تا حد زیادی کاهش دهید.

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

✅ @Nemoudar

داستان سرایی‌داده‌ سریع‌ترین و بهترین راه برای توانمندسازی سازمان‌ها است. نوع این داستان، نوع تصمیم‌گیری سازمان را مشخص می‌کند.
در سازمان‌ها داده‌محور بودن، از نظر تئوریک عالی است. اما این مسئله برای افرادی که با آن سر و کار دارند، بیش از حد پیچیده و وقت‌گیر است. داده‌‌ها باید به سمت ما بیایند و آسان شوند. داستان‌‌سرایی داده به هر کس، جدا از سطح مهارت‌ها، توانایی درک و استفاده‌ مداوم از داده‌ها را متناسب با نیاز در اختیار قرار می‌دهد.
داستان سرایی‌داده‌ها از زبانی ساده و قابل‌فهم استفاده می‌کند تا مطمئن شود همه‌ی افراد در سازمان شما واقعا داده‌ها را درک می‌کنند. در نتیجه تصمیمات راحت‌تری برای کسب و کار خود می‌گیرید.

برای مطالعه‎‌بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/what-is-data-storytelling/

✅ @Nemoudar

آنچه پیاده سازی هوش تجاری را وارد بحثی تخصصی می‌کند، چالش‌هایی است که سازمان‌ها برای این کار با آن روبه‌رو می‌شوند. در این پست به بررسی موارد نهایی این چالش‌ها می‌پردازیم.
1)سرمایه‌گذاری‌های عظیم زیرساختی
در گذشته راهکارهای هزینه‌بر هوش تجاری به سخت افزارهای بزرگی نیاز داشت. در کنار آن با افزایش هزینه‌های نصب و راه‌اندازی، زمان مورد نیاز برای راه‌اندازی هم افزایش پیدا می‌کرد.
با استفاده از راهکارهای مدرن می‌توانید هوش تجاری را با استفاده از سخت افزارهای موجود و زیرساخت‌های مجازی در فضای ابری پیاده‌سازی کنید.
2)داده‌های ساختار نیافته‌ی هوش تجاری
امروزه کسب و کارها برای تحلیل داده‌های خود، سراغ ابزارهای هوش تجاری می‌روند. این کار در ابتدا زمان زیادی می‌گیرد تا تمام داده‌ها ساماندهی و پاکسازی شوند. پس از آن می‌توان با استفاده از انبارهای داده و برنامه‌ریزی‌های پردازشی، به تمام منابع داده‌ای دسترسی داشت. همچنین اعداد و ارقام مربوط به داده‌های پیشین را دیده و الگوریتم آن‌ها را پیدا می‌کنید.

✅@Nemoudar

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

✅@Nemoudar

پیش از این هم گفتیم که تبدیل شدن به دانشمند داده فرآیند آسانی نیست. شما برای این کار باید مسیر مطمئنی را پشت سر بگذارید. در این مجموعه پست ما به شما راه‌های تبدیل شدن به دانشمند داده را معرفی می‌کنیم. 
1)دوره‌های تکمیلی
اگر در حال یادگیری زبان R هستید، دوره‌ی Analytics Edge در پلتفرم edx و اگر با زبان Python کار می‌کنید، دوره‌ی mlcourse.ai برای شمل بسیار مفید است. دوره‌ی mlcourse.ai به نوعی بهترین دوره است. در این دوره مسائل تئوری به بهترین شکل بیان می‌شود.
2) یادگیری SQL 
در اغلب شرکت‌ها داده‌ها در پایگاه‌های داده رابطه‌ای نگهداری می‌شوند. بنابراین بهتر است خود را با مفاهیمی مانند SELECT، GROUP BY، CTE، JOIN و مواردی دیگر آشنا کنید.
برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/the-roadmap-to-become-a-data-scientist/
✅ @Nemoudar

امروزه ارائه خدمات به مشتری، فقط شامل ارائه‌ی محصول نیست. بلکه ترکیبی از تجربه‌ی خوب مشتری از یک محصول مناسب و هوش تجاری کاربردی است.
جهت‌دهی و تنظیم تصمیم‌گیری‌ها در کسب و کار براساس انتظارات مشتری، آسان‌ترین و کم‌هزینه‌ترین راه برای حفظ وفاداری مشتری است. برای این کار شرکت‌ها باید اطلاعات درست را به دست آورند.
شرکت‌ها معمولاً اطلاعات مشتری را از انبارهای مختلف اطلاعاتی جمع‌آوری می‌کنند. این داده‌ها باید قبل از استفاده موثر استاندارد شوند تا بتوان آن‌ها را تجزیه و تحلیل کرد. هوش تجاری در این راه به کسب و کارها کمک می‌کند تا دسترسی آسانی به باارزش‌ترین داده‌ها داشته باشند.
شما در ابتدا باید بهترین پلتفرم را برای این کار انتخاب کنید. پلتفرم‌هایی مثل BI یا CRM هر دو مزایای متفاوتی دارند. با ادغام آن‌ها می‌توانید از بهترین پلتفرم استفاده کنید. ادغام CRM با BI نه تنها منجر به شخصی‌سازی و تقسیم‌بندی بهتر مشتری می‌شود، بلکه در اندازه‌گیری سطح رضایت مشتری نیز موثر است. 

برای مطالعه بیشتر به لینک زیر مراجعه کنید.
https://www.nemoudar.com/blog/bi-and-crm/

✅ @Nemoudar

بررسی پیشنهادات مایکروسافت در زمینه یادگیری ماشین همچنان ادامه دارد. در این پست به مواردی دیگر می‌پردازیم.
1)Azure Machine Learning Studio – رابط بصری
پلتفرمی که بدون نیاز به کدنویسی، یا کدنویسی خیلی کم، برای افرادی است که نمی‌خواهند برای ML برنامه‌نویسی کنند.
رابط بصری ابزاری است که در آن با استفاده از drag & drop می‌توانید مدل مورد نظر خود را بسازید و آموزش دهید. با این وجود برای استفاده از آن به دانش کمی در حوزه‌ی علم داده نیاز است.
✅ @Nemoudar

2)Cognitive Services - machine learning web API
سرویس یا وب API معمولا با HTTP عمل می‌کند و افراد با استفاده از آن می‌توانند کدنویسی کنند. این کدها توسط شخص سومی امکان تغییر دارد. این سرویس امکان دسترسی به داده‌ها و قابلیت‌هایی که افراد اضافه می‌کنند را به کاربر می‌دهد. این ابزار برای کاربرانی مناسب است که می‌خواهند از ML استفاده کنند، اما اطلاعات زیادی از علم داده ندارند.
3)فریم ورک یادگیری ماشین
فریم‌ورک‌ها کدهای اسکلتی ژنریکی‌اند که به شما امکان ساخت اپلیکیشن خود را می‌دهند. این ابزار جدیدترین کتابخانه یادگیری ماشین برای توسعه دهندگان .NET است. از قابلیت‌های مهم آن پشتیبانی از C# و F# در ویندوز، لینوکس یا macOS است.

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

✅@Nemoudar