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

استفاده از داده و تحلیل آن دیگر مختص شرکت‌های بزرگ نیست. بلکه تمامی کسب و کارها برای پیشرفت به تحلیل داده‌ نیاز دارند. اما شرکت‌ها در هنگام تحلیل اطلاعات خود ممکن است اشتباهاتی کنند. در پست‌های قبل دو مورد از این اشتباهات را بیان کردیم. در این پست به مورد سوم می پردازیم.
3)قرار دادن دپارتمان‌های هوش تجاری و تحلیل داده در بخش مالی/بازاریابی/ IT
برای اینکه سازمان‌ها عملکرد خوبی در بررسی داده‌ها داشته باشند، بخش تحلیل داده نباید زیرمجموعه‌ی بخش دیگری باشد. این بخش باید در کنار سایر بخش‌ها فعالیت کند. اگر این بخش زیرمجموعه IT باشد، تنها بر بخش فنی متمرکز است و نمی‌تواند در توسعه محصولات و درآمدزایی سازمان تاثیر بگذارد. اگر زیرمجموعه بخش مالی باشد، بر هزینه و درآمد متمرکز می‌شود. در این صورت از نوآوری فاصله می‌گیرد و از پروژه‌های غیرانتفاعی دور می‌شود. اگر زیر مجموعه بازاریابی باشد، بخشی خیالی است که تنها به نظریه پردازی پرداخته و نتایج مطلوب را به دست نمی‌آورد.

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

دلایل استفاده از هوش تجاری برای تجارت الکترونیک:
1)تصمیم‌گیری دقیق: هوش تجاری به تجارت الکترونیک کمک می‎کند تا بر اساس حقایق آماری تصمیم‌گیری کنند.
2)افزایش درآمد: آن‌ها می‌توانند براساس سلیقه‌ی مشتریان، تجربه های آن‌ها در خرید آنلاین و رفتار خرید آن‌ها، روندهای خرید را به صورت جزئی مورد بررسی قرار دهند که در نهایت باعث بهبود فروش شوند.
3)بازدهی عملیاتی: افزایش سود و کاهش هزینه هدف همه‌ی کسب و کارها است. هوش تجاری همه ی داده‌ها را مورد بررسی قرار می‌دهد و به کسب و کارهای مبتنی بر تجارت الکترونیک کمک می‌کند تا متوجه ضعف‎های خود شوند.
4)برتری یافتن نسبت به رقبا: با ارائه‌ی دیدی جامع از مشتری، کمک می‌کند که رفتار و نیازهای مشتریان را تحلیل کنند. براساس آن بهترین خدمات را به مشتریان ارائه دهند.
5)مدیریت کسب و کار به صورت داخلی و رفع مشکلات: با هوش تجاری می‌توان انبار خود را صحیح مدیریت کرد و با تحلیل داده‌های خود درباره‌ی مشتریان و الگوی خرید آن‌ها موجودی انبار برای کالاهای مختلف را به صورت بهینه تامین کرد.
✅ @Nemoudar

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

✅ @Nemoudar

هوش تجاری به کسب و کارها کمک می‌کند بهترین داده‌ها را جمع‌آوری کرده و در بحث فروش به کار بگیرند. تا به اینجا به بررسی 3 تاثیر هوش تجاری بر افزایش فروش پرداخته‌ایم.
در این پست به سراغ مورد چهارم می‌رویم.
4)منبعی واحد برای گزارش‌ها
اکثر کمپانی‌ها داده‌ی بخش‌های مختلف را در نرم‌افزار‌های متفاوت نگهداری و تحلیل می‌کنند. در بعضی موارد نتایج بررسی هر کدام از ابزارها با دیگری تناقض دارد. که این اتفاق خوبی نیست.
هوش تجاری می‌تواند تمام داده‌ها را از منابع مختلف جمع‌آوری کرده، و آن‌ها را یکجا ارائه دهد.
تفاوتی ندارد برای CRM، ERP یا BPMS از چه ابزاری استفاده می‌کنید. یک سیستم هوش تجاری کامل، این توانایی را دارد که تمام داده‌ها را به بهترین شکل تجمیع کند.

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

تا به این‌جا از اهمیت تحلیل داده برای تمام شرکت‌ها آگاه شدیم و فهمیدیم گاهی اوقات سازمان‌ها در تحلیل آن دچار اشتباهاتی می‌شوند. در ادامه به بررسی موارد نهایی از این اشتباهات رایج می‌پردازیم.
* جدا کردن تیم‌های علم داده و مهندسی داده یا ادغام تیم‌های مهندسی داده و دانشمندان داده
از نظر برخی از مدیران می‌توان مهندس داده و دانشمند داده را در یک گروه قرار داد. اما آن‌ها دارای مهارت‌های متفاوتی هستند. با این حال، تیم‌های مهندسی داده و علم داده باید تا جایی‌ که ممکن است در کنار هم کار کنند. مهندس داده باید ببیند که از کارش استفاده می‌شود. آن‌ها بهبودهایی را که به نفع دانشمندان داده است، شناسایی می‌کنند. دانشمندان داده برای مهندسان داده، زمان زیادی را ذخیره می‌کنند.
* از دست دادن داده‌های خوب
در همه‌جا پتانسیل‌های از دست رفته زیادی وجود دارد. سازمان‌هایی که به درستی داده‌ محور نشوند، ارزش داده‌های زیادی را از دست می‌دهند. باید همیشه به طور دقیق بر داده‌های ارزشمند نظارت داشته باشیم. شناسایی داده‌های کارامد کار سختی نیست.
✅ @Nemoudar