داده های ارزشمند ابزاری جهت تصمیم گیری مدیران


پیشرفت ابزارهای ذخیره سازی باعث شده که ما بدون نگرانی، هر نوع داده ای رو حتی بدون توجه به کارایی و اهمیت آن نگهداری کنیم (یاد این ضرب المثل افتادم : هر چیز كه خوار آید، روزی بكار آید) و ناخودآگاه در دریای عظیم داده ها غرق بشیم.


بعضی از شرکت ها و یا سازمانها برای پشتیبانی بهتر به مشتری اقدام به جمع آوری داده های فعالیتی اون می کنند تا در صورت بروز مسئله ای به این داده ها مراجعه کنند و با خیال راحت و اطمینان، نیاز خودشون و مشتری را برطرف کنند و یا ممکنه با استفاده از روش های آماری و ابزارهای سنتی شروع به تحلیل شخصی این داده ها بکنند و نتایج اون رو در اختیار مدیر بگذارند تا بتونه توی تصمیم گیری توسعه کسب و کارش از اون استفاده کنه. اما واقعا ارزش این حجیم عظیم داده فقط همینه ؟ صحت تحلیلی که انجام شده چقدر میتونه باشه؟ تصمیمی که گرفته میشه چه نتیجه ای داره ؟

بعضی از داده های جمع آوری شده ناشی از رفتار مشتریان هست که سرمایه های اصلی کسب و کارمون محسوب می شن و در آنها دنیایی از الگوها و دانش های معنادار نهفته ای وجود داره که با یک نگاه و تحلیل ساده کشف نمیشن و میبایست با کاوش در این منابع غنی اطلاعاتی، دانش هایی کاربردی رو کشف کرد.

شناخت رفتار هر مشتری و سرویس دهی به اون با توجه به شناخت کسب شده ، کشف الگوهای خرید ، کسب رضایت بیشتر مشتری، بهبود در سرویس دهی به مشتریان و ... همه این موارد در دل این داده های ارزشمند وجود داره و به مدیران کمک می کنه تا بتونند تصمیمات بهتر و قابل اعتمادتری رو بگیرند.

اولین قدم برای شروع این فرآیند ، شناخت حوزه فعالیت و دانشی هست که دنبال اونیم، تا بهتر بتونیم از تکنیک های موجود داده کاوی استفاده کنیم برای رسیدن به اهدافمون استفاده کنیم. استخراج دانش از این حجم داده ها، به فرآیندی نیاز داره که به اون فرآیند کشف دانش گفته میشه و شامل 5 مرحله کلیدی هست.

1. جمع آوری داده ها از منابع مختلف و یکپارچه سازی آنها

2. انتخاب و آماده سازی داده ها

3. داده کاوی

4. تفسیر و ارزیابی الگوها

5. ارائه دانش

توی مطالب بعدی اگر عمری باقی بود سعی می کنم با یک نمونه از داده هایی که در حوزه خرید شارژ و بسته های اینترنتی هست این 5 مرحله رو با هم تجربه کنیم و ببینیم به چه دانش هایی می تونیم برسیم. البته داده کاوی در حوزه های مختلفی مثل شبکه ای اجتماعی ، بانکداری ، هوش تجاری، بیوانفورماتیک ، فروش و ... کاربرد داره اما داده هایی که من بیشتر باهاشون آشنا هستم در حوزه فروش هست برای همین این سمپل رو توی این حوزه انتخاب کردم.