در جهان امروز ، داده های کسب و کارها ، روز به روز در حال افزایش هستند و هر ماه یا سالانه حجم زیادی اطلاعات جدید به آنها اضافه می شود که همین امر ذخیره سازی و آنالیز آنها در بلندمدت را با دشواری هایی همراه می نماید. طبق مقالات ارائه شده در forbes طی سال قبل میلادی ، در هر ثانیه حدود 1.7 مگابایت دیتای جدید تولید شده است. و کاملا واضح است که کسب و کارها و سازمان ها در هر لحظه برای دستیابی به اهداف موردنظر خود از داده ها استفاده می کنند. فرآیند های فروش ، زنجیره تامین ، تبلیغات ، ارتباط با مشتریان و.. همه درگیر با تحلیل داده ها هستند و در حقیقت باید گفت بدون آنالیز داده ها نمی توان انتظار داشت که هریک از این فرآیندها موفقیت آمیز اجرا شوند.
به طور کلی تجزیه تحلیل داده ها به ویژه در سطح کلان داده را شامل می شود که در جهت استخراج اطلاعات کلیدی و پاسخ به سوالات و ابهامات مورد استفاده قرار می گیرد و دارای تکنیک ها و روش های متعددی می باشد.
فرایند تجزیه و تحلیل داده ها دارای اجزای مختلفی است که می تواند به انواع کسب و کارها کمک کند.
تجزیه و تحلیل داده ها (DA) فرایند بررسی مجموعه داده به منظور یافتن روندها و نتیجه گیری در مورد اطلاعات آنها است. آنالیز داده ها به طور فزاینده ای با کمک سیستم ها و نرم افزارهای تخصصی مورد استفاده قرار می گیرد. فن آوری ها و تکنیک های تجزیه و تحلیل داده ها به طور گسترده ای در صنایع تجاری مورد استفاده قرار می گیرد تا سازمان ها بتوانند تصمیمات تجاری آگاهانه تری بگیرند. همچنین از دانشمندان و محققان برای تأیید یا رد مدل ها ، نظریه ها و فرضیه های علمی استفاده می شود.
به عنوان یک اصطلاح ، آنالیز داده ها عمدتا به مجموعه ای از برنامه ها ، از هوش تجاری (BI) ، گزارش دهی و پردازش تحلیلی آنلاین (OLAP) تا اشکال مختلف تجزیه و تحلیل پیشرفته اشاره دارد و از نظر ماهیت مشابه تجزیه و تحلیل کسب و کار است.
انالیز داده ها می تواند به مشاغل کمک کند تا درآمد خود را افزایش دهند ، کارایی عملیات را بهبود بخشند ، کمپین های بازاریابی را بهینه کنند و خدمات بهتری به مشتریان ارائه دهند. همچنین می تواند برای پاسخ سریع به روندهای نوظهور بازار و کسب مزیت رقابتی نسبت به رقبا استفاده شود. با این حال ، هدف نهایی آنالیز داده ها ، افزایش عملکرد کسب و کار است. بسته به کاربرد خاص ، داده های تحت آنالیز می تواند شامل سوابق تاریخی یا اطلاعات جدیدی باشد که برای تجزیه و تحلیل در زمان حال پردازش شده اند. علاوه بر این ، می تواند از ترکیبی از سیستم های داخلی و منابع داده خارجی باشند.
در سطح بالا ، روش های آنالیز داده ها شامل تجزیه و تحلیل داده های اکتشافی (EDA) و تجزیه و تحلیل داده های تأییدی (CDA) است. EDAقصد دارد الگوها و روابط را در داده ها بیابد ، در حالی که CDA از تکنیک های آماری برای تعیین درست یا نادرست فرضیه های مجموعه داده استفاده می کند. EDAاغلب با کار کارآگاهی مقایسه می شود ، در حالی که CDA شبیه کار قاضی یا هیئت منصفه در طول محاکمه است - تمایزی که اولین بار توسط جان W. Tukey در کتاب تجزیه و تحلیل داده های اکتشافی در سال 1977 بیان شد.
آنالیز داده ها همچنین می تواند به تجزیه و تحلیل داده های کمی و تجزیه و تحلیل داده های کیفی تقسیم شود. مورد اول شامل تجزیه و تحلیل داده های عددی با متغیرهای قابل اندازه گیری است. این متغیرها را می توان از نظر آماری مقایسه یا اندازه گیری کرد. رویکرد کیفی بیشتر تفسیری است-بر درک محتوای داده های غیر عددی مانند متن ، تصاویر ، صدا و تصویر ، عبارات رایج ، موضوعات و دیدگاه ها متمرکز است.
در سطح برنامه کاربردی ، BI و گزارش اطلاعات مفیدی در مورد شاخص های کلیدی عملکرد ، عملیات تجاری ، مشتریان و سایر موارد به مدیران تجاری و کارگران شرکت ارائه می دهد. در گذشته ، درخواستها و گزارشهای داده معمولاً توسط توسعه دهندگان BI که در حوزه آی تی کار می کردند برای کاربران نهایی ایجاد می شد. در حال حاضر ، سازمانهای بیشتری از ابزارهای سلف سرویس BI استفاده می کنند که به مدیران ، تحلیلگران کسب و کار و کارگران عملیاتی اجازه می دهد تا درخواستهای اختصاصی خود را اجرا کرده و خود گزارش تهیه کنند.
یک روش پیشرفته از تجزیه و تحلیل داده ها شامل داده کاوی است که شامل مرتب سازی بین مجموعه داده های بزرگ برای شناسایی روندها ، الگوها و روابط است. روش دیگر تحلیلی پیش بینی کننده نامیده می شود که به دنبال پیش بینی رفتار مشتری ، خرابی تجهیزات و سایر رویدادهای آینده است. یادگیری ماشین همچنین می تواند برای تجزیه و تحلیل داده ها استفاده شود ، با استفاده از الگوریتم های خودکار برای آنالیز سریعتر مجموعه داده ها نسبت به متخصصین علوم داده از طریق مدل سازی تحلیلی معمولی. تجزیه و تحلیل داده های بزرگ از داده کاوی ، تجزیه و تحلیل پیش بینی و ابزارهای یادگیری ماشین استفاده می کند. متن کاوی وسیله ای برای تجزیه و تحلیل اسناد ، ایمیل ها و سایر محتوای مبتنی بر متن است.
تجزیه و تحلیل داده ها از طیف گسترده ای از فرآیند های تجاری پشتیبانی می کند. به عنوان مثال ، بانک ها و شرکت های کارت اعتباری ، الگوهای برداشت و پراخت را برای جلوگیری از کلاهبرداری و سرقت هویت آنالیز می کنند. شرکتهای تجارت الکترونیک و ارائه دهندگان خدمات بازاریابی از تجزیه و تحلیل کلیک ها ، برای شناسایی بازدیدکنندگان وب سایت که احتمالاً محصول یا خدمات خاصی را خریداری می کنند ، استفاده می کنند. سازمان های بهداشتی داده های بیماران را برای ارزیابی اثربخشی درمان سرطان و سایر بیماری ها استخراج می کنند. اپراتورهای شبکه تلفن همراه نیز داده های مشتریان را برای پیش بینی بررسی می کنند که به شرکت های تلفن همراه اجازه می دهد تا اقدامات لازم را برای جلوگیری از عقب افتادن از رقبای خود انجام دهند. برای افزایش تلاش های مدیریت ارتباط با مشتری ، سایر شرکت ها نیز می توانند در تجزیه و تحلیل CRM مشارکت کنند تا مشتریان را برای کمپین های بازاریابی تقسیم بندی و اطلاعات فوق العاده ای را از رفتار مشتریان بدست آورند.
منبع: اینگرو
