https://virgool.io/feed/@Analica نگرش های نوین برای حل مسائل دنیای واقعی در حوزه‌های روش‌های تحلیلی کسب‌وکار، هوش تجاری، داده‌کاوی، مدیریت عملیات و تصمیم‌گیری. Website:http://analica.ir/ fa 2026-06-17 03:12:26 https://files.virgool.io/upload/users/1536/avatar/8MleDS.png?height=120&width=120 https://virgool.io/@Analica https://virgool.io/@Analica/%D9%85%D8%AF%D9%84-ice-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%A7%D9%88%D9%84%D9%88%DB%8C%D8%AA-%D8%A8%D9%86%D8%AF%DB%8C-%D9%BE%D8%B1%D9%88%DA%98%D9%87-%D9%87%D8%A7%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-cda3tfjmq8pi ازآنجاکه حوزه علم داده (Data Science) یک حوزه کاربردی جدید محسوب می‌شود، اجرای پروژه‌های داده معمولاً با عدم قطعیت‌های زیادی همراه است. یکی از شرایطی که ممکن است تیم‌های داده با آن مواجه شوند، وجود ایده‌های مختلف در داخل شرکت برای پیاده‌سازی است.برای مثال، تیم عملیات پیشنهاد می‌دهد یک مدل ریاضی برای پیش‌بینی تقاضای ماهیانه محصولات شرکت ساخته و پیاده‌سازی شود. یا تیم داده اخیراً متوجه ثبت داده‌های غیرعادی در پایگاه داده می‌شود، لذا پروژه‌ای جهت ارزیابی کیفیت داده پیشنهاد می‌گردد. و یا تیم بازاریابی پیشنهاد پیاده‌سازی یک سامانه را به‌منظور جمع‌آوری و تحلیل داده‌های قیمت‌های محصولات رقیب ارائه می‌کند. هرکدام از این پروژه‌ها منابع محدود تیم داده شرکت را می‌تواند به سمت‌وسوی متفاوتی ببرد.در شرکت‌های داده‌محور، اغلب پیش می‌آید تیم داده در وضعیتی قرار می‌گیرد که حجم تقاضاهای زیادی را باید پاسخ دهد و مدیر دپارتمان داده باید تصمیم بگیرد چگونه منابع محدود گروه خود را به پروژه‌های مختلف تخصیص دهد. رویکردی که من معمولاً برای قضاوت درباره اولویت‌بندی پروژه‌های داده استفاده می‌کنم، نمره‌دهی بر مبنای مدل ICE است.مدل ICE یک روش سریع و ساده برای اولویت‌بندی است که بر اساس سه معیار تأثیر (Impact)، اطمینان (Confidence) و سادگی (Ease) به هر پروژه یا ایده یک نمره بین ۱ (کمترین) تا ۱۰ (بیشترین) می‌دهد. این نمرات بر اساس قضاوت افراد تخصیص می‌یابد.ICE = Impact × Confidence × Easeتأثیر، نشان می‌دهد در صورت تحقق ایده یا پروژه شاخص‌های کلیدی چقدر بهتر می‌شوند. شاخص‌های کلیدی ممکن است از روش‌های مدیریت پروژه مانند OKRs به دست آمده باشند.اطمینان، اندازه‌گیری می‌کند چقدر درباره تأثیر آن ایده یا پروژه مطمئن هستید.سادگی، درباره میزان راحتی پیاده‌سازی ایده و یا پروژه است.این روش کمک می‌کند مدیر ارشد تیم داده به‌تنهایی یا به همراه سایر ذینفعان در جلسات طوفان فکری (Brainstorming)، ایده‌ها را در سه معیار بالا به‌صورت کمی ارزیابی کنند. درنهایت برای هر ایده این سه عدد در یکدیگر ضرب می‌شوند و حاصل عددی بین ۱ تا ۱۰۰۰ است. به‌این‌ترتیب مدل ICE معیاری به دست می‌دهد که ایده‌ها را باهم مقایسه ‌کنیم و آن‌هایی را که نمره بالاتری دارند در اولویت بیش‌تری برای تخصیص منابع و اجرا قرار دهیم.من از این روش برای اولویت‌بندی پروژه‌های داده زیاد استفاده می‌کنم. باید توجه کرد مدل ICE درنهایت یک رویکرد قضاوتی است ولی کمک می‌کند شهود و دانش ضمنی خود را درباره ایده‌های محصولات داده‌محور یا پروژه‌های علم داده به شکل روشمندی ارزیابی کنید. همچنین به شما به‌عنوان مدیر تیم داده کمک می‌کند تا دائماً بر اساس این معیارها با تیم خود و یا سایر ذینفعان در شرکت، گفتگو کنید و از آنان بازخورد بگیرید.درنهایت اینکه چون شما با استفاده از مدل ICE، چارچوب فکری منسجمی برای ارزیابی ایده‌ها پیدا می‌کنید و در سمت دیگر نتایج فعالیت‌های اجرایی‌تان را می‌بینید، به‌ مرور زمان در شما یادگیری دوحلقه‌ای ایجاد می‌شود و فرد خبره‌تری در ارزیابی ایده‌ها بر اساس این معیارها می‌شوید.پیشنهاد مطالعه:ساختار شکست کار (WBS) و کاربرد آن در پروژه‌های داده چیست؟ماتریس واگذاری مسئولیت (RACI) و اهمیت آن در پروژه‌های داده چیست؟ آنالیکا آنالیکا Fri, 22 Jul 2022 19:25:07 +0430 https://virgool.io/@Analica/%D8%AD%D8%A7%DA%A9%D9%85%DB%8C%D8%AA-%D8%AF%D8%A7%D8%AF%D9%87-data-governance-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%D8%B1%D8%A7-%D8%A7%D9%87%D9%85%DB%8C%D8%AA-%D8%AF%D8%A7%D8%B1%D8%AF-otqrqvh6mbjm حاکمیت داده مجموعه‌ای از مفاهیم، اصول و قواعد، فرآیندها و ابزارهایی است که به دنبال اطمینان از کیفیت، سازگاری، امنیت و قابل‌استفاده بودن داده‌هایی است که توسط سازمان جمع‌آوری می‌گردد. مباحث حاکمیت داده در تمام چرخه عمر داده از زمانی که ایجاد یا جمع‌آوری می‌گردد تا زمانی که نابود یا آرشیو می‌شود، موضوعیت دارند.در طول چرخه عمر داده، وظیفه حاکمیت داده آن است که داده‌های باکیفیت بالا و سازگار با یکدیگر را به‌راحتی در دسترس همه ذینفعان قرار دهد تا منجر به خروجی‌های مطلوب کسب‌و‌کار شود. علاوه بر این باید اطمینان یابد که داده به نحوی استفاده می‌شود که منطبق بر قوانین و چارچوب‌های اخلاقی رایج در آن سازمان، صنعت و کشور است. ضمن آنکه مباحث مربوط به امنیت داده شامل تعریف دسترسی‌ها متناسب با نقش افراد، نظارت بر دسترسی و اطمینان از هماهنگی با مقررات در نظر گرفته شود.یکی از مواردی که در پروژه‌های داده زیاد  با آن مواجه شده‌ام، عدم اطمینان از صحت داده‌هاست. در شرایطی که لایه‌های مختلف سازمان به داده‌ها اطمینان ندارند، عملاً فضایی شکل می‌گیرد که پیشبرد پروژه‌های داده به‌سختی ممکن است. هدف اصلی حاکمیت داده ایجاد این اطمینان است که داده‌ها بتوانند مبنای تصمیم‌گیری باشند، برای ارزیابی عملکرد فرآیندها و افراد بکار بروند و منجر به ایجاد شهودی شوند که برای کسب‌وکار خلق ارزش کند.اصول حاکمیت داده صرف‌نظر از حجم داده یکسان است، گرچه حجم داده ممکن است ابزارهای متفاوتی را برای مدیریت داده طلب کند. بنابراین مقوله حاکمیت داده صرفاً برای شرکت‌های بزرگ با حجم بالا و منابع متنوع داده مطرح نیست و برای شرکت‌های کوچک و متوسط هم موضوعیت دارد.چرا حاکمیت داده اهمیت روزافزون پیدا کرده است؟تحولات فن‌آوری چند دهه گذشته، استفاده از رویکردهای داده‌محور را برای سازمان‌های ایرانی جذاب کرده است. سه عامل اصلی در این تحول نقش بازی کرده‌اند. اول، پیشرفت فنّاوری باعث شده حجم انبوهی از داده تولید شود. گسترش استفاده از دستگاه‌های کارت‌خوان‌ الکترونیکی در فروشگا‌ه‌ها، تجارت و تبلیغات در فضای اینترنت، عضویت در شبکه‌های اجتماعی و بهره‌گیری از انواع دستگاه‌های الکترونیکی شخصی مانند گوشی‌های هوشمند، دستگاه‌های بارکد خوان، پرداخت الکترونیک، دوربین‌های مداربسته و مانند آن حجم انبوهی از داده را تولید کرده است. دوم، افزایش توان سخت‌افزاری برای ذخیره‌سازی این حجم از داده‌ها با قیمت‌های نسبتاً پایین ممکن شده است. سوم، توسعه و پیشرفت روش‌های محاسباتی و الگوریتم‌ها برای تجزیه‌وتحلیل داده‌های با حجم بالاست.گرچه پرداختن به جنبه‌های مثبت این تحولات اهمیت دارد و من در مقالات متعددی در آنالیکا، فواید رویکردهای داده‌محور را شرح می‌دهم، جنبه‌های نگران‌کننده این تحولات هم اهمیت دارد.برای نمونه در مقاله‌ دیگری در آنالیکا تحت عنوان “اعتماد مشتریان قابل خریدن نیست: نگاهی به امنیت اطلاعات در فضای مجازی”، به اتفاق تیرماه سال ۱۳۹۵ که در آن انتشار اطلاعات خصوصی مشترکان یکی از اپراتورهای کشور خبرساز شد، پرداختم. البته مسئله امنیت اطلاعات و چالش‌های آن تنها محدود به ایران نیست. برای مثال، مقاله‌ای در مجله کسب‌وکار هاروارد (Harvard Business Review) در سال ۲۰۱۷، اشاره کرده است ۷۰ درصد کارکنان سازمان‌ها به داده‌هایی دسترسی دارند که نباید داشته باشند.از سمت دیگر، با ترویج رویکردهای تصمیم‌گیری داده‌محور در شرکت‌ها، عده بیشتری تقاضای دسترسی به داده دارند که بر پیچیدگی ساماندهی نحوه دسترسی افراد به داده‌ها افزوده است.مسئله دیگر آن است که امروزه سازمان‌ها پیچیده‌تر شده‌اند. اغلب، واحدهای مختلف کسب‌و‌کار در داخل یک شرکت به وجود می‌آیند که ممکن است داده‌های مازاد و ناهماهنگ باهم تولید کنند. مثالی از چنین حالتی را ممکن است تجربه کرده باشید. به‌عنوان مشتری یک شرکت از یک خدمت آن استفاده می‌کنید ولی درعین‌حال پیامک‌های تبلیغاتی برای فروش آن خدمت دریافت می‌کنید. نمونه‌ای که برای من چندین بار پیش آمده است که به‌عنوان استاد یک دوره آموزشی از سمت موسسه برگزارکننده دعوت به ثبت‌نام در کلاس‌ها شدم. علت وقوع چنین امری هماهنگ نبودن داده‌های تیم بازاریابی با تیم عملیاتی شرکت است. وقتی این دو گروه از کار یکدیگر خبر نداشته باشند، منجر به چنین اتفاقی می‌شود.یکی دیگر از مصداق‌های پیچیده شدن سازمان‌ها ادغام و خرید (Mergers and Acquisitions) شرکت‌ها است که در هلدینگ‌ها و شرکت‌های بزرگ دشواری زیادی در مدیریت داده ایجاد می‌کند. معمولاً در چنین حالت‌هایی هر شرکت، با نگرش خود موجودیت‌های اساسی کسب‌وکار (Business Entities) نظیر مشتری، محصول، مکان و کارکنان را تعریف و کدگذاری می‌کند. به‌این‌ترتیب در عمل، با شرایطی مواجه هستیم که در آن سیستم‌ها و فرآیندهای هر شرکت با تعریف مختص به خود و نه یک تعریف فرابخشی در سطح هلدینگ، موجودیت‌ها را مدیریت می‌نمایند. چنین رویکردی سازمان‌های بزرگ را با چالش‌های جدی در اشتراک‌گذاری و یکپارچه‌سازی داده مواجه می‌کند که منجر به افزایش ریسک و هزینه‌های عملیاتی و ارائه گزارش‌های متناقض و غیرقابل‌اعتماد از کسب‌وکار می‌کند.در سمت دیگر، مسئله آماده‌سازی داده‌ها (Data Preparation) در سطحی است که برای پردازش و تحلیل نهایی آمده شوند. در پروژه‌های داده این مسئله می‌تواند تا ۸۰ درصد زمان پروژه را به خود تخصیص دهد. یکی از گلوگاه‌های بسیاری از پروژه‌های داده اطمینان از کیفیت، سازگاری و قابل‌اعتماد بودن داده‌ها است.این‌ها نمونه‌هایی است که نشان می‌دهد مدیران ارشد سازمان‌ها ضمن تلاش در جهت استفاده از داده‌ها برای خلق ارزش در کسب‌و‌کار باید به ایجاد زیرساخت‌های حاکمیت داده توجه کنند.پیشنهاد مطالعه:“مقدمه‌ای بر مفاهیم کیفیت داده” آنالیکا آنالیکا Fri, 22 Jul 2022 19:24:37 +0430 https://virgool.io/@Analica/%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D8%B4%DA%A9%D8%A7%D8%B1%DA%86%DB%8C-%D8%AF%D8%B1-%D9%81%D8%B1%D9%88%D8%B4%DA%AF%D8%A7%D9%87-%DA%86%D8%B1%D8%A7-%D8%B3%D9%86%D8%AC%D8%B4-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%B1%D9%81%D8%AA%D8%A7%D8%B1-%D9%85%D8%B5%D8%B1%D9%81-%DA%A9%D9%86%D9%86%D8%AF%DA%AF%D8%A7%D9%86-%D8%AF%D8%B4%D9%88%D8%A7%D8%B1-%D8%A7%D8%B3%D8%AA-kirqqegisms1 بنجامین فرانکلین در پاسخ به درخواست کمک یکی از دوستان خود در انگلیس که یک پیشنهاد کار دریافت کرده بود، اما دربارۀ قبول آن تردید داشت، روشی برای تصمیم‌گیری به او پیشنهاد داد که امروزه به روش "لیست کردن مزایا و معایب" شناخته می‌شود.بر اساس توصیۀ فرانکلین، فرد باید بر روی یک‌تکه ‌کاغذ دو لیست موازی، یکی برای مزایا و دیگری برای معایب، تشکیل دهد. سپس طی چندین روز باید مزایا و هزینه‌های تصمیم را لیست و تلاش کند که عدد یا وزنی را برای درجۀ اهمیت هر مورد تعیین کند. درنهایت، فرد می‌تواند وزن‌های مزایا در مقابل معایب را جمع بزند و به جواب برسد.از زمانی که علم اقتصاد و بازاریابی توسعه یافت، یکی از دغدغه‌های اصلی محققان پرداختن به این پرسش بود که مصرف‌کنندگان چگونه دربارۀ خرید کالاها و خدمات تصمیم‌ می‌گیرند. شاید جای شگفتی نباشد که پیش‌فرض اولیۀ آن‌ها این بود که افراد نسخه‌ای از محاسبات مزایا یا معایب بنجامین فرانکلین را در ذهن خود اجرا می‌کنند. درحالی‌که ممکن است این دیدگاه رویکردی ایدئال و تحسین‌برانگیز باشد، مصرف‌کنندگان به‌ندرت در این محاسبات عقلانی محض درگیر می‌شوند.کافی است به رفتار مصرف خودمان نگاه کنیم. در اغلب تصمیمات خرید روزانه، تجزیه‌وتحلیل‌های دقیق و کاملاً عقلانی برای ما بسیار زمان‌بر و خسته‌کننده است. اگر ما همۀ تصمیمات خرید خود را به‌صورت منطقی انجام می‌دادیم، به‌ندرت غذاهای ناسالم را خریداری می‌کردیم و یا احتمالاً خرید ملزومات هفتگی ما ساعت‌ها طول می‌کشید؛ زیرا سعی می‌کردیم تمام متغیرها مانند قیمت، ترکیب مواد اولیه، حجم و موارد مشابه را برای هر قلم جنس در ذهن خود بررسی کنیم.مطالعات و تحقیقات رفتار مصرف‌کننده به‌خوبی مستند کرده‌اند کهخریدهای ما اغلب از احساساتی که زودگذرند یا به شکل مبهم از آن‌ها آگاهیم، تأثیر می‌پذیرند.بیشتر افراد نمی‌توانند به‌طور دقیق گسترۀ معانی و ارتباطات ذهنی را که هر برند برای آن‌ها دارد، توصیف کنند. باوجوداین، شبکه‌ای غنی از این نوع معانی در ذهن آن‌ها وجود دارد.افراد اغلب قادر نیستند به‌طور دقیق توضیح دهند که چرا چیزی را خریداری کرده‌اند.مطالعات اقتصاد رفتاری (Behavioral Economics) و رفتار مصرف‌کننده نشان داده است که انسان‌ها از میان‌بُرهای ذهنی ناخودآگاه (Heuristics) به همان میزان رویکرد عقلانی می‌توانند متقاعد شوند. میانبرهای ذهنی به معنای روش‌های سرانگشتی و کوتاه هستند که ذهن از آ‌ن‌ها برای حل مسائل در سریع‌ترین زمان و با صرف کمترین هزینه و انرژی استفاده می‌کند.نیرویی که توسعۀ مغز ما را شکل داد، تلاش روزمره برای بقا در زمین‌های هموار آفریقای شرقی در طی هزاره‌ها بوده است و نه تفکر پیچیدۀ انتزاعی در محیط‌های شهری دارای فناوری پیشرفتۀ قرن بیست‌ویک. زنده ماندن نیروی محرک اصلی پشت تکامل مغز بود؛ جست‌وجوی غذا و دوری از مرگ براثر گرسنگی یا حملۀ حیوانات وحشی. در طول زمان، مغز نیاکان ما میان‌بُرهایی را برای تفکر توسعه دادند تا انرژی را ذخیره کنند. ازآنجاکه هیچ‌چیز نمی‌توانست در مغز ما به‌اندازۀ تفکر خودآگاه و عقلانی و تأمل گرا انرژی مصرف کند، ما به‌نوعی روش تفکر "کم‌مصرف" نیاز داشتیم. به همین ترتیب، در شرایط تهدید احتمالی، اگر نیاکان شکارچی ما می‌خواستند زمان خود را صرف این موضوع کنند که حرکتی که در گوشه‌ای از چشمشان دیده بودند، احتمالاً حرکت یک شیر بوده است و به‌صورت آگاهانه و عقلانی آن را با روش پیشنهادی بنجامین فرانکلین وزن دهی کنند، برای مدت طولانی زنده نمی‌ماندند.غیرعقلانی به معنای احمقانه نیستاگرچه بسیاری از فرهنگ‌ها عقلانیت را تشویق می‌کنند، توصیف رفتار مصرف‌کننده به‌عنوان غیرعقلانی به معنای نکوهش کردنِ آن یا ادعای غیرهوشمندانه بودنِ آن نیست. ذهن‌ ناخودآگاه ما سیستم‌ به‌شدت پیچیده‌ای است که طی میلیون‌ها سال تکامل یافته است. ذهن ناخودآگاه ما نه‌تنها به شکل معجزه‌آسایی در ادارۀ فعالیت‌های روزمرۀ ما کارآمد است، بلکه ذهن خودآگاه ما را برای آنچه در آن بهترین است، آزاد می‌کند؛ برای یادگیری دقیق‌تر و برنامه‌ریزی برای آینده.به‌این‌ترتیب در رویکردهای مدرن‌تر به رفتار مصرف‌کننده در کنار سنجش تصمیمات خودآگاه و عقلانی، سنجش بخش‌های ناخودآگاه و غیرعقلانی نیز اهمیت می‌یابد.رمزگشایی از مصرف‌کنندۀ غیرعقلانی چگونه می‌تواند میسر شود؟بنابراین، پرسش مهم این است که اگر روش‌های سنتی اغلب در رمزگشایی رفتار غیرعقلانی ما ناکافی هستند، چگونه می‌توانیم از نیروهایی که به رفتار مصرف‌کنندگان جهت می‌دهند، پرده برداریم؟برای پاسخ به این دغدغه، امروزه در تحقیقات حوزه رفتار مصرف‌کننده دو رویکرد عمده پیگیری می‌شود:اول، نظریه‌هایی که زیربنای رفتار غیرعقلانی مصرف‌کننده را تشکیل می‌دهند. برای این منظور، داشتن یک رویکرد چنددانشی در حوزه‌های عصب‌شناختی، روان‌شناسی و جمعیت‌شناختی به‌همراه حوزه‌های جدید اقتصاد رفتاری، اقتصاد عصبی و بازاریابی عصبی (Neuro Marketing) می‌تواند مفید باشد. هریک از این حوزه‌ها بینش‌های مفیدی دارد که در مطالعۀ ناخودآگاه مصرف‌کنندگان می‌تواند به ما کمک کند.دوم، استفاده از روش‌های جدید در تحقیقات مصرف‌کننده است. ازآنجاکه انسان همیشه نمی‌توانند انگیزۀ اصلی رفتارها یا علایق خود را به‌درستی بیان کنند، باید رفتارها و سیگنال‌هایی را که بدن و مغز او از خود بروز می‌دهند، مطالعه کنیم تا عوامل انگیزانندۀ آن‌ها را به‌صورت غیرمستقیم شناسایی کنیم.درصورت علاقه می توانید این مقاله را به صورت کامل در آنالیکا مطالعه کنید. در نسخه کامل مقاله نقاط ضعف روش‌های سنتی تحقیقات بازار به طور مفصل بحث شده است: https://analica.ir/consumer-behavior-data/ این مقاله، بر مبنای بخش‌هایی از کتاب "رمزگشایی ذهن مصرف‌کنندۀ غیرعقلانی: چگونه از بازاریابی عصبی برای خلق، اجرا و توسعۀ بینش استفاده کنیم؟" است که به‌تازگی توسط انتشارات دانشگاه تهران با ترجمه دکتر رزا هندیجانی و دکتر فرزاد مینوئی منتشر شده است.در صورت علاقه، می‌توانید برای خرید این کتاب از طریق لینک‌های زیر اقدام کنید:فروشگاه کتاب الکترونیکی فیدیبوموسسه انتشارات دانشگاه تهران آنالیکا آنالیکا Sat, 28 Aug 2021 02:11:47 +0430 https://virgool.io/@Analica/%D8%AF%D8%B1%D8%A8%D8%A7%D8%B1%D9%87-%D8%A7%D9%BE-faceapp-mhnwahovmxw0 اخیرا تب اپلیکیشنی با نام FaceApp در ایران و کشورهای دیگر بالا گرفته است. این اپلیکیشن تصویر صورت شما را از طریق گوشی تلفن همراه تان می گیرد و برای شما به شکل بسیار واقع گرانه ای تصویر پیری تان را به نمایش در می آورد. من در جایی بودم و هیجان افراد را می دیدم از این که چگونه از دیدن تصویر آینده شان لذت می بردند.من اکیدا توصیه می کنم نسبت به استفاده از این اپلیکیشن ها احتیاط را رعایت کنید. معمولا اپ هایی این چنین که به شکل هایپ در بین افراد گسترده می شوند، هدف جمع آوری داده برای ابزارهای هوش مصنوعی را دارند. این یک تکنیک متداول برای جمع آوری انبوه اطلاعات در زمان کوتاه است.اما مسئله این جاست روشن نیست که این اپ ها از داده های شما چگونه استفاده می کنند.نمونه آن استفاده کمبریج آنالتیکا در آمریکا از اطلاعاتی بود که یک اپ سرگرمی تست روان شناسی در فیسبوک ایجاد کرد. در مورد این کیس، من سال گذشته مقاله ای نوشتم و مسئله را توضیح دادم:https://dataio.ir/%D9%85%D8%A7%D8%AC%D8%B1%D8%A7%DB%8C-%D8%A7%D8%AE%DB%8C%D8%B1-%D8%AF%D8%B1%D8%B2-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D9%81%DB%8C%D8%B3%D8%A8%D9%88%DA%A9-%DA%86%DB%8C%D8%B3%D8%AA-ffhs6dueijbeهمین دیروز (26 تیرماه 98) در آمریکا نسبت به اپ FaceApp (که در روسیه توسعه یافته) هشدار دادند و حتی بحث های مرتبط با امنیت ملی درباره آن صورت گرفته است. در لینک زیر نمونه ای از آن را می توانید ببینید:https://www.npr.org/2019/07/17/742910309/democrats-issue-warnings-against-viral-russia-based-face-morphing-app?توجه کنید استفاده از بازی و سرگرمی یکی از روش های کارآمد برای جمع آوری داده های در فضای آنلاین است. مراقب باشید اطلاعات بیولوژیک و روان شناختی خودتان را به راحتی فاش نکنید. آنالیکا آنالیکا Thu, 18 Jul 2019 12:38:10 +0430 https://virgool.io/@Analica/%D8%AF%D8%A7%D8%AF%D9%87%D9%87%D8%A7%DB%8C-%D8%A8%D8%A7%D8%B2-%DA%86%DB%8C%D8%B3%D8%AA-ktygip22tvil مفهوم داده‌های باز (Open Data) مبتنی بر این ایده است که برخی از داده‌ها باید به‌صورت رایگان در اختیار همه قرار گیرد تا بتوانند آن را آن‌گونه که می‌خواهند استفاده، باز استفاده و منتشر کنند، بدون آنکه با محدودیت حق نشر (Copyright)، حق اختراع (Patent) و یا سایر محدودیت‌ها مواجه شوند.در تعریف بالا سه جنبه مهم پررنگ شده است:دسترسی: داده باید با هزینه معقول و به‌سادگی در دسترسی باشد؛ در بهترین حالت از طریق بارگیری کردن از اینترنت بتوان آن را به دست آورد. همچنین داده باید به‌گونه‌ای ارائه شود که بتوان در آن تغییراتی ایجاد کرد.باز استفاده و بازنشر: داده باید تحت شرایطی منتشر شود که به افراد اجازه دهد آن را به شکل دلخواه استفاده و یا بازنشر کنند و یا بتوانند با سایر پایگاه‌های داده ترکیب کنند.مشارکت همگانی: داده‌ها باید برای همه گروه‌ها و هر تلاشی در هر حوزه‌ای آزاد باشند. برای مثال، نباید حق دسترسی تنها محدود به فعالیت‌های غیرتجاری (Non-commercial) باشد؛ به این معنی که استفاده تجاری از داده‌ها محدود شود. و یا نباید استفاده از داده‌ها تنها برای اهداف خاصی مانند اهداف آموزشی آزاد باشد.اخیراً وب‌سایت دیوار، داده‌های مربوط به 1 میلیون آگهی منتشرشده در این پلتفرم را به‌صورت آزاد منتشر کرده است. شهرداری تهران نیز از نسخه اول پلتفرم داده‌های باز خود با عنوان سامانه داده‌نمای تهران پرده‌برداری کرده است.به همین بهانه در مقاله کوتاهی که لینک آن در زیر آمده است به تعریف مفهوم داده‌های باز و انگیزه‌های حرکت به این سمت نوشتم: https://analica.ir/intro-open-data/ آنالیکا آنالیکا Fri, 08 Mar 2019 10:34:10 +0330 https://dataio.ir/اگر-می-خواهید-تحلیلگر-داده-شوید-dgvzhijazsus https://www.aparat.com/v/LpH2X هرچه می‌گذرد، R بیشتر به زبان غالب در بین دانشمندان داده تبدیل می‌شود. آر (R) یک زبان برنامه‌نویسی و محیط نرم‌افزاری رایگان است که برای محاسبات آماری و نمایش گرافیکی داده‌ها استفاده می‌شود. کسانی که در حوزه داده‌کاوی (Data Mining)، ماشین‌های یادگیرنده (Machine Learning) و روش‌های تحلیلی کسب‌وکار (Business Analytics) فعال هستند از این نرم‌افزار برای تحلیل‌ داده بهره می‌برند. هرچه می‌گذارد، R بیشتر به زبان غالب در بین دانشمندان داده تبدیل می‌شود. شرکت‌هایی مانند گوگل (Google)، فیس‌بوک (Facebook)، اوبر (Uber) و مایکروسافت (Microsoft) به‌طور گسترده از R استفاده می‌کنند. همین‌طور R  زبان محبوبی در بین دانشگاهیان دنیاست. این زبان برای طیف وسیعی از تحلیل‌های آماری مانند مدل‌سازی‌های خطی و غیرخطی، آزمون‌های آماری، تحلیل داده‌های سری زمانی (Time Series Analysis)، خوشه‌بندی (Clustering)، رده‌بندی (Classification) و مانند این‌ها بکار می‌رود.این نرم‌افزار را می‌توان به شکل رایگان از لینک زیر دریافت کرد:https://www.r-project.org https://maktabkhooneh.org/course/483/%D8%B2%D8%A8%D8%A7%D9%86-R-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%AF%D8%A7%D8%AF%D9%87/?affiliate=fminooei آنالیکا آنالیکا Sun, 24 Feb 2019 22:12:04 +0330 https://virgool.io/@Analica/%D8%B3%D9%88%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AE%D9%88%D8%AF%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8%DB%8C-%DA%86%DB%8C%D8%B3%D8%AA-qwysop500xiz معمولاً اگر شما یک وب‌سایت داشته باشید، گهگاه مشکلاتی برایتان رخ می‌دهد که نیاز دارید برای رفع آن به بخش خدمات مشتریان شرکت میزبان وب مراجعه کنید. من برای وب‌سایتم از خدمات میزبانی شرکتی استفاده می‌کنم که به‌صورت آنلاین می‌توانم با یک کارشناس فنی گفتگو کنم. پس از پایان گفتگو پنجره‌ای باز می‌شود و از من می‌خواهد در صورت تمایل به پرسش‌هایی برای سنجش میزان رضایت از خدمات دریافت شده پاسخ دهم. امروزه شرکت‌های زیادی از چنین سیستم‌هایی برای پایش رضایت مشتریان استفاده می‌کنند.می‌دانیم که همه مشتریان در پایان گفتگو با کارشناس فنی، به سؤالات سنجش رضایت پاسخ نمی‌دهند. آیا ممکن است این موضوع که افراد خود انتخاب می‌کنند به این پرسش‌ها پاسخ دهند، باعث شود نمونه آماری تنها بیانگر نظر بخشی از مشتریان باشد؟ در این صورت تا چه حد داده‌های چنین سیستم‌هایی برای شرکت مذکور مفید هستند؟ تا چه حد شرکت می‌تواند بر اساس تحلیل این داده‌ها از میزان رضایت مشتریانش آگاه شود؟با فراگیرشدن استفاده از اینترنت، انجام تحقیقات بازار نسبت به گذشته ارزان‌تر و آسان‌تر شده است. امروزه بسیاری از شرکت‌های ایرانی به نظرسنجی‌های آنلاین روی آوردند تا دید بهتری از مشتریان به دست آورند. اما باید توجه کرد بسیاری از این نوع نظرسنجی‌ها در معرض سوگیری خودانتخابی (Self-Selection Bias) قرار دارند.به این مثال توجه کنید. اداره گردشگری یک استان اعلام کرده بر اساس مطالعه‌ای که انجام داده است، اغلب گردشگرانی که در دو سال گذشته بیش از یک‌بار به‌قصد تفریح به آن استان سفر کرده‌اند، آن استان را دلپذیر و فوق‌العاده ارزیابی کردند. بنابراین اداره گردشگری آن استان چنین تبلیغ می‌کند که آنجا یکی از بهترین مقاصد گردشگری است. آیا این نتیجه‌گیری درست است؟معمولاً در چنین مطالعاتی برای آنکه ارزیابی کنند جایی مقصد گردشگری خوبی است یا نه، از ابزار نظرسنجی استفاده می‌کنند. احتمالاً در چنین نظرسنجی سؤالات زیر پرسیده می‌شود:در دو سال گذشته چند سفر کاری به استان داشتید؟در دو سال گذشته چند سفر تفریحی (غیر کاری) به استان داشتید؟آیا فکر می‌کنید این استان مقصد دلپذیر و فوق‌العاده‌ای برای اقامت است؟بیاید درباره پاسخ‌دهندگان به چنین نظرسنجی کمی بیشتر فکر کنیم. فرض کنید کسانی که در دو سال گذشته تنها برای سفر کاری به آن استان رفتند، فکر نمی‌کنند آنجا جای دلپذیر و فوق‌العاده‌ای است. در این صورت تنها وقتی مجبور به سفر به آن استان بودند، آنجا نمی‌رفتند. این دسته از افراد در نتیجه‌گیریِ نظرسنجی لحاظ نشده‌اند.فرض کنید کسانی که در دو سال گذشته تنها یک‌بار برای سفر تفریحی به آن استان رفتند، فکر نمی‌کنند آنجا جای دلپذیر و فوق‌العاده‌ای است. احتمالاً به همین دلیل است که دیگر به آنجا سر نزدند. این گروه هم در نتیجه‌گیریِ نظرسنجی لحاظ نشده‌اند.فرض کنید بیشتر کسانی که در دو سال گذشته بیش از یک‌بار برای سفر تفریحی به آن استان رفتند، فکر می‌کنند آنجا جای دلپذیر و فوق‌العاده‌ای است. بالاخره جوابی که دنبالش می‌گشتیم پیدا شد. این همان جوابی است که اداره گردشگری می‌تواند از آن برای تبلیغ استفاده کند و واقعیت هم دارد، ولی تمام واقعیت نیست.سوگیری خودانتخابی زمانی رخ می‌دهد که ما گروه‌های مختلف افراد را که تصمیمات مختلفی گرفتند، با یکدیگر مقایسه کنیم بدون آنکه توجه کنیم “چرا” این تصمیمات را گرفتند.در ادامه این مقاله من مثال‌هایی از بروز خطای خودانتخابی در نظرسنجی‌های سیاسی، رضایت مشتریان، مطالعات مشاهده‌ای و در نهایت نحوه جلوگیری از بروز این خطا می‌آورم.مقاله را بطور کامل در لینک زیر دنبال کنید: https://analica.ir/self-selection-bias/ آنالیکا آنالیکا Sat, 16 Feb 2019 17:37:11 +0330 https://dataio.ir/چگونه-ممکن-است-نمودارها-شما-را-فریب-دهند-ym7jtlgrtuig نمایش گرافیکی داده‌ها در قالب نمودار یکی از ابزارهای مؤثر برای فهم اطلاعات و رسیدن به شهود برای تصمیم‌گیری در فضای کسب‌وکار است. مدیران با نگاه کردن به نمودارها می‌توانند به‌سرعت فهم خوبی از داده‌ها به دست آورند و آن را مبنای تصمیم‌گیری خود قرار دهند. ازاین‌رو نمودارها بسیار موردعلاقه مدیران هستند.ولی نمودارها به همان اندازه که در فهم مسئله می‌توانند مؤثر باشند، به همان اندازه هم می‌توانند گمراه‌کننده باشند. من در مقاله‌ای که آدرس آن در زیر آمده به نکاتی می‌پردازم که هنگام کار با نمودارها اهمیت می‌یابد.یک مدیر داده-محور در مواجهه با یک نمودار، قبل از آنکه به جمع بندی برسد همواره پرسش های زیر را طرح می‌کند:منبع داده‌ها چیست؟آیا داده‌های نشان داده‌شده، نمونه مناسبی از جمعیت موردمطالعه هستند؟آیا مقیاس‌ها به‌درستی انتخاب شده‌اند؟واحد متغیرها چیست؟آیا ممکن است استنباط شما از نمودار تحت تأثیر نحوه نمایش داده قرار گرفته باشد؟آیا داده‌های پنهانی وجود دارند که موردتوجه قرار نگرفته‌اند؟شاخص‌های ارائه‌شده برای پشتیبانی بحث مناسب هستند؟?در مقاله ای که لینک آن در زیر آمده، من نمونه‌هایی را از گزارش‌ها و منابع مختلف داخلی و خارجی جمع‌آوری کرده‌ام که نشان می‌دهد چگونه عدم توجه به موارد بالا ممکن است مخاطب را فریب دهد. https://analica.ir/misleading-graphs/ آنالیکا آنالیکا Mon, 14 Jan 2019 13:24:06 +0330 https://virgool.io/@Analica/the-statistician-who-doubled-nigerias-economy-overnight-m1x916ddonlk دکتر یمی کیل (Yemi Kale) مدیر اداره ملی آمار کشور آفریقایی نیجریهدکتر یمی کیل (Yemi Kale) مدیر اداره ملی آمار کشور آفریقایی نیجریه، پنج سال است که در این مسئولیت است؛ فردی که اکنون در نیجریه بسیار محبوب است. خبرنگار فایننشیال تایمز در دفتر دکتر کیل که گاه و بیگاه برق ندارد، در تاریکی با او مصاحبه می‌کند.تحت مدیریت او جدیدترین گزارش‌ها و آمار اقتصادی نیجریه مربوط به یک ماه پیش و نه یکسال یا چند سال قبل به راحتی در وبسایت این سازمان در دسترس است. مردم نیجریه او را به خاطر اینفوگرافی‌های روشن و شفافی که سازمان متبوعش در شبکه‌های اجتماعی منتشر می‌کند، می‌ستایند، حتی وقتی داده‌ها برای مثال در مورد نرخ بیکاری جوانان ناخوشایند باشد.او خبر یک رسانه‌های جهان شد وقتی که در 2014 اعلام کرد که نیجریه اقتصاد اول آفریقاست! او روش محاسبه جی دی پی کشور را اصلاح کرد تا وضعیت شفاف‌تر و واقع‌بینانه‌تری از اقتصاد نیجریه بدهد، در نتیجه مشخص شد اقتصاد نیجریه 89 درصد بزرگتر از آن چیزی بود که قبلا اندازه‌گیری می‌شد.از اواسط 2014 که قیمت نفت سقوط کرد، او دائما حامل اخبار بدی در مورد اقتصاد بود. اما از همان زمان به بعد وجهه عمومی سازمان ملی آمار و دکتر کیل پیوسته رو به بهبود گذاشت. چرا که در دوران مدیریت او برای اولین بار در تاریخ نیجریه ، داده‌ها نقش مهمی در برنامه‌ریزی اقتصادی و حاکمیتی بازی کردند.دکتر کیل می‌گوید: "در نیجریه برای سال‌ها برنامه‌ریزی‌ها، پروژه‌ها و سیاست‌‌گذاری‌ها کاملا بدون توجه به اعداد و ارقام بود. برای سال‌ها یا کاری به درستی انجام نمی‌شد یا به کل انجام نمی‌شد. این فرهنگ وجود داشت که اگر اعداد با انتظارات حاکمیت جور در نمی‌اید، نباید منتشر شوند. این فرهنگ در حال عوض شدن است."او می‌گوید "جمع‌آوری داده در یک کشور 180 میلیونی که به 250 زبان مختلف صحبت می‌کنند، یک کابوس است. همین بود که مرا به این کار جذب کرد!"در ابتدا قسمت عمده وقت دکتر کیل، صرف قانع کردن نیروهای انسانی سازمان خود شد که برای سال‌ها عادت کرده بودند با بی‌تفاوتی تمام کارشان را انجام دهند. این فرهنگ باعث شده بود افراد به جای آنکه واقعا به روستاهای دورافتاده سفر کنند و آمار واقعی بگیرند، اعداد و ارقام را بسازند.او می‌گوید اکنون خط به خط داده‌هایی را که 4000 پرسنل او گردآوری می‌کنند، خودش چک نهایی می‌کند تا از سلامت داده‌هایی که منتشر می‌کند، اطمینان داشته باشد. دولت قبلی نیجریه با سقوط قیمت‌های نفت، روی خوشی به آمار او نشان نمی‌داد ولی او هربار آمار و داده‌ها را برای دولت ریز به ریز توضیح می‌داد و آنان ناچار به پذیرش بودند و به او هشدار می‌دادند اینبار خلاص شدی ولی اگر دفعه بعد اشتباه کنی، پایان کار توست. با همه این‌ها او به کارش ادامه داد.️در اواخر ماه آگوست بود که دفتر او پیش بینی کرد اقتصاد نیجریه در حال فرو رفتن به بحران اقتصادی است. تجار، سرمایه‌گذاران خارجی و تحلیل‌گران منتظر گزارش‌های او بودند تا متوجه شوند وخامت اوضاع تا چه حدی است. این درحالی بود که شورشیان به مراکز تولید نفت نیجریه حمله کرده بودند و تولید نفت به پایین‌ترین سطح خود در سی ساله گذشته رسیده بود. در میانه آگوست بود که دکتر کیل اعلام کرد ارائه گزارش به تاخیر خواهد افتاد. بسیاری از سرمایه‌گذاران و تحلیل‌گران نگران بودند که دولت جلوی انتشار نتایج را گرفته است. اما دکتر کیل می‌گوید "دلیلش خیلی ساده بود، ما پول کافی برای انجام کارمان را نداشتیم. من فشار آوردم که بودجه بیشتری بدهند، و استدلال کردم همه دنیا منتظر گزارش آگوست اقتصاد نیجریه است تا بفهمد ما دربحران هستیم یا نه. ما تاخیر کردیم ولی بالاخره آمار را منتشر کردیم."امروز تلاش‌های دکتر کیل به وضعیت اقتصاد نیجریه نور تابانده، با تمام دشواری‌ها، حتی با وجود این که خودش در دفترش در تاریکی نشسته است.این گزارش در تاریخ 27 نوامبر 2016 در فایننشیال تایمز منتشر شده است:https://www.ft.com/content/4e5cd834-75ea-11e6-bf48-b372cdb1043a https://analica.ir/ آنالیکا آنالیکا Tue, 03 Jul 2018 09:39:33 +0430 https://virgool.io/@Analica/flaw-of-average-zkdqfrvceu2w ما انسان‌ها علاقه‌مند نیستیم تا تحت شرایط عدم قطعیت، تصمیم‌گیری کنیم. برای رهایی از این بار ذهنی اغلب مدیران تمایل دارند اطلاعات را به ساده‌ترین شکل ممکن دربیاورند و بر مبنای آن تصمیم بگیرند. یکی از تکنیک‌ها برای مواجهه با عدم قطعیت، استفاده از یک عدد برای تخمین متغیرهای تصادفی دخیل در تصمیم‌گیری است. برای این کار معمولاً از میانگین استفاده می‌شود. برآورد مدت زمان یک پروژه، میزان تقاضای یک کالا در ماه آینده و هزینه انبارداری مواردی هستند که مدیران آن را اغلب در قالب یک عدد می‌فهمند و با دیگران مطرح می‌کنند.در بیشتر موارد برنامه‌ریزی‌ها بر مبنای میانگین متغیرها صورت می‌گیرد. اما چرا این روش به‌طور سیستماتیک غلط است و نه‌تنها ریسک تصمیم‌گیری را کاهش نمی‌دهد بلکه بیشتر می‌کند. درواقع به‌طور میانگین، استفاده از میانگین غلط است!فردی با اطمینان خاطر از این‌که عمق آب به‌طور میانگین یک متر است، وارد رودخانه شده است!فرض کنید شما در ساعت ۸ صبح جلسه‌ای در محل کارتان با همکار خود دارید. از تجربه گذشته می‌دانید به‌طور میانگین ۳۰ دقیقه طول می‌کشد تا از منزل به محل کار برسید. پس برنامه‌ریزی می‌کنید که ساعت ۷:۳۰ از منزل خارج ‌شده تا به‌موقع در جلسه حاضر شوید. می‌توان فرض کرد که با احتمال ۵۰ درصد تا قبل از ساعت ۸ به دفتر کار خود می‌رسید و با احتمال ۵۰ درصد کمی بعد از ساعت ۸ به محل کار می‌رسید. برای سادگی فرض کنید، همکار شما نیز شرایط مشابهی را دارد. در این صورت با چه احتمالی جلسه به‌موقع در ساعت ۸ شروع خواهد شد؟برای آنکه جلسه به‌موقع شروع شود هر دو نفر باید قبل از ۸ صبح به جلسه برسند که احتمال آن برابر حاصل‌ضرب احتمال رسیدن هر یک از افراد قبل از ساعت ۸ صبح است؛ یعنی .0.5*0.5پس تنها با احتمال ۲۵ درصد ممکن است این جلسه دونفره به‌موقع تشکیل شود.حال اگر جلسه از پنج نفر که به‌طور میانگین افراد خوش‌قولی هستند تشکیل شده بود، احتمال تشکیل شدن جلسه در سر ساعت ۸ صبح معادل پنج بار ضرب کردن 0.5 یعنی رقمی در حدود %۳ است! به همین دلیل است که جلسات کاری معمولاً هیچ‌گاه به‌موقع شروع نمی‌شوند! این مثال توضیح می‌دهد چرا استفاده از میانگین زمان رسیدن افراد به جلسه برای پیش‌بینی میانگین زمان شروع جلسه صحیح نیست.به‌عنوان مثال دیگر، فرض کنید شما مدیر پروژه توسعه یک نرم‌افزار هستید. توسعه این نرم‌افزار را شش تیم کاری به عهده دارند که به‌صورت موازی کار می‌کنند. برای تخمین مدت‌زمان اتمام پروژه از هر یک از تیم‌های کاری سؤال می‌کنید که می‌توانند در چه مدتی فعالیتشان را تمام کنند. فرض کنید پاسخ تیم اول این است که ما می‌توانیم کار خود را بین سه تا حداکثر نه ماه تمام کنیم. شما اصرار دارید که به یک عدد برسید؛ بنابراین آن‌ها می‌گویند به‌طور متوسط این کار در شش ماه تمام می‌شود. برای سادگی فرض کنید پنج تیم دیگر هم پاسخی مشابه می‌دهند و اعلام می‌کنند به‌طور میانگین فعالیت خود را در شش ماه می‌توانند تمام کنند. آیا می‌توان گفت به‌طور میانگین کل پروژه توسعه محصول در شش ماه تمام خواهد شد؟پاسخ خیر است!!?در مقاله ای که لینک آن در زیر آمده بحث می کنم که چرا وقتی مدیران می‌خواهند پیش‌بینی کنند، اگر به جای توجه به توزیع متغیرهای دخیل در مسئله به دنبال یک عدد باشند، غالباً دچار خطای استفاده از میانگین می‌شوند. خطای استفاده از میانگین توضیح می‌دهد چرا پروژه‌ها غالباً از برنامه زمانی عقب هستند و یا با هزینه تمام‌شده بیشتر از پیش‌بینی به پایان می‌رسند. http://analica.ir/flaw-of-averages/ آنالیکا آنالیکا Tue, 26 Jun 2018 06:44:05 +0430 https://dataio.ir/آیا-با-استفاده-از-تحلیل-کلیدواژههای-جستجوشده-در-گوگل-میتوان-روندهای-تقاضا-را-پیشبینی-کرد-rzsltqmczvvg بنا به آمار سال 2017، روزانه 4.5 میلیارد جستجو در گوگل صورت می‌گیرد. در حال حاضر سهم بازار گوگل از موتورهای جستجو حدود 70 درصد است. نکته جالب دیگر این‌که ایرانیان جزء کاربران اصلی گوگل حساب می‌شوند. طبق آمار ماه فوریه 2017، 3.1 درصد از کاربران موتور جستجوگر گوگل از ایران هستند. به‌این‌ترتیب ایران پس از آمریکا، هند و ژاپن در ردیف چهارم قرار دارد.یک سؤال جالب این است ‌که آیا جستجوهای افراد در اینترنت می‌تواند دلالت‌هایی بر رفتارهای آنان در محیط واقعی داشته باشد؟ اگر چنین باشد تحلیل این جستجوها چه فرصت‌های ارزشمندی برای کسب‌وکارها فراهم می‌کند؟ برای پاسخ به این سؤال به چند مثال می‌پردازم.یکی از مقالات جالب و مهمی که در این حوزه در سال 2013 توسط سه اقتصاددان منتشر شد، نشان داده که رفتارهای دادوستد در بازارهای مالی را می‌توان تا حد خوبی با تحلیل کلیدواژه‌های مربوط به مباحث بازارهای مالی بررسی کرد. آنان نشان دادند که روندهای جستجو در گوگل نه‌تنها وضع فعلی بازارهای مالی بلکه وضعیت آتی آن را نیز منعکس می‌کند.این مطالعه نشان می‌دهد روندها برای فروش دارایی‌های مالی در قیمت‌های پایین با یک دوره نگرانی آغاز می‌شود. در این دوره افراد شروع به جستجوی اطلاعات در مورد وضعیت بازارهای مالی می‌کنند به همین دلیل حجم جستجوها در گوگل کمی قبل از سقوط قیمت‌ها افزایش می‌یابد. به‌طور مشخص کمی قبل از سقوط قیمت‌ها در بحران مالی 2008 امریکا، حجم جستجو افزایش چشم‌گیری داشته است. نویسندگان این مقاله یک استراتژی معاملاتی براساس روند جستجوی گوگل برای کلیدواژه "بدهی" طراحی کردند. نتیجه این بود که اگر این استراتژی در واقعیت روی سهام داوجونز بین سال های 2004 تا 2011 اجرا می شد، به سود تجمعی 326 درصد دست پیدا می کرد!به‌عنوان نمونه دیگر، مشخص ‌شده است که کلیدواژه‌های مرتبط با حوزه انرژی می‌توانند پیش‌بینی کننده خوبی برای نوسانات قیمت (Price Volatility) کالاهای حامل انرژی نظیر نفت خام، نفت کوره و گاز طبیعی در بازارهای جهانی باشند. تحقیقات متنوع دیگری نیز در مورد قدرت پیش‌بینی کنندگی حجم جستجوی کلیدواژه‌ها در گوگل شده است. مطالعات نشان داده میزان جستجوی نام یک کشور در گوگل با حجم سرمایه‌گذاری خارجی در آن کشور همبستگی دارد، یا میزان شیوع بیماری آنفولانزا را در یک منطقه، می‌توان با تحلیل میزان جستجوی کلمات متناظر در آن منطقه تخمین زد. مطالعه دیگری نشان داده است که افراد در کشورهایی که نرخ سرانه تولید ناخالص داخلی بالاتری دارند، بیشتر به دنبال اطلاعات مربوط به آینده می‌گردند تا اطلاعات مربوط به گذشته.?کسب‌وکارها چگونه می‌توانند از روندهای جستجو در گوگل استفاده کنند؟استفاده از روندهای جستجو کلیدواژه‌ها در گوگل می‌تواند کاربردهای متنوعی شامل پیش‌بینی تقاضا، فهم رفتار مشتریان و تخمین سهم بازار رقبا داشته باشد. بسته به نوع کسب‌وکار ممکن است میزان مفید بودن مدل‌های پیش‌بینی تفاوت کند.من در مقاله ای که لینک آن در زیر آمده است، با یک مثال ساده نشان می دهم چگونه یک موسسه گردشگری می تواند از نتایج جستجوی گوگل برای کسب و کار خود استفاده کند. http://analica.ir/google-trends-forecasting/ اگر می خواهید تحلیل گر داده شوید... https://maktabkhooneh.org/course/483/%D8%B2%D8%A8%D8%A7%D9%86-R-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%AF%D8%A7%D8%AF%D9%87/?affiliate=fminooei آنالیکا آنالیکا Wed, 20 Jun 2018 11:26:30 +0430 https://dataio.ir/فرصتهایی-که-در-پایگاههای-داده-مشترک-وجود-دارد-q0xnxq8qfync یک سوپرمارکت زنجیره‌ای در استرالیا با یک شرکت بیمه خودرو یک برنامه مدیریت وفاداری مشتریان مشترک ایجاد می‌کند. اطلاعات ترکیبی به‌دست‌آمده از کارت‌های عضویت مشتریان همبستگی‌های جالبی را مشخص کردند. داده‌ها نشان داد که آن‌هایی که گوشت قرمز و شیر بیشتری می‌خرند، با احتمال بیشتری دچار تصادف می‌شوند و از بیمه خود استفاده می‌کنند. در مقابل آن‌هایی که پاستا و یک نوشیدنی خاص را می‌خرند و شب‌ها بنزین می‌زنند، ریسک کمتری برای شرکت بیمه دارند. شرکت بیمه از این جمع‌بندی چگونه می‌تواند استفاده کند؟یکی از کاربردهای مهم دانستن همبستگی بین متغیرها، استفاده در پیش‌بینی است. اگر ما بدانیم بین الف و ب همبستگی وجود دارد و بدانیم الف رخ خواهد داد، آنگاه می‌توان پیش‌بینی کرد که ب نیز رخ خواهد داد. اما بین همبستگی و رابطه علّی تفاوت وجود دارد. در مثال بالا نمی‌توان این‌گونه نتیجه گرفت که خوردن گوشت یا شیر باعث افزایش احتمال تصادف می‌شود.پرسش اصلی در مسائلی مانند مثال بالا این است که آیا می‌توان بر اساس همبستگی دیده‌شده بین دو متغیر تصمیم به اقداماتی گرفت یا خیر؟آیا همین‌که بدانیم دو رخداد باهم اتفاق می‌افتند می‌تواند کافی باشد یا حتماً لازم است بدانیم چرا این دو رخداد اتفاق می‌افتند؟ چه زمانی می‌توانیم بر مبنای همبستگی عمل کنیم؟پاسخ در دو نکته نهفته است:✅نکته اول، تا چه حد اطمینان داریم که همبستگی در آینده هم رخ خواهد داد. هرچه اطمینان بیشتری داشته باشیم که همبستگی در آینده هم رخ خواهد داد، منطقی‌تر آن است که اقدام کنیم. این مسئله دو جنبه دارد. یکی آنکه بر اساس داده‌های تاریخی بررسی کنیم این رابطه با چه فرکانسی تکرار شده است. هرچه این همبستگی بیشتر تکرار شده باشد، احتمال آنکه دو متغیر به هم مربوط باشند بیشتر است. مسئله بعد این است که چه توضیحاتی برای وجود این همبستگی داریم. اگر فرضیه‌هایی که برای توضیح این همبستگی داریم کمتر باشد و به آن‌ها اطمینان بالاتری داشته باشیم، احتمال بیشتری وجود دارد که دو متغیر به هم مربوط باشند.✅نکته دوم، سبک‌سنگین کردن بین ریسک و پاداش اقدام است. اگر اقدام منجر به‌اشتباه شود و ما در معرض ریسک بالایی قرار بگیریم، آنگاه ممکن است اقدام بر اساس یک همبستگی خیلی قوی هم درست نباشد.بر همین اساس گروه مشاوران بوستون (BCG) چارچوبی را مطرح کرده که در مقاله ای که لینک آن در زیر آمده است، توضیح دادم. سپس کاربرد این چارچوب را برای مثالی که در ابتدا ذکر کردم، شرح دادم.فرصت های زیادی برای شرکت‌های ایرانی وجود دارد تا با شرکت‌هایی که محصولات یا خدمات مکمل دارند برنامه‌های مشترک ایجاد کنند. یکی از کاربردهای مهم این برنامه های مشترک بهره گیری از پایگاههای داده تلفیقی است که می تواند ابعاد دقیق تر و بهتری را از رفتار خرید مشتریان به دست دهد و برای طرفین ارزش خلق کند. امیدوارم این نگرش در بین شرکت‌های ایرانی گسترش پیدا کند.در صنعت شما چه فرصت‌هایی برای همکاری‌های مشترک و بهره‌گیری از داده های آن وجود دارد؟ https://analica.ir/when-to-act-on-correlation/ آنالیکا آنالیکا Tue, 12 Jun 2018 21:46:39 +0430 https://virgool.io/@Analica/%D9%85%D8%B3%D8%A6%D9%84%D9%87-%D9%81%D8%B1%D9%85%D8%A7%D9%86%D8%AF%D9%87%D8%A7%D9%86-%D8%A8%DB%8C%D8%B2%D8%A7%D9%86%D8%B3%DB%8C-mqorzoxemken مسئله فرماندهان بیزانسی شرایط فرضی را بحث می‌کند که در آن افراد باید بدون حضور یک نظارت‌گر مرکزی، در مورد یک اقدام به اجماع برسند. دشواری آنجا پیش می‌آید که بازیگران باید در شرایطی تصمیم‌گیری کنند که همراه با عدم قطعیت، اطلاعات نادرست و حتی فریب‌دهنده است.تصور کنید چندین فرمانده که از نظر مکانی از هم دور هستند، می‌خواهند از چندین جهت به قلعه دشمن حمله کنند. هر یک از آنان نیروی کافی برای غلبه بر دشمن را ندارد و تنها حمله هم‌زمان به موفقیت ختم خواهد شد. عقب‌نشینی هم‌زمان نیز موجب حفظ همه ارتش خواهد شد، ولی اگر برخی تصمیم به حمله و برخی دیگر تصمیم به عقب‌نشینی بگیرند، ارتش دچار آشوب خواهد شد و از هم می‌پاشد. بنابراین هماهنگی در تصمیم‌گیری بین این فرماندهان اهمیت می‌یابد.فرمانده ارشد پیک‌هایی به سایر فرماندهان می‌فرستد تا تصمیم خود را به آن‌ها اعلام کند. ولی این پیک‌ها از منطقه دشمن عبور می‌کنند. ممکن است برخی از این پیک‌ها توسط دشمن کشته یا اسیر شوند و پیام به آن‌ها نرسد. ممکن است دشمن پیک‌های جعلی را با پیک‌های واقعی جابجا کند. بدتر آنکه تعداد اندکی از فرماندهان ممکن است خیانت کنند. به این معنی که برای مثال پیام بفرستند که با برنامه حمله در صبح زود موافق هستند ولی نیت اصلی‌شان این باشد که عقب‌نشینی کنند. کسی نمی‌داند کدام‌یک از آن‌ها ممکن است خیانت کند (فرمانده ارشد نیز خود ممکن است خیانت‌کار باشد). در این شرایط چطور فرماندهان وفادار می‌توانند مطمئن شوند که هم‌زمان به یک اقدام مشترک دست خواهند زد؟خطاهای بیزانسی به خطاهای غیرقابل‌پیش‌بینی در سیستم‌ها گفته می‌شود که نه‌تنها خطا یا خرابی ممکن است باعث شود سیستم خروجی نداشته باشد بلکه می‌تواند موجب تولید خروجی گمراه‌کننده شود. خطای بیزانسی از بدترین نوع خطاها در یک سیستم محسوب می‌شود. وقتی یک قسمت از سیستم خراب می‌شود، از کار می‌افتد و ارتباطش را با بخش‌های دیگر از دست می‌دهد، شما بلافاصله متوجه نقصان در سیستم می‌شوید. ولی اگر یک بخش از سیستم که دچار نقصان است در ظاهر مانند یک بخش سالم عمل کند، با بخش‌های دیگر در ارتباط باشد و پیام‌های اشتباه به آنان ارسال کند، به‌راحتی نمی‌توان متوجه خطا در سیستم شد. در این حالت خطا ممکن است در طول سیستم گسترش یابد و عواقب فاجعه‌آمیزی بیافریند.یکی از کاربردهای مهم این بحث مربوط به فن‌آوری‌های مبتنی بر زنجیره بلوک (Blockchain) است که در آن‌ها نظارت‌گر مرکزی وجود ندارد. این سیستم‌ها باید در برابر خطای بیزانسی تاب‌آوری داشته باشند. برای مثال در مورد رمزارزهایی مانند بیت کوین(Bitcoin)، هیچ بانک مرکزی وجود ندارد که صحت اطلاعات را در آن تائید کند. اطلاعات موجود در شبکه بیت‌کوین باید توسط خود اعضای شبکه تائید شود. ضمن این‌که فرمانده ارشدی هم وجود ندارد و همه اعضای شبکه در یک سطح هستند. اگر تعدادی از اعضای شبکه قصد ضربه به آن را داشته باشند (مانند فرماندهان خائن) و یا برخی پیام‌های نادرست در شبکه مبادله شود، شبکه باید مکانیزمی داشته باشد که همچنان بتواند در مورد صحت اطلاعات مبادله‌شده توافق داشته باشد.گرچه تا به امروز بحث خطای بیزانسی به حوزه علوم کامپیوتر و مهندسی محدود مانده است، فضای تصمیم‌گیری که مسئله ترسیم می‌کند باید احتمالاً برای بسیاری از مدیران ارشد و اجرایی شرکت‌ها بسیار آشنا به نظر برسد. مدیران ارشد به‌ویژه در تصمیم‌گیری‌های پیچیده و کلان باید بتواند خطاهای بیزانسی را مدیریت کند. گزارش‌های دپارتمان‌های مختلف سازمان، داده‌های مربوط به تحقیقات بازار، اخبار و اطلاعاتی که در مجلات و روزنامه‌ها منتشر می‌شود، اطلاعاتی که شرکت‌های رقیب از خود ارائه می‌دهند، نظرات مدیران میانی، مشاوران، خبرگان صنعت، مدیران سایر شرکت‌ها و مشتریان همگی ممکن است خود همراه با خطا باشند و یا در فهم آن‌ها خطا وجود داشته باشد که ممکن است تصمیم‌گیر را گمراه کنند.مدیران در چنین شرایطی باید چگونه تصمیم بگیرند؟در مقاله ای که لینک آن در زیر آمده است، بحث می کنم که چطور رویکردهای محققان برای مواجهه با این پدیده در سیستم‌های توزیع‌شده کامپیوتری و الکترونیکی می‌تواند برای تصمیم‌گیری‌های مدیریتی الهام‌بخش باشد. https://analica.ir/byzantine-generals-problem/ آنالیکا آنالیکا Sat, 02 Jun 2018 09:26:04 +0430 https://virgool.io/@Analica/%D8%AF%D8%A7%D8%B3%D8%AA%D8%A7%D9%86-%D8%B3%D9%81%D8%B1-%DB%8C%DA%A9-%D8%AA%DB%8C-%D8%B4%D8%B1%D8%AA-%D8%AF%D8%B1-%D8%A7%D9%82%D8%AA%D8%B5%D8%A7%D8%AF-%D8%AC%D9%87%D8%A7%D9%86%DB%8C-sz1n9naj2bos پیراهنی که این مدل به تن دارد، قبل از آن که به دست مصرف‌کننده برسد، به دست‌کم پنج کشور رفته است.امروزه گفتن این که یک کالا دقیقا تولید کجاست بسیار دشوار شده است. برای مثال روی پیراهن صورتی‌رنگ زارا در تصویر بالا نوشته است: "تولید مراکش". اما مراکش احتمالا جایی است که تکه‌های آن به هم دوخته شده‌اند و پیراهنی که در موردش صحبت می‌کنیم، قبل از مراکش در چندین کشور دیگر بوده است.جنس این پیراهن "لایوسل" است؛ یک ماده جایگزین پایدار برای جنس‌های نخی. براساس آنچه شرکت لنزیلگ، تامین‌کننده این ماده برای تولیدی‌های زارا گفته است، بیشتر درخت‌هایی که برای تولید لایوسل به کار رفته‌اند، از اروپا آمده‌اند.برای تبدیل الیاف لایوسل به نخ، آنها را به مصر فرستاده‌اند. بعد، نخ تولیدی به چین فرستاده شده است تا پارچه تولید شود. پارچه تولیدشده در چین برای رنگرزی به اسپانیا رفته است و پارچه‌ای که الان صورتی‌رنگ است، به مراکش فرستاده شده تا پیراهن مورد بحث ما بریده و دوخته شود.در نهایت، پیراهن دوباره برای بسته‌بندی به اسپانیا می‌رود و از آنجا به مراکز توزیع و پخش در مناطق مختلف دنیا فرستاده می‌شود.نقشه سفر یک پیراهن تولیدی شرکت زارابقیه پیراهن‌ها، تی‌شرت‌ها، شلوارها و خیلی از لباس‌های دیگر که در سراسر جهان فروخته می‌شوند، اغلب سفرهای مشابهی را پشت‌سر گذاشته‌اند.خیلی وقت ها حتی خود شرکتها نیز اطلاعات دقیقی از زنجیزه تامین محصول شان ندارند. این موضوع در سال ۲۰۱۳ میلادی، بیشتر در مرکز توجه قرار گرفت. در آن زمان، بعد از فروریختن یک ساختمان هشت‌طبقه در بنگلادش و مرگ بیش از هزار و ۱۰۰ نفر مشخص شد که آنجا محل تولید محصولات چندین شرکت شناخته‌شده عرضه‌کننده پوشاک بوده است. تعدادی از این شرکت‌ها گفتند که حتی خبر نداشتند محصولاتشان در بنگلادش تولید می‌شود.نزدیک به یک دهه پیش، پایترا ریوولی، بعد از خرید یک تی‌شرت نخی شش دلاری در یک حراجی در فلوریدا، جستجو برای پیدا کردن محل اصلی تولید این تی‌شرت را شروع کرد.دکتر ریوولی، استاد اقتصاد و تجارت بین‌الملل در دانشگاه جرج تاون واشنگتن، کتابی هم درباره روندی که طی کرد و مناطقی که سفر کرد، نوشته است. او می‌خواست بررسی کند که فرضیه‌اش مبنی بر این که "تجارت آزاد به نفع همه کشورهاست" تا چه اندازه درست است. این تحقیق، او را از منطقه‌ای در تگزاس که محل تولید پنبه بود، به چین یعنی محل دوخت تی‌شرت رساند و در نهایت، او به تانزانیا در آفریقا رفت.دکتر ریوولی نتایج بررسی های خود را در کتاب خواندنی The Travels of a T-Shirt in the Global Economy: An Economist Examines the Markets, Power and Politics of the World Tradeمنتشر کرده است.منبع:http://www.bbc.com/news/business-39337204اگر به حوزه مدیریت عملیات و زنجیره تامین علاقمند هستید، برای خواندن مقالات دیگر در این حوزه لینک زیر را دنبال کنید:http://goo.gl/RydTYj آنالیکا آنالیکا Mon, 28 May 2018 12:05:18 +0430 https://virgool.io/@Analica/%D9%81%D9%86-%D8%A2%D9%88%D8%B1%DB%8C-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D8%AF%D8%B1-%D8%AD%D8%A7%D9%84-%D9%85%D8%AA%D8%AD%D9%88%D9%84-%DA%A9%D8%B1%D8%AF%D9%86-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D8%B3%D8%A7%D8%AE%D8%AA-%D8%A7%D8%B3%D8%AA-dcqyawvr4a6t https://www.aparat.com/v/YZE6z تا چندی پیش، صنعت ساخت معمولا به عنوان صنعت پیشرویی در استفاده از تکنولوژی اطلاعات شناخته نمی شد. اما این شرایط به سرعت در حال تغییر است. در قلب تحولات رخ داده در صنعت ساخت، مفهوم BIM به معنی مدل ‌سازی اطلاعات ساختمان (Building Information Modeling) قرار دارد. طراحی و اجرای پروژه ها در روش سنتی تا حد زیادی متکی بر نقشه‌های دوبعدی بود. مدل‌سازی اطلاعات ساختمان این اجازه را می دهد علاوه بر در نظر گرفتن سه بعد فضایی اولیه (عرض، ارتفاع و عمق)، زمان به عنوان بعد چهارم، هزینه به عنوان بعد پنجم و ابعاد دیگر در نظر گرفته شوند؛ بنابراین BIM چیزی بیش از هندسه را پوشش می دهد. ابزارهای اطلاعات مدل سازی ساختمان (BIM) شامل ایجاد مدل های گرافیکی دیجیتالی از ساختمان و پردازش داده ها در طول تمامی عمر پروژه از طراحی، اجرا و ساخت تا نگهداری است. استفاده از روش های مدلسازی در BIM به مدیران پروژه ها کمک می کند تا راهکارهایی را برای کنترل دقیق تر زمان بندی و هزینه ها، افزایش بهره وری، پیشگیری از بروز تعارضات بین طراحی و اجرا، کاهش دوباره کاری ها و افزایش ایمنی در مراحل مختلف پروژه بیابند. BIM ارتباط بین فرآیند طراحی، اجرا و نگهداری را که در روش های ساخت سنتی کاملا از هم جدا بود، تسهیل می کند و اجرای پروژه های پیچیده را ممکن می سازد.امروزه شما می توانید کل یک پروژه را با تمام جزئیات فنی، اجرایی و مدیریتی قبل از اجرا در دنیای واقعی، به شکل مجازی پیاده سازی کنید و برای دشواری ها و مشکلات احتمالی برنامه ریزی کنید.مفهوم BIM فراتر از یک سری نرم افزار است. BIM یک پارادایم جدید در صنعت ساخت است که فرآیند جمع آوری، توزیع و به اشتراک گذاری داده ها و اطلاعات و تصمیم گیری براساس آنها را متحول کرده است. به این ترتیب BIM توانسته است ارتباط و همکاری بین کارفرما، آرشیتکت، مهندسان، پیمانکاران، تامین کنندگان و کاربران پروژه را از طریق ایجاد یک مدل مشترک مبتنی بر فن آوری اطلاعات به شکل چشم گیری بهبود ببخشد. بیم در یک پروژه صنعتی: به شکل بلادرنگ، مدیر پروژه می داند کدام قطعات از تامین کننده دریافت شده، کدام در حال ساخت هستند، ساخت کدام به پایان رسیده و ساخت کدامیک هنوز شروع نشده است.یکی از شرکت های فعال در زمینه ساخت صنعتی (Messer) گزارش کرده است با بکارگیری BIM میزان تغییرات در حین اجرای پروژه 45 درصد کاهش داشته و در صورت وقوع تغییرات در حین اجرا، هزینه های مربوط به تغییرات 55 درصد کمتر از گذشته شده است. پرینترهای سه بعدی، هواپیماهای بدون سرنشین یا پهباد (Drones)، فن آوری RFID، اسکنرهای لیزری سه بعدی، واقعیت افزوده (Augmented Reality) فن آوری هایی هستند که به صورت مکمل در حال اضافه شدن به BIM هستند. امروزه سرکارگران و مهندسان اجرایی در کارگاه ها می توانند مجهز به تبلت باشند و آخرین تغییرات و اطلاعات پروژه را در تبلت خود دریافت کنند. اگر سوالی در مورد اجرا دارند، بلافاصله با طراحان و یا مهندسان ارشد ارتباط برقرار کنند و مشکلات اجرایی را با آنان در میان بگذارند. در حال حاضر در دنیا پروژه های وجود دارند که از اطلاعات بدست آمده از هواپیماهای بدون سرنشین مجهز به تکنولوژی پردازش تصویر، برای کنترل و مدیریت پروژه ها استفاده می کنند. در ویدئو زیر می بینید که یک استارتاپ در هلند به دنبال کاربردی کردن پرینترهای سه بعدی در ساخت سازه هاست. https://www.aparat.com/v/YZE6z در دنیا BIM در حال متحول کردن صنعت ساخت، نفت و گاز و زیر ساخت است. در سال 2012 انجمن بیم ایران پایه گذاری شده است و به تدریج شرکتهای ایرانی فعال در حوزه صنعت ساخت در ایران نیز به دنبال بهره گیری از این فن آوری ها هستند.لینک انجمن بیم ایران:http://www.iranbimcouncil.com/ آنالیکا آنالیکا Thu, 10 May 2018 03:41:32 +0430 https://virgool.io/@Analica/automation-np0erwowm4o0 http://analica.ir/variance-in-processes/tps://www.aparat.com/v/HYoihچند روز پیش ایلان ماسک مدیرعامل تسلا مطلبی را اعلام کرد که برای بسیاری تعجب‌آور و تا حدی دلسردکننده بود. تسلا نتوانسته به هدف تولید 5000 خودرو در هفته برسد و نرخ تولید در سطح 2000 واحد در هفته باقی‌مانده است. اما نکته جالب‌تر دلیلی بود که ایلان ماسک برای این مشکل آورد: "ما بیش‌ازاندازه خط تولید را خودکار کرده‌ایم!"برای خواننده‌ای که احتمالاً با موقعیت شرکت تسلا و ایلان ماسک آشنا نیست باید کمی توضیحاتی ارائه کنم تا اهمیت موضوع روشن شود. ایلان ماسک در آمریکا برای بسیاری نقش استیو جابز بعدی را بازی می‌کند. او یک مدیر نوآور با ایده‌های بسیار رادیکال است. او یکی از بنیان‌گذاران پی پل (PayPal) است. ایده‌های نوآورانه او مانند تولید ماشین تمام الکتریکی (کارخانه Tesla)، هایپرلوپ (سیستم حمل‌ونقلی که در آن تیوپ‌های حامل مسافر بر روی بالشتکی از هوا با سرعت 1200 کیلومتر بر ساعت حرکت می‌کنند)، شهری که به‌طور کامل باانرژی خورشیدی کار می‌کند (Solar City)، انواع پروژه‌های مربوط به هوش مصنوعی، ساخت اقامتگاه در کره مریخ (SpaceX) و مانند آن برخی از مواردی است که توسط او پیشنهاد شده و در حال انجام است.ایلان ماسک کارخانه تسلا را برای تولید خودروهای تمام الکتریکی با این ایده ساخت که نویدبخش کارخانه‌هایی باشند که در آن ربات‌ها همه کارها را انجام می‌دهند. ماسک رؤیای این را داشت که هیچ انسانی در خط تولید وجود نداشته باشد؛ گویا که موجوداتی از سیاره دیگر یک ایستگاه فضایی در زمین ساخته باشند. اما سخنرانی چند روز پیش او برای خیلی حیرت‌آور بود. کسی که پیشرو درزمینهٔ خودکارسازی در صنعت محسوب می‌شود اعتراف کرد کارخانه تسلا در خودکار کردن خط تولید "زیاده‌روی" کرده و عجیب‌تر آن‌که نه‌تنها بهره‌وری افزایش پیدا نکرده بلکه کمتر شده است. او گفت ارزش انسان‌ها را در فرآیند تولید دست‌کم گرفته است. علت اصلی موضوع برمی‌گردد به دست‌کم گرفتن واریانس در فرآیندها. چندی پیش مقاله‌ای در این موضوع نوشتم که چگونه مدیران اهمیت واریانس را فرآیندهای کسب‌وکار نادیده می‌گیرند. هر سیستمی خطا و بالا پایین دارد. ربات‌ها حداقل در سطح فعلی نمی‌توانند با ناسازگاری‌ها و واریانس موجود در فرآیندها مانند انسان کنار بیایند. https://www.aparat.com/v/HYoih ربات‌ها می‌توانند یک گشتاور را میلیون‌ها بار به یک‌شکل اعمال کنند ولی نمی‌توانند بفهمند یک پیچ شاید خیلی هم درست سفت نشده باشد، یا بست ها درست سرجای خود قرار نگرفته است، یا واشرها ممکن است معیوب باشند. خط تولید در هر شکلی نیازمند حدی از انعطاف‌پذیری است. همه‌چیز عالی نیست. همیشه همه قطعات درست در زمان درست به خط تولید نمی‌رسند. انسان‌ها می‌توانند سریع این چیزها را تشخیص دهند، فرآیند را متوقف، فکر کنند و مسئله را حل کنند. ربات‌ها به‌اندازه انسان انعطاف‌پذیر نیستند، نمی‌توانند خود را به‌سادگی با انواع تغییرات در خط تولید وفق دهند. این عدم انعطاف باعث وقفه‌های پی‌درپی در خط تولید می‌شود. این یعنی از یک سطح بالاتر از خودکارسازی، هزینه‌ها افزایش می‌یابد و کیفیت و بهره‌وری نه‌تنها بیشتر نمی‌شود بلکه کاهش می‌یابد. ایجاد تعادل بین میزان استفاده از انسان و ربات بسیار اهمیت دارد. این‌یک مثال دیگری از این موضوع است که دست‌کم گرفتن واریانس در فرآیندها چگونه ممکن است مدیران را به سمت تصمیمات پرهزینه‌تر سوق دهد.مقاله "چرا درک واریانس اهمیت دارد؟" را در آنالیکا بخوانید: http://analica.ir/variance-in-processes/ آنالیکا آنالیکا Sun, 06 May 2018 09:42:50 +0430 https://dataio.ir/تحولات-عمده-تکنولوژی-در-150-سال-گذشته-cg3jcy2lcjif اخیرا موسسه Barclays برآورد کرده است از سال 1760میلادی تاکنون بهره‌وری نیروی انسانی 30 برابر شده است. علت اصلی‌ این افزایش ناشی از پیشرفت‌های فناوری در این سال ها بوده است. اگر شما در سال 1760 در یک ساعت می توانستید 100 واحد کار انجام دهید، امروز به لطف تکنولوژی می توانید 3000 واحد کار انجام دهید.گزارش اخیر این موسسه به نقش هوش مصنوعی، رمزارزها و رباتیک در اقتصاد آینده می‌پردازد. https://www.investmentbank.barclays.com/news/2018-equity-gilt-study.html تصویر زیر فناوری‌های کلیدی از دیدگاه Barclays را در طی این سال ها نشان می دهد.یخی آنالیکا آنالیکا Wed, 18 Apr 2018 07:46:24 +0430 https://virgool.io/@Analica/%D8%A2%DB%8C%D8%A7-%D8%AA%D9%86%D9%87%D8%A7-%DA%86%D9%86%D8%AF-%D8%B3%DB%8C%D8%A8-%D9%81%D8%A7%D8%B3%D8%AF-%D9%85%D9%86%D8%AC%D8%B1-%D8%A8%D9%87-%D9%81%D8%A7%D8%B3%D8%AF%D8%B4%D8%AF%D9%86-%D9%87%D9%85%D9%87-%D8%B3%DB%8C%D8%A8%D9%87%D8%A7-%D9%85%DB%8C%D8%B4%D9%88%D8%AF-%D8%A7%D8%AE%D9%84%D8%A7%D9%82-%D9%88-%D8%AA%D8%B5%D9%85%DB%8C%D9%85%DA%AF%DB%8C%D8%B1%DB%8C-u84breph2esh از حوزه‌های جذاب در مطالعات تصمیم‌گیری نحوه شکل‌گیری "تصمیم‌گیری‌های غیراخلاقی" است. علی‌رغم این‌که در ایران در مورد اخلاق و اهمیت آن زیاد صحبت می‌شود، به نظر می رسد جامعه امروز ایران بیش از گذشته نیاز دارد تا در مورد اخلاق و تصمیمات اخلاقی به شکل صریح، بی‌پرده و کاربردی سخن بگوید. مباحث انتزاعی در این حوزه بدون توجه به واقعیات جوامع انسانی در دنیای پیچیده امروز نمی‌تواند ما را در حوزه اخلاق جلو ببرد. مقالات سه گانه اخلاق و تصمیم‌گیری سعی دارد گامی در این راستا باشد. بخش‌هایی از این مقاله:در طی سال‌های دهه ۱۹۹۰ شرکت انرون (Enron) به‌عنوان یکی از پیشروترین و نوآورانه‌ترین شرکت‌های آمریکایی شناخته می‌شد. انرون در تولید برق و گاز طبیعی، صنعت ارتباطات و تجارت الکترونیک فعال بود و در آغاز هزاره سوم نوید عصر نوین اقتصادی را می‌داد. در دوران اوج شرکت، قیمت هر سهم انرون به ۹۰$ رسیده بود و ارزش کل شرکت بالغ ‌بر ۷۰ میلیارد دلار برآورد می‌شد.اما در سال ۲۰۰۱ به‌تدریج خبرهای ناگواری از انرون به گوش می‌رسد و مشخص می‌شود شرکت با دست‌کاری در اسناد حسابداری، بدهی‌ها و زیان‌های خود را به مدتی طولانی پنهان می‌کرده است. مرتباً خبرهایی مبنی بر از بین بردن اسناد، درخواست کمک مدیران انرون از مقامات عالی دولت آمریکا، نادیده گرفتن عمدی هشدارهای داخلی در مورد حساب‌سازی‌ها و پرشدن جیب مدیران ارشد از بالا رفتن نجومی قیمت سهام شرکت منتشر می‌شود. سقوط آزاد سهام انرون شروع می‌گردد و قیمت سهام آن در عرض مدت کوتاهی به چند پنی می‌رسد. انرون در پایان سال ۲۰۰۱ اعلام ورشکستگی می‌کند و ۱۶ نفر از مدیران ارشد آن به جرم جعل و کلاه‌برداری محاکمه می‌شوند.شوک سقوط انرون و اثرات اجتماعی و سیاسی آن در جامعه آمریکا سنگین بود. در آنجا بسیاری از محققان، صاحب‌نظران و تحلیل‌گران شروع به بررسی علل این اتفاق کردند. جامعه دانشگاهی و به‌ویژه مدارس آموزش کسب‌وکار که محل تربیت مدیران و رهبران آینده بودند، به این فکر افتادند تا پی ببرند در کجای کار اشتباه کردند و چگونه می‌توانند جلوی تکرار این اشتباهات را بگیرند؟ پس‌ازاین اتفاق شاهد آن هستیم که حجم آموزش، تحقیق و مطالعه در دانشگاه‌ها و مؤسسات تحقیقاتی آمریکا در حوزه اخلاق در کسب‌وکار سرعت می‌گیرد.در ایران، طی سال‌های اخیر چندین پرونده فساد مالی با ابعاد گسترده کشف شده‌اند. بعضی از آن‌ها به حکم قطعی رسیده‌اند و بعضی دیگر در انتظار نتیجه نهایی در قوه قضائیه هستند. به‌جز این موارد کلان هر از چند گاهی موارد دیگری مانند باز کردن بخیه چانه کودک چهارساله اصفهانی توسط پزشک معالج به دلیل نپرداختن حق‌الزحمه پیش می‌آید که خاطر جامعه را آزرده می‌کند.اما در ایران واکنش جامعه دانشگاهی کشور، محققان، جامعه‌شناسان و مدرسین دوره‌های کسب‌وکار نسبت به این پدیده‌ها چه بوده است؟ واکنش نظام آموزش و پروش ما به این رویدادها چه بوده است؟ چه برنامه‌های تحقیقاتی و آموزشی برای بهبود آموزش اخلاق در مدارس و دانشگاه‌های کشور در دست تهیه و اجرا هستند؟ بسیاری از افراد درگیر در این موضوعات دارای تحصیلات دانشگاهی هستند و تقریباً همه آن‌ها تحصیلات ابتدایی و متوسطه را گذرانده‌اند. چرا باوجود تدریس دروس مختلف در حوزه مسائل مذهبی و اخلاقی، شاهد این موضوعات هستیم؟ آیا مجموعه این آموزش‌ها از کارایی لازم برخوردار بودند؟ آیا وقت آن نرسیده است که در مراکز آموزشی، دانشگاهی و تحقیقاتی کشور نگاه عملی‌تر و شفاف‌تری به حوزه اخلاق در کسب‌وکار انداخته شود؟در سلسله مقالات اخلاق و تصمیم‌گیری با تکیه‌بر جدیدترین مطالعات علمی به این موضوع خواهم پرداخت که افراد چگونه تصمیم می‌گیرند رفتارهای غیراخلاقی از خود بروز دهند. آیا یک یا چند فرد با نیت شیطانی و به‌صورت برنامه‌ریزی‌شده و هدفمند تصمیم می‌گیرند تا یک کار غیراخلاقی انجام دهند و موجب انحطاط یک سیستم شوند و یا همه می‌توانند در حرکت یک سیستم به سمت انجام رفتارهای غیراخلاقی نقش داشته باشند؟ طبعاً اگر در یک سیستم نگاه اول حاکم باشد نسبت به زمانی که نگاه دوم در آن حاکم است، سیاست‌های متفاوتی در مواجهه با بروز رفتارهای غیراخلاقی اتخاذ خواهد شد. این سیاست‌ها احتمالاً شامل جستجو کردن و پیدا کردن افراد با نیت بد، حذف آن‌ها از سیستم و اتخاذ سیاست‌هایی برای جلوگیری از ورود چنین افرادی به سیستم خواهد بود. اما اگر نگاه دوم صحیح باشد چگونه باید عمل کرد؟لینک بخش اول مقالهلینک بخش دوم مقالهلینک بخش سوم مقاله آنالیکا آنالیکا Fri, 13 Apr 2018 10:24:29 +0430 https://dataio.ir/ماجرای-اخیر-درز-اطلاعات-فیسبوک-چیست-ffhs6dueijbe داستان درز اطلاعات کاربران فیس‌بوک و استفاده شرکت کمبریج آنالتیکا برای کمک به پیروزی دونالد ترامپ در انتخابات ریاست جمهوری آمریکا سال 2016 جنبه‌های متنوع و بسیار جالبی دارد. انتشار این ماجرا موجب شد کمپین قدرتمندی که افراد را به حذف اکانت کاربری‌شان تشویق می‌کند (DeleteFacebook#)، به راه بیفتد. بر اساس محاسباتم تنها در عرض هفته گذشته (بین 16 تا 23 مارچ 2018) شرکت فیس‌بوک در بازار سهام بیش از 70 میلیارد دلار ارزش از دست داده است. اما نکته هیجان‌انگیزتر که شاید کمتر بحث می‌شود این که شرکت کمبریج آنالتیکا از اطلاعات به‌دست‌آمده چگونه استفاده کرده؟ آنچه کمبریج آنالتیکا انجام داده به‌نوعی بازتاب قدرت روش‌های محاسباتی در علوم اجتماعی، روان‌شناسی و کسب‌وکار است.سال‌ها در علوم سیاسی، بازاریابی و روان‌شناسی برای پیش‌بینی رفتارهای افراد از متغیرهای جمعیت شناختی مثل سن، جنسیت، تحصیلات، محل سکونت و مانند این‌ها استفاده شده است. برای مثال در دوران انتخابات چنین تحلیل‌هایی را می‌شنویم که مردم شهر تهران بیشتر به کاندیدای الف رأی می‌دهند درحالی‌که مردم شهر مشهد بیشتر طرفدار کاندیدای ب هستند. اما این پیش‌بینی‌ها چقدر دقیق هستند؟ آیا همه ساکنان شهر تهران دارای یک طرز فکر هستند؟ آیا میتوان افراد را به شکل دقیق‌تری و بر اساس المان‌های روان‌شناختی دسته‌بندی و شناسایی کرد؟ و متناسب باشخصیت هر کس پیام‌های انتخاباتی را سفارشی کرد؟ برای مثال اگر کسی محافظه‌کار است، پیام‌های محافظه‌کارانه را برای او پررنگ کرد؟ اینجاست که کمبریج آنالتیکا یک ابزار کاملاً جدید در اختیار دونالد ترامپ قرار می‌دهد.الکساندر کوگان، استاد روان‌شناسی دانشگاه کمبریج، به منظور یک کار تحقیقاتی در سال 2014 یک اپلیکیشن تست شخصیت در فضای فیس‌بوک طراحی می‌کند و نزدیک به 270 هزار کاربر آمریکایی فیس‌بوک به شکل داوطلبانه از آن استفاده می‌کنند. جنبه کمتر روشن ماجرا این است که این اپلیکشن علاوه بر داده‌های کسانی که تست را داده بودند، داده‌های دوستان آن‌ها را بدون اطلاعشان جمع می‌کرده است. اگر فرض کنیم هر فردی 200 دوست داشته است، آن‌ها به داده‌های نزدیک به 50 میلیون نفر دسترسی داشته‌اند. ظاهراً تا اینجا، کار خلافی بر اساس قوانین داخلی آن زمان فیس‌بوک صورت نگرفته است.اما الکساندر کوگان در نهایت این داده‌ها را به شرکت دیگری به نام کمبریج آنالتیکا می‌فروشد. این کار ظاهراً برخلاف قوانین فیس‌بوک است که داده‌های کاربران فیس‌بوک نباید به شرکت‌های تبلیغاتی و یا واسطه‌گری داده فروخته شود. اما نکته مهم این‌که کمبریج آنالتیکا تنها مشخصات روان‌شناختی 270 هزار نفر را داشته و 50 میلیون نفر دیگر این تست را نداده بودند. اینجاست که با روش‌های مبتنی بر ماشین‌های یادگیرنده، مهندسی معکوس صورت گرفته است. با داشتن تست روان‌شناسی یک نمونه 270 هزارنفری و تطبیق آن با رفتار آن‌ها در شبکه‌های اجتماعی، کمبریج آنالتیکا احتمالاً موفق شده مدل ریاضی بسازد که می‌توانسته بر اساس آنچه افراد در شبکه اجتماعی انجام می‌دهند مشخصات روان‌شناسی آنان را معین کند. به‌مرور این الگوریتم یاد گرفته که اگر مثلا فردی عکس غروب خورشید را لایک می‌کند نسبت به آنکه یک گل آفتاب‌گردان در روز روشن را لایک می‌کند در کدام دسته شخصیتی قرار می‌گیرد. به‌این‌ترتیب آن‌ها با استفاده از این الگوریتم مشخصات روان‌شناختی 50 میلیون آمریکایی دیگر را پیدا کردند. به ادعای خود کمبریج آنالتیکا، آن‌ها تنها با تحلیل 300 لایک، شخصیت فرد را به‌اندازه همسرش می‌شناسند.با داشتن این پروفایل‌ها، کمبریج آنالتیکا شروع به تهیه تم‌های مختلف تبلیغاتی راجع به مسائل موردبحث در انتخابات مانند سیاست‌های مهاجرتی، اقتصاد، مالکیت اسلحه و غیره و سفارشی کردن آن برای مخاطبان و عرضه آن در فیس‌بوک کرده است. اگر درگذشته همه افراد از تلویزیون یک کاندیدای ریاست جمهوری را با پیام‌های مشخصی می‌دیدند، کمبریج آنالتیکا کاری می‌کند که هر کس متناسب با علایقش آن جنبه از ترامپ را که دوست دارد، ببیند! شواهدی در دست نیست که آیا هیلاری کلینتون هم مجهز به چنین ابزاری بوده است یا خیر. ولی اگر تنها ترامپ دارای چنین ابزاری بوده باشد، مقایسه هزینه‌های تبلیغاتی کلینتون (نزدیک به یک میلیارد دلار) در مقابل ترامپ (نزدیک به 600 میلیون دلار) در کنار نتیجه انتخابات می‌تواند شاهدی بر کارآیی ابزارهای مورد استفاده کمپین او باشد.در نهایت این‌که این ماجرا دوباره بحث‌ها پیرامون پروتکل‌های استفاده از داده‌ها، اخلاق در داده‌کاوی و قدرت روش‌های تحلیلی در علوم اجتماعی و کسب و کار را داغ کرده است. اما چیزی که واضح است این که استفاده از روش‌های داده محور جعبه پاندورایی است که باز شده و باید منتظر بروز جنبه های آن در حوزه های مختلف بود. ?در رابطه با امنیت اطلاعات در فضای مجازی مقاله زیر را در آنالیکا بخوانید:?http://analica.ir/customers-trust-personal-data/ آنالیکا آنالیکا Sun, 25 Mar 2018 05:06:45 +0430 https://virgool.io/@Analica/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D9%87-%D8%A7%D9%87%D8%AF%D8%A7%D9%81-%D8%B3%D8%A7%D9%84-%D8%AC%D8%AF%DB%8C%D8%AF-%DA%A9%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AE%D9%88%D8%AF-%D8%AA%D8%B9%DB%8C%DB%8C%D9%86-%D9%85%DB%8C-%DA%A9%D9%86%DB%8C%D8%AF-%D9%BE%D8%A7%DB%8C%D8%A8%D9%86%D8%AF-%D8%A8%D9%85%D8%A7%D9%86%DB%8C%D8%AF-ip4wj949fo5e سال جدید در بسیاری از ما آمدن حس خوش بینی را تازه می کند و شانسی است تا بر روی اهداف شخصی و کسب و کار تمرکز کنیم. اما صرف نظر از این که چقدر انگیزه ابتدایی ما قوی باشد راه رسیدن به اهداف پر از چالش و مانع است و درنتیجه متعهد ماندن به اهداف بسیار دشوار است.در یک سری از مطالعات هیجان انگیز که توسط استاد روانشناسی دانشگاه هرتفوردشایر صورت گرفت، مشخص شد بیش از نیمی از افراد که در نظرسنجی شرکت کردند معتقد بودند به اهداف سال جدید که برای خود مشخص نمودند دست پیدا می کنند. اما در عمل تنها 12 درصد به اهدافشان رسیدند. با در نظر داشتن چنین نرخ پایین موفقیت، چگونه خود را مجاب می کنید تا به اهداف خود متعهد بمانید؟در این مطالعات مشخص شد بین زنان و مردان تفاوت هایی در استراتژی رسیدن به موفقیت است. برای مثال اگر مردان اهداف شان را بطور مشخص بنویسند 22 درصد بیشتر احتمال دارد تا به آنها برسند. در مقابل اگر زنان اهداف خود را با دوستان و یا اعضای خانواده مطرح کنند 10 درصد بیشتر احتمال دارد تا موفق شوند. اما شاید راهکار بهینه ترکیبی از هر دو استراتژی باشد. نوشتن اهداف و لیست کردن گام های مشخص برای رسیدن به اهداف از اقدامات کلیدی برای موفقیت است و سپس به اشتراک گذاشتن آن با افرادی که به آنها اعتماد دارید.اما اگر متعهد ماندن به اهداف خودتان چالش برانگیز است؛ چگونه می شود دیگران را راضی کرد تا به اهداف سازمانی پایبند بمانند؟ مطالعات محققان دانشگاه شیکاگو نشان می دهد پاسخ نه تنها به سطح تعهد افراد به دست یابی به اهداف بستگی دارد بلکه به اینکه توجه آنها به کجا معطوف است نیز وابسته است.مطالعات نشان می دهد که برای افراد و تیم هایی که سطح انگیزه آن ها برای رسیدن به اهداف سازمان پایین است، توجه دادن به این که چقدر تاکنون پیشرفت کرده اند احتمال رسیدن به موفقیت را بالا می برد. اما اتخاذ همین استراتژی برای افراد و تیم هایی که انگیزه بالایی دارند کمتر نتیجه بخش است. توجه این افراد را باید به آنچه که هنوز برای تحقق اهداف باقی مانده است، معطوف کرد.?بنابراین برای متقاعد کردن افراد برای دست یابی به اهداف باید به سطح انگیزه آنها برای رسیدن به اهداف توجه کرد و پیام متناسب را به آنها منتقل کرد. برای افراد کم انگیزه میزان کاری که تا به حال انجام شده و برای افراد پرانگیزه میزان کاری که باقی مانده است، باید مورد توجه قرار گیرد.?چه بخواهید خود و یا دیگران را در راستای هدفی متعهد نگه دارید؛ نکته کلیدی آن است که بر روی یک سری اقدامات جزئی تر و قابل انجام در راستای هدف خود تمرکز کنید و به تدریج تغییرات بزرگ تر را ایجاد کنید. برایتان آرزو می کنیم به اهدافتان در سال جدید برسید.موفق و پرانرژی باشید.منبع مقاله:https://hbr.org/2011/01/how-to-keep-thoseآنالیکا نگرش های نوین برای حل مسائل دنیای واقعی در حوزه‌های روش‌های تحلیلی کسب‌وکار، هوش تجاری، داده‌کاوی، مدیریت عملیات و تصمیم‌گیری. Website:http://analica.ir آنالیکا آنالیکا Mon, 19 Mar 2018 10:15:24 +0330