https://virgool.io/feed/@ingrow اینگرو، یک پلتفرم بازاریابی داده محور هست و می تواند قابلیت داده محور شدن سازمان را به شما ارائه دهد و شما می توانید به تحلیل رفتار مشتری بپردازید fa 2026-06-10 12:45:54 https://files.virgool.io/upload/users/189939/avatar/B53n8Q.png?height=120&width=120 https://virgool.io/@ingrow https://virgool.io/@ingrow/%D8%A2%D9%86%D8%A7%D9%84%DB%8C%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87-da-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%D9%87-%D8%A7%D9%87%D9%85%DB%8C%D8%AA%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%DA%A9%D8%B3%D8%A8-%D9%88-%DA%A9%D8%A7%D8%B1%D9%87%D8%A7-%D8%AF%D8%A7%D8%B1%D8%AF-qosuofhl8ezs 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.آنالیز داده (Data Analytics) چیست؟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.انواع برنامه های آنالیز دادهاز نظر EDA و CDAدر 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.از نظر داده های کیفی و کمیآنالیز 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.آنالیز داده های بزرگ (بیگ دیتا)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.کاربرد تجزیه تحلیل داده در کسب و کارهای مختلفتجزیه 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 inGrow inGrow Mon, 30 Aug 2021 12:28:07 +0430 https://virgool.io/@ingrow/%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1%DB%8C%D8%A7%D8%A8%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%85%D8%AD%D9%88%D8%B1-data-driven-marketing-%DA%86%DB%8C%D8%B3%D8%AA-qo3ery9okekw بازاریابی داده محور اینگرومزایا و چالشهابازاریابی داده محور به استراتژی هایی گفته می شود که از آنالیز داده های بزرگ (Big Data)، با مطالعه برروی رفتارهای مشتریان و چرایی و چگونگی تعامل آنها به دست می آید، با این هدف که رفتارهای آینده آنها را بتوان پیش بینی کرد.این فرایند نیازمند درک کاملی از داده هایی است که در اختیار دارید، داده هایی که جمع آوری می کنید و آنها را سازماندهی، آنالیز و اجرا می کنید تا فعالیت های بازاریابی اثربخش تری داشته باشید. استراتژی بازاریابی داده محور به کسب و کارها برای بهبود و شخصی سازی تجربه مشتریان کمک میکند.بنابراین بازاریابی داده محور دو طرف دارد،یک طرف بیزنس یا کسب و کار است و طرف دیگر مشتریان یا کاربران هستند که از این استراتژی بهره می برند.اگر استراتژی های بازاریابی داده محور بدرستی پیاده سازی شوند مزایایی مثل بهینه سازی تجربه مشتریان، شناخت بهتر مخاطبان هدف ، کاهش نرخ شکست محصولات، بهینه کردن کمپین های بازاریابی و ارسال پیام در زمان و مکان مناسب به مخاطبان هدف، شناخت دقیق تر مشتریان و در نهایت درک و فهم بیشتر از علایق و سلایق و رفتار مشتریان و نرخ تبدیل بالاتر را دارد.برای رسیدن به استراتژی بازاریابی داده محور چالش هایی هم وجود دارد که مهمترین آنها عبارتند از:- به اندازه کافی مومن نبودن با اینکه سازمان میتواند با تصمیم‌گیری مبتنی بر داده نهایت استفاده را ببرد.- یا اعتقاد به داده ها دارد ولی مهارت کافی برای جمع آوری داده‌های قابل اعتماد در مقیاس وسیع را ندارند.- یا اینکه یک زیر ساخت جمع آوری بیگ دیتا ندارند.- یا اکثریت مدیران به دنبال داده‌هایی برای تصمیم‌گیری بهتر هستند، اما تنها تعداد کمی از آنها معتقداند که شرکت آنها دارای فرهنگ داده محور است.- همه این موارد و هر کدام به یک نسبت از چالش های داده محور شدن کسب و کارها است.بازاریابی داده محور موتور محرک کسب و کارهاست، با این استراتژی ما میتوانیم تصویر روشنی از اینکه کسب و کارمان در چه موقعیتی است را بدست آوریم و پیش بینی کنیم که فردا چه خواهد شد.در واقع تحلیل زمان حال بر اساس آنچه در گذشته اتفاق افتاده است و تحلیل اینکه در آینده چه اتفاق خواهد افتاد.چطور باید به تصمیم گیری داده محور رسید؟قبل از اینکه به پاسخ این سوال بپردازیم باید بدانیم که مدیران کسب و کارها از چه رویکردی در تصمیم گیری هاشان استفاده میکنند.تصمیم‌گیری داده محور(Data-Driven Decision Making) فرایند تصمیم‌گیری بر اساس تحلیل داده به جای اتکای صرف به تجربه و شهود (Gut-Based Decision Making) است. تصمیم‌گیری داده‌محور حالت همه یا هیچ (یا صفر و یکی) نیست.با این تعریف مدیران در دو طرف و از ابتدا تا انتهای این طیف قرار میگیرند .در یک سر این طیف مدیرانی قرادارند که مدل مدیریتی آنها شهودی است و در طرف مقابل هم مدیرانی هستند که همه تصمیمات آنها بر اساس داده هاست.واقعیت این است که پاسخ قاطعی که کدام یک از این دو تیپ مدیران تصمیم گیری بهتری میکنند وجود ندارد ولی بطور نسبی و تجربه کسب و کارهای موفق موید این است که بهترین گزینه تصمیم گیری به سمت "طیف" بر اساس داده ها است.ضمن اینکه نوع کسب و کارها هم اهمیت دارند و اینکه محصول یا کسب و کار در کجای چرخه عمر شان هستند هم در این تصمیم گیری اهمیت دارد.ولی در هر صورت بهترین نتایج تصمیم گیری عموما مربوط به مدیران تصمیم گیر از سمت طیف تصمیم گیران شهودی به سمت تصمیم گیران داده محور است.برای رسیدن به تصمیم گیری داده محور باید ابتدا ابزاری داشته باشیم که داده‌های درست و مبتنی بر واقعیت را جمع‌آوری کنیم و از درستی مراحل جمع آوری داده ها اطمینان کسب ‌کنیم و در نهایت باید بتوانیم در زمان کوتاهی نتیجه‌ی این کار را تجسم کنیم.چقدر زمان میبرد تا مدیران اثر داده ها را در یک کسب و کار تجربه کنند؟بسته به نوع کسب و کارها و موقعیت کسب و کارها در چرخه عمر آنها زمان مشاهده آثار داده محور بودن متفاوت است، و عموما از دو ماه تا یک سال طول میکشد تا نتایج داده محور بودن برای آنها روشن شود.یکی از مشکلاتی که مدیران به سمت بازاریابی داده محور نمی روند، ممکن است این باشد که مدیران یک نمونه (sampling) تست شده از نتایج داده محور بودن در کسب و کارشان ندارند. برای انجام این تست و نمونه (sampling) ضرورت دارد که آن کسب و کار زیر ساخت جمع آوری داده ها را داشته باشند.سازمانی که زیر ساخت جمع آوری داده ها را ندارد اصولا نمیتواند وارد این حوزه شود.از طرفی شرکت ها باید سرمایه گذاری کلانی برای ایجاد زیر ساخت جمع آوری داده ها انجام دهند.اما خبر خوب این است که اینگرو اینکار را انجام داده است .اینگرو زیر ساخت جمع آوری داده ها را به آسانی در پلتفرم خود فراهم کرده استو شرکت ها میتوانند برای تست بصورت رایگان، بمدت یک ماه از این زیر ساخت استفاده کنند و داده محور بودن را تجربه کنند.بنابر این اولین قدم برای بازاریابی داده محور جمع آوری داده ها است.برای بازاریابی داده محور، بازاریابی بازگشتی، تحلیل داده های crm ، تحلیل فانل....جمع آوری داده ها الزامی است. اینگرو این زیر ساخت را برای شرکت ها فراهم کرده است .چه داده هایی را باید جمع آوری کنیم؟جمع آوری داده ها یک تخصص است و لذا مهم است که چه داده هایی را جمع آوری کنیم. اگر داده ها بیش از حد زیاد باشند و بدون برنامه اقدام به جمع آوری داده ها کنیم داده های اصلی گم میشوند و اگر داده های کم یا بی ربط را جمع آوری کنیم قادر نخواهیم بود تحلیل درست و واقعی از داده ها داشته باشیم، بعد از جمع آوری داده ها " ذخیره سازی داده ها " اهمیت پیدا میکند.ذخیره سازی داده هاداشتن زیر ساخت ذخیره سازی داده ها مهمترین بخش است که باید بعد از جمع آوری داده ها مورد توجه قرار میگیرد. اگر داده های شما در یک محیط امن ذخیره نشوند چه اتفاقی برای آینده کسب و کار شما اتفاق خواهد افتاد؟ یا اگر داده های شما بدلیل نداشتن یک زیر ساخت بیگ دیتا از دست برود و وقتی که شما بدنبال آنها میروید که از آنها استفاده کنید ببینید که با تاسف از دست رفته اند چه خواهید کرد؟!!!این سوال ها و بیشتر از این ها، سوال هایی هستند که اهمیت ذخیره سازی داده ها را برای کسب و کارها نشان میدهد.اینگرو در یک محیط امن داده های شما را با رعایت پروتکل های امنیتی که کلیدش در دست شما خواهد بود بصورت امن نگهداری میکند.آنچه ما میدانیم این است که بیش از 90 درصد شرکت ها و تقریبا همه شرکت های کوچک و متوسط فاقد این زیر ساخت (زیر ساخت بیگ دیتا) به دلیل هزینه بالای سرمایه گذاری و هزینه نگهداری آن هستند .پس قدم اول این است که شما دسترسی به یک زیر ساخت داشته باشید که داده های شما را جمع آوری و ذخیره کند.اینگرو این کار را برای شما میکند.سرویس زیر ساخت بیگ دیتای اینگرو دسترسی شما را به داده های خام فراهم میکند و داده های شما را در محیط ابری بصورت بلادرنگ جمع آوری و ذخیره می نماید.آنچه تا اینجا اینگرو انجام میدهد در حوزه استریمینگ و ذخیره سازی داده‌ها است و از اینجا به بعد هر آنچه را بخواهید در حوزه آنالیتیکس انجام میدهیم، بعد از ذخیره سازی داده ها نیاز به ابزار تحلیل داده ها داریم .در این حوزه سوال این است که استفاده از ابزارهای تحلیلی چه نتایجی به کسب و کارها ارایه میدهد؟ و چه ارزشی را برای کسب و کارها خلق میکند. اصولا تحلیل داده ها دو خروجی مهم دارد.1- تحلیل بررسی موجود، خروجی این تحلیل این است که کسب و کار ما در چه وضعیتی است و چه اتفاقی در حال رخ دادن است.2- پیش بینی درستی از آینده داشته باشیم و قادر باشیم گام های بعدی را برنامه ریزی کنیم.نکته مهم در این قسمت داشتن داده های درست است.اگر داد ها را درست ذخیره کرده باشیم و روایی داده ها درست باشند طبیعی است که باید تحلیل درستی داشته باشیم. داده ها باید چرایی یک اتفاق را توضیح دهد. اینکه شما فقط یک نمودار فروش داشته باشید اصلا کافی نیست بلکه داده ها باید به شما چرایی یک نمودار و علت بالا و پایین رفتن این نمودار را توضیح دهد. و به شما کمک کند که چرایی ها را بفهمید و بعد به شما بگوید که چگونه باید اقدام کنیم تا اتفاق مورد نظر شما تحقق پیدا کند باید به شما بگوید چگونه به اهداف مورد نظرتان دست پیدا کنید.مهمترین ویژگی داده محور بودن این است که پاسخ این سوال ها را بدهد.تحلیل داده ها در کجای کسب و کار شما باید باشد؟این تحلیل ها بستگی به نوع داده های شما دارد.برای تحلیل های محصول، مشتری، کمپین های تبلیغاتی، تجزیه و تحلیل ردپای مشتریان، تجزیه و تحلیل­ داده های سیستم پیگیری مشکلات مشتریان، تجزیه و تحلیل­ داده های فروش(funnel)، تجزیه و تحلیل­ داده های وبلاگ و محتواهای منتشر شده، تجزیه و تحلیل داده های منابع انسانی، تجزیه و تحلیل داده های CRM ... نه تنها باید زیر ساخت این داده ها را داشته باشید بلکه بتوانید داده های این بخشها را به یک زیر ساخت ساده و منعطف منتقل نمایید و از نتایج آنها در تصمیم گیریها استفاده کنید.یادآوری می کنیم که نوع داده ها خیلی اهمیت دارند مثلا اگر کانال ورودی داده ها به اشتباه انتخاب شده باشد به نتایج درستی نخواهید رسید و با تحلیل داده های غلط به اطلاعات ذیقیمتی نخواهید رسید و شما را گمراه ترخواهد کرد. بنابراین مهم است که شما به داده های خام دسترسی داشته باشید و ابزاری داشته باشید که بتوانید با زدن کوئری های متعدد آنها را مقایسه و تحلیل کنید.داده های درست به شما کمک میکند که در مسیرهای غلط قرار نگیرید در واقع داده های درست فانوسی بر این تاریکخانه می تاباند تا به خرد برسید.مثلا داده های درست بازار به شما خواهند گفت که سگمنت بندی شما درست است اما باید محصول را با مارکت فیت کنید و یا خواهد گفت که محصول شما درست است ولی سگمنت را به اشتباه انتخاب کرده اید، نتیجه اینکه داده های درست شما را به تصمیم گیری درست هدایت میکند و مانع از اشتباهات رایج شهودی میگردد و در نهایت داده ها به شما خواهند گفت که چه تصمیمی درست است .آنچه امروز اهمیت داده ها را بیشتر و با گذشته متفاوت میکند سرعت تولید داده ها است، نه تنها سرعت تولید داده ها بلکه سرعت تغییر سایر متغییرهای محیطی هم هست که ضرورت توجه به داده ها را نسبت به گذشته صد چندان میکند.در فضای دیجیتال و ابزارهای موجود روند داده محور شدن و توجه به ضرورت داشتن یک زیر ساخت بیگ دیتا اهمیت ویژه ای پیدا کرده است و نتایج پیش بینی آینده هم ساده تر وسریعتر شده است و نتایج آن هم نسبت به گذشته صد چندان دقیق تر شده است و مدیران را از تصمیمات شهودی به تصمیمات TO THE POINT میرساند و مدیران را قادر می سازد که دقیقا انگشت روی نقاط تغییر بگذارند.تحلیل های پیش بینی کنندهتحلیل های پیش بینی کننده مسیر رشد و توسعه کسب و کارها است.در کسب و کارها با تحلیل داده های درست می توانیم پیش بینی کنیم در آینده چه اتفاقی می افتد .بخشی از این پیش بینی ها از تحلیل داده های گذشته است و بخشی هم از تحلیل داده هایی است که در زمان حال در حال وقوع است و به کمک آنها میتوانید منابع تان را برای آینده مدیریت کنید.برای این پیش بینی قطعا ابزارها به شما کمک خواهند کرد .اینگرو دیتای کسب و کار شما را جمع آوری میکند و آن را به اطلاعات و دانش تبدیل میکند و نتایج آن کسب و کار را به یک خرد تبدیل میکند.پلتفرم داینامیک استریم کردن داده هااینگرو اینجاست تا بتوانید تحلیل درستی از اوضاع کسب و کارتان چه از لحاظ محیط خارجی و چه داخلی داشته باشیدزیر ساخت بیگ دیتای اینگرو هزينه جمع آوری و تجزيه و تحليل داده ها را آنقدر کاهش داده است که در مصرف آن ترديد نداشته باشيد.در واقع يک چيز خيلی مهم را بسيار ارزان کرده است، اینگرو هزینه پيش بينی را هم ارزان کرده است.اینگرو فرآيند دسترسی به اطلاعات مفقود شده ناشی از عدم بکارگیری داده ها و استفاده از داده‌های استفاده ‌نشده را ایجاد کرده است.تمرکز ما بر اين است که کمک کنيم موقعيّت هايی شناسايی شوند که در آن ”پيش بينی ” ارزشمند خواهد بود و ببينيد تا چه حد از آن سود خواهيد برد inGrow inGrow Mon, 28 Jun 2021 19:50:19 +0430 https://virgool.io/@ingrow/%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D8%A7%D8%B1%D8%AA%D8%A8%D8%A7%D8%B7-%D8%A8%D8%A7-%D9%85%D8%B4%D8%AA%D8%B1%DB%8Ccrm-%D8%AF%DB%8C%DA%AF%D8%B1-%DA%A9%D8%A7%D9%81%DB%8C-%D9%86%DB%8C%D8%B3%D8%AA-aqatp5oznaxx در عصر امروز که عصر مشتری مداری است، ارتباط صحیح با مشتری و پاسخ گویی در زمان مناسب به درخواست ها، مشکلات و سوالات آن ها بسیار حائز اهمیت است. برای پیشبرد عملکرد صحیح تنها CRM ها ( نرم افزار مدیریت ارتباط با مشتری ) کافی نیستند. شما نیازمند فناوری های به روزتری مانند نرم افزار های HelpDesk متناسب با کسب و کار خود هستید، تا بتوانید نیازها، مشکلات و درخواست های مشتریان را بررسی کرده و پاسخ گو باشید.تجزیه و تحلیل داده های CRM با پلتفرم داینامیک استریم داده های اینگرواین مساله ی مهم، نیازمند جمع آوری و تجزیه و تحلیل داده های مشتریان است، که اگر شما خودتان بخواهید برای تمام مراحل آن اقدام کنید شامل هزینه زیاد و بسیار زمان بر است.با توجه به فراگیری و دسترسی به تکنولوژی‌های جدید توسط کاربران، امروزه مردم برای بیشتر کارهای خود مانند پرداخت قبوض، خرید شارژ و… از آسان پرداخت ها و از طریق تلفن همراه خود اقدام می کنند. همچنین با شرایط فعلی حاکم برجامعه اکثر مردم خرید های خود را از طریق آنلاین و توسط فروشگاه های اینترنتی انجام میدهند. بنابر سازمان های فین تک (Fintech ) و آنلاین شاپ ها با توجه به نیاز گسترده شان به ارتباط با مشتری جهت حل مشکلات و پاسخ گویی به درخواست های ایشان نیاز دارند تا تصمیمات داده محور بگیرند. پلتفرم inGrow در کنار این دسته از کسب و کار ها قرار می گیرد تا نیازهایشان را برطرف کند.امروزه در کسب و کارها، یکی از دغدغه های مدیران بازرگانی، جمع آوری کل داده ها و تجزیه و تحلیل همزمان آنها است که این کار امکان پذیر نیست یا بسیار دشوار است. متخصصان ما در پلتفرم inGrow تمام تلاش خود را به کار برده اند تا بتوانند به بهترین نحو و به صورت بلادرنگ تمام داده های مشتریان شما را جمع آوری، تجزیه و تحلیل و ذخیره کنند.یکی دیگر از دغدغه های مدیران بازرگانی، این است که برای یافتن نیازها و درخواست های مشتریان به همه اطلاعات آن ها دسترسی آسان ندارند. اینگرو در این زمینه هم برای شما راه حلی را در نظر گرفته است. شما با کمک اینگرو می توانید از طریق تعبیه ی داشبورد های اختصاصی، تمام اطلاعات مشتریان را جمع آوری و دسته بندی کنید تا هر موقع که خواستید دسترسی آسان به آن ها داشته باشید.در عصر مشتری مداری این روزهای دنیای کسب و کار، شما نیاز دارید هر لحظه با مشتریان خود در ارتباط باشید. برای تسهیل این امر شما باید از نرم افزار تیکتینگ یا HelpDesk متناسب با کسب و کار خود را استفاده کنید. در کنار این نرم افزار شما باید تمام داده های مشتریان را به صورت لحظه ای جمع آوری و تجزیه و تحلیل کنید. این کار، زمان و هزینه ی گزافی را در پی دارد.پلتفرم inGrow همراه همیشگی شما خواهد بود. این پلتفرم با قرار گرفتن در کنار نرم افزار تیکتینگ شما، همه داده ها را بلادرنگ جمع آوری و تجزیه و تحلیل می کند. اینگرو هزینه ها را کاهش داده و کیفیت را به میزان قابل توجهی بالا برده است، پس جای تردیدی برای انتخاب باقی نیست. برای کسب اطلاعات بیشتر با ما تماس حاصل فرمایید و از خدمات ما بهره ببرید. inGrow inGrow Thu, 10 Jun 2021 14:46:15 +0430 https://virgool.io/@ingrow/%D8%B4%D8%B1%DA%A9%D8%AA-%D9%87%D8%A7%DB%8C-%D8%A8%D8%B2%D8%B1%DA%AF-%D8%A8%D8%A7-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D8%AC%D9%85%D8%B9-%D8%A2%D9%88%D8%B1%DB%8C-%D8%B4%D8%AF%D9%87-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D8%AA%DB%8C%DA%A9%D8%AA%DB%8C%D9%86%DA%AF-%DA%86%D9%87-%D9%85%DB%8C-%DA%A9%D9%86%D9%86%D8%AF-wnc6hhv0xdvn نرم افزار helpdesk یا تیکتینگ چیست؟تجزیه و تحلیل داده های نرم افزار هلپ دسک با پلتفرم تحلیل داده مشتریان و بازاریابی داده محور اینگرونرم افزار تیکتینگ ( HelpDesk)، یک تیم متمرکز در یک شرکت است که به طور دسته جمعی به کارمندان یا مشتریان خدمات می دهند، و از یک محصول نرم افزاری برای سازماندهی درخواست ها استفاده می کنند.helpdesk برای برقراری ارتباط استفاده می شود، به همین دلیل به عنوان سیستم تیکتینگ نیز شناخته می شود.اطلاعات جمع آوری شده از تیکت ها، منبع ارزشمندی از اطلاعات مشتری است. شما می توانید با تجزیه و تحلیل اطلاعات جمع آوری شده، برای موارد جدید دلخواه مشتری آماده شوید.نرم افزار helpdesk گزارش های مهمی ایجاد می کند که به شما امکان می دهد تا عملکرد تیم خود را تأیید کنید و استراتژی خدمات مشتری خود را بهبود ببخشید.هشت معیار میز کمک (Helpdesk) برای پیگیری بهتر و پشتیبانی مشتریمشتریان حیات و ممات کسب و کارها هستند. به همین دلیل حمایت از آنها برای موفقیت مشاغل حیاتی است نرم افزار Helpdesk، مراقبت از نیازهای مشتری را آسان ترمی کند، حتی اگر  آنلاین نباشند.اگردر فکراستفاده از یک محصول نرم افزاری Helpdesk  هستید، معیارهای مختلفی وجود دارد که شما باید هنگام تهیه این نرم افزار برای پاسخگویی به نیازهای مشتریان خود به آنها توجه کنید.به همین دلیل فقط پرداختن به فیچرهای میز کمک در داخل نرم افزار Helpdesk کافی نیست بلکه  باید بتوانید تجزیه و تحلیل داده های مربوط به آن را هم به روشی منطقی نشان دهید و بتوانید آنها را بصورت نمودارهای خطی، میله ای، دایره ای، پراکنده و موارد دیگر ارایه دهید.عدم توانایی درارائه آسان این روش های تجزیه و تحلیل می تواند هزینه / منافع خرید نرم افزار Helpdesk را با ابهام مواجه کند و این سرمایه گذاری حاصلی برای شما نداشته باشد.نرم افزارHelpdesk  باید بتواند در درک نیاز معیارهای مشتری به شما کمک کند تا شما را از رقبا متمایز سازد.مدیران کسب و کارها میدانند که داده های مربوط به استفاده و عملکرد مشتریان از طریق فرانت نرم افزار به آنها این امکان را می دهد که معیارهای مشتریان خود را درک کنند و با بکارگیری این معیارها قادر باشند با ارایه خدمات بهتر بر ارزش محصول خود نسبت به رقبا بیفزایند.بنابراین چالش در جمع آوری داده ها است.اما وقتی همه این داده ها را جمع آوری کردید با آنها چه کار می کنید؟ شما نمی توانید فقط یک سری اعداد داشته باشید که آنها خودشان را تعبیر کنند زیرا در این صورت این اطلاعات ارزشمند نخواهند بود.مدیران یک سیستم می خواهند به آنها کمک شود. وقتی مشکلات شان بروز پیدا میکند بتوانند با دستیابی به داده های درست و بموقع آنها را تجزیه و تحلیل کنند یا بتوانند مشکلات میز کمک مشتریان ( Helpdesk) را آنالیز و تحلیل کنند.1. تعداد بلیط های (تیکت های) فعال پشتیبانییکی از کارهایی که نرم افزار helpdesk انجام می دهد ایجاد تیکت پشتیبانی برای درخواست خدمات مشتری، شکایت، سوال، مسائل و غیره است. درهر لحظه یک شرکت باید بداند که در حال حاضر، چه تعداد تیکت پشتیبانی فعال است و در صورت نیاز، چه اقدام اضافی برای حل تیکت های صادرشده  انجام داده و …. و این معیارها  چه هستند.2.مدت زمان در صف و / یا زمان پاسخگوییپاسخ به هر تیکت (ticket) چقدر طول می کشد؟ مشتریان چه مدت منتظر پاسخ اول، دوم، سوم و غیره هستند؟ پاسخهایی از این قبیل سلامت مشتریان را پشتیبانی می کند. هرچه سریعترتیکت حل شود، بهتر است. بالاخره واضح است که مشتری با پاسخ سریع خوشحالتر می شود.3.روند بلیط (تیکت ها)این معیار در مقایسه با بازه زمانی مشابه هفته های گذشته، چندین اطلاعات کلیدی از جمله عکس العمل های فوری به تیکت های دریافت شده، حل و فصل تیکت های حل نشده و …به شما ارائه می دهد. اینکه بتوانید به راحتی بین بازدیدهای روزانه، هفتگی و ماهانه جابجا شوید و به یک تغییر دهنده بازی تبدیل شوید مهم است و این چیزی است که فقط داده ها به شما می گویند.4. امتیاز رضایت مشتریمعمولاً پس از حل و فصل تیکت؛ مشتری این فرصت را دارد تا میزان رضایت خودش را از نتیجه با شما به اشتراک بگذارد. اگر رضایت مشتری کم است، دلیل آن ممکن است به راحتی با سایر معیارهای میز راهنما تعیین شود .5. منبع صدور تیکت هااینکه بتوانید بفهمید منشاء تیکت های پشتیبانی شما از کجا تولید می شود به مدیریت این امکان را می دهد که روندها را مشاهده کند و محتوای خاص را برای کمک بهتر به مشتریان ایجاد کند.به عنوان مثال، اگر بیشتر تیکت ها از طریق پورتال ارائه می شود، شاید فرصتی و ضرورتی برای بهبود پیام های درون برنامه ای و اسنیپت های (snippet) آموزشی وجود داشته باشد.6. حجم تیکت هابا گذشت زمان مشخص خواهد شد که حجم تیکت های میز کار چه زمانی افزایش می یابد. مثلا  ممکن است تعداد تیکت های میز خدمت مشتریان شما در هنگام فروش در تعطیلات یا هنگام راه اندازی سرویس جدید افزایش یابند.با استفاده از داده های گذشته می توانید پیش بینی کنید که پرونده های عقب مانده چه مشکلی دارند و یا می توان با اضافه کردن کارکنان پشتیبانی راهی برای حل سریعتر آن تیکت ها در ساعات مشخصی در نظر گرفت.7. تیکت های دریافتی کدام بخش بیشتر است؟کدام دپارتمان ها عمده تیکت های Helpdesk را دریافت می کند؟ در این صورت، آیا ممکن است این بخش به کمک بیشتری نیاز داشته باشند؟ یا عوامل دیگری مانند اشتباه مسیریابی تیکت ها به این بخشهای وجود دارد. در هر صورت اطلاعات بیشتر  کلید  حل سریعتر و کارآمد تیکت ها است.8. عملکرد فردیعملکردهای فردی خدمات مشتریان چگونه وظایفی را که از آنها انتظار می رود انجام می دهند؟ در برخی موارد مشتریان شما ممکن است دریابند که عوامل پشتیبانی عملکرد خوبی دارند و مستحق مواردی مانند تشویق هستند.در برخی دیگر ممکن است متوجه شوید که آنها برای عملکرد بهتر در کار نیاز به آموزش اضافی دارند.اهمیت نرم افزارهای HelpDesk در سازمان های بزرگنرم افزار تیکتینگ به طور همزمان سبب سود مشاغل، مشتریان و نمایندگان می شود. آیا فکر می کنید نرم افزار هلپ دسک برای کسب و کار شما از اهمیت بالایی برخوردار است؟ در اینجا لیستی از مزایای helpdesk ارائه شده است.1. یکسان سازی کانال های پشتیبانینه مشتریان و نه کارمندان دوست ندارند از یک کانال به کانال دیگر جا به جا شوند. Helpdesk این مشکل را برطرف می کند. به مشتریان این امکان را می دهد تا در تمام مراحل کار به صورت یکپارچه به مسیر خود ادامه دهند.2.پیگیری عوامل پشتیبانیاعتبار شرکت به تیم پشتیبانی مشتریان بستگی دارد. به وسیله این تکنولوژی مدیران توانایی بررسی روند انجام پشتیبانی را پیدا خواهند کرد. Helpdesk به شما امکان می دهد سوالات و پاسخ های مشتریان را پیگیری کنید.با استفاده از آن، می توانید نحوه شخصی سازی گزارش ها همراه با ارائه تجزیه و تحلیل قوی را ایجاد کنید.3. درک رفتار مشتری به وسیله ی تجزیه و تحلیلداده ها و تجزیه و تحلیل های بی درنگ به شناخت کافی مشتریان کمک می کنند. این امر در ترسیم یک تصویر واضح از آنچه مشتریان به آن اهمیت می دهند، بهبود بهره وری داده ها، و همچنین تصمیم گیری آگاهانه تاثیر دارد. تجزیه و تحلیل بلادرنگ داده ها از خدمات مهم اینگرو است.قراردادن معیارهای مشتری در نرم افزار میز کمک شماشما به روشی برای تفسیر داده هایی که مشتریان در نرم افزار تان جمع آوری می کنند نیاز دارید. با استفاده از این داده ها می توانید آگاهانه تر با تیم های خدمات مشتری خود تصمیم بگیرید. اما هنگامی که تصمیم گرفتید معیارهای مشتری رو در نرم افزار خود بگنجانید، چگونه می توانید آن را پیاده سازی کرده و خواندن و فهم آن را آسان کنید؟شما به روشی برای تفسیر داده هایی که مشتریان در نرم افزار تان جمع آوری می کنند نیاز دارید. با استفاده از این داده ها می توانید آگاهانه تر با تیم های خدمات مشتری خود تصمیم بگیرید. اما هنگامی که تصمیم گرفتید معیارهای مشتری رو در نرم افزار خود بگنجانید، چگونه می توانید آن را پیاده سازی کرده و خواندن و فهم آن را آسان کنید؟با تحقیق در مورد گزینه های خود متوجه می شوید که دو گزینه دارید:ساخت از ابتدا: این پیچیده ترین و زمانبرترین مسیر است.خرید و پیاده سازی: با شرکتی کار کنید که یک راه حل انعطاف پذیر سفارشی به شما ارائه دهد و شما قادر باشید یک راه حل تجزیه و تحلیل سفارشی برای نرم افزار Helpdesk داخلی خود ایجاد کنید.هنگامی که راه حل خود را ایجاد می کنید، کنترل خلاقانه کاملی بر همه چیز از تجزیه و تحلیل داده ها تا زیرساخت ها را دارید. همچنین شما بر روی آنچه ایجاد می کنید کاملاً مالکیت خواهید داشت همچنین نحوه پرس و جو و نمایش داده ها برای شما انعطاف پذیر خواهد بود.حقیقت این است که ساختن یک راه حل برای تجزیه و تحلیل ها می تواند از بسیاری جهات بسیار پر هزینه باشد.سبک و سنگین کردن اینکه خودتان آن را بسازید یا از یک نرم افزارسفارشی شده آماده استفاده کنید بستگی به سه پارمتر زیر دارد:هزینه از دست دادن فرصت ها: شما و تیم تان می توانید روی ماموریت اصلی کسب و کارتان کار کنید.ریسک ایجاد یک راه حل متوسط ایستا: با توسعه نیازهای مشتری، شما در معرض خطر یک راه حل شکننده، انعطاف نا پذیر وبه سختی قابل دستکاری در آینده قرار میگیرید.نیروی متخصص دائمی مورد نیاز: شما پیوسته به نیروی تخصصی دائمی که باید با تکنیک های جدید خود را به روز کند، نیاز خواهید داشت که یافتن و جذب آنها برای همیشه گاهی اوقات خیلی دشوار است.راه بهتر – برای ایجاد زیرساخت داده های خود با inGrow  تماس بگیرید.با در نظر گرفتن زمان و هزینه های مالی ساخت برنامه توسط خودتان، احتمالا متقاعد خواهید شد که یک  راه حل آماده خریداری کنید. مشکل این ایده این است که اگرچه سریع و ساده است، اما ممکن است شما به تمام معیارهای مشتری که نرم افزارهای شما نیاز دارند در لحظه شروع دسترسی نداشته باشید.اما نگران نباشید ما در کنار شما هستیم خیلی سریع آنها را شخصی سازی میکنیم.تصور کنید که یک شریک در کنار خود دارید که به شما کمک می کند که سریعتر و ارزان تر و بدون محدودیت یک راه حل تجزیه و تحلیل مشتری ایجاد کنید. اینگرو، راه حل تجزیه و تحلیل تعبیه شده ای است که در جستجوی آن هستید. با ترکیب نرم افزار helpdesk خود با اینگرو شما یک راه حل سفارشی مناسب برای خود دریافت می کنید. همه اینها سریعتر و ارزان تر از آن است که بخواهید خودتان بسازید.ویژوال کردن داده های معیارهای مشتریان تان برای بهبود و رشد کسب و کارتان هرگز آسان نیست. اما در هر مرحله از این راه حل ما دست در دست شما کار می کنیم.نحوه کار با اینگرو :تیم فنی ما با شما همکاری می کند تا یک مدل پردازش داده و همچنین یک تجربه فرانت را مطابق با مشخصات مورد نیاز شما طراحی کنید. حتی اگر ایده ای ندارید، کارشناسان تجسم داده اینگرو داشبورد های پیشنهادی برای شما می سازند که ساده، زیبا و منعطف باشند و شما را تحت تأثیر قرار دهند.از آنجا که ما با هم کار خواهیم کرد تا تجزیه و تحلیل محصولات تان را سفارشی کنیم و به راحتی سامانه اینگرو با برنامه های موجود شما ادغام شود و نرم افزار جدید و بهبود یافته شما بتواند زودتر و با هزینه کمتری از آنچه انتظار دارید آماده باشد.با حضور inGrow در کنار نرم افزار helpdesk شما، رقابت شما تأثیرگذار خواهد بود.برای مشاهده نسخه کامل مقاله به این لینک مراجعه کنید.https://ingrow.co/help-desk-software/ inGrow inGrow Thu, 10 Jun 2021 14:40:57 +0430 https://virgool.io/@ingrow/%D9%85%D8%AF%D9%84-rfm-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%D9%87-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%DB%8C-%D8%AF%D8%B1-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1%DB%8C%D8%A7%D8%A8%DB%8C-%D8%AF%D8%A7%D8%B1%D8%AF-etibz8twhezg تقسیم بندی مشتریان به سبک اینگرودر مقاله قبلی ( ضرورت درک معیار های مشتری ) به طور مفصل در ارتباط با چگونگی جمع آوری اطلاعات مشتریانتان، نحوه ذخیره سازی داده ها و… بررسی های لازم را انجام دادیم و در این مقاله از جنبه های مختلف ما به بررسی RFM می پردازیم!مدل Rfm چیست ؟مدل “RFM“ به معنای تجزیه و تحلیل داده های معاملاتی گذشته و استفاده از این تحقیقات برای شناسایی بخشهای مختلف مشتری بر اساس سابقه خرید آنها است.متخصصان “RFM” معمولاً از آن در بازاریابی پایگاه داده و بازاریابی مستقیم استفاده می کنند، اما اخیراً “RFM Analysis” (آنالیز Rfm ) بسیار مورد توجه قرار گرفته و به طور گسترده ای در تجارت الکترونیک مورد استفاده قرار می گیرد.مزیت اصلی آنالیز Rfmمزیت اصلی آنالیز RFM این است که شما می توانید هر بخش را با توجه به آنچه که در مورد آنها می دانید بر اساس مرتبه آنها از شاخص هایrecency (خرید اخیر)frequency(تکرارخرید)monetary value (ارزش پولی)جداگانه آنالیز کنید.اکنون که دانستیم RFM مدلی است که از توان ترکیبی سه معیار مهم ، بیایید ببینیم معنی هر یک از این معیارها چیست.عملکرد پلتفرم اینگروامروزه پلتفرم هایی هستند که، وظیفه ی آنالیز مشتری و تقسیم بندی Rfm را برای محصولات شما برعهده میگیرند.محاسبه ی “Rfm “ اگرچه مهم است ولی کار چندان پیچیده ای نیست.پلتفرم نوین “اینگرو” قابلیت متمایزی نسبت به سایرین برای کاربران خود ایجاد کرده که بسیار حائزاهمیت است.این پلتفرم دیتا را به صورت داینامیک و لحظه ای در حجم کلان ( Big Data ) گرفته و آنالیز می کند. جمع آوری داده ها یک تخصص است و لذا مهم است که چه داده هایی را جمع آوری کنیم. داشتن زیر ساخت ذخیره سازی داده ها هم مهمترین بخش است که باید بعد از جمع آوری داده ها مورد توجه قرار میگیرد. اگر داده های شما در یک محیط امن ذخیره نشوند چه اتفاقی برای آینده کسب و کار شما اتفاق خواهد افتاد؟ یا اگر داده های شما بدلیل نداشتن یک زیر ساخت بیگ دیتا از دست برود .اینگرو در یک محیط امن داده های شما را با رعایت پروتکل های امنیتی که کلیدش در دست شما خواهد بود بصورت امن نگهداری میکند.آنچه ما میدانیم این است که بیش از 90 درصد شرکت ها و تقریبا اکثر شرکت های کوچک و متوسط فاقد این زیر ساخت (زیر ساخت بیگ دیتا) به دلیل هزینه بالای سرمایه گذاری و هزینه نگهداری آن هستند .پس قدم اول این است که شما دسترسی به یک زیر ساخت داشته باشید که داده های شما را جمع آوری و ذخیره کند.اینگرو این کار را برای شما میکند.سرویس زیر ساخت بیگ دیتای اینگرو دسترسی شما را به داده های خام (Mart) فراهم میکند و داده های شما را در محیط ابری بصورت بلادرنگ جمع آوری و ذخیره می نماید.اینگرو این زیر ساخت را در اختیار شرکت هایی که سرویس RFM را ارایه میدهند قرار میدهد.آنالیز RFM چیست؟ (تحلیل ارزش مشتریان)آنالیز “RFM“ می تواند به شما نشان دهد، آنهایی که بیشترین خرید را در کوتاه ترین زمان انجام می دهند و بیشترین هزینه را می کنند، با ارزش ترین مشتریان برای تجارت شما هستند.و همه چیز در این پروسه با تقسیم بندی مناسب آغاز می شود. به همین دلیل اولین کاری که باید انجام دهید این است که مشتریان خود را بر اساس متغیرهای “RFM“ در رفتارهای مختلف و الگوهای خرید دسته بندی کنید.در ادامه ما به لیستی از سوالات مهم پاسخ خواهیم داد :مزیت اصلی آنالیز “Rfm ” چیست؟مدل “RFM” بر اساس چه عوامل کمّی ساخته شده است؟عملکرد پلتفرم “اینگرو” در آنالیز “RFM” به صورت است ؟آنالیز”RFM” چیست؟خوشه بندی مشتریان چگونه است ؟با ترکیب بخش های “RFM ” چه اطلاعاتی کسب می شود؟تقسیم بندی مدل “RFM” چگونه است؟دلیل اهمیت “RFM” چیست؟فرمول امتیاز RFM چگونه است؟مرحله آخر محاسبات فرمولی “RFM” چیست؟برای جواب به این سوالات حتما این مقاله rfm را دنبال کنید! inGrow inGrow Sat, 29 May 2021 19:14:24 +0430 https://virgool.io/@ingrow/%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7-%D8%AF%D8%B1-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86-%D8%A8%D8%A7-%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1%DB%8C%D8%A7%D8%A8%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%85%D8%AD%D9%88%D8%B1-%D8%A7%DB%8C%D9%86%DA%AF%D8%B1%D9%88-vbkpihyspirp در مقاله قبلی ( بیگ دیتا ( کلان داده ) چیست؟ + کاربرد های “Big data” در تجارت ) به طور مفصل در ارتباط با تعریف بیگ دیتا، تاریخچه کلان داده، کاربرد و کارایی big data، مقررات و چالش های کلان داده و… بررسی های لازم را انجام دادیم. اگر در ارتباط با مفهوم Big Data می خواهید تمام جوانب را بررسی کنید در ابتدا مقاله قبلی و بعد این مقاله را مطالعه کنید.برای بررسی کاربرد ” Big Data “ در بازاریابی داده محور، ابتدا بیایید با مفهوم ” بازاریابی داده محور” آشنا شویم.بازاریابی داده محور ( Data-Driven Marketing ) :بازاریابی داده محور روشی برای بازاریابی است که با استفاده از داده های به دست آمده از طریق تعاملات مشتری، می تواند دیدگاه بهتری در مورد انگیزه ها، ترجیحات و رفتارهای مشتریان کسب کند. بازاریابی مبتنی بر داده در نهایت به شرکت ها کمک می کند تا عملکرد کانال بازاریابی خود را بهینه کنند و در عوض تجربه مشتریان خود که منجر به درآمد و سود بیشتر می شود را افزایش دهند.شرکت مکنزی طی تحقیقات خود در رابطه با بازاریابی های داده محور گفته است :استفاده از پلتفرم های داده محور سبب پنج درصد بازدهی بیشتر و شش درصد هزینه کمتر می شودتصمیم گیری داده محورتصمیم گیری مبتنی بر داده (DDDM) فرایندی شامل جمع آوری داده ها بر اساس اهداف قابل اندازه گیری یا KPI ها، تجزیه و تحلیل الگوها و اطلاعات حاصل از این بینش ها است که استفاده از آنها برای توسعه استراتژی ها و سود آوری تجارت شما مفید است.تصمیم گیری داده محور در تجارت، به اشکال مختلف دیده می شود. به عنوان مثال، یک شرکت ممکن است:پاسخ های نظرسنجی را جهت شناسایی محصولات، خدمات و ویژگی های مورد علاقه مشتریان جمع آوری کند.جهت مشاهده چگونگی تمایل مشتریان به استفاده از محصول یا خدمات خود و شناسایی مشکلات احتمالی آزمایش های لازم را انجام دهد.محصول یا خدمات جدید خود را جهت آزمایش و درک چگونگی عملکرد آن در بازار در قسمت آزمایشی قرار دهد.تغییرات داده های جمعیتی را، برای تعیین فرصت ها یا تهدیدات تجاری تجزیه و تحلیل کند.راهکارهای داده محور با پلتفرم داینامیک استریم دادهدر حال حاضر کمپانی هایی در دنیای مارکتینگ مانند ( keen، segment، ingrow ) به مشتریان جهت تسهیل تصمیم گیری داده محور که یکی از مهم ترین عاملین سود آوری و موفقیت برای کسب و کار شما هستند کمک های زیادی می کنند.شما می توانید در پلتفرم اینگرو با ترکیب جامع داده ها،  داشبوردهایی را تعریف کنید و تعیین کنید که این داشبوردها برای چه کسی یا کسانی در تیم خواهد بود، و چه نوع معیارهایی، چارت ها و نمودارهایی برای آنها تهیه شود، مانند مقایسه ها، ترکیب روندها و … با استفاده از داده های به دست آمده از طریق این داشبورد های اختصاصی می توانید بهترین تصمیمات را برای کسب و کار خود بگیرید.( برای اطلاعات بیشتر مقاله “امکانات پلتفرم اینگرو در نرم افزارهای CRM (مدیریت ارتباط با مشتری)” را مطالعه کنید.)کاربرد های کلان داده در بازاریابی یک تیم بازاریابی که برای جمع آوری اطلاعات و کار با تجزیه و تحلیل داده های بازاریابی تشکیل شده است، قدرت ایجاد مزایای بسیاری را به همراه دارد. یک برند تجاری می تواند بازاریابی خود را برای مخاطبانش شخصی سازی کند و باعث افزایش تجربه مشتری شود. تلاش های بازاریابی می تواند برای تولید قیف فروش و صرفه جویی در هزینه های خرید بهینه شود و محصولات نیز می توانند از اطلاعات مفیدی بهره مند شوند.داشبوردهای اختصاصی فروش در اینگرو ساخت یک قیف بصری (ویژیولایز) برای بنچ مارک (محک زدن) و پیش بینی اهداف آینده در برابر واقعیات فعلی را برای شما ایجاد می کند.چرا کلان داده برای بازاریابی مهم است؟داشتن بیگ دیتا به طور خودکار منجر به بهبود بازاریابی شما نمی شود. کلان داده را به عنوان داده مخفی، داده اولیه یا عنصر اساسی خود در نظر بگیرید. این داده ها خیلی مهم نیستند. بلکه تصمیمات و اقدامات شما براساس این داده ها، اهمیتشان را آشکار می کند.با تلفیق Big Data و یک استراتژی مدیریت بازاریابی یکپارچه، سازمان های بازاریابی می توانند تأثیر قابل توجهی در زمینه های اصلی کسب و کار خود داشته باشند.تعامل مشتری:کلان داده می تواند در مورد اینکه مشتری شما چه کسانی هستند، در کجا هستند، چه چیزی می خواهند، چگونه و در چه زمانی میخواهند که با آنها تماس گرفته شود، بینش مفیدی را برای شما ایجاد کند.حفظ مشتری و وفاداری:بیگ دیتا می تواند به شما کمک کند تا بفهمید چه چیزی بر وفاداری مشتری تأثیر می گذارد و چه عواملی باعث می شود که او بارها و بارها به شما مراجعه کند.بهینه سازی عملکرد بازاریابی:با استفاده از کلان داده، می توانید از طریق آزمایش، اندازه گیری و تجزیه و تحلیل، به طور مداوم برنامه های بازاریابی را بهینه کنید.جهان با استفاده از کلان داده نیرو می گیرد و اکنون شرکت ها را مجبور می کند تا در زمینه مشاوره Big Data به جستجوی متخصصانی بپردازند که قادر به پردازش داده های پیچیده باشند. اما، آیا در آینده نیز چنین خواهد ماند؟آینده Big Dataحجم داده ها همچنان افزایش می یابد و به فضای ابری منتقل می شونداکثر کارشناسان کلان داده توافق دارند که میزان داده های تولید شده در آینده به طور چشمگیری در حال رشد است. IDC در گزارش Data Age 2025 خود برای Seagate پیش بینی کرده است که فضای داده جهانی تا سال 2025 به 175 ztababytes خواهد رسید. برای کمک به شما در درک اندازه آن، اجازه دهید این مقدار را در iPad های 128 گیگابایتی اندازه گیری کنیم. در سال 2013، این پشته دو سوم فاصله زمین تا ماه بود و تا سال 2025 این پشته 26 برابر افزایش خواهد یافت.AWS، Microsoft Azure و Google Cloud Platform نحوه ذخیره و پردازش کلان داده را تغییر داده اند. پیش از این، هنگامی که شرکت ها قصد داشتند برنامه های فشرده داده را اجرا کنند، لازم بود مراکز داده خود را از نظر فیزیکی رشد دهند. اکنون، زیرساخت های ابری با پرداخت هزینه های خدمات خود، چابکی، مقیاس پذیری و سهولت استفاده را فراهم می کنند.محیط های ترکیبی: بسیاری از شرکت ها نمی توانند اطلاعات حساس را در ابر ذخیره کنند، بنابراین تصمیم می گیرند مقدار مشخصی از داده ها را در محل نگهداری کنند و بقیه را به ابر منتقل کنند.محیط های چند گانه ابری: برخی از شرکت ها که می خواهند نیازهای کاری خود را برطرف کنند، برای ذخیره داده ها با استفاده از ترکیبی از ابرها، چه دولتی و چه خصوصی، حداکثر انتخاب را خواهند داشت.یادگیری ماشین ( machine learning ) به تغییر چشم انداز ادامه خواهد دادیادگیری ماشین فناوری دیگری در روند کلان داده است که نقش بزرگی را ایفا می کند. و انتظار می رود در آینده ما را به شدت تحت تأثیر قرار دهد.وی لی ( Wei Li )، معاون رئیس و مدیرکل اینتل درباره ی یادگیری ماشین می گوید:« یادگیری ماشین با گذشت هر سال پیچیده تر می شود. هنوزنمی توانیم پتانسیل کامل آن را پیش بینی کنیم.احتمالا فراتر از اتومبیل های خودران، دستگاه های تشخیص تقلب یا تجزیه و تحلیل روند خرده فروشی خواهد رفت.»پیش بینی دیگر در مورد آینده کلان داده مربوط به افزایش آنچه “داده های سریع” و “داده های عملی” نامیده می شود است.برخلاف بیگ دیتا، داده های سریع امکان پردازش در جریان های زمان واقعی را معمولاً با استفاده از پایگاه داده های Hadoop و NoSQL برای تجزیه و تحلیل اطلاعات در حالت دسته ای دارند. به دلیل این پردازش جریان، داده ها می توانند بی درنگ و در حد یک میلی ثانیه تجزیه و تحلیل شوند. این اتفاق برای سازمانهایی که می توانند تصمیمات شغلی بگیرند و بلافاصله با رسیدن اطلاعات، اقداماتی انجام دهند، ارزش بیشتری به ارمغان می آورد.اگر کسب و کار شما هم نیازمند تجزیه و تحلیل بی درنگ داده ها در هر لحظه است، می توانید با کمک پلتفرم اینگرو به صورت داینامیک و لحظه ای همه ی داده های مشتریان خود را جمع آوری، تجزیه و تحلیل کنید و به صورت اختصاصی در داشبورد های خود ذخیره کنید تا در هر لحظه به این اطلاعات دسترسی آسان داشته باشید.داده های سریع نیز کاربران را مشغول کرده و آنها را به تعاملات در زمان واقعی عادت داده است. با دیجیتالی شدن مشاغل، که تجربه بهتری را برای مشتری ایجاد می کند، مصرف کنندگان انتظار دارند به داده های موجود دسترسی پیدا کنند. علاوه بر این، آنها می خواهند این داده ها را شخصی سازی کنند.شما در پلتفرم اینگرو می توانید با داشتن داشبوردهای فروش برای تعبیه در نرم افزار کسب و کار خود به صورت شخصی و آسان به داده های موجود دست پیدا کنید.داده های عملی پیوند گمشده بین Big Data و ارزش تجاری است. همانطور که قبلاً ذکر شد، داده های کلان به خودی خود و بدون تجزیه و تحلیل ارزشی ندارند زیرا بسیار پیچیده، چند ساختاری و حجیم هستند. با پردازش داده ها با کمک سیستم عامل های تحلیلی، سازمان ها می توانند اطلاعات را دقیق، استاندارد و عملی سازند. این بینش ها به شرکت ها کمک می کند تا با آگاهی بیشتری تصمیمات شغلی بگیرند، عملکرد خود را بهبود بخشند و موارد بیشتری را برای استفاده از کلان داده طراحی کنند.کاربرد کلان داده در کسب و کار های کوچک یا متوسط ( SMEs )بیگ دیتا، چالشی دلهره آور برای مشاغل کوچک یا متوسط ​​(SME) نیست. دستیابی، ذخیره و کاوش کلان داده توسط مشاغل از هر اندازه قابل انجام است.هجوم داده ها از حسگرها، پخش فایل های گزارش صوتی و تصویری، وب و رسانه های اجتماعی باعث افزایش حجم، سرعت و تنوع داده ها می شود. اما این بدان معناست که فرصت های جدیدی برای SME ها وجود دارد تا بینش صحیح و ارزشمندی پیدا کنند.کاهش هزینهبیگ دیتا می تواند با شناسایی فرآیندهای گران قیمت و گردش کار اضافی، در کاهش هزینه های سازمان شما تأثیر بسزایی داشته باشد. با جدیدترین داده ها، می توانید قسمت های نوسانی کسب و کار خود را پیدا کنید که سبب منافع مالی طولانی مدت می شود.به عنوان مثال، یک شرکت املاک و مستغلات وقتی داده های کلان را در مدل تجاری خود گنجاند، 15 درصد هزینه ها کاهش یافت. آنها پس از مقایسه هزینه های نگهداری پیمانکاران با فروشندگان دیگر، متوجه شدند که big data مزایای مالی قابل توجهی برای آنها فراهم می کند.تجزیه و تحلیل داده های کلان به آنها امکان شناسایی و کاهش خطاهای پردازش فاکتور و خودکار کردن بسیاری از برنامه ها را می دهد.بهبود خدمات مشتریکلان داده خدمات بهتری برای مشتری به همراه دارد. با دریافت بینش واقعی از پایگاه مشتری، می توانید نحوه تفکر و رفتار مصرف کنندگان را دریابید و در کسب و کار خود تغییراتی ایجاد کنید. خدمات شخصی که از تجزیه و تحلیل بیگ دیتا بدست می آید به شما کمک می کند با مشتری در سطح عمیق تری تعامل داشته باشید و خدمات سفارشی ارائه دهید، که باعث فروش بیشتر می شودداشبورد های متفاوت، کاربردی و اختصاصی فروش اینگرو را دست کم نگیرید! این داشبورد ها با در دست داشتن تمامی اطلاعات و داده های مشتریان شما از ابتدا به صورت لحظه ای، تجزیه و تحلیل را برای شما آسان می کند و خدمات مشتریان را بهبود می بخشد.آلن برنارد ( Allen Bernard )، روزنامه نگار تجارت، برای  cio نوشت: « کلان داده به بازاریابان برای دستیابی و جذب مشتری کمک می کند. » و « شرکت هایی که از تجزیه و تحلیل استفاده نمی کنند به زودی می بینند که مشتریان به نسبت پول کسر شده ازکیف پول خود به آن ها امتیاز می دهند.»مشاغل کوچک مقدار بیشتری از بیگ دیتای خود را برای حفظ مصرف کنندگان استفاده می کنند.شناسایی و حل مشکلاتابزارهای تجزیه و تحلیل داده ها می توانند هنگام حرکت در قیف فروش شما، بینش ارزشمندی در مورد رفتار مشتری ایجاد کنند. اگرچه تجزیه و تحلیل داده ها علم دقیقی نیست، اما ابزارهایی را برای حل طیف گسترده ای از آنها به شما ارائه می دهد. برای رفع مشکلات پیچیده در تجارت کوچک خود علاوه بر ردیابی مشتریان، می توانید مسائل مرتبط با تأمین کنندگان و سرمایه گذاران را حل کنید.تحقیقات نشان می دهد، به طور متوسط ​​، بیشتر مشاغل کوچک تنها 12 درصد از داده های خود را تجزیه و تحلیل می کنند. با این حال، مشاغل کوچک می توانند با تمرکز، سازمان دهی و تلفیق داده هایی که از قبل دارند، از این قدرت استفاده کنندافزایش درآمدBig Data به روش های مختلفی درآمد را افزایش می دهد. تجزیه و تحلیل بیگ دیتا اطلاعات عمیقی در مورد چرخه زندگی مشتری برای شما فراهم می کند که از این طریق می توانید روش های جدیدی را برای تشویق مشتریان شناسایی کنید.داده های خوب ممکن است به شما اطمینان دهند که نیاز به راه اندازی یک محصول جدید یا تنوع بخشیدن به تجارت خود دارید که این سود آور است.به طور متوسط ​​، شرکت هایی که کلان داده  را در تجارت خود گنجانده اند، 8 درصد افزایش سود داشته اند.کارآفرینی می گوید: « بیشتر مردم تصور می کردند که بیگ دیتا فقط برای تجارت بزرگ است. اما هرچه زمان می گذرد، مشخص می شود که این فناوری برای همه مناسب است.»مدیریت تیم کسب و کارکلان داده مدیریت تیم را در تجارت کوچکتان آسان می کند. می توانید کارمندانی را که بیشترین ارزش را برای شما دارند، یا کارمندانی که به منابع یا آموزش بیشتری نیاز دارند را شناسایی کنید. این به این دلیل است که سیستم های تجزیه و تحلیل،  بینش هایی ایجاد می کنند که به شما کمک می کند تا بهره وری را افزایش داده و کارمندان را راضی نگه دارید.بیگ دیتا با ایجاد فرهنگ عالی تیمی باعث تعامل صحیح می شود. شما با یک سیستم عامل یکپارچه سازی به عنوان یک سرویس (iPaaS) مانند PieSync، می توانید برنامه های مبتنی بر ابر خود را برای داده های غنی شده و گسترده ترین دیدگاه شناسایی کنید.بیگ دیتا در ایرانکمبود وجود تحلیل کلان داده در تمام عرصه‌های زندگی در ایران خالی است. با وجود کم و کسری‌های زیرساختی و نبود متخصصین به میزان کافی، ایرانی ها باچالش استفاده از بیگ دیتا مواجه هستند. جمع‌آوری اطلاعات از منابع مختلف و تمیزکاری دیتا و دیگر مراحل تحلیل بیگ دیتا، نیازمند پیش زمینه‌هایی چون قانونگذاری، حمایت از داده های شخصی کاربران، رعایت حریم خصوصی، آموزش متخصصین، تامین سخت افزارها و نرم افزارهای موردنیاز، توسعه پلتفرم های بیگ دیتا است. بنابراین با وجود فعالیت‌های برخی شرکت های ایرانی در زمینه بیگ دیتا باز هم آن طور که باید و شاید از این تکنولوژی استفاده نمی‌شود.البته ناگفته نماند امروزه در ایران برخی شرکت ها از تحلیل کلان داده بهره های مفیدی می برند. مثلا:دیجی کالا از خدماتBig data  در برای سود آوری کسب و کار خود بهره می برد به علاوه این خدمات را اختیار سازمان های دیگر هم قرار می دهد.اینگرو یکی از پلتفرم های مفید و کاربردی است که به شما در دستیابی به اهداف خود در زمینه ی Big Data کمک های به سزایی خواهد کرد.جمع بندی:ما در این مقاله به بررسی بازاریابی داده محور، کاربرد بیگ دیتا در بازاریابی و موارد مفید دیگری پرداختیم. دانستیم که موفقیت کسب و کار در گرو تجزیه و تحلیل صحیح Big Data است. در ایران مهارت های مربوط به کلان داده تا آن درجه ای که باید نرسیده است اما پلتفرم اینگرو، با خدمات انحصاری خود در رابطه با افزایش توانایی شما برای جمع آوری، تجزیه و تحلیل و ذخیره ی داده ها در داشبورد های اختصاصی و جداگانه به شما امکان می دهد تا سود آوری خود را تضمین کنید.این پلتفرم با آگاهی بخشی از مشکلات و نیازهای مشتریان به شما، بسیاری از مصائب پیش روی کسب و کارتان را تسهیل می کند.شما می توانید برای دریافت کامل تر این مقاله به لینک نقش بیگ دیتا در بازاریابی داده محور مراجعه کنید inGrow inGrow Wed, 19 May 2021 20:37:22 +0430 https://virgool.io/@ingrow/%D8%AF%D8%B1%D8%A2%D9%85%D8%AF-%D8%A7%D8%B2-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7-udykf7z0xt7y برای پاسخ به این سوال باید اول با مفاهیم بیگ دیتا آشنا شدتعریف Big Data به زبان سادهبه بیان ساده، بیگ دیتا مجموعه داده های بزرگ و پیچیده تری هستند، به ویژه از منابع جدید داده ها. این مجموعه داده ها آنقدر حجیم هستند که نرم افزارهای قدیمی پردازش داده،  نمی توانند آنها را مدیریت کنند. اما این حجم عظیم از داده را می توان برای رفع مشکلات تجاری که قبلا قادر به حل آن ها نبودند را مورد استفاده قرار داد.کلان داده ( big data ) داده هایی هستند که تنوع بیشتری دارند و حجم آنها با سرعت بیشتری افزایش می یابد. که با عنوان 3V شناخته می شدند که البته امروزه با عنوان 5V از آنها یاد می شود.پنج ویژگی "5V" کلان داده ها1. حجم زیاد (Volume ) :مقدار داده مهم است. با کلان داده ها، مجبورید حجم زیادی از داده های بدون ساختار با تراکم کم را پردازش کنید. که می تواند داده هایی با ارزش ناشناخته باشد، مانند فیدهای داده توییتر، پخش جریانی کلیک در یک صفحه وب یا یک برنامه تلفن همراه، یا تجهیزات دارای حسگر که برای برخی از سازمان ها ممکن است ده ها ترابایت داده باشد یا صدها پتابایت باشد.2. نرخ تولید بالا ( Velocity ) :” velocity ” سرعت زیاد دریافت و عمل بر روی داده ها است. به طور معمول، بالاترین سرعت داده ها مستقیماً در حافظه در مقابل نوشتن بر روی دیسک جریان می یابد. برخی از محصولات هوشمند دارای اینترنت، در زمان واقعی یا نزدیک به زمان واقعی کار می کنند و برای ارزیابی و اقدام  به زمان واقعی نیاز دارند.3. تنوع فراوان ( Variety ) :تنوع به انواع مختلفی از داده ها اطلاق می شود. انواع داده های قدیمی در یک پایگاه داده رابطه ای ساختارمند و متناسب بودند اما  با ظهور کلان داده ها، داده ها در انواع داده های جدید غیر ساختاری عرضه می شوند. انواع داده های غیر ساختاری و نیمه ساختاری، مانند متن، صدا و فیلم، برای استخراج معنا و پشتیبانی از فراداده به پیش پردازش اضافی نیاز دارند.4. صحت و سلامت داده ها ( Veracity ) :“veracity ”  به اطمینان از کیفیت / یکپارچگی / اعتبار / صحت داده ها اشاره دارد. از آنجا که داده ها از چندین منبع جمع آوری می شوند، ما باید قبل از استفاده از آنها برای بینش کسب و کار، صحت داده ها را بررسی کنیم.5. ارزشمندی ( Value ) :اینکه ما داده های زیادی را جمع آوری کردیم، هیچ ارزشی ندارد، مگر اینکه اطلاعات مفیدی از آن بدست آوریم.سوالی که پیش می آید  این است که چگونه از داده ها اطلاعات مفیدی بدست بیاوریم؟ما درمقاله “استفاده از داده های استفاده نشده” پاسخ جامعی را به این پرسش داده ایم. مقدار، به میزان مفید بودن داده ها در تصمیم گیری اشاره دارد. ما باید ارزش Big Data را با استفاده از تجزیه و تحلیل مناسب بدست آوریم.چرا بیگ دیتا مورد نیاز است؟با توسعه و افزایش برنامه ها و رسانه های اجتماعی و فعالیت افراد و مشاغل به صورت آنلاین، تعداد داده ها بسیار زیاد شده است. اگر فقط به سیستم عامل های رسانه های اجتماعی نگاه کنیم، آنها روزانه بیش از یک میلیون کاربر را مورد توجه و جذب خود قرار می دهند، که این امر داده ها را بیش از هر زمان دیگری افزایش می دهد. سوال بعدی این است که این مقدار عظیم داده ها دقیقاً چگونه اداره، پردازش و ذخیره می شود. اینجاست که Big Data وارد عمل می شود.تجزیه و تحلیل Big Data در زمینه IT انقلابی ایجاد کرد و مزیت های بیشتری را به سازمان ها افزوده. که شامل استفاده از تجزیه و تحلیل، فن آوری عصر جدید مانند یادگیری ماشین، استخراج، آمار و موارد دیگر است. کلان داده ها می تواند به سازمان ها و تیم ها کمک کند تا چندین عملیات را در یک پلتفرم انجام دهند، Tbs داده را ذخیره کنند، قبل از پردازش آن، تجزیه و تحلیل همه داده ها، صرف نظر از اندازه و نوع، و همچنین تجسم آنها.مقاله ای وجود دارد که به تمامی این سوالات در آن پاسخ داده شده است:پنج ویژگی کلان داده ها کدام اند؟بیگ دیتا چه تاریخچه ای دارد؟چرا بیگ دیتا مورد نیاز است؟کلان داده چه کاربردی دارد؟کلان داده ها شامل چه گونه هایی می شود؟کارایی Big data چگونه است؟برای  کلان داده ها چه مقرراتی را باید در نظر گرفت؟کلان داده برای کسب و کار شما چه مزایایی دارد؟ inGrow inGrow Fri, 07 May 2021 23:54:11 +0430 https://virgool.io/@ingrow/%DA%A9%D9%85-%DA%A9%D8%B1%D8%AF%D9%86-%DA%86%D8%A7%D9%84%D8%B4-%D9%87%D8%A7%DB%8C-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7-%D8%A8%D8%A7-%DA%86%D8%B1%D8%AE%D9%87-%D8%AD%DB%8C%D8%A7%D8%AA-%D8%AF%D8%A7%D8%AF%D9%87-%D8%AF%D8%B1-%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85-%D8%A7%DB%8C%D9%86%DA%AF%D8%B1%D9%88-drjitd7rx7an اصلا رسالت ایجاد کردن چرخه حیات داده کم کردن مشکلات بیگ دیتا، و پروژه های بزرگی هست که سرورهاشون پر هست از داده.اگه خیلی به موضوع عمیق تر بشید براتون ممکنه این سوال به وجود بیاد که "چرخه حیات داده ها چه رویکرد هایی دارد؟"در جواب باید بگم که چرخه حیات داده بهترین روش برای نمایش فرآیند تجزیه و تحلیل داده ها از شروع تا آخر پروژه هست.رویکرد های چرخه حیات داده این 4 مورد هستن:· متد علمی · متد کریسپی · استراتژی دلتا · رویکرد اقتصاد کاربردی اطلاعات حالا به تعریف و توضیح تک تک این رویکردها می پردازیم متد علمی : چرخه حیات علمی داده مجموعه ای تکرار شونده از مراحلی است که برای ارائه یک پروژه یا محصول به صورت علمی بررسی می شود. از آنجا که هر پروژه و تیم علوم داده متفاوت است، هر چرخه حیات، مخصوص علم داده متفاوت است. با این حال، بیشتر پروژه های علوم داده تمایل دارند از همان چرخه حیات عمومی پیروی کنند.متد کریسپی :یک رویکرد ساختاری برای برنامه ریزی یک پروژه داده کاوی فراهم می کند. این یک روش قوی و کاملاً اثبات شده است. پلتفرم اینگرو که در حوزه بازاریابی داده محور، فعال و پیشگام است، بشارت دهنده قدرتمند بودن، انعطاف پذیری بالا و مفید بودن آن در هنگام استفاده از تجزیه و تحلیل داده ها برای حل مشکلات تجاری پر پیچ و خم هستیم و بزرگترین مزیت این پلتفرم نسبت به رقبای خود، داینامیک بودن استریم داده ها است که این فرایند به صورت آنی انجام می شود . این مدل دنباله ای ایده آل از وقایع است. در عمل بسیاری از وظایف را می توان به ترتیب دیگری انجام داد و معمولاً لازم است به کارهای قبلی برگردیم و اقدامات خاصی را تکرار کنیم. این مدل سعی می کند تمام مسیرهای ممکن را از طریق فرایند داده کاوی ضبط کند.استراتژی دلتا : مدل دلتا یک چارچوب استراتژیک است که می تواند مدیران را در تدوین و اجرای استراتژی های موثر شرکت به نفع مشتریان خود یاری کند.در مدل دلتا، جای مشتری در مرکز مدیریت است. از آنجا، گزینه های اصلی برای دستیابی به وفاداری مشتری بررسی می شود.رویکرد اقتصاد کاربردی اطلاعات:اقتصاد کاربردی اطلاعات یک روش علمی و نظری است که برای پرداختن به معضلات توسعه یافته به کار می رود. حتی اگر به نظر برسد راهی برای اندازه گیری آن مشکل وجود ندارد، مانند ارزش اقتصادی. اقتصاد کاربردی اطلاعات از روشهایی استفاده می کند که پیشرفتهای پیش بینی شده و تصمیمات مدیریتی را به طور مستقل و علمی اندازه گیری می کند. مفاهیمی که به نظر غیر ملموس می آمدند، اکنون فرمول های اقتصادی اثبات شده ای برای دستیابی به آن ها ایجاد شده اند.این از بحث رویکردهای چرخه تحلیل داده و مورد بعد "مراحل چرخه حیات تجزیه و تحلیل داده ها" هست که شامل:کشفآماده سازی داده هامتد برنامه ریزیساختمان مدلنتایج ارتباطاتبهره برداریهست. در پلتفرم اینگرو، که تخصص این تیم بازاریابی داده محور، هوش مصنوعی و بیگ دیتا هست این بحث ها بخش مهمی از پروژه های ما رو تشکیل میده. این مقاله خیلی طولانی تر از این حرفاست اگه تا اینجا رو خوندی پس موضوع بحث برات جالب بوده و پیشنهاد می کنم از رفرنس اصلی بخونی که برای درک بهتر شما از ساختار مناسب و تصاویر بیشتری استفاده شده و در آخر شما رو با یه سری منبع و مقاله جدید رو به رو می کنه .منبع اصلی این مقاله هست. inGrow inGrow Tue, 27 Apr 2021 03:35:29 +0430 https://virgool.io/@ingrow/how-to-analyze-customer-behavior-on-platform-opu0d7dhhcpe تحلیل رفتار مشتری بزرگترین دغدغه ی مدیران پلتفرم های بزرگ و مارکت پلیس ها است و ما دراین مقاله به این سوال که " چگونه رفتار مشتری را در پلتفرم ها تحلیل کنیم؟ " پاسخ خواهیم داد.آیا شما با همه ی افراد گروه های مختلفی که در زندگی شما هستند یکسان رفتار می کنید ؟قطعا پاسخ این سوال منفی است. هرکدام از ما با خانواده ، دوستان و همکاران خود رفتار های متفاوتی داریم . این مساله برای مشتری های ما هم صادق است. مشتریان شما هم نیازها، خواسته ها ، علایق ، سلایق متفاوت و منحصربه فردی دارند که شما باید برای عرضه ی بهتر به این مسائل کاملا توجه کنید . اگر شما رفتار یکسانی با همه ی آنها داشته باشید با شکست مواجه خواهید شد . اکثر مشتریان هنگامی که احساس غیر انحصاری نسبت به خرید خود پیدا می کنند، ناامید و منصرف میشوند.شناخت رفتار مشتری در پلتفرم هابرای شناخت رفتار مشتری در پلتفرم ها باید به موارد اساسی که در ادامه اشاره می کنیم، توجه کنید :اولین قدم برای پاسخ این سوال که "چگونه تحلیل رفتار مشتری را به منظور شناختن بهتر رفتار مشتری انجام دهیم" این است که بدانیم مشتری شما از چه گروه و دسته ای است ؟قدم بعدی اشراف کامل بر نیاز ها، نقاط قوت وهمچنین نقاط ضعف مشتریان است.برای تحلیل صحیح مشتریان باید آنها را بر اساس صفات و رفتار های مشابه در گروه های مشخص دسته بندی کرد.یکی از اقدامات مهم ایجاد نمایه ای از مشتریان ایده آل برای معرفی و شناخت بیشتر است.برای شناخت تحلیل مشتری با ما همراه باشید .پایگاه داده های مشتری خود را بررسی کرده ومشتریانی که ویژگی های مشترک دارند را در یک گروه دسته بندی کنید.با تقسیم بندی مناسب میتوانید بین مشتریان خود تفاوت هایی قائل شوید و همچنین تلاش های بازاریابی خود را بر روی گروه های خاص و حائزاهمیت متمرکز کنید.با استفاده از پلتفرم اینگرو می توانید داده های مشتریان خود را بدون هیچ گونه بار اضافه ای به سرور(سرورسایت ) جمع آوری و در مرحله بعد آنالیز کنید تا یک تصمیم داده محور بگیرید.برای مطالعه ی بیشتر در این مورد، مقاله ی " اینگرو پلتفرمی برای جمع آوری،آنالیز و به کارگیری داده ها را "، می توانید مطالعه کنید.با ارزش ترین مشتریان خود را شناسایی کنید :اصل پارتو(PARETO) در بیشتر موارد صادق است : 80% تجارت از 20٪ مشتریان حاصل می شود. منطقی است که ابتدا دید واضحی از 20% مشتریان قبل از مراجعه به 80٪ دیگر داشته باشید.شما می توانید با در نظر گرفتن معیارهای مهم مشتری و جستجوی الگوهای موجود در پایگاه داده، ارزشمندترین مشتریان خود را شناسایی کنید. برای مطالعه بیشتر در این مورد می توانید مقاله ی "ما به یک معیار نیاز داشتیم "را مطالعه کنیدنقشه سفربرای مشتری ایجاد کنید :پس از انجام تجزیه و تحلیل مشتری، داده های جمع آوری شده را برای شناسایی مضامین و الگوهای رایج، تجزیه و تحلیل کنید. از آنجا که مشتری در هر مرحله از سفر خریدارانه خود رفتار متفاوتی دارد، یک نقشه سفر مشتری می تواند به اتصال نقاط مبهم کمک کند و نقاط ضعف و عواملی را که می توانند تجربه وی را خراب کنند یا شکست دهند کشف میشود. نقشه سفر، نمایشی بصری از تمام نقاط تماس و تعامل مشتری است که برای رسیدن به هدف خود باید طی کند.در موارد زیر از نقشه سفر مشتری، می توانیم ببینیم که موقعیت هایی وجود داشته که مشتری در معرض خطرانصراف از خرید استاطلاعات ارائه شده در رابط ها مطابق توصیفات تجاری نیست.مشتری برای جستجوی و مشاهده محصولات جدید باید تلاش زیادی انجام دهد.با تهیه نقشه سفر مشتری، شرکت ها می توانند تدابیری را برای بهبود پیام رسانی برای جلوگیری از انصراف از خرید در مراحل اولیه اتخاذ کند.چگونه نقشه سفر برای هر یک از شخصیت های مشتریان خود ایجاد می کنید :1) تمام بخش های مورد توجه را لیست کنید2) تمام اقدامات ممکن را لیست کنید3) برای هر عمل نمودار رفتای قراردهید4) نقاط ضعف را مشخص کنید# بیاد داشته باشید که با سامانه اینگرو میتوانید از اولین تاچ پوینت تا آخرین تاچ پوینت مشتریانتان را در لحظه رد یابی کنید.منبع اصلی مقاله: چگونه رفتار مشتری را در پلتفرم ها تحلیل کنیم؟ inGrow inGrow Fri, 16 Apr 2021 17:50:16 +0430 https://virgool.io/@ingrow/%D8%A8%D9%87%D8%AA%D8%B1%DB%8C%D9%86-%D8%B1%D9%88%D8%B4-%D9%87%D8%A7%DB%8C-%D9%88%DB%8C%DA%98%DB%8C%D9%88%D9%84%D8%A7%DB%8C%D8%B2-%DA%A9%D8%B1%D8%AF%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%A7%D9%81%D8%B2%D8%A7%DB%8C%D8%B4-%D9%82%D8%AF%D8%B1%D8%AA-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7-zgqgmo4i4ann بیگ دیتا - Big Dataتوانایی ما در گرفتن اطلاعات به طور قابل توجهی پیشرفت کرده است. این موفقیت مدیون پیشرفت رایانش ابری است، بنابراین ابتدا باید از پیشرفت در رایانش ابری تشکر کرد که می توانیم مجموعه داده های عظیم را با استفاده از سیستم عامل های پیچیده آنلاین ذخیره کنیم. ما بیش از هر زمان دیگری اطلاعات داریم و روشهای بی شماری برای تجزیه و تحلیل آنچه جمع آوری می کنیم.اکنون چالش ما در به اشتراک گذاشتن یافته های مان با دیگران به روشی که به آسانی درک شود می باشد، .تلاش ما برای ردیابی و تجزیه و تحلیل داده ها بی فایده است اگر نتوانیم دلیل معنی دار بودن اطلاعات را توضیح دهیم.ویژیولایز (تجسمی) کردن داده هاتجسم داده ها درک انسانی از داده ها و تجزیه و تحلیل ها را با نمایش های گرافیکی چندین برابر کرده است. جذابیت ویژیولایز کردن داده های تاثیرگذار مشهوداست آنها شفافیت ایجاد می کنند و به مخاطبان کمک می کنند تا درک کنند چرا باید به اطلاعات ارائه شده اهمیت دهند.کمپانی هایی مانند Hub spot ، Spotify و Facebook در قابلیت تجزیه و تحلیل داده ها تبحر دارند و می دانند که چگونه تصاویری جذاب برای کاربران نهایی ایجاد کنند.بهترین روشهای تجسم داده ها برای کاربران نهاییطراحی ویژیولایز کردن عالی داده ها هم هنر است و هم علم، باید مقدار مناسبی از مفهوم را در حالی که با ترکیب متعادلی از عناصری مانند رنگ ها و قلم ها را در اختیار گرفت و با هم بکار برد. در اینجا برخی از اصول اصلی طراحی برای ایجاد تجسم داده های زیبا و موثر آورده شده است.فراهم کردن شفافیت و مفهوماولین قدم برای ایجاد تجسم های عالی ، شناسایی زمینه های داده ها است.این به این معنای است که نوع داده و بهترین شکل نمایش آن را از نظر بصری و تاثیرگذاری و شفافیت درک کرده باشیم.مثل مقدار داده . فاصله بین اطلاعات و دسته بندی داده ها.درک عمیق و آسان داده ها ممکن است دشوار باشد ، مخصوصاً اگر از مجموعه داده های بزرگی استفاده می کنید. با استفاده از نمودارها وعناوین درست نمودارها و توضیحات عناوین به استفاده کنندگان میگوئیم که دقیقاً به چه چیزی دارند نگاه می کنند ،باید برای آنها وضوح ایجاد کنید. عناوین نمودارها همان چیزی است که داستان داده های شما را قاب می کند و به آن هدف و معنی می بخشد. کار را ساده کنید و از استفاده از عناوین طولانی که فضای زیادی را اشغال می کنند یا نمودار را محدود می کنند خودداری کنید، مرتب سازی را به ویژیولایز کردن خود اضافه کنید تا مطمئن شوید داده ها به ترتیب صحیح و درستی دارند ارائه می شوند.نوع نمودار مناسب را انتخاب کنیدانتخاب نمودار مناسب به شما کمک می کند تا داستانی را که با داده ها می خواهید تعریف کنید را راحت تر به مخاطبان خود منتقل کنید.انتخاب نمودار اشتباه می تواند مانع انتقال آسان و سریع پیام داده ها به طرف مقابل شود ، و مانع به سرانجام رسیدن تمام تلاش های شما شود. نمودارهای شما باید الگوها و روندها را به گونه ای نشان دهد که برای کاربر نهایی درک و اهمیت مجموعه داده هایی را که ویژیولایز می کنید را آسان کند.نمودارهای میله ای(ستونی) متداول ترین رویکرد برای تجسم مقادیر برای دسته های مختلف است طول میله ها باید متناسب با مقادیری باشد که از آنها را برای نشان دادن هر گروه استفاده میکنید، ساده ترین راه، مقایسه تک تک متریک ها در کنار هم است.نمودارهای خطینشان می دهند که چگونه مقادیر معین در فواصل مداوم تغییر می کند. این ساده ترین تجسم برای ذهن است که روندها را با گذشت زمان بتوان مشاهده کرد و الگوهای موجود در داده ها را فهمید و به سرعت اتفاق غیرمعمولی را تشخیص داد. چندین دسته را می توان در یک نمودار نمایش داد تا روند بین گروه ها یا محصولات مختلف را مقایسه کرد.نقشه های حرارتیبرای نمایش دو یا چند مجموعه از دسته بندی ها که مقادیر کمی را نشان میدهند کاربرد دارند آنها معمولاً برای تجسم "نقاط داغ" در مجموعه داده ها استفاده می شوند. به دلیل فشرده بودن نقشه های حرارتی ، آنها اغلب با مجموعه داده های زیاد و متراکم مورد استفاده قرار می گیرند.نمودارهای قیفیمراحل یک فرآیند را نشان می دهند. آنها کاهش به سرعت داده ها را در توالی مراحل بیان می کنند، تجسم قیف یک روش آسان برای شناسایی تنگناها در یک گردش کار با ترتیب و توالی دسته ها به صورت مرحله ای است به همین دلیل ، نمودارهای قیفی معمولاً در فروش ، بازاریابی یا زمینه های تجاری مورد استفاده قرار می گیرند.نمودارهای پای، تقسیم بندی و طبقه بندی مجموع را بر اساس درصد نشان می دهند. آنها یکی از ساده ترین تجسم ها هستند و بنابراین بهتر است با مجموعه داده های بسیار کوچک استفاده شوند.نمودارهای پراکندهمی توانند در هنگام تجسم به درک رابطه بین دو مجموعه داده کمک کنند. نقاط موجود در نمودار پراکندگی نه تنها مقادیر منفرد داده ها بلکه الگوها را هنگام جمع آوری داده ها به طور کلی گزارش می کنند.قالب بندی و دسترسی هاشما می توانید داده های خیلی خوبی داشته باشید ، اما اگر قالب آنها به درستی قالب بندی نشده باشد ممکن است کاربران نهایی شما نتوانند داده ها را به روش معنی داری تفسیر کنند. جزئیات ظاهراً کوچک مانند چیدمان ، انواع قلم و رنگ بندی های شما می تواند تفاوت زیادی ایجاد کند. پیروی از بهترین روش های عملی در زمینه قالب بندی و قابلیت های کلیدی برای خلق تجسم های عالی از داده ها کاری است که باید به آن توجه کنید.چیدمان و قالب بندیوقتی صحبت از قابلیت تجسم داده ها می شود، غالباً هدف اصلی دستیابی سریع به اطلاعات کلیدی است.کلید تحقق این امر در چیدمان تجسمی شما نهفته است.منظم نگه داشتن چیدمان برای اطمینان از اینکه مخاطبان بدون نیاز به سوزاندن کالری اضافی ذهنی به آنچه که می خواهند به آسانی دسترسی پیدا کنند ضروری است.وقتی نوبت به چیدمان تجسم می رسد ، اطلاعات اصلی باید در سمت چپ و بالای صفحه نمایش داده شوند.بیشتر فرهنگ ها زبان نوشتاری خود را از چپ به راست و بالا به پایین می خوانند ، این بدان معناست که مردم ابتدا به طور غریزی به موقعیت بالا و چپ نگاه می کنند.در مرحله بعدی ، بیایید در مورد خطوط شبکه و برچسب ها بحث کنیم. خطوط شبکه به مخاطبان دسترسی مقایسه آستانه های کلیدی را می دهد بدون آنها، ذهن برای ایجاد این مقایسه ها مجبور میشود یک خط خیالی بکشد مراقب باشید بیش از حد از خطوط شبکه استفاده نکنید. تعداد بسیار زیاد خطوط می تواند خواندن نمودار را دشوارتر کند.ضمنا یادآوری میکنم، برچسب ها برای نمودارهای استاتیکی که حالت شناور ندارند یا قادر نیستند راهنمای ابزار را فعال کنند مفید هستند.انتخاب قلم (فونت )انتخاب فونت مناسب متن برای تجسم داده ها می تواند یک روند تقریبا دشوار باشد وقتی فونت های مناسب متن و اعداد همراه با پالت های رنگی به دقت تنظیم و انتخاب شده باشند آنها عملکرد بهتری دارند و تجسم داده ها را معمولاً جذاب تر میکند انتخاب اشتباه نوع فونت یا گروهی از قلم ها، درک مخاطب اصلی از تجسمات شما را برای آنها دشوارتر می کند.اندازه قلم و خوانایی فونتاگرچه افزایش اندازه قلم کلمه ممکن است به تأکید یک نکته مهم در داده های شما کمک کند، اما همیشه بهترین مسیر نیست زیرا معمولاً تصاویر را تحت الشعاع قرار می دهد هنگام انتخاب قلم اطمینان حاصل کنید که جذب کلمات و جملات برای مخاطبان آسان گردد این امر خوانایی و ویژیولایز کردن شما را افزایش می دهد و باعث جذابیت بیشتر می شود.اعداد یا چیدمان اعدادوقتی نوبت به تجسم داده می رسد ، اعداد یک عنصر مکرر در متن و طراحی هستند. هنگام ارائه اعداد در داده های خود، باید اطمینان حاصل کنید که از نظر ارتفاع یکنواخت هستند. اعداد زیر نمودارها یکی از دو سبک در شکل زیر است (یک سبک به سبک قدیمی است) اگرچه سبک قدیمی ظریفتر به نظر می رسد ، اما خواندن ارقام آستر(lining figures) بسیار آسان تر است زیرا همه ارقام از بالا به پایین هم تراز می شوند.اعداد یک عنصر مکرر در متن و طراحی هستند ، از دعوت نامه ها تا گزارش های مالی. آنها برای تعیین مقادیر ، تاریخ ها ، قیمت ها ، اندازه گیری ها ، شماره تلفن ها ، و تعداد بی شماری از آمار و سایر داده ها استفاده می شوند. در تایپوگرافی، از نمادهایی برای نشان دادن اعداد استفاده می شود، و معمولاً به صورت شکل یا عدد آورده می شود.شکل های آستر (به اصطلاح هم تراز ، هم سطح یا شکل های مدرن نیز نامیده می شوند) از نظر یکنواخت بودن ارتفاع ، تقریباً با حروف بزرگ تقریب دارند و به طور کلی با خط پایه و ارتفاع سطح تراز می شوند. در بعضی از حروف تایپ سنتی(old-style) ، اعداد خاص و کمی بالاتر از و / یا زیر خط پایه و / یا تا بالای ارتفاع سطح امتداد می یابند.lining figures - هم ترازی اعدادارقام جدولیمهم است که عناصر عددی هم تراز شوند برای انواع دیگر تجسم ها مانند نمودارها ، هنگام خواندن اعداد در ستون ها، ارقام جدولی ترجیح داده می شوند.انتخاب یک فونت جدولی باید تضمین کند که اعداد با وجود تغییر وزن و شخصیت، عرض یکسانی را حفظ می کنند.هم ترازی اعداد - lining figuresطرح های رنگیهنگام ایجاد تجسم داده ها، طرح های رنگی یکی از مهمترین عناصر موثر برای نمایش نمودارها و داشبوردها هستند، استفاده از رنگ ها در قسمتهای مختلف ویژیولایز کردن به شما امکان می دهد رنگ را با اهدف تحلیل داده ها و صدای داده ها هماهنگ کنید. پالت های رنگی اگربه خوبی انتخاب شوند ، هضم و درک اطلاعات شما را برای مخاطب آسان می کند و باعث می شود پیام شما آسان تر درک شود.وقتیکه باید داده ها را مکرر و پی در پی نشان داد، واگرایی یا طبقه ای که داده ها به آن تعلق دارند را نشان می دهند ، و این اهمیت دارد که انتخاب رنگ با اهداف استراتژیک مورد نظرتان هماهنگ باشد.داده های هر طبقه ای باید با رنگهایی مشخص نشان داده شوند که مقادیر یا گروههای منحصر به فرد این طبقه یا گروه را از یکدیگر متمایز کنند. و هر دسته باید با رنگ های متفاوت برچسب گذاری شوند.داده های متوالی باید توسط طیف پالت های رنگی که یکپارچه گی آنها را نشان دهد استفاده شود طیف رنگ نمایش داده های متریک از کم به زیاد به نمایش بهتر آنها کمک می کند.داده های واگرابرای داده های واگرا باید رنگهایی بکار برد که نشان دهنده تغییر کیفیت در طیف یا آستانه باشد طرح های دو رنگ بانشان دادن ارزش بحرانی در نقطه واگرایی آنها موثرترین هستند.روشنایی و دامنه رنگپالت های رنگ باید تعداد رنگ مناسبی برای نشان دادن داده های داشته باشند. رنگ ها و اشباع های مختلف نشان دهنده مقادیر منحصر به فرد یک یا مجموعه داده های خاص است که مخاطبان خود را با آن مشخص می کنید.وقتیکه می خواهید دسته های زیاد و مختلفی از داده را نشان دهید ، ممکن است استفاده از طیف گسترده ای از رنگ ها را برای تمایز داده ها در نظر بگیرند. مراقب باشید که زیاد از رنگ های بسیار اشباع استفاده نکنید. رنگ های تند می تواند بینش را پنهان کرده و مخاطب شما را گیج کند.پالت های رنگ همچنین باید دارای سطوح روشنایی متفاوتی باشند تا به شما کمک کنند به ویژیولایز کردن برای مواقعی که کمبود رنگ دارید ، تغییرات در میزان روشنایی رنگ ها می تواند به تمایز عناصر کمک کند و در مواردی که سایر المانها قادر نیستند به کمک می آیند.ابزارهای رایگان زیادی در دسترس هستند که به شما کمک می کنند پالت های رنگی زیبا برای تجسم داده ها ایجاد کنید مثل (LearnUI’s Data Color Picker)Color picker - Color range - روشنایی و دامنه رنگطراحی تعاملیبا تبدیل شدن موبایل به پلت فرم انتخابی در بین کاربران، ضروری است که با در نظر گرفتن صفحه موبایل موبایل طراحی اختصاصی کنید. ارائه داده در محدوده صفحه تلفن همراه می تواند چالش برانگیز باشد. توسعه دهندگان در صنایع مختلف هنوز در حال بهینه سازی تجربیات شان برای موبایل هستند. طراحان داده از این امر مستثنی نیستند، زیرا ما همچنان روش های جدیدی را برای بهینه سازی داده ها و ارائه اطلاعات پیچیده و وضوح در دستگاه های تلفن همراه امتحان می کنیم. با این وجود رعایت چند قانون کلی می تواند تجربه کاربری بهتری ایجاد کند و تأثیر زیادی بر روی کاربران نهایی بگذارد.طراحی داده های روی دسک تاپ برای طرح های روی موبایل سازگار نیستاین جمله نه چندان قدیمی "کپی نکنید و جایگذاری(پیست ) کنید از روی دسک تاپ " می تواند دلیلی داشته باشد که باعث شود وب سایت ها و برنامه ها از نظر بصری در دستگاه تلفن همراه در مقایسه با میز کار شما متفاوت هستند. کپی / چسباندن داشبورد دسک تاپ به برنامه تلفن همراه ، با آن سازگار نیست. مثلا به جای یک نمودار میله ای که برای دسک تاپ ایجاد کرده اید ، هنگام بهینه سازی برای طراحی تلفن همراه ، یک نمودار متفاوت دیگر را در نظر بگیرید. مجبور کردن یک نمودار میله دسک تاپ برروی یک صفحه باریک تلفن همراه کاربردی نیست ،از مزایای موبایل استفاده کنیددر حالی که تلفن همراه محدودیت هایی دارد ، اما می توان با بهره برداری از ویژگی های متفاوت و تاثیرگذار آن مانند موقعیت جغرافیایی استفاده کرد. استفاده از ردیابی موقعیت جغرافیایی می تواند تجربه شخصی سازی داده های بیشتری را بر اساس موقعیت مکانی کاربران ایجاد کند. برای ارائه داده های بیشتر می توانید ازطراحی حالت افقی استفاده کنید و از سیستم های اعلام و پیام رسانی برای هشدارها استفاده کنید.همه چیز را ساده کنیدکاربران موبایل معمولاً می خواهند داده های خود را در چند ثانیه درک کنند. از آنجا که صفحه نمایش موبایل بسیار کوچک است ، نشان دادن یک روند کامل از آنچه آنها می خواهند در یک صفحه نمایش کوچک می تواند چالش برانگیز باشد. کاربران با اتصال تلفن همراه به داده ها و تجربیات شخصی شان به گوشی های خود وابسته می شوند.و برجسته کردن شاخص های کلیدی یا نقاط داده تأثیر زیادی روی استفاده آنها دارد. به عنوان مثال ، ویژیولایز کردن مسیر پیاده روی ، آب و هوا یا مسیری را که پیموده اند یا در حال پیمایش هستند و نشان دادن اینکه کاربر، مستقیماً در کجای هر نقطه از تماس قراردارد برای کاربران مهم می شود.و باید آنها در چند ثانیه با نگاه کردن به صفحه تلفن همه چیز را درک کنند ، بنابراین مشخص کردن اعداد که نشان دهد یک نقطه دلخواه از زمان ، دمای هوا ی خارج ازمحیط و یا کالری سوزانده شده پس از یک تمرین، اثر گذار هستند..توجه سریع و مستقیمهنگام طراحی ویژیولایز کردن، تمام عناصر حسی ذکر شده مانند اندازه ، رنگ و قلم ها را به خاطر بسپارید تا توجه مخاطبان خود را به جزئیات مهم داده های خود معطوف کنید. جلب توجه مخاطبان خود با قالب بندی مشروط ، خطوط مرجع ، برجسته کردن روندها و پیش بینی وضعیت ها موجب وقت گذاشتن بیشتر آنها می شود. اینها سرنخ هایی است که به به درک بهتر اهمیت داده های می شود.عناصر تعاملیدادن توانایی به مخاطبان برای جستجوی عمیق در معیارها، روندها و بینش ها ، عامل دیگری برای جلب توجه به داده ها است. استفاده از عناصری مانند راهنمای ابزار ، کاهش متغیرها ، ابزارک کلیک برای فیلتر کردن و فاصله زمانی در طراحی ها را در نظر بگیرید.تکامل تجسم داده هادر پایان، مهمترین چیزی که باید در هنگام تجسم داده ها به خاطر بسپارید این است که آنها همیشه در حال تغییر و تحول هستند. داشتن توانایی بهینه سازی و تغییر در طراحی های خود در پاسخ به تغییرات پیرامون باعث می شود که هرگز در عادت های بد گیر نیفتید و تجسم ها همچنان موفقیت آمیز گردند. ضروری است که به طور مداوم در مورد شیوه های طراحی خود به دنبال باز خورد باشیم. با درخواست ورودی منظم اطلاعات از تیم خود و پرسیدن سوالات صحیح می توان، طرح ، عملکرد ، ظاهر ، احساس و تعادل KPI ها را بهبود بخشید تا از ارزش مطلوب همیشه آنها اطمینان حاصل کنید.برای همه مشاغل امکان پذیر نیست که همه پیچیدگی ها را بررسی کنند. اما می توان جنبه های مهمی را که می تواند به کسب و کار شما در دستیابی به ROI بهتر کمک کند را نادیده نگیرید. ویژیولایز کردن بهتر داده ها، از شرکت ها محافظت میکند و آنها را با بهترین روش ها و جزئیات بیشتر برای پی بردن به قدرت داده ها کمک میکند .این مقاله خلاصه ای از مقاله تجسمی کردن داده ها در سایت اینگرو که یک پلتفرم داده محور برای محصولات بزرگی مانند مارکت پلیس ها است قرار دارد. inGrow inGrow Wed, 31 Mar 2021 02:04:56 +0430 https://virgool.io/@ingrow/%D8%A8%D8%B1%D9%86%D8%AF-%D9%84%DB%8C%D9%81%D8%AA-%DA%86%DB%8C%D8%B3%D8%AA-z4xdbz3b7xpy برند لیفت - Brand liftبرند لیفت یک تغییر مثبت آتی در نحوه درک مشتریان از نام تجاری یا برند پس از هزینه تبلیغات باهدف ارتقا برند است، که معمولاً از طریق نظر سنجی اندازه گیری می شود. بازاریابان با بکارگیری داده ها و با استفاده از معیارهای مختلف، از جمله آگاهی از برند، درک برند، قصد خرید و سایر موارد، لیفت برند را کمی میکنند.با کمک BRAND LIFT درک میکنیم که آیا از هرینه ای که برای تبلیغات تجاری و برندخود کرده ایم راضی هستیم یا نه؟بنابراین، برای افزایش شناخت برند تصمیم میگیریم که مبلغ قابل توجهی در یک کمپین تبلیغاتی سرمایه گذاری کنیم و می خواهیم بفهمیم که آیا این سرمایه گذاری نتیجه ای داشته است یا نه.در عصر دیجیتال، هنگامی که تبلیغ کنندگان انواع پیکسل ها و سامانه های ردیابی داده ها را در اختیار دارند، اندازه گیری اثربخشی عملکرد یک کمپین تبلیغاتی کار پیچیده ای نیست.بازاریابان می توانند بررسی کنند که هر کاربر چقدر درگیر شده است و هزینه درگیر کردن او چقدر بوده است، سپس هزینه کل کاربر جذب شده را که منجر به خرید شده است را محاسبه می کنند.به این ترتیب آنها به طور کلی بازده سرمایه گذاری یک کمپین تبلیغاتی را اندازه گیری می کنند.با این حال، اندازه گیری اثربخشی کمپین تبلیغاتی با هدف افزایش آگاهی از برند می تواند یک مسئله چالش برانگیز باشد.چگونه رشد علاقه به برند را "محاسبه" و وفاداری مخاطبان را ارزیابی کنیم؟اگر می خواهید این مشکل را به روش معمول حل کنید، باید بدانید که به زمان و هزینه زیادی نیاز دارید.اما خبر خوب این است که ردیابی جریان داده ها راه حلی برای حل این مشکل است.نظرسنجی" برند لیفت" به شما کمک می کند تا اثربخشی کمپین تبلیغاتی با هدف ارتقا برند را بسنجید و ابزار ردیابی جریان داده ها سامانه ای است که با آن خواهید فهمید که آیا تبلیغات تجاری شما کار می کند یا خیر، .بیایید یک بار دیگه برند لیفت را تعریف کنیم.برند لیفت چیست؟برند لیفت یک نظرسنجی تعاملی است که در دو مرحله انجام می شود: قبل و بعد از یک کمپین تبلیغاتی.سامانه اینگرو به بازاریابان این امکان را می دهد تا تأثیر آگهی را در معیارهای اصلی برند بسنجند: آگاهی از برند، یادآوری آگهی، علاقه به نام تجاری و ...تقسیم مخاطبان به گروه های در معرض (کسانی که آگهی را دیدند) و گروه کنترل (که آگهی را مشاهده نکردند) و پرسیدن سوالات تعاملی قبل و بعد از یک کمپین تبلیغاتی امکان اندازه گیری آگاهی از برند و یادآوری آگهی را فراهم می کند.برای اندازه گیری علاقه به برند، می توانیم از همان روش برای تجزیه و تحلیل مخاطبان هدف استفاده کنیم و وقتی نتایج را مقایسه می کنیم، می توانیم به این سوال پاسخ دهیم که آیا تبلیغات کاربران را ترغیب می کند؟ آیا اطلاعات مربوط به محصول یا برند ما را جستجو می کنند و ....چرا برند لیفت گزینه خوبی است؟1- اندازه گیریماموریت اصلی برند لیفت تجزیه و تحلیل معیارهای نام تجاری قبل و بعد از تبلیغات برای سنجش اثربخشی، تفاوت بین سطح آگاهی از برند در بین کاربرانی که تبلیغ را مشاهده کرده اند و کاربرانی که تبلیغ را مشاهده نکرده اند، و ارزیابی کمی اثربخشی کمپین تبلیغاتی خواهد بود.2- بهينه سازيدر طول تحقیق، تبلیغ کنندگان داده هایی را جمع آوری می کنند که می تواند برای بهینه سازی کمپین تبلیغاتی مفید باشد. A / B تست Brand Lift اجازه می دهد تا آگاهی از کمپین تبلیغاتی را شناسایی کنیم، همچنین به ما کمک می کند که بفهمیم کدام قالب ها و سیستم عامل ها بهتر کار می کنند، چند بار نیاز داریم که تبلیغات را به کاربر نشان دهیم، تا نام تجاری را به خاطر بیاورند و مخاطبان بیشتری به پیام برند پاسخ دهند، همچنین یادمان باشد که کوکی ها، می توانند در فعالیت های تبلیغاتی بعدی استفاده شوند.3- مقایسه با رقباتبلیغ کنندگان می توانند نظرسنجی درباره رقبای اصلی نام تجاری را انجام دهند و یک معیار دیگر - مطلوبیت برند (ترجیح برند به رقبای خود) را بسنجند. بازاریابان می توانند یک سوال ساده بپرسند: "از کدام محصولات "مارک" استفاده می کنند؟" و سپس مارک خود و رقبا را به عنوان گزینه های پاسخ اضافه کنند و پس از تجزیه و تحلیل نتایج نظرسنجی، می توانیم موقعیت آنها را در بازار نسبت به رقبا ارزیابی کنیم.4- به چه موارد دیگری برای برندسازی نیاز داریم؟به لیستی از معیارهای نام تجاری که قصد داریم آنها را کنترل کنیم، به بنرها یا پست هایی برای رسانه های اجتماعی برای انجام دادن نظرسنجی، به تحلیل گر داده برای تعیین پرتره مخاطبان هدف مورد نظر و انتخاب صحیح بخش مخاطب، به متخصص عملیات تبلیغات برای مدیریت و کنترل اجرای فنی Brand Lift.و به یک سامانه بیگ دیتا یا پلتفرمی که بصورت بلادرنگ داده های این تحقیق را استریم نماییم و ذخیره سازی داده ها روی پلتفرم داده محور را انجام دهیم و بطور پیوسته بتوانیم KPI های مورد نظرمان را اندازه گیری کنیم و به شکل های مختلف روی داده ها کوئری بزنیم و آنها را در داشبوردهای شخصی سازی شده ببینیم و در فرایند اجرای تحقیق همه چیز را مانیتور کنیم، ما به یک سامانه تخصصی احتیاج داریم که این وظایف را بر عهده بگیرد.این مقاله خلاصه ای از مقاله ی برند لیفت چیست هست در پلتفرم داده محور اینگرو. inGrow inGrow Wed, 31 Mar 2021 01:33:14 +0430 https://virgool.io/ingrow/%DA%86%D8%B1%D8%A7%DB%8C%DB%8C-%D9%88-%DA%86%DA%AF%D9%88%D9%86%DA%AF%DB%8C-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D8%AC%D8%B1%DB%8C%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7-byg8l19e40a6 The Why and How of Streaming-First Data Architectures By Kevin Petrie April, 2020چرایی و چگونگی معماری جریان داده‌هاسازمان‌ها به‌ منظور افزایش درآمد، کاهش هزینه و کنترل ریسک، معماری جریان داده ها را به کار میگیرند.با جایگزینی معماری‌ جریان داده‌ها؛ گروه‌های داده‌ای می‌توانند امکان تصمیم‌گیری آنی، یادگیری ماشین بلادرنگ، بهبود کارایی، افزایش مقیاس و سرعت بخشی را برای برنامه‌های کاربردی فراهم سازند. حتی بسیاری از سازمان‌ها معماری‌ جریان داده‌ها را به‌عنوان بخشی از ابتکارات استراتژیک فراگیرتر هم در نظر می‌گیرند. این اقدامات شامل نوسازی ابر و خودکارسازی کانال داده‌ها می‌باشد.برای تحقق این مزایا، تیم‌های داده باید به‌ دقت موارد استفاده آنها را ارزیابی کرده و فن‌آوری‌های مناسب را برای دستکاری مؤثر داده‌های در حال انتقال را انتخاب نمایند. آنها باید کارایی پردازش‌ها را افزایش دهند، درحالیکه باید همچنان توجه داشته باشند که؛ یکپارچه‌سازی نقاط پایانی ناهمگن و سازگاری انعطاف‌پذیر معماری آن‌ها، بیان‌گر الزامات تغییراتی می‌باشد.این گزارش قصد دارد مزایا، چالش‌ها، الگوهای سازگاری و موارد استفاده برای روش استریم در مدیریت داده‌ها را بررسی نماید. این روش متولیان داده‌ها را از طریق قابلیت‌ها و معیارهای برنامه‌ریزی برای هر مؤلفه معماری منابع داده‌ها از قبیل جمع‌آوری، تبدیل، اهداف و تحلیل‌ها - همانطور که قانون تکنولوژی زیرساخت‌های ترکیبی و هیبریدی را هدایت کرده‌است، راهنمایی می‌کند.پیشنهادات کلیدی· جهت نوسازی کسب‌وکار خود استقرار معماری جریان داده‌های رویدادها را مدنظر قرار دهید.جریان آنی رویدادها، گلوگاه‌ های رویکردهای منسوخ در ETL را از بین برده و مبنایی اقتضایی، کارآمد و آنی را جهت تحلیل‌های پیشرفته فراهم می‌کند.طی به‌روزرسانی تدریجی داده‌ها در تأخیر نزدیک به صفر؛ با معماری استریم رویدادها، شما قادر خواهید بود در کسب‌وکارتان دارای تبدیل و تحلیل داده‌های بیشتر و سرعت بالاتر در واحد سی‌پی‌یو (واحد پردازنده مرکزی) یا پهنای باند باشید و می‌توانید استفاده های جدیدی از داده‌ها را به عنوان موارد سود‌آور داشته باشید.· یک طرح کلی‌نگر بسازید. به‌منظور تحقق بخشیدن به کارایی و مزایای تحلیلی استریم رویدادها، موارد کاربردی و الزامات خود را با دقت تعریف کنید.همان طور که معماری خود را برای رسیدن به آن الزامات طراحی می‌کنید؛ توازن‌ها و وابستگی‌های متقابل هر یک از مؤلفه‌ها را بسنجید.· رویکرد افزایشی را درنظر بگیرید.ابتدا با حذف یک یا چند مورد از گلوگاه‌های پردازش دسته‌ای از طریق راه‌حل‌های جریان سازی مبتنی بر فن‌آوری‌هایی همچون CDC یا کافکا؛ به دنبال کاهش مشکل باشید.زمانی‌که به این دست‌آورد سریع رسیدید؛ معماری برقراری استریم داده های خود را به نقاط انتهایی جدید گسترش داده و موارد کاربردی جدیدی از داده‌ها تعریف نمایید.هنگام مقیاس‌گذاری؛ زیرساخت‌های ابری را به‌عنوان پلتفرم سرویس (SaaS) در نظر بگیرید، که هزینه‌های عملیاتی شما را کاهش داده درحالی که ریسک شما را هم به حداقل می‌رساند.پیدایش معماری جریان داده‌ها:ما در یک جهان رویداد گرا زندگی می‌کنیم. خریدهایی که با یک کلیک از آمازون شروع می‌شود، رویدادهای بی‌شمار جدیدی را بوجود میاورد و انواع روشها و تولیدکنندگان دیگری را از جریان تولید خارج میکند و فرصت‌های شغلی جدیدی را در قالب دیجیتال برای کسب و کارهای دیگر ایجاد می‌کند.سازمان‌ها با بهره‌گیری از معماری استریم داده‌ها قادر خواهند بود ضمن پردازش داده‌های رویداد (هنگام ایجاد و پیش از ذخیره) در کوتاه‌مدت ارزش تجاری کسب کنند.سازمان‌ها برای دستیابی به تصمیم‌گیری آنی و یادگیری ماشین، بهبود کارایی، افزایش مقیاس و افزایش سرعت برنامه‌های کاربردی، باید ابتدا معماری جریان دادها را ایجاد ‌کنند.آن‌ها با این روش درآمدها را افزایش، هزینه ها را کاهش و ریسک را کنترل می‌کنند.این فرصت بزرگ موجب تحریک فعالیت‌ها و عملکرد کل سازمان می‌شود. گروه‌های IT جریان‌های رویدادی را تولید می‌کنند و باعث انتقال خط جریان داده‌ می‌شوند. همچنین تیم های بیزنس دیتا و تحلیلی به دنبال تحلیل آن جریان‌های رویداد فعال میشوند. آن‌ها به‌ سرعت روی وقایع و نتایج جریان سازی داده‌ها سرمایه‌گذاری کرده و راهبردهای جدیدی را طراحی می کنند.اما چالش‌های زیادی هم بوجود خواهد آمد. گروه‌های داده باید موارد کاربری خود را به‌دقت ارزیابی کنند و فن‌آوری‌های مناسب را جهت دست‌کاری مؤثر داده‌های در حال حرکت (انتقال) انتخاب کنند. آن‌ها باید نقاط انتهایی ناهمگن را یکپارچه‌سازی کرده و موجب تسهیل پردازش ها شوند.کسب‌وکارهای با معماری دسته‌ای داده ها (ETL) با مشکلات زیادی مواجه هستند. آنها طی سال‌های متمادی داده‌ها را به‌صورت دسته‌ای و متناوب پردازش می کنند. تیم‌های داده و نرم‌افزار دائما کار "استخراج، تبدیل و بارگذاری (ETL)" را جهت کپی کردن دسته‌های کاملی از داده‌های عملیاتی از پایگاه های داده مثل امور مالی، فروش یا منابع انسانی در هر ساعت، روز یا هفته، برنامه‌ریزی می کنند. این دسته‌ها به صورت مجموعه‌ای از فایل‌های پر دردسر دائم آنها را مشغول میکند.نرم‌افزار ETL اغلب بر روی یک سرور میانی اجرا می‌شود. سپس دسته ای از داده‌ها را در یک انبار جداگانه بارگزاری کرده و ردیف‌ها و ستون‌های آن را را در طول مسیر تغییر شکل می‌دهد. بعضی سازمان‌ها از ETL دسته‌ای جهت پشتیبانی از بارهای‌ کاری کم‌حجم و قابل پیش‌بینی استفاده می‌کنند. این امر در مورد وظایف ابتدایی و اساسی همچون ثبت سوابق و گزارش هفتگی استفاده می‌شود. شکل 1 این معماری قدیمی را نشان می‌دهد.شکل 1. معماری قدیمی یا دسته ای داده هادرباره جایگاه ETL در سازمان ها؛ باید گفت با معماری صرفاً دسته‌ای مرسوم "کسب‌وکارها" قادر به تأمین نیازهای جدید شرکت نمی‌ باشند. آن‌ها بخاطر تأخیر زیاد موجود شکست می‌خورند. چون امروزه بسیاری از مصرف‌کنندگان داده‌ منتظر به‌روزرسانی خسته کننده دسته ای داده‌ها نمی‌مانند. مدیران اجرائی فروش به گزارش‌های ساعتی در‌آمد مربوط به منطقه، نمایندگی یا محصول نیاز دارند. هشدارهای استهلاک های عملیاتی به فرم گزارش باید بصورت آنی در اختیار مدیران کارخانه قرار بگیرد. ارائه‌دهندگان مراقبت‌های پزشکی از راه دور به آمار و نمودارهای حیاتی آنی نیاز دارند تا وضعیت بیماران بستری در خانه را طی چند ثانیه پیگیری کنند. شرکت‌های مربوط به کارت‌های اعتباری باید معاملات مشکوک را در صدم‌ثانیه شناسایی و مسدود کنند."کسب‌وکارهای مرسوم" با معماری‌های صرفاً دسته‌ای در مدیریت کارآمد در پایگاه‌های داده‌ موفق نبوده اند.آن‌ها بارها داده‌های بدون تغییر را کپی ‌می کنند، فرایندهای پردازنده را فعال میکنند و درظرفیت حافظه ها دخالت میکنند و باعث به‌روزرسانی‌های سخت‌افزاری پرهزینه می‌شوند. معماری‌های صرفاً دسته‌ای؛ منابع فراوانی را مصرف می‌کنند، با این حال نمی‌توانند به طور یقین حجم‌های وسیعی از داده‌های لازم را برای تحلیل‌های پیشرفته و کاربردی مانند یادگیری ماشینی یا انواع دیگر هوش مصنوعی را پردازش نمایند. رویکرد صرفاً دسته‌ای موجب از بین رفتن پول و مسدود شدن نوآوری در بسیاری از موارد کاربری جدید می‌شود.رویکرد جریان داده هامعماری جریان داده ها مسائل مربوط به‌سرعت و کارایی را حل می‌کنند. اول سرعت مطرح است. هر جا که امکان داشته باشد آن‌ها رویدادها را بصورت آنی از منبع تا هدف و اغلب با تغییر شکل این حوادث در طول مسیر «جاری می‌سازند». و باعث همگام‌سازی پایگاه‌های داده‌ شده و اطلاعات را به صورت آنی یا نزدیک به زمان واقعی پردازش می کنند. این امر همچنین مشکل کارایی را نیز حل می‌کند. با پردازش مداوم و پردازش "تغییرات افزایش یافته" بصورت مداوم ؛ نیاز به تکرار تکثیر دسته‌ای داده‌های بدون تغییر را از بین می‌برند.این امر قدرت پردازش و الزامات پهنای باند را به‌شدت کاهش می‌دهد. در ضمن این امکان را فراهم می سازد که سازمان‌ها را قادر نماید تا از حجم های داده بیشتری بدون تغییر زیرساخت‌ پشتیبانی کنند. شکل 2 معماری جریان داده های نمونه را در سطح مفهومی نشان می‌دهد.شکل 2. معماری جریان داده هامزایای کسب‌وکار معماری جریان داده‌هاگروه‌های داده می‌توانند از استریم سازی رویدادها جهت اجرای آسان‌تر پروژه‌ها و تأمین الزامات در سطح سرویس استفاده کنند. آن‌ها قابلیت افزودن منابع داده و جذب حجم داده‌های رو به افزایش را دارند. ضمناً می‌توانند بدون افزایش زیرساخت‌ها سرعت پاسخ برنامه های کاربردی را بهبود بخشند.تصمیم‌گیری بلادرنگ.معماری جریان داده‌های بلادرنگ، پلتفرم‌هایی همچون انبار داده‌ها و منابع مختلف داده‌ها دریافت و به سرعت پردازش می‌کند. این امر برای تحلیلگران تجاری؛ اطلاعات فوری و لازم جهت پاسخگویی به فرصت‌ها و ریسک‌های کوتاه‌مدت را فراهم میکند. یک تحلیلگر خرده‌فروشی می‌تواند الگوی خرید مشتری را در صبح شنبه شناسایی کند؛ سپس تا بعدازظهر قیمت‌ها را تنظیم نماید.در ضمن دانشمندان داده و تحلیلگران داده‌ از تحلیل‌های جریانی میتوانند به لایه‌های جدید از شناخت برسند و در حل مشکل یک کسب و کار استفاده ‌کنند. مثلاً تحلیل‌گر یک کمپانی خرده‌فروشی از نتایج کمپین خود جهت بهبود پیش‌ بینی و راهبرد خود در ماه یا فصل و سال آتی استفاده ‌کند.موارد کاربردی تحلیلی جدید.جریان سازی رویدادها، شرکت‌ها را قادر می‌سازد تا فرصت هایی را ایجاد کرده و مشکلات مربوطه را حل، یا از بروز آن‌ها جلوگیری کنند. اصلاح و نگهداری فعال، شناسایی تقلب، کنترل هزینه و ریسک از جریان سازی رویدادهای بلادرنگ استفاده می‌کند. یک اپراتور ناوگان پخش قادر خواهد بود پیش از خراب شدن کامیون تحویل دهنده، یک متخصص فنی را جهت بررسی با استفاده از داشبوردهای اخطار اعزام کند. یک شرکت کارت اعتباری می‌تواند معاملات پرخطر را پیش از بسته شدن شناسایی و مسدود کند.جریان‌سازی رویداد همچنین موجب ایجاد ایده‌ها و برنامه‌هایی در بین کل کارکنان سازمان می‌شود و برای شکل‌گیری مجدد مشاغل آن‌ها کمک می‌کند و رویداد سازمان داده محور در کل سازمان شکل میگیرد. سازندگان تجهیزات، سرویس و تعمیر و نگهداری هوشمند را راه‌اندازی می‌کنند که با حسگرها وسیله های نقلیه را پایش کنند. صندوق‌های تامین سرمایه گذاری برنامه‌های جدید الگوریتمی معاملات سهام را طراحی می‌کنند. راهبردهایی از این قبیل با افزایش داده و استریم آنها جریان‌های درآمدی جدید ایجاد می‌کنند.کاهش TCO. معماری‌ جریان سازی آنی داده‌ها، به‌جای پردازش دسته ای داده‌های قدیمی؛ با پردازش یک‌باره داده‌های رویداد؛ الزامات افزایش تدریجی CPU و در پی آن هزینه را کاهش می‌دهند. ضمناً این کار الزامات پهنای باند جهت یکپارچه‌سازی داده‌ها را کاهش می‌دهد. مخصوصاً انتقال جریان‌سازی داده‌ها از یک منبع درون‌سازمانی از طریق شبکه گسترده (WAN) به یک هدف ابری این کار را مقرون‌به‌صرفه میکند.مزایای فنی معماری جریان سازی داده‌هاتیم های داده می توانند جهت اجرای راحت‌تر پروژه‌ها و تأمین الزامات سطح خدمات (SLAها) از جریان سازی رویداد استفاده کنند. آن‌ها می‌توانند منابع داده را اضافه کنند؛ حجم داده‌های رو به افزایش را جذب کنند و بدون افزودن زیرساخت‌ها زمان پاسخ برنامه را بهبود بخشند.مقیاس‌پذیری.مزیت کارایی پردازش افزایشی جریان داده‌ها یعنی اینکه گروه‌های داده قادرند به‌راحتی مجموعه داده‌های عظیم موردنیاز جهت یادگیری ماشین و انواع مختلف هوش مصنوعی را به کار بگیرند. در ضمن آن‌ها قادر خواهند بود تا از جریان سازی جهت تبدیل و فیلتر کردن (پاک سازی یا غنی سازی داده‌ها) مجموعه‌های بزرگ داده، پیش از رسیدن آنها به پلتفرم هدف استفاده کنند و به‌ این‌ ترتیب مقیاس ‌پذیری بیشتر را افزایش دهند.افزایش راندمان عملکرد برنامه های کاربردی.جریان بلادرنگ داده‌ها زمان پاسخ برنامه های کاربردی را کاهش می‌دهد؛ بار کاری عملیاتی یا تحلیلی را سرعت می‌بخشد. مثلاً یک شرکت بیمه قادر است سوابق معاملاتی را به‌ منظور رسیدگی به مطالبات با زمان تأخیر نزدیک به صفر همگام‌سازی کرده و به‌سرعت به مشتریان کمک کند. یک خرده‌فروش آنلاین قادر خواهد بود جهت تأیید و به روزرسانی وضعیت حمل و نقل تحویل خودکار در صورت تقاضای مشتری از یک ربات نرم‌افزاری استفاده کند.سادگی.ابزارهای نوین جریان سازی خودکار به گروه‌های داده کمک می‌کند تا مسئولیت توسعه‌دهندگان را کمتر و پروژه‌ها را تسریع کنند. این ابزارها به کاربران با دانش فنی کم کمک می‌کنند تا مشاغل جریان سازی داده‌ها را با حداقل امکانات آغاز و نیز با حداقل ریسک خطای انسانی زمان‌بر؛ پیکربندی و نظارت کنند.چالش‌های پیش رو در معماری جریان سازی داده‌هاسازمان‌ها با مسئله مدیریت معماری داده‌ها با چالش‌های متعددی در ابتدا مواجه می شوند. اگرچه این چالش ها زودگذر هستند اما باید نسبت به آنها هوشیار بود. این چالش ها در ابتدای شروع فرایند تبدیل به معماری جریان سازی داده ها ایجاد میشوند ولی بعد از استقرار این فرایند به یک خاطره تبدیل می شوند.سردرگمی راهبردی. تیم های تحلیل تجاری و داده‌ای موارد کاربرد جریان سازی را به‌طور ناصحیح ارزیابی می‌کنند. تحلیلگران و دانشمندان داده‌ که تحلیل‌های بلادرنگ را به‌عنوان یک "درمان جامع" می‌دانند؛ تمرکز خود را بر سایر اطلاعات از دست می‌دهند.مثلاً تعمیر و نگهداری پیشگیرانه بلادرنگ نباید جایگزین عیب ‌یابی ریشه‌ای علت شود.تبدیل‌های بلادرنگ. بسیاری از راه‌حل‌های رایج نمی‌توانند تبدیل‌های پیچیده داده‌های در حال حرکت را انجام دهند درحالی که امروزه به تجزیه و تحلیل‌های چندمنبعی و مقیاس بالا نیاز می‌باشد.ناهمگنی. سازمان‌ها با افزودن مؤلفه‌های جدید معماری داده‌ها امر پردازش داده را تغییر داده و بار مدیریتی را افزایش می‌دهند. آن‌ها منابع داده‌ای همچون جریان‌های مربوط به رسانه‌های اجتماعی را جهت سنجش احساس مشتری، حسگرهای اینترنت اشیا را جهت ردیابی تشکیلات، یا نرم‌افزار به‌عنوان سرویس (SaaS) مبتنی بر ابر را جهت انجام وظایف دفتری اضافه می‌کنند. آن‌ها اهدافی همچون انبارهای داده ابر را جهت داده‌های ساختار یافته و دریاچه‌های داده را جهت داده‌های چندگانه و غیر ساختاری یا NoSQL را جهت ذخیره اسناد اضافه می‌کنند. در ضمن آن‌ها نرم‌افزارهای سفارشی و تجاری را جهت تبدیل و تحلیل داده‌ها اضافه می‌کنند. باید بدانیم که هر مؤلفه جدید ارزش کسب‌وکار بالقوه را به همراه دارد اما کار بیشتری نیز لازم دارد.پیچیدگی. تیم های داده بیشتر اوقات با عدم خودکارسازی درگیر می‌باشند.چون زیرساخت‌های درون‌سازمانی نیاز به پایش و تنظیم دقیق جهت پاسخگویی به SLA های دقیق را دارد.معماری‌های انعطاف ‌ناپذیر. محیط‌های قدیمی مانع از ابتکارات داده محور می‌شوند. انبارهای داده درون‌سازمانی هنگام به‌روزرسانی کند و پر هزینه هستند. گروه‌های داده برای به‌کارگیری مؤلفه‌های جدید تلاش می‌کنند. چون جهت ایجاد تعامل به کدگذاری خاصی نیاز دارند. همچنین آن‌ها برای باز کردن قفل داده‌ها از سیستم‌های پرهزینه قدیمی مانند پردازنده اصلی استفاده می‌کنند و این امر برای تبدیل قالب‌های منسوخ‌شده به موارد مصرفی به مهارت‌های محدود برنامه‌نویسی نیاز دارد.رویکرد و روندهای بازار - معماری جریان داده‌هارویکرد و روند سازمان‌ها؛ معماری جریان سازی داده‌ها به‌عنوان بخشی از تحول گسترده‌تر در راهبرد داده‌های خود میباشد.روند تطبیقیحال قصد داریم رایج‌ترین روند تطبیقی را بررسی کنیم.خودکارسازی خط لوله (انتقال) داده‌ها. تیم های داده؛ خطوط انتقال داده را جهت اتصال به نقاط انتهایی مختلف ایجاد ‌می کنند تا با بهره‌گیری از ابزارهای خودکار در این معماری با یک رابط گرافیکی جایگزین شود. این ابزار کاربران را قادر می‌سازد تا خودشان کار را انجام دهند به‌جای اینکه منتظر توسعه ‌دهندگانی بمانند که مشغله کاری زیادی دارند. آن‌ها خطوط انتقال جریان داده‌های جدید را سریع‌تر، راحت‌تر و مقرون‌ به ‌صرفه تر ایجاد می‌کنند.مدرنیزه نمودن داده‌ها کلود محور. تیم های داده بار کاری تحلیلی را از پلتفرم اصلی یا سایر سیستم‌های گران‌قیمت قدیمی به پلتفرم‌های مدرن انتقال می‌دهند. آن‌ها بر مبنای دریاچه‌های داده، انبارهای داده یا NoSQL برای ارائه موارد کاربردی جدید و همزمان با ساده‌سازی و کاهش هزینه‌ها به زیرساخت ابری به‌عنوان ارائه دهنده سرویس (SaaS) انتقال می دهند. آن‌ها نرم‌افزارهایی را بر پایه پلتفرم ابری به‌عنوان ارائه دهنده سرویس (پلتفرم به عنوان سرویس) توسعه می‌دهند و در نرم‌افزار به‌عنوان سرویس (SaaS) عضو می‌شوند.اپ های تلفن‌های هوشمند. انتظارات از تحلیل طی ده سال گذشته به‌طور قابل توجهی تغییر کرده است.برنامه‌های کاربردی هوشمند اکنون به داده‌های بلادرنگ متکی هستند تا اطلاعات و سرویس های دقیقی از داده‌ها را به کاربران تلفن های همراه ارائه دهند. آن‌ها به‌روزرسانی‌های پیوسته مربوط به اخبار موبایل، پیش‌ بینی‌های هواشناسی، خدمات نظارت بر ترافیک برمبنای منبع یابی جمعیتی و سایر برنامه‌ها را ارائه می‌دهند.مدل‌های یادگیری ماشین (ML). شرکت‌های مختلفی مدل‌های ML را ساخته، آموزش داده و گسترش می‌دهند؛ اینها از الگوهای داده‌ها یاد می گیرند و با آن‌ها سازگار می‌شوند. ML ابداعات و ابتکارات تحلیلی موجود را ارتقا داده و نیز موارد کاربردی جدید را معرفی می نماید و به ‌منظور تولید دقیق‌ترین نتایج به حجم بالایی از داده‌ها باکیفیت بالا نیاز دارند. این امر نیاز به پردازش حجم زیادی از داده به صورت کارآمد، آنی و/یا کم تأخیر دارد که با معماری جریان داده ها تحقق می یابد.پلتفرم داینامیک استریم کردن داده‌ها – اینگرو www.ingrow.co inGrow inGrow Sat, 06 Mar 2021 16:43:52 +0330 https://virgool.io/@ingrow/%DA%86%DA%AF%D9%88%D9%86%D9%87-covid-19-%D8%A8%D8%B1-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7-%D8%AA%D8%A3%D8%AB%DB%8C%D8%B1-%D9%85%DB%8C-%DA%AF%D8%B0%D8%A7%D8%B1%D8%AF1-gh0sm9mzgl6v توجه شرکت‌ها به اطمینان یافتن از رضایت مشتری با رویکرد آگاهی عمیق از داده‌های مشتریان دو برابر شده است.در مدت زمان کوتاهی، COVID-19 تأثیر تحول‌آفرینی بیش از آنچه فکر میکردیم بر اقتصاد گذاشته است. این تاثیر بر صنعت نرم‌افزارها تحولی بمراتب چشمگیرتر و سریعتر بوده است.این تحولات بمانند یک جریان باد موافق، کار از راه دور، تجارت الکترونیکی و حرکت به سمت شرکت های SaaS را شتاب داده است و تاثیرات دومینووار در بازار سهام گذاشته است.در اوج این تغییرات آنچه بیشتر از همه اهمیت پیدا کرده است جریان داده‌هاست.در میان همه‌گیری جهانی COVID-19 قرار داریم، در این مقاله قصد داریم ببینیم COVID-19 چه تاثیری بر اهمیت جریان داده‌ها گذاشته است.همزمان که مشاغل شروع به استفاده بیشتر و بیشتر از نرم‌افزارها برای انطباق با شرایط بعد از COVID-19 کردند، این فکر ما را هم در اینگرو به خود مشغول کرد که:کدام ابزارهای نرم افزاری در زمان COVID-19 اهمیت بیشتر و عملکرد خوبی داشته‌اند؟برای پاسخ به این سوال، نگاهی انداختیم به اینکه در چند ماه گذشته کاربرانی که در جهان به نوعی دغدغه استریم داده‌ها را داشته‌اند از کدام برنامه‌ها بیشتر استفاده ‌کرده‌اند؟به عنوان یک یادآوری، اینگرو پلتفرمی است که به شرکت‌ها کمک می‌کند تا داده‌ها را از همه درگاه‌های اطلاعاتی مثل وبسایت‌ها و برنامه‌های تلفن همراه و غیره جمع آوری کنند و سپس این داده‌ها را به ابزارهای مختلف هدایت کنند، خواه این یک انبار داده، یا یک سیستم عامل اندازه‌گیری رضایت مشتری یا یک ابزار گزارش‌دهی یا غیره باشد.با تجزیه و تحلیل داده‌ها در مورد اینکه پایگاه کاربر با چه سرعتی این ابزارها را در بستر داده‌های مشتری فعال می کند، می توانیم به بررسی تکامل فناوری استریم داده‌ها از زمان شروع COVID-19 بپردازیم. بدین منظور، ما تجربه شرکت Segment که پلتفرم اینگرو (inGrow) در ایران با آن مشابهت دارد را برای ارایه این گزارش انتخاب کردیم.داده های جمع آوری شدهاولین قدم این است که مشخص کنیم کاربرانSegment در ماه‌های آوریل و مه 2020 در مقایسه با شش ماه قبل کدام ابزار را بیشتر را برای تحلیل استفاده کرده‌اند.سپس، به همان دوره در سال 2019 نگاه کنیم. این مقایسه کمک می‌کند تا مشخص شود چه ابزارهایی در طی همه‌گیر شدن COVID-19 برای کاربران Segment اهمیت جدیدی پیدا کرده بود.سریعترین رشد نرم افزارها از زمان COVID-19 تاکنونطبق آمار اپلیکیشن Facebook Pixel با بیشترین میزان رشد طی ماه های مارس و آوریل، یعنی با 6.7٪ از کل بهره‌برداری جدید موجود در بستر Segment، بالاترین میزان رشد را به خود اختصاص داده بود.میکس‌پنل (MixPanel ) با اندکی بیش از 6٪ از کل بهره‌برداری جدید، دومین ابزار با رشد سریع بود که زیرساخت متمرکز بر اندازه‌گیری اثرگذاری تبلیغات و رضایت مشتری را در بر میگرفت.چگونه این اطلاعات در برابر داده‌های سال 2019 جمع می شود؟ به جز Google Tag Manager، هیچیک از ابزارهای زیر در لیست ظاهر نشد.برای کسانی که از اکوسیستم martech پیروی می‌کنند، شاید این تعجب‌آور نباشد. هزاران ابزار جدید هر سال می‌آیند و می‌روند.با این حال، ما این واگرایی را جالب دانستیم زیرا نشان‌دهنده تغییر اولویت‌های تجاری کسب‌وکارها در زمانCOVID-19 بود.با مقایسه این دو آمار، دو روند زیر پدیدار شد.1. ابزارهای تبلیغات دیجیتال در زمان کووید در حال شتاب گرفتن هستند.هنگامی که اواخر فوریه برای اولین بار COVID-19 همه‌گیر شد، تحلیلگران کاهش تقاضای تبلیغات را ارزیابی کردند و انتظار داشتند که این وضعیت نسبت به رکود اقتصادی سال 2008 بدتر شود.فیس‌بوک، گوگل و توییتر همگی نگرانی‌های مشابهی را در مورد وضعیت تبلیغات ابزارهای دیجیتال داشتند و تصور درآمد ضعیفتر از حد انتظار را برای باقی‌مانده سال 2020 پیش‌بینی میکردند.اما داده‌های ما داستان ظریف‌تری را بیان می‌کند.هر دو ابزار تبلیغات گوگل و فیس‌بوک صعود را نشان می دهند. این نشان می‌دهد که بسیاری از شرکت‌ها به جای دفاع از این دوره از این ابزارها برای حمله استفاده کرده‌اند.فیس‌بوک-پیکسل (Facebook Pixel) سریعترین رشد در فهرست Segment است.گوگل‌ادز(Google Ads) سومین ابزار با رشد سریع در فهرست Segment است.وقتی این نقاط داده را با سال گذشته مقایسه می کنیم، نکات جالبی را می بینیم.فیس‌بوک-پیکسل (Facebook Pixel) ، که تبدیلات تبلیغات فیس‌بوک را ردیابی می‌کند، نه تنها وارد 10 مورد برتر شد بلکه در لیست اصلی قرار گرفت.در سال 2019، گوگل در 10 برنامه برتر با سرعت بیشتر حضور داشت، اما در درجه اول با ابزارهای متمرکز بر تجزیه و تحلیل Google Analytics و Google Tag Manager طی دو ماه گذشته، Google Ads سریعترین رشد را داشته است.این آمار ما را متحیر کرد چرا که در یک رکود اقتصادی، منطق حکم می کند که زمان و هزینه کمتری را صرف تبلیغات کنند نه بیشتر!!وقتی اقتصاد بد کار میکند و رکود است منطق حکم می‌کند که هزینه‌ها تا جای ممکن بمنظور صرفه‌جویی بیشتر کاهش یابد و این به معنای صرف هزینه کمتر روی هر چیزی است که تاثیر مستقیم و تضمین‌شده بر افزایش درآمد ندارد و تبلیغات یکی از عوامل تضمین‌نشده است.در اینجا فرضیه ما این است که رشد کسب‌وکار با کاهش یا پرهیز از اعمال هزینه تبلیغات اضافی همراه خواهد بود و نه افزایش آن.اما بررسی‌ها روی داده‌ها به طور گسترده‌ نشان می‌دهد که کسب‌وکارها در حال کار روی دیجیتال کردن فرایندها برای مطابقت هرچه بیشتر و بهتر با رفتار مصرف‌کننده‌ها هستند زیرا افراد این روزها وقت بسیار بیشتری را به صورت آنلاین می‌گذرانند و در واقع سایز مارکت دیجیتال علی‌رغم رکود اقتصادی در حال بزرگ شدن است.در اواخر ماه مارس، فیس‌بوک از افزایش 70 درصدی زمان صرف‌شده در برنامه‌های خاص خبر داد، در حالی که توییتر شاهد افزایش 24 درصدی سالانه کاربران فعال روزانه برای Q1 بود.ما هنوز ندیده‌ایم که آیا این رفتار مصرف‌کننده ادامه پیدا میکند یا خیر، اما حتی اگر چنین نشود،COVID-19 تغییر به سمت تبلیغات دیجیتال را برای بسیاری از شرکت ها تسریع کرده است. آنها از این زمان استفاده می‌کنند تا در نحوه تبلیغات و پیگیری عملکرد تبلیغات دیجیتال خود پخته‌تر شوند و از طریق داده‌ها پی به اسرار نهفته‌ای ببرند که عملکرد تبلیغات را قابل برنامه‌ریزی میکرد.ما انتظار داریم که این تغییر نسبتاً دائمی باشد. بسیاری از شرکتها همین حالا درگیر این تغییر و تحول هستند.2. توجه شرکت‌ها به اطمینان یافتن از رضایت مشتری (با رویکرد آگاهی عمیق از داده‌های مشتریان) دو برابر شده است.یک روند مرتبط با این بررسی، استمرار رو به رشدی است که به طور گسترده به عنوان ابزار آگاهی از موفقیت و رضایت مشتری یا "اطمینان یافتن از رضایت مشتری با رویکرد آگاهی عمیق از داده های مشتریان " از آن اطمینان کسب کردیم.از ماه مارس، Salesforce و Zendesk (برای مدیریت ارتباط با مشتری) و New Relic (برای نظارت بر تجربه مشتری) سریعترین رشد را در Segment داشته‌اند.ریزش مشتری (Churn) امروزه باعث نگرانی دائمی اکثر مشاغل شده است و این موضوع در طی بیماری همه‌گیر COVID-19 افزایش یافته است.ابزار هایی مانند Segment می‌تواند به ما در امان ماندن شرکت‌ها از بدترین حالت کمک کند و حتی اغلب می تواند به رشد درآمد کسب‌وکارها در دوره رکود کمک کند.آنچه در دو ماه گذشته در مشتریان Segmentتغییر کرده است این بود که اکوسیستم وسیع‌تری از مشتریان جدید و برخی از بازیگران بزرگ در صنعت در استفاده از ابزارهایی مثل Segment رشد یافته است.ما فکر میکنیم که این رویکرد نشانگر کسب و کارها در استفاده و بکارگیری ابزارهای فناوری نوین داده‌ها در کسب و کار است، که به جای استفاده از راه‌حل‌های نقطه‌ای برای فروش، موفقیت و پشتیبانی مشتری، از بهره‌وری عملیاتی داده‌ها استفاده می‌کنند تا همه این قابلیت‌ها را در یک پلتفرم داشته باشند. با این حال، این یک روند جدید است و ادامه آن پس از کاهش همه گیری کووید جالبتر و وسیعتر خواهد بود.حرف آخرکوید19 (COVID-19) موجب شده است که کسب و کارها، دیجیتال کردن مشاغل پرطرفدار را که ممکن بود در ده سال تحقق پیدا کند در چند هفته انجام دهند و این یک تأثیر غیرقابل‌انکار بر زیرساخت های فناوری آنها گذاشته است.بطوری که اگر قبل از COVID-19 "رشد" شرکت ها مورد توجه بود، اکنون پایداری، کارایی و رضایت مشتری با رویکرد آگاهی عمیق از داده های مشتریان به ستاره قطبی آنها تبدیل شده است.سرانجام اگر این داده‌ها بخواهد چیزی را به ما نشان دهند، این است که داشتن قابلیت تطبیق‌پذیری زیرساخت انفورماتیک کسب‌وکارها با تغییرات بازار مهمتر از همیشه است.در برابر تغییرات و شرایط در حال تغییر دائمی و ناپایدار، حصول داده‌ها برای حفظ مزیت رقابتی یا ایجاد مزیت رقابتی بیش از هر زمان دیگری مهمتر شده است.نظر شما در مورد این داده ها چیست؟لطفا در مورد سازگاری زیرساخت big data ی خود با ما در ارتباط باشید.www.ingrow.co1) با برداشتی از یادداشت جفری کیتینگ در 10 ژوئن 2020 inGrow inGrow Tue, 19 Jan 2021 16:20:01 +0330 https://virgool.io/@ingrow/%D9%85%D8%A7-%D8%A8%D9%87-%DB%8C%DA%A9-%D9%85%D8%B9%DB%8C%D8%A7%D8%B1-%D9%86%DB%8C%D8%A7%D8%B2-%D8%AF%D8%A7%D8%B4%D8%AA%DB%8C%D9%85-psb1mejbb9az به دنبال یافتن معیاری بودیم تا ...هر کسب و کاری برای طی مراحل رشد خود باید کانال‌های جذب کاربران جدید را آزمایش کنند. اگر شما هم به عنوان یک کسب و کار، به خصوص کسب و کار ارائه دهنده خدمات و محصول در بستر اینترنت به دنبال توسعه کانالهای جذب مشتری هستید با ما همراه باشید تا گام‌های قابل اجرا رو با شما به اشتراک بگذاریم. در آغاز این مسیر احتمالا مانند ما و خیلی‌های دیگه به احتمال زیاد یک سوال مهم را ازخود خواهید ‌پرسید:چقدر باید برای آزمایش این کانال‌های جذب مشتریان جدید خرج کنیم؟برای پاسخ به این سوال فکر کنم با ما هم سو هستید که هیچ کس نمی خواهد پولش را به صورت ناموثر خرج کند و به اصطلاح برای تبلیغ در کانال‌های ناکارآمد هدر دهد. ولی برای تشخیص موثر بودن هزینه چه معیاری وجود دارد؟ما هم مثل شما به دنبال یافتن این معیار بودیم و فکر می‌کنیم در این مسیر به تجربه‌های جالب و قابل بیانی رسیدیم، از اینرو مشتاقانه آن را با شما به اشتراک می گذاریم تا شاید این فرآیند همانطور که به ما در محاسبه هزینه جذب مشتری کمک کرد، برای شما هم موثر باشد و در این مسیر با گام‌هایی که طی کردیم و ابزارهایی که کمک‌مان کرد آشنا شوید تا شاید مسیر رسیدن به هدف برای شما کوتاه تر شود.برای بیان تجربه خودمان، ابتدا اجازه دهید 3 پرسشی که به نظر ما قبل از برآورد بودجه‌ی جذب مشتریان جدید مهم است را با هم بررسی کنیم. 1. مشتریان ما در قبال دریافت خدمات ما در بلندمدت چقدر حاضر هستند هزینه بپردازند؟با بررسی نخستین سوال به دو مفهوم ارزش طول عمر [LTV)[1)و هزینه جذب مشتری (CAC) می‌رسیم؛ اولین مفهوم به اندازه‌گیری ارزش و یا سودی که یک مشتری در یک دوره زمانی مشخص برای کسب و کار ما خلق می‌کند می‌پردازد و دومین مفهوم بیان کننده متوسط هزینه‌ای است که برای جذب یک مشتری جدید می‌پردازیم.اکنون که با این دو مفهوم آشنا شدیم می‌توانیم شاخصی را ارائه کنیم که با محاسبه‌ی نسبت این دو مفهوم به دست می‌آید. با به دست آوردن این شاخص می‌توانیم بفهمیم چقدر باید برای جذب هر مشتری جدید هزینه کنیم یا به عبارتی تفسیر این شاخص می‌تواند به ما نشان می‌دهد که آیا هزینه‌ی صرف شده به ازای جذب هر مشتری جدید به صرفه است یا نیاز به بازنگری دارد.قبل از اینکه به سوال بعدی بپردازیم، مفهوم دو معیار دیگر را هم به صورت گذرا تعریف می‌کنیم:- سود ناخالص یا همان حاشیه فروش مبلغی است که پس از پرداخت بهای تمام‌شده کالا یا خدمات فروش‌رفته [COGS)[2)باقی می‌ماند. دقت کنید در بهای تمام شده همه هزینه‌ها اعم از پشتیبانی و میزبانی در نظر گرفته می‌شود.- نرخ ریزش مشتریان از محاسبه درصدی از مشتریان که بنا به هردلیلی اشتراک خود را قطع می‌کنند و یا تمدید نمی‌کنند و به عبارتی ما و استفاده از خدمات ما را ترک می‌کنند، به دست می‌آید.2. از افرادی که برای آشنایی و یا استفاده آزمایشی از خدمات ما ثبت‌نام (signup) می‌کنند چه درصدی واقعا به خرید و پرداخت برای استفاده کاربردی از خدمات ما خواهند پرداخت؟همه ما استارت آپ ها در مرحله رشد خود و چه بسا در مراحل دیگر احتمالا یک طرح آزمایش رایگان[3] یا فری‌میوم (رایگان‌پایه)[4]معرفی می‌کنیم تا کنجکاوی مخاطبین را برای تست خدمات و محصولات خودمان برانگیخته کنیم؛ اما احتمالا با این مورد برخورد کرده اید که همه کسانی که ثبت‌نام (signup) می‌کنند به مشتری بلند مدت ما تبدیل نمی‌شوند. ماهم به دلیل داشتن تجربه مشابه معیار دیگری را در بازه‌های زمانی محاسبه کردیم تا بدانیم هر یک ثبت نام (ولو اینکه به مشتری دائم تبدیل نشود)، چقدر هزینه داشته‌ایم؛ این معیار از تقسیم «نرخ تبدیل ثبت نام» بر «تعداد مشتریانی که به خرید غیر از طرح آزمایشی می‌رسند» به دست می‌آید.3. از مخاطبینی که از وب‌سایت ارائه خدمات ما بازدید می‌کنند، چه درصدی ثبت‌نام می‌کنند؟پاسخ به این سوال شاخصی را با عنوان «نرخ تبدیل ثبت‌نام» معرفی‌می‌کند. اگر این شاخص شما را به یاد قیف فروش یا Sales Funnel انداخت، خوشحالیم بگوییم که با شما همسو هستیم. همچنین ما در جاهایی که از صفحات لندینگ پیج در آگهی‌های خود استفاده کردیم شاخص «نرخ تبدیل لندینگ پیج» را هم در قیف فروش خود حساب کردیم.پس از مطرح کردن سوال‌های بالا چند سناریوی احتمالی را که ممکن است برای شما به وجود بیاید را مطرح‌ می‌کنیم:در یکی از سناریو‌ها ممکن است بگویید که در کسب و کار خود اصلا استراتژی ارائه طرح آزمایش رایگان یا فری‌میوم (رایگان‌پایه) را ندارید، در این حالت به هیچ وجه نگران نشوید، کافی است پاسخ سوال دوم و سوم را با هم بدهید و شاخص «تعداد بازدید انجام شده از سایت بر خرید تکمیل شده» را محاسبه کنید.در سناریوی دیگر اگر تعدادی از کمپین‌های تبلیغاتی شما رویدادهای تبدیل بینابینی (مثل ثبت اطلاعات لید برای یک خبرنامه) را هدف قرار داده باشید، ما پیشنهاد می‌کنیم دو آمار زیر را بررسی کنید:- برای برنامه های (اپ های) موبایل ، به تعداد نصب‌های برنامه نگاه کنید- بازدیدها و کلیک وب‌سایت را جدا محاسبه کنید.(دو کانال دو رویداد)حالا که با پاسخ به سه سوال بالا توانستیم «ارزش طول عمرمشتری»، «نرخ تبدیل ثبت‌نام مخاطب به مشتری که منجر به خرید می‌شود» و «نرخ ثبت‌نام» را محاسبه کنیم، می‌توانید به سوال اساسی که در ابتدا مطرح کردیم پاسخ دهیم. احتمالا خاطرتان هست که هدف از این محاسبات به دست آوردن هزینه های صرف شده برای جذب مشتریان جدید و همچنین هزینه به دست‌آوردن کلیک برای وبسایت‌مان بوده است.فرمول محاسبه هزینه به ازای جذبدو معیار اصلی وجود دارد که تبلیغ‌کنندگان از آن‌ها برای گزارش هزینه‌های خودشان استفاده می‌کنند.1. هزینه به ازای جذب هر کاربر [CPA)[5): یا مقدارهزینه ای که در مدیا خرج میکنیم تا یک نفر ثبت‌نام کند.. این هزینه از یک فرمول دو بخشی به دست می‌آید و اصولا برای آندسته از استارت آپ هایی مناسب است که محصولات فری‌میوم ارائه می‌دهند. دوبخشی که به آن اشاره کردیم عبارتند از:· چقدر می‌توانم برای جذب یک مشتری خرج کنم؟برای مواقعی که در حال آزمایش کانال‌های جدید هستیم، یک‌سوم ارزش طول عمرمشتری (LTV) باید در سطحی بالاتر از مقداری باشد که برای یک مشتریِ هزینه می کنیم، اما اگر بیشتر از یک سوم شد و یا هرچه باشد، اگر هزینه‌های جذب مشتری برای ما کمتر از ارزش طول عمر مشتری باشد، همچنان سود خواهیم کرد. بااین‌حال، وقتی کانالی پیدا کنیم که درست و خوب کار میکند، باز تمایل داریم آن را با یک CPPC پایین‌تر بهینه کنید که به LTV / 5 نزدیک‌تر باشد.· چقدر می‌توانم برای جذب یک ثبت‌نام (signup) خرج کنم؟اگر روی تست یک طرح رایگان یا یک طرح آزمایشی متمرکز هستیم، باید بدانیم این یک ضریب و هزینه‌ جذب اضافی هم دارد که به هزینه های جذب ما باید اضافه شود.توجه داشته باشیم برخی شرکت‌ها پلن‌های سازمانی یا شرکتی دارند که بسیار گران‌تر از پلن‌های سلف‌سرویس است که مشتری خودش ثبت نام میکند. در این مورد، باید بدانیم نرخ تبدیل‌های پلن سازمانی را در هنگام پرداخت هزینه ها برای ثبت‌نام کننده های قدیمی و معمولی جدا به حساب آوریم.2. هزینه به ازای کلیک [CPC)[6): یا هزینه‌ای که خرج میکنیم تا یک نفر روی تبلیغ ما کلیک کند و یا وارد سایت ما شود..بیشتر اوقات، پلتفرم‌های تبلیغاتی به جای اینکه به ما اجازه دهند تا هزینه ثبت‌نام‌های واقعی را پرداخت کنید، ما را وادار می‌کنند تا حداکثر هزینه پیشنهادی را که برای یک کلیک است را انتخاب کنیم. این همان جایی است که نرخ تبدیل ثبت‌نام (signups) برای ما اهمیت پیدا می‌کند. ( نرخ تبدیل ثبت‌نام، احتمال این‌که کسی از طریق کلیک روی تبلیغ ما در سایت ثبت‌نام کند را محاسبه می‌کند. )چقدر می‌توانم برای یک کلیک صورت گرفته روی وب‌سایت‌مان هزینه کنیم؟برای پاسخ به این سوال در Google Spreadsheet و در مسیر پانوشت[7]، ماشین حساب ساده ای آماده شده که می‌تواند کمک خوبی برای محاسبه مبلغی که باید برای جذب مشتری هزینه کنیم باشد، برای استفاده از این ماشین حساب تعداد کاربران مورد نظرمان را وارد می کنیم تا هزینه‌های مورد انتظار را برآورد کند..بخش جذاب! بهینه‌سازی به ازای هر کانالخوب درحالی‌که این فرمول‌ها ما را راهنمایی می‌کنند تا بدانیم که چقدر باید هزینه کنیم، باید بدانیم آنچه مهم است و تکلیف نهایی ما را مشخص می‌کند، آنالیز ردیابی رویدادها ،واکاوی داده ها و ابزارهای پیگیری رویدادها است که به ما کمک می‌کنند تا بودجه جذب مشتری خود را بهینه‌سازی کنیم.برای مثال فرض کنیم مخاطبینی که ما را از طریق گوگل اَدوُردز[8]پیدا می‌کنند ممکن است در مقایسه با افرادی که از طریق توییتر[9]به سایت ما می‌آیند پول بیشتری برای خدمات ما هزینه کنند. به عنوان یک بازاریاب پیشرفته، ما باید ارزش بلندمدت ثبت‌نام‌های هر کانال را به تفکیک ارزیابی کنیم. انجام این کار میزان هزینه ما برای جذب مشتری از طریق آن کانال را تغییر خواهد داد.برای دست یابی به این مهم تنها کاری که باید انجام بدهیم این است که محاسبات ارزش طول عمر مشتری را به معادلات بالا وصل کنیم، تا به‌راحتی بتوانیم مبلغی که باید درآن کانال هزینه کنیم را محاسبه نماییم. ما باید مطمئن شویم که ترافیک کافی از یک کانال دریافت می‌کنیم تا محاسبات معنی دار باشند.همچنین می‌توانیم مقایسه کنیم که اگر هزینه‌های ما بیش‌ازحد بالاست و ارزش طول عمرمشتری برای یک کانال خاص در مقایسه با هزینه بیش‌ازحد کم است، بودجه آن کانال را قطع کنیم و یا اگر یک کانال با هزینه مناسب پیدا کردیم می‌توانید بیشتر روی آن کانال سرمایه‌گذاری کنیم.تا کنون در مورد معیارهایی که پیدا کردیم با شما صحبت کردیم و قسمتی از فرآیندها را هم بازگو کردیم. در اینجا و به عنوان حسن ختام می خواهیم در مورد چندتا از ابزار و تکنیک هایی که مورد استفاده ما برای اجرای فرآیندهای مطرح شده، قرار گرفت صحبت کنیم و آن‌ها را به شما معرفی کنیم:· تست A/Bاز این تکنیک برای افزایش کارایی بازاریابی خودمان استفاده کردیم، در استفاده از این تکنیک بر بهینه‌سازی نرخ‌های تبدیلی که در مورد آن‌ها صحبت داشتیم، تمرکز کردیم.A/B تست تکنیک خوبی برای بهبود طراحی و نرخ تبدیل‌های وب‌سایت و صفحه لندینگ پیج های ما هم هست.· اتوماسیون بازاریابی.با استفاده از خدمات ایمیل مبتنی بر رویداد و پوش نوتیفیکیشن ها توانستیم تا از طریق اطلاع‌رسانی‌های شخصی‌سازی‌شده و به‌موقع، مخاطبین جدید جذب کرده و نرخ تبدیل ثبت‌نام به نرخ نبدیل پرداخت خودتان را افزایش دهیم.· استریم داده هااگر شما هم مثل ما تعداد زیادی کمپین تبلیغاتی دارید، احتمالا با این چالش مواجه شده اید که پیگیری و دنبال‌کردن نرخ‌های تبدیل و هزینه‌ها دشوار است. ما به این نتیجه رسیدیم استریم و آنالیز داده ها به ما کمک شایانی می‌کند تا اثر گذاری کل بودجه رسانه‌ای خودمان را کنترل کنیم و ببینیم که کدام کانال‌ها بهترین عملکرد را دارند.· پلتفرم یکپارچه‌سازی تکنیک‌ها و فرآیندهابرای اینکه بتونیم فرآیندها و تکنیک‌های بالا را به درستی داشته باشیم، خیلی دنبال یک راهکار پایدار و یکپارچه گشتیم، یعنی راهکاری که به آسان ترین روش هر داده‌ای رو که نیاز داریم (حتی رفتار مخاطب قبل از مشتری شدن در وب سایت و اپلیکیشن ما) تا آنالیز داده ‌های جمع شده بدون دانش تخصص فنی و صرفا با دانش تخصصی مارکتینگ رو در اختیار ما قرار بدهد. علاوه برآن بتونیم رفتار مخاطب از حالت anonymous تا وقتی که مشتری می شود را به صورت پیوسته و بدون گم کردن ردپا، رصد کنیم که بتونیم معیارهای بالا رو به درستی محاسبه کنیم.واقعیت در این راستا راهکار یکپارچه‌ای رو پیدا نکردیم که علاوه بر اینکه هزینه‌ی مناسبی رو برای ما داشته باشه، ما را هم درگیر مسائل پیچیده ای مثل پشتیبانی و تحریم لایسنس نکنه، برای همین از اونجایی که به تجربه مطرح شده ایمان داشتیم و مطمئن بودیم می تونیم برای کسب کارهای کوچیک و بزرگ از جمله خودمون ارزش آفرینی کنیم، تصمیم گرفتیم یک بار برای همیشه و به صورت اصولی با طراحی و پیاده سازی پلتفرمی این اکوسیستم رو شکل بدیم و الان باور داریم با صرف هزینه و زمان و منابع مناسب تونستیم به این مهم دست پیدا کنیم. اگه تمایل دارید در مورد ابزار و زیرساختی هم که آماده کردیم بیشتر بدونید تا شاید جذب استفاده از آن در زنجیره ارزش خودتون بشید لطفا به وب سایت ما به آدرس www.ingrow.co مراجعه کنید. هرجا سوال یا ابهامی داشتید با ما در تماس باشید، بدونید با دست باز تجربه های خودمون رو با شما به اشتراک می گذاریم.[1] Google Adwords[2] Twitter[3] Cost Per Acquisition[4] Cost Per Click[5] yun.ir/2nqrx[6] Free Trial[7] Freemium[8] Cost of Goods Sold[9] Lifetime Value inGrow inGrow Sat, 12 Dec 2020 16:56:14 +0330 https://virgool.io/@ingrow/%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87%D9%87%D8%A7%DB%8C-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D9%86%D8%B4%D8%AF%D9%87-czyw1zsofffw داده‌های کلان (Big Data)جریان رویداد چیست؟ گام بعدی برای کسب و کارهاbig dataهر چه تکثیر داده در بین انواع کسب‌ وکار بیشتر می‌شود، جریان رویدادها (event streaming) هم از اهمیت بیشتری برخوردار می‌شود. اما جریان رویداد چیست؟ تعریف ساده این است که جریان رویداد شرکت‌ها را قادر می‌سازد تا داده‌های مربوط به رویدادها (events) را آنالیز کنند و به آن رویداد به‌صورت بلادرنگ و درکمترین زمان ممکن (real time) واکنش نشان دهند.در حال حاضر، در همه بازارها همه چیز توسط رویدادها هدایت می‌شود. برای مثال، زمانی که یک تراکنش تجاری اتفاق می‌افتد، مثلا مشتری که یک سفارش ثبت می‌کند یا مبلغی سپرده به حساب بانکی خود اضافه می‌کند، یک رویداد رخ می‌دهد که گام بعدی را شکل می‌دهد.امروزه مشتریان به دنبال تجربیات واکنش‌گرا (responsive experiences)هستند، به همین دلیل زمانی که با شرکت‌ها تعامل دارند، توانایی اتخاذ تصمیمات بلادرنگ مبتنی بر یک رویداد، برای شرکت بسیار حیاتی می‌شود.سه کاربرد تجاریِ برترِ جریان رویداد (event streaming):تعداد زیاد رویدادهای تجاری، حجم عظیمی از داده‌ها را ایجاد می‌کنند که می‌تواند اتخاذ تصمیم‌های فوری را برای شرکت‌ها دشوار کند. شرکت‌ها باید شناخت قابل اعتمادی داشته باشند تا تصمیمات سریعی اتخاذ کنند و تجارب مشتریان را تقویت کنند. جریان رویداد می‌تواند به این موضوع کمک کند.در اینجا سه دلیل اصلی اهمیت جریان رویداد برای کسب‌وکار آورده شده‌است:۱. استفاده از داده‌های استفاده‌نشدهکسب و کارها حجم عظیمی از داده‌ها را در اختیار دارند.برای مثال، شرکت‌های تولیدی اطلاعات مربوط به خرابی ماشین‌ها، زمانِ تکمیل فرایند، اوج و فرود ظرفیت، داده‌های مربوط به میزان مصرف و غیره را در اختیار دارند. خطوط هوایی اطلاعات مربوط به زمان انتظار مشتریان، تاخیر هواپیماها و الگوهای خرید بلیط را همراه با منابع دیگر در اختیار دارند. در حال حاضر، مقدار زیادی از این داده‌ها در گوشه‌ای انباشته شده و گرد و غبار می‌خورند. سازمان‌ها می‌توانند از این داده‌ها برای مقاصد خود استفاده کنند. ۲. استفاده از مزیت شناخت داده‌های بلادرنگ (Real Time)یکی از اصول کلیدی جریان رویداد، توانایی کسب بینش‌های بلادرنگ و واکنش به این بینش‌های کسب شدهاست. فرض کنید تقاضای زیادی برای خرید آنلاین یک تلویزیون جدید وجود دارد، اما این محصول در انبار موجود نیست. اگر این داده‌ها یک هفته بعد به دست خرده‌فروش برسند اصلا خوب نخواهد بود. ممکن است مشتری خود را از دست بدهند. شرکت‌ها باید بتوانند از مزیت بینش‌های بلادرنگ بهره‌مند شوند. به عنوان مثال، اگر یک مشتری مکررا از یک فروشگاه خاص خرید کند، فروشگاه با استفاده از داده‌های مکانی استخراج شده از ترافیک تلفن همراه یا وای فای می‌تواند تا یک آگهی سفارشی یا کوپن خرید را براساس موقعیت مشتری به تلفن او ارسال کند. ۳. ایجاد تجربه خرید بهتر و تعامل بیشتر با مشتری (engagement)زمانی که یک کسب‌وکار، جریان داده‌ها و بینش‌های داده‌های بلادرنگ را کنار هم تجمیع کند، فرصت مطلوبی برای خلق تجارب بهتر و تعامل بیشتر با مشتریان فراهم می‌شود. با تمام گزینه‌هایی که مشتریان در این روزها پیش روی خود دارند، موفقیتِ کسب و کار نه تنها به داشتن بهترین محصول بلکه ایجاد بهترین تجربه مشتریان وابسته است. با پاسخگویی مطلوب به شرایط، شرکت‌ها می‌توانند روش‌های جدیدی را برای تعامل با مشتریان خود و افزایش انتظارات مشتری ایجاد کنند. مثال یک شرکت هواپیمایی را در نظر بگیرید. هنگامی که پروازها لغو می‌شوند یا به تاخیر می‌افتند، عوامل خدمات مشتری و عوامل میز پشتیبان مورد هجوم مشتریان ناراضی قرار می‌گیرند. کارکنان از طریق قابلیت جریان رویداد می‌توانند رویداد را مشاهده کنند و در کمترین زمان با رزرو مجدد برنامه‌های سفر مشابه به موضوع واکنش نشان ‌دهند، بنابراین تجربه بهتری را برای مشتری ایجاد می‌کنند. همه این کارها را می توان از طریق جریان رویداد انجام داد.اینگرو (ingrow) و ابزارهای جریان رویدادهادر حال حاضر ما- اینگرو را بعنوان ابزاری برای جریان رویدادها، معرفی می‌کنیم. اینگرو بدون ایجاد هرگونه بار اضافی بر روی Backend شرکت‌ها، یک پلتفرم Big-Data را برای استریم کردن و گزارش‌گیری از داده‌ها در اختیار آن‌ها قرار می‌دهد، اینگرو به کاربران امکان این را می‌دهد که داده‌ها در هر زمان و هر مکانی که نیاز دارند را ارسال، ذخیره و درخواست کنند. با اینگرو هر رویدادی را از اولین touchpoint و از هر منبعی، به صورت داینامیک و schemaless استریم کنید و با غنی‌سازی داده ها- Enrich & transform - به مجهولات شناخته نشده و معلومات ناشناخته از طریق داده‌ها پی ببرید.اینگرو جریان‌ رویدادها را همراه با مقیاس پذیری و ذخیره سازی داده‌ها ساخته شده بر روی بستر Apache Cassandra امکان ذخیره سریع اطلاعات با حجم بسیار بالا را فراهم میکند.اینگرو این فرایند را قابل تکرار، مقیاس‌پذیر و سازگار با مدل توسعه شرکت ها و سازمانها کرده است."برگرفته شده از یاد داشت آلن چایت، مدیر اجرایی جریان‌های رویداد آی بی ام" inGrow inGrow Sat, 12 Dec 2020 16:32:23 +0330 https://virgool.io/@ingrow/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D9%85%DB%8C%C2%AD%D8%AA%D9%88%D8%A7%D9%86-%D9%85%DB%8C%D8%B2%D8%A7%D9%86-%D9%85%D8%A7%D9%86%D8%AF%DA%AF%D8%A7%D8%B1%DB%8C-%D9%85%D8%B4%D8%AA%D8%B1%DB%8C-%D8%B1%D8%A7-%D8%A7%D9%86%D8%AF%D8%A7%D8%B2%D9%87-%DA%AF%DB%8C%D8%B1%DB%8C-%DA%A9%D8%B1%D8%AF-%D9%88-%D8%A2%D9%86-%D8%B1%D8%A7-%D8%A8%D9%87%D8%A8%D9%88%D8%AF-%D8%A8%D8%AE%D8%B4%DB%8C%D8%AF-hhqjr6m7fpbk CDPامروزه دوره­‌ی نامشخصی برای هر کسب و کاری است. شاید حس کرده‌اید که از سطح بالای قیف تقاضا، درخواست‌­های شما کاهش می‌­یابد یا سیکل فروش شما طولانی­‌تر می‌­شود. درحالی که هر شرکتی تأثیر متفاوتی را از این موضوعات احساس می­‌کند، چیزی که قطعی است این است که مشاغل با سرعتی که قبلا هیچگاه ندیده بودیم، مجبور می‌­شوند خود را با تغییرات وفق دهند. راه‌حل کوتاه مدت وسوسه‌انگیز در این شرایط و هنگامی که ارزش سهام بالاست، سرمایه گذاری برای کمک به رشد کسب و کارها است.اما بیشتر اوقات، موثرترین راه­‌حل برای مشکلات کوتاه مدت، راه حل­‌های بلند مدت است نه راه حل های کوتاه مدت. پیچیدن باند برای شکستگی یک بازو فایده­ای ندارد.اندازه گیری میزان ماندگاری مشتری در پلتفرم داده محور اینگرواستراتژی که ما به آن معتقدیم این است که باید تلاش دو برابری بکنیم برای نگه داشتن مشتری (ماندگاری مشتری ). این بینش جدیدی نیست ولی، برای اهمیت آن یادآور میشویم که فقط در پنج سال گذشته، هزینه جذب مشتری بیش از 50 درصد افزایش یافته است– اگر می‌­خواهید با روشی مقیاس پذیر و سودآور رشد کنید، باید فراتر از خرید مشتری باشید.کسب و کارها به تدریج شروع به تغییر تمرکزخود از((چگونه مشتریان بیشتری بدست آوریم؟)) به ((چگونه آنهایی را که در حال حاضر داریم حفظ کنیم؟)) روی می­‌آورند.به عبارت دیگر، پر کردن یک سطلی که نشت دارد، منطقی نیست.در اینگرو (INGROW)، ما به مشتری های خود کمک می کنیم تا رفتار مشتریان خود را تجزیه و تحلیل کنند، ریزش مشتریان را پیش بینی کنند و کسب و کار بلند مدت سودآور ایجاد کنند. ما در طی این سال­ها برای ساخت پلتفرم اینگرو، فوق العاده سخت کار کرده‌­ایم.ما فکر کردیم که استفاده از ابزار اینگرو مفید خواهد بود و توصیه می‌کنیم که شرکت‌ها استراتژی استفاده از این ابزار را تجربه کنند.برای درک این­که چرا مشتریان می‌­روند، ابتدا باید بدانید که چرا مشتریان می­‌مانندقبل از شروع استفاده از این ابزار، بیایید یک دقیقه فکر کنیم که چگونه میزان نگهداری مشتریان خود را اندازه گیری کنیم. هنگام شروع کار برای حفظ مشتریان، معمولا اولین قدمی که انجام می‌دهند این است که نظرسنجی­‌های مربوط به مشتریان اخیرا را بررسی می‌کنند. شاید اینکار به نظر منطقی برسد، اما باید اعتراف کنم که این در واقع مکان اشتباهی برای شروع است ، درعوض باید بروید به بهترین مشتریان خود نگاه کنید. بله؛ به آن‌هایی که هستند و از ما خرید میکنند.چرا این مشتریان با محصول شما مانده‌اند؟ چرا آن‌ها استفاده خود را از محصول شما گسترش داده‌­اند؟ آن‌ها چه اکشن‌هایی نسبت به محصول شما انجام داده اند؟ اگر می­‌توانید بفهمید چه چیزی و چرا، بنابراین می‌توانید مهندسی معکوس آن مسیر را برای سایر مشتریان نیزشروع کنید.شاید این موارد را با عنوان‌های ((معیارهای فعال سازی)) یا ((لحظه‌­های جرقه زدن فکر)) شنیده‌اید. نمونه متعارف آن را تیم رشد اولیه فیس بوک به بهترین شکل نشان می­‌دهد. شاید شنیده باشید که آن­ها فهمیدند که “چه کارهایی ” بهترین مشتریانشان را از کسانی که از دست داده‌­اند متمایز می­کند – مثلا اونایی که در 10 روز 7 دوست اضافه کردند.یک تجزیه و تحلیل به شما کمک می­‌کند رفتارهایی را که یک مشتری با استفاده مداوم از محصول شما برای مدت طولانی و بیشتر با آن ارتباط برقرار می­کند را درک کنید و هنگامی که این رفتارها را درک کردید، می­توانید محصول یا ارتباطات خود را بهینه کنید تا به مشتریان بیشتری کمک کنید.این اقدامات را انجام دهید تا آنها هم ارزش محصول شما را ببینند و در نهایت آنها هم به مشتری خوشحال و طولانی مدت شما تبدیل شوند.در واقع راه این است که ابتدا به برخی از داده­‌های پشت پرده­ی حفظ مشتریان خود برسید، و بعد وقت آن است که برای بهبود آن ایده‌­های خلاقانه‌ای از خود ارائه دهید.6 استراتژی برای کمک به بهینه­‌سازی حفظ مشتریانوقتی به حفظ کردن مشتریان فکر می­‌کنیم، می­توان برای بهتر فهمیدن، مفهوم آن را در سه مرحله اولیه، میانی و آخر تقسیم ­کنیم.ما این مطلب را از طرز تفکر برایان بالفو ، معاون سابق رشد در Hubspot و مدیرعامل Reforge آورده‌ایم . اگر برای حفظ کردن مشتریان شروع بکار می­‌کنید، توصیه می­کنیم به نکات ایشان توجه کنید.حفظ کردن در مراحل اولیه1. ثبت نام­های جدید(عضوهای جدید) را برای انجام فعالیت‌­های با ارزش بالا تشویق کنید“در اکثر محصولات در چند روز اول تعامل کمتری از مشتریان مشاهده می­شود. شما باید در همین روزهای اول کسانی را که فقط یک نگاه مختصری به محصولات شما می‌کنند را مورد توجه قراردهید، این کار را با اطمینان از اینکه کاربران اقدامات ارزشمند محصول را در همان اوایل که آشنا می‌شوند انجام می‌­دهند صورت می‌گیرد.”در اینگرو (INGROW)، اولین اقدامی که به شدت با حفظ مشتری ارتباط دارد، زمانی است که کاربر شروع به ارسال داده به اینگرو (INGROW) می‌­کند. در اینجا یک پیام ساده درون برنامه‌­ای است که شما باید از آن استفاده کنید تا کاربران را در تداوم رفتارشون بر روی محصول متقاعد کنید.نکته مهم برای اندازه گیری رفتار مشتریان در اینجا فقط بازکردن سایت وکلیک کردن نیست، بلکه تعاملی است که از این لجظه به بعد باید با آن‌ها داشته باشید . این مرحله قبل از آن است که خرید اتفاق بیفتد.حفظ کردن درمراحل میانی2. “علائم هشدار دهنده” را ردیابی کنید“همان زمان که کاربران اقدامات ارزشمند روی محصول شما انجام میدهند، مراقب کاهش میزان استفاده کلی محصول باشید. آیا آنها کمتر از قبل وارد سیستم می­شوند؟ آیا وقتی آنها وارد سیستم می­شوند، زمان کمتری را در داخل محصول شما صرف می­کنند؟هنگام انجام این اقدام ، مهم است که نه فقط به فعالیت، بلکه به مشارکت هم نگاه کنید.من چگونگی بیان لینکلن مورفی را دوست دارم: ((چیزی که بسیاری از ارائه دهندگان SaaS معتقدند این است که یک کاربر((فعال)) حقیقتا یک تهدید بزرگ و زشت است)).ممکن است یک کاربر با همان فرکانس وارد سیستم شود و حتی مدت زمان یکسانی را در محصول شما بگذراند، اما در تمام مدت از ارزشمندترین ویژگی‌­ها ی محصول شما کمتر و کمتر استفاده کند.”ما توصیه می­کنیم میزان حفظ کردن را بر اساس اینکه آیا کاربران به برنامه شما باز می­‌گردند و اقدامات با ارزش مورد نظر شما را انجام می­دهند، را اندازه گیری کنید.به عنوان مثال، ببینید از چه منبع و مقصدی مشتری وصل می­شود.3. ارتباط ROI را به طور منظم برقرار کنید” دون داج می­گفت که، دو نوع محصول در این دنیا وجود دارد: ویتامین ها و مسکن ها ؛ ((ویتامین­ها)) محصولی هستند که داشتن آنها بسیار خوب است. اما ((مسکن ها )) محصولی هستند که بدون آنها نمی‌­توانید زندگی کنید.”در تبلیغات باید قادر باشید پیام‌تان را منتقل کنید و رد یابی کنید تا اطمینان پیدا کنید این پیام درک شده است درک و انتقال ارزشی که محصول شما به وجود می‌­آورد باید این باشد که ، نکته­ی کلیدی محصول شما برای تبدیل از “ویتامین” به “مسکن” است.یکی از تاکتیک­های مورد علاقه ما در اینگرو ROI است باید به شما ثابت شود هزینه ای که برای تبلیغات میکنید در مقابل برداشتی که از نتایج آن میکنید قابل قبول است.شما با اینگرو (INGROW)قادر هستید که بطورمنظم وپیوسته وبصورتreal-time نتایج حاصل از تبلیغات را با ردیابی داده‌ها ارزیابی کنید .یکی از(بسیاری!) نتایج مثبتی که یک کسب و کاربا اینگرو (INGROW)می­بیند، صرفه جویی در منابع مهندسی است. بنابراین ما از یک زبان شخصی سازی / اسکریپت نویسی به نام ……(منبع باز)، ویژگی­های SQL و …استفاده می­کنیم تا آن نتایج مثبت را به صورت پویا محاسبه و به مشتریان منتقل کنیم.4. گسترش استفاده از داده‌ها فراتر از اتکا داشتن به یک قهرمان استدر طی فرایند فروش، نمایندگان به طور سنتی سعی می­کنند ((قهرمان)) را در یک شرکت پیدا کنند. این شخصی است که مایل است برای تصویب، اجرا و بازاریابی یک محصول جدید و اجرای تغییر در سازمان از روی موانع عبور کند. گرچه داشتن کسی که در گوشه و کنار شما برای شما بجنگد، بسیار حس قدرتمندی است، اما یک خطر ذاتی هم وجود دارد – اگر قهرمان تنها کسی باشد که از شما دفاع کند، چه اتفاقی می­افتد اگر او شما را ترک کند؟در مهندسی، این موضوع به عنوان تنها نقطه شکست شناخته می­شود.اگریک قسمت از سیستم خراب شود، کل سیستم خراب می­شود. حفظ کردن هم چیز اتفاقی نیست.برای مقابله با این موضوع، با داشبوردساز اینگرو (INGROW) ابزاری حیاتی بسازید که رفتار خیلی مهم مشتریان و کسب و کارتان را توامان ببینید، از این ابزار بعنوان یک بستر موفقیت مشتری استفاده کنید که تمام داده­های مشتری شما را می­گیرد – صفات و رویدادها، مکالمه‌­ها، اشتراک‌­ها و امتیازات NPS را به صورت 360 درجه در پروفایل­‌های 360 درجه قرار دهید تا به شما امکان کنترل فعالانه سلامت یک حساب را بدهد.آنچه در مورد این ابزار به طور ویژه‌­ای عالی است، این است که شما توانایی ارسال داده‌­ها به داخل و خارج آن را دارید. این به شما امکان می­‌دهد به راحتی گردش کار سفارشی یا اختصاصی ایجاد کنید به شما کمک می­‌کند تا از آنها درحفظ و توازن قدرت اجرای تصمیمات‌تان استفاده کنید.به عنوان مثال، با گردش کاری که با داده­‌ها دارید هنگامی که متوجه می‌­شوید شاخص های فروش تغییر کرده یا در حال تغییراست، فورا متوجه موفقیت و تعرفه فروش و … میشوید.حفظ کردن در مراحل آخر5. فرایند تصمیم و اقدام کنسل کردن کاربران خود را بهینه کنیدآیا تا به حال سعی کرده‌­اید بعنوان یک کاربر ادامه فعالیت‌تان را بر روی یک پلتفرم لغو کنید؟ آیا تا بحال با یک پروسه طولانی با چندین صفحه و چندین تماس برای انصراف از این اقدام‌تان مواجه نشدید؟ لغو کردن را به آخرین چاره مشتریان تبدیل کنید.برخی از این تاکتیک­‌ها به سمت UX می­روند، افزایش سطح فعالیت های دستی به شما نشان می­دهد که چرا جریان لغو طراحی شده، بسیار مهم است. در حقیقت، آمار نشان داده است که بهینه‌­سازی جریان لغو به کاهش 10 تا 50 ٪ لغو کمک می­کند.یک موفقیت سریع، مقابله با ریزش غیر ارادی است. لغو تصادفی خریدها و یا پرداخت‌­های از دست رفته درصد قابل توجهی از ریزش فعالیت هایی که میتوانست منجر به خرید در خرده فروشی‌ها بشود را تشکیل می­دهد. این لغو های تصادفی این سردرگمی های مشتری در UX و … چقدر قابل توجه است؟در اینگرو (INGROW)دلایل لغو و عدم پرداخت می­‌تواند تا بیش از50 % کاهش می یابد.چطور؟پاسخ در اینجا بسیار ساده است: داده­ها را ردیابی کنید تا به دلایل لغو ها و به موانع عدم پرداخت ها پی ببرید.مثلا اگر عدم پرداخت بعلت پایان اعتبار کارت بانکی آنهاست یک ایمیل خودکار ایجاد کنید تا به کاربرانی که پرداخت آن­ها معوقه است یا کارت بانکی آن­ها منقضی می­شود، یادآوری کند. از آنجا که اینها ایمیل­های معاملاتی هستند، شخصی سازی را ساده انجام دهید – مثلا با چهار رقم نهایی کارت که منقضی می­شود.و هزاران دلایل لغوکه علت اش خود محصول نیست، با داده ها به اینها پی ببرید.6.هنگام بهینه سازی فرایند تصمیم کنسل کردن کاربران خود، لطفاً بخاطر داشته باشید که هر مشتری ((که ازقبل ماندگار شده است )) همچنان میتواند در معرض خطر ریزش قرار گیرد. لذا این باید اولین گام برای تلاش و نگهداری و بازگرداندن مشتری از بیخیالی باشد، نه آخرین مرحله!7. از کسانی که می­روند یاد بگیریمریزش منطقی (Churn) یک اتفاق طبیعی برای هر کسب و کاری است. مشتری­‌ها و تقاضا برای کالاهای شما نیز مانند دیگر کسب و کارها می­‌آیند و می روند. اگرچه ممکن است دردناک باشد، اما اطمینان حاصل کنید که یک شیب خروجی کاملاً منطقی برای این ریزش وجود دارد.دلایل آزاردهنده بودن آن‌ها را بپذیرید، آن‌ها را خطاب قرار دهید و اطمینان حاصل کنید که آن‌ها به شرکت شما علاقه مند بودند.شما در اینگرو، با تحلیل داده ها درک عمیق­تری از دلایل از بین رفتن مشتریان‌تان و میزان این مسائل می‌توانید داشته باشید. شما می­‌توانید از این داده‌­ها برای الف) بازیابی مشتریان از دست رفته یا ب) شناسایی گروه‌­هایی از مشتریان که به ویژه مستعد ریزش هستند استفاده کنید، بنابراین می‌­توانید از این داده‌­ها پیشی بگیرید. شما داده­‌های خود را که از طریق اینگرو (INGROW)کسب کرده‌اید به سایر بخش‌های سازمانتان پست کنید و به آن‌ها یادآوری کنید که چه اتفاقاتی و چرا هایی ایجاد شده که ممکن است مشتریان ریزش کنند .به عبارت دیگر، پر کردن یک سطلی که نشت دارد، منطقی نیست.شما اطلاعات ارزشمندی دریافت خواهید کرد که می­‌توانید برای کمک به بهبود محصول خود استفاده کنید. اگر متوجه می‌شوید که روند معاملات و قراردادهای منعقد شده در حال کند شدن است­، الان شما مشکل کمبود داده دارید !شما به داده‌های بیشتری نیاز دارید که پی ببرید چرا این اتفاق در حال شکل گیری است.شما با اینگرو (INGROW)به انبوهی از داده­‌ها دسترسی خواهید داشت که می­‌توانید برای درک نیازهای فعلی کاربران خود استفاده کنید. این بینش­‌ها را به کار ببرید تا نه تنها محصول خود را بهبود ببخشید بلکه اعتماد را نیز ارتقا دهید. موفقیت شما موفقیت کاربران شماست و اکنون وقت آن است که به آنها ثابت کنید که در کم و کاست با آن‌ها هستید.با پایان همه اینها، یک سطل کم نشت خواهید داشت که می‌­تواند تقریباً هر طوفانی را تحمل کند.با اینگرو (INGROW)رشد را تجربه کنیداین مقاله خلاصه ای از مقاله ی چگونه میزان ماندگاری مشتری را اندازه گیری کنیم ؟ در سایت اینگرو هست. inGrow inGrow Sun, 29 Nov 2020 11:48:57 +0330 https://virgool.io/@ingrow/%D8%B3%D8%A7%D9%85%D8%A7%D9%86%D9%87-%D8%A7%D8%B3%D8%AA%D8%B1%DB%8C%D9%85-%D8%AF%D8%A7%D8%AF%D9%87%D9%87%D8%A7-lajyfniwrafv در این مقاله ما به معرفی سامانه پردازش استریم داده‌ها می پردازیم و در مقاله قبلی در رابطه به استریم کردن داده ها بدون دانش فنی با پلتفرم اینگرو پرداختیم.ما در این مقاله به کدام سوالات در ذهن شما جواب خواهیم داد؟آیا کسب وکار شما با ابزار سامانه پردازش استریم داده‌ها رویدادها مأنوس شده و یا همراه است؟معرفی سامانه ای برای یکپارچه سازی داده های کسب و کار؟سامانه پردازش استریم داده‌ها چگونه نیاز شما را تامین می کند؟شبکه های اجتماعی چه تاثیری بر روی پلتفرم ما دارند؟سامانه پردازش استریم داده‌ها چگونه عمل می کند؟در بررسی اخیر مجله کسب وکار هاروارد (HBR) نشان داده شده است که پاسخ‌­دهندگان، ۸۰٪عامل موفقیت شرکت‌های بزرگ و موفق را استفاده از فرآیند استریم داده‌ها، خودکارسازی و هوش مصنوعی در کسب وکارشان دانسته‌اند.برای تبدیل ­شدن به یک کسب وکار رویدادمحور (Event-Driven)، کسب وکارها به سامانه‌ استریم real-time رویدادها نیاز دارند. آیا کسب وکار شما با ابزار سامانه استریم رویدادها مأنوس شده و یا همراه است؟شما هر روز در حال جمع‌­آوری داده‌ها و اطلاعات زیادی از "رویدادهایی" مانند زمان انتظار مشتریان، گزارش‌ها و اطلاعاتی از رسانه‌های اجتماعی، اطلاعات IOT مانند ضبط­‌های GPS یا پایش دما، فیلرهای ماشین و ... هستید و باید اعتراف کنیم که بیشتر اوقات روی این داده‌های پراکنده‌ کسب وکار، فقط گرد و غبار می‌نشیند! و ما به امید روزی هستیم که آن‌ها را ساماندهی و یکپارچه‌سازی کرده و از آن‌ها استفاده کنیم، اما نمی‌­دانیم که آن روز کی فرا می‌رسد!؟گاهی اوقات ما منابع زیادی از داده‌هایی داریم که به زبان‌های مختلف تولید می‌شوند و قادر نیستیم که دانش نهفته در این داده‌ها را به یک اقدام عملی تبدیل کنیم. پردازش داده‌ها به روش‌های سنتی، کمکی به ما نمی‌کند زیرا جمع‌آوری داده‌ها در یک پایگاه داده و نداشتن ابزاری برای پرس وجو کردن (Querying) بر روی آن­ها با هدف کشف معنای رویدادها، فرصت‌های ما را برای تاثیرگذاری بر نتایجی که از این داده‌ها می توانستیم به دست آوریم به سرعت از بین می‌برد.بعضی وقت‌ها شما ابزاری برای پردازش داده‌ها دارید اما به­صورتی وحشتناک کند عمل می­کند و روزها و هفته‌ها و یا حتی ماه‌ها وقت شما و سازمان‌تان را می‌گیرد ضمن اینکه پردازش را فقط بر روی داده‌های تاریخی شما می‌تواند انجام دهد. این رویدادها در زمان‌های نزدیک به‌هم در حال رخ­دادن هستند و باید بارها و بارها پیگیری و شناسایی شوند و برای پاسخ به آن‌ها به سرعت تصمیم‌گیری و اقدام مناسب انجام شود. اما، اکنون ما فقط نظاره‌گر هستیم! و از اینکه نمی‌توانیم به­سرعت اقدام مناسبی را انجام دهیم کلافه می­شویم. گاهی اوقات ما به دنبال ابزاری برای حل این مشکل هستیم و به دنبال سامانه‌ پردازش استریم رویدادها event stream processing) ESP) می‌گردیم و احساس می‌کنیم که واقعاً به آن نیاز داریم. اما اغلب به اسامی متفاوتی از این سامانه‌ها مانند تجزیه و تحلیل سریع، تحلیل استریم داده‌ها، پردازش وقایع، تحلیل آنی استریم داده‌ها اشاره می‌شود. سوال اساسی این است که دقیقاً ما چه می‌خواهیم؟ و این سامانه باید چگونه نیاز ما را تامین کند؟ اجازه دهید برای پاسخ به این سوال‌ها ابتدا کمی بیشتر در مورد "پردازش رویدادها" صحبت کنیم.اگر ما عبارت "پردازش رویداد" را در وضعیت یک کسب ‌وکار بشکنیم، می‌بینیم که یک رویداد با یک تغییر در یک وضعیت ثابت ایجاد می‌شود و یا یک رویداد رخ می‌دهد تا به دنبال آن یک رویداد دیگر آغاز گردد. برای مثال نقل و انتقال بانک یک رویداد است که ایجاد می‌شود و بعد از آن یک "استریم دنباله‌دار رویدادها" به دنبال تکرار این نقل و انتقال­ها شکل می‌گیرد و یا با ممانعت از انجام یک نقل و انتقال مانع از تغییر در یک وضعیت ثابت می­شود و مجدداً یک "استریم دنباله‌دار رویدادها" شکل می‌گیرد. برای رسیدن به فهم (insight) آنچه اتفاق افتاده یا نیفتاده، باید تحلیل داده‌ها بلافاصله پس از ایجاد این رویدادها انجام شود.امروزه کسب وکارها باید رویدادمحور باشند اما واقعیت این است که بیشتر آن‌ها هنوز برای این منظور آماده نیستند. معجزه پردازش استریم رویدادها این است که به تمام منابع داده‌های شما ارتباط دارد و به­ طور خودکار داده‌ها را طبیعی و غنی می‌کند؛ همچنین به­ طور خودکار این الگو را برروی داده‌ها اعمال می‌کند تا الگوهای "ارتباط بین داده‌ها" و "روند" داده‌ها را به­صورت real-time نشان دهد. این بدان معناست که شما می‌توانید داده‌ها را با سرعت تقریباً لحظه‌ای بعد از ایجاد آن­ها تحلیل کنید و رویدادها را از چندین استریم داده و مخازن داده به هم پیوند دهید؛ این امکان برای شما وجود دارد که در طول زمان الگوهایی را از وقایعی که درون سازوکار سامانه شما رخ می‌دهد کشف کنید و یا بهتر این­که برای اطمینان می‌توانید داده‌های زمینه‌ای را از منابع مختلف اضافه کنید تا تفسیر مناسبی از رویدادها را به­دست آورید و به یک دانش از رویدادها برسید؛ موضوع را با منطق واقعی کسب ‌وکارتان سازگار و یا آن‌ را تکمیل کنید و با یادگیری ماشینی (machine learning) و رویه‌های مشخص، اقدامات درست و لازم را در زمان‌های به ­موقع انجام دهید. برای این منظور به زودی متوجه خواهیم شد که برای بهره‌مندی از این نتایج، کار از فرآیند استریم و ذخیره‌سازی داده‌ها آغاز می‌شود.به عنوان مثال (یا یک مصداق)، اگر شما یک خرده‌فروش مجازی باشید که با سامانه استریم رویدادها کار می­کند، شما می‌توانید هر لحظه تشخیص دهید که مشتریان شما چقدر به خرده‌فروشی شما نزدیک هستند و می‌توانید درک کنید که مشتریان قبلی شما چقدر در صفحات وب مرتبط با شما مشغول هستند یا نیستند و یا از لحظه ورود به نرم‌­افزار شما تا تشکیل سبد خرید و پرداخت و یا خارج­ شدن از نرم­افزار شما و نخریدن از فروشگاه مجازی شما چه فرایندهایی را طی کرده‌اند، روی هر کدام از این بخش‌ها چه مکثی کرده‌اند، آیا از کارت‌های خرید فروشگاه شما استفاده می‌کنند یا با آن‌ها کار نمی‌کنند؟ یا رسانه‌ها یا ارتباط­‌های اجتماعی شما چه تاثیری بر ورود آن‌ها به نرم­‌افزار شما داشته است؟ وقتی از سامانه استریم داده‌ها استفاده کنید سریع به این اطلاعات دست پیدا می‌کنید و می‌توانید با یک پیشنهاد مناسب مشتریانتان را برای آمدن به فروشگاه مجازی و انجام یک خرید ترغیب کنید تا به سود بالاتری دست یابید، استریم داده‌ها در زمانی‌که با انبوه داده‌ها روبرو هستید به شما این قدرت پیش‌بینی و عمل را می­دهد.سامانه استریم داده‌ها (ingrow) به شما این امکان را می‌دهد که رفتار نهفته در داده‌های خود را به یک عمل تبدیل کنید و در جهت رسیدن به اهداف راهبردیتان باعث افزایش و بهبود کارکِرد کاربران شما گردد. این ابزار این امکان را می‌دهد که شرایطی را تعریف کنید که به یک خِرَد (wisdom) از وضعیتی که در آن هستید دست پیدا کنید و مزیت رقابتی را که دارید و یا به دنبال آن هستید را بهبود دهید.اقدام بعدی برای بهبودی کسب وکار، یادگیری ماشین (machine learning) است اما کلید به­ دست‌­آوردن این موفقیت، استریم رویدادها و پردازش رخدادها به­صورتreal-time (با هدف شناسایی بهترین اقدام بعدی) می­باشد. یادگیری و بهبود، یک حلقه به هم پیوسته است که با یادگیری از داده‌ها شروع می­شود.خودکارسازی فرآیندهای کسب ‌وکاراستریم رویدادها می­تواند مانع از ورود حجم عظیمی از داده‌های مزاحم به کسب وکارتان گردد و قادر است که آگاهانه آن‌ها را فیلتر کند و کمک کند که آنچه برایتان مهم است طی یک فرآیند خودکار انجام شود.همانطور که در نمودار زیر می­بینیم (مثالی که ما از آن استفاده کردیم) نشان می‌دهد که چگونه پردازش استریم رویدادها می‌تواند به خودکارسازی فرآیندهای یک بانک کمک کند.پردازش استریم داده‌هاپردازش استریم داده‌هااستریم داده‌ها در این بانک این­گونه عمل می‌کند:استریم داده‌ها در سرعت و حجم بالا (میلیون­‌ها رویداد)داده‌ها از سامانه پردازش استریم رویدادها عبور می‌کنند.event stream processing)ESP)برای کشف الگوها، روندها و ناهنجاری‌ها از AI/ML استفاده می‌شود.از اینجا به بعد، بسته به نوع رویداد، سیستم می‌تواند اقدامات خاصی را به‌­طور خودکار اجرا کند.این مقاله، خلاصه ای از مقاله ی سامانه پردازش استریم داده ها هست و جهت علاقه بیشتر می توانید به اصل مقاله مراجعه کنید.ingrow.co inGrow inGrow Tue, 17 Nov 2020 18:46:40 +0330