مقدمه :

هوش تجاری در دهه های اخیر دستخوش تغییرات بسیاری شده است. هر ساله کلمات و واژگان جدیدی به گوش ما می خورند که سبب تحولی در کسب و کارها می گردند. به همین منظور لیستی از این واژگان در حوزه ی هوش تجاری و تحلیل داده در این مقاله گردآوری شده است که می توانند در سال ۲۰۲۲ سبب تحول در کسب و کارها گردند.

X Analytics:

این واژه توسط گارتنر ابداع شده است و به متغیر X   که به محتوای ساختار یافته یا ساختار نیافته مانند تجزیه و تحلیل متن ، ویدئو و تجزیه و تحلیل صوتی اشاره دارد. در واقع X  مخففی برای هر گونه تحلیل مانند مثال هایی که ذکر شد می باشد و سبب تغییر و تحولات بسیاری در سال ۲۰۲۲ خواهد شد ، چرا که هنوز بسیاری از شرکت ها از امکانات فراوانی که تحلیل داده ها در اختیار آن ها قرار می دهد استفاده نکرده اند.

اما از سوی دیگر شاهد این هستیم که کسب و کارها از این فرصت های جدید از طریق تحلیل داده های آنلاین بهره مند می گردند و کاربران و متخصصان فنی نیاز به قابلیت های فنی پیچیده در آن ندارند و داده ها را بدون توجه به مکان یا ابزار تحلیل می کنند.

Decision Intelligence:

در ادامه ی فهرست واژه های کلیدی سال ۲۰۲۲ ، به هوش تصمیم گیری می رسیم که یکی از ارزشمندترین دانشها برای هر کسب و کاری محسوب می شود. چرا که کسب و کارها باید بتوانند با بینش های حاصل از تحلیل داده ها تصمیمات صحیح تری برای کسب و کارها بگیرند. در سال های اخیر ، کسب و کارها با پیاده سازی راهکارهایی مانند هوش تجاری سلف سرویس توانسته اند در این مسیر گام بردارند. این رویکرد در محیط رقابتی امروز که در آن اطلاعات بی شماری تولید می شود و کیفیت تصمیم ها را تحت تاثیر قرار خواهد داد ، اهمیت بیشتری یافته است.

هوش تصمیم ساختاری برای فرایندها و تصمیم گیری های سازمانی با کمک الگوریتم های یادگیری ماشین است. در واقع این رشته ، تحلیل های توصیفی ، تشخیصی و تجویزی را شامل میشود. علاوه بر این شامل سه مدل می باشد : تصمیمات انسان محور ، ماشین محور و ترکیبی .

همانطور که می دانیم انسان ها نمی توانند داده های بسیار زیاد را پردازش کنند و انتظار نتایج مثبت در کسب و کار خود را داشته باشند. در این جاست که نقش هوش مصنوعی به عنوان پشتیبانی در تصمیم گیری های مدیران آشکار خواهد شد.

هوش تصمیم یکی از کلیدواژه های سال ۲۰۲۲ است که بسیاری از شرکت ها در صنایع مختلف را متحول خواهد کرد.

Data Fabric:

تعداد منابعی که کسب و کارها داده ها را از آن ها جمع آوری می کنند به طور فزاینده ای در حال افزایش است. با افزایش این امر ، نیاز به دسترسی سریع تر به اطلاعاتی که در چندین مکان توزیع شده اند افزایش پیدا می کند. در اینجا دیتا فابریک ، یکی از مهم ترین واژه های مورد استفاده در سال ۲۰۲۲ ، به عنوان راه حل نمایان می شود.

گارتنر دیتافابریک را به عنوان ” مفهوم طراحی که به عنوان یک لایه ی یکپارچه از داده ها و فرایندهای مرتبط عمل می کند” تعریف کرده است. به زبان ساده تر ، دیتا فابریک یک معماری مدیریت داده است که به سازمانها کمک می کند تا به داده ها از چند نوع ، مکان و منبع مختلف دسترسی و آنها را به یکدیگر مرتبط کنند به این ترتیب شکاف میان داده های موجود و بینش استخراج شده از آن از میان برداشته شود.

این امکان به کسب و کارها اجازه می دهد تا در جمع آوری و یکپارچه سازی ساختار یافته تر و سریع تر عمل کنند. این داده ها را می توان با برنامه های کاربردی داخلی و خارجی نیز به اشتراک گذاشت و برای سناریوهای مختلفی مانند توسعه ی محصول ، بهینه سازی عملیات فروش و بازاریابی و فرایندهای پیشرفته تری مانند پیش بینی ها استفاده کرد.

دلیل اصلی بهره گیری از دیتافابریک در سال ۲۰۲۲ آن است که به سازمان ها اجازه می دهد تا به طور کامل از پتانسیل های داده های موجود بهره مند گردند. مطالعات نشان می دهند که سازمانها تنها ۱۲ درصد از داده های موجود را تحلیل می کنند و این بدان معناست که ۸۸درصد داده های ارزشمند نادیده گرفته می شوند. با به کارگیری استراتژی دیتافابریک ، متخصصان علم داده دسترسی سریع تری به تمامی داده های مورد نیاز برای فرایند تصمیم گیری دارند. علاوه بر این ، مدیریت و حاکمیت داده ها برای سازمانها آسان تر شده و هزینه ها و ریسک ها کاهش خواهند یافت.

هدف دیتا فابریک ساده است . ارائه ی یک محیط واحد برای تمام داده های موجود از هر موقعیت مکانی به منظور اطمینان از فرایند مدیریت یکپارچه و بهینه ی داده ها. در واقع این تکنولوژی از افراد و فناوری ها برای به حداکثر رساندن ارزش اطلاعات بهره می برد.

Digital Automation:

اصطلاح چتر اتوماسیون دیجیتال بر فناوری های هوشمندی که بر کسب و کارهای یک صنعت تاثیر می گذارند متمرکز است و فرایندهای خودکاری ارائه می دهد که کلان داده ها و تحلیل ها را قابل فهم تر و کاربردی تر می سازد. در نتیجه بینش های ارزشمندی می توان کسب کرد.

هم چنین ترکیب هوش مصنوعی و اتوماسیون دیجیتال برای حل چالش های کسب و کار و در عین حال افزایش بهره وری به نقطه عطفی در مرحله ی بعدی تحول دیجیتال بدل خواهد شد. اهمیت سرعت در کسب و کارها موضوع جدیدی نیست ، اما در اختیار داشتن ابزارهایی برای داشتن داده های مناسب چه در حین تهیه گزارش ها و چه در هنگام تعیین شاخص های کلیدی عملکرد (KPI ها ) و … در سال ۲۰۲۲ بر کسب و کارها فارغ از اندازه ی آن ها ، تاثیر به سزایی خواهد داشت.

بهره گیری از هوش مصنوعی و یادگیری ماشین ، در حین استفاده از هشدارهای شبکه های عصبی و هشدارهای تشخیص الگوها ، می تواند اتوماسیون یک کسب و کار را به سطحی قابل قبول برساند. از آنجایی که غول بزرگی مانند MIT در حال سرمایه گذاری بر روی کالجی در زمینه ی هوش مصنوعی به ارزش یک میلیارد دلار است، اتوماسیون دیجیتال قطعا به عنوان یک کلیدواژه ی اساسی در سال ۲۰۲۲ مدنظر قرار می گیرد.

Data catalog :

از آنجایی که کسب و کارها با مجموعه داده های بزرگتر از چندین منبع کار می کنند ، نیاز به نگهداری این داده ها برای مدیریت بهینه ی آنها ضروری است. به همین منظور از دیتا کاتالوگ استفاده میشود. به عبارت دیگر ، دیتا کاتالوگ موجودی داده های شماست که پس از فرایند mapping سازمان دهی می شود. دیتا کاتالوگ ، با استفاده از متادیتاها به کسب و کارها کمک می کنند تا داده های خود را مدیریت کرده و آنها را سازماندهی نمایند. به این ترتیب دسترسی و جمع آوری داده ها از محل های ذخیره سازی آن ها ، چه حافظه ی ابری و چه انبار داده تسهیل خواهد شد.

فرض کنید ، یک کاتالوگ کلی برای تمام کتابخانه های کشور دارید ، تنها کاری که باید انجام دهید آن است که به کاتالوگ دسترسی داشته باشید ، به دنبال کتابی که می خواهید بگردید و به تمام اطلاعات موجود در آن دسترسی داشته باشید. این تمام چیزی است که دیتا کاتالوگ می تواند برای کسب و کارها انجام دهد.

Predictive & Prescriptive Analytics:

تحلیل های پیشگویانه و تجویزی

تحلیل های پیشگویانه : چه اتفاقی می تواند بیفتد؟

تحلیل های پیشگویانه در واقع به این سوال پاسخ می دهند که چه اتفاقی میتواند بیفتد. این نوع تحلیل ها که یکی از ترندهای هوش تجاری و تحلیل داده در سال ۲۰۲۲ نیز معرفی شده اند ، از داده های فعلی به منظور شناسایی ریسک ها ، پیش بینی فروش ، شناخت بیشتر مشتریان و … استفاده می کنند.

استفاده ی تجاری از تحلیل های پیشگویانه یک چیز تقریبا جدید است. دقت این پیش بینی ها به داده هایی که برای ایجاد مدل جمع آوری شده اند دارد. اگر مدلی براساس داده های جمع آوری شده از یک شرکت ایجاد شده باشد ، ممکن است برای شرکت دیگری صدق نکند.

تحلیل های تجویزی : چه کاری باید انجام داد ؟

تحلیل های تجویزی در مرحله ی بعدی قرار می گیرند. این تحلیل ها از الگوریتم های بهینه سازی شده و شبیه سازی شده برای مشاوره در خصوص نتایج احتمالی صحبت می کنند  و به آن ها پاسخ می دهند : ” چه باید بکنیم؟” . تحلیل های تجویزی پیش از گرفتن تصمیم ها ، نه تنها تاثیر این تصمیم را مورد سنجش قرار می دهند بلکه چرایی آن را نیز بررسی می کنند.

Cognitive Computing:

محاسبات شناختی یک کلمه ی کلیدی در هوش تجاری محسوب می شود که در سال ۲۰۲۲ بیشتر از آن خواهیم شنید. این رویکرد با تقلید از مغز انسان مسیر را به سوی تکنولوژی هایی که پردازش اطلاعات انسانها را در سطحی پیچیده تر از گذشته انجام می دهند ، هموار می کند. سازمان ها می توانند از الگوریتم های ابزارهای هوش تجاری برای شناسایی رفتارها ، روندها و الگوهای مصرف کنندگان استفاده کنند. در سال ۲۰۲۲ خبرهای بیشتری در مورد این کلیدواژه ی جالب خواهیم شنید.

با فناوری هایی مانند پردازش زبان طبیعی و یادگیری ماشین ، شناخت الگوهای محاسبات شناختی به عنوان سیستم های نسل بعدی شناخته می شوند که به متخصصان کمک می کنند تا در صنایع مختلفی هم چون خرده فروشی ، تجارت الکترونیک  و … تصمیمات بهتری بگیرند.

Mobile Analytics :

استفاده از موبایل به فاکتور مهمی در هوش تجاری تبدیل شده است. بسیاری از شرکت ها هر سال راهکارهای خود را بر روی موبایل نیز ارائه می کنند و در سال ۲۰۲۲ این امر افزایش خواهد داشت. طبق تحقیقات شرکت نستر انتظار می رود تا پایان سال ۲۰۲۴ سهم بازار به ۶ میلیارد دلار برسد و آمریکای شمالی سهم عمده ی بازار را در دست خواهد داشت. ضمن آن که آسیا اقیانوسیه و اروپا نیز شاهد رشد و سودآوری در این زمینه خواهند بود.

در دنیای هوش تجاری ، تحلیل های موبایلی ، به معنای تجهیز کاربر به اطلاعات مورد نیاز در هر زمان و هر مکان از طریق گوشی همراه متصل به اینترنت می باشد.

Self Service BI :

تصویر کارشنان SQL ، متخصصان علم داده و تحلیلگرانی که بر روی داده ها کار می کنند تا بتوانند از آنها بینش استخراج کنند ، در حال منسوخ شدن است. هوش تجاری قبلا به پیاده سازی تجزیه و تحلیل داده ها برای بسیاری از کاربران کسب و کارها کمک کرده و پذیرش هوش تجاری سلف سرویس داده ها را در سازمان دموکراتیک کرده است.

با استفاده از تکنیک هایی مانند Drag & Drop و مصورسازی های تعاملی در قالب داشبوردها ، امکان تصمیم گیری را برای کاربران بدون نیاز به دانش فنی فراهم می سازد.

پیش از این شرکت ها نیاز به یک تیم فناوری اطلاعات یا علم داده برای انجام تجزیه و تحلیل های پیچیده داشتند . با افزایش نیاز به گزارش دهی ، این امر به شکست منجر شد و به این ترتیب راهکارهای هوش تجاری سلف سرویس پیاده سازی شدند. این راهکارها به تمامی کاربران اجازه ی کار با داشبوردها و استخراج بینش از آن ها را خواهند داد.

Natural Language Processing:

پردازش زبان طبیعی هوش تجاری را با سرعت قابل توجهی تغییر میدهد و نه فقط NLP بلکه تمام ابعاد آن مانند درک زبان طبیعی (NLU) ، تولید زبان طبیعی (NLG) ، تعامل زبان طبیعی (NLI) را تحت تاثیر قرار می دهد.

هر کدام از این موارد که بنیان و اساسشان با راهکارهای هوش مصنوعی توسعه یافته است تعامل انسان و کامپیوتر را بسیار آسان و کاربردی ساخته است. پردازش زبان طبیعی حوزه ی در حال توسعه ای است که توجه بسیاری از متخصصان در سراسر جهان را به خود جلب کرده است. هوش تجاری در حال تغییر نحوه ی تعامل ما با پردازش زبان طبیعی است ، به خصوص در مجموعه داده های بزرگ.

پردازش زبان طبیعی زیر شاخه ای از علوم کامپیوتر و هوش مصنوعی است که به رایانه ها این توانایی را میدهد که هر شکلی از ارتباطات انسانی اعم از متن یا گفتار را درک کنند. اصول اولیه پردازش زبان طبیعی در روش های پیچیده ی محاسباتی و ریاضی حوزه ی یادگیری ماشین نهفته است و توسعه ی آن تقریبا از ۵۰ سال پیش آغاز شد.

به طور سنتی ، NLP بیشترین موفقیت را در تحلیل متون داشته است ، اما کاربردهای پردازش زبان طبیعی به خصوص در هوش تجاری روز به روز بیشتر می شود. در واقع هوش تجاری نحوه ی تعامل ما با پردازش زبان طبیعی را تغییر داده است ، به خصوص در مجموعه داده های بزرگ.

برخی از نمونه های ساده ی استفاده از NLP عبارتند از تصحیح خودکار ، ترجمه ماشینی ، بات ها ، دستیاران مجازی ، غول هایی مانند سیری و الکسا. یکی از مهم ترین کاربردهای آن در هوش تجاری نیز ، نظر کاوی است. برندهای بزرگ از تکنیک های NLP برای کنترل شبکه های اجتماعی و تحلیل احساسات مشتریان استفاده می کنند ، به عنوان مثال سنجش میزان استقبال از محصول جدید.

منبع