در اقتصاد نوین، داده سوخت و تجزیه و تحلیل، موتور آن است.

اتوماسیون، یادگیری ماشینی و هوش مصنوعی، نحوه استفاده و به کارگیری ابزارهای تجزیه و تحلیل را متحول کرده است.

یادگیری ماشینی برای سازمان‌ها موضوع جدیدی نیست، در واقع Machine Learning  همان هوش مصنوعی است و در حال شکوفا شدن است.

در این مقاله، مثال‌هایی از محاسبات شناختی (یا Cognitive Computing) ارائه می‌شود. برای مثال SAS راهکارهایی مثل تحلیل احساسات ( یا Sentiment Analysis) طبقه‌بندی محتوا، استخراج نهاده از متون (Entity Extraction) را ارائه داده است. از طرفی امروزه تکنولوژی‌های جدید مثل یادگیری عمیق (Deep Learning) نیز بوجود آمده‌اند. این امر موجب شده است که مسائل با دقت خوبی حل و فصل شوند.

در اقتصاد نوین، داده سوخت است و آنالیز موتور آن ! استفاده از «تجزیه و تحلیل» و استفاده از «تجزیه و تحلیل پیشرفته» تا حدودی با هم متفاوت هستند. به کارگیری هر کدام از این‌ها موجب به وجود آمدن تفاوت‌های بسیاری می‌شود.

evdatathon

از تجزیه و تحلیل پیش‌گویانه به تجزیه و تحلیل توصیفی

آنالیز، راهکاری چند رشته‌ای است که موجب درک داده‌ها می‌شود. درجات و مراتب مختلفی از آنالیز وجود دارد، که با آنالیز توصیفی شروع می‌شود. در آنالیز توصیفی به داده‌های تاریخی نگاه می‌کنیم تا بفهمیم تاکنون در سازمان چه اتفاقاتی رخ داده است . از طرفی می‌فهمیم که از داده‌ها چه چیزهایی می‌توان آموخت. در گام بعدی، سراغ پیش‌بینی می‌رویم: چه چیزی در انتظار ماست؟! آیا می‌توان آینده را پیش بینی نمود؟ وقتی وارد فضای پیش بینی می‌شویم، تکنیک‌های آنالیز پیشرفته تر می‌شوند.

اکثر ابزارهای پیش‌بینی، همان چیزی هستند که ما امروزه به عنوان هوش مصنوعی یاد می‌کنیم. اگرچه عبارات «هوش مصنوعی» و «یادگیری ماشینی» عبارات کلیدی و شاخصی هستند که مفاهیم و موضوعات زیادی را در برمی‌گیرند که با استفاده از SAS  می‌توان تعاریف خوب و جامعی از یادگیری عمیق و هوش مصنوعی ارائه داد. بعد از مرحله آنالیز توصیفی، یک گام دیگر هم وجود دارد و در این گام باید استفاده حرفه‌ای تری از آنالیز توصیفی نمود. بنابراین ما فقط به پیش بینی آینده کسب کار خود نمی‌پردازیم بلکه می‌فهمیم که باید چه اقداماتی را انجام دهیم.

اتوماسیون، راننده ما است!

درباره سوخت و موتور صحبت کردیم. اما راننده این ماشین چه کسی است؟ اتوماسیون راننده است! چون اتوماسیون یا درواقع خودکار کردن فرایندها، باعث به وجود آمدن انگیزه درونی برای به کارگیری یادگیری ماشینی و هوش مصنوعی است. در واقع ما مشکلات زیادی داریم که ریشه در داده‌های سازمان دارند. از طرفی حجم و سرعت داده‌ها روز به روز در حال افزایش است. بنابراین ما به راهکارهایی نیاز داریم که با پویایی و اتوماتیک برای ما  مفاهیم را استخراج کنند.

مراحل مختلفی از اتوماسیون وجود دارد. مثلا کاوش در داده‌ها، یادگیری از داده‌ها و یافتن ابزار درست برای آنالیز، از جمله این مراحل هستند که در جهت حل مشکلات به ما کمک می‌کنند. این مراحل ،به عبارتی شکل کلاسیکی از همان یادگیری ماشینی هستند. پس از این مراحل، سراغ اتوماسیون می‌رویم که در آن کامپیوترها الگوریتم‌ها را می‌نویسند. در واقع این الگوریتم‌ها توسط یک دانشمند داده یا یک توسعه دهنده نرم افزار، ایجاد شده اند. اینجاست که یادگیری عمیق ( یا همان هوش مصنوعی عملگرا) وارد میدان می‌شود.

برای مواجهه با چالش‌ها در استفاده از تجزیه و تحلیل داده‌ها، در گام اول باید مشکل اصلی کسب و کار را شناسایی کنیم. مثلا : مشتریان در مورد ارتقا و پیشرفت محصولات چه فکری می‌کنند؟ هزینه رویگردانی مشتری[۱] چیست؟ درآمد از چه نقطه‌ای رشد می‌کند؟ این‌ها سوالات کلیدی هستند که باید پاسخ داده شوند. پس از آن شما می‌توانید از این سوالات به منظور ایجاد یک نقشه راه در حوزه آنالیز داد‌ها استفاده نمایید.

[۱] Customer Churn

بررسی موردی کشور هندوستان

در هندوستان اولین نهادهایی که از «تجزیه و تحلیل»‌ استفاده کردند، بانک‌ها، خدمات مالی و بیمه‌ها بودند. از آنجاییکه این نهادها  از دهه قبل راهکارهای بانکداری مرکزی را پیاده‌سازی نموده بودند، داده‌هایی ساختاریافته داشتند. طبق گفته یکی از مدیران موسسه SAS در هند، داده‌های سازمان‌های مربوطه فرمت و ساختار صحیحی دارد و از این داده‌ها جهت آنالیز می‌توان استفاده نمود.با گذشت زمان، از آنالیز در حوزه‌های مختلفی استفاده می‌شود، مخابرات یکی از این حوزه‌هاست که از تجزیه و تحلیل استفاده زیادی می‌کند.باتوجه به کاربران زیاد این حوزه، مخابرات حجم بسیار عظیمی از داده‌ها را دارد. جالب است بدانید که در هند دولت و بخش‌ها و نهاد‌های دولتی نیز از «تجزیه و تحلیل» استفاده زیادی می‌کنند.

تولید نیز یکی دیگر از حوزه‌ها است. علاوه بر این با استفاده از اینترنت اشیا (IoT) می‌توان از داده‌های دستگاه‌های مختلف در شهرهای مختلف  استفاده نمود.

حرکت در مسیر!

طبق گفته یکی از شرکت‌های تحقیقاتی در حوزه داده، پیش‌بینی می‌شد که درآمد جهانی برای کلان داده و تجزیه و تحلیل کسب و کار به ۸/۱۵۰ میلیارد دلار برسد. یعنی رشد ۴/۱۲ درصدی نسبت به سال ۲۰۱۶!

همچنین این گزارش بیان می‌کرد که در سال ۲۰۱۷ برخی از صنایع مانند بانک‌ها، برخی از تولیدکنندگان، کارخانه‌ها و دولت‌های فدرال، دولت‌های مرکزی و نیز خدمات حرفه‌ای روی کلان داده و تجزیه و تحلیل کسب و کار  سرمایه‌گذاری کنند. همچنین در سال ۲۰۲۰ تا سقف ۵/۱۰۱ میلیارد دلاز نیز روی حوزه تحلیل داده سرمایه‌گذاری خواهد شد.

علاوه بر همه موارد گفته شده، خوب است بدانید که SAS برترین شرکت در زمینه تحلیل داده است که شامل SAP SE، Oracle، IBM، Qlik، Tableau، TeraData و Informatica می‌شود.

بدون شک مباحثی از قبیل تجزیه و تحلیل داده، فرصت‌های زیادی ایجاد می‌کنند. اما از طرفی سازمان‌ها را با چالش‌هایی نیز مواجه می‌کند. از جمله این چالش‌ها می‌توان به موارد زیر اشاره کرد:

  • متخصصین ( مثل دانشمندان داده، متخصصان حوزه آمار و … ) به درستی انتخاب شوند.
  • داده‌ها به درستی در مخازن داده ذخیره گردند تا بتوان به راحتی آن‌ها را فراخوانی کرد.
  • امنیت و حریم شخصی نیز از مهم‌ترین مسائل است.
  • استفاده از ابزار درست برای کارکردن با طیف وسیع و متنوعی از داده‌های ساختار یافته و ساختارنیافته.

به عنوان نتیجه‌گیری می‌توان گفت که چالش‌هایی که کمپانی‌ها با آن درگیر هستند از این قبیل هستند:

  • استعداد، قدرت ذهنی انسان، و تعداد افراد نظاره‌گر برای مشاهده داده‌ها
  • مدلسازی!