📖 کتاب بخوانیم؛
📌 “Artificial Intelligence For Business Analytics: Algorithms, Platforms, and Applications Scenarios”
کتاب: هوش مصنوعی برای تحلیل کسب و کار: الگوریتم ، پلتفرم و سناریوهای کاربردی
فصل اول: هوشمندی و تحلیل کسب و کار
فصل اول کتاب هوش مصنوعی برای تحلیل کسب و کار: الگوریتم ، پلتفرم و سناریوهای کاربردی به بررسی مفاهیم اولیه کسب و کار و لایههای تحلیلی مختلفی از هوشمندی که در هر سازمان باید مورد توجه قرار گیرد میپردازد.
سه مشخصه اصلی عظیم داده؛ حجم، تنوع و سرعت پیشرانهای اصلی برای نیاز کسب و کارها به تصمیمات مبتنی بر داده میباشد. بنابراین آنچه که امروزه در تحلیل کسب و کار مورد توجه است به کارگیری افراد مناسب برای استخراج داده های مناسب و ارائه تحلیل درست در زمان مناسب می باشد تا بدین ترتیب فرآیند تبدیل داده خام به تصمیمات نهایی مبتنی بر داده منجر شود.
زمانی که صحبت از تصمیمات داده محور میشود نیاز است تا سه لایه تحلیلی بر اساس مقطع زمانی مورد بررسی قرار گیرند:
💢 گذشته: چه اتفاقاتی در گذشته رخ داده است؟ چگونه و به چه دلیل اتفاق است؟
💢 حال: در حال حاضر چه اتفاقاتی در جریان هستند و بهترین اقدام برای مرحله بعدی چه تصمیماتی میباشد؟
💢 آینده: چه اتفاقی در آینده رخ خواهد داد؟ چه سناریوهایی را می توان برای اتفاقات محتمل در نظر گرفت؟
زمانیکه صحبت از هوشمندی کسب و کار می شود رویکرد گذشته نگر بیشتر مدنظر می باشد درحالیکه در تحلیل داده محور کسب و کار علاوه بر رویکرد گذشته نگر، رویکرد آینده نگر نیز مورد توجه قرار می گیرد.
بر اساس همین تقسیم بندی زمانی سه نوع رویکرد تحلیلی کسب و کار مطرح میشود:
🔹تحلیل توصیفی: این رویکرد با استفاده از تکنیکهای آماری و تحلیل داده بر اتفاقات گذشته متمرکز است تا به صورت تجمعی و خلاصه شده، بینشی را در مورد اتفاقات گذشته ارائه دهد. تنظیم و محاسبه شاخص های کلیدی کسب و کار در بخش های مختلف عملیات، مالی، فروش ، بازاریابی و … در این لایه قرار می گیرند چرا که با محاسبه این سنجه ها بر اساس داده های تاریخی می توان به تحلیل هوشمندانه ای از گذشته رسید.
🔹 تحلیل پیش گویانه: لایه بعدی تحلیل داده در سازمان مربوط به تحلیل هایی از جنس پیش بینی دارد. در این لایه با استفاده از الگوریتم های داده کاوی، هدف یافتن الگو و پیش بینی آینده می باشد. بدین منظوری مدل های مختلفی بر اساس داده ها استخراج شده است و سپس با مقایسه مدل ها بر اساس شاخص های صحت و جامعیت مدل بهترین مدل پیش بینی برای دادهها انتخاب می شود.
🔹 تحلیل تجویزی: لایه سوم تحلیلی مربوط به انتخاب تصمیم بهینه از بین گزینه های موجود برای آینده میباشد. در این لایه تاثیر انتخاب گزینههای مختلف بر نتیجه مطلوبی که کسب و کار به دنبال آن است سنجیده میشود و سعی میشود تصمیمی انتخاب شود که بیشترین آورده را برای هدف مطلوبی که کسب و کار مدنظر دارد باشد. مدلسازی این لایه به مراتب پیچیده تر از دو لایه قبلی میباشد چرا که تکنیکهای مختلف بهینه سازی و آماری را همزمان نیاز دارد.
علاوه بر لایههای تحلیلی کسب و کار، یک نمونه چارچوب فناوری تحلیل کسب و کار در این فصل رائه شده است. این چارچوب به طور کلی از پنج قسمت تشکیل شده است که متناسب با کارکرد هر بخش فناوری مناسب آن باید در نظر گرفته شود
1️⃣ منابع داده: با توجه به وجود دپارتمان های مختلف و همچنین تبادل داده ای که خارج از سازمان قرار میگیرد همواره منابع داده ای مختلفی وجود دارد که به عنوان خوراک اولیه تصمیمات داده محور خواهند بود.
2️⃣ آماده سازی داده: با توجه به ناسازگاری که بین منابع مختلف وجود دارد و همچنین موضوع کیفیت داده ها نیاز است تا اقداماتی در مورد اماده سازی و پیش پردازش اولیه داده ها صورت گیرد تا نهایتا تصمیمات بر اساس داده های مورد اطمینان باشند.
3️⃣ ذخیره سازی داده: منظور از ذخیره سازی در این چارچوب، ذخیره کردن داده های تحلیلی میباشد که عموما در انباره داده و دریاچه داده صورت می گیرد.
4️⃣ تحلیل داده: قسمت تحلیل داده اجزای شکسته شده بخش قبلی میباشند که با توجه به هدف کسب و کار و راحتی تحلیل به بخش های معناداری مثل دیتامارت ها تبدیل شدند.
5️⃣ استفاده و دسترسی داده: آخرین لایه این چارچوب مربوط به نحوه دسترسی و استفاده از این داده ها می باشد. این موضوع در هر کسب و کار با توجه به دسترسی های مختلف متفاوت می باشد.
این چارچوب فناوری تحلیل کسب و کار در کنار مراحلی که در تحلیل کسب و کار باید طی کرد، دید کلی را برای طراحی فناوری های مورد نیاز برای هر سازمان ایجاد خواهد کرد. علاوه بر این بستری برای پیاده سازی هوش مصنوعی خواهد بود که موضوع فصول بعدی کتاب میباشند.