خدمات داده کاوی همت

تجزیه و تحلیل داده‌ها مبحثی است که امروزه به علت وجود انبوه داده‌ها از زمان بکارگیری کامپیوتر و بخصوص استفاده از اینترنت، محبوبیت بسیار زیادی در بین افراد پیدا کرده است. با توجه به اینکه امروزه در دنیا داده‌ها در همه جا و به صورت گسترده وجود دارند، نیاز است تا آنها را به طور مناسب جمع‌آوری، پایش و تحلیل کرده و دانش موجود در این داده‌ها را استخراج و برای پیشبرد اهداف استفاده کرد. افرادی که در این حوزه تخصص پیدا می‌کنند، با استفاده از تکنلوژی و روش‌های موجود در این حوزه به سازمان‌ها در راستای رسیدن به اهداف خود و نیز شناسایی راهکارها و استراتژی‌های جدید کمک می‌کنند. به طور کلی می‌توان نقش‌های اصلی این افراد را به صورت زیر خلاصه کرد:

شناسایی و جمع‌آوری داده‌های مناسب در خصوص مشتریان، رقبا، بازار، اقتصاد، مالی و داده‌ها فنی

انجام تحلیل‌های آماری، مالی، کمی و کیفی برای محصولات، بازار و رقبا

تبدیل داده‌ها و تحلیل‌های انجام شده به گزارشات موثر و قابل اجرا به افراد بالادستی و اجرایی

مهارت‌های اصلی:

مهارت‌های تحلیلی: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند، بایست قادر باشد تا حجم بالایی از داده‌ها و اطلاعات را درک کرده و تفسیر نماید.

مهارت‌های ارتباطی: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند، بایست دارای مهارت ارتباطی قویی باشد تا بتواند اطلاعات را از جاها و افراد مختلف جمع آوری کرده، تفسیر نماید و نتایه را ذی‌نفعان ارائه نماید.

مهارت تفکر-انتقادی و خلاق: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند بایست تمام اطلاعات موجود را به منظور پیدا کردن استراتژی‌های جدید و بهبود سازمان مورد بررسی دقیق و انتقاد قرار دهد.

دیدگاه جزئی گرایی: فردی که در حوز تجزیه و تحلیل داده‌ها فعالیت می‌کند بایست تمامی جزئیات را در نظر گیرد و داده را به صورت دقیق و با جزئیات بررسی نماید.

قدرت ارائه و گزارش دهی

توانایی و دانش بالا در آمار و احتمالات

قدرت و توانایی بالا در استفاده از نرم افزارهای آماری و پایگاه داده

توانایی بالا در تحقیق و استفاده از موتورهای جستجو

تجزیه و تحلیل وب سایت و استفاده از ابزارهای وب در تجزیه و تحلیل

آشنایی با برنامه های CRM (مدیریت ارتباط با مشتری)

استفاده از الگوریتم‌های تجزیه و تحلیل و داده کاوی

آشنایی با انبار داده، پایگاه داده، مدلسازی و داده کاوی آنها

دانش هایی که در این زمینه نیاز است:

اولین دانشی که هر شخص به عنوان فردی که می خواهد در زمینه تجزیه و تحلیل داده ها فعالیت کند، دانش آمار بوده و از این دانش نیز بخش اول دانش آمار توصیفی است. توصیف داده ها یکی از اولین اقدامات و مهمترین فعالیت ها در آمار یا تجزیه و تحلیل داده ها است. زمانی که حجم انبوهی از داده ها را داریم (یا حتی زمانی که جچم داده ها کم است) و می خواهیم اطلاعات مفیدی را از این داده ها استخراج کنیم، اولین قدم برای آن مشاهده و توصیف داده هایی است که در دست داریم. اینکه داده ها چگونه توزیع شده اند، در کجا متمرکز شده اند، چقدر پراکنده هستند، نقاط دور افتاده کجا هستند. مشاهده، ترسیم و خلاصه سازی داده ها به ما کمک کند تا ببینیم در پشت این اعداد و ارقام چه رازها و اسراری نهفته است و آنها چگونه به ما کمک می کنند تا مشکلات را شناسایی کنیم، نقاط بهبود را شناسایی کنیم، اقدامات لازم برای انجام کار را شناسایی کنیم، از ریسک ها  خطرات جلوگیری کنیم، علمی را پیشرفت دهیم، به کسب و کار و سازمان خود در پیشرفت کمک کنیم و در جهت بهبود زندگی و محیط زیست خود قدم برداریم.

همچنین یکی دیگر از مواردی که افراد در این حوزه باید یاد بگیرند، نحوه تهیه داشبوردهای مدیریتی و ارائه گزارشات است. این بخش که به اصطلاح جنبه هنری تجزیه و تحلیل داده ها است، تمرکز فراوانی بر نحوه ارائه تجزیه و تحلیل انجام شده به صورتی که قابل درک برای تمامی افراد باشد دارد. در اینجا سعی می شود تا با استفاده از متن، جدوال و نمودارها گزارش ساده و جامعه ای را تهیه کرده و به بخش های مختلف که نیاز به استفاده از این گزارشات دارند ارسال نمایند.
آمار کلاسیک برای زمانی که می خواهیم تحلیل های دقیق تری بر روی داده ها داشته باشیم، یا زمانی که می خواهیم مدل های آماری همانند پیش بینی داده ها (پیش بینی روند تقاضا، پیش بینی تغییرات قیمت و بسیاری از موارد دیگر) یا تعیین میزان تاثیرگذاری عوامل مختلف برای روی اهداف (شناسایی و میزان تاثیز گذاری متغیرهای مستقل بر متغیرهای وابسته، همانند تجزیه و تحلیل واریانس، طراحی آزمایشات و …) کاربرد فراوانی دارند. این بخش در مدل سازی های تصمیم (همانند مدل های تحقیق در عملیات و نظریه بازی ها بسیار کاربرد دارد)
بعد از آمار کلاسیک بحث داده کاوی یا کار با داده های بزرگ پیش می آید که پیش زمینه آنها داشتن دانش آمار کلایسک و نیز توانایی در نوشتن الگوریتم های یادگیری ماشین (Machine learning) است. در دنیای امروز که اطلاعات فراوانی در حال تولید و تحلیل هستند، مبحث آمار کلاسیک شاید در برخی موارد دیگر پاسخگوی نیازها با این حجم فراوان از اطلاعات نباشد. بنابراین نیاز است تا با مدل های مختلف یادیگری ماشین (همانند طبقه بندی اطلاعات، خوشه بندی و پیش بینی رگرسیونی) که با هوش مصنوعی گره خورده اند نیز آشنا شد.
با توجه به این گفته ها، می توان گفت ما به عنوان فردی فعال در حوزه تجزیه و تحلیل داده ها باید دانش هایی را کسب کنیم که بتوانیم، ۱) داده ها را جمع آوری کرده (همانند کار با پایگاه داده های مختلف)، ۲) آنها را تمیز کنیم (مانند تخمین اعداد گم شده، تعیین ماهیت اعداد، مرتب سازی و …)، ۳) توصیف و خلاصه سازی داده ها (استفاده از آمار توصیفی، جدوال و نمودارهای آماری)، ۴) تهیه گزارشات و داشبورد های مدیریتی (حمع بندی و نتیجه گیری از نتایج آمار توصیفی، نمودارها و جداول و تبدیل آنها به یک گزارش جامع و مفید)، ۴) مدل سازی داده ها و پیش بینی بر اساس داده های گذشته، ۵) داده کاوی و استفاده از الگوریتم های یادگیری ماشین (که موارد ۴ و ۵ نیز به گزارشات مفید ختم می شوند) ۶) توانایی بروز رسانی گزارشات و ایجاد یک جریان مناسب ارسال گزارش و دریافت بازخورد و مشارکت در تعیین اقدامات اصلاحی در سازمان
0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

چهار × یک =