آدرس : خیابان شیراز جنوبی - پلاک 20
مجتمع سبز - طبقه هشتم - واحد جنوبی
کد پستی: 1436953969
 
تماس با ما : 88058327-021
ایمیل : info@kankashgaranco.com


ترندهای 2018 هوش تجاری (بخش دوم)

در ادامه 5 ترند دوم از این لیست 10تایی ارائه شده است.
1397/07/14

نویسنده : tableau

ترندهای 2018 هوش تجاری (بخش دوم)

این ترندها به شما کمک می کنند استراتژی هایی که بر اساس آن می توانید سازمان خود را به مرحله بالاتری صعود دهید اولویت بندی کنید. در ادامه 5 ترند دوم از این لیست 10تایی ارائه شده است.


سرعت و تحول راه حلهای هوش تجاری به جایی رسیده که شاید آنچه امروز به کار آید، فردای امروز نیاز به بازبینی داشته باشد. از پردازش زبان مکالمه تا رشد و پیشرفت در بیمه کردن اطلاعات، ترندهایی هستند که به هوشمندی تجاری یا BI جهت می دهند. در این راستا شرکت تولید کننده نرم افزارهای هوش تجاری tableau در مصاحبه ای با مشتریان و کارکنان خود 10 ترند هوش تجاری را که در سال 2018 در مورد آن سخن خواهید گفت انتخاب کرده. چه شما یک دانشمند برتر حوزه دیتا باشید و چه مدیری که در حال ساخت امپراطوری هوش تجاری خود است، این ترندها به شما کمک می کنند استراتژی هایی که بر اساس آن می توانید سازمان خود را به مرحله بالاتری صعود دهید اولویت بندی کنید. در ادامه 5 ترند دوم از این لیست 10تایی ارائه شده است.
 



آینده مدیریت دیتا در انبوه سپاری است

هوش تجاری در قامت مدرن خود از انحصاری کردن دیتا و محتوا به مرحله ای رسیده که تمام کاربران تجاری را توانمند ساخته از دیتای قابل اعتماد و مدیریت شده برای تصمیمات خود استفاده کنند. و در حالی که افراد می آموزند بیشتر تصمیمات خود را بر مبنای دیتا اتخاذ کنند، بازخورد بدست آمده از کار روزانه آنها با دیتا به شکل پیشنهاد مدل های مدیریت داده بهتر، به ابزار بسیار کارآمدی برای سازمانها تبدیل می شود.
این که بگوییم تحلیل های خودکار دنیای هوش تجاری را مختل کرده کوچک نمایی واقعیت است. پیش از این تمرکز بر کسانی بود که ظرفیت خلق تحلیل ها را داشتند. اما امروزه تمرکز بر پرسیدن سوالات حیاتی و پاسخدهی به آنهاست. این اختلال در زمینمه مدیریت داده ها هم در حال رویداد است. با توسعه تحلیل های خودکار در سازمان، انبوهی از اطلاعات و دیدگاههای ارزشمند روشهای نویی از اجرای مدیریت داده را معرفی می کنند.

مدیریت داده همان اندازه به استفاده از خرد جمعی برای دستیابی به داده های درست مربوط است که به حذف داده ها از منبع نادرست.

کاربر تجاری معمولا کمترین علاقه رابه مسئولیتهای مربوط به امنیت داده ها دارند. سیساتهای مدیریت دیتای مطلوب به کاربر تجاری این اجازه را می دهد که سوالات درست بپرسند و جوابهای درست بگیرند در حالی که دیتای مورد نیاز خود را در زمان مناسب دریافت می کنند.
استراتژیهای هوش تجاری و تحلیلی مدلهای نوین مدیریت داده را در برخواهد گرفت: بخش های IT و مهندسین دیتا منابع داده قابل اعتماد را آماده سازی خواهند کرد و با توسعه هوش تجاری خودکار کاربران نهایی آزادی عمل لازم برای بهره برداری از داده های پردازش شده و صحیح را خواهند داشت. پروسه های بالا به پایین که تنها کنترلهای IT را درنظر می گیرند به نفع پروسه های مرکبی که مجموعه امکانات IT و قابلیت های کاربران را محور قرار می دهند حذف خواهند شد. مجموعه این امکانات و قابلیتها دیتای دارای بیشترین اهمیت برای مدیریت را شناسایی کرده و قوانین و پروسه هایی را پایه گذاری می کنند که ارزش تحلیلی برای کسب و کار، بدون ریسک امنیتی را به حداکثر ممکن می رسانند.


از میان کاربران دیتا 45% آنان می گویند کمتر از نیمی از دیتای در دسترس آنها
دارای کیفیت لازم است. (کولیبرا)


بیش از 60 درصد مدیران کمپانی های مجموعه CV Suite می گویند پروسه تصمیم
گیری در شرکتهایشان تنها کمی یا ندرتا براساس دیتا صورت می گیرد. (PwC)
 

آسیب پذیری ما را به سمت بیمه کردن داده ها سوق می دهد

برای خیلی از شرکتها، دیتا یک دارایی تجاری حیاتی است. اما ارزش عددی این دیتا چگونه اندازه گیری می شود؟ و چه اتفاقی می افتد وقتی دیتا از بین رفته یا به سرقت می رود؟ همانطور که اخیرا در مواردی از نشت های اطلاعاتی سطح بالا مشاهده کرده ایم، خطرات مربوط به دیتای یک کمپانی می تواند فلج کننده باشد و بصورت بالقوه خسارات جبران ناپذیری به برند وارد کند.
براساس مطالعه ای در سال 2017 توسط موسسه "پونمون" میانگین هزینه یک نشت اطلاعاتی برای هر شرکتی چیزی حدود 3.62 میلیون دلار است.
اما آیا امروزه شرکتها هر آنچه می توانند را برای محافظت و نگهداری از دیتایشان انجام دهند را اجرا می کنند؟ صنعتی که در حال رشد قابل توجهی برای پاسخگویی به نشت های اطلاعاتی است، صنعت امنیت سایبری است. این صنعت رشد سالانه 30 درصدی داشته و پیش بینی می شود ارزش بازار آن تا سال 2020 به 5.6 میلیارد دلار برسد.

بیمه های سایبری و امنیت دیتا در شرایطی که اطلاعات ارزشمند یک شرکت نشت کرده و یا توسط هکرها دزدیده شود بخشی از خسارات قابل توجه ایجاد شده را پوشش می دهد.

هرچند، حتی با رشد بازار و تهدید مداوم نشت های اطلاعاتی، تنها 15 درصد شرکتهای امریکایی از پوشش بیمه های نشت اطلاعات و امنیت سایبری استفاده می کنند. اما این 15 درصد مذکور، عمدتا در میان شرکتهای بزرگ و غولهای تجاری و موسسات مالی هستند.
شما باید تصمیم بگیرید نقطه بحرانی در کجاست. ریسک واقعی برای کسب و کارتان چیست؟
نیاز به استفاده از این پوشش های بیمه ای برای موسسات مالی کاملا قابل درک است. اما این رویه به سایر شرکتها در صنایع دیگر هم گسترش خواهد یافت چون هیچ سازمانی ذاتا نسبت به تهدید نشت اطلاعاتی ایمن نیست.
در کتابی که توسط "داگ لینی" یکی از تحلیلگران ارشد موسسه گارتنر تحت عنوان Infonomics تالیف شده موضوع اصلی مورد بررسی، روش رسمیت پولی دادن، مدیریت و ارزشیابی اطلاعات برای مزیت رقابتی است. او مدلهای متمایز مالی وغیرمالی از روشهایی که شرکتها در صنایع مختلف می توانند ارزش داده های خود را بررسی کنند ارائه داده است.
مدلهای غیرمالی بر ارزش ذاتی، ارزش تجاری و ارزش عملکردی دیتا تمرکز دارند. این ارزش گذاری ها می توانند منحصربفرد بودن، صحت عملکرد، مرتبط بودن و بهره وری داخلی و مجموع اثر آنها را اندازه گیری کنند.
مدلهای مالی بر ارزش هزینه ای، ارزش اقتصادی و ارزش اطلاعات در بازار تمرکز دارند. این ارزش گذاری ها هم می توانند هزینه دستیابی به اطلاعات، تصفیه داخلی و ارزش فروش یا واگذاری اطلاعات شما را اندازه گیری کنن.
در نظر داشتن دیتا به عنوان کالا به این معناست که ارزش آن افزایش خواهد یافت و به این پرسش و مکالمه درونی منجر می شود که چگونه می توان این کالای اولیه را برای دستیابی سازمان به منافع بیشتر و بهتر پردازش کرد. و مانند هر محصول دیگری چگونه می توان اطمینان حاصل کرد دزدیده شدن آن ضرری را متوجه شرکت نکند؟


خسارت یک نشت اطلاعاتی به طور میانگین معادل با 3.62 میلیون دلار
است (پونمون)


تنها 15 درصد کمپانی های امریکایی دیتای خود را تحت پوشش بیمه قرار
می دهند (پونمون)
 

افزایش اهمیت نقش مهندسین دیتا

این یک اصل است که: شما نمی توانید یک داشبورد مدیریتی داشته باشید بدون آن که جداول و نمودارهایی که برای تحلیل اطلاعات به آنها نیاز دارید در آنها جاگذاری شده باشد. اصل مورد اطمینان دیگر این است که: شما نمی توانید یک منبع اطلاعاتی قابل اطمینان داشته باشید بدون آن که ابتدا درک کنید چه جنسی از اطلاعات به آن وارد سیستم می شود و این که چگونه آن را استخراج کنید.
مهندسین دیتا به نقش حیاتی خود در حرکت سازمان به سمت استفاده از دیتا برای اتخاذ تصمیمات بهتر در زمینه کسب و کارشان ادامه خواهند داد. بین سالهای 2013 و 2015 تعداد مهندسین دیتا دو برابر شده است. و از اکتبر 2017 بیش از 2500 موقعیت شغلی با عنوان مهندس دیتا روی لینکدین ارائه شده که نشان دهنده تقاضای رو به افزایش در این تخصص است.

مهندسین دیتا نقش اساسی در زمینه خودکار کردن پلتفرمهای تحلیلی مدرن ایفا می کنند.

حال باید بدانیم این نقش سازمانی چیست و به چه دلیل تا این اندازه دارای اهمیت است؟ مهندس دیتا مسئول طراحی، ساخت، و مدیریت پایگاه داده عملیاتی و تحلیلی کسب و کار است. بعبارت دیگر، آنها مسئول استخراج دیتا از سیستم های زیربنایی کسب و کار هستند. دیتایی که می تواند برای استفاده در زمینه ارتقای جنبه های کسب و کار و بهبود تصمیم گیری به کار رود. با افزایش نرخ دیتا و ظرفیت ذخیره آن، نیاز به فردی که دانش فنی عمیق از انواع سیستم ها، ساختار و توانایی درک نیاز کسب و کار را دارا باشد بیشتر از هر وقت دیگری حیاتی محسوب می شود.
با این حال نقش مهندس دیتا نیاز به مجموعه منحصربفردی از مهارتها دارد. آنها باید هسته دیتا و راه استفاده از آن برای خدمت رسانی به کاربر را درک کنند. مهندس دیتا همچنین باید راه حلهای فنی را برای قابل استفاده نمودن دیتا را بازیابی کند.
دیتا همواره نیاز به آماده سازی دارد. کسب و کارها هم باید وارد این وادی شوند. آنها باید به جهان دیتا پا بگذارند تا بتوانند تصمیمات تجاری بگیرند. نتیجه این روند افزایش اهمیت نقش مهندس دیتاست.

طبق یک تحقیق در سال 2016 سازمانها بطور میانگین حدود 9.7 میلیون دلار
در نتیجه کیفیت پایین دیتا از دست می دهند (گارتنر)

تحلیلگران دیتا چیزی حدود 80 درصد از زمان خود را صرف آماده سازی
اولیه دیتا می کنند. (تک ریپابلیک)

محل اشیا منجر به تحولات در زمینه اینترنت چیزها

این جمله که توسعه اینترنت چیزها باعث رشد قابل توجهی در تعداد دستگاههای متصل به این فناوری شده است حقیقت این رشد را بیان نمی کند. تمامی این دستگاهها با یکدیگر در ارتباطند و دیتایی را تولید می کنند که تجربه یک همرسانی گسترده تر را فراهم می کنند. در واقع موسسه گارتنر پیش بینی می کند تا سال 2020 تعداد دستگاههای IoT در دسترس کاربران دو برابر خواهد شد و به بیش از 20 میلیارد دستگاه آنلاین خواهد رسید.
حتی با این میزان رشد، جنبه های کاربرد و اجرای IoT همین مسیر را طی نکرده است. شرکتها هنوز در این مورد نگرانی های امنیتی دارند اما بیشترشان مجموعه مهارتهای سازمانی یا زیرساختهای فنی داخلی و اپلیکیشن ها و پلتفرم های دیگر را برای جوابدهی دیتای IoT ندارند.

تصور بیشتر افراد از مکان جغرافیایی معادل با ابعاد طول و عرض و ارتفاع است. رویه جدید این است که این اطلاعات تبدیل به ورودی برای پروسه تحلیلی می شود.

روند مثبتی که اخیرا مشاهده می شود کاربرد و مزایای استفاده از دیتای مکان-محور با دستگاههای IoT است. این زیردسته جدید با عنوان"موقعیت چیزها" به دستگاههای IoT امکان ایجاد ارتباط برمبنای محل قرارگیریشان را می دهد. با دانستن این که یک دستگاه IoT در چه محلی قرار گرفته به ما این امکان را می دهد که به گستره دیتا اضافه کنیم و بهتر بفهمیم چه اتفاقی در حال رویداد است و پیش بینی کنیم چه رویدادی در محل معینی اتفاق خواهد افتاد.
برای شرکتها و سازمانهایی که به دنبال جمع آوری این دیتا هستند، فناوری های متعددی کاربری دارند. بعنوان مثال بیمارستانها، فروشگاهها و هتلها شروع به استفاده از فناوری بلوتوث کم مصرف (BLE) برای خدمات موقعیت یابی در مکانهای سربسته کرده اند که معمولا برای سیستم های GPS دشوار بوده است. این فناوری می تواند محل قرارگیری برخی دارایی ها و پرسنل را دنبال کند و با دستگاههای همراه مثل ساعتهای هوشمند، کارتهای هویت یا برچسبهای هوشمند اطلاعات لازم را مخابره کند.
تا جایی که به تحلیل دیتا مربوط می شود، دیتای موقیعت-محور می تواند بعنوان ورودی برای خروجی مورد نظر استفاده شود. اگر دیتا موجود باشد، تحلیلگران می توانند با استفاده از این دیتا دریابند چه رویدادی در کجا در حال رخ دادن است و باید انتظار چه رویدادی را در زمینه مورد تحلیل داشت؟

تعداد نقاط اتصال IoT تا سال 2020 به 30 میلیارد عدد می رسد. (IDC)


ارزش بازار IoT بصورت انفجاری تا سال 2020 به 5 میلیارد دلار خواهد
رسید (گارتنر)

دانشگاهها برنامه های علوم داده و تحلیل خود را دو برابر می کنند

دانشگاه کارولینای شمالی اولین دانشگاه ارائه دهنده فوق لیسانس علوم تحلیلی MSA بوده است. برنامه تحصیلی MSA در موسسه تحلیلی پیشرفته این دانشگاه یا IAA ارائه می شود که هدف آن آماده سازی برترین تحلیلگران دنیا با مهارت لازم در زمینه روشهای پیچیده و ابزار تحلیلی برای مدلسازی دیتا در حجم بالا و اشتیاق لازم برای تحلیل مسائل چالش برانگیز است. به نوعی این برنامه اولین نمونه از سرمایه گذاری دانشگاهی در زمینه علوم دیتا و تحلیل محسوب می شود.
اوایل سال جاری، دانشکاه کالیفرنیا در سن دیه گو اولین برنامه تحصیلی خود در زمینه علوم دیتا را افتتاح کرد. اما این رویه در اینجا متوقف نشده و این دانشگاه بزودی موسسه علوم دیتای خود را با کمک های مالی فارغ التحصیلان دانشگاه افتتاح خواهد کرد. به دنبال آن دانشگاههای برکلی، دیویس و سانتکروز نیز تعداد گزینه های دانشجویان هود را در زمینه علوم دیتا و تحلیلی افزایش داده اند. اما دلیل این افزایش تقاضا در کجاست؟

نوآوریهای دانشجویان در دانشگاهها و آنچه در فضای آکادمیک به صورت شهودی کشف می شود می تواند به شکل غافلگیرکننده ای شگفت آور باشد. آنها می توانند تنها به دیتا نگاه بیندازند و آن را به بهترین شکل نموداری کنند.

براساس مطالععه اخیر موسسه حسابداری بزرگ PwC 69 درصد کارفرمایان تا سال 2021 از متقاضیان کار انتظار خواهند داشت مهارتهای علوم دیتا و تحلیل را دارا باشند. در سال 2017، موسسه گلسدور گزارشی منتشر کرد که براساس آن برای دومین سال متوالی علوم دیتا جزو مشاغل رده بالا طبقه بندی شده بود. با افزایش تقاضا از طرف کارفرمایان، ضرورت پیدا کردن جادوگران ماهر در زمینه دیتا حیاتی تر می شود! اما در این میان کمبودی ملاحظه می شود. براساس همان گزارش PwC تنها 23 درصد فارغ التحصیلان دانشگاهی مهارتمورد نیاز کارفرمایان را خواهند داشت. براساس تحقیقی صورت گرفته توسط MIT 40 درصد مدیران برای استخدام افراد دارای استعداد تحلیلی دچار مشکلند.
مهارت تحلیلی دیگر یک امتیاز نیست بلکه یک ضرورت است. در سال 2018 شاهد رویه جدی تری در زمینه حصول اطمینان از وجود مهارتها در این زمینه در میان نیروی کار مدرن خواهیم بود. و با تداوم شرکتها در تصفیه دیتای خود برای دستیابی به حداکثر منافع، تقاضا برای نیروی کار دارای مهارتها در زمینه دیتا وجود خواهد داشت و افزایش نیز خواهد یافت.

تا سال 2021 حدود 69 درصد کارفرمایان مهارتهای علوم دیتا و تحلیلی
را در دسته مهارتهای ضروری برای استخدام قرار خواهند داد (PwC)


طبق یک مطالعه 40 درصد مدیران برای یافتن نیروی کار دارای مهارت های
تحلیلی دچار مشکلند (MIT)