1397/06/26
ترندهای 2018 هوش تجاری (بخش اول)
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 از این لیست 10تایی ارائه شده است.
این که چگونه یادگیری ماشینی تحلیلگران را تقویت خواهد کرد
فرهنگ عامه در حال انتشار تصویری نادرست و پادآرمانشهرگونه از آن چیزی است که یادگیری ماشینی می تواند انجام دهد. اما در حالی که تحقیقات و فناوری در مسیر پیشرفت قرار دارند، یادگیری ماشینی به سرعت در حال تبدیل به مکملی ارزشمند برای تحلیلگران است. در واقع یادگیری ماشینی بهترین دستیار تحلیلگران محسوب می شود.
تصور کنید نیاز داشته باشید سریعا نگاهی به تاثیر تغییر قیمت بر روی یک محصول فرضی بیندازید. برای این کار نیاز دارید یک رگرسیون خطی روی دیتای خود انجام دهید. قبل از اکسل، نرم افزار R یا tableau لازم بود این کار را دستی انجام دهید و پروسه آن ساعتها زمان میبرد. به لطف یادگیری ماشینی، حالا می توانید مصرف محصول را در چند دقیقه یا حتی چند ثانیه ملاحظه کنید. به عنوان یک تحلیلگر، لازم نیست این وزنه برداری سنگین را خودتان انجام دهید و به راحتی به سراغ سوال بعدی می روید: آیا مصرف محصول تحت تاثیر عامل استثنایی ای مثل یک روز تعطیل قرار می گیرد؟ آیا محصول جدیدی معرفی شده؟ آیا پوشش خبری خرید یا آگاهی از محصول را تحت تاثیر قرار داده؟ بهرحال آنچه شما به آن فکر نمی کنید این است که ای کاش می شد وقت بیشتری روی تکمیل مدل رگرسیون خود صرف کنید!
دو راه وجود دارد که یادگیری ماشینی بتواند به تحلیلگران کمک کند. اولی بهره وری است. با مثالی که در بالا آمد، تحلیلگر زمان ارزشمند خود را صرف محاسبات پایه ای ریاضی نمی کند. تحلیلگر حالا وقت بیشتری دارد که به اثرات تجاری و قدم های منطقی بعدی فکر کند. دوما، به تحلیلگر کمک می کند در جریان تحلیل دیتای خود به کشف و شهود بپردازد و دیگر لازم نیست متوقف شود و اعداد و رقام را بالا و پایین کند. در عوض، تحلیلگر سوال بعدی را می پرسد. پتانسیل یادگیری ماشینی برای کمک به تحلیلگران غیرقابل انکار است، اما این نکته حیاتی است که باید وقتی به آن رجوع کرد که نتایج به روشنی تعریف شده باشند. در واقع یادگیری ماشینی نباید زمانی به کار رود که اطلاعات Subjective یا ذهنی باشند. به عنوان مثال وقتی تحلیل روی یک نظرسنجی از مشتریان در مورد رضایت از محصول انجام می شود، یادگیری ماشینی نمی تواند لزوما همه کلمات کیفی را درک کند.در واقع یادگیری ماشینی به شما کمک می کند چندین و چند زاویه را نگاه بیندازید وقتی نیاز به کمک برای یافتن پاسخ دارید.
به علاوه تحلیلگر باید معیارهای موفقیت برای دیتا را بفهمد تا بتواند آنها را به راهکارهای عملیاتی پیوند دهد. به عبارت دیگر، ورودی اطلاعات به ماشین لزوما خروجی درست را تضمین نمی کند. این کاربر انسانی است که درک می کند آیا اطلاعات در زمینه صحیحی به کار رفته اند یا خیر و این به آن معنی است که یادگیری ماشینی در انزوا و بدون درک صحیح از مدل و ورودی/خروجی مورد انتظار قابل اجرا نیست.
با وجود آن که بعضی نگرانند یادگیری ماشینی جایگزین انسان ها شود، عملا این فناوری تحلیلگران را شدیدا تقویت، دقیق تر و موثرتر خواهد کرد تا اثر مثبت بیشتری در کسب و کار داشته باشند. به جای ترسیدن از فناوری یادگیری ماشینی باید فرصتهایی که فراهم می آورد را قدر دانست.
کمپانی بزرگ تحقیقات بازار IDC پیش بینی کرده درآمد حاصل از سیستم های
هوش مصنوعی و یادگیری ماشینی تا سال 2020 به 46 میلیارد دلار برسد.
به پیش بینی موسسه گارتنر در سال 2020 هوش مصنوعی اثر مثبتی در ایجاد
مشاغل خواهد داشت؛ بطوریکه 8/1 میلیون شغل را حذف و 3/2 میلیون شغل
جدید ایجاد می کند.
اثر علوم انسانی بر صنعت تجزیه و تحلیل اطلاعات
در حالی که صنعت تجزیه و تحلیل اطلاعات به یافتن متخصصان دیتا ادامه می دهد و سازمانها تلاش می کنند تیم های تحلیلی خود را ارتقا دهند، شاید ما همین حالا هم با انبوهی از استعداد در دسترس خود مواجه باشیم. می دانیم چگونه هنر و داستان پردازی بر صنعت تحلیل دیتا تاثیر مثبت داشته است و این نکته غافلگیرکننده ای نیست. آنچه جای تعجب دارد این است که چگونه ابعاد فنی ساخت یک داشبورد تحلیلی که قبلا در اختیار متخصصان IT بود، امروزه توسط کاربرانی که هنر داستان پردازی (به عنوان یکی از علوم انسانی) را درک می کنند انجام می شود. فراتر از آن، سازمان ها ارزش بیشتری برای جذب کارمندانی قائل می شوند که بتوانند دیتا و نگرش به دیتا را برای ایجاد تغییر از طریق هنر و ترغیب، و نه فقط تحلیل صرف به کار برند.
با ساده تر شدن کاربرد پلتفرم های فناوری، تمرکز بر تخصص فنی روبه کاهش است. همه می توانند با دیتا بازی کنند بدون نیاز به داشتن مهارت عمیق فنی که زمانی مورد نیاز بود. این جایی است که افراد با مهارتهای فراتر از جمله در زمینه علوم انسانی وارد معادله می شوند و توسعه و تغییر را در جایی که صنایع و سازمانها با کمبود متخصصین دیتا مواجهند رهبری می کنند. درحالیکه سازمانهای بیشتری بر تحلیل دیتا به عنوان یک اولویت کسب و کار تمرکز می کنند، این متخصصان علوم انسانی در زمینه دیتا، به شرکتها کمک خواهند کرد درک کنند توانمندسازی نیروی کارشان یک امتیاز رقابتی است.
ما نه تنها میل گسترده برای جذب نسل جدیدی از نیروی متخصص دیتا را میبینیم، بلکه در چندین زمینه مشاهده می کنیم که چگونه شرکتهای فناوری-محور توسط موسسان دارای تحصیلات در زمینه علوم دیگری جز IT رهبری و یا شدیدا تحت تاثیر قرار گرفته اند. شرکتهایی مثل Linkedin، PayPal، Pinterest و Slack و چندین شرکت موفق دیگر حوزه فناوری از این دسته هستند.
یک مثال قدرتمند از ورود علوم انسانی به حوزه فناوری در شرکت نیسان اتفاق افتاده است. جایی که "ملیسا سفکین" که دکترای انسان شناسی داشت برای رهبری پروژه ماشین های خودران این کمپانی انتخاب شد تا بطور ویژه روی ارتباط انسان-ماشین در این پروژه تمرکز کند. سفکین با پیش زمینه انسان شناسی خود الگوهای رفتاری لازم برای یادگیری بهتر این ماشین های خودران و ارتباط متقابل با انسان سوار بر خودرو را شناسایی کرد.برای ساخت یک داشبورد یا تحلیل اطلاعات نیاز به میزان مشخصی از مهارتها وجود دارد، اما آنچه شما واقعا نمی توانید به کسی بیاموزید این است که چگونه با استفاده از اطلاعات داستان پردازی کند!
با تحول علم تحلیل دیتا و تبدیل آن به هنر به جای علم، تمرکز از ارائه صرف اطلاعات به سمت پردازش داستان های تحت تاثیر دیتا که بطور اجتناب ناپذیری به تصمیم گیری منجر شوند سوق داده شده. سازمانها دیتا را در حجم بیشتری قدر می دانند و پیشرفت طبیعی به سمت داستان پردازی و فرم دهی دیتا جهت گرفته است. عصر طلایی داستان پردازی دیتا در مقابل ماست و جایی در بدنه سازمان شما یک داستان سرای دیتا منتظر است تا تصمیم محوری بعدی شما را آشکار کند.
به گزارش لینکدین، فارغ التحصیلان علوم انسانی 10درصد سریعتر از فارغ التحصیلان
حوزه فناوری جذب شرکت های IT می شوند!
حدود یک سوم مدیران عامل 500 شرکت برتر فورچون فارغ التحصیل علوم انسانی اند.
وعده پردازش زبان مکالمه
درسال 2018 پردازش زبان مکالمه غالب و فراگیر شده و به کمال خواهد رسید. با رشد درک برنامه نویسان و متخصصان فنی از زبان مکالمه طبیعی، ادغام آن در حوزه های جدید نیز افزایش خواهد یافت. افزایش طرفداران الکسای آمازون، گوگل هوم و کورتانای مایکروسافت توقع افراد را برای این که بتوانند با نرم افزارهای خود حرف بزنند تقویت کرده. بعنوان مثال این که بتوانید از سیستم الکسای خود بخواهید آهنگ مورد علاقه تان را در حالی که آشپزی می کنید برایتان پخش کند دیگر چیز عجیبی نیست. همین مفهوم برای دیتا هم مورد انتظار است؛ چنان که بتوانید از سیستم سوال کنید و سیستم با دیتای موجود خود بر اساس تحلیل پاسخگوی شما باشد.
موسسه گارتنر پیش بینی کرده تا سال 2020 حدد 50 درصد از Queryهای تحلیلی از طریق جستجو یا صوت انجام خواهند شد. این بدان معنی است که ناگهان برای یک مدیرعامل به آسانی امکانپذیر خواهد بود که از تلقن همراه خود بپرسد: "فروش کل مشتریانی که در نیویورک سوزن منگنه می خرند چقدر است؟" بجای آن که در دیتای خود با چند مرحله فیلتر کردن دنبال جواب بگردد و شاید در آخر متوجه شد یکی از فیلترها را درست اعمال نکرده! در واقع پردازش زبان مکالمه این امکان را فراهم می کند که سوالات جزئی تری از دیتا بپرسند و پاسخهایی دریافت کنند که به تصمیمات بهتری ختم می شوند.
بطور همزمان، برنامه نویسان و متخصصان فنی قدم های بزرگی در یادگیری و درک روش استفاده افراد از پردازش زبان مکالمه برخواهند داشت. آنها شیوه سوال پرسیدن افراد را می آزمایند. این رفتار بستگی زیادی به زمینه ای است که سوال در آن پرسیده می شود. اگر کاربر روی تلفن همراه خود در حال کار باشد بدنبال سوالات آنی خواهد بود و اگر پشت میز کار و روبروی داشبورد مدیریتی خود باشد احتمالا سوالات عمیق تری خواهد پرسید.پردازش زبان مکالمه می تواند چشمان تحلیلگر را کمی بازتر کند و به اعتماد به نفس و اطمینان آنها در مورد آنچه می توانند انجام دهند بیفزاید.
بزرگترین دستاورد تحلیلی از ادراک گردش کارهای متنوعی است که پردازش زبان مکالمه می تواند فراهم آورد. ابهام اما مشکل بزرگی است و بنابراین درک گردش کاری های از ورودی یک سوال اهمیت بیشتری می یابد. معمولا راههای متعددی برای پرسیدن یک سوال وجود دارد اما کاربر نمی خواهد به این فکر کند که روش درست پرسیدن سوال چیست، او تنها به دنبال پاسخ است. در نتیجه برای ایجاد فرصت واقعی باید از پردازش زبان مکالمه در گردش کاری مناسب استفاده کرد.
به پیش بینی IDC تا سال 2019 حدود 75% از کسانی که کار روزانه شان شامل
استفاده از برنامه های کاربردی سازمانی است، یک دستیار هوشمند خواهند
داشت که مهارت هایشان را افزایش دهد.
به پیش بینی موسسه گارتنر، تا سال 2021 بیش از 50% سازمانها در مقایسه
با ساخت اپلیکیشن های معمولی، بخش عمده وقت خود را صرف تولید باتها
و چت باتها خواهند کرد.
بحث فراوان در مورد فناوری چند-ابری
اگر سازمان شما در حال بررسی و ارزیابی یک راهبرد چند-ابری است، شما تنها نیستید. خیل عظیمی از سازمانها در حال انتقال دیتا و برنامه های محوری خود به فناوی ابری اند و این روند به سرعت در حال افزایش است.
براساس تحقیق اخیر موسسه گارتنر، یک راهبرد چند-ابری تا سال 2019 به رویه متداول 70% سازمانها تبدیل خواهد شد در حالی که امروزه فقط 10% شرکتها از آن استفاده می کنند. مشتریان از این که درگیر یک سیستم یک بعدی و تاریخ گذشته باشند که با نیازهای آینده شان همخوانی نداشته باشد احساس ناامنی می کنند. هرچند انتقال اطلاعات امروزه با استفاده از APIها و نرم افزارهای اپن سورس مثل لینوکس و MySQL نسبت به گذشته آسانتر شده. این احتمال وجود دارد که سازمان شما هم در حال ارزیابی این است که چگونه دیتاسنترها را طراحی و به کار گیرد. دپارتمان IT شما هم بررسی می کند کدام محیط هاستینگ را براساس ریسک، پیچیدگی، سرعت و هزینه انتخاب کند. تمامی این موارد، یافتن یک راه حل یکتا برای سازمان شما را دشوارتر می کند. بررسی و اجرای یک محیط چند-ابری کمک می کند تعیین کنید کدام سرویس دهنده عملکرد و پشتیبانی بهتری مطابق نیاز شما ارائه می کند.
اما راهبرد چند-ابری بدون آگاهی کامل از محاسن و معایب انتقال به این محیط کارساز نخواهد بود. درحالیکه انعطاف پذیری بالا نکته مثبتی محسوب می شود، محیط چند-ابری می تواند هزینه سربار شما را با توجه به نیاز به چند تامین کننده مختلف برای تقسیم گردش کاری افزایش دهد. همچنین داشتن چنین فضایی نیازمند در اختیار داشتن یک تیم فنی داخلی برای اجرایی کردن پروسه های کنترلی با توجه به محیط های مختلف نیازمند پشتیبانی است.این راهبرد چند-ابری یا هیبریدی-ابری روز به روز برای کاهش ریسک و تامین گزینه ها و انعطاف بیشتر برای مشتریان اهمیت پیدا می کند.
بعلاوه، یک راهبرد چند-ابری می تواند بصورت بالقوه قدرت خرید یک سازمان یا شرکت را پایین بیاورد. اگر شرکت آنچه می خرد را از چند تامین کننده مختلف تهیه می کند یعنی به سطوح تخفیف پایین تری خواهد رسید. بدین شکل مدلی ایجاد می شود که شرکت مقادیر کمتری را به قیمت بالاتر تهیه می کند.
تحقیقات و آماری که موسساتی چون گارتنر منتشر می کنند نشان می دهند راهبرد چند-ابری رو به گسترش است اما اشاره ای نمی کنند که چه میزانی از یک پلتفرم فرضی را به خود اختصاص می دهند. در بسیاری از موارد استفاده از راهبرد چند-ابری سازمان ها از یک تامین کننده برای بخش عمده ای از نیازهایشان استفاده می کنند و بخش کوچکی را به چند تایمن کننده دیگر اختصاص می دهند. در برخی نیز راهبرد ابری دوم صرفا نقش محیط هاستینگ پشتیبان را در صورت نقص هاست اصلی مورد استفاده قرار می گیرد.
در حالی که فراگیری استفاده از راهبرد چند-ابری در سال 2018 فزونی خواهد گرفت، سازمان ها باید با جزئی نگری به ارزیابی این راهبردها بپردازند تا میزان نیاز خود به استفاده از چنین راهکارهایی را با توجه به استفاده داخلی، گردش کاری و هزینه های نصب و راه اندازی به درستی دریابند.
70% سازمانها تا سال 2019 از راهبردهای چند-ابری استفاده خواهند کرد (گارتنر)
74% مدیران مالی شرکتهای حوزه IT معتقدند راهبرد ابری بیشترین تاثیر قابل
اندازه گیری را روی کسب و کار شرکتهایشان سال 2017 داشته است (فوربس)
شروع به کار مدیر ارشد دیتا
دیتا و تجزیه و تحلیل آن بدون شک در حال تبدیل شدن به هسته اصلی هر سازمانیست. با رشد و توسعه سازمانها، برخی شرکتها سطح جدیدی از اولویت بندی در تمرکز استراتژیک و مسئولیت بخشی را در زمینه تحلیل دیتای خود تعریف می کنند.
بطور سنتی، بیشتر تلاش ها در زمینه هوش تجاری به مدیران میانی حوزه IT یا مدیران ارشد اطلاعات (CIO) سپرده می شد که موظف بودند بر استانداردسازی، یکپارچه سازی و مدیریت دارایی های اطلاعاتی را در سرتاسر سازمانی که به گزارش دهی پیوسته نیاز داشت نظارت کنند. این روند باعث می شد پیش نیازهای هوش تجاری مثل مدیریت داده ها، ظراحی مدلهای تحلیلی و... در تقابل با پیش نیازهای استراتژیکی همچون معماری IT، امنیت سیستم، استراتژی شبکه و... قرار بگیرند و عموما منجر به عدم توفیق و تاثیر BI شوند.
در برخی موارد، فاصله بین مدیر ارشد اطلاعات (CIO) یا مدیر IT با کسب و کار باعث شده اهمیت سرعت تصمیم گیری تحت تاثیر امنیت اطلاعات قرار گیرد. بنابراین برای دستیابی به تصمیمات عملی از طریق سرمایه گذاری بر تحلیل دیتا، سازمانها این نیاز را احساس می کنند ککه باید نقطه مسئولیتی برای فرهنگ تحلیل ایجاد کنند. برای تعداد رو به رشدی از سازمانها، جواب در انتصاب مدیر ارشد دیتا (CDO) یا مدیر ارشد تحلیل (CAO) نهفته است تا پروسه های کسب و کار را به سمت تغییر، عبور از موانع فرهنگی و آگاه سازی تمامی سطوح سازمان از ارزش تحلیل دیتا سوق دهد. این به CIO اجازه می دهد تمرکز بیشتری روی مسائلی مثل امنیت اطلاعات داشته باشد.
این حقیقت که CDO یا CAO با این هدف منصوب می شوند که مسئولیت ایجاد تاثیرات مثبت بر کسب و کارو بهبود نتایج را بعهده بگیرند، به خودی خود نشان دهنده ارزش راهبردی دیتا و تحلیل اطلاعات در سازمانهای نوین است. اکنون بحث فعالانه ای در سطح مدیریت ارشد در جریان است در این زمینه که چگونه باید راهبردهای تحلیلی را گسترش داد. به جای انتظار برای دریافت یک گزارش خاص، وظیفه CDO این است که از خود بپرسد "چطور می توانیم نیازمندیهای تحلیلی را پیش بینی کنیم یا سریعتر به درخواستهای کسب و کار پاسخ دهیم؟"
برای این که به بهترین شکل تیمی در ذیل این نقش سازمانی مدیریت شوند، لازم است سازمانهای منابع بیشتری را به این حوزه اختصاص دهند. براساس آمار منتشر شده از سوی موسسه گارتنر، 80% سازمانهای بزرگ تا سال 2020 یک دپارتمان مستقل تحت نظارت CDO خود خواهند داشت. در حال حاضر، میانگین افراد در دپارتمان تحلیل دیتا 38 نفر است، اما 66% سازمانهای مورد مطالعه انتظار دارند بودجه اختصاص یافته به این حوزه را افزایش دهند.
وظیفه CDO فراهم آوردن ابزار و فناوری و توانمندسازی سازمان از طریق آن است. نقش او نتیجه-محور است. هدف این نیست که صرفا دیتا را در انبار دیتا ذخیره سازی کند و امیدوار باشد این اطلاعات به کار کسی بیاید. او پای به سطح مدیرذان ارشد گذاشته تا تعریف کند کاربرد دیتا چیست و اطمینان حاصل کند سازمان از این مسیر منتفع می شود. این تمرکز بر نتیجه حیاتی است. مخصوصا در مسیر سه هدف اصلی بیان شده در مطالعه گارتنر در مورد CDO در سال 2016 که شامل نزدیکی بیشتر با مشتریان، افزایش امتیاز رقابتی و بهبود بهره وری اند. این اهدافشرکتهایی مثل IBM را ترغیب می کنند تا نقش CDO را در سال 2018 بسیار جدی تر از قبل در نظر گیرند.
تا سال 2019 90% کمپانی های بزرگ یک نقش CDO در سطح مدیریت ارشد
خود خواهند داشت (گارتنر)
تا سال 2020 حدود 50% از سازمانها نقش CDO را همسطح CIO ارتقا خواهند داد.
