هوش مصنوعی می تواند به شرکت ها کمک کند تا از منابع جدید داده برای تجزیه و تحلیل استفاده کنند


پیشرفت در فن آوری به شدت تغییر داده است آنچه تجزیه و تحلیل شرکت می تواند انجام دهد ، اما پیش بینی و تجزیه و تحلیل توصیفی هنوز هم به زمان ، تجربه و انبوه داده ها نیاز دارد و اغلب فقط بینش محدودی را ارائه می دهد. با این حال ، هوش مصنوعی اجازه می دهد تا تجزیه و تحلیل به طور خودکار شامل زمینه های مهم از طیف گسترده ای از منابع باشد – که در بسیاری از آنها قبلاً به تحلیلگران برای پیمایش سیلوها و کاتالوگ های ضعیف نیاز داشت. اکنون ، همانطور که برنامه های گوگل می توانند براساس آدرس خانه ، ورودی های تقویم و اطلاعات نقشه به شما بگویند ، وقت آن است که اگر می خواهید پرواز کنید ، به فرودگاه بروید ، شرکت ها می توانند به طور فزاینده ای از اطلاعات زمینه در سیستم های شرکت خود استفاده کنند.

طی چند سال گذشته ، فناوری به سرعت آنچه را که تحلیل شرکت می تواند انجام دهد تغییر داده است. رویکردهای تحلیلی ، که شامل مدل های پیش بینی کننده است ، شروع به جابجایی تنها رویکردهای توصیفی کرده اند. تجزیه و تحلیل توصیفی ، که همچنان برای بسیاری از کاربران ارزشمند است ، همچنین با استفاده از تجزیه و تحلیل بصری گسترده تر و انتقال به یک مدل سلف سرویس که در آن کاربران غیر فنی اغلب می توانند تجزیه و تحلیل های خود را توسعه دهند ، تکامل یافته است. به طور کلی ، تجزیه و تحلیل به سرعت هم آسان تر می شود و هم قدرتمندتر.

با وجود این پیشرفت ، استفاده از داده ها و تجزیه و تحلیل ها برای درک و پیش بینی بسیاری از پدیده های مهم در سازمان هنوز دشوار است. مدل های قابل پیش بینی به مقدار قابل توجهی از داده های گذشته و تجربه منطقی در ایجاد و استفاده نیاز دارند ، که نحوه و زمان اجرای آنها را محدود می کند. و اگرچه کنترل بیشتر کاربران بر روی تجزیه و تحلیل توصیفی خوب است ، اما این تغییر اغلب به سرمایه گذاران زمان بیشتری نیاز دارد. علاوه بر این ، رویکردهای تحلیلی موجود – اعم از توصیفی و قابل پیش بینی – در طول تاریخ کمی باریک بوده و روی کارکردها یا واحدهای خاصی متمرکز بوده است ، اگرچه بسیاری از مشکلات و مشکلات تجاری شامل عملکردها و واحدها است. این اطلاعات مهم متنی به ندرت در مدل های تحلیلی گنجانده شده است – سیلوهای سیستم و داده ها این مسئله را دشوار می کنند ، و تحلیلگران داده به دلیل فهرست بندی ضعیف ، اغلب از اطلاعات مربوطه اطلاع ندارند یا نمی توانند به راحتی به آنها دسترسی پیدا کنند.

خبر خوب این است که نسل جدیدی از تجزیه و تحلیل شرکت ها در حال ظهور است که شامل درجاتی از اتوماسیون و اطلاعات متنی است. نوآوری ها به هوش مصنوعی و اتوماسیون ، ارتباطات بین سیستم های اطلاعاتی موجود و مفروضات مربوط به تصمیماتی که از نظر داده ها و تحلیل ها اتخاذ می شوند ، متکی هستند. در نهایت ، آنها می توانند بینش ها و توصیه هایی را تهیه کنند که می توانند مستقیماً در اختیار تصمیم گیرندگان قرار بگیرند بدون اینکه از تحلیلگر بخواهند آنها را از قبل تهیه کند.

همانطور که برنامه های گوگل براساس آدرس منزل ، ورودی های تقویم و اطلاعات نقشه به شما می گویند که اگر می خواهید پرواز کنید ، زمان عزیمت به فرودگاه است ، شرکت ها می توانند به طور فزاینده ای از اطلاعات زمینه در سیستم های سازمانی شما استفاده کنند. اتوماسیون در تجزیه و تحلیل – که اغلب به آن “کشف هوشمند داده” یا “تجزیه و تحلیل پیشرفته” گفته می شود – با اشاره خودکار به روابط و الگوهای موجود در داده ، اعتماد به تجربه و قضاوت انسان را کاهش می دهد. در برخی موارد ، سیستم ها حتی آنچه کاربر برای مقابله با وضعیت مشخص شده در آنالیز خودکار انجام می دهد را توصیه می کنند. این قابلیت ها می توانند در کنار هم نحوه تجزیه و تحلیل و مصرف داده ها را تغییر دهند.

قدرت زمینه

از نظر تاریخی ، داده ها و تجزیه و تحلیل منابع جداگانه ای هستند که باید برای دستیابی به ارزش ترکیب شوند. اگر می خواهید ، به عنوان مثال ، داده های مالی یا داده های مربوط به منابع انسانی یا زنجیره های تأمین را تجزیه و تحلیل کنید ، باید آنها را پیدا کنید – در یک انبار داده ، مارس یا دریاچه – و ابزار تجزیه و تحلیل خود را به سمت آن هدایت کنید.

این نیاز به دانش عمیق دارد که کدام داده ها مربوط به تجزیه و تحلیل شما هستند و از کجا می توان آنها را پیدا کرد ، و بسیاری از تحلیلگران از زمینه وسیع تری آگاهی ندارند. با این حال ، تجزیه و تحلیل و حتی برنامه های کاربردی هوش مصنوعی می توانند به طور فزاینده ای زمینه را فراهم کنند. و این قابلیت ها در حال حاضر به طور منظم توسط فروشندگان اصلی در سیستم های معاملاتی خود مانند برنامه ریزی منابع سازمانی (ERP) و مدیریت ارتباط با مشتری (CRM) ارائه می شوند.

نمونه های زیادی از زمینه های نوظهور وجود دارد که شامل فرضیاتی درباره تصمیم گیری برای تصمیم گیری و گردش کار برای ساخت آن است. به عنوان مثال ، در منابع انسانی ، سیستم مدیریت سرمایه انسانی می تواند با شناسایی مناسب ترین نامزدها برای توصیف شغل خاص (با استفاده از اصطلاحات پردازش خلاصه زبان طبیعی و اصطلاحات مطابقت) و رتبه بندی آنها به ترتیب مناسب ، فرآیند انتخاب نامزدها را به طور خودکار بهینه کند. برای انجام این کار ، برنامه به دانش زمینه ای نیاز دارد تا اطلاعات مربوط به اصول و مهارت ها را با نیازهای شغلی مرتبط کند. در زنجیره های تأمین ، تجزیه و تحلیل زمینه ای می تواند بر اساس داده های برنامه ریزی منابع سازمانی باشد که شرکت ها برای بهینه سازی سطح موجودی کالا ، پیش بینی نیازهای عملکرد محصول و شناسایی عقب مانده احتمالی استفاده می کنند. زمینه موجود در آن شامل معیارهای زنجیره تأمین ، درک درستی از مراحل اجزای فرآیند کسب و کار و دانش در مورد محل تنگناها در این فرآیند است.

برخلاف سیستم های تحلیلی قبلی ، این ابزارهای جدید معمولاً نیازی به کاربر برای ایجاد ارتباطات متنی ندارند. داده های مورد نیاز برای انجام تجزیه و تحلیل به طور خودکار استفاده می شود و رابط کاربری با سایر فعالیت های تحلیلی سازگار است. برنامه های متنی کمی پیچیده تر می توانند به صورت خودکار به داده ها در زمینه های عملکردی دسترسی داشته باشند ، مانند افزایش اشتغال پیشنهادی برای پیامدهای عملکرد بودجه و مالی

غول بیمه AXA XL سیستم مدیریت سرمایه انسانی مبتنی بر ابر را اجرا کرده است که اطلاعات متنوعی را در اختیار مصرف کنندگان قرار می دهد. بدون سفارشی سازی ، شامل KPI منابع انسانی ، معیارهای بهترین روش و توانایی نظارت بر روند منابع انسانی مانند تنوع و سطح سایش است. ابزار گزارشگری شرکتی جدید با این قابلیت ها فقط در مدت هشت هفته در سراسر شرکت ارائه شد.

اتوماسیون تجزیه و تحلیل

فرآیند تجزیه و تحلیل علاوه بر اینکه به طور خودکار داده های مناسب را پیدا می کند و آنها را برای ایجاد زمینه بهم پیوند می دهد ، به طور فزاینده ای توسط AI به طور خودکار انجام می شود و از آن پشتیبانی می شود. ارائه دهندگان و کاربران در حال انتقال به این تجزیه و تحلیل های پیشرفته هستند ، که در آن نرم افزار تجزیه و تحلیل به طور خودکار الگوهایی را در داده ها پیدا می کند و اجازه می دهد تا پرس و جوها و تجزیه و تحلیل داده ها با استفاده از رابط های زبان طبیعی انجام شود. به طور خلاصه ، هوش مصنوعی و تجزیه و تحلیل سنتی با هم ترکیب می شوند تا تجزیه و تحلیل داده ها را آسان تر و کارآمدتر کنند.

این ابزارها شامل تجزیه و تحلیل پیش بینی و یادگیری ماشین ، پردازش زبان طبیعی (NLP) و تولید (NLG) ، و فن آوری های سنتی تر به عنوان مکانیسم های حاکم است. تجزیه و تحلیل پیش بینی و یادگیری ماشین می تواند روندها و ناهنجاری ها را در داده ها شناسایی کرده و توصیف کند که کدام متغیرها یا ویژگی ها بیشترین تأثیر را در نتایج دارند. تجزیه و تحلیل پیشرفته با NLP امکان تجزیه و تحلیل داده ها از طریق دستورات صوتی ساده را فراهم می کند و قابلیت های NLG خلاصه خودکار تجزیه و تحلیل زبان طبیعی را فراهم می کند.

این فرصت های جدید موانع تجربه و زمان را از فرآیند تهیه داده ، شناسایی و تجزیه و تحلیل بینش برطرف می کند و “تحلیلگران داده شهروند” را قادر می سازد تا بینش ایجاد کرده و اقداماتی را انجام دهد که تجارت آنها را بهبود می بخشد. آنها همچنین پیامدهای مثبتی برای سازمانهای پشتیبانی کننده علوم تجزیه و تحلیل و داده دارند. متخصصان در نرم افزارهای تجزیه و تحلیل و هوش مصنوعی می توانند بر روی مشکلات و تجزیه و تحلیل های واقعاً دشوار متمرکز شوند ، و نباید وقت ارزشمند خود را صرف راهنمایی یا پشتیبانی از تحلیلگران متخصص و کاربران تجاری کمتری کنند. مدل های ایجاد شده توسط متخصص ، همراه با مدل های ایجاد شده توسط فروشندگان ، همچنین می توانند به طور فزاینده ای از طریق درخواست داده ها یا تجزیه و تحلیل خودکار در سیستم های معاملاتی گنجانده شوند.

این تجزیه و تحلیل پیشرفته به سادگی توسط تولیدکنندگان برجسته ای مانند Oracle و Salesforce توزیع می شود ، اما برخی از شرکت ها قبلاً آزمایش های موفقی را با آنها انجام داده اند. یک شرکت تولیدی دارای فرهنگ داده محور بود ، اما دانشمندان حرفه ای داده را نداشت. این یک روش قیمت گذاری با تخفیف برای مشتریان براساس سطح خرید آنها ارائه داده است. یک تحلیلگر بازرگانی از سیستم تجزیه و تحلیل پیشرفته خواست که روندهای داده های قیمت گذاری را بررسی و شناسایی کند. وی دریافت که در حالی که تعداد نسبتاً کمی مشتری از تخفیف های حجمی استفاده می کنند ، بسیاری از فروشندگان تخفیف ویژه دریافت می کنند. این شرکت برای پایان دادن به تخفیف های غیرمجاز اقداماتی انجام داد و صدها هزار دلار درآمد کسب کرد.

تغییرات بزرگی در حال رخ دادن است

برای این نسل جدید تجزیه و تحلیل کسب و کار خیلی زود است ، اما پتانسیل این ابزار حیرت آور است. آنها قول می دهند سریعتر ایده های بهتر و بیشتری را به افراد بیشتری در سازمان ارائه دهند. تحلیلگران هوش تجاری و متخصصان کمی هنوز وظایف مهمی را برای انجام وظیفه بر عهده دارند ، اما بسیاری دیگر نیازی به ارائه پشتیبانی و آموزش به کاربران آماتور داده ندارند. شرکت های متوسط ​​و متوسطی که توانایی پرداخت هزینه محققان داده را ندارند ، قادر به تجزیه و تحلیل داده های خود با دقت بالاتر و تصویر واضح تر هستند. تمام آنچه که برای تواناییهای تحلیلی سازمانها مهم خواهد بود ، اشتهای فرهنگی برای داده ها ، مجموعه ای از سیستمهای معاملاتی است که دادههایی را برای تجزیه و تحلیل تولید می کند و تمایل به سرمایه گذاری و استقرار این فناوریهای جدید خواهد بود.


منبع: bighat-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>