تحلیل دیتا بیاموزید

مدیران ما در ادارات دولتی، ارگان ها و شرکت های بزرگ به دنبال تحلیل های آماری مساله محور نیستند. و از آن طرف شرکتهای آماری ما نیز به خوبی این کار را انجام نمی دهند!

بازاریابی داده محور | تصمیم گیری داده محور | کلان داده | آنالیز داده | داده کاوی | هوش بازاریابی | تحلیل دیتا بیاموزید استراتژی بازاریابی

با پیشرفت روزافزون تکنولوژی بسیاری از فرصت‌های شغلی از دست می‌روند و ماشین‌ها کم کم جای نیروی کار انسانی را خواهند گرفت. حال سوال اینجاست چگونه باید خود را برای حضور در دنیای شغلی آینده آماده کرد و عقب نیافتاد. برخی اعتقاد دارند که یادگرفتن کدنویسی می‌تواند بهترین گزینه باشد.

ویرا به نقل از دیجیاتو، البته درست است که دانش کدنویسی چند دهه‌ی دیگر جزو ملزومات پیدا کردن شغل خواهد شد اما باید در نظر داشت که دنیای شغلی آینده بیشتر بر پایه‌ی تفکر کام پیوت ری و محاسباتی خواهد بود تا داشتن مدرک علوم رایانه.

این مسئله بدین معنی است که اگر شما می خواهید حضور موفقی در دنیای شغلی آینده داشته باشید و به راحتی کار پیدا کنید، باید یاد بگیرید که ماشین‌ها چگونه مشکلات را حل می‌کنند.

این احتمال وجود دارد که در آینده‌ای نزدیک مجبور شوید تیمی متشکل از انسان‌ها یا ربات‌ها را مدیریت کنید. بدین ترتیب نیاز خواهید داشت که پیچیدگی‌ها و ریزه‌کاری ارتباط انسان با تکنولوژی را یاد بگیرید چرا که این مسئله نیازمند مهارت‌های بسیار زیادی است. یکی از مهارت‌های اولیه‌ این است که از هوش مصنوعی نترسید.

ترس از هوش مصنوعی می‌تواند مشکل آفرین باشد

بسیاری از کاربران باور دارند که هوش مصنوعی و ربات‌ها در آینده، شغل‌های موجود را قبضه خواهند کرد و دیگر کاری برای انسان‌ها باقی نمی‌ماند. حال اگر این اتفاق رخ دهد نیز داشتن چنین باوری می‌تواند ضرر بسیاری بر روند ذهنی شما بگذارد و موجب می‌شود که ناخوادآگاه از این محبث فاصله بگیرید. بدین شما شکل نخواهید توانست چیز‌هایی در مورد ماشین‌ها بیاموزید و ممکن اس موقعیت ‌های شغلی یا توانایی های مفیدی کسب نکنید.

ترس از هوش مصنوعی چگونه به حضورتان در دنیای شغلی آینده ضرر می‌زند

مسلماً اگر قسمت آمیگدالای مغزتان فعال شود، شما را به محافظه کاری می‌کشاند و شما دیگر نمی توانید به سرعت یا دقت یک کام پیوت ر عمل کرده یا فکر کنید. ترس موجب می‌شود که فعالیت هیپوتالاموس مغز به مشکل بخورد و دیگر نتواند حالات و حافظه‌ی شما را حفظ نماید.

مسلماً هر تاثیر منفی روی ذهن شما، تاثیری منفی روی کارتان می‌گذارد و قابلیت های شما را محدود می‌سازد که این مسئله به طور قطعیت حرفه‌ی شما را دچار مشکل می‌کند.

البته باید در نظر داشته باشید که ربات‌ها قسمت ناچیزی از فعالیت‌ها را پوشش می‌دهند. رباتی که جواب تلفن شما را می‌دهد نمی‌تواند جراحی کند یا برایتان چای بیاورد. حتی پیچیده‌ترین هوش مصنوعی نمی‌تواند سوال ساده‌ی «آیا این یک گربه است؟» را پاسخ دهد. این در حالی است که یک کودک به آسانی سوال یاد شده را جواب می‌دهد. پس هنوز جای امیدواری وجود دارد و شغل‌های بسیاری قرار است برای انسان‌ها باقی بماند.

چگونه می‌توانیم تعامل با ماشین‌ها را بیاموزیم

مغز انسان پیچیده، درهم و پر از جزئیات است. به همین دلیل است که اسکن مغز سه بعدی یا مباحث عصب شناسی مختلف هر روز مطالب جدیدی در این باره به ما می‌آموزد.

بسیاری از توانایی‌ها بر پایه‌ی شبکه‌ عمیق و یکپارچه‌‌ای از تفکرات انسانی نظیر همدلی بنا شده‌اند. قابلیت تصمیم گیری معتدلانه و ترکیب کردن اطلاعات پیچیده هم جزو همان توانایی‌هاست.

درباره BPR و نحوه استفاده از آن برای افزایش مقیاس و بهبود عملیات تجاری بیاموزید.

پیشرفت در دنیای تجارت مستلزم این است که سازمان‌ها نه تنها از موانع جان سالم به در ببرند، بلکه باید راهی برای تبدیل آن‌ها به فرصت پیدا کنند. به جای اینکه مجبور شوید همه چیز آنطور که می‌خواهید پیش برود، گاهی اوقات باید عقب نشینی کنید و در کارکرد‌های اصلی تجارت خود تجدید نظر کنید. این می‌تواند به این معنی باشد که به تابلوی نقاشی برگردید و نحوه کار همه چیز را تجزیه و تحلیل کنید.

مهندسی مجدد فرآیند کسب و کار (BPR) چیست؟

شاید اخیراً اصطلاح BPR را در زمینه بهبود فرآیند‌ها و افزایش سودآوری کسب و کار شنیده باشید، اما دقیقاً چیست؟ BPR مخفف Business Process Reengineering است. تعریف مهندسی مجدد فرآیند کسب و کار (BPR) این است: یک رویکرد منظم برای کاهش هزینه‌های سازمانی و فرآیند‌های تجاری که شامل تجزیه و تحلیل انسانی و گردش کار‌های خودکار موجود است.

در کسب‌وکار‌های بزرگ – و حتی کوچک‌تر یا متوسط – فرآیند‌ها می‌توانند در طول زمان ایجاد شوند و تبدیل به گره‌های پیچ در پیچ می‌شوند که عمیقاً در نحوه انجام کار‌ها ریشه دوانده است. BPR یک متدولوژی اثبات شده است که به سازمان‌ها اجازه می‌دهد گره‌های Gordian knot (مشکل پیچیده یا غیرقابل حل) را که ممکن است مانع از پیشرفت واقعی و بهینه‌سازی هزینه شوند، کاهش دهند.

مهندسی مجدد فرآیند کسب و کار(BPR) عمل تغییر عملکرد‌های اصلی یک سازمان با هدف افزایش کارایی، بهبود کیفیت محصول و/یا کاهش هزینه‌ها است. این با تجزیه و تحلیل عمیق گردش کار کسب و کار و شناسایی مناطق کلیدی که نیاز به بهبود دارند شروع می‌شود. افرادی که این نوع کار‌ها را انجام می‌دهند، که اغلب به آن‌ها متخصص BPR می‌گویند، توسط شرکت‌ها استخدام می‌شوند تا انتقال به فرآیند‌های استانداردتر را تسهیل کنند.

مهم است که بین این و بهبود فرآیند کسب و کار، که بر روی به روز‌رسانی فرآیند‌های فعلی سازمان تمرکز دارد، تفاوت قائل شویم. از سوی دیگر، BPR با هدف ایجاد تغییرات اساسی در کل دامنه سیستم‌های یک تجارت است.

چه زمانی مهندسی مجدد فرآیند کسب و کار مورد نیاز است؟

نیاز به مهندسی مجدد فرآیند کسب و کار به طرق مختلف تشخیص داده می‌شود. در این مقاله ما برخی از شاخص‌ها که برای تشخیص فرا رسیدن زمان یک پروژه BPR لازم است، را ارائه می‌دهیم.

• شکایات مشتریان و درخواست بازپرداخت در حال افزایش است.
• استرس کارکنان، اختلافات و جابجایی زیاد است.
• هرج و مرج پس از ترک کارمندان با تجربه یا رفتن به مرخصی، حاکم می‌شود.
• سودآوری در حال کاهش است.
• سرنخ‌های فروش به سرعت پیگیری نمی‌شوند.
• حاکمیت شرکت، کمبود داشته باشد.
• شما با میزان نقدینگی خود دست و پنجه نرم می‌کنید.
• فهرست اموال شما در حال افزایش است.
• شما نمی‌توانید سفارشات مشتری را به اندازه کافی سریع تکمیل کنید.

مراحل مهندسی مجدد فرآیند کسب و کار چیست؟

۱. بفهمید که چه می‌خواهید.

پس از اجرای یک گردش کار خاص، انتظار دارید چه چیزی را ببینید؟ وقتی فهمیدید که می‌خواهید نتایج کسب‌وکارتان چگونه کار کند، می‌توانید بفهمید که چرا این اتفاق نمی‌افتد. به عنوان مثال، اگر به دنبال تحویل به مشتریان در یک بازه زمانی خاص هستید، به راه‌هایی برای تسریع در خروج اقلام از انبار‌ها و وارد شدن به کامیون تحویل نگاه کنید.

۲. وضعیت فعلی را تعریف کنید.

مراحل مربوط به تکمیل یک فرآیند کاری را طی کنید. به مکان‌هایی نگاه کنید که ممکن است گلوگاه‌هایی رخ دهد که باعث کاهش کارایی و افزایش هزینه‌ها می‌شوند.

۳. شکاف‌ها را شناسایی کنید.

شاخص‌های کلیدی عملکرد (KPI) را تنظیم کنید که به شما‌ایده می‌دهد که چقدر با دستیابی به اهداف تجاری خود فاصله تحلیل دیتا بیاموزید دارید. به زمان چرخه، فرآیند تولید، یا مدت زمانی که طول می‌کشد تا کامیون‌ها در انبار بارگیری شوند، نگاه کنید.

۴. یک مورد آزمایشی را انتخاب کنید.

به دنبال یک فرآیند ضروری باشید که بر اثربخشی سازمان شما تأثیر می‌گذارد. سپس، وضعیتی در آینده ایجاد کنید که به شما کمک می‌کند به اهداف استراتژیک شرکت خود دست یابید.

۵. فرضیه خود را توسعه و آزمایش کنید.

گردش کار و رویه‌های جدید را ارائه دهید، سپس با ذینفعان مربوطه ارتباط برقرار کنید. سناریو‌های آزمایشی را برای هر عملکرد جدید یا پیشرفته در فرآیند اصلاح شده خود ایجاد کنید.

۶. فرآیند جدید را اجرا کنید.

اطمینان حاصل کنید که وابستگی‌ها و منابع را برای اجرای موفقیت‌آمیز تغییرات خود در اختیار دارید.

۷. عملکرد را ارزیابی کنید.

عملکرد فرآیند جدید را دنبال کنید و از KPI‌های خود برای ارزیابی تأثیرات آن در مقایسه با گردش کار اصلی کسب و کار استفاده کنید.

هدف شما باید ایجاد بهبود‌های استراتژیک واضح در فرآیند‌های کاری خود در مقابل تلاش برای انجام تجارت معمول در یک بسته جدید باشد. این در مورد ارائه‌ایده‌های جدید است، مانند تغییر نحوه تعامل شما با مشتریان در هر مرحله از فرآیند فروش.

BPR و بهبود مستمر

بهبود مستمر (CI) یک تلاش مداوم برای بهبود یک محصول، خدمات یا فرآیند است. انجمن آمریکایی کیفیت (ASQ) معتقد است که تلاش‌های CI می‌تواند شامل بهبود تدریجی باشد، جایی که بهبود به تدریج در طول زمان اتفاق می‌افتد، و همچنین بهبود موفقیت‌آمیز، جایی که بهبود به یکباره اتفاق می‌افتد. CI اغلب از یک سازمان می‌خواهد که قبل از اینکه بتواند شانس واقعی موفقیت داشته باشد، ابتدا دستخوش یک تغییر فرهنگی شود.
مهندسی مجدد فرآیند کسب و کار اغلب بخشی از تلاش‌های CI است، زیرا تیم‌ها به دنبال راه‌هایی برای بهبود فرآیند‌های تجاری به عنوان بخشی از محدوده کلی CI هستند. BPR همچنین ارتباط تنگاتنگی با مدیریت فرآیند کسب و کار (BPM) دارد و داشتن درک سالم از هر دو رشته منطقی است.

بنابراین آیا BPR همان BPM است؟

خیر، در حالی که BPM بر تعریف و خودکارسازی فرآیند‌های موجود تمرکز دارد، BPR روش کسب‌وکار موجود در سازمان، به‌ویژه زمانی که با مشتری در ارتباط هستند، کاملاً دوباره بررسی می‌کند. همچنین ممکن است ریسک‌هایی در مورد پیاده‌سازی BPR وجود داشته باشد زیرا نقش‌ها و فرآیند‌هایی که امروزه وجود دارند را می‌تواند به طور کامل کنار بگذارد.

فعلا شرکت های آماری در ایران چه می کنند و چه اوضاعی دارند؟

حال و روز شرکتهای آماری در ایران خوب و مساعد به نظر نمی رسد. حداقل تا جایی که ما می بینیم و می شناسیم، مرکز آمار ایران تنها کاری که از شرکتهای آماری می خواهد جمع آوری داده ها و فرم ها و پرسشنامه هاست و تحلیل آنها را خود انجام می دهد.

نمی خواهیم بگوییم جمع آوری آمارها و پرسشنامه ها کار بی ارزشی است و یا اینکه نباید توسط شرکتهای آماری انجام شود، بلکه باید در نظر گرفت که این کارها و مشابه آن، کارهایی تخصصی نیستند که لزوما یک شرکت آماری بخواهد آنها را انجام دهد.

اگر قرار است تمام فضای کسب و کار “آمار” در کشور جمع آوری آمار باشد، که متاسفانه تا حد خیلی زیادی اینچنین است، و این کار نیز به در اکثر موارد به صورت سنتی و دستی انجام شود (و الکترونیک نباشد)، واقعا باید فکری اساسی کرد و این مساله و مشکل را دید.

به اعتقاد ما یک “شرکت آماری” باید بر انجام تحلیل های آماری و استخراج ارزش افزوده ناشی از داده ها متمرکز باشد، نه اینکه تنها کارش جمع آوری داده باشد.

علت اوضاع نامساعد شرکت های آماری

اگر چند جانبه قضاوت کنیم، علت این اوضاع هم به شرکت های آماری مربوط می شود و هم به متقاضیان خدمات آماری در ادارات و ارگان ها.

مدیران ما در ادارات دولتی، ارگان ها و شرکت های بزرگ به دنبال تحلیل های آماری مساله محور نیستند. و از آن طرف شرکتهای آماری ما نیز به خوبی این کار را انجام نمی دهند!

لازمه داشتن کشوری پیشرفته و دانش محور، وجود شرکتهای آماری ای هست که هم به خوبی و با دقت کار جمع آوری داده ها را انجام دهند و هم به خوبی و با مسئولیت شناسی، کار تجزیه و تحلیل داده ها و استخراج نکات مدیریتی آنرا به انجام برسانند.

لطفا شما نیز نظر خود را در بخش دیدگاه اعلام نمایید.

چنانچه مایلید نحوه تهیه گزارش آماری را به صورت ویدئویی بیاموزید

چنانچه مایلید خود اقدام به تهیه گزارش آماری- تحلیلی نمایید یا اینکه به عنوان مدیر یک مجموعه، با استانداردهای تهیه گزارش آماری- تحلیلی آشنا شوید، می توانید نسبت به خریداری آموزش ویدئویی نحوه نگارش گزارش آماری از لینک زیر اقدام نمایید. این بسته آموزشی حاصل سالها تجربه تهیه گزارش آماری و گزارش تحلیلی برای مدیران می باشد که توسط «سید مجتبی فرشچی» مدیر شرکت آماری اطمینان شرق و کارشناس ارشد رشته آمار از دانشگاه شهید بهشتی تهران تهیه شده است:

آموزش صفر تا صد Power Bi

هوش تجاری یا Business Intelligence، یا به اختصار BI، این روزها یکی از حوزه های جذاب و آینده دار مهندسی صنایع محسوب میشه که برای تحلیل داده ازش استفاده میشه و به مدیران و صاحبان کسب و کار، اطلاعات عملی برای تصمیمات بهتر میده اونم از طریق ارائه داشبورد های مدیریتی تخصصی. کالج آنلاین صنایعشو پکیج آموزش صفر تا صد Power Bi را تهیه کرده تا این حوزه پولساز رو بتونین خیلی راحت یاد بگیرین!

هوش تجاری یا بی آی چیست ؟

هوش تجاری مجموعه از متدولوژی ها و تکنولوژی ها و فرآیندها و معماری هایی هست که داده خام رو به اطلاعات مفید و معنا دار تبدیل میکنه که این به این معنا هست که شما به عنوان مدیر یا کارشناس در هر رده سازمانی که هستین از داده خام نمیتونین اطلاعات تحلیل دیتا بیاموزید مفید کسب کنین.فرض کنین که تعدادی فاکتور فروش دارین خب این فاکتورها به تنهایی هیچ معنای خاصی ندارن حتی با چیدن اعداد این فاکتورها هم به معنا و مفهوم خاصی نمیتونین برسین ولی اگه بیاین و نموداری رسم کنین و روند فروش رو توی سال های مختلف و نرخ رشد فروش رو دربیارین، کم کم این فاکتورها و دیتای خام داخل اونا معنا دار میشن. اگه کارشنای مختلفی تو سازمان در حوزه فروش داشته باشین میتونین از طریق این نمودار ها کیفیت عملکرد اونا رو اندازه گیری کنین و حتی کار عارضه یابی هم انجام بدین که ضعف عملکرد از کجاهاست.

بیشتر بخوانید : آموزش هوش تجاری

فرایند Power Bi :

در هوش تجاری، در تحلیل یک رویداد، ما به 4 سوال پاسخ میدیم که بسته به سطح بلوغ سازمان و سطح بلوغ هوش تجاری در اون سازمان، نوع قرار گیری سازمان در هر مرحله متفاوت هست :

• اولین سوال : چه اتفاقی در حال حاضر رخ داده؟
• دومین سوال: چرا این اتفاق رخ داده؟
• سومین سوال: در آینده چه اتفاقی رخ خواهد داد؟
• چهارمین سوال : بهترین اتفاقی که میتونه در آینده رخ بده چیه؟

بیشتر مهندسین صنایع و کامپیوتر از مرحله سوال 1 و 2 غافل میمونن و برای پیش بینی وضعیت سازمان مستقیم میرن سراغ سوالات سوم و چهارم درحالی که این اشتباه واقعا مهلکی هست و شما برای پیش بینی آینده به دیتای گذشته نیاز دارین و براساس اون دیتا و تحلیلش میشه پیش بینی آینده رو انجام داد.هوش تجاری اومد که به ما کمک کنه به این 4 سوال به عنوان مهندس صنایع پاسخ های بهتری بدیم. تا به کمک تحلیل دیتا بتونیم پیش بینی کنیم که چه کاری باید انجام بدیم که بهترین اتفاق برای سازمان یا فرآیندهاش رخ بده. این تحلیل ها نیاز به دیتا داره، شاید بگین خب نرم افزار اکسل واسه تحلیل و نگهداری این دیتاها کافیه و ما مهندسای صنایع برای پیاده سازی هوش تجاری همون اکسلو بلد شیم کافیه در حالی که درسته اکسل نرم افزار بسیار خوبیه ولی معمولا در شرکت ها توی موارد خیلی کوچیک قابل استفاده هست واسه تحلیل داده و به صورت عملیاتی استفاده کردن تحلیل دیتا بیاموزید از اکسل، باعث کندی بسیار زیاد فرآیندها میشه. Power BI مجموعه ای از ابزار هاست که از جمله آن ها می توان به موارد زیراشاره کرد:

• Power BI Desktop
• Power BI Pro
• Power BI Premium
• Power BI Mobile
• Power BI Embeded
• Power BI Report Server

سرویس Power BI چیست؟

سرویس Power BI یک بستر هوش تجاری و مجموعه ای از برنامه ها و سرویس های مبتنی بر CLOUD است و به سازمان کمک می کند تا داده ها را از طریق رابط کاربری زیبا جمع آوری، مدیریت و تجزیه و تحلیل نماید. Microsoft Power BI ابزار هوش تجاری است که می توان از آن برای رسیدن به اهداف مختلفی بهره جست. پاور بی آی داده ها را با هم جمع کرده و پردازش می کند و با استفاده از نمودارهای مختلف داده ها را به بینش قابل فهم تبدیل می کند.

پاور بی آی با استفاده از نمودارهای بصری جذاب به کاربران این امکان را می دهد تا اطلاعات مفید و واضحی از آنچه در تجارتشان اتفاق می افتد به دست آورند. امکان پردازش اطلاعات و به اشتراک گذاری آن ها نیز به راحتی صورت می پذیرد. Power BI به طیف وسیعی از صفحات گسترده اکسل تا پایگاه داده و برنامه های مبتنی به ابر متصل می شود.

Power BI ابزاری برای تبدیل داده ها از منابع مختلف داده به گزارش های تجزیه و تحلیل می باشد و خدمات مبتنی بر ابر را با یک رابط کاربری ساده به کاربران ارائه می دهد . رابط کاربری شهودی است و ادغام آن با سایر محصولات شرکت مایکروسافت آن را به ابزاری همه کاره برای برآورده شدن تمامی نیازهای سازمان تبدیل می کند.

معماری هوش تجاری با پاور بی آی Power BI

فرآیند تصمیم گیری های صحیح در کسب و کار نیازمند در دسترس بودن تحلیل دیتا بیاموزید اطلاعات با کیفیت است. معماران BI با کمک انبارهای داده، ساختارهای داده را توسعه می دهند و با تجزیه و تحلیل داده ها به راهکارهایی برای تصمیم گیری موثرتر و کسب نتایج بهتر دست می یابند.

یک تحلیلگر کسب و کار با استفاده از توسعه و ارائه راه حل های جدید هوش تجاری به سازمان برای کسب اطلاعات تحلیل دیتا بیاموزید بیشتر کمک می کند. تحلیلگر سازمان این اقدام را با استفاده از تهیه گزاراشات و مدل سازی داده ها انجام می دهد و داده های خام را به اطلاعات مشهود و عینی بدل می سازد که برای اهداف پیش روی سازمان بسیار حائز اهمیت است.اگر بخواهیم معماری نرم افزار Power BI را به صورت مقدماتی شرح دهیم باید بدانید که این نرم افزار از ابزار اصلی تشکیل شده و شامل موارد زیر است:

• Power BI Desktop
• Power BI Service و Power BI Report Server
• Power BI Mobile
• بررسی pivot و unpivot در Power BI Desktop

Power BI Desktop یک برنامه دسکتاپ رایگان است؛ از آن تحت عنوان Power BI Free نیز یاد می شود و می توان به راحتی آن را روی سیستم خود نصب کرد. با استفاده از این سرویس می توان اطلاعات مختلف را استخراج کرده و گزارشات متنوعی را طراحی نمود.با استفاده از Power BI Desktop می توان با صرف کمترین زمان ممکن داده ها را آماده و مدل سازی نمود و تجزیه و تحلیلی پیشرفته از آن ها ارائه داد. با این تجزیه و تحلیل تقویت شده مبتنی بر هوش مصنوعی میتوان داده ها را کاوش کرده و به یک الگوی رفتاری رسید، اهداف آینده را برای دست یابی به نتایج بهتر پیش بینی نموده و نتایج استراتژیک تجاری به دست آورد.

در ورژن های اخیر این برنامه شما می توانید داشبورد ها را در پرتال Power BI Report Server منتشر کنید.Pivot به انتقال اطلاعات از سطر به ستون گفته مشود و Unpivot نیز به معنای خارج کردن اطلاعات از حالت پیوت و انتقال اطلاعات از ستون به سطر می باشد. این عمل Transpose به منظور یکپارچه سازی اطلاعات و به دست آمدن خروجی مورد نظر انجام می شود. در واقع Unpivot را می توان تبدیل جداول و خارج کردن دیتا از حالت پیوت دانست. با استفاده از این ابزارها در power query می توان داده هایی که به صورت ماتریسی ذخیره شده اند را به شکل جدولی مشاهده کرده؛ عملکرد بهتر و ظاهری جذابتر در اختیار داشت.

Power BI Report Server چیست؟

Power BI Report Server به کاربران این امکان را می دهد تا از پیش فرض پاور بی آی استفاده کنند؛ زیرا برای برخی مشاغل امکان آپلود کردن اطلاعات در فضای ابری وجود ندارد. این سرور پشت فایروال مستقر می گردد. مایکروسافت به منظور رفع مشکلی که در Power BI Service وجود داشت و اطلاعات باید روی سرور مایکروسافت قرار می گرفت که تنها با داشتن اینترنت امکان پذیر بود؛ Power BI Report Server را معرفی نمود. با استفاده از این سرویس می توان نسخه فرضی از برنامه Power BI Desktop را برای مشاغلی که باید داده ها و گزارش های خود را در سرورهای خود نگه دارند در اختیار گرفت.

گزارش دهی on-promises با استفاده از Power BI Report Server

اگر امکان استفاده از سرویس ابری وجود نداشته باشد و تحلیلگر بخواهد گزارش های خود را در سرور شرکت قرار دهد، باید از گزارش دهی on-promises استفاده نماید. Power BI Report Server در پشت فایروال سرور قرار گرفته و گزارشات را به اشکال مختلفی مانند گزارشات موبایلی، ایمیلی یا از طریق مرورگر برای کاربر ارسال می کند. Power BI Report Server با پاور بی آی ابری سازگار بوده و می توان گزارش ها را به سیستم ابری مایکروسافت منتقل کرد.

Power BI Embeded چیست؟

Power BI Embeded به Independent Software Vendor که به اختصار ISV خوانده می شوند، اجازه می دهد تا قابلیت های پاور بی آی را در برنامه های خود بر اساس White-label اعمال کند. توسعه دهندگان می توانند این برنامه را به محصولات خود افزوده تا تجزیه و تحلیل داده ها را انجام دهد.

Power BI Mobile چیست؟

Power BI Mobile نسخه ی موبایلی Power BI است و با استفاده از آن می توان گزارشات حاصله را بر روی دستگاه تلفن همراه مشاهده کرد. این سرویس بر روی تمامی سیستم عامل های موبایل اعم از IOS، اندروید و ویندوز در دسترس است. این برنامه امکان دسترسی به گزارشات و به اشتراک گذاری آن ها را در هر زمانی برای کاربر آسان می سازد؛ تفاوتی ندارد که گزارشات در فضای ابری ذخیره شده باشند و یا به صورت پیش فرض در SQL Server.

رقبای اصلی Power BI در هوش تجاری چه نرم افزارهایی هستند؟

افزایش اطلاعات و داده ها در انواع کسب و کار، هوش تجاری را بر آن داشته است تا ابزارهای متنوعی را به منظور ساده سازی جمع آوری اطلاعات و درک بهتر داده ها با نمایش بهینه عرضه کند . به جز Microsoft Power BI ابزارهای دیگری نیز در حوزه هوش تجاری وجود دارند که از جمله ابزارهای مفید می توان به Tableau اشاره کرد.

به جز آن نرم افزارهای دیگری نیز وجود داشته که هرکدام مزیت های رقابتی مخصوص به خود را دارند و ما در این قسمت به برخی از رقبای اصلی Power BI در هوش تجاری اشاره می کنیم:

• Board
• Domo
• Qlik
• Google Data Studio
• Saleforce
• SAS
• Sisense
• Tibco
• Dundas BI

ویژگی های اصلی هوش تجاری با Power BI

از جمله مهم ترین ویژگی های هوش تجاری برای تجزیه و تحلیل داده ها به وسیله Power BI می توان به اشاره نمود:

• هوش مصنوعی
• بینش سریع
• پشتیانی از مدل داده مشترک
• ادغام Cortana
• شخصی سازی
• پشتیبانی گسترش ترکیبی
• API به منظور یکپارچه سازی
• سلف سرویس داده ها
• نمای مدل سازی

اشاره نمود و همچنین یکی دیگر از ویژگی های مهم آن، گرفتن داده های خام از منابع داده، تبدیل آن به دیتای قابل استفاده و تبدیل آن به نمودارها و ابزارهای مصورسازی برای تجزیه و تحلیل داده است. (به تبدیل داده های جدولی به نمودارهای گرافیکی، مصورسازی گفته می شود).مصورسازی فرد را قادر می سازد که اطلاعات مهم را در نمودارها، شاخص های کلیدی عملکرد، نقشه ها و … نمایش دهد. در داشبوردها باید بتوان با نگاه کردن به اطلاعات ارزشمندی دست یافت. مایکروسافت پاور بی آی ابزار هوش تجاری است که قابلیت های زیادی در مصورسازی در اختیار شما قرار می دهد.

جریان کار در Power BI

جریان کار در Power BI به این صورت است که در ابتدا باید به پایگاه داده متصل شده و یک گزارش به وسیله Power BI Desktop بسازید. این گزارش از Power BI Desktop به Power BI Service منتقل شده و سپس منتشر می شود.با استفاده از مجوزهای ایجاد کننده می توانید این دسترسی را به دیگر همکاران خود نیز بدهید که با Power BI Service گزارشات را اصلاح کرده، داشبورد بسازند و کار خود را به اشتراک بگذارند. البته ممکن است از نرم افزار پاور بی آی دسکتاپ استفاده نشده و گزارش ها در Power BI Server ساخته شوند.

اجزای Power BI

منظور از اجزای مختلف Power BI طرق مختلفی است که به کاربران این امکان را می دهد تا بینش تجاری خود را به شکلی متناسب با نقش خود ایجاد کنند. نسخه Power BI Desktop نسخه داخلی پاور بی آی است. Power BI Mobile بر روی تلفن های همراه اجرا شده و نسخه Power BI Service یک نسخه ابری است.طراحی گزارشات در پاور بی آی توسط دو نرم افزار Power BI Desktop و Power BI Report Server انجام می شود، محل نمایش گزارشات نیز در Power BI Service و Power BI Report Server می باشد تا دیگران بتوانند این گزارشات را مشاهده کنند. اگر از Power BI Desktop استفاده می کنید باید گزارشات خود را در Power BI Service آماده کنید که اکانتی تحت ابر مایکروسافت است. اگر نمی خواهید گزارشات خود را روی سرور مایکروسافت قرار دهید، باید از Power BI Report Server استفاده کنید.

تعریف DAX در هوش تجاری با پاور بی آی (Power BI)

DAX مخفف Data Analysis eXpression به معنای تجزیه و تحلیل داده ها در هوش تجاری ست و شامل فرمول هایی برای تجزیه و تحلیل داده ها و محاسبات می باشد. این زبان برای خدمات تجزیه و تحلیل سرور Power BI مورد استفاده قرار می گیرد و شباهت زیادی به توابع اکسل دارد. DAX در پاور بی آی به تحلیلگر کمک می کند تا از مجموعه داده های خود در حد توان استفاده کند؛ به وسیله آن فرد می تواند روش های جدیدی را برای محاسبه مقادیر کشف کرده و به دیدگاه جدیدی دست یابد.

اگر کاربر بخواهد در گزارشات Power BI از محاسبات پیشرفته استفاده کند، باید این کار را با DAX انجام دهد. با استفاده از DAX می توان اقدامات جدیدی انجام داده و نمودارهای منحصر به فردی ایجاد کرد؛ به این ترتیب راه حل های مناسبی برای مرتفع ساختن مشکلات تجاری سازمان به دست می آید.فرمول های DAX محاسباتی هستند؛ بدین صورت که یک مقدار ورودی را دریافت کرده و خروجی مورد نظر را تحویل می دهند. با استفاده از DAX در پاور بی آی می توان دو عبارت به نام های ستون محاسبه شونده و مقادیر محاسبه شده ایجاد کرد.

بررسی زبان M در Report Server

زبان M برای برنامه نویسی درPower Query مورد استفاده قرار می گیرد. پاور کوئری افزونه ای است که به کاربران پاور بی آی کمک می کند تا داده ها را از منابع مختلفی جمع آوری کرده، به دلخواه خود تغییر دهند و در مدل بارگزاری نمایند. از زبان M می توان برای Pivot یا Unpivot کردن دیتاها استفاده نمود و آن ها را بر اساس تعدادی ستون گروه بندی کرد.

نحوه ایجاد انواع KPI در Report Server

شاخص کلیدی عملکرد یا Key Performance Indicators روش اندازه گیری عملکرد سازمان در مقایسه با اهداف استراتژیک می باشد. شرکت مایکروسافت در آپدیت جدید خود از قابلیت تنظیمات فرمت برای KPI ها و جدول ها رونمایی کرده است.گزارشات ایجاد شده در راستای هوش تجاری باید معنا دار و قابل درک باشند. هر مجموعه، شاخص کلیدی عملکرد (KPI) منحصر به فرد خود را دارد. هنگام ایجاد یک داشبورد در Report Server انتخاب نحوه مناسب جهت نمایش مخاطبان مختلف بسیار مهم است؛ به همین علت باید توجه داشته باشید KPI هایی انتخاب کنید که با اهداف استراتژیک سازمان منطبق باشد.

توجه داشته باشید که KPI ها باید قابل دستیابی باشند؛ زیرا اگر داده هایی که KPI بر اساس آن ها ایجاد شده قابل دستیابی نباشند سازمان نمی تواند از این شاخص استفاده ای بکند. در انتخاب شاخص های کلیدی عملکرد دقیق باشید و KPI هایی مختص مجموعه خودتان برگزینید. KPI هایی را انتخاب کنید که قابل اجرا باشند و همواره آن ها را آپدیت کنید. تعداد KPI هایی که می خواهید روی آن ها تمرکز نمایید را محدود کنید؛ زیرا بهینه سازی مداوم آنها هزینه بر است. شاخص کلیدی عملکرد را به درستی تعریف کنید و بررسی نمایید که شامل تمامی اطلاعات مربوطه شده و در پیش بینی عملکرد سازمان مطمئن و قابل اعتماد باشد.

Report Server میزبان گزارشات Power BI در محل است؛ با استفاده از آن می‌توانید گزارش‌ها را به اشتراک گذاشته و با سایر کاربران همکاری کنید. علاوه بر آن Report Server قابلیت استقرار و استفاده از گزارش‌های همراه، گزارش‌های تنظیم شده و KPI ها را دارد. تنها نمایش شاخص های زیبا در داشبورد هوش تجاری تان کافی نیست؛ شما باید برای انتخاب نمایش این شاخص ها هدف داشته باشید. نتایج بررسی شاخص ها باید شما را به سمت تصمیمات عملیاتی راهنمایی کند.

دریاچه داده چیست؟ Data Lake و Data Warehouse چه تفاوتی دارند؟

یک دریاچه را در نظر بگیرید که آب از رودخانه‌های مختلف به آن وارد می‌شود. دریاچه داده نیز به همین صورت است، در واقع یک مخزن بزرگ است که داده‌های مختلف از راه‌های مختلف به آن وارد شده و ذخیره می‌شوند. همرا ما بمانید تا بیشتر توضیح دهیم که دریاچه اطلاعات چیست.

دریاچه داده چیست؟

دریاچه داده (Data Lake)، نوعی مخزن ذخیره سازی است که می‌تواند حجم زیادی از داده‌ها از منابع مختلف را به صورت خام نگهداری کند. این داده‌ها به صورت ساختار یافته، نیمه ساختار یافته و ساختار نیافته هستند. در واقع داده‌ها می‌توانند در قالبی انعطاف پذیر، برای استفاده در آینده، نگهداری شوند. یک Data Lake در هنگام ذخیره سازی داده‌ها، برای بازیابی سریع‌تر، آن‌ها را با شناسه‌ها و برچسب‌های فراداده، مرتبط می‌کند.

به بیان دیگر، دریاچه داده مکانی برای ذخیره سازی هر نوع داده در قالب اصلی و بدون محدودیت است. همچنین، حجم بالایی از داده‌ها را برای افزایش عملکرد تحلیلی و یکپارچگی آن‌ها ارائه می‌دهد.

اصطلاح «دریاچه داده» برای اولین بار توسط «جیمز دیکسون» بیان شد. این اصطلاح، بر خلاف داده‌های پردازش و ذخیره شده در سیستم انبار داده، به ماهیت موقت داده‌ها در دریاچه اطلاعات اشاره می‌کند.

Data Lake معمولا بر روی مجموعه‌ای از سخت افزارهای ارزان قیمت و مقیاس پذیر پیکربندی می‌شوند. این کار باعث می‌شود داده‌ها بدون نگرانی در مورد ظرفیت ذخیره سازی، در دریاچه ریخته شوند.

مزایای دریاچه داده چیست؟

همان طور که گفتیم، دریاچه اطلاعات همانند مخزنی است که اطلاعات از منابع مختلف به آن وارد می‌شود و افراد می‌توانند از این اطلاعات برای موارد مختلف استفاده کنند. خوب است بدانید یک Data Lake حاوی داده‌های ساختاری، داده‌های غیرساختاری، داده‌های ماشین به ماشین (Machine to Machine) و ثبت وقایع پیش آمده در زمان حال است.

یک دریاچه داده بر اساس اصول schema-on-read کار می‌کند. به این معنی که هیچ برنامه از پیش تعیین شده‌ای وجود ندارد که داده‌ها قبل از ذخیره سازی در آن نصب شوند. فقط هنگامی که داده‌ها در حین پردازش خوانده می‌شوند، در صورت لزوم، بررسی، تحلیل و تنظیم می‌شوند. این ویژگی، علاوه بر صرفه جویی در زمان، این امکان را فراهم می‌کند تا داده‌ها در هر قالبی ذخیره شوند.

متخصصان علم داده با استفاده از Data Lake ، می‌توانند با سرعت بیشتر و دقت بالاتر به داده‌ها دسترسی پیدا کرده و آن‌ها را تجزیه و تحلیل کنند. این مجموعه گسترده از داده‌ها، برای کارشناسان تجزیه و تحلیل این امکان را فراهم می‌کند تا اشتباهات و تقلب‌ها را بررسی کنند.

مفاهیم کلیدی دریاچه داده چیست؟

در ادامه 4 مفهوم مهم و کلیدی دریاچه داده را بیان کرده‌ایم. این مفاهیم عبارتند از:

Ingestion Data

این مفهوم به اتصالات اجازه می‌دهد تا داده‌ها را از منابع مختلف داده دریافت کرده و در دریاچه اطلاعات بارگیری کنند. مفهوم Ingestion Data با موارد زیر سر و کار دارد:

انواع مختلف منابع داده مانند پایگاه داده، وب سرورها، ایمیل‌ها، اینترنت اشیا و FTP

استفاده از داده‌ها به دفعات زیاد مانند مصرف دسته‌ای یا مصرف لحظه‌ای

انواع داده ‌های ساختار یافته، داده های نیمه ساختار یافته و ساختار نیافته

حاکمیت داده‌ها

این مفهوم برای کنترل در دسترس بودن، قابلیت استفاده، امنیت و یکپارچگی داده‌های مورد استفاده در سازمان مورد استفاده قرار می‌گیرد.

ذخیره اطلاعات

ذخیره داده یک مفهوم مقیاس پذیر است. این مفهوم، با ارائه یک ذخیره سازی به صرفه، دسترسی سریع به اکتشاف داده را امکان‌پذیر می‌کند. همچنین مفهوم «ذخیره داده» باید از قالب‌های مختلف داده پشتیبانی و حمایت کند.

امنیت

توجه داشته باشید که باید در هر لایه از دریاچه داده «امنیت» اجرا شود. این مفهوم از دسترسی کاربران غیرمجاز جلوگیری می‌کند. این کار با ذخیره سازی، کشف و مصرف آغاز می‌شود. مفهوم امنیت با ابزارهای مختلف برای دسترسی آسان به داده‌ها از GUI (رابط کاربری گرافیکی) و داشبوردها پشتیبانی می‌کند.

چرا دریاچه داده اهمیت دارد؟

حتما تا الان متوجه شده‌اید که هدف اصلی ساخت دریاچه اطلاعات، ارائه داده‌های تصفیه نشده به دانشمندان داده است. اما چرا دریاچه داده اهمیت دارد؟

با استفاده از سیستم دریاچه اطلاعات، نیازی به مدل سازی داده‌ها در یک طرح گسترده در سطح سازمان نداریم.

از یادگیری ماشین و هوش مصنوعی (AI) که با Data Lake در ارتباط هستند، می‌توانید برای پیش‌بینی سود سازمان استفاده کنید.

دریاچه اطلاعات، نوعی مزیت رقابتی به سازمان اجرا کننده ارائه می‌دهد.

با افزایش حجم داده‌ها، کیفیت داده، فراداده و تجزیه و تحلیل‌ها نیز افزایش می‌یابد.

دریاچه اطلاعات یک نگرش کامل و عمیق از مشتری به شما می‌دهد و تحیلی و بررسی را قوی‌تر می‌کند.

انبار داده و دریاچه داده چه شباهتی دارند؟

یک Data Lake و یک Data Warehouse از نظر اهداف اساسی تا حدی مشابه هم هستند. از جمله اینکه:

• هر دو مخزنی برای ذخیره سازی اطلاعات و داده‌های مختلف در یک سازمان هستند.
• هدف هر دو ایجاد یک «ذخیره داده یک مرحله‌ای» است که از برنامه‌های مختلف تغذیه می‌کند.
• با این وجود ، تفاوت های اساسی بین این دو وجود دارد که آنها را برای سناریوهای مختلف مناسب می کند.

انبار داده و دریاچه داده چه تفاوتی دارند؟

ممکن است دریاچه داده و انبار داده به راحتی با هم اشتباه گرفته شوند. اما لازم است بدانید با وجود مشترکاتی که در بخش قبل به آنها اشاره کردیم، بین این دو تفاوت‌های اساسی وجود دارد. در ادامه این تفاوت‌ها را مورد بررسی قرار می‌دهیم.

• طرح یک انبار داده، قبل از ذخیره سازی، تعریف شده و ساختار پیدا می‌کند. بنابراین، در یک انبار داده، بیشترین کار برای آماده سازی داده‌ها، معمولا قبل از پردازش آن‌ها انجام می‌شود. در صورتی که یک Data Lake ، هیچ طرح از پیش تعیین شده‌ای ندارد. بنابراین، داده‌ها را در قالب اصلی خود ذخیره می‌کند.
• دریاچه داده یک مخزن متمرکز از تمامی داده‌ها (ساختار یافته و ساختار نیافته) است. همان تحلیل دیتا بیاموزید طور که اشاره کردیم، در یک دریاچه اطلاعات، طرح کلی تعریف نشده و این موضوع امکان انواع دیگری از تحلیل‌ها مانند تحلیل‌های کلان داده، جستجوی تمام متن، تحلیل‌های همزمان و یادگیری ماشین را فراهم می‌کند. در صورتی که انبار داده از طرح‌های از پیش تعریف شده استفاده می‌کند.
• از آنجا که داده‌ها قبل از ذخیره سازی در یک فرم ساده سازماندهی نشده‌اند، در اکثر موارد یک دریاچه داده به یک متخصص با درک همه جانبه، دقیق و کامل از انواع مختلف داده‌ها و روابط میان آن‌ها نیاز دارد تا از طریق آنها، داده‌ها را مطالعه، بررسی و تحلیل کند. در صورتی که یک انبار داده به دلیل داشتن یک طرح مشخص، واضح و مستند، برای کاربران فناوری و غیرفناوری، را راحتی قابل دسترسی است. تا جایی که حتی یک عضو جدید در تیم هم می‌تواند به سرعت از انبار داده استفاده کند.
• در طراحی انبار داده، در صورتی که الزامات و قوانین تغییر کند، برای اصلاح آن به منابع قابل توجهی نیاز خواهید داشت. در حالی که دریاچه‌های داده می‌توانند به راحتی با تغییرات سازگار شوند. همچنین، با افزایش نیاز به ظرفیت ذخیره سازی، مقیاس گذاری سرورها روی یک خوشه Data Lake آسان‌تر است.

سایر تفاوت‌های میان دریاچه داده و انبار داده را در قالب جدول زیر بیان می‌کنیم.

و در انتها…

باید بگوئیم، دریاچه داده یک مخزن ذخیره سازی مرکزی است که داده‌های زیادی از منابع مختلف را در خود نگهداری می‌کند. Data Lake نسبت به Data Warehouse دارای ساختار منعطف‌تر و هزینه ساخت کم‌تری است. وقتی سازمان‌ها درست نمی‌دانند که با داده‌ها قرار است چه کاری انجام دهند، می‌توانند اطلاعات خود را در دریاچه اطلاعات‌ ذخیره کنند. سپس در فرصت مناسب با شکل دادن به آن‌ها، داده‌ها را مورد مطالعه، بررسی و تجزیه و تحلیل قرار دهند.