دسته بندی

مقاله

خانه / مقاله
مقاله

علم و تحلیل داده کاوی

در چندین سال اخیر که جهان پیشرفت چشمگیری از داده شده، حجم این داده‌ها و سرعت تولید آن‌ها با ظهور وب و البته شبکه‌های اجتماعی رشد فرایندی داشته و <<علم داده>> ، <<تحلیل داده>> ، <<داده کاوی>> با نرخ نجومی در حال رشد و توسعه هستند. با این وجود شرکت های زیادی به دنبال کارشناس در مورد تحلیل داده میگرند تا در تصمیم گیری ها کمک کننده باشند.
داده کاوی در سال‌های اخیر رشد زیادی در دنیای فناوری داشته است و نکته‌ی قابل توجه این است که این علم ظرفیت ایجاد تغییرات در تمامی زمینه‌ها را دارد. ما در این مقاله به مواردی همچون :
مفهوم تحلیل داده کاوی چیست؟
منظور از علم داده کاوی چیست؟
و تفاوت داده کاوی با ماشین را بیان خواهیم کرد.
گفته میشود قبل از خواندن ادامه این مقاله برای دید بهتر از تحلیل داده کاوی لطفا مقاله قبلی ما را مطالعه کنید.

داده ها و علم داده ها در دنیای امرزوی


داده‌ها به میزان هوشمندی که می‌توان از آن‌ها استخراج کرد مفید و حائز اهمیت هستند و  استخراج دانش و هوشمندی از داده‌ها، مستلزم انجام تحلیل‌های موثر و قدرت پردازش کامپیوتری بالا برای مواجهه با افزایش حجم داده‌ها است.
علم داده مفهومی است که برای داده های کلان بکار برده میشود، در واقع علوم داده فعالیت‌های گوناگونی را در بر می‌گیرد و شامل پاکسازی، آماده‌سازی و تحلیل داده می‌شود و از ترکیب مباحث مختلفی به وجود آمده و بر مبانی و روش‌های موجود در حوزه‌های مختلف علمی بنا شده‌اس که شامل موارد همچون ریاضیات ، آمار ، علوم کامپیوتری، مهندسی داده و دیگر استفاده میشود. علم داده برای یکپارچه‌سازی آمار، تحلیل داده، یادگیری ماشین و دیگر مفاهیم مرتبط تحت یک عنوان واحد است.

تاریخچه


در سال ۱۹۶۰ آماردانان اصطلاح “Data Fishing” یا “Data Dredging”به معنای “صید داده” را جهت کشف هر گونه ارتباط در حجم بسیار بزرگی از داده‌ها بدون در نظر گرفتن هیچگونه پیش فرضی بکار بردند. بعد از سی سال و با انباشته شدن داده‌ها در پایگاه داده اصطلاح داده کاوی در حدود سال ۱۹۹۰ رواج بیشتری یافت. اصطلاحات دیگری نظیر “Data Archaeology”یا “Information Harvesting” یا “Information Discovery” یا”Knowledge Extraction” نیز بکار رفته‌اند.

مهارت های لازم برای تبدیل شدن به یک متخصص داده


با وجود در خواست شرکت های بزرگ دنیا در حوضه داده باید بگم هر کسی که در این دامنه علاقمند است باید در سه مهارت کلیدی از جمله : تحلیل ، برنامه نویسی و دانش دامنه مهارت لازم را داشته باشد. در قسمت پایین به صورت شکل آن را بیان خواهیم کرد.

مهارت های لازم برای تبدیل شدن به یک متخصص داده

تحلیل داده کاوی


داده‌کاوی و علم داده هر دو از واژگان باب روز در قرن ۲۱ هستند. به همین دلیل است که اغلب افراد تمایل دارند تعاریف و تفاوت‌های آن‌ها را بدانند.علم داده یک واژه مادر است که تحلیل داده، داده‌کاوی، یادگیری ماشین و چندین مبحث مرتبط دیگر را در بر می‌گیرد. تحلیل‌گر داده بینش معنادار را از چندین منبع داده استخراج می‌کند.

مهارت های لازم برای به یک متخصص تحلیل داده کاوی


 یک دانشمند داده پرسش‌ها را طرح می‌کند و تحلیل‌گر داده پاسخ‌های یک مجموعه از پرسش‌ها را فراهم می‌کند. یکی از موارد مهم در این باره ریاضیات و الگوریتم هستند که نقش اساسی در داده‌کاوی دارند.
یک تحلیل‌گر داده باید قادر به دریافت یک مساله، پرسش یا موضوع خاص، تشریح اینکه این داده‌ها چطور به نظر می‌رسند.افرادی که تمایل دارند به تحلیل‌گر داده مبدل شوند، باید چهار مهارت زیر را کسب کنند.
– دانش دامنه

-آمار و احتمالات و جبر خطی

-الگوریتم‌های داده‌کاوی و یادگیری ماشین

-یک زبان برنامه‌نویسی محاسباتی مانند R و یک زبان اسکریپت‌نویسی مانند پایتون

مقاله

یک قدم نزدیکتر به مدیریت

تمامی کسب و کارها چه از نوع سنتی و دیجیتالی نیاز به یک مدیر با تجربه و کارفرما دارد که توانای مدیریت از همه لحاظ، کسب و کار را داشته باشد.در اینجا ما چندین مورد مهم را هدف قرار داده ایم تا دنیای مبهم مدیریت را برای شما آشکار سازیم.
در این جلسه به موارد همچون:
تعریف و مفهوم مدیریت چیست ؟
داشبورد مدیریت؟
کاربرد داشبورد مدیریت؟
داده کاوی چیست و کاربرهای آن؟
وبا مواردی جزءی دیگر آشنا خواهید شد.


تعریف مدیریت

برای واژه مدیریت تعریف های گوناگونی بیان شده است و هر صاحب نظری در این مبحث تعریفی از نظر خود ارائه کرده است اما میتوان با در نظر گرفتن تمامی این نظریات یک تعریف کلی برای مدیریت بیان کرد:
مدیریت یعنی بکارگیری تمامی منابع وهدایت علم و هنر برای رسیدن به یک هدف مشخص شده مدیریت گفته میشود.

در تعریف مدیریت فوق از ترکیب علم و هنر استفاده نموده ایم چرا که معتقدم مدیریت ترکیبی از علم و هنر است که بخش علم آن همان فراگیری دانش مدیریت از طریق آموزش است و بخش هنر آن پیاده سازی این دانش در عمل می باشد. بخش هنر نیز خود نیازمند کسب تجربه عملی و هنری ذاتی است.


داشبورد مدیریتی چیست؟


براساس آمار شرکت آی بی ام (IBM) روزانه بیش از ۲.۵ کوینتیلیون بایت دیتا تولید می‌شود. در دنیایی که در این حجم عظیم از اطلاعات در حال غرق شدن است، بسیار مهم است که بتوانید تنها اطلاعاتی را که برای شما و شرکت‌تان مهم و حیاتی هستند، به دست بیاورید تا بتوانید به‌سرعت و به‌راحتی، به تصمیماتی صحیح برای پیشرفت دست یابید.

داشبورد معمولا از مجموعه ای عناصر گرافیکی تشکیل شده است و قادر به پیوستن به منابع متنوع می باشد، یعنی اطلاعات را از بانک های اطلاعاتی موجود در سازمان استخراج کرده و به صورت یکپارچه در یک صفحه، نمایش می دهد.داشبورد می تواند برای تمامی بخش های سازمان در نظر گرفته شود، مثل: منابع انسانی، استخدام، فروش، عملیات، امنیت، فناوری اطلاعات، مدیریت پروژه، مدیریت ارتباط با مشتری و غیره.
استفاده از داشبوردهای مدیریتی به عنوان راهی برای تصمیم‌گیری‌های صحیح و استراتژیک دربرابر فشارهای رقابتی، به‌طور مداوم در تمامی کسب‌وکارها، در حال رشد است. در داشبورد شما سه معیار برای ایجاد شاخص‌های کلیدی عملکرد وجود دارد. اول اینکه این شاخص‌ها باید به‌طور مستقیم با اهداف سازمان‌تان مرتبط باشند. دوم، آنها باید به‌صورت کمی و کیفی قابل اندازه‌گیری باشند و مهم‌تر از همه اینکه شاخص‌های کلیدی عملکرد باید با شاخص اندازه‌گیری رشدو موفقیت سازمان شما ارتباطی مستقیم داشته باشند.
 داشبورد مدیریتی تا حدودی شبیه داشبورد اتومبیل هستند که میزان کیلومتر طی شده، دمای آب رادیاتور، میزان بنزین باقی مانده، سرعت، وضعیت ایمنی و… را در یک پنل کوچک، جلوی چشم راننده ارائه می دهد، همچنین مدیران می توانند، میزان فروش در لحظه، میزان کار پرسنل، سود واقعی و هزینه های جاری و هر اطلاعات دیگری که در مورد شرکت خود نیاز دارند را در یک صفحه در قالب تصویر و نمودارهای مختلف مشاهده کنند.

تاریخچه داشبورد

ایده داشبورد مدیریتی بعد از مفهوم سیستم‌های پشتیبان تصمیم‌گیری در سال ۱۹۷۰ مطرح شد و در سال ۱۹۸۰ اولین داشبوردهای مدرن تحت عنوان سیستم‌های اطلاعاتی مدیریتی یا Executive Information Systems (EISs) توسعه داده شدند. با توجه به مشکلات مربوط به به‌روز رسانی داده‌ها مشخص شد که روش توسعه داشبوردها عملیاتی نیست و داده‌ها معمولا ناقص و غیر قابل اعتماد هستند و همچنین داده‌ها در قسمت‌های مختلف سازمان پراکنده هستند. بنابراین در سال ۱۹۹۰ ایده استفاده از انبار داده‌ها و online analytical processing (OLAP) مطرح شد ولی با وجود تکنولوژی‌های جدیدتر تا دهه گذشته باز هم داشبوردها محبوبیت چندانی نداشتند تا اینکه کارت‌های امتیازی متوازن و شاخص‌های کلیدی عملکرد معرفی شدند و امروز داشبوردها به یک جز حیاتی از مدیریت عملکرد تبدیل شده‌اند.

مزایای استفاده از داشبورد

داشبوردهای مدیریتی به مدیران این امکان را می‌دهند تا واحدهای مختلف سازمان خود را نظارت و پایش کنند و بتوانند کارایی کلی سازمان را به طور دقیق مشاهده کنند.

به کمک داشبورد می‌توان هر داده‌ای در هر واحدی از سازمان را در ساخت شاخص‌های کلیدی عملکرد دخیل کرد و از این طریق یک تصویر لحظه‌ای (snapshot) از کارایی سازمان را در اختیار مدیر قرار داد.

مزایای استفاده از داشبورد شامل موارد زیر است:

  • نمایش گرافیکی و بصری شاخص‌های کلیدی عملکرد
  • توانایی شناخت و تصحیح روندهای منفی
  • اندازه‌گیری کارآمدی یا ناکارآمدی
  • توانایی ساخت گزارشات با جزییات زیاد در مورد روندهای جدید
  • توانایی اتخاذ تصمیم‌های آگاهانه براساس اطلاعات مربوط به هوش تجاری.
  • تطبیق اهداف و استراتژی شرکت با وضعیت جاری
  • صرفه‌ جویی در زمان در مقایسه با بررسی گزارش‌های مجزا
  • دسترسی دائمی به تمام سیستم‌های سازمان
  • شناسایی سریع داده‌های غیر معمول یا داده‌های همبسته.

تعیین کیفیت داشبوردها

چهار معیار مهم برای تعیین خوب بودن یک داشبورد وجود دارد:

  • سادگی و ارتباط ساده با کاربر
  • حداقل ابهام
  • پشتیبانی از کسب و کار با داده‌های مهم و درست
  • نمایش گرافیکی اطلاعات مطابق با ادراک انسانی

داده کاوی چیست؟


داده کاوی چیست؟ چه کاربردهایی دارد و روش اجرای آن چگونه است؟! «داده کاوی» ترجمه ی عبارت «Data Mining» و به معنای «کاویدن معادن داده» است. داده کاوی یعنی استخراج اطلاعات گرانبها از حجم عظیم معادن داده! کلمه ی Mining در معنای تحت الفظی خود یعنی «استخراج از معدن» بکار می رود و در واقع عبارت Data Mining نشان می دهد که حجم انبوه اطلاعات مانند یک معدن عمل می کند و از ظاهر آن مشخص نیست چه عناصر گرانبهایی در عمق این معدن وجود دارد. تنها با کند و کاو و استخراج این معدن است که می توان به آن عناصر گرانبها دست پیدا کرد.

تاریخچه داده‌کاوی

در سال ۱۹۶۰، کارشناسان آمار از اصطلاحات «صید داده» (Data Fishing) و «لایروبی داده» (Data Dredging) برای ارجاع به فعالیت‌های «تحلیل داده» (Data Analytics) استفاده می‌کردند. اصطلاح «داده‌کاوی» در حدود سال ۱۹۹۰ در جامعه پایگاه‌داده مورد استفاده قرار گرفت و به محبوبیت قابل توجهی دست پیدا کرد. عنوان مناسب‌تر برای فرآیند داده‌کاوی، «کشف دانش از داده» (Knowledge Discovery From Data) است.

در حال حاضر، یادگیری آماری، «تحلیل داده» و «علم داده» (Data Science) از دیگر عباراتی هستند که با معنای مشابه داده‌کاوی مورد استفاده قرار می‌گیرند، حال آنکه گاه تفاوت‌های ظریفی میان این موارد وجود دارد. برای آشنایی با این تفاوت‌ها، مطالعه مطلب «علم داده، تحلیل داده، داده‌کاوی و یادگیری ماشین ــ تفاوت‌ها و شباهت‌ها» توصیه می‌شود. همچنین، برای مطالعه همراه با جزئیات بیشتر پیرامون تاریخچه داده‌کاوی، مطلب «داده‌کاوی چیست؟ بخش اول: مبانی» پیشنهاد می‌شود.

کاربرد های داده کاوی چیست؟

داده کاوی در قلب تلاش های تحلیلی در صنایع مختلف و رشته ها قرار دارد لذا کاربرد های داده کاوی را در زیر مورد بررسی قرار داده ایم.

ارتباطات

در یک بازار پربار که رقابت تنگ است، پاسخ اغلب در اطلاعات مصرف کننده شماست. شرکت های چند رسانه ای و ارتباطات از راه دور می توانند از مدل های تحلیلی برای شناسایی کوه ها از اطلاعات مشتریان استفاده کنند، به آنها کمک می کند تا رفتار مشتری را پیش بینی کنند و کمپین های بسیار هدفمند و مناسب را ارائه دهند.

بیمه

شرکت های بیمه با استفاده از تکنیک های تحلیلی می توانند مشکلات پیچیده ای را در رابطه با تقلب، انطباق، مدیریت ریسک و سقوط مشتری حل کنند. شرکت ها از تکنیک های داده کاوی به قیمت محصولات به طور موثر در خطوط کسب و کار استفاده کرده اند و روش های جدیدی برای ارائه محصولات رقابتی به مشتریان موجود خود دارند.

تحصیلات

با یکپارچه، دیدگاه های داده شده بر پیشرفت دانش آموزان، معلمان می توانند قبل از اینکه پای درس در کلاس درس را پیش ببرند، پیش بینی می کنند و راهبردهای مداخله ای برای نگه داشتن آنها در مسیر فراهم می کنند. داده کاوی به آموزگاران کمک می کند تا داده های دانش آموزان را در دسترس داشته باشند، پیش بینی سطوح دستاورد و دانش آموزان یا گروه هایی که نیاز به توجه بیشتری دارند، به طور دقیق مشخص شود.

ساخت

هماهنگ کردن برنامه های عرضه با پیش بینی های تقاضا ضروری است، همانطور که تشخیص زودهنگام مشکلات، تضمین کیفیت و سرمایه گذاری در ارزش سهام برند است. تولید کنندگان می توانند از دارایی های تولیدی پیش بینی کنند و پیش بینی های تعمیر و نگهداری را انجام دهند، که می تواند به حداکثر رساندن زمان آماده سازی و خط تولید را به موقع حفظ کند.

بانکداری

الگوریتم های خودکار کمک به بانک ها در درک مشتریان خود و همچنین میلیاردها معاملات در قلب سیستم مالی. داده کاوی به شرکت های خدمات مالی کمک می کند تا دیدگاه های بهتر در مورد خطرات بازار، سریعتر تشخیص تقلب، مدیریت تعهدات قانونی و بازده مطلوب سرمایه گذاری های بازاریابی خود را دریافت کنند.

خرده فروشی

یکی دیگر از کاربرد های داده کاوی بانک اطلاعاتی مشتریان مشتری بینش پنهانی مشتری را که می تواند به شما در بهبود روابط، بهینه سازی کمپین های بازاریابی و پیش بینی فروش کمک کند. از طریق مدل های دقیق تر داده ها، شرکت های خرده فروشی می توانند اقدامات هدفمندتری ارائه دهند و پیشنهاداتی را که بیشترین تاثیر را بر مشتری می گذارد، پیدا کنید.

تا اینجا مقدمه ای در مورد مدیریت و داده کاوی چگونه هستش را بررسی کرده ایم، حال برای درک بیشتر داده کاوی روی علم داده و تحلیل داده کاوی کلیک کنید تا دنیای مدیریت را برای شما بیشتر آشکار کنیم.

مقاله

Data Mining(داده کاوی)

تعریف Data Mining(داده کاوی)

در دو دهه قبل توانايي‌های فنی بشر در برای توليد و جمع آوری داده‌ها به سرعت افزايش يافته است. عواملی نظير استفاده گسترده از بارکد برای توليدات تجاری، به خدمت گرفتن کامپيوتر در کسب و کار، علوم، خدمات دولتی و پيشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاوير تا سيستمهای سنجش از دور ماهواره ای، در اين تغييرات نقش مهمی دارند.

به‌طور کلی استفاده همگانی از وب و اينترنت به عنوان يک سيستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. اين رشد انفجاری در داده‌های ذخيره شده، نياز مبرم وجود تکنولوژی های جديد و ابزارهای خودکاری را ايجاد کرده که به صورت هوشمند به انسان ياری رسانند تا اين حجم زياد داده را به اطلاعات و دانش تبديل کند: داده کاوی به عنوان يک راه حل برای اين مسائل مطرح است.

در يک تعريف غير رسمی داده کاوی فرآيندی است، خودکار برای استخراج الگوهايی که دانش را بازنمايی مي کنند، که اين دانش به صورت ضمنی در پايگاه داده های عظيم، انباره داده (Data warehouses) و ديگر مخازن بزرگ اطلاعات، ذخيره شده است.

واژه های «داده کاوی» و «کشف دانش در پایگاه داده» (Knowledge Discovery in Database) اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند. کشف دانش به عنوان يک فرآيند در شکل 1-1 نشان داده شده است. 

داده‌کاوی چیست؟
شکل1: داده کاوی به عنوان يک مرحله از فرآيند کشف دانش

به بیان ساده‌تر، داده کاوی به فرآیند استخراج دانش ناشناخته، درست، و بالقوه مفید از داده اطلاق می‌شود. تعریف دیگر این است که، داده کاوی گونه‌ای از تکنیک‌ها برای شناسایی اطلاعات و یا دانش تصمیم گیری از قطعات داده است، به نحوی که با استخراج آن‌ها، در حوزه‌های تصمیم‌گیری، پیش‌بینی، پیشگویی، و تخمین مورد استفاده قرار گیرند.

مقاله

از گزارش های مدیریتی طولانی تا داشبوردهای مدیریتی مفید و خلاصه

گزارش های خسته کننده، با تعداد برگهای زیاد، که عموماً زمان و انرژی زیادی از تهیه کننده و خواننده گزارش میگیرد را به یاد بیاورید. این گزارش ها، عموماً یا به شکل دقیق نوشته نمی شوند و یا به صورت نادقیق خوانده می شوند. گزارش هایی که عموماً به خاطر متن های طولانی، بیشتر در قفسه ها، نگهداری می شوند، و معمولاً کسی به سراغ آن ها نمیرود. این در حالی است که گزارش دادن و گزارش گرفتن را نمیتوان از یک سازمان حذف کرد.

با پیشرفت علم و شروع نسل سوم هوش تجاری، آرام آرام، گزارش های طولانی، جای خود را به گزارش های خلاصه به صورت عدد و رقم و نمودار می دهند. این گزارش ها، همیشه به همراه اطلاعات تکمیلی و یا دانش خواننده گزارش، میتواند روند جاری سازمان یا اداره را به مدیران یا کارشناسان عرضه کند. همچنین این سیستم ها، که به نوعی به سیستم های پشتیبانی از تصمیم نیز معروف هستند، اگر درست استفاده شوند، میتوانند تاثیر به سزایی در بهره وری یک سازمان داشته باشند. همچنین جلوگیری از نشر اطلاعات غلط و به طبع آن جلوگیری تصمیمات غلط نیز، از جمله فواید استفاده از این نوع گزارش ها می باشند. گزارش هایی که عموماً با استفاده از داشبوردهای مدیریتی عرضه می شوند.

داشبوردهای مدیریتی را شاید بتوان یکی از نرم افزارهای حساس در یک سازمان معرفی کرد. زیرا ممکن است یک گزارش نادقیق در یک سازمان،‌ به یک تصمیم غلط منجر شود. این در حالی است که تصمیم گیران یک سازمان،‌ احتمالاً نتایج تصمیمات خود را چند ماه یا حتی چند سال بعد میگیرند. تصمیمات غلط که بر اساس داده های غلط به دست می آیند، احتمالاً همیشه میتوانند مشکل ساز باشند.

مورد گفته شده در بالا و موارده دیگری از این جنس، لزوم یک نرم افزار داشبورد مدیریتی کامل به همراه یک تیم پشتیبان، جهت نصب، استقرار، پشتیبانی و مشاوره و آموزش طراحی KPIهای یک سازمان را نشان می دهد. KPI ها در یک سازمان و تبدیل شاخص ها، نیاز به یک مشاور قدرتمند و باتجربه دارد که هم از سازمان اطلاعات دقیقی داشته باشد و هم توانایی ارتبا با داشبورد های مدیریتی را داشته باشد.

داشبورد مدیریتی نگاه، که توسط مهندسان ایرانی، به صورت بومی نوشته شده است، با پیاده سازی موفق موارد متعدد در سازمان های مختلف، نقاط قوت خود را بهینه کرده و نقاط ضعف خود را نیز کاهش داده است تا به صورت کارا، بتواند با کمترین خطای ممکن، داده های سازمان را در لحظه به مدیران و کارشناسان سازمان، نمایش دهد. همچنین طراحی و مشاوره در زمینه شاخص ها و KPIها، از دیگر توانایی های نگاره در حوزه هوش تجاری و نمایش داده ها می باشد.

مقاله

مثال کاربردی داشبورد مدیریتی در صنایع تولیدی(بخش اول)

داشبورد های مدیریت(Managment dashboards)، در طیف وسیعی از صنایع کاربرد دارند. در این مقاله،‌ به بررسی کاربرد داشبورد مدیریت در یک کارخانه تولیدی می پردازیم. این کارخانه، میخواهد میزان فروش محصولات خود را به مشتریان و خریدارها، در یک بازه زمانی خاص، همواره مورد رصد قرار دهد.

فرض کنید، یک مدیر عالی، میخواهد، به صورت برخط، فروش خود را به تفکیک، سال، ماه، روز، به افراد و خریدارهای دیگر ببیند. روند رشد یا نزول فروش به یک خریدار را بررسی کند و تصمیم هایی جهت آینده اتخاذ کند.

در مدل سنتی، گزارش های مختلف سالیانه(در بهترین حالت با نرم افزارهای مختلف)، جمع آوری و پرینت می شد و مدیر، با مقایسه برگه های مختلف، میتوانست مقایسه ای برای فروش در روزهای مختلف را داشته باشد. برای مثال، یک مدیر میخواست، کلیه ی فروش های نیمه اول اسفند سال جاری را با کلیه فروش های نیمه اول اسفند سال های گذشته مقایسه کند. احتمالاً چندین ساعت صرف تولید این گزارش از بین نرم افزارهای مختلف سازمان می شد، این در صورتی بود که، اگر مدیر نیمه دوم اسفند را هم در همان لحظه می خواست مقایسه کند، دو مرتبه، می بایستی یک سری گزارش جدید تهیه شود.

در فرآیند های جدید، با استفاده از داشبورد مدیریتی، این کار با چند کلیک ساده امکان پذیر است. داشبورد، داده ها را از منابع مختلف سازمان(سیستم CRM، سیستم حسابداری، سیستم BPMS و…) جمع آوری کرده و با استفاده از پرس و جوهای مختلف، در نهایت یک نمودار(در اینجا Barchart) به مدیریت سازمان تحویل می دهد. مدیر سازمان نیز، با فیلتر کردن یک بازه زمانی خاص(مثلا نیمه اول اسفند) در سال های مختلف، میتواند میزان فروش را در این بازه زمانی مشاهده کند. همچنین با قابلیت Drill Down و Roll Up، به راحتی میتواند، جزئیات خریدارها(کسانی که در نیمه اول اسفند خرید کرده اند) را به همراه روزهای مختلفی که آن ها خرید کرده اند را مشاهده کند. مقایسه ای تحلیلی که فرآیند تصمیم گیری را بسیار ساده و امکان پذیر می کند.

داشبورد مدیریتی تحت وب، نیز این امکان را به مدیر میدهد که در هر کجا، که دسترسی به اینترنت و وب دارد،‌با هر وسیله ای(مانند تبلت یا گوشی هوشمند)، این نمودارها و گزارشات آنلاین را در لحظه مشاهده کرده و تصمیم گیری های لازم را انجام دهد.

مقاله

داشبورد مدیریت و کاربرد آن در صنعت بیمه(بخش اول، شناسایی مشتریان متقلب)

صنعت بیمه، یکی از صنایع مهم، در هر کشوری به شمار میرود. این صنعت، به خاطر گردش مالی عظیم و فرآیندهای بزرگ و پیچیده ای که دارد، نیاز هر چه بیشتر به مهندسی فرآیند ها و نظارت بر عملکرد سیستم خود را دارد. در این مقاله، قصد داریم، با ارائه یک مثال کاربردی در این صنعت، نقش هوش تجاری را در فرآیند های بیمه، به صورت دقیق تر مورد بررسی قرار دهیم.

فرض کنید، یک شرکت بیمه، قصد دارد، سیستم تقلب مشتریان خود را به صورت خودکار، توسط سیستم انجام دهد. حتماً میدانید که بعضی از مشتریان بیمه، به صورت عمدی، اعمالی را مرتکب می شوند، تا خسارت به آن ها تعلق بگیرد. این در حالی است، که اکثر مشتریان بیمه، اعمال سالم و غیرمتقلبانه ای انجام میدهند و پیدا کردن چند نفر از میان هزاران نفر، کاری پیچیده و وقت گیر است.

با استفاده از یک سیستم هوشمند تشخیص تقلب، که توسط الگوریتم های داده کاوی و هوش مصنوعی پیاده سازی شده باشد، میتوان احتمال تقلب یک مشتری را، با توجه به رفتارهای مختلف آن مشتری شناسایی کرد. حتی اگر، مشتریان متقلب بسیار کمتر از مشتریان، با رفتار های سالم باشند. به این دسته از مسائل، در داده کاوی، به اصطلاح، Unbalanced گفته می شود. مدل ارائه شده، مدل 4مرحله ای می باشد(که البته یک مدل ساده برای روشن شدن بحث، به دور از پیچیدگی های مختلف) است.

برای حل این مشکل، در ابتدا(فاز 1)، میبایستی رفتار ها و ویژگی ها(Features) یک مشتری، که میتوانیم به دست بیاوریم را جمع آوری کنیم. برای مثال، سن مشتری، درآمد ماهیانه مشتری، مدت زمان شروع بیمه،تعداد فرزندان و… . هر کدام از این ویژگی ها، میتواند یک ویژگی اساسی در سیستم، جهت تشخیص تقلب باشد. البته که تمام این ویژگی ها، در ترکیب با یکدیگر، میبایستی بررسی شوند.

در فاز 2، می بایستی از میان انبوه مشتریان گذشته، مشتریانی که تقلب کرده اند را مشخص کنیم. برای مثال، از بین 100هزار مشتری، حدوده 500 تا 1000 نفری که تقلب انجام داده اند و تفلب آن ها اثبات شده است را برچسب “متقلب” و بقیه را برچسب “سالم” بزنیم. البته که این کار، بایستی از میان داده های گذشته، انجام شود. داده هایی که ممکن است در طول چندین سال جمع آوری شده باشد و شرکت بیمه، با روش های غیر خودکار، مشتریان متقلب را شناسایی کرده باشد.

در فاز 3، به سراغ الگوریتم های یادگیری ماشین میرویم. الگوریتم های طبقه بندی(Classification)، برای این کار ضروری به نظر میرسند. الگوریتم های مختلف، مانند SVM، ANN، C4.5، RandomForest و… وجود دارند، که میتوانند عملیات طبقه بندی(یعنی جداسازی مشتریان متقلب از مشتریان سالم) را، بر طبق داده های آموزشی(داده هایی که خوده شرکت بیمه، در فاز 2، برچسب زده است) انجام دهد. در واقع الگوریتم در اینجا، میتواند این مسئله را یادبگیرد، که کدام مشتری(با توجه به ویژگی ها)، مشتری متقلب است.

به این صورت که، مشتریان جدید(مشتریانی که جدیداً فرآیند دریافت خسارت را طی کرده اند) را به الگوریتمی که یاد گرفته است، میدهیم، و در نهایت، این الگوریتم یک عدد بین 0 تا 100 که احتمال متقلب بودن همین مشتری است را به ما برمیگرداند. البته در اینجا میتوان از فرآیند های Regression نیز استفاده کرد. به این صورت که احتمال متقلب بودن یک مشتری را مشخص کنیم، و در نهایت(فاز 4)، مشتری ای که مثلا به احتمال 80درصد به بالا، احتمال تقلب را دارد، به عنوان مشتری مشکوک شناسایی کنیم. در اینجاست که به وسیله یک داشبورد مدیریت و یک سیستم آلارم، میتوان مدیران یک شرکت بیمه ای را در لحظه، از وجود یک مشتری مشکوک به تقلب، آگاه کرد. این کار به آسانی به وسیله داشبورد مدیریت انجام می شود، و یک مدیر یا یک کارشناس، لازم نیست، هر روز یا هر ساعت، فرآیند های مختلف را، جهت شناسایی مشتری متقلب، تکرار کند.

مقاله

مثال کاربردی داشبورد مدیریت در صنایع تولیدی(بخش دوم)

در قسمت قبل، یک مثال از جمع آوری داده ها و نمایش و کار با آنها، در قالب داشبوردهای مدیریتی، را شرح دادیم. در این مقاله، یکی از کاربردهای داشبورد مدیریت، برای صنایع تولیدی را مثال میزنیم. این کاربرد که به هشدار(Alert) معروف است، یکی از کاربردی ترین ویژگی ها، در حوزه اطلاعات در داشبوردهای مدیریتی به شمار میرود.

فرض کنید، شما یکی از مدیران یک شرکت تولیدی بزرگ هستید. مسلماً به دلیل شلوغی بیش از اندازه، و کارهای مختلفی که باید انجام دهید، نمیتوانید هر روز، قسمت های مختلف داشبورد خود را کنترل نمایید. از طرفی، فرض کنید، که شما، مشتریانی دارید و انتظار شما این است که مجموع خرید هر مشتری در هر فصل، یک میزان مشخصی از تولید در آن فصل باشد. مثلاً، در فصل زمستان، 250کیلوگرم از محصول A، تولید کرده اید. به تجربه، دریافته اید که از بین 5 مشتری اصلی شما، هر کدام، میبایستی در فصل زمستان، مجموعاً حداقل 40کیلوگرم از محصولتان را خریداری کرده باشند(نزدیک به 15درصد از تولید). اگر مشتری ای در هر فصل، مجموع خریدش از این درصد کمتر شده، احتمالاً مشکلی برای این مشتری به وجود آمده است.

در این شرایط، با استفاده از سیستم هشدار، در داشبوردهای مدیریتی، میتوانید، این حدآستانه ها را در لحظه کنترل کنید. برای مثال بالا، داشبورد مدیریتی، هر دقیقه، این موضوع را کنترل می کند، که آیا مجموع خرید یک مشتری، در فصلی که گذشته، از حد آستانه پایین گذشته است یا خیر؟ در صورتیکه چنین اتفاقی بیوفتد، سیستم، از طریق پیام کوتاه، یا ایمیل یا هر وسیله ی دیگری، میتواند مدیر مربوطه را مطلع کند.

برای هشدار، لازم است که یک حدآستانه مشخص کنید. این حد آستانه میتواند تابع شرایط باشد. برای مثال، میخواهید که اگر روند خرید مشتری، در طی 10خرید آخر این مشتری، یک تابع به صورت نزولی بود، مدیر قسمت مربوطه را با یک هشدار مطلع سازد. یا اینکه اگر تولید یک بخش از کارخانه، در طی 30روز متوالی، با انحراف استاندارد بیش از 5عدد، تغییر کرد، مدیر یا کارشناس بخش تولید، با یک هشدار، از این موضوع با خبر شود.

مقاله

داشبورد مدیریت و کاربر آن در صنعت بیمه(پیش بینی ریزش مشتری)

در بخش اول این مقاله، در مورد کاربرد تشخیص تقلب در بین مشتریان صنعت بیمه بحث کردیم. در این مقاله سعی داریم یکی دیگر از کاربردهای داشبورد مدیریتی را در صنعت بیمه بررسی کنیم که پیش بینی ریزش مشتری نام دارد. به طور خلاصه، فرآیندی که بتواند پیش بینی کند که آیا یک مشتری فعلی سیستم، میخواهد در یک بازه ی زمانی معین از سیستم جدا شود(ریزش کند) را فرآیند پیش بینی ریزش مشتری میگویند.

فرض کنید، شرکت بیمه ای محصولی به نام بیمه عمر دارد که تعداد ۱۰۰۰۰مشتری هر ماه، مبلغی را بابت بیمه عمر، به حساب شرکت بیمه واریز میکنند. برخی از این مشتری ها، در سررسید مشخص ماهیانه، به جای اینکه واریز خود را انجام دهند، درخواست تسویه حساب میکنند و در واقع دیگر مشتری بیمه عمر نیستند. اگر سیستمی وجود داشته باشد که بتواند، این رفتار کاربر را قبل از موعد مشخص پیش بینی کند، میتوان با اقدامات پیشگیرانه(برای مثال تخفیف های خاص برای افراد)، فردی که میخواهد از سیستم ریزش کند را، در سیستم نگه داشت.(Customer Retention)

برای این کار میبایستی از فرآیندها و راهکارهای داده کاوی استفاده کرد. میتوان مسئله را به صورت مسئله طبقه بندی(Classification) در نظر گرفت. به این صورت که تعداد زیادی مشتری(همراه با ویژگی های آن مشتری) به الگوریتم داده می شود و الگوریتم طبقه بند، الگوها را کشف می کند و یاد میگیرد. سپس الگوریتم با مشاهده ویژگی های مشتری جدید، میتواند پیش بینی کند که آیا این مشتری در سررسید ماه بعدی، ریزش خواهد کرد یا خیر؟

ویژگی های یک مشتری(که به الگوریتم طبقه بند داده می شود)، میتواند آیتم های مختلفی باشد. برای مثال، این مشتری کارمند است یا کسب کار خودش را دارد؟ این مشتری، چند فرزند دارد؟ مقطع تحصیلی این مشتری چیست؟ میانگین پرداختی سه ماه اخیر این مشتری چقدر بوده است؟ و… . با تکنیک های مهندسی ویژگی(Feature Engineering) میتوان ویژگی های دیگر ارزشمندی را پیدا کرد که به فرآیند پیش بینی کمک کند.

همچنین بیان این نکته خالی از لطف نیست که این مسئله را میتوان به صورت مسئله سری زمانی(Time Series) مشاهده کرد. به این صورت که مبالغ پرداختی، یا دیرکردهای مشتری ها را بر روی محور زمان بررسی کرد، و در نهایت پیش بینی کرد که این مشتری در آخرین سری زمانی(سر رسید ماه بعدی)، ریزش خواهد کرد یا خیر؟ البته مسائل سری زمانی پیچیده گی های خاص خود را دارند.

در نهایت نیز با استفاده از مصور سازی(Visualization) در داشبورد مدیریت، مشتریانی که احتمال ریزش آن ها زیاد است را به کاربر مربوط نمایش می دهیم(و یا با استفاده از سرویس Notification به متصدی بیمه، هشدار میدهیم). با این کار میتوان از ریزش مشتریان مختلف قبل از سررسید آن ها مطلع شد و اقدامات پیش گیرانه را نیز انجام داد.

مقاله

چه کسانی میتوانند از داشبورد مدیریتی استفاده کنند؟

بر خلاف نظر بسیاری از کارشناسان حوزه هوش تجاری، که داشبوردهای مدیریتی را ابزاری جهت استفاده مدیران و افراد رده ی بالای سازمان میدانند، این داشبوردها، کاربرد بسیار زیادی جهت افراد، در رده های مختلف سازمان دارند. در این مقاله سعی داریم، به کاربرد داشبوردهای مدیریت، برای افراد مختلف سازمان، بپردازیم.

در زیر ۵گروه افرادی که میتوانند از داشبورد های مدیریتی استفاده کنند آورده شده اند.

۱. اعضای هیئت مدیره شرکت:

اعضای هیئت مدیره، عموماً افرادی هستند که به خاطر مشغله کاری، شاید توانایی حضور زیاد در شرکت را نداشته باشند. داشبوردهای مدیرتی، میتوانند گزارش های سطح بالای شرکت(مانند میانگین فروش ماهانه، نمودار مقایسه فروش گروه کالاها، نمودار سود کلی شرکت و…) را به صورت آنلاین به اعضا نمایش دهند.

۲. مدیر ارشد اجرایی یا مدیریت عامل:

مدیریت عامل، معمولاً پر مشغله ترین عضو یک شرکت است. این فرد به خاطر ترکیب کارها و انواع وظایفی که بر عهده دارد، معمولاً نمیتواند به صورت جزئی، از گزارش های کارشناسان و کارمندان مطلع شود. برای مدیریت عامل یک شرکت، داشبورد مدیریتی میتواند راه کاری ساده و در عین حال پر سود باشد. گزارش های سطح بالا و متوسط(مانند میانگین فروش هفتگی، نمودار مقایسه مشتریان شرکت، مقایسه زمان کاری کارمندان و مدیران میانی و…) میتواند جزو گزارش هایی باشد که یک مدیر عامل، به صورت بر خط توسط داشبوردهای مدیریتی، مشاهده می کند.

۳. مدیران میانی و کارشناسان خبره:

مدیران میانی و کارشناسان ارشد و خبره سازمان، نیاز به داشتن گزارش های عملکردی دقیق تر با جزئیات بیشتر، مربوط به واحد خود دارند. مثلا مدیر ارشد بازاریابی یک سازمان، احتمالاً نیاز به دانستن فروش هر یک از کارمندان و کارشناسان فروش در مجموعه خود دارد. یا یک مدیر فنی، نیاز به دانستن مقدار ساعت کاری و مقایسه ساعات کاری کارشناسان واحد خود دارد.

۴. کارشناسان و کارمندان سازمان

مسلما کارشناسان و کارمندان یک سازمان نیز، از گزارش گرفتن لذت میبرند. افراد هنگامی که به آن ها گزارش های مختلف، در حوزه ی کاری آن ها داده شود، بازدهی بهتری دارند. برای مثال، کارمندان واحد بازاریابی یک سازمان نیز، میتوانند از مقدار فروش خود، و یا نسبت مقدار فروش ماهانه خود، از کل فروش واحد بازاریابی مطلع شوند. این کار انگیزه و حس رقابتی مثبت کارمندان را احتمالا بیشتر کرده و در نهایت به خروجی بهتر واحد بازاریابی منجر می شود.

مقاله

کاربرد داشبورد مدیریت در پیش بینی خرید سهام بورس

در تحلیل بازار بورس، عوامل مختلفی تاثیر گذار هستند. این عوامل میتوانند آنقدر زیاد باشند که از حوزه تحلیل بسیاری از افراد جامعه فراتر روند، به گونه ای که افراد مختلف تحلیل گر در حوزه بورس، در بسیاری از مواقع، بدون توجه به عوامل زیاد مختلف تاثیر گذار بر افزایش یا کاهش یک سهم، تنها چند عامل اصلی را در هنگام تحلیل در نظر میگیرند.

در حوزه تحلیل سهام بورس، که از نگاه تحلیل گران علوم داده، بیشتر به پیش بینی افزایش/کاهش سهام یک شرکت شناخته می شود، ابعاد(عوامل) مختلفی میتوانند تاثیر گذار باشند. برای مثال، سابقه کاهش های متوالی یک سهم، یا افزایش های پی در پی آن(که در یک سری زمانی مورد بحث قرار میگیرند)، یا برای مثال تاثیرات قیمت نفت بر یک سهام خاص، یا تاثیرات قیمت طلا بر یک سهم خاص از یک شرکت. تمامی این موارد(به همراه بسیاری از موارد دیگر)، وجود دارند که به راحتی میتوانند سهم به سزایی در پیش بینی خرید یا فروش یک سهم داشته باشند.

به خاطر وجود عوامل مختلف و متعدد(ابعاد مختلف) در مسئله پیش بینی افزایش/کاهش سهام یک شرکت، برای حل این مسئله میتوان از الگوریتم های یادگیری ماشین و داده کاوی استفاده کرد. با استفاده از روش های مختلف پیش بینی(Regression) مانند: SVM Regression, Neural Networks, RandomForest Regression و… میتوان تغییرات سهام یک شرکت را با دقت خوبی پیش بینی کرد.

البته گفتیم که عوامل مختلفی در افزایش/کاهش یک سهم نقش دارند. برای همین تمامی این ابعاد در یک سری زمانی مشخص، بایستی به الگوریتم یادیگری ماشین داده شود تا این الگوریتم بتواند به یادگیری الگو ها(Patterns) در ابعاد مختلف این مسئله بپردازد. برای این کار، میتوان سهام یک شرکت خاص(همراه ویژگی های آن شرکت) را به همراه عوامل مختلف تاثیر گذار بر افزایش/کاهش سهام(مثلا قیمت طلا، قیمت نفت، قیمت آپارتمان و…) به صورت یک سری زمانی(یعنی در یک زمان مشخص، مثلا با وجود افزایش قیمت نفت به اندازه x و افزایش قیمت طلا به اندازه y، سهام این شرکت افزایش داشته یا کاهش) به الگوریتم یادگیرنده ماشین داد، و الگوریتم از این به بعد، میتواند با مشاهده افزایش یا کاهش عوامل موجود(مثلا قیمت نفت یا طلا یا…)، افزایش یا کاهش سهام مورد نظر را پیش بینی کند.

این الگوریتم ها و نتایج آن ها می توانند همراه با یک داشبورد مدیریتی ترکیب شوند. این ترکیب میتواند در لایه نمایش صورت بگیرید به این صورت که سهام شرکت ها و پیش بینی آن ها توسط الگوریتم را بر روی نمودار های مختلف به مدیر کسب و کار(یا کسی که میخواهد سهام بخرد یا بفروشد) نمایش دهد. با این کار ما یک سیستم پشتیبانی از تصمیم(Decision Making System) داریم که میتواند کمک یار مدیران یا کارشناسان، جهت خرید و فروش به موقع یک سهم باشد.

1 2
Privacy Settings
We use cookies to enhance your experience while using our website. If you are using our Services via a browser you can restrict, block or remove cookies through your web browser settings. We also use content and scripts from third parties that may use tracking technologies. You can selectively provide your consent below to allow such third party embeds. For complete information about the cookies we use, data we collect and how we process them, please check our Privacy Policy
Youtube
Consent to display content from Youtube
Vimeo
Consent to display content from Vimeo
Google Maps
Consent to display content from Google
Spotify
Consent to display content from Spotify
Sound Cloud
Consent to display content from Sound