تجزیه و تحلیل

از ویکی‌پدیا، دانشنامهٔ آزاد

Analytics تجزیه و تحلیل محاسباتی سیستماتیک داده ها یا آمار است[۱] که برای کشف، تفسیر و بررسی ارتباط الگوهای معنی دار در داده ها استفاده می شود. Analytics همچنین مستلزم استفاده از الگوهای داده محور برای تصمیم گیری موثر است. این می تواند در مناطق غنی از اطلاعات ثبت شده ارزشمند باشد. Analytics به کاربرد همزمان آمار، برنامه نویسی رایانه ای و تحقیقات در عملیات برای بررسی عملکرد کمی متکی است.

ممکن است سازمان ها برای توصیف، پیش بینی و بهبود عملکرد تجاری، از داده های تجاری Analytics استفاده کنند. به طور خاص، زمینه های Analytics شامل تجزیه و تحلیل پیش بینی، تجزیه و تحلیل توصیفی، مدیریت تصمیم گیری شرکتی، تجزیه و تحلیل شناختی، تجزیه و تحلیل داده های بزرگ، تجزیه و تحلیل خرده فروشی، تجزیه و تحلیل زنجیره تامین، ذخیره سازی داده و بهینه سازی واحد ذخیره سهام، بهینه سازی بازاریابی و مدل سازی آمیخته بازاریابی، تجزیه و تحلیل وب، تجزیه و تحلیل تماس، تجزیه و تحلیل گفتار، اندازه گیری و بهینه سازی نیروی فروش، مدل قیمت گذاری و تبلیغات، علم پیش بینی، تجزیه و تحلیل نمودار، تجزیه و تحلیل ریسک اعتبار، و تجزیه و تحلیل تقلب باشد. از آنجا که Analytics می‌تواند به محاسبات گسترده ای نیاز داشته باشد (به داده های بزرگ مراجعه کنید)، الگوریتم ها و نرم افزارهای مورد استفاده برای Analytics از جدیدترین روش‌های علوم کامپیوتر، آمار و ریاضیات استفاده می کنند. [۲]

تحلیل ترافیک خود ویکی پدیای انگلیسی

تجزیه و تحلیل در مقابل تجزیه و تحلیل[ویرایش]

تجزیه و تحلیل بر درک گذشته متمرکز است (این که چه اتفاقی افتاد و چرا این اتفاق افتاد). Analytics بر روی اینکه چرا این اتفاق افتاده و در آینده چه اتفاقی می‌افتد، تمرکز دارد.[۳]

تجزیه و تحلیل داده‌ها یک زمینه چند رشته‌ای است. استفاده گسترده از مهارت‌های رایانه‌ای، ریاضیات، آمار، استفاده از تکنیک های توصیفی و مدل‌های پیش بینی برای به دست آوردن دانش ارزشمند از داده‌ها از طریق تجزیه و تحلیل مد نظر می‌باشد. بررسی داده‌ها برای ارائه پیشنهاد یا هدایت تصمیم گیری ریشه در زمینه تجارت استفاده می‌شود. بنابراین، Analytics چندان مربوط به تجزیه و تحلیل‌های فردی یا مراحل تجزیه و تحلیل نیست، بلکه کل روش را در نظر می‌گیرد. تمایل مشخصی به استفاده از اصطلاح تجزیه و تحلیل در تنظیمات تجاری وجود دارد. تجزیه و تحلیل متن در مقابل متن کاوی اصطلاحی عمومی تر برای تأکید بر این دیدگاه گسترده تر می‌باشد. استفاده از اصطلاح تجزیه و تحلیل پیشرفته، به طور معمول برای توصیف جنبه‌های فنی تجزیه و تحلیل استفاده می‌شود. به ویژه در زمینه های نوظهور مانند استفاده از تکنیک‌های یادگیری ماشینی مانند شبکه‌های عصبی، درخت تصمیم، رگرسیون لجستیک، تحلیل رگرسیون خطی تا چندگانه، طبقه بندی برای انجام مدل سازی پیش بینی انجام می‌شود.[۴] این همچنین شامل تکنیک‌های یادگیری ماشینی بدون نظارت مانند تجزیه و تحلیل خوشه‌ای، تجزیه و تحلیل مولفه‌های اصلی، تجزیه و تحلیل مشخصات تقسیم بندی و تجزیه و تحلیل ارتباطی می‌باشد. [ نیاز به منبع ][ <span title="The material near this tag may use weasel words or too-vague attribution.<nowiki/> (March 2018)">به گفته چه کسی؟

برنامه های کاربردی[ویرایش]

بهینه سازی بازاریابی[ویرایش]

بازاریابی اخیرا از یک فرآیند خلاق به یک فرآیند بسیار داده محور تبدیل شده است. سازمان های بازاریابی از تجزیه و تحلیل برای تعیین نتایج کمپین ها یا تلاش ها و هدایت تصمیمات برای سرمایه گذاری و هدف گذاری مصرف کننده استفاده می کنند. مطالعات دموگرافیک، تقسیم بندی مشتری، تجزیه و تحلیل اتصال و سایر تکنیک ها به بازاریابان اجازه می دهد تا از اطلاعات در مورد خرید مصرف کننده، نظرسنجی و داده های مختلف برای درک و برقراری ارتباط با استراتژی بازاریابی استفاده کنند.

تجزیه و تحلیل بازاریابی شامل داده های کیفی و کمی، ساختار یافته و غیرساختاری است که برای هدایت تصمیمات استراتژیک در رابطه با بررسی نتایج برند و درآمد استفاده می کند. این فرآیند شامل مدل سازی پیش بینی، آزمایش بازاریابی، اتوماسیون و بررسی ارتباطات فروش در زمان واقعی است. این داده ها شرکت ها را قادر می سازد تا برای به حداکثر رساندن نتایج عملکرد، پیش بینی کرده و اجرای استراتژیک را تغییر دهند.

تجزیه و تحلیل وب به بازاریابان این امکان را می‌دهد تا با استفاده از عملیاتی به نام جلسه سازی، اطلاعات مربوط به تعاملات را در یک وب سایت در سطح جلسه جمع کنند. Google Analytics نمونه‌ای از ابزار محبوب تجزیه و تحلیل رایگان است که بازاریابان برای این منظور استفاده می‌کنند. این سیستم‌های اطلاعاتی تجزیه و تحلیل وب را با بررسی اطلاعات لازم برای ردیابی مراجعه کننده، جستجوی کلمات کلیدی، شناسایی آدرس IP و ردیابی فعالیت های بازدید کننده فراهم می‌کند. با استفاده از این اطلاعات، یک بازاریاب می‌تواند کمپین های بازاریابی، محتوای خلاقانه وب سایت و معماری اطلاعات را بهبود بخشد.

تکنیک‌های تجزیه و تحلیل که اغلب در بازاریابی استفاده می‌شود شامل مدل سازی آمیخته بازاریابی، تجزیه و تحلیل قیمت و تبلیغات، بهینه سازی نیروی فروش و تجزیه و تحلیل مشتری (به عنوان مثال تقسیم بندی) است. تجزیه و تحلیل وب و بهینه سازی وب سایت‌ها و کمپین های آنلاین اکنون اغلب دست به دست هم می‌دهند و از تکنیک‌های تجزیه و تحلیل بازاریابی سنتی استفاده می‌کنند. تمرکز بر رسانه های دیجیتال واژگان را کمی تغییر داده است به طوری که معمولاً از مدل سازی آمیخته بازاریابی به عنوان مدل سازی اسنادی در زمینه مدل سازی آمیخته دیجیتال یا بازاریابی یاد می‌شود.

این ابزارها و تکنیک‌ها از تصمیمات استراتژیک بازاریابی پشتیبانی می‌کنند (از جمله بررسی مقدار کلی هزینه برای بازاریابی، نحوه تخصیص بودجه در مجموعه‌ای از مارک ها و ترکیب بازاریابی). این امر شامل پشتیبانی تاکتیکی، از نظر هدف قرار دادن بهترین مشتری بالقوه در قالب مقرون به صرفه ترین رسانه در زمان ایده‌آل می‌باشد.

تجزیه و تحلیل افراد[ویرایش]

People Analytics از داده‌های رفتاری برای درک نحوه کار افراد و تغییر نحوه مدیریت شرکت‌ها استفاده می‌کند. [۵]

تجزیه و تحلیل افراد همچنین به عنوان تجزیه و تحلیل نیروی کار، تجزیه و تحلیل منابع انسانی، تجزیه و تحلیل استعداد، بینش افراد، بینش استعداد، بینش همکاری، تجزیه و تحلیل سرمایه انسانی و تحلیل HRIS شناخته می‌شود. تجزیه و تحلیل منابع انسانی کاربرد تجزیه و تحلیل برای کمک به شرکت‌ها در مدیریت منابع انسانی است. [۶] علاوه بر این، تجزیه و تحلیل منابع انسانی به یک ابزار استراتژیک در تجزیه و تحلیل و پیش بینی روندهای مرتب در بازارهای متغیر کار با استفاده از ابزار Career Analytics تبدیل شده‌است. [۷] هدف این است که تشخیص دهیم کدام کارمندان را استخدام می‌کنیم، کدام یک را برای پاداش دادن یا ارتقا در نظر گیریم، چه مسئولیت هایی را تعیین کنیم و کدام مشکلات مشابه منابع انسانی بیشتر دردسرساز هستند. [۸] تجزیه و تحلیل منابع انسانی به طور فزاینده ای اهمیت پیدا کرده‌است تا بفهمیم چه نوع نمایه‌های رفتاری موفق و ناموفق هستند. به عنوان مثال، با یک تجزیه و تحلیل می توان دریافت که افرادی که دارای نوع خاصی از مشخصات متناسب هستند، احتمالاً در یک نقش خاص موفق می‌شوند و آنها را به عنوان بهترین کارمندان استخدام می‌کنند.

پیشنهاد شده‌است که People Analytics یک رشته جداگانه برای HR تجزیه و تحلیل باشد، که بیشتر تمرکز خود را بر روی مسائل تجاری به جای فرآیندهای اداری قرار دهد، و اینکه ممکن است People Analytics واقعاً در منابع انسانی سازمانها نباشند.[۹] با این حال، کارشناسان در این مورد اختلاف نظر دارند،[۱۰] و بسیاری معتقدند که منابع انسانی نیاز به توسعه People Analytics به عنوان بخش اصلی عملکرد تجاری دارند. آنها دارای توانایی استراتژیک در دنیای متغیر کار ناشی از اتوماسیون هستند. [۱۱] به جای انتقال مبحث People Analytics به خارج از منابع انسانی، برخی از کارشناسان استدلال می‌کنند که این سیستم متعلق به منابع انسانی است، البته دسته جدیدی از متخصصان منابع انسانی که بیشتر مبتنی بر داده عمل می کنند، این کار را انجام می‌دهند. [۱۲]

تجزیه و تحلیل نمونه کارها[ویرایش]

یک کاربرد متداول تجزیه و تحلیل تجارت ، تجزیه و تحلیل نمونه کارها است . در این بخش ، یک بانک یا آژانس وام دهنده مجموعه ای از حساب ها با ارزش و ریسک متفاوت دارد . این حساب ها ممکن است از نظر وضعیت اجتماعی (ثروتمند ، طبقه متوسط ، فقیر و ...) دارنده ، موقعیت جغرافیایی ، ارزش خالص آن و بسیاری از عوامل دیگر متفاوت باشد. وام دهنده باید بازده وام را با خطر نکول برای هر وام متعادل کند. س Theال این است که چگونه می توان نمونه کارها را به طور کلی ارزیابی کرد.

کمترین خطر وام ممکن است برای افراد بسیار ثروتمند باشد، اما تعداد افراد ثروتمند بسیار محدود است. از طرف دیگر، فقرا بسیاری هستند که می توان به آنها وام داد، اما در معرض خطر بیشتری هستند. باید مقداری تعادل برقرار شود که بازده را به حداکثر و خطر را به حداقل برساند. راه حل تجزیه و تحلیل ممکن است تجزیه و تحلیل سری زمانی باشد که بسیاری از مسائل دیگر را ترکیب کرد تا بتواند در مورد زمان تصمیم گیری، به این بخش های مختلف وام گیرنده تزریق پول کرد. این شامل تصمیماتی راجع به نرخ سود اعضای یک بخش نمونه کارها برای جبران ضرر و زیان اعضای این بخش می باشد.

تجزیه و تحلیل ریسک[ویرایش]

مدل های پیش بینی در صنعت بانکداری به منظور ایجاد اطمینان در نمرات ریسک برای مشتریان منفرد ساخته شده است. امتیازات اعتباری برای پیش بینی رفتار بزهکاری افراد ساخته می شود و به طور گسترده برای ارزیابی اعتبار هر متقاضی استفاده می شود. علاوه بر این ، تجزیه و تحلیل ریسک در دنیای علمی و صنعت بیمه انجام می شود. همچنین در موسسات مالی مانند شرکت های Online Payment Gateway به طور گسترده ای مورد استفاده قرار می گیرد تا معاملات واقعی یا کلاهبرداری را انجام دهند. برای این منظور آنها از تاریخ معاملات مشتری استفاده می کنند. این امر معمولاً در خرید کارت اعتباری مورد استفاده قرار می گیرد ، اگر ناگهان در حجم معاملات مشتری افزایش یابد مشتری در صورت شروع معامله توسط مشتری ، تماس تأیید می گیرد. این امر به کاهش ضرر ناشی از چنین شرایطی کمک می کند.

تجزیه و تحلیل دیجیتال[ویرایش]

تجزیه و تحلیل دیجیتال مجموعه فعالیت های تجاری و فنی است که داده های دیجیتال را به گزارش، تحقیق، تجزیه و تحلیل، توصیه ها، بهینه سازی ها، پیش بینی ها و اتوماسیون ها، جمع آوری تبدیل می کند. [۱۳] این شامل SEO (بهینه سازی موتور جستجو) است که در آن جستجوی کلمات کلیدی ردیابی می شود و از این داده ها برای اهداف بازاریابی استفاده می شود. حتی تبلیغات و کلیک های بنری نیز تحت تجزیه و تحلیل دیجیتال قرار می گیرند. تعداد فزاینده ای از مارک ها و شرکت های بازاریابی برای توسعه بازاریابی دیجیتال خود به تجزیه و تحلیل دیجیتال اعتماد می کنند، که در آن MROI (بازاریابی بازگشت سرمایه) یک شاخص مهم عملکرد (KPI) است.

تجزیه و تحلیل امنیتی[ویرایش]

تجزیه و تحلیل امنیت به فناوری اطلاعات (IT) برای بررسی رویدادهای امنیتی برای درک و تحلیل رویدادهایی که بیشترین خطر را دارند، اشاره دارد. [۱۴] محصولات در این زمینه شامل اطلاعات امنیتی و مدیریت رویدادها و تجزیه و تحلیل رفتار کاربر هستند.

تجزیه و تحلیل نرم افزار[ویرایش]

تجزیه و تحلیل نرم افزار فرآیند جمع آوری اطلاعات در مورد نحوه استفاده و تولید یک نرم افزار است.

چالش ها[ویرایش]

در صنعت نرم افزار تجزیه و تحلیل تجاری، تأكید بر حل چالش های تجزیه و تحلیل مجموعه های داده پیچیده و پیچیده، اغلب در مواردی است كه چنین داده هایی در حالت تغییر دائمی هستند. از این مجموعه داده ها معمولاً به عنوان داده بزرگ یاد می شود. در حالی که زمانی مشکلات ناشی از داده های بزرگ فقط در جامعه علمی مشاهده می شد، این امر برای بسیاری از مشاغل مشکل ساز است. سیستم های معاملاتی باید بصورت آنلاین کار می کنند و در نتیجه حجم زیادی از داده ها را به سرعت جمع می کنند. [۱۵]

تجزیه و تحلیل انواع داده های غیرساختاری چالش دیگری است که باعث جلب توجه در صنعت می شود. داده های بدون ساختار از نظر ساختار متفاوت است به این دلیل که قالب آنها بسیار متفاوت است و بدون تلاش قابل توجه در تبدیل داده ها، نمی تواند در پایگاه های داده سنتی ذخیره شود. منابع داده های غیرساختاری، مانند ایمیل، محتوای اسناد پردازشگر متن، PDF، داده های مکانی و غیره، به سرعت در حال تبدیل شدن به یک منبع مرتبط با هوش تجاری برای مشاغل، دولت ها و دانشگاه ها هستند. [۱۶] به عنوان مثال، در انگلیس کشف این که یک شرکت به طور غیرقانونی یادداشت های یک متخصص را برای کمک به مردم در کلاهبرداری از کارفرمایان و شرکت های بیمه می فروشد، [۱۷] فرصتی برای شرکت های بیمه ایجاد می کند تا عملکرد خود را در تجزیه و تحلیل داده های غیرساختاری افزایش دهند. موسسه جهانی مک کینزی تخمین می زند که تجزیه و تحلیل داده های بزرگ می تواند 300 میلیارد دلار در سال برای سیستم مراقبت های بهداشتی آمریکا و 250 میلیارد یورو برای بخش دولتی اروپا صرفه جویی مالی داشته باشد. [۱۸]

این چالش ها الهام بخش نوآوری در سیستم های اطلاعاتی تجزیه و تحلیل مدرن است که باعث ایجاد مفاهیم تجزیه و تحلیل ماشین نسبتاً جدیدی مانند پردازش رویدادهای پیچیده، جستجوی متن کامل و تجزیه و تحلیل، و حتی ارئه ایده های جدید می شود. [۱۹] یکی از این نوآوری ها، ارائه معماری شبکه ای در تجزیه و تحلیل ماشینی است که امکان افزایش سرعت پردازش موازی را با توزیع حجم کار در بسیاری از رایانه ها با دسترسی برابر به مجموعه داده های کامل فراهم می کند. [۲۰]

در این راستا از تجزیه و تحلیل به طور فزاینده ای در آموزش و پرورش استفاده می شود (به ویژه در سطح بخش ها و ادارات دولتی). با این حال، پیچیدگی معیارهای عملکرد دانش آموزان هنگامی که مربیان سعی در درک و استفاده از تجزیه و تحلیل برای تشخیص الگوهای عملکرد دانش آموزان دارند، پیش بینی احتمال فارغ التحصیلی، بهبود شانس موفقیت دانش آموزان و غیره چالش هایی را به وجود می آورند. به عنوان مثال، در مطالعه ای که شامل مناطقی است که به دلیل استفاده از داده های بزرگ شناخته شده اند، 48٪ از معلمان در طرح سوال ناشی از داده ها مشکل داشتند، 36٪ از معلمان داده های ارائه شده را درک نمی کردند، و 52٪ از آنها داده ها را به درستی تفسیر نمی کردند.[۲۱] برای مقابله با این، برخی از ابزارهای تجزیه و تحلیل برای مربیان در قالب یک فرم داده بدون نسخه (ارائه برچسب ها، مستندات تکمیلی و یک سیستم کمک و تصمیم گیری برای بسته های اصلی / صفحه نمایش و محتوا) برای بهبود درک و استفاده مربیان از تجزیه و تحلیل در حال نمایش است.[۲۲]

یک چالش دیگر، نیازهای نظارتی پویا است. به عنوان مثال، در صنعت بانکداری، بازل III و نیازهای کفایت سرمایه در آینده احتمالاً باعث می شود که حتی بانک های کوچکتر نیز مدل ریسک پذیری داخلی را در پیش بگیرند. در چنین مواردی، محاسبات ابری و زبان برنامه نویسی منبع باز R می تواند به بانک های کوچکتر کمک کند تا تجزیه و تحلیل ریسک را انجام دهند و با استفاده از تجزیه و تحلیل پیش بینی، از نظارت بر سطح شعب پشتیبانی کنند.[نیازمند منبع] [ نیاز به منبع ]

خطرات[ویرایش]

خطر اصلی برای مردم تبعیض مانند تبعیض قیمت یا تبعیض آماری است . به بررسی علمی علمی آمریکایی "سلاح های تخریب ریاضیات" مراجعه کنید

همچنین این مزیت نیز وجود دارد که یک توسعه دهنده از ایده ها یا کارهای انجام شده توسط کاربران سود ببرد، مانند این مثال: کاربران می توانند ایده های جدیدی را در یک برنامه یادداشت برداری بنویسند، که سپس می تواند به عنوان یک مساله سفارشی سازی شده ارسال شود و توسعه دهندگان می توانند از این ایده ها سود ببرند. این امر ممکن است هرگاه اتفاق بیفتد، زیرا مالکیت محتوا معمولاً از نظر قانونی مشخص نیست. [۲۳]

اگر هویت کاربر محافظت نشود، خطرات بیشتری وجود دارد (به عنوان مثال، خطر عمومی شدن اطلاعات خصوصی کاربران در اینترنت).

در نهایت، این خطر وجود دارد که دولت ها می توانند بیش از حد اطلاعات خصوصی را جمع آوری کنند، چرا که اکنون دولت ها اختیارات بیشتری برای دسترسی به اطلاعات شهروندان خود دارند.

همچنین ببینید[ویرایش]

منابع[ویرایش]

  1. "Oxford definition of analytics".
  2. Kohavi, Rothleder and Simoudis (2002). "Emerging Trends in Business Analytics". Communications of the ACM. 45 (8): 45–48. CiteSeerX 10.1.1.13.3005. doi:10.1145/545151.545177.
  3. "Analysis vs. Analytics: Past vs. Future".
  4. "AI, Big Data & Advanced Analytics In The Supply Chain". Forbes.com. Retrieved 2020-04-16.
  5. lukem (2016-11-04). "People Analytics: Transforming Management with Behavioral Data". Programs for Professionals | MIT Professional Education. Retrieved 2018-04-03.
  6. Chalutz Ben-Gal, Hila (2019). "An ROI-based review of HR analytics: practical implementation tools" (PDF). Personnel Review, Vol. 48 No. 6, pp. 1429-1448.
  7. Sela, A., Chalutz Ben-Gal, Hila (2018). "Career Analytics: data-driven analysis of turnover and career paths in knowledge intensive firms: Google, Facebook and others" (PDF). In 2018 IEEE International Conference on the Science of Electrical Engineering in Israel (ICSEE). IEEE.
  8. "People analytics - University of Pennsylvania". Coursera.
  9. "People Analytics: MIT July 24, 2017". HR Examiner. 2017-08-02. Retrieved 2018-04-03.
  10. Bersin, Josh. "The Geeks Arrive In HR: People Analytics Is Here". Forbes. Retrieved 2018-04-03.
  11. "The CEO's guide to competing through HR". Retrieved 2020-07-24.
  12. McNulty, Keith. "It's Time for HR 3.0". Talent Economy. Retrieved 2020-07-24.
  13. Phillips, Judah "Building a Digital Analytics Organization" Financial Times Press, 2013, pp 7–8.
  14. "Security analytics shores up hope for breach detection". Enterprise Innovation. Archived from the original on February 12, 2019. Retrieved April 27, 2015.
  15. Naone, Erica. "The New Big Data". Technology Review, MIT. Retrieved August 22, 2011.
  16. Wise, Lyndsay. "Data Analysis and Unstructured Data". Dashboard Insight. Archived from the original on January 5, 2014. Retrieved February 14, 2011.
  17. "Fake doctors' sick notes for Sale for £25, NHS fraud squad warns". The Telegraph. London. 26 August 2008. Retrieved 16 September 2011.
  18. "Big Data: The next frontier for innovation, competition and productivity as reported in Building with Big Data". The Economist. May 26, 2011. Archived from the original on 3 June 2011. Retrieved May 26, 2011.
  19. Ortega, Dan. "Mobility: Fueling a Brainier Business Intelligence". IT Business Edge. Archived from the original on July 5, 2011. Retrieved June 21, 2011.
  20. Khambadkone, Krish. "Are You Ready for Big Data?". InfoGain. Archived from the original on March 14, 2011. Retrieved February 10, 2011.
  21. U.S. Department of Education Office of Planning, Evaluation and Policy Development (2009). Implementing data-informed decision making in schools: Teacher access, supports and use. United States Department of Education (ERIC Document Reproduction Service No. ED504191)
  22. Rankin, J. (2013, March 28). How data Systems & reports can either fight or propagate the data analysis error epidemic, and how educator leaders can help. Presentation conducted from Technology Information Center for Administrative Leadership (TICAL) School Leadership Summit.
  23. Alan Norton (9 July 2012). "10 reasons why I avoid social networking services". TechRepublic. Retrieved 4 January 2016.

لینک های خارجی[ویرایش]