طی دهه‌ی گذشته، هوشمندی کسب‌و‌کار (Business Intelligence) به یکی از ارکان کلیدی برای به دست آوردن شناخت دقیق از شرایط فعلی سازمان و تصمیم‌گیری موثر و کارآمد بر مبنای آن تبدیل شده است. «هوشمندی کسب‌و‌کار»، داده‌های جاری سازمان در پایگاه‌های داده را به عنوان ورودی دریافت کرده و گزارش‌های تحلیلی دقیق و معتبری را به شکل تصویری در اختیار مدیران ارشد سازمان ها قرار می‌دهد تا بر مبنای آن به تصمیم‌گیری و اصلاح مسیر حرکت سازمان بپردازند.
در همین دوره، رویکرد سازمان‌ها از گزارش‌گری کارآمد بر اساس داده‌های گذشته، به تدریج به سمت تحلیل‌های آینده‌نگر و پیش‌بینی روند بازار و رقبا متمایل شده است. در حقیقت تلاش سازمان‌ها بر این نکته متمرکز است که بر مبنای داده‌های گذشته، بتوانند روند تغییرات آینده را پیش‌بینی و عکس‌العمل مناسبی را در برابر آن برنامه‌ریزی کنند.
تعریف تحلیل‌های پیشرفته
تحلیل‌های پیشرفته به مجموعه‌ای از فناوری‌ها، الگوریتم‌ها و مدل‌های ریاضی پیشرفته برای شناسایی و یادگیری الگوها و روندهای کسب‌و‌کار گفته می‌شود که با هدف کسب بینش و پیش‌بینی عملکرد کسب‌و‌کار در آینده انجام می‌شوند. تحلیل‌های پیشرفته به ما کمک می‌کنند تا مدل‌های دقیق‌تری از عوامل موثر بر کسب‌و‌کار (شامل مشتریان، رقبا، کارکنان، قوانین و مقررات، فرآیندهای سازمانی و عوامل مشابه آن) را تهیه کرده و تصمیم‌گیری دقیق‌تری بر اساس شرایط بازار داشته باشیم.
تحلیل‌های پیشرفته، زیرمجموعه‌ای از تحلیل‌های عمومی کسب‌و‌کار (Analytics) به شمار می‌آیند. به‌طور کلی، تحلیل‌های کسب و کار در چهار گروه قابل طبقه‌بندی هستند. موسسه گارتنر (Gartner) این چهار گروه را به شرح زیر نام‌گذاری کرده است:
- تحلیل‌های توصیفی (Descriptive Analytics): این تحلیل‌ها، ناظر بر شناخت وضعیت موجود سازمان بر اساس داده‌های گردآوری شده در پایگاه‌های داده هستند. آنچه در داشبوردهای مدیریتی «هوشمندی کسب‌و‌کار» ارائه می‌شود، یکی از انواع تحلیل‌های توصیفی کسب‌و‌کار به شمار می‌آید. در تحلیل توصیفی، از مدل‌های پیشرفته برای تشخیص، پیش‌بینی یا تجویز استفاده نمی‌شود و تنها به ارائه گزارش‌های مصور در قالب نمودارها و جدول‌های دقیق توجه می‌شود.
- تحلیل‌های تشخیصی (Diagnostic Analytics): در این سطح از تحلیل، به منشاء و علل بروز وقایع سازمانی توجه شده و با استفاده از الگوریتم‌های پیشرفته، ریشه‌ی اصلی مسائل شناسایی شده و براساس آن‌ها به تصمیم‌گیری پرداخته می‌شود. در تحلیل‌های تشخیصی، معمولا راه حل ارائه نمی‌شود و ارزش‌افزوده‌ی این گروه از تحلیل‌ها، در شناسایی منشاء مشکل و معطوف ساختن منابع سازمان به حل آن به جای تمرکز بر عوارض جانبی مساله است.
- تحلیل‌های آینده‌نگر (Predictive Analytics): در این گروه از تحلیل‌ها، هدف از تحلیل عبارت است از یادگیری از روند گذشته و تلاش برای یافتن بهترین روند قابل سرمایه‌گذاری در آینده. منشاء علمی تحلیل‌های آینده‌نگر، به علوم یادگیری ماشینی (Machine Learning) و شبکه‌های عصبی (Neural Network) باز می‌گردد. امروزه، الگوریتم‌های بسیار توانمندی در این حوزه ایجاد شده‌اند که قادر به یادگیری رفتار و علائق مشتریان، رقبا، کارکنان و دیگر عناصر موثر در کسب‌و‌کار سازمان بوده و اثر این متغیرها بر یکدیگر را نیز بدون حضور انسان و تنها بر اساس داده‌های محیط کسب‌و‌کار به خوبی تحلیل و پیش‌بینی می‌کنند.
- تحلیل‌های تجویزی (Prescriptive Analytics): در مرحله نهایی و در صورت تجهیز سازمان به تحلیل‌های تشخیصی و آینده‌نگر، امکان تجویز راه‌حل‌های کارآمد و اثربخش فراهم می‌شود. در این مرحله، سازمان قادر است با یادگیری از داده‌های گذشته و بر اساس شناخت کافی از مسائل فعلی، راه‌حل بهینه و دقیق برای حل این مسائل را شناسایی کند. تحلیل‌های تجویزی از دقیق‌ترین و به‌روزترین الگوریتم‌ها بهره می‌گیرند. به همین دلیل، تسلط بر این الگوریتم‌ها نیازمند آشنایی کافی با تحلیل‌های توصیفی، تشخیصی و آینده‌نگر است.
با توجه به طبقه‌بندی ارائه‌شده، تحلیل‌های پیشرفته کسب‌و‌کار عبارتند از مجموع تحلیل‌های تشخیصی، تحلیل‌های آینده‌نگر و تحلیل‌های تجویزی. چند نمونه از سوالاتی که در تحلیل‌های پیشرفته کسب‌و‌کار به آن‌ها پاسخ داده می‌شود، عبارتند از:
- بخش‌های مختلف بازار و مشتریان واقعی ما چه کسانی هستند؟
- چگونه می‌توان الگوهای خرید مشتریان را شناسایی کرد؟
- میزان وفاداری یا رویگردانی مشتریان کنونی چقدر است؟
- آیا امکان پیش‌بینی تعداد و مبلغ خرید مشتریان بر اساس رفتار خریدهای گذشته وجود دارد؟
- آیا روند سوددهی سازمان نسبت به وسعت بازار مناسب است؟
- آیا در مقایسه با رقبا، گرایش بازار به محصول جدید ما مطلوب است؟
- آیا موجودی انبار نسبت به نیاز و روند تولید کنونی و آتی مناسب است؟
- چگونه می‌توان از تقلب مالی و پول‌شویی در سازمان جلوگیری کرد؟
- چگونه تعادل بهینه بین هزینه‌ها و سود ایجاد می‌شود؟
- آیا شاخص‌های مالی سازمان، هم‌راستا با اهداف راهبردی پیشرفت می‌کنند؟
- آیا امکان تنظیم روند تولید محصولات بر اساس سلیقه‌ی مشتریان و کشش بازار وجود دارد؟
برای پاسخ به این سوالات، به روش‌ها و مدل‌هایی فراتر از گزارش‌هایی مانند نمودار، جدول و تصویر نیاز است. به این منظور لازم است تا برای دستیابی به نتیجه‌ای قاطع و قابل اتکا از مدل‌ها، الگوریتم‌ها و روش‌های تحلیلی استفاده شود.
طبقه‌بندی تحلیل‌های پیشرفته کسب‌و‌کار
تحلیل‌های پیشرفته کسب و کار، در مقالات و منابع مختلف، طبقه‌بندی‌های متفاوتی دارند. یک طبقه‌بندی عمومی که شامل انواع تحلیل‌های پیشرفته باشد را می‌توان به شرح زیر توصیف کرد:
داده‌کاوی (Data Mining): عبارت است از فرآیند اکتشاف الگو و روندهای منظم و پنهان در داده‌های بزرگ و توزیع‌شده با استفاده از مجموعه‌ی وسیعی از الگوریتم‌های ریاضیات و آمار. این الگوریتم‌ها معمولاً روی مقادیر عددی و غیرمتنی اعمال می‌شوند. داده‌کاوی از علومی مانند هوش مصنوعی، یادگیری ماشینی، آمار، پژوهش عملیاتی و مدیریت پایگاه‌های داده استفاده می‌کند.
متن‌کاوی (Text Mining): فرآیندی است که در آن، اطلاعات باکیفیت و مفید از متون علمی و تجاری استخراج می‌شوند. در متن‌کاوی، امکان طبقه‌بندی متون علمی بر اساس محتوا، تفکیک نظرات کاربران و مشتریان بر اساس نظرات درباره محصولات و خدمات، اکتشاف توالی متون علمی در بازه‌های زمانی مختلف و تحلیل روند توسعه علمی در سال‌های آتی و مشابه آن وجود خواهد داشت.
وب‌کاوی (Web Mining): عبارت است از به‌کارگیری روش‌های داده‌کاوی و متن‌کاوی در صفحات وب که با هدف شناسایی روند استفاده از صفحات، انواع کاربران مراجعه‌کننده به وب‌سایت سازمان، تحلیل میزان استفاده از اینترنت، کاوش محتوا در صفحات وب درباره یک موضوع خاص، تحلیل ساختار وب‌سایت، تحلیل روند کلیک‌ها و ورودی‌ها به وب‌سایت‌های مختلف از طریق یک وب‌سایت، و موضوعات مشابه آن انجام می‌شود.
فرآیندکاوی (Process Mining) : مجموعه‌ای است از روش‌های مدیریت فرآیند در سازمان بر مبنای الگوریتم‌های ریاضی و آماری که بر اساس اطلاعات ذخیره شده در تاریخچه تغییرات پایگاه داده (Log or History) در روزهای کاری مختلف، اقدام به شناسایی گلوگاه‌های فرآیندی و نقاط دارای ارزش‌افزوده در فعالیت سازمان کرده و تلاش می‌کند تا فرآیندهای سازمان، در بهینه‌ترین وضعیت ممکن اجرا شوند.
تحلیل احساسات (Sentiment Analysis): یا به عبارت دیگر عقیده‌کاوی، عبارت است از به‌کارگیری علم پردازش زبان طبیعی (Natural Language Processing) و علوم زبان‌شناسی (Linguistics) برای بررسی نظرات، دیدگاه‌ها و عقاید کاربران، کارکنان و مشتریان بر مبنای داده‌هایی که در شبکه‌های اجتماعی مختلف به اشتراک می‌گذارند. در تحلیل احساسات، امکان بررسی و تحلیل دیدگاه‌های فرد، گروه یا حتی جامعه، در بازه‌های زمانی مختلف و پیش‌بینی روندهای آتی بازار و کسب‌و‌کار بر مبنای آن‌ها وجود خواهد داشت.
یادگیری عمیق (Deep Learning): در یادگیری عمیق، هدف کاوش داده‌ها در سطوح مختلف و با عمق زیاد بر مبنای مجموعه‌ای از روش‌های یادگیری ماشینی است. در یادگیری عمیق، نرم‌افزار بدون هیچ پیش‌فرضی اقدام به یادگیری از شرایط محیطی کرده و به تدریج خود را با یافته‌ها وفق می‌دهد به‌صورتی که بدون در اختیار داشتن دانش اولیه از حوزه تحت آموزش و یادگیری، قادر به درک و پیش‌بینی روندهای آتی آن حوزه باشد.
جریان‌کاوی (Stream Mining): امروزه سرعت تولید داده‌های جدید، از روند فزاینده‌ای برخوردار است. به همین دلیل امکان توقف تولید داده‌ها و استفاده از الگوریتم‌ها برای تحلیل آن‌ها در برخی از شرایط امکان‌پذیر نیست. از این‌رو الگوریتم‌هایی برای کاوش جریان داده‌ها ابداع شده‌اند که مبتنی بر الگوریتم‌های قبلی هستند ولی برای یادگیری و پیش‌بینی در حین تولید داده، بهینه‌سازی شده‌اند. این الگوریتم‌ها ضمن دریافت داده‌هایی که به تازگی تولید شده‌اند، بخشی از داده‌های قدیمی را از مجموعه داده‌ها به تدریج حذف می‌کنند و با داده‌های جدید، فرآیند یادگیری را ادامه می‌دهند تا همواره به‌روز و موثر باشند.
نویسنده: دکتر ایمان رئیسی – ستاد مدیریت محصول همکاران سیستم
