وبلاگ vdash

اخبار و مقالات مربوط به vdash، نرم افزار آنالیز اطلاعات و ساخت داشبورد مدیریتی

اشتباهات بزرگ در زمینه مصورسازی اطلاعات در فرآیند هوش تجاری در 20 سال گذشته

گرفتن گزارش بر اساس اطلاعات گذشته یک سازمان بخشی از فرآیند هوش تجاری می باشد . انتخاب یک سیستم گزارش گیری با توجه به نیازهای کاربران باید در طراحی فرآیند هوش تجاری سازمان مورد توجه قرار گیرد . پس شاید یک کاربر و در حالت کلی یک سازمان نیاز به طراحی یک فرآیند هوش تجاری مناسب داشته باشد که قسمتی از آن فرآیند گزارش گیری تعریف شود و سیستم مناسب گزارش گیری آنجا جای گیرد و خدمات خود را به کاربر ارائه دهد تا او بتواند تصمیمات دقیق اطلاعات محور اخذ کند و یا اطلاعات کامل تری به مدیران ارشد خود گزارش دهد.

مصورسازی اطلاعات

ولی آیا گزارش هایی که در سطرها و ستون های یک فایل اکسل قرار گرفته است کارآمد است ؟

داده ها برای به سخن درآمدن باید از سطر ها و ستون های داده خام خارج شده و به فرمت مصور دربیایند . باید منابع فرآیند هوش تجاری سازمان خود را گردآوری کرده و آن را وارد فرآیند مصورسازی اطلاعات کنید . گزارشگیری مصور با رنگ ها ، خطوط روند ، کشیدن چارت ها ، نشان دادن سری های زمانی و حتی نقاط پرت به نظارت ، تصمیم گیری ، کاهش هزینه و انرژی، بررسی شاخص های عملکرد سازمان بسیار کمک می کند . نرم افزارهای مصورسازی اطلاعات و داشبوردهای مدیریتی که امکان تعامل با کاربر را دارند دارای کاربری بیشتری و در این زمینه ارزشمندتر می باشند . 

کلمه بازار تداعی کننده شلوغی و هیاهو و صدای فریاد فروشندگانی است که قصد جلب نظر شما را دارند . امروزه در بازار شلوغ ابزار های داده پردازی و مصورسازی داده یک صدا به صورت مشخص و غالب به گوش می رسد : " همه امروزه توانایی تحلیل داده را دارند " ، این جمله شاید برای خیلی ها یادآور خرید های ناموفق ابزارهای   مصورسازی اطلاعات هوش تجاری در گذشته باشد . بسیاری از مدیران و کارشناسان تاکنون حداقل یک بار در مورد این ابزار ها تحقیق کرده اند ، و بعضی نیز در جلسه معرفی آنها شرکت کرده اند.

اگر شما یکی از این افراد هستید می دانید که با نگاه کردن به افراد حاضر در جلسه که مثل شما به دنبال راهکار جالب و کارآمدی برای بهبود کسب و کار و پیشرفت می گردند ، با گوش دادن به حرف هایشان مشخصا می توانید بگویید که حداقل 2 نفر از هر 10 نفر قطعا از این ابزار استفاده نخواهند کرد به دلیل آنکه یا نمی توانند موضوعیت استفاده از نرم افزار را با کار خود تطبیق دهند یا نمی خواهند از ابزاری استفاده کنند که ساعت ها نیاز به آموزش داشته باشد .6 نفر ازجلسه راضی به نظر می رسند و فکر می کنید که به ابزار علاقه مند شده و قصد خرید آن را دارند . ولی بعدها متوجه می شوید که هیچکدام از آنها نیز از ابزار استفاده نکرده اند  چون هنگام بازگشت به کار آنقدر درگیر مشغولیت های روزمره خود بوده اند که زمانی جلسه را به خاطر می آورند نحوه کار با نرم افزار را فراموش کرده اند . 2 نفر باقیمانده نیز به دلیل آنکه نرم افزار شباهت زیادی به اکسل دارد به آن علاقه مند می شوند و کار با آن را شروع می کنند . تولید کنندگان  این نرم افزارها اندک و مصرف کنندگان طیف عظیمی از صنایع و تخصص ها را در بر می گیرند .

داده های بزرگ

در طی سال ها تجربه نشان داده است که یک سناریو در سازمان ها ، صنایع و با سیستم های متفاوت تکرار می شود : 
سازمان یک سیستم گزارشگیری تخصصی تهیه می کند که مدل مشتری / تولید کننده را پشتیبانی می کند ولی کاربر نهایی سیستم مثلا مدیر از عدم انعطاف سیستم بعد از مدت کوتاهی شکایت میکند . سیستم به قدری یک بعدی است که مدیر بدون کمک گرفتن از بخش فناوری اطلاعات سازمان یا تماس با تولید کننده  قادر به پاسخگویی سوالات سطح دو و سه خودش در مورد داده ها نیست . همچنین حتی اگر پاسخگویی به نیاز از طریق کارشناسان مربوطه انجام پذیرد ، آنقدر زمان بر خواهد بود که مدیر از دسترسی نداشتن به اطلاعات در زمان مناسب برای اخذ تصمیم درست برای سازمان شکایت خواهد داشت . 

برای حل این مسئله چاره ای دیگری اندیشه می شود ، سیستم دیگری جایگزین می شود با این قول که کاربر امکان دسترسی به تمام داده های خود را در هر زمانی خواهد داشت . ولی فقط زمانی که برای استفاده از این سیستم آموزش دیده باشد . یادگیری یک سیستم جدید برای کاربر در موقعیت تصمیم گیری معمولا دشوار و زمان گیر است . پس او گروهی را استخدام کرده تا برایش گزارش تهیه کرده و ارائه دهند . بعد از مدت کوتاهی این گروه کوچک به دلیل حجم زیاد گزارشات دچار تاخیر در سرویس دهی به مدیر خود می شوند و چرخه تکرار می شود .

آنالیز اطلاعات

همه ی این موارد از یک سوء تفاهم منشا می گیرد که فروشندگان و تولیدکنندگان نتوانستند تشخیص دهند که سه نوع مصرف کننده سیستم گزارش گیری وجود دارند : دسته ای که  آنالیز می کنند و دسته دوم که نظارت می کنند و دسته سوم که هر دو این کارها را انجام می دهند   . 
درنتیجه  نوسانی که بین این راهکار ها و رویکردها به وجود آمده است منجر به کمبود اطلاعات برای کسانی شده است که در موقعیت و زمان تصمیم گیری هستند . تفاوت بین تصمیم خوب و بد کیفیت داده هایی است که برای گرفتن آن تصمیم مورد استفاده قرار می گیرد . تصمیم هایی اشتباه بر اساس داده های قدیمی و ناقص گرفته می شوند به دلیل آنکه امکان دسترسی به داده ها و یا گسترش آنها در زمان مورد نظر وجود ندارد . 


داده کاوی

برای انجام فرآیند گزارش گیری  و مصورسازی اطلاعات که قسمتی از فرآیند هوش تجاری است بهتر است از سیستمی با خصوصیات زیر استفاده کنیم :
سیستمی که بدون احتیاج به کارشناسان فناوری اطلاعات بتواند به نیازهای کاربرش پاسخ دهد . 
سیستمی ساده که احتیاج به آموزش نداشته باشد . 
سیستمی که قابلیت صحبت به زبان هر صنعتی را داشته باشد . 
سیستمی که با کاربر تعامل کامل داشته باشد . 

سیستم گزارش گیری مثل یک برنامه موبایل است :

                                                        

تا امروز وضعیت سهام و یا ترافیک  را روی اپلیکیشن موبایل خود بررسی کرده اید ؟ 
کمی فکر کنید ؛ تا امروز چند بار برای یادگیری کار با یک برنامه که روی موبایلتان نصب شده کلاس رفته اید ؟
چند بار برای آموزش برنامه موبایل دفترچه راهنما مطالعه کرده اید ؟
وضعیت آب و هوا را روی موبایل خود چک میکنید ، قیمت ارز و سهام را بررسی می کنید و بسیاری از کارهایی که نرم افزار ها برای شما انجام داده و کار شما را ساده کرده اند . 
چرا برای استفاده از یک سیستم گزارش گیری شما باید آموزش ببینید ؟  

طراحان ابزارها پاسخ می دهند : "کاربران نمی دانند چه اطلاعاتی مد نظرشان است"
این پاسخی است که در جواب آن سوال همیشه دریافت می کنم ! اشتباه استسیستم باید به حدی ساده باشد که شما برای کار با آن نیاز به صرف زمان و تمرین نداشته باشید . 

به سیستم اطلاعات بیماران نگاه کنید . این سیستم ها به دقت با نیاز پزشکان تطبیق داده شده اند . پزشک نام بیمارش را جستجو می کند و تمام اطلاعات مربوط به او مثل جواب آزمایشات قبلی ، عکس های رادیوگرافی و... را مشاهده می کند . کدام کاربر سیستم اطلاعاتی قرار است کاری پیچیده تر از کار یک پزشک انجام دهد ؟ اگر برای پزشکان می شود سیستمی طراحی کرد که به نیازهایشان پاسخ دهد برای باقی افراد نیز می توان این کار را با پبچیدگی های خاص خود انجام داد . 
مسئله این است که نمی توانیم نیاز کاربران را آشکار کنیم . دغدغه های یک فرد در موقعیت تصمیم گیری برای کسب و کار و سازمان خود بسیار زیاد و حساس هستند . که متاسفانه اولویت کاربر و نیاز او که دقت ،سرعت و سادگی است تا امروز برای اکثر طراحان سیستم ها و نرم افزار های گزارش گیری و مصورسازی داده ها اهمیتی نداشته است.
امروز ما به این نکته دست یافتیم که در کنار شناخت دغدغه ها ، ایجاد دید نظارتی و پاسخ به نیازهای کاربران که اغلب مدیران ، کارشناسان فروش ، مهندسان ، مشاوران و... هستند و دارای تفکرات خاص خود در چارچوب اصطلاحات و فرآیندهای تعریف شده کسب و کار خود می باشند .باید امکانی را برای آنالیز داده  به صورت مصور فراهم کنیم که این افراد و دیگر بخش های سازمان  در مواجهه با موارد خاص و ویژه ، آنها را بررسی کرده و به پرسش های خود پاسخ دهند . 

آنالیز اطلاعات با داشبورد مدیریتی

» چنانچه با خواندن این مقاله به موضوع هوش تجاری علاقه مند شدید، خواندن مطالب زیر را به شما پیشنهاد می کنیم:
هوش تجاری داده کاوی
چرا شرکت ها به هوش تجاری نیاز دارند داده ها با شما حرف می زنند !

این داده چه شکلی است ؟ - هیستوگرام

گاهی لازم است بدانیم که محصولات در کدام بازه های قیمتی، بیشترین فروش و کمترین فروش را دارند . گاهی لازم است وضعیت پرسنلی کارمندان را بررسی کنیم و بدانیم کدام گروه سنی اکثریت نیروی انسانی را تشکیل می دهند یا کدام رنج حقوقی بیشترین فراوانی را در شرکت دارد . گاهی می خواهیم نمود های غیرعادی و نقاط پرت را بررسی کنیم و از وجود آنها مطلع شویم و بسیار مواقعی که نیاز به یک شمای کلی از داده های خود به منظور تصمیم گیری داریم ولی نمی توانیم به راحتی و در زمان کم به آن دسترسی داشته باشیم. 



هیستوگرام : 

نموداری که موضوع بحث است نموداری بسیار کارآمد و مناسب در حوزه ارائه داده ها و هوش تجاری است که به دلیل شباهت زیاد به نمودار میله ای ، فراموش شده است . هیستوگرام نوعی ارائه گرافیکی توزیع ( پراکندگی ) داده های عددی است . این نمودار اولین بار در سال 1891 توسط کارل پیرسون معرفی شد و نام آن را از مخفف "historical diagram  " به معنی  "نمودار تاریخی " ساخت . 



تجربه نشان داده است که حتی بسیاری از افرادی که تجربه مصورسازی داده ها دارند، هنگام درک و یا خواندن هیستوگرام به مشکل بر می خورند . هیستوگرام گرافیست که از لحاظ ظاهری شبیه به نمودار میله ایست و گاهی با آن اشتباه گرفته می شود . البته که هر دو این نمودار می توانند تعداد داده ها را برای کاربر شمرده و به صورت گرافیکی به او نشان دهند ، اما یک نمودار میله ای تعداد واقعی داده ها در دسته بندی های متفاوت ابعاد گوناگون داده نشان میدهد  (طول میله نشان دهنده تعداد داده در آن دسته از بعد مورد نظر است)،  این در حالی است که هیستوگرام همان داده دسته بندی شده را در طبقه های متفاوت نشان می دهد .
در اصل بهتر است نتیجه گیری کنیم که هر نمودار اساسا نوع متغیرهای متفاوتی را به نمایش می گذارند . با تمام این توضیحات همیشه در نظر داشته باشید که فضاهای خالی بین میله های نمودار در نمودار میله ای معنی خاصی ندارند ، این در حالی است که اگر فضایی خالی بین میله ها در هیستوگرام ایجاد شود معنی می دهد و نشان دهنده ی خالی بودن آن طبقه از داده هاست . 


طبقه (bin) به چه معنی است ؟
وقتی که یک هیستوگرام می سازید در واقع در حال ساختن یک نمودار میله ای هستید که نشان میدهد  چه تعداد داده در آن بازه که طبقه نامیده می شود ، قرار دارند . معمولا تعداد این طبقات 5 تا 20 می باشد . قانون از پیش تعیین شده ای برای این اعداد وجود ندارد ، صرفا یک قانون سر انگشتی است به این منظور که کمتر از 5 طبقه هیستوگرام بدون پیام و بیشتر از 20 طبقه دارای پیچیدگی زیادی هنگام خواندن خواهد بود . البته لازم به ذکر است که در مواردی خاص هنگامی که داده ها دارای طبقه بندی خاص و از پیش تعیین شده مد نظر سازمان یا افراد بخصوص است ، هیستوگرام با توجه به خواسته و نیاز آنها با همان طبقه های از پیش تعیین شده کشیده می شود . به عنوان مثال گروه سنی در جوامع متفاوت ، متفاوت نام گذاری می شود . در هر جامعه ای به اقتضای فرهنگ ها و تعاریف اجتماعی گروه های سنی مثل جوان ، نوجوان و ... را در رنج سنی های متفاوت مشخص می کنند . 


همانطور که پیشتر هم اشاره کردیم یکی از اهداف اصلی استفاده از هیستوگرام ارائه گرافیکی توزیع داده هاست . در دنیای تغییرات ،سایه ها و مملو از پیوستگی ،معیارهای متوسط همیشه کافی نخواهند بود و گاهی باعث گمراهی می شوند .گاهی لازم است که شکل پراکندگی و توزیع داده به صورت کلی نمایش داده شود . سه ویژگی کلیدی از مصورسازی توزیع داده ها عبارتند از :
- گستره داده : مقادیر بیشینه و کمینه و همچنین فاصله بین آنها
- مرکزیت : طبقه ای از داده بیشترین فراوانی دارد ( معمولا اتفاق می افتد )
- شکل : شمای کلی داده در یک نگاه
موارد ذکر شده در تصمیم در مورد نوع توزیع داده ها و همچنین تصمیم گیری اساسی با توجه به داده های موجود بسیار تعیین کننده هستند . 
در بررسی یک هیستوگرام و به صورت کلی بررسی توزیع داده به موارد زیر دقت نمایید و در صورت مشاهده بررسی بیشتر انجام دهید :
نقطه اوج( peak  )  
فاصله های خالی
نقاط تمرکزی 
نقاط پرت 


مشکل بزرگ داده‌های بزرگ: چکار کنیم تا در دنیای واقعی‌ کاربرد داشته باشند




داستانهای موفق زیادی از داده‌های بزرگ وجود ندارد که بتواند این حجم استفاده را توجیه کند. در اینجا با استفاده از تجربه کارشناسان، به نکاتی‌ که شرکتها نیاز به تجدید نظر دارند، اشاره می‌کنیم.
شبهه و تردید درباره ارزش داده بزرگ زیاد است. عبارتی که به شعار پذیرفته شده دنیای بازاریابی در بسیاری از ابزار و فناوری تبدیل شده است، شروع به خراب شدن در زیر فشار انتظارات غیر واقعی، کرده است.
اینکه به اصطلاح کارشناسان می‌گویند که یک انقلاب اطلاعاتی در حال تغییر طبیعت محل کار و خود کارها هست، کمک خاصی‌ نمیکند. پروژه‌های داده‌های بزرگ می توانند یک تغییر بزرگ در فرایند کلی‌ کسب و کارها ایجاد کنند. با این‎حال شواهد گسترش عظیم رهبری دانش محور در دنیای امروز هنوز کم است، به جای آن‌ به نظر می‌رسد که سازمانهای بزرگ در حال غرق شدن در دریای اطلاعات می باشند. 
پس چگونه سازمان‎ها میتوانند از هوش به یک بینش و دانش صحیح برسند و مدیران فناوری اطلاعات چگونه میتوانند بقیه افراد درگیر در کسب و کار را تشویق به خرید پروژه‌های با داده بزرگ نمایند.
تعریف نقش رهبر IT در عصر اطلاعات و داده‌ها
اندرو مارکس، مدیر سابق فناوری اطلاعات شرکت نفتی‌ Tullow ،در طول زندگی‌ حرفه‌ای خود، طیف گسترده‌ای از طرح‌های هوش تجاری را دیده است. او معتقد است که بسیاری از پروژه‌ها بر نوعی از تجزیه تحلیل تکیه میکنند که در بهترین حالت، ساده است. او می‌گوید حتی در جهانی‌ از داده‌های بزرگ، واقعا مثال‎های کافی‌ از شرکت‎هایی که مالکیت داده را هم گرفته باشند، وجود ندارد.
او معتقد است که رهبران IT میتوانند نقش بسیار مهمی‌ در شناسایی و ارائه ابزارهای مربوط به داده‌های بزرگ، بازی‌ کنند. او همچنین معتقد است که در حال حاضر، تأکید بیش از حدی بر روی مدیران فناوری اطلاعات میشود، به خصوص در رابطه با ساخت بخش عظیمی‌ از دانش. مارکس می‌گوید، ایجاد بینش درست از هوش تجاری، باید یک تلاش مشترک باشد.
او می‌گوید، فناوری به این خاطر وجود دارد که بتواند کارهای خاص و شگفت‎انگیز با داده‌ها انجام دهد، به خصوص در رابطه با گردهم آوردن اطلاعات از مناطق به نظر نامربوط تجارت. افراد منابع انسانی‌ و مالی‌، از IT انتظار دارند که از ابزار داده‌های بزرگ، برای تجزیه تحلیل اطلاعات استفاده کنند. آنها همواره مدیر فناوری اطلاعات و تیم‌ او را دنبال میکنند. بسیاری از مدیران هنوز هم فکر می کنند که این مسئولیت مدیر فناوری اطلاعات است.
با این‌حال مشکل اینجاست که مدیران فناوری اطلاعات مجهز یا موظف به دستکاری داده‌ها نیستند. هم زمان، کسب و کار نیز لزوماً مهارت اینکه معین کند که چه نوع بینشی از داده‌ها می‌خواهد را ندارد. چیزی که شما از دست می‌دهید، یک مهارت است، چرا که بسیاری از مدیران IT نمی خواهند، یا نمی‌تواند، که فقط روی دانش داده‌ها بر اساس یک برنامه روزانه تمرکز کنند.
مارکس می‌گوید، کسب وکار باید برای بررسی‌ اینکه چه نوع بینشی نه‌ ایجاد تفاوت در خروجی های شرکت کمک می‌کند، وقت بگذرد. مدیران فناوری اطلاعات و مدیران باید بر روی اهداف هسته‌ای کسب و کار تمرکز کنند. او می‌گوید در مناطقی که می تواند یک مزیت رقابتی ایجاد کند یا آن‌ مهارتها را گسترش دهد، تمرکز کنید.
مارک فولشام، به عنوان یک مدیر IT دیگر در گروه فناوری اطلاعات بیمه‌ Esure، معتقد است که ارزش داده‌های بزرگ، از یک رویکرد یکپارچه می‎آید. او می‌گوید ابزار تجزیه تحلیل میتواند به کسب و کار او کمک کند تا بفهمد مشتریان چگونه از کانال‎های آنلاین استفاده میکنند، مانند آمار استفاده از وب. این دانش ز��انی‌ میتواند ارزشمند باشد که دیگر مدیران کسب و کار، مثل کسانی‌ که در بخش بازاریابی هستند، از آن‌ برای ایجاد یک بینش عمیق‎تر در تجربه مشتری مداری، استفاده کنند.
مارک می‌گوید، اگر تیم‌ بازاریابی می‌خواهد بداند که دقیقا چه زمانی‌ مشتری مارا ترک کرده است، نیاز به یک فناوری درست دارد، و اینجاست که تیم‌ IT میتواند به آنها کمک کند. کارکنان بازاریابی میتوانند به مساله از دیدگاه تجربه مشتری مداری نگاه کنند و مجموعه IT میتواند از دیدگاه عملکرد وارد شود و یک ابزار شناسایی خوب برای کمک به تعریف بینش تجارت ایجاد کند.
 بهترین تمرین برای غلبه بر مقاومت کارکنان
آدام جرارد، مدیر فناوری Yodel می‌گوید، رهبران IT که به دنبال به دست آوردن بینش واقعی‌ از داده‌های بزرگ میباشند، باید به صورت دوجانبه حمله کنند، هم از بالا به پائین و هم از پائین به بالا. جرارد می‌گوید، از دیدگاه هیئت مدیره، بسیار مهم است که مدیر فناوری اطلاعات، چگونه می تواند با سرعت، پروژه را از ابتدا تا رسیدن به نتایج بسازد. او می‌گوید، دریافت یک نسخه واحد از واقعیت، ایجاد یک مخزن واحد از اطلاعات برای کل کسب و کار است.
جرارد می‌گوید، این نمای واحد، از دیدگاه پائین به بالا، فروش راحت‎تری می‌سازد. شما باید با مردم همراه شوید، ابزار را به آنها نشان دهید و انواع مزیت‎هایی که از این فناوری به دست می‎آو‌رند را، برایشان توضیح دهید.
لزوما هر پروژه داده بزرگ، بازپرداخت فوری فراهم نمیکند، بنابراین شما مجبور هستید که با ابتکار عمل کار کنید. اگر بتوانید به مردم در سراسر کسب و کار، نشان دهید که چگونه اطلاعات در زمان واقعی‌ میتواند باعث پیشرفت روزانه تجارت آنها شود، فروختن پروژه داده بزرگ بسیار آسان‌تر میشود.
جیم اننگ، مسئول داده و تحلیل گاز بریتانیا، یکی‌ دیگر از مدیرانی است که برای اثبات ارزش اطلاعات، تلاش کرده است. این شرکت یک واحد متخصص است که برای بررسی‌ استفاده از داده‌های بزرگ و تکنولوژی هوشمند، راه اندازی شده است. او می‌گوید، ما یک پلت فرم ایجاد کردیم، که داده‌ها را از سراسر محصولات ما به دست می‌آ‌ورد و به ما اجازه می دهد تا از آن اطلاعات برای بینش مشتریان ارزشمند خود و بهبود محصولات، استفاده کنیم. او می‌گوید این شرکت تیمی بر پایه چهار شایستگی ساخته است: تجزیه تحلیل (استخراج داده‌ها)، دانش داده (توسعه الگوریتم برای ارائه به مشتریان)، مهندسی‌ داده (اجرا و مدیریت خطوط داده‎ای) و‌ عملیات داده (حصول اطمینان از قابل اعتماد و در دسترس بودن سیستم).
او می‌گوید، این تأکید می‌کند که داده بزرگ چقدر برای ما به عنوان یک سازمان، مهم است. ما واقعا به دنبال جایگزین کردن آنچه افراد میتوانند انجام دهند، با ماشین‎های هوشمند نیستیم. کار خوب با داده‌های بزرگ، نیازمند ترکیبی‌ از قدرت ابزار و مغز انسان است.
او اضافه می‌کند این بسیار دشوار است که تا زمانی‌ که تجارت شروع به تولید نتایج نکرده است، بشود روی داده‌ها ارزش پولی گذاشت. او معتقد است که شرکت آنها بسیار خوش شانس بوده که از طرف بالا پشتیبانی‌ میشود. او همچنین میداند که دیگر مدیران IT اینقدر خوش شانس نیستند، به خصوص اینکه همیشه حساسیت اطراف داده‌های بزرگ بسیار بالاست.
همچنین اننگ می‌گوید، صحبت کردن با افراد ارشد در سازمان که با ارزش بالقوه داده‌ها مواجه بوده اند، بسیار روحیه بخش است. آنها فعالانه و در سراسر کسب و کار، به دنبال راه‎های برای بهبود آنچه که ما با دانش و مهندسی‌ داده برای مشتریان انجام می دهیم، هستند.

منبع

ZDNET

چگونه مصور سازی داده ها در سال ۲۰۱۵، صنعت ساخت و ساز را متحول کرد

داده‌های بزرگ، مفهومی است که همهٔ صنعت‌ها را به هم متصل کرده و به شرکتها اجازه میدهد که آینده خود را هدفمندتر تعریف کنند. توانایی رو به رشد برای پردازش داده ها،باعث ایجاد دوره‌ای شده است که در آن رهبرهای شرکت‌های بزرگ، با بصیرت‎تر و بسیار موثرتر در تصمیم گیری‎ها شده اند.
با وجود مزایایی که داده‌های بزرگ دارند، پردازش داده‌های به این حجم، برای همه شرکت‌ها و سازمانها لازم نیست. اما، تحلیل داده‌ها در مقیاس کوچکتر، نه تنها مزایای زیادی دارد بلکه باعث ایجاد فرصت برای دیدن مزایای پردازش داده در شرکت‌های کوچک و متوسط است.
داده کوچک چیست؟
چه چیز را "داده کوچک" می‌نامیم. نگرانی مشترک شرکت‌های بخش ساخت و ساز، نپذیرفتن داده‌های بزرگ نیست، بلکه این است که آنها اقدام کافی‌ برای فهمیدن آن - چه برسد به  تحلیل آن- را انجام نمی‌دهند. پس این داده‌های کوچک است که به معنی‌ واقعی‌ کلمه، این سازمان‌ها را در طول دوران به جلو می‌راند.
داده‌های کوچک میتواند به داده‌های فروش، سود، تجهیزات، ماشین آلات، بهره وری پرسنل، چرخه عمر دارائی‎ها، موج فصلی و نرخ‌های پایین، طبقه بندی شود. به عبارت دیگر، نکات داده‌های کوچک زمانی‌ که در نظارت، پیش‎بینی‌ و بهینه سازی کلی‌ سازمان استفاده میشود، می‎تواند بسیار مفید باشد.
شما در حال حاضر چگونه اطلاعات خود را دنبال می‌کنید؟ با قلم و کاغذ؟ اکسل؟ نرم افزارهای قدیمی‌ و پیچیده پایگاه داده؟
گذشته از کاستی‌های آشکار چنین سیستمهایی، این روش‌های ردیابی و دنبال کردن داده، شرکت‌ها را در یک نقطه ضعف استراتژیک قرار میدهد. روش قدیمی‌ تنها برای دادن امکان به آنها برای تهیه گزارش از نتایج گذشته قابل اعتماد است. در بهترین حالت، آنها فقط میتوانند بهترین حدس و گمان‌های خود را برای نتایج آینده ذخیره کنند.
چیزی که آنها نمیتوانند انجام دهند، دنبال کردن و گزارش از عملکرد کسب و کار در زمان واقعی‌ است. در ضمن این سیستم‌ها اصلا برای پیش بینی‌ عملکرد آینده بر اساس اطلاعات شرکت قابل اعتماد نیستند و نمیتوانند داستان کاملی از کّل مجموعه عملیات شرکت بگویند.
آنچه را میبینیم، باور می‎کنیم
قبلا، شرکتها همیشه یک نمودار بزرگ بصری را در سالن غذاخوری یا اتاق هیئت مدیره، نمایش می‌دادند.. یک پوستر یا نمودار مشابه که حتی اهداف و مقاصد راهم نشان نمیدهد. شما هم ممکن است امروزه از برخی‌ از اینها استفاده کنید. نمودار فروش؟ رشد درآمد؟
اگرچه به صورت یک بعدی، اما این نمودارها نقش اساسی‌ را در اطلاع رسانی مدیریتی و فایل‌ها و اخبار عملکرد معیارها و هدف شرکت، ایفا میکردند. مشکل اصلی‌ این بود که این نمودارها ایستا بودند و در واقع با سیستم‌هایی‌ که نظارت واقعی‌ بر عملکرد دارند، همراه نمیشدند.
در حال حاضر، نمودار مصور بزرگ، یک مانیتور است که در قسمتهای مختلف دفتر کاری تعبیه شده است و به صورت واقعی‌ گرفتن، پردازش و گزارش داده‌های در حال استفاده را مستقیماً نشان میدهد و گزارش‌هایی‌ از عملکرد شرکت در اختیار همگان میگذارد. این سیستم پویاست و منطبق با زمان واقعی‌ کار می‌کند و کاملا قابل ویرایش است که با یک فناوری مناسب، گزارش سیستم‌های مختلف کسب و کار شما را ارائه میدهد.


داده‌های بزرگ میتوانند صبر کنند اما مصور سازی داده نمی‌تواند.
شرکت‌هایی‌ که فناوری قویتری دارند و سیستم‌های به نسبت پیچیده تری طراحی میکنند، متوجه شده اند که از طریق مصور سازی داده ها، کارکنان و مدیران شاهد عملکرد شرکت در زمان واقعی‌ هستند. نتیجه؟ اعضای تیم‌ معیارهای زمان واقعی‌ را قبل ازینکه در مورد نتایج گذشته صحبت کنند، با چشم خودشان می‌بینند و میتوانند همه تمرکز را روی صحبتهایی در مورد استراتژی و آینده بگذارند.
چرا Adamo متحول شد
یک شرکت در حوزه ساخت و ساز اولین بار متوجه شد که چگونه میتواند با استفاده از ابزار مصور سازی داده‌ها به افزایش کیفیت، دقت، مسئولیت پذیری، بازده، کارآیی، سوددهی و ایمنی در کسب و کار کمک کند. گروه Adamo که در دیترویت واقع شده است، متوجه شد که برای باقی‌ ماندن رهبران در مقام خود، آنها احتیاج دارند که فرایند کسب و کار خود را منطبق با امکانات و واقعیات حال حاضر، تغییر دهند.
Adamo پایگاه بزرگی‌ از کارمندان دارد که در سایت‌های کاری مشغول کار بر پروژه‌ها هستند. حتی فرایند سادهٔ ردیابی ساعت و پروژه‌ها به یک فرایند سنگین تبدیل شده بود. دقت، مسئولیت پذیری و بهره‌وری برای یک سرویس دهنده در جوامع عضو اکو ضروری است. برنامه ازین قرار بود که هر چیز نا معلومی را حذف کنند و عملکرد افراد، پروژه‌ها و فرایند کار خود را بهینه سازند - بدون اضافه کردن لایه‌هایی‌ از افزونگی و بوروکراسی.
تیمهای Adamo با ردیابی و تجزیه تحلیل پرسنل، ماشین آلات و دارائی‌های پروژه، به شناخت قسمتهایی که در آن‌ بازده بیشتر میتواند اضافه شود، می‌رسیدند. Adamo یک سیستم سفارشی تولید کرد که افراد، فرایندها و ماشین آلات خود را در زمینه پیگیری، گزارش و تجزیه تحلیل به یک سیستم مرکزی قوی وصل کرد که این سیستم میتواند با برنامه‌های کاربردی تلفن همراه و دستگاه‌های دیگر، کار کرده و نظارت شود.
راه حل، یک برنامه کاربردی قابل نصب روی تلفن همراه بود که به کارگران اجازه میدهد تا وظایف، زمان و تجهیزات استفاده شده در پروژه را از طریق یک برنامه مخصوص کارکنان وارد کنند. از این طریق نه تنها ردیابی و مدیریت زمان پروژه دقیق تر و کارآمدتر میشود، بلکه با بهینه سازی فرایند کسب و کار، در زمان کارکنان صرفه جویی می‌کند.
دنیلز، مدیر کّل گروه Adamo می‌گوید: "هنگامی که ما به کارکنان در مورد سیستم و فرایند جدید گفتیم، واکنش اولیه آنها همان بود که انتظارش را دارید." ساخت و ساز یک صنعت قدیمی‌ است و نسل‌های زیادی از افراد با یکدیگر همکاری میکنند.در ابتدا مقاومت‎هایی وجود داشت اما عملا در زمان خیلی‌ کوتاهی، این واکنش‌ها به "وای! اینجوری خیلی‌ آسان تر است" تبدیل شد.
در عرض ۶۰ روز ما کاملا در سیستم جدید راه افتاده بودیم و کاربران در حال خرید بودند. حالا کارمندان از ما می‌‌پرسند، "این سیستم چه کارهای دیگری میتواند انجام دهد؟"
چیزی که جایگزین گرفتاریها و بی‌کفایتی روش قبلی‌ شد، یک فناوری کاملا اتوماتیک و سازمان یافته بود که با ترکیب مسئولیت پذیری و صرفه جویی در هزینه‌ها در سراسر سازمان، باعث پیشی‌ گرفتن Adamo از رقبای با کاغذ و قلم و کسانی‌ که از روشهای ناکارآمد گذشته استفاده میکردند، شد.
دنیلز می‌گوید، در سراسر هیئت مدیره، این یک موفقیت بزرگ برای سازمان ماست. من می‌‌دانم که این برنامه در زمان کارمندان‎مان، و با افزایش بهره‌وری، در هزینه ها صرفه جویی می‌کند. همچنین پاسخگوی نیازهای ما در سطح سازمانی هم میباشد، چون دیگر نیازی نیست که به ما زمان رسیدن و تحویل گرفتن کالا را بگویند یا از تکمیل شدن کاری ما را مطلع کنند. به جای این، ما با چک کردن کامپیوتر یا تلفن خود از انجام شدن وظایف در زمان واقعی خبردار می‌شویم.
مصورسازی داده ها، داده‌های کوچک را به اطلاعات بزرگ تبدیل می‌کند
گرفتن داده خام، تبدیل آن به چیزی که قابل دسترسی‌ باشد، سپس نمایش داده به شکل مکالمات معنی‌ دار، تفاوت ذخیره سازی داده و استفاده از اطلاعات است. این تفاوت بین ردیابی نتایج گذشته و بهینه سازی عملکرد آینده است!
در زمانی‌ که شرکتها در حال تلاش برای گرفتن داده‌های بزرگ و دسترسی‌ به فناوری‎های بی‎پایان هستند، اکثریت صنعت ساخت و ساز هنوز هم به شدت به کاغذ و گزارش از نتایج گذشته وابسته است. اما شرکتهای هوشمند در حال کار برای رمزگشایی داده‌ها و ارائه اطلاعت و تجزیه تحلیل در زمان واقعی‌ هستند.
ممکن است نادیده گرفتن کلمات روز مثل "داده بزرگ" راحت‎تر از پذیرش تغییرات و کشف امکانات باشد. و در مورد داده‌های بزرگ، حتی ممکن است برای شرکتهای متوسط ساخت و ساز، این دوره منطقی‌تر باشد. اما شرکتهای صنعت ساخت و ساز داده‌های کوچک و مصور سازی داده را با مسئولیت خود نادیده میگیرند. این کار نه تنها شما را وادار به تماشای گزارش‎های قدیمی‌ و اطلاعت ناقص و نادرست از سلامت شرکت شما می‌کند، بلکه ممکن است شاهد پیشرفت روزانه رقبای خود، که در مسیر مدرنیزه هستند، نیز باشید

منبع

استفاده از داده ها جهت قدرتمند کردن تجارت الکترونیکی

امروزه در دنیا شرکت های تجارت الکترونیکی موفق به منابع اطلاعاتی و ابزارهای قدرتمندی جهت تصمیم گیری دقیق دسترسی دارند.این مقاله برخی از منابع و ابزارها و اخذ انواع تصمیم ‌هایی پیشرو در کسب و کار الکترونیکی را ارائه می نماید.
طراحی وب:
تصمیم‌گیری پیرامون طراحی وب را بر اساس مشاهده آمار و گروه کاربران و طبق داده‌های رفتاری آنان پایه‌ریزی کنید. بهترین طراحی یا صفحه آرایی برای وب سایت شما که منجر به افزایش نرخ بازدید و بهره وری می گردد، چیست ؟ آیا بر روی وب سایت تان نواحی رهیابی که نیاز به اصلاح و بازنگری دارد، مشاهده می کنید ؟ آیا مشتریان شما در یک صفحه خاص کارشان قطع می شود و صفحه را ترک می کنند؟ گذشته از ابزارهای تحلیلی معمولی که ترافیک را پیگیری می کنند، سرعت ها را بالا می برند و علاوه بر نرخ ها و شاخص ها ، می توانید از راه حل های پیشرفته تری نظیر نقشه های مقدماتی استفاده کنید تا داده هایتان را کامل کنید. یک ابزار مناسب در این  Crazy Egg است. Crazy Egg نمایش های تصویری از رفتار کاربر فراهم می کند و قادر می سازد تا نوشته های وبسایت را طرح ریزی کنید،  نقاط حرارتی (Hotspot) را شناسایی کنید، تست های A/B را تولید کنید و ...
 Crazy Egg نقشه های مقدماتی را فراهم می کند و به درک چگونگی رفتار متقابل کاربران با وب سایت کمک بسزایی می کند. پیوسته می‌توانید دوباره نوع بازدیدها، داده ها و آمار رفتاری  با راه حل هایی نظیر FireSecondTest.com یا UserTesting.com به دست آورید. این ابزارها وب سایت شما را در مقابل کاربران واقعی قرار داده و رفتار آنها را ضبط می کند. این ابزارها به شما اجازه می دهند تا سوالات مورد نظر خود را پرسیده و اطلاعات کیفی در مورد نحوه درک و دریافت افراد از طرح های شما را به دست آورید.
تصمیمات موجودی کالاها (انبارداری)
تصمیمات پیرامون موجودی کالا و انبار می بایست همیشه حاصل داده ها باشند. مهم است که دائما دنبال کنید که چطور محصولات به فروشگاه شما منتقل می شوند. شما باید دقیقا بدانید چه آیتم هایی را سفارش دهید و در چه وقت و هر از چند مدت سفارش دهید. داده های قبلی را نیز می بایست در نظر گرفت. مشتریان شما در سال گذشته چه چیزی خریداری کردند؟ کدامیک از آیتم ها  برای مدت طولانی در انبار شما باقی ماندند؟ علاوه بر آن، داده هایی که به اقلیم و آب و هوا ارتباط دارند نیز مفید می باشند. برخی خرده فروش ها در حال حاضر به تحلیل های آب و هوایی توجه می کنند و می توانند رفتار خریدارن و همچنین درخواست محصولات را پپیش بینی کنند و در صورت لزوم کالا را انبار کنند.

برنامه ریزی برای تبلیغ و کمپین:
تجزیه و تحلیل داده ها می تواند خارج از زمان بندی کمپین های بازاریابی تان برآورد و ارزیابی شوند. با محاسبه و آنالیز ساعات و روزهای هفته که مشتریان ایمیل های شما را باز کرده و تراکنش های فروش را کامل می کنند، می توانید بهترین زمان برای ارتباط با خریداران را تعیین کنید. یک از شرکتهای موفق در انجام این نوع تحلیل، شرکت Swaychic می باشد . این شرکت یک خرده فروش در زمینه پوشاک و لوازم جانبی می باشد. این شرکت توانست نتایج کمپین های ایمیلی اش را به وسیله محاسبه روزها و ساعات با بیشترین مقادیر نرخ بازدید و باز نمودن ایمیل، ارتقا دهد. بر اساس آن داده ها، ما مشتریان را به بخش های زمانی مختلف 5 صبح، 10 صبح و 5 بعدازظهر  تقسیم کردیم و پیامها را بیشتر بر اساس رفتار و تاریخچه خرید هر مشتری طبقه بندی کردیم. این امر باعث افزایش 40 درصدی در میزان بازنمودن ایمیل ها شد، افزایش 100 درصدی در متوسط نرخ کلیک در آنها بوجود آمد و همچنین افزایش 300 درصدی هم در درآمد و بازده برای هر کمپین ایجاد شد.


قیمت گذاری کالا:
جمع آوری آمار و داده های خریدهای قبلی مشتریانتان، مکان جغرافیایی و آمارگیری ها، در کنار اطلاعات مربوط به قیمت گذاری رقبایتان، می تواند به شما در تعیین موثرترین نکات در رابطه با قیمت برای خرید و فروش محصولاتتان کمک کند. در حالی که ایده آل آن است که شما چندین منبع و استاندارد را ترکیب کنید تا با بهترین قیمت ها به نتیجه برسید، می توانید در عین حال فقط با آنالیز یک یا دو نقطه آماری، کار را انجام دهید. برای مثال با پیگیری خریدهای قبلی مشتریانتان می توانید تخمین بزنید کدام مشتریان می خواهند قیمت های اضافه برای محصولات خاص بپردازند و کدام مشتریان نیاز به قیمتی پایین تر برای امتیاز گرفتن یا به تخفیف بالاتری نیاز دارند.
دیگر خرده فروشان از موقعیت های مشتریان استفاده می کنند (با استفاده از پیگیری آدرس های IP آنها) تا بهترین قیمت را تعیین کنند. بعنوان مثال Staples.com قیمت های مختلفی را برای یک محصول ارائه می کند. که این امر بستگی به موقعیت جغرافیایی کاربران دارد. اینکه کاربران کجا هستند موجب تغییر قیمت محصول می گردد! . طبق برآورد ژورنال وال استریت مشخص شد که Staples به مسافت اشخاص از یک فروشگاه brick & Mortar رقیب توجه می کنند، یا کمپانی Office Max و یا کمپانی  Office Depot. اگر فروشگاه های رقیب مسافت 20 مایل یا این حدود بودند، Staples.com معمولا یک قیمت تخفیف خورده ای را نشان می داد. گزینه دیگر چک کردن قیمت های رقبا می باشد. برای مثال wiser (یا به اسم رسمی  wise Pricer) این کار را با بازبینی، آنالیز و قیمت گذاری دوباره محصولات کوچک در لحظه را مقدور می سازد.
ساخت محتوا:
اگر بازاریابی محتوایی را هدایت می کنید، پیگیری استانداردهایی مثل ترافیک زمان بر روی سایت، به اشتراک گذاری در شبکه های اجتماعی و کامنت ها به شما دیدگاه هایی در مورد انواع محتوا می دهد که با مخاطبین شما بیشتر هماهنگی دارد. گذشته از این، با مشاهده به داده هایتان می توانید اطلاعات با ارزشی به واسطه پیگیری به اشتراک گذاری در شبکه های اجتماعی بر وب سایت های مرتبط بدست آورید. من به عنوان مثال از Buzzsumo استفاده می کنم تا پست های عمومی را در کسب و کارهای الکترونیکی پیدا کنم. واژه های کلیدی مرتبط را تایپ میکنم ،(معمولا واژه های "big data" (داده های بزرگ) و "ecommerce" (تجارت الکترونیکی) ) و ابزار، نتایجی را تولید می کند که من می توانم به واسطه نوع محتوا، تعداد به اشتراک گذاری ها و غیره آنها را دسته بندی نمایم. این امر من را قادر می سازد تا به راحتی پست های مهم را در اطرافم پیدا کنم و به من کمک می کند تا ایده هایی بسازم، شکافهای محتوایی پیدا کنم و بدانم چه چیزی را مخاطبین هدف ما می خواهند مصرف کنند سپس این یافته ها را در استراتژی بازاریابی محتوایی با هم یکی می کنیم.
Buzzsumo داده هایی را درباره محتوا فراهم می آورد که در رسانه های اجتماعی محبوب می باشند. لطفا پیگیری کنید که چطور مشتریان به توصیفات محصولات پاسخ می دهند، FAQها و سایر بررسی ها که شما میتوانید آنها را بهینه سازید، مهم است. احتمالا کشف خواهید کرد که توصیفات کوتاهتر راجع به محصول برای مشتریان شما بهترین اتفاق است یا کلمات و عبارات صفحه سوالات متداول (FAQ) نیاز دارد تا با جزییات شرح داده شود. بهترین راه اطمینان یافتن از بهینه بودن صفحات این است که تست ها را با انواع محتواها و کپی های مختلف وب، انجام دهیم.
پایگاه ها و دستگاه ها:
 داده ها را بر روی دستگاه ها و پلت فورم هایی جمع آوری کنید تا مشتریان از آنها استفاده نمایند . شما می توانید وب سایت و کمپین ها را بر طبق آنها بهینه سازید. چند درصد از داد و ستدها بر روی دسکتاپ کامپیوترها کامل می شوند و مشتری ها از چه مرورگرهایی استفاده می کنند؟ کدامیک از مشتریانتان از دستگاه های موبایل شان برای جستجوی محصول شما استفاده می کنند؟ چند درصد از مشتریانتان کاربران اندروید و iOS هستند؟ شما می توانید به این سوالات به واسطه پیگیری استفاده از platformها و دستگاه ها در سرویس تجزیه و تحلیل وب تان، پاسخ دهید. این امر دیدگاه هایی را در مورد اینکه چطور مشتری ها از محتوا استفاده می کنند، فراهم می آورد و به شما کمک می نمایند تا تجربه کاربری بهتری برای هر دستگاه یا پلت فورم داشته باشید.

داده های بزرگ، آینده تجارت الکترونیکی

از سال 2014 کلمه داده های بزرگ خیلی در بین مردم رایج شد و همینطور این داده های بزرگ نقش بسیار مهمتری در تجارت الکترونیکی در آینده ای نزدیک خواهند داشت. اگرچه فروشنده های آنلاین در حال حاضر با استفاده از ابزارهای تحلیلی به تجزیه و تحلیل سبدهای خرید میپردازند و یا بر اساس آدرس آی پی از طریق یک سیستم مدیریتی ، هویت فردی هرکس را نشان میدهد اما داده های بزرگ این عملکرد های تکنیکی و فنی را در کوتاه مدت گسترش خواهد داند. هدف این داده ها فراهم کردن و ارایه دادن تجربه خرید فردی و بهینه سازی بلادرنگ آنها برای مشتریان است. به این وسیله برای فروشندگان آنلاین این امکان فراهم شده که فرآیند خرید و ارتباطات با مشتری هایشان را به طور کلی بهبود ببخشند. فروشندگان آنلاین میتوانند کسب و کار خودشان را با این داده های بزرگ در زمینه های زیر بهبود بخشند:
1 – بهینه سازی نمونه محصولات:
تجزیه و تحلیل مقادیر زیادی از ساختارهای داده های مشتری اجازه میدهد که جزییات گروه هدف مورد بررسی قرار گیرد و بر اساس نتایج به دست آمده اش میتوان نمونه کار فروشگاه آنلاین را از یک کار خاص اقتباس کرد و فهمید . بالاخص فروشندگان آنلاین بزرگ میتوانند خدمات و سرویس های خودشان را توسط داده های بزرگ ، بهتر انجام دهند و نیازهای خاص مشتری را بهتر متوجه شوند.همچنین داده های بزرگ نقش به سزایی در پیش بینی نیازهای مشتری و همچنین کمک به بهینه سازی نمونه محصولات دارند. بنابراین با داده های بزرگ این امکان هست که بتوانید ارزش سهام را نیز بالا ببرید.
2 – بهینه سازی قیمت ها
با کمک داده های بزرگ ، امکان داده کاوی و تجزیه و تحلیل بی درنگ فراهم شده است و دیگر یک فروشنده آنلاین هم میتواند قیمت یک محصول را تعدیل کند.به منظور دستیابی به شفافیت بالای اینترنت لازم است که رقبا تحت نظر گرفته شوند و برای حفظ توان رقابتی باید متعادل سازی قیمت های محصول خود با قیمت محصولات آنها انجام گیرد.  به این منظور، داده های بزرگ تجزیه و تحلیل های جامعی از بازار را برای دستیابی به سیاست های قیمت گذاری پویا ارایه میدهند.
3 – بهینه سازی فروشگاه آنلاین
با کمک داده های بزرگ و تکنولوژی های وب ،سرورهای سریع ، فراهم کردن وب سایت های جامع و پویا امکان پذیر شده است . بنابراین مبدأ و مقصد صفحات و منطقه آنها را میتوان نشان داد. علاوه بر این امکان نشان دادن سلیقه های مختلف راجع به محصولات هم برای آقایان و هم برای خانم ها هم می باشد . با توجه به داده های بزرگ عملاٌ هیچ محدودیتی برای تنظیمات ممکن به منظور بهینه سازی فروشگاه های آنلاین وجود ندارد.
4 – بهینه سازی تبلیغات آنلاین
 نگاهی به گذشته نشان میدهد که شیوه و نحوه ی تبلیغات خیلی موفقیت آمیز نبوده است . اما در حال حاضر با توجه به داده های بزرگ و برنامه ریزی شده برای خرید آنلاین ، فروشنده ها میتوانند تبلیغات خود را به مشتری هایشان به صورت کاملاً مشخص و خاص ارایه دهند. با یک مدل سازی مشابه و هم چهره ی کالای مورد فروش امکان جذب مشتری های جدید فراهم میشود. بی شک این تبلیغات، ارزان تر و مؤثرتر از همه ی تبلیغاتی است که در گذشته بوده .بنابراین به کمک داده های بزرگ فروشندگان آنلاین میتوانند هزینه تبلیغات خودشان را کاهش دهند و در عوض باعث افزایش دسترسی همگانی به رسانه هایشان شوند.
5 – بهینه سازی خدمات مشتری
اگر یک مشتری نسبت به کالای فروخته شده ناراضی باشد و اعتراض خود را تلفنی اعلام کند و به مرکز خدمات مشتریان ایمیل نزند و همزمان وقتی کارمند مرکز خدمات مشتریان برخی از پیشینه ی مشتری را در حین تماس تلفنی گرفته شده با استفاده از اطلاعات شبکه های اجتماعی دریابد این عمل یک مزیت بزرگ محسوب خواهد شد . اینکار با کمک داده های بزرگ امکان پذیر میشود . تنوع اطلاعات پیشینه ی با ارزش باعث ارایه یک سری امکانات برای گروه پشتیبانی مشتریان می گردد و درنتیجه باعث پیشرفت قابل ملاخظه ای در ارتباط با مشتریان خواهد شد. همچنین کیفیت خوب گروه پشتیبانی یک مزیت رقابتی است.
نتیجه گیری
داده های بزرگ باعث تأثیر زیادی در استراتژی های تجارت الکترونیکی خواهند شد. به خصوص در زمینه ی بازاریابی، فروش، تجزیه و تحلیل؛ داده های مرتبط از اهمیت خاصی برخوردار هستند. داده های بزرگ ارایه دهنده ی راه حل های برجسته برای انطباقی پویا بین بهینه سازی شاخص سهام  و پشتیبانی اختصاصی مشتری در فروشگاه های آنلاین هستند.

اهمیت داده ها در راه اندازی و مدیریت فروشگاه آنلاین

اگر بخواهم صادقانه بنویسم باید بگویم که هر روز با مشتریانی مواجه می شوم که آرزوهای بزرگ تجاری آنلاین در سر دارند و با ابرهای بزرگ بالای سرشان از اقداماتی صحبت می کنند که هیچ بررسی و تحلیلی ندارند. طبق عادتی که دارم بیشتر از آنکه  گوش کنم و بنویسم بیشتر می پرسم چرا می خواهید؟ تا شاید بیشتر فکر کند و تحلیل کند .
بسیاری از این دوستان،رقبا  را دست کم می گیرند و گمان میکنند می توانند به راحتی راه های طولاتی را یکماه طی کنند.
به آنها می گویم که لطفا بیشتر فکر کنید و سنگ بزرگ برندارید همانقدر که این پروژه نیاز به تفکر دارد شما نیز خودتان در کار ساخته می شوید و باید دقیقتر حرکت کنید. برای پروژه تان یک وجه رقابتی عالی پیدا کنید. یک چرایی دقیق و .... و نهایتاً به این نقطه میرسیم که بایستی پیش از راه اندازی هر نوع تجارت آنلاینی داده های موجود را جمع آوری کرده و مانند یک پازل کنار هم بگذاریم تا چشم انداز روشنی به ما بدهد. اینکه در کدام زمینه و چطور تجارت آنلاین خود را آغاز کنیم تا اینکه سیاستهای رقابتی در بازار چه باشد و چطور سرمایه گذار را متفاعد کنیم که با ما شریک شود . در واقع تماماً داده هایی است که باید جمع آوری شود و به شکل کاملاً علمی نمایش داده شود تا به تصمیمی دقیق منتهی شود.



شاید سهولت در دسترسی به اطلاعات در اینترنت این امر را به ظاهر آسان جلوه دهد اما شکست و تعطیلی حجم زیادی از فروشگاه های اینترنتی بیانگر این نکته مهم است که صاحبان و علاقه مندان به این حوزه اولاً اصول راه اندازی کسب و کار آنلاین را به خوبی فرا نگرفته اند و ثانیاً از ابزارهای مناسب جهت جمع آوری، تحلیل و بررسی اقدامات خود استفاده نمی کنند.
در مقالاتی که به صورت سلسله وار در این وبلاگ منتشر خواهم کرد بیشتر پیرامون اهمیت داده ها در تصمیم گیری و موفقیت در تجارت الکترونیک می باشد . اینکه:
 کدام داده با چه فرمتی مناسب کدام بخش از کسب و کار ما است ؟
 چطور می توانیم داده درست را از نادرست تشخیص دهیم ؟
کدام ابزار تحلیل داده مناسب بازاریابی ، فروش، خدمات پس از فروش به مشتریان و .... است؟
 *مقاله : از تجزیه و تحلیل کسب و کار آنلاین خود نترسید (بخش اول)
مدیریت کسب و کار اینترنتی با استفاده از داده ها و تحلیل داده ها چطور امکان پذیر است؟
 *مقاله : داده های بزرگ، آینده تجارت الکترونیکی

و ....

چطور کسب و کارهای کوچک می توانند از داده های بزرگ استفاده کنند ؟


 

داده های بزرگ فقط برای کسب و کارهای بزرگ نیست . اگر اطلاعات و دانش روز در زمینه مدیریت را مطالعه نمایید ، هر روز مطالب زیادی راجع به داده های بزرگ خواهید دید .

داده های بزرگ چیستند ؟

مفهوم داده های بزرگ بسیار ساده است و در واقع همان چیزیست که نامش میگوید . اطلاعات و داده های بسیار زیاد که در واحد مگابایت یا گیگابایت قابل اندازه گیری نیستند و بیشتر در قالب ترابایت یا پتابایت میگنجند را داده های بزرگ مینامند که از نگرش های مختلف  قابل تحلیل و بررسی است .

به گفته شرکت IBM  روزانه حدود دو و نیم کوانتیلیوم بایت  اطلاعات،  توسط ما به وجود می آید . جالب است بدانید بیش از 90% داده ها در دنیای امروز ، تنها در 2 سال اخیر ایجاد شده اند .

به کسب و کار خود بیندیشید . در گذشته هیچ گاه اطلاعات به این شکل ذخیره و نگهداری نمیشد . ذخیره سازی بیشتر روی کاغذ بود که امکان تحلیل آنها در یک منظر بزرگ بسیار سخت و غیر قابل انجام بود .

البته امروزه تمامی کسب و کارهای کوچک هم به صورت  الکترونیکی اطلاعات خود را طبقه بندی و ذخیره مینمایند . شاید در یک کسب و کار کوچک حجم کلی اطلاعات هیچ وقت از لحاظ حجمی به مقدار یک داده بزرگ نرسد ولی حقیقت این است که همان اطلاعات برای آن واحد در حکم داده بزرگ است ، چون تمام برنامه ریزی ها و سنجش ها و کنترل ها با بررسی همان اطلاعات ممکن خواهد بود . این با تعریف دیگر داده های بزرگ هماهنگ است . تعریف دیگر میگوید ، در تمام داده های بزرگ ، سه فاکتور اصلی وجود دارد : حجم زیاد، سرعت بالا و تنوع زیاد .

استفاده های کاربردی از داده های بزرگ بسیار گوناگون است که در ادامه مقاله به آن اشاره مینماییم .

1-      با استفاده از داده های بزرگ به سادگی میتوانید از سلیقه مشتریان خود آگاه شوید .

برای مثال یک شرکت کوچک اجاره ویلا در ایالت کارولینای شمالی از نرم افزار جمع آوری و طبقه بندی داده های بزرگ استفاده مینمود . آنها پس از مدتی به سادگی زمان های کم مسافر و پرمسافر را پیش بینی میکردند و با تخمین زدن صحیح از نرخی که مسافران خواهند پرداخت ، در فصول مختلف ، قیمت و تعداد ویلاهای رزروی خود را به سادگی تنظیم مینمودند .

2-      پیشرفت کیفی در تولید محصولات

شرکت های تجاری که اطلاعات خود را به طور الکترونیکی ثبت و طبقه بندی میکنند ، پس از مدتی به سادگی میتوانند مقدار مصرف و نوع مصرف مشتریان از محصولات خود را با نمودارها و جداول بررسی کنند و از این طریق خرید و فروش خود را تنظیم نمایند .

برای مثال پس از مدتی میتوان از روی داده های الکترونیکی حجیم و با کمک نرم افزارهای تحلیلگر و داشبوردهای مدیریتی متوجه شویم در کدام نقاط از شهر ، کدام محصولات ما خواهان بیشتری دارد و روی آن محصول در آن مکان بیشتر توجه کنیم . یا مثلا در کدام رنج سنی ، چه محصولی بیشتر به فروش میرسد ، با دانستن این مساله ، به سرعت میتوانیم فروش آن محصول را بالا ببریم . مثلا اگر رنج سنی 13 تا 17 سال ، میل زیادی به خرید کافه میکس دارند ، در کنار کتابخانه مخصوص دبیرستانی ها برای فروش کافه میکس اقدام نماییم  .

3-      ساخت حس از رسانه های اجتماعی

 در مورد مقدار بسیار عظیمی از اطلاعات که در شبکه های اجتماعی وجود دارد بیندیشید . هر روز مشتریان شما اطلاعات فراوانی را با دیگران به اشتراک میگذارند که به شما کمک میکند بسیار سریع دایره هدف مشتریان خود را بیابید.

چیزی که در کسب و کار سنتی بیشتر شبیه یک رویا بود .

اما مشکل بزرگ ، نحوه صحیح استفاده از داده های عظیم است که بدون استفاده از داشبوردهای مدیریتی به سختی امکان پذیر می باشد . داشبوردها به ما این امکان را میدهند که در کمتر از چند ثانیه از وضعیت کنونی کسب و کار و نقاط ضعف و قدرتمان مطلع شویم و از داده های بزرگی که در طی زمان با دقت و توجه گرداوری کرده ایم ، نهایت استفاده را بنماییم .

 

مطالب مرتبط :

داشبورد مدیریتی چیست ؟

فقط مدیران بخوانند.

مصور سازی اطلاعات یعنی آینده

همه ما شنیده ایم که داده های بزرگ آینده را پیش بینی خواهند کرد. اما براساس گفته ی فییل سیمون در تازه ترین کتابش به نام  "سازمان دیداری :: مصورسازی اطلاعات، داده عظیم، و تلاش برای تصمیم گیری بهتر"  ممکن است که این مطلب کاملا صحیح نباشد . داده های بزرگ ابزاری قدرتمند جهت کشف چشم اندازهای جدید برای شرکتها می باشند. اما بدون چارچوب صحیح جهت درک داده ها ،آنها بیشتر از آنکه راهگشا باشند، موجب بی نظمی می گردند.
غالباً مصورسازی اطلاعات امکانی را فراهم می کند که داده های بزرگ واقعیت های دقیق خود را نمایان کنند. مصورسازی اطلاعات اساسا پیرامون نحوه  رشد سازمانهایی که از طیف وسیعی از ابزارهای مصورسازی اطلاعات استفاده می کنند و سوالات بهتری از داده های سازمان خود پرسیده و تصمیمات تجاری بهتری اخذ می کند، می باشد.سیمون می گوید این گفته را به استناد نمونه ای از شرکتها نظیر مایکروسافت،آمازون،اپل،فیس بوک ، گوگل ، توئیتر، نت فیلیکس ، و ... اعلام می کند
البته بسیاری از شرکتها مدت مدیدی است که از ابزارهای مصورسازی اطلاعات ابتدایی نظیر اشکال یا جداول نرم افزار اکسل مایکروسافت استفاده می کنند. " اما با استفاده از این ابزار کشف اطلاعات صحیح دور از ذهن می باشد" در مقابل، در شرکتهای بسیار پیشرفته شما کارمندانی را مشاهده می کنید که بیشتر از آنکه وقت خود را صرف ترسیم اشکال و نمودارهای ساده و جداول کنند تعامل بسیار خوبی با داده های سازمان دارند و نکات جدیدی پیرامون روندهای کسب و کار سازمان خود فرا می گیرند.




مصورسازی اطلاعات امکانی را فراهم می کند که داده های بزرگ واقعیت های دقیق خود را نمایان کنند. فییل سیمون توضیح میدهد ، دو عامل منجر به ایجاد این نتیجه در مصورسازی اطلاعات می گردد. افزایش حجم داده های بزرگ و آگاهی عمومی نسبت به قدرت این داده ها یکی از آن عوامل می باشد . سیمون می گوید : امروزه پیش از هر زمان دیگر ، متخصصین پیرامون داده ها و اتخاذ تصمیمات براساس داده ها مورد سوال و چالش قرار میگیرند. او می گوید : یک مجموعه ی فکری جدید و داده پرداز، در حال نفوذ به دنیای تجارت است.
ضرورت های موجود در سازمان ها، امروزه استفاده از داده های بزرگ را به افراد عیر متخصص نیز تحمیل می نماید. مصورسازی می تواند به این امر کمک نموده و ابزارهای جدیدی جهت تحقق آن فراهم نماید. IBM,  و Congnos و ,SAS و سایر شرکتهای مدافع هوش تجاری نیز در حوزه های مشابه وجود دارند.او فعالیت متمرکزی در این مبحث ندارند.
او می گوید : امروزه، سازمان ها نیاز به صرف هزینه های صدها هزار یا میلیون ها  دلاری جهت استفاده از ابزارهای مصورسازی اطلاعات ندارد.در دهه اخیر ابزارهای جدید بسیار قدرتمندتر و منعطف تر  شده اند. آن روزهایی که کارمندان  آی تی نیاز داشتند گزارشهایی برای کارمندان غیرفنی تولید کنند، گذشته است. این ابزارها کارها را بسیار آسانتر از قبل برای کارمندان کرده است تا به سرعت نکات جدید را مجموعه ی از داده ها کشف و تفسیر نمایند.
از دیدگاه سیمون مصورسازی اطلاعات عامل ضروری جهت تبدیل قدرت داده به یک جریان و چشم انداز بزرگ است.
منابع و مراجع:
مجله فوربس