وبلاگ vdash

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

راز و رمز تحلیل آماری نمودار جعبه ای

تا اینجای کار با

آشنا شدید و در این مقاله به نمودار جعبه ای می پردازیم که

مورد بحث قرار میگیرد.

نمودار جعبه ای بر خلاف تصور خیلی از افراد سخت و پیچیده نیست و اتفاقاٌ اطلاعات مفید و قابل درکی به ما می دهد.

نمودار جعبه ای از یک جعبه و دو میله که از آن بیرون آمده تشکیل شده است که قسمت های مختلفی دارد که با هم بررسی می کنیم.

به نمودار جعبه ای نمودار 6 خلاصه نیز می گویند زیرا از 6 بخش به شرح زیر تقسیم می شود(شکل1) :

نمودار جعبه ای

شکل1

  • بخش اول » شامل ماکسیمم واقعی و مینیمم واقعی می باشد که ماکسیمم واقعی بیشترین مقدار داده در آن گروهی است که بررسی میگردد و در بالاترین نقطه قرار دارد (شکل2) و مینیمم واقعی کمترین مقدار از داده های ما در همان گروه است و در پایین ترین نقطه قرار دارد(شکل 3).
ماکسیمم واقعی

شکل2

در شکل بالا ماکزیمم های واقعی با کادر مستطیل نارنجی نمایش داده شده است.

مینیمم واقعی

شکل3

در شکل 3 مینیمم واقعی با مستطیل نارنجی نمایش داده شده است.

  • بخش دوم » بخش 4/1 : نمودار جعبه ای داده ها را به 4 قسمت تقسیم می کند. 4/1 اول (%25)، 4/1 دوم (%5)، 4/1 سوم (%75)، 4/1 چهارم

مینیمم مؤثر (%25) : نقطه ای است که حداقل %25 یا 4/1 داده ها از آن کمتر است (شکل 4).

مینیمم موثر

شکل4

نقطه میانه و میانگین (%50) : نقطه ای که حداقل نصف داده ها کمتر از %50 آن باشد "میانه" است (شکل 5).

میانه

شکل5

در شکل بالا نقاط نطقه چین میانگین و خط بیانگر میانه می باشد.

ماکسیمم مؤثر (%75) : نقطه ای که %75 یا 4/3 داده ها از آن نطقه مقدار کمتری دارند(شکل 6).

ماکسیمم موثر

شکل6

نمودار جعبه را نیز مانند سایر نمودار ها هم می توانیم دسته بندی کنیم و هم سری های مختلف به نمودار جعبه ای بدهیم(شکل 7).

تنظیمات نمودار جعبه ای

در محور افقی معمولا و تقریبا همیشه داده های دسته بندی شده قرار می گیرند و محور عمودی این نمودار را داده عددی ای که قابلیت محاسبه و شمارش دارد تشکیل می دهد.

برای تفسیر این نمودار بهتر است که اختلاف زیادی بین میانه و میانگین نباشد زیرا این کار باعث می شود که میانگین به شما دروغ بگوید. برای درک بهتر این مساله به مقاله "نمودار جعبه ای - هنگامی که میانگین دروغ می گوید !" مراجعه نمایید.

آنچه در مقاله بعد می خوانید » نمودار پراکندگی

ساخت اولین داشبورد مدیریتی با vdash

پس از آن که

انجام شد حالا می توانیم به آنالیز اطلاعات و ساخت داشبورد مدیریتی بپردازیم.

با وارد کردن نام کاربری و رمز عبور وارد vdash می شویم(شکل 1).

شکل1

وارد صفحه نخست که شدیم با انتخاب شروع یک داشبورد جدید می توانیم آنالیز اطلاعاتمان را شروع کنیم(شکل 2).

شکل2

وارد صفحه داشبورد می شویم که در این صفحه می توانیم انواع چارت ها و گراف ها و گیج ها را برای آنالیز اطلاعاتمان استفاده نماییم(شکل 3).

شکل3

برای مثال از منوی نمودار ، میله ای افقی را انتخاب می کنیم(شکل4).

شکل4

از پنجره باز شده دادگان (واحد تولیدی)و موجودیت اطلاعاتی (مشتریان)مورد نظر را انتخاب می کنیم تا نمودار برای ما رسم شود(شکل 5 و 6).

شکل5

شکل6

نمودار میانگین درآمد سالانه بر اساس موقعیت جغرافیایی برای هر مشتری رسم شد ، حالا اگر بخواهیم میزان خرید برای هر مشتری به تفکیک جنسیت را مقایسه کنیم کافی است تنظیمات نمودار را باز کنیم و دسته بندی را به مشتری-جنسیت (شکل 7)

شکل7

و فیلد محاسباتی را به میزان خرید تغییر دهیم(شکل 8).

شکل8

به همین صورت می توانیم نمودارهای دیگری به داشبورد اضافه کنیم(شکل 9).

شکل9

داشبوردی که ایجاد کردیم را برای اینکه در آِنده هم بتوانیم استفاده کنیم باید ذخیره کنیم.که برای این کار از منوی داشبورد گزینه ذخیره انتخاب می کنیم(شکل10).

شکل10

و با انتخاب یک نام ، عمل ذخیره سازی انجام میگردد(شکل11).

شکل11

می خوایم که فقط اطلاعات مربوط به کشور انگلستان را بر روی نمودارها مشاهده کنیم از نوار آبی بالای صفحه آیکتن فیلتر را انتخاب می کنیم و از پنجره فیلتر ها "کشور انگلستان " را علامت می زنیم(شکل 12).

شکل12

اگر بخواهیم این تغییرات را ذخیره کنیم باید از "ذخیره به" در منوی داشبورد نوار آبی رنگ استفاده کنیم. داشبوردمان را می توانیم به کاربران دیگر vdash در سازمانمان به اشتراک هم بگذاریم که برای این کار فقط کافی است آیکن اشتراک گذاری روی نوار ابزار بالای صفحه را انتحاب کرده و کاربر مورد نظر و میزان دسترسی او را به داشبوردمان مشخص کنیم(شکل 13).

شکل13

داشبوردمان را ایجاد کردیم و تغییرات لازم را نیز اعمال نمودیم حال برای خروج از vdash از پنل تنظیمات "خروج کاربر" را انتخاب می نماییم(شکل 14).

شکل14

آنچه در مقاله بعدی مطالعه می نمایید » نمودارهای Basic

تعریف و ایجاد فیلدهای محاسباتی در vdash

فیلدهای محاسباتی یا متریک ها آن دسته از متغیر ها یا فیلدهایی هستند که قابلیت سنجش واندازه گیری و محاسبه شدن دارند و برای مدیریت کسب و کار می توانیم از آن ها استفاده کنیم.

متریک ها می توانند به صورت تک متغیره مانند میزان فروش و تعداد مشتریان در موجودیت اطلاعاتی فروش باشند و حتی می توانند ترکیبی از فیلدها را شامل شوند مثلا سود حاصل از فروش را درنظر بگیرید که از تفریق فروش و هزینه ها بدست می آید.

در مقاله قبل به طراحی مدل اطلاعاتی پرداخته شد و حال می خواهیم به تعریف فیلدهای محاسباتی که بخشی از طراحی مدل می باشند بپردازیم.

برای دسترسی به فیلدهای محاسباتی کافیست در قسمت مدل ها ، مدل مورد نظر را انتخاب کرده و سپس طراحی مدل اطلاعاتی از منوی بالای جدول را کلیک کنیم(شکل1) .

انتخاب مدل

شکل 1

در این مرحله می توانیم فیلد های محاسباتی را تعریف کنیم به شکلی که به سربرگ فیلدهای محاسباتی رفته و موجودیت مورد نظر که در مقاله "طراحی مدل اطلاعاتی" آموزش داده شده است را انتخاب می نماییم و در نهایت بر روی اضافه کردن فیلد محاسباتی کلیک می کنیم. (شکل2)

اضافه کردن فیلد

شکل 2

هر فیلد محاسباتی به صورت زیر معرفی می گردد:

  • نام : نامی که برای فیلد محاسباتی در سیستم ذخیره می گردد که باید انگلیسی باشد.
  • عنوان نمایشی: نام نمایشی برای کاربر نهایی که با نمودارها و گراف ها کار می کند.
  • فرمول : نحوه محاسبه فیلد در این قسمت نوشته می شود.
  • نحوه جمع بندی :عملیاتی که بر روی فرمول اعمال می شود.
  • نوع داده نمایشی : جنس خروجی حاصل از فرمول را تعیین می کند.
  • پیش فرض : تعیین کننده فیلد محاسباتی ای که به طور پیش فرض در هنگام رسم نمودار نشان داده می شود.

فرمول نویسی

زمانی که روی Expr کلیک می کنیم، پنجره فرمول نویسی نمایش داده می شود که در سمت راست موجودیت های ما قرار دارند و در سمت چپ کادر مخصوص فرمول نویسی (شکل3). جلوتر بیشتر درباره فرمول نویسی توضیح می دهیم.

فرمول

شکل 3

نحوه جمع بندی

همان طور که قبلا گفتیم استفاده از vdash به سادگی آب خوردن است و الان با هم این ویژگی را در قسمت نحوه جمع بندی می بینیم.

پیش تر گفتیم که در فیلدهای محاسباتی متغیر های قابل اندازه گیری قرار می گیرند که معمولا از نوع عددی و یا واحد پول می باشند.هدف محاسبه این مقادیر هست ، حال محاسبه به چند طریق می تواند انجام شود و بدون نوشتن هیچ گونه کد برنامه نویسی و تنها با یک کلیک آسان (شکل 4).

نحوه جمعبندی

شکل4

استفاده می شود. برای شمارش به کار برده میشوند و معمولا برای تعداد اشخاص (مانند مشتریان و یا پرسنل) Count :
برای جمع بستن مقادیر یک فیلد استفاده می شود(مانند فروش یک فصل ) Sum :
برای میانگین گیری به کار برده می شود.(مثلا میخواهی از نمرات معدل گیری کنیم) Average :
تعیین مینیمم یک فیلد Minimum :
تعیین ماکزیمم یک فیلد Maximum:
هر زمان که در فرمول از توابع جمع و شمارشی استفاده شود "باید" در بخش جمع بندی این گزینه را انتخاب نماییم. No Aggregation :

نوع داده نمایشی

نوع و جنس فیلد و خروجی جمع بندی آن را در این قسمت باسد تعیین کنیم(شکل5).

نوع داده نمایشی

شکل5

برای فیلدهایی که اعداد صحیح هستند از Integer Numeric استفاده می کنیم.

برای فیلدها و متغیر های اعشاری از Decimal Numeric استفاده میکنیم.

برای فیلدهای مالی و پولی از Money or Currency استفاده می نماییم.

برای فیلدهایی که درصد آنها اهمیت دارد از Percentage استفاده می کنیم.

با تعیین هر کدام از فیلدها به عنوان پیش فرض ، در هنگام رسم نمودار آن فیلد به عنوان فیلد محاسباتی نمایش داده می ش��د .

مثال 1 » تعداد پرسنل

پرسنل را از موجودیت ها انتخاب می کنیم و سپس در سربرگ فیلدهای محاسباتی ، بر اضافه کردن فیلد کلیک می کنیم و فیلد محاسباتی تعداد پرسنل را ایجاد می نماییم. پس از وارد کردن نام سیستمی و نام نمایشی آن به طور دلخواه، فرمول محاسباتی آن را می نویسیم.

تعداد پرسنل در واقع با Count(*) یا بهتر از آن Count(EmployeeKey) که بیانگر تعداد کدهای منحصر به فرد پرسنل است، محاسبه می شود. بنابراین در پنجره فرمول نویسی مانند شکل 6، روی فیلد کد پرسنل کلیک می کنیم تا به صورت خودکار سیستم نام سیستمی فیلد را که EmployeeKey است، به فرمول ما اضافه کند.

تعداد پرسنل

شکل6

تعداد یا Count در نحوه جمعبندی تعیین می شود که با انتخاب گزینه Count از لیست مربوطه (شکل 7) می توانیم به نتیجه دلخواه که همان Count(EmployeeKey) است برسیم.

جمع پرسنل

شکل7

نوع داده نمایشی تعداد پرسنل : مسلما از نوع اعداد صحیح می باشد ، پس از قسمت نوع داده نمایشی، Integer Numeric را انتخاب می کنیم.

مثال 2 » فیلد محاسباتی ساعات مرخصی

پس از اضافه کردن این فیلد به عنوان فیلد محاسباتی و تعیین نام مراحل زیر را انجام می دهیم :

نوشتن فرمول

ساعات مرخصی پرسنل از مجموع دو فیلد مرخصی استعلاجی و مرخصی استحقاقی بدست می آید. پس برای نوشتن فرمول ساعات مرخصی ابتدا فیلد مرخصی استحقاقی را از فیلدهای موجودیت انتخاب می کنیم که نام سیستمی آن به صورت خود کار به فرمول اضافه می شود م تا به صورت خودکار سیستم نام سیستمی فیلد را که (VacationHours) سپس از عملگر جمع (+) استفاده می نماییم و در نهایت مرخصی استعلاجی را از فیلدهای موجودیت با نام سیستمی م تا به صورت خودکار سیستم نام سیستمی فیلد را که (SickLeaveHours) را به فرمول می افزاییم (شکل 8).

نوع داده جمع پرسنل

شکل8

نحوه جمع بندی ساعات مرخصی یعنی مجموع کل ساعات پس نحوه جمع بندی آن Sum می باشد که از لیست نحوه جمع بندی انتخاب می نماییم و چون حاصل جمع عدد صحیح می باشد Integer Numeric را انتخاب می کنیم (شکل9).

انوع ساعات

شکل9

مثال 3 » میانگین ساعات مرخصی

برای این فیلد مخاسباتی نیز مانند مثال های قبل پس از اضافه کردن به لیست فیلدهای محاسباتی و تعیین نام نوبت به نوشتن فرمول آن می شود.

برای محاسبه میانگین ساعات مرخصی کافی است از مجموع ساعات مرخصی (مرخصی استحقاقی + مرخصی استعلاجی) که در مثال قبل فرمول آن را نوشتیم میانگین (Average) گرفته شود. برای این کار کافی است در قسمت فرمول مانند مثال قبل عمل کنیم و در بخش نحوه جمع بندی Average را انتخاب نماییم. (شکل10)

جمع ساعات

شکل10

مثال 4 » درصد از کل ساعات مرخصی

حالا می خواهیم درصد از کل ساعات مرخصی محاسبه کنیم.

درصد از کل ساعات مرخصی از رابطه مجموع ساعات مرخصی تقسیم بر(مجموع کل ساعات مرخصی) حساب می شود که در پایگاه داده ما به شکل زیر تعریف میشود(شکل11) :

فرمول درصد کل

شکل11

حالا باید نحوه جمع بندی را مشخص کنیم و چون در فرمول نویسی از تابع SUMاستفاده کرده ایم، نحوه جمع بندی را No Aggregation قرار می دهیم که به این معناست که از هیچ تابع جمع یا شمارشی استفاده نشود(شکل 12).

نحوه جمع بندی بدون تابع

شکل12

توجه داشته باشید که اگر در فرمول نویسی بخش فیلدهای محاسباتی از توابع شمارشی یا جمع استفاده می کنید دیگر در نحوه جمع بندی از هیچ یک از این توابع نباید استفاده کرد. عکس این قضیه نیز صادق است.

آنچه که در مقاله بعد میخوانید » تعریف KPI در vdash

چگونه با تعریف شاخص کلیدی عملکرد( KPI ) به اهدافتان می رسید ؟


شاخص کلیدی عملکرد یا KPI دقیقا چیست ؟

شاخص :

یک نشانه که به شما در مورد یک وضعیت اطلاعات می دهد و توجه شما را به آن جلب می کند . معمولا یک عدد ، درصد یا کد رنگ است که سریعا شما را از وجود یک خواستنی یا ناخواستنی را آگاه می سازد .

کلیدی :

یک جنبه مهم و حیاتی . به این معنی که شما باید اولویت بندی کنید . گرچه به این معنی نیست که باید چیزی را روی لیست کارها جا بیاندازید . هرچیزی که قابلیت اندازه گیری شدن داشته باشد را نمیتوان به عنوان یک متریک کلیدی در نظر گرفت .با یک عدد قابل مدیریت شروع کنید . معمولا سازمان ها بین 3 تا 7 شاخص کلیدی عملکرد تعریف می کنند .

عملکرد :

رفتاری که در آن موردی فعالیت ،کارکردی و یا برخوردی دارد . درست مثل عملکرد موتور که فقط با میزان مصرف سوخت در هر کیلومتر اندازه گیری نمی شود ، عملکرد یک شرکت هم فقط با متریک های سود شرکت بررسی نمی شود .

شاخص های کلیدی عملکرد ( KPI )

یکی از پرکاربردترین مفاهیم در کسب وکار و مدیریت هستند . بسیار معمول است که هر متریک یا داده ای را زبان مدیریت ترجمه میکنیم . اما نقش KPI خیلی کلیدی تر و مهم تر است . در حقیقت KPI یکی از مهم ترین نقاط راهبری کسب و کار است .

بهترین تعریف KPI

KPI ها کارت های امتیاز دهی هستند که به شما کمک می کنند استراتژی خود را در مسیر مشخص راهبری کنید . آنها برای شما امکان مدیریت ، کنترل و رسیدن به نتیجه دلخواه را فراهم می کنند .

داشبورد KPI:

برای نگه داری کل کسب و کارتان بر روی مسیر استراتژی از پیش تعیین شده باید از داشبورد KPI استفاده کنید .داشبورد KPI ارائه گرافیکی مناسب از تمام شاخص های کلیدی عملکرد تعریف شده و یا مهم شما است که وضعیت در لحظه موضوع مورد بررسی و میزان فاصله تان تا مقدار هدف را در کمتر از 30 ثانیه به شما نشان می دهد .  لازم نیست تعداد زیادی KPI را انتخاب کنید فقط باید با دقت انتخاب کنید ، در زمان های مناسب به صورت دوره ای ارزیابی کنید و برای بهبود وضعیت تلاش کنید .

چطور KPI  انتخاب کنیم ؟

  • نتیجه دلخواه تان را شناسایی کنید :

همیشه با شناخت کامل بر خواسته ها و ایده آل هایتان شروع به ساخت KPI کنید . مشکلی نداره که فقط بگید : " می خواهم بیشتر بفروشم " ، اما سعی کنید دقیق تر باشید. چگونه اینکار را انجام می دهید ؟ آیا چرخه فروش خود را نصف می کنید ؟ آیا 50% بیشتر مخاطب جذب میکنید ؟ آیا موقعیت مصرف جدیدی ایجاد می کنید ؟ آیا مشتری های وفادار خود را مجبور می کنید 30 % بیشتر خرید کنند ؟ اگر در مورد کاری که می خواهید انجام دهید مطمئن باشید آنگاه می توانید KPI تولید کنید .

  • کارت های امتیاز : حالا باید تعدادی متغیر و فاکتور کمی با کیفی انتخاب کنید ( معمولا کمتر از 6 تا ) که بنا به تشخیص شما مهم ترین عوامل برای رسیدن به اهدافتان هستند . 
برای مثال : اگر در مدیریت فروش کسب و کار آنلاین خود می خواهید چرخه فروش را نصف کنید می توانید موارد زیر را بررسی کنید :
  1.  کلمات کلیدی ( مواردی که توضیح دهنده ی نیاز هاییست که برند شما تامین می کند)
  2.  تعداد بازدید کنندگان خاص  وبسایت
  3. "bounce rate " وبسایت برای فهمیدن آنکه آیا وبسایت شما مرتبط هست ؟آیا افراد بیش از یک صفحه را بازدید می کنند ؟
  4. فروش
  5. میانگین ارزش مشتریان – از آنجایی که خرید بیشتر نشان دهنده ی نزدیک شدن شما به هدفتان است.

    • استراتژی خود را راهبری کنید:
    از داده هایتان ، نمودارها و گیج های  KPI رس�� کنید و داده های واقعی عملکرد خود را با هدف های واقع بینانه تعیین شده مقایسه کنید.


    پل بین خود و داده ها و اطلاعات ارزشمندتان را بسازید !


    سرعت رشد داده ها به صورت مبهوت کننده ای زیاد است . بین فعالیت ما ، وسایل الکترونیکی مان و وبسایتمان ، داده ها با سرعت زیادی در حال رشد هستند وهمواره در حال ذخیره کردن آنها هستیم . این توانایی، دارایی ارزشمندیست ،که به ما امکان خلق فرصت های جدید و هیجان انگیز و دنبال کردن تمام موارد مربوط به فعالیت هایمان از بهره بری و مشتریان بالقوه گرفته تا بودجه ، سود و کیفیت خدمات به مشتریان و... – می بخشد . 

    ولی حتی امروز با وجود این انفجار اطلاعات ما هنوز به صفحه گسترده های اکسل خود متکی هستیم و فکر میکنیم این روش در حال اتصال ما به تمام داده های ارزشمندمان است . ولی نه تنها این روش چیزی به غیر از اتلاف وقت نیست بلکه گستره ای از اطلاعات پیچیده را به ما به صورت پیچیده تری نشان میدهد که تفسیر و تحلیل آنها و توضیح آن در یک جلسه کاری، نزدیک به غیر ممکن است . 

    بیاییم با هم صادق باشیم ، هیچ چیز بدتر از یک صفحه گسترده با سطرها و ستون های پر از عدد در یک جلسه کاری نیست ! داده ها نباید کسل کننده شوند . داده یک ابزار برای بهبود فرآیند کمپانی شماست پس باید به شکلی ارائه شود که این قدرت را داشته باشد و به گروه و یا فرد تصمیم گیرنده سازمان شما جهت دهد . 

    عصر مصورسازی اطلاعات :

    مصورسازی اطلاعات پلی است که روی فضای خالی میان داده های شما و بهره وری و بهبود فرآیند و وضعیت سازمان شما قرار می گیرد . مصورسازی اطلاعات به سازمان یک انتخاب قابل دسترس و تحریک کننده برای آنالیز و سپس بهبود می بخشد . 

    این یک واقعیت است که تعداد کمی از افراد با اعداد خام ارتباط برقرار می کنند . بیشتر ما با نقشه ای که ما را از نقطه یک به نقطه دو میرساند ، عکس ، گراف های رنگی و گیج ها ارتباط بهتری برقرار می کنیم . اما تبدیل کردن اعداد  به نمودارها ، گیج ها ، نقشه ،جداول  و ساختن این پل، کاری زمان بر با ظرافت ها و دارای پیچیدگی های خاص خود است ، که هر اشتباه کوچکی در آن منجر به تصمیم های نادرست و فجایع سازمانی می شود .

     حقیقتا اکثر افراد از این واقعیات آگاهند ولی ابزار مناسب، دقیق، یکپارچه و ساده ای که برایشان این پل را می سازد  نمی شناسند و یا نمی یابند. اگر جزو این اکثریت هستید چه خواهید کرد اگر بگوییم امکان مشاهده ساخت این پل و مصورسازی اطلاعات ارزشمندتان را به صورت زنده برای شما فراهم آورده ایم ؟

    دموی آنلاین vdash

    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 


    نمودار جعبه ای - هنگامی که میانگین دروغ می گوید !

    یکی از علل استفاده از روش های  مصورسازی اطلاعات برای آنالیز داده ها دستیابی و درک سریع اطلاعات و الگوهای موجود مثل شناسایی الگوی فروش محصولات و ترجیحات مصرف کنندگان با توجه به ویژگی های مختلف از جمله ویژگی های جغرافیایی است.با افزایش رویکرد های ممکن برای مصورسازی اطلاعات ، سوالات در خصوص اینکه کدام روش چه زمانی و در جواب چه پرسشی  باید استفاده شود، افزایش می یابند.  در این بحث به معرفی نمودار جعبه ای ، نحوه خواندن آن ، همچنین یک مورد استفاده آن پرداخته شده است. نموداری که بسیاری برای ارائه داده های خود استفاده نمی کنند به این دلیل که باور دارند نمودار جعبه ای تخصصی است .  ولی حقیقت این است که نمودار جعبه ای یکی از ساده ترین نمودارها و جزء آن دسته از روش های مصورسازی است که به شما این امکان را می دهد تا در کمترین زمان با یک نگاه نکات بسیار مفیدی از داده ها استخراج کنید . 



    نمودار جعبه ای بعد از هیستوگرام یکی از ابزارهای مفید و کار آمد برای درک توزیع و پراکندگی داده هاست که در موارد مختلف به صورت وسیع به کار می آید و همانطور که بررسی شد برخلاف تصور برخی افراد ، تفسیر و درک اطلاعات آن آنالیز را دچار هیچ چالشی نمی کند . 
    نمودار جعبه ای دارای دو بخش جعبه و میله های بیرون آمده است . داده ها در این نمودار به 4 قسمت تقسیم می شوند : 


     قسمت اول داده ها یا عددی که ¼ مقادیر از آن عدد کوچکترند که به آن مینیمم موثر می گویند و به بیانی دیگر  نقطه ای است که 25% داده ها مقداری کمتر از این مینیمم موثر را دارا هستند،
    قسمت دوم یا عددی که ½ مقادیر از آن عدد کوچکترند که به آن میانه می گویند و به بیانی دیگر نقطه ای است که نصف داده ها مقادیری کمتر از آن دارند . و در کنار آن ( خط نقطه چین ) میانگین که مقدار متوسط داده های مورد بررسی را ارائه می دهد . 
    قسمت سوم یا عدد یا مقداری که ¾ مقادیر از آن عدد کوچکترند که به آن ماکزیمم موثر می گویند و به بیانی دیگر نقطه ای است که 25% داده ها مقداری بیشتر از این ماکزیمم موثر را دارند . 
    و قسمت چهارم داده ها که شامل 25درصدهای بالایی و پایینی می باشد و با قسمت بیشترین مقدار و کمترین مقدار داده  میله ها را تشکیل می دهند . 
    بعد از رسم نمودار جعبه ای شما به واقع جعبه ای را مشاهده می کنید که دو میله از آن بیرون آمده است ، نقطه ای که انتهای میله ی بالایی جعبه است نقطه مقدار ماکزیمم ( بیشینه ) و نقطه ای که انتهای میله ی پایینی جعبه قرار دارد مقدار مینیمم ( کمینه ) داده ها است  . 

    برای مثال وضعیتی را در نظر بگیرید که مدیر یک شرکت کانادایی با دامنه فعالیت بین المللی قصد دارد میزان فروش محصولات خود را در طول زمان در کانادا بررسی کند . 
    برای او مهم است که کمترین و بیشترین هزینه ای که مشتری برای کالاهای او پرداخت کرده چقدر بوده است ؟
    میزان خرید مشتری به صورت معمول چقدر است ؟ 
    آیا اکثریت هزینه ی زیادی را برای کالاهای او صرف می کنند ؟
    تجمع مشتریان برای کالاهای با هزینه کمتر است ؟ 
    آیا تغییر پذیری در هزینه ی صرف شده توسط مشتری زیاد است ؟ 

     برای پاسخ به اینگونه سوالات از نمودار جعبه ای استفاده می شود . 



    همانطور که می بینید میزان هزینه ای که مشتریان برای کالاهای این شرکت در کانادا پرداخت می کنند بین 1000 دلار تا 6061 دلار تغییر می کند . معمولا و به طور میانگین هزینه ای که برای کالاهای این شرکت اختصاص داده می شود برابر 3174.12 دلار است ولی مشهود است که حداقل نصف مشتریان کمتر از 2650 دلار خرید می کنند . و 25% از مشتریان حتی کمتر از 2295 دلار خرید می کنند . میزان خرید مشتریان این شرکت در کانادا تغییرپذیری چشمگیری را بیرون بازه ی 2295 تا 4528 نشان نمی دهد . 
    حال به دلیل نیازهای اطلاعاتی مدیر لازم می داند که این موارد را در مورد مشتریان در خارج از کشور مادر و با تقسیم-بندی بازار به زنان و مردان نیز بررسی کند . 


    همانطور که مشاهده می شود بیشترین و کمترین هزینه صرف شده برای خرید کالاهای این شرکت حساس به جنسیت نیست و بین زنان و مردان اختلاف چندانی وجود ندارد . ولی اختلاف میزان خرید مشتری در کشورهای مختلف مشهود است . مثلا در فرانسه میزان خرید بین 1120 دلار و 13266دلار قرار دارد که همانطور که مشخص است از تقریبا 5000 دلار تا 13266 دلار تغییرپذیری بسیاری وجود دارد . این در حالی است که نصف افراد تقریبا 2000 دلار برای خرید کالاهای این شرکت هزینه می کنند . 
    هنگامی که قصد داریم ارزش یکسانی را در مجموعه های مختلف  به مقایسه بگذاریم نمودار جعبه ای گزینه ی خوبی از لحاظ بررسی بیشینه ها کمینه ها و دیگر اطلاعات آنالیزی مفید که پیشتر بیان شد است . این نمودار از قضاوت اشتباه در مورد داده ها با استناد به پارامترهای مرکزی مثل میانه و میانگین ، با در اختیار گذاشتن هر دو و ایجاد امکان مقایسه ، جلوگیری میکند . به همین صورت توجه را به سوی مسئله پراکندگی و تغییرپذیری داده ها جلب میکند . با اینکه درک مقوله ی تغییرپذیری به نظر دشوارتر از پارامترهای مرکزی است ، ولی مسئله ای واقعی است که با نمودار جعبه ای آسان تر دیده می شود . 

    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 زمانی‌ 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 مدیران مالی‌ از ابزار مصور سازی بهره میبرند

    ظاهر مساله. راه و روشی‌ که داده‌ها ارائه می شوند بر ظرفیت و توانایی ما برای فهم آنها تاثیر می گذارد و بر میزان سرعت و راحتی‌ تولید اطلاعات موثر در تصمیم گیری‌‌های ما اثر می گذارد.
    این به متخصصان مالی‌ کمک می کنند تا بیشترین منفعت را در حوزه‌های زیر ببرند:
    •    در سرمایه گذاری در نرم افزارهایشان
    •    در نقش آنها به عنوان کاربران داده مالی‌
    •    به عنوان ارائه دهندگان داده‌های مالی‌ به دیگر قسمتهای کسب و کار
    •    به عنوان دارندگان منبع مالی‌ برای بودجه و سرمایه گذاری در IT

    چرا باید مصورسازی داده برای من مهم باشد؟
    David McCandless، نویسنده و طراح اطلاعات می‌گوید: “با مصورسازی اطلاعات، ما آن‌ را به یک چشم انداز تبدیل می‌کنیم که چشم میتواند ببیند، یک جور نقشهٔ اطلاعاتی. وقتی‌ که شما در اطلاعات گم شده اید، نقشه میتواند مفید باشد." به عبارت ساده، مصورسازی داده، یک راه بهتر برای نمایش اطلاعاتی است که شما و دیگران جمع آوری کرده اید. به جای نگاه کردن به یک لیست طولانی از اعداد و ارقام، این روش معنی بصری به اطلاعات میافزاید. این میتواند با برجسته کردن برخی‌ مناطق بر روی نقشه، ایجاد نمودارهای شهودی، یا از طریق نمایش روند رشد روی گراف‌ها باشد.
    برای سازمان شما، ،مصورسازی داده میتواند اطلاعاتی را که برای فروش، عملیات تولید و بخش‌های دیگر نیاز دارید، فراهم کند. مدیران فروش میتوانند از ابزار مصورسازی برای تسهیل  نظارت بر تغییرات شاخص‌های کلیدی عملکرد تیم‌ خود استفاده کنند. مصور سازی میتواند به س��عت مشاهده عملیات و بهبود تنگناها کمک کند در حالیکه تولید میتواند از آن‌ برای اندازه گیری و مشاهده نواقص و واریانس محصولات استفاده کند.
    در اصل، مصورسازی داده‎ها، یک بینش واقعی‌ از اطلاعات پیچیده ارائه میدهد که هم عملی‌ و هم جذاب است. به عنوان مثال، جنرال الکتریک، کل یک وبسایت را برای نمایش داده‌های حاصل از تحقیقات و مطالعات خود اختصاص داده بود. این نوع نمایش پیشرفت و تعاملی، حجم انبوهی از داده‌ها را به شکلی‌ که نه تنها زیبا و جذاب، بلکه بسیار آموزنده نیز بود به ناظران خارجی‌ ارائه میداد. در حالی‌ که جنرال الکتریک به احتمال زیاد با استفاده از طراحان داخلی‌ خود، آن‌ را تولید کرده بود، اما خبر خوب اینکه طیف گسترده‌ای از محصولات وجود دارد که تجزیه تحلیل مشابه این را با قیمت مقرون به صرفه انجام میدهد و به کارکنان امکان دسترسی‌ به توابع قدرتمند داده‌ای میدهند. برای فعالان حوزه مالی‌ احتمالات وسیعی وجود دارد که یک سر آن ابزار مصورسازی و در انتهای دیگر آن‌، ابزار زیباسازی محصولات وجود دارد. در این میان، ابزار مصور سازی به شکل نرم افزارهایی برای تجزیه تحلیل داده، اطلاعات کسب و کار و مدیریت عملکرد وجود دارد. مثل Tagetik
    نرم افزارهای CPM چه منفعتی برای مدیران مالی‌ دارد؟
    برای زنده ماندن در سرزمین به سرعت در حال تغییر کسب و کارهای امروزی، شرکتها باید مهارت‌های استثنایی را در برنامه ریزی مالی برای آینده استفاده کنند. اما عدم اطمینان از ثبات اقتصادی، پیش بینی‎های دقیق را سخت تر از همیشه می‌کند.
    از لحاظ تاریخی‌، استفاده از تحلیل‌ها و سیستم‌های BI و CPM برای پیدا کردن اطلاعات مورد نیاز، بستگی به مشارکت IT داشته است اما برخی‌ از فروشندگان نرم افزار در حال ارائه محصولاتی هستند که کاربر با یک منوی سلف سرویس میتواند به ابزار مصورسازی دسترسی‌ داشته باشد. تحقیقات گروه Aberdeen نشان میدهد که جایی‌ که ابزار بصری تعاملی به کارمندان اجازه کاوش و دست کاری داده‌ها را میدهد، آن دسته از کارکنان بهتر میتوانند بر اساس واقعیت کسب و کار تصمیم گیری کنند و استفاده از نرم افزار در سراسر کسب و کار موثرتر خواهد بود. شاید وقت آن‌ رسیده است که متخصصان حوزه مالی‌ انتظار بیشتری از فروشندگان نرم افزار و محصولات آنها داشته باشند. سیستم‌های پیشرفت حسابداری و ابزار تحلیلی که امروزه در دسترس هستند به مدیران مالی‌ اجازه میدهد تا اطلاعات پیچیده مالی‌ را به سرعت دریافت کنند، در حالی‌ که موقعیت آنها برای کمک به مدیران  درک بهتری از داده‌ها به آنها میدهد و روند دستیابی به اهداف شرکت را سرعت می‌بخشد.
    برنامه ریزی، بودجه بندی و پیش بینی‌ با یک نرم‌افزار درست CPM میتواند موفق باشد.
    ابزار قدرتمند BI میتواند به تمرکز زدایی سازمان، بهینه سازی گردش کار و دسترسی‌ مدیران مالی‌ به داده‌ها و تحلیل‎ها در زمان واقعی‌ کمک کند. استفاده از سیستم‌های بر پایه کلود (ابری)، میتواند باعث کاهش یا از بین بردن نیاز برای سرمایه گذاری در سخت افزار و متخصصان فنی برای حفظ، تعمیرات و ارتقأ سیستم‌ها شود. در انتهای روز، شرکتها نیاز به یک مدیریت مالی قدرتمند دارند تا به دقت بودجه را برنامه ریزی و پیش بینی‌ کند.
    مدیران مالی‌ نیاز دارند که بتوانند به بینش درستی‌ در سراسر فرآیند کسب و کار برسند تا بتوانند راهی‌ برای ارائه پاسخ به سوالات پیچیده پیدا کنند نه اینکه به راحتی‌ از گزارش‌های استاندارد استفاده کنند، چون این روش در کسب و کار امروزه موفق نخواهد بود.
    داده‌های من زیبا به نظر می‎رسند، حالا چه؟
    صرف‎نظر از اینکه داده‌های شما چقدر زیبا و واضح است، بزرگترین چیزی که در رابطه با مصورسازی داده باید به خاطر داشته باشید این است که این کاملا بستگی به شما دارد که با دیدی که به دست آورده اید، می‌خواهید چکار کنید.
    فقط به اطلاعات نگاه نکنید، هرچند که خیلی‌ زیبا باشد.
    در مورد آن‌ فکر کنید و اقدام لازم را انجام دهید.
    و سپس، همهٔ این مراحل را دوباره و دوباره تکرار کنید.
    تنها از طریق یک فرایند تکرار شونده میتوانید به ارزش واقعی‌ آن‌ پی‌ ببرید. و اگر این به خوبی توسط تیمی که پشت کسب و کار شما قرار دارد انجام شود، شما میتوانید به بینش لازم برای بهبود عملیات و به دست آوردن یک مزیت رقابتی برسید.

    منبع

    SmartDataCollective