وبلاگ vdash

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

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

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 !

داده ها با شما حرف می زنند !

داده کاوی


اعداد به صورت ذاتی نه خسته کننده هستند و نه هیجان انگیز ! واقعیت این است که آن ها به سادگی به کلاسی از اطلاعات تعلق دارند که مقدار کمی (عددی) چیزی را نشان میدهد .. به عنوان یک متخصص، گاهی مسئولیت و زمانی هم نیاز شماست که صدا و داستان درون اطلاعات را آشکار کرده و زبانی را انتخاب کنید برای ارائه آن اطلاعات به دیگران . یکی از زبان های پیشنهادی به شما مصور سازی اطلاعات با کمک گرفتن از گراف ها و جداول و یا در حالت کلی تر چارت هاست . 
گراف ها و جداول برای اطلاعات عددی کسب و کارهای متفاوت با 4 "هدف" مورد استفاده قرار می گیرند :گراف ها و جداول برای اطلاعات عددی کسب و کارهای متفاوت با 4 "هدف" مورد استفاده قرار می گیرند :
آنالیز :
 وقتی از گراف ها و جداول برای بیرون آوردن پیام و یا موضوع خاصی که درون داده ها است استفاده می کنید شما در حال آنالیز کردن هستید .

ارتباطات :

هنگامی که برای رساندن اطلاعات به افراد دیگر از مصورسازی داده ها استفاده می کنید در حال ایجاد ارتباط هستید.

مانیتورینگ : 

و هنگامی که از گراف ها و جداول برای پیگیری اطلاعات عملکردی مثل سرعت یا کیفیت تولید استفاده می کنید در حال مانیتورینگ داده های خود هستید .

برنامه ریزی :

زمانی که از آن ها برای آماده شدن برای آینده و پیش بینی استفاده می کنید در مرحله برنامه ریزی هستید . 


تمام این موارد استفاده های مهم از گراف ها و جداول هستند ، ولی فرآیند انجام هر کدام و طراحی های مربوط به هر کدام متفاوت هستند . 

مطالبی که پیرامون گراف ها و نمودار ها منتشر می شوند  برای افرادی است که درگیر داده ها برای ارائه گرافیکی اطلاعات عددی می باشند . این افراد دارای یک سمت شغلی یکسان و ثابت نیستند . بعضی از ما متخصص تولید گزارش ها و آنالیز هستیم و معمولا در سمت شغلی خود واژه "آنالیز " را به یدک می کشیم : مثل متخصص آنالیز داده های مالی ، متخصص آنالیز داده های کسب و کار ، متخصص آنالیز داده ، مسئول آنالیز و تصمیم گیری و غیره ... .و بعضی دیگر دارای مسئولیت های مدیریتی می باشیم و به صورت مناسبتی مجبور به ساخت جداول و گراف ها برای مدیران ارشد خود می شویم . تعدادی هنرمندهای گرافیک هستیم که چون مشتری از ما خواسته که منظورش را با گراف نشان دهیم مسئول تهیه گراف ها و نمودار ها از داده های او برای طراحی می شویم.

باقی در اجزای مختلف سازمان حضور داشته و صرفنظر از عنوان شغلی ما اگر مسئول تهیه گزارش به صورت مصور هستیم باید بدانیم چطور آن را "درست " انجام دهیم . برای این کار باید زبان پردازش داده و ارائه آن را بیاموزیم . تکنولوژی کافی نیست .

پردازش داده


» چنانچه با خواندن این مقاله به موضوع هوش تجاری و داده ها علاقه مند شدید، خواندن مطالب زیر را به شما پیشنهاد می کنیم:

هوش تجاری داده کاوی
چرا شرکت ها به هوش تجاری نیاز دارند اشتباهات بزرگ در زمینه مصورسازی اطلاعات در فرآیند هوش تجاری در 20 سال گذشته

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، ای��اد 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 سرعت 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 ��املا 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


تحلیلگران داده و هنر ارتباطات

اگر یک درخت در جنگل بی‌افتد و کسی‌ صدایش را نشنود...

آیا اطلاعات شما در خلأ زندگی‌ میکنند یا نیاز به مخاطب دارند؟ واضح است. اطلاعات شما سر و صدا دارند و باید شنیده شوند!

فکر می‌کنید مخاطبانتان هرچند وقت یکبار داده های شما را دریافت میکنند؟ و این به وضوح داستانی که انتظار دارید از طریق داده هایتان به آنها منتقل کنید را روشن می‌کند. هرچند وقت یکبار به این موضوع به عنوان بخشی از وظایف خود در کار رسیدگی می‌کنید؟

تحلیلگران داده باید برای شروع نه تنها به این فکر کنند که این داده ها قرار است چه چیزی را آشکار کند‌، بلکه چگونه آن را به مخاطبان ارائه کنند. اولین قدم در این راه فهمیدن این موضوع است که حتی اگر شما فقط یک تحلیلگر داده هستید و این در شرح وظایف شما نیامده است‌، اما شما همزمان مسئول برقرای ارتباط هم هستید. و برای برقراری ارتباط با داده ها‌، باید آنها را مصور کنید.

همه ما این استدلال را قبلا شنیده ایم‌، اما اجازه دهید من یک بار دیگر پایهای ترین اصل را (با تعداد معدودی استثنا) برای شما تکرار کنم که همیشه در روند کلی‌ برقراری ارتباطات‌، یک نمایش تصویری از داده ها‌، از ردیفهایی از داده های خام بسیار موثرتر خواهد بود. امیدوارم که لازم به صرف زمان بیشتر برای توضیح این اصل در این مقاله نباشد. چون به نظر می‌رسد این اصل تا حد زیادی پذیرفته شده و نیاز به بحث بیشتری نباشد.

با فرض اینکه این را پذیرفته اید‌، استدلال بعدی ممکن است این باشد: حالا من داده های خود را مصور کرده ام و یک اکسل بزرگ و یا نمودار SSPS تولید کرده ام که نیازی نیست برای بهبود آن‌ کار بیشتری انجام داد. خوب باور من این است که حتی اگر شما در حال حاضر‌، داده های خود را به تصویر هم کشیده اید‌، احتمالا آن‌ را به خوبیای که باید‌، انجام نداده اید. اما شما تنها نیستید‌، اکثر افرادی که دادههای خود را به تصویر میکشند‌، واقعا همه کاری را که باید، انجام نمی‌دهند.

خوب، چگونه پیشرفت کنیم؟ در اینجا ۴ نکته کلیدی را میگوییم که لازم است هنگام برقراری ارتباط به وسیله داده‌های خود با دیگران، آنها در ذهن داشته باشیم

مثل مخاطبان خود فکر کنید

آیا تا کنون سعی‌ کرده اید که چیزی را به یک بچه ۴ ساله توضیح دهید؟ چه کار می‌کنید؟ مثلا فرض کنیم که می‌خواهید توضیح دهید که رانندگی‌ کردن چگونه است. قطعاً شما با قوانین جاده‎ها یا مسائل حقوقی یا حتی آموزش نشستن در ماشین شروع نمی‌کنید. احتمالا به جای آن شروع می‌کنید به صحبت کردن درباره‌ اینکه چقدر رانندگی‌ شبیه بازی آیپد آنها خواهد بود اگر به جای چرخاندن آیپد، آنها فرمان را بچرخانند. شما بلافاصله در مورد آنچه که آنها در حال حاضر می‌دانند، فکر می‌کنید بنابراین میتوانید از تشابه و کلمات درستی‌ استفاده کنید. و به این فکر می‌کنید که چه چیزهایی‌ را نمی‌دانند و یا نمیتوانند متوجه شوند، پس وقت خود را برای پیچیده تر کردن مساله تلف نمی‌کنید. به عبارت دیگر، شما با ۴ ساله درون خود ارتباط برقرار می‌کنید- شما مثل مخاطب خود فکر می‌کنید.

دقیقا همین‌کار را باید وقت برقراری ارتباط با داده‌ها نیز انجام دهید. باید به این مساله فکر کنید که مخاطب شما تخصص عمیقی دارد یا موضوع کاملا برای او جدید است. آیا آنها آشنایی زیادی با این نوع اطلاعات دارند یا کاملا جدید هستند؟ آیا میتوانید همزمان چند چیز را باهم مقایسه کنید تا نیاز دارید که در هر زمان روی موضوع خاصی‌ کار کنید؟ هرچه بیشتر مثل آنها فکر کنید، ارتباط شما درست تر و منطقی‌تر خواهد بود. شما باید در برابر این فکر مخاطبان که این فقط شغل ��ماست، مقاومت کنید. برای مخاطبان خود وقت بگذارید و این را از یک روش معمول و همیشگی‌ انجام ندهید

شما برقرار کننده ارتباط باشید

هنگامی که آنها مخاطبان را هدایت کردند، مسئولان برقراری ارتباط، پیام را میسازند. آنها می‌دانند که آنها فقط یک برگرداننده سادهٔ حقایق و اطلاعات نیستند. آنها به دقت دربارهٔ آنچه که قرار است راجع بهش صحبت کنند و آنچه مخاطبان سعی‌ در فهمیدنش دارند، فکر میکنند. و آنها کاملا از آنچه که در جریان‌ تولید است، و نیازها و انتظارات مخاطبان، مطمئن می‌شوند.

شاید شما فکر کنید که، اما من که داستان نمی‌گویم، من فقط حقایق را به اشتراک میگذارم. من ممکن است تا حدی موافق باشم. مجموعه‌ای از حقایق، بدون داشتن یک ساختار منظم، غیر قابل استفاده است. شما اعداد را از یک حصار پرتاب نمی‌کنید، شما در حال ارائه بینش و دانش هستید. راجع به چه؟ این داستان شماست. شاید شما آمار فروش فصل را به اشتراک میگذارید، بنابراین مجموعه حقایق شما در آن‌ زمینه است. داستان شما دربارهٔ عملکرد فروش است و شما نیاز به سازماندهی و نمایش داده‌های خود به شکلی‌ دارید که این داستان را روایت کند و نه داستان تعهد کارکنان و یا نسل مدیران و یا صدها موضوع دیگری که ممکن است در گزارشهای دیگر خود استفاده کنید.

دقیقا بدانید که چه می‌خواهید بگویید

برای اینکه دقیقا بدانید راجع به چه چیزی با مخاطبان خود صحبت می‌کنید، این مهمترین ابزاریست که در جعبه ابزار هر ارتباط برقرار کنندهای، وجود دارد: دقیقا بدانید که چه می‌خواهید بگویید. چگونه می‌خواهید ارتباط برقرار کنید وقتی‌ که نمیدانید قرار است چه بگویید؟

برای تحلیلگران داده، اغلب این سختترین بخش است. چند چالش کلیدی دراین باره:

- رئیس شما درخواست تهیه آمار فروش سه‌ ماهه را دارد، بنابراین شما آمار فروش سه‌ ماهه را آماده می‌کنید. اما این واقعا چیزیست که او نیاز دارد؟ به عنوان یک تحلیلگر، شما باید هدف را بشناسید- اگر سوال راجع به سودآوریست، شاید سود معیار بهتری باشد. و بجای اینکه فقط آمار فروش سه ماهه را ارائه کنید، میتوانید ارقام سه ماهه را با تصاویری از هر هفته ارائه کنید چون شما میدانید که خروجی کدام هفته بر متوسط کلی‌ تاثیر داشته است.

- شما همیشه می‌خواهید تا جایی‌ که ممکن است داده‌های زیادی را در گزارش خود بیاورید چون شما میدانید با داده‌های بیشتر احتمال رسیدن به نتیجه مورد نظر، بیشتر است. این بازگشت به نقطه اول بالاست: مخاطبان شما به داده بیشتر نیاز ندارند، به داده درست احتیاج دارند. و اگر مخاطب نیاز بیشتری داشت، باید تکه تکه ارائه دهید، نه یکباره. با داده‌ها داستان بگویید، نه یکباره آنها را در یک تصویر به خورد مخاطب دهید.

- شرکت ما در رقابت همیشه اینگونه عمل می‌کند. به عنوان یک تحلیلگر، شما همیشه به یک روش خاص به داده‌ها نگاه می‌کنید- و انتظار دارید که مخاطبان شما نیز همینطور باشند. اما باید گاهی‌ در برابر این فرض مقاومت کنید و چیزهای جدید را امتحان کنید. در معرفی‌ راه‌های جدید برای برقراری ارتباط ریسک‎هایی هم وجود دارد، اما گاهی‌ اوقات باعث ارائه فرصت‌های جدید میشوند.

بدانید که کدام اصول طراحی را دنبال کنید و کدام را حتی امتحان هم نکنید

طراحی خوب سخت است. به من اعتماد کنید، من یک طراح خود آموخته هستم و ۲۰ سال زمان برد تا به نقطهای برسم که گاهی‌ طراحی‌هایم بسیار زیبا هستند. اما این ساده یا طبیعی به دست نیامد. من چند اصل اساسی‌ را دنبال کردم و کاملا می‌‌دانم که کدام شیوه‌های طراحی را حتی نباید زحمت امتحان کردنشان را بکشم. چندتا از این اصول عبارتند از:

- چشم دوست دارد همه چیز را به شکل خطی‌ ببیند. بنابر این وقتی‌ که شما متن و تصویر را در نمودارها و اسلایدهای خود قرار می‌دهید، لبه‌های همه چیز را به هم تراز کنید. مهم نیست که عنوان منطبق با نمودار چپ چین است یا با لبهی راست آخرین گراف راست چین، فقط چیزها را باهم تراز کنید. البته انعطاف پذیری هم وجود دارد، اما بدانید که هرچه بیشتر وقت برای خطی‌ و مرتب کردن چیزها بگذارید، آنها بهتر درک خواهند شد.

-از فضاهای سفید نترسید. اجازه دهید که جمله خود را اینطور بگویم، فضاهای سفید را با آغوش باز بپذیرید. شما قرار نیست که هر پیکسل از فضای قابل دسترس متن را پر کنید. یک نمودار ایجاد کنید، مقداری فضای خالی‌ اطراف آن‌ بگذارید. همه چیز را برچسب نزنید. محور بسازید و آنها را علامت گذاری کنید اما با یک سایه روشن خاکستری محو. و تا جای ممکن از علائم و خطوط جدولی‌ کمتری استفاده کنید. چشمها را به مسائل مهم هدایت کنید، نه به برچسب محورها و دیگر چیزهای به درد نخور. و فضاهای خالی‌ بگذارید که چشم استراحت کند، که به آن‌ کمک کنید تا بر چیزهای مهم تمرکز کند.

- سعی‌ نکنید که رنگ خود را تولید کنید اما رنگ‌های پیش فرضی‌ که اکسل به شما میدهد را هم نپذیرید. انتخاب رنگ واقعا سخت است. اکثر طراحان خوب در انتخاب رنگ خیلی‌ قوی نیستند. مهم نیست که اکثر مردم تجربه چیدن رنگ برای بهینه سازی نمایش داده را ندارند، اما شما میتوانید با گوگل کردن عبارت "بهینه سازی رنگها برای طراحی داده" یا چیزی شبیه به این، رنگهای مناسب این کار را پیدا کنید. اگر باید به استاندارد‌های برند تجاری پایبند باشید، با تیم‌ طراحی کار کنید تا بتوانید بهترین رنگ را برای داده‌های خود پیدا کنید.

ممکن است طراحی یک تصویر عالی‌ از داده ها، که باعث برنده شدن شما شود، در اولویت لیست شما نباشد- که نباید هم باشد. چیزی که مهم هست، این است که طوری داده را به تصویر بکشید که بتواند با مخاطب ارتباطی‌ که مد نظر بوده است را برقرار کند. این مقاله و چند راهنمایی‌ دیگر که من ارائه داده ام، یک شروع خوب است.

منبع

Data Informed

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 - ��ه 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.