هوش تجاری

علم تصمیم‌گیری چیست و چگونه می‌توانیم تصمیمات داده‌محور بگیریم؟

چگونگی تغییر تصمیم‌گیری بوسیله داده‌ها

هوش تصمیم‌گیری یکی از جالب‌ترین حوزه‌های علم داده برای مشاغل است و باید بخشی از اکوسیستم علوم داده‌ای باشد که سازمان شما ایجاد می‌کند.

با تکیه بر یکی از اهداف مشترک تحول دیجیتال که اغلب با عنوان “تبدیل شدن به یک شرکت داده محور” معنا می‌شود، توجه به اینکه آیا هوش تجاری، تجزیه و تحلیل‌های پیش بینی کننده یا یادگیری ماشین چه تاثیری در روند پیشرفت یک سازمان دارند و چگونگی استفاده از داده‌های عینی برای تصمیم‌گیری و هدایت تصمیم‌ها، موضوعاتی است که کسب و کارها به طور فزاینده در مورد آن صحبت می‌کنند.

چالش‌ها

این مهم با چالش‌های زیادی رو به روست. همه سازمان‌های بزرگ به اندازه کافی زیرک نیستند تا بتوانند از تصمیم‌گیری مبتنی بر داده نهایت استفاده را ببرند، یا مهارت کافی برای جمع آوری داده‌های قابل اعتماد در مقیاس وسیع و پرسیدن سوالات درست را ندارند.

اکثریت مدیران در مطالعه داده‌های بزرگ سالانه به دنبال داده‌هایی برای تصمیم‌گیری بهتر هستند، اما تنها یک سوم معتقداند که شرکت آنها دارای فرهنگ داده محور است.

تصمیم‌گیری درست بر مبنای داده‌های شما ممکن است به شما نگویند که یک محصول جدید  چه میزان می‌تواند در بازار کار موفق باشد، اما حتما داده‌ها با توجه با عملکردهای شما از قبل نشان خواهند داد که موفقیت از چه راهی به دست می‌آید.

تصمیم‌گیری مبتنی بر داده در مورد پرسیدن سوالات صحیح و داشتن داده‌های مناسب برای یافتن پاسخ‌ها، راهنمای شما خواهد بود. این مسئله همواره به عنوان “هوش تصمیم‌گیری” (یا “علم تصمیم‌گیری”) شناخته می‌شود.

هوش تصمیم‌گیری چیست؟

کاسی کوزیرکوف (Cassie Kozyrkov)، رئیس اطلاعات تصمیم گوگل، هوش تصمیم را به عنوان ترکیبی از ابزارها و دیدگاه‌ها از رشته‌هایی که قبلاً ارسال نشده‌اند و استفاده از آنها در تمام جنبه‌های انتخاب بین گزینه‌ها برای کاهش تلاش مورد نیاز برای تصمیم‌گیری با کیفیت بالاتر بر اساس واقعیت‌ها، توصیف می‌کند.

وی می‌گوید: “این دانش بهترین داده‌های کاربردی، علوم اجتماعی و علوم مدیریتی را در یک زمینه واحد گرد هم آورده است که به افراد کمک می‌کند تا از داده‌ها برای بهبود زندگی، مشاغل و دنیای اطراف خود استفاده کنند”.

اما علم تصمیم‌گیری تمرکز چندان گسترده‌ای ندارد. این در مورد حل مشکلات خاص تجاری با داده‌ها و الگوریتم‌ها با پیش‌بینی نتایج یک تصمیم است که شباهت‌هایی به زمینه‌هایی مانند اقتصاد رفتاری (که در مورد پیش‌بینی رفتار بازار و استفاده از انگیزه‌ها برای تغییر بازار است) و تقاطع علوم کامپیوتر و اقتصاد معروف به EconCS، که مایکروسافت از آنها برای طراحی مزایده‌های تبلیغاتی Bing، قیمت گذاری ابر Azure و بازی Xbox استفاده می‌کند، خواهد داشت.

هوش تصمیم در مقابل علم داده

این وجه پیش‌بینی نتایج یک تفاوت اصلی بین علم تصمیم‌گیری و علم داده است. گرگ لوئیس، محقق ارشد اصلی مایکروسافت، توضیح می‌دهد: “علم تصمیم‌گیری استفاده ترکیبی از تئوری و داده‌ها برای پیش‌بینی آنچه بعد از تصمیم‌گیری توسط شخص یا سازمانی است که محیط آنها را تغییر می‌دهد، خواهد بود.”

در واقع این یک توپ کریستالی است که به تصمیم گیرندگان کمک می‌کند تا انتخاب صحیح را پیدا کنند. از طرف دیگر، علم داده پیش‌بینی می‌کند که اگر برای تغییر سیستم کاری انجام ندهید، چه اتفاقی می‌افتد.

لوئیس در تعریف این مهم می‌گوید:”به عنوان مثال، ممکن است از علم داده استفاده شود تا مشخص شود که با نرخ فعلی، موجودی فروشگاه تمام می‌شود. اما هوش تصمیم‌گیری به شما کمک می‌کند تا تصمیم بگیرید که آیا بهتر است موجودی بیشتری خریداری کنید و قیمت‌ها را ثابت نگه دارید یا قیمت‌ها را افزایش دهید تا موجودی فعلی کافی باشد”.

در نظر دیگر مدیران

چی-یو کوان، مدیر سابق علوم داده در لینکدین، جایی که تا همین اواخر او تیم راه‌حل‌های علم تصمیم‌گیری این شرکت را اداره می‌کرد، معتقد است هنوز هم هوش تصمیم بخشی از علم داده است. وی این خلاصه را به عنوان “تجزیه و تحلیل کمی و تکنیک‌های مورد استفاده برای اطلاع رسانی و هدایت تصمیم‌گیری” برای توضیح این مسئله استفاده می‌کند.

به گفته وی “در علم داده ما کارهای زیادی انجام می‌دهیم تا بفهمیم چه اتفاقی افتاده است و تاریخچه آن سازمان چیست. در واقع این تجزیه و تحلیلی توصیفی است. سپس تجزیه و تحلیل تشخیصی در حال انجام است و یک غواصی عمیق تا بفهمیم چرا اینطور شده است. وقتی پیشرفته‌تر می‌شویم، می‌توانیم با این تجزیه و تحلیل پیش‌بینی کنیم: در آینده چه اتفاقی می‌افتد؟

آنچه ما در اصطلاحات رایج هوش مصنوعی و یادگیری ماشین می‌گوئیم،در واقع همه چیزهای مربوط به پیش‌بینی و آینده سازمان است: تجزیه و تحلیل تجویزی در مورد بهترین گزینه برای تصمیم و به عمل درآمدن است”.

در نتیجه در یک توضیح اجمالی می‌توان اینگونه در نظر گرفته که علم داده عبارت است از حرکت با داده‌های خام به طرف بینش معنادار داده‌ها و هوش تصمیم‌گیری در مورد توصیه‌های تصمیم گیرندگان در نظر گرفته می‌شود. کار علم داده [در مورد] تصمیم‌گیری بهتر در اکوسیستم سازمان برای کمک به رشد شرکت است. در هوش تصمیم‌گیری، تنها تصمیم‌گیری‌های متمرکز مورد توجه هستند.

تصمیمات مبتنی بر داده برای همه

مدیران اجرایی باید با اصول هوش تصمیم‌گیری آشنا باشند زیرا این مهم در مناطق عملیاتی که قبلاً مورد استفاده قرار گرفته‌اند، لازم خواهد بود. اما دریافت بینش کسب و کار از متخصصان حوزه که براساس تجربه خود (و مقدار محدودی از داده‌ها) مشاوره می‌دهند و استفاده از آنها برای همه بسیار کند و گران تمام خواهد شد.

بنا بر مدل تصمیم‌گیری پیشنهادی کوان (مدیر سابق علوم داده لینکدین)، هوش تصمیم توانایی استفاده از داده‌های زمان واقعی را دموکراتیک می‌کند. وی عنوان می‌کند”ما می‌خواهیم آن را مقیاس پذیر کنیم. می‌خواهیم همه در یک شرکت بتوانند تصمیمات داده محور را بگیرند. این فقط مختص مدیران نیست و حتما تغییر بزرگی خواهد بود”.

این بدان معنی است که هوش تصمیم‌گیری فراتر از داشتن تیم علم داده است. در واقع اختیار دادن به همکاران برای تصمیم‌گیری با تکیه بر داده‌ها است. کوآن می‌گوید: “بسیاری از شرکت‌ها تیم‌هایی دارند که آنها را تیم‌های علم داده می‌نامند اما مدیران به آنها اختیار نمی‌دهند و برای توصیه‌ها به آنها اعتماد ندارند.”

به گفته وی، داده‌ها بی‌فایده هستند، مگر اینکه آنها را به تصمیم تبدیل کنید. این به معنای توانمندسازی افرادی است که داده‌های لازم برای ارزیابی را در اختیار دارند و یک مشکل تجاری که باید برای حل آن از داده‌ها استفاده کنند تا برای تصمیم‌گیری نتیجه بهتری را انتخاب کنند.


مجموعه

هوش تجاری

این پست بخشی از مجموعه هوش تجاری در کار و کسب است. ترتیب زیر را در این حوزه پیشنهاد می‌کنیم.

  1. به روز رسانی حاکمیت داده در سازمان: از کجا شروع کنیم
  2. کارشناس پایگاه داده کیست و چه وظایفی دارد؟
  3. بررسی تفاوت‌های میان داده، اطلاعات و دانش در یک نگاه
  4. وقتی از هوش تجاری صحبت می‌کنیم، از چه حرف می‌زنیم؟
  5. تبدیل داده به اطلاعات با هوش تجاری
  6. تجزیه و تحلیل داده (Data Analytics) چیست و چگونه انجام می‌شود؟
  7. کلان داده (Big Data) چیست؟
  8. تجزیه و تحلیل کلان داده (Big Data) چیست و چگونه انجام می‌شود؟
  9. مقایسه مفاهیم تحلیل داده، علوم داده و کلان داده (Big Data)
  10. طراحی پایگاه داده چیست و چگونه انجام می‌شود؟
  11. حاکمیت داده (Data Governance) چیست و چه اهمیتی دارد؟
  12. هوش تجاری (BI) چیست و چه تفاوتی با آنالیز تجاری (BA) دارد؟
  13. آنچه باید درباره‌ هوش تجاری بدانیم
  14. هوش تجاری (BI) چطور می‌تواند به کسب و کار شما کمک کند؟
  15. معرفی ۵ کتاب برتر درباره هوش تجاری
  16. ۷ کلید برای یک استراتژی موفقیت آمیز در زمینه هوش تجاری
  17. ۹ راه عدم موفقیت هوش تجاری
  18. تجسم داده (Data Visualization) چیست و چرا اهمیت دارد؟
  19. تمیزسازی داده (Data cleaning) به چه معناست و چه اهمیتی دارد؟
  20. ۱۰ تکنیک اساسی تجسم داده در ایجاد گزارش‌های هوش تجاری
  21. معرفی ۱۳ روش متداول تجسم داده‌ها
  22. تفاوت داشبورد و گزارش چیست؟
  23. ۱۰ اصل طراحی داشبورد هوش تجاری
  24. ۱۳ مثال عملی از تحلیل داده با هوش تجاری
  25. کاربرد هوش تجاری در صنایع مختلف
  26. معرفی نرم افزارهای مختلف هوش تجاری
  27. چگونه نرم‌افزار مناسب هوش تجاری را انتخاب کنیم؟
  28. پاور بی آی (Power BI) چیست و در هوش تجاری چه کاربردی دارد؟
  29. راهنمای کامل پاور بی آی (Power BI)
  30. ویژگی‌های نرم افزار Power BI
  31. تفاوت پاور بی آی و اکسل
  32. معرفی انواع نمودارها در نرم افزار پاور بی آی (Power BI)
  33. راهنمای کامل معماری نرم افزار پاور بی آی (Power BI)
  34. راهنمای انتخاب ابزار مناسب بین پاور بی آی و اکسل
  35. آموزش توابع زبان DAX در هوش تجاری با پاور بی آی (Power BI)
  36. معرفی نرم‌افزار Tableau، کاربردها و محصولات آن
  37. هر آنچه که لازم است درباره نرم‌افزار QlikView بدانید
  38. تفاوت زبان M و DAX در نرم افزار Power BI
  39. مقایسه ابزار Power BI و Tableau در هوش تجاری
  40. آموزش Power BI Report Server
  41. آموزش نصب و راه اندازی Power BI Report Server
  42. AIOps چیست و چه ساختاری دارد؟
  43. مسیر شغلی در هوش تجاری
  44. مهندسی داده چیست؟
  45. تحلیلگر داده (Data Analyst) کیست و چه کاری انجام می‌دهد؟
  46. تحلیل‌گر هوش تجاری کیست و چگونه می‌توان به یک تحلیل‌گر هوش تجاری تبدیل شد؟
  47. ۸ مهارت‌ مهم که هر تحلیل‌گر داده برای موفقیت به آن‌ها نیاز دارد
  48. معرفی مهم‌ترین مدارک و گواهینامه‌های مورد نیاز تحلیل‌گر داده
  49. آیا داشتن مدرک SQL ضروری است؟ معرفی انواع و اهمیت مدرک SQL
  50. مهمترین تکنیک‌های هوش تجاری
  51. پیاده سازی هوش تجاری در سازمان‌ها
  52. نقشه راه پیاده سازی موفق استراتژی هوش تجاری در سازمان
  53. معرفی ۵ کاربرد ارزشمند هوش تجاری در سازمان‌ها
  54. داده کاوی چیست و چه تکنیک‌هایی دارد؟
  55. همه‌چیز درباره علم داده و نحوه استفاده از آن
  56. معرفی معتبرترین مدارک و گواهینامه‌های علم داده
  57. معرفی برترین ابزار برای داده‌کاوی
  58. دانشمند داده کیست و چه نقشی در کسب و کار دارد؟
  59. معرفی برترین زبان‌های برنامه‌نویسی علم داده
  60. آسان ترین زبان برنامه‌نویسی برای یادگیری کدام است؟
  61. تفاوت‌های اصلی در نقش‌های مهندس داده و دانشمند داده
  62. زبان برنامه‌نویسی پایتون چیست و چرا باید آن را یاد بگیرید؟
  63. یادگیری ماشین چیست؟
  64. SSRS چیست و چه کاربردی در مدیریت داده‌ها دارد؟
  65. SSAS چیست و چه کاربردهایی دارد؟
  66. بهترین زبان‌ها برای یادگیری ماشین (Machine Learning) کدام هستند؟
  67. نقش‌ها و مسئولیت‌های کلیدی در یک تیم هوش تجاری چیست؟
  68. تفاوت زبان پایتون (Python) و R در چیست؟
  69. کاربرد KPI در داشبوردهای هوش تجاری
  70. زبان برنامه نویسی R چیست؟
  71. بررسی تفاوت‌های میان داده‌کاوی و یادگیری ماشین در علم داده
  72. مروری بر نحوه یادگیری زبان R
  73. چگونه می‌توان یک داشبورد فروش ایجاد کرد؟
  74. معرفی برترین ابزارهای علم داده
  75. پایگاه داده چیست و چه اجزایی دارد؟
  76. انبار داده چیست؟
  77. مفاهیم، معماری و اجزای انبار داده
  78. دانشمند داده چه تفاوتی با تحلیل‌گر داده دارد؟
  79. فرایند ETL در ایجاد انبار داده چیست؟
  80. مدل‌سازی داده چیست؟
  81. دریاچه داده (Data Lake) چیست و چه ساختاری دارد؟
  82. بهترین شیوه‌های طراحی پایگاه داده (Database design)
  83. نرمال‌سازی داده چیست و چگونه انجام می‌شود؟
  84. سیستم‌های پشتیبانی تصمیم‌گیری چیست و چه کاربردهایی دارد؟
  85. بازار داده (Data Mart) چیست و چه تفاوتی با انبار داده دارد؟
  86. تحلیل‌های پیش‌بینی کننده چیست و چگونه انجام می‌شود؟
  87. علم تصمیم‌گیری چیست و چگونه می‌توانیم تصمیمات داده‌محور بگیریم؟
  88. تصمیم‌گیری مبتنی بر داده چیست و چه تاثیری در موفقیت کسب و کار دارد؟
  89. کاربرد تحلیل داده در بانکداری و شرکت‌های خدمات مالی
  90. معماری اطلاعات (IA) چیست و چطور می‌توان از آن استفاده کرد؟
  91. کلان داده (Big Data) و بررسی تأثیرات آن بر تجارت الکترونیک
  92. بانکداری باز (Open Banking) چیست و چه اصولی دارد؟

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دوره تخصصی «مدیریت پروژه چابک (اجایل)» با اسکرام مستر ارشد اکالااطلاعات بیشتر و ثبت‌نام
بستن