این روزها هوش مصنوعی و اینترنت اشیا دو مبحث پر طرفدار و تازه در تکنولوژی هستند که رتبه جستجو بالایی را در اینترنت به خود اختصاص دادند و ما میخواهیم دراین مقاله از ترکیب این دو یعنی هوش مصنوعی اشیا صحبت کنیم و نحوه عملکرد و مزایا و چالش آنهارا با شما به اشتراک بگذاریم.

هوش مصنوعی اشیا (AIoT) ترکیبی از فناوری‌های هوش مصنوعی (AI) و زیرساخت اینترنت اشیا (IoT) است که هدف  آن ایجاد عملیات کارآمدتر اینترنت اشیا، بهبود تعاملات انسان و ماشین و بهبود  مدیریت داده  و تجزیه و تحلیل آن است.

اینترنت اشیا سیستمی تشکیل شده از دستگاه‌های محاسباتی مرتبط، ماشین‌های مکانیکی و دیجیتالی یا اشیاء با شناسه‌های منحصربه‌فرد است که توانایی انتقال داده‌ها از طریق شبکه بدون نیاز به تعامل انسان به انسان یا انسان با رایانه را دارا میباشد.از کاربرد های اینترنت اشیا می توان به کاشت مانیتور قلب یک فرد، خودرویی با حسگرهای داخلی برای هشدار به راننده در صورت پایین آمدن فشار باد تایر یا هر شی دیگری اشاره کرد.

AIoT  در هر صورت برای دو طرف (اینترنت اشیا و هوش مصنوعی) سودمند است، زیرا که هوش مصنوعی از طریق  قابلیت های یادگیری ماشینی  و بهبود فرآیندهای تصمیم گیری به ارزش اینترنت اشیا افزوده و اینترنت اشیا از طریق اتصال، سیگنال دهی و تبادل داده به هوش مصنوعی ارزش می افزاید و همچنین می تواند کسب و کارها و خدمات آنها را با ایجاد ارزش بیشتر از داده های تولید شده توسط اینترنت اشیا بهبود ببخشد. هوش مصنوعی دستگاه اینترنت اشیا را قادر می‌سازد تا از بیگ دیتا برای تحلیل، یادگیری و تصمیم‌گیری بهتر بدون نیاز به انسان استفاده کند.

AIoT چگونه کار می کند؟

حال شاید برایتان سوال پیش آید که هوش مصنوعی اشیا چگونه کار میکند؟ در جواب این سوال باید گفت که در دستگاه‌های  AIoT، هوش مصنوعی در اجزای زیرساخت مانند برنامه‌ها و چیپ‌ست‌ها تعبیه شده است که همگی با استفاده از شبکه‌های IoT به هم متصل بوده و از APIها  استفاده میشود تا اطمینان حاصل کند که تمام اجزای سخت افزار، نرم افزار و پلت فرم قادر به کار و ارتباط با هم بدون تلاش کاربر نهایی هستند.

هنگام عملیاتی شدن، دستگاه‌های IoT داده‌ها را ایجاد و جمع‌آوری می‌کنند و سپس هوش مصنوعی آن را برای ارائه بینش و بهبود کارایی و بهره‌وری تجزیه و تحلیل می‌کند.بینش ها توسط هوش مصنوعی با استفاده از فرآیندهایی مانند یادگیری داده به دست می آید.

داده‌های AIoT همچنین می‌توانند در لبه پردازش شوند، به این معنی که داده‌های دستگاه‌های IoT تا حد ممکن نزدیک به این دستگاه‌ها پردازش می‌شوند تا پهنای باند مورد نیاز برای انتقال داده‌ها به حداقل برسد و در عین حال از تاخیرهای احتمالی در تجزیه و تحلیل داده‌ها جلوگیری شود.

 

کاربردها و نمونه هایی از AIoT

هوش مصنوعی اشیا کاربرد هایی دارد که در این بخش نمونه هایی از کاربرد های هوش مصنوعی اشیارا معرفی خواهیم کرد.

شهرهای هوشمند: فناوری شهرهوشمند را میتوان مواردی مانند حسگرها، چراغ‌ها که برای جمع‌آوری داده‌هایی استفاده می‌شود، نام برد. شهر هوشمند برای کمک به بهبود کارایی عملیاتی، رشد اقتصادی و بهبود کیفیت زندگی ساکنان طراحی شده ا‌ست.

خرده فروشی هوشمند: خرده‌فروشان از دوربین‌های هوشمند برای تشخیص چهره خریداران و تشخیص اینکه آیا کالاهای خود را قبل از خروج از فروشگاه در صندوق‌فروشی اسکن کرده‌اند یا خیر، استفاده می‌کنند.

خانه هوشمند: وسایل هوشمند خانه از طریق تعامل و واکنش های انسانی میتوانند یاد بگیرند. ابزارهای AIoT همچنین می توانند برای درک عادات کاربر برای ارائه پشتیبانی سفارشی، داده های کاربر را ذخیره کرده و از آنها یاد بگیرند.

کاربرد شرکتی و صنعتی: سازندگان از تراشه های هوشمند برای تشخیص اینکه تجهیزات به درستی کار نمی کنند یا یک قطعه نیاز به تعویض دارد، استفاده می کنند.

رسانه های اجتماعی و منابع انسانی : ابزارهای AIoT  را می توان با رسانه های اجتماعی و پلتفرم های مرتبط با منابع انسانی ادغام کرد تا یک تصمیم هوش مصنوعی به عنوان یک عملکرد خدماتی برای متخصصان منابع انسانی ایجاد کند.

وسایل نقلیه خودران:وسایل نقلیه خودران  میتوانند برای جمع‌آوری اطلاعات در مورد وسایل نقلیه مجاور، نظارت بر شرایط رانندگی و جستجوی عابران پیاده به چندین دوربین ویدئویی و سیستم‌های حسگر هوشمند استفاده نمایند.

ربات های تحویل خودکار: حسگرها، داده‌های مربوط به محیط ربات  را جمع کرده و سپس از هوش مصنوعی برای تصمیم‌گیری مبتنی بر پیمایش آن استفاده می‌کنند.

مراقبت های بهداشتی: دستگاه‌های پزشکی ولباس های هوشمند، داده‌های سلامتی بلادرنگ مانند ضربان قلب را جمع‌آوری و نظارت کرده و می‌توانند ضربان قلب نامنظم را بررسی نماید.

مزایا و چالش های AIoT چیست؟

در بخش های قبلی از کاربرد ها و نحوه عملکرد هوش مصنوعی اشیا صحبت کردیم و حال شاید برایتان مفید باشد که در مورد چالش و مزایای هوش مصنوعی اشیا بیشتر بدانید.

مزایای AIoT شامل موارد زیر است:

افزایش بهره وری عملیاتی: دستگاه‌هایIoT  یکپارچه با هوش مصنوعی می‌توانند داده‌ها را تجزیه و تحلیل کنند والگوها و بینش‌های آن را استخراج نماید تا بتواند عملیات سیستم را برای کارآمدتر شدن تنظیم کند.

قابلیت تنظیم در پرواز: قابلیت تنظیم در پروازمیتواند داده هارا برای شناسایی نقاط شکست  تجزیه و تحلیل کند تا سیستم را قادر می سازد که در صورت نیاز تنظیمات را به صورت خودکار انجام دهد.

تجزیه و تحلیل داده ها توسط هوش مصنوعی انجام شده است. کارمندان مجبور نیستند زمان زیادی را برای نظارت بر دستگاه های اینترنت اشیا صرف کنند، بنابراین در هزینه صرفه جویی می کنند.

مقیاس پذیری: تعداد دستگاه های متصل به یک سیستم اینترنت اشیا را می توان برای بهینه سازی فرآیندهای موجود یا معرفی ویژگی های جدید افزایش داد.

دربحث چالش های هوش مصنوعی اشیا  مواردی وجود دارد که AIoT ممکن است با شکست مواجه شود و باعث ایجاد پشتیبان در تولید یا سایر پیامدهای منفی شود. برای مثال، ربات‌های تحویل خودکارممکن است از کار بیفتند و باعث تاخیر در تحویل محصول شوند. فروشگاه‌های خرده‌فروشی هوشمند ممکن است چهره مشتری را نخوانند و منجر به سرقت تصادفی یک محصول توسط مشتری شود. یا یک وسیله نقلیه خودران ممکن است مانند یک علامت توقف در حال نزدیک شدن به اطراف خود را نخواند و باعث تصادف شود.

آینده AIoT چیست؟

یکی از بزرگ‌ترین نوآوری‌های ممکن در AIoT، گنجاندن5G است. 5G به‌ منظور امکان انتقال سریع‌تر فایل‌های داده بزرگ در دستگاه‌های IoT، از طریق پهنای باند بالاتر و تأخیر کمتر، طراحی شده است. AIoT می تواند به حل مشکلات عملیاتی موجود، مانند هزینه های مرتبط با مدیریت موثر سرمایه انسانی یا پیچیدگی زنجیره های تامین و مدل های تحویل، کمک کند.

 

نویسنده: مبینا فرجی

 

پیش پردازش داده ها شامل تمامی مراحل از تبدیل داده ها و کدگذاری داده ها است باید یک متخصص علم داده قبل از مدلسازی داده انجام دهد تا دقت مدل یادگیری ماشین در پیش بینی افزایش یابد.

چرا پیش پردازش داده ها اهمیت دارد؟

اکثر دیتاست‌های واقعی دارای نویز یا عدم سازگاری در داده‌ها یا داده‌های گم شده هستند. زمانی که داده‌های ما از کیفیت لازم برخوردار نباشند مدل یادگیری ماشین ما نیز دارای کیفیت بالایی نخواهد بود چرا که در شناسایی الگوها چندان موفق عمل نکرده و شکست می‌خورد. برای مثال مقادیر گم شده در داده‌ها یا مقادیر تکراری ممکن است دید نادرستی در مورد آمار کلی داده‌ها به ما بدهد. یا نقاط پرت و ناسازگار یادگیری مدل را مختل می‌کنند و منجر به پیش بینی‌های غلط می‌شوند. بنابراین پیش پردازش داده‌ها برای افزایش کیفیت کلی داده‌ها و درنهایت خروجی مدل بسیارحایز اهمیت است.

در ادامه 4 مرحله در پیش پردازش داده‌ها را با هم مرور می‌کنیم:

مرحله اول: پاکسازی داده ها(Data Cleaning)

پاکسازی داده ها به عنوان یک مرحله از پیش پردازش داده‌ها برای پر کردن داده‌های گم شده، مدیریت داده‌های نویزدار و حذف نقاط پرت و دورافتاده در داده‌ها در نظر گرفته می‌شود.

1- نقاط گم شده(Missing values)

برای حل این چالش چند راه حل وجود دارد:

–  حذف رکوردهای دارای مقادیر گم شده: این روش را زمانی استفاده کنید که دیتاست شما حجیم(بزرگ) است و مقادیر گم شده زیادی در یک رکورد یا tuple دارید.

–  پرکردن مقادیر گم شده با مقادیر مناسب: روش های زیادی برای حل این چالش وجود دارد مثل پر کردن دستی مقادیر از دست رفته یا پیش بینی مقادیر از دست رفته با استفاده از رگرسیون یا روش های عددی مانند مقدار میانگین ستون(ویژگی)

2- هموار کردن داده های نویزدار(Noisy Data)

این روش شامل حذف خطای تصادفی یا واریانس در یک متغیر اندازه گیری شده است. این کار را می‌توان به کمک تکینک‌های زیر انجام داد:

باینینگ(Binning): در این روش ابتدا داده‌ها را به صورت نزولی یا صعودی مرتب کرده و سپس داده‌ها را به چند بخش تقسیم کرده و هر یک را در یک (ظرف)bin با سایزهای مساوی قرار می‌دهیم. همه داده‌ها در هر بخش می‌توانند با میانگین، میانه یا مقادیر مرزی خود جایگزین شوند.

رگرسیون: این روش داده کاوی عموما برای پیش بینی استفاده می شود. این روش با برازش تمام نقاط داده در یک تابع رگرسیون به هموار سازی داده های نویز دار کمک می کند. معادله رگرسیون خطی در صورتی استفاده می شود که تنها یک ویژگی مستقل داشته باشیم. در غیر این صورت از معادلات چند جمله‌ای استفاده می‌شود.

خوشه بندی(Clustering): این تکنیک به کلاستربندی یا خوشه بندی داده‌هایی که دارای مقادیر مشابهی هستند گفته می‌شود. مقادیری که در خوشه ها قرار نمی‌گیرند را میتوان داده‌های نویز دار تلقی کرد و آنها را حذف کرد.

3- حذف نقاط پرت یا دورافتاده(Removing outliers)

تکینیک خوشه بندی داده ها، داده های مشابه را در خوشه ها قرار می دهد. نقاط داده ای که خارج از داده ها قرار می‌گیرند داده های دورافتاده یا ناسازگار نامیده می شود.

مرحله دوم: یکپارچه سازی داده ها(Data Integration)

یکپارچه سازی و تلفیق و تجمیع داده‌ها یکی از مراحل پیش پردازش داده‌هاست که برای ادغام و تجمیع داده‌های موجود در چندین منبع به یک منبع بزرگ ترِ ذخیره داده ها مانند انبار داده اطلاق می شود. یکپارچه سازی داده اغلب زمانی استفاده می شود که ما به دنبال حل یک چالش در دنیای واقعی باشیم. برای مثال تشخیص مصارف ناهنجار در خطوط لوله های گاز. در اینجا تنها گزینه ی ما ادغام داده‌های مناطق گوناگون در یک پایگاه داده بزرگتر است.

توجه داشته باشید که ما ممکن است حین یکپارچه سازی داده‌ها به عنوان یکی از مراحل پیش پردازش داده ها با چالش های زیر مواجه شویم:

ممکن است داده ها در قالب‌ها و فرمت‌های گوناگونی باشند یا ویژگی های متفاوتی داشته باشند که این مساله کار یکپارچه سازی داده ها را سخت تر می کند. یا ممکن است که لازم باشد ویژگی های اضافی را از تمام منابع داده ای حذف کنیم.

مرحله سوم: تبدیل داده ها(Data Transformation)

زمانی که پاکسازی داده ها انجام شد باید با تغییر ارزش، ساختار یا قالب داده‌ها با استفاده از استراتژی‌های ذکر شده در زیر کیفیت داده‌ها را افزایش دهیم:

نرمال سازی داده ها(Normalization):

نرمال سازی داده ها از جمله مهم ترین تکنیک‌های تبدیل داده است که به طور گسترده مورد استفاده قرار می گیرد. در این روش خصوصیات عددی به صورت بالا یا پایین مقیاس‌بندی می‌شوند تا در محدوده مشخصی قرار گیرند. نرمال سازی داده ها با تکنیک های زیر انجام می گیرد:

• Min-max normalization
• Z-Score normalization
• Decimal scaling normalization

تجمیع و یکپارچه سازی(Aggregation):

این روش برای ذخیره و ارائه داده ها در قالب خلاصه اطلاق می شود. برای مثال در بخش فروش، داده‌ها می‌توانند تجمیع و ادغام و تبدیل شوند تا برای مثال در قالب ماه و سال و روز نمایش داده شوند.

مرحله چهارم: کاهش داده(Data Reduction)

اندازه دیتاست‌ها در یک انبار داده گاهی انقدر زیاد است که با تجزیه و تحلیل داده‌ها و الگوریتم‌های داده کاوی قابل مدیریت نباشد. یک راه حل برای حل این چالش استفاده از یک دیتاست بسیار کوچکتر است که از نظر حجم داده خیلی کمتر از دیتاست واقعی باشد اما کیفیت مشابه دیتاست واقعی را داشته و بتواند نتایج تحلیلی مورد نظر ما را تولید کند.

در ادامه استراتژی‌های کاهش داده‌ها را با هم مرور می‌کنیم:

تجمیع مکعب داده: روشی برای کاهش حجم داده است که در آن داده‌های جمع آوری شده به صورت خلاصه بیان می شود.

کاهش ابعاد: تکنیک های  کاهش ابعاد برای بحث استخراج ویژگی استفاده می شوند. در واقع ابعاد به ویژگی های داده‌ها در یک دیتاست اشاره دارد. هدف از تکنیک‌های کاهش ابعاد، کاهش تعداد ویژگی های اضافی است که در الگوریتم های یادگیری ماشین در نظر می‌گیریم. کاهش ابعاد را می توان با استفاده از تکنیک هایی نظیر PCA انجام دهیم.

فشرده سازی داده ها: با استفاده از فناوری‌های کدگذاری، حجم داده‌ها به صورت قابل توجهی کاهش می‌یابد.

کاهش عددی(Numerosity reduction): داده ها می توانند به شکل یک مدل یا یک معادله مانند یک مدل رگرسیون نشان داده شوند. درواقع این کار، بارِ ذخیره سازی یک دیتاست حجیم را کاهش می دهد.

انتخاب درست ویژگی ها: انتخاب ویژگی های درست و مناسب بسیار حائز اهمیت است. در انتخاب ویژگی ها خاص عمل کنید. در غیر این صورت این مساله منجر به داده ها با ابعاد زیاد شده و همین امر آموزش مدل را با مشکل مواجه می کند و سبب مشکلاتی همچون Underfitting  و Overfitting خواهد شد. درواقع تنها ویژگی هایی که به آموزش مدل ارزش بیشتری میدهند باید حفظ شده و بقیه را می‌توان نادیده گرفت.

نویسنده: فاطمه چلونگر

در مواجه با حجم انبود داده که به عنوان بیگ‌دیتا شناخته می‌شود، بسیاری از شرکت‌ها برای تصمیم‌گیری‌های استراتژیک و بهبود عملکرد خود به تحلیل داده‌ها تکیه می‌کنند. شرکتی که توسط داده‌ها هدایت می‌شود را شرکت داده محور می‌نامند. اصطلاح داده محور بودن در کسب و کار به این معنی است که یک سازمان با تکیه بر تحلیل داده‌های موجود خود، از آن‌ها در جهت اطلاع رسانی و آگاهی، بهبود فرایندها و تصمیم‌گیری و حتی بهبود مدل‌های درآمدی خود بهره می‌گیرد.

حال مزیت یک شرکت داده محور چیست و چگونه می‌توان آن را پیاده‌سازی کرد؟

همان طور که اشاره کردیم اصطلاح داده محور به هر سازمانی اشاره دارد که بر داده‌ها متمرکز است. یک شرکت داده محور از تکنولوژی‌های تحلیل داده برای هدایت تصمیمات استراتژیک خود بهره می گیرد و تصمیم گیری ها، براساس داده‌ها انجام می گیرد نه براساس شهود و تجربه و احساسات.

با داده محور شدن یک سازمان، تمامی داده‌ها، در یک پایگاه داده به صورت متمرکز در دسترس تصمیم گیرندگان قرار می‌گیرد. این امر به سازمان ها کمک می‌کند تا از داده‌های درست در زمان درست و به موقع برای تصمیم گیری‌ها استفاده کنند.

در عصر تحول دیجیتال، شرکت‌ها در حال جمع‌آوری داده‌ها از اشیا متصل(connected)، شبکه‌های اجتماعی و وبسایت‌ها هستند. تحلیل این داده‌ها بینش عمیقی را در زمینه رفتار مشتری، ترندهای بازار و  رقبا فراهم می‌کند و این امکان را در اختیار آن ها قرار داده تا بتوانند رفتار مشتریان را در جهت بهبود وفاداری مشتری و تجربه مشتری، پیش‌بینی کنند. همچنین در این دوران، تجزیه و تحلیل داده‌ها درحال تبدیل شدن به یک هرم رشد برای بخش‌های کلیدی کسب و کار مانند بخش های بازاریابی، منابع انسانی، مالی و لجستیک شده است.

برای مثال در بخش بازاریابی، پردازش داده‌ها، سرعت تصمیم‌گیری را افزایش داده و همین امر سبب شده تا زمان صرفه جویی شده برای کارهای ارزشمندتری مانند مدیریت ارتباط با مشتری، دانش مشتری و ارزیابی‌های گوناگون در جهت بهبود محصولات و خدمات صرف شود.

بخش منابع‌انسانی نیز از اتخاذ رویکرد داده محوری سود می‌برد. این رویکرد به بهینه سازی فرایندهای استخدام و کاریابی کمک می‌کند. به علاوه این رویکرد سبب کاهش هزینه‌های فرایند استخدام و همچنین بهبود تجربه کارمندان و افزایش بهره‌وری آن‌ها شده است.

اما برای داشتن یک سازمان داده محور ابتدا باید فرهنگ داده محوری را در سازمان ایجاد و  تقویت کرد.

حال با این سوال مواجه می شویم که چگونه فرهنگ داده محور بودن را در سازمان نهادینه کنیم؟

نظرسنجی انجام شده توسط   EY report نشان می‌دهد که 81 درصد از شرکت‌ها با این جمله که «داده ها باید در قلب تصمیم‌گیری‌ها باشند» موافق هستن، اما تنها 31درصد از شرکت‌ها به طور قابل توجهی فرایند کسب و کار خود را در جهت داده محور بودن، بازمهندسی کرده‌اند. (A report in collaboration with Nimbus Ninety, EY report)

خب همان طور که می‌دانیم به کارگیری فرهنگ داده محوری در سازمان سبب ایجاد تغییرات بزرگی خواهد شد. چون فرایند تبدیل شدن به یک سازمان داده محور با پیچیدگی هایی روبه روست، موفق شدن در این امر، مستلزم این است که همه کارمندان یک سازمان در قلب سازماندهی مجدد کسب و کار بوده، در این امر مشارکت داشته باشند و از اهمیت و ضرورت این کار آگاهی کامل داشته باشند. در سمت مدیریت نیز وجود تصمیم گیرندگانی که بتوانند به درستی داده‌ها را تحلیل و تفسیر کنند الزامی است. همچنین بدیهی است که شرکت باید تمام ابزارها و افراد مناسب برای گذار از این مرحله را در اختیار داشته باشد. برای مثال وجود تخصص‌هایی مانند علم داده در شرکت الزامی است.

اما مولفه های متعددی وجود دارد که به فرهنگ داده محوری در یک سازمان کمک می کند:

بلوغ داده ها

بلوغ داده ها به این موضوع اشاره دارد که در طول زمان داده‌ها چگونه ذخیره و بازیابی شوند تا این فرایند بهبود یابد؟ اکثر سازمان‌هایی که نقش (chief data officer)CDO  آنها به خوبی مشخص شده است؛ در حال دستیابی به سطوح بالایی از بلوغ داده‌ها هستند.

رهبری داده

رهبری داده به این معنی است که مدیران و رهبران یک سازمان از دقت و صحت ذخیره سازی و نگه داری داده ها اطمینان حاصل کنند. همچنین اهمیت و ضرورت داده ها و اطلاعات را برای کمک به تیم در تصمیم گیری های دقیق و درست را در نظر بگیرند. رهبران همچنین با هدایت فرهنگ تصمیم گیری براساس اطلاعات موجود، اهمیت و ارزش این مطلب را دوچندان میکنند. یک رهبر مبتنی بر داده؛ داده‌ها را به عنوان یک دارایی استراتژیک می‌بیند و فکر کردن و عمل کردن بر اساس داده‌ها را در اولویت اصلی استراتژیک خود قرار می‌دهد.

سواد داده

سواد داده به این مفهوم اشاره دارد که اطلاعاتی که یک شرکت ذخیره می کند برای همه افراد قابل دسترسی، قابل خواندن و قابل استفاده باشد.  همان طور که میدانیم ذخیره سازی داده ها در فرمت های ساختاریافته به این امر کمک می کند. بخش مهمی از این بخش به آموزش کارمندان و چگونگی درک و استفاده از داده ها مربوط می شود تا آنها بتوانند به درستی تصمیم گیری کرده و اطلاعات را به طور موثرتری ارزیابی کنند.

اما برای تبدیل شدن به یک سازمان داده محور بهتر است که مراحل زیر را طی کنید:

روی زیرساخت داده سرمایه گذاری کنید

با توسعه سیستم هایی برای پشتیبانی از جمع آوری، ذخیره سازی و تحلیل داده ها شروع کنید. تعیین کنید که چه مقدار فضا برای مدیریت داده ها برای یک سازمان با اندازه ی خود نیاز دارید. خب این موارد با همکاری بخش فناوری اطلاعات سازمان شما جهت ایجاد پایگاه داده، نصب نرم افزارهایی برای گزارش از داده ها و تحلیل و مدلسازی داده،  میسر خواهد شد

افراد را برای جمع آوری کامل داده ها تشویق کنید

با مدیران خود درمورد اهمیت جمع آوری سوابق داده ها صحبت کنید. همچنین با اعضای تیم خود در این باره صحبت کنید تا طبق یک استاندارد مشخص و به صورت گزارشات ماهانه یا فصلی، هر بخش خلاصه داده ها را با شاخص های کلیدی عملکرد در یک پایگاه داده مشترک بارگذاری کنند.

کیفیت داده ها را افزایش دهید

کیفیت داده‌ها مساله ی مهمی است. اگر داده های شما بی کیفیت باشند، تصمیمات برگرفته از آنها هم بی‌کیفیت خواهند بود. دستیابی به داده‌های با کیفیت، یک گام مهم و اساسی در جهت ایجاد یک کسب و کار داده محور است. در مورد افزایش کیفیت داده، در مقالات بعدی صحبت خواهد شد، اما به طور خلاصه باید بدانید که برای دستیابی به چنین مساله‌ای نیاز به شناخت کسب و کار، شناخت و درک تصمیمات و تعریف معیارها و شاخص‌های کمی و کیفی به منظور ارزیابی خواهید داشت.

به کارکنان خود آموزش دهید

با آموزش به تیم خود در مورد نحوه تفسیر گزارش ها و مدل های داده، افراد را تشویق کنید تا با اطلاعات موجود درگیر شوند. جلسات آموزشی رسمی در زمینه سواد داده و تجزیه و تحلیل اطلاعات را برنامه ریزی یا پیشنهاد دهید.

قوانینی در رابطه با حاکمیت داده ها تنظیم کنید

قوانینی را در رابطه با سطح دسترسی افراد به پایگاه داده تنظیم کنید. ضروری است که تعادلی را بین دسترسی به داده ها برای همه افراد شرکت و حفظ امنیت اطلاعات ایجاد کنید. با بخش فناوری اطلاعات سازمان خود در مورد ایجاد حساب هایی با مجوزهای خاص برای افراد در سطوح مختلف ایجاد کنید.

 

نویسنده: فاطمه چلونگر

 

منابع:

https://www.ipag.edu/en/blog/what-data-driven-approach#:~:text=The%20term%20data%20driven%20describes,experience%20or%20the%20external%20environment.

https://www.walkme.com/glossary/data-driven/

https://cognopia.com/data-driven-business-the-ultimate-guide/

https://www.indeed.com/career-advice/career-development/data-driven-culture#:~:text=A%20data%2Ddriven%20culture%20is%20one%20where%20the%20workforce%20uses,processes%20and%20accomplish%20their%20tasks.