تجزیه و تحلیل تجویزی در علم داده چیست؟
می توان مشخص کرد که هدف از هر نوع سرویس تحلیلی در زمینه کسب و کار، انباشته شدن یک پشته عظیم از داده های منبع داخلی از منابع عمومی و سایر منابع شخص ثالث در خوراک پاسخگو برای بهبود عملیات جامعه است.
تجزیه و تحلیل تجویزی (Prescriptive Analytics)
تجزیه و تحلیل تجویزی حوزه ای از تجزیه و تحلیل کسب و کار است که به جستجوی بهترین راه حل برای مشکلات روزمره اختصاص دارد. این به طور مستقیم با دو فرآیند قابل مقایسه دیگر، یعنی تجزیه و تحلیل توصیفی و پیش بینی، مرتبط است. تجزیه و تحلیل تجویزی را می توان به عنوان نوعی از تجزیه و تحلیل داده ها تعریف کرد که از الگوریتم ها و تجزیه و تحلیل داده های خام برای دستیابی به تصمیمات بهتر و مؤثرتر برای یک بازه زمانی طولانی و کوتاه استفاده می کند. این استراتژی بر روی سناریوهای احتمالی، آمار انباشته شده و پایگاه های داده گذشته/حال جمع آوری شده از طریق جامعه مصرف کننده پیشنهاد می کند.
به عنوان مثال
ماشین خودران گوگل، Waymo یک نمونه ترجیحی است که تجزیه و تحلیل تجویزی را نشان می دهد. در هر سفر میلیون ها محاسبه را به نمایش می گذارد. خودرو تصمیم خود را می گیرد که در هر جهتی بپیچد، سرعتش را کم کند و حتی در چه زمانی و کجا تغییر مسیر دهد – این اعمال هر روز مانند فرآیند تصمیم گیری هر انسانی در هنگام رانندگی است.
نحوه کار کردن
برای پردازش چنین حجم عظیمی از پشته های داده، تجزیه و تحلیل از مفاهیم فناوری هوش مصنوعی، تاکتیک های محاسباتی یادگیری ماشین و در اکثر سناریوها از هر نوع ورودی انسانی استفاده می کند. با توجه به مقیاس‌پذیری و قابلیت اطمینان عصر تکنولوژی، ماشین‌هایی که به سرعت خودآموزی می‌کنند و خود را با نگهداری بسته‌های داده اضافی و استخراج راه‌حل‌های پیشرفته مطابق با سهولت تطبیق می‌دهند، همچنان سودمند هستند. فراتر از گزینه های پیش بینی ساده است و طیف وسیعی از ایده های بالقوه را برای هر اقدام ارائه می دهد. این فرآیند را می توان بسیار سریعتر و حتی دقیق تر از ظرفیت انسان بیان کرد.
←برای خرید کرک لایسنس تبلو Tableau با تمام ویژگی ها کلیک کنید
رویکرد پیاده سازی در تجزیه و تحلیل تجویزی
فرض کنید یک شرکت می خواهد شبکه زنجیره تامین خود را با تعیین مقرون به صرفه ترین مکان ها در شهر برای انبارها و مراکز توزیع بهینه کند تا هزینه های حمل و نقل را به حداقل برساند و در عین حال عرضه و تقاضای مشتری برای کالا را تامین کند.
رویکرد تجزیه و تحلیل تجویزی
- مرحله 1 جمع آوری داده ها: جمع آوری داده ها برای مکان های مشتری، نیاز آنها، انبارهای شرکت و حمل و نقل
- مرحله 2 مدل سازی ریاضی: ما مدل های ریاضی ایجاد خواهیم کرد که داده های زنجیره تامین مانند مکان مشتری، زمان، مکان انبار و مسیرها را مدیریت می کند، همچنین یک تابع بهینه سازی را نهایی خواهیم کرد که هزینه شرکت و زمان تحویل را به حداقل می رساند.
- مرحله 3 بهینه سازی: ما از یک رویکرد بهینه سازی مانند برنامه ریزی خطی یا حساب دیفرانسیل برای حل مدل های ریاضی و یافتن مکان های بهینه استفاده خواهیم کرد.
- مرحله 4 تجزیه و تحلیل سناریو: ما یک تحلیل سناریو برای متغیرهای مفروضات خود در مورد مدل ها انجام خواهیم داد.
- مرحله 5 پشتیبانی تصمیم: بر اساس مدل سازی داده ها و دانش کسب و کار ما که از داده های خام به دست آورده ایم، داشبوردها و نمودارهای تجسمی ایجاد خواهیم کرد که ذینفعان را در تصمیم گیری خواهد ساخت.
- مرحله 6 پیاده سازی: آخرین و مهمترین بخش پس از انجام تمام مراحل پنج گانه اجرای آن با تغییراتی است که درآمد شرکت را به حداکثر می رساند.
تجزیه و تحلیل توصیفی در مقابل تجزیه و تحلیل پیش بینی کننده در مقابل تجزیه و تحلیل تجویزی
Descriptive Analytics یا تجزیه و تحلیل توصیفی بر روی داده های آماری کار می کند تا جزئیات مربوط به گذشته را به ما بدهد. این به کسب و کار کمک می کند تا تمام جزئیات مرتبط با عملکرد خود را از آمارهای گذشته دریافت کند. به عنوان مثال، تجزیه و تحلیل جزئیات خرید گذشته مصرف کنندگان/مشتریان برای تصمیم گیری بهترین زمان برای راه اندازی یک محصول جدید یا هر طرح فروش در بازار.
Predictive Analytics یا تجزیه و تحلیل پیش‌بینی‌کننده از یک مدل یادگیری ماشینی استفاده می‌کند که شامل تمام گرایش‌های کلیدی مرتبط و الگوهای مقیاس‌پذیر خاص با کمک داده‌ها و فیدهای تاریخی است. سپس این مدل در تجارت برای پیش‌بینی آنچه در آینده با استفاده از آخرین اطلاعات اتفاق می‌افتد استفاده می‌شود. به عنوان مثال، مدل‌های آماری توسط شرکت‌ها از طریق داده‌های قبلی استفاده می‌شود تا اینکه آیا مصرف‌کنندگان چقدر از خدمات استفاده می‌کنند و کدام خدمات در میان آنها محبوب‌ترین هستند، بنابراین یک مدل مرتبط برای بررسی خدمات مورد تقاضا در میان کاربران است.
Prescriptive Analytics یا تجزیه و تحلیل تجویزی برای استفاده در سطح بعدی و پیشرفته از داده های پیش بینی شده استفاده می شود. شرکت های تجاری از امکانات پیش بینی شده برای توسعه و ارائه خدمات بهتر به مشتریان/مصرف کنندگان خود استفاده می کنند. به عنوان مثال، برای یک سیستم تحویل موفق و مقرون به صرفه، شرکت های حمل و نقل از الگوریتم ها و مدل های پیش بینی برای تصمیم گیری بهترین مسیر با حداقل مصرف انرژی برای صرفه جویی در زمان و افزایش سود استفاده کردند.
مزایای تجزیه و تحلیل تجویزی
- بی زحمت تجزیه و تحلیل کسب و کار را ترسیم کنید تا مراحل لازم برای جلوگیری از شکست و دستیابی به موفقیت را اعلام کنید.
- شکل دقیق و جامع تجمیع و تجزیه و تحلیل داده ها نیز خطای انسانی و سوگیری را کاهش می دهد.
- کمک به موضوعات تصمیم گیری مرتبط با مشکلات به جای نتیجه گیری های غیرقابل اعتماد بر اساس غرایز.
- حذف عدم قطعیت های فوری به جلوگیری از تقلب کمک می کند، ریسک را محدود می کند، کارایی را افزایش می دهد و مشتریان منطقی ایجاد می کند.
چشم اندازهای مرتبط با کسب و کار
همانطور که روز به روز، پایگاه داده برای مجموعه‌ای از شرکت‌ها در فرآیندهای تجاری در حال گسترش است، با چنین مدل‌های تجزیه و تحلیل داده‌ها، استفاده از اطلاعات جمع‌آوری‌شده برای هدایت ارزش واقعی کسب‌وکار – ارائه رویکردهای خوش‌بینانه و نتایج قابل درمان، آسان‌تر از همیشه است.
سازمان‌های قابل اعتماد می‌توانند بر اساس واقعیت‌های تجزیه‌وتحلیل‌شده تصمیم بگیرند نه اینکه مستقیماً بر اساس غرایز به نتایج پوچ بپردازند. سازمان ها به راحتی می توانند درک بهتری از احتمال بدترین سناریوها به دست آورند و بر اساس آن برنامه ریزی کنند. این می تواند کلید شکوفایی کسب و کار در بخش فناوری نرم افزار و اقتصاد باشد زیرا سازمان ها می توانند بدترین سناریوها را بهتر پیش بینی کنند و بر اساس آن برای حال و آینده برنامه ریزی کنند.
مقاله های مرتبط:
1- 5 محرک کلیدی برای مدیران مالی مالی در تجزیه و تحلیل حسابداری مدرن
2- نقش اتوماسیون در تجزیه و تحلیل داده های بزرگ
3- انواع پایگاه های داده (Database)
4-داشبورد سازی در نرم افزار تبلو و تجسم داده ها