توسط zahra riyahi zahra riyahi بدون دیدگاه

کاربرد هوش تجاری (BI) در تحلیل تکنیکال صنعت داروسازی

امروزه همانطور که می دانیم در صنعت دارو مدیران بازاریابی و فروش با حجم انبوهی از داده‏ های فروش ، به داروخانه‏ های مشتری خود روبه رو هستند. در زمینه داروسازی ، ارزش تجزیه و تحلیل داده های مدرن زیاد است و این هم برای تولید کنندگان قرارداد و هم برای تولید کنندگان محصولات صادق است. با این وجود ، هرچه درک شما از رقابت دقیق تر باشد و نسبت به تغییر مقررات انعطاف پذیر تر باشید ، فروش محصول شما سود بیشتری خواهد داشت.

یکی از روش‎هایی که به آنان در کنترل وضعیت بازار، رقابت با سایر رقبا، برنامه ‏ریزی هر چه بهتر برای افزایش فروش محصولات خود و در نتیجه هدفمند‌کردن فعالیت‎های بازاریابی کمک خواهد کرد ,آگاهی از بخش‏بندی‏ های مختلف مشتریان و سیاست‏ گذاری بازاریابی و فروش بر‌مبنای آن خواهد بود، همچنین شرکت های داروسازی باید بهترین ابزارهای موجود را برای افزایش درآمد ، کاهش هزینه ها ، کارآمدتر کار ، بهبود آگاهی از برند بازاریابی و وفاداری مصرف کننده در کنار سازگاری با تغییر مقررات و انطباق ها  شناسایی کنند، برای پیروزی در رقابت ها ، شرکت های داروسازی موظف هستند که داده های خود را که در چندین منبع داده ذخیره شده اند و با تجزیه و تحلیل درست  این اطلاعات تصمیم گیری دقیق را انجام دهند. این جایی است که هوش تجاری می تواند به شرکتهای داروسازی و بیوتکنولوژی کمک کند تا بینش غنی تری نسبت به تجارت خود داشته باشند .همچنین می تواند داروهای مقرون به صرفه و با دوام را شناسایی کند.

داروسازی

در زیر به چند مورد از تاثیرات  هوش تجاری بر عملکرد بازاریابی شرکت های داروسازی اشاره می شود:

  1. تعیین گرایش های تجاری سازمان که موجب می شود تا سازمان بدون اتلاف وقت ، هزینه و انرژی در سایر سیرها بر اهداف خود متمرکز شود.
  2. تحلیل عمیق بازار و پیش بینی آن که می تواند قبل از اینکه رقبا سهم بازار خود را توسعه دهند، منافع جدید بوجود آمده در بازار را به اکتساب خود درآورند.
  3. بالابردن سطح رضایتمندی مشتریان و شناسایی مشتریان دائمی که وفا دارند.
  4. تقسیم بندی مشتریان و ایجاد تنوع در روش برخورد با هرگروه از مشتریان.
  5. افزایش کارایی سازمان در امور داخلی .
  6. استانداردسازی و ایجاد سازگاری بین ساختارهای سازمان.
  7. تسهیل در تصمیم گیری که جزء اهداف اساسی هوش تجاری محسوب میشود.
توسط zahra riyahi zahra riyahi بدون دیدگاه

کاربرد هوش تجاری(BI) در تحلیل تکنیکال ارزهای دیجیتال

این روزها شاهد رشد علاقمندی افراد و شرکتها به سرمایه گذاری در زمینه ارزهای دیجیتال هستیم .حتما قبول دارید که برای سرمایه گذاری با کمترین میزان ریسک نیاز هست که در خصوص نحوه عملکرد و تحلیل سود زیان حوزه مربوطه بتوانیم به صورت تخصصی تحلیل نماییم.یقینا یکی از فناوریهای جدیدی که می تواند به تحلیل خیلی از حوزه های سرمایه گذاری کمک کند مانند سرمایه گذاری در خصوص ارزهای دیجتال می تواند کاربری هوش تجاری یا همان هوشمندی کسب و کار باشد.
شاید مجموع دلایل بیان شده در ادامه بتواند چرایی سرمایه گذاری در ارز دیجیتال و خصوصا استفاده از هوش تجاری یا Business intelligence را در خصوص تحلیل تکنیال آن توجیه نماید.
این مزایا عبارتند از :
   

  • مالیات ناچیز برای هر یک معامله
  • خطرسرقت این ارز کمتر نسبت به ارزهای فیزیکی
  • امنیت بالا
  • امکان سرمایه گذاری آسان بدون داشتن دانش فنی خاص (در صورتی که بتوانیم با بکارگیری ابزارهایی این کسب وکار را راحت تحلیل کنیم.)
  • فضای خصوصی استفاده از این ارزها
  • امکان معامله در سراسر دنیا بدون محدودیت کنونی

گهگاهی پر رنگ شدن بعضی از معایب ارزهای دیجیتال مثل نوسان قیمت ، پرداخت غیرقابل برگشت ، ایمن نبدن صد در صدی بعضی از الگوریتهای ارزهای دیجیتال و مشکلات حقوقی و مالی که ممکن است در این نوع از سرمایه گذاری ایجاد شد، بازار این ارزها را دچار نوسان شدید و تنزل قیمت میکند.
این نقطه همان محلی است که هوش تجاری می تواند به کمک سرمایه گذار بیاید و با تحلیل های پیشگویانه(Technical Forecasting ) سرمایه او را نجات داده و در نقطه مناسب دیگری کمک به خرید مناسب نماید.
سیستم (Intelligence Business (BIراه حلی است که به یک شرکت کمک می کند تا اطلاعات مربوط به حوزه سرمایه گذاری خود را نظیر ارزهای دیجیتال جمع آوری کرده و روی آن پردازش، تحلیل، درنهایت هم بصری سازی وپیشبینی انجام شود. مراحل BI به یک کاربر ، مالک یا کارگزار ارز دیجیتال نظیر بیت کویت یا اتریوم و هر نوع ارز دیگر کمک می کند بهترین تصمیم ممکن برای به حداکثر رساندن سود و امنیت مالی خود بگیرد.

ارز دیجیتال

حالا چه اقداماتی در زمینه بکارگیری هوش تجاری در خصوص ارزهای دیجیتال می بایست انجام داد؟

بعضی از این  کارها دراین تحلیل می تواند به شرح ذیل باشد:

بکارگیری معیارهای گزارش دهی مناسب، نمایش داده با ابزارهای بصری سازی مثل Power BI، تجزیه و تحلیل عملیاتی و نظارت، مطالعات کمی ، داده کاوی ، مدل سازی داده ها، تجزیه و تحلیل داده های بزرگ ، آزمایش چند متغیره و بسیاری دیگر.

مراحل عملیاتی استفاده از هوش تجاری در سرمایه گذاری در صنعت ارزهای دیجیتالی عبارت خواهد بود از :

  • جمع آوری الزامات گزارش دهی – این گامی است که طی آن با ذینفع صحبت می کنیم و مشخص کنید که نیازهای وی برای اطمینان از ساختار اطلاعات چیست.
  • تقسیم الزامات به حوزه های تجاری – این مرحله ای است که در آن تصمیم گرفته می شود که چگونه اطلاعات جمع آوری شوند و از چه منابعی و برای کدام تجارت مناطق.
  • الزامات اولویت ها – این بخش از مرحله محدودیت های اطلاعاتی را تعیین کرده و باعث می شود خط زمانی بهتری برای روند کار داشته باشد.
  • جمع آوری و اعتبارسنجی داده ها – در این مرحله داده ها را جمع آوری می کنیم و سپس تعیین می کنیم که آیا اطلاعات جمع آوری شده از کفایت کمی و کیفی برخوردار است. اگر اطلاعات به این صورت نباشد باید به مرحله اولویت بندی برگردند.
  • تجزیه و تحلیل – این مرحله ای است که در آن می توانیم اطلاعات را جمع کنیم و گزارش نهایی را تهیه کنیم که به مشتری تحویل داده می شود. این گزارش شامل کلیه اطلاعات مربوطه می باشد.
توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

پایگاه های داده SQL یا NOSQL ؟؟ کدام یک را انتخاب کنیم؟

بودن یا نبودن مسئله این است!!!!!!!
حتمالا شکسپیر در مورد پایگاه های داده فکر نمی کرده است زمانی که مشغول نوشتن این جمله بوده است، اما امروزه سوال بسیاری از شرکت هاست که ار چه نوع دیتابیسی استفاده کنند. بزرگترین تصمیم گیری در مورد انتخاب یک پایگاه داده، انتخاب یک پایگاه داده ارتباطی (SQL) یا پایگاه داده غیر ارتباطی NoSQL) ) است. در حالی که یک پایگاه داده ارتباطی یک گزینه ای مناسب برای بیشتر شرکت ها و سازمان ها است، برای مجموعه داده های بزرگ و تجزیه و تحلیل داده های بزرگ مناسب نیست. این دلیل عمده محبوبیت سیستم های پایگاه داده NoSQL در شرکت های بزرگ اینترنتی مانند Google، Yahoo، Amazon و غیره است.

SQL-Vs-NoSQL
با این حال، تصمیم به انتخاب یک پایگاه داده ساده نیست. هر دو پایگاه داده SQL و NoSQL دارای ساختار متفاوت و روش های ذخیره سازی داده های مختلف هستند. بنابراین انتخاب بین SQL و NoSQL عمدتا به نوع پایگاه داده ای است که برای یک پروژه خاص مورد نیاز است.

چقدر تفاوت دارند؟
هر دو پایگاه داده SQL و NoSQL برای اهداف مشابه استفاده می شوند، اما آنها در روش های ذخیره سازی و سایر موارد تفاوت های بسیاری دارند. تفاوت های متعددی بین پایگاه داده های SQL و NoSQL وجود دارد و برای شرکت ها و سازمان ها اهمیت دارد تا بدانند از کدام نوع پایگاه داده باید استفاده کنند.
برخی از تفاوت های پایگاه داده را در زیر با هم مرور می کنیم:

۱٫ زبان:
بیایید تصور کنیم که در دنیای دیتا بیس ها هر کس انگلیسی صحبت می کند. بنابراین اگر شما شروع به صحبت کردن به زبان هندی کنید کاملا گیج کننده خواهد بود. این مثال در ارتباط پایگاه داده SQL است. پایگاه داده های SQL دستکاری داده ها را بر اساس دستورات و عملگر های SQL انجام می دهد که یکی از گزینه های متنوع و گسترده زبان برای کوئری نویسی در دسترس است. در حالی که این امر باعث می شود که SQL انتخابی مطمئن به ویژه برای درخواست های پیچیده باشد، می تواند محدود کننده نیز باشد. به این دلیل که قبل از اینکه با آن کار کنید، از شمای داده ها برای تعیین ساختار داده استفاده می کنید و تغییر ساختار می تواند کاملا گیج کننده باشد (مانند استفاده از هندی).

در حال حاضر دوباره دنیای دیتابیس هارا تصور کنید دنیایی که هرکس می توناد به هر زبانی صحبت کند این بی نظمی خوب است چرا که هرجایی را که شما تصور کنید انسان هایی پیدا می شوند که خلاف رویه معمول رفتار کنند این مثال یک پایگاه داده NoSQL است که یک طرح پویا برای داده های بدون ساختار دارد. در اینجا داده ها به روش های مختلفی ذخیره می شوند .به این معنی است که می توان آن را سند گرا، ستون گرا، بر اساس گراف و غیره متصور شد. این انعطاف پذیری به این معنی است که بدون داشتن ساختار تعریف شده می توان اسناد را ایجاد کرد و بنابراین هر سند می تواند ساختار مختص به خود را داشته باشد.

۲٫ مقیاس پذیری
بیایید درمورد ساختمانی بلند در همسایگی شما فکر کنیم. اگر به شما حق انتخاب بدهند برای ورود افراد جدید به محله شما چه میکنید؟ به این ساختمان طبقات بیشتری را اضافه می کنید یا ساختمان جدیدی در همان نزدیکی احداث می کنید؟
این مثال برای بیان یک تفاوت مهم میان ب پایگاه داده SQL و NoSQL است. پایگاه های داده SQL عمودی و قابل مقیاس بندی هستند. این بدان معنی است که اضافه کردن داده های بیشتر بر روی یک سرور تنها می تواند با افزایش آپشن هایی مانند RAM، CPU یا SSD صورت پذیرد(طبقه های بیشتر را می توان به این ساختمان اضافه کرد). از سوی دیگر، پایگاه داده های NoSQL به صورت افقی و قابل مقیاس پذیری هستند. این به این معنی است که ترافیک بیشتری را می توان با حذف کردن یا اضافه کردن سرورهای بیشتر در پایگاه داده NoSQL خود انجام داد. (ساختمان های بیشتری را می توان به محله اضافه کرد).

در بلندمدت، بهتر است ساختمان های بیشتری از کف را اضافه کنید، زیرا پایدارتر است (شانس کمتر برای ایجاد یک برج پیزا !!!). بنابراین، NoSQL در نهایت می تواند بزگتر و قدرتمندتر شود، و می توان پایگاه داده های NoSQL را انتخاب دلخواه برای مجموعه های بزرگتر یا همیشه در حال تغییر دانست.

۳٫ شمای((schema طراحی
یک طرح به شمای یک پایگاه داده اشاره دارد، به این ترتیب که چگونه اطلاعات سازماندهی شده است. طرحواره پایگاه داده SQL و پایگاه داده NoSQL کاملا متفاوت است. اجازه دهید از شوخی استفاده کنیم تا این را درک کنیم. سه ادمین دیتا بیس در یک فروشگاه NOSQL در حال قدم زدن هستند اندکی بعد گیج و خسته از فروشگاه خارج می شوند چرا که نمی توانند محل استقرار خود را پیدا کنند.
این اساسا بدان معنی است که مدیران پایگاه داده به سختی می توانند یک جدول در NoSQL پیدا کنند، زیرا هیچ تعریف استاندارد اساسی برای پایگاه داده های NoSQL وجود ندارد. آنها به ترتیب الزامات هر دو جفت کلیدی-ارزش، پایگاه داده مبتنی بر اسناد، پایگاه داده های گراف یا فروشگاه های گسترده ستون هستند. از سوی دیگر، اگر آن مدیران پایگاه داده به یک نوار SQL رفته بودند، قطعا می توانستند جداول را پیدا کنند به عنوان پایگاه داده های SQL دارای یک جدول مبتنی بر جدول هستند.

این تفاوت در طرح، پایگاه داده های ارتباطی SQL را گزینه ای بهتر برای برنامه های کاربردی که نیاز به معاملات چند ردیف مانند یک سیستم حسابداری یا سیستم های میراثی که برای ساختار رابطه ای ساخته شده است، می شود. با این حال، پایگاه داده های NoSQL برای داده های بزرگ بسیار مناسب هستند زیرا انعطاف پذیری یک نیاز مهم است که توسط طرح پویا آنها انجام می شود.

۴٫ جامعه
SQL یک فناوری بالغ است و بسیاری از توسعه دهندگان با تجربه که آن را درک می کنند وجود دارند. همچنین پشتیبانی عالی برای تمام پایگاه داده های SQL از فروشندگان آنها در دسترس است. حتی تعداد زیادی از مشاوران مستقل وجود دارند که می توانند با پایگاه داده SQL برای راه اندازی های بسیار گسترده ای کمک کنند.

از سوی دیگر، NoSQL نسبتا جدید است و بنابراین برخی از پایگاه های داده NoSQL بر حمایت جامعه متکی هستند. همچنین تنها محدود کردن کارشناسان بیرونی برای راه اندازی و گسترش استقرار NoSQL در مقیاس بزرگ در دسترس هستند.

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

۱۰ الگوریتم برتر داده کاوی

در کنفرانس بین المللی داده کاوی تلاشی صورت گرفت تا الگوریتم های داده کاوی مطرح وپرقدرتی که مورد استفاده قرار میگیرند شناسایی شوند و در مرحله بعد از یک سری کسانی که جایزه IEEE را در تحقیقات و نوآوری کسب کرده بودند دعوت شد تا حداکثر ده الگوریتم قوی و مطرح در داده کاوی را به عنوان کاندیدا معرفی کنند. ۱۰ الگوریتم زیر از بین چندین الگوریتم قدرتمند انتخاب شده اند که به توضیح مختصری از هرکدام می پردازم .

این الگوریتم ها عبارت اند از:

۱. C4.5
۲. k-means
۳. Support vector machines
۴. Apriori
۵. EM
۶. PageRank
۷. AdaBoost
۸. kNN
۹. Naive Bayes
۱۰. CART

۱. الگوریتم C4.5 :
الگوریتم C4.5 یک دسته‌بندی (classifier) را در قالب یک درخت تصمیم تولید می‌کند که دارای ۲ نوع گره است. یک گره به‌صورت برگ که یک دسته را مشخص می‌کند و یک گره تصمیم که آزمون‌هایی روی یک صفت انجام می‌دهد تا یک شاخه یا زیر درخت به ازای هر خروجی آزمون تولید می‌کند. حالا

classifier چیست؟
واژه classifier مفهومی فراتر و کلی تر از کلاس را دارد که علاوه بر کلاس، واسط ها و انواع داده ای را نیز پوشش می دهد.

الگوریتم C4.5 بهینه شده الگوریتم ID3 می باشد که از قانون هرس بعدی بهره می برد و می تواند صفاتی را که داده های نویزی و مقدار و همچنین صفات گسسته ندارند، استفاده نماید. در C4.5 فرض بر این است که کل داده های آموزشی در داخل حافظه باشند.
به جهت ساخت درخت تصمیم، فرض می کنیم که مجموعه داده های آموزشی که دارای برچسب کلاس مربوطه و بردار ویژگی ها هستند، در دسترس می باشند. معیارهای گوناگونی برای تقسیم بندی گره ها در درخت تصمیم وجود دارد که از عمومی ترین آنها، معیار ضریب بهره اطلاعات است که در C4.5 به کار می رد.
درخت تصمیم بر پایه آنالیز داده های ورودی و برای یافتن یک ویژگی بر مبنای تصمیم گیری برای هر نود استفاده می شود. ویژگی های گوناگونی از داده در هر نود بررسی می شود و یک ویژگی که اگر انتخاب شود، باعث خواهد شد که بی نظمی (آنتروپی) کاهش یابد، گزینش می شود. مبنای فعالیت نیز بر این اساس ایجاد شده است.

۲. الگوریتم k-means :
این روش علی‌رغم سادگی آن‌یک روش پایه برای بسیاری از روش‌های خوشه‌بندی دیگر محسوب می‌شود. این روش روشی انحصاری و مسطح محسوب می‌شود. برای این الگوریتم شکل‌های مختلفی بیان‌شده است. ولی همه آن‌ها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشه‌ها سعی در تخمین موارد زیر دارند:
به دست آوردن نقاطی به‌عنوان مراکز خوشه‌ها این نقاط درواقع همان میانگین نقاط متعلق به هر خوشه هستند.
نسبت دادن هر نمونه داده به یک خوشه که آن داده کمترین فاصله تا مرکز آن خوشه را دارا باشد.

مشکلات روش خوشه‌بندی K-Means
علی‌رغم اینکه خاتمه پذیری الگوریتم بالا تضمین‌شده است ولی جواب نهایی آن واحد نبوده و همواره جوابی بهینه نمی‌باشد. به‌طورکلی روش ساده بالا دارای مشکلات زیر است.
جواب نهایی به انتخاب خوشه‌های اولیه وابستگی دارد.
روالی مشخص برای محاسبه اولیه مراکز خوشه‌ها وجود ندارد.
اگر در تکراری از الگوریتم تعداد داده‌های متعلق به خوشه‌ای صفر شد راهی برای تغییر و بهبود ادامه روش وجود ندارد. در این روش فرض شده است که تعداد خوشه‌ها از ابتدا مشخص است. اما معمولاً در کاربردهای زیادی تعداد خوشه‌ها مشخص نمی‌باشد.

۳. الگوریتم Support vector machines :
ماشین بردار پشتیبانی (Support vector machines – SVMs) یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.
این روش ازجمله روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی ازجمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاریدسته‌بندی کننده SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادل پیدا کردن خط بهینه برای داده‌ها به‌وسیله روش‌های QP که روش‌های شناخته‌شده‌ای در حل مسائل محدودیت دار هستند صورت می‌گیرد. قبل از تقسیمِ خطی برای اینکه ماشین بتواند داده‌های با پیچیدگی بالا را دسته‌بندی کند داده‌ها را به‌وسیلهٔ تابعِ phi به فضای با ابعاد خیلی بالاتر می‌بریم. برای اینکه بتوانیم مسئله ابعاد خیلی بالا را با استفاده از این روش‌ها حل کنیم از قضیه دوگانی لاگرانژ برای تبدیلِ مسئلهٔ مینیمم‌سازی موردنظر به فرم دوگانی آن‌که در آن به‌جای تابع پیچیدهٔ phi که ما را به فضایی با ابعاد بالا می‌برد، تابعِ ساده‌تری به نامِ تابع هسته که ضرب برداری تابع phi است ظاهر می‌شود استفاده می‌کنیم. از توابع هسته مختلفی ازجمله هسته‌های نمایی، چندجمله‌ای و سیگموید می‌توان استفاده نمود.

۴. الگوریتم Apriori:
آپریوری یک الگوریتم کلاسیک برای یادگیری قوانین وابستگی است. آپریوری روی پایگاه‌های داده شامل تراکنش‌ها (مثلاً مجموعه محصولات خریداری شده توسط مشتریان در یک سوپرمارکت) ساخته شده‌است. الگوریتم‌های دیگری نیز در این زمینه وجود دارند که روی پایگاه داده‌هایی کار می‌کنند که یا شامل تراکنش نیستند (Winepi و Minepi) و یا دارای ثبت زمانی نیستند (DNA sequencing).
ورودی این الگوریتم مجموعه‌ای از مجموعه آیتم‌ها است. الگوریتم تلاش می‌کند تا زیرمجموعه‌هایی از آیتم‌ها را که حداقل بین C مجموعه آیتم مشترک است بیابد. آپریوری یک الگوریتم پایین به بالا است، آنگونه که در هر مرحله یک آیتم به زیرمجموعه‌های مکرر اضافه می‌شود. مجموعه کاندیدها روی داده مورد ارزیابی قرار می‌گیرند. شرط خاتمه الگوریتم، عدم وجود شیوه توسعه موفق دیگری است.
هدف الگوریتم آپریوری، یافتن وابستگی‌ها بین مجموعه‌های مختلف از داده‌است. گاهی به آن، تحلیل سبد خرید هم می‌گویند. هر مجموعه‌ای از داده تعدادی آیتم دارد و تراکنش نامیده می‌شود.

۵. الگوریتم EM:
الگوریتم امید ریاضی-بیشینه‌سازی (EM) یک روش تکرارشونده (iterative) است که به دنبال یافتن برآوردی با بیشترین درست نمایی برای پارامترهای یک توزیع پارامتری است. این الگوریتم روش متداول برای زمان‌هایی است که برخی از متغیرهای تصادفی پنهان هستند.

۶. الگوریتم PageRank:
پیج‌رنک یا رتبه صفحه (به انگلیسی: PageRank) به فناوری گفته می‌شود که بر پایه آن موتورهای جستجویی همچون گوگل وب‌گاه‌هایی که به هدف جستجوگر نزدیک‌ترند را در رده‌های بالاتری نسبت به دیگران قرار می‌دهد. اصطلاح انگلیسی این مفهوم به دنبال لری پیج نویسنده اولیه این الگوریتم و از مؤسسین اولیه گوگل نام‌گذاری شده است. به این روش کاربرانی که کلمه ویژه‌ای را جستجو می‌کنند می‌توانند ابتدا وب‌گاه‌هایی را ببینند که هم به خواسته آن‌ها نزدیک‌تر است و هم بازدید بیشتری داشته است.

پیج رنک که به‌اختصار PR می‌گویند برای اولین بار در سال ۱۹۹۶ میلادی توسط Sergey Brin ابداع گردید، پیج رنک نتیجه تجزیه‌وتحلیل لینک‌های ورودی به یک سایت است، پیج رنک رتبه‌ای است که گوگل برای یک سایت بین اعداد ۰ تا ۱۰ در نظر می‌گیرد. هرقدر این عدد نزدیک به ۱۰ باشد نشان‌دهنده این است که این سایت لینک‌های ورودی زیادی دارد و سایتهای زیادی به این سایت لینک داده‌اند. روش دیگر موتورهای جستجو، پردازش رتبه صفحه، با استفاده از تعداد یافته‌های خود در سایتهای اینترنتی می‌باشد. این روش، یک فناوری زیرساخت برای پدیدار گشتن «بمب گوگلی» نیز بود. ناگفته نماند که هدف از ساختن «بمب‌های گوگلی» بالاتر رفتن رتبه یک وبلاگ یا وب‌گاه در موتور جستجوی گوگل می‌باشد که معمولاً با همکاری گروه‌های مردمی ایجاد می‌شود.

البته به‌جز گوگل شرکت‌های دیگری هم به رتبه دهی به سایتها می‌پردازند، که یکی از آن‌ها الکسا (به انگلیسی: Alexa) (یک سایت معتبر بین‌المللی و دارای نمودار رتبه جهانی برای سایت‌ها می‌باشد) نام دارد که الگوریتم بالا بردن رتبه سایت‌ها را بر اساس تعداد درست بازدیدکنندگان انجام می‌دهد. این رتبه‌بندی شماره‌ای بین ۱ تا چند میلیون می‌باشد که هرچه این شماره به یک نزدیک‌تر باشد رتبه وب‌سایت شما بالاتر می‌باشد.

۷. الگوریتم AdaBoost:
آدابوست مخفف بوستینگ تطبیقی بوده و یک الگوریتم یادگیری ماشین است که توسط یاو فروند و رابرت شاپیر ابداع شد. درواقع آدابوست یک متا الگوریتم است که بمظور ارتقاء عملکرد، و رفع مشکل رده‌های نامتوازن همراه دیگر الگوریتم‌های یادگیری استفاده می‌شود. در این الگوریتم، طبقه بند هر مرحله جدید به نفع نمونه‌های غلط طبقه‌بندی‌شده در مراحل قبل تنظیم می‌گردد.

۸. الگوریتم kNN:
جستجوی نزدیک‌ترین همسایه یا Nearest Neighbor، که همچنین با نامه‌ای جستجوی مجاورت، جستجوی همسانی یا جستجوی نزدیک‌ترین نقطه شناخته می‌شود، یک مسئله بهینه‌سازی برای پیدا کردن نزدیک‌ترین نقطه‌ها در فضاهای متریک است. مسئله بدین‌صورت است که: مجموعه S شامل تعدادی نقطه در یک فضای متریک مانند M و نیز یک نقطهٔ پرس و جوی q∈ M داده‌شده است، هدف پیدا کردن نزدیک‌ترین نقطه در S به q است. در بسیاری از موارد، فضای M به‌صورت یک فضای اقلیدسی d-بعدی و فاصله بین نقاط با معیار فاصله اقلیدسی، فاصله منهتن یا دیگر فاصله‌های متریک سنجیده می‌شود.
جستجوی k نزدیک‌ترین همسایه، K همسایه نزدیک‌تر به نقطه پرس‌وجو را برمی‌گرداند. این روش معمولاً در تجزیه‌وتحلیل پیش‌بینی، به‌منظور تخمین و یا دسته‌بندی یک نقطه بر اساس اجماع همسایگان آن استفاده می‌شود. گراف k نزدیک‌ترین همسایه گرافیست که در آن هر نقطه در گراف K نزدیک‌ترین همسایگان خود متصل است.

۹. الگوریتم Naive Bayes:
به طور ساده روش بیز روشی برای دسته بندی پدیده‌ها، بر پایه احتمال وقوع یا عدم وقوع یک پدیده‌است.
بر اساس ویژگی‌های ذاتی احتمال (به‌ویژه اشتراک احتمال) نایو بیز (به انگلیسی: Naive Bayes classifier) با دریافت تمرین اولیه نتایج خوبی ارائه خواهد کرد. شیوه یادگیری در روش نایو بیز از نوع یادگیری با ناظر (به انگلیسی: Supervised learning) است.
برای نمونه یک میوه ممکن است پرتغال باشد. اگر نارنجی و کروی با شعاع حدود ده سانتی‌متر باشد. اگر این احتمالات به‌درستی به همدیگر وابسته باشند نایو بیز در تشخیص اینکه این میوه پرتغال است یا نه به‌درستی عمل خواهد کرد.
برنامه‌های کاربردی بسیاری هستند که پارامترهای نایو بیز را تخمین می‌زنند، بنابراین افراد بدون سروکار داشتن با تئوری بیز می‌توانند از این امکان به‌منظور حل مسائل موردنظر بهره ببرند. باوجود مسائل طراحی و پیش‌فرض‌هایی که در خصوص روش بیز وجود دارد، این روش برای طبقه‌بندی کردن بیشتر مسائل در جهان واقعی، مناسب است.

۱۰. الگوریتم CART:
این روش که موجب تشکیل یک درخت تصمیم با تقسیمات دوتایی می‌گردد، توسط بریمن و همکارانش در سال ۱۹۸۴ به‌طور کامل معرفی شد. این روش برای متغیرهای کمی طراحی گردیده ولی قابل‌استفاده برای هر نوع متغیری است. بر اساس این الگوریتم، نرم‌افزار آماری تحت نام CART نیز ساخته‌شده است که از شناخته‌شده‌ترین برنامه‌ها است. در این روش و برای متغیر پاسخ کیفی، شاخص جینی ()Gini Index به‌عنوان معیاری برای انتخاب متغیرهای مناسب، معرفی‌شده است.

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

data mining چیست؟

معرفی فرایندهای داده کاوی

داده کاوی یک فن آوری  نسبتا جدید است. داده کاوی به عنوان فرآیند کشف دانش با تحلیل داده های بزرگ که در پایگاه های داده یا انبار داده ذخیره می شود می باشد. با استفاده از تکنیک های مختلف داده کاوی مانند یادگیری ماشین، هوش مصنوعی و آماری، تعریف می شود.

بسیاری از سازمان ها در صنایع مختلف از مزایای استفاده از داده کاوی از جمله تولید، بازاریابی، پتروشیمی، هوا فضا و غیره بهره می برند تا کارآیی کسب و کارشان را افزایش دهند. بنابراین، نیاز ها برای ایجاد یک فرایند داده کاوی استاندارد افزایش یافت. فرآیند داده کاوی باید  قابل اطمینان و تکرار پذیر باشد و همچنین ساده تا افرادی با کوچکترین دانش در زمینه داده کاوی بتوانند از آن استفاده کنند. در نتیجه، در سال ۱۹۹۰، یک فرآیند استاندارد  صنعت داده کاوی (CRISP-DM) اپس از گذراندن بسیاری از کارگاه ها و کمک های بیش از ۳۰۰ سازمان، منتشر شد.

بیایید فرایند استاندارد صنعت داده کاوی را با جزئیات بیشتری بررسی کنیم.

فرایند استاندارد متقابل صنعت معدن داده  (CRISP-DM) شامل شش مرحله است که به عنوان فرایند چرخه ای به عنوان شکل زیر ذکر شده است:

داده کاوی (data mining)

فهم کسب و کار

در فاز درک کسب و کار:

ابتدا لازم است که اهداف کسب و کار را به وضوح درک کنید و نیازهای کسب و کار را بیابید.

بعدا باید با پیدا کردن منابع، پیش فرض ها، محدودیت ها و سایر عوامل مهم که باید در نظر گرفته شود، وضعیت فعلی را ارزیابی کنیم.

پس ازااهداف کسب و کار و شرایط فعلی، ما باید اهداف داده کاوی را برای رسیدن به اهداف تجاری در وضعیت فعلی ایجاد کنیم.

در نهایت، یک برنامه ریزی داده کاوی خوب باید برای دستیابی به اهداف کسب و کار و داده های استخراج شده ایجاد شود. این طرح باید دقیق باشد.

درک اطلاعات

ابتدا فاز درک اطلاعات با جمع آوری داده های اولیه شروع می شود که از منابع داده موجود به دست می آید و به ما کمک می کند با داده ها آشنا شویم. برخی از فعالیت های مهم باید شامل بارگیری داده ها و ادغام داده ها به منظور جمع آوری داده ها با موفقیت انجام شود.

بعد، خصوصیات “ناخوشایند” یا “سطح” داده های به دست آمده باید با دقت مورد بررسی قرار گیرد و گزارش شود.

سپس، داده ها باید با بررسی سوالات داده کاوی مورد بررسی قرار گیرند، که می تواند با استفاده از query، گزارش دهی و تجسم بررسی شوند.

در نهایت کیفیت داده باید با پاسخ دادن به برخی از سوالات مهم مانند “آیا داده های به دست آمده کامل شده است”، “آیا داده های غلط در داده های به دست آمده وجود دارد؟”

تهیه داده ها

آماده سازی داده ها معمولا حدود ۹۰٪ زمان پروژه را مصرف می کند. نتیجه مرحله آماده سازی داده ها مجموعه داده نهایی است. هنگامی که منابع داده های موجود شناسایی می شوند، باید آنها را انتخاب، تمیز، ساخت و فرمت شده به فرم مورد نظر. وظیفه اکتشاف داده ها در عمق بیشتری ممکن است در طی این مرحله انجام شود تا الگوهای مبتنی بر درک کسب و کار را متوجه شوند.

مدل سازی

اول، تکنیک های مدل سازی باید انتخاب شوند که برای مجموعه داده آماده استفاده شوند.

بعد، سناریو تست باید برای اعتبار کیفیت و اعتبار مدل ایجاد شود.

سپس، با استفاده از ابزار مدل سازی در مجموعه داده آماده، یک یا چند مدل ایجاد می شود.

در نهایت، مدل ها باید با دقت با توجه به ذینفعان بررسی شوند تا اطمینان حاصل شود که مدل های ایجاد شده با ابتکارات تجاری ملاقات می شود.

ارزیابی

در مرحله ارزیابی، نتایج مدل باید در زمینه اهداف کسب و کار در مرحله اول مورد ارزیابی قرار گیرد. در این مرحله، الزامات جدید کسب و کار ممکن است با توجه به الگوهای جدید که در نتیجه مدل یا سایر عوامل کشف شده است مطرح شود. درک کسب و کار، یک فرآیند تکراری در داده کاوی است. در این مرحله بایستی تصمیم بگیرید که بروید یا نه بروید تا به مرحله ی استقرار بروید.

گسترش

دانش یا اطلاعاتی که ما از طریق فرایند داده کاوی به دست می آوریم، باید به گونه ای ارائه شود که ذینفعان بتوانند از آن هنگام استفاده کنند. بر اساس الزامات کسب و کار، مرحله استقرار می تواند به همان اندازه ایجاد یک گزارش یا به عنوان پیچیده ای به عنوان فرآیند پردازش داده های تکراری در سراسر سازمان باشد. در مرحله استقرار، برنامه ریزی برای استقرار، نگهداری و نظارت باید برای پیاده سازی و همچنین حمایت های آینده ایجاد شود. از دیدگاه پروژه، گزارش نهایی پروژه نیاز به خلاصه کردن تجارب پروژه و بررسی پروژه برای دیدن آنچه که نیاز به بهبود درس های یاد شده ایجاد شده است.

CRISP-DM چارچوب یکسانی برای مستند سازی و راهنمایی تجربه ارائه می دهد. علاوه بر این، CRISP-DM می تواند در صنایع مختلف با انواع داده های مختلف اعمال شود.

در این آموزش، شما در مورد فرایندهای داده کاوی یاد گرفته اید و فرایند استاندارد متقابل صنعت را برای معدن داده بررسی کرده اید.

در دامه با سایر آموزش های ما در زمینه داده کاوی همراه باشید.

برای اگاهی از سر فصل ها آموزش data mining کلیک کنید

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

تاثیر داده کاوی در موسیقی

داده  کلمه ای که به خوبی توسط دکتر سعید صیاد  از دانشگاه تورنتو تعریف شده است. داده  رابه طور معمول نتایج اندازه گیری (عددی) و یا شمارش (قطعی) می  داند. به همین ترتیب، معدن را به عنوان “زمینه چند رشته ای از جمله فن آوری پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، تشخیص الگو، سیستم های مبتنی بر دانش، کسب دانش، بازیابی اطلاعات، محاسبات با کارایی بالا تعریف می کند.. “

اساسا، هدف داده کاوی یافتن الگوهای داده و استخراج اطلاعات مفید برای به دست آوردن بینش کامل از حجم زیادی از داده ها است. ارزش برنامه های کاربردی داده کاوی در سازمان هایی است که اغلب با مقدار زیادی اطلاعات برای تصمیم گیری مواجه هستند. در صنعت موسیقی نیز  صادق است که در حال حاضر مقدار زیادی اطلاعات که می تواند با استفاده از تکنیک های داده کاوی استخراج شود در این حوزه وجود دارد. تجزیه و تحلیل داده های موسیقی برای شناسایی الگوها و تبدیل چنین داده ها به شناخت اتمسفر بازار است که دراصل در قلب تجربه کاربر در صنعت موسیقی است. تکنیک های داده کاوی همراه با سیستم عامل های محاسباتی با کارایی بالا می توانند نقش مهمی در تبدیل مجموعه های موسیقی پیچیده به دانش عملی داشته باشند.

روزانه ۲۵۰ هزار برابر صفحات کتاب های موجود در کتابخانه ملی اطلاعات در زمینه موسیقی تولید می شود بدیهی است که همه این اطلاعاتذ برای موسیقی مفید نیست اما با استفاده از نرم افزار های تحلیلی اطلاعات مفید را استخراج کرد.

با این حال، سوال میلیون دلاری این است: آیا واقعا اطلاعات موسیقی در رسانه ها و صنایع سرگرمی مورد استفاده قرار می گیرد؟ هنرمندان، نوازندگان، آهنگسازان، تولیدکنندگان، پخش کنندگان، مدیران و حتی شرکتهای ضبط موسیقی با چالش جدیدی در برابر تهدیدات رسانه های دیجیتال مواجه می شوند. پرسش اساسی: آیا راهی بهتر است؟ کارشناسان حقوقی معتقدند هنگامی که محتوای موسیقی یا تولید به سیستم عامل های رسانه ای منتشر می شود، از طریق قوانین و مقررات ده محافظت می شود، اما در شرایط دیگر مانند زمانی که محتوای موسیقی در سیستم عامل های منبع باز و یا کانال های توزیع رایگان وجود دارد همانطور که در یوتیوب و یا هر سیستم عامل دیگر ، اطلاعات آن ممکن است محافظت نشده باشد

برای پیدا کردن یک تعادل مناسب و تبدیل شدن به مولد، باید از انقلاب دیجیتالی که به وسیله منبع باز، ابر، داده های بزرگ و تجزیه و تحلیل داده غافل نشد- دسترسی به داده های موسیقی – غلبه بر چالش های دشوار و باز کردن فرصت های جدید در صنعت موسیقی. این امر هنرمندان، نوازندگان، آهنگسازان، تولید کنندگان و حتی شرکت های ضبط را قادر می سازد تا به طور موثرتر و کارآمدتر از رسانه های صنفی و صنایع سرگرمی استفاده کنند و به سود کلانی دست یابند،. بنابراین این چالش جدیدی را به وجود می آورد – چهارمین انقلاب صنعتی به دلیل انفجار داده ها و پیشرفت فن آوری های جدید در صنعت موسیقی. موسس و مدیر اجرایی انجمن جهانی اقتصاد (WEF)، کلاوسوواب، اصطلاح چهارم انقلاب صنعتی را به عنوان یک «انقلاب تکنولوژیک که اساسا ما را در زندگی، کار و ارتباط با یکدیگر تغییر می دهد» تعریف می کند.

طبق داده موسیقی Science Data، داده های EMI وعده داده اند که تحلیلی و بینش را در صنعت موسیقی به طور اساسی تغییر دهند و درک کنند که چگونه هنرمندان و طرفدارانشان در همه جا به دوستداران موسیقی متصل می شوند. این ثروت از اطلاعات موسیقی EMI فرصتی برای رویکرد نوآورانه برای تحقیق موسیقی و بینش ایجاد می کند. موسیقی دانشیار امیدوار است روشهای نوآورانه ای برای تفکر در صنعت ارائه دهد که باعث می شود مزایای زیادی برای هنرمندان و طرفداران موسیقی به ارمغان بیاورد. مجموعه داده های EMI به عنوان ” ثروتمندترین و بزرگترین مجموعه موسیقی شناخته شده” شناخته شده است. یک مجموعه داده عظیم، منحصر به فرد، غنی و با کیفیت بالا که حاوی منافع، نگرش، رفتار، آشنایی از موسیقی است که توسط طرفداران موسیقی در سراسر جهان بیان شده است. “این ابتکار، با توجه به Science Data ، از اطلاعات به طور گسترده به اشتراک گذاشته شده برای به دست آوردن بینش جدید از داده های موسیقی بر اساس جمعیت شناسی شنوندگان، ، و تجربه داده های گذشته موجود در مجموعه داده ها رسانه ای منتشر می شود، از طریق قوانین و مقررات حفاظت شده محافظت می شود، اما در شرایط دیگر مانند زمانی که محتوای موسیقی یا تولید در سیستم عامل های منبع باز و یا کانال های توزیع رایگان وجود دارد همانطور که در یوتیوب و یا هر سیستم عامل دیگر رسانه های اجتماعی، اطلاعات آن ممکن است محافظت نشده باشد.

با این حال، این سوال مطرح می شود: آیا هنرمندان صنعت موسیقی می توانند در سیستم دیجیتال جدیدی که به وسیله منبع باز، ابر، داده های بزرگ و تجزیه و تحلیل داده شده اند، زندگی مناسبی را به دست آورند؟ دنیای موسیقی امروز در مورد تجزیه و تحلیل است و تعجب آور نبود که در سال ۲۰۱۵ Spotify و اپل هر دو شرکت های تحقیق موسیقی مانند The Echo Nest و Semetric را به دست آوردند. سوالات در مورد آینده صنعت موسیقی در عصر دیجیتال در ذهن بسیاری از بازیگران این حوزه نقش رسانه ها و صنایع سرگرمی است. تحول دیجیتال در ارتباط ارائه امکانات بی پایان برای جریان و دانلود موسیقی و در عین حال توانمند سازی طرفداران موسیقی با کنترل بیشتر و راحتی از لحاظ عملکرد، زمان و جایی که آنها موسیقی مورد علاقه خود را پخش می کنند، بیشتر است.

به طور مشابه، نگرانی ها در مورد مدل های جدید کسب و کار مبتنی بر داده ها در صنعت موسیقی وجود دارد. این به این دلیل است که همه هنرمندان و نوازندگان دسترسی مجانی به سیستم عامل های دیجیتال رسانه های دولتی را ندارند تا بتوانند دسترسی آسان به اطلاعات را به دست آورند. بعضی از هنرمندان به سهولت از مزایای سیستم عامل های دیجیتال انقلابی جدید برای تکیه بر وعده های بیشتر در فضای موسیقی دیجیتال استفاده می کنند. دیگر این راز نیست که انقلاب دیجیتال فرصتی بی نظیر برای موسیقیدانان برای انتشار محصولات خود و برای مصرف کنندگان برای گسترش چشم اندازهای موسیقی یا ترجیحات خود می دهد. پتانسیل منافع تجاری برای هنرمندان و نوازندگان امیدوار کننده است به دلیل تعادل مناسب در مورد نحوه پرداخت آنها به استعداد خود در اکوسیستم دیجیتال. علاوه بر این، دولت ها بایستی چارچوب های سیاستی، مقررات و استانداردهای قانونی وضع کنند تا اطمینان حاصل شود که هنرمندان و نوازندگان از فعالیت تجاری از رسانه ها و صنایع سرگرمی محافظت می شوند.

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

بهبود ارتباط با مشتری

  • شناخت نحوه عملکرد CRM:

اگر درک صحیحی از آنچه انجام می دهید و چگونگی افزایش راندمان نیرو های پشتیبانی مشتری نداشته باشید، نمی توانید از ابزار هوش تجاری برای دستیابی به دیدگاه های مشتری خود استفاده کنید. آنا کانوری، مدیر بازاریابی و معاون اجرایی استراتژی برای اتوماسیون دسکتاپ ، به یک کسب و کار توصیه می کند این سوالات را از خود بپرسد، از جمله: آیا کارمندان ما به دنبال بهترین راهکار می باشند و از تمام ابزارهای CRM موجود در خلال معاملات استفاده می کنند؟ آیا تیم پشتیبانی مشتری ما به درستی کار کرده است؟ آیا مراحل غیر ضروری یا موانع در تبدیل مشتری وجود دارد؟ شروع کردن با این سوالات قبل از طبقه بندی  BI در لایه های بالایی، به کسب و کار شما شناخت بهتری از تجربه مشتری ارائه می دهد.

  • شناخت مشتریان:

زمانی استفاده از ابزار BI مفید است که بدانیم چه اطلاعاتی را نیاز داریم. آیا شما می دانید میزان اطلاعاتی که راه حل CRM فعلی شما فراهم می کند چقدر است؟ پس از پیاده سازی راه حل BI، آیا شما می دانید معیارهای کلیدی که شما علاقه مند به پیدا کردن آن هستید، چه می باشند؟ مشتریان امروزی، به ویژه نسل هزاره، عموماً انبوهی از اطلاعات شخصی با ارزشی را در اختیار کسب و کار ها قرار می دهند، بسیاری از این اطلاعات از طریق پلت فرم های شبکه های اجتماعی مختلف در دسترس عموم مردم می باشند. برای پیدا کردن آنچه شما می دانید و آنچه که در مورد پایگاه مشتریان خود نمی دانید، استفاده از یک استراتژی CRM اجتماعی را در نظر بگیرید.

  • هوشمندانه فکر کنید:

همانطور که کانوری نیز اشاره کرد، ” داشتن داده های درست مهم است اما دانستن اینکه از این داده ها چگونه استفاده کنیم ، نیز ضروری است.” بدون یک برنامه ریزی در مورد اینکه چگونه BI را وارد استراتژی CRM خود و زیر ساختارها و خدمات شرکت خود کنید، به دنبال یک راه حل BI نباشید. آیا داده ها را از نرم افزار مدیریت دارایی یا مدیریت پروژه به مرجع متقابل با داده های مشتری واکشی کرده است؟ کانوری می گوید یک شرکت به نقشه ای احتیاج دارد که پیش بینی کند چگونه دیدگاه های BI ، هم در شرایط مالی هم بهره وری، بر روی کسب و کار شما تاثیر می گذارد و آیا ابزار روش اجرای کسب و کار را تغییر می دهد.

  • پیاده سازی BI با ابزار مناسب:

هنگام انتخاب راه حل BI مناسب کسب و کار خود، توجه و دقت داشته باشید. جمع آوری ابزارهای هوش تجاری مناسب  به شما کمک می کند تا بین محصولاتی که نسخه های متفاوتی برای پلت فرم های مختلف ارائه می دهند تمایز قائل شوید یا می تواند به شما کمک کند تا بدانید کدام یک به آموزش حضوری، تنظیم داده های نامحدود و غیره احتیاج دارند. اطمینان حاصل کنید که ابزار هوش تجاری با نرم افزار CRM شما یکسان سازی شده است، این کار را از طریق یکپارچه سازی پیشرفته یا از طریق رابط برنامه نویسی کاربر(API) انجام دهید.

  • چند تصمیم گیری دشوار:

هنگامی که یک ابزار هوش تجاری به طور کامل پیاده سازی می شود و پردازش اطلاعات CRM را درباره نحوه عملکرد کسب و کار شما آغاز می کند، زمان تصمیم گیری های مهم و دشوار رسیده است. یک ابزار BI نقاط قوت و ضعف در هر نوع تعامل مشتری را به ما نشان می دهد ، و بصورت جغرافیایی هر دو را در یک نمودار یا گزارش نمایان می سازد. مدیران سازمان ها و شرکت ها باید تصمیم بگیرند از این داده ها چگونه استفاده کنند. این امر می تواند به معنای تغییرات گسترده در سیاست های کلی  کسبو کار و یا نحوه ارتباط و پشتیبانی مشتریان  باشد. هوش تجاری تنها در صورتی به ما کمک می کند که به نتایج و گزارشات آن توجه کنیم.

  • استفاده از گزارش های هوش تجاری:

با حضور مشتریان و ارتباط آن ها با کسب و کار شما اکنون داده های بسیاری در سازمان شما وجود دارد که توسط ابزار هوش تجاری تحلیل شده و گزارشات آن پیش روی شما قرار دارد. حال وقت آن است که از این داده ها و گزارش ها استفاده کنیم و نحوه تعاملات خود را با مشتری تغییر دهیم و سطح کاری نیرو های پشتبانی مشتری را ارتقاع دهیم.

  • هدفمند سازی مشتریان:

درگیر کردن نرم افزار  CRM و هوش تجاری با یکدیگر سود بیشتری از هر مشتری برای شما به ارمغان می آورد. اینکه بدانید مشتریان  در ترکیب با محصول شما از چه پلت فرم ها و ابزارهایی استفاده می کنند، تعاملات آنلاین را ترجیح می دهند یا تعاملات در فروشگاه را ترجیح می دهند. در صدر داده های CRM اجتماعی؛ دیدگاه های مشتری به عنوان یک ثروت باید به طور مستقیم برای سازماندهی مجدد مورد استفاده قرار گیرد. هرچه اهداف و تقسیم بندی های یک کسب و کار بهتر تعریف و ترسیم شده باشند، کارکنان بازاریابی و فروش بهتر می توانند یک راهبرد موثر برای تبدیل، حفظ و کسب درآمد از روابط مشتری ایجاد کنند.

  • تبدیل شده به یک کسب و کار هوشمند:

همانطور که تحقیقات دانشمندان علم داده بیان می کند، هنگامی که شما واقعاً مدیریت ارتباط با مشتر(CRM)  و هوش تجاری را یکپارچه کرده اید، هیچ محدودیتی برای اعمال نوآوری توسط سرویس های متصل وجود ندارد. دسترسی کارمندان پشتیبانی مشتری به تجزیه و تحلیل BI باعث تشویق بیشتر انجام معاملات شخصی می شود. داده های دقیق هوش تجاری را می توان به هشدارها گره زد تا زمان پاسخگویی CRM بهبود پیدا کند.

استفاده از BI و یکپارچه سازی BI  و CRM به کسب و کار شما کمک می کند تا نوع تعاملات مشتریان خود را بشناسید و برای پاسخگویی بهتر به آن ها برنامه ریزی کنید همچنین هوشمندی کسب وکار می تواند به رشد در تمام جنبه های سازمان کمک کند.

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

ایجاد و مدیریت ارتباط در جدول Power BI

هنگامی که چندین جدول را در Power BI , Import می کنید و قصد انجام تجزیه و تحلیل هایی را بر روی آنها دارید. ایجاد ارتباط بین جداول برای انجام دقیق محاسبات و نشان دادن اطلاعات درست در گزارشاتتان ضروری و لازم است.

Power BI Desktop این کار را به راحتی و بدون اینکه لازم باشد شما کاری انجام دهید از طریق ویژگی AutoDetect انجام می دهد.

با این حال ممکن است در برخی موارد لازم باشد که خودتان روابطی را بوجود آورید, و یا نیاز باشد که تغییراتی را در روابط موجود ایجاد کنید. به هر حال مهم است که روابط را در Power BI درک کرده و چگونگی ایجاد و تغییر آنها را بدانید.

AutoDetect during load

در صورتی که شما چند جدول را مورد بررسی قرار دهید, Power BI Desktop در هنگام بارگزاری Data سعی می کند که روبطی را  بین جداول پیدا و ایجاد کند.

Cardinality, Cross Filter Direction و Active Properties به صورت خودکار ایجاد می شوند. Power BI Desktop با توجه به اسم ستون ها در جداول, در صورتی که رابطه ای وجود داشته باشد آن را ایجاد می کند, و در صورتی که نتواند با اطمینان بالایی این روابط را شناسایی کند رابطه ای را بوجود نمی آورد, که در این صورت می توانید از طریق گزینه Manage Relationship این روابط را به صورت دستی ایجاد و یا ویرایش کنید.

ایجاد روابط با استفاده از AutoDetect

برای ایجاد روابط از طریق گزینه AutoDetect کافی است از مسیر زیر عمل کنید.

Home>Manage Relationship>AutoDetect

relationships

ایجاد روابط به صورت دستی

برای ایجاد یک رابطه به صورت دستی طبق روش زیر عمل می کنیم:

  1. Home>Manage Relationship>New
  2. در پنجره Create Relationship از پنجره اول نام جدولی که می خواهیم برای آن رابطه ایجاد کنیم و سپس نام ستون موردنظر را انتخاب می کنیم.
  3. در پنجره دوم نام جدول دیگری که می خواهیم برای آن رابطه ایجاد کنیم و سپس نام ستون مورد نظر از این جدول را انتخاب می کنیم و سپس گزینه Ok رامی زنیم.

Cardinality, Cross filter directionو Active properties را Power BI به صورت خودکار برای رابطه شما ایجاد می کند, البته در صورت نیاز می توانید به صورت دستی آنها را ایجاد کنید.

توجه داشته باشید که ممکن است با Error مواجه شوید که بیان میکند که یکی از ستون ها باید مقادیر منحصر به فرد داشته باشد اگر هیچ کدام از دو جدول انتخاب شده برای برقراری ارتباط فاقد مقادیر منحصر به فرد باشد.

حداقل یکی از دو جدول در رابطه باید داری مقادیر منحصر به فرد کلیدی باشدکه این موضوع در تمام انباره داده های رابطه ای یک الزام می باشد.

در صورت مواجه شدن با این ارور دو راه برای حل آن وجود دارد:

  1. استفاده از گزینه “Remove Duplicate Rows” برای ایجاد یک ستون با مقادیر منحصر به فرد, اشکال این روش این است که امکان حذف اطلاعات در صور حذف سطر های تکراری وجود دارد.
  2. اضافه کردن یک جدول میانجی بحاوی لیستی از مقادیر متمایز به مدل, که به هر دو ستون اصلی در رابطه متصل می شود.

ویرایش یک رابطه

برای ویرایش و تغییر خصوصیات یک رابطه دو روش وجود دارد:

  1. استفاده از گزینه Manage Relationship در Home tab
  2. انتخاب رابطه در پنجره Manage Relationship و سپس انتخاب گزینه Edit

پس از ایجاد و یا ویرایش کردن یک رابطه به صورت پیش فرض  Additional options به صورت خودکار براساس بهترین حدس به صورت خودکار ایجاد می شوند که این میتواند برای هر رابطه براساس دیتای موجود در ستون ها متفاوت می باشد.

Cardinality

Many to One (*:1)

ارتباط چند به یک که به این معنی است که یک ستون در یک جدول می تواند بیش از یک نمونه از یک مقدار داشته باشد, و جدول مربوطه دیگر که اغلب Lookup Table شناخته می شود تنها یک نمونه از یک مقدار را دارد. این حالت پیش فرض و بسیار معمول است.

One to One (1:1)

ارتباط یک به یک, به این معنی است که ستون در یک جدول دارای تنها یک نمونه از یک مقدار خاص است, و جدول مربوطه دیگر نیز تنها یک نمونه از یک مقدار خاص دارد.

Many-to-many relationships

در مدل های مرکب شما می توانید بین جداول ارتباط چند به چند ایجاد کنید, این رویکرد نیاز برای داشتن مقادیر منحصر به فرد را در جداول و همچنین راه حل های گذشته از قبیل  ایجاد جداول تنها به منظور ایجاد رابطه را از بین می برد.

Cross filter direction

Both

به این معنی است که در اهداف مربوط به فیلترینگ, هر دو جدول به صورت یک جدول واحد رفتار می کنند. این مدل معمولا مدل Star نامیده می شود که در آن یک جدول مرکزی Central توسط چندین جدول Lookup احاطه شده است با این حال هنگامی که شما چندین جدول دارید که همچنین شامل جداول Lookup هستند (به صورت مشترک) در اینصورت از تنظیم Both استفاده نمی کنیم. این حالت بسیار معمول و حالت پیش فرض می باشد.

Single

این حالت به این معنی است که موارد فیلترینگ در جداول مرتبط بر روی جدولی کار می کنند که مقادیر آن جمع پذیر باشند.

pivotاز نرم افزار Excell2013 و یا دیتا مدل های قدیمی تر دیتا را Import کنید تمام روابط Single خواهند بود.

در صورتی که یک فایل Power pivot را در Excell2013 و یا دیتا مدل های قبلتر Import کنید تمام روابط Single خواهند بود.

 

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

بهبود ویژگی های مارس Power BI

در ادامه ویژگی های نسخه مارس Power BI به بهبود ویژگی های Filter Pane می توان اشاره کرد.

به این ترتیب که کاربران گزارشات دیگر نمی توانند یک Filter Card را از Filter Pane پاک کنند. در عوض اکنون یک دکمه روشن دارند که تضمین می کند که آنها به حالتی که نمی توانند خود را Fix کنند نمی رسند.

Single Select Slicer

در نسخه مارس, گزینه Single Select Slicer جهت پشتیبانی از Radio Bottom ها و اجازه فیلتر تنها و تنها یک فیلتر تجدید شده است.

علاوه بر این برای اسلایسر های Drop-Down , پس از انتخاب Drop-down را می بندد و امکان تعامل بسیار سریع را برای کاربران فراهم می کند.

شما هنوز هم می توانید از ویژگی قبلی آن استفاده کنید, جایی که انتخاب یک گزینه, فیلتر را جایگزین می کند اما می توانید از نگه داشتن دکمه Ctrl و انتخاب گزینه Multi select به جای انتخاب گزینه  Multi-select with CTRL  استفاده کنید.

بهبود ویژگی های Selection Pane

در نسخه مارس این امکان ایجاد شده است که با Double Click بر روی یک Object در Selection Pane نام آنرا تغییر دهید.

همچنین شما می توانید با نگه داشتنن کلید های ترکیبی Ctrl + Shift راحتر و سریعتر گزینه های موجود در Selection Pane را در یک زمان انتخاب کنید و با استفاده از گزینه های Hide و Show در قسمت بالای Selection Pane  نحوه نمایش تمامی گزینه ها را تغییر دهید.

Accessible visual interaction

امکان دیگر نسخه مارس امکان استفاده از Keyboard navigation بر روی نمودارها می باشد.

وقتی توجهتان بر روی نمودار خاصی است کلید ترکیبی Ctrl  و نشانگر سمت راست بر روی کل نمودار Focus می کند.

  • کلید Tab و یا Arrow keys جهت حرکت بین نقاط مختلف و Legend ها
  • Enter  یا Space   جهت انتخاب و یا Cross-Highlight یک نقطه دیتا
  • Ctrl + Enter یا    Ctrl  + Space   جهت Cross-Highlight چندین نقطه
  • Ctrl + Shift + C جهت پاک کردن کلیه موارد انتخاب شده
  • Shift + F10 یا کلید تعیین کننده بر روی کیبورد جهت باز کردن منوی زمینه برای دسترسی به گزینه هایی مانند Copy  و   Insights

https://keysun-co.com/wp-content/uploads/2019/04/1-1.png

New modelling view now generally available

براساس بازخورد ها پیشرفت های زیادی در دوره پیش نمایش بوجود آمده است.

برخی از نکات برجسته این امکان جدید عبارتند از:

  • ویرایش بلافاصله ستون ها, جداول و Measure ها
  • تنظیم نمایش Folder ها روی ستون ها, اندازه ها و سلسله مراتب
  • Drag  و Drop بر روی Folder ها
  • طرح بندی چندگانه

https://keysun-co.com/wp-content/uploads/2019/04/1-1.png

توسط دپارتمان آموزش کیسان دپارتمان آموزش کیسان بدون دیدگاه

استفاده از Cross-highlight در PowerBI

در نسخه ماه مارس Power BI این امکان ایجاد شده است که از Label های موجود بر روی محورها  جهت  cross-highlight استفاده کنید, درست مشابه یک نقطه بر روی نمودار.

این ویژگی به ویژه زمانی که دسته بندی نمودار خیلی ریز است و انتخاب یک نقطه دشوار, خیلی مفید می باشد.

کاربرد دیگر آن زمانی است که یک تقسیم بندی توسط ویژگی دیگری به عنوان legend  شکسته شده باشد. این ویژگی این امکان را به شما می دهد که همه دیتا را با یک Click انتخاب کنید. هنگامی که از طریق Label , cross-highlight  می کنید Label انتخاب شده Bold می شود.

تغییر ویژگی های  Default Tooltip

ویژگی دیگر نسخه مارس Power Bi  امکان Format ویژگی های Default Tooltip  می باشد, به این ترتیب شما می توانید Tooltip پیش فرض هر نمودار را در گزارش خود تغییر دهید.

شما می توانید رنگ ها, فونت ها,  transparency و هر گزینه ای را که در قسمت Tooltip نوار Format مشاهده می کنید از قبیل رنگ پس زمینه و Text Size را به دلخواه خود تغییر دهید.

 

جهت استفاده راحتر از این امکان در کل گزارش شما می توانید فایل Jason مربوط به Tooltip Theme را دانلود کرده و از طریق گزینه Switch Theme آن را Import کنید.

نمونه یک فایل Jason را در تصویر زیر مشاهده می کنید.

که پس از Import می توانید از آن جهت ایجاد تم دلخواهتان استفاده کنید.

پشتیبانی از Static Web URL  از طریق شکل ها, عکس ها و دکمه ها

از دیگر ویژگی های اضافه شده در نسخه مارس امکان Link کردن یک website خاص از طریق یک عکس, شکل ویا یک دکمه می باشد.

برای این منظور کافی است ابتدا عکس یا شکل و یا دکمه مورد نظر خود را وارد کنید, سپس گزینه Web URL را در قسمت Type گزینه Action , formatting pane انتخاب کنید. و URL مورد نظر را در قسمت Web URL ,Paste کنید.

به محض کلیک کردن بر روی دکمه Ctrl و کلیک بر روی دکمه, شکل و یا عکس مورد نظر, به صورت خودکار به آدرس URL مربوطه برده می شوید. در Power Bi Services لازم هست که Tab جدیدی برای سایت باز شود.

 

ویژگی های Page Alignment

امکان دیگر نسخه مارس, امکان تنظیم صفحه گزارش از بالا به جای مرکز صفحه می باشد.

برای فعال کردن این امکان لازم است از مسیر زیر عمل کنید:

File>Option and Settings>Options>Report Settings>Canvas Alignment>Align the canvas to the top of the wallpaper

 

 

پس از فعال کردن این گزینه و یک بار باز و بسته کردن برنامه Power Bi Desktop امکان تنظیم صفحه گزارش از بالا به جای مرکز فراهم می شود.