hamnavardgroup

[hamnavardgroup]

دیتا استدیو

نمایش داده‌ها با استفاده از ابزارهای تجسمی و گرافیکی مانند نمودارها، اینفوگرافیک‌ها و حتی انیمیشن راهکاری برای درک بهتر روابط بین داده‌ها و کسب‌وکار و تصمیم‌گیری‌های بهتر در زمینه‌های مختلف کسب‌وکار از جمله بازاریابی است. همچنین معمولا ابزارهای نمایش دیتا به‌طور همزمان دارای ویژگی‌های تحلیلی و نیز ابزارهای گزارش‌دهی هستند. در حال حاضر پلتفرم‌های گوناگونی برای نمایش و آنالیز داده‌ها در دسترس هستند که یکی از آن‌ها دیتااستودیو است. در این مطلب برخی از این پلتفرم‌ها را معرفی می‌کنیم و با مهم‌ترین نکات آموزش دیتااستودیو آشنا می‌شویم.

طراحی داشبورد مدیریتی

آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها ابزارهای رایج برای نمایش و آنالیز دیتا برای مارکترها از اهداف نمایش داده‌ها و ایجاد گزارش‌های تحلیلی در کسب‌وکار می‌توان به کمک به ایجاد ایده‌های جدید، بررسی روندهای فعلی کسب‌وکار، نظارت بر داده‌های روزانه کسب‌وکار و نیز تصمیم‌گیری‌هایی برای استراتژی و استفاده از تکنیک‌ها اشاره کرد. همچنین بازاریابان می‌توانند از این ابزارها برای بررسی نتایج کمپین‌های تبلیغاتی و هر نوع اقدام در زمینه بازاریابی استفاده کنند.

ابزارهای قدرتمند و رایج در این زمینه پرشمار هستند که در ادامه با برخی از آن‌ها آشنا می‌شویم:

پلتفرم Microsoft Power BI: این ابزار پلتفرمی است به مارکترها اجازه می‌دهد، داشبورها، گزارش‌ها و نمودارها را ایجاد و شخصی‌سازی کنند. مزیت این پلتفرم در این است که با استفاده از آن می‌توانید مدل‌هایی بر اساس یادگیری ماشین ایجاد کنید پلتفرم SAP BusinessObjects: این پلتفرم دارای مجموعه‌ای ابزارها برای آنالیز و نمایش داده‌ها است. مزیت آن نیز در این است که با برنامه‌هایی مانند اکسل و محصولات دیگر مایکروسافت آفیس ادغام می‌شود پلتفرم Sisense: بصری‌سازی داده‌های کسب‌وکار، آنالیز داده‌ها، برخورداری از رابط کاربری آسان با ویژگی‌هایی مانند کشیدن و رها کردن و داشبورد تعاملی از ویژگی‌های این پلتفرم است پلتفرم تات اسپات: Thoughtspot پلتفرمی تحلیلی است که سیستم هوش مصنوعی با نام SpotIQ دارد و به مارکترها در دستیابی به اهداف آن‌ها کمک می‌کند پلتفرم Qlik: به‌دنبال پلتفرمی ابری می‌گردید یا استقرار پلتفرم در محیط کار را ترجیح می‌دهید؟ Qlik هر دو امکان را ارائه می‌دهد و ابزارهای نموداری فراوانی هم دارد پلتفرم گوگل دیتااستودیو: دیتااستودیو یک ابزار تحلیل و نمایش دیتای رایگان است که می‌تواند با بسیاری از ابزارهای دیگر گوگل ادغام شود. همچنین آموزش دیتااستودیو آسان است و می‌توانید در مدت کمی آن را بیاموزید آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها دیتااستودیو چطور کار می‌کند؟ دیتااستودیو پلتفرمی است که برای دریافت خودکار داده‌ها از پلتفرم‌های دیگر نمایش بصری آن‌ها در قالب نمودارها، جداول و دیگر امکانات نمایش بصری داده‌ها. خدمات این پلتفرم را در 4 بخش می‌توان ردیابی کرد که عبارتند از: ادغام یا یکپارچه‌سازی، تبدیل، نمایش داده‌ها و ایجاد گزارش. برای درک بهتر این موارد را با هم بررسی می‌کنیم.

آموزش علم داده

یکپارچه‌سازی داده‌ها با دیتااستودیو یکی از مراحل آموزش دیتااستودیو یادگیری قابلیت‌های یکپارچه‌سازی این پلتفرم است. زیرا این پلتفرم می‌تواند با اتصال به بسیاری از پلتفرم‌های دیگر داده‌ها را از آن‌ها دریافت کند و آن‌ها را در قالب‌های بصری نمایش دهد. امکان ادغام دیتااستودیو با این پلتفرم‌ها وجود دارد:

گوگل آنالیتیکس پلتفرم گوگل ادز سرچ کنسول گوگل گوگل شیت ابزار Google My Business یوتیوب آنالیتیکس پلتفرم بینگ ادز پلتفرم فیسبوک ادز پلتفرم MailChimp پلتفرم HubSpot پلتفرم Ahrefs پلتفرم SEMrush پلتفرم Shopify آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها تبدیل داده‌ها دومین قابلیت مهم دیتااستودیو امکان تبدیل داده‌ها است. در این مرحله این پلتفرم با استفاده از پردازشگرهای خود داده‌های خام را به دیتاهای معنادارتر و قابل استفاده و بررسی تبدیل می‌کند. یکی از مزایای این قابلیت امکان ایجاد قابلیت دیگری است که در دیتااستودیو با نام گزینه کاوشگر (Explorer) شناخته می‌شود. این گزینه تسهیل کننده سفری در امکانات پیشرفته‌تر این پلتفرم است و هنوز در مرحله نسخه بتا قرار دارد. برای مثال امکان استفاده از ابعاد جدید، توابع ریاضی، عملگرهای حسابی و فرمول‌های سفارشی در Explorer دیتااستودیو برای بازاریابان وجود دارد.

ویژگی‌های تجسم داده

مشاوره و اجرای علم داده دیتااستودیو در این بخش اطلاعات را در قالب نمودارها، جدول‌ها، اشکال و … نمایش می‌دهد و حاصل این کار ایجاد گزارش‌هایی است که ��ازاریابان با استفاده از آن‌ها می‌توانند اقدامات خود یا شرایط فعلی را بررسی کنند و برای آینده تصمیم بگیرند.

امکان به‌اشتراک‌گذاری داده‌ها و گزارش‌ها بعد از آموزش دیتااستودیو و ایجاد نمایشی بصری از داده‌های کسب‌وکار با استفاده از ابزارهای گوناگون، این امکان برای شما وجود دارد که گزارش ایجاد شده را با کاربران دیگر این پلتفرم، از جمله مدیران کسب‌وکار یا اعضای تیم‌های کاری به‌اشتراک بگذارید.

آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها نکات آموزش دیتااستودیو داده‌ها مهم‌ترین دارایی‌ها در کسب‌وکارهای دیجیتالی هستند. با این حال داده‌های کسب‌وکار آنقدر زیاد هستند که بشر به‌تنهایی و بدون استفاده از پلتفرم‌های نمایش و تحلیل دیتا، از این داده‌ها استفاده کند. دیتااستودیو کمپانی گوگل یکی از قدرتمندترین ابزارها برای ایجاد داشبورد و گزارش‌‎دهی است که به بازاریابان و حتی مدیران برای تحلیل داده‌ها و تصمیم‌گیری بهتر کمک می‌کند. اما چطور باید از این پلتفرم استفاده کنیم؟ در ادامه برخی از مهم‌ترین مراحل و نکات آموزش دیتااستودیو را با هم مرور می‌کنیم.

آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها آموزش دسترسی به دیتااستودیو برای شروع کار با گوگل دیتااستودیو باید یک حساب کاربری در گوگل ایجاد کنید. با استفاده از این حساب می‌توانید به راحتی سایت دیتااستودیو را باز کنید و بخش‌های مختلف آن را مشاهده کنید. برای مثال بعد از ورود به این سایت در منوی سمت چپ، گزارش‌های اخیر که ایجاد کرده و یا بررسی کرده‌اید را مشاهده می‌کنید. منوی بالای صفحه نیز دارای گزینه‌هایی مانند جستجو، منابع داده، فایل‌ها و … است.

مشاوره بلوغ داده

آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها افزودن داده‌ها به دیتااستودیو برای ایجاد یک گزارش مبتنی‌بر داده‌ها باید بدانید چطور داده‌ها را به پلتفرم اضافه کنید. برای این کار ابتدا روی گزینه Create و سپس روی گزینه Data Source کلیک کنید. در صفحه جدید باید پلتفرم‌هایی را انتخاب کنید که قرار است از طریق آن‌ها داده‌ها را به دیتااستودیو منتقل کنید. برای مثال ممکن است Google Sheets یا پلتفرم‌های دیگر را انتخاب کنید. در این زمان دیتااستودیو به حساب گوگل شما متصل می‌شود و می‌توانید صفحات سایت را به آن معرفی کنید.

آموزش ایجاد گزارش در دیتااستودیو با کلیک کردن روی دکمه Create می‌توانید وارد بخش گزارش (report) شوید. در مرحله بعد باید یکی از انواع الگوها را برای ایجاد گزارش از بخش گالری انتخاب کنید. مرحله بعدی انتخاب منبع است. اگر مرحله قبلی یعنی افزودن داده‌ها به دیتااستودیو را طی کرده باشید دیگر به این کار نیازی نیست. در غیر این صورت در همین صفحه جدید می‌توانید این کار را انجام دهید. بنابراین صفحه‌ای برای شما باز می‌شود که در آن می‌توانید یکی از مدل‌های گزارش مانند طرح‌های گرافیکی، اشکال و متن را انتخاب کنید. همچنین این امکان برای شما وجود دارد که این الگوها را شخصی‌سازی و تنظیم کنید.

آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها ستون سمت راست صفحه، برخی از تنظیمات برای شخصی‌سازی و ادغام‌ها و تلاقی‌ها را ارائه می‌دهد. منوی بالای صفحه نیز دارای گزینه‌های دیگری مانند افزودن نمودار است. از دیگر گزینه‌ها در این بخش می‌توانید به گزینه‌های تم و Layout اشاره کرد. امکان ویرایش و تغییر نام گزارش نیز با استفاده از منوی بالای صفحه برای شما وجود دارد. پس از تنظیمات لازم می‌توانید گزارش را در قالب پی دی اف دانلود کنید و یا آن را با دیگر کاربران یا اعضای تیم کاری به اشتراک بگذارید. علم داده

آموزش دیتااستودیو؛ معرفی بهترین ابزارهای نمایش دیتا و آنالیز برای مارکترها آموزش استفاده از گزینه Explorer ابزار Explorer در دیتااستودیو فعلا در مرحله آزمایشی (نسخه بتا) است. به‌همین دلیل هنوز این ابزار تمامی قابلیت‌های خود را ارائه نکرده است. با این حال این گزینه به شما در آموزش دیتااستودیو و آزمایش‌های اولیه، نحوه کار با داده‌ها و آنالیز آن‌ها کمک می‌کند. برای مثال Explorer به شما کمک می‌کند تا آنالیز داده‌ها را با استفاده از روش‌های پیشرفته‌تر انجام دهید. استفاده از این گزینه همچون یک مرحله اجباری نیست؛ با این حال استفاده از آن ممکن است به شما در درک عمیق‌تری از داده‌ها و تصمیم‌گیری‌های بهتر کمک کند.

برای استفاده از این قابلیت‌ها کافی است در صفحه اصلی سایت بعد از گزینه Create روی گزینه Explorer کلیک کنید. در صفحه جدید باید یک یا چند منبع داده را انتخاب و اضافه کنید. در همین زمان گزینه‌های نموداری مانند ابعاد و مدل‌ها نمایش داده می‌شوند. همچنین این بخش دارای قابلیت فیلترینگ بر اساس معیارهای مختلف است. در نهایت نتایج نمایش داده می‌شوند. بنابراین می‌توان نمودار ایجاد شده را به یک گزارش موجود اضافه کنید و یا یک گزارش جدید بسازید. زمانی که روی گزینه Share کلیک می‌کنید گزینه‌هایی برای به‌اشتراک‌گذاری نمایش داده می‌شوند. همان‌طور که پیشتر گفتیم، مزیت Explorer در امکان ایجاد گزارش‌های متفاوت با استفاده از ایجاد نمودارهای جدید است. همچنین امکان ترکیب داده‌ها در این بخش وجود دارد.

آموزش دیتااستودیو آسان است یکی از مزایای کار با دیتااستودیو این است که این پلتفرم با وجود مزایا و قابلیت‎‌های بسیاری که دارد، رابط کاربری آسانی دارد و کار با آن چندان پیچیده نیست. در این مطلب نکات آموزش کار با این پلتفرم‌ را در زمینه‌هایی مانند دسترسی به پلتفرم، افزودن منابع داده، ایجاد تنطیمات، ایجاد گزارش‌ها و به‌اشتراک‌گذاری و دانلود آن‌ها را آموختیم. بازاریابان با استفاده از این نکات آموزشی به‌راحتی می‌توانند گزارش‌هایی را برای بازاریابی داده‌محور ایجاد کنند و بر اساس این گزارش‌ها بهترین تصمیمات را برای استراتژی خود بگیرند.

منبع: همیار ای تی

[hamnavardgroup]

علم داده چیست؟

آخرین به‌روزرسانی: ۶ مرداد ۱۳۹۹ زمان مطالعه: ۱۰ دقیقه سال‌های مدیدی است که جهان مملو از داده شده، حجم این داده‌ها و سرعت تولید آن‌ها با ظهور وب و البته شبکه‌های اجتماعی رشد فزاینده‌ای داشته. در واقع، حجم داده‌های دیجیتال با سرعت زیادی در حال رشد است. مطابق گزارش IBM، در سال ۲۰۱۲ هر روز بالغ بر ۲.۵ اگزابایت داده تولید می‌شده. بر اساس گزارش منتشر شده توسط DOMO، حجم تولید داده در سال ۲۰۱۸ نیز به همین منوال ادامه داشته است. در گزارش IBM آمده: «۷۵٪ داده‌های تولید شده، ساختار نیافته و منابعی مانند متن، صدا و ویدئو هستند». در ادامه به مبحث علم داده به عنوان راهکاری جهت مبدل ساختن این حجم از داده به اطلاعات و دانش پرداخته خواهد شد.

طراحی داشبورد مدیریتی

فهرست مطالب این نوشته حجم بالای داده‌ها چگونه ذخیره می‌شوند؟ چرا داده‌ها مهم هستند؟ علم داده چیست؟ مزایای علم داده تاریخچه ارتباط آمار و علم داده حجم بالای داده‌ها چگونه ذخیره می‌شوند؟ اولین کامپیوترها دارای حافظه‌های چند کیلوبایتی بوده‌اند، اما در حال حاضر گوشی‌های هوشمند توانایی ذخیره‌سازی بالغ بر ۱۲۸ گیگابایت داده را دارند و لپ‌تاپ‌ها می‌توانند چندین ترابایت داده را در حافظه داخلی خود ذخیره کنند. با افزایش ظرفیت و کاهش قیمت و ابعاد حافظه‌های ذخیره‌سازی، این موضوع در جهان کنونی و برخلاف گذشته دیگر موضوع قابل توجهی محسوب نمی‌شود.

چرا داده‌ها مهم هستند؟ عبارت «بشر در عصر اطلاعات زندگی می‌کند» بسیار معروف است. این در حالیست که در حقیقت، بشر در عصر داده‌ها زندگی می‌کند. با تبدیل این داده‌ها به اطلاعات، می‌توان آن‌ها را به شمش‌هایی از طلا مبدل ساخت.

ژیاوی هان – دانشمند داده و نویسنده کتاب «داده‌کاوی: مفاهیم و روش‌ها»

داده‌ها به میزان هوشمندی که می‌توان از آن‌ها استخراج کرد مفید و حائز اهمیت هستند. استخراج دانش و هوشمندی از داده‌ها، مستلزم انجام تحلیل‌های موثر و قدرت پردازش کامپیوتری بالا برای مواجهه با افزایش حجم داده‌ها است. در گزارش منتشر شده توسط Bain & Co در سال ۲۰۱۴، اذعان شده بود که ۴۰۰ شرکت فعال در حوزه تحلیل داده‌ها جایگاه قابل توجهی در میان شرکت‌های پیشرو در جهان طی این سال کسب کرده‌اند.

علم داده چیست؟ «علم داده» (data science)، یک زمینه میان رشته‌ای است که از روش‌ها، فرآیندها، الگوریتم‌ها و سیستم‌های علمی برای استخراج دانش و بینش از داده‌ها در اشکال گوناگون (ساختار یافته و ساختار نیافته) استفاده می‌کند. چیزی مشابه داده‌کاوی! علم داده مفهومی برای یکپارچه‌سازی آمار، تحلیل داده، یادگیری ماشین و دیگر مفاهیم مرتبط تحت یک عنوان واحد است. این کار به منظور درک و تحلیل پدیده‌ها با استفاده از داده‌ها انجام می‌شود.

در این دانش از روش‌ها و نظریه‌های علوم گوناگون از جمله ریاضیات، آمار، علم اطلاعات و علوم کامپیوتر استفاده می‌شود. «جیم گری» (Jim Gray) برنده جایزه تورینگ، علم داده را به عنوان پارادایم چهارم علم (پژوهش‌های تجربی، بنیادی، محاسباتی و اکنون داده‌محور ) تصور کرده و چنین ارزیابی می‌کند که: «کلیه موارد مربوط به علم تحت تاثیر فناوری اطلاعات در حال تغییر است».

جیم گری ـ دانشمند داده

آموزش علم داده

به‌طور کلی می‌توان گفت علم داده، مطالعه محلی که داده‌ها از آن می‌آیند، نشانگر چه چیزی هستند و چگونگی مبدل ساختن آن‌ها به منبعی ارزشمند برای کسب‌و‌کار و استراتژی‌های فناوری اطلاعات سازمان است. کاوش حجم بالایی از داده‌های ساختار یافته و ساختار نیافته به‌منظور شناسایی الگوهایی انجام می‌شود که می‌توانند به سازمان‌ها جهت صرفه‌جویی در هزینه‌ها، افزایش کارایی، شناسایی فرصت‌های جدید در بازار و افزایش مزایای رقابتی کمک کنند. در علم داده، ریاضیات، آمار، علوم کامپیوتر و دیگر روش‌ها مانند یادگیری ماشین، کاوش داده و بصری‌سازی داده مورد استفاده قرار می‌گیرد.

در مجله «بررسی کسب‌و‌کار هاروارد» (Harvard Business Review)، از شغل «دانشمند داده» (data scientist) با عنوان جذاب‌ترین شغل قرن ۲۱ یاد شده است. اصطلاح علم داده یکی از واژگان باب روز است که بر تحلیل‌های کسب‌و‌کار، هوش تجاری، مدل‌سازی پیش‌بینی یا هر گونه استفاده اختیاری از داده‌ها اعمال شده و به عنوان واژه‌ای پر زرق و برق برای آمار استفاده می‌شود. در بسیاری از موارد، رویکردها و راهکارهای موجود در حوزه‌های گوناگون با عنوان «علم داده» برندسازی مجدد شده‌اند تا جذاب‌تر باشند. کاربرد این اصطلاح بیش از آنکه مفید باشد، توسط متخصصین غیر مرتبط بسیاری به شکلی گسترده اما غیر صحیح به کار برده می‌شود.

دانشمند داده، جذاب‌ترین شغل در قرن ۲۱

در حالیکه در بسیاری از دانشگاه‌های مطرح دنیا این رشته به عنوان یک زمینه دانشگاهی تدریس می‌شود، هیچ توافقی در رابطه با محتوای دوره یا سرفصل‌های آن تاکنون ایجاد نشده و هر موسسه و دانشگاهی به سبک خود عمل می‌کند. با وجود مفید و کارآمد بودن علم داده، بسیاری از پروژه‌های کلان داده (مِه داده) و علم داده به دلیل مدیریت ضعیف و به‌کارگیری نامناسب منابع، در انتقال نتایج مفید با شکست مواجه می‌شوند.

مزایای علم داده مزیت اصلی علم داده، توانمندسازی و تسهیل تصمیم‌گیری است. سازمان‌هایی که بر علم داده سرمایه‌گذاری می‌کنند، می‌توانند از شواهد قابل سنجش و مبتنی بر داده برای تصمیم‌سازی در کسب‌و‌کار خود استفاده کنند. تصمیم‌های داده‌محور می‌تواند منجر به افزایش سود و بهبود بهره‌وری عملیاتی، کارایی کسب‌و‌کار و جریان‌های کاری بشود. در سازمان‌هایی که با ارباب رجوع سر و کار دارند، علم داده به شناسایی و جلب مخاطبان هدف کمک می‌کند. این دانش همچنین می‌تواند به سازمان‌ها در استخدام نیروهایشان کمک کند. علم داده با پردازش داخلی کاربردها و آزمون‌های احراز صلاحیت داده‌محور، می‌تواند به واحد منابع انسانی سازمان‌ها در انجام انتخاب‌های صحیح‌تر و سریع‌تر در طول فرآیند استخدام کمک کند.

ارزش‌آفرینی علم داده برای سازمان‌ها

مشاوره و اجرای علم داده

مزایای علم داده بستگی به اهداف شرکت و صنعت مربوط به آن دارد. برای مثال دپارتمان‌های فروش و بازاریابی می‌توانند داده‌های مشتریان را برای بهبود نرخ جذب مشتری و ساخت کمپین‌های فرد به فرد کاوش کنند. موسسات بانکی، داده‌های خود را جهت ارتقا وظیفه شناسایی کلاهبرداری کاوش می‌کنند. سرویس‌های استریم مثل «نتفلیکس» (Netflix) داده‌ها را برای شناسایی آنچه کاربران به آن علاقمند هستند و استفاده از آن‌ها برای دانستن اینکه تولید چه فیلم‌ها یا برنامه‌های تلویزیونی بهتر است کاوش می‌کنند.

همچنین، در نتفلیکس از الگوریتم‌های مبتنی بر پایگاه داده به‌منظور ساخت توصیه‌های شخصی‌سازی شده متناسب با عقاید کاربران استفاده شده است. شرکت‌های حمل‌و‌نقل مانند FedEx ،DHL و UPS از علم داده برای کشف بهترین مسیرها، زمان‌ها و نوع حمل‌و‌نقل کالا استفاده می‌کنند. با وجود کاربردهای متعدد علم داده، این زمینه در کسب‌و‌کار هنوز نوظهور است، زیرا شناسایی و تحلیل حجم انبوهی از داده‌های ساختار نیافته می‌تواند برای شرکت‌ها بسیار پیچیده، گران قیمت و زمان‌بر باشد.

تاریخچه اصطلاح علم داده طی سی سال گذشته در متون زیادی ظاهر شده اما تا چند سال اخیر در فضای دانشگاهی، پژوهشی و صنعتی جا نیفتاده بود. در سال ۱۹۶۰، «پیتر نائور» (Peter Naur) از این عبارت به عنوان جایگزینی برای علم کامپیوتر استفاده کرد. نائور بعدها اصطلاح «داده‌شناسی» (datalogy) را بدین منظور معرفی کرد. وی در سال ۱۹۷۴ در مقاله‌ای با عنوان «بررسی دقیق روش‌های کامپیوتری» از اصطلاح علم داده برای بیان پردازش‌های داده آن دوران که در گستره وسیعی از زمینه‌ها کاربرد داشتند، استفاده کرد.

پیتر نائور ـ دانشمند داده

در سال ۱۹۹۶، اعضای «فدراسیون بین‌المللی جامعه دسته‌بندی» (International Federation of Classification Societies | IFCS) برای گردهمایی دو سال یکبار خود، در شهر کوبه ژاپن گردهم آمدند. در گردهمایی مذکور، برای اولین بار از اصطلاح علم داده به عنوان اسم کنفرانس – علم داده، دسته‌بندی و روش‌های مرتبط – استفاده شد. این کار پس از آن صورت گرفت که در میزگرد برگزار شده، این اصطلاح توسط «چیوی هوایشی» (Chikio Hayashi) معرفی شد. در نوامبر سال ۱۹۹۷، سی اف جف وو (C. F. Jeff Wu) سخنرانی افتتاحیه رویدادی در حوزه علم داده را با عنوان «آمار = علم داده؟» به مناسبت انتساب به سمت استادی در دانشگاه میشیگان انجام داد.

مشاوره بلوغ داده

در این سخنرانی، او از کارهای آماری به عنوان سه گانه گردآوری، مدل‌سازی و تحلیل داده و تصمیم‌سازی یاد کرد. در این استنتاج، او استفاده مدرن و غیر کامپیوتری اصطلاح علم داده را به کار برد و از آمار به عنوان علمی که به علم داده و آماردان به دانشمندان داده تغییر نام داده‌اند یاد کرد. بعدها، او سخنرانی خود با عنوان «آمار = علم داده؟» را به عنوان اولین سخنرانی رویداد Mahalanobis Memorial Lectures در سال ۱۹۹۸ ارائه کرد. سخنرانی‌های این مراسم به افتخار «پراسانتا چاندرا ماهالانوبیس» (Prasanta Chandra Mahalanobis) دانشمند و آماردان هندی و بنیان‌گذار موسسه آمار هند انجام می‌شود.

علم داده در مقایسه با آمار

در سال ۲۰۰۱، «ویلیام اس کلولند» (William S. Cleveland) علم داده را به عنوان یک اصل مستقل که ترکیبی از علم آمار و پیشرفت‌های انجام شده در محاسبات داده‌ها است معرفی کرد، او در این رابطه می‌گوید: «علم داده: برنامه اقدام به‌منظور گسترش حوزه‌های فنی رشته آمار است». در این گزارش، کلولند شش حوزه فنی را که باور داشت برای ایجاد علم داده ترکیب شده‌اند برشمرد. این حوزه‌ها عبارتند از تحقیقات چند رشته‌ای، مدل‌ها و روش‌هایی برای داده‌ها، محاسبه با داده، علوم پرورشی، ارزیابی ابزار و نظریه.

در آپریل سال ۲۰۰۲، کمیته داده برای دانش و فناوریِ (Data for Science and Technology | CODATA) شورای بین‌المللی دانش (International Council for Science | ICSU)، انتشار مجله‌ای با عنوان علم داده (Data Science Journal) را آغاز کرد. این اثر، بر مسائلی مانند توصیف سیستم‌های داده، نشر آن‌ها در اینترنت، کاربردها و مسائل قانونی مربوط به این حوزه متمرکز بود.

مدت کوتاهی پس از انتشار این مجله، در ژانویه سال ۲۰۰۳، دانشگاه کلمبیا، مجله علم داده (The Journal of Data Science) را ارائه کرد که پلتفرمی برای همه فعالان حوزه داده جهت نشر دیدگاه‌ها و تبادل ایده‌هایشان بود. این مجله به‌طور گسترده‌ای به کاربردهای روش‌های آماری و پژوهش‌های کمی می‌پرداخت.

در سال ۲۰۰۵، «انجمن علمی ملی» (National Science Board) اثری با عنوان «مجموعه داده‌های دیجیتال با عمر دراز: فراهم کردن امکان آموزش و پژوهش در قرن ۲۱» منتشر کرد و در آن دانشمندان داده را به‌عنوان دانشمندان اطلاعات و کامپیوتر، کارشناسان منضبط پایگاه داده، نرم‌افزار و برنامه‌نویسی، مربیان و سخنرانان متخصص، کتابداران و بایگانی‌سازانی معرفی کرد که برای مدیریت موفق یک مجموعه داده دیجیتال حیاتی هستند و فعالیت اصلی آن‌ها انجام تحقیق و تحلیل خلاقانه است.

ژورنال‌های علم داده

در حدود سال ۲۰۰۷، «جیم گری» (Jim Gray)، برنده جایزه تورینگ، علوم داده محور را به عنوان چهارمین پارادایم علم معرفی کرد که از تحلیل محاسباتی داده‌های بزرگ به عنوان روشی علمی جهت ساخت دنیایی که در آن ادبیات علم و همه داده‌های علمی آنلاین هستن استفاده می‌کند.

در سال ۲۰۱۲، دانراجی پاتیل (Dhanurjay “DJ” Patil)، در مقاله «دانشمند داده: جذاب‌ترین شغل قرن ۲۱» که در مجله بررسی کسب‌و‌کار هاروارد منتشر شد، ادعا می‌کند که همراه با «جف همرباچر» (Jeff Hammerbacher) که این عبارت را آن‌ها برای اولین بار در سال ۲۰۰۸ برای معرفی شغلشان در لینکدین و فیس‌بوک ابداع کرده‌اند. او از دانشمندان داده به عنوان نژادی جدید یاد کرده که کمبود آن‌ها منجر به محدودیت‌های جدی در برخی از بخش‌های صنعت و دانشگاه می‌شود.

علم داده

در سال ۲۰۱۳، رویداد «نیروی کار علم داده و تحلیل پیشرفته» (IEEE Task Force on Data Science and Advanced Analytics) راه‌اندازی شد. همچنین، اولین «کنفرانس اروپایی تحلیل داده» (European Conference on Data Analysis | ECDA) در لوکزامبورگ برگزار و پیرو آن «اتحادیه اروپایی تحلیل داده» (European Association for Data Science | EuADS) تاسیس شد. اولین کنفرانس بین‌المللی این حوزه با عنوان «کنفرانس بین‌المللی علم داده و تحلیل‌های پیشرفته IEEE» در سال ۲۰۱۴ برگزار شد.

علم داده، آمار نیست.

در همین سال، «جنرال اسمبلی» (General Assembly)، یک اردوی تابستانی و انکوباتور داده برای علاقمندان به علم داده راه‌اندازی کرد. همچنین، انجمن آمار آمریکا، عنوان ژورنال خود را به «تحلیل‌های آماری و داده‌کاوی: ژورنال انجمن آمار آمریکا» تغییر نام داد. مدتی بعد و طی تغییر نامی دوباره، بخش اول نام این ژورنال به «یادگیری آماری و علم داده» مبدل شد.

در سال ۲۰۱۵، «ژورنال بین‌المللی علم و تحلیل داده» توسط اسپرینگر به‌منظور انتشار کارهای انجام پذیرفته در حوزه علم داده و تحلیل داده‌های کلان (مِه داده) بنا شد. در سپتامبر ۲۰۱۵، طی سومین کنفرانس ECDA در دانشگاه اسکس (Essex)، عبارت «Gesellschaft für Klassifikation» به نام «انجمن علم داده» افزوده شد.

ارتباط آمار و علم داده محبوبیت عبارت «علم داده» در محیط‌های دانشگاهی و کسب‌و‌کار به دلیل گشایش درب‌های جدید به سوی فرصت‌های شغلی، رشد انفجاری داشت. با این حال، بسیاری از منتقدان دانشگاهی و روزنامه‌نگاران تمایزی بین این دو قائل نیستند. «گیل پرس» (Gil Press) در نوشته‌ای که در مجله «فوربز» (Forbes) منتشر شد، ادعا کرده که علم داده یک واژه باب روز ولی بدون تعریف روشن است که در متون و زمینه‌های گوناگون از جمله دوره‌های تحصیلات تکمیلی جایگزین «تحلیل کسب‌و‌کار» شده است.

در پنل پرسش‌و‌پاسخ جلسات آمار مشترک انجمن آمار آمریکا، «نیت سیلور» (Nate Silver)، آماردان کاربردی، طی سخنانی در این رابطه گفت: «من فکر می‌کنم دانشمند داده، عبارت آماردان را جذاب‌تر کرده… آمار شاخه‌ای از علم است. دانشمند داده به تدریج در بسیاری از زمینه‌ها به حشو مبدل خواهد شد. افراد نباید از واژه آماردان چشم‌پوشی کنند».

همچنین، در بخش کسب‌و‌کار، پژوهشگران و تحلیلگران گوناگون اذعان می‌کنند که دانشمندان داده به تنهایی نمی‌توانند شرکت‌ها را به مزیت‌های رقابتی واقعی برسانند و همچنین، این شغل را تنها یکی از چهار شغلی می‌دانند که برای دستیابی به قدرت کلان‌داده (مِه‌داده) مورد نیاز است. چهار شغل مذکور عبارتند از: تحلیل‌گر داده، دانشمند داده، توسعه‌دهنده کلان‌داده و مهندس کلان‌داده.

رابطه علم داده و کلان‌داده

از سوی دیگر، پاسخ‌های زیادی به چنین انتقاداتی داده شده و می‌شود. در مقاله‌ای که در سال ۲۰۱۴ در وال استریت ژورنال منتشر شد، «ایروینگ لادوسکی برگر» (Irving Wladawsky-Berger)، اشتیاق به علم داده را مقارن با طلوع علوم کامپیوتر دانست. او چنین استدلال می‌کند که علم داده مانند هر زمینه میان‌رشته‌ای دیگری از روش‌شناسی و راهکارهایی از دیگر زمینه‌های صنعتی و دانشگاهی بهره می‌برد، اما آن‌ها را د�� قالب جدید شکل می‌دهد. سخنان این پژوهشگر، به انتقادات تند انجام شده از علوم کامپیوتر که امروزه جایگاه ویژه‌ای در فضای دانشگاهی دارد معطوف بود.

به همین ترتیب، «ویسانت دار» (Vasant Dhar)، دانشمند داده و استاد دانشگاه استرن نیویورک، همچون دیگر طرفداران دانشگاهی علم داده، به استدلال در این رابطه پرداخته است. او در دسامبر سال ۲۰۱۳ با انجام سخنرانی در این رابطه، بیان می‌کند که علم داده از تحلیل‌های داده فعلی موجود در کلیه رشته‌ها متفاوت است.

ویسانت دار

تمرکز علم داده بر تشریح مجموعه داده‌ها و به دنبال الگوهای عملی و سازگار برای استفاده‌های پیش‌بینانه است. این هدف کاربردی مهندسی، علم داده را به جایگاهی فراتر از تحلیل‌های سنتی می‌برد. اکنون داده‌های رشته‌ها و زمینه‌های کاربردی مانند علوم سلامت و علوم اجتماعی که فاقد نظریه‌های مستحکم هستند را می توان با بهره‌گیری از علم داده برای ساخت مدل‌های پیش‌بین قدرتمند به کار برد.

«دیوید دونوهو» (David Donoho)، در سپتامبر ۲۰۱۵، پاسخگوی انتقادات موجود پیرامون علم داده را با رد سه تعریف اشتباهی که پیرامون علم داده وجود داشت بود. اول آنکه علم داده معادل کلان داده (مِه‌داده) نیست، زیرا اندازه مجموعه داده معیاری برای ایجاد تمایز بین علم داده و آمار نیست. دوم، علم داده به‌وسیله مهارت‌های رایانشی مرتب‌سازی مجموعه داده‌های بزرگ تعریف نمی‌شود. این مهارت‌ها عموما برای تحلیل در کلیه رشته‌های مورد استفاده قرار می‌گیرند. سوم اینکه، علم داده یک زمینه بسیار کاربردی است که در حال حاضر برنامه‌های دانشگاهی قادر به آماده‌سازی دانشمندان داده برای این شغل به شکل مناسبت نیستند. این در حالیست که بسیاری از مراکز آموزشی، دوره‌های آمار و تحلیل خود را به اشتباه با عنوان دوره‌های علم داده تبلیغ می‌کنند.

علم داده یک دانش میان‌رشته‌ای است.

دونو به عنوان یک آماردان که تلاش‌های زیادی در زمینه کاری خود انجام داده و قهرمانانی که دامنه یادگیری را به شکل علم داده کنونی گسترش داده‌اند مانند «جان چمبرز» (John Chambers) که خواستار پذیرش مفهوم یادگیری از داده‌ها توسط آماردان‌ها شده بود، یا ویلیام کلوند که خواهان اولویت‌دهی به ابزارهای استخراج پیش‌بین قابل اجرا از داده‌ها یا نظریه‌های توصیفی بود، همه با هم رویای یک دانش کاربردی که بر فراز آمار کلاسیک و دیگر زمینه‌های علمی رشد می‌کند را تحقق بخشیده‌اند.

به خاطر آینده علم داده، پروژه دونو که یک محیط همواره در حال رشد برای «دانش باز» (open science) است، مجموعه داده‌های قابل استفاده برای پژوهش‌های دانشگاهی را در دسترس کلیه پژوهشگران قرار می‌دهد. «موسسه ملی سلامت آمریکا» (US National Institute of Health) نیز برنامه‌ای را به‌منظور ارتقا تکرارپذیری و شفافیت داده‌های پژوهشی در حال اجرا دارد. بدین ترتیب، آینده علم داده نه تنها مرزهای نظریات آمار را در هم می‌شکند، بلکه انقلابی در پارادایم‌های پژوهشی دانشگاهی برپا خواهد کرد. دونو از این جریان‌ها چنین نتیجه می‌گیرد: «دامنه و تاثیر علم داده با فراهم شدن داده‌های علمی و داده‌هایی درباره علم، به شکل فوق‌العاده‌ای در دهه‌های پیش‌رو گسترش خواهد یافت».

منبع: فردادرس

[hamnavardgroup]

ساختمان داده

به عنوان یکی از مهمترین دروس رشته مهندسی کامپیوتر، هدف درس ساختمان داده ها پژوهش در مورد روش‌های گوناگون ذخیره، نگهداری و بازیابی اطلاعات در سیستم‌های کامپیوتری است، به گونه‌ای که این اطلاعات بتواند بطور کارامد مورد استفاده قرار گیرد. ساختمان‌های داده‌ برای دریافت داده‌ها توسط کامپیوتر جهت پیاده سازی و اجرای الگوریتم‌ها مورد استفاده قرار می‌گیرند، اما الگوریتم‌ها دستورالعمل‌هایی هستند که بر روی داده‌ها اعمال می‌شوند. هر ساختمان داده بسته به طراحی و هدفی که دنبال می‌کند چگونگی آرایش داده‌ها در حافظه‌ی کامپیوتر را با مدل خاصی مشخص می‌کند. طراحی هر ساختمان داده به گونه‌ای انجام می‌شود که بتواند نیاز خاصی را برطرف کند و برنامه نویس با توجه به نیازهای برنامه‌ای که طراحی می‌کند، می‌بایست ساختمان داده‌های مناسب خودش را انتخاب کند.

طراحی داشبورد مدیریتی

حال داده های ورودی به کامپیوتر توسط پردازنده و تحت فرمان “واحد کنترل” از حافظه دریافت شده و پس از اجرای الگوریتم های مورد نظر روی آن ها، نتایج روی حافظه ذخیره می‌شوند و یا به دستگاه های خارجی مانند مانیتور منتقل می‌شوند.

حافظه و دستگاه های ورودی و خروجی ترتیب انجام کارها را نمی‌دانند و این واحد کنترل است که با توجه به دستوری که می‌خواهد اجرا شود، ترتیب کارهایی که این واحد ها باید انجام دهند را در هر پالس ساعت با ارسال سیگنال‌هایی به نام Command مشخص می‌کند. به چگونگی کارکرد، طراحی و ساخت اجزای کامپیوتر معماری کامپیوتر گفته می شود.

برنامه‌ای خوب است که هم ساختمان داده مناسبی داشته باید و هم الگوریتم‌ خوبی برای آن نوشته شود. در درس ساختمان داده انواع ساختمان داده ها و اینکه برای هر الگوریتم چه ساختمان داده ای بهتر است آموزش داده می‌شود و در درس طراحی الگوریتم دانشجویان آموزش می بینند که چگونه راه حل های بهینه برای حل مسائل پیدا کنند. یکی از بزرگترین دغدغه هایی که درس طراحی الگوریتم سعی در پاسخ به آن دارد، آموزش بدست آوردن راه حل های سریع، بهینه و عملی برای مسائل گوناگون است. در ادامه به معرفی ساختمان داده هایی پرداخته‌ایم که برنامه نویسان از آنها زیاد استفاده می‌کنند

آموزش علم داده

ساختمان های داده ابتدایی Boolean

Integer

Floating-point numbers

Fixed-point numbers

Character

String

برای کسب اطلاعات بیشتر درباره هریک از انواع داده های ابتدایی، به سایت کنکور کامپیوتر مراجعه کنید.

ساختارهایی از داده وجود دارند که روی انواع داده های ابتدایی ساخته می شوند. از جمله ساختمان داده های پرکاربرد می توان به موارد زیر اشاره کرد:

مشاوره و اجرای علم داده

آرایه (Array) لیست پیوندی (Linked List) پشته (Stack or Push Down List or Pile) صف (Queue) درخت های ساده (Binary Tree) درخت جستجوی دودویی (Binary Search Tree) ساختمان داده و هر آنچه باید در مورد آن بدانید آرایه به عنوان مهمترین ساختار ذخیره داده، اکثر برنامه نویس ها از آرایه بهره می برند. آرایه مجموعه‌ای از داده‌هایی است که خصو��یات زیر را داشته باشد :

همگی از یک نوع داده باشند در خانه‌های پیوسته حافظه قرار گیرند دو نوع آرایه داریم:

آرایه تک بعدی آرایه های چند بعدی لیست پیوندی ساختمان داده ای که از تعدادی نود تشکیل شده است در حالی که هر نود در برگیرنده دیتا و آدرس نود بعدی است.

مشاوره بلوغ داده

ساختمان داده و هر آنچه باید در مورد آن بدانید پشته پشته مجموعه ای پویا از داده ها است که هنگام حذف عنصر از این مجموعه، آخرین عنصر اضافه شده به مجموعه از آن حذف می‌شود. اصطلاحا به این روش حذف داده های LIFO (Last In First Out) گفته می‌شود. بنابراین پشته ترتیب خروج عناصر را کنترل می‌کند. در نتیجه برای دسترسی به یک عنصر، ابتدا باید عناصری را که پس از آن به پشته وارد شده‌اند از پشته خارج کرد.

ساختمان داده و هر آنچه باید در مورد آن بدانید صف ساختمان داده صف یک لیست است که عناصر جدید به انتهای صف اضافه می‌شوند و در هنگام حذف، عناصر از ابتدای صف حذف می شوند. ساختمان داده صف برای مدیریت نوبت عناصر از الگوریتم FIFO(First In First Out) استفاده می‌کند که بر طبق آن هر عنصری که زودتر وارد صف شود زودتر سرویس می‌گیرد

عملیات اصلی که روی صف انجام می‌گیرد

ENQUEUE (Q,X) : اضافه کردن عنصر x به انتهای صف Q

DEQUEUE (Q) : حذف یک عنصر از ابتدای صف Q و بازگرداندن آن عنصر بعنوان خروجی

درخت مجموعه ای از عناصر که گره نام دارند را درخت می نامند. یکی از این گره ها در جایگاه ریشه درخت و سایر گره ها در زیر ریشه قرار دارند. از درخت به منظور آنالیز مدارهای الکترونیکی، بیان رابطه‌ها، سازماندهی داده‌ها در پایگاه های داده‌ای و بیان ساختارهای گرامری در کامپایلرها استفاده می‌شود.

درخت جستجوی دود��یی (BST: Binary Search Tree) درختی است که در درون هر نودش یک عدد وجود دارد و اعداد همگی متمایزاند، در این درخت هر نودی از تمامی نودهای زیر درخت چپ اش بزرگتر و از تمامی نودهای زیر درخت راست اش کوچکتر است

مقایسه ساختمان های داده انواع ساختمان های داده دارای معایب و مزایایی هستند که در این بحث معمولا سه عملیات درج، حذف و بازیابی عنصر مد نظر قرار می گیرند. برای کسب اطلاعات بیشتر در این زمینه، مطالعه بحث ساختمان داده در سایت کنکور کامپیوتر خالی از لطف نیست.

بنا بر ارتباط تنگاتنگ ساختمان های داده و طراحی الگوریتم و از آنجایی که داده های خروجی، حاصل اجرای الگوریتمی خاص روی داده های ورودی هستند، مراحل حل مساله و طراحی الگوریتم به صورت زیر خواهد بود:

تبدیل مسئله به یک مدل ریاضی که توسط کامپیوتر قابل حل باشد طرح یک الگوریتم برای حل آن مسئله انتخاب ساختمان داده مناسب برای الگوریتمی که طرح کرده ایم از آن جا که برنامه خوب برنامه ای است که هم ساختمان داده مناسبی داشته باید و هم از الگوریتم‌های بهینه تری استفاده کند، در اینجا به بررسی دو مورد زیر می‌پردازیم:

چگونگی تحلیل الگوریتم بررسی ساختمان داده‌ها تحلیل الگوریتم ها در تحلیل الگوریتم ها، از آنجا که تعداد عملیات هر الگوریتم برای اجرا شدن رابطه مستقیمی با زمان اجرای آن دارد و با در نظر گرفتن این که زمان اجرا وابسته به معیارهای متفاوتی نظیر پردازنده کامپیوتر، نوع کامپایلر، سرعت پردازنده، چگونگی پیاده سازی الگوریتم و بسیاری موادر دیگر است، با در دست داشتن معیاری مشخص می توانیم کارایی الگوریتم‌ها از نظر مدت زمان اجرا را، مستقل از عوامل مذکور با هم مقایسه کنیم.

از آنجا که حجم داده های ورودی همواره متغیر است، در تحلیل زمان اجرای الگوریتم‌ها تابعی‌ نیاز است که تعداد عملیات انجام شده توسط یک الگوریتم را بر حسب اندازه ورودی بیان کند. حال محاسبه این تابع کاری دشوار و در مواقعی غیر ممکن است؛ به همین علت برای مقایسه الگوریتم‌ها از معیاری به نام نرخ رشد توابع استفاده می‌کنند.

نرخ رشد میزان افرایش تعداد عملیات یک الگوریتم بر اثر افزایش اندازه ورودی را نشان می‌دهد.

ساختمان داده و هر آنچه باید در مورد آن بدانید

علم داده بررسی ساختمان داده ها عملیات روی هر ساختمان داده را می‌توان در دو دسته کلی طبقه بندی کرد: 1) Query ها یا درخواست ها

2) Update ها

Queryها آن دسته از عملیات هستند که تغییری در محتویات ساختمان داده ها ایجاد نمی‌کنند، مانند جستجوی یک عنصر، شمارش تعداد عناصر موجود در ساختمان داده و … Update ها عملیاتی هستند که سبب تغییر در مقدار یا چینش عناصر ساختمان داده می‌شوند، مانند اضافه کردن یک عنصر جدید، حذف عناصر موجود و …

منبع: همیار ای تی

[hamnavardgroup]

طراحی داشبورد

طراحی داشبوردهای مدیریتی با توجه به نوع مخاطبان آنها همیشه از اهمیت ویژه ای برخوردار است. با پاسخ دادن به ۱۰ سوال کلیدی زیر می توان در نهایت به یک داشبورد گرافیکی هوش تجاری دست یافت. لازم به ذکر است که این ۱۰ مرحله به عنوان مراحل اصلی در طراحی مطرح می شوند و قاعدتا امکان اضافه نمودن مرحله و یا مراحل دیگر نیز به این موارد وجود خواهد داشت ولی با توجه به تجربیات و مطالعات صورت گرفته در واحد هوش تجاری شرکت توسعه فناوری اطلاعات آرتاراد، با طی نمودن این مراحل، با سرعت بیشتر و کیفیت بالاتری می توان به سمت محصول نهایی قدم برداشت.

طراحی داشبورد مدیریتی

مرحله ۱ : طرح سوال برخی از سوالات مطرح شده در زمان شروع پروژه عبارتند از :

شکل ظاهری داشبورد ها به چه صورت باشد؟

استانداردها و معیار (metric) های مورد نیاز کدام ها هستند؟

مناسب ترین شکل نمایش برای سطوح مختلف سازمان به چه نحوی است؟

چه کسی از داشبورد استفاده می کند؟ با پاسخ دهی صحیح به این سوالات می توان اطمینان داشت که نقطه شروع پروژه نقطه صحیحی بوده و در صورت حفظ مسیر می توان به نتیجه پایانی امیدوار بود.

مرحله ۲ : انتخاب ابزار می توان برای شروع از یک تخته وایت برد نیز استفاده کرد و بر روی آن اقدام به طراحی استانداردها و حتی شکل ظاهری داشبورد نمود. پس از آماده سازی طرح اولیه و اعمال نظرات مختلف بر روی آن می توان ابزار اصلی طراحی را انتخاب و شروع به طراحی و پیاده سازی عملی نمود.

آموزش علم داده

مرحله ۳ : طراحی اولیه داشبورد یک داشبورد تاثیر گذار باید شامل موارد زیر باشد:

در یک صفحه تمام داشبورد قابل مشاهده باشد.( کاربر احتیاجی به استفاده از Scrollbar نداشته باشد.)

داده ها را تا حد ممکن در زمان واقعی و بلادرنگ نشان دهد.

ساده، راحت و با حداقل نوشته باشد.

موجب حذف نیازمندی به گزارش های کاغذی شود.

مرحله ۴ : تعیین مخاطب باید توجه داشته باشید که شناسایی مخاطب در طراحی داشبوردها امری بسیار مهم و ضروری است. اینکه محصول نهایی قرار است در کدام یک از رده های سازمان مورد استفاده قرار بگیرد و یا اینکه شخص استفاده کننده از آن دارای چه سمت و جایگاهی در سازمان است، می تواند نقش تعیین کننده ای در روش طراحی و انتخاب نشانه های داشبورد داشته باشد.

مرحله ۵ : توسعه متریک مرحله بعد شناسایی و تعریف معیارهای اندازه گیری با توجه به نوع مخاطب می باشد. البته باید توجه داشت که نوع داده های قابل نمایش در هر داشبورد تعیین کننده معیارهای اندازه گیری در داشبورد می باشد، هر چند که نوع مخاطب نیز در تعیین آن بی تاثیر نیست. انواع متریک

مشاوره و اجرای علم داده

سلامت

مالی

حجم تولید

مقایسه استانداردها

زمان بندی

شکایات

… فراوانی و میزان جزئیات

تولید روزانه

هفتگی

ماهانه

سالانه

خدمه منظور از بحث فراوانی، دوره محاسبه متریک ها می باشد. این دوره ها می توانند بصورت زمان بندی و یا حجم تولید یک گروه از خدمه و یا حتی یک فرد خاص باشند. میتوان به این نکته نیز اشاره کرد که این واحد ها قابلیت تبدیل به یکدیگر را نیز دارند ( یک سال متشکل از ۱۲ ماه ، ۴۸ هفته و ۳۶۵ روز می باشد).

مشاوره بلوغ داده

مرحله ۶ : تعیین سطوح داده

گام بعد تعیین سطح داده مورد نیاز برای نمایش در محصول نهایی می باشد. این مرحله یکی از اصلی ترین و زمان برترین مراحل در طراحی می تواند باشد. فرض کنید شما در حال طراحی یک داشبورد برای یک شرکت تولیدی هستید. این شرکت شامل ۴ واحد اصلی مجزا از هم می باشد که که هر واحد دارای محصولی مشخص و ساختار اداری جداگانه می باشد. بنابراین به هیچ وجه امکان مشاهده وضعیت فروش واحد یک برای واحد ۲ قابل قبول نخواهد بود و این قابلیت علاوه بر عدم سودمندی باعث بروز اختلافات در سازمان نیز خواهد شد. اگر توجه کرده باشید این مرحله تا حدودی در ارتباط با مرحله ۴ که همان مرحله تعیین مخاطب است می باشد. لذا توجه به اینکه هر داشبورد باید شامل چه داده هایی باشد و این داده ها تا چه حد باید شامل جزئیات باشند از اهمیت بسیار بالایی برخوردار می باشد.

مرحله ۷ : طراحی و مدیریت نحوه نمایش در این مرحله نیاز است تا نحوه نمایش اطلاعات به کاربر نهایی تعیین شود. توجه داشته باشید که یکی از عوامل شکست در پروژه های این چنینی نحوه چیدمان و عدم رعایت تناسب لازم در انتخاب نشانه ها می باشد. در صورتی که داشبورد شما شامل تمام اطلاعات مفید برای کاربر نهایی باشد ولی کاربر نهایی نتواند با رابط گرافیکی آن ارتباط مناسبی برقرار کند پس از چندی کاربر ترجیح می دهد تا به سراغ یک ابزار جایگزین برود حتی اگر هزینه و وقت زیادی صرف طراحی و پیاده سازی این داشبورد شده باشد. این مسئله در سطوح بالای مدیریتی نمود بیشتری خواهد داشت. مدیران یک سازمان ترجیح می دهند تا با صرف کمترین میزان زمان و انرژی اطلاعات مورد نیاز خود را تنها با مشاهده و یا حداکثر چند کلیک ساده بدست آورند. مسئله دیگر در زمینه طراحی رعایت استانداردها می باشد. برای مثال در صورتی که شما برای اعلام وضعیت بحرانی در یک نمودار از رنگ قرمز استفاده می کنید لازم است تا این قاعده را در نمودارهای دیگر نیز رعایت فرمایید. همانطور که برقراری ارتباط با یک فرد چند شخصیتی سخت است برقراری ارتباط با یک سامانه که در مواقع یکسان رفتارهای متفاوتی از خود نشان می دهد نیز سخت و دشوار می باشد.

مرحله ۸ : تحویل داشبورد طراحی داشبورد به پایان رسید. آیا پروژه پایان یافت؟ خیر. در برخی مواقع راحت ترین مرحله، مرحله طراحی داشبورد می باشد. انتخاب روش تحویل و پیاده سازی داشبورد در سازمان یکی از مراحل پیچیده و دشوار در زمینه طراحی و پیاده سازی داشبوردها می باشد. توجه داشته باشید که عدم اتخاذ سیاست مناسب در زمینه پیاده سازی و تحویل می تواند منجر به شکت پروژه شما شود. گاهی لازم است تا داشبورد ها از سطوح بالای سازمان شروع به استفاه شوند و گاهی بالعکس٫ نحوه پیاده سازی و تحویل در سازمان ها مطمئنا درگیری فکری طراح نخواهد بود ولی طراح با توجه به تجربیات احتمالی خود در سازمان می تواند در نحوه اجرای این مرحله مشاوره های مناسبی را به تیم اجرایی سازمان بدهد.

علم داده

مرحله ۹ : آموزش

یکی از دیگر مراحل طراحی و پیاده سازی مرحله آموزش است. این مرحله نیز مرحله مهمی در طراحی می باشد. داشبورد طراحی شده توسط شما حتی اگر ساده ترین داشبورد طراحی شده در دنیا هم باشد، اجرای این مرحله قابل چشم پوشی نیست. اجرای این مرحله چندین ویژگی دارد: ۱- کاربر احساس می کند که در طول مسیر استفاده از داشبورد در صورت بروز هرگونه مشکل می تواند به شما مراجعه کند و این امر از نظر روانی تاثیری بسیار مثبتی بر روی وی خواهد داشت. ۲- با برگزاری یک جلسه حداقل ۱۵ دقیقه ای می توانید از تعداد سوالات آینده کاربران در زمینه استفاده از داشبورد به میزان قابل توجهی بکاهید. ۳- توجه داشته باشید که طراحان داشبوردها که خود شما نیز از همین دسته افراد هستید افرادی مسلط در زمینه نحوه استفاده از نرم افزارهای مختلف هستند و لزوما استفاده کننده گان داشبورد ها از این دسته افراد نمی باشند. پس هر چقدر هم داشبورد و محصول نهایی شما ساده و راحت باشد نیاز به آموزش وجود دارد. ۴- توجه داشته باشید که برگزاری جلسه آموزش حضوری بسیار موثر تر از ارائه جزوات کاغذی و یا الکترونیکی است. ۵- همیشه انسان در زمان آموزش متوجه ضعف ها و ایرادات خود و یا محصول خود می شود. پس یکی از روش های عیب یابی محصول نهایی می تواند آموزش باشد. ۶- …

مرحله ۱۰ : بازخورد محصول تحویل شده، و سازمان در سطوح مختلف در حال استفاده از آن می باشد. به هیچ عنوان فکر نکنید که کار شما تمام شده است. از این مرحله به بعد شما می توانید حضور مجدد خود در سازمان را با رعایت چند نکته ساده تضمین نمایید. ارتباط خود را با کاربران سیستم حفظ کنید. به قول معروف یک محصول زمانی که در اختیار کاربر قرار می گیرد شروع به چکش کاری می شود. گاهی کاربر نظرات و پیشنهاداتی می دهدکه می تواند منجر به ارائه نسخه های بعدی یک سیستم شود و گاهی هم باعث برطرف شدن مشکلات آن. البته به این نکته توجه داشته باشید که یک طراح خوب پیاده کننده نیازهای منطقی کاربران است نه همه نیازهای وی. البته باید گفت طراحی داشبوردهای مدیریتی هنوز تمام نشده است. بخش وسیعی از پیشنهادات و یا حتی شکایات کاربران در صورت پیاده سازی منجر به بروز همه چیز برای همه خواهد شد که مطمئنا می تواند منجر به شکست پروژه شما شود. بنابراین ارتباط خود با مشتری و یا کاربر را حفظ کنید و اقدام به پیاده سازی تقاضاهای صحیح و منطقی آنها با توجه به الویت های موجود، نمایید، در رابطه با درخواست های نادرست نیز از هنر خود برای توجیه، استفاده کنید.

منبع: آرتا راد