تجزیه و تحلیل داده ها (DA) فرآیند بررسی مجموعه داده ها است تا نتیجه های مربوط به اطلاعاتی را که در آنها وجود دارد، به طور فزاینده ای با کمک سیستم های تخصصی و نرم افزاری به دست آورد. فن آوری ها و تکنیک های تجزیه و تحلیل داده ها به طور گسترده ای در صنایع تجاری مورد استفاده قرار می گیرند تا سازمان ها بتوانند تجربیات کسب و کار بیشتری را به دست آورند و دانشمندان و محققان برای تایید یا رد مدل های علمی، نظریه ها و فرضیه ها اطلاعات کاملی در اختیار داشته باشند.
به عنوان یک اصطلاح، تجزیه و تحلیل داده ها عمدتا به مجموعه ای از برنامه های کاربردی، از اطلاعات کسب و کار اساسی (BI)، گزارش و پردازش تحلیلی آنلاین (OLAP) به اشکال مختلف تجزیه و تحلیل پیشرفته اشاره می کند. تجزیه و تحلیل کسب و کار، اصطلاح دیگری برای رویکردهای تجزیه و تحلیل داده ها است با این تفاوت که به استفاده از کسب و کار هدایت می شود در حالی که تجزیه و تحلیل داده ها تمرکز گسترده ای دارد. دیدگاه و شناخت گسترده ای از این اصطلاح جهانی در دسترس نیست، در بعضی موارد مردم از تحلیل داده ها به طور خاص به معنی تحلیل پیشرفته استفاده می کنند و BI را به عنوان یک دسته جداگانه در نظر می گیرند.
ابتکارات تجزیه و تحلیل داده ها می تواند به کسب و کار کمک کند تا درآمد را افزایش دهد بهره وری عملیاتی را بهبود بخشد کمپین های بازاریابی و خدمات مشتری را ارتقا دهد، سریع تر به روند بازار های نوظهور برسند و امتیاز رقابتی بیشتری کسب کنند. بسته به برنامه خاص، داده هایی که تحلیل می شوند می توانند شامل سوابق تاریخی یا اطلاعات جدیدی باشند که برای تجزیه و تحلیل های زمان واقعی مورد استفاده قرار گرفته است. علاوه بر این، این می تواند از ترکیبی از سیستم های داخلی و منابع داده خارجی باشد.
انواع برنامه های تجزیه و تحلیل داده ها
تجزیه و تحلیل داده ها می تواند به تجزیه و تحلیل داده ها از لحاظ کمی و کیفی باشد که شامل: تجزیه و تحلیل داده های عددی با متغیرهای قابل اندازه گیری می باشد که می توان آنها را با مقایسه یا اندازه گیری آماری مقایسه کرد.
رویکرد کیفی بیشتر بر تفسیر فهم محتوای داده های غیر عددی مانند: متن، تصاویر، صوتی و تصویری از جمله عبارات رایج، تم ها و دیدگاه ها تمرکز دارد. در سطح برنامه، BI و گزارشگری، مدیران کسب و کار و دیگر کارکنان شرکتی را با اطلاعات عملی در مورد شاخص های کلیدی عملکرد، عملیات تجاری، مشتریان و موارد دیگر ارائه می دهد.
در گذشته پرس و جو و گزارش های داده به طور معمول برای کاربران نهایی بوسیله توسعه دهندگان BI که در IT یا یک تیم متمرکز BI کار می کردند، ایجاد شد؛ در حال حاضر، سازمان ها به طور فزاینده ای از ابزارهای خودپرداز BI استفاده می کنند که اجازه می دهد مدیران اجرایی، تحلیلگران کسب و کار و کارکنان عملیاتی خود را به صورت خودجوش نمایش دهند و گزارش خود را بسازند.
انواع پیشرفته تر تجزیه و تحلیل داده ها عبارتند از: داده کاوی، که شامل دسته بندی از طریق مجموعه داده های بزرگ برای شناسایی روند الگوها و روابط؛ تجزیه و تحلیل پیش بینی که به دنبال پیش بینی رفتار مشتری خرابی تجهیزات و سایر حوادث آینده است. همچنین یادگیری ماشین، یک تکنیک هوش مصنوعی است که از الگوریتم های خودکار استفاده می کند تا از طریق مجموعه داده ها سریعتر از دانشمندان بتوانند از طریق مدل سازی تحلیلی معمول استفاده کنند.
تجزیه و تحلیل داده های بزرگ داده کاوی، تجزیه و تحلیل پیش بینی و ابزار یادگیری ماشین برای مجموعه داده های بزرگ است که اغلب شامل داده های بدون ساختار و نیمه ساختار یافته است. طرحهای تحلیلی داده ها طیف وسیعی از استفاده از کسب و کار را پشتیبانی می کنند. به عنوان مثال: بانک ها و شرکت های کارت اعتباری، روش های خروج و هزینه را برای پیشگیری از بین می برند. تقلب و سرقت هویت شرکت های تجارت الکترونیک و ارائه دهندگان خدمات بازاریابی تجزیه و تحلیل کلاینت را برای شناسایی بازدید کنندگان وب سایت که بیشتر احتمال دارد به خرید یک محصول یا خدمات خاص بر اساس ناوبری و الگوهای مشاهده صفحه اقدام کنند.
اپراتورهای شبکه تلفن همراه اطلاعات مشتریان را پیش بینی کرده اند تا بتوانند اقدامات لازم را برای جلوگیری از ریزش در برابر رقبای تجاری انجام دهند. برای تقویت تلاش های مدیریت ارتباط با مشتری، آنها و سایر شرکت ها نیز در تجزیه و تحلیل CRM شرکت می کنند تا مشتریان را برای کمپین های بازاریابی تقسیم کنند و کارمندان مرکز تلفن را با اطلاعات به روز در مورد تماس گیرندگان تجهیز کنند. سازمان های مراقبت های بهداشتی داده های بیمارستانی را برای ارزیابی اثربخشی درمان های سرطان و سایر بیماری ها در نظر می گیرند.
در پروژه های پیشرفته تجزیه و تحلیل، بسیاری از کارهای مورد نیاز در پیش گرفته، جمع آوری، ادغام و تهیه داده ها و سپس توسعه، آزمایش و تجدید مدل های تحلیلی برای اطمینان از نتایج دقیق ارائه می شود. علاوه بر دانشمندان داده و سایر تحلیلگران داده ها، تیم های تجزیه و تحلیل اغلب شامل مهندسین داده ها می شوند که هدف آنها کمک به جمع آوری داده ها برای تجزیه و تحلیل است.
