آیا در دنیای تحلیل سلف سرویس به دانشمندان داده نیاز است؟ - DATAVERSITY

آیا در دنیای تحلیل سلف سرویس به دانشمندان داده نیاز است؟ - DATAVERSITY

تمبر زمان: 14 ژوئن 2023 ساعت 3:35 صبح
گره منبع: 2731292
تجزیه و تحلیل سلف سرویستجزیه و تحلیل سلف سرویس

از آنجایی که دنیا به طور فزاینده ای مبتنی بر داده می شود، مشاغل به تجزیه و تحلیل سلف سرویس روی می آورند تا کاربران تجاری را قادر سازند تا وظایف تجزیه و تحلیل داده خود را انجام دهند. در تجزیه و تحلیل سلف سرویس، کاربران تجاری می توانند بدون کمک یا پشتیبانی پرسنل فناوری اطلاعات یا دانشمندان داده به داده ها دسترسی داشته باشند و آن ها را تجزیه و تحلیل کنند. دسترسی مستقیم به پلتفرم‌های تحلیلی مبتنی بر ML به آن‌ها این امکان را می‌دهد تا با تجزیه و تحلیل رفتار مشتری یا با شناسایی روندها در زمان واقعی، تصمیمات تجاری بهتری بگیرند. 

در پنج سال گذشته، سیستم‌های نرم‌افزاری کاملاً خودکار و نیمه خودکار قابل اطمینان‌تر بوده‌اند علم تجزیه و تحلیل و هوش تجاری (BI) از دانشمندان داده های انسانی گزارش می دهد. از آنجایی که فناوری BI مبتنی بر هوش مصنوعی به سمت خود سرویس کامل پیش می رود، یک نگرانی کلی در جامعه علوم داده این است که آیا در جهان تحلیل سلف سرویس رو به رشد، دانشمندان داده های انسانی به دلیل وجود ابزارهای تجزیه و تحلیل فوق هوشمند و هوش مصنوعی منسوخ خواهند شد.

آیا تحلیل سلف سرویس و هوش تجاری یک افسانه است؟

در حال حاضر، بسیاری از وظایف تحلیلی و هوش تجاری توسط پلتفرم های نیمه خودکار یا کاملاً خودکار تجزیه و تحلیل انجام می شود، به ویژه آنهایی که با AI و ابزارهای یادگیری ماشین (ML) جالب است بدانید که دانشمندان داده های انسانی بر حوزه داده کاوی تسلط داشتند تا اینکه ابزارهای پیشرفته پیشرفته ML که اخیراً بسیاری از وظایف را بر عهده گرفتند. تکنیک های داده کاوی ابزارهای پیشرفته ML که سال ها توسط متخصصان انسانی محافظت می شد، به طور ناگهانی جایگزین شده اند. این ابزارها می توانند الگوها را در داده ها تشخیص دهند، همبستگی ایجاد کنند و بینش های مورد نیاز را در صورت نیاز کاربران تجاری عادی استخراج کنند.

سلف سرویس BI افسانه ای نیست، زیرا کسب و کارهای فعلی در هر اندازه ای به طور معمول از بسته بندی استفاده می کنند. الگوریتم های یادگیری ماشین برای تصمیم گیری سودآور اقتصاد الگوریتم اینجاست که بماند. دو مزیت آشکار استفاده از الگوریتم های بسته بندی شده برای تجزیه و تحلیل تجاری وجود دارد: هزینه و در دسترس بودن آنی.

دو روند مشخص که مدت‌ها پیش دنیای هوش تجاری سلف سرویس را تعریف می‌کردند هنوز قابل مشاهده هستند: شیفتگی عمیق به تجزیه و تحلیل کلیک روی دکمه به جای عملکرد تجزیه و تحلیل کدنویسی، و اشتغال به مخازن داده‌های مجازی.

نقش دانشمندان داده در دنیای تحلیل سلف سرویس

در حالی که «فرهنگ داده» به سرعت در حال گسترش است، دانشمندان داده همچنان با استفاده از فناوری برای ارائه راه‌حل‌های سریع‌تر و دقیق‌تر به همه انواع کاربران، ارزش افزوده‌ای را به کسب‌وکار اضافه می‌کنند.

انقلاب سلف‌سرویس BI، دانشمندان داده را به کریدور تجاری می‌آورد، جایی که آنها در مورد مسائل تحلیلی پیچیده با سایر کارمندان بحث می‌کنند. رشد فوق العاده از دانشمندان داده شهروندی و ابزارهای یادگیری ماشینی منجر به افزایش تجزیه و تحلیل سلف سرویس و سلف سرویس BI شده است. این DATAVERSITY® این مقاله یک سفر واقعی به شیوه کسب و کار سلف سرویس BI امروزی را توصیف می کند. این نشان می‌دهد که ابزارهای خودکار مبتنی بر ابر، نقش تحلیل‌گران کسب‌وکار و دانشمندان داده را ربوده‌اند و آنها را در دست دانشمندان داده شهروندی قرار داده‌اند. با این حال، فقط یک دانشمند داده صلاحیت دارد تا شکاف بین «هوش خام» استخراج شده از پلتفرم‌های هوشمند و بینش‌های تصمیم‌پسندی را که از طریق داشبورد منتشر می‌شود، پر کند. یک کاربر تجاری معمولی ممکن است چیزی فراتر از فیلتر کردن و گروه بندی داده ها در دنیای سلف سرویس انجام دهد، اما نمی تواند به وظایف تجسم پیشرفته دست یابد.

آماده سازی و استخراج داده ها هنوز همچنان بزرگترین چالش ها در پلتفرم های خودکار هوش مصنوعی و روابط پیچیده بین بسیاری از فناوری های مرتبط مانند Hadoop، اطلاعات بزرگ، و کشف داده ها تهدیدی برای دسترسی، استفاده و درک فناوری در دنیای سلف سرویس است. "Acsisted BI" ممکن است اصطلاح بهتری برای توصیف آینده هوش تجاری سلف سرویس باشد. علاوه بر این، امنیت داده‌ها و حاکمیت داده‌ها مسائل چالش‌برانگیزی در دنیای سلف‌سرویس BI هستند، که برای آن شرکت‌ها باید بین پلت‌فرم‌های پیشرفته‌تر BI یا یکی را انتخاب کنند. متخصصان داده گران قیمت و به خوبی آموزش دیده.

ظهور دانشمندان داده شهروندی در تجزیه و تحلیل سلف سرویس

امروزه، کاربران عادی کسب و کار به پلتفرم های سلف سرویس برای انجام سریع و آسان کار خود نیاز دارند. مهم‌ترین دلیل این تغییر کسب‌وکار تحول‌آفرین به سمت BI سلف‌سرویس، شکاف استعداد قریب‌الوقوع در حرفه علم داده بود که سال‌ها پیش توسط مک‌کینزی پیش‌بینی شده بود.

خیلی سریع، کسب‌وکارها شروع به کشف راه‌حل‌هایی برای این شکاف نیروی انسانی کردند، که یکی از آنها تهیه، ساخت و استقرار تجزیه و تحلیل سلف‌سرویس و پلت‌فرم‌های BI برای رفع نیازهای داخلی آنها بود. البته، ادغام فن آوری مانند ابر، اینترنت اشیا و داده های بزرگ همچنین "قابلیت دوام" پلتفرم های سلف سرویس را در دراز مدت تقویت کرد. در این دنیای تحلیلی که به تازگی توسعه یافته است، دانشمند داده شهروندی به عنوان یک شریک و همکار برای دانشمند داده آموزش دیده دیده می شود.

دانشمند داده به عنوان یک همکار در یک پلتفرم BI خوداندیش

در حال حاضر، راه حل های هوش تجاری به دو بخش مصرف کننده کاملاً متفاوت پاسخ می دهند: کاربران تجاری عادی و تیم های حرفه ای IT. در حالی که کاربران تجاری از خودکفایی در تحلیل های معمول یا وظایف BI هیجان زده هستند، اعضای تیم فناوری اطلاعات نیز مشتاق استخراج سریع تر بینش عمیق با استفاده از ابزارهای خودکار یا نیمه خودکار BI هستند.

An AnalyticsInsights.net این مقاله به بررسی این موضوع می‌پردازد که آیا دانشمندان داده‌های انسانی با ظهور ناگهانی دانشمند داده‌های شهروندی از شرکت ناپدید خواهند شد. در این مقاله اشاره ای قوی وجود دارد مبنی بر اینکه بالاخره روزی فرا می رسد که یک کاربر معمولی تجاری، همراه با پلتفرم های فوق قدرتمند ML، در نهایت ممکن است به طور کلی جایگزین جامعه Data Science شود. 

به گفته مجمع جهانی اقتصاد، اگرچه اختلالات فناوری اخیر مشاغل یقه سفید را در سراسر جهان تهدید می کند، تحلیلگران داده در بلندمدت برای کمک به پلت فرم های هوش تجاری سلف سرویس مورد تقاضا خواهند بود.

Self-Service BI یا Assisted BI: کدام یک دست یافتنی تر است؟

کسب‌وکارها باید کاربرانی را بیابند که هم فناوری و هم فرآیندهای تجاری را درک کنند تا موفقیت خود را در دنیای تحلیل تضمین کنند. در دنیای تجزیه و تحلیل هوشمند، کسب‌وکارها دائماً در جستجوی ابزارها و راه‌حل‌هایی هستند که به آنها کمک می‌کند تا حجم عظیمی از داده‌های تولید شده را درک کنند. با این حال، مدیریت اشتباه فرآیندهای تجزیه و تحلیل می تواند منجر به بینش نادرست و تصمیم گیری ضعیف شود. 

این جایی است که دانشمندان داده مورد نیاز وارد می شوند – آنها دارای مهارت های لازم برای استخراج بینش معنی دار از داده های خام و تفسیر همبستگی های پیچیده داده ها هستند که ممکن است برای کاربر معمولی واضح نباشد. در حالی که هوش مصنوعی و سایر فناوری‌ها در سال‌های اخیر پیشرفت‌های چشمگیری داشته‌اند، هنوز نیاز به دانشمندان داده‌های انسانی وجود دارد که بتوانند دیدگاه منحصربه‌فردی را به میز ارائه دهند.

جامعه علوم داده نقش مهمی در پیشرفت درک ما از داده ها و ایجاد ابزارهای جدید برای تجزیه و تحلیل و کشف در این دنیای همیشه در حال تکامل BI ایفا می کند. اقتصاد الگوریتم جوامع تجاری را به سمت "بینش" از اطلاعات ساده سوق می دهد. با این حال، فعالیت اصلی که بینش تجاری را ارائه می دهد، تجزیه و تحلیل است و بدون تجزیه و تحلیل پیشرفته یا ابزارهای BI، کسب و کارها در دنیای آینده رقابت جهانی به سمت شکست خواهند رفت. اینجاست که تجزیه و تحلیل تعبیه شده بیا تو بازی. در یک پروژه تحلیلی تعبیه شده، دانش تحلیل و نیروی انسانی ماهر از ابتدا تا انتها مورد نیاز است. تجزیه و تحلیل کمکی همراه با سلف سرویس در دنیای کسب و کار رقابتی فزاینده مورد نیاز خواهد بود.

پلتفرم های تجزیه و تحلیل سلف سرویس به عنوان یک "شمشیر دولبه" تلقی می شوند. در حالی که سهولت و قدرت سلف سرویس BI غیرقابل انکار است، قابلیت نگهداری طولانی مدت این پلتفرم ها از نظر امنیت داده ها، حاکمیت داده و ریزش داده ها چالش بزرگی است. مفهوم این است که تیم های IT بسیار ماهر برای نگهداری این سیستم ها مورد نیاز خواهند بود.

خطرات و مزایای سلف سرویس BI

بزرگترین مزیت تجزیه و تحلیل سلف سرویس و پلت فرم BI این است که به کاربران عادی کسب و کار قدرت می دهد تا دانشمند داده شهروند شوند. در حالی که کارکردهای روزانه خود را در محدودیت های زمانی دقیق انجام می دهند، کاربران تجاری مطمئناً پلتفرم های سلف سرویس را برای دریافت مفید و در دسترس می یابند.  کار آنها بدون سر و صدا انجام می شود.

بزرگترین نقطه ضعف یا "خطر" یک پلت فرم سلف سرویس این است که کاربران ممکن است نتوانند بینش را از داده های موجود به دست آورند، نتایج را اشتباه تفسیر کنند یا بینش ها را به اشتباه به کار برند. در حالی که متخصص داده های انسانی می داند که چگونه در صورت بروز مشکل با دستگاه صحبت کند، کاربر معمولی تجاری چنین مهارت هایی را ندارد. در بسیاری از موارد، دانشمند داده شهروندی همچنان مجبور است برای کمک و پشتیبانی به دانشمندان داده واقعی مراجعه کند.

انفجار داده ها، افزایش انواع داده ها، فناوری های نوظهور و ابر مرکب شده اند چالش های تجزیه و تحلیل سلف سرویس، با وجود آماده سازی داده ها و ابزارهای دسترسی به داده ها. علاوه بر این، مسائلی وجود دارد که باید با امنیت داده ها و حاکمیت داده در پلتفرم های تجزیه و تحلیل سلف سرویس بررسی شود. همه گفته شد، می توان یک مورد قوی برای "چارچوب BI توزیع شده" با توجه کامل به مسائل امنیتی و حاکمیتی ایجاد کرد.

نتیجه

در دنیای تجزیه و تحلیل سلف سرویس، دانشمندان داده هنوز برای بهبود هوش تجاری و کمک به شرکت ها در تصمیم گیری های تجاری بهتر مورد نیاز هستند. در حالی که پلتفرم‌های تجزیه و تحلیل سلف‌سرویس به کاربران امکان دسترسی و تجزیه و تحلیل داده‌ها را به تنهایی می‌دهند، دانش کاربر از روش‌های تحلیلی محدود شده است. دانشمندان داده می‌توانند فعالیت‌های BI را با استفاده از تجزیه و تحلیل پیش‌بینی‌کننده و ابزارهای قدرت ML برای تولید بینش‌های پیش‌بینی‌کننده افزایش دهند. 

در دنیای تجزیه و تحلیل سلف سرویس، افراد تجاری در حال حاضر مسئولیت بیشتری در قبال نیازهای داده های خود بر عهده می گیرند. با این حال، آنها هنوز به تیم هایی از متخصصان داده نیاز دارند تا راه حل هایی ارائه دهند. دانشمندان داده هنوز در این دنیا مهم هستند، زیرا کاربران به هنگام پرسیدن سؤال نیاز دارند که اطلاعاتی را در اختیار داشته باشند.

در حالی که ابزارهای تجزیه و تحلیل سلف سرویس می تواند به کاربران تجاری کمک کند تا وظایف اصلی تجزیه و تحلیل را انجام دهند، دانشمندان داده برای کمک به همین کاربران در انجام کارهای پیچیده تر و انجام تجزیه و تحلیل های عمیق نیاز دارند. 

تصویر تحت مجوز Shutterstock.com استفاده می شود

تمبر زمان:

بیشتر از DATAVERSITY