مطالب توسط

مدل های ارزیابی بلوغ مدیریت داده

1400/03/02 در /توسط

ارزیابی بلوغ توانمندی یا CMA (برگرفته از Capability Maturity Assessment) می باشد.به عبارتی بهبود فرآیندها بر اساس یک چارچوب، مدل بلوغ توانمندی یا CMM (برگرفته شده ازCapability Maturity Model)، می باشد. همچنین چگونگی روند تکاملی خصوصیات یک فرآیند از وضعیت ad-hoc به optimal را تشریح می کند. مفهوم ارزیابی بلوغ توانمندی اولین مرتبه در امریکا برای ارزیابی پیمانکاران نرم افزاری مورد توجه قرار گرفت. در اواسط دهه 1980، مدل بلوغ توانمندی توسط موسسه مهندسی نرم افزار دانشگاه کارنگی ملون منتشر گردید. در آغاز، هدف مدل فوق تمرکز بر روی توسعه نرم افزار بود. ولی در ادامه استفاده از مدل بلوغ توانمندی در طیف گسترده ای از سایر حوزه ها و از جمله مدیریت داده نیز بکار گرفته شد.

پنج سطح مدل بلوغ داده

مدل های بلوغ، وضعیت پیشرفت ویژگی های فرآیند را در سطوح مختلف تعریف می کنند. این سطوح از بدترین حالت (با حداقل بلوغ ممکن) شروع و به بهترین حالت (با حداکثر بلوغ ممکن) ختم می شوند. به کمک این سطوح می توان میزان بلوغ یک فرآیند را ارزیابی کرد. 

پس از این که یک سازمان نسبت به ویژگی های فرآیند آگاهی لازم را پیدا کرد، می توان سطح بلوغ آن را ارزیابی کرد. با توجه به نتایج، می توان طرح بهبود فرآیند را در دستور کار قرار داد. به موازات ارتقاء سطح بلوغ فرآیند، اجرای فرآیند سازگار تر، قابل پیش بینی تر و مطئمن تر می گردد. فرآیندها به موازات حرکت از سطوح پایین تر به سمت سطوح بالاتر بهبود می یابند. پیشرفت و بهبود فرآیند ها با یک اولویت و نظم و ترتیب خاص انجام می شود. هرگز نمی توان یک سطح را نادیده گرفت. در شکل زیر سطوح مختلف مدل ارزیابی نشان داده شده اند .

 درون هر سطح، از معیارهایی برای تشریح ویژگی های فرآیند استفاده می گردد. مثلا یک مدل بلوغ شامل معیارهایی در خصوص نحوه اجرای فرآیندها (شامل سطح اتوماسیون فرآیندها) است. همچنان می تواند متمرکز بر سیاست ها، کنترل ها و جزئیات باشد. به کمک ارزیابی امکان شناسایی این که چه کاری درست و چه کاری نادرست انجام می شود. می توان مشاهده کرد یک سازمان در چه نقاطی و به چه میزانی دارای فاصله (gap) با وضعیت مطلوب است. براساس نتایج حاصل از ارزیابی و شناسایی فاصله موجود، میتوان یک نقشه راه برای رسیدن به وضعیت مطلوب (مقصد) را ایجاد نماید.

 ارزیابی بلوغ مدیریت داده 

برای ارزیابی کلی مدیریت داده و تمرکز بر روی یک حوزه بخصوص و یا یک فرآیند خاص می توان از یک ارزیابی بلوغ مدیریت داده استفاده کرد.

این ارزیابی DMMA (برگرفته شده از Data Management Maturity Assessment)، است. صرفنظر از این که بر چه نقاطی تمرکز می گردد، ارزیابی بلوغ مدیریت داده می تواند مکانیزم مناسبی داشته باشد. این مکانیزم شامل شناسایی و تکمیل شکاف موجود بین دیدگاه های کسب و کار و فناوری اطلاعات جهت سلامتی و کارآمدی شیوه های مدیریت داده است. ارزیابی بلوغ مدیریت داده یک زبان مشترک است. وظیفه آن تشریح کارکرد فرآیندهای مرتبط در هر یک از حوزه های مدیریت داده می باشد.

همچنین کمک می کند تا درادامه بتوان به یک درک مشترک رسید. لذا مجموعه اقدامات لازم جهت بهبود شرایط موجود را بگونه ای ترسیم میکند تا در اولویت های راهبردی سازمان لحاظ شوند. بنابراین از یک ارزیابی بلوغ مدیریت داده می توان به منظور اندازه گیری اهداف سازمانی استفاده کرد. مقایسه یک سازمان با سازمان دیگر و یا معیارهای صنعت نیز از وظایف ارزیابی بلوغ مدیریت داده می باشد.

مراحل ارزیابی بلوغ مدیریت داده 

 قبل از شروع هر گونه ارزیابی بلوغ مدیریت داده، می بایست یک سازمان به موارد زیر واقف باشد:

  • اشراف به وضعیت موجود توانمندی ها
  • دارایی ها
  • اهداف و اولویت ها

همچنین برای موارد زیر هم نیاز به یک بلوغ سازمانی در سطح پیشرفته می باشد:

  • ارزیابی
  • هدایت صحیح آن
  • پاسخ موثر به نتایج ارزیابی
  • مشخص کردن مقصد مورد نظر
  • ایجاد یک نقشه راه و نظارت و مانیتورینگ پیشرفت کار

سطوح  ارزیابی و خصوصیات    

مدل های بلوغ توانمندی (CMMs) شامل پنج و یا شش سطح بلوغ با خصوصیات منحصربفرد در هر سطح می باشند. این سطوح از وضعیت “چیزی موجود نمی باشد” و یا ad-hoc (سطح 1) تا بهینه شده و یا عملکرد بالا (سطح 5) را دربرمی گیرد. در شکل زیر، سطوح پنج گانه ارزیابی مدیریت داده  به همراه ویژگی هر یک به عنوان نمونه  نشان داده شده است.

 مدل های ارزیابی بلوغ مدیریت داده     

یک چارچوب ارزیابی بلوغ مدیریت داده، به عناوین و حوزه های مختلف مدیریت داده تقسیم می گردد. نقاط تمرکز و محتوای چارچوب، وابسته به این موضوع است. این سوال مطرح است آیا مدل صرفا بر روی یک سری نقاط عمومی متمرکز است یا تمرکز آن بر روی یک صنعت بخصوص است. ( ارزیابی عمومی بلوغ، بخش های مختلف مدیریت داده می باشد.

 البته نباید حوزه فعالیت کسب و کار و یا تمرکز بر بایدهای یک صنعت بخصوص را درنظر گرفت. این ارزیابی بلوغ مدیریت داده، از پشت لنز آن صنعت بخصوص است). تاکنون مدل های بلوغ توانمندی متعددی در حوزه مدیریت داده ایجاد شده است. بسیاری از ارایه دهندگان، مدل های مختص به خود را ایجاد کرده اند. سازمان ها می بایست قبل از انتخاب یک مدل و یا ایجاد چارچوب مختص به خود، چندین مدل را ارزیابی نمایند. معمولا . CMMI DMM و DCAM دو مدل مطرح برای ارزیابی بلوغ مدیریت داده می باشند.
مدل CMMI DMM: موسسه مدل بلوغ توانمندی ( CMMI )، مدل بلوغ مدیریت داده (DMM) را با ارایه معیارهای ارزیابی ارائه کرده است. این معیارهای ارزیابی، در پنج حوزه اصلی و یک حوزه حمایتی می باشد. در شکل زیر، نقاط تمرکز اصلی (حوزه های فرآیندی) مدل ارزیابی فوق نشان داده شده است. 

 

مدل فوق، در سال 2014 مجموعه ای از روش های استاندارد شده  را ارائه کرده است. این روش ها در 6 گروه مختلف و در قالب 25 حوزه فرآیندی (Process Areas) می باشد. مدل CMMI DMM، به سازمان ها کمک می کند. این کمک شامل بهبود عملکرد، پیش بینی پذیری و کارآمدی در خصوص نحوه استفاده و مدیریت داده می باشد. در شکل زیر، لیست حوزه های فرآیندی در 6 گروه  نشان داده شده است.

مدل DCAM (برگرفته شده از Data Management Capability Assessment Model): این مدل توسط Enterprise Data Management Council و برای استفاده در سرویس های مالی بین سال های 2014 تا 2015 ایجاد گردید. مدل فوق با تمرکز بر 8 حوزه مختلف مدیریت داده 37 توانمندی به همراه 115 زیرتوانمندی را مطرح می نماید. در شکل زیر، نقاط تمرکز اصلی مدل DCAM نشان داده شده است.

 خلاصه   

ارزیابی سطح بلوغ مدیریت داده به کمک مدل های ارزیابی مرجع روشی مناسب جهت تشخیص فاصله موجود و نقطه مطلوب است. پس از آشنایی با وضعیت موجود در حوزه های مختلف مدیریت داده و به کمک یک مدل ارزیابی سطح بلوغ مدیریت داده می توان به دقت و به کمک یک خط کش پذیرفته شده در سطوح بین المللی نسبت به اندازه گیری فاصله موجود  اقدام کرد. پس از مشخص شدن فاصله موجود و با ایجاد یک نقشه راه می توان در مسیر بهبود مدیریت داده در هر یک از حوزه های مدیریت داده و یا یک حوزه بخصوص اقدام کرد. 

مدل های  ارزیابی  بلوغ مدیریت CMMI DMM و DCAM دو مدل مطرح در این زمینه می باشند که بطور مختصر به کلیات آنها اشاره گردید. با توجه به ارتباط تنگاتنگ مدل ارزیابی CMMI DMM با DMBOK جهت نگاشت به یک و یا چندین حوزه داده، لازم است با مدل CMMI DMM بیشتر آشنا گردید و در عمل از آن به درستی استفاده کرد. امیدواریم بتوانیم در آینده نزدیک مطالبی در این خصوص را بر روی سایت منتشر کنیم.

نویسنده: مهندس سخایی – سایت فابا 

منابع:   

مدیریت داده : اصول ، چالش ها و چارچوب ها

1400/03/02 در /توسط

اصول مدیریت داده  و ایجاد ارزش برای کسب و کار

 امروزه موفقیت سازمان ها با شیوه اصول مدیریت داده، همنوا شده است. بسیاری از سازمان ها به این موضوع اذعان دارند که داده، دارای ارزش است. همچنین مدیریت ساختارمند داده، می تواند بر موفقیت آنها تاثیرگذار شایانی داشته باشد. اصول مدیریت داده ایجاد ارزش برای کسب و کار می باشد.

بدیهی است که در سازمان ها، توجه به داده و استخراج ارزش از آن در دستور کار قرار گیرد. با افزایش توانایی سازمان ها جهت ایجاد و بکارگیری داده، نیاز به روش های قابل اعتماد اصول مدیریت داده بسیار ملموس است. در بطن داده می تواند ارزشی نهفته باشد که با شناسایی، پالایش و بکارگیری روش مند آن استخراج شود. همچنین می توان در حوزه های مختلف بگونه ای حرکت کرد که یک مزیت رقابتی از داده ها، ایجاد کند.

این حوزه ها شامل مدیریت مشتریان، نوآوری، طراحی محصول خواهند بود. روش های استانداردی وجود دارد که ضمن پایبندی به اصول اولیه حکمرانی داده، با چالش های پیش رو نیز به درستی برخورد می کند. استانداردسازی مدیریت داده به دو صورت به متخصصان مدیریت داده کمک می کند. اول اینکه به طور موثر و پیوسته وظایف خود را انجام دهند. دوم، فرصت شناخت ارزش داده و مشارکت در فعالیت های مدیریت داده را برای رهبران سازمان ها فراهم می نماید.

محرک های کسب و کار

تحلیل داده ها، اطلاعات و دانش، کلید ایجاد مزیتهای رقابتی می باشند. داده های با کیفیت و قابل اعتماد در سازمان ها میتواند با مشتریان، محصولات، سرویس ها و عملیات، بصورت بهتری رفتار کنند. همچنین بر این مبنا می توان تصمیمات بهتری را اتخاذ نمود. در صورتیکه آن دسته از سازمان هایی که فاقد داده و یا داده قابل اعتماد می باشند، از این مزیت بی بهره اند.

شکست در اصول مدیریت داده، مشابه شکست در مدیریت سرمایه ها می باشد. اتلاف زمان و از دست رفتن فرصت ها از عواقب آن است. محرک اولیه برای مدیریت داده، توانمند کردن سازمان می باشد. سازمان ها قادر هستند از سرمایه های خود ارزشی را به دست آورند. برای به دست آوردن این ارزش از دارایی های داده، همانند مدیریت موثر سرمایه های فیزیکی و مالی میتوان بهره برد.

اهداف اصول مدیریت داده 

مهم ترین اهداف اصول مدیریت داده در یک سازمان در شکل زیر نشان داده شده  است.

اصول مدیریت داده

اصول مدیریت داده 

می توان داده را به عنوان یک دارایی سازمانی در نظر گرفت. (قطعا می باید این چنین باشد). بدیهی است اصول مدیریت داده، دارای خصایص مشابهی با مدیریت سایر دارایی ها باشد. آگاهی از وضعیت داده های موجود در سازمان (نظیر یک انبار و آگاهی از اقلامی که در آن می باشند) مهم است. از کارهایی که می توان با دارایی انجام داد میتوان به موارد زیادی اشاره کرد.

استفاده از دارایی های داده جهت نیل به اهداف سازمانی (هسمویی سرمایه های سازمانی با استراتژی کسب و کار) می باشد. این مورد صرفاً نمونه های اندک از خصایص مشترک داده به عنوان یک دارایی با سایر دارایی ها در یک سازمان است. نظیر سایر فرآیندهای مدیریتی، می باید بین نیازهای استراتژیک و عملیاتی توازنی برقرار گردد. این توازن می تواند به بهترین وجه ممکن انجام شود. این موضوع مهم، با تبعیت از مجموعه ای از اصول که ویژگی های برجسته مدیریت داده را بیان می کند، امکان پذیر است. در شکل زیر، به مهمترین اصول مدیریت داده اشاره شده است.

تصویر زیر

اصول مدیریت داده

اصول مدیریت داده

چرایی اصول مدیریت داده باید به درستی تبیین شده و بر اساس آن یک استراتژی منسجم برای مدیریت داده تدوین گردد. جایگاه پرداختن به این چرایی، هنگامی است که خلق ارزش از داده در یک سازمان، نهادینه می شود. مواردی وجود دارد که رسیدن به اهداف تعریف شده در استراتژی مدیریت داده را هموار می نماید. این مسیر با استناد به اصول مدیریت داده، برخورد منطقی و سیستماتیک با چالش های مرتبط و بکارگیری چارچوب های معتبر قابل، دسترسی است. 

برای رسیدن به نتایج مطلوب در حوزه مدیریت، می باید دارای فرآیندهای منسجم، فراگیر و بالغ در حوزه های مختلف عملکردی مدیریت باشیم. قطعاً می باید هر یک از حوزه های کاری به همراه الزامات مدیریتی آن به درستی و بر اساس یک استراتژی مدون تبیین شده باشد.

 

 داده یک دارایی منحصربفرد  

در شکل زیر چهار ویژگی مهم داده نشان داده شده است. با ترکیب این چهار خصلت است که به جرات می توان ادعا کرد داده نسبت به سایر دارایی های سازمانی دارای جایگاهی برجسته و منحصربفرد پیدا خواهدکرد.

اصول مدیریت داده

الزامات اصول مدیریت داده

بسیاری از سازمان ها به ارزش داده به عنوان یک دارایی حیاتی پی برده اند. داده ها می توانند به سازمان بینش لازم در مواردی نظیر مشتریان، محصولات و سرویس ها را ارایه نماید. داده و اطلاعات می تواند نوآوری در یک سازمان را تقویت کند. همچنین جهت نیل به اهداف استراتژیک کمک نماید. علی رغم این باور ذهنی، صرفاً تعداد اندکی از سازمان ها به طور فعال، جدی و هدفمند از مدیریت داده، استفاده می کنند.

آنان به این باور رسیده اند می توانند از  داده ها بطور مستمر، ارزش جدید استخراج کنند. استخراج ارزش از داده، در خلا و یا به طور تصادفی محقق نمی گردد. تلاش، برنامه ریزی، هماهنگی و تعهدی فراگیر در سرتاسر سازمان آن را امکان پذیر می کند. اصول مدیریت داده، مستلزم مدیریت و رهبری است. ایجاد ارزش از داده، با اما و اگرها و دل به حوادث سپردن، امکان پذیر نیست.

فعالیت های مدیریت داده

اصول مدیریت داده، شامل پیاده سازی، اجراء و نظارت بر برنامه ریزی، سیاست ها و برنامه هاست. اصول مدیریت داده، عرضه، کنترل، حفاظت و توسعه ارزش داده و دارایی های اطلاعاتی را در طول چرخه حیات به دنبال دارد. فعالیت های مدیریت داده گسترده می باشند و طیف وسیعی از کارها را شامل می شود.

می توان توانایی ایجاد تصمیمات منسجم برای کسب ارزش استراتژیک از داده را بعنوان مهمترین فعالیت مدیریت داده، نام برد. بنابراین، اصول مدیریت داده نیازمند مهارت های فنی و غیرفنی است. مسئولیت مدیریت داده باید بین نقش های کسب و کار و فناوری اطلاعات به اشتراک گذاشته شود. افراد در هر دو بخش  باید قادر به تعامل و همکاری با یکدیگر باشند. 

چالش های مدیریت داده

اصول مدیریت داده دارای ویژگی های منحصر بفردی است که ریشه در خصایص ذاتی داده دارد. چالش های مدیریت داده در ارتباط مستقیم با اصول مدیریت داده می باشند. ممکن است هر چالش با یک و یا چندین اصل مدیریت داده مرتبط باشد. شناخت این چالش ها و ابعاد عملکردی آنها می تواند مسیر مدیریت داده را هموارتر و مبتنی بر واقعیات نماید. در شکل زیر به مهمترین چالش های مدیریت داده که به نوعی مرتبط با اصول مدیریت داده می باشند، اشاره شده است.

اصول مدیریت داده

میتوان نتیجه گرفت، تعداد زیادی از سازمان ها سرمایه گذاری فراوانی را به منظور بهبود داده و مدیریت اطلاعات انجام داده اند. اما تعداد اندکی از آنها به نتایج مطلوبی در جهت افزایش عملکرد کسب و کار خود نائل شده اند. علت، در درجه اول به دو عامل اصلی برمی گردد. دلیل اول، اغلب تفکر امروزی در حوزه اصول مدیریت داده از یک دیدگاه فناوری اطلاعات محور نشات می گیرد. اصولا تمرکز اصلی را بر روی فناوری هایی نظیر سخت افزار، برنامه ها و بانک های اطلاعاتی قرار می دهند. داده و اصول مدیریت داده باید از منظر ذینفعان کسب و کار دیده شود. 

ذینفعان کسب و کار

 

ذینفعان کسب و کار به عنوان یکی از بازیگران مهم در تحول دیجیتال هستند. آنان همواره به دنبال استخراج ارزش از داده می باشند. عامل دوم، گزارشات متعدد و موثق مراکز تحقیقاتی است. تجزیه و تحلیل و مشاوره ها، تایید کننده هزینه های بالا جهت افزایش کیفیت پایین داده ها می باشد. 

سازمان ها می توانند ضمن ارتقاء و تقویت زنجیره ارزش داده از آن به منظور بهبود عملکرد کسب و کار خود نیز استفاده نمایند. لازم است مدیریت داده با استناد به اصول مدیریت داده، بصورت متفاوتی عمل کند. برخورد سیستماتیک با چالش های مرتبط و بکارگیری چارچوب های معتبر بگونه ای باشد که شاهد بهبود فراگیر عملکرد کسب و کارها باشیم. 

با گذشت بیش از یک دهه از انقلاب داده، نتایج  بسیار خوبی به دست آماده است. سازمان ها و شرکت های با عملکرد بالا، سازمان های داده محور هستند. مکنزی، گارتنر، MIT و سایر مراکز معتبر تحقیقاتی و پژوهشی مطالعات زیادی در این زمینه انجام داده اند. بسیاری از سازمان ها دارای استراتژی داده می باشند و برنامه های اصول مدیریت داده را با استناد به آن هدایت می نمایند. از مزایای اینگونه سازمانها می توان به موارد زیر اشاره کرد:

  • بازده سرمایه گذاری بالاتر(ROI)
  • عملکرد بهتر نسبت به رقبا
  • بهره وری بیش تر
  • استفاده بهتر از دارایی ها
  • نرخ بازگشت بهتر دارایی ها(ROA) 

ایجاد و پیاده سازی یک استراتژی

با وجود سادگی کار،  بسیاری از سازمان ها برای ایجاد و پیاده سازی یک استراتژی داده مقاومت می نمایند. عدم وجود شناخت کافی در خصوص نقش و جایگاه استراتژی داده در اصول مدیریت موفق داده از عوامل مقاومت اینگونه سازمانهاست. متاسفانه در بسیاری از رشته های دانشگاهی مرتبط و در مقاطع مختلف تحصیلی  تفکر استراتژیک داده به دانشجویان آموزش داده نمی شود. در اکثر برنامه های درسی دانشجویان بر نحوه انجام کار فنی و حرفه ای تمرکز می گردد. 

دراین پارادایم، سازمان ها بدون وقفه صرفا به  مصرف کننده منابع تبدیل می شوند. معمولاً خروجی ارزشمندی را برای آنها به دنبال نخواهد داشت. صرفا درگیر روزمره گی عملیاتی می شوند. آنان بدون وجود یک چشم انداز روشن و برنامه ای مناسب خواهند بود.

الزامات استفاده خوب از داده  

برای استفاده خوب از داده به سه عنصر مهم نیاز خواهیم داشت و هر یک در عین مهم بودن به تنهایی کافی نمی باشند. ضرورت وجودی هریک، اضافه کردن قابلیتی بر بستر قبلی است. در نهایت لقمه ای ارزشمند برای مصرف و ایجاد ارزش در سازمان به وجود می آورد.

  •  سواد داده (Data Literacy)

سواد داده، به توانایی خواندن، ایجاد و ارتباط با داده به عنوان اطلاعات اطلاق می گردد. سواد داده به دانش، مهارت ها و توانمندی ها (KSAs) افرادی اطلاق می گردد. و افراد را قادر به شناسایی، جمع آوری، تحلیل، تفسیر، ارایه و حفاظت از دارایی های داده سازمانی می کند. زمانی که مفاهیم فوق در سطح سازمانی بکار گرفته شوند، یک سازمان باسواد داده ایجاد می گردد. در مقابل استفاده از شیوه های قبیله ای، سازمان ها می توانند به خودآگاهی بیشتری دست یابند. این خودآگاهی، یافتن روش های بهتر و ترغیب کارکنان به کسب سواد داده به منظور حمایت از روش های استفاده از زنجیره تامین داده، می باشد.

  • زنجیره تامین داده (Data Supply Chain)

زنجیره تامین داده، شامل مجموعه ای از فرآیندهای مستند شده تکرارپذیر یکسان برای افزودن ارزش به داده به موازات حرکت در طول مراحل مختلف پردازش و در مسیر رسیدن به تصمیم گیرندگان است. صرفا سازمان هایی با سواد داده از فرآیندهای تامین داده استاندارد استفاده می نمایند. آنان میتوانند به نتایج بهتر، قابل اعتمادتر و پیش بینیانه تر نسبت به گروه های کاری و یا رویه های مبتنی بر پروژه دست یابند. 

گروه های کاری پس از دستیبانی به اهداف، دارای انگیزه لازم برای بهبود متدها و محصولات داده خود نمی باشند. دارایی های داده سازمانی زمانی بهبود می یابند که لجستیک زنجیره تامین داده ها طراحی و پیاده سازی شده باشد. پس از تحقق این کار، سازمان ها از عدم انحراف خود به جزء از طریق فرآیندهای رسمی تغییر، مطئمن می شوند.

  • دارایی های داده استاندارد (Standard Data Assets)

همانگونه که به یک زبان استاندارد برای هر ارتباط معنی دار نیاز است، سازمان ها در صورتی که قصد استخراج ارزش از داده را داشته باشند، به دارایی های داده استاندارد نیاز دارند. این بدان معنی است که سازمان ها باید به سازمان های داده محور تبدیل شوند. مستند سازی دارایی داده با استفاده از دیکشنری های داده و یا سایر روش مشابه از جمله اقدامات مطلوب در این زمینه می باشد.

برخی از سازمان ها به دنبال موفقیت در محیط جهانی شبکه ای هستند. برای آنان دارایی های داده به منزله مواد خامی هستند که از آنها جهت حمایت از تصمیم گیری مبتنی بر شواهد استفاده می کنند. با ترکیب سه عنصر فوق، یک سازمان قادر به افزایش مقدار محصولات داده می باشد. این امر موجب بهبود کارایی و اثربخشی با سرعت مطلوب نسبت به رقبا می باشد. 

در شکل زیر ، نحوه استفاده از مزایای کامل دارایی های داده در یک سازمان با هدف ایجاد یک لقمه بهتر داده نشان داده شده است.

رشد نمایی داده، استفاده اندک از استانداردهای داده و سطح پایین سواد داده بدان معنی است که سازمان ها کار مهمی را پیش رو دارند. سرمایه گذاری درست سازمانها موجب می شود تا عملیات اصول مدیریت داده به صورت منظم، استاندارد شده و قابل پیش بینی انجام شود. زمانی این کار محقق می گردد که سازمان ها دارای برنامه ای منسجم باشند. یک استراتژی داده مدون برای غلبه بر سردرگمی، اختلال و ناکارآمدی و حرکت به سمت کارآمدی بیش تر از جمله این برنامه هاست.

اصول مدیریت داده

مدیریت استراتژیک داده بدون بکارگیری استانداردها، چارچوب ها و به روش ها به سرانجام مطلوب نخواهد رسید. این بدان معنی است که بخواهیم چرخ را مجددا اختراع نمائیم. میتوان از استانداردها، چارچوب ها، مدل ها و به روش های شناخته شده استفاده کرد. آنها به درستی امتحان خود را به دفعات پس داده اند. پس می توان با اطمینان در مسیر نقشه راه اصول مدیریت داده با قدرت و صلابت گام برداشت.

چارچوب ها ، مدل ها و  به روش های ارزیابی و اصول مدیریت داده 

اصول مدیریت داده شامل مجموعه ای از عملیات وابسته به یکدیگر است. هر یک دارای اهداف، فعالیت ها و مسئولیت های مختص به خود می باشند. کارشناسان حرفه ای داده باید پاسخگوی چالش های ذاتی استخراج ارزش از داده باشند. ایجاد توازن بین اهداف عملیاتی و نیازهای استراتژیک، الزامات فنی و کسب و کار، ریسک و نیازهای انطباق، از وظایف آنهاست. استفاده از یک چارچوب به ما در شناخت جامع مدیریت داده و ارتباط بین اجزاء آن کمک می کند. عملکرد هر بخش به بخش دیگری بستگی دارد.

برای استخراج ارزش از بطن داده، باید افراد مسئول برای جنبه های مختلف مدیریت داده قادر به تعامل و همکاری با یکدیگر باشند. چارچوپ ها در سطوح مختلف مفهومی پیاده سازی می شوند. همچنین طیف وسیعی از دیدگاه های متفاوت برای اصول مدیریت داده را پوشش می دهند. با دیدگاههای مختلف، می توان مسائل مرتبط با مدیریت داده را از زوایای متفاوتی بررسی کرد. این زوایا شامل شفاف سازی استراتژی، ایجاد نقشه راه، سازماندهی تیم های کاری و همسوئی عملیات، می باشد.

تاکنون چارچوب ها، مدل ها و به روش های مختلفی به منظور ارزیابی و مدیریت داده ارایه شده است. در شکل زیر به چهار نمونه متداول اشاره شده است.

شناخت جامع اصول مدیریت داده 

اصول مدیریت داده شامل مجموعه ای از عملیات وابسته به یکدیگر است که هر یک دارای اهداف، فعالیت ها و مسئولیت های مختص به خود می باشند. کارشناسان حرفه ای داده باید پاسخگوی چالش های ذاتی استخراج ارزش از داده و ایجاد توازن بین اهداف عملیاتی و نیازهای استراتژیک، الزامات فنی و کسب و کار، ریسک و نیازهای انطباق باشند. استفاده از یک چارچوب به ما در شناخت جامع مدیریت داده و ارتباط بین اجزاء آن کمک می کند. در صورتی که یک سازمان قصد دارد که از بطن داده ارزشی را استخراج کند، باید افراد مسئول برای جنبه های مختلف مدیریت داده استفاده نماید.

چارچوپ ها در سطوح مختلف مفهومی پیاده سازی می شوند و طیف وسیعی از دیدگاه های متفاوت برای مدیریت داده را پوشش می دهند. به کمک دیدگاه های مختلف و بینش ارایه شده توسط هر یک، می توان مسائل مرتبط با مدیریت داده را از زوایای متفاوتی بررسی کرد. مواردی نظیر شفاف سازی استراتژی، ایجاد نقشه راه، سازماندهی تیم های کاری و همسوئی عملیات، در اینجا مطرح می باشد .

تاکنون چارچوب ها، مدل ها و به روش های  مختلفی به منظور ارزیابی و مدیریت داده  ارایه شده است . در شکل زیر، به چهار نمونه متداول اشاره شده است.

اصول مدیریت داده

با توجه به جایگاه DMBOK، در ادامه ضمن معرفی اولیه آن، با برخی از مفاهیم کلیدی و اولیه آن آشنا می شویم.

چارچوب DMBOK و  حوزه های دانش اصول مدیریت داده

چارچوب DAMA DMBOK (برگرفته شده از  Data Management Body of Knowledge) یک نمونه موفق در زمینه مدیریت داده است. نسخه اول آن در سال ۲۰۰۹ و نسخه دوم ( نهایی شده ) آن در سال ۲۰۱۷ توسط DAMA ( برگرفته شده از Data Management Association International) ارایه شده است. ایده ها و مفاهیم ارایه شده توسط DMBOK به صورت کاملا متفاوت و با توجه به عوامل کلیدی مختلفی ارائه شده است که شامل:

  • حوزه صنعت کسب و کار
  • محدوده داده ها
  • فرهنگ سازمانی
  • سطح بلوغ
  • استراتژی
  • چشم انداز چالش های سازمانی

چارچوبDMBOK (شامل چرخ DAMA، نمودارهای زمینه و شش ضلعی)، حوزه های دانش اصول مدیریت داده تعریف شده توسط DAMA را تشریح می نماید. چارچوب DMBOK با وارد شدن به جزئیات هر حوزه دانش، تصویری کامل از محدوده کلی مدیریت داده را ترسیم می کند. در چارچوب DMBOK از اشکال و دیاگرام های خاصی برای تشریح بصری هر حوزه مدیریت داده استفاده می گردد. 

با مشاهده هر یک از تصاویر و نمودارهای ارایه شده، می توان با محدوده، عملکرد و وظایف هر حوزه آشنا گردید. (ایجاد یک تصویر دقیق از هر حوزه در ذهن مخاطب و قبل از درگیر شدن در جزئیات). سه تصویر بصری چارچوب مدیریت داده DMBOK عبارتنداز: چرخ DAMA، شش ضلعی عوامل محیطی و دیاگرام زمینه حوزه دانش. در ادامه بطور مختصر با هر یک بیشتر آشنا می شویم.

چرخ DAMA

چرخ DAMA، حوزه های دانش اصول مدیریت داده را مشخص می کند. این حوزه ها در نسخه شماره یک، ده عدد و در نسخه شماره دو ۱۱ مورد می باشند. حاکمیت داده (Data Governance) در مرکز فعالیت های مدیریت داده قرار داده شده است. حاکمیت داده برای برقراری ثبات بین اجزاء و ایجاد تعادل بین توابع لازم می باشد. دیگر حوزه های دانش در اطراف چرخ قرار داده شده اند. این امر بیانگر تمام بخش های ضروری یک عملیات مدیریت داده بالغ می باشد. 

پیاده سازی هر حوزه دانش با توجه به نوع نیاز هر سازمان می باشد. این امر در مقاطع زمانی مختلف و بر اساس الویت های مشخص، انجام شود. در شکل زیر چرخ DAMA  نشان داده شده است

چرخ DAMA

شش ضلعی عوامل محیطی 

بیانگر ارتباط بین افراد، فرآیندها و فناوری ها می باشد. مطالعه و آشنایی با کلیات هر حوزه دانش از سه بعد اشاره شده، می توان از دیاگرام زمینه DMBOK جهت آشنایی تکمیلی استفاده کرد. در شش ضلعی فوق، اهداف و اصول در وسط  قرار گرفته اند. این امر موجب ارائه مهمترین نکات و توصیه های لازم به افراد می گردد. این نکات شامل نحوه اجرای فعالیت ها و استفاده موثر از ابزارها برای مدیریت موفق می باشد.

شش ضلعی عوامی محیطی

دیاگرام زمینه حوزه دانش

اطلاعات هر حوزه دانش شامل جزئیات مرتبط با افراد، فرآیندها و فناوری ها را تشریح می نماید. این نوع دیاگرام با الهام از مفهوم دیاگرام های SIPOC مدیریت محصول ایجاد شده اند. (تامین کننده، ورودی ها، فرآیندها، خروجی ها و مصرف کننده ها). در دیاگرام های زمینه، فعالیت ها در مرکز قرار داده شده اند. چراکه باعث تولید خروجی هایی می شوند که نیاز ذینفعان را تامین می کند. 

دیاگرام های زمینه با تعاریف و اهداف حوزه دانش آغاز می گردند. در ادامه، به چهار گروه عمده برنامه ریزی (P)، پیاده سازی (D)، عملیات (O) و کنترل (C) اشاره خواهدشد. در سمت چپ نمودار (ورودی ها به فعالیت ها)، ورودی ها و تامین کنندگان قرار دارند. در سمت خروجی فعالیت ها، عناصر قابل عرضه و مصرف کنندگان مشخص می گردند. مشارکت کنندگان در بخش پایین فعالیت ها نشان داده شده اند. 

در قسمت پایین دیاگرام، ابزارها، تکنیک ها و معیارهائی قرار دارند که بر روی جنبه هایی از حوزه دانش  تاثیرگذار می باشند. در شکل زیر، ساختار یک دیاگرام زمینه حوزه دانش نشان داده شده است.

تشریح حوزه دانش

  • تعریف

    • در این بخش به شکل خلاصه حوزه دانش تعریف می گردد.

  • اهداف

    • در این بخش اهداف حوزه دانش و اصول مقدماتی که راهنمای عملکرد در هر حوزه دانش است، تشریح می گردد.

  • فعالیت ها

  • در این بخش فعالیت های مورد نیاز برای تامین اهداف حوزه دانش تعریف می گردند. شامل مجموعه ای از فعالیت ها، زیرفعالیت ها و مراحل می باشند. فعالیت ها به چهار گروه برنامه ریزی، پیاده سازی، عملیات و کنترل تقسیم می شوند. فعالیت های برنامه ریزی، مجموعه ای از فعالیت های استراتژیک و تاکتیکی برای تامین اهداف مدیریت داده می باشند. فعالیت های برنامه ریزی به صورت تکراری انجام خواهند شد. فعالیت های پیاده سازی حول و حوش چرخه توسعه سیستم (SDLC ) سازماندهی می شوند. این فعالیت شامل موارد زیر می باشند
  • تجزیه و تحلیل
  • طراحی
  • ایجاد
  • تست
  • آماده سازی
  • استقرار

فعالیت های کنترلی، این اطمینان را ایجاد خواهند کرد که موارد زیر :

  • کیفیت داده
  • امنیت
  • قابلیت اطمینان
  • امنیت سیستم ها

به طور مستمر و در زمان دستیابی و استفاده از داده رعایت می شود. فعالیت های عملیاتی، شامل استفاده، نگهداری و بهبود و توسعه سیستم ها و فرآیندهاست. این امر برای زمان دستیابی و استفاده از داده می باشد.

  • ورودی ها: 

    • چیزهای ملموسی می باشند که هر حوزه دانش به آنها نیاز دارد تا بتواند فعالیت های خود را شروع کند. تعداد زیادی از فعالیت ها نیازمند ورودی های مشابهی می باشند. به عنوان نمونه بسیاری از حوزه های دانش نیازمند آگاهی از استراتژی سازمانی به عنوان ورودی می باشند.

  • اقلام قابل تحویل:

    • خروجی های فعالیت های تعریف شده درون حوزه دانش می باشند. موارد ملموسی که هر تابع مسئول تولید آن می باشد. اقلام ارایه شده ممکن است نهایی شده باشند و یا ممکن است از آنها به عنوان ورودی سایر فعالیت ها استفاده گردد.

  • نقش ها و مسئولیت ها:

    • نحوه مشارکت افراد و تیم ها درون حوزه دانش را تشریح می کند. نقش ها به صورت مفهومی و با تمرکز بر روی گروهی از نقش های مورد نیاز در اکثر سازمان ها  تعریف می گردند. نقش ها برای افراد در تیم ها مشخص می گردد. از چارچوب SFIA (برگرفته شده از Skills Framework for the Information Age) می توان جهت همسویی عناوین نقش ها استفاده کرد.

  • تامین کنندگان:

    • افراد مسئول برای ارایه و یا تحقق دستیابی به ورودی های برای فعالیت ها می باشند.

  • مصرف کنندگان:

    • افرادی هستند که مستقیما” از مزایای خروجی های ایجاد شده توسط فعالیت های مدیریت داده بهره مند می شوند.

  • مشارکت کنندگان:

    • افرادی هستند که مسئولیت انجام، مدیریت و تایید فعالیت ها در حوزه دانش را برعهده دارند.

  • ابزارها:

    •  برنامه ها و سایر فناوری های مورد نیاز جهت تحقق اهداف حوزه دانش می باشند.

  • روش ها:

    • متدها و رویه های استفاده شده برای انجام فعالیت ها و تولید خروجی درون یک حوزه دانش می باشند. کنواسیون های مشترک، به روش های توصیه شده، استانداردها و پروتکل ها و … نمونه هایی در این زمینه می باشند.

  • معیارها:

    • استانداردهایی برای اندازه گیری یا ارزیابی عملکرد، پیشرفت، کیفیت، اثربخشی و سایر موارد مشابه و مرتبط می باشند. در این بخش، موارد قابل سنجش متناسب با حوزه دانش شناسایی می گردند.

چهارچوب چرخ DAMA

چرخ DAMA، نشان دهنده مجموعه ای از حوزه های دانشی سطح بالا است. همچنین شش ضلعی عوامل محیطی اجزاء ساختار حوزه دانشی و دیاگرام زمینه ، جزئیات هر حوزه دانشی را بیان می کند. با این وجود هیچیک از اجزاء موجود چارچوب DMBOK، ارتباط بین حوزه های دانشی مختلف را نشان نمی دهد. در DMBOK2 با ارایه راه حل های منطقی سعی شده است که به ارتباطات بین هر یک از حوزه های دانشی و تقدم و تاخر هر یک اشاره گردد.

 خلاصه

وجود یک تفکر استراتژیک داده در پس برنامه مدیریت داده در یک سازمان بسیار حیاتی است. تفکری که شالوده آن می بایست به خوبی با استراتژی سازمانی و استراتژی فناوری اطلاعات همسو گردد. تا بتوان با استناد به یک روش ساختارمند، ایجاد ارزش در سازمان را نهادینه کرد. توجه به اصول مدیریت داده و چالش های مدیریت داده می تواند مسیر مدیریت داده در یک سازمان را هموار کند. این امر با توجه به رفتار و ماهیت ذاتی داده و همچنین استفاده از چارچوب ها، مدل ها و به روش های شناخته شده امکان پذیر است.

در طی سه مطلب به بررسی اصول مدیریت داده، چالش های پیش رو برای مدیریت داده اشاره شد. همچنین به چارچوب ها و مدل های مدیریت داده اشاره گردید. با توجه به جایگاه ویژه DMBOK و تغییرات آن در نسخه دوم، به طور مختصر به برخی از ویژگی های چارچوب فوق نیز اشاره گردید.

  • ساختارسازمانی مناسب
  • کارکنان با دانش، ماهر و توانمند
  • فرآیندهای قوی و بالغ
  • فناوری هایی که به درستی انتخاب و بکار گرفته شده اند
  • فرهنگ سازمانی مناسب
  • وجود زیرساخت های لازم جهت تغییرات ضروری
  • تعهد و الزام رهبری سازمان
  • حمایت از یک برنامه جامع و فراگیر مدیریت داده

 از جمله عوامل حیاتی اجرای موفقیت آمیز یک برنامه مدیریت داده در یک سازمان می باشند.

نویسنده: مهندس سخایی سایت فابک

منابع  :

Peter Aiken , Data Strategy and the Enterprise Data Executive ,Technics Publications , April 2 2017
Bernard Marr,Data Strategy: How to Profit from a World of Big Data, Analytics and the Internet of Things, Kogan Page , April 28 2017
Prashanth Southekal ,Data for Business Performance: The Goal-Question-Metric (GQM) Model to Transform Business Data into an Enterprise Asset,Technics Publications, February 15, 2017
Dama International , DAMA-DMBOK: Data Management Body of Knowledge (2nd Edition),Technics Publications; Second edition, Technics Publications , July 5 2017

بررسی پلتفرم های پردازش ابری اینترنت اشیاء به عنوان زیرساخت نرم افزارهای سازمانی

1400/02/13 در /توسط

پلتفرم های پردازش ابری اینترنت اشیاء می تواند کاربردهای فراوانی داشته باشد.

سازمانهای مختلف در طول زمان از نرم افزارهای و تكنولوژی های مختلفی به منظور مدیریت فرایندهای سازمانی و تجاری، استفاده کرده اند. اینترنت اشیاء سازمانی(Enterprise IoT) این امكان را به سازمان  ها می دهد تا نرم افزارهای سازمانی ای را، مبتنی بر تكنولوژی اینترنت اشیاء(IoT) تولید کنند.اینترنت اشیاء کنترل، مدیریت و نظارت همه جانبه بر فرایندها را امكان پذیر میكنند و در نهایت منجر به افزایش بهره وری و بهینه سازی فرایندهای سازمانی می شود.

پلتفرم های پردازش ابری اینترنت اشیاء و موارد استفاده آن

اینترنت اشیاء از جمله مفاهیمی است که امروز میتوان تعاریف متعددی را
برای آن پیدا کرد. این مفهوم اولین بار در سال 1999 توسط کوین اشتون،
زمانی که در مورد مدریت زنجیره ی تامین سخن میگفت، بیان شد.
اینترنت اشیاء را اینچنین میتوان تعریف کرد: “اینترنت اشیاء دیدگاهی است
که در آن هر شئ در دنیا میتواند با اتصال به شبکه ی اینترنت و فراهم آوردن
داده هایی مشخص، به تنهایی یا از طریق سایر اشیاء متصل به اینترنت به
یک بصیرت قابل اجرا دست یابد “. در این تعریف یک شئ میتواند یک:

  • ماشین
  • سیستم حمل و نقل هوایی
  • یک شهر
  • یک شخص
  • و یا حتی یک صندلی

باشد.به عنوان مثال با داشتن یک شبکه متصل از ماشین آلات یک
کارخانه میتوان به راحتی سیستمهایی را که نیاز به سرویس و تعمیرات دارند را
به سرعت مشخص کرد. یا به عنوان مثال در یک فرودگاه هوشمندسازی
شده، به کمک اینترنت اشیاء میتوان مدت زمانی را که مسافران برای بررسی
بار و یا امور امنیتی منتظر میمانند مشخص کرد.چنین داده هایی از دید
فرایندهای اجرایی یک سازمان، میتواند به شکل چشمگیری در بهینه سازی
این فرایندها و افزایش بازدهی آنها، موثر باشد.

پشته ی اینترنت اشیاء

در این مقاله به بررسی پشته ی اینترنت اشیاء سازمانی پرداخته شده است.همچنین به بررسی و مقایسه ی پلتفرم های پردازش ابری:

  • میكروسافت
  • آمازون
  • IBM

و پلتفرم های متن باز و تطبیق آنها با پشته اینترنت اشیاء سازمانی پرداخته شده است. در نهایت راه کارهایی جهت پیاده سازی نرم افزارهای سازمانی، براساس موردهای کاربرد هریک از این پلتفرم ها و منطبق برمعماری اینترنت اشیاء سازمانی، ارائه شده است



دانلود مقاله

مدل پلتفرم داده بزرگ و نقش آن در کیفیت داده و هوشمندی کسب و کار

1400/02/13 در /توسط

پلتفرم داده بزرگ در هوشمندی کسب و کار به استناد پایگاه های ذخیره سازی داده ها و تحلیل آن، به تصمیم گیری در فعالیت های هوشمند تجاری و کسب و کار کمک می کند. در این پژوهش “فناوری های داده بزرگ” به مجموعه ای از:

  • زیرساخت های رایانش داده
  • ذخیره سازی داده
  • رویکرد تجزیه و تحلیل داده
  • مصورسازی داده
  • خودکارسازی داده
  • امنیت و حریم خصوصی

تقسیم شده است. چالش های ناشی از عدم کیفیت داده نیز به دودسته چالش های داخلی و خارجی تقسیم شده اند.

چالش های داخلی بی کیفیتی داده ها بامیزان آمادگی کسب و کار و فرهنگ سازمانی مرتبط بوده است. در چالش های داخلی ایجاد آمادگی و فرهنگ سازمانی تاثیرگذار خواهدبود.

در پلتفرم داده بزرگ پیشنهادی به دو فاکتور شناخت حوزه های داده و سنجش میزان آمادگی توجه شده است. از هر یک از فناوری های داده بزرگ، نرم افزار و سخت افزار متناسب انتخاب می گردد.

جمع آوری داده متغیرهای مدل به وسیله پرسش نامه محقق ساخته صورت گرفته است.حجم نمونه نیز به صورت نمونه گیری در دسترس تعداد 37 نفر از مدیران و کارشناسان کسب و کار را شامل شده است.

داده ها در روش معادلات ساختاری کمترین مربعات جزئی در فضای نرم افزاری اسمارت پی ال اس نگارش 3 مدل سازی شده است.نتایج حاکی از آن است که طراحی پلتفرم داده بزرگ و چالش های کیفیت داده نسبت به دیگر متغیرهای مورد بررسی دارای بالاترین میزان اثر بر هوشمندی کسب و کار هستند. همچنین با توجه به ماتریس اهمیت- عملکرد، طراحی پلتفرم داده بزرگ فناوری های داده بازرگ و سنجش میزان پذیرش کسب و کار به ترتیب دارای بیشترین درصد اهمیت وعملکرد در مدل می باشند.



دانلودمقاله

نمونه معماری پلتفرم داده -alopeyk

1400/02/13 در /توسط

نمونه معماری پلتفرم داده – alopeyk

الوپیک بعنوان یک سازمان داده محور، با تشکیل تیم داده، مبادرت به استقرار پلتفرم داده نموده است. این پلتفرم داده، با BIZOps(زنجیره تامین ارزش) و AIOps(زنجیره پایداری سیستم ها) و تحلیل های تجویزی، جهت تصمیم گیری داده محور و خلق ارزش داده بنیان، نقش آفرینی می کند. افزایش سودآوری و رقابت پذیری بالاتر را می توان از مزایای استقرار Data Platform در الوپیک دانست.

همانطور که مستحضرید پلتفرم داده، یک راهکارِ فناورانهِ یکپارچه است که اجازه می دهد داده های موجود در بانک های اطلاعاتی متعدد یک سازمان، به صورت متمرکز، حکمرانی و مدیریت شود.این حکمرانی و مدیریت شامل امور راهبردی و استراتژیک زیر می باشد: 

  • مانیتورینگ انتقال (خودکار) داده ها و فرآیندها
  • انجام فرآیندهای (خودکار) پیش پردازش داده ها
  • انجام فرآیندهای (خودکار) پاکسازی و یکپارچگی داده ها
  • انجام فرآیندهای پردازش کلان داده
  • انجام فرآیندهای پردازش جریانی و بلادرنگ
  • انجام فرآیندهای (خودکار) پردازش تحلیل مثلاً تحلیل تجویزی

ارتباطات داده ای شامل:

  • دسترسی دهی
  • تحویل دهی داده ها به کاربران دارای مجوزهای مناسب
  • تحویل دهی داده به برنامه های داده پذیر
  • تحویل دهی داده یه سایر فناوری ها و تحویل گیری داده های پردازش شده ازAPI ها
  • بصری سازی داده ها در قالب داشبوردهای زمانبندی شده
  • هشدار دهی ها

در ادامه فایل پاورپوینت شرکت الوپیک برای ارائه ساختار و نکات فنی “Data Platform” طراحی شده، ارائه شده است. استفاده از مطالب این مستند را برای کلیه متخصص های علوم داده از قبیل دانشمند داده و مهندس داده توصیه می کنیم. ضمناً مطالعه مطلب همکاری و همزیستی سامانه های MDM و ESB در پلتفرم داده را نیز توصیه می کنیم.



دانلود مقاله

بررسی تغییرات حوزه کیفیت داده با استفاده از تحلیل کلمات کلیدی

1400/01/17 در /توسط

کیفیت داده

 حوزه کیفیت داده ازجمله حوزه های رو به رشد است. و از اهمیت بالایی در حوزه سیستم های اطلاعاتی برخوردار است. شناخت دقیق این حوزه از یکسو و شناخت ویژگی های زیر حوزه های نوین این حوزه برای محققان از اهمیت بالایی برخوردار خواهد بود. شناخت ویژگی این حوزه و میزان بین رشتهای بودن آنها به محققان برای تصمیم گیری در مورد روند تحقیقات و انتخاب حوزه فعالیت کمک بسزایی خواهد کرد.

برای شناسایی حوزه ها و بررسی میزان بین رشتهای بودن آنها، در این مطالعه با استفاده از گراف هم رخدادی کلمات و تحلیل 9000 مقاله، ویژگی های حوزه های نوین مطالعاتی مورد بررسی قرارگرفته است. بر اساس این مطالعه مشخص شده است که این حوزه ها بیشتر بین رشتهای بوده است. و تمرکز آن بر روی ارتباط بین چندین حوزه مطالعاتی است. به بیان دیگر این کلمات کلیدی بیشتر با کلمات کلیدی موجود در خوشه های دیگر ارتباط داشته اند. و با کلمات کلیدی که با آنها در یک خوشه قرارگرفته است مرتبط نبوده اند. بر اساس این مطالعه جدیدترین حوزه مرتبط با کلان داده است. که مباحث یکپارچه سازی و داده گمشده در این حوزه از اولویت بالاتری نسبت به مابقی حوزه ها برخوردار است.



دانلود مقاله

دانشمند داده ها

1400/01/17 در /توسط

دانشمند داده ها

گسترش استفاده از فناوری اطلاعات در بخش های مختلف کسب و کار، باعث افزایش منابع ارزشمندی به نام داده شده است. در گذشته نیز سازمان ها این منابع را در اختیار داشتند. اما حجم ، تنوع و سرعت تولید این داده ها به مراتب کمتر بوده است. با رشد تکنولوژی های Big Data نقش جدیدی در شرکت های بزرگ به نام دانشمند داده(Data Scientist) ایجاد شده است. که در حقیقت نسخه ی جدیدی از نقش “تحلیلگر داده” یا “تحلیلگر کسب و کار” می باشد.

نقش داده در تصمیم گیری

چیزی که این نقش را با نقش های ذکر شده متفاوت می سازد، دانش و تیزهوشی تجاری است. که برای گرفتن تصمیمات سخت و سریع و انتقال آنها به هر دو بخش روسای شرکت و رهبران IT درنظر گرفته می شود. تا بتوانند بهترین راه را برای غلبه بر یک چالش سازمانی بیابند. در حقیقت دانشمند داده با دسترسی به حجم زیادی داده، حس کنجکاوی و زیر سوال بردن پیش فرض های فکری سعی می کند تا مواردی را بیابد که برای سازمان مزیت رقابتی ایجاد کند.

به طور خلاصه می توان گفت یک دانشمند داده شخصی است دارای طلاعات کافی از هر دو رشته ی مهندسی کامپیوتر و آمار. البته در مورد مهارت های مورد نیاز برای یک مهندس داده در ادامه توضیح خواهم داد.علم داده به عنوان علمی کاملا کاربردی می تواند پاسخی مناسب به این داده های عظیم تولید شده باشد. به منظور استفاده از این منابع ارزشمند، وجود نیروی ماهر بسیار ضروری است. متاسفانه اکثر صاحبان صنایع در دنیا از کمبود نیروی ماهر در این حوزه شکایت دارند.

اهمیت علم داده

این نگرانی از سوی صنعت حاوی دو پیام بسیار مهم می باشد. اول اینکه صاحبان صنایع به اهمیت این علم پی برده اند و دوم اینکه فرصت های شغلی مناسبی برای افراد خوش فکر و با استعداد در این حوزه به وجود آمده است. آمارهای مختلف بین المللی نیز حاکی از رشد استخدام در این حوزه است. به عنوان مثال در تحقیق انجام شده در آمریکا، فرصت شغلی علم داده در سال 2015 نسبت به سال 2014 با رشد 57 درصدی همراه بوده است.



دانلود مقاله

چت بات چیست؟

1400/01/17 در /توسط

چت بات (Chat-Bot)

چت بات چیست؟ آینده‌ی ما با چت‌بات‌ها (Chat Bot) گره خورده. چه برایش آماده باشیم یا نه. این عبارتی است که به‌طور مستقیم یا تلویحی، از زبان رهبران شرکت‌های بزرگ تکنولوژی می‌شنویم. آن‌ها در پی ساخت پلتفرم‌هایی هستند که قادرند جای اپلیکیشن‌های امروزی‌مان را بگیرند. چت بات‌های (‌Chat-Bot) کوچک هوشمندی را در نظر بگیرید که به کلمات‌تان گوش می‌دهند. و به شما در انجام کارها کمک می‌کنند.

ساتیا نادلا، مدیر عامل مایکروسافت اخیرا گفته «این تکنولوژی‌ای است. که از آن راه گریزی نیست.» فیسبوک هم Bot Store خود را راه انداخته است.

آینده تحت تاثیر چت بات ها چگونه خواهد بود؟

قطعاَ نقش چت بات ها در آینده بیشتر و پررنگ‌تر خواهد بود. با توجه به روند رو به رشد چت بات‌ها و چشم‌انداز بازار، اتخاذ راه‌های خلاقانه جهت ارائه تعاملات مداوم با مشتری، موضوع حائز اهمیتی است. طبق گفته گارتنر: «هوش مصنوعی (AI) طی دو سال آینده سرمایه اصلی تجربه مشتری خواهد بود». ۴۷ درصد از سازمان‌ها برای پشتیبانی مشتری از chatbot استفاده خواهند کرد و ۴۰ درصد از شرکت‌ها، دستیارهای مجازی را مستقر خواهند نمود. پیش بینی می‌شود چت‌بات‌ها در آینده، از کوئری‌های ساده مبتنی بر کاربر به مکالمات بی‌درنگ مبتنی بر آنالیز پیش بینی تبدیل شوند. با پیشرفت صنعت chatbot، کسب‌وکارها برای اتوماسیون کردن فرآیندهای تجاری خود، برنامه‌های خلاقانه بیشتر و سریع‌تری را طراحی می‌کنند. بدون شک، ربات‌ها نحوه ارتباط مشاغل با مشتریان و چشم‌اندازهایشان را متحول خواهند کرد.

نتیجه گیری

استقرار چت بات ها، افق‌های دید را در آینده نزدیک گسترش خواهد داد. اولین مورد استفاده از chatbot، پاسخگویی سریع به مشتریان است. بنابراین، داشتن یک پلتفرم chatbot می‌تواند به کسب‌وکارها در دستیابی به معیارهای اصلی‌شان کمک کند. اکثر مشاغل برای خدمات مشتری و فعالیت‌های پشتیبانی خود از chatbot استفاده می‌کنند. در عین حال بسیاری از آن‌ها ربات‌هایی را نیز برای فرایندهای داخلی خود طراحی کرده و توسعه می‌دهند.



دانلود مقاله

رهیافت های تضمین درآمد

1400/01/17 در /توسط

رهیافت های  تضمین درآمد

شايد به جرات بتوان گفت که نظارت و تحلیل منظم روزانه یا هفتگی روند تغییرات منحنی های درآمدی است. که یکی از رایج ترین کنترل های تضمین درآمد برای شناسایی نشتی درآمد و تضمین درآمد در سازمانها می باشد.

شناسایی و به تبع آن استفاده حداکثری از ظرفیت و توانمندیهای واحد تضمین درآمد و بررسی تقلبات، یکی از اصلی ترین دغدغه هاست. که البته ابزارهای Revenue Assurance و بررسی تقلبات در سازمانها با آن روبرو هستند.از دلایل مهم عدم اقبال از یک ابزار Revenue Assurance و بررسی تقلبات چیست؟ می توان به عدم کسب حمایت قابل توجه از سوی مدیران ارشد سازمانها و سنجش اشاره کرد. که اثرات کمی آن بر کسب و کار می باشد. (به ویژه در مواقعی که از تکنیک های پیشگیرانه استفاده می گردد). از این رو، مدیران ارشد سازمانها قادر به تشخیص و شناسایی میزان درآمدی که از نشتی آن توسط یک ابزار Revenue Assurance بعمل خواهد آمد نمی باشند.

تکنیک رایج برای Revenue Assurance

یکی از تکنیک های رایج و ابزارهای تضمین درآمد در دنیا استفاده از داده کاوی برای کاهش نشتی درآمد و بررسی فرصت های از دست رفته افزایش درآمد در سازمان است. مثلاً در صنعت مخابرات. حذف تقلب در ارائه حق اشتراک با تکنیک های داده کاوی می تواند منجر به کشف نشتی و تضمین درآمد در آن صنعت گردد.

یکی از روش های تقلب که می تواند در فرآیند ثبت و تامین سفارش اتفاق بیفتد چیست؟ تقلب در ارائه حق اشتراک به مشتریان و شرکای تجاری نظیر شرکای اتصال متقابل، رومینگ، خدمات ارزش افزوده و عمده فروشی می باشد.

بدیهی است دسترسی استفاده و مصرف از شبکه اپراتور، باید با مجوزهای لازم باشد. این مجوزه ها عبارتند از : قرارداد، تسویه حساب مالی. مسلماً بدون آنها اپراتور مذکور از نظر درآمدی در ریسک عدم وصول مطالبات قرار خواهد گرفت.

چنانچه به موارد یاد شده، دسترسی استفاده و مصرف از شبکه اپراتور، بدون داشتن مجوزهای لازم مانند قرارداد، تسویه حساب مالی و … داده شود، مسلماً اپراتور مذکور از نظر درآمدی در ریسک عدم وصول مطالبات قرار خواهد گرفت.

 



دانلود مقاله

بازشناسی گفتار احساسی و شناسایی حالت گفتار در زبان فارسی

1400/01/17 در /توسط

بازشناسی گفتار احساسی و شناسایی حالت گفتار در زبان فارسی

حالت گفتار سبب افزودن اطلاعات اضافی نسبت به اطلاعات نوشتاری می شود. از طرف دیگـر، وجود حالت در گفتار سبب بروز مشكل در فرایند بازشناسی گفتار می شود. در تحقیقات قبلی نشان داده شد كه حالت گفتار سبب تغییرات اساسی در پارامترهای گفتاری می شود. برای بهبود نتایج بازشناسی گفتار با حالت، ابتـدا باید تـأثیر آن را بـر پارامترهـای گفتـاری به دست آورد. و در مرحلة بعدی، از پارامترهای مناسبی برای بهبود نتایج بازشناسی استفاده كرد. در این تحقیق با توجه به نتایج به دست آمده در زمینة تأثیر حالت های گفتاری خـشم و انـدوه بـر پارامترهای گفتاری نظیر فرم نت ها و فركانس گام در زبان فارسی، بهبود نتایج بازشناسـی گفتـار با حالت، با مدلهای عادی مد نظر است.

با توجه به تغییرات منظم پارامترهـایی نظیر:

  • فركـانس گام
  • فرم نت ها
  • شیب آنها با حالت گفتار

بـه بـردار ویژگـی سیستم بازشناسـی اضافه می شوند.

 این كار سبب بهبود نتایج بازشناسی می شود. میزان این بهبـود بـستگی بـه نـوع پارامتر، تعداد مخلوط ها و حالت گفتـار دارد.

بـا توجـه بـه اهمیت شناسـایی:

  • حالـت گفتـار
  • نقش آن در بهبود كیفیت سیستم بازشناسی گفتار
  • استفاده از فرم نت ها و فركانس گام به عنوان ویژگی های ورودی
  • به كارگیری روش های درخت تصمیم گیری و GMM

كار شناسایی حالت گفتار نیز انجام شده است.



دانلود مقاله

استخراج ویژگی های مقاوم گفتاری زیر باندی با استفاده از شبکه های

1400/01/17 در /توسط

شبکه عصبی در هم پیچش

شبکه های عصبی در هم پیچش (CNN) به عنوان گروهی از شبکه های عصبی عمیق است. که در سالهای اخیر کاربرد فراوانی در مدلسازی آکوستیک و همچنین استخراج ویژگی و مدل سازی توأم در بازشناسی گفتار یافته اند. در مقاله حاضر، پیشنهاد میشود تا از CNN برای استخراج ویژگی مقاوم به نویز استفاده شود. درحالیکه ورودی CNN طیف سیگنال گفتار نویزی و خروجی هدف آن خروجی های متناظر تمیز از بانک فیلتر مل است. به این ترتیب CNN ویژگی های مقاوم به نویز را از طیف سیگنال گفتار استخراج می نماید.

نقطه ضعف CNN در این روش آن است که تنها یک وضوح فرکانسی ثابت را به کار می گیرد. از این جهت، در این مقاله استفاده از چند (CNN) با اندازه های فیلتر درهم پیچش متفاوت، جهت مدل سازی تفاوت وضوح فرکانسی برای استخراج ویژگی از طیف سیگنال گفتار پیشنهاد می شود. روش پیشنهادی را شبکه عصبی درهم پیچش چند دقتی (MRCNN) نامگذاری کرده ایم. آزمایشها روی دادگان Aurora2 نشان میدهند که:

 CN نسبت به شبکه باور عمیق در استخراج ویژگی مقاوم به نویز میانگین دقت بازشناسی را 20 درصد بهبود می دهد. همچنین نتایج نشان میدهند که:

 MRCNN میانگین دقت بازشناسی را نسبت به (CNN) استاندارد (تک دقتی) 1 درصد بهبود می دهد

 

 

 



دانلود مقاله