مطالب توسط

هوش تجاری، داده‌های بزرگ و کاربردهای موبایل، پیش‌بینی‌ها و روندهای آینده

از دید متخصصان در حوزه تولید، مالی و بازار که به دنبال ایجاد دید وسیع تری نسبت به بازار و کاهش زمان رسیدن به مشتری هدف و افزایش کیفیت کالا هستند، تحلیل کسب و کار به عنوان عنصر جدایی ناپذیر در بازار رقابتی امروزی تلقی می شود و حرکت ساختارها به سمت داده محوری بیشتری ملموس شده است. شرکت ها و کسب و کار ها برای ارایه داده های آنی برای تصمیم گیری در حوزه های مختلف با کوهی از داده های مختلف روبرو هستند که از منابع متفاوتی به آنها رسیده است. از سوی دیگر در کسب و کارهای نوظهور داده ها باید به سرعت و در زمان آنی در برنامه های کاربردی موبایل مشتریان قابل رویت باشد. این رویکرد باعث شده است که شرکت ها به سمت کسب ارزش و هوشمندی با تحلیل داده های بزرگ برای ارایه خدمات موبایل حرکت کنند تا بتوانند جوابگوی حرکت سریع در فرآیند کسب و کار خود باشند. بدین ترتیب سه حوزه نوظهور هوش تجاری، داده های بزرگ و برنامه های موبایل برای ارایه راه حل های مبتنی بر فناوری کنار هم آمده اند.

حوزه‌های کاربردی Big Data

بعضی از حوزه های اصلی کاربردی Data Big در داده کاوی و تحلیل عبارتنداز: تحلیل شبکه های اجتماعی، شناسایی چهره، تطابق پروفایل، تحلیل متن، وب کاوی، یادگیری ماشین، استخراج دانش، سیستم های شخصی سازی و ارائه پیشنهاد، بهینه سازی و تحلیل رفتار، و کشف تقلب. فارغ از محرک ها و کاربردهای اشاره شده در فوق، آنچه که در حال فراگیرسازی مفهوم Data Big است، ظهور فن آوری هایی است که به سازمان توانمندی تحلیلی مقیاس بزرگ با موانع نسبتا کم برای ورود به محدوده Data Big را می دهد.

عوامل حیاتی در موفقیت سیستم‌های هوش تجاری

اخیرا سیستم های هوش تجاری با اولویت بالایی در فهرست بسیاری از مدیران فناوری اطلاعات قرار گرفته است. طبق نظر رین اشمیت و فرانسیس ، سیستم هوش تجاری مجموعه یکپارچه ای از ابزارها، فن آوری ها و محصولات برنامه ریزی شده ای است که برای جمع آوری، هماهنگی، تحلیل و در دسترس قرار دادن داده ها استفاده می شوند. بطور ساده می توان گفت وظایف اصلی سیستم هوش تجاری شامل اکتشاف هوشمند، یکپارچه سازی، تجمیع و تحلیل چند بعدی داده های نشات گرفته از منابع مختلف اطلاعتی است بطور ضمنی در این تعریف داده ها، منابع بسیار با ارزش سازمان در نظر گرفته شده است بطوری که از کمیت به کیفیت تبدیل می شوند. در نتیجه امکان یکپارچه سازی داده های حجیم سازمان از منابع دادهای مختلف فراهم می شود و دیدی 360 درجه از کسب و کار ارائه می دهد. بنابراین برای تسهیل بهبود تصمیم گیری، اطلاعات با معنی می توانند در زمان و مکان مناسب، و به شکل مناسب برای کمک به افراد، بخش ها، گروه ها و یا حتی واحدهای بزرگتر ارائه شوند. بر اساس تحقیق های بسیاری که در موردCSF ها انجام شده، پیاده سازی سیستمهای هوش تجاری پیرو سنت و رسوم پروژه های کاربردی ماننده سیستم های تراکنشی نیست. اما این نوع پروژه ها ویژگی های مشابهی هم با سیستمهای زیر بنایی همچون ERP ها دارند. پیاده سازی سیستمهای هوش تجاری فعالیت های ساده ای همچون خرید ترکیبی از نرم افزارها و سخت افزارها نمی باشد بلکه یک تعهد پیچیده است که نیاز به زیرساخت ها و منابع مناسب در طول یک دوره دارد.

دسته‌بندی مشتریان بیمه با استفاده از داده‌کاوی

امروزه نقش مشتریان از حالت پیروی از تولیدكننده، به هدایت تولیدكنندگان مبدل گشته است، به همین دلیل دسته بندی مشتریان، در هدفمند ساختن سازمانها در سفارشی سازی خدماتشان و نیز الویت بندی محصولات براساس میزان سودآوری آن محصول كمك شایانی میكند. روش داده كاوی برای دستیابی به قوانین تصمیم گیری و مدل پیش بینی رفتار مشتریان آتی در یكی از شركت های بیمه استفاده شده است. در اجرای روش دسته بندی در داده كاوی، دو تكنیك درخت تصمیم و شبكه های عصبی در یكی از شركتهای بیمه خصوصی به كاررفته است. هدف این پژوهش استفاده از روش شبكه های عصبی و تكنیك درخت تصمیم به منظور دسته بندی مشتریان بیمه و درنهایت ارزیابی نتایج به دست آمده است. به منظور ارزیابی مدل ها، نتایج حاصل از دو مدل را مقایسه كردیم كه تطابق آنها نشان دهنده صحت عملكرد مدلهاست. البته بررسی ها نشان داده اند كه روش درخت تصمیم نتایج بهتری را دربرداشته است و این بدان معنی است كه روش درخت تصمیم، روش مناسب تری برای دسته بندی مشتریان بیمه ایجاد می كند. همچنین نتایج به دست آمده از این تحقیق، توسط خبرگان صنعت بیمه تأیید و نظرات آنها به شكل توضیحی از مشخصه ها یا متغیرهای ورودی تحقیق ارائه شده است.

داده‌کاوی دانشجویان انصرافی دانشگاه تهران با تمرکز بر حفظ دانشجویان شهریه پرداز (جلوگیری از روی گردانی مشتری)

انصراف دانشجو یكی از چالش هـای پـیش روی آمـوزش عـالی اسـت. مقالـة حاضـر رویكرد پذیرش دانشجوی شهریه پرداز را نوعی كسب وكـار و انصـراف دانشـجو را رویگردانـی مشتری در نظر گرفته است. به دنبال بررسی عوامل انصراف دانشجویان و اتخاذ سیاسـت هـای مداخله جویانه بازدارنده است. پژوهش پیش رو كاربردی از نـوع توصـیفی اسـت كـه بـه كمـك داده های كمی و كیفی بر مبنای روش پـژوهش كریسـپ از داده كـاوی اطلاعـات دانشـجویان ورودی شهریه پرداز (21420 دانشجو دانشگاه تهران طی سال های 1392 – 1388) استخراج شده از بانك های اطلاعاتی سیستم آموزش دانشگاه تهران، اجرا شده است. هدف آن، تحلیـل رفتـار دانشجویان به منظور شناسایی دانشجویان در معـرض خطـر انصـراف و ارائـة مـدل پـیش بینـی احتمال انصراف است. پس از تحلیل داده ها و ارائة مدل پیش بینـی، جـدول احتمـال انصـراف و مدل رگرسیونی انصراف، یافته های پـژوهش تـرم اول و دوم (به ویژه تـرم اول در دورة سـنی 31-24 سال) را به منزله پرخطرترین دورة زمانی، دانشجویان ارشد را مستعدترین مقطـع و دورة شبانه را پرخطرترین دورة تحصیلی برای انصراف دانشجو (رویگردانی مشتری ) شناسایی كرد.

تحليل مشكلات شعب بانك آينده در سراسر كشور با استفاده از روش داده‌كاوی

بسیاری از بانك های كشور به منظور مدیریت مشكلات و شـكایات مشـتریان و شـعب خود، بخشی از واحد مـدیریت ارتبـاط بـا مشـتریان را بـه شـركت هـایی ماننـد مراكـز تمـاس، برونسپاری میكنند. با توجه به اینكه این واحد مهم در خارج از بانكها مدیریت می شـود، لـذا تحلیل داده های آن و ارزیابی عملكرد مراكز تماس از اهمیت بسیاری برخوردار اسـت. از سـوی دیگر، بسیاری از بانك ها توانایی تحلیل و چگونگی استفاده از الگوهای پنهان موجود در داده هـا را ندارند، به همین منظور در این مقاله سعی داریم تا با ارائه مدل RFS ،شعب بانك را براسـاس شباهت فاكتورهای R به معنای تازگی اعلام مشكل، F  فركانس یا تعـداد مشـكلات و S میـزان رضایت شعب از مركز تماس، خوشه بنـدی كـرده و ارتبـاط میـان فاكتورهـای موجـود بـا نـوع مشكلات اعلام شده را بیابیم. همچنین با بررسی فاكتور S ،مـیتـوان توانـایی مركـز تمـاس را برای رفع مشكلات شعب هر خوشه ارزیابی كرد. شعب بـر اسـاس الگـوی رفتارشـان در چهـار خوشه بهینه توزیع شده، نتایج تحلیل شدند و در پایان پیشنهادهایی بـه منظـور بهبـود عملكـرد مركز تماس، ارائه شده است

كاربردهای داده كاوی در صنعت بیمه

با توجه به پیشرفت سریع فناوری اطلاعات، حجم اطلاعات ذخیرهشده در پایگاه های داده شركتهای بیمه به سرعت در حال افزایش بوده و این پایگاه های داده بزرگ، حاوی حجم زیادی از داده ها و فرصت های قابل استفاده و بالقوه از اطلاعات تجاری با ارزش هستند. از طرفی، یافتن اطلاعات ارزشمند پنهان در این پایگاه داده و نیز شناسایی مدل های مناسب کاری دشوار است. در این مقاله ضمن بررسی اجمالی داده‌کاوی، به نقش آن در کشف دانش موجود در پایگاههای داده و بهبود امور مرتبط با صنعت بیمه پرداخته شده است.