NAB Data Science Discovery
مسائل، ریسک‌ها و فرصت‌های پنهان در داده‌های موجود سازمان را شناسایی کنید و پیش از سرمایه‌گذاری گسترده، امکان‌پذیری و ارزش راه‌حل‌های تحلیلی را در یک پایلوت قابل‌اندازه‌گیری بسنجید.
ارزش پیشنهادی
پیش از ساخت سامانه یا خرید فناوری، مسئله درست و راه‌حل قابل‌اثبات را پیدا کنید
سازمان‌ها حجم زیادی از داده‌های مالی، عملیاتی، مشتریان، منابع انسانی، تجهیزات، اسناد و تراکنش‌ها را ذخیره می‌کنند؛ اما بخش بزرگی از این داده‌ها تنها برای تهیه گزارش‌های روزمره استفاده می‌شود. این خدمت کمک می‌کند مسائل پنهان، عوامل اثرگذار، رفتارهای غیرعادی و فرصت‌های ارزش‌آفرین در داده‌ها کشف شوند. سپس با استفاده از تحلیل آماری، یادگیری ماشین و روش‌های علم داده، امکان و ارزش راه‌حل در مقیاس پایلوت ارزیابی می‌شود تا سازمان پیش از صرف بودجه و زمان گسترده، درباره ادامه، اصلاح یا توقف پروژه تصمیم آگاهانه بگیرد.
معرفی محصول
پاسخ مسائل پیچیده سازمان شما ممکن است در داده‌هایی باشد که هم‌اکنون در اختیار دارید
خدمت «کشف و حل مسائل سازمانی با علم داده» برای سازمان‌هایی طراحی شده است که داده دارند، اما هنوز نمی‌دانند چه مسئله‌ای را می‌توانند با آن حل کنند، چه عواملی باعث یک نتیجه نامطلوب شده‌اند یا کدام فرصت تحلیلی ارزش سرمایه‌گذاری دارد. در این خدمت، همکاری از مسئله واقعی کسب‌وکار آغاز می‌شود، نه از انتخاب الگوریتم یا فناوری. تیم آزمایشگاه علم داده کاربردی ناب ابتدا نشانه‌ها، ابهام‌ها و فرضیه‌های مدیریتی را بررسی می‌کند؛ سپس مسئله را به پرسش‌های قابل تحلیل تبدیل کرده، کیفیت داده را می‌سنجد و با اجرای یک تحلیل یا پایلوت محدود، ارزش فنی، عملیاتی و اقتصادی راه‌حل را ارزیابی می‌کند.
مسئله‌ای که حل می‌کنیم
گزارش‌های مدیریتی معمولاً نشان می‌دهند چه اتفاقی افتاده است؛ اما همیشه توضیح نمی‌دهند چرا فروش کاهش یافته، هزینه افزایش پیدا کرده، مشتریان ریزش کرده‌اند، پروژه‌ها با تأخیر مواجه شده‌اند یا بعضی فرایندها رفتار غیرعادی دارند. از سوی دیگر، پروژه‌های هوش مصنوعی گاهی بدون تعریف دقیق مسئله، بررسی کیفیت داده یا تعیین معیار موفقیت آغاز می‌شوند. در نتیجه ممکن است مدل فنی مناسبی ساخته شود، اما مسئله واقعی سازمان حل نشود. این خدمت شکاف میان «داده موجود»، «مسئله مدیریتی» و «راه‌حل قابل استفاده» را برطرف می‌کند.
چالش‌های کلیدی
سازمان ممکن است گزارش‌ها و داشبوردهای متعددی داشته باشد، اما همچنان درباره علت یک مسئله، گروه‌های پرریسک، رفتارهای غیرعادی یا فرصت‌های جدید اطلاعات کافی نداشته باشد. علم داده زمانی ارزش ایجاد می‌کند که داده‌های پراکنده را به شواهد قابل‌اعتماد و اقدامات قابل‌آزمون تبدیل کند.
01
02
03
04
بازار هدف و کاربران
تمرکز اصلی این خدمت بر سازمان‌های متوسط، بزرگ، هلدینگ‌ها و شرکت‌های چندواحدی است. اجرای خدمت می‌تواند از یک حوزه یا فرایند مشخص آغاز و سپس به کل سازمان توسعه یابد.
خریداران و تصمیم‌گیرندگان
مدیران فنی
کاربران نهایی
سناریوهای کاربرد
۰۱
با تحلیل داده‌های مشتریان، تراکنش‌ها، کانال‌ها، کمپین‌ها و شکایت‌ها می‌توان گروه‌های رفتاری مشابه، عوامل مرتبط با ریزش، مشتریان باارزش، محصولات مکمل و شعب یا مناطق غیرعادی را شناسایی کرد. خروجی می‌تواند شامل بخش‌بندی مشتریان، تحلیل رفتار خرید، تحلیل سبد، مدل اولیه ریزش، امتیازدهی مشتری، تحلیل کمپین و پیشنهاد مداخلات قابل‌آزمون برای گروه‌های هدف باشد.
۰2
داده‌های تولید، کیفیت، تجهیزات، سفارش‌ها، تأمین‌کنندگان و مصرف منابع برای کشف علل ضایعات، افت کیفیت، توقف تولید، تأخیر سفارش یا مصرف غیرعادی بررسی می‌شوند. تحلیل ناهنجاری، شناسایی گلوگاه، بررسی الگوهای پیش از خرابی، بخش‌بندی تأمین‌کنندگان و مدل اولیه ریسک عملیاتی می‌تواند نقاط قابل مداخله و فرایندهای پرریسک را مشخص کند.
۰3
تراکنش‌ها، مطالبات، هزینه‌ها و اطلاعات سودآوری می‌توانند برای شناسایی موارد غیرعادی، عوامل تأخیر در پرداخت، مشتریان یا خدمات کم‌سود و محرک‌های اصلی هزینه تحلیل شوند. خروجی می‌تواند شامل کشف مغایرت، امتیازدهی اولیه ریسک، تحلیل سودآوری مشتری یا خدمت، شناسایی عوامل افزایش هزینه و اولویت‌بندی موارد نیازمند بررسی باشد.
۰4
داده‌های کارکنان می‌توانند برای بررسی عوامل خروج، غیبت، بار کاری، ارتباط آموزش با عملکرد و الگوهای جذب و ماندگاری تحلیل شوند. در پروژه‌ها نیز می‌توان عوامل مرتبط با تأخیر، اضافه‌هزینه و موفقیت را شناسایی کرد. تحلیل شبکه همکاری تیم‌ها، بخش‌بندی پروژه‌ها براساس ریسک و استخراج درس‌آموخته‌ها از پروژه‌های گذشته، به مدیریت بهتر منابع و برنامه‌ریزی پروژه‌های آینده کمک می‌کند.
۰5
شکایت‌ها، مکاتبات، گزارش‌ها، قراردادها، فایل‌ها و سایر مجموعه‌های متنی می‌توانند با روش‌های پردازش زبان طبیعی بررسی شوند. طبقه‌بندی اسناد، استخراج اطلاعات، تحلیل موضوعات پرتکرار، شناسایی شباهت‌ها و خلاصه‌سازی مجموعه‌های بزرگ از کاربردهای این بخش هستند. در صورت وجود داده‌های تصویری، شبکه‌ای یا حسگری نیز متناسب با مسئله می‌توان از پردازش تصویر، تحلیل شبکه، سری زمانی و تشخیص ناهنجاری استفاده کرد.
راهکار ها و مشخصات
بسته به نوع مسئله، داده و معیار موفقیت، می‌توان از تحلیل آماری، آزمون فرضیه، رگرسیون، طبقه‌بندی، خوشه‌بندی، تحلیل بقا، تشخیص ناهنجاری، سری زمانی، تحلیل متن، تحلیل شبکه، پردازش تصویر، شبیه‌سازی و روش‌های توضیح‌پذیری مدل استفاده کرد. ابزارهای مورد استفاده می‌توانند شامل Python، R، SQL، Jupyter، Spark، MATLAB، کتابخانه‌های یادگیری ماشین و ابزارهای مصورسازی باشند. توان پردازشی پیشرفته تنها زمانی به کار گرفته می‌شود که حجم داده، یادگیری عمیق یا شبیه‌سازی به آن نیاز داشته باشد.
مزایای محصول
این خدمت عدم‌قطعیت تصمیم را کاهش می‌دهد و کمک می‌کند سازمان پیش از ورود به توسعه پرهزینه، مسئله مناسب، داده قابل استفاده و راه‌حل ارزشمند را شناسایی کند. نتیجه تحلیل به زبان مدیر، فرایند و اقدام ترجمه می‌شود تا یافته‌ها در یک گزارش فنی متوقف نمانند.
۰۱
عملیاتی
کوتاه‌شدن مسیر از نشانه مبهم تا اقدام قابل‌آزمون
۰2
اقتصادی
جلوگیری از سرمایه‌گذاری روی مسائل و ایده‌های نامناسب
۰3
رقابتی
ترکیب دانش کسب‌وکار، علم داده و اثبات ارزش
۰4
فنی
مدل معتبر، توضیح‌پذیر و مقایسه‌شده با روش پایه
فرآیند اجرا و استقرار
فرایند با بررسی مسئله، ابهام یا تصمیم موردنظر آغاز می‌شود. سپس مسئله کسب‌وکار به پرسش‌های تحلیلی تبدیل، منابع داده ممیزی و روش‌های مناسب اجرا می‌شوند. در پایان، نتیجه فنی به ارزش کسب‌وکاری و یک تصمیم روشن درباره مرحله بعد تبدیل خواهد شد.
کشف مسئله و تعریف ارزش موردانتظار
از طریق جلسه با مدیران و خبرگان، نشانه‌های مسئله، فرضیه‌های موجود، تصمیم‌های مهم و نتیجه موردانتظار بررسی می‌شوند. در این مرحله مشخص می‌شود حل مسئله چه ارزش عملیاتی، اقتصادی یا مدیریتی برای سازمان ایجاد خواهد کرد. اگر مسئله مشخصی وجود نداشته باشد، همکاری می‌تواند با Data Discovery Sprint آغاز شود تا فرصت‌های تحلیلی براساس مسائل مدیریتی و داده‌های موجود شناسایی و اولویت‌بندی شوند.
صورت‌بندی تحلیلی و ممیزی داده
مسئله کسب‌وکار به متغیر هدف، پرسش تحلیلی و معیارهای موفقیت تبدیل می‌شود. سپس وجود، کیفیت، کفایت، تاریخچه و امکان دسترسی به داده‌های موردنیاز ارزیابی خواهد شد. خروجی این مرحله شامل تعریف دقیق مسئله، فهرست منابع داده، محدودیت‌های داده و تصمیم اولیه درباره امکان ادامه تحلیل است.
آماده‌سازی داده و کشف الگوها
داده‌ها استخراج، پاک‌سازی، تجمیع و برای تحلیل آماده می‌شوند. مقادیر گمشده، ناسازگاری‌ها و ارتباط میان منابع بررسی و دیتاست تحلیلی ساخته می‌شود. سپس روندها، روابط، گروه‌ها، ناهنجاری‌ها و عوامل احتمالی مرتبط با نتیجه استخراج می‌شوند تا فرضیه‌های مدیریتی با شواهد بررسی و پرسش‌های جدید شناسایی شوند.
مدل‌سازی، آزمون و اثبات ارزش
روش‌های آماری یا یادگیری ماشین متناسب با مسئله توسعه پیدا می‌کنند و با روش پایه مقایسه می‌شوند. عملکرد، پایداری، خطا، محدودیت‌ها و سوگیری‌های احتمالی بررسی و یافته‌ها با متخصصان کسب‌وکار اعتبارسنجی خواهند شد. هدف این مرحله اثبات جذابیت یک الگوریتم نیست؛ بلکه تعیین این موضوع است که آیا راه‌حل می‌تواند نتیجه قابل‌اندازه‌گیری و قابل استفاده‌ای برای سازمان ایجاد کند.
تفسیر مدیریتی و طراحی مرحله بعد
در پایان، وضعیت پروژه با یکی از تصمیم‌های «ادامه»، «اصلاح» یا «توقف» مشخص می‌شود. اگر ارزش و امکان فنی اثبات شده باشد، Solution Blueprint شامل معماری داده، منطق مدل، کاربران، معیارهای پذیرش، الزامات امنیتی، نحوه پایش و برنامه توسعه تهیه می‌شود.
نمونه خروجی و بنچمارک
بسته به دامنه همکاری، مشتری می‌تواند تعریف دقیق مسئله، نقشه فرصت‌های تحلیلی، گزارش آمادگی داده، دیتاست تحلیلی، تحلیل اکتشافی، عوامل اثرگذار، مدل آماری یا یادگیری ماشین، مقایسه مدل‌ها، گزارش محدودیت‌ها، توصیه‌های اجرایی، نمونه اولیه و Solution Blueprint را دریافت کند. معیارهای موفقیت پیش از آغاز پایلوت تعیین می‌شوند و ترکیبی از شاخص‌های فنی و کسب‌وکاری خواهند بود. دقت، خطا، پایداری یا قدرت تفکیک مدل باید در کنار اثر احتمالی بر هزینه، ریسک، زمان، کیفیت یا درآمد ارزیابی شود.
مرحله کشف
Data Discovery Sprint
مرحله اثبات ارزش
Analytical Proof of Value
مرحله طراحی راه‌حل
Solution Blueprint
پرسش‌های پرتکرار
خیر. اگر سازمان داده در اختیار دارد اما هنوز مسئله مناسب را انتخاب نکرده است، همکاری می‌تواند با Data Discovery Sprint آغاز شود. در این مسیر، مسائل مدیریتی، تصمیم‌های مهم، گزارش‌های موجود و نمونه‌ای از داده‌ها بررسی می‌شوند تا فرصت‌های تحلیلی شناسایی و براساس ارزش احتمالی و آمادگی داده اولویت‌بندی شوند.
خیر. ارزیابی، پاک‌سازی، تجمیع و آماده‌سازی داده می‌تواند بخشی از پروژه باشد. بااین‌حال، کیفیت، تاریخچه، کفایت و میزان دسترسی به داده بر دامنه تحلیل و اعتبار نتایج اثر می‌گذارد. در ممیزی داده مشخص می‌شود چه بخش‌هایی قابل استفاده‌اند، چه محدودیت‌هایی وجود دارد و برای ادامه پروژه چه داده‌های تکمیلی باید جمع‌آوری یا اصلاح شوند.
خیر. روش براساس مسئله انتخاب می‌شود. در برخی پروژه‌ها تحلیل آماری، آزمون فرضیه، قواعد کسب‌وکار یا اصلاح فرایند می‌تواند از یک مدل پیچیده یادگیری ماشین مفیدتر و قابل‌اعتمادتر باشد. اصل NAB این است که از الگوریتم آغاز نکند؛ بلکه روشی را انتخاب کند که بتواند با کمترین پیچیدگی لازم، پاسخ معتبر و قابل استفاده‌ای برای سازمان ایجاد کند.
خیر. سطح عملکرد مدل تنها پس از بررسی داده، ساخت روش پایه و اجرای آزمون معتبر قابل اعلام است. پیش از شروع پایلوت، معیارهای فنی و کسب‌وکاری تعیین می‌شوند و نتیجه با توجه به عملکرد مدل، پایداری، خطاها، محدودیت‌ها و ارزش عملیاتی ارزیابی خواهد شد. هدف Proof of Value کاهش عدم‌قطعیت و فراهم‌کردن شواهد کافی برای تصمیم‌گیری است، نه ارائه تضمین غیرواقعی پیش از تحلیل داده.
خروجی این خدمت معمولاً گزارش تحلیلی، مدل، نمونه اولیه، توصیه اجرایی یا Solution Blueprint است و استقرار یک نرم‌افزار کامل Production در خدمت جداگانه طراحی و صنعتی‌سازی راهکارهای هوش مصنوعی انجام می‌شود. محل پردازش براساس الزامات امنیتی سازمان تعیین خواهد شد و می‌تواند محیط داخلی مشتری، زیرساخت ابری مورد تأیید یا محیط ایزوله NAB باشد. سطح دسترسی، نحوه انتقال، مدت نگهداری، حذف داده و مالکیت کد، مدل و خروجی‌ها پیش از آغاز همکاری مشخص می‌شود.
