سیستم های پشتیبان تصمیم (DSS)

( سیستم های پشتیبان تصمیم (DSS) ) در دنیای واقعی هر سیستم که بتواند شما را در تصمیم‌گیری یاری رساند یک  DSSخوانده می‌شود حتی اگر این یاری رساندن در حد یک گزارش ساده انبارداری باشد. ولی در تعریف جامع آن در دنیای فناوری به سیستم های منعطف و دوسویه فناوری اطلاعاتی گفته می‌شود که به منظور پشتیبانی از تصمیم‌گیری‌های ساختار نیافته شکل گرفته‌اند، از این رو یک DSS بخشی از یک ابزار حرفه‌ای تجزیه و تحلیل محسوب می‌شود. هدف اصلی یک DSS تهیه موارد زیر برای شماست:

• * ارائه یک واسط کاربر آسان و گرافیکی
• * دسترسی به مقادیر زیادی اطلاعات
• * مدل ها و ابزارهای (آماری و تجزیه و تحلیلی برای بررسی اطلاعات)

هر DSS سه جزء دارد که هریک از آن‌ها روی یکی از سه هدف گفته شده در بالا تمرکز دارد. در پکیج جامع دیجیتال مارکتینگ تخصصی نوکارتو می‌توانید پیرامون موضوع بازاریابی عناصر چند رسانه ای، اطلاعات جامعی را به‌دست بیاورید.

جزء اول: مدیریت واسط کاربر مدیریت واسط کاربر قابلیت ارتباط با DSS را برای کاربر محیا می‌کند و بخشی از یک DSS است که در معرض دید کاربر است و از طریق آن اطلاعات، فرمان‌ها و مدل ها وارد سیستم می‌شوند. برای نمونه منوها، دکمه‌ها، فرمول‌ها در برنامه اکسل همگی اجزای ورود داده ها در برنامه اکسل هستند. در داشبورد دیجیتال نیز شما می‌توانید با کلیک روی نمودارها مقادیر هر یک را ببینید و یا بازه‌های گزارش‌گیری خود را تغییر دهید. بعد از آن‌چه گفته شد باید دوباره به سادگی در استفاده واسط کاربر تأکید کرد.

جزء دوم: مدیریت داده بخش مدیریت داده یک DSS به ذخیره‌سازی، مرتب‌سازی و نگهداری از اطلاعات و در مقابل دسترسی DSS به اطلاعات را می‌دهد. برای مثال در برنامه اکسل شما می‌توانید فایل های صفحه گسترده ایجاد، ذخیره و بازیابی کنید و در صفحه شامل صفحات بیشمار دیگری باشد. علاوه بر این شما می‌توانید از منابع خارجی اطلاعات به اکسل وارد کنید و مورد بهره برداری قرار دهید. اطلاعات کلید اصلی تحلیل داده هاست و با استفاده از تحلیل داده هاست که می‌توان به هوشمندی کسب و کار رسید. اطلاعاتی که در DSS ها استفاده می‌شود از سه منبع زیر تهیه می‌شود:

1. اطلاعات سازمانی: DSS می‌تواند طوری طراحی شود که از اطلاعات پایگاه داده، انبار داده یا از بخش‌های میزبان سیستم های CRM و یا SCM استفاده کند.
2. اطلاعات خارجی: برخی تصمیمات نیازمند اطلاعات خارج از سازمان است. برخی شعبات آژانس‌های دولتی و سازمان بورس می‌توانید یکی از تأمین کنندگان اطلاعات خارج از سازمان شما باشند.
3. اطلاعات شخصی: اطلاعات و تجربیات شخصی کاربران نیز می‌تواند به عنوان یک منبع اطلاعاتی DSS مورد استفاده قرار گیرد.

جزء سوم: مدیریت مدل این جز شامل تعداد زیادی ابزارهای تحلیلی، فنون و مدل ها می‌شود. انتخاب ابزارها، فنون و مدل ها به نوع تصمیم‌گیری کاربر بستگی دارد. برای نمونه در برنامه اکسل یکسری ابزارهای آماری توصیفی، عملیات مالی، ریاضی و هندسی، مهندسی و … می‌باشد. علاوه بر این مدل ها شما می‌توانید با استفاده از ویژوال بیسیک مدل هایی برای خود طراحی و در اکسل استفاده کنید. خدمات تخصصی اینستاگرام اعتبار و تداوم کسب و کارتان را تضمین می‌کند.

مدل های داده کاوی و ابزارهای آن

در مقالات قبلی راجع به داده کاوی و برخی ابزارهای آن صحبت کردیم ابزارهای دیگری در زیر اضافه شده‌اند:

1. پایگاه داده و DBMS: به عنوان قلب هر سازمان که هر تحلیلی از آن‌جا آغاز می‌شود. در پایگاه داده هاست که اطلاعات حیاتی سازمان ها جمع‌آوری می‌شود و در هوشمندی کسب و کار استفاده می‌شود.
2. ابزارهای پرس و جو و گزارش‌گیری: مانند QBE و SQL و گزارش سازها
3. ابزارهای تحلیلی چند بعدی MDA: ابزارهایی که به کمک آن می‌توان ابعاد مختلف اطلاعات را از زوایای مختلف مشاهده کرد.
4. داشبورد دیجیتال: اطلاعات مختلف جمع‌آوری شده از منابع مختلف را بنا به نیاز کاربر روی صفحه نمایش نشان می‌دهد.
5. ابزارهای آماری که به شما در بکارگیری مدل های ریاضی برای کسب اطلاعات جدید از دل اطلاعات کمک می‌کند.
6. سیستم های اطلاعات جغرافیایی: نوعی DSS که به تجزیه و تحلیل اطلاعات جغرافیایی می‌پردازد.
7. تجزیه و تحلیل های تخصصی مانند تحلیل های پیشگویی کننده و تحلیل های نوشتاری: این نوع تحلیل ها کاربردهای بسیاری در همه صنایع و کسب و کارها دارند.
8. هوش مصنوعی: علم توانمندسازی ماشین‌ها برای تقلید از تفکر و رفتار انسان

در ادامه دو ابزار تحلیلی تخصصی بسیار مقبول کسب و کارها را فرا می‌گیرید. از نظر تصمیم‌سازی همه ابزارهای داده کاوی بالا به منظور انجام وظایفی که با هوشمندی کسب و کار ارتباط دارد تعریف شده‌اند که برخی از آن‌ها در زیر آمده است:

1. مدل سازی مستقل یا مرتبط: برای نمونه یک خواربار فروشی ممکن است متوجه ارتباطی میان فروش یک کالا با کالای دیگر شود مثلا کره بادام زمینی با مربای سیب، بدین سان حتما اهمیت ارائه کوپن‌های تشویقی و فروش ضرب‌دری را بهتر درک می‌کنید.
2. خوشه‌بندی: به عنوان مثال گروه‌بندی مشتریانی که یک علاقه‌مندی خرید مشترک دارند.
3. طبقه‌بندی: و یا همان پیش‌بینی (اگرچه هم معنی نیستند ولی به مفهوم ارزیابی داده های تاریخی شناخته شده برای ایجاد ساختاری که بتوان آن را در داده های جدید و شاید در داده های آینده مورد استفاده قرار داد.
4. رگرسیون: اگرچه رگرسیون یک واژه آماری است ولی فقط در تحلیل رگرسیون در آمار از آن استفاده نمی‌شود. هدف رگرسیون در اینجا یافتن ارتباط منطقی و علت و معلولی میان گروه‌های داده هاست.
5. خلاصه سازی: اگرچه یکی از ساده‌ترین ابزارهاست ولی یکی از قوی‌ترین‌ها در داده کاوی است. جمع کردن، میانگین گرفتن، انحراف معیار، هیستوگرام، فراوانی، توزیع‌ها و بسیاری دیگر از ابزارهای آمار توصیفی بسیار پرکاربرد می‌باشند که می‌توانند حتی نیاز به کار برد داده کاوی بیشتر را کمرنگ‌تر کنند. با استفاده از خدمات دیجیتال مارکتینگ شرکت نوکارتو می‌توانید به کسب و کار خود رونق بخشید.

تحلیل پیشگویی کننده

این تحلیل یکی از فناوری های داده کاوی است که نیازمند عملیات محاسباتی بسیار است تا بتواند با کمک اطلاعات و هوشمندی کسب و کار مدل های پیشگویی کننده‌ای برای کاربردهای آتی کسب و کارها ارائه کند. تحلیل پیشگویی کننده از اطلاعات گذشته برای پیشگویی آینده استفاده می‌کند. این ابزار کاربردهای بسیاری در صنایع مختلف مانند بیمه، خرده فروشی، سلامت، گردشگری و خدمات مالی دارد.
تعیین هدف پیشگویی از اهمیت ویژه‌ای برخوردار است. اگر اهداف این تحلیل ها درست تعیین نشده باشند نتیجه‌ای که پس از اعمال تصمیمات خود خواهید گرفت پر از اشتباه خواهد بود.
شاخص های پیشگویی ارزش های قابل اندازه‌گیری خاصی هستند که بر اساس ویژگی‌های یک موجودیت تعریف می‌شوند. بهترین شیوه یادگیری هدف و شاخص پیشگویی از طریق یک مثال است. برای مثال یک CRM از اطلاعات پروفایل مشتریان، اطلاعات تاریخچه مشتریان، و اطلاعات فعالیت‌های بازاریابی استفاده می‌کند. موتور پیشگویی تحلیلی از اطلاعات مختلف استفاده کرده و یکسری شاخص های پیشگویی را مشخص می‌کند که از روی آن‌ها می‌تواند بهترین مدل از رفتار مشتری را که به دنبال آن هستیم تولید کند. در نهایت موتور پیشگوی تحلیلی، مدلی به شکل فرمول برای هر مشتری ایجاد می‌کند که بر اساس یک ارزش پیشگو می‌توان همه مشتریان را با آن سنجید.

با توجه به موجودیت مشتری، موتور پیشگوی تحلیلی ممکن است ویژگی‌های زیر را برای پیشگویی خود انتخاب کند.

1. تکرار خرید
2. نزدیکی آخرین زمان خرید
3. حضور در فیس بوک
4. حضور در توییتر
5. تعداد خریدهایی که در آن‌ها چندین کالا خریداری شده است

در مرحله بعدی موتور پیشگو با توجه به اهمیت هر یک به آن‌ها وزن می‌دهد که این موضوع از منظر محاسبات بسیار پیچیده و خارج از بحث است. مدل های پردازشی و الگوریتم هایی که ممکن است توسط موتور پیشگوی تحلیلی ( سیستم ) مورد استفاده قرار گیرد شامل برنامه ریزی خطی، قوانین ارتباطی، رگرسیون، تحلیل سبد بازار، تحلیل خوشه ای و … می‌باشد. در نهایت ممکن است مدل ایجاد شده شبیه چیزی باشد که در زیر می‌بینید:

Costumer# = (frequency of purchase in last 30 days)*0/2 + (recency)*0/1 + (presence on facebook)* 0/3 +(presence on Tweeter)*0/1 + (number of multiple product purchases)*0/3

پس از اعمال فرمول به همه مشتریان، هر مشتری یک امتیاز شاخص به دست می‌آورد که می‌توان آن‌ها را بر این اساس رتبه‌بندی کرد و بعد از این شما هستید که به عنوان تصمیم گیرنده نهایی تعداد مشتریان را بر اساس رتبه‌بندی آن‌ها انتخاب می‌کنید. شما می‌توانید با استفاده از پکیج جامع بازاریابی و تبلیغات تخصصی اینستاگرام باعث پیشرفت کسب و کار خود شوید.  

برای مطالعه مقاله های دیگر در زمینه‌های مختلف فناوری اطلاعات و ارتباطات اینجا کلیک کنید.