علم البيانات

Forgot password?

Delete Comment

Are you sure you want to delete this comment?

علم البيانات



سنركز على أهمية علوم البيانات ومناقشة مستقبل علم البيانات ، هو علم البيانات؟ علم البيانات هو مجال علمي يبحث عن الحقيقة يستخدم البيانات لاستخراج المعرفة والأفكار. يعد علم البيانات إحدى أسرع الوظائف نموًا ويوفر بالفعل قيمة هائلة عبر كل صناعة ومجال الدراسة. ومع ذلك ، لا يزال علم البيانات في مراحله الأولى

 ، وكما هو الحال في أي مجال نامي ، فمن المغري في كثير من الأحيان وضع حدود حول تعريفه. بدلاً من تصنيف ما الذي يعتبر أو لا يعتبر كعلم بيانات أو الجدل حول السبب في أننا يجب أن نكون على دراية بالبيانات ولكن لا نستند إلى البيانات ، فإننا نعتقد أنه من الأهمية بمكان ترك مجال لتتطور الانضباط عضوياً.لماذا يهم علوم البيانات؟أصبح إنشاء شركة تكنولوجيا وبناء منتج جيد واكتساب قوة جر أسهل بفضل تحسين الاتصال وتراجع تكاليف التخزين السحابية والحوسبة وإمكانية الوصول إلى منصات التوزيع للوصول إلى الجماهير المستهدفة. ونتيجة لذلك ، فإن الوقت الذي يستغرقه المنتج للوصول إلى 100 مليون مستخدم نشط شهريًا قد تقلص بشكل كبير ، ويستمر في التقلص اليوم. على سبيل المثال ، استغرق iTunes حوالي 100 شهر للوصول إلى 100 مليون مستخدم نشط شهريًا في عام 2003 ومجرد أيام لكي يقوم Pokemon Go بنفس الشيء. يحتوي المخطط أدناه على بعض الأمثلة الجيدة ، بدءًا من الهاتف.أدى الجمع بين المزيد من المنتجات التي تم إنشاؤها ، واشتريت المزيد من الأجهزة المتصلة بالإنترنت ، وزيادة الوقت الذي تقضيه عبر الإنترنت إلى ارتفاع كبير في حجم بيانات تفاعل المستخدم. كان هناك اهتمام كبير بالتنقيب عن هذه البيانات واستخلاص رؤى أساسية للمساعدة في بناء منتجات رائعة. يتم الآن قياس قدرة الشركة على المنافسة من خلال مدى نجاحها في تطبيق التحليلات على مجموعات البيانات الضخمة غير المنظمة عبر مصادر متباينة لدفع ابتكار المنتجات. لذلك ، هناك حاجة كبيرة لعلماء البيانات ، ويمكن لفريق من علماء البيانات الذكية إنتاج منتج أو كسره.  أدى هذا الاهتمام المتزايد في استخراج البيانات للرؤى إلى قيام فرق المنتج باستخدام البيانات للتركيز على أربع نتائج محددة.           تقييم صحة العمل: تتمثل إحدى النتائج الرئيسية لتحليل المنتج في تقييم صحة المنتج أو العمل. بمجرد تحديد نجاح المنتج عن طريق الهدف والقياس ، فإن الخطوة التالية هي مراقبة القياس للتأكد من أننا نسير على الطريق الصحيح لتحقيق الهدف. من الناحية التكتيكية ، يعمل المحللون على تحديد القيم المتطرفة وفهم دوافع التغييرات في المقاييس وإنشاء لوحات / تقارير / تصورات وما إلى ذلك.           شحن المنتجات والميزات المناسبة: يتمثل دور مهم آخر للتحليلات في ضمان بناء المنتجات والميزات المناسبة. تقوم العديد من الشركات بإجراء العديد من التجارب وشحن المنتجات بعد تقييم نتائج هذه التجارب. عادةً ما يساعد علماء البيانات في تصميم التجارب وتحديد الفرضيات المستنيرة للبيانات حول الظواهر ، وتوجيه فريق المنتج حول التحسين المستمر للمنتج من خلال رؤى البيانات.           نتائج التنبؤ وأنظمة إنتاج الطاقة - يتمثل دور آخر لعلماء البيانات في بناء نماذج / نماذج أولية وأنظمة إنتاج الطاقة باستخدام AI / ML. يقوم هؤلاء العلماء بتدريب نماذج تعلم الآلة لهذه الظاهرة من أجل التنبؤ بالتوقعات والاتجاهات المستقبلية.           قم بتعيين خارطة طريق واستراتيجية للمنتج: يؤدي الاستكشاف والتحليل الأعمق لرحلة المستخدم والظواهر إلى تكوين رؤى عملية يمكن أن تؤدي في النهاية إلى وضع خريطة طريق واستراتيجية للمنتج. تعد خارطة الطريق واستراتيجيتها القائمة على البيانات أحد أهم المخرجات لفريق تحليل المنتجات على المستوى العالمي.أدت هذه النتائج الأربعة على وجه التحديد إلى نوعين مختلفين من علماء البيانات في الصناعة - محللي المنتجات ومطوري الخوارزميات.ماذا يفعل علماء البيانات؟يشمل عنوان عالم البيانات أدوارًا متعددة تختلف اختلافًا كبيرًا بين الشركات والصناعات. ومع ذلك ، عمومًا هناك معسكرين رئيسيين لعلماء البيانات:           محللو المنتجات ، الذين يتمثل دورهم في تقديم قصص مستنيرة للبيانات تدافع عن التغيير في المنتج أو الاستراتيجية. على سبيل المثال ، لدينا نظام تسليم الإخطار SMS مكسورة في الهند. نتيجة لذلك ، نحتاج إلى التركيز على تحسين إشعارات الرسائل القصيرة في الهند ، مما سيساعد على إعادة النمو.           مطورو الخوارزميات ، الذين يتمثل دورهم في دمج الميزات التي تعتمد على البيانات في المنتجات (على سبيل المثال ، تحسين التوصيات أو نتائج البحث). على سبيل المثال ، زادت مستويات الاحتيال في إندونيسيا. قم ببناء نموذج جديد يركز على اتجاه الاحتيال الأخير في إندونيسيا.يركز محللو المنتجات على تحديد الأهداف وإبلاغ خرائط طريق المنتج واستراتيجياته. فهي تساعد على تحسين المنتجات من خلال تقييم وفهم صحتهم وتقديم قرارات المنتج (إلى حد كبير عن طريق التجريب). إن الناتج العام من محللي المنتج هو مستند لفريق المنتج يروي المشكلات القابلة للقياس الكمي والفرص المحددة والتوصيات والحلول المستندة إلى البيانات.  تتمثل الوظيفة الأساسية لمطور الخوارزمية في الاستفادة من البيانات لتحسين أداء المنتج سعياً لتحقيق هدف نهائي محدد ، عادةً ما يتنبأ بالنتائج أو بناء أنظمة الإنتاج . يستخدم مطورو الخوارزميات بشكل عام التعلم الآلي وتقنيات الخوارزمية المعقدة الأخرى للتنبؤ استنادًا إلى مدخلات من كميات هائلة من البيانات. بشكل عام ، اقترح مطورو الخوارزميات النموذج الأولي للحلول والعمل عن كثب مع الفرق الهندسية لتنفيذها في الإنتاج. إن ما يمكن تسليمه من مطوري الخوارزميات هو رمز نموذجي ووثائق يحصل عليها الفريق الهندسي. في حين أن كلا النوعين من العلماء يحتاجون إلى نظرة تحليلية ومهارات كمية وقدرة على تحديد الأولويات ، فمن النادر العثور على شخص يمكنه أن يتناسب مع كلا الدورين. يحتاج مطورو الخوارزميات إلى معرفة تقنية أكثر تطوراً ، مثل التعلم الآلي والذكاء الاصطناعي ، ومستوى من مهارات هندسة البرمجيات أقرب إلى مهارات المهندسين. محللو المنتج هم في المقام الأول حل المشكلات الذين يتم تمييزهم استنادًا إلى أعمالهم ، ومنتجاتهم ، وقدرتهم على التواصل بفعالية مع مجموعة واسعة من أصحاب المصلحة.بينما تتطلب بعض المؤسسات فقط مطوري الخوارزميات ، تستفيد جميع الشركات ، وخاصة تلك التي تتمتع بقاعدة مستخدم كبيرة ، من محللي المنتجات الذين يمكنهم المساعدة في التنقل بين المنتجات والتحديات التنافسية والاستراتيجية الأخرى. في وقت لاحق من هذه السلسلة من منشورات المدونة ، سنوفر إرشادات إضافية حول التوظيف ، والتدريب ، والتدريب ، وإدارة محللي المنتجات حتى يتمكنوا من المساهمة على أعلى المستويات.لذلك ، هل تحتاج الشركات إلى توظيف مطوري الخوارزميات وأن تكون معتمدة على البيانات أكثر أم أنها يجب أن توظف محللي المنتجات وأن تكون أكثر استنارة للبيانات؟ تعتمد النتائج على البيانات بحتة عندما تكون البيانات هي الإشارة الوحيدة المطلوبة لاتخاذ قرار. في المقابل ، في القرارات المستنيرة للبيانات ، تعتبر البيانات مدخلات قوية ولكنها ليست المدخلات الوحيدة. بشكل عام ، يكون محللو المنتج على علم بالبيانات ويقوم مطورو الخوارزميات بالاستناد إلى البيانات.تطور علم البياناتتخيل عالما تعرف فيه الآلة كل شيء عنك وتستطيع التسوق معك دون أن تطلب ذلك صراحة ؛ يعرف الطعام الذي تحبه وتطبخه لك ؛ يعرف اختياراتك ويمكنه اتخاذ القرارات نيابة عنك ويعرف ما هو جيد لك ويخطط لحياتك. هذا العالم بعيد عن المستقبل ويتطلب الذكاء الاصطناعي للسيطرة على معظم حياتنا. لكي نحرز تقدماً نحو هذا الحلم ، نحتاج إلى أن نكون أكثر اعتمادًا على البيانات.في عالم مثالي يحتوي على معلومات كاملة وفهم كامل لجميع محركات نظامك وكيف يتفاعلون مع بعضهم البعض ، سوف يتقارب كلا الطريقتين. من أجل بناء نموذج مثالي ، يجب فهم الظاهرة قيد الدراسة بالكامل ؛ يمكن وصف العلاقة بين البيانات والظاهرة بنموذج مثالي (ومجموعة الميزات الغنية المرتبطة). من أجل التطور إلى هذا المستوى من الكمال وأيضًا إحراز تقدم في الفترة الانتقالية ، سيحتاج العالم إلى مواصلة إحراز تقدم في صنع القرارات المستنيرة إلى البيانات. أي ، نحن بحاجة إلى مواصلة تعزيز عملية صنع القرار لدينا من خلال تدابير ذاتية أخرى لا يمكن تقديرها بسهولة بعد. عندما نبدأ في فهم أعمق للعلاقات بين الكائنات ، فإن المزيد والمزيد من العمليات سوف تتم تلقائيًا وسيكون المستقبل أكثر اعتمادًا على البيانات من المعلومات المستنيرة. ومع ذلك ، سيظل اتخاذ القرارات المستنيرة للبيانات في غاية الأهمية للعقود القليلة القادمة ، وسوف يتحسن صنع القرار القائم على البيانات فقط مع التقدم من الأشخاص الذين يتم إبلاغهم بالبيانات.من الأكثر وضوحًا فهم الاختلافات بين اتخاذ القرارات المستنيرة إلى البيانات واتخاذ القرارات القائمة على البيانات عن طريق الأمثلة.                تحديد الأهداف . الأهداف الجيدة قابلة للقياس وقابلة للقياس الكمي. ستصبح القدرة على تحديد الأهداف وتتبعها مدفوعة بشكل متزايد بالبيانات. على سبيل المثال ، قد يكون تتبع Facebook للمستخدمين النشطين مؤتمتًا بالكامل. ومع ذلك ، فإن تحديد الأهداف الفصلية والسنوية المناسبة للمستخدمين النشطين والإيرادات ربما يكون تلقائيًا جزئيًا فقط وسيظل مطلعا على البيانات.                تحديد خارطة الطريق والاستراتيجية. إن وضع خارطة طريق واستراتيجية ليس كميًا ، وبالتالي يتطلب نهجًا مستنيرًا للبيانات. على سبيل المثال ، باستخدام البيانات ، يمكن تطوير خارطة طريق لزيادة الاستخدام النشط اليومي من خلال التركيز على إشعار الرسائل القصيرة. تتناول خارطة الطريق الجيدة الأهداف ذات الصلة ، والدوافع وراء هذه الأهداف ، والرافعات التي لدى فريق المنتج ، وجميع مسارات العمل التي يمكن اتخاذها. كثير من هذا النوعي ، لذلك فإن عملية بناء خارطة الطريق وتحديد الإستراتيجية هي في المقام الأول مستنيرة بالبيانات.                 نتائج التنبؤ . نتائج التنبؤ تعتمد في الغالب على البيانات. على سبيل المثال ، يتطلب معرفة ما إذا كان سيتم عرض قصة لمستخدم أم لا ، فهم عوامل متعددة ، بما في ذلك احتمال قيام المستخدم بالنقر فوق هذه القصة أو قراءتها. تقوم الشركات عادةً بتطوير نماذج يتم تكرارها باستمرار للتنبؤ بهذه النتيجة المحددة.                تشغيل أنظمة الإنتاج. بالنسبة لشركات مثل PayPal لتحديد النشاط الاحتيالي لأي معاملة ، فإن إجراء ذلك يدويًا لجميع المعاملات أمر مكلف للغاية. نتيجة لذلك ، يعتمدون إلى حد كبير على التعلم الآلي لتشغيل أنظمة الإنتاج الخاصة بهم وأتمتة حساب احتمال حدوث معاملة سيئة. جزء كبير من عملية صنع القرار التي تتبع تقييم الاحتمال مؤتمتة أيضًا. ومع ذلك ، في المناطق التي توجد فيها مستويات منخفضة من الثقة في تقييمات الاحتمالات ، يمكن أن تكون عملية اتخاذ القرار مستنيرة بالبيانات. الوجبات السريعة                أصبح تحسين المنتجات وتحقيق الدخل من البيانات ميزة تنافسية في السنوات الأخيرة. منظمة بيانات قوية ومنظمة تنظيماً جيداً هي أداة تمييز قوية.                يقود علماء البيانات قرارات المنتج الرئيسية عبر الشركات وبناء خوارزميات الجيل التالي لتحسين عملية صنع القرار.                سيستمر العالم في أن يصبح مدفوعًا بشكل متزايد بالبيانات ، لكن عملية اتخاذ القرارات المستنيرة للبيانات ستبقى ذات صلة. 

Like
Comment
Loading comments