ما @ $! هو اكتشاف البيانات؟

يعج عالم الأعمال باكتشاف البيانات. على السطح ، يبدو المصطلح بسيطًا ، لكن عبارة الصيد هذه تعني أكثر من مجرد "اكتشاف الأشياء". إذن ما هو اكتشاف البيانات ، حقا؟ وكيف تنسجم مع المشهد الحديث للجوال والتحليلات والبيانات الضخمة؟

يتضمن اكتشاف البيانات ، الذي يشار إليه أحيانًا باسم استخراج البيانات ، جمع البيانات وتحليلها ، ثم تقديم النتائج بتنسيقات قابلة للقراءة ، قابلة للاستخدام. في أبسط المصطلحات ، اكتشاف البيانات هو عملية العثور على أنماط داخل البيانات واستخدام تلك الأنماط لتحقيق هدف أعمال معين.

بالطبع ، هناك ما هو أكثر لاكتشاف البيانات من مطابقة النقاط. تستخدم المؤسسات اكتشاف البيانات لمجموعة واسعة من الأهداف والتطبيقات في مختلف المجالات - وفي العالم الرقمي الحديث ، هناك المزيد من البيانات لاكتشافها أكثر من أي وقت مضى.

من أين أتت اكتشاف البيانات؟

على الرغم من أن اكتشاف البيانات جديد نسبيًا على معجم المصطلحات "الساخنة" في المصطلحات التجارية الرقمية ، فإن الأساليب والاستراتيجيات ليست جديدة. تم تقديم سلف المصطلح ، وهو التنقيب عن البيانات ، في التسعينيات ، لكن الشركات والمؤسسات تستخدم شكلاً من أشكال اكتشاف البيانات منذ فجر التجارة.

تم اكتشاف البيانات الحديثة كإستراتيجية أعمال من خلال ظهور البيانات الضخمة - وهو مصطلح جذاب يصف النمو الهائل نسبيًا لمجموعات البيانات الكبيرة والمعقدة حيث يستبعد الحجم الهائل من المعلومات استخدام قواعد البيانات التقليدية والأدوات التنظيمية استخراج أي شيء مفيد.

ومع ذلك ، تعد البيانات الضخمة صفقة كبيرة بالنسبة لأعمال اليوم ، لأن من بين كل تلك البيانات المنظمة وغير المنظمة هي أنماط مفيدة للغاية يمكن استخدامها لتحسين استراتيجيات التسويق وعائد الاستثمار والأرباح. لذلك ، تم تصميم منصات اكتشاف البيانات لمنح المؤسسات طرقًا أسهل لتحديد البيانات ذات الصلة وتحليلها واستخراجها.

كيف اكتشاف البيانات العمل

تتكون منصات اكتشاف البيانات عادةً من عدة أدوات يتم تجميعها معًا وتعمل جنبًا إلى جنب لاستخراج البيانات وتقديمها بطريقة مفيدة. هناك عدة طرق مختلفة لإيجاد هذه المعلومات وتحديد المعلومات ذات الصلة ، ولكن معظمها يدور حول ثلاث طرق تحليلية أساسية:

• البيانات الوصفية: يحتوي كل المحتوى الرقمي على بيانات وصفية أو "بيانات حول البيانات". يتم إخفاء هذه المعلومات بشكل عام عن المستخدمين النهائيين ، ولكنها مرئية في النهاية الخلفية. عادةً ما يتم تخزين البيانات التعريفية باستخدام جداول وخصائص الأعمدة - لذلك فإن أدوات اكتشاف البيانات التي تستخدم البيانات الأولية تبحث عن التطابقات في اسم العمود وحجم البيانات ونوع البيانات.
• التسميات: في كثير من الحالات ، يتم إنشاء البيانات وتجميعها ضمن تسميات أو علامات تصف البيانات داخل تلك المجموعة. قد يتم إنشاء هذه العلامات عند إنشاء البيانات ، أو يمكن إضافتها كمرجع ومعلومات إضافية. تشبه العلامات أو العلامات البيانات الأولية ، رغم أنها أقل رسمية.
• المحتوى: تحلل هذه الاستراتيجية البيانات نفسها ، بدلاً من التصنيفات أو البيانات الوصفية المرفقة.

عادةً ، سيكون حجم بيانات المحتوى أكبر بكثير من العلامات أو البيانات الوصفية ، مما يعني أن تحديد البيانات حسب المحتوى يستغرق وقتًا أطول ويستخدم طرق اكتشاف أكثر تعقيدًا. ومع ذلك ، يميل تحليل المحتوى أيضًا إلى تقديم نتائج علمية أكثر ثراءً وإفادةً.

بمجرد تحليل البيانات ، يمكن استخدام أدوات اكتشاف البيانات الأخرى لعرض العلاقات أو الاتجاهات أو الأنماط المكتشفة بتنسيق مفيد. الرسوم البيانية والجداول والرسوم البيانية هي أدوات العرض التقديمي الأساسية المستخدمة في اكتشاف البيانات ، ولكن العروض التقديمية الأكثر تعقيدًا والتي يمكن قراءتها ، مثل الرسوم البيانية ، تكتسب ميزة مع محللي البيانات.

ماذا يمكن اكتشاف البيانات تفعل؟

من حيث الاستخدام العملي ، هناك استخدامات غير محدودة تقريبًا لمنصات وأدوات اكتشاف البيانات. يتم استخدام هذه الأساليب والاستراتيجيات بشكل شائع من قبل المؤسسات التي تواجه المستهلكين في كل صناعة تقريبًا ، بما في ذلك تجارة التجزئة والمالية والاتصالات والتسويق ، على الرغم من أن المنظمات التي لا تهدف للربح ومنظمات الأعمال التجارية والوكالات الحكومية تستخدم هذه التكنولوجيا أيضًا.

يتيح اكتشاف البيانات للمؤسسة العثور على العلاقات بين العوامل الداخلية (مثل السعر ، وتحديد موضع المنتج وأداء الموظف) والعوامل الخارجية (مثل بيانات المنافسة والمؤشرات الاقتصادية والتركيبة السكانية للعملاء). تساعد هذه العلاقات الشركات على توضيح وتحديد آثار التغييرات على عامل واحد أو أكثر على المبيعات وإشراك العملاء والأرباح.

توفر الأدوات المستخدمة في اكتشاف البيانات صورة أكثر تفصيلًا للعوامل المؤثرة ، وتسمح للشركات بتعديل استراتيجيات التسويق والحملات الإعلانية الخاصة بها بمعلومات عالية الاستهداف. يعد محرك التوصية على خدمة الفيديو المتدفقة الشهيرة Netflix مثالاً جيدًا على تقنية اكتشاف البيانات في العمل. تستخدم الخدمة بيانات خارجية حول تاريخ مشاهدة العملاء والبيانات الداخلية حول محتوى الوسائط في قاعدة البيانات الخاصة بهم لتقديم اقتراحات فردية لمقاطع الفيديو الجديدة التي من المحتمل أن تهم عملائها.

لكن التطبيق المحتمل لاكتشاف البيانات يتجاوز مستهلكي التجزئة. ومن الأمثلة على ذلك برنامج Advanced Scout ، وهو برنامج تستخدمه الرابطة الوطنية لكرة السلة (NBA). إنه يحلل تحركات اللاعبين من التسجيلات المصورة لألعاب كرة السلة لمساعدة المدربين على تطوير الاستراتيجيات وتنظيم المسرحيات.

مع تقدم منصات اكتشاف البيانات وأصبحت التكنولوجيا في متناول الجميع ، ستتمكن المزيد من المؤسسات من استخدام هذه الأدوات لفهم عملائها بشكل أفضل وتقديم عروض فريدة ومخصصة تعمل على تحسين التجارة للجميع.