آینده هوش تجاری (BI) | ترندهای برتر هوش تجاری در سال ۲۰۲۴

ترندهای برتر سال ۲۰۲۴

آیا سازمان شما هم یکی از آنها خواهد بود؟ نرم افزار BI مناسب و سطح بالای بلوغ داده‌ها می تواند شما را به آنجا برساند. این مقاله در مورد آینده هوش تجاری، روندهای فعلی و مسیر احتمالی آنها در سال آینده بحث می‌کند.

• 1. هوش مصنوعی مولد – Generative AL

مدل‌های زبان بزرگ (LLM) یا برنامه‌های هوش مصنوعی (AI) مدل‌های یادگیری ماشینی هستند که وظایف مربوط به زبان را بر اساس الگوها و دانش به دست آمده انجام می‌دهند. این وظایف شامل تولید متن، پاسخ به سؤالات و تولید تصاویر، موسیقی و کد هستند. نظرسنجی Forbes Advisor بیان می کند که ۹۷٪ از صاحبان مشاغل معتقدند ChatGPT به کسب و کار آنها کمک می‌کند. LLM ها بینش شخصی، مدیریت ارتباط با مشتری، امنیت سایبری و مدیریت تقلب را ارائه می‌دهند.

استفاده از آنها به قدری آسان است که مخالفان معتقدند وابستگی به LLM ممکن است افراد را تنبل کند و در نتیجه کمتر به دنبال کسب مهارت های فنی بروند. ترس از دست دادن شغل نگرانی جدی دیگری است، اما شاید ما نیازی به نگرانی نداشته باشیم. همانطور که در بالا ذکر شد، مسائل مربوط به اعتماد با محتوای تولید شده توسط LLM ادامه دارد و حداقل در حال حاضر نظارت انسانی بر روی آن خروجی‌ها ضروری است. کیفیت خروجی‌های یک مدل هوش مصنوعی مولد حداکثر برابر با میزان توانمندی افرادی است که آن را اجرا می کنند.

نگاه به آینده هوش مصنوعی مولد – Generative AI

به گفته گارتنر، تا سال ۲۰۲۷، هوش مصنوعی مولد هزینه‌های نوسازی را تا ۷۰ درصد کاهش می‌دهد، بعد از رسیدن به این وضعیت دیگر راه برگشتی نیست، آینده هوش تجاری با توجه به سهولت استفاده از هوش مصنوعی مولد، کاملا تحت تاثیر آن خواهد بود.
بر اساس نظرسنجی McKinsey، یک چهارم مدیران C-level اعتراف کردند که شخصاً از ابزارهای هوش مصنوعی مولد برای کار استفاده می‌کنند. بیش از ۴۰ درصد از پاسخ دهندگان گفته‌اند که پیشرفت های امیدوارکننده هوش مصنوعی مولد، سازمان‌های آنها را تشویق می کند تا سرمایه گذاری خود را در زمینه هوش مصنوعی افزایش دهند.

فیلیپ مویر معاون جهانی هوش مصنوعی و راه حل‌های کسب و کار Google Cloud می‌گوید: “اگر رهبران بر روی دلتای بین کارهایی که کارمندان دوست دارند انجام دهند و کارهایی که اغلب باید انجام دهند تمرکز کنند، می توانند موارد استفاده از هوش مصنوعی مولد را هدف قرار دهند که باعث خوشحالی و بهره وری کارگران می شود.” منبع

2. 2. 2. مدیریت داده‌ها

از آنجایی که داده ها رگ حیاتی عملیات و تجزیه و تحلیل هستند، مدیریت آن ضروری ترین بخش جریان داده است. مدیریت داده یک اصطلاح عام برای مدیریت کیفیت، به اشتراک گذاری امن داده ها و دسترسی به اطلاعات آماده در عین حفظ عملکرد پرس و جوی سریع است.

• مدیریت خودکار کیفیت داده‌ها: حفظ کیفیت داده‌ها چیزی بیشتر از حذف مقادیر ناقص و متناقض، نمایه سازی و غنی سازی داده است. تقاضای فزاینده‌ای برای ماژول‌های مشاهده‌پذیری برای رسیدگی به مسائل غیرمنتظره و توقف برنامه‌ریزی نشده در خطوط جریان داده وجود دارد، AWS Glue Data Quality یکی از این کاربردها برای فرآیندهای ETL است. داده‌های با کیفیت بالا باعث تصمیم‌گیری مطمئن و ارتقای اعتماد مشتری می‌شود.
• اقتصاد داده: شرکت‌ها به دنبال داده‌های شخص ثالث هستند تا علیرغم تغییر ترجیحات مشتری، و همچنین تغییرات اقتصاد و سیاست، بتوانند رقابتی باقی بمانند؛ بازارهای داده راهی قانونی برای غنی‌سازی داده‌های در دسترس شرکت‌ها برای دریافت بینش‌های خارجی ارائه می‌دهند.
  بازارهای داده، فروشگاه‌های آنلاینی برای خرید و فروش ایمن داده‌ها هستند، از جمله به این دلیل که فناوری‌های محاسباتی مدرن پردازش داده‌ها را به شکل رمزگذاری‌شده آن امکان‌پذیر می‌سازد. ایجاد یک بازار داده نیاز به کاتالوگ داده، موتور ابرداده، امنیت و حاکمیت داده با فرآیندها و سیاست های کاملاً تعریف شده دارد. Snowflake دارای یک بازار داده با اتصال به بیش از ۴۸۰ ارائه دهنده داده است. قابل درک است که شرکت‌ها نگرانی‌های مربوط به کیفیت داده‌ها را دارند.
• فراداده فعال: فراداده فعال (Active metadata)، شکل نسل بعدی فراداده ایستا (Static metadata)، مجموعه‌های داده و فیلدها را با جستجوهای ساده در رابط کاربری ارائه می‌کند، بنابراین امنیت و کیفیت داده‌ها باید همیشه در نقطه نظر باشد. یافتن داشبوردها، پرس و جوها و ستون‌ها بر اساس نام در رابط کاربری نمونه‌هایی از کاکردهای متادیتای فعال هستند. فراداده فعال به شناسایی روابط مجموعه داده، جستجوی واژه نامه، تجزیه پرس و جو و بازیابی سلسله داده ها کمک می‌کند تا بررسی شود که آیا داده ها صحیح هستند و اینکه از کجا نشات گرفته اند.
  همانطور که Prukalpa Sankar در مقاله خود در مورد فراداده فعال می گوید، “اگر (فراداده) فعالانه به مکان‌هایی که افراد قبلاً در آن هستند حرکت کند، بخشی از آن می‌شود و زمینه (Context) را به یک مکالمه بزرگ‌تر می‌افزاید” با استفاده از فراداده فعال، می‌توانید تجربه کاربر را با قرار دادن سریع دارایی‌های داده محبوب و فضای آزاد با پاک کردن داده‌های بلا استفاده، تسریع پردازش و تخصیص منابع محاسباتی به صورت پویا، غنی کنید.
• مش داده – Data Mesh: مش داده بر روی مفهوم طراحی نامتمرکز دامنه محور (DDD: Domain-Driven Design) برای تیم‌های داده کار می‌کند و داده‌ها را به عنوان محصول نهایی آنها در نظر می گیرد. این تیم داده‌های جداگانه‌ای را برای حوزه‌های مختلف عملیاتی و تحلیلی پیشنهاد می‌کند. هر تیم باید متشکل از افراد نزدیک به آن داده‌ها باشد. مدیران و کارشناسان داده که مسئول ساخت مدل‌های داده و انتشار داده‌ها برای مصرف کنندگان هستند. اگرچه شبکه داده به دلیل پشتیبانی از قابلیت مشاهده به طور پیوسته پیروانی را جذب می کند، بسیاری از شرکت‌ها مجموعه مهارت، و بلوغ ابزاری مورد نیاز را ندارند. پذیرش این مفهوم در مقیاس بزرگ ممکن است مدتی طول بکشد تا تحقق یابد.
• نگاه به آینده: بازارهای داده بدون خرید نرم افزار اضافی، بینش جامعی را در اختیار شما قرار می‌دهند. مزایای اشتراک‌گذاری داده‌ها بسیار بیشتر از خطرات آن است؛ رعایت مقررات حفظ حریم خصوصی داده‌ها هنگام خرید یا فروش داده‌های شخص ثالث در آینده BI مورد توجه قرار خواهد گرفت.

• 3. ابزارهایی با کارکردهای اصلی هوش تجاری

با توجه به تمرکز کسب وکارها بر کنترل هزینه‌ها، شرکت‌ها ویژگی‌های ضروری BI را به ویژگی‌های فانتزی و جدید اولویت می‌دهند. این امر باعث تشویق هزینه‌های کارآمد و افزایش بازگشت سرمایه می شود زیرا شرکت‌ها منابع را فقط به آنچه برای نیازهای تجزیه و تحلیل داده‌های خاص آنها ضروری است اختصاص می‌دهند.

تمرکز بر ویژگی‌های ضروری BI، تجربه کاربر را با کاهش پیچیدگی و ساده‌سازی ابزارها افزایش می‌دهد و کارمندان بیشتری را به استفاده از این ابزارها توانمند می‌کند. علاوه بر این، به شرکت‌ها کمک می‌کند که چابک بمانند و سریع‌تر با بازارهای در حال تغییر سازگار شوند.

نگاه به آینده: آینده هوش تجاری احتمالاً شاهد تمرکز فروشندگان بر روی یک پلتفرم، یک راه‌حل، به جای ساختن یک سیستم برای چندین نیاز خواهد بود. این تکه تکه شدن اولیه به یکپارچه‌سازی سیستم با بسیاری از فناوری‌ها که با هم کار می‌کنند پیشرفت خواهد کرد. با پیش‌بینی ادغام‌های بیشتر سیستم‌های مختلف، فروشندگان گزینه‌های یکپارچه‌سازی کارآمد را در پیشنهادهای خود ایجاد می‌کنند. این در حال حاضر اتفاق افتاده است.

• 4. مدیریت هزینه‌های سیستم‌های ابری

هزینه‌های فزاینده محاسبات ابری و ذخیره‌سازی برای شرکت‌ها بسیار زیاد است و آنها برای کنترل هزینه‌ها تلاش می‌کنند. آیا می دانستید که نتفلیکس بیشتر ۱ میلیون دلار اختصاص داده شده به فضای ابری خود را صرف ذخیره سازی AWS می‌کند؟

چشم انداز آینده: در آینده BI، مدیریت هزینه‌های ابری برای شرکت‌ها مهم خواهد بود و شرکت‌ها به سرمایه‌گذاری در بستر ابری اما با احتیاط بیشتر ادامه خواهند داد. پلتفرم‌های فراداده فعال مانند Atlan با بهینه‌سازی پردازش داده‌ها و حذف داده‌های بلااستفاده برای ایجاد فضا به کاهش هزینه‌ها کمک می‌کنند.

Snowflake و Databricks در حال سرمایه گذاری در توسعه ویژگی‌هایی برای کاهش هزینه‌ها هستند. Snowflake در ژوئن ۲۰۲۳ اعلام کرد که قصد دارد با فشرده‌سازی بهبود یافته‌ی داده‌ها، ذخیره‌سازی را ۷ تا ۱۰ درصد کاهش دهد. Databricks قصد دارد با معرفی موتور پرس و جو (Query) و بهینه‌ساز خودکار ETL، زمان واکنش را ۱۲ برابر سریع‌تر کند.

کسب و کارهایی که نمی توانند سیستم مورد نیاز را بطور داخلی توسعه دهند ممکن است به دنبال گزینه‌های مقرون به صرفه و شخص ثالث باشند و فروشندگان کوچک ممکن است برای رفع این نیاز وارد عمل شوند. احتمالا اولین‌هایی که وارد بازار بهره وری ابر داده می شوند عبارتند از Bluesky، Slingshot و CloudZero و کسب و کارهایی که می‌توانند در حال جابجایی هستند. در توسعه اخیر، X (توئیتر سابق) با انتقال دارایی‌های داده خود به خارج از ابر، هزینه های ابر را تا ۶۰ درصد کاهش داد.

• 5. داستان سرایی داده بطور خودکار

کمتر از یک سوم کارکنان شرکت‌ها می‌توانند به طور مستقل از داده‌ها استفاده کنند. علی رغم در دسترس بودن نرم افزارهای تجزیه و تحلیل سلف سرویس و همچنین روند رو به رشد دموکراسی سازی داده‌ها، برای مطالعه و استفاده از داده‌ها به مهارت‌هایی مانند آمار و دانش علوم کامپیوتر نیاز هست. این هوش مصنوعی دوباره با توصیه‌های خودکار، مصورسازی داده‌ها و تولید بینش کمک می‌کند. شما می توانید مصورسازی ها و گزارش‌ها را با دستورات متنی ساده ایجاد کنید و از دستیار دیجیتالی هوش مصنوعی خود بخواهید نتایج را توضیح دهد.

افزودن خلاصه‌های زبان مشترک به گزارش‌ها و مصورسازی‌ها زمینه انسانی را اضافه می‌کند و تفسیر نتیجه را ساده می‌کند. برای کاربران تجاری، داستان سرایی داده ها بطور خودکار دریافت بینش‌های بصری را ممکن می کند. برای کارشناسان داده، تجزیه و تحلیل و وظایف مربوط به داده را تسریع می کند. علاوه بر این، نتایج مبتنی بر هوش مصنوعی عینی و بی‌طرفانه هستند.

اینجا یک سوال هم مطرح می‌شود: چرا وقتی که به درخواست شما تصاویری آماده و توضیحاتی قابل درک را ایجاد میشوند، به ابزارهای کاربردی و انجام دادن کارهایی مثل کشیدن و رها کردن در رابط کاربری نیاز دارید؟ باید منتظر بمانیم و ببینیم که آیا داستان سرایی داده خودکار جایگزین تجزیه و تحلیل سلف سرویس می‌شود؟