ব্যবসায়িক বিশ্লেষণে ডেটা বিশ্লেষণ। বিগ ডেটার যুগে ব্যবসায়িক বুদ্ধিমত্তা

CIS দেশগুলির ছোট ব্যবসাগুলি এখনও তাদের ব্যবসার বিকাশ, পারস্পরিক সম্পর্ক নির্ধারণ, বা লুকানো নিদর্শনগুলি অনুসন্ধান করতে ডেটা বিশ্লেষণ ব্যবহার করেনি: উদ্যোক্তারা বিপণনকারী এবং হিসাবরক্ষকদের রিপোর্টের সাথে কাজ করে। ছোট এবং আংশিক মাঝারি আকারের উদ্যোগের পরিচালকরা বিশ্লেষণের চেয়ে তাদের অন্তর্দৃষ্টির উপর বেশি নির্ভর করে। কিন্তু একই সময়ে, বিশ্লেষণের প্রচুর সম্ভাবনা রয়েছে: এটি খরচ কমাতে এবং লাভ বাড়াতে, দ্রুত এবং আরও উদ্দেশ্যমূলকভাবে সিদ্ধান্ত নিতে, প্রক্রিয়াগুলি অপ্টিমাইজ করতে, গ্রাহকদের আরও ভালভাবে বুঝতে এবং পণ্য উন্নত করতে সহায়তা করে।

একজন হিসাবরক্ষক একজন বিশ্লেষককে প্রতিস্থাপন করবে না

ছোট ব্যবসার পরিচালকরা প্রায়ই বিশ্বাস করেন যে বিপণনকারী এবং হিসাবরক্ষকদের রিপোর্টগুলি কোম্পানির কার্যকলাপকে পর্যাপ্তভাবে প্রতিফলিত করে। কিন্তু শুষ্ক পরিসংখ্যানের উপর ভিত্তি করে সিদ্ধান্ত নেওয়া খুবই কঠিন এবং বিশেষায়িত শিক্ষা ছাড়াই গণনায় ত্রুটি অনিবার্য।

কেস 1. প্রচারমূলক প্রচারণার পোস্ট-বিশ্লেষণ।নতুন বছরের জন্য, উদ্যোক্তা একটি প্রচারের ঘোষণা করেছিলেন যাতে নির্দিষ্ট পণ্যগুলি ডিসকাউন্টে দেওয়া হয়েছিল। নতুন বছরের সময়কালের রাজস্ব মূল্যায়ন করার পরে, তিনি দেখেছিলেন যে কীভাবে বিক্রয় বেড়েছে এবং তার সম্পদের সাথে সন্তুষ্ট হয়েছিল। তবে আসুন সমস্ত কারণ বিবেচনা করি:

  • বিক্রয় বিশেষ করে শুক্রবারে বৃদ্ধি পায়, যেদিন রাজস্ব সর্বোচ্চ হয় - এটি একটি সাপ্তাহিক প্রবণতা।
  • বিক্রয় বৃদ্ধির তুলনায় যা সাধারণত অধীনে ঘটে নববর্ষ, তাহলে লাভ এত বড় নয়।
  • আপনি যদি প্রচারমূলক আইটেমগুলি ফিল্টার করেন তবে দেখা যাচ্ছে যে বিক্রয় পরিসংখ্যান আরও খারাপ হয়েছে৷

কেস 2. টার্নওভার অধ্যয়ন.দোকানে মহিলাদের পোশাকলজিস্টিকস নিয়ে অসুবিধা: কিছু গুদামে পণ্যের সরবরাহ কম এবং কিছু কয়েক মাস ধরে স্টোরেজে থাকে। বিক্রয় বিশ্লেষণ না করে কিভাবে নির্ধারণ করবেন, এক অঞ্চলে কতগুলি ট্রাউজার আনতে হবে, এবং কতগুলি কোট অন্য অঞ্চলে পাঠাতে হবে, যদিও এখনও সর্বাধিক লাভ হচ্ছে? এটি করার জন্য, আপনাকে একটি নির্দিষ্ট সময়ের জন্য টার্নওভার, বিক্রয় গতির অনুপাত এবং গড় ইনভেন্টরি গণনা করতে হবে। সহজভাবে বলতে গেলে, ইনভেন্টরি টার্নওভার হল একটি পণ্য বিক্রি করতে একটি দোকানে কত দিন সময় লাগে, গড় স্টক কত দ্রুত বিক্রি হয় এবং পণ্যটি নিজের জন্য কত দ্রুত অর্থ প্রদান করে তার সূচক। রাখা বড় রিজার্ভঅর্থনৈতিকভাবে অলাভজনক, কারণ এটি পুঁজিকে হিমায়িত করে এবং উন্নয়নকে ধীর করে দেয়। স্টক কমে গেলে ঘাটতি দেখা দিতে পারে এবং কোম্পানি আবার মুনাফা হারাবে। সুবর্ণ গড় কোথায় খুঁজে পাবেন, যে অনুপাতটি গুদামে পণ্যটি স্থির থাকে না এবং একই সাথে আপনি একটি নির্দিষ্ট গ্যারান্টি দিতে পারেন যে ক্লায়েন্ট খুঁজে পাবে পছন্দসই ইউনিটদোকানে? এটি করার জন্য, বিশ্লেষক আপনাকে নির্ধারণ করতে সহায়তা করবে:

  • কাঙ্খিত টার্নওভার,
  • টার্নওভার গতিবিদ্যা।

বিলম্বিত ভিত্তিতে সরবরাহকারীদের অর্থ প্রদান করার সময়, আপনাকে ক্রেডিট লাইন এবং টার্নওভারের অনুপাতও গণনা করতে হবে। দিনে টার্নওভার = গড় জায়* এই সময়ের জন্য দিন / টার্নওভারের সংখ্যা।

অবশিষ্ট ভাণ্ডার এবং স্টোর জুড়ে মোট টার্নওভার গণনা করা কিছু পণ্য কোথায় সরানো দরকার তা বুঝতে সাহায্য করে। সিদ্ধান্ত নেওয়ার জন্য প্রতিটি ভাণ্ডার ইউনিটের টার্নওভার গণনা করাও মূল্যবান: চাহিদা কম হলে মার্কডাউন, চাহিদা বেশি হলে পুনরায় সাজান বা অন্য গুদামে চলে যান। বিভাগ অনুসারে, আপনি এই ফর্মটিতে একটি টার্নওভার রিপোর্ট তৈরি করতে পারেন। এটি দেখা যায় যে টি-শার্ট এবং জাম্পারগুলি দ্রুত বিক্রি হয়, তবে কোটগুলি বেশ দীর্ঘ সময় নেয়। একজন সাধারণ হিসাবরক্ষক কি এই ধরনের কাজ করতে পারেন? আমরা সন্দেহ করি। একই সময়ে, টার্নওভারের নিয়মিত গণনা এবং ফলাফল প্রয়োগের ফলে লাভ 8-10% বৃদ্ধি পেতে পারে

কোন কোন ক্ষেত্রে তথ্য বিশ্লেষণ প্রযোজ্য?

  1. বিক্রয়.কেন বিক্রয় ভাল যাচ্ছে (বা খারাপভাবে), গতিশীলতা কি তা বোঝা গুরুত্বপূর্ণ। এই সমস্যাটি সমাধান করার জন্য, আপনাকে লাভ এবং রাজস্বকে প্রভাবিত করার কারণগুলি অধ্যয়ন করতে হবে - উদাহরণস্বরূপ, প্রতি গ্রাহকের চেকের দৈর্ঘ্য এবং আয় বিশ্লেষণ করুন। এই জাতীয় কারণগুলি পণ্য গোষ্ঠী, ঋতু এবং স্টোর দ্বারা অধ্যয়ন করা যেতে পারে। আপনি রিটার্ন, বাতিলকরণ এবং অন্যান্য লেনদেন বিশ্লেষণ করে বিক্রয় উচ্চ এবং নিম্ন চিহ্নিত করতে পারেন।
  2. অর্থ।নগদ প্রবাহ নিরীক্ষণ করতে এবং ব্যবসার বিভিন্ন ক্ষেত্র জুড়ে সম্পদ বিতরণের জন্য যেকোনো অর্থদাতার জন্য পর্যবেক্ষণ সূচকগুলি প্রয়োজনীয়। এটি ট্যাক্স দক্ষতা এবং অন্যান্য পরামিতি মূল্যায়ন করতে সাহায্য করে।
  3. মার্কেটিং।যে কোন মার্কেটিং কোম্পানিস্টকগুলির পূর্বাভাস এবং পোস্ট-বিশ্লেষণের প্রয়োজন। ধারণাটি বিকাশের পর্যায়ে, আমাদের পণ্যের গ্রুপ (নিয়ন্ত্রণ এবং লক্ষ্য) নির্ধারণ করতে হবে যার জন্য আমরা একটি অফার তৈরি করছি। এটি একটি ডেটা বিশ্লেষকের জন্যও একটি কাজ, যেহেতু একজন সাধারণ বিপণনকারীর ভাল বিশ্লেষণের জন্য প্রয়োজনীয় সরঞ্জাম এবং দক্ষতা নেই, উদাহরণস্বরূপ, যদি নিয়ন্ত্রণ গোষ্ঠীর জন্য আয়ের পরিমাণ এবং গ্রাহকের সংখ্যা লক্ষ্যের তুলনায় সমানভাবে বেশি হয়৷ , প্রচার কাজ করেনি. এটি নির্ধারণ করতে, ব্যবধান বিশ্লেষণ প্রয়োজন।
  4. নিয়ন্ত্রণ।কোম্পানির নেতা হওয়ার জন্য নেতৃত্বের দক্ষতা থাকা যথেষ্ট নয়। পরিমাণগত মূল্যায়নযে কোনও ক্ষেত্রে, এন্টারপ্রাইজের দক্ষ পরিচালনার জন্য কর্মীদের কাজ প্রয়োজনীয়। মজুরি তহবিল পরিচালনার দক্ষতা এবং প্রক্রিয়াগুলির দক্ষতার মতো বিক্রিতে মজুরির অনুপাত বোঝা গুরুত্বপূর্ণ - উদাহরণস্বরূপ, নগদ নিবন্ধনের কাজের চাপ বা দিনের বেলা লোডারদের কর্মসংস্থান। এটি কাজের সময় সঠিকভাবে বিতরণ করতে সহায়তা করে।
  5. ওয়েব বিশ্লেষণ।সাইটটিকে সঠিকভাবে প্রচার করা দরকার যাতে এটি একটি বিক্রয় চ্যানেলে পরিণত হয় এবং এর জন্য আপনার প্রয়োজন সঠিক কৌশলপ্রচার এখানেই ওয়েব অ্যানালিটিক্স আপনাকে সাহায্য করতে পারে। এটা কিভাবে ব্যবহার করবেন? ক্লায়েন্টদের আচরণ, বয়স, লিঙ্গ এবং অন্যান্য বৈশিষ্ট্য, নির্দিষ্ট পৃষ্ঠায় কার্যকলাপ, ক্লিক, ট্রাফিক চ্যানেল, মেইলিং কর্মক্ষমতা ইত্যাদি অধ্যয়ন করুন। এটি আপনার ব্যবসা এবং ওয়েবসাইট উন্নত করতে সাহায্য করবে।
  6. ভাণ্ডার ব্যবস্থাপনা।ভাণ্ডার ব্যবস্থাপনার জন্য ABC বিশ্লেষণ অপরিহার্য। বিশ্লেষককে এই ধরণের বিশ্লেষণ পরিচালনা করার জন্য এবং কোন পণ্যটি সবচেয়ে লাভজনক, কোনটি ভিত্তি এবং কোনটি পরিত্রাণ পাওয়া উচিত তা বোঝার জন্য বৈশিষ্ট্যগুলির দ্বারা পণ্যটি বিতরণ করতে হবে। বিক্রয়ের স্থিতিশীলতা বোঝার জন্য, একটি XYZ বিশ্লেষণ পরিচালনা করা ভাল।
  7. রসদ।লজিস্টিক সূচকগুলি অধ্যয়ন করে সংগ্রহ, পণ্য, তাদের সঞ্চয়স্থান এবং প্রাপ্যতা সম্পর্কে আরও বোঝা প্রদান করা হবে। সফল ব্যবসা পরিচালনার জন্য পণ্যের ক্ষতি এবং চাহিদা, ইনভেন্টরি বোঝাও গুরুত্বপূর্ণ।

এই উদাহরণগুলি দেখায় যে ডেটা বিশ্লেষণ কতটা শক্তিশালী, এমনকি ছোট ব্যবসার জন্যও। একজন অভিজ্ঞ পরিচালক সঠিকভাবে ডেটা বিশ্লেষণ ব্যবহার করে কোম্পানির মুনাফা বাড়াবেন এবং সবচেয়ে নগণ্য তথ্য থেকে উপকৃত হবেন এবং ম্যানেজারের কাজটি ভিজ্যুয়াল রিপোর্টের মাধ্যমে ব্যাপকভাবে সরলীকৃত হবে।

যেকোন ডেটা বিশ্লেষণের মূল লক্ষ্য হল ডেটার ভলিউমের প্যাটার্ন খুঁজে বের করা। ব্যবসায়িক বিশ্লেষণে, এই লক্ষ্যটি আরও বিস্তৃত হয়। যে কোনও নেতার জন্য কেবল নিদর্শনগুলি সনাক্ত করাই গুরুত্বপূর্ণ নয়, তাদের কারণ খুঁজে বের করাও গুরুত্বপূর্ণ। কারণটি জানার ফলে আপনি ভবিষ্যতে ব্যবসায়কে প্রভাবিত করতে পারবেন এবং একটি নির্দিষ্ট কর্মের ফলাফলের পূর্বাভাস দেওয়া সম্ভব হবে।

কোম্পানির জন্য ডেটা বিশ্লেষণের লক্ষ্য

যদি আমরা ব্যবসার কথা বলি, প্রতিটি কোম্পানির লক্ষ্য জয় করা প্রতিযোগিতা. সুতরাং ডেটা বিশ্লেষণ আপনার প্রধান সুবিধা। তিনিই আপনাকে সাহায্য করবেন:

  • কোম্পানির খরচ কমান
  • আয় বাড়ান
  • ব্যবসায়িক প্রক্রিয়াগুলি সম্পূর্ণ করার জন্য সময় হ্রাস করুন (দুর্বল পয়েন্ট খুঁজে বের করুন এবং এটি অপ্টিমাইজ করুন)
  • কোম্পানির ব্যবসায়িক প্রক্রিয়ার দক্ষতা বাড়ান
  • কোম্পানির দক্ষতা এবং কার্যকারিতা বৃদ্ধির লক্ষ্যে অন্য কোনো লক্ষ্য পূরণ করুন।

এর মানে হল আপনার প্রতিযোগীদের উপর বিজয় আপনার হাতে। আপনার অন্তর্দৃষ্টি উপর নির্ভর করবেন না. বিশ্লেষণ!

বিভাগ, বিভাগ, পণ্যের জন্য ডেটা বিশ্লেষণের লক্ষ্য

অদ্ভুতভাবে, উপরে তালিকাভুক্ত লক্ষ্যগুলি বিভাগগুলির ক্রিয়াকলাপ বিশ্লেষণ, একটি পণ্য বা একটি বিজ্ঞাপন প্রচারের বিশ্লেষণের জন্য সম্পূর্ণ উপযুক্ত।

যেকোন স্তরে যেকোন তথ্য বিশ্লেষণের লক্ষ্য হল একটি প্যাটার্ন সনাক্ত করা এবং একটি পণ্যের গুণমান বা একটি কোম্পানি বা বিভাগের কাজ উন্নত করতে এই জ্ঞান ব্যবহার করা।

কার তথ্য বিশ্লেষণ প্রয়োজন?

সবাই প্রকৃতপক্ষে, যে কোনও সংস্থা, কার্যকলাপের যে কোনও ক্ষেত্র, কোনও বিভাগ এবং কোনও পণ্য!

কোন ক্ষেত্রে ডেটা বিশ্লেষণ ব্যবহার করা যেতে পারে?

  • উত্পাদন (নির্মাণ, তেল এবং গ্যাস, ধাতুবিদ্যা, ইত্যাদি)
  • খুচরা
  • ইকমার্স
  • সেবা
  • এবং আরও অনেকে

একটি কোম্পানির মধ্যে কোন বিভাগ বিশ্লেষণ করা যেতে পারে?

  • অ্যাকাউন্টিং এবং ফিনান্স
  • মার্কেটিং
  • বিজ্ঞাপন
  • প্রশাসন
  • এবং অন্যান্য.

প্রকৃতপক্ষে, যে কোনো ক্ষেত্র থেকে কোম্পানি, কোম্পানির মধ্যে যেকোনো বিভাগ, কার্যকলাপের যেকোনো ক্ষেত্র বিশ্লেষণ করা উচিত এবং গুরুত্বপূর্ণ।

কিভাবে BI বিশ্লেষণ সিস্টেম সাহায্য করতে পারে

বিআই বিশ্লেষণ সিস্টেম, স্বয়ংক্রিয় সিস্টেমঅ্যানালিটিক্স, বিগ ডাটা অ্যানালাইসিসের জন্য বড় ডেটা হল সফ্টওয়্যার সলিউশন যা ইতিমধ্যেই ডেটা প্রক্রিয়াকরণ, বিশ্লেষণের জন্য প্রস্তুত করার জন্য, বিশ্লেষণের জন্য এবং সবচেয়ে গুরুত্বপূর্ণভাবে, বিশ্লেষণের ফলাফলগুলি কল্পনা করার জন্য অন্তর্নির্মিত কার্যকারিতা রয়েছে।

প্রতিটি কোম্পানির একটি বিশ্লেষক বিভাগ নেই, বা অন্তত একটি বিকাশকারী যারা বিশ্লেষণাত্মক সিস্টেম এবং ডাটাবেস বজায় রাখবে। এই ক্ষেত্রে, এই BI বিশ্লেষণ সিস্টেমগুলি উদ্ধার করতে আসে।

আজ বাজারে 300 টিরও বেশি সমাধান রয়েছে। আমাদের কোম্পানি মূকনাট সমাধান বেছে নিয়েছে:

  • 2018 সালে, Tableau 6 বারের জন্য BI সমাধানগুলির মধ্যে গার্টনার গবেষণার নেতা হয়ে ওঠে।
  • মূকনাটি শেখা সহজ (এবং আমাদের কর্মশালা এটি নিশ্চিত করে)
  • মূকনাট্য দিয়ে শুরু করার জন্য কোনো বিকাশকারীর জ্ঞান বা পরিসংখ্যানের প্রয়োজন নেই

একই সময়ে, যে সংস্থাগুলি ইতিমধ্যেই মূকনাটকের সাথে কাজ করছে তারা বলেছে যে প্রতিবেদনগুলি কম্পাইল করতে যা আগে এক্সেলে সংগ্রহ করতে 6-8 ঘন্টা সময় লেগেছিল এখন 15 মিনিটের বেশি সময় নেয় না।

বিশ্বাস করবেন না? এটি নিজে চেষ্টা করুন - মূকনাট্যের একটি ট্রায়াল সংস্করণ ডাউনলোড করুন এবং প্রোগ্রামের সাথে কাজ করার প্রশিক্ষণ সামগ্রী পান:

মূকনাট্য ডাউনলোড করুন

বিনামূল্যে ডাউনলোড করুন সম্পূর্ণ সংস্করণ Tableau Desktop, 14 দিন এবং Tableau বিজনেস অ্যানালিটিক্স ট্রেনিং ম্যাটেরিয়াল উপহার হিসেবে পান

ভিজ্যুয়াল অ্যানালিটিক্স ব্যবহার করে বিগ ডেটার সাথে অ্যাক্সেসযোগ্য কাজ

TIBCO Spotfire প্ল্যাটফর্মের সাথে বিগ ডেটাতে লুকানো তথ্য ব্যবহার করে আপনার ব্যবসায়িক বুদ্ধিমত্তা উন্নত করুন এবং রুটিন সমস্যা সমাধান করুন। এটি একমাত্র প্ল্যাটফর্ম যা ব্যবসায়িক ব্যবহারকারীদের একটি স্বজ্ঞাত, ব্যবহারকারী-বান্ধব ইউজার ইন্টারফেস প্রদান করে যা তাদের আইটি বিশেষজ্ঞ বা বিশেষ শিক্ষার সম্পৃক্ততা ছাড়াই বিগ ডেটা অ্যানালিটিক্স প্রযুক্তির সম্পূর্ণ পরিসর ব্যবহার করতে দেয়।

স্পটফায়ার ইন্টারফেস ছোট ডেটা সেট এবং বড় ডেটার মাল্টি-টেরাবাইট ক্লাস্টার উভয়ের সাথে কাজ করা সমানভাবে সুবিধাজনক করে তোলে: সেন্সর রিডিং, সোশ্যাল নেটওয়ার্ক থেকে তথ্য, বিক্রয়ের পয়েন্ট বা জিওলোকেশন সোর্স। সমস্ত দক্ষতা স্তরের ব্যবহারকারীরা সহজেই ভিজ্যুয়ালাইজেশন ব্যবহার করে অন্তর্দৃষ্টিপূর্ণ ড্যাশবোর্ড এবং বিশ্লেষণাত্মক ওয়ার্কফ্লোগুলি অ্যাক্সেস করতে পারে, যা একত্রিত কোটি কোটি ডেটা পয়েন্টের গ্রাফিক্যাল উপস্থাপনা।

ভবিষ্যদ্বাণীমূলক বিশ্লেষণের উপর ভিত্তি করে কাজ করে শেখা হয় শেয়ার করা অভিজ্ঞতাকোম্পানীগুলি আরও জ্ঞাত সিদ্ধান্ত নিতে। Spotfire Predictive Analytics ব্যবহার করে, আপনি ব্যবসায়িক বুদ্ধিমত্তার তথ্য থেকে বাজারের নতুন প্রবণতা আবিষ্কার করতে পারেন এবং ঝুঁকি কমানোর জন্য পদক্ষেপ নিতে পারেন, যা আপনাকে আপনার ব্যবস্থাপনার সিদ্ধান্তের গুণমান উন্নত করতে দেয়।

পর্যালোচনা

উচ্চ-কর্মক্ষমতা বিশ্লেষণের জন্য বিগ ডেটা সংযোগ

Spotfire Hadoop এবং অন্যান্য বৃহৎ ডেটা উত্সের সাথে বিরামহীন একীকরণ সহ তিনটি প্রধান ধরণের বিশ্লেষণ অফার করে:

  1. অন-ডিমান্ড অ্যানালিটিক্স: অন্তর্নির্মিত, ব্যবহারকারী-কনফিগারযোগ্য ডেটা সংযোগকারী যা অতি-দ্রুত, ইন্টারেক্টিভ ডেটা ভিজ্যুয়ালাইজেশনের সুবিধা দেয়
  2. ডাটাবেসের মধ্যে বিশ্লেষণ (ইন-ডেটাবেস বিশ্লেষণ): একটি বিতরণ করা কম্পিউটিং প্ল্যাটফর্মের সাথে একীকরণ যা আপনাকে বড় ডেটার উপর ভিত্তি করে যেকোন জটিলতার ডেটা গণনা করতে দেয়।
  3. মধ্যে বিশ্লেষণ RAM(ইন-মেমরি অ্যানালিটিক্স): একটি পরিসংখ্যান বিশ্লেষণ প্ল্যাটফর্মের সাথে একীকরণ যা প্রথাগত এবং নতুন ডেটা উত্স সহ যেকোন ডেটা উত্স থেকে সরাসরি ডেটা টেনে আনে।

একসাথে, এই একীকরণ পদ্ধতিগুলি ভিজ্যুয়াল অন্বেষণ এবং উন্নত বিশ্লেষণের একটি শক্তিশালী সংমিশ্রণ উপস্থাপন করে।
এটি ব্যবসায়িক ব্যবহারকারীদের শক্তিশালী, সহজে ব্যবহারযোগ্য ড্যাশবোর্ড এবং কর্মপ্রবাহের মাধ্যমে যেকোনো ডেটা উৎস থেকে ডেটা অ্যাক্সেস, একত্রিত এবং বিশ্লেষণ করতে দেয়।

বিগ ডেটা সংযোগকারী

স্পটফায়ার বিগ ডেটা সংযোগকারী সমস্ত ধরণের ডেটা অ্যাক্সেস সমর্থন করে: ইন-ডেটাসোর্স, ইন-মেমরি এবং অন-ডিমান্ড। অন্তর্নির্মিত স্পটফায়ার ডেটা সংযোগকারীগুলির মধ্যে রয়েছে:

  • Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill এবং Pivotal HAWQ-এর জন্য প্রত্যয়িত Hadoop ডেটা সংযোগকারী
  • অন্যান্য প্রত্যয়িত বড় ডেটা সংযোগকারীগুলির মধ্যে রয়েছে টেরাডাটা, টেরাডাটা অ্যাস্টার এবং নেটেজা
  • OSI PI টাচ সেন্সরগুলির মতো উত্স থেকে ঐতিহাসিক এবং বর্তমান ডেটার জন্য সংযোগকারী৷

ইন-ডেটাসোর্স ডিস্ট্রিবিউটেড কম্পিউটিং

Spotfire-এর সুবিধাজনক কার্যকারিতা ছাড়াও SQL কোয়েরিগুলির জন্য দৃশ্যত নির্বাচন করার জন্য কার্যকারিতা যা ডেটা উত্সগুলিতে বিতরণ করা ডেটা অ্যাক্সেস করে, Spotfire পরিসংখ্যানগত এবং মেশিন লার্নিং অ্যালগরিদম তৈরি করতে পারে যা ডেটা উত্সের মধ্যে কাজ করে এবং স্পটফায়ার সিস্টেমে ভিজ্যুয়ালাইজেশন তৈরি করার জন্য শুধুমাত্র প্রয়োজনীয় ফলাফল প্রদান করে৷

  • ব্যবহারকারীরা ভিজ্যুয়াল নির্বাচন কার্যকারিতা সহ ড্যাশবোর্ডগুলির সাথে কাজ করে যা TERR ভাষার অন্তর্নির্মিত ক্ষমতাগুলি ব্যবহার করে স্ক্রিপ্টগুলি অ্যাক্সেস করে,
  • TERR স্ক্রিপ্টগুলি ম্যাপ/রিডুস, H2O, SparkR, বা ফাজি লজিক্সের সাথে মিথস্ক্রিয়ায় বিতরণকৃত কম্পিউটিং কার্যকারিতার কাজ শুরু করে,
  • এই অ্যাপ্লিকেশানগুলি পালাক্রমে Hadoop বা অন্যান্য ডেটা উত্সের মতো উচ্চ দক্ষতার সিস্টেমগুলি অ্যাক্সেস করে,
  • TERR কে Hadoop নোডগুলিতে একটি উন্নত বিশ্লেষণ ইঞ্জিন হিসাবে স্থাপন করা যেতে পারে যা MapReduce বা Spark ব্যবহার করে পরিচালিত হয়৷ TERR ভাষা টেরাডাটা ডেটা নোডের জন্যও ব্যবহার করা যেতে পারে।
  • ফলাফলগুলি স্পটফায়ারে ভিজ্যুয়ালাইজ করা হয়।

উন্নত বিশ্লেষণের জন্য TERR

TIBCO এন্টারপ্রাইজ রানটাইম ফর R (TERR)- TERR হল একটি এন্টারপ্রাইজ-গ্রেড পরিসংখ্যানগত প্যাকেজ যা TIBCO দ্বারা R ভাষার সাথে সম্পূর্ণ সামঞ্জস্যপূর্ণ হওয়ার জন্য তৈরি করা হয়েছে, S+ এর সাথে যুক্ত কোম্পানির কয়েক দশকের বিশ্লেষণী দক্ষতাকে কাজে লাগিয়ে। এটি গ্রাহকদের শুধুমাত্র ওপেন R কোড ব্যবহার করেই নয়, তাদের কোড পুনরায় লেখা ছাড়াই একটি বাণিজ্যিকভাবে মজবুত প্ল্যাটফর্মে তাদের R কোডকে সংহত এবং স্থাপন করার জন্য অ্যাপ্লিকেশন এবং মডেলগুলিকে চালিয়ে যেতে দেয়। TERR-এর উচ্চ দক্ষতা এবং নির্ভরযোগ্য মেমরি ব্যবস্থাপনা রয়েছে, আরও কিছু প্রদান করে উচ্চ গতিওপেন সোর্স R ভাষার তুলনায় প্রচুর পরিমাণে ডেটা প্রক্রিয়াকরণ।

সমস্ত কার্যকারিতা সমন্বয়

উপরে উল্লিখিত শক্তিশালী কার্যকারিতার সংমিশ্রণের মানে হল যে এমনকি সবচেয়ে জটিল কাজের চাপের জন্যও যার জন্য অত্যন্ত নির্ভরযোগ্য বিশ্লেষণের প্রয়োজন হয়, ব্যবহারকারীরা সহজ, সহজেই ব্যবহারযোগ্য ইন্টারেক্টিভ ওয়ার্কফ্লোগুলির সাথে যোগাযোগ করে। এটি ব্যবসায়িক ব্যবহারকারীদের ব্যবসা বিশ্লেষণের অন্তর্নিহিত ডেটা আর্কিটেকচারের বিশদ বিবরণ জানার প্রয়োজন ছাড়াই ডেটা ভিজ্যুয়ালাইজ এবং বিশ্লেষণ করতে এবং বিশ্লেষণের ফলাফলগুলি ভাগ করতে দেয়।

উদাহরণ: হারিয়ে যাওয়া পণ্যসম্ভারকে চিহ্নিত করে এমন একটি মডেলের ফলাফল কনফিগার, চালানো এবং ভিজ্যুয়ালাইজ করার জন্য স্পটফায়ার ইন্টারফেস। এই ইন্টারফেসটি ব্যবহার করে, ব্যবসায়িক ব্যবহারকারীরা TERR এবং H2O (ডিস্ট্রিবিউটেড কম্পিউটিং ফ্রেমওয়ার্ক) ব্যবহার করে হ্যাডুপ ক্লাস্টারে সঞ্চিত লেনদেন এবং শিপমেন্ট ডেটা অ্যাক্সেস করে গণনা করতে পারে।

বিগ ডেটা অ্যানালিটিক্স স্পেস


উন্নত এবং ভবিষ্যদ্বাণীমূলক বিশ্লেষণ

ব্যবহারকারীরা ভিজ্যুয়াল নির্বাচন কার্যকারিতা সহ স্পটফায়ার ড্যাশবোর্ডগুলি ব্যবহার করে উন্নত ক্ষমতার একটি সমৃদ্ধ সেট চালু করতে যা ভবিষ্যদ্বাণী করা, মডেল তৈরি করা এবং উড়ে যাওয়ার সময় তাদের অপ্টিমাইজ করা সহজ করে তোলে। বড় ডেটা ব্যবহার করে, ডেটা সোর্সের (ইন-ডেটাসোর্স) মধ্যে বিশ্লেষণ করা যেতে পারে, স্পটফায়ার প্ল্যাটফর্মে ভিজ্যুয়ালাইজেশন তৈরি করার জন্য প্রয়োজনীয় সমষ্টিগত তথ্য এবং ফলাফলগুলি ফিরিয়ে দেয়।


মেশিন লার্নিং

স্পটফায়ারের বিল্ট-ইন বৈশিষ্ট্যের তালিকায় মেশিন লার্নিং টুলের একটি বিস্তৃত পরিসর পাওয়া যায় যা এক ক্লিকে ব্যবহার করা যেতে পারে। পরিসংখ্যানবিদদের R ভাষায় লেখা প্রোগ্রাম কোডের অ্যাক্সেস আছে এবং ব্যবহৃত কার্যকারিতা প্রসারিত করতে পারে। সহজে পুনঃব্যবহারের জন্য মেশিন লার্নিং কার্যকারিতা অন্যান্য ব্যবহারকারীদের সাথে শেয়ার করা যেতে পারে।

Spotfire এবং TERR-এ ক্রমাগত শ্রেণীগত ভেরিয়েবলের জন্য নিম্নলিখিত মেশিন লার্নিং পদ্ধতিগুলি উপলব্ধ:

  • লিনিয়ার এবং লজিস্টিক রিগ্রেশন
  • সিদ্ধান্ত গাছ (ডিসিশন ট্রি), র্যান্ডম ফরেস্ট অ্যালগরিদম (র্যান্ডম ফরেস্ট), গ্রেডিয়েন্ট বুস্টিং মেশিন (GBM)
  • সাধারণ রৈখিক (সংযোজন) মডেল (সাধারণ সংযোজন মডেল)
  • নিউরাল নেটওয়ার্ক


বিষয়বস্তু বিশ্লেষণ

স্পটফায়ার ডেটার বিশ্লেষণ এবং ভিজ্যুয়ালাইজেশন প্রদান করে, যার বেশিরভাগই আগে ব্যবহার করা হয়নি - এটি অসংগঠিত পাঠ্য যা নথি, প্রতিবেদন, নোটের মতো উত্সগুলিতে সংরক্ষণ করা হয় সিআরএম সিস্টেম, সাইট লগ, প্রকাশনা ইন সামাজিক নেটওয়ার্কএবং আরো অনেক কিছু।


অবস্থান বিশ্লেষণ

বহুস্তর মানচিত্র উচ্চ রেজোলিউশনবড় ডেটা কল্পনা করার একটি দুর্দান্ত উপায়। স্পটফায়ারের সমৃদ্ধ মানচিত্র কার্যকারিতা আপনাকে আপনার প্রয়োজন অনুযায়ী অনেক রেফারেন্স এবং কার্যকরী স্তর সহ মানচিত্র তৈরি করতে দেয়। স্পটফায়ার আপনাকে মানচিত্রের সাথে কাজ করার সময় অত্যাধুনিক বিশ্লেষণ ব্যবহার করার ক্ষমতা দেয়। ভৌগলিক মানচিত্র ছাড়াও, সিস্টেম ব্যবহারকারীর আচরণ, গুদাম, উৎপাদন, কাঁচামাল এবং অন্যান্য অনেক সূচককে কল্পনা করার জন্য মানচিত্র তৈরি করে।

তথ্য বিশ্লেষণ সম্পর্কে ইদানীংতারা এত বেশি এবং অনেক কিছু বলে যে আপনি সমস্যা সম্পর্কে সম্পূর্ণ বিভ্রান্ত হতে পারেন। এটা ভাল যে অনেক লোক এই ধরনের একটি চাপা বিষয়ের দিকে মনোযোগ দিচ্ছে। একমাত্র খারাপ জিনিসটি হল এই শব্দটি দ্বারা প্রত্যেকে তার কী প্রয়োজন তা বুঝতে পারে, প্রায়শই না থাকে বড় ছবিসমস্যার উপর এই পদ্ধতিতে ফ্র্যাগমেন্টেশন কী ঘটছে এবং কী করতে হবে তা বোঝার অভাব ঘটায়। সবকিছুই এমন টুকরো নিয়ে গঠিত যা একে অপরের সাথে আলগাভাবে সংযুক্ত এবং একটি সাধারণ কোর নেই। আপনি সম্ভবত প্রায়শই "প্যাচওয়ার্ক অটোমেশন" শব্দটি শুনেছেন। অনেক লোক আগে অনেকবার এই সমস্যার সম্মুখীন হয়েছে এবং নিশ্চিত করতে পারে যে এই পদ্ধতির প্রধান সমস্যা হল যে বড় ছবি দেখা প্রায় কখনই সম্ভব নয়। পরিস্থিতি বিশ্লেষণের সাথে একই রকম।

প্রতিটি বিশ্লেষণ প্রক্রিয়ার স্থান এবং উদ্দেশ্য বোঝার জন্য, আসুন এটিকে সম্পূর্ণরূপে দেখি। একজন ব্যক্তি কীভাবে সিদ্ধান্ত নেয় তা থেকে আমরা শুরু করব, যেহেতু আমরা কীভাবে একটি চিন্তার জন্ম হয় তা ব্যাখ্যা করতে সক্ষম নই, আমরা কীভাবে ব্যবহার করতে পারি তার উপর মনোনিবেশ করব। তথ্য প্রযুক্তি. প্রথম বিকল্পটি হল যে ডিসিশন মেকার (DM) শুধুমাত্র ডেটা পুনরুদ্ধারের মাধ্যম হিসাবে কম্পিউটার ব্যবহার করে এবং স্বাধীনভাবে সিদ্ধান্তে আঁকে। এই ধরনের সমস্যা সমাধানের জন্য, রিপোর্টিং সিস্টেম, বহুমাত্রিক ডেটা বিশ্লেষণ, চার্ট এবং অন্যান্য ভিজ্যুয়ালাইজেশন পদ্ধতি ব্যবহার করা হয়। দ্বিতীয় বিকল্প: প্রোগ্রামটি শুধুমাত্র ডেটা বের করে না, তবে বিভিন্ন ধরণের প্রিপ্রসেসিংও বহন করে, উদাহরণস্বরূপ, পরিষ্কার করা, মসৃণ করা ইত্যাদি। এবং এটি এইভাবে প্রক্রিয়াকৃত ডেটাতে বিশ্লেষণের গাণিতিক পদ্ধতি প্রয়োগ করে - ক্লাস্টারিং, শ্রেণীবিভাগ, রিগ্রেশন ইত্যাদি। এই ক্ষেত্রে, সিদ্ধান্ত গ্রহণকারী কাঁচা নয়, তবে অত্যন্ত প্রক্রিয়াকৃত ডেটা গ্রহণ করে, যেমন একজন ব্যক্তি ইতিমধ্যে একটি কম্পিউটার দ্বারা প্রস্তুত মডেলের সাথে কাজ করে।

এই কারণে যে প্রথম ক্ষেত্রে, সিদ্ধান্ত নেওয়ার প্রক্রিয়াগুলির সাথে সম্পর্কিত প্রায় সবকিছুই একজন ব্যক্তির উপর অর্পিত হয়, একটি পর্যাপ্ত মডেল নির্বাচন এবং প্রক্রিয়াকরণ পদ্ধতি বেছে নেওয়ার সমস্যাটি বিশ্লেষণ প্রক্রিয়ার সীমার বাইরে নেওয়া হয়, অর্থাৎ, সিদ্ধান্ত গ্রহণের ভিত্তি হল একটি নির্দেশ (উদাহরণস্বরূপ, কীভাবে বিচ্যুতির প্রতিক্রিয়ার জন্য প্রক্রিয়া প্রয়োগ করা যেতে পারে), বা অন্তর্দৃষ্টি। কিছু ক্ষেত্রে, এটি বেশ যথেষ্ট, তবে সিদ্ধান্ত গ্রহণকারী যদি জ্ঞানে আগ্রহী হন যা বেশ গভীরভাবে অবস্থিত, তাই বলতে গেলে, কেবল ডেটা নিষ্কাশন প্রক্রিয়া এখানে সাহায্য করবে না। আরো গুরুতর প্রক্রিয়াকরণ প্রয়োজন. এটি একেবারে দ্বিতীয় ঘটনা। সমস্ত প্রয়োগকৃত প্রিপ্রসেসিং এবং বিশ্লেষণ প্রক্রিয়া সিদ্ধান্ত গ্রহণকারীকে উচ্চ স্তরে কাজ করার অনুমতি দেয়। প্রথম বিকল্পটি কৌশলগত এবং অপারেশনাল সমস্যা সমাধানের জন্য উপযুক্ত, এবং দ্বিতীয়টি জ্ঞানের প্রতিলিপি এবং কৌশলগত সমস্যা সমাধানের জন্য।

আদর্শ ক্ষেত্রে বিশ্লেষণ উভয় পন্থা ব্যবহার করতে সক্ষম হবে. তারা আপনাকে ব্যবসার তথ্য বিশ্লেষণের জন্য একটি প্রতিষ্ঠানের প্রায় সমস্ত প্রয়োজনীয়তা কভার করার অনুমতি দেয়। কাজগুলির উপর নির্ভর করে কৌশলগুলি ভিন্ন করে, আমরা যে কোনও ক্ষেত্রে উপলব্ধ তথ্যের সর্বোচ্চটি আউট করতে সক্ষম হব।

কাজের সাধারণ স্কিম নীচে দেওয়া হয়.

প্রায়শই, ব্যবসার তথ্য বিশ্লেষণ করে এমন একটি পণ্যের বর্ণনা করার সময়, ঝুঁকি ব্যবস্থাপনা, পূর্বাভাস, বাজার বিভাজন-এর মতো শর্তাবলী ব্যবহার করা হয়... কিন্তু বাস্তবে, এই প্রতিটি সমস্যার সমাধান নীচে বর্ণিত বিশ্লেষণ পদ্ধতিগুলির একটি ব্যবহার করে আসে৷ উদাহরণস্বরূপ, পূর্বাভাস একটি রিগ্রেশন সমস্যা, বাজার বিভাজন হল ক্লাস্টারিং, ঝুঁকি ব্যবস্থাপনা হল ক্লাস্টারিং এবং শ্রেণীবিভাগের সমন্বয় এবং অন্যান্য পদ্ধতিগুলি সম্ভব। অতএব, প্রযুক্তির এই সেটটি আমাদের বেশিরভাগ ব্যবসায়িক সমস্যার সমাধান করতে দেয়। প্রকৃতপক্ষে, তারা পারমাণবিক (মৌলিক) উপাদান যা থেকে একটি নির্দিষ্ট সমস্যার সমাধান একত্রিত হয়।

এখন আমরা সার্কিটের প্রতিটি খণ্ডকে আলাদাভাবে বর্ণনা করব।

ডেটার প্রাথমিক উত্সটি এন্টারপ্রাইজ ম্যানেজমেন্ট সিস্টেম, অফিস নথি এবং ইন্টারনেটের ডাটাবেস হওয়া উচিত, কারণ সিদ্ধান্ত নেওয়ার জন্য দরকারী হতে পারে এমন সমস্ত তথ্য ব্যবহার করা প্রয়োজন। তাছাড়া আমরা সম্পর্কে কথা বলছিশুধুমাত্র প্রতিষ্ঠানের অভ্যন্তরীণ তথ্যই নয়, বহিরাগত তথ্য (ম্যাক্রো ইকোনমিক সূচক, প্রতিযোগিতামূলক পরিবেশ, জনসংখ্যার তথ্য ইত্যাদি) সম্পর্কেও।

যদিও ডেটা গুদাম বিশ্লেষণ প্রযুক্তি প্রয়োগ করে না, এটি একটি বিশ্লেষণমূলক সিস্টেম তৈরি করার ভিত্তি। ডেটা গুদামের অনুপস্থিতিতে, বিশ্লেষণের জন্য প্রয়োজনীয় তথ্য সংগ্রহ এবং সংগঠিত করতে বেশিরভাগ সময় লাগবে, যা বিশ্লেষণের সমস্ত সুবিধাগুলিকে মূলত অস্বীকার করবে। সব পরে, এক মূল সূচকযেকোনো বিশ্লেষণাত্মক সিস্টেমদ্রুত ফলাফল পেতে ক্ষমতা হয়.

ডায়াগ্রামের পরবর্তী উপাদানটি হল শব্দার্থিক স্তর। তথ্যগুলি কীভাবে বিশ্লেষণ করা হবে তা নির্বিশেষে, সিদ্ধান্ত গ্রহণকারীর কাছে এটি বোধগম্য হওয়া প্রয়োজন, যেহেতু বেশিরভাগ ক্ষেত্রে বিশ্লেষণ করা ডেটা বিভিন্ন ডাটাবেসে অবস্থিত, এবং সিদ্ধান্ত গ্রহণকারীকে ডিবিএমএস-এর সাথে কাজ করার সূক্ষ্মতাগুলি অনুসন্ধান করা উচিত নয়, এমন কিছু মেকানিজম তৈরি করা প্রয়োজন যা বিষয় এলাকাকে ডাটাবেস অ্যাক্সেস মেকানিজমের কলে রূপান্তরিত করে। এই কাজটি শব্দার্থিক স্তর দ্বারা সঞ্চালিত হয়। এটি সমস্ত বিশ্লেষণ অ্যাপ্লিকেশনের জন্য একই হওয়া বাঞ্ছনীয়, তাই সমস্যাটির জন্য বিভিন্ন পদ্ধতি প্রয়োগ করা সহজ।

রিপোর্টিং সিস্টেমগুলি "কি হচ্ছে" প্রশ্নের উত্তর দেওয়ার জন্য ডিজাইন করা হয়েছে। এর ব্যবহারের জন্য প্রথম বিকল্প: নিয়মিত প্রতিবেদনগুলি অপারেশনাল পরিস্থিতি নিরীক্ষণ এবং বিচ্যুতি বিশ্লেষণ করতে ব্যবহৃত হয়। উদাহরণ স্বরূপ, সিস্টেমটি গুদামে পণ্যের ব্যালেন্সের উপর দৈনিক প্রতিবেদন তৈরি করে এবং যখন এর মান সাপ্তাহিক বিক্রির গড় থেকে কম হয়, তখন একটি ক্রয় আদেশ প্রস্তুত করে এর প্রতিক্রিয়া জানানো প্রয়োজন, অর্থাৎ বেশিরভাগ ক্ষেত্রেই এগুলো মানসম্মত ব্যবসায়িক লেনদেন। প্রায়শই, এই পদ্ধতির কিছু উপাদান কোম্পানিগুলিতে এক বা অন্য আকারে প্রয়োগ করা হয় (এমনকি কেবল কাগজে থাকলেও), তবে এটিকে ডেটা বিশ্লেষণের একমাত্র উপলব্ধ পদ্ধতি হিসাবে অনুমতি দেওয়া উচিত নয়। রিপোর্টিং সিস্টেম ব্যবহার করার জন্য দ্বিতীয় বিকল্প: অ্যাডহক অনুরোধ প্রক্রিয়াকরণ। যখন একজন সিদ্ধান্ত গ্রহণকারী কোন চিন্তা (অনুমান) পরীক্ষা করতে চান, তখন তাকে চিন্তার জন্য খাদ্য পেতে হবে যা ধারণাটিকে নিশ্চিত করে বা খণ্ডন করে, যেহেতু এই চিন্তাগুলি স্বতঃস্ফূর্তভাবে আসে এবং কোন ধরনের তথ্যের প্রয়োজন হয় তার সঠিক ধারণা নেই , একটি টুল প্রয়োজন যা আপনাকে দ্রুত এবং একটি সুবিধাজনক আকারে এই তথ্য প্রাপ্ত করার অনুমতি দেয়। নিষ্কাশিত ডেটা সাধারণত টেবিল বা গ্রাফ এবং চার্টে উপস্থাপিত হয়, যদিও অন্যান্য উপস্থাপনা সম্ভব।

যদিও রিপোর্টিং সিস্টেম তৈরি করতে বিভিন্ন পন্থা ব্যবহার করা যেতে পারে, তবে বর্তমানে সবচেয়ে সাধারণ হল OLAP মেকানিজম। মৌলিক ধারণা হল বহুমাত্রিক ঘনক আকারে তথ্য উপস্থাপন করা, যেখানে অক্ষগুলি মাত্রাগুলিকে প্রতিনিধিত্ব করে (উদাহরণস্বরূপ, সময়, পণ্য, গ্রাহক), এবং কোষগুলিতে সূচক রয়েছে (উদাহরণস্বরূপ, বিক্রয়ের পরিমাণ, গড় মূল্যসংগ্রহ)। ব্যবহারকারী পরিমাপ পরিচালনা করে এবং পছন্দসই প্রসঙ্গে তথ্য গ্রহণ করে।

যেহেতু OLAP বোঝা সহজ, এটি একটি ডেটা বিশ্লেষণ ইঞ্জিন হিসাবে ব্যাপকভাবে ব্যবহৃত হয়েছে, এটি অবশ্যই বুঝতে হবে যে গভীর বিশ্লেষণের জন্য এর ক্ষমতা, যেমন পূর্বাভাস, অত্যন্ত সীমিত। পূর্বাভাস সমস্যা সমাধানের প্রধান সমস্যাটি টেবিল এবং চার্ট আকারে আগ্রহের ডেটা বের করার ক্ষমতা নয়, তবে একটি পর্যাপ্ত মডেল তৈরি করা। তারপর সবকিছু বেশ সহজ। বিদ্যমান মডেলের ইনপুটে নতুন তথ্য সরবরাহ করা হয়, এটির মাধ্যমে পাস করা হয় এবং ফলাফলটি পূর্বাভাস। কিন্তু একটি মডেল নির্মাণ একটি সম্পূর্ণ অ তুচ্ছ কাজ। অবশ্যই, আপনি সিস্টেমে বেশ কয়েকটি রেডিমেড এবং সাধারণ মডেল রাখতে পারেন, উদাহরণস্বরূপ, লিনিয়ার রিগ্রেশন বা অনুরূপ কিছু, প্রায়শই তারা এটি করে তবে এটি সমস্যার সমাধান করে না। বাস্তব-বিশ্বের সমস্যাগুলি প্রায় সবসময় এই ধরনের সহজ মডেলের বাইরে যায়। ফলস্বরূপ, এই ধরনের মডেল শুধুমাত্র সুস্পষ্ট নির্ভরতা সনাক্ত করবে, সনাক্ত করার মান যা নগণ্য, যা ইতিমধ্যেই সুপরিচিত, অথবা এটি খুব রুক্ষ ভবিষ্যদ্বাণী করবে, যা সম্পূর্ণরূপে অরুচিকরও। উদাহরণস্বরূপ, যদি আপনি স্টক মূল্য বিশ্লেষণ করা হয় শেয়ার বাজারসাধারণ অনুমানের উপর ভিত্তি করে যে আগামীকাল শেয়ারগুলির দাম আজকের মতোই হবে, তাহলে 90% সময় আপনি ঠিক থাকবেন। এবং এই ধরনের জ্ঞান কতটা মূল্যবান? শুধুমাত্র অবশিষ্ট 10% দালালদের স্বার্থে। আদিম মডেলগুলি বেশিরভাগ ক্ষেত্রে প্রায় একই স্তরের ফলাফল দেয়।

মডেল নির্মাণের সঠিক পদ্ধতি হল ধাপে ধাপে তাদের উন্নতি করা। প্রথম, তুলনামূলকভাবে রুক্ষ মডেল দিয়ে শুরু করে, এটিকে উন্নত করা প্রয়োজন কারণ নতুন ডেটা জমা হচ্ছে এবং মডেলটি অনুশীলনে প্রয়োগ করা হচ্ছে। পূর্বাভাস তৈরির প্রকৃত কাজ এবং অনুরূপ জিনিসগুলি রিপোর্টিং সিস্টেমের পদ্ধতির সুযোগের বাইরে, তাই OLAP ব্যবহার করার সময় আপনার এই দিক থেকে ইতিবাচক ফলাফল আশা করা উচিত নয়। গভীর বিশ্লেষণের সমস্যা সমাধানের জন্য, প্রযুক্তির সম্পূর্ণ ভিন্ন সেট ব্যবহার করা হয়, ডেটাবেসে নলেজ ডিসকভারি নামে একত্রিত হয়।

নলেজ ডিসকভারি ইন ডেটাবেস (KDD) হল ডেটাকে জ্ঞানে রূপান্তরিত করার প্রক্রিয়া। KDD-তে ডেটা প্রস্তুতি, তথ্যমূলক বৈশিষ্ট্য নির্বাচন, ডেটা পরিষ্কার, ডেটা মাইনিং (DM) পদ্ধতির প্রয়োগ, ডেটা পোস্ট-প্রসেসিং, ফলাফলের ব্যাখ্যার বিষয় অন্তর্ভুক্ত রয়েছে। ডেটা মাইনিং হল "কাঁচা" ডেটা আবিষ্কার করার প্রক্রিয়া যা পূর্বে অজানা, অ-তুচ্ছ, কার্যত উপযোগী এবং সিদ্ধান্ত গ্রহণের জন্য প্রয়োজনীয় ব্যাখ্যা জ্ঞানের জন্য অ্যাক্সেসযোগ্য। বিভিন্ন ক্ষেত্রমানুষের কার্যকলাপ।

এই পদ্ধতির আকর্ষণীয়তা হল বিষয় এলাকা নির্বিশেষে, আমরা একই ক্রিয়াকলাপ প্রয়োগ করি:

  1. ডেটা এক্সট্র্যাক্ট করুন। আমাদের ক্ষেত্রে, এর জন্য একটি শব্দার্থিক স্তর প্রয়োজন।
  2. ডেটা সাফ করুন। বিশ্লেষণের জন্য "নোংরা" ডেটার ব্যবহার ভবিষ্যতে ব্যবহৃত বিশ্লেষণ প্রক্রিয়াগুলিকে সম্পূর্ণরূপে অস্বীকার করতে পারে।
  3. তথ্য রূপান্তর. বিভিন্ন বিশ্লেষণ পদ্ধতিতে ডেটা প্রস্তুত করা প্রয়োজন বিশেষ ফর্ম. উদাহরণস্বরূপ, কোথাও শুধুমাত্র ডিজিটাল তথ্য ইনপুট হিসাবে ব্যবহার করা যেতে পারে।
  4. প্রকৃত বিশ্লেষণ পরিচালনা করুন - ডেটা মাইনিং।
  5. প্রাপ্ত ফলাফল ব্যাখ্যা.

এই প্রক্রিয়াটি পুনরাবৃত্তিমূলকভাবে পুনরাবৃত্তি হয়।

ডেটা মাইনিং, পরিবর্তে, শুধুমাত্র 6 টি সমস্যার সমাধান প্রদান করে - শ্রেণীবিভাগ, ক্লাস্টারিং, রিগ্রেশন, অ্যাসোসিয়েশন, সিকোয়েন্স এবং বিচ্যুতি বিশ্লেষণ।

জ্ঞান আহরণ প্রক্রিয়া স্বয়ংক্রিয় করার জন্য এটি করা দরকার। বিশেষজ্ঞ, যিনি সিদ্ধান্ত গ্রহণকারী হিসাবেও পরিচিত, ইতিমধ্যে আরও পদক্ষেপ নিচ্ছেন।

কম্পিউটার প্রক্রিয়াকরণের ফলাফলের ব্যাখ্যা মানুষের উপর নির্ভর করে। শুধু বিভিন্ন পদ্ধতিচিন্তার জন্য বিভিন্ন খাদ্য প্রদান। খুব সহজ কেস- এগুলি হল টেবিল এবং ডায়াগ্রাম, এবং আরও জটিল - মডেল এবং নিয়ম। মানুষের অংশগ্রহণ সম্পূর্ণভাবে বাদ দেওয়া অসম্ভব, কারণ একটি বা অন্য ফলাফলের কোন অর্থ নেই যতক্ষণ না এটি একটি নির্দিষ্ট বিষয় এলাকায় প্রয়োগ করা হয়। তবে জ্ঞানের প্রতিলিপি করা সম্ভব। উদাহরণস্বরূপ, একজন সিদ্ধান্ত গ্রহণকারী, কিছু পদ্ধতি ব্যবহার করে, কোন সূচকগুলি ক্রেতাদের ঋণযোগ্যতাকে প্রভাবিত করে তা নির্ধারণ করে এবং এটি একটি নিয়মের আকারে উপস্থাপন করে। নিয়মটি ঋণ প্রদানের ব্যবস্থায় প্রবর্তন করা যেতে পারে এবং এইভাবে তাদের মূল্যায়নকে স্ট্রিমে রেখে ঋণের ঝুঁকি উল্লেখযোগ্যভাবে হ্রাস করতে পারে। একই সময়ে, নথির প্রকৃত নিষ্কাশনের সাথে জড়িত ব্যক্তির এই বা সেই উপসংহারের কারণগুলির গভীর বোঝার প্রয়োজন নেই। প্রকৃতপক্ষে, এটি জ্ঞান ব্যবস্থাপনার ক্ষেত্রে শিল্পে ব্যবহৃত পদ্ধতিগুলির স্থানান্তর। মূল ধারণা হল এককালীন এবং অ-ইউনিফাইড পদ্ধতি থেকে পরিবাহক পদ্ধতিতে রূপান্তর।

উপরে উল্লিখিত সবকিছুই কাজের নাম মাত্র। এবং তাদের প্রতিটি সমাধান করার জন্য, আপনি ক্লাসিক্যাল থেকে শুরু করে বিভিন্ন কৌশল ব্যবহার করতে পারেন পরিসংখ্যান পদ্ধতিএবং স্ব-শিক্ষার অ্যালগরিদম দিয়ে শেষ। বাস্তব ব্যবসাসমস্যাগুলি প্রায় সবসময় উপরের পদ্ধতিগুলির একটি বা তাদের সংমিশ্রণ দ্বারা সমাধান করা হয়। প্রায় সমস্ত কাজ - পূর্বাভাস, বাজার বিভাজন, ঝুঁকি মূল্যায়ন, কর্মক্ষমতা মূল্যায়ন বিজ্ঞাপন প্রচারাভিযান, গ্রেড প্রতিযোগিতামূলক সুবিধাএবং আরও অনেকগুলি - উপরে বর্ণিতগুলিকে সিদ্ধ করুন। অতএব, আপনার নিষ্পত্তিতে একটি টুল রয়েছে যা প্রদত্ত কাজের তালিকা সমাধান করে, আমরা বলতে পারি যে আপনি যে কোনও ব্যবসায়িক বিশ্লেষণ সমস্যা সমাধান করতে প্রস্তুত।

আপনি যদি লক্ষ্য করেন, আমরা কখনই উল্লেখ করিনি যে বিশ্লেষণের জন্য কোন টুল ব্যবহার করা হবে, কোন প্রযুক্তি ইত্যাদি। কাজগুলি নিজেরাই এবং তাদের সমাধানের পদ্ধতিগুলি সরঞ্জামগুলির উপর নির্ভর করে না। এটি সমস্যার একটি উপযুক্ত পদ্ধতির বর্ণনা মাত্র। আপনি যে কোনও কিছু ব্যবহার করতে পারেন, একমাত্র গুরুত্বপূর্ণ বিষয় হল যে সমস্ত কাজের তালিকাটি কভার করা হয়েছে। এই ক্ষেত্রে, আমরা বলতে পারি যে সত্যিই একটি সম্পূর্ণ কার্যকরী সমাধান আছে। প্রায়শই, কার্যগুলির একটি ছোট অংশকে কভার করে এমন প্রক্রিয়াগুলিকে "ব্যবসায়িক বিশ্লেষণ সমস্যার সম্পূর্ণ বৈশিষ্ট্যযুক্ত সমাধান" হিসাবে প্রস্তাব করা হয়। প্রায়শই, শুধুমাত্র OLAP কে একটি ব্যবসায়িক তথ্য বিশ্লেষণ সিস্টেম হিসাবে বোঝা যায়, যা সম্পূর্ণ বিশ্লেষণের জন্য সম্পূর্ণ অপর্যাপ্ত। বিজ্ঞাপনের শ্লোগানের পুরু স্তরের নীচে কেবল একটি রিপোর্টিং সিস্টেম রয়েছে। এই বা সেই বিশ্লেষণ টুলের কার্যকরী বর্ণনা সারমর্ম লুকিয়ে রাখে, তবে প্রস্তাবিত স্কিম থেকে শুরু করাই যথেষ্ট এবং আপনি বাস্তব অবস্থা বুঝতে পারবেন।