هوش تجاری - بخش مدلها و مدلسازی در هوش تجاری قسمت اول نمایش مدلها

مدلها و مدلسازی در هوش تجاری

همانطور که در مطلب هوش تجاری گفته شد در رشته های علمی، اصطلاحات مدل و مدل سازی بارها در زمینه هوش تجاری استفاده شده است و می‌توان به وفور انواع مدل ها را پیدا کرد، به همین جهت این مقاله را برای آشنایی با مدلها و مدل سازی در هوش تجاری را جهت ارائه به شما عزیزان تهیه نمودم.

هر مدل بخشی از فرآیند کسب و کار را نشان می دهد و اجازه می دهد سوالات زیادی را با فرمولهای دقیق با استفاده از تکنیک های تحلیلی بیشتر پاسخ داد. برای مثال فرایندهای شرکت مورد مطالعه HEP به عنوان اجزای یک مدل، یعنی در یک شبکه اجتماعی، به منظور تجزیه و تحلیل رابطه کار با اشخاص جامعه در ارتباط هستند. به عبارت دیگر، یک مدل بر اساس یک شاخص از یک سیستم هدف، در پرونده ما، فرآیند کسب و کار است. با توجه به این موقعیت، باید دو پرسش اساسی مطرح شود:

چگونه می توانیم عملکرد شاخص را درک کنیم؟
چگونه باید این شاخصها را ارائه یا فرموله کنیم؟

در زیر، ما در مورد این دو سوال و ارائه برخی از ایده ها در مورد ساخت مدل و معیارهایی برای ارزیابی مدل خواهیم پرداخت. علاوه بر این، ما به طور مختصر در مورد تفاوت مدل ها و الگوها بحث خواهیم کرد.

تابع نمایش مدل ها

از منظر کلی، سه رویکرد متفاوت به تابع نمایش وجود دارد، که همه آنها در BI رخ می دهد:

مدل های پدیده ها (Phenomena): پدیده ها، به عنوان یکی از ویژگی های خاص فرایند کسب و کار تعریف شده است، از دیدگاه تجزیه و تحلیل، به گونه ای ارائه می شود که در نمایش، می تواند در مورد پاسخ سوالات کسب و کار دسته بندی و تجزیه و تحلیل شود.
مدل داده ها: داده های نمونه های فرآیند به گونه ای ارائه می شوند که نمایش آنها باعث کشف حقایق جالبی در مورد فرآیند کسب و کار بر اساس نمونه ها به دست آید.
مدل های نظری (تئوری): به شکل تعریف یک مدل در منطق ریاضی می باشد، این رویکرد ابتدا یک ساختار رسمی را تعریف می کند و مدل به عنوان تفسیر این ساختار رسمی درک می شود.

هر سه رویکرد در BI وجود دارد و ما به طور خلاصه این سه رویکرد متفاوت را توضیح خواهیم داد.

مدلهای پدیده

همانطور که در بالا ذکر شد، اصطلاح پدیده را به عنوان چتر(چتری که شرایط خاص فرایندهای کسب و کار را در بر می گیرد) توضیح دادیم. این یک تعریف عمومی تر از اصطلاح پدیده است تا درک معمول پدیده به عنوان رویدادهای قابل مشاهده حاصل گردد. چنین مدلهای انتزاعی است که بر برخی پدیده ها تمرکز دارد و تصویری از واقعیت را با این ویژگی ها تعریف می کند. این تصویر اجازه می دهد فرمول سوالات دقیق، که می تواند با استفاده از تکنیک های تحلیلی پاسخ داده شود حاصل شود. اینکه آیا چنین نمایشی براساس دیدگاه مثبت گرا (مدل ها به عنوان هماهنگ کننده پدیده های دنیای واقعی) تعریف شده است یا بر اساس دیدگاه سازنده تر (مدل ها به عنوان ساخت یک مدل ساز) مهم نیست.

بسیاری از مدل های ذکر شده در ابتدای این بخش می توانند به عنوان مدل هایی از پدیده ها دیده شوند. تفاوتها را به طور عمده در چگونگی نمایش تعریف می کنیم، چه منظوری فرآیند کسب و کار از منافع اصلی دارد و کدام یک از دیدگاه ها در دسترس است. به عنوان مثال، مدل های فرآیند کسب و کار، مدل هایی از پدیده ها برای دیدگاه تولید و نمایش رویداد است. ویژگی اصلی جالب توجه، جریان کنترل توصیف توالی های قابل قبول وقایع تعریف شده بر اساس برخی از قوانین و هنجارها می باشد. با استفاده از چنین نمایشی، می توانیم سوالات مختلفی در مورد اجرای فرآیند بپرسیم. چنین مدل هایی اغلب به نام مدل های ایده آل شناخته می شوند. رابطه بین مدل و واقعیت اغلب با رابطه بین یک شخص و یک کاریکاتور مقایسه می شود.

تعاریف نسبتا مشابه ای در تعریف نمایش مدل ها برای دیدگاه سازمانی وجود دارد. همکاری و ارتباط بین عناصر مختلف در فرایند کسب و کار می تواند با استفاده از ایده های دیگر رشته ها ارائه شود. به عنوان مثال، ما از فیزیک در مورد جذب بدن در وابستگی به فاصله استفاده می کنیم و این اصل را در یک مدل سازمانی اعمال می کنیم. چنین نمایشی گاهی به نام مدل های آنالوگ شناخته می شود. با این حال، تمایز بین بازنماییهای ایده آلیست و آنالوگ چندان آسان نیست.

در دیدگاه مشتری، تعریف نمایش در روش ایده آل یا مشابه، اغلب امکان پذیر نیست. دلیل آن این است که اغلب مشتریان فاقد اطلاعات دقیقی در مورد فرایند کسب و کار داخلی هستند و بیشتر به سیگنالها و رویدادهایی که از فرایند دریافت می کنند واکنش نشان می دهند. در نتیجه، تعریف یک مدل به طور عمده بر خواص قابل مشاهده استوار است. به عنوان مثال، در مورد مدیریت چرخه بازاریابی، ما متوجه می شویم که یک شخص تصمیم می گیرد از ارتباط با یک ویزیتور خارج شود، به عنوان مثال، پدیده لغو قرارداد. برای تعریف یک مدل، ما رابطه بین لغو قرارداد، جنسیت و سن مشتری و قیمت محصول را مطرح می کنیم. با استفاده از این فرض، ما در رابطه با یک مدل آماری با استفاده از بعضی از تابع ها هستیم و یک متغیر تصادفی برای گرفتن سایر تاثیرات احتمالی اضافه می کنیم. مدل هایی که از چنین ایده هایی برای نمایش استفاده می کنند، مدل های پدیده شناختی (Phenomenological) هستند. در این مورد، دیدگاه فرآیند کسب و کار اغلب به صورت مقطعی است.

مزیت مدل های پدیده این است که ترکیبی از ملاحظات نظری پشت این مدلها را با واقعیت ارائه می دهند. برای مثال در مورد انطباق شاخصهای فرآیند کسب و کار با مدل، به عنوان مثال، در برنامه های پزشکی، انطباق بیماران با روند درمان برنامه ریزی شده است. BI با تمرکز بر مقایسه مدل با تعداد زیادی از نمونه های فرایند مشاهده شده، از تحقیقات عملیاتی، پاسخ سوالات مربوط به رفتار بهینه فرایندها را تشخیص می دهد.

مدلهای داده

همانطور که قبلا در پایان بحث مدل های پدیده ذکر شده است، داده ها در مقایسه با مدل ها و واقعیت نقش اساسی ایفا می کنند. مدل داده ها یک قدم جلوتر می رود. آنها از یک مدل نظری برای پدیده ها پرهیز می کنند و می خواهند چنین مدل هایی را از داده های مشاهده شده یاد بگیرند. در تجزیه و تحلیل اهداف ارائه شده، چنین مدل هایی نقش مهمی را در تمامی دیدگاه های فرآیند کسب و کار ایفا می کنند. در مورد دیدگاه تولید، ما بسیاری از زمان ها با این واقعیت مواجه هستیم که تعریف دقیقی از جریان کنترل فرآیند کسب و کار وجود ندارد، اما ما می خواهیم جریان کنترل را از نمونه های مشاهده شده مشخص کنیم. در مورد دیدگاه مشتری، مدل داده ها در ارتباط با اهداف تحلیلی نظیر درک اینکه چرا مشتریان از دست می روند، یا چقدر طول می کشد تا زمانی که ارتباط با کسب و کار به پایان برسد یا اینکه چرا پیش فرض اعتبار مشتری چقدر است، رخ می دهد. برخلاف مدل پدیداری شناخته شده مورد بحث بالا، ما نمی دانیم که کدام ویژگی ها بر متغیر هدف تأثیر می گذارد، اما ما می خواهیم از داده هایی که بهترین مدل را انتخاب می کنند یاد بگیریم. در دیدگاه سازمانی، ممکن است علاقه مند به یادگیری نقش های مختلف عناصر در فرایند کسب و کار باشیم. برای یادگیری نقش های مختلف، می توان از مدل تقسیم بندی (segmentation) استفاده کرد.

این نمونه ها نشان می دهد که مدل های داده نقش مهمی در BI دارند. رویکرد معمول برای به دست آوردن مدل داده ها، شروع کردن برخی از پیش پردازش داده های موجود برای دستیابی به داده های “پاک” است. لازم به ذکر است که پیش پردازش (preprocessing) خود به مدل داده ها متکی است و بخش مهمی از وظیفه درک اطلاعات است که در ارتباط با روش iMine می باشد. گام دوم شامل تعریف مدل های نامزدی (candidate) شامل مدل شایسته (adequate) برای هدف تحلیلی است که بر اساس مجموعه ای از معیارهای خاص انتخاب شده است.

گاهی اوقات، مدل داده ها را می توان با استفاده از تکنیک های توصیف داده ها و تجسم داده ها یافت. اغلب مدلهای نامزد براساس مدلهای پدیده هستند، به عنوان مثال، مدلهای آماری در صورت مشاهده مقطعی یا دیدگاه دولت. پس از انتخاب یک مدل، باید عملکرد آن را با داده های جدید بررسی کنید. اهمیت مدل داده ها نیز با استفاده از داده کاوی برای تکنیک های مختلف تحلیلی مورد توجه قرار می گیرد.

مدلهای نظری (Theories)

مدل نظریه ها به طور عمده برای نشان دادن دانش در مورد حوزه یک برنامه کاربردی BI استفاده می شود. دانش دامنه معمولا با توجه به مفاهیم مهم دامنه و وابستگی منطقی بین این مفاهیم است. مفاهیم همراه با روابط آنها یک نظام رسمی را تعریف می کنند که طرح یک پایگاه داده را مشخص می کند و یا به طور کلی به صورت هسته شناسی (ontology) بیان می شود. اگر چنین فرمولي را به عنوان نظریه کسب و کار درک کنیم، نمونه داده ها، تحقق این سیستم رسمی هستند و یک مدل را تعریف می کنند. مدل های داده جهت درک مدل اصطلاح منطق استفاده شده است. یک دیدگاه عملی تر از مدل های داده، که یک الزام ضروری برای تمام فعالیت های BI است.