बिझिनेस इंटेलिजेंस म्हणजे काय आणि ते कशासाठी आहे

एखादी क्रियाकलाप विश्लेषित करण्यासाठी माहितीचा कसा उपयोग केला जाऊ शकतो हे जाणून घेणे किंवा सिस्टम कच्च्या डेटाला उपयुक्त माहितीमध्ये कसे रूपांतरित करू शकते हे समजून घेणे हे व्यवसाय इंटेलिजेंसचे लक्ष्य आहे.

आम्ही निर्णय घेण्याच्या प्रक्रियेत वापरलेले अनुभव, समज आणि धोरणे हळू हळू बदलतात. त्याऐवजी, माहिती नेहमीच नवीन असते, वेगाने आणि महत्त्वपूर्ण मार्गाने बदलत असते.

स्पर्धात्मक फायदा मिळविण्यास उशीर झाल्यास सुसज्ज कृती योजना काय चांगले आहे?

बहुतेकदा निर्णय घेणार्‍यांना आवश्यक माहिती आणि कंपन्या दररोज संकलित करतात अशा असंख्य डेटामध्ये खूप फरक असतो. सर्व डेटा वापरण्यायोग्य माहितीमध्ये कसे रूपांतरित करावे ही मुख्य समस्या कायम आहे.

कंपनीची कामगिरी मोजण्यासाठी योग्य मेट्रिक शोधणे ही सर्वात कठीण बाब आहे. या मेट्रिक्सला केपीआय किंवा की परफॉरमन्स इंडिकेटर (की परफॉरमन्स इंडिकेटर) म्हणतात

व्यवसाय बुद्धिमत्ता एक तर्कसंगत व्यवस्थापन दृष्टीकोन वापरते

या प्रक्रियेबद्दल धन्यवाद, कंपनीमध्ये उपस्थित असलेले विविध डेटा स्रोत निर्णयांच्या समर्थनार्थ माहिती बनतात. परिवर्तन पुढील चरणांद्वारे होते:

डेटा स्रोत -> बहुआयामी घन विश्लेषण -> डेटा अन्वेषण -> डेटा खनन -> ऑप्टिमायझेशन -> निर्णय

डेटा स्रोत असू शकतात:

• ईआरपी
• सी आर एम
• डेटाबेस
• फायली
• सामाजिक नेटवर्क
• ...

ईटीएल (एक्सट्रॅक्ट, ट्रान्सफॉर्म, लोड) साधनांद्वारे विविध स्त्रोतांचा डेटा एकाच डेटा वेअरहाउसमध्ये एकत्रित केला जातो ज्यामधून विविध व्यवसाय क्षेत्रांच्या (लॉजिस्टिक, मार्केटींग, ...) विश्लेषणासाठी डेटा मार्ट्स काढला जातो.

आपल्याला कदाचित हे देखील आवडेलः चार क्रियांची चौकट, नाविन्याची रणनीती

आपल्याला कदाचित हे देखील आवडेलः फ्रेमवोएसईओ रणनीती व्हॉईस शोध आणि वैयक्तिक सहाय्यकांचे यश

डेटावेअर हा एक जागा आहे जिथे कॉर्पोरेट डेटा एकत्रित केला जातो.

डेटा मार्ट (शब्दशः डेटा रेपॉजिटरी) हा शब्द एखाद्या विशिष्ट व्यवसाय क्षेत्रासाठी (विभाग, व्यवस्थापन, सेवा, उत्पादन श्रेणी इ.) डेटा वेअरहाऊस डेटा असलेल्या डेटा वेअरहाऊसचा एक उपसंच निर्दिष्ट करतो. म्हणून डेटा मार्ट मार्केटींग, कमर्शियल डेटा मार्ट उदाहरणार्थ
एक डेटावेअर हाऊस वेगवेगळ्या स्त्रोतांकडून, तार्किक आणि शारीरिकदृष्ट्या रूपांतरित आणि दीर्घ काळासाठी बाजार विश्लेषणास अनुमती देण्याकरिता नॉन-अस्थिर डेटाचे विश्लेषण सुलभ करण्यासाठी डिझाइन केलेले आहे. अस्थिर डेटा व्यवस्थापित करू शकत नाही

एक्सट्रॅक्ट, ट्रान्सफॉर्म, लोड (ETL) संश्लेषण प्रणाली (डेटा वेअरहाऊस, डेटा मार्ट) मध्ये डेटा काढणे, रूपांतरित करणे आणि लोड करणे या प्रक्रियेस संदर्भित करते.
ट्रान्झॅक्शनल डेटाबेस (ओएलटीपी), सामान्य मजकूर फाइल्स किंवा इतर संगणक प्रणाली (उदाहरणार्थ, ईआरपी किंवा सीआरएम सिस्टम) सारख्या स्रोत सिस्टममधून डेटा काढला जातो.
म्हणूनच ते एक परिवर्तन प्रक्रिया पार पाडतात, ज्यामध्ये असे असतेः

• सिस्टमसाठी फक्त त्यांनाच निवडा
• डेटा सामान्य करा (उदाहरणार्थ डुप्लिकेट काढून टाकून)
• नवीन गणना केलेला डेटा मिळवा
• वेगवेगळ्या सारण्यांमधून पुनर्प्राप्त केलेल्या डेटा दरम्यान जोडीदार (सामील) करा
• समान ऑब्जेक्टचा डेटा गटबद्ध करा

या परिवर्तनाचा उद्देश डेटा एकत्रित करण्याचे उद्दीष्ट आहे (म्हणजेच वेगवेगळ्या स्रोतांकडून डेटा एकसंध बनविणे) जेणेकरून ते विश्लेषण प्रणालीच्या व्यवसायाच्या तर्कशास्त्रांचे पालन करतात ज्यासाठी ते विकसित केले गेले आहे. ते शेवटी संश्लेषण प्रणालीच्या (टेबल) सारण्यांमध्ये लोड केले जातात.

आपल्याला कदाचित हे देखील आवडेलः प्रथम असण्याचे महत्त्वः गूगल ड्रोन रहदारी नियंत्रण नियंत्रित करते

आपल्याला कदाचित हे देखील आवडेलः दHYPERLOOP एलोन मस्क द्वारे, 170 वर्ष जुना प्रकल्प

डेटा खनन म्हणजे मोठ्या प्रमाणात डेटा आणि या ज्ञानाचा औद्योगिक किंवा ऑपरेशनल वापरातून ज्ञान किंवा ज्ञान मिळवणे.

आज डेटा मायनिंगचे दुहेरी मूल्य आहे:

• आधीपासून संरचित डेटापासून लपविलेल्या, प्रगत विश्लेषणात्मक तंत्रांसह, उपलब्ध आणि थेट वापरण्यायोग्य करण्यासाठी, माहिती काढणे.
• महत्त्वपूर्ण नमुने (नमुने) शोधण्यासाठी मोठ्या प्रमाणात डेटावर अन्वेषण आणि विश्लेषण. या प्रकारचा क्रियाकलाप वैज्ञानिक संशोधनाच्या अनेक क्षेत्रांमध्ये महत्त्वपूर्ण आहे, परंतु इतर क्षेत्रांमध्ये देखील. ग्राहक संबंध व्यवस्थापन (सीआरएम) पासून, फसव्या वागणुकीची ओळख पटण्यापर्यंत वेगवेगळ्या समस्या सोडविण्यासाठी याचा उपयोग केला जातो.

व्यवसाय बुद्धिमत्ता आणि Qlik प्रशिक्षण अभ्यासक्रमांबद्दल अधिक माहितीसाठी, तुम्ही माझ्याशी info@ वर ईमेल पाठवून संपर्क साधू शकता.bloginnovazione.ते, किंवा संपर्क फॉर्म भरून BlogInnovazione.it

Ercole Palmeri

तात्पुरते इनोव्हेशन मॅनेजर