ما التحليلات المعززة؟

تساعد التحليلات المعزَّزة على إتاحة اتخاذ القرارات القائمة على البيانات على نطاق أوسع داخل المؤسسة، من خلال أتمتة العمليات أو تبسيطها، بما في ذلك إعداد البيانات، واختيار النماذج، واستخلاص الرؤى، والعروض المصوَّرة للبيانات. وبفضل قدرات التحليلات المعزَّزة، يمكن للمحللين ومستخدمي الأعمال تنفيذ المهام التي كانت تتطلّب سابقًا خبرة فنية متخصّصة من علماء البيانات

أدى الذكاء الاصطناعي التوليدي إلى تسريع انتشار منصات التحليلات المعززة وأدوات الخدمة الذاتية. ويعمل التوافر المتزايد للنماذج اللغوية الكبيرة (LLM) المتطورة على تسهيل استعلامات اللغة الطبيعية وتوليد اللغة الطبيعية (NLG)، ما يتيح للمستخدمين الاستعلام عن البيانات وتفسير النتائج من دون معرفة تقنية أو لغات برمجة متخصصة.

علاوةً على ذلك، يمكن لخوارزميات التعلم الآلي تحسين الوظائف الأساسية لأدوات التحليلات المعززة باستمرار لتناسب احتياجات مستخدمين معينين أو حالات استخدام محددة بشكل أفضل، فعلى سبيل المثال، يمكن لمنصة ذكاء الأعمال (BI) أن تحدد الأنماط في استفسارات المستخدمين بمرور الوقت، ثم تعرض تلقائيًا الرؤى القابلة للتنفيذ ذات الصلة بتلك الأنماط في الوقت الفعلي على إحدى لوحات معلومات إعداد التقارير.

توسع التحليلات المعززة نطاق الوصول إلى عملية التحليل من خلال تقليل الحواجز التقنية التي تحول دون الحصول على رؤى ذات مغزى من البيانات المعقدة، ومن خلال القيام بذلك، يمكن لحلول التحليلات المعززة أن تحسّن من مهارات الإلمام بالتكنولوجيا الرقمية على مستوى الشركة وتضمن بشكل أفضل أن تتأصل قرارات الأعمال الرئيسية عبر المنظمة بالكامل في تحليل البيانات المدروس.

كما يوحي المصطلح، فإن حلول التحليلات المعززة مصممة لتعزيز كل مرحلة من مراحل عملية تحليل البيانات، بدءًا من إعداد البيانات ومرورًا بتوليد الرؤى ووصولًا إلى تقديم تقارير واضحة وسهلة التفسير. وتمكّن منصة التحليلات الخدمات الذاتية القوية أي مستخدم من اكتساب مزيدًا من الرؤى العميقة بأقل جهد أو معرفة تقنية.

تشمل القدرات الرئيسية لحل التحليلات المعززة المثالي ما يلي:

• إدارة البيانات المؤتمتة
• التفاعلات اللغوية الطبيعية
• عرض مصور للبيانات
• الرؤى المؤتمتة والتحليل الإحصائي

تتمثّل إحدى أبرز مزايا التحليلات المعزَّزة في تقليل الأعمال الرتيبة وتوفير الوقت. فمع زيادة كمية البيانات التي تسببت بها حقبة البيانات الكبيرة ، ارتفع بالتبعية حجم الجهد المطلوب لإعداد تلك البيانات للتحليل وتوحيد الرؤى المُستخلَصة من مصادر البيانات المتباينة.

ولكي تتمكّن خوارزميات التعلم الآلي من معالجة البيانات، يجب جمعها من مصادر متعددة وتنظيمها وتجميعها، ثم تنسيقها بصورة نظيفة ومتّسقة. فعلى سبيل المثال، عند التعامل مع مجموعات بيانات جدولية، يجب ترتيب حقول البيانات بطريقة متّسقة لضمان توافق السمات في التمثيلات المتجهية الخاصة بكل نقطة بيانات مع السمات المقابلة لنقاط البيانات الأخرى. وعند تنفيذ هذه الخطوات يدويًا، تصبح العملية شديدة الرتابة وتتطلّب قدرًا كبيرًا من الجهد.

ويمكن لمنصات ذكاء الأعمال الحديثة المعززة بالذكاء الاصطناعي استخدام التعلم الآلي لأتمتة كثير من مهام تنقية البيانات عن طريق:

• اكتشاف سمات البيانات ذات الصلة تلقائيًا. على سبيل المثال، قد تكشف الخوارزمية عن وجود معلومات جغرافية (مثل الرمز البريدي أو إحداثيات خطوط الطول والعرض) أو معلومات الاتصال (مثل عنوان البريد الإلكتروني أو رقم الهاتف). ويمكن بعد ذلك وضع ميزات هذه البيانات ضمن مخطط تنسيق موحد.

• ضمان جودة البيانات والحفاظ على الخصوصية. يمكن تدريب الخوارزميات على تقدير المدخلات الواردة من مصادر البيانات المختلفة أو عدم التركيز عليها أو تجاهلها وفقًا لسياسة إدارة البيانات الخاصة بالمنظمة، ويمكن لمنصة التحليلات المعززة أن تزيد من إنفاذ ممارسات إدارة البيانات مثلاً من خلال تنقية نقاط البيانات تلقائيًا من معلومات التعريف الشخصية (PII)، وهذا مفيد بشكل خاص في مجالات مثل الرعاية الصحية، حيث يُنظم استخدام هذه المعلومات بشكل كبير.

• قراءة المعلومات واستخراجها من ملف PDF أو مصادر نصية غنية. يمكن أن تستلزم هذه العملية أيضًا إزالة القيم الفارغة أو الأحرف الخاصة أو استبدالها -مثل علامات الترقيم أو الرموز غير القياسية- من أجل تحويل النص إلى تنسيق تسهل قراءته آليًا.

• فهرسة المعلومات ذات الصلة وتجميعها. على سبيل المثال، قد تتعرف خوارزمية ما على وجود نقاط بيانات متوازية في مصادر مختلفة وتقترح تجميعها، أو تكتشف نقاط البيانات الزائدة عن الحاجة وتجمعها تلقائيًا في مدخل واحد، وعلاوةً على ذلك، قد تدمج منصة التحليلات المعززة نموذجًا قادرًا على إنتاج تضمينات متجهة فعالة لكل مستند لتمكين البحث الفعال عن المتجهات والتوليد المعزَّز بالاسترجاع.

وعلى الرغم من أن العمل المرتبط عادةً بمحللي البيانات ينطوي غالبًا على الاستعلام الاستباقي عن البيانات لدعم قرارات محددة أو اختبار فرضيات معيّنة، فإن جزءًا كبيرًا من القيمة التي يقدّمها علم البيانات المتقدّم ينبع من استكشاف البيانات على نطاق واسع بحثًا عن روابط ورؤى خفية أو غير متوقَّعة.

على سبيل المثال، قد توصي أداة التحليلات المعززة تلقائيًا ببناء ارتباطات بين مصادر البيانات المختلفة التي قد يغفل عنها المستخدم أو تظهر القيمة الخارجية أو الاتجاهات غير الطبيعية لمزيد من التحليل. يمكن أن يتعرف تطبيق التعلم غير الخاضع للإشراف، مثل نماذج الارتباط أو التجميع، على الأنماط والارتباطات المتأصلة التي قد تفيد في الرؤى القابلة للتنفيذ.

أحد أهم العوائق التي تحول دون دخول المستخدمين غير التقنيين المهتمين بتحليل البيانات هو عمق المعرفة التقنية المتخصصة المطلوبة لتحليل البيانات التقليدية، وبالنسبة إلى كثير من الأفراد، فإن تعلم البرمجة أو استخدام لغة الاستعلام المنظمة (SQL) أمر صعب للغاية أو يستغرق وقتًا طويلاً، ويتضمن ذلك تعلم التقنيات والتسميات وأفضل الممارسات الإحصائية المطلوبة لتفسير النتائج والتحقق من صحتها بشكل فعال.

ربما يكون تزاوج تحليل البيانات مع معالجة اللغة الطبيعية (NLP) هو الطريقة الأكثر تأثيرًا وبديهية التي توسع من خلالها التحليلات المعززة نطاق الوصول إلى الرؤى القائمة على البيانات. ويمكن للمستخدمين الاستعلام عن البيانات باستخدام لغة بسيطة وواضحة—"ما المنتجات التي حققت أعلى معدلات العائد في الثلاثين يومًا التالية لموسم العطلات؟"— وتلقي الردود أيضًا بلغة مباشرة.

في الواجهة الخلفية، يتعيَّن على النموذج اللغوي الكبير (LLM) تفسير استعلام اللغة الطبيعية هذا، وترجمته إلى طلب مُنظَّم، ووضع افتراضات لملء المعلومات الناقصة استنادًا إلى فهمه لسياق سؤال المستخدم. ويجب تحديد نموذج واحد أو أكثر لمعالجة الطلب. وينبغي أن يستمد النموذج مصدر (أو مصادر) البيانات الأكثر صلة بالموضوع، وأخيرًا، يتعيَّن على النموذج اللغوي الكبير (LLM) تفسير النتائج الرياضية وصياغتها بطريقة تُبرِز التفاصيل ذات الصلة.

ولكن من وجهة نظر المستخدم، فهو ببساطة يطرح سؤالاً ويتلقى إجابة.

لا تقتصر قدرة حلول التحليلات المعززة فقط على تقديم قدرات قوية للعروض المصورة للبيانات، بل إنها أيضًا تدمج العروض المصورة للبيانات في الإنتاج الآلي للتقارير لتسهيل مشاركة المعلومات واتخاذ القرارات التعاونية.

على الرغم من أن اللغة الطبيعية غالبًا ما تكون طريقة مفيدة جدًا للتعبير عن المعلومات، إلا أن العرض المصور غالبًا ما يكون الطريقة الأكثر سهولة في إجراء المقارنات وإبراز الأنماط. ويمكن أن تكون الرسوم البيانية والمخططات والرسوم التوضيحية والمخططات البيانية والخرائط الحرارية وأنواع أخرى من العروض المصورة للبيانات طريقة مفيدة لاستكشاف البيانات وإجراء اتصالات قد لا يستطيع المرء دمجها بشكل صريح في الاستعلام.

قديمًا، كان تحويل طلب بلغة طبيعية إلى عرض مصور مرئي معقد يتطلب تنسيقًا متطورًا بين عدة نماذج تعمل بطريقة شبيهة بسلسلة الإنتاج. ولكن التطور المستمر في نصوص النماذج اللغوية الكبيرة التي كانت في السابق تتكون فقط من النصوص وتحولها إلى نماذج ذكاء الاصطناعي متعددة الوسائط يمكنها أن تعمل بسلاسة عبر طرائق بيانات مختلفة، قد أدت إلى زيادة تبسيط تنوع منصات التحليلات المعززة.

وهذا يسمح باتباع نهج ديناميكي لتحليل البيانات يمكن للمستخدمين غير التقنيين من خلال اكتشاف الارتباطات والفرضيات بشكل مفتوح مع إتاحة النتائج والتوصيات والرؤى الجديرة بالملاحظة بسهولة في لوحات تفاعلية سهلة الاستخدام.

على الرغم من أن معالجة اللغة الطبيعية تسرق الأضواء، إلا أن نتائج استطلاع "Magic Quadrant" الذي أجرته شركة Gartner مؤخرًا تشير إلى أن القدرة الأكثر رواجًا في مجال التحليلات وذكاء الأعمال (ABI) ليست استعلامات اللغة الطبيعية بل الرؤى المؤتمتة. وبعبارة أخرى، يهتم مستخدمو الأعمال بالنتائج أكثر من اهتمامهم بعملية الحصول على تلك النتائج^.1

تخفِّف أفضل حلول التحليلات المعزَّزة من عبء تحديد الكيفية الدقيقة لاستكشاف البيانات واستخلاص الرؤى منها، مما يتيح لمستخدمي الأعمال التركيز على كيفية ترجمة تلك الرؤى إلى خطوات عملية. وبعيدًا عن قدرات معالجة اللغة الطبيعية السطحية، يمكن أن يعمل النموذج اللغوي الكبير (LLM) كمحرِّك لاتخاذ القرارات في الوقت الفعلي. وهذا يُمكِّن منصة التحليلات المعززة الحديثة من تكييف التحليل مع السياق المحدد لطلب المستخدم بطريقة أكثر ديناميكية مما هو ممكن مع قواعد IF-THEN (إذا - سوف) البسيطة.

على سبيل المثال، يمكن لبرنامج التحليلات المعزز أن يستنتج من طبيعة الطلب نوع البيانات التي سُتفحص ونوع التحليل المطلوب، ثم يقترح بذكاء المخططات المثلى للعروض المصورة للبيانات. كما يمكن لحلول التحليلات المعززة إجراء تحليلات عبر نماذج توقعات متعددة وإبراز تنبؤات النموذج الذي يقدم أكبر قدر من اليقين. ومن ثَمَّ يمكن للمنصات أن تقدم رؤى في عملية التنبؤ، بدلاً من مجرد إصدار التنبؤات.

تعمل الرؤى المؤتمتة أيضًا على تمكين التحليل الاستباقي للبيانات، وإظهار الاتجاهات الخارجية والاتجاهات الناشئة عند ظهورها بدلاً من انتظار الاستعلام الصحيح لإبرازها. فعلى سبيل المثال، يمكن لأدوات التحليل الآلي أن تحدد انخفاضًا غير متوقع في مقاييس مشاركة العملاء وتنبه القائمين على الأعمال إلى بعض أوجه القصور في تجربة العملاء حتى يمكن فهمها ومعالجتها.

يجب أن تكون منصة التحليلات المثلى قادرة على توفير عدسات متعددة لتحليل البيانات، لفهم الماضي واتخاذ قرارات مستنيرة بشأن المستقبل. وهناك أربع مجموعات فرعية رئيسية من الرؤى التحليلية، وكلها ضرورية لعملية اتخاذ القرار.

• تهتم التحليلات الوصفية بالتحليل الموضوعي: ما الذي حدث أو ما الذي يحدث؟ على سبيل المثال، في سياق سلسلة التوريدات، يمكن أن تستكشف التحليلات الوصفية موضع إنفاق الأموال أو موضع وجود نقص في المخزون.

• تهدف التحليلات التشخيصية إلى فهم الماضي: لماذا حدثت الأشياء. على سبيل المثال، يمكن استخدام تحليل السلوك السابق للعميل لتفسير سبب عدم تلبية مبادرة التسويق الجارية للتوقعات.

• تهدف التحليلات التنبؤية إلى التنبؤ بالمستقبل: احتمالية حدوث شيء ما أو النتائج المتوقعة لمسار العمل المحتمل. وعادةً ما تمثل التحليلات التنبؤية حجر الأساس لعمليات ذكاء الأعمال، حيث تؤسس القرارات استنادًا إلى فهم أعمق لعواقبها المحتملة.

• تهدف التحليلات الإلزامية إلى التنبؤ بالإجراءات المثلى: ما يجب أن يحدث أو كيفية تعظيم احتمال تحقيق النتيجة المرجوة. ويشغل نظام النمذجة الإلزامية أنظمة مثل محركات التوصية، حيث يجمع بين التحليلات التنبؤية والمنطق القوي لاتخاذ القرارات لتحديد الطريقة المثلى للمضي قدمًا.

على الرغم من أن منصات التحليلات المعززة تقدم مجموعة واسعة من الميزات المهمة، فهي ليست حلاً سحريًا قائمًا بذاته لجميع مشاكل الأعمال. ويجب أن يُنظر إلى التحليلات المعززة باعتبارها أداة قوية تحقق أفضل النتائج عندما يستخدمها موظفون ذوو إلمام كافٍ بالبيانات وعندما تُنقَّذ جنبًا إلى جنب مع ممارسات إدارة البيانات القوية.

• مهارات الإلمام بالبيانات: على الرغم من أن التحليلات المعززة تقلل إلى حد كبير من الجهد المطلوب للحصول على رؤى قابلة للتنفيذ من البيانات، فلا تكون هذه الرؤى مفيدة إلا حين يستخدمها الموظفون المنتمون لإدارات تعطي الأولوية لمهارات الإلمام بالبيانات. على سبيل المثال، قد تكتشف المنصة ارتباطًا جديرًا بالذكر وتبرزه، ولكن المستخدم المطلع فقط هو من يمكنه ممارسة الحكم اللازم لتمييز الفرق بين الارتباط والسببية.

• إدارة البيانات تعتمد جودة الرؤى والتوصيات المدعومة بالذكاء الاصطناعي بشكل مباشر على جودة مجموعات البيانات التي تستند إليها تلك التحليلات وموثوقيتها. ويجب أن تستثمر المنظمات في إدارة البيانات القوية لإرساء الثقة على مستوى المنظمة في التحليل الإلزامي، حيث تتيح إدارة البيانات القوية جودة البيانات المتسقة، وتفرض الامتثال التنظيمي، وتدمج مصادر البيانات بشكل نظيف وتراقب انجراف النموذج وغير ذلك من عيوب التعلم الآلي.