ما التحليلات المعززة؟

إدارة البيانات المؤتمتة

تتمثل إحدى أبرز فوائد التحليلات المعززة في إمكانية تقليل الملل وتوفير الوقت، فمع زيادة كمية البيانات التي تسببت بها حقبة البيانات الكبيرة، جاء ارتفاع مصاحب في كمية الجهد المطلوب لإعداد تلك البيانات للتحليل وتوحيد الرؤى من مصادر البيانات المتباينة.
 

إعداد البيانات

ولكي تعالج خوارزميات التعلم الآلي البيانات، يجب أن تُجمع البيانات من مصادر متعددة، وتُنظم، ثم تنسق بشكل نظيف ومنتظم، فعلى سبيل المثال، عند التعامل مع مجموعات البيانات المجدولة، يجب ترتيب حقول البيانات بشكل متسق للمساعدة في ضمان توافق ميزات التضمينات المتجهة الخاصة بكل نقطة بيانات مع تلك الخاصة بنقاط البيانات الأخرى، وعند القيام بذلك يدويًا، يمكن أن تكون هذه العملية مملة للغاية وتتطلب جهدًا مكثفًا.

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.

اكتشاف البيانات

وعلى الرغم من أن العمل الذي غالبًا ما يرتبط بمحللي البيانات يستلزم عادةً الاستعلام الاستباقي عن البيانات للاسترشاد بها في اتخاذ قرارات محددة أو اختبار فرضيات معينة، فإن جزءًا كبيرًا من قيمة علم البيانات القوي تكمن في استكشاف البيانات بشكل عام بحثًا عن روابط ورؤى غير مرئية أو غير متوقعة.  

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.

التفاعلات اللغوية الطبيعية

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، يجب أن يفسر النموذج اللغوي الكبير استعلام اللغة الطبيعية هذا، ويترجمه إلى طلب منظم ويضع افتراضات لملء المعلومات الناقصة بناءً على فهمه لسياق سؤال المستخدم، ويجب تحديد نموذج واحد أو أكثر لمعالجة الطلب. وينبغي أن يستمد النموذج مصدر (أو مصادر) البيانات الأكثر صلة بالموضوع، وأخيرًا، يجب على النموذج اللغوي الكبير تفسير النتائج الرياضية وصياغتها بطريقة تركز على التفاصيل ذات الصلة. 

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

عرض مصور للبيانات

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.

الرؤى المؤتمتة والتحليل الإحصائي

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

تخفف أفضل حلول التحليلات المعززة من عبء تحديد كيفية استجواب بياناتها بالضبط للحصول على الرؤى، ما يحرر مستخدمي الأعمال للتركيز على كيفية التصرف بناءً على تلك الرؤى. وبالإضافة إلى قدرات معالجة اللغة الطبيعية التي تظهر على المستوى السطحي، يمكن أن تعمل النماذج اللغوية الكبيرة بصفتها محركًا 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.

التحليلات التنبؤية والتحليلات الإلزامية

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.