ما در دنیایی سرشار از داده زندگی می کنیم . اطلاعات با نرخی شگفت انگیز در حال تکثیر است و شاهد وجود حیرت انگیز داده در تمامی محیط پیرامون خود نسبت به دوران گذشته می باشیم . در اکثر موارد ، هدف از جمع آوری داده استفاده از آن جهت بهبود تصمیم گیری در خصوص برخی جنبه های کسب و کار ، دولت و یا جامعه است . اگر نتوانیم داده را به کمک تجزیه و تحلیل به اطلاعات ارزشمندی جهت تصمیم گیری بهتر تبدیل کنیم ، هم داده را هدر داده ایم ( نظیر هدردادن مواد اولیه در تولید یک محصول ) و هم فرصت بهینه سازی عملکرد خود را از دست داده ایم . شاه کلید این تحول ، توانمندی تجزیه و تحلیل داده است که امروزه از آن به عنوان علم جدید موفقیت یاد می شود . ما در یک دنیای تجزیه و تحلیل زندگی می کنیم که با توجه به روند رشد داده در ابعاد مختلف (  نظیر سرعت ، حجم ، تنوع ) ، این انتظار وجود دارد که جایگاه تجزیه وتحلیل داده در هر صنعت و سازمانی به سرعت ارتقاء و فراگیر گردد.

ظهور داده های عظیم و اهمیت مضاعف تجزیه و تحلیل داده  
امروزه شاهد حضور داده و بکارگیری نتایج حاصل از تجزیه و تحلیل  در هر حوزه ای از جامعه می باشیم . به عنوان نمونه  در ورزش ( تجزیه و تحلیل عملکرد بازیکنان  ) ، در بازی های کامپیوتری ( تحلیل رفتار بازیکنان و استفاده از نتایج توسط شرکت های تولید کننده بازی های کامپیوتری  نظیر Zynga و Electronic Arts ) ، تحلیل رفتار مشاهده کنندگان فیلم ها و مجموعه های تلویزیونی ( به عنوان نمونه شرکت  Netflix از نتایج تحلیل انجام شده جهت پیش بینی این که شما به چه فیلمی علاقه دارید ، استفاده می کند ) . همچنین ، تعدادی از تولید کنندگان فیلم های سینمایی نظیر Relativity Media با بکارگیری الگوریتم هایی وضعیت برگشت سریع تر سرمایه گذاری بر روی فیلم ها را تحلیل می نمایند و متناسب با نتایج  به دست آمده ، بر روی یک فیلم بخصوص سرمایه گذاری می کنند .
ما امروزه با نوع های مختلف داده مواجه هستیم . به عنوان نمونه می توان به برخی از نوع های داده اشاره کرد  که با اهداف تراکنشی جمع آوری و مدیریت می گردند (  ثبت زمان ورود و خروج کارکنان به محل کار خود ، زمان شروع و پایان مرخصی کارکنان و ... ) . پس از مدت زمانی ، حجم این نوع داده ها افزایش یافت و بدیهی است که سازمان ها تمایل داشته باشند که از این حجم داده ، جهت تصمیم گیری بهتر استفاده نمایند( به عنوان نمونه چه تعداد از کارکنان تمایل دارند سال آینده بازنشسته شوند و یا آیا بین تعطیلات و عملکرد کارکنان یک ارتباط منطقی وجود دارد ).
شکل 1 ، برخی از ویژگی های نسل اول تجزیه و تحلیل  که از آن با نام تجزیه و تحلیل سنتی یاد می شود را نشان می دهد .


استخراج ارزش از داده را می توان صرفا از طریق تحلیل های ریاضی و یا آماری  محقق  کرد. تجزیه و تحلیل ،  استفاده گسترده از داده ، تحلیل آماری و کیفی ، مدل های توصیفی و پیش بینی ، مدیریت مبتنی بر واقعیت جهت تصمیم گیری و ایجاد ارزش های جدید را به دنبال خواهد داشت . نوع داده تراکنشی اشاره شده در بخش قبل ساختیافته  ( به سادگی می توان در سطرها و ستون هایی آن را سازماندهی کرد ) ، کیفی و تقریبا دارای حجم اندکی است ( یک تا چندین ترابایت در یک سازمان بزرگ ) که نیازمند یک محیط سنتی برای تجزیه و تحلیل است . اجازه دهید این دوران را  عصر small data بنامیم که از امکانات محدودی برای تجزیه و تحلیل استفاده می گردید.
تجزیه و تحلیل داده، صرفا باعت بهبود تصمیم گیری داخلی نمی شود .تعداد زیادی از سازمان های مبتنی بر اینترنت نظیر گوگل ، فیس بوک ، آمازون و Ebay از داده هایی که به داده های عظیم (big data ) مشهور شده اند و از طریق تراکنش های آنلاین تولید می گردند ، علاوه بر استفاده  جهت حمایت از تصمیم گیری ، از آنها  به منظور ایجاد محصولات جدید و ارایه پیشنهادات متنوع به مشتریان خود نیز استفاده می کنند . صرفنظر از این که شما به دنبال تصمیم گیری های داخلی بهتر باشید و یا قصد ایجاد ارزش بیشتر برای مشتریان خود را داشته باشید ، به تجزیه و تحلیل داده نیاز خواهید داشت .
شکل 2 ، برخی از ویژگی های نسل دوم تجزیه و تحلیل که از آن با نام عصر big data یاد می شود را نشان می دهد .


امروزه شرکت ها و سازمان های بزرگ ، داده غیرساختیافته را در حجم بسیار بالایی تولید می کنند . مثلا شرکت گوگل روزانه 24 پتا بایت داده را پردازش می کند و یا شرکت AT&T چیزی در حدود 30 پتابایت داده و صوت را مبادله می نماید( داده هایی در محدوده چندین پتابایتی ) . از این دوران با نام عصر big data  یاد می شود . ما هم اینک می توانیم به کمک سخت افزارها و نرم افزارهای جدید ، داده های عظیم را تحلیل و از بطن آنها ارزش و یا الگوهایی خاص را استخراج کنیم .  
داده های عظیم و تجزیه و تحلیل آنها ، باعث بروز تحولات گسترده ای در هر صنعت و حوزه کسب و کاری در طی سال های آتی می گردد. بدیهی است ، هر فرد و یا سازمانی که توان کار با داده های عظیم را ایجاد کرده باشد، به یک مزیت رقابتی ارزشمند دست خواهد یافت( نظیر ارایه دهندگان محصول و خدمات در حوزه تحلیل داده در عصر small data ) . داده های عظیم با وجود واقعیت های بزرگی  نظیر رایانش فراگیر ، دستگاه های جمع آوری داده ، حسگرها و ریزپردازنده ها به زودی همگانی خواهد شد و تمامی صنایع و سازمان ها را متاثر از این تحول مهم خواهد کرد .
شکل 3 ، برخی از ویژگی های نسل سوم تجزیه و تحلیل که از آن با نام عصر Data Economy  یاد می شود را نشان می دهد .


تجزیه و تحلیل و انواع مختلف آن  
تجزیه و تحلیل را می توان با توجه به مدل های استفاده شده و اهداف مربوطه به سه گروه عمده توصیفی ، پیش گویانه و تجویزی  تقسیم کرد .

• تجزیه و تحلیل توصیفی ، شامل جمع آوری ، سازماندهی ، گروه بندی و به تصویر کشاندن داده ها و  تشریح خصایص است . این نوع تجزیه و تحلیل در گذشته به گزارش گیری معروف بود . با این که این نوع تحلیل بسیار مفید و کارساز است ولی در خصوص این که چرا این نتایج تولید شده است و یا این که در آینده چه اتفاقی خواهد افتاد ، سکوت می کند .
• تجزیه و تحلیل پیش گویانه از تشریح صرف ویژگی هایی داده و روابط بین متغیرها ( شاخص هایی که می توانند دارای محدوده ای از مقادیر باشند ) پا را فراتر نهاده و از داده گذشته به منظور پیش بینی آینده استفاده می نماید . در این نوع تحلیل ،  ابتدا ارتباط بین متغیرها شناسایی می گردد و در ادامه ،  احتمال وقوع یک پدیده و یا رویداد را پیش بینی می کند . فرض کنید یک مشتری به تبلیغ یک محصول بخصوص واکنش نشان می دهد و محصول مورد نظر را  خریداری می نماید . پس بین نوع تبلیغ و اقدام به خرید محصول توسط مشتریان یک ارتباط معنی دار وجود دارد که می تواند در پیش بینی یک اتفاق مشابه در آینده نیز کمک کند . با این که از ارتباط متغیرها برای اهداف پیش گویانه استفاده می گردد، نمی توان هر رابطه علت و معلولی را مبنای یک تحلیل پیش گویانه قرار داد .
•  تجزیه و تحلیل تجویزی ، شامل متدهایی نظیر طراحی تجربی ، بهینه سازی و حتی موارد بیش تر است . در تحلیل تجویزی ، همانند نسخه ای که یک پزشک تجویز می کند ، مجموعه ای از اقدامات لازم پیشنهاد می گردد . طراحی تجربی در تلاش است تا به سوالاتی در خصوص چرایی مواردی که اتفاق افتاده اند از طریق برخی آزمایش ها ، پاسخ دهد . بهینه سازی ، یکی دیگر از روش های تحلیل تجویزی است . در این روش ، هدف شناسایی سطح ایده آل یک متغیر بخصوص در ارتباط با عناصر دیگر است. به عنوان نمونه شناسایی قیمت یک محصول با در نظر گرفتن میزان سودآوری آن و یا تعیین سطح موجودی کالا در انبار .

همچنین ، می توان تجزیه و تحلیل داده را بر اساس فرآیند استفاده شده و یا نوع داده یی که جمع آوری و تحلیل می  گردد به دو گروه کمی و کیفی تقسیم کرد . تحلیل کیفی ، در صدد جمع آوری داده و ایجاد یک شناخت عمیق  از دلایل و انگیزه ها برای وقوع یک رویداد خاص  است . در تحلیل کمی هدف بررسی تجربی سیستماتیک پدیده از طریق آمار ، ریاضیات و یا تکنیک های محاسباتی است .
نوع های مختلف دیگری از تجزیه و تحلیل وجود دارد که دارای اهداف مختلفی برای محققین هستند :

• آمار : علم جمع آوری ، سازماندهی ، تحلیل ، تفسیر و ارایه داده
• پیش بینی : تخمین برخی متغیرهای مورد علاقه در برخی مقاطع زمانی آینده به عنوان یک تابع از داده های گذشته .
•  داده کاوی : استخراج خودکار و یا نیمه خودکار از الگوهای مورد علاقه و ناشناخته در حجم بسیار بالایی داده به کمک استفاده از الگوریتم های محاسباتی و روش های آماری .
• متن کاوی : فرآیند استخراج الگوها و روندها از متن در یک شیوه مشابه با داده کاوی
• بهینه سازی : استفاده از روش های ریاضی جهت یافتن راه حل های بهینه با توجه به برخی معیارهای حیاتی و در نظرگرفتن برخی محدودیت ها
• طراحی تجربی : استفاده از گروه آزمون و شاهد، با تخصیص تصادفی افراد یا موارد به هر گروه به منظور استنباط علت و معلول روابط در یک نتیجه خاص

در  رویکردهای تحلیل فوق احتمال هم پوشانی در استفاده از برخی تکنیک های خاص وجود دارد . به عنوان نمونه  تحلیل رگرسیون که یکی از متداولترین روش های تجزیه و تحلیل پیش بینی است در آمار ، پیش بینی و داده کاوی نیز استفاده می گردد و یا از تحلیل سری زمانی ( یک روش آماری خاص برای تحلیل داده که در طول زمان تغییر می کند) ، هم برای تحلیل آماری و هم تحلیل پیش بینی استفاده می گردد .

سطوح مختلف بلوغ تجزیه و تحلیل 
تاکنون چارچوب های بلوغ تجزیه و تحلیل مختلفی ایجاد شده است .این چارچوب ها که برخی مختص یک حوزه صنعتی خاص و برخی دیگر مستقل از یک صنعت بخصوص می باشند به سازمان ها کمک می نمایند تا براساس یک مدل مشخص اقدام به شناسایی و ارزیابی میزان توانمندی خود در حوزه تجزیه وتحلیل نمایند. مدل DELTA و مدل پنج مرجله ای تجزیه و تحلیل که اولین مرتبه در Analytics at Work معرفی شدند ، دو نمونه متداول در این زمینه می باشند. از دو مدل فوق در کنار یکدیگر جهت ارزیابی سطح بلوغ تجزیه و تحلیل استفاده می گردد.

مدل پنج مرحله ای سطح بلوغ 
سازمان ها به منظور افزایش سطح بلوغ توانمندی تحلیلی خود ، می توانند اقدامات مختلفی را در پنج حوزه DELTA انجام دهند . مدل بلوغ به سازمان ها کمک می کند تا میزان رشد خود را در بین پنج عنصر DELTA اندازه گیری نمایند . به کمک مدل پنج سطحی بلوغ ، یک سازمان می تواند ضمن شناسایی وضعیت فعلی ، مشخص نماید که در کدام عنصر از عناصر پنچ گانه مدل DELTA قوی و در کدام عنصر ضعیف است تا متناسب با آن اقدامات لازم را انجام دهد . مثلا یک سازمان ممکن است در بلوغ رهبری تجزیه و تحلیل  در سطح 5 باشد ولی در خصوص مدیریت داده و نحوه استفاده از آن در سطح 3 باشد .بدین ترتیب مشخص می گردد که می بایست بر روی چه مواردی بر اساس مدل DELTA سرمایه گذاری کرد تا نقاط ضعف برطرف گردند.
شکل 4 ، مدل پنج مرحله ای سطح بلوغ  تجزیه و تحلیل را نشان می دهد .

• سطح  1 -  تحلیل اختلالی :  این نوع تحلیل ها داده محور نمی باشند و عموما  به صورت احساسی  و صرفا با هدف انجام کار و بدون توجه به نتایج انجام می شوند . در این سطح ، سازمان ها پرسش های تحلیلی را مطرح نمی کنند و بهتر است گفته شود به دلیل فقدان داده لازم امکان پاسخ به سوالات وجود ندارد .
•  سطح 2 – تحلیل محلی : استفاده از گزارش . تحلیل ها و یا گزارشات به صورت جزیره ای و مبتنی بر سیلوهای متعدد اطلاعاتی موجود در سازمان است .
•  سطح 3 - تحلیل آرمانی : در این نوع تحلیل نسبت به ارزش تجزیه و تحلیل آگاهی لازم ایجاد شده است و سازمان ها در تلاش برای بسیج همگانی امکانات خود جهت تبدیل به یک سازمان تحلیلی می باشند.تعریف مجموعه ای از آرمان ها و آرزوها که یک سازمان قصد دارد با همگرایی مجموعه ای از منابع این توانمندی را در خود ایجاد نماید .  
• سطح 4 – سازمان های تحلیلی : سازمان هایی در این سطح دارای بستر مناسبی جهت تجزیه و تحلیل می باشند . از تفکر مبتنی بر داده تبعیت می کنند و دارای ابزارهای مختلفی جهت تجزیه و تحلیل می باشند و در عمل ، استفاده از تجزیه و تحلیل در بدنه سازمان فراگیر شده است . تعهد لازم جهت استفاده از تجزیه و تحلیل به عنوان یک مزیت رقابتی و یا ابزار استراتژیک وجود ندارد .
• سطح 5 – رقابت کنندگان تحلیلی : استفاده از تجزیه و تحلیل در تمامی سازمان به عنوان یک مزیت رقابتی و همراه با استراتژی سازمانی نهادینه شده است .

مدل DELTA
نام این مدل از ابتدای پنج واژه  Data ، Enterprise ، Leadership ، Targets و Analysts اقتباس شده است . در این مدل با طرح مجموعه ای از پرسش ها ، ملزومات اساسی جهت استفاده موفقیت آمیز از تجزیه و تحلیل مشخص می 'گردد. هدف اصلی این مدل : استفاده از داده  بطور موثرتر باهدف تولید  محصولات ارزشمند تحلیلی  ،  مدیریت و هماهنگی بین داده ، افراد و فناوری در سطح   سازمان   ،  شناخت و حمایت از کاری که  رهبران  تحلیل انجام می دهند ،  بررسی و انتخاب  اهداف  واقع بینانه برای فعالیت های تحلیلی و در نهایت  جذب ، استخدام و مدیریت  تحلیل گران  است .
در این مدل پنج عنصر مختلف وجود دارد که می بایست به منظور موفقیت یک سازمان در انجام فعالیت های تجزیه و تحلیل با یکدیگر به درستی همسو گردند . بدون همسویی و ایجاد توازن بین عناصر پنج گانه ، نیل به نتایج مورد نظر با مشکل اساسی مواجه می گردد . قابلیت ها و وضعیت عناصر پنچ گانه فوق ، می بایست تکامل و به سطح مناسبی از بلوغ برسد تا یک سازمان در عمل شاهد پیشرفت واقعی در حوزه تجزیه و تحلیل گردد و به یک سازمان مبتنی بر داده تبدیل شود .
شکل 5 مدل DELTA را نشان می دهد .

• Data: برای تجزیه و تحلیل با معنی ، داده می بایست تمیز ، با کیفیت مناسب ، یکپارچه و قابل دسترس باشد.
•  Enterprise : یک رویکرد سازمانی جهت مدیریت سیستم ها ، داده و نیروی انسانی می بایست وجود داشته باشد
• Leadership : رهبری که بطورکامل پذیرای تجزیه و تحلیل است و فرهنگ سازمانی را به سمت تصمیم گیری مبتنی بر داده هدایت می نماید .
• Targets : وجود اهداف مشخص و استراتژیک که با اهداف سازمانی نیز همسو شده باشند .
• Analysts: دارا بودن مجموعه ای از استعدادهای تحلیلی با طیف وسیعی از مهارت ها . از کارکنانی که قادر به استفاده از ابزارهای تحلیلی می باشند تا دانشمندان علم داده .

سطح بلوغ یک سازمان در تجزیه و تحلیل داده یکی از نکات بسیار مهم است و با ارزیابی اولیه از میزان بلوغ یک سازمان در حوزه تجزیه و تحلیل است که می توان به سراغ اجرای پروژه ها خصوصا  با محوریت داده رفت . شکل 6 ، ویژگی های مدل پنج مرحله ای سطح بلوغ تجزیه و تحلیل  را به همراه مدل DELTA  نشان می دهد.

خلاصه
استراتژی مبتنی بر اطلاعات صحیح و دقیق است که می تواند بستر اولیه لازم جهت اجرای موفقیت آمیز یک استراتژی را محقق سازد . همچنان بسیاری از تصمیم های حیاتی در  سازمان ها با حداقل داده و آن هم بی کیفیت و بهنگام نشده اتخاذ می گردد . بسیاری از سازمان ها از تجزیه و تحلیل داده به عنوان یک مزیت رقابتی استفاده نمی کنند .
استفاده از داده برای ایجاد بینش و درک عمیق تر ، اتخاذ تصمیم هوشمندانه تر ، اجرای تصمیمات با ثبات و استواری بیشتر و نیل به نتایج بهتر از مهمترین مزایای تجزیه و تحلیل محسوب می گردد . با استفاده صحیح از تجزیه و تحلیل در میدان عمل شاهد تصمیم گیری بهتر و در نهایت نتایج بهتر خواهیم بود . تجزیه و تحلیل داده ، تحولات شگرفی را در حوزه های مختلفی نظیر روشی های یادگیری ، شیوه تصمیم گیری  و نحوه رقابت هم در بعد فردی و هم در بعد سازمانی ایجاد کرده است . با انجام تجزیه و تحلیل ، می توان داده را خلاصه  و معانی یا الگوهایی خاص درون آنها پیدا کرد . الگوهایی که می تواند هم در زمینه بازاریابی و هم در زمینه نوآوری نقش تعیین کننده ای در چرخه حیات یک بنگاه کسب و کار داشته باشد و موفقیت آنها را تضمین نماید. اگر مهمترین رسالت یک بنگاه کسب و کار را بازاریابی و نوآوری بدانیم ، تجزیه و تحلیل داده یکی از بازیگران مهم و حیاتی در این عرصه است .

منابع  :
 Analytics at Work مولفان Thomas H. Davenport  ،  Jeanne G. Harris ، Robert Morison  سال 2010
 Competing on Analytics: The New Science of Winning  مولفان Jeanne G. Harris  و Thomas H. Davenport سال 2007
 Keeping Up with the Quants: Your Guide to Understanding and Using Analytics مولفان Jinho Kim و Thomas H. Davenport  سال 2013