تصمیم گیری بر اساس تحلیل داده صحیح و به روز و انجام اقدامات مناسب و به موقع  یکی از آرزوهای هر فرد و یا بنگاه کسب و کار جهت نیل به موفقیت مستمر است . اهمیت تحلیل داده در عصر حاضر با توجه به واقعیت هایی نظیر داده های عظیم و فضای شدیدا رقابتی ، بیش از گذشته شده است . به باور بسیاری از کارشناسان این حوزه ، تجزیه و تحلیل صرفا یک فناوری نیست بلکه روشی است برای انجام کسب و کار. به عنوان نمونه ، تنها با تجزیه و تحلیل مبتنی بر داده صحیح و به روز است که می توان در مسیر درست جذب ، رشد و حفظ مشتریان حرکت کرد. هم اینک ، تعداد بسیار زیادی از سازمان ها  با یک رویکرد کاملا استراتژیک با هوش کسب و کار و تجزیه و تحلیل داده برخورد می کنند و برای آن حساب ویژه ای باز کرده اند . طعم تلخ تصمیم گیری مبتنی بر داده جزیره ای و پیامدهای منفی آن را بسیاری از سازمان ها چشیده اند و یا در حال کلنجار رفتن با آن هستند . در گذشته ، همزمان با بکارگیری سیستم های اطلاعاتی در سازمان ها که اغلب در قالب یک سری از پروژه های جداگانه اجراء می گردید ، شاهد تولد  سیلوهای اطلاعاتی یکی پس از دیگری بودیم که در عمل نمی توانستند به مدیران ارشد و میانی یک سازمان بینش عمیق و وسیعی  جهت تصمیم گیری بهتر را ارایه دهند . 
تبعیت از یک رویکرد استراتژیک در حوزه هوش کسب و کار و تجزیه و تحلیل داده ، یک فرآیند تک مرحله ای و یک شبه نمی باشد . ایجاد زیرساخت لازم به همراه پلت فرم مورد نیاز و همچنین مهارت های لازم جهت تجزیه و تحلیل و هوش کسب و کار به زمان کافی و منابع مختلفی  نیاز دارد . روش ها و مفاهیم جدیدی نظیر پیاده سازی چالاک و نوآوری های  فنی نظیر رایانش ابری ، موبایل ، کشف داده و داده های عظیم باعث شده است که نیاز سازمان ها به تجزیه و تحلیل داده و هوش کسب و کار افزایش یابد . بسیاری از مراکز و موسسات تحقیقاتی و پژوهشی معتبر مدل های مختلفی از سطوح بلوغ تجزیه و تحلیل داده را ارایه کرده اند با این امید که سازمان ها بتوانند به کمک آنها ، ضمن شناسایی دقیق سطح بلوغ جاری خود، گام های اساسی جهت گذر از یک مرحله به مرحله بعد را مشخص نمایند و هدفمند و با برنامه هم ضعف خود را شناسایی کنند و هم به سمت نقاط مقصد بعدی حرکت کنند .

ماموریت تجزیه و تحلیل داده
 برای تجزیه و تحلیل تاکنون تعاریف مختلفی ارایه شده است .  به دست آوردن بینش از داده به منظور تصمیم گیری بهتر ، یکی از تعاریفی است که بر روی آن اتفاق نظر فراوانی وجود دارد . به عبارت دیگر ، تجزیه و تحلیل  فرآیندی علمی جهت تبدیل داده به بینش و تصمیم گیری بهتر و متعاقب آن اقدامات مناسب است . دو فرآیند کلی را می توان برای تجزیه و تحلیل در نظر گرفت :  تولید بینش از داده و تصمیم گیری بر اساس بینش تولید شده . شکل 1 ، فرآیند تجزیه و تحلیل را نشان می دهد .


همانگونه که در شکل 1  نشان داده شده است ، فاصله بین داده تا بینش با تجزیه و تحلیل تکمیل می گردد  و به نوعی می توان گفت که این موتور تجزیه و تحلیل است که با دریافت داده ، بینش لازم را تولید می نماید . همچنین، فاصله بین زمانی که به بینش لازم می رسیم تا اقدام متناسب با آن را انجام دهیم به تصمیم گیری برمی گردد . سرعت ، دقت و کیفیت در هر دو مرحله بسیار تعیین کننده و مهم می باشد چراکه در یک فضای شدیدا رقابتی زندگی می کنیم و رقبا برای تاختن، منتظر سوار شدن ما بر اسب سرنوشت نخواهند شد. چه بسیار سازمان هایی که علی رغم تولید بینش لازم از داده ، درمرحله تصمیم گیری دارای اشکالات فراوان هستند و به دلیل نبود یک ساختار منسجم تصمیم گیری ، تصمیمات با تاخیر و احتمالا با ابهام اتخاذ می گردد . همین موضوع باعث می شود که آنها نتوانند در زمان لازم اقدامات مناسب  و بایسته ای  را انجام دهند و در عمل به اسطوره ای از فرصت سوزی تبدیل می شوند . فرصت هایی که شاید شرایط تحقق آنها در هیچ بازه ای از حیات یک بنگاه کسب و کار دیگر تکرار نگردد . شاید اگر می توانستیم نقش انسان را در فرآیند تصمیم گیری کمتر کنیم ، فاصله زمانی بین داده تا اقدام کمتر می گردید و می توانستیم مناسب ترین واکنش ها را متناسب با بینش حاصل از تحلیل داده در سریع ترین زمان ممکن انجام دهیم .
 چه میزان از فرآیند تصمیم گیری خودکار است و چه میزان از آن با دخالت عوامل انسانی انجام می شود ؟ پاسخ به این پرسش می تواند  علل ایجاد سطوح مختلف تجزیه و تحلیل را تشریح نماید . در واقع ، می توان سطوح مختلفی از بلوغ تجزیه و تحلیل را با توجه به میزان  خودکار بودن تصمیم گیری تعریف کرد . شکل 2 ، سطوح مختلف بلوغ تصمیم گیری را نشان می دهد .
 

در شکل فوق ، سوالاتی نظیر چه اتفاقی افتاده است ؟ چرا این اتفاق افتاده است ؟ چه اتفاقی خواهد افتاد و چه کاری را می بایست انجام داد به خوبی تعریف شده اند . تفکیک آن بخشی از تجزیه و تحلیل که به صورت اتوماتیک انجام می شود و آن بخشی که توسط انسان انجام خواهد شد ، یکی از نکات مهم مدل نشان داده شده در شکل 2 می باشد. به عنوان نمونه در تجزیه و تحلیل توصیفی ( Descriptive Analytics) که عصاره آن در بکارگیری ابزارهایی نظیر داشبورد و یا  query/drill down تبلور پیدا می کند ، هوشمندی کار به طور کامل در اختیار انسان باقی خواهد ماند . هر اندازه که به سمت جلو برویم ، درصد هوشمندی تجزیه و تحلیل افزایش می یابد و وارد دنیای تجزیه و تحلیل پیشرفته می شویم که دخالت انسان کمتر می گردد. کار انسان از جایی شروع می شود که تجزیه و تحلیل متوقف می شود .به موازات حرکت از تجزیه و تحلیل توصیفی به سمت تجزیه و تحلیل تجویزی به نقاط عطف مهم تصمیم گیری و اقدام می رسیم . 
هر نوع و یا مدل تجزیه و تحلیل نشان داده شده در شکل 2 ، از روش ها و الگوریتم های مختلفی استفاده می کنند . این بدان معنی است که با توجه به نوع نیاز و انتظار یک سازمان از تجزیه و تحلیل، شاهد تنوع در بکارگیری نوع های مختلف داده ، امکانات ذخیره سازی و پردازش خواهیم بود تا نتایج دلخواه را ارایه نماید . شکل 3 ، بیانگر این واقعیت است که همزمان با تولید ارزش بالا از نتایج تجزیه و تحلیل ، شاهد افزایش پیچیدگی و هزینه محیط تجزیه و تحلیل خواهیم بود .


انواع سطوح تجزیه و تحلیل داده 
با توجه به میزان اتوماتیک بودن فرآیند تجزیه و تحلیل می توان آن را به چهار گروه توصیفی ، تشخیصی ، پیشگویانه و تجویزی تقسیم کرد .شکل 4 ، انواع مدل های تجزیه و تحلیل را نشان می دهد .

• در تجزیه و تحلیل توصیفی (Descriptive Analytics ) ، هدف اصلی پاسخ به این نوع سوالات است : چه اتفاقی افتاده است ؟ چه چیزی دارد اتفاق می افتد؟  تا در نهایت برای تصمیم گیری بینش تولید شده را پیش روی تصمیم گیرندگان انسانی قرار دهد . در این نوع تجزیه و تحلیل با دستیابی به سوابق که ریشه در گذشته و حال دارد ، امکان تحلیل داده مبتنی بر رویدادهای گذشته و حال و تولید بینش میسر می گردد . امکاناتی نظیر  BI ، OLAP ، داشبوردها ، گزارشات و بصری سازی را می توان در این گروه قرار داد  . Google Analytics یک نمونه شناخته شده در این رابطه است . با تجزیه و تحلیل توصیفی ، می توان دنیا را بگونه ای که هست توصیف کرد .
•   در تجزیه و تحلیل تشخیصی (Diagnostic Analytics ) ، هدف اصلی پاسخ به این نوع سوالات است : چرا این اتفاق افتاده است ؟ چرا این اتفاق دارد می افتد ؟ روند به چه صورت است ؟چه الگویی وجود دارد ؟ با بررسی و تحلیل سوابق داده ( ارتباط با داده گذشته )، بینش ایجاد می گردد . شناخت و تحلیل بخش های مختلف بازار ، تجزیه و تحلیل احساسات ، ریشه یابی بروز مشکلات ، تجزیه و تحلیل لاگ فناوری اطلاعات ، الگوهای تقلب و کشش قیمت و ... نمونه هایی در این زمینه می باشند . تحقیقات علمی نمونه مثال خوبی است که هدف آن ایجاد دانش از تجزیه و تحلیل داده است .  
• در تجزیه و تحلیل پیشگویانه (Predictive Analytics ) ، هدف اصلی پاسخ به این نوع سوالات است : چه چیزی اتفاق خواهد افتاد ؟ چگونه می توان واکنش نشان داد ؟ آیا این یک تقلب است؟ می توان هر واژه ای را جایگزین واژه تقلب در آخرین پرسش کرد. با تحلیل داده و تولید بینش ، امکان  پیش بینی داده جدید در رابطه با حال و آینده که به آن foresight گفته می شود ، فراهم می گردد . پیش بینی رفتار مشتری ( گرایش خرید ) و میزان ریزش مشتری ( ترک یک مشتری از یک شرکت و جذب شرکت رقیب شدن  ) ، نمونه هایی در این زمینه می باشند . استخراج معنی از متن آزاد نیز یک نوع از تجزیه و تحلیل پیش گویانه است .  
• در تجزیه و تحلیل تجویزی (Prescriptive Analytics) ، هدف اصلی پاسخ به این نوع سوالات است : : چه کاری می بایست انجام داد تا این اتفاق بیافتد؟ پاسخ به این سوال شامل مجموعه اقداماتی است که می بایست هم اینک انجام داد که می توان آنها را در زمره تصمیمات عملیاتی در نظر گرفت و یا  اقداماتی که می بایست در آینده انجام داد که می توان آنها را به عنوان تصمیمات تاکتیکی برای کوتاه مدت و تصمیمات استراتژیک برای بلند مدت در نظر گرفت . در حالت کلی ، قواعد تصمیمات عملیاتی از قبل تعریف شده است و می تواند از قالب ساختار معروف جملات شرطی در زبان های برنامه نویسی تبعیت کند ( If condition then ) . شرط و یا شرایط می تواند بر اساس داده پییش بینی شده باشد. به عنوان نمونه در صورتی که گرایش به خرید یک محصول خاص بیش از میزان آستانه باشد ، چه واکنش و یا اقداماتی می بایست انجام داد . در خصوص تصمیمات تاکتیکی و استراتژیک ، هدف اصلی بهینه سازی و شبیه سازی ابزارهای لازم است . مرتب سازی مجدد برنامه ها ، سیاست ها و زمانبندی نمونه هایی در این رابطه می باشند که می تواند بر روی داده پیشگویانه تاثیرگذار باشد . مثلا زمانی که میزان فروش در آینده پیش بینی می شود ( پیش بینی تقاضا) ، می توان برنامه ریزی لازم جهت راه اندازی یک فروشگاه و بازنگری در فرآیندهای تدارکات یک فروشگاه و به نوعی مدیریت انبار را انجام داد.

مثال  
در شکل 5 با توجه به ماهیت و ماموریت هر یک از انواع سطوح تجزیه و تحلیل ، مثال هایی آورده شده است .
 
خلاصه
بر اساس پیش بینی موسسه گارتنر درآمد جهانی در هوش تجاری و بازار تجزیه و تحلیل در سال 2016 بالغ بر 9 /16 میلیارد دلار است که نسبت به سال 2015 رشدی معادل 5 درصد خواهد داشت . هم اینک، تجزیه و تحلیل داده به یک ابزار استراتژیک برای اکثر سازمان ها تبدیل شده است . بدیهی است ،  جمع آوری و یکپارچگی داده به تنهایی ارزشی را تولید نمی کند و نیازمند مدل های پیشرفته جهت تجزیه و تحلیل داده می باشیم ، مدل هایی که می بایست همسو با استراتژی تجزیه و تحلیل و با هدف تولید ارزش تعریف  گردند .هدف اصلی ، شناسایی موارد  و موضوعاتی  است که  دارای ظرفیت لازم جهت خلق ارزش اضافه برای کسب و کار می باشند .  علاوه براین ،  می بایست خود را آماده برخورد با چالش هایی نظیر ایجاد مجدد فرآیندها ، تغییرات سازمانی ، تغییر رفتار سازمانی  و مجموعه ای از تغییرات کرد  که به دنبال  تصمیم گیری مبتنی بر تجزیه و تحلیل داده اتخاذ می گردد.
به کمک داده و تجزیه و تحلیل آن ، کسب و کارها باهوش تر ، سازنده تر و قدرت پیش بینی آنها افزایش می یابد . اکثر سازمان ها به این موضوع اذعان دارند که با تجزیه و تحلیل داده بهره وری آنها افزایش خواهد یافت ، فرآیند تصمیم گیری آنها بهبود خواهد یافت و دارای فرصت های بیشتری جهت ایجاد مزایای رقابتی خواهند شد .  آینده بسیاری از بنگاه های کسب و کار به تجزیه و تحلیل داده بستگی دارد. توان یک بنگاه کسب و کار جهت تجزیه و تحلیل داده به یکی از تفاوت های اصلی و مهم بین برندگان و بازندگان دنیای کسب و کار تبدیل شده است .
مهم نیست هم اینک در چه سطحی از سطوح تجزیه و تحلیل داده باشیم ، مهم شناسایی وضعیت فعلی ، ایجاد زیرساخت  و پلت فرم مورد نیاز  ، انطباق خواسته ها و انتظارات با وضعیت فعلی و حرکت هدفمند به سمت سطوح بعدی تجزیه و تحلیل داده است .  این کار محقق نمی شود مگر با ایجاد یک استراتژی دقیق تجزیه و تحلیل داده و به دنبال آن یک نقشه راه که جزئیات کار را در طول مسیر مشخص می کند .