چالش های پذیرش پیش بینی تحلیلی
چالش های پذیرش پیش بینی تحلیلی
چالش های پذیرش پیش بینی تحلیلی
علیرغم افزایش آگاهی مدیران، تجزیه و تحلیل پیش بینی همچنان یک فناوری نوظهور است، همراه با مشکلات و چالشهای پذیرش. اورن هشدار می دهد: “اشکال اصلی این است که این رویکردها [تجزیه و تحلیل پیش بینی کننده] برای محیط هایی که در حال رشد هستند خوب کار می کنند، اما برای محیط هایی که بسیار سریع تغییر می کنند مناسب نیست. با تغییر سریع محیط شرایطی ایجاد می شود که سیگنال ها خیلی سریع تغییر کنند، قبل از اینکه سیستم تحلیلی بتواند روند کند حرکت را تشخیص دهد. این موضوع، به نوبه خود، نتایج نادرستی را برای پیش بینی زمان وقوع مساله ای، پیش بینی می کند”.
به دست آوردن و استفاده از داده های با کیفیت بالا نیز برای پیش بینی های دقیق ضروری است. به طور متوسط، بخش انرژی فقط از بخش کوچکی از داده هایی که جمع می شود، استفاده می کند. وی توضیح می دهد: “این داده ها شامل همه چیز از جمله حسگرها، توصیه های مدیران کارخانه ها و اطلاعات پویا از تعداد زیادی دارایی و شبکه است. داده ها به وضوح در دسترس هستند، اما بسیاری از برنامه های کاربردی در حال غرق شدن در مقدار هستند و هیچ تصویری روشنی از چگونگی بهره برداری از آنها وجود ندارد، به این معنی که آنها قادر به استفاده کامل از تجزیه و تحلیل پیش بینی نیستند.”
فراتر از جمع آوری داده ها، برای دستیابی به حداکثر قدرت پیش بینی، ایجاد سیستم جمع آوری و ضبط انواع هشدارها و گزارش های ایجاد شده توسط تیم عملیات شبکه سازمانبه مرور زمان نیز ضروری است. چنین جزئیاتی را می توان برای تقویت توانایی پیش بینی کننده ابزار تجزیه و تحلیل در تشخیص ناهنجاری های در کمین شبکه استفاده کرد. رحیم رسول می گوید: “علاوه بر این، تیم باید بر پردازش داده ها و تجزیه و تحلیل بینش متمرکز شود. این مرحله نیاز به یک تیم با تخصص دامنه برای درک کل تنظیمات دارد.”
تیم شبکه یک سازمان همچنین باید قادر به ارائه فرآیند بازخورد مثبت و منفی مناسب برای سیستم تحلیلی پیش بینی کننده باشد، زیرا چنین اطلاعاتی به توانایی های یادگیری مدل کمک می کند. رحیم رسول می گوید: “با تجزیه و تحلیل مناسب، این داده ها می توانند با ایجاد ابزاری برای مقابله با شرایط غیر عادی، مقدار ارزش بسیار بیشتری ایجاد کنند مانند نوع کارهایی که یک مدیر شبکه در حال حاضر انجام می دهد”. با این حال، یادگیری خود به معنای این نیست که تجزیه و تحلیل پیش بینی نیاز مدیران انسانی شبکه را برطرف می کند. رحیم رسول توضیح می دهد: “در حقیقت، چنین سیستمی قادر خواهد بود به مدیران در تصمیم گیری بهتر و پاسخ گویی کمک کند”.
یک چالش دیگر، متقاعد کردن تیم های شبکه برای پذیرش و استفاده روزمره از ابزارهای پیش بینی تحلیلی است. فرناز امین می گوید: “تیم های فناوری اطلاعات و دانش می توانند راه حل هایی ارائه دهند؛ اما اگر این موارد توسط گروه های عملیاتی اتخاذ نشود، این سرمایه گذاری بازده خوبی نخواهد داشت. بنابراین، درک فرآیندهای فعلی و جاسازی تجزیه و تحلیل های پیشرفته در آن فرآیندها، کلید موفقیت است”.
از کجا باید شروع کرد
برای سازمانهایی که تازه در آنالیز پیش بینی شبکه شروع به کار کرده اند، لازم است با دقت فکر کنند که دقیقاً چه نوعی از داده ها باید ضبط شوند و همچنین انواع مشکلات شبکه که باید برطرف شوند را بررسی کنند. فرناز امین خاطرنشان می کند: “هنگامی که تصویری واضح از موارد استفاده داشته باشید، ارزش آن به سازمان شما اضافه می شود”.
همچنین به یاد داشته باشید که دادن اطلاعات بیش از حد به یک ابزار تحلیلی پیش بینی کننده می تواند تقریباً به اندازه تهیه اطلاعات خیلی کم، بد باشد. جان اسمیت، CTO و بنیان گذار ارائه دهنده فن آوری عملکرد شبکه LiveAction هشدار می دهد: “اگر سازمانی نتواند ابعادی از داده های مورد تجزیه و تحلیل را کاهش دهد، باعث می شود که مقدار غیر عملی اطلاعات مربوط به تله متری شبکه را به ابر ارسال کند”.
همچنین مهم است که در مورد جنبه عملی مدیریت داده ها فکر کنید: به طور خاص، داده های مربوطه را چگونه و در کجا ذخیره کنید. فرناز امین می گوید: “کاوش در کانتینرها و کارایی و کاربرد آن در موارد مختلف استفاده نیز ارزشمند است؛ زیرا امکان انتخاب را فراهم می کند. فناوری به سرعت پیشرفت می کند، بنابراین خاتمه دادن به این اکتشاف ، شرکت ها را دچار دردسر می کند”.
