تحلیلگران کسب و کار با محدودیت های ابزار BI مواجه هستند و به دنبال راه هایی برای انجام تجزیه و تحلیل های پیشرفته تر هستند. پایتون راه رو به جلو است.
با توجه به اینکه دادهها بیش از همیشه برای موفقیت شرکتها حیاتیتر هستند، Python در حال گسترش فراتر از حوزه حرفهای دادهها است و توسط تحلیلگران تجاری و سایر کاربران کمتر فنی استفاده میشود. اما اگر با پایتون نسبتاً تازه کار هستید، چه فرصتهایی وجود دارد و از چه بهترین روشها باید برای اطمینان از موفقیت خود آگاه باشید؟
متخصصان داده کالای گرانبهایی هستند و در بسیاری از سازمانها خواستههای کسبوکار از منابع و ظرفیت تیمهای داده بیشتر شده است. در همان زمان، تحلیلگران کسبوکار در حال مواجهه با محدودیتهایی هستند که ابزارهای BI میتوانند برای آنها انجام دهند و به دنبال راههایی برای انجام تحلیلهای پیشرفتهتر هستند. پایتون در اینجا کلید موفقیت است.
استفاده از پایتون به سرعت در حال رشد است. در یک بررسی از بیش از ۲۰۰۰۰ توسعه دهنده در اوایل سال جاری، پایتون از نظر محبوبیت پس از جاوا اسکریپت در رتبه دوم قرار گرفت و پایتون بیش از ۳ میلیون کاربر جدید نت اضافه کرد. شش ماه گذشته به ۱۵.۷ میلیون کاربر در سراسر جهان رسیده است.
در سالهای اخیر، انجمن پایتون چارچوبها و بستههای جدیدی ایجاد کرده است که این زبان را برای توسعهدهندگان غیرحرفهای برای تجزیه و تحلیل پیشرفته، یادگیری ماشین و توسعه برنامه در دسترستر میسازد. مثالهایی عبارتند از NumPy، یک کتابخانه منبع باز پایتون برای داده های عددی. پیامبر، برای اجرای پیشبینیها و H3، پروژه ای که در Uber برای دستکاری داده های مکانی آغاز شده است.
گسترش پایتون به توسعهدهندگان غیرحرفهای بیسابقه نیست. الگوی مشابهی با ظهور ابزارهای سلفسرویس BI و کسبوکارهایی که یاد میگیرند اسکریپتنویسی ماکروهای اکسل خود را بیاموزند، رخ داد. استفاده گسترده از Python حتی تاثیرگذارتر خواهد بود زیرا خود زبان بسیار قادر است.
شروع با تجزیه و تحلیل پایتون
کاربران تجاری اغلب بهتر از توسعهدهندگان حرفهای میدانند که چه بینشهای خاصی برای واحدهای تجاری آنها مفیدتر است، و چندین مورد استفاده در سطح ابتدایی وجود دارد که میتوانند پایتون را شروع به کار کنند. در اینجا سه مثال وجود دارد:
ماتریس های همبستگی
ماتریس همبستگی جدولی است که ضرایب همبستگی را برای متغیرهای مختلف نشان می دهد. این به شما امکان می دهد ابعاد مختلف یک مجموعه داده را تجزیه و تحلیل کنید تا مشخص کنید آیا فردی که رفتار A را نشان می دهد، مثلاً، احتمالاً رفتار B را نیز از خود نشان می دهد یا خیر. ذخیره کنید، یا در هنگام چک کردن یک کاربر تجارت الکترونیک چه موارد دیگری را ارائه دهید.
تجزیه و تحلیل مؤلفه اصلی
یک نقطه شروع ممکن دیگر، تجزیه و تحلیل مؤلفه اصلی است، که می تواند اندازه مجموعه داده های پر سر و صدا را کاهش دهد و مشخص کند کدام ویژگی ها بیشترین قدرت پیش بینی را برای یک نتیجه معین دارند. به عنوان مثال، اگر شرکتی وام مسکن بفروشد، تجزیه و تحلیل مؤلفه اصلی می تواند فاش کند که کدام عوامل جمعیت شناختی (درآمد، کد پستی، وضعیت تأهل و غیره) بیشتر پیش بینی کننده فروش هستند و به هدف گذاری کمپین ها و پیشنهادات کمک می کنند.
پیشبینی
یکی دیگر از مشکلات رایج برای مشاغل، پیش بینی است. به پیش بینی تقاضا، فروش یا درآمد مشتری فکر کنید، که همه مشاغل بالغ باید انجام دهند. ایجاد پیشبینیها راهی برای کاوش در تحلیلهای پیشبینیکننده، با استفاده از کتابخانههای منبع باز مانند پیامبر یا Scikit-Learn در پایتون.
همانطور که آنها می گویند، قدرت بزرگ مسئولیت بزرگی را به همراه دارد، و بهترین شیوه هایی وجود دارد که کاربران جدید پایتون باید از آنها استفاده کنند تا اطمینان حاصل کنند که برنامه هایی که می سازند قوی و ایمن هستند.
مراقبت و تغذیه پایتون
یک مشکل حفظ بستههای پایتون برای اطمینان از مدیریت صحیح وابستگیها است. Anaconda در اینجا مفید است، زیرا مدیریت و استقرار بسته را بسیار ساده می کند. با Snowflake’s Snowpark برای Python، ما محبوبترین بستههای Python را از Anaconda کانال پیشفرض به صورت دستی در پای ما نصب نشود. ما همچنین Conda مدیر بسته به Snowpark برای مدیریت بسته های Python و وابستگی های آنها.
مثل هر پروژه داده ای، مسائل امنیتی و حاکمیتی وجود دارد که باید از آنها آگاه بود، اما پلتفرم های داده ابری مدرن یک زمان اجرا را ارائه می دهند که از قبل تنظیم و پیکربندی شده است و کاربران می توانند از قابلیت های امنیتی و حاکمیتی تعبیه شده در آن پلتفرم ها استفاده کنند. . به عنوان مثال، زمان اجرا پایتون در Snowpark دسترسی به شبکه خارجی را به طور پیشفرض برای محافظت در برابر نگرانیهای امنیتی رایج مانند استخراج دادهها ممنوع میکند. استفاده از یک زمان اجرا ایمن پایتون از پیش پیکربندی شده مانند Snowpark برای کاربران مبتدی پایتون در مقایسه با ایجاد و نگهداری محیط ها یا کانتینرهای خود بسیار ساده تر است.
هنوز روزهای اولیه است، و با گذشت زمان انتظار دارم ابزارها و منابع پایتون بیشتری با هدف توسعهدهندگان غیرحرفهای ظاهر شوند. یکی از زمینههایی که باید تکامل یابد، روشهایی است که توسط آن کاربران پایتون میتوانند خروجیهای کار خود را با همکارانی که نمیخواهند خودشان این زبان را یاد بگیرند به اشتراک بگذارند. خرید Streamlit توسط Snowflake تا حدی برای رفع این مشکل بود. ابزار منبع باز به تیم های داده اجازه می دهد تا برنامه هایی بسازند که داده ها را به صورت بصری برای کاربران غیر فنی زنده کنند. پایتون خود یک زبان قدرتمند برای ساخت برنامههای کاربردی است، بنابراین استفاده از آن در ساخت برنامههای داده برای کاربران نهایی باعث میشود این زبان حتی بیشتر مورد استفاده قرار گیرد.
برای شروع، RealPython یک راهنمای مبتدی پایتون، و پیوندهای کامل پایتون به بسیاری از منابع اینجا. بنیاد نرمافزار پایتون یک جامعه که در آن کاربران باتجربه مشاوره ارائه میدهند و به سؤالات برای همه سطوح توانایی پاسخ میدهند.
اگر کاربر Snowflake هستید، درباره محیط توسعه دهنده Snowpark ما مطالعه کنید اینجا، که به صورت بومی از توسعه پایتون پشتیبانی می کند. همچنین میتوانید به یکی از بسیاری از Snowflake بپیوندید گروه های کاربر جامعه در سراسر جهان، که جلساتی را برای بحث در مورد پیشرفت ها و فرصت های فنی ترتیب می دهند.
Torsten Grabs مدیر مدیریت محصول در Snowflake است.
—
New Tech Forum مکانی برای کاوش و بحث در مورد فناوری سازمانی نوظهور در عمق و وسعت بی سابقه ای فراهم می کند. انتخاب ذهنی است، بر اساس انتخاب ما از فناوری هایی که معتقدیم مهم هستند و برای خوانندگان InfoWorld بیشترین علاقه را دارند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. همه سوالات را به newtechforum@infoworld.com ارسال کنید.
پست های مرتبط
چرا پایتون با تحلیلگران کسب و کار جذب می شود؟
چرا پایتون با تحلیلگران کسب و کار جذب می شود؟
چرا پایتون با تحلیلگران کسب و کار جذب می شود؟