تحليل البيانات والتقارير

ماذا نحل بتحليل البيانات بالذكاء الاصطناعي؟

في أغلب الأنشطة التجارية لا تنقص البيانات، بل هي مبعثرة. فالمبيعات في لوحة التجارة الإلكترونية، وبيانات العملاء في نظام CRM، وسلوك الزوار في Google Analytics، والمخزون في ملف Excel، ولا يستطيع أحد أن يراها في جدول واحد. وتبدأ خدمة تحليل البيانات لدينا بإزالة هذا التبعثر: نجمع المصادر بمسارات آلية، ونبني لوحات معلومات موثوقة، ونستخدم الذكاء الاصطناعي فوق هذه البيانات النظيفة للتفسير والتنبؤ.

الغاية ليست إنتاج رسوم بيانية أكثر، بل إظهار الأنماط التي يصعب على النشاط التجاري أن يلاحظها وحده: أي العملاء على وشك أن يضيعوا، وأي منتج تغيّر الطلب عليه، وأي فرع يتصرف بشكل غير معتاد. ولذلك ينبغي أولًا أن تتدفق البيانات من تلقاء نفسها، ثم أن تكون موثوقة، وأخيرًا أن تُفسَّر.

الوقت الذي يضيع في جمع الأرقام

• يذهب معظم الوقت الذي يخصصه الفريق للتقارير إلى جمع الأرقام، ويذهب جزء صغير منه إلى تفسيرها.
• حين يكون التقرير جاهزًا تكون البيانات قد قدمت؛ ولا تُرى المشكلة إلا بعد أسابيع.
• الأخطاء الصغيرة في الجداول المدمجة يدويًا تنعكس على القرارات دون أن تُلاحَظ.
• لا يتبقى لأحد وقت للنظر في العلاقات بين الأرقام، مثل أثر نفاد المخزون في المبيعات.

أسئلة نموذجية بحسب القطاع

يفيد تحليل البيانات أكثر ما يفيد في الأسئلة التي يطرحها النشاط التجاري كل يوم ولا يستطيع الإجابة عنها إلا بالتخمين. وفيما يلي بضعة أمثلة من قطاعات مختلفة:

• التجارة الإلكترونية: أي المنتجات تُشترى معًا، وأي العملاء يختفون قبل أن يقدموا الطلب الثاني؟
• سلاسل المقاهي والمطاعم: أي المنتجات تُباع في أي الساعات بحسب الفروع، وهل خطة الموظفين تناسب الطلب؟
• شركات التصنيع والشركات التي تبيع للشركات: طلبات أي موزع أو مجموعة عملاء تنخفض، وأي الأعمال تضيع في مرحلة عرض السعر؟
• العيادات والأنشطة الخدمية: ما نسبة المواعيد التي تتم فعلًا، وأي الخدمات يُعاد اختيارها؟

القاسم المشترك بين هذه الأسئلة أن جوابها يتطلب دمج بيانات من أكثر من نظام. وأول قيمة في عمل تحليل البيانات تأتي في الغالب من هذا الدمج نفسه.

نطاق هذه الخدمة

العمل الذي نشرحه في هذه الصفحة هو البنية التحتية والتحليل اللذان يشملان البيانات التشغيلية كلها للنشاط التجاري: المبيعات والعملاء والمخزون وسلوك الموقع الإلكتروني. أما قياس عائد الحملات الإعلانية وتوزيع ميزانية التسويق على القنوات فمجال خبرة مستقل؛ ونتناوله في خدمة تحليل بيانات التسويق والتقارير. وقد يتشارك العملان بنية البيانات نفسها.

البنية التحتية للبيانات: جمع المصادر في مكان واحد

يقوم تحليل البيانات المتين على بنية تحتية متينة للبيانات. وفي هذه المرحلة نستخلص أي الأنظمة تحتفظ بأي بيانات، ونؤمّن أن تتدفق هذه البيانات بانتظام وآليًا إلى مكان مشترك. وحين يزول النسخ اليدوي يُكسَب الوقت ويقل هامش الخطأ معًا.

جرد البيانات: أن نرى أولًا ما الموجود

نبدأ العمل بسرد أي البيانات محفوظة في أي مكان، ومن يحدّثها، وإلى أي مدى تعود في الزمن. ويبيّن هذا الجرد ما هو جاهز وما هو ناقص لتحليل البيانات. وأحيانًا يكون أهم ما نكتشفه معلومة لا تُسجَّل أصلًا؛ مثل من أين سمع العميل عنكم أو لماذا ضاع عرض السعر. وإضافة هذه النواقص إلى عمليات التسجيل تزيد عمق تحليل البيانات في الأشهر التالية.

المصادر التي يمكن ربطها

• بنى التجارة الإلكترونية: بيانات الطلبات والمنتجات والإرجاع ورموز الحملات.
• أنظمة CRM: سجلات العملاء ومراحل عروض الأسعار وملاحظات فريق المبيعات.
• Google Analytics 4: سلوك الزوار ومصادر الزيارات وأحداث التحويل.
• أنظمة ERP والمحاسبة والصناديق: الفواتير والمخزون ومبيعات المتاجر.
• سجلات المراسلة والمكالمات: الطلبات الواردة من قنوات WhatsApp أو Instagram أو الهاتف.
• الجداول: الأهداف والميزانيات والسجلات اليدوية التي لا تُحفَظ في نظام آخر.

وما يحدد في الغالب هل يمكن ربط مصدر ما هو هل يوفّر واجهة API. وإن لم توجد فننظر في بدائل مثل العمل بملفات تُصدَّر بانتظام أو باتصال مباشر للقراءة فقط بقاعدة البيانات.

مسارات البيانات الآلية

نبني مسارات تسحب البيانات على فترات محددة وتحوّلها وتكتبها في مخزن بيانات مشترك. وفي الأنشطة الصغيرة والمتوسطة قد تكفي لهذا العمل أدوات سير العمل مثل n8n أو تكاملات صغيرة نكتبها. ومع نمو حجم البيانات يصبح مستودع بيانات مثل BigQuery أنسب؛ كما يمكن نقل بيانات Google Analytics 4 إلى BigQuery وفحصها على مستوى الأحداث الخام.

ونضيف إلى المسارات إشعارًا بالأخطاء أيضًا. فحين ينقطع الاتصال بمصدر ما أو لا تصل البيانات المتوقعة ينبغي أن تراه في لوحة المعلومات تنبيهًا صريحًا، لا رقمًا ناقصًا.

بيانات جاهزة للتحليل

أقل أجزاء عملية تحليل البيانات ظهورًا وأكثرها جهدًا هو جعل البيانات جاهزة للتحليل. فحفظ العميل نفسه بسجلات مختلفة، وانقطاع سجل المبيعات بسبب تغير رموز المنتجات، والحقول المتروكة فارغة، كلها تضلل حتى أفضل نموذج. ننقّي هذه المشكلات واحدة واحدة، ونكتب معكم تعريفات المقاييس التي ستُستخدم.

• نفاد المخزون: المبيعات التي لا تقع والمنتج غير موجود على الرف لا تعني أن الطلب انخفض؛ وينبغي أن تُعلَّم هذه الفترات على حدة في نماذج التنبؤ.
• الطلبات الكبيرة لمرة واحدة: قد تفسد عملية شراء جماعي مؤسسية المتوسطات والاتجاهات.
• تغيير رموز المنتجات: فتح المنتج نفسه برمز جديد يصفّر سجله؛ ولذلك يلزم مطابقة الرموز القديمة بالجديدة.
• فترات الحملات: وضع أسابيع التخفيضات في كفة واحدة مع الأسابيع العادية يُظهر الطلب العادي أعلى مما هو.

لوحات المعلومات والتقارير الآلية

بعد أن تجتمع البيانات ننقل نتائج تحليل البيانات إلى لوحات معلومات يسهل على صنّاع القرار قراءتها. وتُبنى هذه اللوحات لا لإدارة العمل اليومي، بل لرؤية الاتجاهات ونتائج التحليل؛ وتستهدف كل شاشة أن يجد شخص محدد جوابًا لسؤال محدد.

نقل التقرير المُعدّ يدويًا إلى الأتمتة

في يد أغلب الأنشطة تقرير يُعدّ يدويًا كل أسبوع أو في نهاية كل شهر. وعند نقل منطق هذا التقرير إلى المسار الآلي نشغّل التقريرين جنبًا إلى جنب مدة من الزمن، وبعد التحقق من تطابق الأرقام نترك التقرير اليدوي. وحين يظهر فرق بين الأرقام يكشف ذلك في الغالب خطأً لم يُلاحَظ في التقرير القديم أو قاعدة لم تُكتب قط. وهذه المقارنة تزيد أيضًا ثقة الفريق ببنية تحليل البيانات الجديدة.

أي لوحات ينبغي بناؤها أولًا؟

بناء كل شيء في وقت واحد يؤدي إلى نظام مليء بشاشات لا يفتحها أحد. ولذلك ننصح بالبدء بعدد قليل من اللوحات الأساسية:

1. الملخص الإداري: المبيعات ومؤشرات الربحية وأعداد العملاء الجدد والمتكررين.
2. لوحة سلوك العملاء: حجم الشرائح والانتقالات بينها ومعدل الشراء المتكرر والأفواج (Cohorts).
3. لوحة الطلب والتنبؤ: اتجاهات المبيعات بحسب مجموعات المنتجات والتنبؤات والأرقام الفعلية.

وبعد أن تستقر هذه اللوحات الثلاث في الاستخدام اليومي تُضاف التحليلات المفصلة التي تلزم. كما نتابع هل تُستخدم لوحات تحليل البيانات فعلًا، ونبسّط الشاشات التي لا تُفتح.

إيقاع التقارير

لا تلزم كل معلومة بالوتيرة نفسها. فالبيانات التشغيلية مثل المخزون والطلبات يكون لها معنى أكبر في نظرة يومية، واتجاهات المبيعات والعملاء في نظرة أسبوعية، وتغيّرات الربحية والشرائح في نظرة شهرية. وتنظيم مخرجات تحليل البيانات بحسب هذا الإيقاع يمنع أن يغرق الفريق في إشعارات لا حاجة إليها.

اختيار الأداة

بالنسبة لأغلب الأنشطة تكون أدوات لوحات المعلومات الجاهزة بداية جيدة. فأداة Google المجانية Looker Studio تتصل مباشرةً بمصادر مثل Google Analytics و Google Ads و Google Sheets؛ وقد تلزم موصّلات إضافية أو طبقة بيانات وسيطة للمصادر الأخرى. وكثيرًا ما تُفضَّل أيضًا أدوات مثل Power BI في البيئات المؤسسية.

وإذا كان لازمًا أن تعمل اللوحة داخل برمجياتكم أنتم، بصلاحيات المستخدمين لديكم، فقد لا تكفي الأدوات الجاهزة. وفي هذه الحالة ننظر في تطوير لوحة مخصصة لكم في إطار لوحات التحكم والتقارير.

تحليل البيانات بالذكاء الاصطناعي: السلوك والتنبؤ والتفسير

يولّد تحليل البيانات بالذكاء الاصطناعي قيمة حين يُضاف فوق بنية تحتية نظيفة ومنظمة للبيانات. أما النموذج الذي يُغذّى ببيانات مبعثرة وخاطئة فيعرض النتائج الخاطئة بلغة أكثر إقناعًا. ولذلك نبني طبقة الذكاء الاصطناعي دائمًا بعد أن تتضح البنية التحتية والتعريفات.

تحليل السلوك والتقسيم إلى شرائح

من الأساليب الشائعة في تحليل البيانات لفهم سلوك العملاء تحليل RFM: يُجمَّع العملاء بحسب مدى قرب آخر مشترياتهم، وكم مرة يشترون، وكم ينفقون. وهكذا ترون العملاء المخلصين، ومن يحملون خطر الضياع، والمشترين لمرة واحدة، كلًّا على حدة. أما تحليل الأفواج (Cohorts) فيبيّن كيف يتصرف العملاء الذين اكتُسبوا في الفترة نفسها مع الزمن.

ومن موضوعات تحليل السلوك أيضًا المنتجات التي تُشترى معًا، والخطوات المتروكة في الموقع الإلكتروني، والمدة التي تمر حتى يقدم العملاء طلبهم الثاني. ولتحويل هذه النتائج إلى إجراءات ملموسة يمكننا نقل الشرائح إلى مسارات التسويق المخصص.

العملاء المعرّضون لخطر الضياع

خروج العميل المنتظم عن عادته في الشراء هو في الغالب أول علامة قبل أن يضيع. ويستطيع النموذج الذي ينظر إلى فواصل الطلبات السابقة أن يحسب لكل عميل موعد الشراء التالي المتوقع، ويعلّم من تجاوزوا هذه المدة تجاوزًا واضحًا. والقائمة التي تظهر نتيجةً لتحليل البيانات هذا نقطة بداية ملموسة تبين من ينبغي الوصول إليه ومتى.

نماذج التنبؤ

نبني نماذج تتنبأ بالطلب أو المبيعات أو احتياج المخزون في الأسابيع القادمة انطلاقًا من البيانات السابقة. ويتطلب تحليل البيانات بالذكاء الاصطناعي من هذا النوع سجلًا تاريخيًا طويلًا بما يكفي ومتسقًا؛ ولكي نرى الموسمية نحتاج إلى بيانات تغطي سنة كاملة على الأقل، وفي الغالب إلى سجل من بضع سنوات. كما ينبغي أن تُعرَّف للنموذج على حدة فترات الحملات وتغييرات الأسعار وفترات نفاد المخزون.

وفي تركيا يتقدم عيد الفطر وعيد الأضحى في التقويم نحو أحد عشر يومًا كل عام، ولذلك ينبغي نمذجة أثر هذه الفترات بحسب تواريخ العيد بدل شهر ثابت. ونقدّم التنبؤات لا برقم واحد بل بمدى محتمل؛ فالتنبؤ ليس يقينًا، بل احتمال يساعد على اتخاذ القرار.

وفي جانب المخزون يكتسب التنبؤ معناه حين يُنظر إليه مع مدة التوريد. فعندما يوضع الطلب المتوقع على منتج في الأسابيع القادمة إلى جانب مدة تسليم المورّد، يتضح أكثر متى وكم ينبغي أن يُطلب. وهنا يتحول تحليل البيانات إلى أداة قرار تؤثر مباشرةً في التدفق النقدي وفي فراغات الرفوف.

متابعة دقة النموذج

لا ينبغي ترك نموذج التنبؤ وشأنه بعد بنائه. وفي إطار تحليل البيانات بالذكاء الاصطناعي نقارن التنبؤات بالأرقام الفعلية بانتظام، وندرس الفترات التي يتسع فيها الانحراف. وقد تتطلب قناة بيع جديدة أو تغيير في سياسة الأسعار أو توسع في مجموعة المنتجات إعادة تدريب النموذج.

كشف الحالات الشاذة

ملاحظة التغيرات غير المعتادة من أكثر ما يقدمه الذكاء الاصطناعي لتحليل البيانات فائدة عملية. فحين تنخفض مبيعات فئة ما إلى ما دون المدى المتوقع، أو تزداد الأخطاء في طريقة دفع معينة، أو ينهار فجأة عدد زيارات صفحة، يعلّم النظام ذلك. وبذلك يركز فريقكم على بضعة مواضيع ينبغي الانتباه إليها بدل البحث بين آلاف الأسطر. ويمكن إيصال الحالات المعلَّمة إلى المعني عبر البريد الإلكتروني أو قناة المراسلة التي يستخدمها فريقكم.

تحليل آراء العملاء ورسائلهم

جزء مهم من البيانات نصوص لا أرقام: تعليقات المنتجات، وطلبات الدعم، وإجابات الاستبيانات، ورسائل WhatsApp أو Instagram. ويستطيع تحليل البيانات بالذكاء الاصطناعي أن يصنّف هذه النصوص بحسب مواضيعها، وأن يفرز العبارات الإيجابية والسلبية، وأن يبرز الشكاوى الأكثر تكرارًا. وبذلك ترون بالأرقام كيف تزيد مواضيع مثل تأخر الشحن أو عدم ملاءمة المقاس وتنقص مع الزمن.

ونختبر دقة التصنيف بفحص عينات مختارة عشوائيًا يدويًا. ولأن النصوص قد تتضمن معلومات شخصية مثل الاسم أو الهاتف أو العنوان، ينبغي استبعاد هذه المعلومات قبل التحليل.

الملخص بلغة طبيعية وطرح الأسئلة

يمكن استخدام النماذج اللغوية الكبيرة لتحويل الأرقام في لوحة المعلومات إلى ملخص مكتوب قصير، أو للإجابة عن أسئلة مثل «في أي فرع زادت نسبة الإرجاع الشهر الماضي؟». لكن هذه النماذج قد ترتكب أخطاء في الحساب، وقد تعرض علاقة غير موجودة كأنها موجودة. ولذلك نجري الحسابات بالاستعلامات والصيغ، ولا نترك للذكاء الاصطناعي سوى تفسير النتائج المحسوبة؛ وتظل الأرقام التي يستند إليها الملخص ظاهرة دائمًا في لوحة المعلومات.

وعمليًا يعني هذا أن يبدأ المدير أسبوعه بقراءة ملخص من بضع فقرات قبل أن يفتح لوحة المعلومات: التغيرات البارزة، والحركات غير المعتادة، والمواضيع التي ينبغي الانتباه إليها. ويُبنى تحليل البيانات بالذكاء الاصطناعي بحيث يُظهر عند إعداد هذا الملخص الرقم الذي تستند إليه كل جملة؛ وبذلك لا يكون الملخص رأيًا، بل اختصارًا يمكن التحقق منه.

أمن البيانات وقانون حماية البيانات الشخصية التركي رقم 6698 (KVKK)

حين يعمل تحليل البيانات مع بيانات شخصية تخص العملاء تُطرح الالتزامات القانونية بقدر ما تُطرح المسائل التقنية. ويمكنكم الاطلاع على الأدلة والإعلانات المتعلقة بقانون حماية البيانات الشخصية رقم 6698 في موقع هيئة حماية البيانات الشخصية (التركية). والعناوين التالية لأغراض الإعلام العام؛ وننصحكم بتقييم التطبيق مع مستشاركم القانوني.

• التقليل من البيانات: عدم نقل المعلومات الشخصية غير اللازمة للتحليل إلى مخزن البيانات أصلًا.
• استخدام الأسماء المستعارة: استبدال معلومات مثل الاسم والهاتف والبريد الإلكتروني في التحليل برقم عميل.
• صلاحيات الوصول: تحديد من البداية من يستطيع رؤية أي لوحة وأي مستوى من التفصيل.
• موقع البيانات: معرفة أين يعالج مخزن البيانات وخدمة الذكاء الاصطناعي المستخدمة البيانات.
• شروط المزوّد: التحقق من أن خدمة الذكاء الاصطناعي لا تحتفظ بالبيانات المرسلة ولا تستخدمها في تدريب النماذج.

قبل البدء: التحضير والنطاق

المعلومات التي نطلبها منكم

• قائمة الأنظمة التي تستخدمونها وإمكانية وصول للقراءة إلى كل منها.
• نماذج من التقارير التي تعدّونها اليوم والقرارات التي تُتخذ بهذه التقارير.
• الأسئلة التي تجدون صعوبة في إيجاد جوابها.
• أهدافكم وميزانياتكم وتقويم حملاتكم الموسمية.
• من سيستخدم اللوحات وحاجة كل منهم.

العوامل التي تحدد النطاق

يحدد النطاق في الأساس عدد المصادر التي ستُربط، وهل توفر هذه المصادر واجهة API، ومدى نظافة البيانات، وعدد اللوحات المختلفة التي ستُعدّ. ونماذج التنبؤ والسلوك طبقة عمل مستقلة؛ والأسلم لأغلب الأنشطة أن تبدأ بالبنية التحتية واللوحات أولًا، وأن تُضاف طبقة تحليل البيانات بالذكاء الاصطناعي بعد أن تصبح البيانات موثوقة.

أخطاء شائعة

أكثر الأخطاء التي نراها في مشاريع تحليل البيانات ليست تقنية، بل تتعلق بالتخطيط. وأبرزها ما يلي:

• البدء بالأداة: اختيار أداة لوحات المعلومات قبل أن يتضح أي سؤال يُطلب جوابه.
• اعتبار المبيعات طلبًا: بناء نموذج تنبؤ دون فصل فترات نفاد المخزون.
• الثقة العمياء بملخص الذكاء الاصطناعي: اتخاذ القرار بحسب التفسير دون فحص الرقم الذي يستند إليه.
• بناء نموذج على بيانات متسخة: التنبؤات المبنية على بيانات غير منقّاة تعطي ثقة خاطئة.
• الإعداد ثم الترك: مع تغير عمليات العمل ينبغي تحديث مسارات البيانات والتعريفات أيضًا.

الأسئلة الشائعة

هل يلزم أن نكون شركة كبيرة لتحليل البيانات؟

لا يلزم. فالنشاط الذي له موقع تجارة إلكترونية واحد وبرنامج محاسبة يستفيد أيضًا من رؤية المبيعات والعملاء والمخزون في لوحة واحدة. ويتدرج النطاق بحسب عدد المصادر والعمق المطلوب.

هل يتخذ تحليل البيانات بالذكاء الاصطناعي قراراتي بنفسه؟

لا. يعلّم الذكاء الاصطناعي التغيرات غير المعتادة، وينتج تنبؤات احتمالية، ويفسر الأرقام؛ وأنتم من تتخذون القرار بهذه المعلومات. والتنبؤات ليست يقينًا، بل مدى يساعد على اتخاذ القرار.

أي أداة للوحات المعلومات سنستخدم؟

يتوقف هذا على مصادركم وميزانيتكم ومن سيستخدم اللوحات. وبالنسبة لأغلب الأنشطة التي تعمل بمصادر Google تكون Looker Studio بداية جيدة؛ أما اللوحات التي ينبغي أن تعمل داخل برمجياتكم فقد يلزم لها تطوير مخصص.

كم من البيانات السابقة يلزم لنموذج التنبؤ؟

لكي نرى الموسمية يلزم بيانات تغطي سنة كاملة على الأقل؛ وسجل متسق من بضع سنوات يعطي نتيجة أوثق. وإذا كانت البيانات قصيرة أو غير منتظمة فالأصوب أن نبدأ بالبنية التحتية والتقارير.

ما الفرق بين تحليل البيانات وتحليل التسويق؟

يشمل تحليل البيانات البيانات التشغيلية كلها للنشاط التجاري، مثل المبيعات والعملاء والمخزون وسلوك الموقع الإلكتروني. أما تحليل التسويق فيركز على قياس عائد الحملات الإعلانية والقنوات؛ وقد يستخدم العملان بنية البيانات نفسها.

هل تُرسَل بياناتنا إلى خدمات الذكاء الاصطناعي؟

لا تُرسَل إلا بقدر ما يلزم، وبأسماء مستعارة ما أمكن. ونقيّم معكم قبل الإعداد أي خدمة ستُستخدم، وأين ستُعالَج البيانات، وما شروط الاحتفاظ لدى المزوّد.

لنتحدث معًا عن حاجتكم إلى تحليل البيانات

أخبرونا كيف تعدّون التقارير اليوم، وما الأسئلة التي تجدون صعوبة في إيجاد جوابها؛ ولنحدد معًا مصادركم وما ينبغي أن تعرضه اللوحات الأولى وأين يمكن أن يسهم الذكاء الاصطناعي. وتكفي بضعة نماذج من التقارير التي في أيديكم للقاء الأول. يمكنكم مراسلتنا عبر صفحة التواصل.