۵ روند شکل‌دهنده تحلیل تجویزی در سال ۲۰۲۵

تحلیل تجویزی در حال تغییر شکل تصمیم‌گیری در صنایع مختلف در سال ۲۰۲۵ است. در اینجا پنج روند کلیدی که تکامل آن را هدایت می‌کنند آورده شده است:

1. ادغام هوش مصنوعی در مدل‌های تصمیم‌گیری: پلتفرم‌های مجهز به هوش مصنوعی، تصمیم‌گیری سریع‌تر و مبتنی بر داده را ممکن می‌سازند و باعث صرفه‌جویی در هزینه‌ها و بهبود کارایی در بخش‌هایی مانند خرده‌فروشی، مالی و بهداشت و درمان می‌شوند.
2. تحلیل تصمیم‌گیری فوری: ابزارهای لحظه‌ای به کسب‌وکارها کمک می‌کنند تا قیمت‌گذاری، گردش کار و انطباق را فوراً بهینه‌سازی کنند و سود را افزایش داده و ناکارآمدی‌ها را کاهش دهند.
3. سیستم‌های تصمیم‌گیری خودکار: سیستم‌های خودکار اکنون بدون دخالت انسان بر اساس توصیه‌ها عمل می‌کنند و فرآیندها را در صنایعی مانند حمل‌ونقل و بیمه ساده می‌کنند.
4. تصمیمات شفاف و مسئولانه هوش مصنوعی: ابزارهای شفافیت و چارچوب‌های اخلاقی، انصاف و پاسخگویی را در تحلیل‌های مبتنی بر هوش مصنوعی تضمین می‌کنند.
5. کاربردهای اینترنت اشیا و دوقلوهای دیجیتال: حسگرهای اینترنت اشیا و دوقلوهای دیجیتال با ارائه بینش‌های عملی و کاهش زمان خرابی، انقلابی در عملیات در تولید و مراقبت‌های بهداشتی ایجاد می‌کنند.

مقایسه سریع

روند	ویژگی کلیدی	تاثیر
ادغام هوش مصنوعی	تصمیم‌گیری مبتنی بر هوش مصنوعی	نتایج سریع‌تر، صرفه‌جویی در هزینه و دقیق
تحلیل تصمیم‌گیری فوری	بهینه‌سازی لحظه‌ای	بهبود کارایی و سودآوری
سیستم‌های تصمیم‌گیری خودکار	اقدامات خودکار	عملیات ساده‌شده، کاهش تاخیر
تصمیمات مسئولانه هوش مصنوعی	چارچوب‌های اخلاقی و شفاف	ایجاد اعتماد و کاهش تعصب
اینترنت اشیا و دوقلوهای دیجیتال	نظارت و شبیه‌سازی در زمان واقعی	بهبود عملکرد و کاهش زمان خرابی

این روندها در حال تغییر شکل صنایعی مانند بهداشت و درمان، خرده‌فروشی، تولید و مالی هستند و فرآیندهای تصمیم‌گیری هوشمندتر، سریع‌تر و اخلاقی‌تر را ممکن می‌سازند.

هوش مصنوعی نحوه استفاده مشاغل از تجزیه و تحلیل تجویزی را متحول می کند و پردازش مقادیر عظیمی از داده ها را به سرعت و با دقت امکان پذیر می کند. تقریباً نیمی از کل شرکت ها در حال حاضر از پلتفرم های تحلیلی مبتنی بر هوش مصنوعی استفاده می کنند و 75٪ قصد دارند تا سال 2026 از آنها استفاده کنند.

در اینجا نحوه شکل‌دهی هوش مصنوعی به مدل‌های تصمیم‌گیری در صنایع مختلف آورده شده است:

صنعت	نمونه شرکت	تاثیر هوش مصنوعی
خرده‌فروشی	Walmart	کاهش 20 درصدی ضایعات مواد غذایی از طریق تجزیه و تحلیل داده های زنجیره تامین
دارایی، مالیه، سرمایه گذاری	JPMorgan Chase	تشخیص تقلب در زمان واقعی و مشاوره سرمایه گذاری متناسب
تدارکات	UPS	سالانه 10 میلیون گالن سوخت با بهینه سازی مسیر پویا صرفه جویی شد
کشاورزی	John Deere	کشاورزی دقیق با استفاده از تجزیه و تحلیل داده های خاک بهبود یافته است

میجیتا مورالیداران، مدیر وابسته پیش فروش در Ascendion، نقش هوش مصنوعی در تجزیه و تحلیل را برجسته می کند:

"تجزیه و تحلیل پیش‌بینی‌کننده و تجویزی توسط تجزیه و تحلیل هوش مصنوعی انجام می‌شود که سازمان‌ها را قادر می‌سازد تا از مقادیر زیادی داده تصمیم‌گیری سریع انجام دهند."

تجزیه و تحلیل تجویزی مبتنی بر هوش مصنوعی می تواند مجموعه داده های پیچیده را تقریباً فوراً پردازش کند. پیش بینی می شود تنها در بخش مالی، این امر تا سال 2030 منجر به 1 تریلیون دلار صرفه جویی در هزینه شود.

در مراقبت های بهداشتی، Kaiser Permanente از هوش مصنوعی برای تجزیه و تحلیل داده های بیمار در زمان واقعی استفاده می کند. این کمک می کند تا خطرات بستری مجدد پیش بینی شود و امکان مداخلات پیشگیرانه فراهم شود. علیرغم این پتانسیل، اکثر سازمان ها فقط 37 تا 40 درصد از داده های موجود خود را تجزیه و تحلیل می کنند. با این حال، 97.2 درصد به طور فعال در راه حل های کلان داده سرمایه گذاری می کنند. مزایا عبارتند از:

• تمیز کردن خودکار داده ها
• یادگیری مستمر از داده های جدید
• پردازش در زمان واقعی
• تشخیص الگوی پیشرفته

ارائه دهندگان فناوری بزرگ این ادغام را آسان تر می کنند. IBM Watson Analytics از پردازش زبان طبیعی برای ارائه بینش های عملی استفاده می کند، در حالی که ابزارهای هوش مصنوعی Microsoft Azure به مقیاس بندی تجزیه و تحلیل تجویزی کمک می کند. انتظار می رود بازار جهانی هوش مصنوعی در امور مالی تا سال 2025 به 26.67 میلیارد دلار برسد. پلتفرم هایی مانند Datafloq بینش های ارزشمندی را در مورد این پیشرفت ها ارائه می دهند و راه را برای تکنیک های تجزیه و تحلیل در زمان واقعی که در بخش های بعدی مورد بحث قرار می گیرند، هموار می کنند.

در سال 2025، تصمیم‌گیری در زمان واقعی در حال تغییر شکل نحوه عملکرد کسب‌وکارها است. آخرین تحقیقات Gartner نشان می‌دهد که 80 درصد از سازمان‌های زنجیره تامین قصد دارند هوش مصنوعی مولد را آزمایش یا اتخاذ کنند و 6 درصد از بودجه فناوری خود را به این ابزارهای تحلیل سریع اختصاص دهند.

صنایع در حال حاضر شاهد تغییراتی ناشی از تحلیل تصمیم گیری فوری هستند:

صنعت	برنامه کاربردی	نتیجه
تجارت الکترونیک	تجزیه و تحلیل قیمت گذاری پویا	تغییرات قیمت در زمان واقعی بر اساس تقاضا و سهام
مراقبت های بهداشتی	نظارت بر انطباق	رشد 25%+ از طریق ممیزی های خودکار
تولید	تجزیه و تحلیل گردش کار تولید	افزایش 300 درصدی در راندمان پرس و جو

به عنوان مثال، یک شرکت بتن آماده از تحلیل تجویزی Throughput برای ساخت کارت امتیازی مشتری 360 درجه استفاده کرد. این به بهینه سازی تخصیص کامیون و کاهش CO emissions کمک کرد.

یک خرده‌فروش اروپایی با بیش از 15000 محصول نیز مزایای عمده‌ای را مشاهده کرد. با پیاده‌سازی تحلیل تصمیم‌گیری فوری، آنها بیش از 200 محصول کم‌عملکرد را شناسایی کردند، ترکیب محصول را تنظیم کردند و افزایش سود 10 میلیون دلاری در هر مرکز را به دست آوردند.

میک هالیسون، رئیس Cloudera، بر لبه استراتژیک این ابزارها تأکید می کند:

"پیش بینی کننده به همگام شدن با چشم انداز رقابتی فزاینده کمک می کند در حالی که تجزیه و تحلیل تجویزی توصیه های هوشمندانه ای را برای برداشتن گام بعدی برای یک فرآیند تجاری ارائه می دهد."

با این حال، هنوز جا برای رشد وجود دارد. تحقیقات Accenture نشان می‌دهد که تنها 20 درصد از شرکت‌ها به طور کامل از پتانسیل داده‌های خود بهره می‌برند. این شکاف فرصتی بزرگ برای کسب و کارهایی است که آماده اتخاذ این سیستم ها هستند.

یک مثال از یک تجارت کشاورزی مستقر در ایالات متحده است که سبزیجات فاسد شدنی را مدیریت می کند. با استفاده از تحلیل تجویزی، آنها بینشی در مورد عادات خرید مشتری، حساسیت قیمت و ترجیحات کالا به دست آوردند که به آنها امکان داد موجودی را در زمان واقعی بهینه کنند.

بازارهای مالی نیز در حال تحول هستند، با راه حل های regtech که انطباق و وظایف گزارش دهی را خودکار می کنند. این تغییر بسیار مهم است زیرا 70 درصد از رهبران زنجیره تامین اکنون بر این باورند که مزایای هوش مصنوعی مولد بیشتر از خطرات آن است. برای موفقیت با تحلیل تصمیم گیری فوری، کسب و کارها باید ابزارهایی مانند GPS، RFID، ERP و داده های آب و هوا و ترافیک در زمان واقعی را ادغام کنند.

با سرعت گرفتن تصمیم گیری، شرکت ها باید سیستم های تحلیلی خود را ارتقا دهند تا جلوتر بمانند. این تکامل مداوم صحنه را برای ظهور سیستم های تصمیم گیری خوداجرا آماده می کند.

با پیشرفت در هوش مصنوعی و تصمیم گیری در زمان واقعی، سیستم های خوداجرا در حال تبدیل تجزیه و تحلیل تجویزی هستند. این سیستم‌ها فقط تصمیم تولید نمی‌کنند، بلکه به‌طور خودکار به آنها عمل می‌کنند. Aera Decision Cloud، به عنوان مثال، از قوانین تجاری از پیش تعریف شده برای اقدام فوری و بهبود مستمر نتایج استفاده می کند.

در اینجا نگاهی به نحوه به کارگیری این سیستم ها در صنایع مختلف آورده شده است:

صنعت	برنامه کاربردی	نتایج
حمل و نقل	خودروهای خودران Waymo	فعال در شهرهایی مانند فونیکس، سانفرانسیسکو، لس آنجلس و آستین
بیمه	سیستم مطالبات دیجیتال Hiscox	پردازش ساده شده مطالبات از طریق تصمیمات خودکار
دارایی، مالیه، سرمایه گذاری	دستیارهای هوش مصنوعی موتورهای تصمیم گیری	مدیریت قرارداد خودکار و اولویت بندی سرنخ

این موارد استفاده نشان می دهد که چگونه اتوماسیون نتایج قابل اندازه گیری را ارائه می دهد. کارل ویتکوفسکی، مدیر ارشد عملیات شرکت های بیمه Berkshire Hathaway GUARD، به اشتراک گذاشت:

"من هیجان زده هستم که به اشتراک بگذارم که اندکی پس از شروع به کار مزایای روشنی را مشاهده می کنیم"

این تغییر به طور قابل توجهی پردازش مطالبات را برای شرکت بهبود بخشیده است.

برای راه اندازی موفقیت آمیز سیستم های خوداجرا، سازمان ها باید بر سه حوزه اصلی تمرکز کنند:

1. تست و اعتبار سنجی
   تست دقیق قبل از استقرار همراه با سیستم های نظارت قوی تضمین می کند که مسائل به زودی شناسایی می شوند و احتمالات در جای خود قرار دارند.
2. حقوق تصمیم گیری روشن
   به عنوان مثال، یک شرکت انرژی تجدیدپذیر یک جلسه 30 دقیقه ای را برای روشن کردن حقوق تصمیم گیری، مسئولیت پذیری و پروتکل های تشدید اختصاص داد.
3. یادگیری مداوم
   جیسون عطار از Pathwai.io پتانسیل سیستم هایی مانند Agent Zero را برجسته می کند:

"Agent Zero نشان دهنده مرز بعدی سیستمی است که نه تنها می تواند کد را بر اساس یک اعلان ایجاد کند، بلکه می تواند آن را در یک محیط زنده اجرا کند"

Aera Technology همچنین بر اهمیت یک رویکرد در زمان واقعی تاکید می کند:

"مقیاس بندی تصمیم گیری در سراسر شرکت شما نیاز به یک رویکرد جدید دارد. این نیاز به یک مغز دیجیتال دارد که در زمان واقعی کار کند، همیشه روشن باشد، فکر کند، یاد بگیرد و خودمختار باشد"

با تمرکز بر این زمینه ها، کسب و کارها می توانند هوش مصنوعی و تجزیه و تحلیل در زمان واقعی را ادغام کنند تا تصمیم گیری خودکار در کل شرکت را فعال کنند. گرگ تاچتی، مدیر ارشد اطلاعات و استراتژی State Auto Insurance، خاطرنشان کرد:

"افراد تجاری ما امروز عاشق این توانایی هستند که قانون تجاری را که در واقع در حال تولید است، تجسم کنند"

با ادامه رشد سیستم‌های تصمیم‌گیری خودکار، تضمین تصمیمات اخلاقی و شفاف هوش مصنوعی به یک اولویت تبدیل شده است. طبق داده های اخیر، 64٪ از مصرف کنندگان شفافیت را ضروری می دانند زمانی که بیمه گران از هوش مصنوعی برای ارزیابی مطالبات استفاده می کنند. در همین حال، 75% از کسب و کارها معتقدند که عدم شفافیت می تواند منجر به افزایش ریزش مشتری شود.

برای رسیدگی به این موضوع، سازمان ها در حال اتخاذ چارچوب هایی هستند که تصمیمات مسئولانه هوش مصنوعی را ترویج می کنند. این چارچوب ها بر شفافیت و پاسخگویی، با گنجاندن چندین جزء کلیدی تمرکز دارند:

جزء چارچوب	روش پیاده سازی	مزیت کلیدی
ابزارهای شفافیت	Fairlearn, AIF360, شاخص های انصاف	به شناسایی و کاهش تعصب الگوریتمی کمک می کند
مستندات	کارت های مدل، برگه های داده	منابع داده و منطق تصمیم گیری را ردیابی می کند
سیستم های مانیتورینگ	ممیزی مداوم، معیارهای انصاف	به طور منظم عملکرد سیستم هوش مصنوعی را ارزیابی می کند

یک مثال از این رویکرد پروژه Trustroke است. این ابتکار از یادگیری فدرال و هوش مصنوعی قابل توضیح (xAI) برای کمک به بیمارستان ها در پیش بینی نتایج سکته مغزی استفاده می کند. این امر حریم خصوصی بیمار را تضمین می کند در حالی که استدلال روشنی را در پشت پیش بینی های خود ارائه می دهد.

عدنان مسعود، معمار ارشد هوش مصنوعی در UST، بر اهمیت شفافیت تاکید می کند:

"شفافیت هوش مصنوعی به معنای توضیح واضح استدلال پشت خروجی است و فرآیند تصمیم گیری را در دسترس و قابل فهم می کند... در پایان روز، این در مورد از بین بردن رمز و راز جعبه سیاه هوش مصنوعی و ارائه بینشی در مورد چگونگی و چرایی تصمیم گیری هوش مصنوعی است."

برای ادغام یکپارچه شفافیت در تجزیه و تحلیل تجویزی، سازمان ها باید بر سه زمینه کلیدی تمرکز کنند:

1. توسعه سیاست: دستورالعمل های روشنی برای استفاده از هوش مصنوعی، از جمله سیاست های استفاده از داده ها و رویه های رضایت آگاهانه ایجاد کنید.
2. پیاده سازی فنی: از ابزارهایی مانند AIF360 IBM و Fairlearn مایکروسافت برای شناسایی و رسیدگی به تعصبات در گروه های جمعیتی مختلف استفاده کنید.
3. ادغام فرهنگی: آموزش اخلاقی را ترویج دهید و کارکنان، مشتریان و جوامع را در شکل دادن به دستورالعمل های اخلاقی هوش مصنوعی درگیر کنید.

گزارش Zendesk CX Trends 2024 این روند را برجسته می کند:

"شفاف بودن در مورد داده هایی که مدل های هوش مصنوعی و تصمیمات آنها را هدایت می کند، یک عنصر تعیین کننده در ایجاد و حفظ اعتماد با مشتریان خواهد بود."

برای حفظ شیوه های اخلاقی هوش مصنوعی، بسیاری از سازمان ها ممیزی های منظم انجام می دهند. اینها شامل بررسی منطق تصمیم گیری، آزمایش برای تعصب و ارزیابی اثرات است. چنین تلاش هایی تضمین می کند که تجزیه و تحلیل تجویزی مسئولانه باقی می ماند و به طور مداوم در طول زمان بهبود می یابد.

حسگرهای اینترنت اشیا و فناوری دوقلوی دیجیتال در حال تغییر شکل نحوه برخورد صنایع به تجزیه و تحلیل تجویزی، به ویژه در تولید و مراقبت های بهداشتی هستند. اعداد خود گویای همه چیز هستند: پیش بینی می شود بازار دوقلوهای دیجیتال از 8.6 میلیارد دلار در سال 2022 به 138 میلیارد دلار تا سال 2030 برسد.

در مراقبت های بهداشتی، دوقلوهای دیجیتال موج می زنند. 66 درصد از مدیران مراقبت های بهداشتی قابل توجه قصد دارند سرمایه گذاری های خود را در این فناوری طی سه سال آینده افزایش دهند. چرا؟ از آنجا که پیاده سازی های اولیه نتایج قابل اندازه گیری را ارائه می دهند:

زمینه کاربرد	راه حل دوقلوی دیجیتال	تاثیر
برنامه ریزی جراحی	نقشه های Cyder EV	کاهش قرار گرفتن در معرض تشعشع، جراحی های کوتاه تر
مراقبت های قلبی	FEops HEARTguide	پیش بینی های بهتر برای تعامل دستگاه و بیمار
ارتوپدی	دوقلوهای طراحی ایمپلنت	پیکربندی مواد و ساختار بهبود یافته
تولید دستگاه های پزشکی	دوقلوهای زنجیره تامین	مدیریت تحویل به موقع بهبود یافته است

این مثال ها نشان می دهد که چگونه دوقلوهای دیجیتال داده ها را به بینش های عملی تبدیل می کنند. در تولید، دوقلوهای دیجیتال مجهز به اینترنت اشیا به جلوگیری از خرابی های پرهزینه کمک می کنند، که می تواند منجر به از دست دادن میلیون ها دلار در دقیقه شود.

"دوقلوهای دیجیتال نمایش های مجازی از دارایی ها، فرآیندها یا سیستم های فیزیکی هستند که نظارت، تجزیه و تحلیل و بهینه سازی در زمان واقعی را امکان پذیر می کنند. آنها با بهره گیری از داده های حسگرها و شبیه سازی ها، بینش های ارزشمندی را برای تصمیم گیری آگاهانه و ارتقای عملیات ارائه می دهند." - الکسا بروتل، FirstIgnite

"مردم سعی می کنند به داخل بپرند و فقط یک راه حل مناسب برای همه داشته باشند، و شما نمی توانید این کار را انجام دهید. [یک دوقلوی دیجیتال] باید با هدف و اهداف شما سفارشی شود." - کارن پانتا، رئیس آموزش فارغ التحصیلان در دانشکده مهندسی دانشگاه تافتس

برای استفاده کامل از پتانسیل اینترنت اشیا و دوقلوهای دیجیتال، سازمان ها باید بر سه زمینه کلیدی تمرکز کنند:

• توسعه استراتژی داده: چارچوب های قوی برای جمع آوری، ایمن سازی و پردازش داده های اینترنت اشیا در زمان واقعی ایجاد کنید.
• یکپارچه سازی سیستم: اطمینان حاصل کنید که پلتفرم های دوقلوی دیجیتال به طور یکپارچه با سیستم های موجود برای مقیاس پذیری کار می کنند.
• توسعه تخصص: در آموزش سرمایه گذاری کنید یا با ارائه دهندگانی که دانش عمیقی از فناوری دوقلوهای دیجیتال دارند، شریک شوید.

هنگامی که این مراحل به درستی انجام شوند، می توانند تجزیه و تحلیل تجویزی را تقویت کرده و عملیات را در صنایع مختلف بهبود بخشند.

فراتر از موارد استفاده خاص، دوقلوهای دیجیتال در حال تغییر شکل نحوه برخورد سازمان ها با گردش کار هستند. با آزمایش سناریوها به صورت مجازی، شرکت ها می توانند هزینه ها را کاهش داده و چرخه های نوآوری را سرعت بخشند.

در تعمیر و نگهداری، حسگرهای اینترنت اشیا همراه با دوقلوهای دیجیتال علائم هشدار اولیه را - مانند حرکات نامنظم، نشت یا گرم شدن بیش از حد - در تجهیزاتی مانند ماشین های قالب گیری تزریقی تشخیص می دهند. این به تیم ها اجازه می دهد تا قبل از اینکه مسائل به خرابی های پرهزینه تبدیل شوند، به مسائل رسیدگی کنند.

تحلیل تجویزی در حال ایجاد موج در سراسر صنایع است زیرا در سال 2025 تکامل می یابد. با پیش بینی اینکه بازار به 22.72 میلیارد دلار برسد و با CAGR 21.68٪ رشد کند، تأثیر آن غیرقابل انکار است.

روندهایی که این زمینه را شکل می دهند - هوش مصنوعی، تجزیه و تحلیل فوری، سیستم های خوداجرا، هوش مصنوعی مسئولانه و اینترنت اشیا - در حال تغییر نحوه تصمیم گیری هستند. این پیشرفت ها در حال حاضر نتایج قابل اندازه گیری را در بخش های مختلف ارائه می دهند:

صنعت	تاثیر تحلیل تجویزی	مزایای کلیدی
مراقبت های بهداشتی	تشخیص زودهنگام بیماری، درمان شخصی	مراقبت بهتر از بیمار، عملیات ساده شده
خرده فروشی	پیش بینی تقاضا، بهینه سازی قیمت	افزایش 30 درصدی در حفظ مشتری
تولید	نگهداری پیش بینی کننده، بهبود زنجیره تامین	سالانه تا 50 میلیارد دلار صرفه جویی می شود
دارایی، مالیه، سرمایه گذاری	مدل های ریسک مبتنی بر هوش مصنوعی	کاهش 40 درصدی در موارد تقلب

کسب و کارهایی که به دنبال پیشرفت هستند باید چارچوب های داده استراتژیک را بپذیرند و در ابزارها و آموزش های مناسب سرمایه گذاری کنند. همانطور که ویشنوی یادا می گوید:

"تحلیل تجویزی کلان داده فقط یک کلمه شیک نیست. این یک فناوری متحول کننده است که در حال تغییر شکل استراتژی های تجاری در سال 2025 است. سازمان ها با استفاده از قابلیت های آن می توانند تصمیمات هوشمندانه تری بگیرند، عملیات را بهینه کنند و به رشد بی سابقه ای دست یابند."

راه حل های مبتنی بر ابر و تجزیه و تحلیل دموکراتیک اتخاذ را آسان تر می کنند و 85 درصد از شرکت ها در حال حاضر از تجزیه و تحلیل پیش بینی کننده استفاده می کنند. همکاری های اخیر در این صنعت بیشتر بر تغییر به سمت تصمیم گیری در زمان واقعی و هوش مصنوعی مسئولانه تاکید می کند. این ابزارها به سرعت برای رقابتی ماندن ضروری می شوند.