خدمات علم البيانات والتحليلات التنبؤية للشركات

يخبرك تحليل البيانات وذكاء الأعمال بما حدث ولماذا حدث، أما علم البيانات فيخطو خطوة أبعد: يستخدم الإحصاء وتعلّم الآلة لتقدير ما يُرجَّح أن يحدث، وتحديد الحالات التي تستحق الاهتمام أولًا. والاثنان متكاملان؛ فلا قيمة لتوقّع لا يثق به أحد، ولا لدرجة تقييم لا تصل إلى صاحب القرار.

لذلك نتعامل مع علم البيانات بوصفه جزءًا من منظومة التقارير لديك، لا مختبرًا منفصلًا عنها: تقرأ النماذج من البيانات التي تعتمد عليها لوحات المؤشرات، وتعود نتائجها إلى التقارير والتطبيقات ومسارات الموافقة التي تستخدمها فرقك.

• البيانات وذكاء الأعمال: Microsoft Fabric وتقارير Power BI

تنتقل البيانات في المنطقة من التقارير إلى صميم القرارات. ففي السعودية يشير دليل سدايا إلى أن رؤية السعودية 2030 تفترض استخدامًا واسعًا لتحليلات البيانات ورؤاها في صنع السياسات والتخطيط الاقتصادي واستراتيجيات الأعمال.

ولدى معظم المؤسسات المادة الخام بالفعل: سنوات من بيانات أنظمة ERP وCRM والمالية وسلاسل الإمداد والخدمة، كثير منها بالعربية والإنجليزية معًا. والسؤال الحقيقي: أي القرارات سيتغيّر لو توافر توقّع موثوق، وهل تكفي البيانات لدعمه؟ من هنا نبدأ، لا من الخوارزمية.

وللغة أهميتها هنا أيضًا؛ فمن يستخدم مخرجات النموذج ينبغي أن يقرأها ويناقشها ويتصرّف بناءً عليها بلغته، ولذلك نعمل بالعربية والإنجليزية.

أنسب حالات الاستخدام الأولى هي التي يرتبط فيها التوقّع بقرار واضح ونتيجة قابلة للقياس وتاريخ كافٍ من البيانات. ونساعدك على اختيار حالة ذات قيمة تستحق الجهد، وصغيرة بما يكفي لتنفيذها وقياس أثرها. ونتحقق مبكرًا أيضًا من أن السؤال يحتاج فعلًا إلى نموذج، فقد تكفي قاعدة أبسط أو تقرير أفضل. ومن نقاط البداية المعتادة:

• توقّع الطلب والمبيعات لدعم التخطيط والمشتريات والمخزون.
• توقّع الطلب على الخدمات وحجم العمل لتخطيط الكوادر في مراكز الاتصال والفروع والفرق الميدانية.
• توقّع التدفقات النقدية والتحصيل، وتقييم مخاطر التأخر في سداد الذمم المدينة.
• نماذج تسرّب العملاء والتجديد والعرض الأنسب التالي، تغذّي نظام CRM لديك.
• اكتشاف الحالات الشاذة في المعاملات والمصروفات وقراءات الأجهزة.
• التنبؤ باحتياجات الصيانة للمعدات والأساطيل.
• تصنيف المستندات والطلبات والنصوص الحرة بالعربية والإنجليزية، مع مراجعة بشرية حيث يلزم.

ننقل حالة الاستخدام من السؤال إلى التشغيل الفعلي، ونحافظ على أدائها بعد ذلك.

• صياغة حالة الاستخدام وفحص جدواها على بياناتك قبل بدء أي بناء.
• تهيئة البيانات وهندسة الخصائص في Microsoft Fabric، بالعمل على البيانات في OneLake بدل نسخها.
• تطوير النماذج بلغة Python ومكتبات مفتوحة المصدر مثل scikit-learn، مع تتبّع التجارب والنماذج في MLflow.
• النشر لتوليد التوقعات على دفعات مجدولة في Fabric، أو عبر نقاط نهاية فورية (Real-time endpoints) في Azure Machine Learning.
• إظهار التوقعات في تقارير Power BI (باور بي اي) وفي Dynamics 365 وPower Apps، لتصل إلى من يتخذ الإجراء.
• المراقبة وإعادة التدريب والتوثيق، لتبقى النماذج دقيقة وقابلة للتدقيق.
• نقل المعرفة إلى المحللين ومهندسي البيانات لديك بالعربية أو الإنجليزية، ليتمكّن فريقك من تشغيل النماذج ومراجعتها وتطويرها.

كلتاهما منصة من Microsoft لعلم البيانات، ويستخدم كثير من المشاريع الاثنتين معًا. تعمل تجربة علم البيانات (Data Science) في Microsoft Fabric مباشرة على البيانات المحوكمة في OneLake، مع دفاتر Notebooks وSpark وتتبّع مدمج عبر MLflow وتوليد التوقعات على دفعات. والتوقعات التي تُكتب في OneLake يقرؤها Power BI بوضع Direct Lake دون نسخها، وتتيح ميزة Semantic Link لعلماء البيانات إعادة استخدام المقاييس التي عرّفها المحللون في النماذج الدلالية في Power BI.

أما Azure Machine Learning فهي خدمة Microsoft لإدارة دورة حياة تعلّم الآلة كاملة: التدريب، وأتمتة تعلّم الآلة (AutoML)، ونقاط النهاية المُدارة (Managed endpoints) لتوليد التوقعات فوريًا أو على دفعات، وممارسات MLOps للمراقبة وإعادة التدريب والتدقيق.

وكقاعدة عامة، يناسب Fabric حين تكون بياناتك وتقاريرك عليه أصلًا، ويناسب Azure Machine Learning حين تحتاج النماذج إلى خدمة فورية في بيئة الإنتاج أو إلى ممارسات MLOps أكثر صرامة، إذ لا تزال نقاط النهاية الفورية للنماذج في Fabric في مرحلة المعاينة. والاختيار تحدّده بيئتك لا تفضيلاتنا.

لا يُقبل النموذج إلا بقدر ما تُقبل البيانات التي يستخدمها. ولا تخزّن Azure Machine Learning بياناتك ولا تعالجها خارج المنطقة التي تنشرها فيها. وتُدرج Microsoft منطقة UAE North ضمن المناطق التي تتوافر فيها كل أحمال Fabric، بينما تُدرج Qatar Central وUAE Central لخدمة Power BI فقط. وفي Fabric تهمّ أيضًا المنطقة الرئيسية للمستأجر؛ إذ توضّح Microsoft أن بعض بيانات العملاء يبقى في النطاق الجغرافي الرئيسي إذا أُنشئت السعة في منطقة أخرى. لذا قد يتوقف اختيار المنصة على المكان الذي يجب أن تبقى فيه بياناتك، ونتحقق من التوافر الحالي أثناء التصميم.

وتتطلب البيانات الشخصية عناية خاصة؛ فنظام حماية البيانات الشخصية في السعودية، الذي تشرف على تطبيقه سدايا، وقواعد حماية البيانات في الإمارات وقطر والأردن والكويت وسلطنة عُمان، تحدّد ما يجوز استخدامه في التدريب وأين. لذلك نصمّم مع فريق الامتثال لديك، ونقلّل البيانات الشخصية في الخصائص إلى الحد الأدنى، ونوثّق ما يستخدمه كل نموذج.

وللنصوص والأسماء والعناوين العربية معالجتها الخاصة: توحيد أشكال الحروف مثل صور الألف والتاء المربوطة، ومطابقة الأسماء المكتوبة بالحروف العربية واللاتينية، وقراءة التواريخ الهجرية والميلادية قراءة صحيحة، واختبار النتائج على البيانات العربية لا الإنجليزية وحدها.

التوقّع توصية لا قرار. ونطبّق المبدأ نفسه الذي نطبّقه في كل أعمال الذكاء الاصطناعي: يعمل الذكاء الاصطناعي ضمن الأدوار والموافقات، ويبقى الإنسان هو المسؤول. ويعني ذلك عمليًا توضيح العوامل التي تحرّك كل درجة تقييم، وتحديد العتبات مع مالك العملية من جهة الأعمال، وتحويل الحالات الحدّية إلى شخص، والاحتفاظ بسجل لما أوصى به النموذج وما تقرّر فعلًا.

وتدعم Azure Machine Learning ذلك بأدوات للعدالة وقابلية التفسير والتتبّع والتدقيق، وتحتفظ المنصتان بسجل للتجارب وإصدارات النماذج.

ونوثّق كل نموذج بلغة واضحة: القرار الذي يدعمه، والبيانات التي يستخدمها، ونتائج اختباره على بيانات محجوزة، وحدوده المعروفة، ومن يتحمّل مسؤوليته. ويسهّل هذا السجل مراجعة النموذج وتسليمه، وإيقافه حين لا تعود له فائدة.

• الذكاء الاصطناعي بضوابط: نهجنا
• وكلاء الذكاء الاصطناعي لإجراءات الأعمال