کاربرد Data Science در مدیریت پروژه و سازمان‌های پروژه محور

مقدمه:

متخصص علم‌داده یا دانشمند علم‌داده براساس آخرین آمارهای رسمی جز سه شغل برتر در چند سال اخیر هست. دانش و مهارتی که علاوه بر جذابیت شغلی دارای حقوق و مزایای بسیار بالاتری به نسبت سایر مشاغل بوده است. دانشمند علم‌داده متخصصی است که مهارت‌های خود را در زمینه آمار و ساختن مدل‌های یادگیری ماشین بکار می‌برد تا تحلیل‌ها و پیش‌بینی‌ها را انجام دهد و به سؤالات کلیدی در کسب‌وکار پاسخ دهد. یک متخصص علم‌داده همچنین باید درست مانند یک تحلیلگر داده قادر به پاک‌سازی، تجزیه‌وتحلیل و تجسم داده‌ها باشد. بااین‌حال، یک دانشمند داده، عمق و تخصص بیشتری در این مهارت‌ها دارد و همچنین قادر به آموزش و بهینه‌سازی مدل‌های یادگیری ماشین و دیتا ساینس است. دانشمند علم‌داده فردی است که می‌تواند با پرداختن به سؤالات مهم کسب و کار و استفاده از دانش خود در مورد آمار و الگوریتم‌های پیشرفته، ارزش زیادی را خلق کند.

اهداف توسعه ابزارهای دیتاساینس در حیطه مدیریت پروژه:

• ایجاد و توسعه مهارت‌های حوزه‌های علم‌داده، یادگیری ماشین، تحلیل‌داده در حیطه مدیریت پروژه و سازمانهای پروژه محور
• توانایی بهبود عملکرد و استقرار سیستم‌های هوش‌تجاری در سازمانهای پروژه محور
• توانایی استخراج دانش و بررسی رفتار الگوهای مختلف از داده‌ها
• توانایی برخورد صحیح با داده‌ها به‌منظور توصیف و پیش‌بینی
• توانایی اجرای فرآیند کاوی
• توانایی مدیریت داده‌های عظیم

آنچه از یک Data Scientist در حیطه مدیریت پروژه و سازمان‌های پروژه محور، انتظار می‌رود:

• فرصت‌های بهبود را در مجموعه داده های بزرگ شناسایی کند
• استخراج و درک نیازهای ذینفعان در مورد آنالیز داده ها
• استراتژی‌های داده محور سازمان را ایجاد و پیاده سازی کند
• انتخاب، طراحی و پیاده سازی مدل ها و الگوریتم ها و پیش بینی با استفاده از منابع متنوع داده
• روابط بین داده های مختلف را شناسایی کند
• برای کمک به درک داد‌ه‌ها، از روشهای بصری سازی استفاده کند
• ابزارها، داشبورد ها و گزارش‌هایی را تهیه کند که به کاربران در دسترسی و تجزیه و تحلیل داد‌ه‌ها کمک می‌کند
• در مورد ریسکها و مسائل پروژه، استراتژی‌های پاسخ مناسب را طراحی کند
• طراحی طرح های ذخیره سازی داده‌ها
• توسعه ابزارهایی برای پردازش داده‌ها و بازیابی اطلاعات
• توسعه الگوریتم هایی برای حل مشکلات چالش برانگیز کسب و کار
• اعتبارسنجی عملکرد مدل
• مستند سازی فرایند مدل و عملکرد مدل

سرفصلهای دوره:

1. مبانی و مفاهیم علم‌داده
2. تجزیه و تحلیل داده های توصیفی در داخل یک سازمان پروژه محور یا پروژه‌ها
3. علم‌داده و پایتون
4. سیستم‌های توصیه‌گر
5. Storytelling
6. داستان‌سرایی داده با نرم‌افزار Tableau
7. مدیریت و حاکمیت داده
8. بررسی کاربرد Natural Language Processing و متن کاوی در مدیریت منابع انسانی پروژه
9. دیتاساینس در مدیریت پورتفولیو
10. Data Visualization به همراه مثالهای مرتبط
11. مرور کاربردهای هوش تجاری به همراه مثالهای مرتبط
12. آنالیز شبکه‌های اجتماعی
13. روشهای دسته بندی
14. Power BI فشرده همراه با نحوه کدنویسیDAX
15. فرایند کاوی، ابزارها و مثال

متدولوژی اجرایی:

بخش اول: مقدمات، بررسی روشهای شناخت سازمان، تعریف دقیق مساله و شناخت و ذخیره‌سازی داده

در این بخش به متدهای شناخت سازمان و نیازهای مرتبط با دیتای سازمان خواهیم پرداخت.

بخش دوم: پیش‌ پردازش داده و مهندسی ویژگی‌ (Feature Engineering)

در این فاز به روشهای آماده سازی داده و روشهای انتخاب و مهندسی ویژگی پرداخته می‌شود.

بخش سوم: فراگیری مدلها و الگوریتمهای پر استفاده Data Science

در این فاز به بررسی محتوا، مکانیزم کار، اجزا، پارامترها و کاربردهای الگوریتمهای منتخب دیتاساینس در بازارکار خواهیم پرداخت.

بخش چهارم: طراحی و توسعه مدل  علم داده و پیاده‌سازی الگوریتمها

پس از اشنایی دقیق با جزئیات الکوریتمها در فاز قبل به اجرای تک تک آنها در پایتون و یک نرم افزار مدلساز خواهیم پرداخت.

بخش پنجم: Model Assessment & Validation

در این فاز روشهای ارزیابی و صحه‌گذاری مدلها بررسی می‌شوند.

بخش ششم: ارائه نتایج

در بخش ششم به روشهای بصری سازی و ارائه نتایج پرداخته می‌شود.

مطالعات موردی : دیتاستهای مجاز