التفكير التبايني (Divergent) والتقاربي (Convergent) في تحليل البيانات
بينما يركز بعض محللي وعلماء البيانات على الجانب الفني او التقني وكيفية توظيف مهاراتهم لتطبيق أفضل الاساليب والنماذج واكثرها تقدماً، قد ينصرف تركيزهم عن بعض الزوايا او الجوانب المهمة التي قد تلعب دوراً محورياً في تحقيق المنفعة والقيمة لمجالات الاعمال من حالات استخدام التحليلات وذكاء الاعمال، عليه قد يكون من المناسب أن يتبع محلل البيانات طريقة تفكير ممنهجة تساعده على حصر وتحديد الأفكار ومن ثم ترتيبها وتركيبها بشكل مناسب لتحقيق قصة نجاح مكتملة. حيث أن امتلاك القدرات والممكنات قد لا يكون كافياً لتحقيق النجاح دون وجود توجيه او تخطيط مناسب فامتلاك سيارة رياضية فايقة السرعة قد لا يعني تحقيق السبق دوماً دون تحديد اسلوب قيادة يتناسب مع المرحلة وظروفها ومعطياتها وكذلك الالمام بالمتغيرات وفهما.
ما هو التفكير التبايني (Divergent Thinking)
التفكير التبايني هو عملية توليد أفكار إبداعية من خلال استكشاف العديد من الحلول الممكنة لسؤال او مشكلة معينة، يسمح التفكير التبايني بتدفق العديد من الافكار والمقترحات بطريقة عفوية غير منتظمة تساعد في استكشاف كل الخيارات الممكنة في مواجهة موقف ما.
ما هو التفكير التقاربي (Convergent Thinking)
التفكير التقاربي هو عملية معرفية تركز على إيجاد حل واحد يمثل الافضل بين عدة حلول وذلك لمعالجة سؤال او مشكلة معينة، يستخدم التفكير التقاربي جنبا إلى جنب مع التفكير التبايني حيث انه بعد اكتمال عملية توليد الأفكار والحلول الممكنة واستبعاد العلاقات غير المنطقية أو المقبولة يأتي التفكير التقاربي لترتيب وتركيب الافكار والحلول باستخدام الأساليب المناسبة مثل استراتيجيات اتخاذ القرارات لتحديد أفضل حل ممكن.
بعض حالات استخدام التفكير التبايني والتقاربي في تحليل البيانات
- تعريف المشكلة او الهدف من حالة استخدام التحليلات وذكاء الأعمال وتحديد الفروض والأسئلة محل البحث والاختبار والمناقشة.
- اختبار وتقييم جودة البيانات ومدى مناسبتها لتحيق الهدف وذلك من عدة جوانب مثل الاكتمال، الاتساق، التسلسل الزمني، الدقة وغيرها.
- فهم متطلبات اصحاب المصلحة ومختصي مجالات الاعمال وتحديد ما يتناسب مع اسلوب تفكيرهم واحتياجاتهم لتقديم مخرجات تساعدهم في القيام بأعمالهم على نحو أفضل.
- التحليل الاستكشافي للبيانات (EDA)، من خلال توليد عدد من الأفكار الإبداعية التي يمكن ان تساهم في استكشاف البيانات من زوايا مختلفة ووضعها في سياق متطلبات الاعمال.
- هندسة الخصائص (Feature Engineering) من خلال توليد افكار مبتكرة وابداعية حول إنشاء خصائص جديدة من البيانات تساهم في تحسين أداء نماذج تحليل البيانات وتعلم الآلة.
- توليد أفكار إبداعية ومبتكرة لتحليل البيانات وتصوير النتائج بطريقة سهلة الفهم والمشاركة مع اصحاب المصلحة.
- تدقيق اساليب التحليلات المستخدمة ومدى ملاءمتها لطبيعة البيانات وفحص نتائجها ومخرجاتها واختبار موثوقيتها.
- فرز النتائج وترتيبها للخروج برؤى واضحة يمكن الاعتماد عليهما في عملية اتخاذ القرارات وفق مستوى مقبول من المخاطر.