هوش تجاری چیست و چرا در زندگی امروز ما نقش مهمی دارد؟
هوش تجاری یکی از پر کاربردین مفاهیم حال حاضر دنیای کسب‌وکار است. هوش تجاری فرآیند فناوری‌محوری برای تجزیه و تحلیل داده‌ها است. فرآیندی که با ارائه اطلاعات علمی به مدیران ارشد سازمان‌ها در تصمیم‌گیری‌های راهبردی کمک می‌کند. در همین ارتباط ابزارهای BI مختلفی برای تجزیه و تحلیل داده‌ها به اشکال مختلفی ارائه شده‌اند که از آن جمله می‌توان به ابزارهای مربوط به تولید گزارش‌ها، داشبودرها، نمودارها، نقشه‌ها و گراف‌هایی اشاره کرد که قادر هستند داده‌های خام را در قالب‌های بصری و قابل استفاده نشان دهند.

هوش تجاری چیست؟

هوش تجاری یا هوشمندی کسب و کار به مدیران سازمان‌ها کمک می‌کند تا عواملی که باعث موفقیت یا شکست آن‌ها در پروژهایشان می‌شود را شناسایی کنند. به بیان دقیق‌تر، با ارائه مجموعه فاکتورهایی که سودآوری را بیشتر می‌کند و فاکتورهایی که باعث کاهش سودآوری می‌شود به خط‌دهی درست استراتژی‌های کسب‌وکار کمک می‌کنند. بر همین اساس، هوشمندی کسب و کار (Business Intelligence) را می‌توان مجموعه‌ای از فرضیات، روش‌ها، فرآیندها، معماری‌ها و فناوری‌هایی دانست که برای تبدیل داده‌ها به اطلاعات معنادار استفاده می‌شوند. کسب‌وکارها مقادیر زیادی از اطلاعات را برای شناسایی و توسعه فرصت‌های جدید به کار می‌گیرند. بهره بردن از فرصت‌های جدید و اعمال یک استراتژی اثربخش می‌تواند مزیت بازار رقابتی و پایداری بلندمدت به ارمغان بیاورد.

کارکردهای رایج فن آوریرهای هوش تجاری شامل گزارش‌دهی(Reporting)، پردازش تحلیلی آنلاین(online analytical processing)، تجزیه و تحلیل (analytics)، داده‌کاوی (data mining)، فرآیند کاوی (process mining)، پردازش رویدادهای پیچیده (complex event processing)، مدیریت عملکرد تجاری (business performance management)، محک زدن (benchmarking) ، پردازش متن (text mining)، تجزیه و تحلیل پیش‌بینی‌کننده (predictive analytics) و تجزیه و تحلیل چندجانبه (prescriptive analytics) هستند. این فناوری‌ها می‌توانند مقادیر زیادی از داده‌های ساخت‌یافته و بدون ساختار را برای کمک به شناسایی، توسعه یا ایجاد فرصت‌های راهبردی جدید تجاری، مدیریت کنند. در واقع هدف فناوری‌های هوشمند این است که پردازش و تفسیر آسان از داده‌های بزرگ را امکان‌پذیر کنند. شناسایی فرصت‌های جدید و اجرای یک استراتژی مؤثر بر مبنای یک بینش تجاری قوی، می‌تواند یک مزیت رقابتی در بازار را به صورت بلندمدت در اختیار کسب و کارها قرار دهد. اطلاعات کسب‌وکار می‌تواند برای اهداف خاصی استفاده شوند که از آن جمله به موارد زیر می‌توان اشاره کرد:

اندازه‌گیری برنامه‌ای که سلسله مراتبی از شاخص‌های عملکرد و محک زنی (مدل مرجع شاخص‌ها) ایجاد می‌کند که راهبران کسب‌وکار در جریان اطلاعات پیشرفت به سوی اهداف کسب‌وکار قرار می‌دهد (مدیریت فرایند کسب‌وکار).

گزارش‌دهی/گزارش‌دهی سازمانی- برنامه‌هایی که زیرساخت‌های لازم برای گزارش‌دهی استراتژیک را در خدمت به مدیریت استراتژیک کسب‌وکار انجام می‌دهند که با گزارش‌دهی عملیاتی متفاوت است. این نوع گزارش‌ها شامل مصورسازی داده، سامانه اطلاعات مدیریتی و پردازش تحلیلی برخط (Online analytical processing) می‌شوند.

تعامل/ سکوی تعامل- برنامه‌هایی که از طریق به اشتراک‌گذاری داده و تبادل اطلاعات الکترونیکی، مناطق مختلف (داخل یا بیرون از کسب‌وکار) را برای انجام کار کنار یکدیگر می‌آورد.

مدیریت دانش- برنامه‌هایی که از طریق استراتژی‌ها و اقداماتشان برای شناخت، خلق، بازنمایی، توزیع و قادر ساختن سازمان به درک بینشها و تجربه‌هایی که دانش واقعی کسب‌وکار هستند سازمان‌ها را تبدیل به شرکت‌هایی داده پیشران می‌سازند. مدیریت دانش به مدیریت یادگیرند و انطباق تنظیمی منجر می‌شود.

پاول گری و سالومان نگاش بر این باور هستند که هوش تجاری (BI) می‌تواند به عنوان سیستمی تعریف شود که سه پارامتر جمع‌آوری اطلاعات، ذخیره اطلاعات و مدیریت دانش را با یکدیگر تلفیق کند. با تجزیه و تحلیل موارد فوق برای ارزیابی اطلاعات پیچیده شرکتی و رقابتی و سپس ارائه به برنامه ریزان و تصمیم گیرندگان شرکت، با هدف بهبود زمان و کیفیت فرآیند تصمیم گیری.

با این‌حال پژوهش‌های انجام شده توسط موسسه تحقیقاتی Forrester نشان می‌دهد که هوش تجاری مجموعه‌ای از متدولوژی‌ها، فرایندها، معماریرها و فناوری‌هایی است که داده‌های خام را به اطلاعات معنی‌دار تبدیل می‌کند که مورد استفاده قرار می‌گیرند تا بینش‌ها و تصمیم‌گیری‌های استراتژیک، تاکتیکی و عملیاتی کارآمدتر اتخاذ شوند. بر همین اساس مشاهده می‌کنیم که هوش تجاری مدیریت و معماری اطلاعات را شامل می‌شود که مرتبط با مفاهیم نظیر ادغام داده‌ها، کیفیت داده‌ها، انبار کردن داده‌ها‌، مدیریت داده ها و مواردی از این دست می‌شوند. بر مبنای این نظریه Forrester به آماده‌سازی داده‌ها و استفاده از داده‌ها به عنوان دو بخش جداگانه و مرتبط با یکدیگر هوش تجاری می‌گوید.

هوش تجاری می‌تواند توسط شرکت‌ها برای پشتیبانی از طیف گسترده‌ای از تصمیم‌های تجاری از عملیاتی تا استراتژیک استفاده شود. تصمیم‌های عملیاتی اساسی شامل بازاریابی محصول یا قیمت‌گذاری هستند. تصمیم‌های استراتژیک تجاری شامل اولویت‌ها، اهداف و دستورالعملرها در بالاترین سطح تصمیم‌گیری است. در همه موارد، هوش تجاری هنگامی بیشترین تاثیر خود را نشان می‌دهد كه داده‌های حاصل از بازار را كه یك شركت در آن فعالیت می‌كند (داده‌های خارجی) با داده‌های منابع داخلی شركت مانند داده‌های مالی و عملیاتی (داده‌های داخلی) تركیب كنند. هنگامی که داده‌ها با هم ترکیب شوند، داده‌های خارجی و داخلی می‌توانند تصویر کاملی از وضعیت تجارت مذکور ارائه دهند که در واقع یک هوش مصنوعی ایجاد می‌کند که از مجموعه داده‌های داخل شرکت و خارج شرکت به صورت جداگانه حاصل نمی‌شود و نیاز به ترکیب این دو است. در واقع ابزارهای هوش تجاری به سازمان‌ها این امکان را می‌دهد تا بینش خود را نسبت به بازارهای جدید، ارزیابی تقاضا و مناسب بودن محصولات و خدمات برای بخش‌های مختلف بازار و سنجش تأثیر تلاش‌های بازاریابی تقویت کنند.

برنامه های BI از دادهرهای جمع آوری شده از انبار داده (Data Warehouse) یا یک ساختار داده (Data Mart) استفاده می‌کنند. مفاهیم Business Intelligence) و (Data Warehouse) به اختصار با نماد "BIDW" نشان داده می‌شوند.

انبار داده چیست؟

انبار داده که به آن پایگاه داده تحلیلی (Data warehouse) نیز می‌گویند یک بانک اطلاعاتی بزرگ است که از طریق آن کلیه داده‌های حال و گذشته یک سازمان جهت انجام عملیات گزارش‌گیری و آنالیز در دسترس مدیران قرار می‌گیرد. پایگاه داده تحلیلی نقش مهمی در تصمیم‌گیری مدیران سازمان‌ها برای تعیین یک استراتژی موفق دارد. پایگاه داده نقش محوری در سامانه های هوش تجاری در سازمان ها ایفا می کنند. بعضی از داده‌ها به منظور پردازش به یک فضای عملیاتی کوچکتر operational data store برای پردازش بیشتر وارد می‌شوند. در حال حاضر دو رویکرد کلی در روند پردازش داده ها در پایگاه های داده تحلیلی وجود دارد.

ETL مخفف Extract-Transformation-Load که رویکرد سه لایه دارد که به ترتیب Integration ,Staging و Presentation نام دارد. در این رویکرد، داده ها قبل از فراخوانی به پایگاه داده تحلیلی، ساختار مناسب پیدا می کنند و سپس ذخیره می شوند.

ELT مخفف Extract-Load-Transformation که بدون توجه به روال سه لایه ETL، داده ها را مستقیما به پایگاه داده های تحلیلی فراخوانی می کند و تغییر ساختار داده ها با توجه به نیاز انجام و در جداول جدید ذخیره می شود.

Data mart

داده‌گاه زیر مجموعه ای از داده‌های انبار است که در آخرین لایه یعنی ارائه "Presentation " قرار دارد. یک داده‌گاه مجموعه خاصی از اطلاعات را در خود نگه می‌دارد که برای گروهی از کاربران انبار داده مورد نیاز است. برای مثال اطلاعات فروش می‌تواند یک داده‌گاه را تشکیل دهد. انبار داده می‌تواند چندین داده‌گاه را در خود جای دهد. رایجترین روش طراحی داده‌گاه به صورت ستاره‌ای، Star Schema است. چندین داده‌گاه می‌توانند به صورت مستقل در لایه دسترسی، presentation قرار داشته باشند. بدین ترتیب تغییر در یک داده‌گاه اثری بر روی داده‌گاه‌های دیگر نخواهد داشت. در بعضی از طراحی‌های انبار داده همه داده‌گاه‌ها از یک مجموعه داده مشترک به نام "Conformed dimensions" استفاده می‌کنند.

کاربرد هوش تجاری در دنیای واقعی

فرض کنید مالک یک فروشگاه آنلاین هستید و محصولات زیادی برای فروش دارید. بدون تردید ذهن هیچ مدیری توانایی نگهداری تمام اعداد و ارقام مربوط به خرید و فروش را ندارد. در فرآیند پیاده‌سازی هوش تجاری طبق یک عملیات بر اساس علم داده‌ها (Data Science) همۀ داده‌های سازمان در یک بانک اطلاعاتی (Data Base) جمع می‌شوند. این بانک اطلاعاتی حاوی تمام اطلاعات شرکت و تک تک فروش‌ها و خریدهای انجام شده توسط سازمان است. این بانک اطلاعاتی ،در واقع همان انبارۀ داده (Data Warehouse) هست که به آن اشاره کردیم. این نقطۀ شروع و صفر مرزی پروژه‌های هوش تجاری است. اطلاعاتی که در انبار داده جمع‌آوری می‌شوند، چند ویژگی مهم به شرح زیر دارند:

مکان:فرض کنید هر کالا توسط یک نفر خریداری می‌شود که این شخص در یک استان، شهر و منطقۀ به‌خصوصی زندگی می‌کند. پس یکی از ابعاد مهم داده‌های شما متغیر مکان است.

زمان: علاوه بر تمام اینها هر فروش یک پارامتر زمان دارد، شما حساب کنید روزی حداقل 10 هزار تا از این فروش و فروش‌های دیگر به انباره داده اضافه می‌شوند.

حالا تصور کنید قرار است یک جلسه استراتژی‌های کلان (یا حتی غیر کلان و در مقیاس کوچک‌تر) برگزار شود و مدیران و تصمیم‌گیرندگان نهایی بخواهند یک تصمیم اساسی بگیرند؛ مثلا اینکه آیا استراتژی درستی است که برای صرفه جویی در هزینه‌ها اجناسی که از تامین کننده‌ها خریداری می‌شوند در انبارهای در دست احداث نگه داری شوند یا نه. دقیقا از همین قسمت هوش تجاری وارد عمل می‌شود؛ مثلا در این مثالی که زدیم، مدیر یا گروه مدیریت به راحتی از روی اطلاعات خلاصه سازی شده (Summarized Data) می‌تواند بفهمد که چه کالاها یا گروه کالاهایی توسط کدام افرادی در چه شهرها و مناطقی بیشتر فروش می‌رود و یا در چه زمانی (فصل ، سال، روز) کدام کالا یا گروه کالایی بیشتر فروخته می‌شود.حالا بر این اساس آیا آن استراتژی که مثال زدیم واقعا به صرفه‌جویی در هزینه‌ها کمک می‌کند یا بدتر باعث ایجاد هزینۀ اضافه می‌شود؟ مثلا اگر متوجه بشویم که کالای X در منطقۀ Y تهران فروش بالایی دارد، آیا تصمیم اینکه انبار کالای X را در منطقۀ Y  احداث کند، باعث کاهش هزینه‌های نگهداری و رساندن محصول می‌شود یا نه؟ اگر مدیر ما به Data warehouse دسترسی نداشت و خلاصه مجموع تعداد فروش، جمع عدد ریالی فروش به ازای هر کالا در زمان و مکان به‌خصوص را نداشت، باید تمام داده‌های چند سال را باید بررسی می‌کرد و تمام این محاسبات را به صورت دستی انجام می‌داد، سپس تمام این داده‌ها را  مقایسه می‌کرد. به فرض که عمر نوح داشت و فرصت می‌کرد اینکار را انجام دهد، قطعا تمام محاسبات او ضریب خطای بالایی داشتند. در واقع عملا این کار غیرممکن است و بدون انجام این فرآیند نیز اتخاذ تصمیم آگاهانه نخواهد بود.

داده‌ها

عملیات‌های تجاری می‌توانند حجم بسیار زیادی از اطلاعات را در قالب نامه های الکترونیکی، یادداشت‌ها، تماس‌های تلفنی، اخبار، گروه‌های کاربری در فضای مجازی، گفتگوها در جلسات، گزارش‌ها، صفحات وب ، ارائه ها، فایل های تصویری و ویدیویی و داده‌های بازاریابی ایجاد کند. به گفته مریل لینچ (Merrill Lynch)، بیش از 85٪ از کل اطلاعات کسب و کار (Business Information) در این فرم‌ها و دسته‌بندی وجود دارند. البته تمام این اسناد پرکاربرد نیستند و ممکن است یک شرکت فقط یک بار از سندی استفاده کند. به دلیل طریقه تولید و ذخیره، این اطلاعات یا بدون ساختار (unstructured) و یا نیمه ساختار یافته (semi- structured) هستند. مدیریت داده‌های نیمه ساختار یافته و بدون ساختار یک مشکل حل نشده در صنعت فناوری اطلاعات است. طبق پیش‌بینی‌های گارتنر (Gartner) در سال 2003، تعداد قابل توجهی از کارمندان اداری شرکت‌های تجاری 30 تا 40 درصد از وقت خود را صرف جستجو، یافتن و ارزیابی داده‌های بدون ساختار می‌کنند. هوش تجاری (BI) هم از داده‌های ساختار یافته و هم از داده‌های بدون ساختار یا نیمه ساختار یافته استفاده می‌کند. در شرکت‌هایی که از فن‌آوری هوش تجاری استفاده نمی‌کنند جستجوی داده‌های ساختار یافته آسان است ولی داده‌های نیمه ساختار یافته یا بدون ساختار حاوی مقدار زیادی از اطلاعات برای تجزیه و تحلیل و تصمیم‌گیری است. بنابراین به دلیل دشواری در جستجوی مناسب، یافتن اطلاعات و ارزیابی داده‌های بدون ساختار یا نیمه ساختار یافته، ممکن است سازمان‌هایی که از هوش تجاری بهره نم‌یبرند این حجم گسترده اطلاعات که ممکن است فقط بر یک تصمیم، کار یا پروژه خاص تأثیر بگذارد، مورد توجه قرار ندهند. این موضوع در انتها می‌تواند منجر به تصمیم‌گیری ضعیف و غیر آگاهانه در مسائل شود. بنابراین هنگام طراحی سیستم BI و DW باید راه‌حل های مناسب برای تحلیل اطلاعات بدون ساختار یا نیمه ساختار یافته لحاظ شود تا تحلیل و نتیجه گیری از تمامی داده ها صورت گیرد و مشکل فوق حل شود.

پردازش تحلیلی برخط

سازمان‌های بزرگ برای پیاده‌سازی دقیق هوش تجاری از مفهومی به‌نام پردازش تحلیل برخط استفاده می‌کنند. پردازش تحلیلی برخط شناخت روش‌های گردآوری، دسته‌بندی و ارائه کلان داده‌ها به صورت سریع و کاربرپسند است تا تصمیم‌گیری‌های (معمولاً) مدیریتی براساس این حجم عظیم اطلاعات برای کاربران آسان‌تر شود. شرکت‌های نرم‌افزاری و فناوری اطلاعات امروزه مشغول ایجاد نرم‌افزارهایی هستند تا کارمندان شرکت‌های بزرگ را در بررسی مقادیر عظیم اطلاعات این شرکت‌ها که معمولاً جنبه‌‌ها (بعدها)ی گوناگونی را نیز شامل می‌شوند (مثلاً اطلاعات اقتصادی شرکت، فعالیت‌های شرکت‌های رقیب و ...) یاری کنند. این حمایت‌ها معمولاً مواردی چون ایجاد صفحه‌های گسترده در محیط‌های گرافیکی چندبعدی، تهیه انواع گراف‌ها، نمودارها و ... را شامل می‌شود. این‌گونه نرم‌افزارها امکان دسترسی سریع، کاربرپسند و انعطاف‌پذیر به اطلاعات را فراهم می‌کنند. معماری پردازش تحلیل به دو گروه پردازش تحلیلی آن‌لاین چندبعدی (پردازش تحلیلی آن‌لاین چندبعدی، از یک پایگاه داده چندبعدی برای تحلیل‌ها استفاده می‌کند. در این روش اطلاعات به صورت سه‌بعدی دسته‌بندی می‌شوند. شکل چندبعدی در مورد اطلاعات با حجم کم‌تر (حداکثر ۵ گیگابایت) مناسب‌تر است و معمولاً برای تحلیل‌ها به فضای کم‌تری نیاز دارد.) و پردازش تحلیلی آن‌لاین رابطه‌ای (پردازش تحلیلی آن‌لاین رابطه‌ای، مستقیما با تحلیل پایگاه‌های داده رابطه‌ای سروکار دارد. شکل چندبعدی تحلیل برخط، تنها وقتی تعداد بعدها (جنبه‌های تحلیل) کمتر از ده باشد خوب عمل می‌کند، درحالی‌که در شکل رابطه‌ای امکان تحلیل هنگامی‌ که تعداد بعدها بسیار زیاد باشد نیز وجود دارد.) تبدیل می‌شود.

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

1607870047_0.gif

نظر شما چیست؟