تاریخچه هوش تجاری

هوش تجاری هوشمندی کسب و کار (BI یا Business Intelligence ) نخستین بار به صورت رسمی در سال ۱۹۸۹ توسط هوارد درسنر از گروه گارتنر معرفی شد و هم اکنون از آن نه تنها به عنوان یکی از مهمترین زیرمجوعه های سیستم های اطلاعاتی در فناوری اطلاعات، بلکه به عنوان یک فلسفه مدیریتی یاد میشود. این ابزار با پاکسازی و پالایش داده‌های موجود و ایجاد دیدگاهی که به اخذ تصمیمات مدیریتی، مهم و کاربردی منجر میشود به کمک سازمان ها می­آید. در ایران نیز از حدود ۲۰ سال گذشته بدلیل افزایش حجم دیتا یا تعدد منابع داده، برای کنترل عملیات سازمان­‌ها مورد استقبال و استفاده قرار گرفته است.

چرا باید از هوش تجاری استفاده کرد؟

مدیران فناوری اطلاعات اهداف متعددی را از پیاده‌سازی هوش تجاری در سازمان خود دنبال می‌کنند. از جمله این موارد می‌توان به ایجاد سریع و آسان گزارش‌های کاربردی، ارائه اطلاعات در قالب داشبوردهای مدیریتی، کمک به تصمیم‌گیری سریع تر و دقیق تر مدیران ارشد و میانی، پیش‌بینی و برآورد وضعیت آینده بازار، افزایش رضایت مشتریان و کارکنان، افزایش بهره‌وری و سودآوری سازمان و … اشاره نمود.

گزارشات هوش تجاری جنبه تحلیلی دارند. این بدان معناست که هدف نشان‌دادن وضع فعلی سازمان نیست بلکه با استفاده از این ابزار یا فلسفه مشخص میشود روند چه بوده به چه سمتی و به کجا میرویم.

برای دستیابی به تعریف درستی از هوش تجاری سه مفهوم نیاز به توضیح دارد:

• technology-driven process 

هوش تجاری یک فرآیند فناوری محور است به این معنی که این فرایند بدون فناوری کامپیوتری قابل انجام نیست یعنی با اکسل و چرتکه و کاغذ و ماشین حساب و … نمی توانید BI داشته باشید. چون حجم پردازش سنگین است بنابراین باید از تکنولوژی های it استفاده کنیم.

• analyzing historical

سوابق و تغییرات داده‌ها در فرایند هوش تجاری برای ما مهم است.

• performance data

ما در  این فرایند به داده‌هایی نیاز داریم که عملکرد سازمان را نشان می دهد. به دنبال تراکنش ها هستیم تا بتوانیم تحلیل کنیم. بنابراین در فرایند هوش تجاری نه تنها به دنبال اطلاعات پایه مشتری، گروه مشتری، کالا، گروه کالا (بعدا می بینیم که به اینها dimension می گوییم)  بلکه به تراکنش های سازمان نیز نیاز داریم چون می خواهیم تراکنش ها را تحلیل کنیم.

 

هدف در هوش تجاری تبدیل داده، به اطلاعات تحلیلی است. این اطلاعات باید actionable باشند یعنی بتوان بر اساس آن تصمیم گرفت و اقدام کرد. اطلاعاتی که به ما بگوید که کاری که می خواهیم انجام بدهیم درست است یا غلط. آیا این فرایندی که در سازمان ما انجام می شود اثر آن مثبت است یا منفی. مثلا تبلیغاتی که انجام می دهیم تغییری در درخواست و تقاضای مشتری داشته است یا خیر.  مشتریان BI معمولا مدیران شرکت های بزرگ، مدیران اجرایی و سازمان های تجاری و … می باشند. مدیرانی که بیش از هرچیزی نیاز دارند تا حسی تصمیم نگیرند. ما می خواهیم آنها بر اساس دانش و آگاهی تصمیم بگیرند یعنی براساس اطلاعاتی که به آنان ارائه می شود اگاهانه تصمیم بگیرند.

مدل پیاده سازی هوش تجاری:

هوش تجاری از نظر ساختار اجرا و معماری فرآیند، مطابق تصویر زیر شامل ۵ لایه‌‌ی اصلی است که در ادامه به ترتیب توضیح مختصری در مورد هر یک ارائه می‌شود:

منابع اطلاعاتی (Data Sources)

در اولین مرحله از پیاده‌سازی هوش تجاری در یک سازمان، داده‌های مهم و کاربردی را در قالب فرمت‌های به‌خصوص شناسایی و سازماندهی می‌کنیم، این داده‌ها می‌توانند از انواع منابع اطلاعاتی نظیر پایگاه‌های داده، اکسل، فایل و… حاصل از تراکنش‌های روزمره سازمان در حوزه‌های مدیریت پروژه، منابع انسانی، تدارکات، مشتریان و … و همچنین ممکن است بخشی از اطلاعات سازمان ما بیرون سازمانی باشد مثل اطلاعات بورس، اطلاعات نرخ ارز، وضعیت سهم بازار و …  شناسایی و تجمیع گردند.

استخراج، تبدیل و بارگذاری (ETL)

   در این مرحله، داده‌های کاربردی از منابع اطلاعاتی که در مرحله‌ی قبل شناسایی شدند استخراج (Extract) شده، سپس با حذف داده‌های نامعتبر به داده‌های قابل استفاده برای سیستم تبدیل (Transform) شده و پس از آن در انبارهای داده گردآوری و بارگذاری (Load) می‌شوند.

برای انجام این عملیات از ابزارهایی  نظیر SSIS برای افراد با دانش اندک در برنامه نویسی، و ابزار های متنوع دیگر که نیاز به برنامه نویسی به زبان های مختلف دارد،  استفاده می شود.

انبارهای داده: (Data Warehouse)

Data Warehouse چیست؟ یک بانک Relational است (مثلا یک بانک SQL Server, Oracle) با این فرق که ما در DW اطلاعات را تجمیع می کنیم و فرمت های آن را به گونه ای عوض می کنیم.
در این مرحله داده‌های مورد نیاز جهت ایجاد گزارشات جمع آوری می‌شود و مجموعه‌ای یکپارچه از اطلاعات کاربردی ایجاد می‌گردد. این مرحله به همراه مرحله قبل که به تجربه، پرهزینه‌ترین و زمانبرترین مرحله در یک پروژه پیاده‌سازی هوش تجاری است باید به نحوی طراحی گردد انواع مختلف اطلاعات تجمیع شوند.

مدل‌سازی داده: (Data Modeling)

در این مرحله، حقایق مربوط به کسب‌وکار شامل فروش، پروژه، فروشنده، مشتری و روابط میان آن‌ها مشخص می‌شود، پس از انجام این فرایند به مقادیر و اطلاعات محاسباتی دست می‌یابیم که می‌توان از آن‌ها به عنوان شاخص‌های اندازی‌گیری اطلاعات استفاده کرد.

شرکت مایکروسافت برای این مرحله سه راه حل در پیش روی شما قرار میدهد :

1. مدل سنتی Multi-Dimensional
2. مدل Tabular
3. استفاده از ابزاری SharePoint

این ابزارها کاملا منفک از یکدیگر هستند و بصورت جداگانه میتوان از آنها استفاده کرد.

ارائه اطلاعات (Presentation)

   در آخرین مرحله از فرآیند هوش تجاری، اطلاعات به‌دست آمده را در قالب داشبوردهای مدیریتی و به شکل نمودارهای گرافیکی، گزارشات تصویری، متنی، جدولی و… به کاربر نهایی (معمولا مدیران کسب‌و‌کار) نمایش می‌دهیم،‌ این گزارش‌ها می‌توانند حاوی اطلاعاتی شامل نقاط ضعف و قوت سازمان، عوامل موفقیت یا شکست پروژه‌ها، تاثیر عوامل مختلف بر تولید و فروش شرکت و… باشند که در نهایت می‌توانند منجر به اتخاذ تصمیمات استراتژیک از سوی مدیران سازمان شوند.

ما همیشه سعی کنیم تصویری از کل بیزینس به مدیر کسب و کار بدهیم و او در صورتی که به جزییات علاقه داشت روی قسمتی که می خواهد کلیک می کند و جزییات را می بیند.

در طراحی داشبوردها به دنبال نمایش   KPI و Trend هستیم

KPI: Key Performance Indicator

رمز موفقیت BI در داشتن KPI های با معنا و به درد بخور است. یک KPI باید Smart باشد:

مخاطرات در هوش تجاری:

یک پروژه هوش تجاری، با تمام مشکلات، سختی ها و زمان بر بودن هایش، در صورتی میتواند موفق باشد، که در عین سادگی، مفاهیم اساسی سازمان را پوشش دهد. اینکه از چه ابزاری برای رسیدن به این مهم استفاده میکنید به طور عمومی مهم نیست، این دستاورد شما در یک ارائه خوب و داشبورد معنادار ارزشمند خواهد شد.

اگر بخواهیم این دست مخاطرات را به صورت تیتر وار اشاره کنیم میتوان لیستی به شکل زیر تهیه کرد:

1. پیچیدگی داشبوردها
2. عدم استفاده از KPI در داشبورد
3. تغییر مداوم ابزار
4. عدم شناخت بر KPI های سازمان و شناخت نیازمندی ها
5. عدم کشف Trend ها کسب و کار
6. نگاه گذشته محور و گزارشی
7. نگاه رمال گونه و معجزه گر
8. Mapping در فرآیند ETL
9. پاکسازی و مدیریت ناصحیح دیتاهای تهی
10. نرمالسازی دیتا
11. عدم همراهی سازمان و انتظارات جزئی
12. از بین رفتن مرز میان OLTP و OLAP

در پایان باید در نظر داشت که تعاریف متعددی از هوش تجاری، مزایا و مخاطرات آن ارائه میشود که هیچ یک را نمیتوان قطعی دانست. همچنین بنظر میرسد این راه به منزل آخر نرسیده است و از آن نباید انتظار معجزه داشت. این ابزار به سازمان ها سه دسته اطلاعات خواهد داد که ۱. وضعیت گذشته را میابند ۲. کمک به درک شرایط حال و ۳. ابزار کمکی برای دستیابی به احتمال قوی تر در خصوص آینده است. اما از آن انتظار پیشگویی نباید داشت.

از مقالات ما در بخش بلاگ وبسایت دیدن فرمایید.