5 شرکت‌های تاثیرگذار بر هوش تجاری

وبلاگ‌ها و بینش‌های صنعتی

 

 

5 شرکت تاثیر گذار که از هوش تجاری استفاده میکنند.

برخی از موفق‌ترین شرکت‌ها در دنیا از هوش تجاری ( BI ) استفاده می‌کنند . این روش به آن‌ها کمک می‌کند تا کارآمدتر عمل کنند ، درآمد متوسط بالاتری را گزارش دهند، و تصمیم‌های استراتژیک آگاهانه را براساس تحلیل داده‌های دقیق اتخاذ کنند .

به طور خاص پنج شرکت وجود دارند که از BI در روش‌های ابتکاری استفاده کرده‌اند :

  1. Amazon
  2. Starbucks
  3. Netflix
  4. YES BANK
  5. American Express

با توجه به اینکه چه چیزی این شرکت‌ها را اینقدر موفق و تحلیل استراتژی‌های خاص BI می‌کنند ، می‌توانید موفقیت آن‌ها را تکرار کنید . در اینجا نحوه استفاده از اطلاعات کسب‌وکار برای بدست آوردن دست بالاتر در صنایع مربوطه خود وجود دارد .

 

شرکت هایی که از هوش کسب و کار استفاده میکنند:

  • آمازون از BI برای بهینه‌سازی زنجیره تامین استفاده می‌کند.

آمازون برای استفاده از برخی از پیشرفته‌ترین و فن‌آوری‌های نوین در دنیا شناخته شده‌است . این امر در مورد استفاده از فن‌آوری اطلاعات تجاری نیز صادق است . اطلاعات تجاری و تجزیه و تحلیل کسب‌وکار خود آمازون ( سرویس وب سایت آمازون ) تمامی داده‌های جمع‌آوری‌شده در زنجیره تامین را تجزیه و تحلیل می‌کند .

چیزی که آمازون را قابل‌توجه می‌سازد این است که باید بر مجموعه‌ای از چالش‌ها غلبه کند که تعداد بسیار کمی از شرکت‌ها با آن مواجه هستند. آمازون یک زنجیره تامین بسیار بزرگ دارد که شامل بیش از ۱ میلیارد محصول فروخته‌شده در بازارهای مختلف است . این شرکت همچنین خدمات اشتراک آنلاین , ارسال , ساخت و ذخیره‌سازی را در میان بسیاری از سیستم‌های دیگر انجام می‌دهد . قسمت‌های متحرک زیادی دارد .

برای حل این چالش پیچیده , آمازون متکی به جمع‌آوری و تجزیه و تحلیل داده‌ها و تصویرسازی برای ایجاد بینش‌هایی در هر جنبه از زنجیره تامین است .

این شرکت داده‌های جمعیتی را در مورد مشتریان علاقمند به محصولات خاص جمع‌آوری می‌کند . از آنجا ، آمازون از تجزیه و تحلیل داده‌ها برای تعیین محل نگهداری این محصولات استفاده می‌کند تا آن‌ها بتوانند به سرعت به مشتریان حمل شوند . این شرکت همچنین مسیرهای کشتیرانی سفارشی را براساس این تجزیه و تحلیل پیشگویانه و نقشه‌برداری از زمین ایجاد می‌کند .

چه چیزی میتوانید از امازون بیاموزید.

حتی اگر زنجیره تامین شما همانند سایت Amazon نیست ، شما می‌توانید از BI به همان روش برای تامین نیازهای مشتریان خود با آنچه به موقع نیاز دارند ، استفاده کنید . همچنین حمل و نقل و نگهداری نیز در هزینه‌های حمل و نقل نیز صرفه‌جویی می‌شود و از خرید و ذخیره موجودی بیشتر از آنچه که در واقع می‌توانید بفروشید ، جلوگیری می‌کند . با استخدام یک شرکت تجزیه و تحلیل داده و تجزیه و تحلیل داده برای انجام این محاسبات برای شما ، شما کل زنجیره تامین خود را از ابتدا تا پایان ساده و ساده خواهید کرد .

  • تحلیل و پیش‌بینی رفتار مشتری در starbucks

در حالی که آمازون از یک سیستم تجزیه و تحلیل داده‌های پیچیده برای رسیدگی به طیف وسیعی از نقاط درد استفاده می‌کند , شرکت‌های دیگری که از هوش تجاری استفاده می‌کنند بر خدمات خاص بیشتر تمرکز دارند . یک نمونه از این , استارباکس است .

زمانی که زنجیره قهوه مشهور برنامه پاداش خود را راه‌اندازی کرد – کارت وفاداری که مشتریان را برای هر خرید ارائه می‌کند – آن‌ها از سیستم‌های مدیریت ارتباط متقابل bi و مشتری برای انجام این برنامه به هر مشتری استفاده می‌کنند .
زمانی که مشتریان از کارت برای خریدها استفاده می‌کردند, استارباکس یک لگاریتم از این تراکنش ‌ها داشت . با استفاده از تجزیه و تحلیل داده‌های پیشگویانه , شرکت قادر به ارائه پاداش‌های اضافی و توصیه به مشتریان براساس سوابق خرید آن‌ها بود .

یک مشتری که معمولا  هر روز صبح یک قهوه سیاه بلند می‌خرد , به احتمال زیاد از یک فروشگاه آزاد در فروشگاه , به جای فصلی آزاد , قدردانی می‌کند . نه تنها این پاداش , احتمال بازدید مجدد مشتری را در آینده نزدیک افزایش می‌دهد , اما این شرکت همچنین می‌تواند از این اطلاعات برای معرفی مشتریان به آیتم‌های منوی جدید براساس سلیقه خود استفاده کند .

چه چیزی میتوانید از استارباکس بیاموزید.

تاریخچه خرید قدرتمند هستند ، اما تنها در صورتی که دارای ابزارهای مناسب BI و CRM برای تجزیه و تحلیل این داده‌ها باشید . این به خصوص اگر یک شرکت کوچک یا متوسط هستید ، مشکل است ، چون ممکن است منابع و یا کارکنان لازم برای انجام این آنالیز را نداشته باشید . پرسنلی که در تصویرسازی و تجزیه و تحلیل داده‌ها تخصص دارند می‌توانند به شما کمک کنند که یک پورتال مشابه همان چیزی که استارباکس برای پی‌گیری رفتار مشتری استفاده می‌کند ، ایجاد کنید .

 

 

  •  Netflix از هوش تجاری برای بهبود پیشنهادها استفاده می‌کند.

شرکت‌هایی که از هوش تجاری استفاده می‌کنند اغلب روش‌های جدیدی برای بهبود خدمات خود در واکنش به داده‌هایی که جمع‌آوری می‌کنند را شناسایی می‌کنند . یک مثال خوب از یک شرکت که از این روش برای بهبود چشمگیر خدمات خود استفاده کرده‌است ،نت فلیکس است .
شرکت پخش ویدیویی حجم عظیمی از داده‌ها را بر روی رفتار مشتریان خود جمع‌آوری می‌کند ، از جمله این که آن‌ها به دنبال چیزی برای تماشا هستند ، که عناوین آن‌ها را در نوار جستجو تایپ می‌کنند و اینکه آیا آن‌ها از خدمات تجربی که شرکت برای اولین بار معرفی می‌کند استفاده می‌کنند یا خیر .

برای مثال ، در سال ۲۰۱۸ ، نت فلیکس شروع به قرار دادن تبلیغات برای عناوین دیگر در انتهای عناوین ، که فقط تماشا می‌کردند ، آغاز کرد . شرکت به دقت توضیح داد که چگونه بسیاری از کاربران به طور فعال در این تبلیغات کلیک کرده یا این previews را تماشا کردند تا مشخص کنند که آیا این یک ویژگی است که آن‌ها نگهداری خواهند کرد . پایه نت فلیکس حدود ۸۰ درصد از محتوای خود را در مورد رفتار مشتری و داده‌های جمع‌آوری‌شده از الگوریتم پیشنهادی خود ارائه می‌کند .

چه چیزی میتوانید از Netflix بیاموزید.

موفق‌ترین شرکت‌هایی که از هوش تجاری استفاده می‌کنند ، آن‌هایی هستند که می‌توانند معیارهایی را شناسایی کنند که بیش‌ترین اهمیت را دارند و آن‌ها را به دقت اندازه‌گیری می‌کنند . برای نت فلیکس ، الگوهای رفتاری مثل کلیک ، سوابق ساعت ، پرس و جوهای جستجو و زمان سپری‌شده در هر عنوان ، برخی از مهم‌ترین داده‌ها هستند . کسب‌وکار شما ممکن است نیاز باشد انواع مختلفی از داده‌ها را جمع‌آوری کند تا موفق باشد . یک تجزیه و تحلیل کسب‌وکار با تجربه و شرکت اطلاعاتی کسب‌وکار به شما کمک خواهند کرد تا تشخیص دهید مهم‌ترین نقاط داده چیست و به شما کمک می‌کند راهی برای ردیابی آن‌ها پیدا کنید .

 

 

  • YES BANK ارتباطات داخلی را بهبود می‌بخشد.

اغلب شرکت‌هایی که از هوش تجاری استفاده می‌کنند به منظور درک بهتر نیازهای مشتریان خود این کار را انجام می‌دهند . با این حال ، شما می‌توانید از BI برای بهبود عملیات داخلی شرکت خود استفاده کنید . شرکتی که استفاده زیادی از این روش ساخته‌است ، بانک بله ، چهارمین بانک بزرگ بخش خصوصی هند است .
قبل از استفاده از BI ، کارمندان بانک قادر نبودند به طور موثر با یکدیگر ارتباط برقرار کنند ، که به کار آن‌ها آسیب می‌رساند . هر روز ، متخصصان سیستم‌های اطلاعاتی مدیریت باید داده‌ها را از ده‌ها صفحه گسترده به دست ، گزارش دهند ، گزارش‌ها را ایجاد کنند ، و این گزارش‌ها را به تصمیم گیرندگان این شرکت ارسال کنند . این منجر به تاخیر در پردازش شد و خطر نشت داده‌ها در هر نقطه از فرآیند انتقال داده را افزایش داد .

با اجرای یک سیستم BI جدید ، بانک قادر بود تمامی داده‌های خود را در یک انبار ذخیره کند و به طور خودکار گزارش‌ها را از داشبورد کاربر تولید کند . تنها کاربران مجاز به چند قطعه از داده‌ها دسترسی داشتند . ابزار BI هم این کار را آسان‌تر کرد تا ببیند کدام اقدامات باید برای حل مشکلات به کار گرفته شوند .

چه چیزی میتوانید ازYES BANK بیاموزید.

با استفاده از سیستم bi جدید , بانک اطلاعات آن‌ها را بیشتر عملی کرد , آسیب‌پذیری کمتری برای نشت و کارآمدتر کردن آن‌ها داشت . حتی اگر احساس می‌کنید که مشتری خود را خوب درک می‌کنید , می‌توانید از bi برای بهبود ارتباطات داخلی خود استفاده کنید و اطمینان حاصل کنید که زمان کارمندان تان ارزشمند است.

 

 

  • American Express کلاهبرداری را با نرم‌افزار BI ردیابی میکند.

ابزارهای BI زمانی بسیار موثر هستند که برای شناسایی از دست دادن و تشخیص تقلب استفاده می‌شوند . به طور خاص امریکن اکسپرس تاثیری که BI می‌تواند در این دو حوزه داشته باشد را نشان داده‌است . پس از پیاده‌سازی یک سیستم BI جدید ، آن‌ها نه تنها قادر به محافظت بهتر از منابع مالی خودشان ، بلکه برای مشتریان خود بودند .
با استفاده از الگوریتم ‌های پیشرفته و تحلیل داده‌های پیشگویانه ، اکسپرس آمریکایی قادر به شناسایی استفاده‌های تقلبی از کارت‌های مشتریان خود در زمان واقعی بوده و به طور خودکار از هزینه‌های آینده بر روی کارت جلوگیری می‌کند تا اینکه مشتری مطلع شود . این کار به محافظت از مشتریان خود کمک می‌کند و همچنین ریسک مالی شرکت را کاهش می‌دهد .

از American Express چه چیزی میتوانید بیاموزید.

ابزارهای BI را می‌توان برای ردیابی بیشتر از صرفا ً رفتار مشتری یا گردش کار داخلی به کار برد . با مهار قدرت تجزیه و تحلیل پیشگویانه ، شما می‌توانید به سرعت به تقلب پاسخ دهید و در برخی موارد حتی ممکن است قبل از این که اتفاق بیفتد ، از آن پیش‌گیری کنید . این به خصوص برای صنایع بانکی و بیمه مهم است .

 

 

چه چیزی می‌توانیم از شرکت‌های موفق یاد بگیریم که از هوش کسب‌وکار استفاده می‌کنند ؟

شرکت‌هایی که از هوش تجاری استفاده می‌کنند دلایل مختلفی دارند . برخی از داده‌ها برای ردیابی رفتار مشتری و کشف راه‌های جدید برای شاد کردن آن‌ها استفاده می‌کنند . برخی دیگر از bi برای بهبود ارتباطات داخلی و تسهیل زنجیره تامین استفاده می‌کنند . بانکداری مدرن و شرکت‌های بیمه حتی از bi برای جلوگیری از تقلب و تقویت امنیت استفاده می‌کنند .
آنچه که همه این شرکت‌های موفق به اشتراک می‌گذارند , استفاده آن‌ها از ابزارها و منابع پیشرفته bi است . در بسیاری از موارد , این شرکت‌ها به شرکت‌های فن‌آوری اطلاعات روی‌آورده اند که نحوه استفاده از bi را درک می‌کنند . زمانی که از کارشناسان مطمئن برای هدایت درخواست می‌کنید , باید موقعیت بهتری برای رسیدن به اهداف خود داشته باشید .

تاریخچه علم هوش تجاری یا BI چیست و چگونه بوجود آمد؟

تاریخچه هوش تجاری

تاريخچه يهوش تجاری

برخلاف دوران پيش از ديجيتال، دسترسي به اطلاعات ديگر براي ما مشکل نيست و در واقع امروزه ما دائما در حال بمباران اطلاعاتي هستيم.

حال سوالي که پيش مي‌آيد اين است که چگونه از اين داده ها به نحو احسن استفاده کنيم.

اينجاست که پاي “هوش تجاری” به ميان مي‌آيد.

اکثر ما گمان مي‌کنيم که تاريخچه هوش تجاري حداکثر به 10 تا 20 سال گذشته برمي‌گردد و تا حدي نيز درست است؛ حداقل درباره هوش تجاري سلف سرويس و کاربرپسند که امروزه مي‌شناسيم.

به دليل گسترش تکنولوژي و محبوبيت رايانه هاي شخصي، شاهد افزايش استفاده از هوش تجاري در قرن 21 بوديم.

با اين حال ريشه هاي پيدايش هوش تجاري به قرن 19 برمي‌گردد.در اين مقاله نگاهي به تاريخچه هوش تجاري از دوران پيش از ديجيتال تا به امروز مي‌اندازيم.

 

درباره ی هوش تجاری و دست اندرکاران آن

 

اولين بار ريچارد ديون در سال 1865 از عبارت “هوش تجاري” استفاده کرد.

او براي توصيف چگونگي موفقيت يک سرمايه دار از طريق درک بازار و شرايط پيرامون آن در شکست رقبا از اين اصطلاح استفاده کرد.

البته مفهوم هوش تجاري در قرن 19 با آنچه که ما امروزه مي‌دانيم متفاوت بود.

در دهه 50 ميلادي بود که هوش تجاري به طور رسمي به عنوان يک فرآيند مستقل علمي شناخته شد و توسط کارآفرينان به کار برده مي‌شد تا استراتژي هاي تجاري را به آنها اطلاع دهد.

سال 1958 نقطه عطفي براي هوش تجاري است.

در اين سال هانس پيتر لوهن  – محقق علوم کامپيوتر IBM – مقاله اي با عنوان “سيستم هوش تجاري” منتشر کرد.

لوهن در آن مقاله هوش تجاري را اينگونه تعريف ميکند:

” روشي که بتوان سريعا و به آساني حجم عظيم اطلاعات را درک کرد و بهترين تصميم ممکن را گرفت.”

اين تعريف منطبق با چيزي است که امروزه آن را به عنوان هوش تجاري مي‌شناسيم. از اين جهت لوهن را پدر هوش تجاري لقب دادند.

اختراع هارد ديسک در سال 1956 توسط IBM انقلابي در عرصه ذخيره سازي داده به وجود آورد.

شرکت ها رايانه ها را جايگزین ذخيره سازي داده روي کاغذ کردند و اين کار موجب تاسيس اولين پايگاه هاي داده شد.

در اين دوران برخي از دانشمندان به سراغ ابزارهايي رفتند که دسترسي و سازماندهي داده ها را ممکن مي‌کرد اما مشکل اصلي اين ابزار ها سخت بودن استفاده و دست و پا گير بودن آنها بود.

تاریخچه هوش تجاری و استفاده از گزارش نوار سبز

در اواخر دهه 70 يکي از اولين شکل هاي کاربردي هوش تجاري مورد استفاده قرار گرفت:

“گزارش نوار سبز”. اين گزارش ها براي مواردي مثل موجودي سهام، فهرست کردن دارايي و بدهي هاي يک شرکت و … استفاده ميشد. نام نوار سبز از رنگ سبز ستون هاي اين گزارش ها گرفته شده است.

 

هوش تجاری در دهه های اخیر:

هوش تجاري در اواخر 1990 و اوايل 2000 بسيار مشهور شده بود.

بسياري از شرکت هاي بزرگ از اين ابزار براي توليد داده و گزارش، سازماندهي و مصور سازي داده ها استفاده ميکردند.

ولي استفاده از اين ابزار يک مشکل بزرگ داشت؛ ابزارهاي هوش تجاري توسط متخصصان توسعه يافته و داراي پيچيدگي بودند و فقط کارشناسان فني و متخصصان مي‌توانستند از اين نرم افزارهاي پيشرفته براي تحليل داده استفاده کنند.

در آغاز قرن بيست و يکم مساله پيچيدگي هوش تجاری حل شد. اين فناوري حالا مناسب براي کاربران غير متخصص نيز هست.

رشد اينترنت باعث پشتيباني و توسعه اين پيشرفت ها شده است. هوش تجاري در اين دوران ديگر يک ابزار اضافي نبود، بلکه تبديل به مهم ترين نياز کسب و کارهاي رقابتي شده است.

 

رشد اینترنت در تاریخچه هوش تجاری

 

امروزه هوش تجاري به بالاترين حد خود در دهه هاي گذشته رسيده است.

شرکت هاي زيادي در حال ارائه اين ابزار هستند و با استفاده از بستر اينترنت و فناوري ابري بسيار سريع تر و ارزان تر از گذشته خدمت ارائه مي‌دهند و دسترسي به اطلاعات نيز راحت تر شده و هر کاربر به راحتي مي‌تواند با استفاده از تلفن همراه خود به داده ها و تحليل هاي کسب و کار دست پيدا کند.

هوش تجاری یا BI چیست؟

یک توضیح مقدماتی از آنچه که درباره ی هوش تجاری باید بدانید!!

در اینجا میخواهیم به توضیح مختصری از هوش تجاری بپردازیم که به زبان ساده و با ذکر مثالهایی این مقوله را توضیح میدهد:

 

 

ممکن است عبارت business intelligence (هوش تجاری) یا BI به گوشتان خورده باشد.

اما معنی دقیق آن چیست؟

برای BI  تعریف های مختلفی وجود دارد اما به زبان ساده: BI ارائه ی اطلاعات مرتبط و معتبر به افراد مناسب، در زمان مناسب، برای گرفتن تصمیمات بهتر، با سرعت بیشتر است.

از این جهت BI به روش ها و برنامه های نیاز دارد که داده ها را جمع آوری و سازماندهی کنند، آنها را تبدیل به اطلاعات برای بهبود تصمیمات تجاری ارائه کند.
  .عظیمی از داده های تجارت ها را بررسی می کند و آنها را به شکلی ارائه می دهد که معنا دار و قابل اجرا باشد BI
با این که این تعاریف و مفاهیم ساده ای هستنداما BI در واقع یک رشته گسترده و پیچیده است که شامل مدیریت عملکرد، تجزیه و تحلیل و مدلسازی برای پیش بینی داده و متن کاوی و  موضوعات دیگر بسیاری می‌شود.

یک مثال جالب برای بهتر فهمیدن هوش تجاری:

عملکرد هوش تجاری را مانند یک مغازه خواربار فروشی که تصورکنید، زمانی که شما وارد یک مغازه خواربار فروشی می شوید و به دنبال چند کالای خاص هستید به طور مثال: تخم مرغ، شیر و موز.
شما از کارمند مغازه برای پیدا کردن آنها کمک نمی خواهید،چرا که این مغازه ها کالاها را در راهروها و با علامت های مختلف مرتب می کنند تا کالاها ساده تر پیدا شود.
حالا تصور کنید که کالاهای مغازه داده‌های کسب و کار شما هستند و شما میخواهید اطلاعاتی راجع به تولید، ساعت کاری و اهداف را جمع آوری کنید.
به احتمال زیاد شمانزذ سه متخصص متفاوت می روید و از آنها برای پیدا کردن اطلاعات کمک می خواهید ،سپس پیش فرد دیگری برای گردآوری این اطلاعات می روید، اطلاعات نامرتب شما را گرفته و تبدیل به یک مغازه خواربار فروشی مرتب می کند که به شما این امکان را می دهد که داده های خود را به راحتی و بدون کمک شخص دیگری، بررسی کنید.
شرکت ها دیگر نیازی به گشتن در جداول پر از اطلاعات وابسته به هم ندارند ، دیگر نیازی به تجزیه و تحلیل دستی داده ها و جمع کردن گزارشات نیست، کارمندان می‌توانند ازBI برای دریافت اطلاعات استفاده کنند.
عموماً برای گرفتن تصمیمات استراتژیک استفاده می شود. دسترسی به اطلاعات طبقه بندی شده در هر زمان، این امکان را به شما می دهد
  • فرآیندهای ناکارآمد کاری و الگوهای پنهان را پیدا کنید
  • بخش های قوی و ضعیف را تشخیص دهید
  • فرصت ها و موقعیت های جدید کشف کنید

که منجر به شناخت بهتر روی عملکرد و چالش‌های سازمان می‌شود.

حالا مثالی دیگر در نظر بگیرید:

فرض کنید شما مدیر یک فروشگاه زنجیره ای هستید که هر مغازه به هم فروشگاه آنلاین دارد. شما به مشتریان خود کارت وفاداری می دهید که می تواند در مغازه استفاده کند و اطلاعات کارت را در حساب کاربری خود ثبت کنند.
با این کار تمامی خرید های فیزیکی و آنلاین مشتری توسط کد یکتا کار جمع‌آوری می‌شود و وارد پایگاه داده های سازمان شما می شود.
با استفاده از روش ها و نرم افزارهای هوش تجاری شما قدرت آن را دارید که  بر روی حجم زیادی از اطلاعات مشتری هایتان  تجزیه و تحلیل انجام دهید که به شما این امکان را می‌دهد که بفهمید هر مشتری نسبت به برند شما چقدر وفادار بوده است.
چه محصولاتی و چه مواردی از آنها خریداری می‌کنند و اینکه ترجیح می‌دهند از مغازه خرید کند یا فروشگاه آنلاین.

اطلاعات چه کمکی به شما می کند؟

این امکان را به شما می دهند تا
  • نیازها و اولویت ها و عادت های یک مشتری یا بخش را شناسایی و پیش بینی کنید و فرصت های فروش جدید پیدا کنید.
  • خدمات بهتری ارائه دهید و حتی کمپین‌های مارکتینگ هدفداری فراهم کنید، مانند تحویل دادن کوپن.
  •  فهمیدن کالاهای مورد علاقه مشتری ها با توجه به تراکنش های گذشته آنها بعد از هر خرید
به طور خلاصه شما به شناخت زیادی نسبت به مشتریان خود را بر پایه تراکنش ها و رفتار گذشته شان دست می یابید و میتوانید از این  اطلاعات استفاده کرده و فروش خود را بالاتر ببرید و یا در برند خود با فراهم کردن خدمات بهتر یا منحصر به فرد تغییر ایجاد کنید .
در نتیجه اصطلاح هوش تجاری به گروهی از تکنیک ها و ابزارهای اختصاص داده می‌شود که اطلاعات شما را جمع آوری و سازماندهی می کند و آن را به شکل قابل استفاده و معنادار ارائه می دهد
اگر میخواهید به اطلاعات دقیق و واضح و قابل اجرا دسترسی داشته باشید تصویر تجاری برای سازمان شما مناسب خواهد بود.

هوش تجاری به چه معناست؟

 

 

معرفي ابزارهای هوش تجاری برتر سال 2019

معرفي ابزارهای هوش تجاری برتر برای تجزیه و تحلیل داده ها در سال 2019

امروزه با افزايش حجم داده ها در کسب و کار ها اهميت تحليل و استفاده عملي از آن ها نيز افزايش يافته است. ابزارهای هوش تجاری به سازمان ها در بهبود تصميم گيري هايشان  کمک ميکند. اين ابزار ها وسيله اي مناسب براي تجزيه و تحليل داده هاست.

در اين مقاله به معرفي و بررسي 5 ابزار محبوب هوش تجاري در سال 2019 مي پردازيم.

 

  1. Microsoft power BI

Microsoft power BI مجموعه ابزار تحليل تجاري تحت وب است که در مصور سازي داده ها عملکرد خوبي دارد. با استفاده از اين نرم افزار کاربران مي توانند داده هاي خود را فراخواني کرده . و همچنین در قالب نمودار هاي متنوعي مشاهده کنند.

به دليل تحت وب بودن اين نرم افزار، امکان اتصال به تقريبا همه منابع اطلاعاتي چون SQL Data warehouse و Salesforce فراهم است. از ديگر ويژگي هاي اين برنامه امکان انتشار گزارش و به اشتراک گذاري آن است.

 

Microsoft power BI،هوش تجاری،ابزار

 

 

  1. Yellowfin BI

Yellowfin BI يکي ديگر از ابزارهای هوش تجاری است که ترکيبي از يادگيري ماشين و مصورسازي داده هاست. اين سيستم با توجه به نوع کسب و کار شما در زمينه هايی مثل:

حسابداري، تبليغات، بانکداري، بيمه و …

قابل تنظيم است.

از ويژگي هاي کليدي اين نرم افزار مي توان به

  1. داشبورد
  2. آناليزهاي پيشبيني
  3. تجزيه و تحليل آنلاين
  4. گزارش نويسي

اشاره کرد. ديگر مزيت اين برنامه در دسترس بودن آن از طريق وب،‌ دستکتاپ و موبايل و … است.

تفاوت اصلي اين برنامه نسبت به ساير برنامه هاي مشابه به گفته توليد کنندگان آن اين است. که ” هر برنامه هوش تجاري به شما مي گويد که چه اتفاقي در کسب و کار شما رخ داده است اما Yellowfin به شما مي گويد که چرا اين اتفاق رخ داده است.”

 

Yellowfin BI. ابزار های هوش تجاری

 

 

  1. Sisense

اگر خيلي طرفدار تکنولوژي نيستيد. و کار کردن با ابزار هاي قبلي برايتان مشکل است، پس احتمالا sisense برنامه مناسب شماست. اين برنامه کاربر پسند به هر کس اين امکان را مي دهد که بتواند با ديتاهاي پيچيده به راحتي کار کند.

از مزيت هاي اين برنامه مي توان به سرعت بالا ي آن براي کار با داده هاي بزرگ اشاره کرد. که اين نرم افزار را براي شرکت هاي بزرگ مناسب مي سازد.

 

 

 

  1. SAS Visual Analytics

درحاليکه بيشتر ما SAS را به عنوان يک برنامه آناليز و پيشبيني مي شناسيم. اين شرکت نسل آخر نرم افزار هوش تجاري خود را نيز ارائه داده است.

SAS Visual Analytics به طور خاص بر روي ارتباط ميان داده ها تمرکز کرده است. در اين برنامه مي توانيد به بررسي تاثيرات هر يک از المان ها بر روي متغير خاص بپردازيد.

از ويژگي هاي جذاب اين نرم افزار، بررسي sentiment analysis (تحليل احساسات)‌ در داده هاي شبکه اجتماعي است. از ديگر قابليت هاي مهم اين نرم افزار نيز مي توان به آناليز و تحليل خودکار داده ها اشاره کرد که در نمونه هاي مشابه وجود ندارد.

 

SAS Visual Analytics، ابزار های هوش تجاری

 

 

  1. Looker

Looker يکي ديگر از ابزارهای هوش تجاری است که براي همه نوع کسب و کار اعم از:

  • استارتاپ ها
  • مشاغل متوسط
  • مشاغل درجه يک مناسب

است. از قابليت هاي جذاب اين نرم افزار مي توان به امکان اتصال به تمامي پايگاه داده هاي SQL اشاره کرد.

برخي از ويژگي هاي اين برنامه عبارت اند از:

  • سهولت استفاده
  • مصور سازي داده ها
  • اشتراک گذاري داده ها
  • گزارش ها از طريق ايميل و پشتيباني.

همچنين اين شرکت با شرکت هاي تحليل داده و کارشناسان اين حوزه به صورت موازي براي کمک به کاربران همکاري ميکند و با توجه به داده هاي شما نظر تخصصي درباره کسب و کار شما مي دهد.

 

Looker، ابزار های هوش تجاری

هوش تجاری در سازمان ها…

ابزارهایی که برای راه‌حل‌های هوش سازمانی به روش سنتی در جهان وجود دارد، بر اساس تکنولوژی به نام OLAP یا همان On-Line Analytical Processing ساخته شده است.

درباره یOLAP

اما OLAP رویکردی ضعیف به تحلیل‌های چند بعدی است.

به گزارش عصر بانک دات آی آر ، بطور کل OLAP از مکعب‌هایی در مجموعه‌ای با ابعاد کوچک که در داخل آن داده‌هایی انتخاب شده‌اند استفاده می‌کند، ارتباطات بین ابعاد از قبل تعریف شده و همه ابعاد ممکن (یا جواب‌ها) از قبل محاسبه و پیش‌بینی شده است. هنگامی که یک مکعب ایجاد می‌شود، یک واسط کاربر نهایی (User Interface) برای یک فرد واقعی پیاده‌سازی شده که تعامل با جواب‌های داخل مکعب داشته باشد.

در حال حاضر انواع مختلف OLAP در بازار وجود دارد، مثل: Multi dimensional OLAP یا همان (MOLAP) و Relational OLAP یا همان (ROLAP) و غیره. اما همه آنها همان نقاط ضعف را در پیچیدگی و عدم انعطاف‌پذیری دارند.

پیچیدگی، زمان توسعه و استقرار را افزایش می‌دهد و محدودیت‌هایی برای تطبیق با نیازهای کاربر ایجاد می‌کند. و افزایش هزینه تغییرات در نیازمندی‌ها را در پی‌دارد. عدم انعطاف‌پذیری قابلیت پاسخگویی به نیاز کاربر را در زمانی که کاربر به جواب نیاز دارد را کاهش می‌دهد. بنابراین از دیگر معایب محصولات مبتنی بر OLAP، زمان و هزینه بر بودن آن را در بر دارد و استقرار آن در هیچ سازمان کوچک و بزرگی توصیه نمی‌شود، آنها برای استفاده بسیار پیچیده‌اند و نهایتا این رویکرد از نظر دانش‌اندوختگان مردود است.

و برای دیدن کاربرد های آن:

فرض کنید در یک مکعب برای تحلیل فروش در یک سازمان مقدار فروش را بر اساس مناطق فروش، فروشنده (بازاریاب)، مشتری و ماه باشد. زمانی که این مکعب فرضی ساخته می‌شود، نرم‌افزار مبتنی بر OLAP کلیه ترکیبات عناصر داده‌ها را محاسبه و ذخیره می‌کند، کاربر نهایی به این داده‌ها از طریق یک سری فرم‌ها مثلا Pivot Table ها تا انواع دیگر فرم‌ها دسترسی خواهد داشت. در این مثال فرضی کاربر نهایی محدود به تحلیل در محدوده ابعاد از قبل تعریف شده مثل مناطق، نمایندگی‌ها، مشتری‌ها و ماه می‌باشد.

اگر کاربر بخواهد درباره فروش هفتگی، روزهای هفته یا محصولات فروخته شده (و یا صدها ترکیب دیگر از داده‌ها) اطلاعاتی کسب کند دیگر شانسی برای بدست آوردن آن ندارد، باید صبر کندکه مکعب دیگری از اطلاعات مورد نیاز او ایجاد شود که این یعنی محدودسازی و کاهش بهره‌وری و اثربخشی برای تصمیم‌گیران آن سازمان. OLAP برخی از قابلیت‌های تحلیل را فراهم می‌کند، اما یک رویکرد قدیمی است.

استقرار هوش تجاری در سازمانهاهوش کسب و کار

استیو ویلیامز و نانسی ویلیامز در کتاب تاثیر سود (زیان) هوش کسب و کار به بحث ارزیابی آمادگی سازمان ها برای استقرار هوش تجاری پرداخته اند. در این کتاب ابتدا به اهمیت پرداختن به مساله سنجش و ارزیابی آمادگی سازمان پیش از اجرای پروژه هوش تجاری پرداخته شده و این گام را به عنوان پیشانی حرکت پروژه های هوش تجاری در سازمان ها قلمداد کرده است.

در سنجش ارزیابی سازمان برای استقرار هوش تجاری شرکت هوش تجاری کیسان با توجه به دو مدل:
مدل استیو ویلیامز و نانسی ویلیامز مدل وین اکرسون

۱- مدل استیو ویلیامز و نانسی ویلیامز

نویسندگان معتقدند بیشترین فایده استفاده از نتایج ارزیابی آمادگی سازمان قبل از اجرای پروژه هوش تجاری در این نکته است:

مشخص شدن شکاف موجود میان وضعیت موجود و مطلوب در هر یک از فاکتورها. نقاطی که سازمان آمادگی ادامه مسیر برای هوشمندی کسب و کارش را ندارد و میتواند با صرف زمان و تخصیص منابع لازم شرایط را مهیا کند.
ارزیابی آمادگی سازمان برای استقرار هوش تجاری به سازمان ها میگوید که چه کارهایی برای از بین بردن شکاف ها و پیاده سازی موفقیت آمیز هوش تجاری مورد نیاز است.

بر مبنای تجربیات اجرایی و مشاوره ای که نویسندگان این کتاب در بیش از ۱۰۰۰ شرکت خصوصی و دولتی داشته اند، ۷ فاکتور در ۷  حوزه را برای سنجش و ارزیابی میزان امادگی سازمان ها بدست آورده اند.

این هفت فاکتور عبارتند از:

  1. همسویی استراتژیک میان حوزه کسب و کار و حوزه فناوری اطلاعات سازمان

  2. فرهنگ فرآیند بهبود مستمر در سازمان

  3. فرهنگ سازمانی حاکم در محدوده استفاده از اطلاعات و نرم افزارهای تحلیلی

  4. مدیریت پرتفولیوی(سبد پروژه) هوش تجاری در سازمان

  5. فرهنگ مهندسی فرآیند تصمیم گیری در سازمان

  6. آمادگی تکنیکی برای استقرار هوش تجاری و انبار داده ی سازمانی

  7. همکاری موثر بین بخش اصلی کسب و کار و بخش فناوری اطلاعات در سازمان

۲- مدل وین اکرسون

وین اکرسون مدیر بخش پژوهش و تحقیقات موسسه بین المللی انباره داده و هوش تجاری آمریکا  در سال ۲۰۱۱ در کتاب “داشبورد عملکرد، اندازه گیری، نظارت و مدیریت کسب و کار شما” (اکرسون, ۲۰۱۱) با اشاره به اهمیت ارزیابی آمادگی سازمان ها برای استقرار هوش تجاری ۱۰ حوزه اصلی را برای سنجش میزان آمادگی سازمان ها بیان کرده است که عبارتند از:

  1. وجود استراتژی روشن و شفاف

  2. حمایت قوی و متعهدانه

  3. نیاز فوری و روشن به هوش تجاری

  4. پشتیبانی مدیران میانی

  5. مقیاس و محدود مناسب

  6. تیم اجرایی قوی و منابع در دسترس

  7. فرهنگ سنجش و اندازه گیری

  8. همسویی میان کسب و کار و فناوری اطلاعات

  9. داده های قابل اعتماد و در دسترس

  10. زیرساخت های فنی محکم

هوش تجاری در سازمان هاو شرکت ها

آنچه برای کار با هوش تجاری باید بدانید…

 

 

هوش تجاری در قالب هر تعریفی به دنبال افزایش سودآوری سازمان با استفاده از اتخاذ تصمیمات هوشمند و دقیق است. برای رسیدن به تصمیمات هوشمند در سازمان اهداف زیر مدنظر است:

 

1ـ جمع آوری داده‌های سازمان بر اساس سیستم‌های عملیاتی

کاربران در هر سازمانی سیستم‌های نرم‌افزاری دارند که همیشه در حال وارد کردن داده‌ها به آن سیستم‌ها هستند حال شما در هوش تجاری اطلاعات و داده‌های این سیستم‌های جزیره‌ای را جمع آوری خواهید کرد تا بتوانید در پروژه هوش تجاری از آن استفاده کنید.

2- یکپارچه سازی داده‌های سازمان

بعد از اینکه اطلاعات را جمع آوری کردید حال بایستی این اطلاعات را یکپارچه‌سازی کنید.

3- ذخیره‌سازی اطلاعات جمع آوری شده

اطلاعات یکپارچه شده را بایستی در یک انباره داده ذخیره کنید. ساخت و طراحی انباره داده (DW) را در ادامه بصورت کامل توضیح خواهیم داد.

4- تجزیه و تحلیل اطلاعات

در مرحله آخر شما می‌توانید در ابعاد مختلف، اطلاعات خود را بر اساس تمام سیستم‌های اطلاعاتی تجزیه و تحلیل کنید.

 

مزایای هوش تجاری چیست؟

طیف وسیعی از برنامه‌های BI به بسیاری از شرکت‌ها کمک کرده‌اند تا ارقام قابل ملاحظه‌ای از نرخ بازگشت سرمایه را محاسبه کنند. تا کنون از هوش کسب و کار برای پیدا کردن راه‌‌حل‌هایی جهت کاهش هزینه‌ها، آشکار کردن فرصت‌های شغلی جدید، تبدیل اطلاعات حاصل از فروش مستقیم به گزارش‌های قابل دسترسی، پاسخ سریع به تقاضاهای خریدِ جزئی و بهینه‌سازی قیمت‌ها استفاده شده است.
نرم‌افزارهای BI علاوه بر قابل دسترس ساختن داده‌ها، با کمّی‌سازی ارزش رابطه با تأمین‌کنندگان مواد اولیه و مشتریان، به شرکت‌ها کمک می‌کنند تا در طول مذاکرات‌شان موفق‌تر باشند.

در زمینه‌ی سرمایه‌گذاری راه‌های زیادی برای صرفه‌جویی در هزینه‌ها با بهینه‌سازی روند کسب و کار و تصمیمات متمرکز وجود دارد. BI با آشکار کردن اشتباهات کوچک کسب و کار که معمولا نادیده گرفته می‌شوند، بر افزایش نرخ بازگشت سرمایه تأثیر بسیاری می‌گذارد. مثلا کارمندان شهر آلبوکِرک (شهری در ایالت نیو مکزیکو) با استفاده از نرم‌افزار BI سعی کردند راه‌هایی برای کم کردن استفاده از تلفن همراه، هم از لحاظ مدت زمان و هم از لحاظ سایر هزینه‌ها پیدا کنند. آنها توانستند در مدت سه سال، ۲ میلیون دلار در هزینه‌های شهر صرفه‌جویی کنند. مثال دیگر این است که شرکت تویوتا در سال ۲۰۰۰ با کمک سیستم BI متوجه شد که به شرکت‌های باربری دو برابر بیشتر پرداخت می‌کرده است. برای موفق شدن در رقابت، شرکت‌هایی که از BI برای آشکار کردن اشتباهات روند کسب و کار استفاده می‌کنند شانس بیشتری نسبت به شرکت‌هایی دارند که فقط از BI برای نظارت بر کارها استفاده می‌کنند

جدا از در دسترس قرار دادن داده‌ها، نرم‌افزارهای هوش تجاری با ساده‌تر کردن سنجش کمی‌ارزش ارتباط با فروشنده و مشتری، می‌تواند جایگاه شرکت در مذاکرات را نیز تقویت کند.
در حوزه تجاری فرصت‌های بسیاری برای صرفه‌جویی مالی از طریق بهینه‌سازی روندهای تجاری و تمرکز بر تصمیمات وجود دارد. با روشن کردن نقاط ضعف، هوش تجاری به دستاوردهای چشمگیری در ROI می‌رسد. مثلاً کارمندان شهر آلبوکورک از نرم‌افزار هوش تجاری برای شناسایی فرصت کاهش استفاده از تلفن و دیگر هزینه‌های عملیاتی استفاده کرده و توانستند در مدت سه سال دو میلیون دلار صرفه‌جویی کنند. به همین شکل و به کمک ابزارهای هوش تجاری، شرکت تویوتا متوجه شد هزینه پرداختی به شرکت‌های حمل و نقل تا مرز ۸۱۲ هزار دلار در سال ۲۰۰۰ اضافی بوده است. شرکت‌هایی که از هوش تجاری برای شناسایی نقاط ضعف تجاری خود استفاده می‌کنند در موقعیت بسیار بهتری در مقایسه با شرکت‌هایی قرار دارند که از هوش تجاری صرفاً برای نظارت بر اتفاقات استفاده می‌کنند.

 

 

معایب هوش کسب و کار

دانستنی های هوش تجاری

عواملی که برای شکست یک پروژه هوش تجاری میتوان در نظر گرفت عبارتند از:

1-فقدان همکاری و درگیری سازمانی

سیستم هوشمندسازمانی دائما در حال استنتاج و بروز رسانی هستند و نیاز به درگیری کارکردی دارند. سیستم هوش تجاری یک سیستم مستقل نیست بلکه استراتژی سازمان ها باید بگونه ای باشد که تعهد همکاری از همه واحد های کسب و کار در‌ آن منعکس شود.

2-فقدان پشتیبانی از سوی سازمان

پروزه هوش تجاری نیاز به پشتیبانی از بالا دارد. در غیر اینصورت مانند سایر پروژه های فناوری اطلاعات در سازمان به آن نگاه میشود و این مساله منجر به دور شدن هوش تجاری از اهداف کلان و تمرکز بر کسب کار خواهد شد.

3-فقدان بخش های اجرایی مختص کسب و کار

پروژه های هوش تجاری نباید توسط ستاد فناوری اطلاعات اجرا شوند زیرا فاقد تیزهوشی و رهبری لازم برای کسب و کار هستند. دلیل این امر این است که بخش های کسب و کار دارای یک بینش برای دستیابی به موفقیت هستند. بنابراین باید مدیران بخش ها و واحد های مختلف سازمان را برای مشارکت در پروژه هوش تجاری تحریک کرد.

4-فقدان کارشناس و آموزش

از آنجاییکه پروژه های هوش تجاری کاملا کارکردی هستند، مهارت های تجزیه و تحلیل بالایی در کارمندان را میطلبند و به دانش شاخصهای ارزیابی عملکرد مانند کارت امتیازی متوازن برای سنجش و محک موفقیت احتیاج دارند. از این رو نیاز به استخدام و آموزش کارشناسانی در همه بخش های مورد نیاز خواهد بود.

5-فقدان برنامه ریزی دقیق

پروژه های هوش تجاری به دلیل ماهیت تکراری بودن، نیاز به برنامه ریزی دارند. به منظور غلبه بر مشکلات آینده ، برآورده ساختن احتیاجات پروژه ای نظیر منابع داده، پایگاه داده ها، هزینه یابی، ارزیابی ریسک، برنامه ریزی تفصیلی پروژه، عوامل کلیدی موفقیت و محدودیت ها باید بصورت واضح طرح ریزی شوند.

6-فقدان توسعه تکراریداده های چند تکه و فاقد استاندارد

نیاز به طراحی انبار داده های سازمانی، عدم استفاده از ابزارهایی که منجر به پیامدهای تبادل اطلاعاتی و افزایش پیچیدگی ها میگردند.

7-عدم کیفیت داده های منبع و طراحی انبار داده ها

انبار داده باید خودش بتواند خودش را تعریف کند و توصیف کند و فعالیت ها را در جهت فعالیت های کسب و کار هدایت کند.همچنین کیفیت داده ها و محل نگهداری آنها و مرحله پاک سازی داده ها بسیار مهم است

نحوه ی استفاده از هوش تجاری

چطور از یک سیستم هوش تجاری استفاده کنیم؟

 

شرکت‌ها در زمان برنامه‌نویسی برای هوش تجاری ابتدا باید روش‌های تصمیم‌گیری خود را تحلیل کرده و اطلاعات مورد نیاز مدیران را برای اتخاد تصمیماتی مطمئن و در عین حال سریع در کنار روش ارائه این اطلاعات (مانند گزارش، جدول، اینترنتی، نسخه‌های چاپی) مد نظر داشته باشند. بحث درباره تصمیم‌سازی تعیین خواهد کرد که شرکت‌ها نیاز به جمع‌آوری، تحلیل و انتشار کدام اطلاعات در سیستم‌های هوش تجاری خود دارند.
سیستم‌های هوش تجاری مناسب باید فضا را مشخص کنند، کافی نیست که صرفاً بگوییم دیروز فروش این مقدار بوده است و امروز آن مقدار. باید توضیح داده شود که چه عوامل تجاری‌ای منجر به فروش این مقدار در یک روز و آن مقدار در همان تاریخ در سال گذشته شده است.
همانند بسیاری از پروژه‌های فناوری، اگر کاربران در برابر هوش تجاری احساس تهدید کرده یا نسبت به آن بدبین بوده و حاضر به استفاده از نتایج آن نباشند، هوش تجاری نیز منتج به نتیجه نخواهد بود. حتی در مورد چیزی مانند هوش تجاری که باید کاربرد راهبردی داشته باشد، روش کارکرد شرکت و تصمیم‌سازی آنها باید به صورت بنیادین تغییر کند و مدیران عامل توجه ویژه‌ای به احساسات کاربران داشته باشند.

 

 

۷قدم برای ایجاد سیستم‌های هوش تجاری عبارت‌اند از:
1-مطمئن شوید داده‌هایتان دقیق و صحیح است.
2- کاربران را کاملاً آموزش دهید.
3- داده‌ها را سریعاً اعمال و تنظیمات را به مرور ایجاد کنید. لازم نیست در ابتدا زمان زیادی صرف تهیه گزارشی کامل کنید، زیرا همزمان با توسعه تجارت نیازها نیز تعیین خواهند شد. گزارش‌هایی ارائه دهید که بهترین ارزش را منتقل می‌کنند و سپس آنها را بهینه‌سازی کنید.
4- از همان ابتدا رویکردی منسجم در ایجاد انباری داده‌ای داشته باشید. مطمئن شوید که بعدها دچار ناکارآمدی راهبرد داده‌ای نخواهید شد.
5- پیش از آغاز ROI خود را به روشنی تعریف کنید. دقیقاً مشخص کنید انتظار چه دستاوردی را دارید و سپس هر سه یا شش ماه آن را بررسی کنید.
6-روی اهداف تجاری تمرکز کنید.
7- صرفاً به خاطر اینکه فکر می‌کنید نیاز دارید اقدام به خرید نرم‌افزار هوش تجاری نکنید. هوش مصنوعی را با این ایده به کار گیرید که آماری وجود دارد که شما باید از آنها مطلع شوید و البته دقیقاً بدانید این آمار کجا هستند.

 

 

مشکلات احتمالی

مقاومت کاربران یکی از موانع مهم موفقیت هوش تجاری است. از جمله دیگر موارد می‌توان به ازدیاد داده‌های نامرتبط و کیفیت پایین آنها اشاره کرد.
کلید اصلی رسیدن به دانشی قابل توجه با استفاده از سیستم هوش تجاری، داده‌های استاندارد است. داده بنیادی‌ترین جزء هر فعالیت هوش تجاری است. در واقع بلوک سازنده همان دانش است. پیش از رسیدن و استفاده از چنین دانشی شرکت‌ها باید انبارهای داده‌ای خود را منظم و فعال کنند، در غیر این صورت فعالیت‌شان مبتنی بر اطلاعات ناقص خواهد بود.
یک مشکل احتمالی دیگر خود ابزار هوش تجاری است. هرچند این ابزارها قابل اندازه‌گیری‌تر و ساده‌تر از قبل هستند اما هسته هوش تجاری هنوز گزارش‌دهی است نه مدیریت روند، البته این وضعیت کم‌کم شروع به تغییر کرده‌ است. مراقب باشید که هوش تجاری را با تحلیل تجاری اشتباه نگیرید.(هرچند این ابزارها امروزه جای بیشتری برای پیشرفت دارند و کار با آنها برای کاربران آسان‌تر از قبل شده است.)
سومین مانع که بر سر راه استفاده از BI برای دگرگون کردن روند کسب و کار وجود دارد عدم شناخت بیشتر شرکت‌ها از روند کسب و کارشان است. (یا حداقل آن قدر نیست که بتواند به آنها در بهبود این روند کمک کند) شرکت‌ها باید در مورد روندی که انتخاب می‌کنند احتیاط زیادی به خرج دهند. اگر این روند تأثیر مستقیمی بر درآمد نداشته باشد یا کسب‌وکار در جهت استاندارد کردن این روند در شرکت نباشد، ممکن است کل کار BI مختل شود. شرکت‌ها باید همه‌ی فعالیت‌هایی که روند یک کسب و کار مشخص را شکل می‌دهند درک کنند، چگونگی انتقال داده در روندهای مختلف و چگونگی انتقال داده بین کاربران مختلف را درک کنند و بدانند که هر فرد چطور از آنها استفاده می‌کند تا نقش خود را در این روند ایفا کند. اگر آنها می‌خواهند از طریق BI نحوه‌ی کار افراد را بهبود ببخشند باید همه‌ی این موضوعات را قبل از شروع پروژه‌ی BI شناسایی و تحلیل کنند.

 

یک پروژه هوش تجاری (BI) موفق چگونه شکل می‌گیرد؟

برای اینکه بتوانیم یک پروژه موفق داشته باشیم نیاز به موارد مختلفی داریم ولیکن مهمترین مسئله در اجرای یک پروژه موفق هوش تجاری در حوزه فنی استفاده از ابزارهای درجه یک و مطرح است.
نکته قابل توجه این است که شما هر چقدر از ابزارها و تکنولوژی‌های مدرن استفاده کنید، موفقیت پروژه شما از لحاظ فنی بسیار بالا است.

چه کسی باید شروع کند؟

به اشتراک‌گذاری در پروژه‌های BI اهمیت بسیار زیادی دارد. چون هر کسی که در این عملیات نقشی داشته باشد باید برای گرفتن تصمیمات مهمی مثل تغییر رویه، به همه‌ی اطلاعات دسترسی کامل داشته باشد. پروژه‌های BI باید به وسیله‌ی مدیران اجرایی اصلی شروع شوند ولی گروه بعدی که آن را به کار می‌برند فروشندگان هستند. از آنجا که شغل این افراد بالا بردن فروش است و به خاطر این توانایی‌شان حقوق می‌گیرند، آنها از هر ابزاری که کمک‌شان کند این کار را بهتر انجام بدهند استقبال می‌کنند. البته مشروط بر این که استفاده از این ابزار راحت و اطلاعات آن قابل اعتماد باشد.

کارمندان با کمک سیستم BI تغییرات فردی و گروهی‌شان را اصلاح می‌کنند که در نهایت باعث بهبود عملکرد تیم فروش می‌شود. وقتی مدیران اجرایی پیشرفت بزرگی در یک تیم نسبت به دیگر تیم‌ها می‌بینند، سعی می‌کنند گروه‌هایی که عقب مانده‌اند را به گروه‌های پیشرو برسانند. وقتی فروشندگان را با خودتان همراه کردید، دیگر راحت می‌توانید بقیه‌ی سازمان را هم به استفاده از BI تشویق کنید. آنها نقش مبلّغ را دارند و درباره‌ی قدرت این ابزارها و این که چطور BI زندگی آنها را بهتر می‌کند احساسات خود را بیان می‌کنند.
 

چطور باید سیستم BI را راه‌اندازی کرد؟

شرکت‌هایی که برای BI برنامه‌ریزی می‌کنند باید اول روش‌های تصمیم‌گیری‌شان را تجزیه و تحلیل کنند و علاوه بر توجه به اطلاعاتی که مدیران اجرایی احتیاج دارند (تا بتوانند سریع‌تر و با اطمینان بیشتری تصمیم بگیرند)، باید به این نکته توجه کنند که این مسئولان ترجیح می‌دهند از چه روشی این اطلاعات در دسترس آنها قرار بگیرد. (مثلا به شکل یک گزارش یا یک جدول، به صورت آنلاین یا بر روی کاغذ) بحث‌هایی که موقع تصمیم‌گیری انجام می‌شود مشخص کننده‌ی این نکته است که شرکت‌ها باید چه

اطلاعاتی را جمع‌آوری، تجزیه و تحلیل و در برنامه‌ی BI خود منتشر کنند.

یک سیستم BI خوب، باید علت‌ها را بگوید. (مسائل پشت پرده را مشخص کند) صرف این که سیستم اطلاعاتی مانند میزان فروش امروز به این مقدار و سال آینده دقیقا در همین روز یک مقدار دیگر است را بدهد کافی نیست؛ بلکه باید علاوه بر آن، به ما بگوید که چه عواملی بر کسب و کار تأثیر گذاشتند که باعث تغییر این میزان فروش شدند.

مثل خیلی از پروژه‌های فناوری دیگر، اگر کاربران، فناوری را تهدیدی برای خود بدانند و در استفاده از آن تردید داشته باشند BI نتیجه‌ی دلخواه را نخواهد داد. وقتی صحبت از چیزی مثل BI است مدیر فناوری اطلاعات شرکت باید برای احساس کاربران اهمیت ویژه‌ای قائل شوند به این دلیل که اگر به روش درست مورد استفاده قرار گیرد روش‌های مورد استفاده‌ی شرکت‌ها و چگونگی تصمیم‌گیری افراد را از پایه تغییر می‌دهد.

 

 

چند نکته‌ی دیگر برای به‌کارگیریِ درست BI

چگونگی تصمیم‌گیری مدیران اجرایی را تجزیه و تحلیل کنید.بررسی کنید که مدیران اجرایی برای اتخاذ سریع تصمیمات درست به چه اطلاعاتی احتیاج دارند.به کیفیت داده‌ها توجه کنید.معیارهای اجرایی‌ای تعیین کنید که بیشتر به کسب‌ و کار مرتبط باشند.زمینه‌ای برای تأثیر این معیارهای اجرایی فراهم کنید.

به یاد داشته باشید که هوش کسب و کار فراتر از پشتیبانی برای تصمیم‌گیری است. با توجه به پیشرفت فناوری و چگونگی به کار بردن آن توسط مدیران سرمایه‌گذاری، BI قدرت تغییر سازمان‌ها را در خود دارد. مدیران سرمایه‌گذاری‌ای که از BI برای بهبود روند کسب‌ و کار به درستی بهره می‌گیرند از راه‌های بسیار گسترده‌تری به سازمان خود کمک می‌کنند تا مدیرانی که فقط ابزار‌های اولیه‌ی گزارش را به کار می‌برند.

برگرفته از: cio.com

 

۷ قدم برای راه‌اندازی یک سیستم BI

  • اطمینان از اینکه پاک‌سازی داده‌ها انجام شده است (حذف داده‌های پِرت، برطرف کردن ناسازگاری‌ها، حذف داده‌های تکراری و…)آموزش مؤثر کاربران همه چیز را سریع پیش ببرید و به تدریج تعادل ایجاد کنید.
  • برای تهیه‌ی یک گزارش بی‌نقص وقت‌تان را تلف نکنید. همان طور که کسب و کار به سمت تکامل پیش می‌رود، نیازها هم پیش می‌روند. گزارش‌هایی را که باارزش‌ترین اطلاعات را در اختیار می‌گذارند به سرعت انتخاب کنید و روی آنها کار کنید‌.
  • تمام تلاش‌تان را انجام دهید تا منبع داده‌های‌تان را از همان اول بسازید. خودتان را با یک استراتژی ناکارآمد برای به دست آوردن داده محدود نکنید.
  • قبل از شروع کار معنای نرخ بازگشت سرمایه‌گذاری (ROI) را برای خودتان مشخص کنید.
  • میزان سودی که انتظار دارید به دست بیاورید را تعیین کنید و هر فصل یا هر شش ماه یک بار بررسی کنید که تا چه حد این مقدار با واقعیت مطابقت دارد.
  • بر اهداف کسب‌ و کار تمرکز کنید.به این دلیل که فکر می‌کنید به نرم‌افزار هوش کسب‌وکار احتیاج دارید آن را نخرید.
  • هوش کسب‌‌وکار را با این ایده راه‌اندازی کنید که اعدادی وجود دارند که شما باید از آنها اطلاع داشته باشید ولی نمی‌دانید کجا باید دنبال آنها بگردید.

 

کلید به دست آوردن بینش دقیق از طریق سیستم BI، داده‌های استاندارد است. در هر بررسی BI، داده‌ها مهم‌ترین نقش را دارند.

داده‌ها مثل آجرهایی هستند که بینش تجاری را می‌سازند. شرکت‌ها قبل از اینکه شروع به تجزیه و تحلیل کنند و بر اساس بینشی که به دست می‌آورند تصمیم‌گیری کنند، باید منابع داده‌های‌شان را به ترتیبی درست سازماندهی کنند. در غیر این صورت عملکرد آنها برپایه‌ی اطلاعات نادرستی خواهد بود.

اجزای اصلی هوش تجاری

برای اینکه یک پروژه هوش تجاری موفقی داشته باشیم بایستی از اجزای اصلی هوش تجاری (BI) استفاده کنیم.

اجزای اصلی هوش تجاری ای هوش کسب و کار:

Data Sources  -1:

منابع اطلاعاتی مهمترین جزء از اجزاء یک سیستم BI می‌باشدکه بر پایه موضوع خاصی شکل میگیرد چناچه سازمان شما فاقد سیستم عملیاتی باشد نباید انتظار معجزه از یک سیستم BI داشته باشد.

ETL -2
با توجه به اینکه داده‌های موجود در سیستم‌های عملیاتی در بانک‌های اطلاعاتی مختلف قرار گرفته‌اند برای این داده‌ها را استخراج و تحلیل نمود باید با ابزارهای ETL به این منابع اطلاعاتی مراجعه کرده و داده‌های خام از سیستم‌های اطلاعاتی استخراج نمود.
به طور خیلی ساده هدف ETL استخراج داده‌ها از منابع اطلاعاتی و انجام تبدیلات لازم به منظور درج در Data Warehouse یا انباره داده می‌باشد.

– Data Warehouse -3یا انباره داده
انباره داده یک بانک اطلاعاتی است که جز مهمی از هوش تجاری ست، که هدف آن جمع‌آوری داده‌های موجود در سیستم‌های عملیاتی است. .انبار داده، انتشار فیزیکی داده را با کنترل  ثبت،  ایجاد ، پاک کردن و وظایف جستجو امکان پذیر مینماید. همچنین داده کاربری را که میتواند به عنوان مجموعه ایاز اطلاعات پیچیده با قابلیت به روز شدن که برای تصمیم گیری گسترده سرمایه گذاری در یک موضوع خاص استفاده میشوند را در بر میگیرد و در برگیرنده یاطلاعات جاری، نه فقط خلاصه ای از آنهاست.

ساختار این بانک اطلاعاتی بر اساس معماری ابعادی بوده و داده‌ها در آن به صورت دوره‌ای و در فواصل زمانی خاصی طی پروسه ETL به آن اضافه می‌شود.

OLAP Analysis -4
برای اینکه بتوانیم تحلیل‌های مفید و سودمندی بر روی داده‌ها داشته باشیم باید بانک اطلاعاتی خاص مربوط به آن را ایجاد کنید. ساختار این نوع بانک‌های اطلاعاتی بر پایه Cube یا مکعب اطلاعاتی می‌باشد. با استفاده از این نوع ساختار می‌توان پیچیده‌ترین گزارش‌های تحلیلی را استخراج نمود.
  Data Mining -5یا داده کاوی
داده‌کاوی یکی از اهداف راه‌اندازی پروژه‌های BI می‌باشد. با استفاده از استفاده از این علم می‌توان اطلاعات پنهان و همچنین الگوها و روابطی مشخص را مابین حجم زیادی از داده بدست آورد.

Reporting -6
برای اینکه بتوانیم گزارش‌ها تحلیلی را Visualize کنیم باید از ابزارهای مربوط به این حوزه استفاده کنیم. از نمونه ابزارهای مربوط به این حوزه می‌توان به SSRS، Power BI، Mobile Report Publisher، Excel و… اشاره کرد.

 

و همچنین میتواند شامل موارد دیگر هم باشد…

ساخت انبار داده (Data Warehouse)

انـبـار داده بـه مجـموعـه‌ای از داده‌هــا گفـتـه می‌شود که از منابع مختلف اطلاعاتی سازمان جمع‌آوری، دسته‌بندی و ذخیره می‌شود.
انبار داده یا Data Warehouse پایگاه داده‌ای است که برای گزارش‌گیری و تحلیل داده به کار می‌رود و بعنوان هسته اصلی یک سیستم BI به شمار می‌آید. به عبارت دیگر انبار داده یک مخزن داده مرکزی از داده‌های تجمیع شده است که از سیستم‌ها و منابع مختلف سازمان جمع‌آوری شده است. انبار داده یک بانک اطلاعاتی رابطه‌ای غیرنرمال است که داده‌های حال و گذشته را در یک مکان واحد تجمیع کرده است و هدف اصلی آن پوشش گزارش‌گیری و نیازهای تحلیلی یک سازمان به کار گرفته می‌شود.

ETL مخفف کلمات Extract Transform Loading می‌باشد. در طی این پروسه ما می‌توانیم با استفاده از این مفهوم داده‌ها را از Data Sourceهای مختلف استخراج و پس از انجام تبدیلات لازم در مقصد آنها را بارگزاری نماییم. توجه داشته باشید که برای پر شدن یک Data Warehouse دقیقاً این کارهایی که به آنها اشار شد باید انجام شود.

آشنایی با سرویس SSIS:

در SQL Server برای انجام عملیات ETL ما از سرویس SSIS استفاده خواهیم کرد.

آشنایی با برنامه SQL Server Data Tools:
برای اینکه بتوانیم روال‌های ETL را در پیاده‌سازی کنیم ابزاری به نام Data Tools وجود دارد. در این جلسه ما دانشجویان را با نحوه کار با این ابزار و قسمت‌های مختلف آن آشنا کردیم.
ایجاد یک Package ساده:
با توجه این که در این درس دانشجویان با ابزار و قسمت‌های مختلف Data Tools آشنا شدند یک SSIS Package برای Export داده‌های جدولی خاص طراحی کردیم تا دانشجویان با مفهوم ETL دقیق‌تر آشنا شوند. لازم می‌دانم اشاره کنم هدف این بود که دانشجویان آشنایی اولیه با برخی از کامپوننت‌ها و… موجود در Data Tools آشنا شوند.

 

شاخص‌ های عملکرد سازمان (KPI)

 

برای سازمان‌ها، ادراک و یکپارچه‌سازی داده‌ها در تمامی سطوح، یکی از بزرگ‌ترین چالش مدیریتی به شمار می‌آید و تدوین مقیاس‌های اندازه‌گیری، به‌روز نگه‌داشتن، مقایسه و تمرکز بر آن‌ها در سازمان، مشکلی همیشگی است که با ورود سیستم هوشمندی کسب‌وکار (و استقرار انبار داده‌های موضوعی)، اکثر این مشکلات ساماندهی خواهند شد.

داشبوردهای مدیریتی، در مشاهده شاخص‌های حیاتی به ‌تمامی سطوح سازمان یاری می‌رسانند و به کاربر امکان دنبال کردن جایگاه‌های سازمان توسط شاخص‌ها را می‌دهند. با دنبال کردن شاخص‌های متعدد و موردنظر و تحلیل روندها، می‌توان درک بهتر از اینکه سازمان و حوزه‌های مرتبط چگونه عمل می‌کند، کسب کرد.

طراحی و ساخت داشبورد مدیریتی در هوش تجاری

 

یکی از قویترین ابزارهای نمایش گزارشات و نمایش شاخص‌های کلیدی (KPI) پروژه‌های هوش تجاری Microsoft Power B

I است. این ابزار قابلیت‌ نمایش گزارشات بر روی موبایل و صفحات وب را نیز دارد. بدون شک می‌توان ادعا کرد که نرم افزار Power BI قدرتمندترین و در عین حال ساده ترین نرم افزار ساخت و طراحی داشبوردهای مدیریتی است. اگر شما اکسل را در حد خوب بلد باشید یادگیری و آموزش Power BI برای شما مثل آب خوردن است.

تا اینجا ما در پروژه های هوش تجاری در مورد گذشته و حال صحبت کردیم ولی اگر بخواهید وارد مباحث پیشرفته آینده نگری یا پیش بینی یا داده کاوی یا دیتا ماینینگ بشوید در حقیقت دارید به حالت ایده‌آل یک پروژه هوش تجاری می‌رسید. در واقع زمانی می توانید وارد فاز داده کاوی بشوید که شما یک پروژه هوش تجاری کلید زده باشید و سازمان به بلوغ لازم جهت اجرای یک پروژه با عنوان داده کاوی رسیده باشد.

در مورد مباحث فنی داده کاوی از بین معدود مدل های پذیرفته شده در شاخه داده کاوی، مدل CRISP-DM و مدل ASUM جزو شناخته شده ترین و مقبولترین مدل هایی هستند که فرآیند داده کاوی و حل مسئله را یک روال مستمر و رو به تکامل میبیند و همچنین در عرصه عمل نیز توان پیاده سازی بالاتری داشته اند. از آنجا که مدل CRISP-DM دارای تعدد پیاده سازی بالاتر و قدمت بیشتری بوده و همچنین پایه و اساس مدل ASUM نیز میباشد، به عنوان مدل پیشنهادی توسط تیم نیک توصیه میگردد.
در مدل CRISP-DM طی هر بار اجرای فرآیند، مسئله در قالب شش فاز اصلی مورد شناخت، تحلیل و مدل سازی، به شرح ذیل قرار میگیرد.

طی فاز اول (Business Understanding):
تیم پروژه به دنبال درک مسئله، اهداف و نیازمندیهای مشتری از نقطه نظر کسب و کار میباشد.

طی فاز دوم (Data Understanding):
اطلاعات قابل دسترس (درون یا برون سازمانی) مورد شناسایی قرار گرفته و با توجه به کاربرد آن در مسئله تحت ارزیابی کمی و کیفی قرار میگیرند و درصورت نیاز مسئله طرح شده توسط کارفرما، با توجه به اطلاعات قابل دسترس، تعدیل میگردد (جهت تعدیل/اصلاح صورت مسئله و خواسته های مشتری که در فاز قبل مشخص گردیده با داشته های اطلاعاتی مشتری). همچنین طی این فاز تیم داده کاوی با ماهیت اطلاعات قابل دسترس آشنایی بیشتری پیدا نموده و سعی مینماید از اطلاعات در دسترس دیدگاه های مناسبی کسب نماید.

در فاز سوم (Data Preparation):
تیم داده کاوی اقدام به آماده سازی داده ها جهت استفاده در مدل سازی مینماید، طی این فاز معمولا اقداماتی همچون انتخاب مشخصه ای اطلاعاتی، یکپارچه کردن اطلاعات از منابع مختلف و پاکسازی اطلاعات انجام میپذیرد. لازم به ذکر است وجود انبار داده از پیش آماده شده میتواند به افزایش سرعت اجرای کار در این فاز کمک قابل توجهی نماید.

در فاز چهارم (Modeling):
تیم داده کاوی اقدام به تعیین تکنیک های مدل سازی قابل استفاده جهت حل مسئله مینماید، و سپس پارامترهای مورد نیاز جهت Tune کردن مدل ها را تعیین مینماید، همچنین در این فاز با توجه به تکنیک مصرفی، ممکن است نیاز باشد تا داده های آماده شده در فاز قبل مورد تغییر و تحول قرار گیرند، پس بعضا از این فاز عملیات عقبگرد به فاز قبل، برای ساختار دهی مجدد اطلاعات صورت میپذیرد.

در فاز پنجم (Evaluation):
مدل های ساخته شده (که قاعدتا انتظار میرود از کیفیت بالایی برخوردار باشند) مورد تست و ارزیابی قرار میگیرند تا نقاط کور احتمالی آنها استخراج گردد تا بهترین مدل برای حل مسئله انتخاب شود، همچنین در این مرحله طی تعامل با کارفرما موثر بودن مدل انتخابی نیز بررسی میگردد و درصورتیکه مدل انتخاب شده برای حل مسئله مناسب نباشد، کل فرآیند مجددا از فاز اول آغاز میگردد.

طی فاز ششم (Deployment):
تیم داده کاوی با توجه به الزامات کارفرما، اقدام به ارائه نتایج اجرای مدل به کارفرما مینمایند، این فاز میتواند بنا به درخواست کارفرما، منحصرا گزارشی غنی و قابل درک توسط کارفرما از نتیجه اجرای مدل باشد و یا میتواند سیستمی نرم افزاری باشد که کارفرما بتواند توسط آن مدل ساخته شده را بصورت مکرر مورد اجرا و بهره برداری قرار دهد.

یادگیری ماشین (Machine Learning) در هوش تجاری

به نقل از ویکی پدیا: شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام می‌شود چراکه نرم‌افزار یادگیری ماشینی آن‌ها چگونگی رتبه‌بندی صفحات وب را درک کرده‌است. هنگامی که فیس‌بوک یا برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است.

هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزار

ان هرزنامه خلاص می‌کند نیز به همین دلیل است که کامپیوتر شما آموخته‌است که هرزنامه‌ها را از ایمیل غیراِسپم تشخیص دهد. این همان یادگیری ماشین است. این علمی است که باعث می‌شود کامپیوترها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.