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.