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.

اجزای اصلی هوش تجاری
/0 دیدگاهها/در دستهبندی نشده /توسط aminبرای 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:
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.

هوش تجاری چیست؟
/0 دیدگاهها/در دستهبندی نشده, مقالات /توسط aminهوش تجاری یا Business Intelligence
هوش تجاری یا BI) Business Intelligence) شامل مجموعهای از مهارتها، تکنولوژیها و برنامههای کاربردی میباشد که به منظور جمعآوری، یکپارچهسازی، تجزیه و تحلیل و ایجاد دسترسی به دادههای سازمان، مورد استفاده قرار میگیرند. (BI) یک اصطلاح کلی است که به تعداد زیادی برنامه و نرمافزار مورد استفاده برای پردازش و تحلیل اطلاعات خام یک شرکت اطلاق میشود.
چنانچه بخواهیم به طور خیلی ساده هوش تجاری را تعریف کنیم میگوییم: هوش تجاری شامل کلیه فرآیندهای کامپیوتری و مرتبط به همی چون داده کاوی،پردازش تحلیلی آنلاین،تحقیق وگزارش تشکیل شده ،که داده را به اطلاعات و سپس به دانش تبدیل میکند. در نهایت هوش تجاری،کسب و کار شما را بهبود خواهد بخشید.
اما هوش تجاری چه کمکی به ما میکند؟
شرکتها از هوش کسب و کار برای بهبود تصمیمگیریها، صرفهجویی در هزینهها و کشف فرصتهای تجاری جدید استفاده میکنند. BIچیزی فراتر از جمعآوری گزارشات و چیزی بیشتر از مجموعهای از ابزارها برای بهکارگیری هوشمندانهی سیستمهای تجاری است. مدیران فناوری شرکتها از هوش کسب و کار برای شناسایی عملیات تجاریِ ناقصی که میتوانند بستر خوبی برای بازمهندسی باشند استفاده میکنند
با وجود ابزارهای امروزیِ هوش کسب و کار، بهتر است افرادی که در کار تجارت هستند خودشان دست به کار شده و دادهها را تحلیل کنند و منتظر گزارشهای پیچیدهی سیستمهای فناوری اطلاعات نمانند. آزادسازی اطلاعات این امکان را به کاربران میدهد که تصمیمات تجاریِشان را با پشتوانهی اعداد قطعی و مشخص بگیرند؛ که در غیر این صورت مجبور میشدند تصمیماتشان را تنها بر اساس احساس درونی و شایعات اتخاذ کنند.
هر چند هوش تجاری امکانات زیادی فراهم میکند اما این محاسبات ممکن است بر اثر چالشهای تکنیکی یا فرهنگی منحرف شوند.مدیران اجرایی باید از صحیح و کامل بودن دادههایی که به برنامههای BI وارد میشوند اطمینان داشته باشند تا کاربران بتوانند به ان اعتماد کنند.هوش سازمانی شما را برای تصمیمگیری در همه عوامل موثر بر سازمان و شرکتها توانمند میسازد و به همه شرکتها کمک میکند تا از طریق گزارشگیری و تحلیل دادهها، عملکرد اثربخش و مطمئن بدون دردسر اضافی و هزینههای اجرائی زیاد و سعی و خطا بدست آورند.
کاربردهایی از“هوش تجاری”
از یک مثال ساده شروع میکنم. هر کس در یک شرکت تنها میتواند کارش را به بهترین نحو انجام دهد. اگر تصمیمگیریها در سازمانها بر مبنای اطلاعات واقعی باشد تا بر مبنای بهترین حدسیات و یا اینکه چگونه در گذشته آن کار را انجام میدادهاند، کارها به درستی پیش نخواهد رفت. در این باره نیاز به مستندات است، مستندات از همه عوامل یک سازمان، مجموع این مستندات و آمارها است که مانع از سعی و خطا میگردد.
چه اتفاقی رخ میداد اگر هر چه که فروشندگان ERP و CRM و اکنون BI به شما وعده میدهند را، میداشتید؟ یعنی وعده دسترسی فوری به همه دادهای موجود در شرکت و سازمان شما با داشبوردهای دیجیتالی و شاخصهای عملکرد موردنیاز تا سازمان خود را اداره کنید.
چه اتفاقی رخ میداد اگر میتوانستید بینهایت کاوش در اجزا در دادههای موجود و از منظرهای متفاوت
(Slice & Dice به عمل تجزیه اطلاعات به بخشهای کوچکتر و نمایش آن از منظرهای متفاوت برای درک بهتر در تصمیمگیریها گفته میشود.) مینمودید بدون اینکه لازم باشد بدانید از چه سیستمی تا سطح Transaction (تراکنشها)، این دادهها میآیند، کارتان را بهتر انجام میدادید؟
هوش سازمانی به همه شرکتها کمک میکند تا از طریق گزارشگیری و تحلیل دادهها، عملکرد اثربخش و مطمئن بدون دردسر اضافی و هزینههای اجرائی زیاد و سعی و خطا بدست آورند ERP. و CRM و سایر سیستمها و نرمافزارها، عوامل حیاتی برای اداره سازمانها و شرکتها هستند. متاسفانه هنگامی که این سیستمها، تراکنشها و تعاملات دادهها را خوب اجرا میکنند، در برابر گزارشگیری تحلیل و دسترسی به دادهها کم میآورند، بهبود و قابلیتهای تحلیل و گزارشگیری شرکتها جزء اولویتهای مدیران ارشد است.
BI وعده بزرگ و عجیبی را به رهبران شرکتها میدهد
دسترسی فوری به همه اطلاعات، که در فرمت قابل استفاده به آن نیاز دارید. نه تنها افراد و کارمندان سازمان IT بلکه همه مدیران و تصمیمگیران، میتوانند از آن استفاده کنند. اغلب بسیاری از افراد فکر میکنند که این وعده عملی نخواهد شد آیا واقعا اینطور است؟
چه شرکت هایی از “هوش تجاری و کاربردهای آن” استفاده میکنند؟
رستورانهای زنجیرهای از مهمترین کاربران نرمافزار BI هستند. آنها از BI برای گرفتن تصمیمات راهبردی استفاده میکنند؛ تصمیماتی نظیر این که چه محصولات جدیدی را در منو قرار دهند، چه غذاهایی را حذف کنند و کدام شعبههای کم درآمد را تعطیل کنند. همچنین از BI برای مسائل تاکتیکی نیز استفاده میکنند، مثلا بررسی دوبارهی قراردادهایی که با شرکتهای تأمینکنندهی مواد اولیهی غذایی دارند یا برای بهبود شیوههای ناکارآمدی که تا الان به کار برده میشد. با توجه به شیوهی کار عملیاتی رستورانهای زنجیرهای و خاصیت مرکزی بودن سیستم BI برای کمک به آنها در ادارهی این کسب و کار، رستورانهای زنجیرهای در صدر لیست همهی صنایعی هستند که از ارزش واقعی این سیستم بهرهمند میشوند.
رستورانهای زنجیرهای مانند هاردی، وندی، رابی تیوزدی و تیجیآی از عمده کاربران نرمافزار هوش تجاری هستند. آنها از این برنامه برای تصمیمات راهبردی مانند افزودن محصولات جدید به منوی خود، حذف برخی غذاها و بستن شعب کمکار خود استفاده میکنند. آنها همچنین از هوش تجاری در موضوعات تاکتیکی مانند تجدید نظر در قراردادهای خرید مواد غذایی و شناسایی فرصتهای بهبود روندهای نامناسب بهره میبرند. به دلیل وابستگی زیاد رستورانهای زنجیرهای به عملیاتهای متعدد و از آنجا که هوش مصنوعی نقشی مرکزی در کمک به اراده فعالیتهایشان دارد، این مجموعه جزو اصلیترین گروه شرکتهای تمامی صنایع هستند که از ارزش واقعی این سیستمها استفاده میکنند.
یکی از بخشهای مهم هوش تجاری یعنی تحلیل تجاری، این عامل برای موفقیت بسیاری از شرکتها در صنایع مختلف از جمله موفقیت تیمهای ورزشیِ حرفهای مهم است.
برای موفقیت شرکتهایی در انواع صنایع و از آن مهمتر برای موفقیت تیمهای ورزشی حرفهای مانند باستون رد ساکس، اوکلند ایز و نیوانگلند پتریوتس ضروری است.
تیم پتریوت با اتخاذ رویکردی تحلیلی توانست در چهار سال، سه بار قهرمان لیگ فوتبال آمریکایی شود. این تیم به صورت گسترده از مدلهای تحلیل و داده در داخل و خارج زمین استفاده میکند. تحلیلهای عمیق توانسته است در انتخاب بازیکن و نیز رعایت سقف حقوق تعیینی سازمان لیگ به این تیم کمک کند. مربیان و بازیکنان پتریوت به مطالعه گسترده فیلم و آمار بازیها معروف بوده و بیل بلیچیک، سرمربی این تیم، مقالات اقتصادانان دانشگاه را درباره فرصتهای آماری نتایج بازی فوتبال مطالعه میکند. در خارج از زمین، این تیم از تحلیلهای دقیق برای ارزیابی و بهبود «تجربه کلی هواداران» استفاده میکند. مثلاً در هر بازی خانگی بین ۲۰ تا ۲۵ نفر به صورت خاص وظیفه اندازهگیری کمّی میزان غذا، پارکینگ، پرسنل، تمیزی دستشوییها و دیگر عوامل را بر عهده دارند.
در حوزه خردهفروشی نیز والمارت به صورت گسترده از تحلیل داده و گروهبندی برای برتری در این صنعت استفاده میکند. هارا نیز مبنای رقابت در صنعت بازی را از تاسیس ابرکازینوها به تحلیل حول وفاداری مشتری و خدمات تغییر داده است. آمازون و یاهو صرفاً سایتهای تجارت الکترونیکی نیستند بلکه به صورت گسترده تحلیلی بوده و از رویکرد «آزمون و یادگیری» در زمینه تغییرات تجاری استفاده میکنند. کپیتال وان نیز هرساله بیش از ۳۰ هزار آزمون برای شناسایی مشتریان مناسب و قیمتگذاری کارتهای اعتباری برگزار میکند.