کتاب هوش تجاری

مقدمه 7
فصل 1 9
تاریخچه 9
هوش تجاری 10
پارامترهای اصلی در هوش تجاری 13
اهداف هوش تجاری 14
هدف اصلی نرم افزار BI 15
آشنایی بیشتر با کاربردها با یک مثال 18
پنج فایده مهم هوش تجاری برای کسب و کار 20
ضرورت استفاده از هوش تجاری در سازمان ها 22
دو بُعد مهم هوش تجاری 24
داده 25
چگونگی طراحی و اجرای سیستم هوش تجاری 27
فرایند کار هوش تجاری 28
روش کار هوش تجاری 30
ابزارهای هوش تجاری 30
کاربران نرم افزار BI 32
نحوه عملکرد BI 33
آینده هوش تجاری BI 34
پلتفرم های هوش تجاری 34
گام های موفقیت در پیاده سازی سیستم های هوش تجاری 35
روش شناسی ساخت سیستم های هوش تجاری 36
مرحله به کارگیری سیستم هوش تجاری 37
تفاوت هوش تجاری با هوش رقابتی 38
فصل2 39
مزایا و معایب نرم افزار BI 39
مزایا 39
تأثیر نرم افزار هوش تجاری در افزایش بهره وری 42
تأثیر نرم افزار BI در بهبود Visibility 43
تأثیر نرم افزار BI در بهبود فرایند پاسخگویی 43
تأثیر نرم افزار BI در داشتن دید پرنده 43
ساده سازی فرایندهای تجاری با استفاده از BI 43
تجزیه و تحلیل آسان با نرم افزار BI 43
معایب 44
موارد استفاده از نرم افزار BI 45
ترند های هوش تجاری 46
بازاریابی تجاری در مقابل بازاریابی علمی 46
نقش هوشمندی در کسب و کار 46
اهمیت استراتژیک هوش تجاری در تصمیمات سازمان ها 47
فصل 3 49
اهمیت هوش تجاری 49
مزایای هوش تجاری 54
نمونه هایی از کاربردهای هوش تجاری 55
زمینه هوش تجاری 56
فصل 4 59
تفاوت هوش تجاری و تجزیه و تحلیل تجارت (BI مقابل BA) 59
مدل های کسب و کار در مقابل فرایندهای کسب و کار 60
تعمیر و نگهداری در تولید 61
فصل 5 63
تکنیک های هوش تجاری 63
OLAP یکی از تاکنیک های هوش تجاری 64
OLTP در لیست تکنیک های تجاری 66
DW از دیگر تکنیک های هوش تجاری 67
DM در لیست تکنیک های هوش تجاری 67
KMS در لیست تکنیک های هوش تجاری 68
نتیجه گیری تکنیک های هوش تجاری 70
فصل6 73
هوش تجاری یادگیری سازمانی سیستم های اطلاعاتی بازاریابی 73
تصمیم گیری سازمانی 74
تجزیه و تحلیل کسب و کار و سیستم های اطلاعاتی 76
فرصت های شغلی در هوش تجاری و سیستم های اطلاعاتی 83
متخصصان هوش تجاری و سیستم های اطلاعاتی 83
منابع و مآخذ 87

دو بُعد مهم هوش تجاری

و حالا برای پیاده سازی موفق یک سامانه یا پروژه هوش تجاری دو پارامتر مهم وجود دارد:

1. بُعد فنی و تکنیکال

اساس بُعد فنی یا تکنیکال به بخش ساخت انبار داده و عملیات مربوط به دیتابیس، انتقال داده، ابزارهای داشبورساز و مکعب های اطلاعاتی یا Cube مربوط می شود.

این اولین، مهم ترین و در عین حال ساده ترین بخش هوش تجاری است. اگر بخواهم به زبان ساده این مرحله را تشریح کنم باید بگویم که این بخش سه مرحلۀ اصلی دارد:

شناخت: در مرحله اول شما باید یک تحلیل جامع از کسب و کار داشته باشید، وضعیت موجود را بسنجید و بخش های مختلف آن را شناسایی کنید.

طراحی انبار داده: در این مرحله براساس اطلاعاتی که در مرحله قبل بدست آوردید، باید یک انبار داده یا Data warehouse بسازید.

تهیه گزارش: در آخرین مرحلۀ این بخش که تهیه گزارش است، شما براساس انبار داده های خود گزارش تهیه می کنیدو اطلاعات خام خود را به اطلاعات قابل فهم تبدیل می کنید.

مثلأ: وقتی یک خرید اینترنتی انجام می شود در دیتابیس اطلاعاتی نظیر:

تاریخ، ساعت، شناسۀ مشتری، کالای خریداری شده، تأمین کننده کالا و تعداد و قیمت خرید و فروش و این قبیل اطلاعات باید در سیستم ثبت شود.

در نهایت از این دیتابیس داشبوردهای مدیریتی و خلاصه شده ساخته می شود، مثلأ اینکه امروز، این هفته، یا این ماه چقدر سود داشتیم، مقدار این سود نسبت به سال قبل چقدر تغییر داشته، از ماه قبل تا این ماه چند مشتری جدید اضافه شدند و …

2. بُعد فرهنگی هوش تجاری

بُعد فرهنگی هوش تجاری به آنالیز درست نیازمندی ها، فرهنگ استفاده و تفکر مربوط می شود. در حقیقت در این بخش تصمیم گیری بر مبنای واقعیت های موجود (داده ها) انجام می شود. این مرحله به زیرساخت های رفتاری اساسی نیاز است که متأسفانه بیشتر موارد آن در ایران وجود ندارد.

برای اینکه این بخش به خوبی انجام شود به نقد و تغییر پذیری مداوم، انعطاف سازمانی بالا و اینرسی (مقاومت) سازمانی پائین در قبال تغییرات لازم است.

داده

عملیات های تجاری می تواند حجم بسیار زیادی از اطلاعات را در قالب نامه های الکترونیکی، یادداشت ها، تماس های تلفنی، اخبار، گروه های کاربران (در فضای مجازی)، گفتگوها در جلسات، گزارش ها، صفحات وب، ارائه ها، فایل های تصویری و ویدئویی و داده های بازاریابی ایجاد کند. به گفته مریل لینچ بیش از 85% از کل اطلاعات کسب و کار (Business Information) در این فرم ها و دسته بندی وجود دارند و البته تمام این اسناد پرکاربرد نیستند و ممکن است یک شرکت فقط یکبار از سندی استفاده کند. به دلیل طریقه تولید و ذخیره، این اطلاعات یا بدون ساختار (unstructured) یا نیمه ساختار یافته (semi- structure) هستند.

مدیریت داده های نیمه ساختاریافته و بدون ساختار یک مشکل حل نشده در صنعت فناوری اطلاعات است. طبق پیش بینی های گارتنر در سال 2003، تعداد قابل توجهی از کارمندان اداری شرکت های تجاری 30 تا 40% از وقت خود را صرف جستجو، یافتن و ارزیابی داده های بدون ساختار می کنند. هوش نجاری هم از داده های ساختار یافته و هم از داده های بدون ساختار یا نیمه ساختار یافته استفاده می کند. در شرکت هایی که از تکنولوژی و فن آوری هوش تجاری استفاده نمی کنند، جستجوی داده های ساختار یافته آسان است ولی داده های نیمه ساختار یافته یا بدون ساختار حاوی مقدار زیادی از اطلاعات برای تجزیه و تحلیل و تصمیم گیری است. بنابراین به دلیل دشواری در جستجوی مناسب یافتن اطلاعات و ارزیابی داده های بدون ساختار یا نیمه ساختار یافته ممکن است فقط بر یک تصمیم، کار یا پروژه خاص تأثیر بگذارد، مورد توجه قرار ندهند. این در نهایت می تواند منجر به تصمیم گیری ضعیف و غیرآگاهانه در مسائل گردد.

بنابراین هنگام طراحی سیستم BI, DW باید راه حل های مناسب برای تحلیل اطلاعات بدون ساختار یا نیمه ساختاریافته لحاظ شود تا تحلیل و نتیجه گیری از تمامی داده ها صورت گیرد و مشکل فوق حل شود در نهایت باید بگوئیم که جهان و جهانیان روز به روز هوشمندتر می شوند و اگر شما با این جریان جهانی حرکت نکنید بد جوری عقب می افتید لازم است که بروز باشید و از سیستم های سنتی خود هرچه سریعتر فاصله بگیرید.

کمی بی رحمی در این قسمت اصلأ ایرادی ندارد، هر روش و سیستمی که جواب نمی دهد باید به سرعت عوض شود و سیستم به روز تر و هوشمندتر در تجارت و کسب و کار علاوه بر هوش تجاری، یک مفهوم دیگر به نام هوش هیجانی وجود دارد که به گرفتن تصمیمات در شرایط سخت و بحرانی مربوط است.

داده های هوش تجاری معمولأ در یک انبار داده یا یک داده گاه (Data mart) کوچکتر که زیر مجموعه ای از اطلاعات شرکت است ذخیره می شوند. به علاوه سیستم های Hadoop به صورت گسترده ای به عنوان انبارها در معماری های هوش تجاری و مخصوصأ برای داده های بدون ساختار، فایل لاگ و گونه های دیگر کلان داده ها استفاده می شوند. قبل از آنکه این سیستم ها در برنامه های کاربردی هوش تجاری استفاده شود، داده های خام از منابع مختلف بایستی مجتمع و به وسیله ابزارهای کیفیت داده بررسی تا از صحت داده های تحلیلی اطمینان حاصل گردد.

در مرحله شناسایی و آماده سازی داده ها تعیین منابع داده که قرار است از نیازهای تجاری پشتیبانی کند، از جمله اقدامات ضروری است. تعیین و تشخیص منابع، مستلزم شناسایی منابع درونی (منابع دانش و اطلاعات، منابع فناوری اطلاعات، بایگانی های کاغذی و …) و منابع بیرونی (متمرکز بر مشتریان، فروشندگان، سهام داران و …) همراه با بررسی میزان قابلیت اعتماد منابع و بررسی تغییر شکل هایی است که در منابع مورد بحث اتفاق می افند. تحقق این مرحله نیازمند کمک چشمگیر تصمیم گیرندگان، کارکنان اجرایی، بخش های فناروی اطلاعات، دپارتمان های مدیریت دانش و مشتریان راهبردی است.

در این مرحله ضروری است که همه سیستم های اطلاعاتی و بانک های داده مورد استفاده یک شرکت معین تشخیص داده شوند.

هنگام انجام چنین تشخیصی ضروری است که چند دستور مهم را در نظر داشته باشیم:

• یافتن داده هایی که در سیستم های اطلاعاتی وجود دارند و از دیدگاه تحلیل هایی که انجام گرفته اند بی اهمیت شناخته شده اند.
• یافتن روابط بین داده ها در سیستم های اطلاعاتی مختلف
• تشریح ساختار منطقی داده هایی که در سیستم اطلاعاتی یافت نمی شوند، نه تنها باید به ساختار آنها توجه زیادی شود، بلکه به رابطه آنها با فرایندهای تجاری نیز باید توجه کرد.
• یافتن مکان ها با وضعیت هایی که در داده ها ایجاد خطا می کنند (مثلأ احتمال تناقص بین داده ها).
• یافتن محدودیت های مربوط به کاربرد سیستم های اطلاعاتی (اینکه داده ها به علت منطق نادرست پایگاه منبع نمی توانند خارج از سیستم اطلاعات تعریف و بازشناسی شوند).

چگونگی طراحی و اجرای سیستم هوش تجاری

در مرحله طراحی و اجرای سیستم هوش تجاری دامنه ای از فعالیت ها انجام می پذیرد. میزان تلاشی که در اینباره صورت می گیرد، ارتباط مستقیم با پیچیدگی سیستم و سطح محبوبیت آن دارد، هرچند در اکثر موارد خلق یک برنامه کاربردی مربوط به هوش تجاری، نیازمند زمان زیادی است. این مدت زمان نه تنها صرف طراحی واسط های اختصاصی برای برقراری ارتباط بین سیستم هوش تجاری و پایگاه های اطلاعاتی دیگر می شود، بلکه شامل اطمینان یافتن از میزان منطقی بودن و سازگاری برنامه کاربردی هوش تجاری نیز می شود.

مرحله مهم دیگری که در ارتباط با طراحی سیستم های هوش تجاری وجود دارد، ساختن پایگاه داده ای است که دو وظیفه مهم را برعهده دارد. فراهم ساختن مخزنی از داده ها که برای تحلیل های آتی از آن بهره گرفته می شود و فراهم سازی پایگاهی برای سیستم هوش تحاری، برای اطمینان یافتن از اینکه یک پایگاه داده به طور منظم براساس داده های حاصل از سیستم های انتقالی به روز می شود یا نه ضروری است که مکانیزم های ورود داده ایجاد شود. چنین مکانیزم هایی باید امکان ورود همه داده ها را فراهم کرده به کاربران اجازه ورود داده های اضافی را بدهند تا سیستم های منبع از این راه به مروز غنی تر شوند. هرگز اینگونه نیست که ورود داده های اضافی به سیستم ها و مکانیزم های منبع بار اضافی تحمیل کند.

مکانیزم های داده به طور همزمان وظیفه کنترل آن را برعهده داراند. که وظیفه ای در جهت همسان سازی داده ها است در موارد زیادی مکانیزم های مورد بحث زمینه یافتن ناسازگاری ها و خطاها را در مرحله اجرا فراهم می کنند پایگاه داده ایجاد شده باید پایه ای برای طراحی گزارش ها باشد. تهیه چند یا دست کم دو گروه از گزارش ها ضروری است. بیش از این باید گزارش هایی که به صورت منظم به وسیله کاربران اصلی به روز رسانی شده اند مشخص شوند. چنین گروهی همچنین باید کاربران متخصصی را پیش بینی کند که گزارش هایی را براساس نیازهای خاص فراهم می کنند.

نوع دوم گزارش ها شامل گروهی است که منتج از نیازهای ویژه دور از انتظار است که مربوط به جزئیات یافته شده در داده ها است. تجربه نشان می دهد که دیر یا زود شرکت ها نیازمند بهره گیری از تحلیل های چند بعدی هستند بدین معنی که پیشنهادها در جهت اجرای هوش تجاری باید در جهت طرح های پردازش تحلیلی بهنگام که به کاربران اجازه کاوش داده ها و بازبینی داده ها از جنبه های مختلف را می دهد و داده کاوی که به درک بهتر سلایق و ترجیحات مشتریان و ماهیت چنین سلایقی، زنجیره تأمین، اثرهای جغرافیایی و … کمک می کند.

بسته به نوع ویژگی ها و نیازهای سازمانها، تحلیل ها ممکن است برای مواردی مانند آنچه در پی آمده بکار روند:

• بررسی قابلیت سود بخشی مشتریان و میزان ارزشمندی دوره سودرسانی آنها
• تعیین میزان اهمیت شاخص ها
• بخش بندی
• نظارت و بررسی میزان وفاداری مشتریان
• بررسی میزان حمایت مشتریان
• یافتن شباهت ها
• بررسی تقلب ها یا کلاه برداری ها
• بررسی رقابت های مربوط به بازاریابی

فرایند کار هوش تجاری

معماری هوش تجاری شامل بیش از یک نرم افزار هوش تجاری است. هوش تجاری داده ها را به طور معمول در انبار داده ای که برای کل سازمان ساخته شده ذخیره می کند. علاوه بر این داده ها براساس خوشه های هادوپ یا سایر سیستم های بیگ دیتا (بعنوان انبار داده یا Landing Pads، برای داده های هوش تجاری و تجزیه و تحلیل، به ویژه برای فایل های لاگ، داده های سنسورها، متن و انواع داده های دیگر ساختارنیافته و یا نیمه ساختاریافته) استفاده می شوند.

داده های هوش تجاری می توانند شامل تاریخچه اطلاعات و داده های جمع آوری شده به لحظه از سیستم ها باشند که این موضوع ابزارهای هوش تجاری را قادر می سازد تا از فرایندهای تصمیم گیری استراتژیک و همچنین تصمیم های تاکتیکی پشتیبانی کنند.

قبل از استفاده در برنامه های هوش تجاری؛ داده های خام از منابع مختلفی که استفاده می شوند ادغام و مدیریت کیفیت داده ها تضمین می شود تا اطمینان حاصل شود که تیم های هوش تجاری و کاربران تجاری در حال تجزیه و تحلیل اطلاعات دقیق و سازگار هستند.

مراحلی که فرایند هوش تجاری را شامل می شوند عبارتند از:

• آماده سازی داده ها: که در آن مجموعه داده ها برای تجزیه و تحلیل ساماندهی و مدل می شوند.
• در خواست پرس و جو یا کوئری: تحلیل از داده های تهیه شده
• توزیع شاخص های کلیدهای عملکردی (KPI) و سایر یافته ها برای کاربران تجاری
• استفاده از اطلاعات برای کمک به تأثیرگذاری و پیش برد تصمیمات تجاری

در ابتدا ابزارهای هوش تجاری در درجه اول توسط متخصصان BI و IT که داشبورد و گزارش برای کاربران تجاری تولید می کردند؛ استفاده می شد. اما به لطف توسعه BI سلف سرویس و ابزارهای کشف داده، تحلیلگران و مدیران خودشان به طور فزاینده ای از سیستم های هوش تجاری استفاده می کنند؛ محیط های هوش تجاری سلف سرویس، کاربران تجاری را قادر می سازد تا داده ها را به تصویر بکشند و داشبوردها را طراحی کنند.

برنامه های هوش تجاری اغلب فرم های تجزیه و تحلیل پیشرفته مانند داده کاوی، تجزیه و تحلیل پیش بینی، متن کاوی، تجزیه و تحلیل آماری و تجزیه و تحلیل کلان داده ها را شامل می شوند. یک مثال متداول مدلسازی پیش بینی است که تجزیه و تحلیل را در سناریوهای مختلف امکان پذیر می کند. با این وجود در بیشتر موارد پروژه های پیشرفته تجزیه و تحلیل توسط تیم های جداگانه ای از دانشمندان داده، آمارشناسان، مدل سازان پیش بینی و سایر متخصصان ماهر تجزیه و تحلیل انجام می شوند، در حالیکه تیم های BI روی کوئری و تجزیه و تحلیل ساده تر داده های تجاری نظارت می کنند.

روش کار هوش تجاری

هوش تجاری به کاربران تجاری نمی گوید که چه کاری انجام دهند یا اگر آن کار را انجام دهند یک اتفاق خاص خواهد افتاد. بلکه BI فقط برای تولید گزارشات است. در واقع روش هایی را به افراد ارائه می دهد تا بتوانند داده ها را برای درک بهتر و به دست آوردن بینش بهتر، بررسی کنند.

شرکت ها و سازمان ها از BI به منظور ایجاد استراتژی های قویتر برای سازمان خود، بهبود تصمیم گیری ها و همچنین کشف فرصت هایی تازه برای کسب و کار خود بهره می برند.

ابزارهای هوش تجاری

هوش تجاری شامل مجموعه وسیعی از برنامه های کاربردی نظیر:

تحلیل های موردی و پرس و جو، گزارش ساز، پردازشگر تحلیلی انلاین، هوش تجاری موبایل، هوش تجاری بلادرنگ، هوش تجاری عملکردی، هوش تجاری و سرویس های ابری، هوش تجاری متن باز، هوش تجاری اشتراکی و هوش تجاری منطقه ای می باشد.

تکنولوژی هوش تجاری همچنین شامل نرم افزارهای بصری سازی داده برای طراحی نمودارها و سایر داده نمایی ها. ابزارهایی برای ساخت انواع داشبوردها می شود. برنامه های کاربردی هوش تجاری را می توان از کمپانی های متفاوتی خریداری نمود و یا آنکه به صورت یک پلتفرم مجتمع از یک کمپانی تهیه کرد برنامه های هوش تجاری همچنین می توانند ترکیبی از انواع تجزیه و تحلیل پیشرفته را ارائه دهند مانند داده کاوی، تحلیل های پیش گویانه، متن کاوی، داده های آماری، تحلیل کلان داده ها، تحلیل های آماری. در بسیاری از موارد پروژه های تجزیه و تحلیل پیشرفته به وسیله تیم های جداگانه ای از کارشناسان داده، متخصصین آمار، مدل سازان و سایر متخصصین تحلیل رهبری و مدیریت می شوند، در حالی که تیم هوش تجاری بیشتر بر پرس و جوها و تحلیل های داده های کسب و کار نظارت می کند.

یکی از موارد قابل توجه این است که در سال های نه چندان دور داده کاوی و تحلیل داده ها در انحصار متخصصان حوزه فناوری اطلاعات بود و استفاده از این فناوری کار ساده ای نبود اما اکنون کاری است که همه شرکت ها با استفاده از نرم افزارهای موجود در دنیا می توانند انجام دهند و این ابزارها به شما این امکان را می دهند که ارزیابی رشد تجارت خود، حل مسائل ضروری و فوری، جمع آوری تمام داده های خود در یک مکان، پیش بینی نتایج آینده و موارد دیگر را با بینشی مناسب انجام دهید.