با توجه به اینکه تعریف های زیادی در رابطه با هوش تجاری یا دقیق تر بگیم هوش کسب و کار ارائه شده، سعی می‌کنیم تا جایی که ممکن هست دید بهتری از این مفهوم را برای شما توصیف کنیم.
گاهی اوقات برای درک بهتر یک مفهوم، بهتر است از این شروع کنیم که آن مفهوم چه چیزهایی نیست…
گرچه خیلی از محصولات می توانند به پیاده سازی هوش تجاری کمک کنند اما هوش تجاری یک محصول نیست که شما آن را خریداری و نصب کرده و بعد از آن تمام مشکلات برطرف شود!
اگرچه ابزار ها و تکنولوژی‌های متنوعی در رابطه با هوش تجاری مانند ابزارهای ETL، ابزارهای مصورسازی داده ها و موتور دیتابیس‌های مختلف ارائه می شود اما هوش تجاری فقط تکنولوژی نیست!
قطعا یک متدولوژی مناسب برای پیاده سازی یک پروژه موفق هوش تجاری لازم است اما متدولوژی باید با راهکارهای فنی و تغییرات سازمانی ترکیب شود. پس هوش تجاری فقط یک متدولوژی هم نیست!
می توان گفت هوش کسب و کار مجموعه ای از همه این مفاهیم می باشد. در واقع BI یا هوش کسب و کار شامل تجزیه و تحلیل اطلاعات در زمینه فرآیند های کلیدی کسب و کار است که منجر به تصمیم گیری و اجرا میشوند. این تحلیل ها باعث میشوند تصمیم گیری ها در سازمان هوشمندانه تر اتخاذ شوند و در نتیجه بهره وری و کارایی سازمان نیز افزایش می یابد. پس هوش کسب و کار شامل اطلاعات و تحلیل هایی است که:
این مفهوم اولین اولین بار توسط موسسه گارنتر در سال ۱۹۸۹ با تعریف زیر عنوان شد:
“هوش تجاری یک عبارت چترگونه (Umbrella term) است شامل برنامه‌ها، زیرساخت‌ها، ابزارها و همچنین بهروش ها که امکان دسترسی به تحلیل اطلاعات را با هدف بهینه سازی فرآیند تصمیم گیری و اجرا فراهم میکند.”
بنابراین می توان گفت هوش تجاری مجموعه‌ای از فرآیندها، معماری و تکنولوژی‌هایی است که با تبدیل داده‌های خام به اطلاعات معنی‌دار، اقدامات کسب‌وکار سودآور را هدایت می‌کنند.
هوش تجاری مستقیما بر تصمیمات استراتژیک، تاکتیکی و اجرایی تاثیر دارد با استفاده از داده‌های تاریخی به جای فرضیات و احساسات درونی، به ما این امکان را می‌دهد تا بر اساس حقیقت تصمیم گیری کنیم.
ابزارهای هوش تجاری، با تجزیه و تحلیل داده‌ها و ارائه‌ی گزارش‌ها، خلاصه‌ها، داشبورد، نقشه‌ها، چارت‌ها و نمودارها اطلاعات دقیقی در مورد ماهیت کسب و کار در اختیار کاربران قرار می‌دهند.
اهداف سیستم های هوش کسب و کار (هوش تجاری) را می توان در موارد زیر خلاصه کرد:
در واقع معماری هوش تجاری شامل تمامی مراحل، از شناسایی منابع اطلاعاتی گرفته تا استخراج اطلاعات و نمایش دادن آنها به کاربر می شود.
در خیلی از ابزار های پیاده سازی هوش کسب و کار این مراحل در یک محصول جمع آوری شده و در برخی دیگر نیز برای هر قسمت یک ابزار جدا معرفی شده است.
اگر بخواهیم به مراحل اصلی پیاده سازی هوش تجاری بپردازیم می توان گفت هوش تجاری دارای لایه های زیر می باشد:
انواع مختلف منابع اطلاعاتی که در آن ها داده های ارزشمند برای تحلیل وجود دارد، عموما این منابع از نظر ساختاری با یکدیگر متفاوت هستند مثلا ممکن است یک سازمان قسمتی از اطلاعات را در بانک اطلاعاتی SQL Server، قسمتی دیگر را در MySQL و بخشی از داده ها را نیز در فایل های اکسل یا فایل های متنی ذخیره داشته باشد. در نتیجه گام اول برای پیاده سازی سیستم هوش تجاری، شناسایی این منابع و ساختار آنها می باشد.
این مرحله شامل تمامی عملیات از استخراج دادها از منابع اطلاعاتی تا بارگزاری آن ها در انبار داده (Extract, Transform, Load) میباشد. در این فاصله یک سری تغییرات نیز روی داده ها اعمال می شود که شامل تغییر نوع، مقدار و ترکیب و یا جداسازی داده ها است، همچنین با توجه به اینکه امکان اشتباه بودن یا نامعتبر بودن برخی داده ها در سیستم های اطلاعاتی وجود دارد باید داده های استخراج شده را طی فرآیندی پالایش (Data Cleansing) کرد و اطلاعاتی که باعث بروز اشتباه میشوند را حذف و یا تغییر داد. پس از این تغییرات داده ها در انبار داده بارگزاری می شوند.
هدف از ایجاد انبار داده در واقع فراهم ساختن بستری واحد از اطلاعات بصورت یکپارچه و برطرف نمودن بسیاری از چالش ها در دسترسی به اطلاعات و پالایش داده ها میباشد. طراحی انبار داده از مهمترین مراحل پیاده سازی است که در عملکرد سیستم، هم از نظر تحلیل و هم از نظر اجرا نقش اصلی را ایفا میکند. همچنین برای طراحی انبار داده، تسلط به ابزارهای پیاده سازی مرتبط و نیز شناخت خوب از تحلیل کسب و کار الزامی است. انبار داده باید به گونه ای طراحی شود که در آن امکان تجمیع تمامی اطلاعات با ساختار های مختلف وجود داشته باشد.
با توجه به رشد روز افزون داده ها در سیستم های عملیاتی مبتنی بر تراکنش (OLTP) که با هدف ایجاد، ویرایش، حذف اطلاعات و بررسی تراکنش ها طراحی شده اند، امکان پیاده سازی تحلیل پیچیده اطلاعات با عملکرد بالا در آنها به سختی امکان پذیر است. برای بررسی و استفاده از این داده ها نیاز به یک تکنولوژی مبتنی بر تحلیل (OLAP) است که در آن بتوان داده های حجیم را با سرعت بالا تجزیه و تحلیل کرد. در این مرحله رویداد ها (Fact) مانند فروش، پیش فروش، پرداخت، … و ابعاد (Dimension) مختلف مانند زمان، فروشنده، مشتری و… گزارش گیری و چگونگی ارتباط آنها با یکدیگر مشخص می شود. پس از آن مقادیر محاسباتی مانند فروش خالص، موجودی، … برای تعیین شاخص ها در ابعاد مختلف طراحی می شود.
آخرین لایه در پیاده سازی هوش تجاری می باشد که در واقع همان مشاهدات کاربر نهایی است. در این قسمت گزارش ها و داشبورد های مختلف طراحی می شوند. بسته به نیاز سازمان می توان انواع داشبورد های تحلیلی، استراتژیک و عملیاتی را پیاده سازی کرد. قطعا در نمایش اطلاعات به کاربر باید تا جایی که می شود اطلاعات به صورت تحلیل شده و مصور باشند.
مایکروسافت نیز برای هر کدام از مراحل، ابزار خاص آن را پیشنهاد کرده است که همه آن ها در قالب دو پکیج نرم افزاری SQL Server و Power BI ارایه می شوند.
با یک برنامه‌ی هوش تجاری، ایجاد یک گزارش با یک کلیک برای کسب و کار امکان پذیر است. در نتیجه موجب صرفه جویی در وقت و منابع زیادی می‌شود. ضمن این که به کارکنان این امکان را می دهد تا در انجام وظایفشان مفیدتر باشند.
هوش تجاری همچنین به بهبود دید فرآیندها کمک میکند و امکان شناسایی بخش‌هایی را که نیازمند توجه هستند را می‌دهد.
هوش تجاری تمام پیچیدگی‌های مرتبط با فرآیندهای کسب و کار را رفع می کند. و با ارائه‌ی تحلیل پیش بینی شده، مدل سازی کامپیوتری، الگو برداری و سایر روش‌ها، تجزیه و تحلیل‌ها را خودکار میکند.
نرم افزار‌های هوش تجاری حتی به کاربران غیر فنی و کسانی که تحلیلگر نیستند نیز امکان می‌دهد داده‌ها را سریعاً جمع آوری و پردازش کنند.
هوش مصنوعی: گزارش گارتنر نشان می‌دهد که هوش مصنوعی و یادگیری ماشین در حال حاضر کارهای پیچیده‌ای را انجام می‌دهند که توسط هوش انسانی انجام می‌شود . این قابلیت برای حصول تحلیل داده‌های زمان واقعی و گزارش داشبورد مورد استفاده قرار می‌گیرد.
هوش تجاری اشتراکی: نرم‌افزارهای هوش تجاری با ابزارهای مبتنی بر همکاری، از جمله شبکه‌های اجتماعی و سایر تکنولوژی‌های جدید، کار و مشارکت تیم‌ها برای تصمیم‌گیری مشترک/اشتراکی را افزایش می‌دهد.
تجزیه و تحلیل ابری: اپلیکیشن‌های هوش تجاری به زودی در فضای ابری ارائه میشوند و کسب و کارهای بیشتری به این تکنولوژی روی می‌آورند. طبق پیش‌بینی‌ها در عرض چند سال، هزینه تجزیه و تحلیل‌های مبتنی بر ابر ۴.۵ برابر می‌گردد.
