هوش تجاری ( هوش کسب و کار ) چیست؟
هوش تجاری ( هوش کسب و کار ) چیست؟
شنبه, ۱۸ فروردین , ۱۳۹۷

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…

  • محصول (Product) 

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!

  • تکنولوژی (Technology) 

اگرچه ابزار ها و تکنولوژی های متنوعی در رابطه با هوش تجاری مانند ابزارهای ETL، ابزارهای مصورسازی داده ها و موتور دیتابیس های مختلف ارائه می شود اما هوش تجاری فقط تکنولوژی نیست!

  • متدولوژی (Methodology)

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:

  • در زمینه فرآیند های کلیدی کسب و کار می باشند.
  • در تصمیم گیری ها و در عمل استفاده می شوند.
  • منجر به بهینه سازی کارایی کسب و کار می شوند.

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 برنامه ها، زیرساخت ها، ابزارها و همچنین بهروش ها که امکان دسترسی به تحلیل اطلاعات را با هدف بهینه سازی فرآیند تصمیم گیری و اجرا فراهم می‌کند.”

اهداف هوش کسب و کار

اهداف سیستم های هوش کسب و کار (هوش تجاری) را می توان در موارد زیر خلاصه کرد:

  1. تصمیم گیری کلان مبتنی بر تجربیات گذشته سازمان (Data-Driven decision making)
  2. یکپارچگی اطلاعات کل سازمان در یک سیستم (Single version of the truth)
  3. کاوش آسان و دسترسی به اطلاعات در حداقل زمان ممکن
  4. تسریع و بهبود فرآیند تصمیم گیری
  5. تشخیص، پیش بینی و مقایسه روند ها

معماری هوش تجاری

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:

منابع اطلاعاتی

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.

استخراج، پالایش، بارگزاری اطلاعات (ETL)

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.

انبار داده و تجمیع اطلاعات (Data Warehouse)

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.

مدل سازی داده ها و پیاده سازی تحلیل ها (OLAP Data Modeling)

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.

نمایش و مصور سازی اطلاعات (Presentation)

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.

پلتفرم مایکروسافت

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.

برخی سرویس های هوش تجاری در SQL Server :

  • (SSIS (Integration Service سرویس یکپارچه ساز SQL برای پیاده سازی لایه
  • (SSRS  (Reporting Service سرویس گزارش گیری می باشد که با استفاده از آن می توان انواع گزارش ها و داشبورد ها را طراحی کرد.
  • (SSAS    (Analysis Service سرویس موتور تحلیل می باشد که در آن مدل سازی داده ها نجام می شود و دیتابیس تحلیلی طراحی می شود.

ویدیو - هوش کسب و کار چیست؟

پیاده سازی هوش کسب و کار در سازمان شما

نام نویسنده:
به اشتراک بگذارید:
نمودار
مرجع تخصصی هوش تجاری و تحلیل اطلاعات
مقالات مرتبط
یادگیری عمیق
یادگیری عمیق – deep learning چیست؟
اخیراً صحبت‌های بسیاری در رابطه با توانایی‌های یادگیری ماشین (یا Deep Learning)، و کاربرد آن در محیط کارخانجات، انبار ها، ادارات و منازل شده است. همینطور که تکنولوژی با سرعت به پیش می‌رود،ممکن است  ترس‌ها و هیجانات در رابطه با واژه‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق شما را گیج کند. امیدواریم این یادداشت [...]
Multi KPI
Multi KPI

ویژوال قدرتمند  Multi KPI (شاخص کلیدی عملکرد چندگانه)، یک شاخص کلیدی عملکرد (KPI) به همراه چندین نمودار خطی (sparkline)  از داده های پشتیبان (Supporting Data) کاستوم ویژوال Multi KPI (شاخص کلیدی عملکرد چندگانه) نمایانگر یک شاخص کلیدی عملکرد (KPI) به همراه اطلاعات پشتیبان متنوعی است، که شامل: عنوان و زیرنویس نمودارخطی (sparklines) تاریخ کنونی و […]

نظرات