نکات موفقیت در پروژههای هوش تجاری
دلیل اینکه شما این مطلب را میخوانید، میتواند این باشد که احتمالاً در ایجاد، مدیریت، نگهداری یا توسعه یک برنامه هوش تجاری (BI) درگیر هستید. احتمالاً در سلسله مراتب مدیریتی ارشد شرکت شما، برخی افراد متقاعد شدهاند که ایجاد یک سامانه هوش تجاری ارزشمند است. متأسفانه، نگرشهای متفاوت درباره تعریف هوش تجاری، اهداف هوش تجاری، مزایای هوش تجاری و کاربرد دانش هوش تجاری، اغلب منجر به شکست پروژه میشود.
با نگاهی به شرکتهایی که پروژههای انبارهی داده سازمانی را آغاز کرده یا نرمافزارهای استخراج داده بزرگ (Big Data) را خریداری کردهاند، انتظارات بالا و تعداد زیادی ناامیدی درباره شکست در روشهای طراحی، مدیریت و اجرای پروژههای انبارهی داده (data warehouse) را میبینیم، این دلایل ممکن است شامل یک یا تمامی موارد زیر باشد:
- درک نامشخصی از قابلیتها و محصولات هوش تجاری منجر به عدم ارائه یک پیشنهاد ارزشمند از سوی حامی تجاری شد.
- دامنه پروژه به طور کامل درک نشده بود که منجر به تأخیر در ارائه خدمات به حامی تجاری شد.
- آموزش فنی نا کافی مانعی برای توسعهدهندگان برای رسیدن به عملکرد مورد انتظار نرمافزارها شده است.
- درک ناکافی از زیرساخت فناوری منجر به برنامهریزی و زمانبندی نامناسب میشود.
- کاربران تجاری به دلیل کیفیت ناکافی دادهها قادر به اعتماد به نتایج نبودهاند.
- عدم وجود یک بیانیه واضح از معیارهای موفقیت و همچنین عدم وجود روشهایی برای اندازهگیری موفقیت برنامه، منجر به شکست میشود.
هدف این مطلب ارائه یک نمای کلی و جامع از مفاهیم فنی (و در برخی موارد سیاسی) است که یک مدیر باهوش باید به آنها آگاه باشد تا وقتی در یک پروژه هوش تجاری یا بهرهبرداری از اطلاعات شرکت میکند، آن پروژه را موفق کند. این مطالب هدف دارند فناوریهای جالب را در یک چارچوب عملیاتی کسب وکار قرار داده و در عین حال اطلاعات فنی مقدماتی را ارائه کرده و مسائل مهمی مانند موارد زیر را برجسته کنند :
- مسائل مدیریتی
- مسائل فنی
- مسائل عملکرد
- پیچیدگی
این مطلب اجزای معماری اساسی یک محیط هوش تجاری را شرح خواهد داد، از مباحث سنتی مانند مدلسازی فرآیندهای کسبوکار و مدلسازی داده شروع کرده و به مباحث مدرنتر مانند سیستمهای قوانین کسبوکار، پروفایل داده، مطابقت اطلاعات و کیفیت داده، انبارهی داده و استخراج داده میپردازد. امیدواریم این مطلب معرفی مفیدی درباره فناوری، مسائل مدیریتی و اصطلاحات صنعت هوش تجاری باشد. اما در ابتدا، بیایید به تعریفی از هوش تجاری برسیم…
هوش تجاری چیست؟
موسسه دیتا ورهاوسینگ (Data Warehousing) که یک سازمان آموزشی و آموزش در زمینه انبارهی داده و صنعت هوش تجاری است، هوش تجاری را به شرح زیر تعریف میکند:
فرایندها، فناوریها و ابزارهایی که برای تبدیل داده به اطلاعات، اطلاعات به دانش و دانش به برنامههایی که عملکرد تجاری سودآور را تحت تأثیر قرار میدهند، نیاز است. هوش تجاری شامل انبارهی داده، ابزارهای تجزیه و تحلیل تجاری و مدیریت محتوا/دانش میشود.
این یک تعریف کارآمد است، زیرا به طور کامل مفهومی را که سلسله مراتبی بر روی دامنههای مختلف هوش اعمال میشود در بر میگیرد. علاوه بر این، این تعریف دو مفهوم بحرانی را نیز آشکار میکند:
- یک پروژه هوش تجاری بیش از یک مجموعه ابزار است. این بدان معناست که بدون فرآیندها و افراد صحیح، ابزارها ارزش کمی دارند.
- ارزش هوش تجاری در زمینه عملکرد تجاری سودآور بهبود مییابد. این بدان معناست که اگر دانشی که میتواند برای عملکرد سودآور استفاده شود، نادیده گرفته شود، پروژه ارزش کمی دارد.
متأسفانه، کلمات داده و اطلاعات به طور متقابل به کار میروند. با خطر تداخل با درک هر فردی از اصطلاحات “داده”، “اطلاعات” و “دانش”، بیایید از این تعاریف مفهومی استفاده کنیم:
- داده مجموعهای از عناصر مقادیر خام یا حقایق است که برای محاسبه، استدلال یا اندازهگیری استفاده میشود. داده ممکن است جمعآوری، ذخیره یا پردازش شود، اما به هیچ روشی در زمینهای قرار نمیگیرد که معنایی استخراج شود.
- اطلاعات نتیجه جمعآوری و سازماندهی دادهها به گونهای است که روابط بین موارد دادهای برقرار شده و از طریق آن، مفهوم و زمینه فراهم میشود.
- دانش مفهوم درک اطلاعات براساس الگوهای شناختهشده به گونهای است که بینشی به اطلاعات فراهم میکند.
تبدیل داده به اطلاعات
فرآیند تبدیل داده به اطلاعات میتواند به عنوان فرآیند تعیین کننده دادههایی که باید جمعآوری و مدیریت شوند و در چه زمینهای قرار گیرند خلاصه شود. یک مثال خوب این است که فرآیند طراحی یک پایگاه داده تحلیلی را مدل کند که مجموعهای از موجودیتهای جهان واقعی را نمایش میدهد، مانند اشخاص که اصطلاحی است که به افراد و سازمانها اشاره میکند، همراه با نقشهایی که توسط این اشخاص برعهدۀ آنها قرار میگیرد. در خارج از زمینه، قطعات جداگانه دادهها، مانند نامها و تاریخ تولد، ارزش کمی دارند. با تعیین دادههایی که برای تنظیم توصیفی از یک شخص استفاده میشوند، همچنین ایجاد نمونهها و پر کردن این نمونهها با مقادیر دادههای مرتبط، ما زمینه را برای قطعات داده ایجاد کردهایم و آنها را به قطعهای از اطلاعات تبدیل کردهایم.
میتوان گفت که این جنبه از کاربرد هوش تجاری شامل زیرساخت مدیریت و ارائه داده است، که شامل پلتفرمهای سختافزاری، سیستمهای پایگاه داده یا سایر انواع سیستمهای پایگاه داده و ابزارهای نرمافزاری مرتبط میشود. این جنبه همچنین شامل ابزارهای پرسوجو و گزارشدهی است که دسترسی به داده را فراهم میکنند. در آخر، انجام این قسمت از فرایند بدون حضور کارشناسان در زمینه مدیریت داده که این فناوری را ادغام و هماهنگسازی میکنند، امکانپذیر نیست.
تبدیل اطلاعات به دانش
گاهی اتفاق میافتد که در وسط شب بیدار میشوید یا شاید وقتی در ترافیک گیر کردهاید یا حتی در حال رویاپردازی در حمام هستید. من به آن لحظهی الهام بخشی که به نظر میرسد به طور معجزه آسا ظاهر میشود و پاسخی را برای آن مسئله پیچیده و مشکلسازی که درگیر آن هستید به شما میدهد، اشاره میکنم. دوست دارم مفهوم تبدیل اطلاعات به دانش را با آن لحظهی الهام بخش مقایسه کنم. ما مقدار زیادی از اطلاعات را جمعآوری میکنیم که به گونههای مختلفی تجزیه و تحلیل میشوند تا برخی از قطعات بحرانی دانش ایجاد شود. آنچه این دانش را بحرانی میکند قابل استفاده بودن آن برای ایجاد برنامهای جهت حل مسئلهای در حوزهٔ تجاری است. میتوانیم بگوییم که این جنبه از BI شامل مولفههای تحلیلی مانند ذخیرهداده، پردازش تحلیلی آنلاین (OLAP)، کیفیت داده، تجزیه و تحلیل داده، تحلیل قوانین تجاری و استخراج داده است. همچنین، تهیه ابزارها برای انجام این عملکردها در صورت عدم حضور کارشناسانی که درک کافی از استفاده از این ابزارها و دریافت نتایج مناسب را داشته باشند، ارزش چندانی ندارد.
تبدیل دانش به برنامههای عملی
این جنبهٔ آخر بیشترین اهمیت را دارد، زیرا ارزش واقعی در این زمینه به دست میآید. اگر از BI برای میکروبازاریابی استفاده میکنید، یافتن مشتری مناسب برای محصول شما بیارتباط است اگر برنامهای برای تماس با آن مشتری وجود نداشته باشد. اگر از BI برای تشخیص تقلب استفاده میکنید، کشف الگوی تقلب ارزش چندانی ندارد اگر سازمان شما برای جلوگیری از این رفتارهای تقلبی اقدامی نکند. توانایی اقدام بر اساس دانشی که یاد گرفتهایم، نقطه کلیدی هر استراتژی BI است. از طریق این اقدامات، یک حامی مدیریت بالادستی میتواند بازگشت واقعی سرمایهگذاری خود را در هزینههای فناوری اطلاعات (IT) خود مشاهده کند. یک برنامه BI فوایدی ارائه میدهد که کارآیی تجاری را افزایش میدهد، فروش را افزایش میدهد، هدفگیری بهتر از مشتری را فراهم میکند، هزینههای خدمات مشتری را کاهش میدهد، تقلب را شناسایی میکند و به طور کلی سودها را افزایش و هزینهها را کاهش میدهد. به این دلیل، میتوان گفت که وقتی BI به درستی پیادهسازی شود، یکی از زمینههای IT است که میتواند به جای مرکز هزینههای سنتی، یک مرکز سودآور باشد.
دانش قابل عمل
این نکته آخر به قدری حائز اهمیت است که ارزش دانش کشف شده بسیار کم میشود، مگر اینکه اقدامی ارزشآفرین براساس آن دانش انجام شود. این به معنای آن است که همکاری بین تجارت و فناوری باید نه تنها برای اقدام بر اساس اطلاعات شناسایی شده بلکه به منظور انجام آن به صورت مناسب و به موقع برای بدست آوردن بیشترین سود، انجام شود. این مسئله نشان میدهد که موفقیت هوش تجاری(BI) نتیجهٔ همکاری بین توسعهدهندگان فنی و مشتریان تجاری آن است.
منابع مرتبط
تعدادی منبع آنلاین خوب وجود دارند که مقالات زیادی در مورد دیتا ورهاوسینگ و BI ارائه میدهند. برخی از این منابع عبارتند از:
- www.dmreview.com، وب سایت مجله DM Review
- www.datawarehouse.com، یک وب سایت اجتماعی با انجمنهای جالب
- www.intelligententerprise.com، وب سایت مجله Intelligent Enterprise
- www.dw-institute.com، وب سایت موسسه دیتاورهاوسینگ، جایی که اسناد بسیار ارزشمندی در مورد معنی و ارزش BI مطرح میشوند
- www.dwinfocenter.org، وب سایت مرکز اطلاعات دیتاورهاوسینگ
- www.tdan.com، وب سایت خبرنامه مدیریت داده
شرکت داده های هوشمند ساویس با هدف کمک به طراحی، توسعه و رشد محصول و کسب و کار خدمات متفاوتی ارائه میکند. با توجه به اینکه تیم/ مجموعه شما چه ابعاد و نیازهایی دارد، برنامه همکاری و سرویسدهی به شما بطور منحصر بفرد طراحی و بصورت پروپوزال به شما ارائه میشود. با توجه به اهداف هوش تجاری و مزایای مطرح شده در این مطلب میتوانید با استفاده از داشبوردهای هوش تجاری کسب و کار خود را ارتقاء دهید.
ما در مطالب بعدی، هر بخش یک قابلیت ارزیابی ارزش اطلاعات را معرفی خواهیم کرد، از جمله دارایی اطلاعات و ارزشگذاری دادهها ، افزایش ارزش دادهها، همراه با برخی از معیارهای اندازه گیری ارزش اطلاعات نظیر هزینه تاریخی، ارزش بازاری و ارزش انگیزهای که ممکن است چالشی برای بازدهی سرمایه موفقیتآمیز باشد.