ارزشگزاری هوش تجاری
با توجه به نتایج نظرسنجی مدیریت جهانی داده PricewaterhouseCoopers سال 2001، “شرکتهایی که دادههای خود را به عنوان یک منبع استراتژیک مدیریت میکنند و در کیفیت آن سرمایهگذاری میکنند، از نظر شهرت و سودآوری در حال پیشرفت هستند.” این بیان یک مفهوم بسیار حساس و در عین حال رادیکال را القا میکند: دادهها باید به عنوان یک منبع استراتژیک مدیریت شوند. طبق دیدگاه سنتی، داده “سوخت“ی است که اتوماسیون یک عملیات تجاری را حرکت میدهد، به این معنی که یک شرکت از کامپیوترها برای کمک در اداره تجارت خود استفاده میکند. اما دیدگاه آیندهنگر نسبت به دادهها، این مفهوم را در خود جای داده است که دانش استراتژیک در مجموعهای از دادههای یک شرکت جاسازی شده است و استخراج دانش قابل اجرا به شرکت کمک خواهد کرد تا کسب و کار خود را بهبود بخشد.
این موضوع به یک ایده جذاب دیگر منجر میشود؛ اینکه یک شرکت ممکن است با نگاه کردن به خود به عنوان یک کسب و کار اطلاعاتی به جای استفاده از صنعت سنتی یا دیدگاه عمودی، یک مزیت رقابتی به دست آورد. به عنوان مثال، آیا یک فروشگاه زنجیره ای میوه و سبزیجات تنها یک شرکتی است که غذاها را به فروش میرساند، یا آیا یک شرکتی است که از دانش درباره ترجیحات مشتریان، توجهات جغرافیایی، لجستیک زنجیره تامین، چرخه عمر محصول و اطلاعات فروش رقابتی بهرهبرداری میکند تا بهینهسازی تحویل، موجودی، قیمتگذاری و قرار دادن محصولات خود را به عنوان یک راه برای افزایش حاشیه سود برای هر مورد فروش به کار گیرد؟ پاسخ به این سوال (و نسخههای مشابه در هر صنعتی) در نهایت میتواند پایداری بلندمدت شرکت شما را در عصر اطلاعات تعیین کند.
پس چگونه میتوانید دادهها را به یک منبع استراتژیک تبدیل کنید؟ یک بخش از این فرآیند شامل بهکارگیری صحیح فناوری جدید برای دادههای شما است، اما مهمترین بخش این است که بتوانید ارزش اطلاعات را در قالب یک حالت کسبوکار درک کرده و سپس ساختار آن را بسازید. این تا حدی یک تمرین انتزاعی و تا حدی یک تمرین گسسته است و ما در این مطلب، به تفاوت بین استفاده سنتی از دادهها در یک محیط معاملاتی برای تحقق اثرات عملیاتی و نگاه مدرن به دادهها به عنوان یک منبع ارزشمند که میتواند برای اهداف تحلیلی استفاده شود میپردازیم. ما به مدیران باهوش ارزش اطلاعات را معرفی میکنیم، در مورد جنبههای اطلاعاتی که این ارزش را تشکیل میدهند بحث میکنیم و نشان میدهیم چه نوع پردازشهایی میتواند برای افزودن ارزش به دادهها انجام شود. همچنین ما به برخی از نمونههای کاربردی هوش تجاری (BI) نگاهی میاندازیم تا به شما در درک اینکه چگونه میتوانید ساختار یک برنامه هوش تجاری را برای مورد کسبوکار خود بسازید، راهنمایی کنیم.
دارایی های اطلاعاتی و ارزشگزاری دادهها
آیا داده یک دارایی است؟ اگرچه هیچگاه داده یک شرکت را در لیست داراییها و بدهیهای آن به عنوان یک بند جداگانه ندیدهایم، اما دلایلی وجود دارد که آن را به هر دو صورت در نظر بگیریم. بدون شک، اگر تنها کاری که یک شرکت انجام میدهد، جمعآوری و ذخیره داده باشد، هزینههایی مرتبط با مدیریت مستمر آن داده وجود دارد – هزینههای ذخیرهسازی، نگهداری، فضای اداری، پرسنل پشتیبانی و غیره. این هزینهها باید در ترازنامه به عنوان یک بدهی نمایش داده شود.
به عنوان یک دیدگاه دیگر، میتوان داده را به عنوان یک دارایی در نظر گرفت، زیرا داده میتواند منافعی را به شرکت ارائه دهد، تحت کنترل سازمان باشد و نتیجه معاملات قبلی باشد (به عنوان نتیجه ایجاد داده داخلی یا از طریق خرید داده). اما سازمانها داده را به عنوان یک دارایی در نظر نمیگیرند؛ به عنوان مثال، برای دادههای خریداری شده، جدول استهلاکی وجود ندارد. با این حال، به عنوان یک مسئله مهم، با اینکه ما داده را به عنوان یک دارایی در نظر میگیریم، میتوانیم برای سرمایهگذاری در هوش تجاری مورد کسبوکار دلیل بسازیم و نشان دهیم که چگونه ارزش دارایی داده بهبود مییابد.
این نشان میدهد که باید یک روشی برای اندازهگیری ارزش دادهها داشته باشیم، و در اینجا به مشکل برمیخوریم. در شرایط نسبتاً کمی میتوانیم به طور دقیق قیمتی مجزا برای اطلاعات تعیین کنیم و این ساختار قیمتگذاری بیشتر بر اساس ارزش است و نه بر اساس آنکه دادهها را به عنوان یک کالا در نظر بگیریم.
اما در بیشتر موارد، ارزش اطلاعات به تعدادی عامل متفاوت وابسته است و جالب اینجاست که هرچقدر با این عوامل آشنا میشویم، به توسعه یک مدل برای ارزشگزاری اطلاعات نزدیکتر میشویم. این بدان معنا نیست که ما میتوانیم به دقت ارزش دادهها را در ترازنامه به عنوان یک دارایی مشخص کنیم، اما این میتواند پارامترهایی را برای درک ارزش اطلاعات و به تبع آن ارزش هوش تجاری به ما بدهد.
ارزش زمانی دادهها
یکی از جنبههای مهم ارزش اطلاعات، جنبه زمانی یا جاری بودن آن است. به طور ساده، اگر در تاریخ 1 فروردین یک پیشگو به شما بگوید که در تاریخ 2 اردیبهشت قیمت دلار 19 هزار تومان بیشتر از قیمت 1 فروردین خواهد بود، شما میتوانید امروز از آن اطلاعات بهرهبرداری کنید و تمام سرمایه خود را به دلار تبدیل کنید و در تاریخ 2 اردیبهشت با سود 10 هزارتومانی بفروشید. اما اگر من همین اطلاعات را در تاریخ 3 اردیبهشت به شما داده باشم، نمیتوانید به همان شکل از آن بهرهبرداری کنید. در این مورد، بخش قابل توجهی از ارزش آن قطعه اطلاعات به جاری بودن آن وابسته است.
این مثال ممکن است به نظر یکم غیرقابل تصور برسد، اما مفهوم آن واضح است که بخشی از ارزش اطلاعات به زمان مربوط است و این ارزش ممکن است با گذشت زمان کاهش یابد. زیرا دادههای ذخیره شده نمایانگر یک نمونه از وضعیت دنیای واقعی در یک زمان خاص است، پس در صورت عدم نگهداری مداوم، با تغییرات دنیا، نمونه ما با واقعیت هماهنگی کمتری خواهد داشت. به عنوان مثال، پایگاه داده اطلاعات اداره پست ممکن است در زمان ایجاد ارزش بالایی داشته باشد، اما اگر این پایگاه داده با آدرسهای جدید بروزرسانی نشود (زیرا تقریباً 20٪ از جمعیت هر سال آدرس خود را تغییر میدهند) ، ارزش آن با گذشت زمان کاهش خواهد یافت. علاوه بر این، دادههای نادرست در واقع میتوانند به عنوان یک بار محسوب شوند: کاهشی در هزینههای ثابت مربوط به مدیریت آن دادههای نادرست صورت نمیگیرد و استفاده از دادهها به عنوان بخشی از یک فرآیند یکپارچگی یا ارتباطات، پاسخهای نادرست را ارائه خواهد داد و ارزش کلی مجموعه داده کاهش خواهد یافت.
اطلاعات به عنوان یک منبع قابل به اشتراکگذاری
برخلاف سایر منابع خام استفاده شده در فرآیند تولید، دادهها یک منبع خام هستند که به طور کامل مصرف نمیشوند. این بدان معنی است که اطلاعات قابل به اشتراک گذاری هستند و ارزش اطلاعات با افزایش تعداد افرادی که از آن استفاده میکنند، افزایش مییابد. مثالی از این موضوع دانشی است که فروشندگان در مورد زمان مناسب برای تماس با مشتریان میدانند. این دانش میتواند فرایند کار را برای هر فروشنده بهبود بخشد. اما حتی اگر آن فروشنده این دانش را با سایر اعضای تیم فروش به اشتراک بگذارد، ارزش اطلاعاتی که هر فردی از آن آگاه است، کاهش نمییابد. این بدان معنی است که ارزش اطلاعات به تعداد افرادی که آن را میشناسند، ضرب میشود.
در حوزه هوش تجاری (Business Intelligence)، این امر از طریق انبارهی داده (Data Warehouse) نمایان میشود که به عنوان یک مخزن مرکزی برای حجم عظیمی از دادههای به اشتراک گذاشته شده استفاده میشود. اگر ارزش اقتصادیای از یک قطعه اطلاعات قابل استخراج باشد، این ارزش از طریق به اشتراک گذاری میتواند افزایش یابد.
افزایش ارزش از طریق استفاده بیشتر
در اکثر داراییها، هرچه استفاده بیشتری از آنها صورت بگیرد، ارزش آنها کاهش مییابد. به عنوان مثال، به ازای هر کیلومتری که یک خودرو راننده شود، ارزش خودرو کاهش میابد. از طرف دیگر، ارزش دادهها با استفاده افزایشی کاهش نمییابد، زیرا تعداد بارهای مشاهده آن اثری بر اطلاعات ندارد. وقتی همه اعضای سازمان، اطلاعات موجود را بشناسند، روش دسترسی به آنها را بدانند و بتوانند از آنها بهرهبرداری کنند، ارزش آن اطلاعات به سرعت افزایش مییابد. اگر دادهها ذخیره شوند و مدیریت شوند ولی هرگز استفاده نشوند، ارزش افزودهای ندارند و همانطور که در مقدمه این بخش اشاره کردم، در واقع به عنوان یک بدهی محسوب میشوند.
افزایش ارزش از طریق کیفیت
بیایید یک بار دیگر به مثال قیمت دلار نگاه کنیم، اما این بار آن را تغییر دهیم؛ این بار، پیشگو یک شخص غلط است و به شما میگوید قیمت دلار تا پایان ساعت کاری فردا 10 هزار تومان کاهش خواهد یافت، در حالی که در واقع 10 هزار تومان افزایش خواهد یافت. شما با اعتقاد به درستی این اطلاعات، در نهایت به جای افزایش ارزش با یک افت بزرگ روبرو خواهید شد. این موضوع اهمیت دقت اطلاعات و کیفیت آنها را نشان میدهد. داشتن فهمی از اندازه یا کیفیت دادههای استفاده شده در فرآیند تصمیمگیری، به تصمیمگیرنده امکان میدهد ریسکهای مرتبط با اعتماد به آن دادهها را تعیین کند.
افزایش ارزش از طریق ادغام
فرآیند ترکیب قطعات دانش، هنگام افزایش ارزش اطلاعات، تأثیر قابل توجهی دارد. داشتن اطلاعات درباره کانالهای فروش ارزشمند است؛ داشتن اطلاعات درباره کانالهای تأمین نیز ارزش دارد؛ اما ترکیب اطلاعات کانال تأمین با اطلاعات کانال فروش، دانشی درباره حرکت محصولات از تامینکننده تا مشتری فراهم میکند.
ارزش اطلاعات زمانی افزایش مییابد که بتواند سایر قطعات اطلاعات را بهبود و گسترش دهد. فرایند BI بر اساس توانایی جمعآوری، تجمیع و به طور حیاتی استفاده از یکپارچگی مجموعههای مختلف دادهها است. همانطور که در این مطلب بارها بحث خواهیم کرد، اگر بتوانیم دو قطعه اطلاعات را به هم متصل کنیم و نتیجهای جدید که به صورت مستقل نمیتوانست به آن دست یابیم را نتیجه گیری کنیم، میتوانیم از آن استنتاج برای بهرهبرداری از مزیت رقابتی بهرهبریم.
ارزش در مقابل حجم
بر خلاف رفتار سایر داراییها، ما نیازمند داشتن اطلاعات بیشتر برای کسب ارزش بیشتر نیستیم. حجم بسیار زیادی از اطلاعاتی که هر سال تولید میشود، تقریباً غیرقابل تصور است؛ تلاش برای یکپارچهسازی آن با آنچه قبلاً وجود داشته است، به نظر یک تلاش بزرگ و دشوار میرسد و در واقع، هر چه بیشتر دادهها به یک فرد ارائه شود، احتمال جذب هر یک از آنها کمتر میشود.
هنگامی که تعداد منابع داده افزایش مییابد پیچیدگی ادغام دادهها نیز به شدت افزایش مییابد. دادههای مختلف اغلب با مدلهای داده مشترک، نمایش موجودیتهای همان نوع یا حتی دادههای مرجع کدگذاری شده به اشتراک گذاشته نمیشوند. هر مجموعه داده که به مجموعه موجود در مخزن اضافه میشود، باید با تمام مجموعههای دیگری که قبلاً در مخزن وجود دارند، ادغام شود و تمام مشکلات مرتبط با این ادغام را به همراه داشته باشد.
از سوی دیگر، یک ادراک وجود دارد که هر چه اطلاعات بیشتری وجود داشته باشد، بهتر است. بنابراین، یک خط مرز باریک بین داشتن مقدار مناسبی از اطلاعات و داشتن اطلاعات بیش از حد وجود دارد. داشتن مقدار مناسب اطلاعات به این معنی است که این اطلاعات نیازهای تعریف شده کسب وکار را پشتیبانی میکند و فرض میشود که شما قادر به ادغام این اطلاعات هستید و آنها را در زمان مورد نیاز ارائه میدهید.
علاوه بر این، وجود تفاوت کیفی بین داشتن مجموعههای بزرگ از دادهها که از منابع داده متفاوتی به دست میآیند و داشتن مجموعههای بزرگ از دادهها که از یک منبع منشأ دارند، وجود دارد. به عنوان مثال، حفظ مجموعهای بزرگ از دادههای تراکنشی تاریخی (مانند دادههای نقطهفروش یا رکوردهای جزئیات تماس) ممکن است هنگام تجزیه و تحلیل روندها در طول دورههای زمانی بلندمدت، ارزش بیشتری داشته باشد.
معیارهای اندازهگیری ارزش اطلاعات
یکی از روشهای ارزیابی ارزش اطلاعات میتواند مرور مدلهای ارزشگزاری سنتی برای داراییهای دیگر باشد.
- هزینهی تاریخی:
در این روش، ارزش بر اساس مبلغی است که برای تهیه یا ایجاد اطلاعات پرداخت شده است یا بر اساس هزینهای که برای جایگزینی اطلاعات وجود دارد، تعیین میشود.
- ارزش بازاری:
در این روش، ارزش براساس مبلغی است که فرد دیگری حاضر به پرداخت آن برای اطلاعات است. شرکتهای تجمیع داده و بستهبندی بر اساس این مدل محصولاتی ایجاد میکنند، به خصوص زمانی که هدف، بهبود کیفیت، افزایش دسترسی یا ارتقاء اطلاعاتی است که به طور معمول برای افراد به صورت مستقل سخت است.
- ارزش انگیزهای:
در این روش، ارزش اطلاعات بر اساس ارزش مورد انتظاری که از آن اطلاعات بدست میآید، ارزیابی میشود.
بازدهی سرمایه در دانش قابل اجرا
در این نقطه مهم است که به شما یادآوری شود که یک دارایی تنها زمانی ارزش خود را حفظ میکند که ما از آن استفاده کنیم. در دنیای BI ، احتمالاً برای ساخت محیطی که دادهها به دانش تبدیل شوند، سرمایهگذاری مورد نیاز است، اما بهره واقعی زمانی بدست میآید که آن دانش قابل اجرا باشد. این بدان معناست که یک سازمان نمیتواند فقط برای کارخانه اطلاعاتی ارائه دهد؛ بلکه باید روشهایی برای استخراج ارزش از آن دانش داشته باشد. این یک مسئله سازمانی است و نه فنی. شناسایی دانش قابل اجرا تنها یک مورد است، اما انجام اقدام صحیح نیازمند یک سازمان چابک با افرادی است که توانایی انجام آن اقدام را دارند. اگرچه این مطلب هدفش جایگزینی برای دانشکده تجارت نیست، اما باید روشن باشد که قبل از شروع به ساخت یک برنامه BI ، هر فعالیت BI در کنار استراتژی بازگشت سرمایه (ROI) باید قرار داشته باشد.
اجزای این استراتژی شامل تحلیل هزینهها، افزایش درآمدهای مرتبط با فعالیت و سایر فواید قابل تمایز میباشد. این استراتژی باید شامل موارد زیر باشد:
- هزینههای ثابتی که قبلاً در زیرساخت فناوری اطلاعات (BI) شامل میشود (مانند خرید پایگاه داده یا ابزارهای استعلام و گزارشدهی)
- هزینههای متغیر مرتبط با فعالیت (به عنوان مثال، آیا نیاز به اجزاء نرمافزاری ویژهای وجود دارد؟)
- هزینههای مداوم برای حفظ این فعالیت
- ارزش فواید حاصل از اقدامات انجام شده در زمانی که دانش مورد انتظار از فعالیت به دست آید
- هزینهها و فواید سایر اجزای BI که باید به این فعالیت کسبوکاری کمک کنند
- مدل ارزش مورد انتظار از این فعالیت
- احتمالات اجرای موفق این اقدامات بر اساس ارزش مورد انتظار
- تعیین زمان تسویه هزینه و همچنین یک مدل سودآوری
بیایید یک مثال ساده را مورد بررسی قرار دهیم: ساخت یک انبارهی داده CRM به منظور افزایش ارزش عمر هر مشتری در پایگاه مشتریان یک شرکت. هدف این است که یک انبارهی داده ایجاد شود که تمام داده های مربوط به هر مشتری فرد را در بر بگیرد. ساخت این انبارهی داده هزینه هایی همچون سختافزار محاسباتی فیزیکی، سیستم پایگاه داده، ابزارهای نرمافزاری اضافی و یکپارچهسازی این اجزا با سازمان را به همراه دارد. سپس هزینههای اضافی مرتبط با طراحی و پیادهسازی مدل(های) انبارهی داده، همچنین شناسایی منابع داده، توسعه فرآیندهای استخراج داده از منابع و بارگذاری آنها به انبارهی داده و نگهداری مداوم از انبارهی داده وجود دارد.
مزیت مورد انتظار از انبارهی داده، افزایش 30 درصدی ارزش عمر هر مشتری تا پایان سال سوم پس از راهاندازی انبارهی داده به تولید است. مدل ROI باید هزینه های فوق را با ارزش کلی مزیت مرتبط با افزایش ارزش عمر مقایسه کند. اگر نقطه سرریز نباشد، هزینه ساخت انبارهی داده بیشتر از ارزش حاصل از آن است؛ در این صورت، احتمالاً میارزد قبل از ارائه آن به مدیران ارشد، به دنبال ارزش اضافی دیگری که میتوان از پروژه استخراج کرد، باشیم.
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 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 موارد مطرح شده در این مطلب میتوانید با استفاده از داشبوردهای هوش تجاری، کسب و کار خود را ارتقاء دهید.
ما در مطالب بعدی، کاربردهای هوش تجاری و تحلیل ها را معرفی خواهیم کرد، از جمله تحلیل مشتریان (CRM) ، تحلیل بهرهوری کسب و کار، تحلیل کانالهای فروش، تحلیل زنجیره تأمین، تحلیل رفتار و موارد مرتبط که شما را به شناخت بهتر هوش تجاری و نیز داشبورد هوش تجاری نزدیک میکند که میتواند موفقیتی برای کسب و کار شما باشد.