عوامل موفقیت در هوش تجاری
اگرچه ممکن است عوامل متعددی به موفقیت هر پروژه هوش تجاری (BI) کمک کنند، اما در ادامه برخی از عوامل بحرانی برای موفقیت هوش تجاری ذکر شده است.
مدیریت قوی و متعهد
همانطور که در مطلب قبلی اشاره کردیم، داشتن مدیریت قوی در حوزه تجاری بسیار مهم است که قادر باشد:
- فرایند درگیری جنبه تجاری را هدایت کند.
- تعریف موفقیت و معیارهای مرتبط با آن را راهنمایی کند.
- فرایند کسب دانش و فناوری را مدیریت کند.
- پیادهسازی برنامه را مدیریت کند.
- هر بمب زمانی سیاسی را خنثی کند.
تعیین انتظارات مناسب
برای جلوگیری از اینکه احساس شود انتظارات برآورده نشدهاند، مهم است فرآیندی برای تعیین، بیان و ثبت انتظارات مناسب در مورد موارد زیر وجود داشته باشد:
- قابلیتها:
که به نوع برنامهها و ویژگیهای هوش تجاری (BI) اشاره دارد.
- دسترسی:
که تضمین میکند که مشتریانی که قرار است از یک برنامه خاص هوش تجاری بهرهبرداری کنند، قادر به دسترسی به برنامه و دادههای آن هستند.
- عملکرد:
که به عملکرد تعاملی و قابلیت مقیاسپذیری (برای مشاهده قابلیت مقیاسپذیری، به مطالب قبلی مراجعه کنید) اشاره دارد.
- ارسال:
که به موقعیت و قابل پیشبینی بودن ارسال قابلیتها در برنامه زمانبندی شده اشاره دارد.
- کیفیت:
به ارتباط با دادهها، برنامهها و گزارشها میپردازد.
- قابلیت در دسترس بودن:
که براساس توافقنامههای سطح خدمات مورد توافق تعیین میشود.
- ارتباط با تجارت:
که بسیار مهم است، زیرا اهداف را با شاخصهای عملکرد کلیدی تجاری مانند کاهش هزینه، افزایش ظرفیت یا حجم و سود بالاتر مرتبط میکند.
اغلب، بسیاری از مشتریان انتظارات خود را به عنوان نتیجهای از برنامه یا سرویس تجاری که توسط یک راهحل فنی پشتیبانی میشود، تعریف میکنند. در این موارد، ادراک موفقیت یا شکست (به اشتباه) به قابلیت مشتری برای انجام کارهای خود ارتباط دارد، که ممکن است به صحت راهحل فنی مرتبط نباشد. این ها علائمی از تعیین انتظارات نادرست هستند؛ در عوض، مسیر موفقیت این است که مشتری تجاری مسئله تجاری خود را بیان کند و سپس با اجراکنندگان راهحل در مورد فرایند حل مسئله بحث کند.
بیایید این مثال را در نظر بگیریم: تیم مدیریت تأمین کننده برای یک تولیدکننده بزرگ، قصد دارد یک مرکز داده (Data Mart) را برای تعیین حجم کسب و کاری که شرکت با هر یک از تأمین کنندگان خود دارد، ایجاد کند. این تیم دادههای خود را به یک شرکت ارتقاء داده (Data Enhancement) ارائه میدهد تا با هدف تجمیع نام شرکت، اطلاعات را ارائه کند. متأسفانه، شرکت ارتقاء داده، همان کاری را انجام میدهد که معمولاً انجام میدهد، یعنی تجمیع بر اساس سلسله مراتب شرکتی و نه بر اساس شرکت، که باعث میشود شعب وابسته مستقل را در یک گروه قرار دهد، که برای نیازهای مشتری اصولاً اضافی است. نه تنها تیم مدیریت تأمین کننده نتیجه مورد نظر خود را دریافت نمیکند، بلکه اطلاعات برای اهداف خود بدتر هم میشوند و نتیجه نهایی آن این است که کل پروژه به عنوان یک شکست کامل مورد نظر قرار میگیرد. با این حال، اگر تیم انتظارات نتیجه خود را به شرکت ارتقاء داده به درستی بیان کرده بود، احتمالاً مرکز داده به درستی ساخته شده و به عنوان یک موفقیت در نظر گرفته میشد.
تعیین معیارهای موفقیت
در قسمت قبلی به بررسی برخی از ابعاد تعیین انتظارات پرداختیم؛ در این قسمت به آنچه برای تعیین تطابق با این انتظارات نیاز است میپردازیم. این مسئله به توانایی شناسایی روشی برای کمیسازی تطابق با یک انتظار و امکان اندازهگیری این تطابق مربوط میشود. معیارهای موفقیت میتوانند به طور مستقیم با هر یک از ابعاد تعیین انتظارات مرتبط باشند.
- قابلیتها (Functionality) میتوانند به تجزیه و تحلیل ویژگیهای سرویس یا محصول تقسیم شوند؛ موفقیت میتواند براساس تعداد ویژگیهایی که توسط آن سرویس یا محصول پشتیبانی میشود، اندازهگیری شود.
- دسترسی (Accessibility) میتواند به عنوان یک مجموعه از سیاستهای دسترسی که اطلاعات مشتریان را با محدودیتهای امنیتی مرتبط میکند، نماینده مناسبی باشد. دسترسی میتواند براساس تعداد مشتریان موجود، مسیر دسترسی آنها (مانند اتصال نرمافزاری) و اینکه آیا دسترسی مناسب اعطا شده است یا خیر، اندازهگیری شود.
- عملکرد (Performance) میتواند به عنوان مجموعهای از اجزا عملکردی تجزیه شود، مانند به موقعیت (چقدر سریع اطلاعات در دسترس است؟)، سرعت پردازش (چقدر سریع فرآیندهای مورد نیاز برای تحلیل پایان مییابند؟) و حجم/ظرفیت (چند نفر را میتوانم پردازش کنم؟ و با چه نرخی؟).
- ارسال (Delivery) نتیجه ای از این است که آیا آنچه که قول داده شده است به موقع تحویل داده شود یا خیر. به طور عملی، یک برنامه که قولهایی که توسط افراد یا تیمها داده شده است ارسال نشود، برنامهای است که به شکست میانجامد. حتی اگر زمان تحویل به میزانی که مشتری میخواهد بهروز نباشد، مهمترین مسئله قابلیت پیشبینی است، به عبارت دیگر، دانستن زمانی که میتوان به طور قابل اعتماد انتظار داشت یک ویژگی یا حقوق دسترسی در دسترس قرار بگیرد.
- کیفیت (Quality) بسیار پرحرف است اما کمتر مورد بررسی قرار میگیرد. کیفیت بالای اطلاعات در یک برنامه هوش تجاری (BI) احتمالاً مهمترین عامل موفقیت است، زیرا اگر اطلاعات کیفیت پایینی داشته باشند، هیچ کامپوننت دیگری از سیستم قابل اعتماد نخواهد بود. اندازهگیری کیفیت مسئلهای جالب است؛ وقتی در مورد اشیاء ساخته شده صحبت میکنیم، میتوانیم یک نتیجه مورد انتظار را تعریف کنیم و سپس محدودهای از مقادیر قابل قبول را تعیین کنیم. به عنوان مثال، اگر در حال ساخت پیچهای یک سانتی هستیم، شاید بتوانیم پیچهایی که ۱٫۰۰۲ سانت طول دارند را قبول کنیم. از طرف دیگر، به دلیل دشواری تعریف دقیق اینکه چه چیزی در داده درست است و چه چیزی درست نیست، تعریف برخی از معیارهای کیفیت داده به طور شیوا مشکل است.
- در دسترس بودن (Availability) به نسبت آسان قابل اندازهگیری است؛ در واقع، بسیاری از سیستمها به میزان توقف و عدم توقف به عنوان معیاری از در دسترس بودن ارجاع میدهند. همچنین میتوان یک معیار از ساعتهای برنامهریزی شده که سیستمها قرار است در دسترس باشند، در نظر گرفت. همچنین مفاهیمی مانند عمر مورد انتظار اجزا مختلف که به در دسترس بودن مربوط میشود، مانند میانگین زمان بین خرابیها (MTBF) برای سختافزار و غیره وجود دارد.
- ارتباط با تجارت (Business relevance) در عین حال آسان و دشوار است: آسان، زیرا تأثیرات یک برنامه موفق به سرعت واضح میشوند؛ دشوار، زیرا اینکه نتیجه قابل تعلق به هوش تجاری اولیه است یا خیر ممکن است به وضوح آشکار نباشد. وقتی ما فرایند تجارت را مدلسازی میکنیم و سپس اهمیت اجزای برنامه هوش تجاری را در این فرایند تعیین میکنیم، ممکن است راه بهتری برای ردیابی بهبودی پایه به برنامه فنی وجود داشته باشد.
ساختن یک تیم قوی
تشکیل یک گروه مناسب از افراد باهوش و متعهد برای عهدهدار شدن از بخشی از برنامه هوش تجاری (BI) برای موفقیت بسیار حیاتی است. در مطلب بعدی در مورد ساخت تیم، به این موضوع به طور مفصل خواهیم پرداخت.
درک فناوری
در تضاد با آنچه بسیاری از کارشناسان میگویند، ما باور داریم که همه افراد درگیر در هوش تجاری (BI)، از جمله شرکای تجاری، باید درکی از فناوریهایی که برنامه هوش تجاری را تشکیل میدهند، داشته باشند. چند دلیل برای این موضوع وجود دارد:
- درک فناوری، پایهای از امکانات و غیرامکانات را فراهم میکند.
- آگاهی از پیچیدگی برخی از برنامههای تحلیلی، در تعیین منابع مورد نیاز برای خدمات به مشتریان به درستی کمک خواهد کرد.
- بسیاری از فروشندگان، برنامههای ساده را با رابطهای بصری زیبا مزین میکنند تا نقائص محصول را پنهان کنند. درک فناوری، به مشتریان در ارزیابی محصولات مختلف و تعیین ارزش ابزارها کمک خواهد کرد.
معماری داده مناسب
زمانی که یک سیستم را بنا میکنیم، نمایش اطلاعات درون آن سیستم را نیز ایجاد میکنیم. این نمایش، که مدل داده نامیده میشود، شامل موجودیتهای مختلفی است که درون سیستم وجود دارند به همراه روابط بین این موجودیتها. اما مهم است به خاطر داشته باشیم که این فقط یک مدل است و پس از تعریف و راهاندازی آن، نسبتاً ثابت باقی میماند. از طرف دیگر، آنچه در حال مدلسازی است، ناچاراً ثابت نیست. این بدان معناست که هنگامی که چیزها در دنیای واقعی تغییر میکنند، باید راهی برای بازنمایی این تغییرات در مدل وجود داشته باشد. یک معماری داده خوب، این امکان را در نظر میگیرد.
معماری داده نیازهای برنامههای تجاری ، از جمله روابط موجودیتها ، فرادادهها، به اشتراک گذاری اطلاعات و پشتیبانی و بازیابی، را منعکس میکند.
استفاده از اطلاعات با کیفیت
یک موضوع مشترک در طول این مجموعه پست ها، اهمیت دادههای با کیفیت برای هر برنامه هوش تجاری (BI) است. به طور خلاصه، اگر ورودی به یک فرآیند تصمیمگیری نادرست باشد، تصمیمات نیز نادرست خواهند بود. در نظر بگیرید که برنامه یک فرآیند عملیاتی یا فرآیند تحلیلی باشد، اشتباهات در دادهها ممکن است منجر به اختلال در جریانهای پردازشی شود، تحلیلهای نادرست ایجاد شود یا حتی باعث اشتباهات در اجرای اقدامات پیشنهاد شده توسط فرآیند تحلیلی شود.
انواع مختلفی از اشتباهات ممکن است در دادهها وارد شوند. برخی مثالها شامل اشتباهات ورود داده (به عنوان مثال، کسی نام خانوادگی را با نوشتن یک املای متفاوت با نامهای وارد شده قبلی وارد کند)، اشتباهات تبدیل داده (به عنوان مثال، فرآیند تبدیل داده ها دچار اشکال میشود و ناهماهنگیها در دادهها ایجاد میشود) و یا اشتباهات تحلیلی (به عنوان مثال، خلاصهسازی میانگین مقادیر بدون در نظر گرفتن نحوه پردازش مقادیر تهی). برنامههای هوش تجاری، شامل یک ابتکار کیفیت دادههای تعریف شده به وضوح هستند؛ در مطالب آینده به بررسی کیفیت داده و پایبندی به اطلاعات میپردازیم.
یکپارچگی شرکتی
یک برنامه موفق، قابلیت هوشی را فراهم میکند که هم از منابع داده سازمانی بهره میبرد و هم به عنوان یک منبع در سراسر سازمان در دسترس است. این به معنای وجود فرآیندهای دقیق برای یکپارچهسازی اطلاعات از منابع مختلف است، چه این بدان معنا باشد که ترکیب مجموعههای داده از طریق مراحل ترکیب و نگهداری در یک منطقه مرحله پیشبرد است یا اینکه به معنای فراهم کردن وسایل برای یکپارچهسازی مجموعههای نمونه داده در حین حرکت آنها از طریق نقاط ارتباطی در سازمان است. پردازش استخراج/تبدیل/بارگذاری (ETL)، یکپارچهسازی برنامههای سازمانی (EAI) و خدمات وب همگی مثالهایی از معماریهای فرآیندی هستند که برای یکپارچهسازی سازمانی طراحی شدهاند.
قابلیت استفاده مجدد
مفهوم قابلیت استفاده مجدد بهرهبرداری از کاری است که قبلاً انجام شده است و جلوگیری از تلاشهای تکراری همزمان است. در زیر فهرستی از حوزههای قابلیت استفاده مجدد را میتوان مورد تمرکز قرار داد:
- استفاده مجدد از داده:
تکثیر و تکرار مجموعههای داده (به ویژه دادههای مرجع) منجر به ناهماهنگی و خطاها میشود. اگر مجموعههای دادهای وجود داشته باشند که در نهایت در جریانهای اطلاعاتی متعدد استفاده میشوند، میتوان این مجموعههای داده را به عنوان منبع مشترک مدیریت کرده و به طور همزمان مسئولیتهای مدیریتی را به اشتراک بگذاریم. مجموعههای داده مشترک و پایدار ارزش قابل توجهی را اضافه میکنند.
- استفاده مجدد از فراداده:
زمانی که مجموعههای داده متمایز به یک مخزن هوش تجاری متکی متمرکز میشوند، احتمالاً تفاوتهایی در نحوه نمایش موجودیتهای مشابه وجود دارد. تجمیع نمایش فراداده و ایجاد تبدیلها از منبع اصلی به آن نمایش، فرآیند یکپارچهسازی داده را آسان میکند.
- استفاده مجدد از منطق تجاری:
اگر مجموعههای داده مشابه در طول برنامه هوش تجاری برای اهداف مختلف استفاده مجدد میشوند، احتمالاً قوانین تجاری مشابهی نیاز است که در نقاط مختلف جریان اطلاعات بر روی دادهها اعمال شود. قوانین تجاری را به عنوان محتوا بایگانی و مدیریت کنید و از یک روش شناخته شده برای اعمال این قوانین استفاده کنید.
- استفاده مجدد از فرآیند تجاری:
اگر یک فرآیند تجاری که از نظر انسانی موفق است راهحلی مؤثر است، میتوانید سعی کنید همان همکاری و هماهنگی را در همه جنبههای برنامه استفاده کنید تا به بهبود عملکرد کلی برنامه کمک کنید. این شامل مشارکت در تصمیمگیری، ارتباطات بین اعضای تیم، تعاملات و هماهنگی در فرآیندهای مرتبط با برنامه هوش تجاری (BI) میشود.
مدیریت دامنه پروژه
یک نظر بدخیم که به طور مکرر زمان تحویل یک پروژه را افزایش میدهد، گسترش دامنه پروژه است، افزودن مداوم تحویلپذیرها به دامنه کاری که قبلاً توافق شده. یک مدیر موفق کنترل دامنه را حفظ میکند و اطمینان مییابد که موارد اضافی غیرضروری در دامنه پروژه بعدی قرار میگیرند تا توانایی تحویل را به هم نزنند.
قابلیت مقیاسپذیری
به خاطر داشته باشید که همانطور که برنامه رشد میکند و موفقیت بیشتری کسب میکند، استفاده کنندگان فعلی افزایش خواهند یافت و برنامه مشتریان بیشتری را جذب خواهد کرد. همچنین، با افزایش فشار بر روی سیستم، مجموعههای داده بزرگتر و بیشتری به مخزن ادغام خواهند شد و تعاملات نیز افزایش خواهد یافت. بنابراین، برنامه را به گونهای طراحی کنید که بتواند به راحتی مقیاسپذیر باشد تا عملکرد آن در سطح خدمات موافقت شده حفظ شود.
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، در رابطه با ساخت تیم به مواردی اشاره خواهیم کرد، از جمله تأکید بر مشارکت تجاری، توضیح مسئولیتها، ایجاد امکانات رهبری و موارد مرتبط ؛ و همچنین به تفاوت برنامهریزی استراتژیک و تاکتیکی خواهیم پرداخت که شما را به شناخت بهتر هوش تجاری نزدیک میکند، که میتواند موفقیتی برای کسب و کار شما باشد.