محیط هوش تجاری

در مطالب گذشته ما ارزش مدیریت اطلاعات خود را به عنوان یک دارایی بیان کرده‌ایم، ارزش افزوده‌ای که از طریق تحقق تجزیه و تحلیل کسب‌وکار در سازمان‌ها به دست می‌آید را بررسی کرده‌ایم و حامیان سطح ارشد مناسب برنامه هوش تجاری (BI) خود را مشخص کرده‌ایم. حالا چه کار کنیم؟ زمان آن رسیده است که یک معماری سطح بالا مورد نیاز برای پیاده‌سازی برنامه هوش تجاری مورد بحث قرار گیرد.

واقعیت این است که فرآیند هوش تجاری (BI) اساساً بر اساس توانایی جریان داده‌های متفاوت و بزرگ به یک مخزن تکیه می‌کند و سپس به نوبه خود داده‌های ساختاریافته را به منظور پشتیبانی از تصمیم‌گیری به دیتامارت‌ها و فرآیندهای تحلیل مرتبط ، منتقل می‌کند،همانطور که در شکلی که در ادامه مطلب آمده است مشاهده می‌شود.

طراحی برنامه فرآیندی است که شامل موارد زیر می‌شود:

  • درک نیازمندی‌های کسب‌وکار
  • تعیین نوع برنامه‌های تحلیلی مورد نیاز برای پشتیبانی از این نیازمندی‌ها
  • تعیین حوزه‌های موضوعی که اطراف این برنامه‌های تحلیلی می‌چرخند
  • تعیین نوع چارچوب اطلاعاتی مبتنی بر حوزه که این برنامه‌ها را پشتیبانی می‌کند
  • تعیین اطلاعاتی که برای تأمین چارچوب اطلاعاتی مورد نیاز است
  • فراهم کردن وسایلی برای ادغام این داده‌ها در چارچوب اطلاعاتی
  • نقشه‌برداری این نیازمندی‌ها بر روی یک معماری کلی هوش تجاری (BI)
طراحی برنامه در محیط هوش تجاری

مورد تجاری یا مورد کسب و کار

توانایی برنامه‌ریزی موثر برای پیاده‌سازی یک برنامه هوش تجاری (BI) نیازمند درک اجزای سطح بالایی است که این برنامه را تشکیل می‌دهند. بدون نقشه راه اساسی از اجزای مورد نیاز، احتمالاً پروژه شما موفق نخواهد بود. هدف از مورد تجاری (Business Case)  ، بحث در مورد انتزاع بالاترین سطح آنچه باید در یک برنامه هوش تجاری (BI) در نظر گرفته شود و سپس الهام بخشیدن به رهبران تیم برای شناسایی فضاهای دانش قبل از واقعیت پیاده‌سازی سیستم است.

مورد کسب و کار، محیط هوش تجاری، هوش تجاری BI، کاربردهای هوش تجاری، مزایای استفاده از هوش تجاری

فرآیند هوش تجاری

فرآیند ایجاد دانش اجرائی بر اساس چیزی بیشتر از انتقال داده‌ها بین نقاط مختلف در یک سازمان است. اغلب مطالب ما به بحث درباره جنبه‌های رویه‌ای ساخت برنامه هوش تجاری (BI) اختصاص دارد، و به همین دلیل، در اینجا یک نمای کلی سریع ارائه خواهیم داد تا به طور خلاصه به این موضوعات معرفی شویم…

فرآیند هوش تجاری در محیط هوش تجاری، هوش تجاری BI، کاربردهای هوش تجاری، مزایای استفاده از هوش تجاری

مدل‌سازی فرآیند تجاری و ارزیابی نیازهای تحلیلی

این دو موضوع به هم وابسته هستند، زیرا احتمالاً نمی‌توانیم معیارهای مرتبط با یک حوزه تجاری را تجزیه و تحلیل کنیم مگر اینکه فرآیندهایی که این حوزه تجاری را تشکیل می‌دهند را درک کنیم. مدل‌سازی فرآیند تجاری و مدل‌سازی جریان اطلاعات، مطالعه نیازهای اطلاعاتی یک کسب‌وکار و چگونگی جابجایی اطلاعات از منابع آن به مقصد آن است. ما این موضوع را در آینده به صورت مفصل‌تر مورد بررسی قرار می‌دهیم.

مدیریت مخزن اطلاعاتی

سنگ ‌بنای یک برنامه هوش تجاری (BI) مخزن مرکزی داده‌های سازمانی است. عموماً از عبارت انباره داده ها (Data Warehouse)  برای توصیف این موضوع استفاده می‌شود، و انباره داده ها (Data Warehouse)  مخزن مرکزی و متغیر اطلاعات سازمانی است که از منابع مختلف جمع‌آوری و یکپارچه‌سازی می‌شود و در یک مدل داده‌ای قرار می‌گیرد که برای فرآیند تحلیل مناسب است.

مدیریت مخزن اطلاعاتی، محیط هوش تجاری، کاربردهای هوش تجاری، مزایای استفاده از هوش تجاری

قوانین کسب‌وکار

می‌توانیم بگوییم که هر فرآیند عملیاتی یا تحلیلی که در اجرا یا بهبود یک کسب‌وکار دخیل است، توسط مجموعه‌ای از قوانین کسب‌وکار پیش می‌روند. بدون توجه به اینکه این قوانین توسط نهادهای خارجی (مانند یک هیئت نظارتی)، توسط دستورالعمل‌های داخلی (مانند گروه رهبری فرآیند اجرایی) یا توسط روشی که کسب‌وکار در یک صنعت انجام می‌شود، تعیین می‌شوند، روشی برای جداسازی قوانینی که یک فرآیند را محرک می‌کنند از خود فرآیند وجود دارد. قوانین کسب‌وکار، انتزاع منطقی یک فرآیند کسب‌وکار را آشکار می‌کنند و مجموعه‌ای از قوانین کسب‌وکار یک فرآیند، بخشی از متاداده‌های آن را تشکیل می‌دهد.

یکپارچه‌سازی اطلاعات

یکپارچه‌سازی اطلاعات فرآیند جمع‌آوری داده‌ها از منابع متفاوت است که برای پر کردن مخزن اصلی اطلاعات سازمان استفاده می‌شود. به عنوان مثال، یک شرکت ممکن است بخواهد یک انباره داده (Data Warehouse) ایجاد کند که به یک برنامه مدیریت ارتباط با مشتری (CRM) تغذیه کند. این انباره داده ها احتمالاً با اطلاعات مشتریان، اطلاعات احتمالی، تاریخچه فروش‌ها، تاریخچه خدمات مشتریان، اطلاعات اعتبار، اطلاعات محصولات، اطلاعات کلیک و همچنین اطلاعات جمعیت‌شناختی و روان‌شناختی خارجی پر خواهد شد و اکثر این اطلاعات از منابع مختلفی به دست می‌آید. یکپارچه‌سازی اطلاعات از چندین مؤلفه تشکیل شده است که شامل موارد زیر است:

  • پروفایل‌سازی داده:

فرآیندی است که با استفاده از آن می‌توان متادیتاها را کشف، ویژگی‌های آماری ستون‌ها در داخل مجموعه‌داده را ارزیابی و ارتباطات بین ستون‌ها در داخل مجموعه‌داده را مستندسازی کرد.

  • کیفیت داده و اعتبارسنجی:

که با استفاده از انتظارات داده‌های مشتری به‌عنوان پایه برای پاک‌سازی و اطمینان اطلاعات استفاده می‌شود.

  • تبدیل و یکپارچه‌سازی داده‌ها:

که فرآیند تغییر داده‌ها برای تطابق با فرمت‌های هدف یا اعمال تبدیل‌ها به منظور امکان ترکیب مجموعه‌داده‌ها، به‌عنوان پیش‌نیاز برای یکپارچه‌سازی و اتصال این مجموعه‌داده‌ها به‌صورت مناسب برای بارگذاری در یک انبار داده است.

یکپارچه‌سازی اطلاعات، محیط هوش تجاری، هوش تجاری BI، کاربردهای هوش تجاری، مزایای استفاده از هوش تجاری

ایجاد دانش

ایجاد دانش زمانی رخ می‌دهد که تحلیل‌گران داده‌ها اطلاعات ارائه‌شده در یک زمینه تحلیلی را بررسی کرده و قادر به استنتاج یا کشف آنچه که به آن به عنوان دانش قابل اجرا اشاره کرده‌ایم (لینک) هستند. فعالیت ایجاد دانش ممکن است یک فرآیند هدایت شده باشد، از طریق استفاده از تحلیل‌های تجاری خاص (لینک)، یا یک فرآیند بی‌هدف که توسط یک فرآیند کشف دانش خودکار راه‌اندازی می‌شود.

زیرساخت سیستمی

برنامه‌های تحلیل تجاری (BI) به سه پلتفرم منطقی نیاز دارند که به سه جنبه تهیه اطلاعات از منبع تا مقصد نهایی مرتبط می‌شوند (تصویر ابتدای مطلب). این سیستم‌ها عبارت‌اند از:

  • منطقه مرحله‌بندی داده‌ها (Data Staging Area) :  

این منطقه هدف است که داده‌ها از منابع مختلف جمع‌آوری و یکپارچه‌سازی شده و برای بارگذاری در انبار داده آماده‌سازی می‌شوند.

  • انبار داده (Data Warehouse) :

این انبار مرکزی حاوی مخزن داده‌های غیرقابل تغییر است.

  • محیط تحلیلی (Analytical Environment) :

که شامل دیتا مارت (Data Mart) است، که زیرمجموعه‌های متمرکز بر موضوعی از انبار داده هستند (و داده‌ها را از انبار داده تامین می‌کنند)، همچنین شامل رابط‌ها و ابزارهای تحلیلی است که واسطه‌ای برای کاربر ایجاد می‌کنند.

زیرساخت سیستمی، محیط هوش تجاری، هوش تجاری BI، کاربردهای هوش تجاری، مزایای استفاده از هوش تجاری

اگرچه احتمالاً تنها یک منطقه مرحله‌بندی و یک انبار داده وجود دارد، اما ممکن است تعداد زیادی نمونه از سیستم‌های تحلیلی وجود داشته باشد، هرکدام به صورت مجزا نیاز به سیستم فیزیکی خود دارد. در ادامه، به بررسی برخی از مسائل مرتبط با اجزای زیرساخت لازم برای پشتیبانی از این فعالیت‌ها می‌پردازیم.

سخت‌افزار

نیازمندی‌های سخت‌افزاری برای سه مؤلفه مجازی با توجه به فعالیتی که باید انجام شود متفاوت است. هدف اصلی این است که بر تأثیر اجرای آن فعالیت تمرکز کرده و سخت‌افزار را به اندازه کافی تعیین کنیم تا نیازمندی‌های سطح خدماتی که با مشتریان توافق شده‌اند، را برآورده سازد. برای منطقه مرحله‌بندی، فعالیت‌های مهم‌ (موقتاً) شامل جمع‌آوری و ذخیره‌سازی داده‌ها و برنامه‌های مورد نیاز برای ادغام این داده‌ها به عنوان مقدمه‌ای برای بارگذاری آن‌ها به انبار داده است. بنابراین، نیازمندی‌های اساسی شامل پهنای باند بالا (برای انتقال داده‌ها به داخل و خارج از منطقه مرحله‌بندی)، فضای ذخیره‌سازی زیاد و قابلیت عملکرد بالا برای فرآیند ادغام است.

انباره داده (Data Warehouse) مدیریت انبار مرکزی داده‌ها را انجام می‌دهد و به طور اصولی به عنوان یک سیستم برای مدیریت پایگاه داده‌های بسیار بزرگ شناخته می‌شود. دو جنبه برای این وجود دارد:

(1) نیاز به فضای ذخیره‌سازی برای حفظ جداول داده‌ای که انبار داده را تشکیل می‌دهند؛

(2) نوع تعاملاتی که در front end انجام می‌شود.

اگر انبار داده به طور مستقیم به تعداد زیادی از مشتریان داده و برنامه‌های تحلیلی به صورت همزمان قابل دسترسی باشد، مجدداً باید توافقی بین مشتریان و اجراکنندگان بر سطوح عملکردی که سیستم باید پیروی کند، صورت گیرد و سیستم به اندازه‌گیری مناسب تنظیم خواهد شد. اگر انباره داده تنها به عنوان یک منبع برای پلتفرم‌های مدیریت داده و تحلیل جایگزین استفاده شود، بعضی از این نیازمندی‌های عملکردی ممکن است به سمت سیستم تحلیلی انتقال یابد.

بسته به نوع سیستم تحلیلی، ممکن است نیازمندی‌های مختلفی وجود داشته باشد. به عنوان مثال، یک سرور OLAP ممکن است نیازمند ذخیره داده‌ها به صورت چندبُعدی همراه با داده‌های خلاصه‌ شده تجمیعی باشد، تجمیع‌ها را انجام داده و همچنین تعدادی از تحلیل‌گران داده را با پرس‌وجوهای تعاملی پشتیبانی کند. از سوی دیگر، یک پلتفرم تحلیلی متفاوت ممکن است فقط یک واسط تصویری برای یک ابزار پرس‌وجو به منظور تحلیل موقتی ارائه دهد و این سیستم ممکن است به هیچ یک از قدرت محاسباتی یا ذخیره‌سازی سیستم OLAP نیاز نداشته باشد.

سیستم مدیریت پایگاه‌ داده‌های رابطه‌ای (RDBMS) 

سیستم محیط BI به هر دو صورت به عنوان یک مکان نگهداری موقت برای داده‌های مرحله‌بندی و یا به عنوان پلتفرم پایگاه ‌داده که داده‌های انبار داده در آن ذخیره می‌شود، نیاز به استفاده از یک سیستم مدیریت پایگاه ‌داده‌های رابطه‌ای دارد. حتی در حالی که داده‌ها در ساختار star-join ذخیره می‌شوند، پیوند بین جداول از طریق یک چارچوب پایگاه‌ داده رابطه‌ای ممکن می‌شود. سرورهای مجزای OLAP ممکن است نسخه‌های خود از داده‌ها را در یک پایگاه داده چندبعدی که مستقل از انبار داده است مدیریت کنند.

مدیریت داده / مدیریت ذخیره‌ سازی

زمانی که حجم بزرگی از داده‌ها در حال کنترل و مدیریت است، باید یک پلتفرم مدیریت ذخیره‌ سازی پایه وجود داشته باشد که قادر به پشتیبانی از نوع فعالیت‌هایی که در محیط BI انجام می‌شود باشد. این نشان می‌دهد که یک زیرسیستم ذخیره‌ سازی مجزا می‌تواند یک جزء اصلی از محیط BI باشد. مقرون به صرفه است که یک سیستم ذخیره‌ سازی به اشتراک‌گذاری و شبکه‌ای را در نظر بگیرید که امکان دسترسی به داده‌ها را از هر نقطه به صورت کارآمد فراهم کند و در عین حال امکان گسترش آسان را به وجود آورد.

سرورهای برنامه‌ها

تحلیل‌های هوش تجاری احتمالاً با استفاده از یک معماری سه‌لایه (Three-Tier Architecture) ساخته شده‌اند، که در آن سرور پایگاه داده ابتدایی به عنوان لایه اول عمل می‌کند، رایانه رومیزی کاربر به عنوان لایه سوم و سرورهای برنامه جداگانه به عنوان لایه میانی. به طور مستقل از نوع برنامه تحلیلی، نیاز به منابع محاسباتی جداگانه بدون محدودیت مکان کاربر وجود دارد که با انبار داده تعامل داشته باشد.

انتخاب نوع، اندازه و تعداد سرورهای برنامه بستگی به نوع تحلیل‌ها دارد. سرورهای OLAP که نسخه خود از داده‌ها را مدیریت می‌کنند، نیاز به فضای ذخیره‌سازی و قدرت محاسباتی بیشتری دارند، در حالی که موتورهای پرس‌وجوی ساده فقط نیاز به مدیریت اتصالات به پایگاه داده و توانایی پخش داده‌ها دارند.

مدیریت سیستم و شبکه

همانطور که در هر معماری سخت‌افزاری و نرم‌افزاری چندلایه، جنبه‌های معمول شبکه و مدیریت سیستم نباید نادیده گرفته شوند. به طور معمول، مصرف‌کنندگان داده شما انتظار دارند تیم BI راه‌حل‌های خاص خدمات را تضمین کند، از جمله تحویل مطالب و همچنین به‌موقع بودن پرکردن انبار داده، انتقال داده‌ها به دیتا مارت‌ها و سرورهای OLAP و به ویژه زمان‌های پاسخگویی سیستم و تحویل گزارش‌ها. پس از بهبود فرآیند، این سطوح خدمات ممکن است بستگی به اجرای یک سیستم سالم داشته باشد، که به نوبه خود نیازمند پرسنل و ابزارهای مدیریت سیستم و شبکه است.

تلاش مدیریت سیستم شامل موضوعات زیر می‌شود:

  • مدیریت عملکرد:

که عملکرد سیستم را ارزیابی می‌کند و نقاط ضعف در محیط را مشخص می‌کند.

  • برنامه‌ریزی ظرفیت:

که وظیفه تعیین اندازه اجزاء در محیط را بر عهده دارد.

  • مدیریت پشتیبان‌گیری و بازیابی:

برای پشتیبان‌گیری از منابع داده و بازیابی داده‌ها پس از از دست رفتن آنها

  • مدیریت پیکربندی:

برای نقشه‌برداری و طراحی شبکه و سیستم، مدیریت تغییرات در سیستم‌ها (مانند ارتقاء نرم‌افزارهای کاربر در تعداد زیادی از رایانه‌های رومیزی کاربر)، و تاریخ‌گذاری (مانند مدیریت چند نسل از متاداده‌ها یا پیکربندی‌های سیستم)

  • نظارت مداوم:

که ابزارهایی را شامل می‌شود که عملکرد سیستم را پیگیری می‌کند و هنگام بروز مشکلات عملکرد یا صحت، هشدارها را تولید می‌کند.

مدیریت سیستم و شبکه، محیط هوش تجاری، هوش تجاری BI، کاربردهای هوش تجاری، مزایای استفاده از هوش تجاری

 

 

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 دسترسی، تحویل و تحلیل اطلاعات به مواردی اشاره خواهیم کرد، از جمله  تجسم داده، پرس‌وجو و گزارش‌دهی، پردازش تحلیلی آنلاین و موارد مرتبط ؛ امید است که ارائه این مطالب شما را به شناخت بهتر هوش تجاری نزدیک ‌کند و بتواند موفقیتی برای کسب و کار شما باشد.