در دنیایی که هر روز پیچیده تر می شود هوش تجاری ابزاری قابل اطمینان در مدیریت کارآمد کسب و کار است. هوش تجاری یک ابزار مبتنی بر فناوری است که به منظور تحلیل داده ها برای کمک به مدیران ارشد، مدیران میانی و سایر کاربران جهت اتخاذ تصمیمات بهینه به کار برده می شود. هر کسب و کاری برای اطلاع از میزان سود و زیان خود، به اطلاعات دقیقی نیاز دارد. وجود این اطلاعات، دید جامعی به ما می دهد و باعث می شود نسبت به کسب و کارمان، بررسی دقیق تری داشته باشیم. برای دستیابی به این گزارش های آماری باید قادر باشیم اطلاعات موجود را به شکل همه جانبه بررسی کنیم، تا در یک زمان مشخص به یک دید کلی برسیم. شرکت ها و کسب و کارهای مختلف برای بالا بردن میزان بازده و خروجی کار از موضوعات مختلفی استفاده می کنند. یکی از مواردی که برای بهبود تصمیم گیری ها، صرفه جویی در هزینه ها و دیگر موضوعات به کار گرفته می شود هوش کسب وکار یا همان هوش تجاری است.
هوش تجاری به معنای استفاده موثر از نرم افزار و خدمات برای انتقال داده ها به منظور تبدیل به اطلاعات عملی است که این اطلاعات عملی منجر به تصمیمات راهبردی و استراتژی های کسب و کار خواهند شد. ابزارهای هوش تجاری تجزیه و تحلیل مجموعه داده ها و یافته های تحلیلی موجود، خلاصه گزارش ها، نمودارها، داشبورد و نقشه ها را برای ارائه اطلاعات به کاربران درباره وضعیت کسب و کار در دسترس قرار می دهند. هوش تجاری، Business Intelligence یا به اختصار BI نرم افزاری است که داده های کسب و کار را جذب می کند و آن را در نماهای کاربر پسند مانند گزارش ها، داشبوردها، نمودارها ارائه می کند. هوش تجاری حاصل تجزیه و تحلیل اطلاعات شرکت یا سازمان است. ابزارهای هوش تجاری به کاربران تجاری امکان دسترسی به انواع مختلف داده های تاریخی و فعلی، شخص ثالث و داخلی، و همچنین داده های نیمه ساختاریافته و داده های بدون ساختار مانند رسانه های اجتماعی را می دهند. کاربران می توانند این اطلاعات را تجزیه و تحلیل کنند تا بینشی در مورد نحوه عملکرد کسب و کار به دست آورند.
اصطلاح هوش تجاری اولین بار در سال ۱۸۶۵ توسط یک نویسنده به نام ریچارد میلار دیونز استفاده شد. ریچارد زمانی که داشت درباره بانکداری و بیشتر از رقبایش اطلاعات جمع آوری می کرد، این اصطلاح را به کار برد. در سال ۱۹۵۸، یک دانشمند کامپیوتر IBM به نام هانس پیتر لون در مورد پتانسیل استفاده از تکنولوژی برای جمع آوری هوش تجاری تحقیق و کاوش کرد. تحقیقات این فرد به بنا کردن روش هایی برای ایجاد چند پلتفرم تحلیلی IBM کمک کرد. در دهه ۶۰ و ۷۰ میلادی، اولین سیستم های مدیریت داده و سیستم های تصمیم یار یا DSS توسعه داده شدند تا داده های در حال رشد را ذخیره و منظم کنند. به نقل از سایت آموزش فناوری اطلاعات Dataversity، بسیاری از مورخان معتقدند که نسخه مدرن هوش تجاری، تکامل یافته پایگاه داده های سیستم های تصمیم یار هستند. در طی زمان مجموعه ای از ابزارها با هدف دسترسی و نظم دهی ساده تر به داده ها توسعه داده شدند. OLAP سیستم های اطلاعاتی اجرایی و انبار داده ها نمونه هایی از ابزارهایی هستند که برای کار با سیستم های تصمیم یار توسعه داده شدند. در دهه ۱۹۹۰ هوش تجاری به طور فزاینده ای محبوب شد، اما تکنولوژی آن هنوز پیچیده بود. معمولا نیاز به پشتیبانی IT داشت؛ که اغلب منجر به عقب افتادن و تاخیر در گزارش ها می شد. حتی بدون IT، تحلیل گران و کاربران هوش تجاری به آموزش های گرانی نیاز داشتند تا بتوانند روی داده هایشان کوئری بزنند و آن ها را تحلیل کنند.
معماری هوش تجاری شامل بیش از یک نرم افزار هوش تجاری است. هوش تجاری داده ها را به طور معمول در انبار داده ای که برای کل سازمان ساخته شده ذخیره می کند. علاوه بر این، داده ها بر اساس خوشه های هادوپ یا سایر سیستم های بیگ دیتا به عنوان انبار داده یا Landing Pads برای داده های هوش تجاری و تجزیه و تحلیل، به ویژه برای فایل های لاگ داده های سنسورها، متن و انواع داده های دیگر ساختار نیافته یا نیمه ساختاریافته استفاده می شوند. داده های هوش تجاری می توانند شامل تاریخچه اطلاعات و داده های جمع آوری شده به لحظه از سیستم ها باشند که این موضوع ابزارهای هوش تجاری را قادر می سازد تا از فرآیندهای تصمیم گیری استراتژیک و همچنین تصمیم های تاکتیکی پشتیبانی کنند.
قبل از استفاده در برنامه های هوش تجاری، داده های خام از منابع مختلفی که استفاده می شوند ادغام شده و مدیریت کیفیت داده ها تضمین می شود تا اطمینان حاصل شود که تیم های هوش تجاری و کاربران تجاری در حال تجزیه و تحلیل اطلاعات دقیق و سازگار هستند. مراحلی که فرآیند هوش تجاری را شامل می شود موارد زیر میباشد.
• جمع آوری و تبدیل داده ها از چندین منبع: ابزارهای هوش تجاری معمولاً از روش استخراج، تبدیل و بارگذاری برای جمع آوری داده های ساختاریافته و بدون ساختار از منابع متعدد استفاده می کنند. سپس این داده ها قبل از ذخیره سازی در یک مکان مرکزی تبدیل و بازسازی می شوند، بنابراین برنامه ها می توانند به راحتی آن ها را به عنوان یک مجموعه داده جامع تحلیل و پرس وجو کنند. درخواست پرس و جو یا کوئری تحلیل از داده های تهیه شده است.
• روندها و ناسازگاری ها را کشف کنید: داده کاوی یا کشف داده ها معمولاً از اتوماسیون برای تجزیه و تحلیل سریع داده ها برای یافتن الگوها و موارد پرت استفاده می کند که بینشی از وضعیت فعلی کسب و کار ارائه می دهد. ابزارهای BI اغلب دارای انواع مختلفی از مدل سازی و تحلیل داده ها هستند از جمله اکتشافی، توصیفی، آماری و پیش بینی کننده که داده ها را بیشتر بررسی می کنند، روندها را پیش بینی می کنند و توصیه هایی را ارائه می کنند.
• از تجسم داده ها برای ارائه یافته ها استفاده کنید: گزارش دهی هوش تجاری از تجسم داده ها استفاده می کند تا یافته ها را آسان تر درک و به اشتراک بگذارد. روش های گزارش دهی شامل داشبورد داده های تعاملی، نمودارها و نقشه هایی است که به کاربران کمک می کند ببینند در حال حاضر در کسب وکار چه می گذرد.
• در زمان واقعی در مورد بینش ها اقدام کنید: مشاهده داده های فعلی و تاریخی در زمینه فعالیت های تجاری به شرکت ها این توانایی را می دهد که به سرعت از بینش به عمل حرکت کنند. هوش تجاری تنظیمات بلادرنگ و تغییرات استراتژیک بلند مدت را امکان پذیر می کند که ناکارآمدی ها را از بین می برد، با تغییرات بازار سازگار می شود، مشکلات عرضه را تصحیح می کند و مسائل مشتریان را حل می کند.
در ابتدا ابزارهای هوش تجاری در درجه اول توسط متخصصان BI و IT که داشبورد و گزارش برای کاربران تجاری تولید می کردند. استفاده می شد. اما به لطف توسعه BI سلف سرویس و ابزارهای کشف داده، تحلیلگران و مدیران خودشان به طور فزاینده ای از سیستم های هوش تجاری استفاده می کنند. محیط های هوش تجاری سلف سرویس، کاربران تجاری را قادر می سازد تا داده ها را به تصویر بکشند و داشبوردها را طراحی کنند. برنامه های هوش تجاری اغلب فرم های تجزیه و تحلیل پیشرفته مانند داده کاوی، تجزیه و تحلیل پیش بینی، متن کاوی، تجزیه و تحلیل آماری و تجزیه و تحلیل کلان داده ها را شامل می شوند. یک مثال، مدل سازی پیش بینی است که تجزیه و تحلیل را در سناریوهای مختلف امکان پذیر می کند. با این وجود در بیشتر موارد پروژه های پیشرفته تجزیه و تحلیل توسط تیم های جداگانه ای از دانشمندان داده، آمارشناسان، مدل سازان پیش بینی و سایر متخصصان ماهر تجزیه و تحلیل انجام می شوند، در حالی که تیم های BI روی کوئری و تجزیه و تحلیل ساده تر داده های تجاری نظارت می کنند.
حال به سیستم های هوش تجاری می پردازیم که می توانند به شرکت ها در شناسایی روندهای بازار و مشکلاتی که باید مورد توجه قرار بگیرند، کمک کنند. داده های BI می تواند شامل اطلاعات قدیمی و یا داده های جدیدی باشند که از سیستم های منبع داده تولید شده اند و تحلیلگران هوش تجاری را قادر به پشتیبانی از فرآیندهای تصمیم سازی استراتژیک و تاکتیکی می سازند. کاربرد هوش تجاری در سازمان ها شامل مجموعه وسیعی از برنامه های سودمند نظیر تحلیل های موردی و پرس وجو، گزارش ساز، پردازشگر تحلیلی آنلاین، هوش تجاری موبایل، هوش تجاری بلادرنگ، هوش تجاری عملکردی، هوش تجاری و سرویس های ابری، هوش تجاری متن باز، هوش تجاری اشتراکی و هوش منطقه ای است.
وجود BI در یک کسب وکار از اهمیت زیادی برخوردار است. چرا که می تواند رشد چشم گیری در شاخص های کلیدی آن سازمان ایجاد کند. مهم ترین مزایا و اهمیت هوش تجاری در کسب و کار به صورت زیر است :
1. مشخص شدن KPI های سازمان برمبنای اطلاعات به دست آمده
2. شناسایی و تعیین معیارهای سازمان و شناسایی بازار و مشکلات موجود در آن
3. کمک به تجسم داده ها و بالا بردن قدرت تصمیم گیری شرکت و کمک به صرفه جویی در هزینه های جاری شرکت
4. کمک به تعیین گرایش های تجاری کسب وکار و تحلیل دقیق بازار هدف
5. به دست آوردن سهم بزرگی از بازار و شناسایی مشتریان وفادار همچنین ایجاد برتری نسبت به شرکت های رقیب
6. تقسیم بندی مشتریان در دسته های مختلف و افزایش کارایی سازمان
7. استانداردسازی بخش های مختلف سازمان و تسریع و بهبود تصمیم گیری
8. بهینه سازی فرایندهای تجاری داخلی و افزایش سودمندی عملیاتی و بهره وری
9. برطرف کردن مشکلات تجاری لحظه ای و شناسایی روندهای نوظهور تجارت و بازار
10. توسعه قوی تر استراتژی های تجاری و فروش بالاتر و کسب درآمد جدید
تکنولوژی هوش تجاری همچنین شامل نرم افزارهای بصری سازی داده برای طراحی نمودارها و سایر داده نمایی ها و ابزارهایی برای ساخت انواع دشبوردها می شود. برنامه های کاربردی هوش تجاری را می توان از کمپانی های متفاوتی خریداری نمود و یا آن که به صورت یک پلتفرم جامع از یک کمپانی تهیه کرد. برنامه های هوش تجاری همچنین می توانند ترکیبی از انواع تجزیه و تحلیل پیشرفته را ارائه دهند. مانند داده کاوی، تحلیل های پیشگویانه، متن کاوی، تحلیل های آماری و تحلیل کلان داده ها. در بسیاری از موارد، پروژه های تجزیه و تحلیل پیشرفته به وسیله تیم های جداگانه ای از کارشناسان داده، متخصصین آمار، مدل سازان و سایر متخصصین تحلیل رهبری و مدیریت می شوند، در حالی که تیم هوش تجاری بیشتر بر پرس وجوها و تحلیل های داده های کسب وکار نظارت می کند.
هوش تجاری از اجزا و مولفه های زیادی تشکیل شده است که در ادامه به ۶ مولفه اصلی می پردازیم:
• پردازش تحلیلی آنلاین یا OLAP : یک رویکرد محاسباتی است که به کوئری های تحلیلی چند بعدی با سرعتی بسیار بالاتر و به شیوه ای روان تر پاسخ می دهد. این مولفه ای از BI است که پایگاه داده رابطه ای و قابلیت های داده کاوی و گزارش دهی را در دل خود دارد. این مولفه شامل سیستم مدیریت پایگاه داده رابطه ای RDBMS، داده کاوی و گزارش دهی می شود. ابزارهای OLAP، این امکان را به کاربران می دهند که داده های چند بعدی را از چند منظر مختلف تجزیه و تحلیل کنند. همه ابزارهای OLAP، بر پایه سه عملیات تحلیلی Consolidation یا Roll-up و Drill down و Slicing and Dicing ایجاد شده اند.
• تجزیه و تحلیل پیشرفته یا مدیریت عملکرد شرکت CPM : این مجموعه ابزار به رهبران کسب و کار اجازه می دهند تا آمار محصولات یا خدمات خاصی را تحت نظر بگیرند. به عنوان مثال، یک زنجیره فست فود ممکن است فروش برخی از اقلام خاص را تجزیه و تحلیل کند و در نتیجه آن در منوی غذایی خود با توجه محل، منطقه و کشور تغییراتی انجام دهد. همچنین می توان از داده ها برای پیش بینی اینکه یک محصول جدید در کدام بازارها می تواند بهترین موفقیت را داشته باشد، استفاده کرد.
• هوش تجاری بلادرنگ Real-time BI : در یک جامعه پویا، این جزء خاص از BI به طور فزاینده ای محبوب می شود. با استفاده از نرم افزارهای کاربردی، یک کسب و کار می تواند به روندهای بلادرنگ در ایمیل، سیستم های پیام رسان یا حتی نمایشگرهای دیجیتال پاسخ دهد. از آن جایی که همه چیز در زمان واقعی است، یک کارآفرین می تواند پیشنهادات ویژه ای را اعلام کند و از آنچه در آن لحظه در حال وقوع است، بهره ببرد. متخصصان بازاریابی می توانند از داده ها برای تولید محصولات ویژه خلاقانه با زمان محدود مانند کد تخفیف برای سوپ داغ در یک روز سرد استفاده کنند. مدیران عامل ممکن است علاقه مند باشند، زمان و مکان مشتریان را هنگام تعامل با یک وب سایت را ردیابی کنند؛ بنابراین در حالی که مشتری در حال بازدید از وب سایت است، بازاریاب ها می توانند تبلیغات ویژه ای را به صورت بلادرنگ ارائه دهند.
• انبار داده Data Warehousing : انبار داده ها به رهبران کسب و کار اجازه می دهند زیرمجموعه های داده را غربال کنند و اجزای مرتبط با یکدیگر را که می توانند به پیشبرد کسب و کار کمک کنند، بسنجند. نگاهی به داده های فروش در طول چندین سال می تواند به بهبود توسعه محصول یا متناسب کردن پیشنهادهای فصلی کمک کند. انبار داده همچنین می تواند برای بررسی آمار فرآیندهای تجاری از جمله نحوه ارتباط آن ها با یکدیگر استفاده شود. به عنوان مثال، صاحبان کسب و کارها می توانند زمان های حمل و نقل را در بخش های مختلف مقایسه کنند تا ببینند کدام فرآیندها و تیم ها کارآمدتر هستند. انبار داده همچنین شامل ذخیره حجم عظیمی از داده ها به روش هایی است که برای بخش های مختلف شرکت مفیدند.
• منابع داده : این جزء هوش تجاری، شامل اشکال مختلفی از داده های ذخیره شده است. وظیفه این مولفه، گرفتن داده های خام و استفاده از برنامه های کاربردی نرم افزاری برای ایجاد منابع داده معنی دار است که در آن هر بخش می تواند از آن ها برای ایجاد تاثیر مثبت بر کسب و کار استفاده کند.
• کلان داده یا بیگ دیتا : در دوران رقابت محور امروز، کسب و کارها باید در زمان درست، تصمیمات درست بگیرند. با استفاده مؤثر از مؤلفه های یک سیستم BI و بررسی داده های موجود، می توان از بروز مسائل بحرانی در کسب و کار اجتناب کرد. به داده هایی که در مقیاس بزرگ و از منابع متعدد مانند شبکه های اجتماعی، وب سایت ها، نظرسنجی ها، RFID و سیگنال های GPS استخراج شده اند، کلان داده یا بیگ دیتا می گویند.
اگرچه بازار با ابزارهای پایگاه داده پر شده است، اما این ابزارها قادر به مقابله با حجم یا سرعت رشد بالای داده های بزرگ نیستند. اینجاست که ابزارهای تحلیلی تخصصی مانند R، هدوپ Hadoop و اسپارک Spark برای ارائه بینش های کیفی وارد عمل می شوند. تجزیه و تحلیل داده های بزرگ، نگرش شرکت ها را تغییر داده و تأثیر بی سابقه ای بر عملیات روزانه کسب و کار آن ها می گذارد. فروش، بازاریابی، مالی و بخش های عملیات بیش از همه از هوش تجاری استفاده می کنند. کارهایی مثل تحلیل و بررسی کمی، اندازه گیری کارایی در برابر اهداف کسب و کار، جمع آوری بینش مشتری و به اشتراک گذاری داده ها برای شناسایی فرصت های جدید در زیر مجموعه BI قرار می گیرند.
اگر ایده کشف الگوها در حجم زیادی از داده ها شما را هیجان زده می کند و علم کامپیوتر و کاربردهای آن در کسب و کارها برای شما جالب است، به لحاظ شخصیتی می توانید در زمینه هوش تجاری کار کنید. مهارت کلیدی مورد نیاز یک متخصص هوش تجاری به شرح زیر میباشد:
1. تجزیه و تحلیل داده : اکثر مهارت های هوش تجاری و مهارت های مرتبط با تحلیل گر BI، مربوط به استفاده از داده ها برای تصمیم گیری بهتر است. شما باید در مورد بررسی منابع مختلف داده و رسیدن به نتیجه گیری های دقیق درباره آن ها مهارت داشته باشید.
2. حل مسئله : هوش تجاری فقط تجزیه و تحلیل داده ها نیست، بلکه ایجاد استراتژی های کسب و کاری و حل مشکلات کسب و کار در دنیای واقعی با آن داده هاست. به عنوان مثال، شما می توانید کسی باشید که بینش های قابل اجرا از KPI های خرده فروشی خاصی استخراج کنید که باید به تصویر کشیده شده و در یک جلسه ارائه شوند.
3. دانش صنعت خاص : شما باید درک کاملی از پویایی صنعت، به ویژه حوزه ای که در آن دنبال کار هستید، داشته باشید، اگرچه بسیاری از این اطلاعات را می توانید در حین کار بیاموزید. در طولانی مدت، شما می خواهید که در صنعت خودتان متخصص شوید، چرا که با این کار می توانید از داده ها برای حل مسئله های کسب و کار استفاده کنید.
4. مهارت های ارتباطی : علاوه بر این که باید مهارت های مربوط به تحلیل BI را به دست آورید، نیاز دارید که بتوانید یافته های خودتان را با سایر متخصصانی که همکارتان هستند، در میان بگذارید. البته اگر به عنوان بک اند back-end هوش تجاری کار کنید، خیلی نیازی به برقراری ارتباط نخواهید داشت. ولی اگر در فرانت اند front-end کار کنید، باید درباره موضوعات فنی با افراد غیر فنی صحبت کنید. چنین نقش های کاری نیاز به مهارت های ارتباطی عالی دارند.
5. تصویر سازی داده ها : برای این که بتوانید مطمئن باشید که ارتباطات خوبی برقرار می کنید، باید مهارت های تصویرسازی داده ها را هم داشته باشید. تصویرسازی بهترین ابزار برای قابل فهم کردن ترندها و بینش های کلی است. اینکه بتوانید به طور واضح ببینید چطور داده ها در قالب زمان تغییر می کنند، چیزی است که استخراج نتایج مرتبط از آن داده ها را ممکن می کند.
6. تجزیه و تحلیل آماری : دانش آماری و ریاضی به عنوان مثال آشنایی دقیق با مفهوم رگرسیون خطی یکی دیگر از مهارت های مهم است، مخصوصا اگر می خواهید تحلیل گر هوش تجاری شوید. با درک مولفه های آماری مختلف مانند میانگین، میانه، دامنه، واریانس و سایر مولفه ها، می توانید در داده ها عمیق شوید و نتایج مرتبط را از آن ها استخراج کنید.
7. دانش برنامه نویسی : از جنبه فنی تر، داشتن دانش زبان برنامه نویسی، می تواند یک مهارت بسیار ارزشمند برای کار در حرفه هوش تجاری باشد. بسیاری از راه حل ها، نیاز به استفاده از زبان های برنامه نویسی مختلف مثل R، پایتون، جاوا اسکریپت و غیره برای انجام تحلیل های پیشرفته دارند و تسلط داشتن بر آن ها می تواند مجموعه مهارت های شما را تا حد زیادی بزرگ کند.
8. نگرش فنی : مهارت هوش تجاری بعدی که می خواهیم معرفی کنیم، بنیادی نیست، اما قطعا می تواند شما را به یک نیروی حرفه ای کامل تر و آماده تر تبدیل کند. هوش تجاری صنعتی است که تا حد زیادی به تکنولوژی متکی است و داشتن نگرش فنی از نحوه مدیریت این تکنولوژی ها یک امتیاز مثبت است. با این وجود، منظور ما این نیست که شما باید بلد باشید با تمام ابزارهای موجود در بازار کار کنید، اما دانستن این که این تکنولوژی ها چطور کار می کنند، می تواند مزیت رقابتی شما باشد.
9. هوش کسب و کاری : آخرین مهارت مهمی که در لیست مهارت های کلیدی مورد نیاز برای یک متخصص BI می خواهیم به آن بپردازیم، چیزی است که هوش کسب و کاری نامیده می شود. برای پیشرفت در حوزه BI، شما باید بتوانید به سرعت مدل کسب و کاری شرکتی که در آن مشغول به کار هستید را درک کنید و بفهمید چگونه تلاش های خود را طوری تنظیم کنید که نه تنها از شاخص های کلیدی عملکرد خود حداکثر ارزش را کسب کنید، بلکه تصمیم های استراتژیکی بگیرید که به سازمان تان کمک می کند تا به طور مداوم موفق شود.
به گزارش موسسه گارتنر، موج سومی پیش رو هست که این شرکت به آن لقب تحلیل افزوده یا Argumented Analytics داده است. در این رویکرد جدید، نرم افزار به تکنولوژی ماشین لرنینگ مجهز است و کاربران رو در تبدیل کوئری ها به داده هدایت می کند. هاوسون میگوید این ابزار جدید ترکیبی از هوش تجاری و تحلیل بوده و خیلی هوشمند است. قابلیت های ترکیبی موجود در این پلتفرم های نرم افزاری توانمندی های قدرتمندی را در دسترس افراد حقیقی و حقوقی قرار میدهد. به طور کلی در در دنیای داده محور امروز، شناخت داده، ساختارهای مختلف داده و انواع ذخیره سازی آن ها اهمیت بسیاری دارد. در همین حال توانایی استخراج اطلاعات کارآمد از داده های خام به واسطه مشاغل BI، تحلیل گر کسب و کار، تحلیل گر داده، دانشمند داده و امثالهم می تواند جذاب و در عین حال پولساز باشد.