انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش سوم

 بسیاری از راه‌کارهای هوش تجاری موجود در بازار چندین قابلیت را پشتیبانی می‌کنند. لیست مورد بررسی شامل ویژگی‌های پایه می‌باشد که بخش جدایی ناپذیر از تمام راه‌کارهای تجزیه و تحلیل است و همچنین شامل ویژگی‌های پیشرفته‌ای است که بندرت در راه‌کارهای موجود پیاده سازی می‌شوند. ویژگی‌های پیشرفته مواردی هستند که انتظار می‌رود به زودی عملیاتی شوند.

برای این تحقیق، ما تجزیه و تحلیل کاملی از راه‌کارهای BI در بازار و ویژگی‌های آن‌ها در برابر ویژگی‌های انتخاب شده انجام دادیم. سپس لیست ابزارهای BI موجود در بازار را به تعداد 20 ابزار کاهش دادیم. روش مورد استفاده، تجزیه و تحلیل ساختار یافته و مقایسه راه‌کارهای BI را فراهم می‌کند که امیدواریم بینش بهتری در مورد وضعیت فعلی بازار فراهم و به انتخاب راه‌کارهای هوش تجاری کمک کند. علاوه بر این، تحلیل انجام شده اجازه می‌دهد تا روند فعلی در توسعه راه‌کار BI شناسایی شود. این تجزیه و تحلیل می‌تواند به عنوان نقشه راهی باشد که ممکن است هنگام انتخاب یک راه‌کار BI  متناسب با نیازهای سازمان مورد استفاده قرار گیرد. برای این منظور، ما جدول Feature-to-BIsolution را ایجاد کردیم و هرمی از ویژگی ها را به دست آوردیم که روند توسعه راه‌کار BI را منعکس می‌کند - با تمرکز ویژه بر ویژگی های جدید و آینده.

در جدول اول، ما 20 ابزار BI (راه‌کار) انتخاب شده را لیست می‌کنیم. در حال حاضر مشخصات آن‌ها در بازار موجود است و از طریق لینک مشخص شده در دسترس است. علاوه بر راه‌کارهای ارائه شده توسط فروشندگان برجسته(به عنوان مثال، مایکروسافت، IBM، SAP )، ما فروشندگان کوچکتری را نیز بررسی کرده‌ایم که برخی از ویژگی های جالب را ارائه می‌دهند (به عنوان مثال، Avlino، Sisense، QlikTech ).

در بیشتر ابزارهای تحلیل شده در این لیست راه‌کارهای برجسته Gartner برای BI گنجانده شده است (King, 2018). برخی از آنها مانند Domo، Sisense، Tableau، Power BI و Qlik در لیست بهترین نرم افزارهای تجاری سال 2018 گارتنر هستند که توسط مشتریان بررسی شده اند (Gartner, 2018h). به طور کلی، این لیست مخصوص استفاده آسان (easy-to-use) است که طیف گسترده ای از قابلیت های گردش کار تحلیلی را پشتیبانی می‌کند که نیازی به مشارکت قابل توجه متخصصان فناوری اطلاعات ندارد و به کاربران نهایی امکان انتخاب سریع ابزارها را می‌دهد. به عنوان مثال، ابزارها می‌توانند از قبل مدل داده‌ای از پیش تعریف شده را به عنوان پیش شرط تجزیه و تحلیل قرار دهند و در بعضی موارد، امکان تولید خودکار یک مدل داده‌ای قابل استفاده مجدد را فراهم می‌کنند.

توجه داشته باشید که تولید کنندگان نرم افزارهایBI به طور مکرر نسخه‌های جدید را با ویژگی های جدید منتشر می‌کنند، بنابراین در این مقاله، ما در حال بررسی وضعیت آن‌ها در نیمه دوم سال 2018 هستیم. به همین دلیل، هنگام انتخاب یک راه‌کار BI برای سازمان، توصیه می‌شود از ویژگی های فعلی و آینده ارائه شده در راه‌کار BI یک تولید کننده خاص سوال کنید. سرعت تولید / انتشار محصول BI باید به عنوان یکی از عوامل کلیدی در انتخاب در نظر گرفته شود زیرا ماهانه تعداد ویژگی‌های آن افزایش و بهبود می‌یابد. در بخش بعدی برای راه‌کارهای BI ذکر شده در جدول یک، با ارزیابی ویژگی‌های آن‌ها در برابر ویژگی‌های پایه و پیشرفته، تجزیه و تحلیل را انجام می‌دهیم.

جدول شماره یک- راه‌کارهایی (نرم افزار) که برای مقایسه انتخاب شده است.

انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش دوم

انتخاب راهکار مناسب هوش تجاری

برای انتخاب راهکار مناسب BI بین تعداد زیادی از گزینه های موجود در بازار، لازم است تصمیم بگیرید که چه قابلیت‌هایی لازم است و کدام یک برای نیازهای سازمان شما لازم و ضروری نیست. آیا کسی راه‌کاری با قابلیت‌های اولیه انتخاب می‌کند یا یک پلت فرم پیشرفته با ویژگی های تخصصی تر ؟ پاسخ ساده نیست، در پایان این مقاله، برخی از پاسخ های احتمالی به این سوالات را بررسی می‌کنیم.

بیشتر راه‌کارهای BI موجود در بازار امروز ویژگی های پایه (استاندارد) را ارائه می دهند: تجزیه و تحلیل داده‌ها، گزارش‌های موردی، داشبورد، مصورسازی داده‌ها، پرس و جوهای موردی، تجزیه و تحلیل‌های موردی و شاخص‌های کلیدی عملکرد (Badawy et al. 2016). هنگام انتخاب یک راه‌کار هوش تجاری، باید این واقعیت را در نظر بگیریم که برخی از پلتفرم‌های پیشرفته با وجود اینکه تخصصی و پیشرفته هستند، تمام ویژگی های اولیه و پایه را پوشش نمی‌دهند. از این رو لازم است، برخی نیازها و ویژگی‌های پیشرفته از طریق سایر ابزارها فراهم شود. بعلاوه، این امکان نیز وجود دارد که محصولی، برخی از ویژگی‌های اساسی یا پیشرفته را از سایر توسعه دهندگان راه‌کارهای هوش تجاری تهیه کنید.

ابتدا یک فهرست جامع از ویژگی‌ها و قابلیت‌های پیشرفته‌ی موجود در راه‌کارهای BI ارائه می‌دهیم این فهرست می‌تواند برای کاربرانی که در جستجوی یافتن راه‌کار مناسب هستند مفید باشد:

·        Master Data/Data Quality Management (MD/MDQ)

بدون داشتن داده‌های صحیح و دقیق امکان تصمیم گیری صحیح وجود ندارد. اهمیت MD / DQM از نیاز به داده‌هایی با کیفیت بالا ناشی می شود: کامل، دقیق، یکپارچه، سازگار و به موقع. در همین راستا، عرضه کنندگان راه‌کارهای BI بر ارائه قابلیت‌های پیشرفته برای مدیریت داده‌ها و کیفیت داده‌ها مانند چرخه کیفیت داده‌ها تمرکز ویژه‌ای دارند. (BARC, 2018a) . چرخه کیفیت داده شامل تمام مراحل مربوط به ارائه اطلاعات با کیفیت بالا به کاربران تجاری است: شناسایی و تعریف متریک، ارزیابی، تغییر و تمیز کردن داده‌ها، ذخیره سازی / دسته بندی/ تاریخچه وکاوش / رتبه بندی (Debattista et al. 2014 & BARC, 2018c). به این ترتیب، استفاده کنندگان می توانند کیفیت داده‌ها را از یک منبع اصلی ذخیره سازی و نگهداری داده به جای چندین پایگاه داده مختلف، کنترل و مدیریت کنند.

·        Data Discovery/Visualization

ابزارهای BI با قابلیت‌های پیشرفته کشف و مصورسازی داده‌ها، نیاز به دخالت دانشمندان داده را در هنگام آماده سازی سریع داده‌ها برای تصمیم گیری کاهش می‌دهند. کمک به کشف در داده‌ها همراه با مصورسازی، بهبود فرآیند اکتشاف در داده‌‌ها و حل چالش‌ها تحلیلی پیچیده. علاوه بر این، ترکیب یادگیری ماشین در ابزارهای کشف داده باعث کمک به تحلیلگران در مراحل آماده سازی تا تجزیه و تحلیل و نمایش داده‌ها شده است(BARC, 2018a). این راه‌کار باید ویژگی های کلیدی برای اتصال منابع مختلف، پاکسازی و شکل دادن داده‌ها برای ایجاد مجموعه داده‌های جدید جهت استفاده در تحلیل‌های بصری یا تجزیه و تحلیل‌های پیشرفته را ارائه دهد.

·        Self-Service BI

فرایندی که در آن کاربران نهایی گزارش‌ها و تجزیه و تحلیل‌های مختص به خود را طراحی می‌کنند و در سیستم قرار می‌دهند(Gartner, 2018b). گارتنر پیش بینی می‌کند که خروجی تجزیه و تحلیل کاربران کسب و کار با قابلیت‌های سلف سرویس از دانشمندان حرفه ای داده‌ها پیشی خواهد گرفت. این امر یادگیری کاربران کسب و کار را در مورد چگونگی استفاده و بهره‌مندی از تجزیه و تحلیل و ابزارهای BI موثر و ایجاد نتایج مطلوب تجاری در این فرآیند را تسهیل می‌کند (Gartner, 2018c). هوش تجاریِ سلف سرویس، چابکی و زمان رسیدن به دانش را سرعت می بخشد، اما این نباید بر کیفیت نتایج یا کارایی تأثیر بگذارد. این مورد باید بسیاری از الزامات را برآورده کند، از جمله افزایش سرعت نباید اعتماد به داده‌ها را خدشه دار کند و امکان دسترسی آسان، درک داده‌ها را کاهش دهد. همه ذینفعان و طرف های مسئول باید در روند بازسازی شرکت کنند. کیفیت و سازگاری داده‌ها باید از طریق افزایش امنیت داده‌ها و حاکمیت آن‌ها تضمین شود. همچنین رعایت الزامات از نظر معماری و حاکمیت و دستیابی به تعادل بین انعطاف پذیری و کنترل بسیار حیاتی است. (Informatec, 2018 & BARC, 2018b & Henschen, 2013)

·        Data Governance

حاکمیت داده‌ها – فرآیندی است که اطمینان حاصل می‌کند داده‌ها هنگام ورود به سیستم از استانداردهای دقیق و قوانین کسب و کار برخوردار هستند. در گذشته، عدم حفاظت از داده‌ها خسارت قابل توجهی به بسیاری از مشاغل وارد کرده بود (Norman, 2001) . از این رو، برای جلوگیری از این شکست ها، حاکمیت داده‌ها با در نظر گرفتن نیروهای متخصص، فرآیندها و فناوری ها در حال پیاده سازی یک استراتژی داده، در خصوص مدیریت سیاست‌ها و چارچوب‌ها و قوانین و مقررات برای سرمایه‌های داده‌‌ای است. یکی از ویژگی های مهم راه‌کارهای BI حاکمیت داده‌ها با انطباق با مقرراتی مانند مقررات عمومی حفاظت از داده‌ها (GDPR)، (Marelli et al., 2018) است.

·        Cloud BI/Data Management

طبق گفته گارتنر، بسیاری از سازمان‌ها تا سال 2021 بخش قابل توجهی از فعالیت‌های داده‌ای خود را به فضای ابری منتقل می‌کنند (Gartner, 2017). از این رو، اکثر شرکت‌هایی که در حال حاضر تولید کننده BI و مدیریت داده در بازار هستند، یک راه‌کار مبتنی بر فضای ابری ارائه خواهند داد. اگرچه cloud BI و مدیریت داده دارای قابلیت‌های عملکردی بسیار مشابه محصول فعلی هستند، اما آن‌ها قیمت های پایین تری دارند و بار بخش های فناوری اطلاعات را کاهش می‌دهند.

·        Augmented Analytics

تحلیل‌های تکمیل شده؛ با استفاده از ML و NLP بینش در داده‌ها را به صورت خودکار افزایش می‌دهد و به آماده سازی و کشف دانش با سرعت بالاتر کمک می کند. این فرایند داده‌ها را برای ارائه نتایج واضح و ساده فراهم می‌کند و همچنین جهت تصمیم گیری دقیق کاربران امکان دسترسی به ابزارهای پیچیده را فراهم می‌کند (Gartner, 2018a). هوش مصنوعی و یادگیری عمیق در تبدیل تحلیل‌های تکمیلی به مفاهیمی که برای کاربران عادی قابل درک باشد، کمک می‌کند. بنابراین باعث متحول شدن تجربه کاربر می‌شود (Victor, 2018). علاوه بر این توسعه و گسترش تحلیل تکمیل شده باعث بهبود تصمیم گیری مدیران می‌شود.

·        Mobile BI

سازمان‌ها مزیت ارائه فرصت‌های تصمیم سازی و تصمیم گیری برای کارکنان یا مدیران را بدون توجه به محل کار آن‌ها مورد بررسی قرار می‌دهند. افزایش استفاده از تبلت‌ها و دستگاه های تلفن همراه باعث افزایش استفاده از سیستم های هوش تجاری در تلفن همراه شده است، این امر بیشتر به دلیل ظرفیت نرم افزارهای هوش تجاری در ارائه مصورسازی قوی و وضوح در نمایش نمودارها و داشبورد می‌باشد (García, 2010).

·        Deep Learning-Powered Analytics

تجزیه و تحلیل مبتنی بر یادگیری عمیق نوعی یادگیری ماشین است که یک مدل شبکه عصبی را برای انجام کارهای شبیه به انسان، مانند تشخیص گفتار، پاسخ دادن به سوالات به زبان اصلی یا شناسایی اشیا آموزش می‌دهد. تا سال 2023، یادگیری عمیق به عنوان راه‌کار ارجح برای برنامه های کاربردی مورد استفاده قرار می گیرد(Gartner, 2018d).

·        Real-Time Analytics

تجزیه و تحلیل بلادرنگ منطق و ریاضیات را جهت تصمیم گیری بهتر در کمترین زمان ارائه می‌دهد. برای برخی موارد استفاده، زمان واقعی به این معنی است که تجزیه و تحلیل در عرض چند ثانیه یا چند دقیقه پس از ورود داده‌های جدید انجام شود (Gartner, 2018e). تجزیه و تحلیل داده‌ها با سرعت بالا و گزارش سریعتر در بسیاری از شرکت ها یک چالش است. سازمان‌ها برای حمایت از تصمیم گیری عملیاتی سریعتر و مبتنی بر واقعیت، نیاز فزاینده ای به در دسترس قرار دادن داده‌های سیستم‌های عملیاتی دارند. هوش تجاری با ویژگی های تجزیه و تحلیل بلادرنگ می‌تواند استراتژی BI موجود در یک سازمان را برای به دست آوردن بینش جدید در مورد داده‌ها جدید، تکمیل کند.

·        Agile BI Development

معماری انعطاف پذیر و مقیاس پذیری است که شامل توسعه سریع و تکرارشونده می‌شود که این فرصت را به سازمان‌ها می‌دهد تا ضمن کاهش هزینه‌ها، تغییرات را به سرعت با الزامات تجاری سازگار کنند. هوش تجاری چابک، به همکاری میان کسب و کار و IT نیاز دارد و با استفاده از نمونه سازی سریع، سازمان ها را قادر می‌سازد سرعت توسعه را افزایش دهند و در عین حال پاسخ بهتری به نیازهای تجاری داشته باشند. رویکرد توسعه چابک هوش تجاری نیز با مدیریت پروژه چابک پشتیبانی می شود، که توسط آن برنامه ریزی، جمع آوری نیازها، توسعه و حتی آزمایش عملکردی، رگرسیون و قابلیت استفاده به صورت تکراری مدیریت می‌شود(BARC, 2018a).

·        Data Warehouse Modernization

سازمان‌ها از چالش‌های جدید فن آوری و کسب وکار آگاه هستند. آن‌ها پتانسیل روش‌های جایگزین برای طراحی معماری انبارداده‌ و استفاده از سایر گزینه های فنی مانند پردازش در حافظه، ذخیره سازی در فضای ابری یا ابزارهای اتوماسیون انبار داده (DWA) را شناسایی می‌کنند. فناوری اطلاعات باید نیازهای تغییر الزامات تحلیلی را برآورده کند و آن‌ها باید در برابر گزینه‌های پیاده سازی جدید و ارزان تر، با توسعه دهندگان خارج از سازمان رقابت کنند. برای به حداکثر رساندن ارزش تجاری داده‌ها، رویکردهای همکاری لازم برای پوشش انتظارات روزافزون از تجارت مورد نیاز است. وقت آن است که انبارهای داده قدیمی را با نیازهای فعلی مقایسه کنیم و ارزیابی کنیم که چگونه سخت افزار و فناوری به روز شده می‌توانند تجارت را بهتر و راحت تر کنند (BARC, 2018a). انبار داده‌های سنتی برای کنترل سریع رشد داده‌ها و انواع مختلف داده‌ها و کلان داده طراحی نشده‌اند. همچنین، آن‌ها برای همگام سازی با نیازهای مداوم در حال تغییر کاربران نهایی و برنامه‌هایی که به آن‌ها تکیه می‌کنند، طراحی نشده اند (Snowflake, n. d ).

·        Data-Driven Culture

امروزه کارکنان بیش از هر زمان دیگری پیشنهادات خود را ارائه می‌دهند. سطح تحصیلات، تعامل و دانش بیشتر از هر زمان دیگری است. با فرهنگ داده محور، سازمان‌ها می‌توانند تمام داده‌های مربوطه را استخراج کرده و از ارزش هایی که ایجاد می‌کند به طور کامل استفاده کنند. فرهنگ داده محور با استخراج KPI های مرتبط در تجارت، به فرهنگ سازمانی کمک می‌کند تا به سطح عملکردی عمیقی در کسب و کار برسیم. شفافیت KPI های استخراج شده از داده‌ها، یک عامل کلیدی در رویکرد فرهنگ داده محور در سازمان ها است- فرهنگ مبتنی بر داده.

·        Data Preparation for Business Users

فرآیند پاکسازی، ساختارمند کردن و غنی سازی داده‌ها برای تحلیل های اکتشافی و پیشرفته است. آماده سازی داده‌ها با هدف فراهم آوردن ابزاری برای شکل دادن به داده‌ها بر اساس نیازهای تحلیلی آن‌ها بدون نیاز به توسل به فناوری اطلاعات است.

·        Integrated Platforms for BI and Performance Management (PM)

پلتفرم‌های یکپارچه برای BI و مدیریت عملکرد (PM) -

 هدف بسیاری از سازمان ها پشتیبانی از BI و PM در یک سیستم داده یکپارچه است. به همین دلیل، این یکی از پایدارترین روندها در بازار BI شده است(BARC, 2018a).

·        Embedded BI and Analytics

ترکیب هوشمند تجاری و برنامه های کاربردی- BI و تجزیه و تحلیل‌های Embedded معمولا ویژگی های مرتبط با نرم افزار BI (داشبورد، مصورسازی داده‌ها و ابزارهای تجزیه و تحلیل) را به برنامه های غیر BI موجود اضافه می‌کند. Embedded BI تجربه کاربری بسیار تمیزتر و دوستانه تری را برای مشتریان فراهم می‌کند و در نتیجه مزیت اصلی آن نسبت به راه‌کارهایی است که به دو پلتفرم جداگانه احتیاج دارند (Bitner, 2018).

·        Data Storytelling

با مصورسازی داده‌ها، اینفوگرافیک‌ها، داشبوردها، و غیره داستان سرایی داده‌ها شکل میگیرد و این چیزی فراتر از ایجاد نمودارهای جذاب بصری است. داستان سرایی داده‌ها (Data Storytelling) یک روش ساختاری برای برقراری ارتباط بینش داده‌ها است و شامل ترکیبی از سه عنصر کلیدیِ داده‌ها، تصاویر و روایت‌ها است. هنگامی که تصاویر و روایت مناسب را با داده‌های مناسب ترکیب می‌کنید، یک داستان داده‌ای شکل می‌گیرد و آن می‌تواند تأثیر گذار باشد و تغییر ایجاد کند.

·        Using External/Open Data

استفاده از داده‌های خارجی / باز – بینش‌های ارزشمندی را می‌توان از رسانه‌های اجتماعی، مشتری، بازار، هواشناسی، داده‌های جغرافیایی و جمعیتی و حتی از یافته های تحلیلی موجود جمع آوری کرد. سازمان ها می توانند این موارد و بسیاری از انواع دیگر داده‌ها را از سایر متخصصان BI، ارائه دهندگان خدمات متخصص یا پلتفرم‌های مختلف کسب و کار ها بدست آورند. این نوع داده‌های اغلب برای ساختن مدل‌های تجاری پیرامون تجزیه و تحلیل هدفمند مورد استفاده قرار می‌گیرند(Micek, 2017).

·        Analytics Teams/Data Labs

تیم های تجزیه و تحلیل / آزمایشگاه‌های داده واحدهای تجاری جداگانه‌ای هستند که بطور خاص برای آغاز به کار علم داده در یک سازمان طراحی شده‌اند. آن‌ها برای ذخیره، پردازش و تجزیه و تحلیل داده‌ها به سرمایه گذاری در فناوری‌های جدید نیاز دارند. هرچه تجزیه و تحلیل به بلوغ می‌رسد، استقرار و بهره وری چنین راه‌کارهایی حیاتی تر می شود. این موضوع چالش‌های جدیدی برای ارائه دهندگان راه‌کارهای نرم افزاری به وجود می‌آورد و برای پیوند دادن آزمایشگاه‌های داده، بخش IT و واحدهای تجاری نیاز به تجدید نظر در رویکردهای سازمانی دارند(BARC, 2018a).

·        Visual Design Standards

استانداردهای طراحی بصری روشی است برای ارائه اطلاعاتی که بتوان آن‌ها را به صورت موثر و کارآمد درک کرد. با توجه به نیاز روزافزون به تجزیه و تحلیلِ حجم زیادی از داده‌ها برای ادامه رقابت، روند استانداردهای طراحی بصری در سه سال گذشته ایجاد و مورد توجه قرار گرفته است. پشتیبانی از استانداردهای طراحی بصری به طور فزاینده‌ای به عنوان معیاری تلقی می‌شود که باید برای عرضه کنندگان راه‌کارهایBI در فرآیندهای انتخاب نرم افزار رعایت شود(BARC, 2018a).

·        IoT Analytics

تحلیل اینترنت اشیاء- در حالی که فن آوری های جدید حسگرها، موبایل و بی سیم باعث پیشرفت اینترنت اشیاء (IoT) می شوند، ارزش کسب و کار واقعی را باید بیشتر در تجزیه و تحلیل ها جستجو کرد. توسعه دهندگان شروع به ارائه چنین ویژگی هایی به مشتریان خود می‌کنند، بنابراین سبد خدمات خود را در زمینه‌های جدید تجاری گسترش می‌دهند. داده‌های اینترنت اشیا به تحلیل داده‌های بلادرنگ نیاز دارند. علاوه بر این، تنوع داده‌های اینترنت اشیا به این معنی است که برای پردازش، ذخیره و اجرای تجزیه و تحلیل موثر بر روی داده‌های اینترنت اشیا، لازم به معماری، ابزارها و فرایندهای جدید است. (Harris, n.d).

·        Big Data Analytics

تجزیه و تحلیل داده‌های حجیم - ابزاری را برای تجزیه و تحلیل مجموعه داده‌های با حجم، تنوع و سرعت بسیار زیاد جمع آوری شده از منابع داخلی و خارجی از جمله متن، حسگرها، موقعیت جغرافیایی و داده‌های جریان کلیک و غیره فراهم می‌کند. در این موضوع تجزیه و تحلیل داده‌های بزرگ باید به طور موثر مجموعه داده‌های بزرگ را در زمان واقعی یا نزدیک به زمان واقعی پردازش کند - از جمله مدل سازی، مصورسازی، پیش بینی و بهینه سازی(Hu et al. , 2014). سازمان ها برای پشتیبانی از تصمیم گیری و بهینه سازی فرآیند از تجزیه و تحلیل داده‌های بزرگ استفاده می‌کنند (Galetto, 2016).

تجزیه و تحلیل داده‌های حجیم شامل تجزیه و تحلیل داده ساختار یافته، تجزیه و تحلیل متن، تجزیه و تحلیل وب، تجزیه و تحلیل چندرسانه‌ای، تجزیه و تحلیل شبکه های اجتماعی و تجزیه و تحلیل تلفن همراه است(Hu et al.,2014).

·        Data Lake

با توجه به تعریف اولیه جیمز دیکسون؛ ذخیره داده‌‌های حجیم در یک حالت Native از داده‌های ساختاریافته و غیر ساختاریافته(Rajesh & Ramesh, 2016). ذخیره و پردازش داده‌ها به صورت خام، فرمِ اصلی و مستقیم از منابع داده، بدون هیچگونه پاکسازی، استاندارد سازی، بازسازی یا تغییر شکل امکان پذیر است. دریاچه داده‌ها پرس و جوهای موقت، اکتشاف داده‌ها و تجزیه و تحلیل های مبتنی بر کشف را امکان پذیر می‌کند، زیرا مدیریت و ساختار داده را می‌توان در زمان اجرا به صورت همزمان انجام داد(TDWI, n. d.). طراحی یک دریاچه داده برای ذخیره تمام داده‌ها (داده‌های رابطه ای، غیر رابطه ای و حجیم) در همان بستر است (Shepherd et al., 2018).

·        Edge Computing and NLP

Edge Computing و NLP پردازش زبان‌های طبیعی را به درخواست‌های کاربر نزدیک می‌کند. BI شاهد تلاش‌هایی برای درک رفتار، نگرش و احساسات کاربر است (Cambria, 2016; Shi, 2016). NLP با همکاری DL نقش محوری در درک زبان نوشتاری یا گفتاری دارد. اخیرا هوش مصنوعی گام فوق العاده‌ای در جهت رسیدن به این هدف برداشته است و انتظار راه‌کارهای هوش تجاری بیشتری با فن آوری های تلفیق گفتار زبان است (Chandrayan, 2017). 

ادامه دارد ...

منبع

انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش اول

چکیده

بسیاری از شرکت‌ها و سازمان‌ها از مزایا و قابلیت‌های عملیاتی که می‌توانند با استفاده از فناوری هوش تجاری به دست آورند آگاه هستند. با این حال‌ برای استفاده بهتر و حداکثری از قابلیت‌ها، نیاز به انتخاب یک راهکار هوش تجاریِ متناسب با نیازهایشان هستند.

در این مقاله، یک نمای کلی از بیست راه‌کار هوش تجاری موجود در بازار را ارائه می‌دهیم. همچنین اصلی ترین ویژگی و امکاناتی که درآینده ممکن است داشته باشند را شرح می‌دهیم. این امکانات در دو گروه ارائه می‌شود - امکانات اولیه و پیشرفته. و بعد با ارائه دو ابزار امکان انتخاب راه‌کار هوش تجاری در سازمان را تسهیل می‌کنیم– "جدول مقایسه و هرم ویژگی‌ها".

چهار کلاس بلوغ ابزارهای هوش تجاری را که از طریق اجرای ویژگی‌های پیشرفته منعکس شده است، شناسایی می‌کنیم و در آخر، درباره بینش های به دست آمده بحث می‌کنیم و برخی از رهنمودها را برای انتخاب راه‌کار مناسب BI همراه با روند توسعه شناسایی شده ارائه می دهیم.

مقدمه

بیش از دو دهه پیش، هوش تجاری (BI) به عنوان یک ماژول نرم افزاری پرس و جو محور و گزارشگیری شکل گرفت و آغاز به کار کرد. ویژگی های جدیدی از قبیل پردازش تحلیلی آنلاین (OLAP)، مصور سازی داده‌ها و قابلیت های موبایلی طی سالیان گذشته با هدف ساده ساختن استفاده از چنین راه‌کارهای پیچیده ای برای کاربران نهایی اضافه شده است. نیاز فزاینده به BI با رشد چشمگیر حجم داده‌ها، رقابت در بازار برای جذب مشتری و حفظ مشتری‌های فعلی و در دسترس بودن انواع ابزارهای BI بیش از پیش می‌شود.

بازار هوش تجاری به طور مداوم در حال پیشرفت است. روندها به صورت فصلی تغییر می‌کنند و وظیفه اصلی این کار برجسته سازی موضوعات مهم در این زمینه و ارزیابی زمینه های مورد نیاز در آینده است. بازارهای جهانی تغییرات قابل توجهی برای فناوری هوش تجاری در نظر گرفته است. کیفیت داده‌ها، مدیریت داده‌ها، کشف داده‌ها، مصورسازی و هوش تجاریِ سلف سرویس از مهمترین این موارد است. همچنین، فناوری هایی که کاربران هوش تجاری در آینده می توانند از آن انتظار داشته باشند، عبارت است از استقرار cloud BI، تجزیه و تحلیل مجهز به BI تلفن همراه، یادگیری ماشین (ML) و یادگیری عمیق (DL) و مقررات امنیتی و حریم خصوصی دقیق(BARC, 2018a).

هوش مصنوعی (AI) و یادگیری ماشین (ML) روند تحول در نرم افزارهای BI را ادامه می دهند. سازمان‌ها به طور فزاینده‌ای به قابلیت تجزیه و تحلیل خودکار داده‌های سیستم های قدرتمند BI وابسته خواهند بود. برنامه‌های یادگیری عمیق (DL) در حال ورود به بازار هستند در حالی که تحقیقات AI و برنامه های ML به بلوغ نسبی رسیده اند. بیشتر راه‌کارهای BI تجزیه و تحلیل داده‌ها، مصورسازی داده‌ها، تجزیه و تحلیل‌های ad hoc، داشبورد مدیریتی، ابزارهای پرس و جو موردی (ad hoc)، گزارش های موردی، KPIها و متریک‌های عملکردی را ارائه می دهند که همگی از ویژگی های اساسی راه‌کارهای BI محسوب می شوند. ظهور تجزیه و تحلیل های پیشرفته کسب و کار در بین راه‌کارهای BI را می‌توان مستقیماً به دلیل ارزان بودن سخت افزارهای ذخیره سازی، در دسترس بودن حجم زیاد داده‌ها و اینترنت اشیا دانست(Dhar, 2012). تمام این موارد، که با افزایش دسترسی به سرویس های ابری نیز پشتیبانی می شوند، یکی از دلایل اصلی افزایش قابل توجه تجزیه و تحلیل کلان داده است.

در کنفرانس Tableau 2018 ؛ (Labbe, 2019) رویکردی که بینش خودکار را با استفاده از یادگیری ماشین و پردازش زبان طبیعی (Gartner, 2018a) به صورت خودکار تحت عنوان تجزیه و تحلیل تقویت شده انجام می دهد، به عنوان مهمترین بخش ارائه شد. ریتا سالام، تحلیلگر گارتنر، گفت: "این نوع تجربه کاربر دوباره بازار را متحول خواهد کرد. تجزیه و تحلیل های تکمیلی در واقع استفاده از هوش مصنوعی است. این فناوری افراد بیشتری را قادر می سازد تا بدون نیاز به دانش زیاد در زمینه داده، به اطلاعات ضمنی دست یابند." علاوه بر این، بسیاری از کمپانی های عرضه کننده سیستم های BI تلاش کردند تا در سال 2018 فناوری های AI را بهتر در محصولات تحلیلی خود قرار دهند. انتظار می رود استارتاپ های بیشتری با روش های تجزیه و تحلیل تجدید نظر کنند. مدیر عامل شرکت آدام سلیپسکی در کنفرانس کاربران Tableau خاطرنشان کرد که فروشنده در سال 2018 قدم هایی برداشته اند تا توسعه دهندگان شخص ثالث را قادر سازند تا محصولات و خدمات خود را به راحتی و عمیق در پلت فرم Tableau ادغام کنند. رایانش ابری استفاده از ابزارهای تحلیلی را ساده و محبوبیت آنها را افزایش داده است. اکنون مشاغل نیازی به خرید مجوزهای شخصی برای برنامه های تحلیلی و رایانه های گران قیمت برای فرآیندهای تحلیلی پیچیده ندارند، زیرا شرکت های خدمات ابری اشتراک کم هزینه ای را برای استفاده از ابزارهای هوش تجاری خود در محیط ابری ارائه میدهند (Labbe, 2019).

نمایشگاه ها وکنفرانس های تحلیلی BI نشان میدهد که توسعه موتورهای SQL-on-Hadoop و راه‌کارهایی که قابلیت BI محلی را در داخل دریاچه های داده (data lakes) فراهم می‌کند گسترش یافته و کاربران را قادر می سازد که کارهای مربوط به BI را بر روی انواع مختلف داده‌ها (ساختاریافته یا غیر ساختاری) به صورت داخلی و یا مبتنی بر فضای ابری انجام دهند. در گذشته، سازمان ها با استخراج، تبدیل و بارگذاری داده‌ها از دریاچه های داده در انبارهای داده برای پرس و جو، گزارش و اکتشاف داده‌ها، استفاده میکردند. اکنون، این ویژگی های جدید نیاز به این فعالیت ها را کاهش می دهد، زیرا فناوری داده‌ها را قادر می سازد تا در قالب اصلی باقی بمانند. این ویژگی که برای دسترسی آسانتر و سریعتر به محتویات دریاچه داده‌ها ضروری است، قابلیت جستجو در انواع مختلف داده می‌باشد. در مرحله بعدی، انتظار می رود که سازمان‌ها استفاده از SQL-on-Hadoop را به عنوان یک ویژگی BI افزایش دهند، این کار دسترسی به داده‌ها در دریاچه داده را امکان پذیر می کند. از این تکنولوژی، تمرکز به سمت توسعه داشبوردهای تعاملی و سایر انواع مصورسازی حرکت می‌کند (Rajesh, & Ramesh, 2016).

استریم کردن داده‌ها و تجزیه و تحلیل های بی درنگ نیز به یکی از مهمترین اولویت های استراتژیک برای تعداد زیادی از سازمان‌ها که به دنبال برتری نسبی هستند، تبدیل شده است. اصولا این موضوع شامل حال سازمان‌هایی می‌شود که دستگاه‌های اینترنت اشیا را به عنوان بخشی از فناوری عملیاتی خود مستقر کرده اند(Intrinsic Communications,2019). این فناوری‌ها در امنیت سایبری، کشف تقلب و سایر نواحی ای که آگاهی فوری از اهمیت بسیار زیاد برخوردار می‌باشد، کاملاً اثبات شده است. با این حال، باید تأکید کرد که شرکت‌های عرضه کننده نرم افزارهای BI طیف وسیعی از فناوری ها را دنبال می‌کنند تا الگوریتم های ML را برای کاربران BI فراهم کنند تا امکان تصمیم گیری خودکار از داده‌های جدید را امکان پذیر کنند. امروزه ممکن است بسیاری از سازمان‌ها برای اجرای داده‌های عملیاتی خود از Apache Hadoop clusters استفاده کنند، سازمان ها از فناوری CDC جهت شناسایی و ضبط تغییرات داده‌ها و ساختارهای داده‌ای، و همچنین اطلاع کاربران از این تغییرات استفاده می‌کنند (Stodder, 2018).

سازمان ها در فضای BI باید انعطاف پذیری و چابکی خود را در کشف و تجزیه و تحلیل داده‌ها بهبود ببخشند و این یک وجه مشترک بین آن‌ها است. کاربران در حال تغییر نیازهای اطلاعاتی خود هستند، و باید از داشبورد به سمت فن آوری های جدید و روش های توسعه محور حرکت کنند. برای بهبود چگونگی همکاری کاربران و توسعه دهندگان از روش‌های چابک استفاده می‌شود. در همین زمان، گام رو به جلوی قابل توجهی در اجرای روشهای تفکر چابک، DevOps و طراحی برداشته شده است (Hani et. al. 2017).

روش های DevOps سرعت و انعطاف پذیری روند پیاده سازی را افزایش داده. فناوری های سلف سرویس BI به خوبی با روش های تفکر چابک و طراحی متناسب است.

به دنبال افزایش اهمیت تصمیم گیری های مبتنی بر BI، سازمان‌ها در حال ایجاد سمت‌های جدیدی مانند مدیر ارشد داده (CDO) یا تعیین مسئولیت "رئیس داده" به CIO (مدیر ارشد اطلاعات)، مدیر تحلیلی (CAO) یا رئیس BI و انبارداده هستند. مسئولیت های اصلی CDO بهبود اعتماد، حکمرانی و سودمندی داده‌ها، پیروی از مقررات، نظارت بر حفاظت از دارایی های داده‌ای و افزایش ارزش این دارایی ها است. راه‌کارهای سلف سرویس به کاربران این امکان را می دهد که کارهای بیشتری را به تنهایی انجام دهند، از جمله انتخاب داده، تهیه، ترکیب و مصورسازی؛ با این حال کاربران هنوز هم برای توسعه، محافظت، مدیریت و پایداری آنچه ممکن است با سلف سرویس بدست آورند نیاز به همکاری با بخش فناوری اطلاعات دارند. در نتیجه، کاربران نیازهای اطلاعاتی خود را بهتر درک می‌کنند . هدف واحد فناوری اطلاعات و CDO باید فراهم کردن محیطی باشد که کاربران بتوانند داده‌های قابل اعتماد و قابل اطمینانی را در اختیار داشته باشند. فروشندگان فناوری راه‌کارهایی با قابلیت های پیشرفته برای فعال کردن راهنمایی IT یا CDO ارائه می دهند.

به موازات آن، هوش مصنوعی در حال پیدا کردن جنبه‌هایی از تجزیه و تحلیل، BI، یکپارچه سازی داده‌ها و مدیریت داده‌ها است. و انتظار می رود که در آینده تأثیر قابل توجهی در تجربه کاربر غیر فنی داشته باشد. روند BI سلف سرویس کاربران را قادر می سازد تا در بکارگیری داده‌ها و مصورسازی آن بیشتر از پیش موثر واقع شوند، بنابراین بینش تحلیلی به بخشی طبیعی‌ای از تصمیم گیری‌ها بدل می شود (Hani et al. 2017 & Umble et al). ویژگی های پیشرفته هوش مصنوعی قابلیت های سلف سرویس را بیشتر بهبود می بخشد تا به کاربران غیر فنی اجازه تجزیه و تحلیل داده‌های مرتبط را بدهد. پیشرفت ML، DL و NLP کاربران را قادر می سازد مقیاس و سرعت تجزیه و تحلیل یا گزارش گیری از حجم بیشتری از داده‌ها را افزایش دهد. راه‌کارهای BI نوآوری مداوم در استفاده از هوش مصنوعی برای تقویت BI و تجزیه و تحلیل برای کاربران غیر فنی را فراهم می‌کند و نه تنها استفاده از آن را آسان تر، بلکه هوشمندانه و سریع تر نیز میکند (Victor, 2018).

در این مقاله مروری بر راه‌کارهای هوش تجاری و ویژگی‌های اساسی و پیشرفته آن داریم و مسیرهای احتمالی برای اضافه شدن قابلیت‌های جدید BI بررسی میشود. علاوه بر این، دو ابزار (ماتریس مقایسه و هرم ویژگی ها) برای انتخاب راه‌کار مناسب BI در یک محیط واقعی ارائه شده است. ماتریس و هرم، روندهای موجود در میان ابزارهای BI را نشان میدهد و درک کاملی در مورد قابلت‌های هر یک از آن‌ها فراهم میکند.

این مقاله به شرح زیر تنظیم شده است: در بخش دوم لیستی از ویژگی های راه‌کارهای BI که در بازار وجود دارد، آورده شده است. در بخش سوم چارچوبی از روش مقایسه ای انجام شده و ماتریس مقایسه و هرم ویژگی را ارائه شده است. و بخش چهارم نتیجه گیری این تحقیق را به صورت خلاصه بیان میکند.

ادامه دارد...

 منبع

چرا باید برنامه های موبایلی را تحلیل کنیم؟ و چرا برای تحلیل داده های موبایلی نیاز به یک ابزار آماده داریم؟

در بحث آنالیز موبایلی (mobile analytics) دو سوال اصلی وجود دارد. در این مقاله سعی شده است که به هر دوی این سوالات به صورت ساده و خلاصه پاسخ داده شود.

چرا باید برنامه های موبایلی را تحلیل کنیم؟

شاید برای شما هم سوالی در این مورد پیش آمده باشد که اصلا چرا باید داده های موبایلی را تحلیل کرد؟!

برای پاسخ به این سوال ابتدا باید گفت که تحلیل داده‌ها و رفتار کاربران باعث شناخت بیشتر از معایب و مزایا برنامه می‌شود. این شناخت به بهبود برنامه و درنهایت کسب درآمد بیشتر منتهی می‌شود.

تحلیل برنامه برای تولید ورژن جدید، افزودن امکانات و اعمال تغییرات برروی ویژگی های موجود بسیار مهم است. شناسایی اتفاقات رخ داده شده میان کاربر و برنامه بسیار سخت است. اینکه متوجه شویم کاربر در هر بخش از برنامه چه رفتاری دارد و چگونه از برنامه استفاده می‌کند، در اعمال بهبودها بسیار نقش دارد.

در این رابطه 7 شاخص بسیار مهم در آنالیز موبایلی وجود دارد که دانستن این اطلاعات از الزامات هر توسعه دهنده است.

1- شاخص تعداد کاربران فعال (Active Users)

دانلود و نصب برنامه ساده ترین بخش کار است. ورود مجدد کاربر به برنامه است که ارزشمندتر است. به همین دلیل هم ما باید اطلاعاتی از تعداد کاربر فعال ماهانه (monthly active users) و تعداد کاربر فعال روزانه (daily active users) داشته باشیم. اینکه کاربران از کجا و چطور از برنامه استفاده می‌کنند به شما این امکان را می‌دهد که با تقسیم بندی آن‌ها امکانات سفارشی مختص به هر کدام را ارئه دهید. اینکار باعث می‌شود تا کاربران مدت زمان بیشتری در برنامه حضور داشته باشند. یکی دیگر از دلایل مهم بودن این شاخص جلب کردن کاربران جدید است. درصد کاربران جدید یکی دیگر از معیارهای مهم است که نباید فراموش کنیم. هر زمانی که مقدار این شاخص کاهش پیدا کند باید آلارم ما اعلام خطر کند.

2- مدت زمان استفاده از برنامه ( Using the application)

یکی از پرطرفدارترین سوالات این است که در کدام صفحه یا بخش از برنامه کاربران خود را از دست داده ایم؟ آیا پاسخ این سوال را میدانید؟ این یک سوال کلیدی است.

دانستن این موضوع که جریان حرکتی در برنامه چگونه است، بسیار مهم می‌باشد چرا که به ما می‌گوید که چرا کاربران در یک صفحه خاص برنامه را ترک می‌کنند. به عنوان مثال این اطلاعات در یک بازی موبایلی می‌تواند به معنای سخت بودن یک مرحله خاص از بازی باشد.

3- حضور در برنامه (Engagement)

برای چه مدت کاربران از برنامه استفاده می‌کنند؟ برای درک این موضوع لازم است طول هر نشست را محاسبه کنید، اگر دیدید که کاربران مدت زمان زیادی را در برنامه شما صرف نمی‌کنند این بدان معناست که شاید انتظارشان از برنامه برآورده نشده. البته این موضوع به برنامه هم بستگی دارد. برای مثال کاربران در یک برنامه نمایش وضعیت آب و هوا بین 1 تا 3 دقیقه زمان صرف می‌کنند که اگر برنامه سودمندی برای کاربران باشد باید تعداد بازدیدهای زیادی داشته باشد. به عبارت دیگر شاخص دیگری که در اینگونه برنامه ها باید اندازه گیری شود تعداد نشست های کاربران است.

4-  ماندگاری (Retention)

تحقیقات نشان می‌دهد که 20 درصد از برنامه های موبایلی فقط برای یک بار مورد استفاده قرار می‌گیرند. درک این موضوع قبل از اینکه دیر شود بسیار مهم است. می‌توانیم شاخص ماندگاری را بر اساس درصد کاربرانی که پس از گذشت یک هفته، یا یک ماه از زمان نصب به برنامه مراجعه کرده اند، داشته باشیم. این شاخص نه تنها از جهت اطلاع از ماندگاری کاربران مهم است، بلکه از نظر چگونگی بازگشت به برنامه نیز مهم می‌باشد.

5- هزینه کسب مشتری (Customer Acquisition Cost)

بسیار مهم است که بدانیم هزینه جذب هر یک از کاربران چقدر بوده است چراکه از این طریق می‌توانیم هزینه تبلیغات را محاسبه کنیم. این هزینه بر اساس جمع تمامی هزینه‌های انجام شده برای کسب  مشتری (تبلیغات، بازاریابی و ...) تقسیم بر تعداد کاربران در یک بازه زمانی مشخص می‌باشد.

6-  میانگین درآمد از هر کاربر (Average revenue per customer)

این شاخص با جمع کردن درآمد از هرکاربر (خرید برنامه، پرداخت درون برنامه ای، تبلیغات و...) و تقسیم بر تعداد کل کاربران محاسبه می‌شود. با بدست آوردن این شاخص میتوانیم میانگین درآمد را با هزینه‌های جذب مشتری مقایسه کرد. این مقایسه به ما میگوید که آیا به هدفمان رسیده ایم یا خیر.

7- ارزش عمر مشتری (Customer lifetime value)

اگر می‌خواهید بدانید که کاربران از زمان نصب تا خروج از برنامه به طور میانگین چقدر درآمد ایجاد می‌کنند، باید این شاخص را بررسی کنید. پیش بینی سرمایه مورد نیاز برای انتشار محصول با بررسی این اطلاعات ممکن می‌شود.

برای محاسبه شاخص های فوق و بسیاری شاخص‌های سودمند دیگر، استفاده از ابزارهای آنالیتیکس توصیه می شود. در حال حاضر استارت آپ دیتابین به عنوان اولین ارائه کننده اختصاصی خدمات تحلیل برنامه های موبایلی از زمان نصب تا ترک برنامه توسط کاربران، تحلیل های ارزشمندی در اختیار توسعه دهندگان قرار می دهد.

چرا برای تحلیل داده های موبایلی نیاز به یک ابزار آماده داریم؟

شما یک توسعه دهنده برنامه های موبایلی هستید با توانایی های مشخص، ممکنه فراتر از یک توسعه دهنده باشید و با تخصص های مرتبط با تحلیل داده هم آشنایی داشته باشید اما باز هم مقرون به صرفه نیست که خود شما زمان و هزینه ای برای این کار بپردازید!

برای تحلیل داده نیاز اصلی و اولیه دیتا است. مشکل اصلی اینجاست که تعداد کمی از توسعه دهندگان هستند که میدانند دقیقا چه داده هایی نیاز دارند تا بتوانند شاخص ها را استخراج کنند. اگر این مشکل حل بشه میرسیم به نحوه دریافت داده ها، ارتباط با دیتابیس، طراحی و پیاده سازی انبار داده و انجام عملیات ETL جهت پالایش و بارگذاری داده های خام در انبار داده‌ها.

مرحله بعد طراحی یک مدل OLAP جهت پردازش داده های خام و تبدیل آن‌ها به اطلاعات مفید و سودمند است. پس از انتقال داده ها به مکعب‌های تحلیلی (Cube) نوبت به ایجاد KPIها می‌رسد. این شاخص ها توسط کوئری های نسبتا پیچیده تغذیه میشوند.

برخی از شاخص ها از طریق رویه های ایجاد شده در انبار داده ها و برخی دیگر از طریق MDXهای پیچیده داده های خام را به اطلاعات مفید تبدیل می‌کنند.

در مرحله آخر باید به کاوش در اطلاعات پرداخت، جایی که مدیران محصول در انتظار گزارشات بهبود محصول هستند. این بخش از نمودارها و جداول متناسب با هر شاخص طراحی و تولید شده است.

به تمام مواردی که اشاره شده توسعه، نگهداشت، سرعت، امنیت و هزینه های سخت افزار و نرم افزار را اضافه کنید. آیا توسعه دهنده ای هست که بخواهد تمام این کارها را خودش انجام دهد؟!

الگوی طراحی جداول ابعاد- slowly changing dimension

بیشتر اوغات مقادیر موجود در جداول ابعاد (Dimensions) ثابت هستند و تغییری در آن‌ها رخ نمی‌دهد. به عنوان مثال تغییر در نام ماه‌های سال تقریبا غیر ممکن است. اما برخی از اطلاعات قابل تغییر هستند، مانند نام یا نام خانوادگی و آدرس افراد.

 جهت شرح چنین شرایطی از اصطلاح SCD یا slowly changing dimension استفاده میشود. SCD الگویی جهت طراحی جداول ابعاد است.

در برخی از گزارشات، زمانی که چنین تغییری در داده رخ دهد، می‌بایست تغییرات را به صورتی اعمال کرد که ردپای (تاریخچه تغییرات) آن مشخص باشد. به طور مثال در نظر بگیرید که در گزارشی میزان فروش شخصی ثبت شده باشد، این شخص پس از مدتی نام خود را تغییر می‌دهد، اگر نام شخص را بروزرسانی کنیم تمامی اطلاعات قدیمی با نام جدید نمایش داده میشود که در این صورت امکان رسیدن به نام قدیم از بین می‌رود.

SCD یک مفهموم جدید نیست بلکه نوع دیگری از طراحی می‌باشد که برای کمک به حل چنین مشکلاتی مفید واقع می‌شود.

 سه نوع طراحی برای SCD وجود دارد.

نوع اول: در این نوع از طراحیSCD نیازی به رهگیری تغییرات نمی‌باشد. استفاده از حالت نرمال بروز‌رسانی جداول ابعاد بدون اضافه کردن سطر یا ستون خاصی به جدول جهت رهگیری وضعیت تغییرات در داده‌ها. گزارش با نام جدید نمایش داده می‌شود و نام قدیمی نادرست در نظر گرفته خواهد شد. همچنین در نوع اول تاریخچه تغییرات ثبت و رهگیری نمی‌شود.

نوع دوم: SCD نوع دوم کاملا متفاوت و برعکس نوع اول است. در این نوع تمامی تغییرات بدون اعمال تغییر روی داده‌ها ثبت و رهگیری می‌شود. برای انجام این کار سطر و ستون‌هایی به جدول مورد نظر اضافه می‌کنیم. 

تاریخ شروع و تاریخ پایان به همراه یک کلید اصلی جدید جهت ثبت تاریخچه تغییرات به جدول اضافه می‌کنیم.

 به تصویر زیر دقت کنید، به منظور ثبت تغییرات، جدول سمت چپ به جدول سمت راست تغییر می‌کند و توسط فرآیند ETL داده‌ها به شکل نمایش داده شده در جدول پایین درج و بروزرسانی می‌شوند.

نوع سوم: در این حالت پردازش جهت رهگیری تغییرات تا حدودی ساده شده به طوری که فقط نام فعلی و نام قدیمی به همراه تاریخ تغییر را در جدول ذخیره می‌کنیم. نام جدید با نام قدیمی جایگزین می‌شود و نام قدیمی در فیلد دیگری به همراه تاریخ تغییرات ثبت می‌شود. در نوع سوم SCD سطری اضافه نمی‌شود و فقط ستون‌هایی برای درج تاریخ تغییرات و مقدار قبلی افزوده می‌شود. در صورتی که نیاز به ثبت تاریخچه تمامی تغییرات باشیم، باید ستون های دیگری به جدول اضافه کنیم. از این نوع زمانی استفاده می‌شود که فقط نیاز به اطلاع از داده قبلی باشد.