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

عوامل حیاتی در موفقیت سیستم‌های هوش تجاری (Critical Success Factors)

اجرای سیستم هوش تجاری یک تعهد پیچیده است که به منابع قابل توجهی نیاز دارد

مقدمه

اخیرا سیستم‌های هوش تجاری با اولویت بالایی در فهرست بسیاری از مدیران فناوری اطلاعات قرار گرفته است. [12,11]

طبق نظر رین اشمیت و فرانسیس [22]، سیستم هوش تجاری مجموعه یکپارچه ای از ابزارها، فن آوری‌ها و محصولات برنامه ریزی شده ایست که برای جمع آوری، هماهنگی، تحلیل و در دسترس قرار دادن داده ها استفاده می شوند. بطور ساده می توان گفت وظایف اصلی سیستم هوش تجاری شامل اکتشاف هوشمند، یکپارچه سازی، تجمیع و تحلیل چند بعدی داده های نشات گرفته از منابع مختلف اطلاعاتی است [21]بطور ضمنی در این تعریف داده‌ها، منابع بسیار با ارزش سازمان در نظر گرفته شده است بطوریکه از کمیت به کیفیت تبدیل می شوند[27] . در نتیجه امکان یکپارچه سازی داده‌های حجیم سازمان از منابع داده‌ای مختلف فراهم می‌شود و دیدی 360 درجه از کسب و کار ارائه می‌دهد. [5, 27] بنابراین برای تسهیل بهبود تصمیم گیری، اطلاعات با معنی می‌توانند در زمان و مکان مناسب، و به شکل مناسب برای کمک به افراد، بخش‌ها، گروه‌ها و یا حتی واحدهای بزرگتر ارائه شوند.

 بر اساس تحقیق‌های بسیاری که در مورد CSFها انجام شده، پیاده سازی سیستم‌های هوش تجاری پیرو سنت و رسوم پروژه‌های کاربردی ماننده سیستم‌های تراکنشی نیست [10]. اما این نوع پروژه‌ها ویژگی‌های مشابهی هم با سیستم‌های زیر بنایی همچون ERP ها دارند. پیاده سازی سیستم‌های هوش تجاری فعالیت‌های ساده‌ای همچون خرید ترکیبی از نرم افزارها و سخت افزارها نمی‌باشد بلکه یک تعهد پیچیده است که نیاز به زیرساخت‌ها و منابع مناسب در طول یک دوره دارد. [10,19,18]

گام اول در CSFها بحث و جستجو

چارچوب CSFها در شکل زیر نشان داده شده و بطور خلاصه تشریح می‌کند که چطور مجموعه‌ای از عوامل مهم منجر به اجرای موفقیت آمیز سیستم هوش تجاری می‌شوند. آریاچاندرا و واتسون [2]معیار موفقیت اجرای این تحقیق را در دو بعد کلیدی می‌بینند: عملکرد فرایند (مانند اینکه فرایند پیاده سازی سیستم هوش تجاری چطور پیش رفت) و عملکرد زیرساخت(بطور مثال کیفیت سیستم و استاندارد خروجی).

 عملکرد زیرساخت به سه متغیر عمده موفقیت IS شباهت دارد که توسط دلون و مک لین توصیف شده [7, 8]، یعنی کیفیت سیستم، کیفیت اطلاعات و کاربرد سیستم، در حالیکه عملکرد فرایند می‌تواند از نظر برنامه زمانی و بودجه ارزیابی شوند. بطور خاص، کیفیت سیستم مرتبط با ویژگی‌ کارایی سیستم پردازش اطلاعات است. یعنی سیستم باید انعطاف پذیر و قابل سنجش باشد و توانایی یکپارچه کردن داده ها را داشته باشد [2, 7, 8]. کیفیت اطلاعات به دقت، کامل بودن، بهنگام بودن، تناسب، انسجام و سودمندی اطلاعات تولید شده توسط سیستم اشاره میکند[2, 7, 8]. کاربرد سیستم به عنوان "میزان استفاده از خروجی یک سیستم اطلاعاتی" تعریف می شود[7, 8]. متعاقبا،کاربران و سازمان‌ها مزایای اجرای سیستم هوش تجاری را ارزیابی می کنند[13].. این برداشت از مزایا قسمتی از زنجیره تکاملی تعاملی کسب و کار در نظر گرفته می‌شود که برای حمایت بیشتر از نیازهای در حال تحول کسب و کار منجر به بهبود سیستم های هوش تجاری می شود[3,4].

 " سیستم تنها زمانی موفق خواهد شد که کاربران کسب و کار به شناسایی و مدل سازی دانش همچنین نظارت و اصلاح داده را بطور مداوم ادامه دهند. [25]"

بطور خلاصه این قائده یکی از عوامل حیاتی موفقیت در اجرای سیستم‌های هوش تجاری است و فقدان آنها منجر به شکست سیستم می شود.

بعد سازمانی

حمایت و پشتیبانی مدیریت

حمایت و پشتیبانی مدیریت متعهد بطور گسترده‌ای به عنوان مهمترین عامل پیاده سازی سیستم هوش تجاری بیان شده است. پشتیبانی و حمایت مستمر مدیران کسب و کار، کسب منابع عملیاتی لازم مانند بودجه، مهارت‌های انسانی و ملزومات دیگر را آسانتر می‌سازد.

" حفظ تعهد و پشتیبانی حامی پروژه‌ها در سراسر پروژه-زیرا شرایط می‌توانند در طول عمر پروژه تغییر کنند."

 

اگر بانی یا مدیر پروژه از جانب کسب و کار سازمانی باشد سودمندتر از وقتی است که از واحد IT باشد. بطور مشابه مطالعات واتسون و همکاران[30] هم این مسئله را تائید می کند در واقع بانی باید نیاز جدی به قابلیت‌های هوش تجاری را برای هدفی خاص حس کرده باشد.

پیاده سازی سیستم هوش تجاری، عملی ابتکاری برای بهبود تطابق پذیری اطلاعات جهت پشتیبانی تصمیم است [3, 4]. به عنوان مثال مدل بودجه بندی نمونه مبتنی بر تقاضا که برای پیاده سازی سیستم‌های تراکنشی است برای سیستم های هوش تجاری که ماهیت تکاملی دارند کاربرد ندارد. سیستم هوش تجاری از طریق فرایند توسعه تکرارشونده، مطابق با الزامات کسب و کار پویا تکامل می یابد[19]. بنابراین شروع هوش تجاری بخصوص برای سازمان‌هایی در مقیاس بزرگ نیازمند اختصاص منابع و بودجه مناسب از سوی مدیریت ارشد برای غلبه بر مسائل معمول سازمان است. برخلاف سیستم‌های مرسوم پردازش تراکنش برخط (OLTP)، چالش‌های سازمانی در طول دوره استقرار و در عمل بوجود می‌آیند، این چالش‌ها در مسائل زیادی مانند پردازش کسب و کار، مالکیت داده، کیفیت داده، نظارت و ساختار سازمانی آشکار می‌شود. بسیاری از واحدها تمایل به تمرکز بر دستاوردهای تاکتیکی خود دارند و اثرات ناهموار تحمیل شده بر واحدهای کسب و کار دیگر را نادیده می گیرند.

 

"هوش تجاری تلاش می‌کند تا موانع‌ موجود در حوز‌ه‌هایی که کار کردن با آن‌ها مشکل است را کاهش دهد. از این رو به موانع غیر فنی زیادی بر خورد می‌کند. به عنوان مثال مالک یک سیستم تراکنشی مایل است تا تراکنش‌ها به صورت روزانه انجام شوند تا زمانیکه همه آن‌ها تمام شود. این چیزی است که باید مراقبش باشیم."

بنابراین تعهد و درگیر بودن مدیریت ارشد مخصوصا در شکستن موانع تغییر و "ذهنیت" در سازمان ضروری است.

 

استراتژی مناسب و چشم انداز روشن

از آنجایی که شروع هوش تجاری توسط کسب و کار هدایت می‌شود چشم انداز استراتژیک کسب و کار باید پیاده سازی را هدایت کند. برای استقرار کسب و کاری یکپارچه در درجه اول چشم اندازی بلند مدت لازم است. کسب و کار باید با چشم انداز استراتژیک هم راستا باشد تا بدین وسیله به اهداف خود دست یابد و نیازهایش را برآورده کند. اگر چشم انداز کسب و کار بطور کامل مشخص نشده باشد در نهایت پذیرش و نتیجه سیستم هوش تجاری را تحت تاثیر قرار می دهد.

اقدامات هوش تجاری باید با استراتژی کلی ترکیب شوند تا پیگیری جدی و حمایت مدیران ارشد سازمان را با خود داشته باشد در غیر این صورت آن‌ها حمایت مدیران ارشد را که برای موفقیت لازم است دریافت نمی‌کنند. چشم انداز ابزاری است که مدیر ارشد به وسیله آن می تواند به سرعت استراتژی سازمان را شناسایی و درک کند.

دلیل مهم شکست بعضی از پروژه های هوش تجاری، چالش‌های فنی نیست بلکه متداول‌ترین دلیل آن همراستا نبودن اقدامات هوش تجاری با چشم انداز کسب و کار است که در نتیجه نه نیازهای کسب و کار و نه رضایت مشتریان را برآورده می کند. داشتن کسب و کاری که به خوبی نهادینه شده برای حفظ تعهد سازمانی به سیستم جدید هوش تجاری، مهم است. اکثر مصاحبه شوندگان این تصور را رد کردند که اگر یک سیستم عالی نهادینه شود مردم از آن استفاده خواهند کرد.

 " سیستم هوش تجاریی که توسط کسب و کار هدایت نشده باشد سیستمی شکست خورده است. هوش تجاری مفهومی کسب و کار محور است و مشایعت فناوری اطلاعات برای حل مشکل به ندرت نتیجه خوبی دارد.(منظور مشکل کسب و کار است)"

 کسب و کاری یکپارچه که از تحلیل دقیق نیازها منتج می شود احتمال بدست آوردن حمایت مدیریت ارشد را افزایش می‌دهد.

 " به منظور حمایت مدیران ارشد؛ آن‌ها باید درک کنند؛ زمانی که درک کردند به راحتی می‌توانند حمایت کنند."

 بنابراین کسب و کار اصولی منافع استراتژیک پیشنهادی، منابع، هزینه‌ها و زمان بندی را شناسایی می کند. درک اینکه پیاده سازی هوش تجاری یک پروژه نیست بلکه فرایند است بسیار مهم است .[4] سیستم‌های هوش تجاری بطور پویا تکامل می‌یابند و لزوما محدود و قابل پیش بینی نیستند. به عنوان مثال حجم پایگاه داده تحلیلی در سال اول بهره برداری دو برابر می شود و همچنین تعداد کاربران بطور قابل توجهی افزایش می یابد [22].

 

بعد فرایندی

پشتیبانی کسب و کار محور و ترکیب متعادل تیم

اکثر مصاحبه شونده‌ها معتقد بودند که داشتن رهبری مناسب از سوی کسب و کار سازمان برای موفقیت پیاده سازی حیاتی است. اینکه رهبر، شخصی تیزهوش باشد همیشه مهم است چون می‌تواند چالش‌های سازمانی و مسیر تغییر را پیش بینی کند. از همه مهمتر، رهبر مبتنی بر کسب و کار باید سیستم هوش تجاری را از دیدگاه‌های سازمانی و استراتژیک نگاه کند و نباید در مسائل فنی زیاد متمرکز شود.

"تیم به رهبر نیاز دارد. رهبر کسی است که ابزارها را می شناسد کسب و کار و تکنولوژی را درک می کند و می‌تواند الزامات کسب و کار را به معماری هوش تجاری(سطح بالا) برای سیستم ترجمه کند."

در واقع، هوش تجاری اغلب چندین واحد عملیاتی را احاطه می‌کند و داده‌ها و منابع گسترده‌ای را از این واحدها مطالبه می‌کند. در این رابطه، وجود رهبر برای اطمینان از مدیریت دقیق چالش‌های سازمانی که در طول دوره پروژه بوجود می‌آیند ضروری است. برخلاف پروژه‌های سیستم عملیاتی، چنین چالش‌هایی شامل به رسمیت شناختن ارزش استراتژیک داده‌هایشان و انعکاس اینکه چطور داده‌های آن‌ها با داده‌های سیستم‌های تراکنشی دیگر تعامل می‌کنند بسیار مهم است.

بنابراین رهبر باید از همکاری میان واحدهای سازمان و تیم پروژه هوش تجاری اطمینان حاصل کند.

 اگرچه پروژه‌های هوش تجاری اساسا متفاوت از پروژه‌های OLTP است [22,10] سازمان ها در اکثر پروژه‌های پیاده سازی سیستم‌های اطلاعاتی تمایل دارند به کارکنان حوزه فناوری اطلاعاتشان به عنوان مسئول تکیه کنند. تیم پروژه باید قوی و پایدار باشد که بتوانند با نیازهای در حال ظهور و در حال تغییر سازگار شود و برای این کار به تیمی با اعضای شایسته نیاز است.

مصاحبه شوندگان بر این عقیده بودند که ترکیب تیم هوش تجاری باید از بهترین متخصصین حوزه کسب و کار و فنی تشکیل شود. نوآوری هوش تجاری اساسا پروژه‌ای مبتنی بر کسب و کار است و برای تصمیم گیری های استراتژیک ضروری است.

ازدیدگاه فنی، پروژه هوش تجاری قابل مقایسه با پروژه یکپارچه سازی سیستم‌ها است و نیاز به مشارکت فعال متخصصان فنی سازمان دارد[19]. بطور نمونه تیم پروژه با سیستم عامل‌های متنوع، پایگاه داده‌های متفاوت، رابط‌های چندگانه، اتصال به سیستم های قدیمی، مجموعه ای از ابزار، و غیره سر و کار دارد همه این کارها به افرادی با مهارت‌های مختلف نیاز دارد. بنابراین کلید موفقیت، ترکیب مناسبی از متخصصان فنی و کسب و کار است.

 بیشتر متخصصان توصیه می‌کنند برای فعالیت‌هایی مانند استاندارد سازی داده، تحلیل پیش نیازها، تحلیل کیفیت و صحت اطلاعات، تیم هوش تجاری شامل متخصصان حوزه کسب و کار باشند. این موضوع باعث می‌شود طراحی سیستم توسط کسب و کار هدایت شود و تضمین می‌کند که نیازهای هوش تجاری، به خوبی هدایت کننده معماری منطقی داده‌ها باشد.

 

رویکرد توسعه تکرارشونده و مبتنی بر کسب و کار

برنامه ریزی و هدف گذاری پروژه مبتنی بر کسب و کار اجازه می دهد که تیم هوش تجاری به بهترین فرصت‌ها برای بهبود تمرکز کنند. هدف گذاری به انتخاب پارامترهای روشن کمک می کند و درک مشترکی از اینکه چه چیزی در محدوده است و چه چیزی باید حذف شود را در میان همه ذینفعان کسب و کار ایجاد می‌کند. [1]

"موفقیت نود درصد پروژه ماقبل از روز اول تعیین می شود. این موفقیت بر پایه داشتن محدوده‌ای روشن و مشخص، داشتن انتظارات و جدول زمانی واقع گرایانه و بودجه مناسب از پیش مشخص شده، است"

 هدف گذاری و برنامه ریزی، انعطاف پذیری و سازگاری با شرایط متغیر در چارچوب زمانی را تسهیل می‌کند. علاوه بر آن، هدف گذاری مناسب، تیم پروژه را قادر می سازد که برنقاط عطف ضروری و مسائل مربوط تمرکز کنند و همزمان محافظی برای جلوگیری از قرار گرفتن در وقایع غیرضروری است.

 "محدوده باید کنترل شود زیرا "جهش محدوده" می تواند باعث نرسیدن به هدف شود. این بدان معنی نیست که شما نمی توانید عمل یا فرایند کنترل تغییر در مکان داشته باشید بلکه شکلی از کنترل است. پروژه های زیادی بخاطر جهش محدوده، توزیعشان به خطا رفته و هزینه داشته‌اند."

 متخصصان زیادی توصیه می‌کنند که با تغییرات و تحولات کوچک شروع کنید و سپس توزیع افزایشی (تدریجی) که رویکردی بنام "تعاملی" ست را اتخاذ کنیم. تلاشهایی که برای تغییرات در مقیاس بزرگ انجام می‌شود همیشه مملو از ریسک‌های بزرگتری با توجه به متغیرهای اساسی که بطور همزمان اداره می شوند، است. [1] علاوه بر آن کسب و کارهای مدرن خیلی سریع تغییر می‌کنند و همیشه بدنبال شناسایی تاثیرات فوری تغییرات هستند. بنابراین رویکرد توزیع افزایشی احتیاط آمیزتر است و ابزارهایی برای تحویل در زمان کوتاه و گام‌های قابل اندازه گیری را فراهم می کند. علاوه بر آن رویکرد توزیع افزایشی اجازه ساخت راه حلی بلند مدت در تضاد با اصطلاح کوتاه مدت را می دهد [1, 4].

 " رویکرد توزیع افزایشی ریسک را مدیریت می‌کند، نتایج ملموس قابل مشاهده برای مشتری را فراهم می کند توانایی بدست آوردن مالکیت مشتری را بهبود می بخشد، انتقال دانش را تسهیل می‌کند و راه حلی بلند مدت منظور می‌کند."

 بنابراین محدوده ابتکار هوش تجاری باید در چنان مسیری انتخاب شود که در زمانی معقول سیستمی کامل برای بخش خاصی از کسب و کار بتواند تحویل داده شود به جای راه حل "بزرگ و عظیم و کامل" در زمان دیرتر. هنگامیکه کاربران کار با راه حل هوش تجاری را آغاز کردند بطور کامل متوجه پتانسیل گزارش دهی و امکانات تجزیه و تحلیل می شوند بعد از آن سیستم هوش تجاری اولیه با رویکرد تکاملی و تکرارشونده افزایش و توسعه می یابد.

 امکان پیاده سازی یکدفعه تمام سیستم هوش تجاری امکانپذیر نیست در حالی که کاربران می‌خواهند بخش‌های کلیدی را مشاهده کنند. به منظور راضی نگه داشتن ذینفعان و نمایش تعداد کمی از گزارشات کلیدی باید انبار داده را برای چند حوزه کلیدی بر پا نمود. سپس وقتی اولین نسخه انجام شد و تعدادی بازخورد بدست آمد، می‌توانید روی انبار داده حوزه های دیگر کار کنید و به مرور زمان، سایر حوزه‌ها را توسعه دهید.

بنابراین، رویکرد توزیع افزایشی (تدریجی) به سازمان اجازه می دهد که روی مسائل حیاتی تمرکز کند و تیم‌ها را برای اثبات عملی و سازنده بودن پیاده سازی سیستم برای سازمان تایید کند.

مدیریت تغییر کاربر گرا

درک بهتر کاربر می تواند منجر به انتقال بهتر نیازهایشان شود که به نوبه خود به اطمینان از معرفی موفقیت آمیز سیستم کمک می‌کند و می تواند در پاسخگویی به مطالبات و انتظارات مختلف کاربران نهایی کمک کند. بی شک، کاربران نیازهایشان را بهتر از یک معمار یا توسعه دهنده‌ای که فاقد تجربه مستقیم است، می‌شناسند.

 " کاربران باید شریک مهمی در ساخت و تحویل سیستم باشند. بدون ورودی مداومشان، نمی توانیم سیستم درستی ارائه دهیم.

بنابراین نمی‌توان برای دستیابی به نیازهای کاربران، تیم پروژه ای را طراحی و سیستم هوش تجاری‌ را پیاده سازی کرد اما آن‌ها را مشارکت نداد."

 آشکار است که کاربران کلیدی باید در سراسر چرخه پیاده سازی درگیر باشند چون آنها می توانند ورودی‌های ارزشمندی را ارائه دهند که در غیر اینصورت تیم هوش تجاری ممکن است نادیده بگیرد. ابعاد داده‌ها، قوانین کسب و کار، متا دیتا و چارچوب داده که لازم است توسط کاربران کسب و کار در سیستم ثبت شوند و در مقابل اقلام قابل تحویل، تائید شوند. [29] در نتیجه، پشتیبانی کاربر بطور مداوم در پاسخ به نیازمندی‌های کسب و کار مکمل کاربردهای هوش تجاری و سبب تکامل است. [10]

 

بعد تکنیکی

چارچوب فنی انعطاف پذیر و مقیاس پذیر، مبتنی بر کسب و کار

چارچوب فنی سیستم هوش تجاری باید قادر به تطبیق مقیاس پذیری و انعطاف پذیری ملزومات در راستای نیازهای پویای کسب و کار باشد. طراحی زیرساخت انعطاف پذیر و مقیاس پذیر اجازه توسعه آسان سیستم برای هم راستایی با نیازهای اطلاعاتی در حال تحول را می دهد[21]. بنابراین دید استراتژیک مستتر در طراحی چارچوب سیستم مقیاس پذیر می تواند شامل منابع داده اضافی، ویژگی‌ها و ابعاد برای تحلیلهای مبتنی بر واقعیت شود و می‌تواند داده‌های اضافی تامین کنندگان، پیمانکاران، نهادهای نظارتی و معیارهای صنعتی را ترکیب کند. در نتیجه اجازه ساخت راه حل بلند مدت برای پاسخگویی به نیازهای فزاینده کسب و کار را می‌دهد.

 "مقیاس پذیری همیشه برای من نگران گننده است. به نظر میرسد بیشترین برنامه ها و سیستم های هوش تجاری همیشه بیشتر از حد مورد انتظار بزرگ می‌شوند یا توانشان بیشتر از حد پیش بینی شده است. اگر طراحی قابل تنظیم یا انعطاف پذیر نباشد ایجاد تغییر برای سازگاری با افزایش مقیاس مشکل است."

 در واقع زیر سازی در هوش تجاری برای همه کارها اساسی است و تا لایه فنی برای تمام محیط هوش تجاری شامل استقرار سخت افزار و نرم افزار جدید، قابلیت همکاری میان سیستم‌های قدیمی و محیط هوش تجاری جدید در یک شبکه، پایگاه داده، زیرسیستم مدیریت و غیره می شود. [19] ایجاد زیرساخت فنی برای راه حل هوش تجاری اولیه همیشه زمان بر است. [29]اما با انتخاب درست اجزای نرم افزار و سخت افزار انعطاف پذیر و قابل تنظیم، تلاش برای چرخه بعدی می تواند به حداقل برسد. در نتیجه سیستم می‌تواند خود را با ملزومات در حال ظهور و همیشه در حال تغییر کسب و کار تطبیق دهد.

 

یکپارچگی و کیفیت داده‌های پایدار

کیفیت داده نقشی حیاتی در استقرار موفق سیستم هوش تجاری ایفا می‌کند. هدف اولیه سیستم هوش تجاری یکپارچه کردن سیلوهای داده برای تجزیه و تحلیل پیشرفته است تا بهبود فرآیند تصمیم گیری. اغلب داده‌های مرتبط زیادی در پشت سیستم جمع می‌شوند اما تا زمان استفاده در سیستم هوش تجاری کشف نمی شوند. [31] بنابراین کیفیت داده در منبع، بر روی کیفیت گزارشات مدیریت اثر می‌گذارد که آن هم به نوبه خود نتایج تصمیمات را تحت تاثیر قرار می دهد [9]. اطلاعات شرکت تنها زمانی می‌توانند بطور کامل و کارا در عرصه تجاری گسترده مورد استفاده قرار بگیرند که یکپارچگی و کیفیت آنها تائید شود.

و باید توجه داشت که بدون داده های با کیفیت، هوش تجاری هوشمند نیست

 

پی نوشت: این مقاله ترجمه‌ای از تحقیقی است که توسط WILLIAM YEOH و ANDY KORONIOS در دانشگاه استرالیا انجام گرفته.

منبع

با تشکر فراوان از خانم باقرزاده

[1] Ang, J. & Teo, T. S. H. “Management Issues in Data

Warehousing: Insights from the Housing and Development

Board,” Journal of Decision Support Systems, 29(1), 2000,

11-20.

[2] Ariyachandra, T. & Watson, H. “Which Data Warehouse

Architecture Is Most Successful?” Business Intelligence

Journal, 11(1), 2006.

[3] Arnott, D. “Decision Support Systems Evolution:

Framework, Case Study and Research Agenda,” European

Journal of Information Systems, 13(4), 2004, 247-259.

[4] Arnott, D. & Pervan, G. “A Critical Analysis of Decision

Support Systems Research,” Journal of Information Technology,

20(2), 2005, 67-87.

[5] Bose, R. “Advanced Analytics: Opportunities and

Challenges,” Industrial Management & Data Systems,

109(2), 2009, 155-172.

[7] Delone, W., & McLean, E. “Information Systems Success:

The Quest for the Dependent Variable,” Journal of

Information System Research, 3(1), 1992, 60-95.

[8] Delone, W., & McLean, E. “The DeLone and McLean Model

of Information Systems Success: A Ten-Year Update,”

Journal of Management Information Systems, 19(4), 2003,

9-30.

[10] Fuchs, G. “The Vital BI Maintenance Process”, in Business

Intelligence Implementation: Issues and Perspectives,” In

B. Sujatha (Ed), ICFAI University Press, Hyderabad, 2006,

116-123.

[11] Gartner Research, “Gartner EXP Worldwide Survey of

1,500 CIOs Shows 85 Percent of CIOs Expect ‘Significant

Change’ Over Next Three Years,” 2008. Retrieved 21 Feb

2009, from http://www.gartner.com/it/page.jsp?id=587309

[12] Gartner Research, “Gartner EXP Worldwide Survey of

More than 1,500 CIOs Shows IT Spending to Be Flat in

2009”, 2009. Retrieved 21 Feb 2009, from http://www.

gartner.com/it/page.jsp?id=855612

[13] Hwang, M. & Xu, H. “A Structural Model of Data

Warehousing Success,” Journal of Computer Information

Systems, Fall 2008, 48-56

[19] Moss, L. & Atre, S. Business Intelligence Roadmap: The

Complete Lifecycle for Decision-Support Applications.

Addison-Wesley, Boston, MA. 2003.

[21] Olszak, C & Ziemba, E. “Approach to Building and

Implementing Business Intelligence Systems,” Interdisciplinary

Journal of Information, Knowledge, and Management,

2, 2007, 135-148.

[22] Reinschmidt, J. & Francoise, A. Business Intelligence

Certification Guide, IBM International Technical Support

Organization, San Jose, CA, 2000.

[25] Turban, E., Sharda, R., Aronson, J. & King, D. Business

Intelligence, Prentice Hall, New Jersey, 2007.

[27] Wang, H. & Wang S. “A Knowledge Management Approach

to Data Mining Process for Business Intelligence,” Industrial

Management & Data Systems, 108(5), 2008, 622-634.

[28] Watson, H., Abraham, D., Chen, D. “Data Warehousing

ROI: Justifying and Assessing a Data Warehouse,” Business

Intelligence Journal, 2004, 6-17.

[30] Watson, H., Annino, D. A., Wixom, B. H. “Current Practices

in Data Warehousing,” Journal of Information Systems

Management, 18(1), 2001, 1-9.

استفاده از فرمت ساعت به عنوان Measure در Cube

فرض کنید بنا به نیاز سازمان باید اطلاعات مربوط به دوره‌های آموزشی و تعداد ساعات‌ سپری شده هر یک از پرسنل در کلاس‌های آمورشی را در داشبورد نمایش دهید. می‌دانیم که برای اینکار ابتدا باید جداول Fact و Dimension مربوطه را در انبار داده طراحی و سپس مدل OLAP و Cube مورد نظر را ایجاد کنیم. به نظر می‌رسد برای اینکار مشکل خاصی وجود نداشته باشد و به سادگی این کار انجام گیرد اما با کمی دقت متوجه می‌شوید که برای ایجاد معیار (Measure) با فرمت زمان (DateTime) با مشکل مواجه هستید چراکه MSBI به شما اجازه نمی‌دهد تا از نوع DateTime به عنوان Measure استفاده کنید.

برای حل این مشکل مراحل زیر را انجام دهید.

1-    ابتدا به جدول Fact خود فیلدی با نوع Float اضاقه نمایید.

2-      از کوئری زیر برای تبدیل اطلاعات فیلد CourseTime_TimeFormat به فرمت Float استفاده کنید.

  update [TimeMeasure].[dbo].[FactPersonnelCourse]

  set [CourseTime]=convert(float,CourseTime_TimeFormat)

3-      به SQL Server Business Intelligence Development Studio رفته و یک پروژه‌ی SSAS جدید با عنوان PersonnelCourse ایجاد کنید.

4-      همانطور که در شکل زیر مشاهده می‌کنید، در هنگام انتخاب Measure فیلد CourseTime_TimeFormat نمایش داده نمی‌شود زیرا نوع آن بعنوان معیار قابل قبول نمی‌باشد و فقط فیلد CourseTime که نوع اعشاری دارد نمایش داده می‌شود.

5-      پس از اتمام مراحل ساخت Cube پروژه را پردازش کنید و به صفحه‌ی Browser بروید.

6-      معیارها و ابعاد مورد نظر خود را به محل نمایش انتقال دهید. همانطور که در شکل زیر مشاهده می‌‌کنید اطلاعات به صورت اعشاری و همانطور که در Fact ذخیره شده است نمایش داده می‌شود.

7-      برای اینکه اطلاعات نمایش داده شده را به فرمت ساعت مشاهده کنید کافی است خصوصیت Format String معیار Course Time را به HH:MM تغییر دهید.

8-      پروژه را مجدد پردازش کنید. همانطور که مشاهده می‌کنید اطلاعات به فرمت ساعت نمایش داده می‌شود.

با تغییر ابعاد گزارش دلخواه خود را مشاهده کنید.

جایگاه کلیک ویو در BI

جهت بررسی این موضوع ابتدا به معرفی اجمالی از کلیک ویو می‌پردازم.

کلیک ویو یکی از بهترین و انعطاف پذیرترین پلتفرم های هوش تجاری است. بیشتر از 24000 سازمان کوچک و بزرگ در سراسر جهان برای تحلیل گرافیکی داده هایشان از کلیک ویو استفاده می‌کنند.

این ابزار با ترکیب نمودن قابلیت هایی همچون ارائه پویا، تجزیه و تحلیل و به کارگیری آنی داده ها به کاربران توانایی اخذ تصمیمات تجاری مبتکرانه را می‌دهد و به بهترین نحو داده ها را به دانش تبدیل می‌کند. این نرم افزار با ارائه یک پلتفرم تجاری هوشمند و قدرتمند که به سادگی قابل استفاده می‌باشد، دید عمیق تر و شفاف تری از داده ها را به کاربران می‌دهد تا آنها در تصمیمات تجاری خود در تمام سطوح پیشگام باشند. کلیک ویو با ارائه تحلیلی دقیق و بدون محدودیت در داده‌ها، کاربران خود را در تصمیم گیری کمک می‌کند. ابزار کلیک ویو یک سطح کاملا جدیدی از تجزیه و تحلیل، بینش و ارزش داده‌های موجود را با رابط کاربری بسیار شفاف، ساده و صریح ارائه می‌دهد.

بله! کلیک ویو یک داشبورد قدرتمند است که به وسیله آن می‌توان داده‌ها را به صورت ویژوال کنار هم قرار داده و گزارشات متعدد با قابلیت‌های بسیار بالا ایجاد نمود. اما آیا کلیک ویو به تنهایی قادر است که داشبوردهای گوناگون، زیبا و کاربردی ایجاد کند؟  قبل از پاسخ به این سوال به بررسی اجمالی پیش نیازها در یک پروژه‌ی هوشمندی کسب و کار می‌پردازم.

سه بخش اصلی در هوشمندی کسب و کار وجود دارد که نبودن هر یک به منزله شکست پروژه است.

•       منبع داده

•       انبار داده

•       داشبورد

منبع داده: هر سازمانی بنا به نیاز خود از سیستم‌هایی استفاده می‌کند. به عنوان مثال برای کارهای مالی، حقوق و دستمزد، فروش، منابع انسانی و ... سیستم‌های نرم افزای فراهم می‌کند. این سیستم‌ها میتوانند در قالب یک پکیج آماده باشند و یا یک تیم برنامه نویس بر اساس نیاز سازمان آن‌ را نوشته باشد. به مرور زمان بر اساس نیاز، این نوع سیستم‌ها گسترش پیدا میکنند و در نتیجه با حجم زیادی از داده‌ها روبرو می‌شویم.

با بالا رفتن حجم داده‌ها و زیاد شدن منابع داده‌، گزارش گیری بسیار سخت و گاهی ناممکن می‌شود در حالی که با حجم بالایی از داده‌ها روبرو هستیم، هیچ استفاده‌ی مفیدی از آن‌ها نمیتوانیم بکنیم.

در اینجا است که BI می‌تواند به کمک سازمان رفته و نیازهای آن را مرتفع کند.

انبار داده: در منابع داده‌ها اطلاعات بسیار زیادی وجود دارد که ممکن است تمام این اطلاعات مفید نباشد و از طرفی ممکن است نیاز به ترکیب داده‌ها از چند منبع با یکدیگر باشد. در اینجا انبار داده‌ها به کمک ما می‌‌آید و بوسیله آن می‌توانیم اطلاعات مفید را از یک یا چند منبع مختلف کنار هم گردآوری کنیم. البته کار به این سادگی هم نیست! این کار نیاز به تحلیل و طراحی دارد که بنا به نیاز سازمان و چندین آیتم دیگر انجام می‌گیرد.

داشبورد: این همان مرحله‌ای است که می‌توانید نتیجه کار را مشاهده کنید. ایجاد گزارشات و شاخص‌ها با استفاده از نمودار و گیج همراه با امکاناتی همچون حرکت در سطوح مختلف گزارش و Drill Down  در یک محیط کاملا انعطاف پذیر. این داشبوردها را می‌توان توسط کلیک ویو و یا هر ابزار دیگه‌ای که این قابلیت را داشته باشد ایجاد نمود.

نبود هر یک از این موارد به شکست پروژه خواهد انجامید.

اما بر میگردم به سوالی که کمی پیشتر پرسیدم! آیا کلیک ویو به تنهایی قادر است که داشبوردهای گوناگون، زیبا و کاربردی ایجاد کند؟

با وجود قدرت بسیار بالای کلیک ویو در برقراری ارتباط با منابع داده‌ای مختلف و یکپارچه کردن داده‌ها، پاسخ خیر است زیرا کلیک ویو یک ابزار است که باید از آن در مرحله Presentation استفاده کرد.

به طور کلی کلیک ویو ابزاری است بسیار قوی جهت ایجاد داشبوردهای مدیریتی که بواسطه آن مدیران بتوانند برای سازمان خود تصمیم گیری کنند.