هوش تجاری ویژه تیم فنی
هدف اصلی هوش تجاری یا BI کمک به تصمیم گیرندگان (مدیران ارشد) سازمان است که با توجه به نتایج تحلیل دادههای ارائه شده توسط BI انجام میپذیرد.

داده و نقش کلیدی آن در پروژههای BI

داده چیست؟
در دنیایی که زندگی میکنیم اگر هر طرف را نگاه کنید این دنیا سرشار از داده است. داده با سرعتی باورنکردنی در حال تولید است و به جرات می توان مدعی شد که امروز بیشترین حجم دادهها در دست بشر وجود دارد. در اکثر شرکتها و سازمانها از این دادهها برای تصمیمگیری استفاده میگردد، البته بایستی به این نکته مهم اشاره گردد که از داده و تجزیه و تحلیل صرفا به منظور بهبود تصمیم گیری استفاده نمیکنیم.
بسیاری از شرکت های بزرگ دنیا مانند مایکروسافت، فیسبوک، آمازون، گوگل و… از Big Data که از تراکنشهای آنلاین و غیر آنلاین تشکیل شده است نه تنها برای تصمیم گیری استفاده می کنند بلکه از این حجم داده جهت ایجاد محصولات و پیشنهاد جدید به مشتریان نیز استفاده می کنند.
سازمان داده محور چیست؟
در دنیای کنونی سازمانها میبایست به سمت داده و تبدیل شدن به یک سازمان سازمان داده محور حرکت کند . سازمان هایی که قادر به جمع آوری ، پردازش و تحلیل داده به صورت آنی می باشند، سازمانهای داده محور نام دارند. این سازمانها چون دادههای واقعی را در اختیار دارند از این رو مدیریت و تصمیمگیری در آن بسیار اصولیتر انجام میگردد.
پیتر دراکر پدر علم بازاریابی نوین میگوید: چیزی را که نمیتوانید اندازه بگیرید، نمیتوانید مدیریت کنید.
تاکنون نسخه های متنوعی برای تبدیل یک سازمان به سازمان داده محور تجویز شده است، بهترین نسخهای که میتوان از آن به عنوان شاه کلید نام برد استفاده از فناوری است که مشکلات بسیاری را نیز حل کرده است.
اجزاء یک پروژه هوش تجاری
هر پروژه هوش تجاری دارای تعداد اجزاء اساسی است ، وجود این اجزاء و تکنولوژیهای مورد استفاده در آن باعث ایجاد یک پروژه موفق هوش تجاری خواهد شد.

مطابق تصویر بالا اجزاء یک پروژه هوش تجاری عبارتند از:
Data Sources
منابع اطلاعاتی مهمترین جزء از اجزاء یک سیستم BI میباشد. چناچه سازمان شما فاقد سیستم عملیاتی باشد نباید انتظار معجزه از یک سیستم BI داشته باشد.
ETL
با توجه به اینکه دادههای موجود در سیستمهای عملیاتی در بانکهای اطلاعاتی مختلف قرار گرفتهاند برای این دادهها را استخراج و تحلیل نمود باید با ابزارهای ETL به این منابع اطلاعاتی مراجعه کرده و دادههای خام از سیستمهای اطلاعاتی استخراج نمود.
به طور خیلی ساده هدف ETL استخراج دادهها از منابع اطلاعاتی و انجام تبدیلات لازم به منظور درج در Data Warehouse یا انباره داده میباشد.
Data Warehouse
انباره داده یک بانک اطلاعاتی است که هدف آن جمعآوری دادههای موجود در سیستمهای عملیاتی است. ساختار این بانک اطلاعاتی بر اساس معماری ابعادی بوده و دادهها در آن به صورت دورهای و در فواصل زمانی خاصی طی پروسه ETL به آن اضافه میشود.
OLAP Analysis
برای اینکه بتوانیم تحلیلهای مفید و سودمندی بر روی دادهها داشته باشیم باید بانک اطلاعاتی خاص مربوط به آن را ایجاد کنید. ساختار این نوع بانکهای اطلاعاتی بر پایه Cube یا مکعب اطلاعاتی میباشد. با استفاده از این نوع ساختار میتوان پیچیدهترین گزارشهای تحلیلی را استخراج نمود.
Data Mining
دادهکاوی یکی از اهداف راهاندازی پروژههای BI میباشد. با استفاده از استفاده از این علم میتوان اطلاعات پنهان و همچنین الگوها و روابطی مشخص را مابین حجم زیادی از داده بدست آورد، توجه نمایید که داده کاوی فاز بعدی پروژه هوش تجاری است.
Reporting
برای اینکه بتوانیم گزارشها تحلیلی را Visualize کنیم باید از ابزارهای مربوط به این حوزه استفاده کنیم. از نمونه ابزارهای مربوط به این حوزه میتوان به SSRS، Power BI، Mobile Report Publisher، Excel و… اشاره کرد.
همین الان درخواست خود را ارسال کنید
اگر میخواهید پروژه هوش تجاری را در سازمان خود راهاندازی کنید، درخواست خود را همین الان ثبت کنید.
رویکردهای اجرای پروژههای هوش تجاری
پروژهای هوش تجاری را میتوان با دو رویکرد زیر برای سازمانها اجرا نمود.
- رویکرد شاخص محور
- رویکرد موضوع محور
تفاوت اصلی این دو رویکرد در میزان درهم تنیدگی سیستم BI با سیستمهای عملیاتی درون سازمانی و همچنین عمق نفوذ اطلاعاتی سیستم BI در سیستمهای عملیاتی سازمان است.
لازم بذکر است، رویکردهای “شاخص محور” و “موضوع محور” با اینکه، تواماً نیز قابل پیاده سازی میباشند، ولی هریک شرایط و الزامات خاص خود را جهت پیاده سازی در سازمان دارا میباشند و اینکه کدامیک از دو رویکرد (یا هر دو رویکرد) امکان پیاده سازی را دارا میباشد، موضوعی است که معمولا پس از انجام مطالعات و امکان سنجی میتوان به آن پرداخت، لکن امکان پیاده سازی رویکرد “شاخص محور” در اکثر سازمانها قابل انجام میباشد.
طبیعتاً هر کدام از این رویکردها دارای مزایا و معایب خاص خود میباشند در جدول زیر برخی از این موارد اشاره شده است.

سطح وابستگی به سیستمهای اطلاعاتی سازمان
به طور معمول هر قدر میزان وابستگی سیستمها به یکدیگر پایین تر باشد، سطح ریسک (هزینه) تغییرات آتی سیستم ها، در آینده نیز پایینتر می آید و سازمان در آینده، نگرانی های کمتری را بابت تغییر یا ارتقا سیستم های خود خواهد داشت، بنابراین هر قدر مقدار این شاخص پایینتر باشد، شرایط مطلوب تر است.
با توجه به آنکه سیستمهای “موضوع محور (Subject Oriented)” به شدت در سیستمهای درون سازمانی رسوخ پیدا میکنند و به ساختار آنها وابسته میشوند، معمولاً شاهد افزایش سطح وابستگی بین سیستم BI با دیگر سیستمهای اطلاعاتی درون سازمانی هستیم و از این نقطه نظر، رویکرد “موضوع محور”، در مقابل تغییرات سیستمهای اطلاعاتی درون سازمانی، بشدت شکننده است.
میزان عُمق سیستم BI در ارائه تحلیلها
عمق تحلیل های قابل انجام بر روی اطلاعات سازمان، به طور مستقیم با میزان گستردگی و عمق اطلاعات جمع آوری شده در سازمان وابستگی دارد، بنابر این هر چه عمق و گستره اطلاعات جمع آوری شده در سیستم BI بیشتر باشد، تحلیل های قابل ارائه نیز عمیقتر میگردد.
با توجه به آنکه سیستمهای “موضوع محور (Subject Oriented)” به شدت در سیستمهایِ درون سازمانی رسوخ پیدا میکنند، معمولاً شاهد افزایش عمق اطلاعات در سیستم BI و درنتیجه افزایش امکان ساخت تحلیل های عمیقتر در سازمان خواهیم بود. ولی عمق سیستم هایی با رویکرد “شاخص محور” به شدت وابسته به عمق شاخص های تعریف شده در سازمان است، بدین معنا که هر چه در سازمان شاخص های بهتر، بیشتر و مرتبط تری (نسبت به کسب و کار) داشته باشیم و آنها را با تواتر پایینتری مورد رصد قرار دهیم، تحلیلهای عمیقتری نیز خواهیم داشت ولی نهایتاً عمق تحلیلهای قابل ارائه با این رویکرد ، محدودتر از عمق تحلیل های قابل انجام با رویکرد “موضوع محور” است.
نیاز به وجود سیستمهای اطاعاتی یکپارچه درون سازمانی
سیستمهای “شاخص محور”، در بدترین شرایط میتوانند اطلاعات خود را از طریق فایلهای Excel دریافت کنند و الزاماً به سیستمهای اطلاعاتی یکپارچه درون سازمانی وابستگی ندارند، درحالیکه سیستمهای “موضوع محور”، معمولا جهت استخراج اطلاعات خود، به سیستمهای اطلاعاتی نسبتا یکپارچه وابسته اند، بنابراین تنها سازمانهای میتوانند نسبت به پیاده سازی، با رویکرد “موضوع محور” اقدام کنند که دارای سیستم/ سیستمهای اطلاعاتی نسبتا یکپارچه باشند.
تکنولوژیهایی مورد نیاز برای پروژه هوش تجاری
در طراحی و تولید این پروژه از بروزترین و بهترین ابزارها و زبانهای برنامه نویسی استفاده خواهد شد. در این قسمت نگاهی خواهیم داشت به این تکنولوژیهای که در این پروژه استفاده خواهیم کرد.

مهمترین مبحث در پروژه هوش تجاری، بانک اطلاعاتی مورد استفاده است. بانک اطلاعاتی در این پروژه باید کاملا حرفهای و دارای سرعت و امنیت بالایی باشد. با انتشار نسخه نهایی SQL Server 2017 قابلیتهای جدیدی به آن در حوزههای مختلف اضافه شده است. از نمونه این قابلیتها میتوان به موارد زیر اشاره کرد:
- امنیت بسیار بالا نسبت به سایر بانکهای اطلاعاتی
- سرعت بسیار بالا در تراکنشهای بالا
- مدیریت دادههای بسیار حجیم
- امکانات بینظیر و فوقالعاده به روز
- استفاده از پایتون و R برای مباحث داده کاوی
- استفاده ار لینوکس به عنوان سیستم عامل
- و…
ساخت داشبورد با Power BI
یکی از قویترین ابزارهای نمایش گزارشات و مصورسازی پروژههای هوش تجاری Microsoft Power BI است. این ابزار قابلیت نمایش گزارشات بر روی موبایل، صفحات وب را نیز دارد.

چند نمونه داشبورد مدیریتی و فنی
توجه: تمامی اعداد و ارقام در تصاویر داشبوردها بصورت تصادفی ایجاد شده و غیر واقعی هستند.
همین الان درخواست خود را ارسال کنید
اگر میخواهید پروژه هوش تجاری را در سازمان خود راهاندازی کنید، درخواست خود را همین الان ثبت کنید.
خواننده گرامی، اگر به راه اندازی هوش تجاری در سازمان یا شرکت خود علاقمندید و برای سفارش دچار تردید هستید، کافی است دکمه بالا را کلیک کنید و درخواست خود را ثبت کنید تا کارشناسان بخش فروش/فنی با صبر و حوصله فراوان به سوالات شما پاسخ دهند تا هر گونه ابهامی برطرف شود.