تعریف هوش تجاری


بیایید با اولین نتیجه‌ٔ گوگل، یعنی ویکی‌پدیا، شروع کنیم: «به مجموعه‌ای از نظریه‌ها، روش‌ها، فرایندها، ساختارها و فناوری‌هایی که داده‌های خام را برای اهداف کسب‌وکار به اطلاعات مفید و معنادار تبدیل می‌کنند، هوش تجاری (Business Intelligence) یا به اختصار BI گفته می‌شود. هوش تجاری قادر است حجم زیادی از اطلاعات را برای کمک به تشخیص و ارائه‌ٔ فرصت‌های جدید مدیریت کند. استفاده از فرصت‌های جدید و اجرای استراتژی‌های کارآمد یک مزیت رقابتی در بازار محسوب می‌شود و ثبات پایدار و بلندمدت برای کسب‌و‌کار ایجاد می‌کند.»  Wikipedia

 

هانس پیتر لوهن، پژوهشگر شرکت IBM، در سال ۱۹۵۸ با انتشار مقاله‌ای برای اولین بار از اصطلاح هوش تجاری استفاده کرد. او هوش تجاری را این‌گونه تعریف می‌کند: «توانایی دریافت ارتباط میان حقایق موجود به طوری که بتوان در جهت رسیدن به هدف مطلوب گام برداشت.» Hans Peter Luhn

 

هاوارد درسنر با تکیه بر این آرا، در سال ۱۹۸۹ (او بعدها به عنوان تحلیلگر در شرکت گارتنر مشغول شد) اظهار داشت «هوش تجاری یک اصطلاح جامع برای تعریف مفاهیم و روش‌هایی است که با استفاده از سیستم‌های داده‌محور، فرایند تصمیم‌گیری در کسب‌وکار را بهبود می‌بخشند.»  Howard Dresner

 

فورستر با ارائه‌ تعریف عام از هوش تجاری، این ایده را یک گام فراتر می‌برد:« به مجموعه‌ای از روش‌ها، فرایندها، پلتفرم‌ها، برنامه‌ها، ساختارها و فناوری‌ها که داده‌های خام را به اطلاعات مفید و معنادار تبدیل می‌کنند، هوش تجاری می‌گوییم. از این اطلاعات برای کسب بینش و تصمیم‌گیری موثر، استراتژیک، تاکتیکی و کاربردی استفاده می‌شود.»  Forrester

 

وین اکرسون، از رهبران پیشرو در هوش تجاری، در تعریف هوش تجاری از یک مفهوم نسبتا ساده استفاده می‌کند: «هوش تجاری شامل دو فعالیت کاملا متضاد است: گزارش‌دهی سلسله‌مراتبی و سنجه‌محور و داشبورد‌‌سازی به طوری که از قبل بدانید قرار است چه مواردی را کنترل کنید و چه مواردی را به صورت کلی و جزئی برای پاسخ دادن به سوالات غیرمترقبه کسب‌و‌کار باید تحلیل کنید.»      Wayne Eckerson

 

شرکت بی‌نتورک مقاله‌ای از لری انگلیش را منتشر ساخت که او در این مقاله تاکید می‌کند: «هوش تجاری به کیفیت اطلاعات نیاز دارد. انگلیش در ادامه این تعریف را از هوش تجاری ارائه می‌دهد: «توانایی یک سازمان برای داشتن عملکردی کارآمد و موثر حین بهره‌برداری از منابع انسانی و اطلاعاتی.» BeyeNetwork

 

تعریف درسنر از هوش تجاری پس از سال‌ها هنوز یکی از دقیق‌ترین تعاریف است.


تاریخچه و تکامل هوش تجاری


روزهای نخست: اطلاعات همان هوش تجاری است

اولین اثر مکتوب که در آن اصطلاح هوش تجاری به کار رفته، به این موضوع اشاره می‌کند که چطور هنری فرنزِ بانکدار موفق شد با دسترسی به «مجموعهٔ بی عیب و نقصی از هوش تجاری» که او را نسبت به نتیجه‌ٔ جنگ مطلع ساخت منتفع شود. بنابراین، اولین صورت از هوش تجاری صرفا محدود به اطلاعات ارزشمندی بود که رقبا به آن دسترسی نداشتند.

در آن روزها اگر کسب‌وکارها داده جمع می‌کردند، این داده‌ها روی کاغذ ذخیره می‌شد. این اطلاعات به صورت کاملا ابتدایی آنالیز می‌شد تا صاحبان کسب‌وکار به بینش و درک عمیق‌تری از نتایج این داده‌ها برسند. با این حال، این فرایند هزینه و نیروی کار زیادی می‌طلبید. بنابراین، استفاده از داده‌های موجود محدود به کسب‌وکارهای بزرگ بود.

 

ظهور فناوری اطلاعات: گزارش‌دهی با داده‌ها

ظهور کامپیوتر در اوایل عصر پیش‌دیجیتال که از اواخر دهه‌ٔ ۵۰ آغاز شد، روش استفاده از هوش تجاری توسط کسب‌وکارها را دگرگون ساخت. دیگر کار ارزیابی داده‌های کسب‌وکار مثل گذشته آن‌قدر گران‌قیمت نبود. گروه‌های فناوری اطلاعات در مرکز تکامل اولیه‌ٔ سیستم هوش تجاری قرار داشتند. گروه منتخبی از ریاضی‌دانان، مهندسان و متخصصان کامپیوتر شامل جورج دنتزیگ، داگلاس انگلبارت و جی فورستر، از پیشگامان سیستم پشتیبان تصمیم‌گیری ((DSS در این دوره بودند. همان‌طور که امروز می‌دانیم، سیستم پشتیبان تصمیم‌گیری مقدم بر هوش تجاری بود.

تا جایی که می‌دانیم اولین بار در سال ۱۹۵۱ بود که از سیستم کامپیوتری‌ DSS  استفاده شد. شرکت سراسری لیون در بریتانیا با مجموعه فروشگاه‌ها و کارخانه‌هایش از سیستم دیجیتال LEON I (Lyons Electronic Office I)  استفاده کرد. نرم‌افزار LEO I  برای پیش‌بینی وضعیت آب‌وهوا ساخته و طراحی شد تا به خودروهای ونی که محصولات «تازه تولید» را به فروشگاه‌های بریتانیا می‌رساندند کمک کنند.

به‌تدریج، سیستم‌های پشتیبان تصمیم‌گیری به سیستم‌های بزرگ و پیچیده‌تر مدیریت اطلاعات (MIS) تبدیل شدند که توسط قدرت پردازش رایانه IBM 360  میسر شد. سیستم مدیریت اطلاعات روی ارائه‌ٔ گزارش‌های منظم و دوره‌ای از سیستم حسابداری و معاملات به مدیران تمرکز داشت. به علاوه، خود DSS پنج نوع مختلف دارد که هریک گروه‌های مختلفی از کاربران را درون یک سازمان هدف قرار می‌دهند. ۳۰ سال بعد از LEO I، محققان سیستم پشتیبان تصمیم‌گیری را به عنوان دسته‌ جدیدی از سیستم‌های اطلاعاتی مد نظر قرار دادند.

 

نخستین نمونه های هوش تجاری / نرم‌افزار LEO I  برای پیش‌بینی وضعیت آب‌وهوا ساخته و طراحی شد تا به خودروهای ونی که محصولات «تازه تولید» را به فروشگاه‌های بریتانیا می‌رساندند کمک کنند.

ظهور و جهانی شدن وب

با غروب عصر پیش‌دیجیتال، وب جهان‌گستر به جریان اصلی بدل شد. فناوری محاسبه و پردازش به سرعت پیشرفت کرد و مشتریان هوش تجاری عوض شدند. سازمان‌ها خواهان دسترسی سریع‌تر به گزارشات بودند. به‌علاوه، کاربران عمومی نیز به هوش تجاری دسترسی پیدا کردند. استفاده از ابزارهای موجود بسیار دشوار بود زیرا برای متخصصان طراحی و ساخته شده بود. از طرفی، داده‌ها در سیلو‌های سازمانی (واحد‌های جزیره‌ای در سازمان) مختلف ذخیره می‌شد. در این حالت، دیگر ممکن نبود برای هر درخواست سراغ واحد فناوری اطلاعات برویم. اولین ابزارهای هوش تجاری به جنگ با این دو مشکل یعنی پیچیدگی و زمان مورد نیاز برای رسیدن به گزارش‌های مبتنی بر هوش تجاری رفتند.

در این زمان بود که انبار‌کردن داده‌ها data warehousing  وارد عرصه شد. یکپارچه‌سازی منابع اطلاعاتی موجود و ذخیره‌ داده‌های پراکنده به صورت سازمان‌یافته و نظام‌مند سرعت دسترسی به اطلاعات را بسیار بالا برد. بدین ترتیب، به سمت درک عمیق‌تر و تحلیل داده حرکت کردیم. در این مقطع، مرکزیت واحد‌های فناوری اطلاعات در ارائه هوش تجاری از بین رفت.

 

موج اول: هوش تجاری بصری بازار را تکان می‌دهد

در نهایت، تمام بخش‌های هوش تجاری به همان صورتی که امروز می‌شناسیم تبدیل به جریان اصلی شد. در این زمان، اولین موج بزرگ هوش تجاری به راه افتاد. نرم‌افزار‌هایی که استفاده از امکانات هوش تجاری را برای کاربران نهایی آسان می‌ساخت مورد توجه قرار گرفتند. تمرکز این محصولات روی تجسم ‌بخشی و بصری‌سازی داده بود. حالا کاربران کسب‌وکار‌ها می‌توانستند به جای گزارشات متعدد و توصیفی، از داده‌های تحلیلی شامل نمودارهای دایره‌ای تعاملی، نمودارهای میله‌ای و…در قالب داشبورد‌های اختصاصی خود استفاده کنند.

 

موج دوم: تجسم‌بخشی داده‌ها و فناوری رایانش ابری

با تمام اتفاقات و تحولاتی که در تاریخ تامل هوش تجاری می‌بینیم اما تنها لایه‌ای که طی تکامل هوش تجاری دست نخورده باقی ماند، لایه‌ٔ اطلاعات بود. تمام ابزارهای هوش تجاری از داده‌های نظام‌مند استخراج شده از انبارهٔ داده‌های کسب‌و‌کار‌ها استفاده می‌کردند. امروزه دیگر با ظهور و همه‌گیری فناوری رایانش ابری دیگر این روش موضوعیت ندارد. مهم‌ترین عاملی که شرکت‌ها را از رفتن سراغ رایانش ابری باز می‌داشت، مسئله‌ٔ امنیت بود. به‌گفته‌ٔ فوربز، استفاده از ابزارهای هوش تجاری مبتنی بر رایانش ابری تا ۴۹% افزایش پیدا کرده که تقریبا دوبرابر میزان استفاده از آن در سال ۲۰۱۶ است.

کلان داده و رایانش ابری روش ساختاردهی و ذخیره‌ٔ اطلاعات را دگرگون ساخته‌اند. بنابر گزارش موسسه معتبر میکرواستراتژی در گزارش جهانی خود که در سال ۲۰۱۸ منتشر شده است حدود ۴۱ درصد از سازمان‌ها قصد داشتند تا سال بعد (۲۰۱۹) راهکار تحلیل کسب‌و‌کار خود را به فضای ابری منتقل کنند.

امروزه برترین ابزار‌های هوش تجاری مانند Oracle BI، IBM cognos Analytics ،SAP BusinessObjects BI Birst BI, Amazon QuickSight, Domo  و ابزارهای دیگر برای ارزیابی حجم وسیعی از داده‌های ورودی از  قدرت پردازشی باورنکردنی، هوش مصنوعی، یادگیری ماشین و تحلیل‌های پیشگویانه استفاده می‌کنند. در حال حاضر داشبورد‌های موجود در راهکار‌های هوش تجاری قادر هستند به صورت آنی و در لحظه داده‌ها را پردازش کرده و آن‌ها را به بینش‌هایی عمملیاتی بدل سازند؛ آن‌ها هم‌چنین قادرند الگوهای داده‌ها را مشخص کنند، ترندها را نمایش داده، نتایج بعدی را پیش‌بینی کنند و حتی برای اصلاح چرخهٔ تحلیل داده‌ها روش‌های جایگزین پیشنهاد دهند.

حالا ما در میانه‌ٔ موج دوم عصر هوش تجاری بر‌محور فضای ابری و با امکان مدیریت شخصی (Self Services) هستیم. با این وجود، زمزمه‌های موج سوم تکنولوژی‌های جدید از حالا شنیده می‌شود.

 


نرم‌افزار هوش تجاری چیست؟


با یک جستجوی ساده در اینترنت، انواع تعریف از هوش تجاری به دست می‌‌آید. درمجموع، آن را ترکیبی از روش‌ها و فناوری‌هایی برای جمع‌آوری، ارزیابی و تفسیر داده‌ها از منابع درونی و بیرونی است که درنهایت، درمورد وضعیت قبلی، فعلی و آتی سوژه‌ی مورد نظر اطلاعات به دست می‌دهد.

دو اصطلاح هوش تجاری و تحلیل کسب‌وکار اغلب به جای هم به کار می‌روند. منظور از تحلیل کسب‌وکار بررسی داده‌ها برای دستیابی به بینش و جهت‌گیری کسب‌و‌کار است. زمانی که دو اصطلاح هوش تجاری و تحلیل کسب‌وکار همراه یکدیگر به کار روند، مفهوم وسیع‌تری پیدا می‌کنند که شامل تمام جوانب جمع‌آوری، تحلیل و تفسیر اطلاعات می‌شود.

در حال حاضر، راهکار‌های هوش تجاری و تحلیل کسب‌وکار برنامه‌ها و اپلیکیشن‌هایی در اختیار کاربر می‌گذارند تا وی در تمام مراحل به اطلاعات کاربردی دسترسی داشته باشد. ازجمله می‌توان به برنامه‌هایی برای آماده‌سازی داده، تحلیل، تجسم‌بخشی، گزارش‌دهی داده و تعامل بر روی آن‌ها برای استفاده در محیط‌های دسکتاپ، فضای ابری و یا روی موبال و تبلت اشاره کرد.

راهکارهای هوش تجاری این قابلیت را دارند که تبدیل به یک ابزار ضروری برای تصمیم‌گیری و توسعه‌ٔ استراتژی کسب‌و‌کار شوند. می‌توان از اطلاعات نهایی‌ای که چنین راهکارهایی در اختیارمان می‌گذارند در سراسر سازمان خود، از بازاریابی و فروش گرفته تا زنجیره‌ٔ تامین و بخش مالی، برای مقاصد زیر استفاده کرد:

  • اندازه‌گیری نتایج کمپین بازاریابی
  • دسترسی به جریان پول نقد، سود ناخالص و هزینه‌های اجرایی
  • رسیدن به درک بهتر نسبت به کارمندان و بهره‌برداری مطلوب از فرایندهای استخدام و منابع انسانی
  • پایش و ردگیری قطعات و مواد اولیه و عملکرد تامین‌کنندگان
  • پیش‌بینی درآمد‌ها و هزینه‌ها
  • بهینه‌سازی مرکز تماس و ارزیابی عملکرد کارکنان
  • کشف فرصت‌ها و الگوهای جدید سرمایه

مزایای سازمانی بهره‌برداری از راهکارهای هوش تجاری


 

  • پاسخ سریع به پرسش‌های بحرانی کسب‌وکار
  • همگام‌سازی فعالیت‌ها با استراتژی کسب‌و‌کار
  • کاهش زمانی که صرف وارد کردن و ویرایش داده‌ها می‌شود
  • رسیدن به درک عمیق و واقعی نسبت به مشتریان
  • سنجش داده در برابر رقبا و داده‌های قدیمی به‌منظور بهبود پیوستهٔ کسب‌و‌کار
  • تخصیص بهینهٔ بودجه و شناخت و ارزیابی بخش‌هایی که باید هزینه‌ٔ کم‌تری صرف آن‌ها شود
  • افزایش بهره‌وری داخلی در اثر صرف وقت و انرژی روی موارد مهم
  • تبیین مجدد فرایندهای کسب‌وکار و بهینه‌سازی عملکرد کسب‌وکار
  • درک بهتر رفتار مشتری برای عمیق‌تر ساختن حس اعتماد و افزایش ارزش طول عمر مشتری
  • کشف منابع جدید و غیر منتظره‌ٔ سرمایه‌گذاری
  • توازن بهتر بین ریسک و سود در سراسر عملیات‌های کسب‌وکار

 

 


ویژگی‌ها و امکانات الزامی راهکارهای نرم‌افزاری هوش تجاری


۱. مدیریت، امنیت و معماری متناسب با پلتفرم هوش تجاری

اگر ابزار هوش تجاری ما ابزاری مقبول و موثر باشد، باید امنیت پلتفرم، مدیریت کاربران پلتفرم، مدیریت دسترسی و استفاده، بهبود عملکرد و پشتیبانی چند سیستم مختلف را در اختیار ما قرار دهد و تضمین‌کنندهٔ دسترس‌پذیری بالا به اطلاعات و بازیابی داده‌ها باشد.

به عنوان بخشی از امر اطلاعات محور ساختن سازمان، دلایل زیادی وجود دارد که راهکار یا پلتفرم هوش تجاری را باید راهکاری مستقل در نظر گرفت و نه امکانی در درون راهکارهای نرم‌افزاری دیگر. از یک سو، سازمان‌های حکمرانی، شرکت‌های اینترنتی و تشکیلات بزرگ اهمیت زیادی به ساختار اطلاعات‌ محور می‌دهند و به مدیریت جداگانه مستقل این داده‌ها نیاز دارند. از طرف دیگر، سیستم‌های هوش تجاری به تدریج در امر تصمیم‌گیری برای مدیریت کسب‌وکار موثر شدند و روز به روز به نقش و اهمیت آن‌ها افزوده می‌شود. شرکت‌ها به سیستم هوش تجاری نیاز دارند تا در طول روز از خدمات بسیار موثر آن بر روی اهداف و استراتژی‌های کسب‌و‌کار بهره‌مند شوند.

 

۲.  مدیریت فراداده (Metadata)

کاربران باید بتوانند به صورت متمرکز فراداده‌ها را کنترل کنند و مواردی از قبیل جستجو، استخراج، پردازش، ذخیره، به اشتراک گذاشتن فراداده و انتشار آن به بیرون را انجام دهند.

فراداده در این‌جا روی ابعاد، شاخصه‌ها، سلسله مراتب، معیارها و سایر داده‌های مورد نیاز در تحلیل کسب‌وکار تمرکز دارد. فراداده‌ها همچنین شامل برخی از اطلاعات پردازش‌شده مانند شاخص‌های کلیدی عملکرد یا همان KPI‌ها، فروش شخصی، فروش تک محصول و سایر اطلاعات می‌شود. سیستم همزمان این اختیار را باید به راهبران دهد تا کار هماهنگ‌سازی فراداده‌ٔ پردازش و ذخیره شده توسط کاربران را با داده‌ٔ اصلی که به پلتفرم هوش تجاری متصل است را انجام دهد.

 

۳.  داشبورد‌های تحلیلی

تولید داشبورد‌های تعاملی و محتواهایی بصری‌سازی شده و تحلیل‌های پیشرفته‌ٔ مکان‌محور و تعامل آن‌ها با یکدیگر یکی دیگر از الزامات راهکار‌های هوش تجاری است.

همچنین می‌توان داشبوردهای تحلیلی را در قالب عناصر تعاملی نمودار، مانند نمونه‌های رایجی چن نمودارهای میله‌ای، خطی، نمودار نقاط پراکنده و نمودارهای پیشرفته‌ٔ درختی، نمودارهای دایره‌ای چند لایه، نقشه‌های جغرافیایی عملیاتی، نقشه‌ٔ حرارتی، نقشه‌ٔ حرکتی و غیره، ارائه داد. هدف اصلی هر راهکار این است که به راحتی بتوان این نمودارها را در ابزار هوش تجاری قرار داد تا کارمندان بتوانند به سادگی با روش کشیدن و رها کردن (Drag & Drop) نمودارها را به نمایش بگذارند. در حال حاضر این موضوع یکی از گرایش‌های مشخص و بارز بازار هوش تجاری است.

 

۴.  ابرمحور بودن و کاربرد‌پذیری روی موبایل

دنیا به سرعت در حال تغییر است و دسترسی لاینقطع به ابزار‌های مورد نیاز برای تحلیل داده‌های کسب‌وکار اهمیتی حیاتی دارد. حتما از ابزار ابرمحور که یک نسخه برنامه‌ٔ موبایلی در اختیارتان قرار می‌دهد استفاده کنید؛  تا همیشه و در هر جا امکانات راهکار هوش تجاری طریق هر مرورگری روی محیط دسکتاپ، تبلت یا گوشی برای شما قابل دسترسی باشد. تمام داشبوردها باید با هر اندازه از صفحه نمایش، از بزرگ تا کوچک، از حالت افقی صفحه‌های نمایش گرفته تا حالت عمودی سازگار باشند.

 

۵.  پردازش و نمایش آنی اطلاعات (Real Time Data)

ارزشمندترین راهکارهای هوش تجاری این امکان را دارند که داده‌ها را به هم متصل و آن را در زمان واقعی یا نیمه واقعی به سیستم گزارش‌دهی ارائه دهند. داده‌‌های قدیمی دیگر چندان مفید نیستند. و طبق استانداردهای روز، منظور از «قدیمی» در جملهٔ قبل داده‌های چند روز یا حتی چند ساعت قبل است. مشتریان و کارمندان از شرکت انتظار دارند محصولات، خدمات و اطلاعات را به سرعت در اختیارشان بگذارد. اگر ابزار پردازش داده‌ شما هنوز قدیمی است، وقت تغییر رسیده است.

 

۶.  تجسم‌بخشی آسان اطلاعات با قابلیت کشیدن و رها کردن (Drag & Drop)

اگر روشی آسان نباشد، کسی به آن عادت نمی‌کند. حتما از ابزاری استفاده کنید که کار کشیدن و رها کردن یا همان درگ اند دراپ روی آن راحت باشد و از علائم و نشانه‌هایی بهره ببرد که در محیط کار بتوانید انواع داده از هر منبعی را به آن وصل کنید. لازم است بتوانید تنها با چند کلیلک داشبورد و گزارش بصری زنده ایجاد کنید. اگر برای ایجاد داشبورد و گزارش بصری از سیستم به مشاور نیاز دارید، یعنی زمان آن رسیده که ابزارهای دیگر را ارزیابی کنید و مد نظر قرار دهید.

 

۷.  به‌روز‌رسانی خودکار داده

سیستم باید طوری باشد که بتوانید به سادگی (یعنی بدون صرف هزینه برای مشورت با مشاوران و کارشناسان) به تعداد زیادی سیستم و پایگاه اطلاعاتی مانند گوگل، فیس‌بوک، Salesforce ،Oracle ،MySQL  و فایل‌های دراپ‌باکس، گوگل درایو و غیره متصل شوید و بهترین زمان و تاریخ به روزرسانی را متناسب با اهداف کسب‌وکار، تیم یا کاربران برنامه‌ریزی کنید.

 

۸.  زمان‌بندی انتشار بر روی داشبورد

با این که در تحلیل کسب‌وکار قانون «هشدار تعریف کن و فراموش کن» معنا ندارد، اما ابزارهای مدرن هوش تجاری به شما این اجازه را می‌دهند که برنامه‌ٔ چند داشبورد مختلف را بچینید تا به صورت خودکار در زمانی مشخص برای کاربران یا گروهی از کاربران به نمایش درآید.

 

۹.  دسترسی در پلتفرم‌های مختلف (ویندوز، مک و لینوکس)

اکثر شرکت‌ها صاحب میراث پیچیده‌ای از ترکب سیستم‌های منسوخ و سیستم‌های جدید هستند بنابراین اغلب ابزار پیچیده‌ای در اختیار دارند. حتما از ابزاری استفاده کنید که اجازه‌ٔ هماهنگ‌سازی بین چند پلتفرم را به شما می‌دهد تا بعد از به کارگیری هیچ‌گونه غافلگیری رخ ندهد (مثلا نصف شرکت دسترسی به راهکار نداشته باشند).

 

۱۰.  گزینه‌های اطلاع‌رسانی به مشتری

هر کسب‌وکار با KPI‌های منحصر به فرد خود کاربرانی مشخص دارد که نیاز به گزارش‌های مخصوص به خود دارند. ابزارهای مدرن هوش تجاری به شما اجازه می‌دهند برای انواع مختلف کاربران و مجموعه داده‌ها هشدار بگذارید تا به تمام افراد از هر گروه ممکن به موقع اطلاع‌رسانی شود.

 


انواع  کاربران راهکار‌های هوش تجاری


 

در ادامه به چهار کاربر کلیدی اشاره شده که از سیستم هوش تجاری استفاده می‌کنند:

۱.  تحلیلگر حرفه‌ای داده

تحلیلگر داده یک متخصص علم آمار است که همیشه باید به عمق داده‌ها پی ببرد. سیستم به تحلیلگر داده کمک می‌کند به درک تازه‌تری برسد تا استراتژی‌های منحصر به فردی را به کسب‌وکار ارائه دهد.

۲.  کاربران فناوری اطلاعات

کاربر فناوری اطلاعات نیز در کنترل و استفاده از زیرساخت نقشی کلیدی ایفا می‌کند.

۳.  مدیران ارشد

مدیران عامل یا مدیران ارشد سازمان می‌توانند با استفاده از خروجی تحلیلی گزارش‌ها و داشبور‌د‌های راهکار‌های هوش تجاری موجب کارایی عملیاتی و در نتیجه افزایش سود‌دهی کسب‌و‌کار خود شوند.

۴.  کاربران کسب‌وکار

کاربران هوش تجاری در سراسر شرکت دیده می‌شوند. دو نوع کاربر اصلی وجود دارد:

  • کاربر عادی راهکار‌های هوش تجاری
  • کاربران متخصص

تفاوت بین این دو این است که کاربر متخص می‌تواند با مجموعه داده‌های پیچیده کار کند اما نیاز کاربر عادی او را به استفاده از داشبوردها وا می‌دارد تا داده‌های از پیش تعریف شده را ارزیابی کند.

 


آینده‌ٔ هوش تجاری


هوش تجاری از جمله فناوری‌هایی است که به سرعت در حال تکامل است. با توجه به ماهیت به شدت رقابتی بازار، شرکت‌ها از هر ابزاری برای رسیدن به مزیت رقابتی بهره می‌جویند. طبق گزارش نشریهٔ معتبر فوربز در سال ۲۰۱۹ تعداد متخصصانی که از تحلیل‌های توصیفی و پیشگویانه استفاده می‌کنند فقط در فاصلهٔ یک سال تا ۲۰% افزایش پیدا کرده است. (Forbes, 2019)

این رقابت سنگین، مشاوران هوش تجاری را به از بین بردن محدودیت‌های این فناوری وا می‌دارد (محدودیت‌هایی که به لطف تقویت قدرت پردازش داده و تفکر جانبی هوشمندانه (استدلال‌های غیر‌مستیم) روز به روز کم‌تر می‌شود). برای

باز هم طبق گزارشی از فوربز که در سال ۲۰۱۸ منتشر شده است  ۷۹% از مدیران ارشد سازمان‌ها اذعان کرده‌اند سازمان‌ها و شرکت‌هایی که موضوع کلان داده‌ها را نپذیرند به زودی جایگاه رقابتی خود را از دست می‌دهند و ممکن است به فراموشی سپرده شوند.

اما از راهکار‌های هوش تجاری در آینده که تغییر‌دهندهٔ زمین بازی این بازار هستند چه انتظاراتی می‌توان داشت؟ در ادامه به ۸ مورد از این انتظارات می‌پردازیم:

۱.  تحلیل پیشگویانه با استفاده از هوش مصنوعی و یادگیری ماشین

هرچه هوش مصنوعی (AI) و راهکارهای هوش تجاری (BI) پا به پای هم پیشرفته‌تر می‌شوند، همه‌گیری و گسترش ترکیب قابلیت‌های هوش مصنوعی و تحلیل پیشگویانه نیز بیشتر می‌شود. پدیدهٔ یادگیری ماشین سریع‌تر عادات و الگوهای کسب‌و‌کار را شناسایی می‌کند و می‌توان برای گرفتن تصمیماتی که روز به روز دشوارتر و بیشتر می‌شوند روی آن حساب کرد. یادگیری ماشین به پیشگویی، پیش‌بینی تغییر وضعیت مشتری، شناخت مشتریان جدید و غیره کمک می‌کند.

به گزارش مجله‌ٔ معظم بیزینس هاروارد ریویو که سال ۲۰۱۹ به چاپ رسید، به رغم ظرفیت‌های روزافزون هوش مصنوعی، تنها ۸% از سازمان‌ها هستند که از کاربرد هوش مصنوعی در سرتاسر کسب‌و‌کار خود پشتیبانی می‌کند. واضح است که هوش مصنوعی فرصت بسیار خوبی برای برتری جستن نسبت به رقبا را در اختیار سازمان‌ها قرار می‌دهد.

 

۲.  حرکت از اطلاعات متمرکز به سمت داده‌های موضعی: تفکیک گزارش‌دهی از واحد فناوری اطلاعات

درگذشته، هوش تجاری فقط منحصر به دپارتمان فناوری اطلاعات بود. کاربر نهایی درخواست گزارش داده می‌داد و منتظر جواب می‌ماند. بازه‌ٔ زمانی دریافت پاسخ هم وابسته به لیست اولویت‌های فناوری اطلاعات بود و نیاز درخواست‌کننده اهمیت خاصی نداشت. اخیرا شرکت‌های زیادی برای تولید گزارشات از سیستم متمرکز فاصله گرفته‌اند و بیشتر به سیستم‌های مدیریت شخصی یا همان سیستم‌های سلف سرویس علاقه نشان می‌دهند. این سیستم‌ها به کمک دسکتاپ، موبایل و برنامه‌های ابری  برای کاربر نهایی شخصی‌سازی شده‌اند. واحد‌های فناوری اطلاعات شرکت‌ها دیگر از ارائه‌دهنده‌ٔ داده به تسهیل‌کننده‌ٔ استفاده‌‌های بومی‌سازی شده و موضعی (Local) از هوش تجاری تغییر کاربری داده‌اند.

 

۳.  دسترسی همگانی

در پی بومی سازی و موضعی کردن بهره‌برداری از راهکار‌های هوش تجاری در سازمان‌ها، تمرکز بر روی عملیات مدیریت شخصی یا سلف سرویس در این راهکار‌ها به این معنی است که هرکسی، صرف نظر از اینکه تخصص او در چه حدی است، می‌تواند به راحتی از هوش تجاری استفاده کند. با توجه به این که ۷۰% از کاربران شرکت‌ها و سازمان‌ها پیش‌زمینه‌ٔ آماری ندارند، و به علت همین ناآشنایی، برای پردازش داده از هوش تجاری استفاده نمی‌کنند، این امر بسیار حیاتی و واجب است (BARC, 2017).

شرکت‌ها برای این‌که بتوانند در دایره‌ٔ رقابت حرفی برای گفتن داشته باشند، باید کارمندان را به استفاده از داده‌‌های لحظه‌ای و بی‌درنگ (Real Time) ترغیب کنند. سیستم‌های هوش‌تجاری با قابلیت مدیریت شخصی (سلف سرویس) کار تصمیم‌گیری مهم درمورد داده را برای تمام کاربران ساده‌تر می‌کنند. و به همین خاطر است که کاربرد برنامه‌های هوش تجاری و تحلیل کسب‌و‌کار سلف سرویس روز به روز بیشتر می‌شود.

 

۴.  قابلیت سیالیت

یک راهکار هوش تجاری کم‌نقص باید بتواند هر زمان و هرجا به تمام پرسش‌های ما پاسخ دهد. همزمان با حرکت فناوری‌های دیجیتال از دسکتاپ به گوشی و تبلت، ضرورت وجود هوش تجاری که در حال حرکت بتوان از آن استفاده کرد روز به روز بیشتر می‌شود. گسترش این سیاست در کسب‌وکارها که «هر فرد باید ابزار و دستگاه مخصوص به خود را سر کار بیاورد» ضرورت سازگاری جهانی هوش تجاری با تمام دستگاه‌های متعارف اعم از لپتاپ و موبایل و تبلت را بالا می‌برد.

 

۵.  کشف و تجسم‌بخشی داده‌ها

به نظر می‌رسد روزگار جستجوی پردردسر در بین انبوهی از داده‌ها برای پیدا کردن اطلاعات مهم به زودی به سر می‌آید. در آینده، اطلاعات مرتبط هستند که شما را پیدا می‌کنند، نه برعکس. هوش تجاری سنتی به فراموشی سپرده می‌شود و سرویسی جای آن را می‌گیرد که درصورت درخواست کاربر یا در فواصل زمانی معین، اطلاعات مفید و مرتبط را در اختیار او قرار می‌دهد. این اطلاعات به سادگی در دسترس قرار می‌گیرد و آماده‌ٔ استفاده فوری خواهد بود.

 

۶. بهره‌گیری از مزایای فناوری ابری

ذخیره‌ٔ کم هزینهٔ داده‌ها، مقیاس‌پذیری و فرصت‌هایی که فناوری ابری در اختیار ما می‌گذارد کاملا مناسب با چالش‌ حجم داده‌هایی است که در این راهکار وجود دارد. ذخیره‌سازی خارجی داده‌ها (data off-site) نیز باعث دسترسی بهتر بر روی دستگاه‌هایی چون موبایل می‌شود.

 

۷. تحلیل فردی به‌منظور بهبود شخصی

درست همان‌طور که تجهیزات الکترونیکی ورزشی قصد دارند آگاهی فرد نسبت به عملکرد خود را بالا ببرند، از دا‌‌ده‌های هوش تجاری هم برای تقویت عملکرد حرفه‌ای کاربر استفاده می‌شود. از آن‌جا که اطلاعات لحظه‌ای، کاربران را در جهت رسیدن به بهترین عملکرد ممکن سوق می‌دهد، گزارش‌دهی بر اساس KPI‌های سالانه دیگر کاربرد ندارد. توجه به تلاش‌های کاربران به عنوان بخشی از بافت کلی ارزش شرکت باعث افزایش انگیزه می‌شود. کارمندان می‌توانند KPIهای مشخص را تشخیص دهند، به مرور زمان آن را دنبال کنند و دریابند سهم او در آن KPI چه تاثیری روی شرکت به عنوان یک کل می‌گذارد.

۸. بازبینی‌های بیشتر بر تصمیم‌های کسب‌وکار 

شاید هدف اصلی هوش تجاری این است که به درک عمیق‌تری از وضعیت کسب‌و‌کار و سازمان خود برسیم تا امر تصمیم‌گیری ما بهبود یابد. براساس اطلاعات شرکت Qlik از ارائه‌هندگان بزرگ این راهکار‌ فقط ۲۳٪ از سازمان‌ها نتیجه‌ٔ تصمیمات کسب‌وکار خود را مرتبا چک می‌کنند. این نوع از راهکارها در آینده برای بالا بردن این رقم، «تصمیمات» را به عنوان نوعی فراداده در اختیار ما می‌گذارند تا تحلیل آن بسیار ساده شود.

 

 

 

خبرنامه پگاه آفتاب

برای دریافت جدیدترین مقالات و مطالب پایگاه دانش پگاه آفتاب ایمیل خود را وارد کنید.