درحالیکه همه مدیران اجرایی سازمانها، درک درستی از مفهوم هوش تجاری ندارند، معمولا بعد از نرم افزار اتوماسیون اداری و خرید اتوماسیون اداری خواهانداشبوردها هستند؛ چرا که داشبوردها زیبا و جذابند و درعینحال، دادههای ملالآور را به نمودارهای زیبا مبدل میسازند.اما سؤال اصلی این است که چه تعداد از مدیران دقیقاً میدانند که داشبورد برای چیست و بایستی چگونه باشد؟ پاسخ این است که صرفاً تعداد اندکی! داشبوردها دارای متقاضیان بسیاری است اما اکثر آنها دقیقاً علت این تقاضا را نمیدانند. این مسئله زمانی پیچیدهتر میشود که هر کسی تصور میکند که میداند چگونه میتوان داشبورد ساخت و یا اینکه داشبورد میبایست به چه صورتی باشد. شاید هم مسئله اصلی این است که آنها از پرسیدن، امتناع میکنند.
در ادامه، برخی از قوانینی که در ساخت داشبورد میبایست به آنها توجه شود، شرح داده خواهند شد.
کارهایی که نباید انجام دهید:
یک داشبورد باید چنین باشد:
ابتدای امر باید بدانید که دقیقاً در حال انجام چه کاری هستید و قرار است چه اطلاعاتی را به کاربران سازمان منتقل کنید. نمیتوان و نباید همه چیز را بر روی داشبورد قرار داد.
منبع: Seven Rules For Dashboard Success
ویرایش: مهتاب صالحی
تاریخچه انبار داده
مفهوم انبار دادهها به اواخر دههی 1980 زمانی که محققان IBM ،" بری دولین" و" پل مورفی" ،"کسب و کار انبار دادهها" را توسعه دادند، باز میگردد. در اصل، مفهوم انبار دادهها با هدف ارائه یک مدل معماری، برای جریان دادهها از سیستمهای عملیاتی به محیط پشتیبان تصمیمگیری در نظر گرفته شده بود. این مفهوم تلاش میکرد تا به مسائل مختلف در ارتباط با این جریان و عمدتا هزینههای بالای مرتبط با آن رسیدگی کند. در صورت فقدان معماری انبار دادهها، در محیطهای پشتیبان تصمیمگیری چند گانه مقدار زیادی از افزونگی لازم بود. در شرکتهای بزرگتر، با توجه به متعدد بودن محیطهای پشتیبان تصمیمگیری معمولا کار بر روی آنها به طور مستقل انجام میشد. اگر چه هر محیطی به کاربران مختلفی خدمت میکرد، با این وجود، اغلب آنها انبار دادههای مشابهی را نیاز داشتند. معمولا فرآیند جمعآوری، پاکسازی و یکپارچهسازی دادهها از منابع مختلف در همه محیطها بخشی تکراری بود. علاوه بر این، سیستم عاملها مکررا تست میشدند تا مطابق با نیازهای پشتیبان تصمیمگیری به وجود آمدند. اغلب نیازهای جدید، اجرای جمعآوری، پاکسازی و یکپارچهسازی دادههای جدید را در "Data Marts" که توسط کاربران طراحی و کنترل میشدند، ضروری میساخت.
انواع موارد استفاده از انبار دادهها در سازمان با توجه به سطح پیچیدگی آنها
•انبار دادههای عملیاتی آفلاین
انبار دادهها در این مرحله از تکامل در چرخه زمان، از سیستمهای عملیاتی و دادههایی که در گزارشات یکپارچه ذخیره شدهاند، به طور منظم (معمولا روزانه، هفتگی و یا ماهانه ) به روز رسانی میشوند.
•انبار دادههای آفلاین
انبار دادهها در این مرحله، با استفاده از دادههای موجود در سیستمهای عملیاتی به صورت منظم به روز شده و دادههای آنها در یک ساختار دادهای ذخیره میشود که این ساختار تهیه گزارش را تسهیل میبخشد.
•انبار دادههای آنلاین
انبار دادههای یکپارچهی آنلاین، دادههای به روز را ارائه میدهند. در این مرحله، انبار دادهها ، به ازای اجرای هر تراکنش روی منابع اطلاعاتی، به روز میشوند.
•انبار دادههای یکپارچه
این انبار دادهها، دادهها را از بخشهای مختلف کسب و کار جمعآوری میکنند، بنابراین کاربران میتوانند اطلاعات موجود در سیستمهای مختلف را در یک انبار داده جستجو نمایند.
نوعی از مفهوم انبار داده در این مقاله و بخش قبلی با توضیحاتی آورده شد تا برای bpms و bpm (بی پی ام) هم تعریف آن مفهوم باشد. و از همین مفهوم استفاده شود.
انبار داده به یک بانک اطلاعاتی وسیع گفته میشود که از طریق آن مدیران به تمامی دادههای سازمان از گذشته تا حال برای تهیه گزارش و تجزیه وتحلیل دسترسی دارند، در نتیجه انبار داده نقشی پر رنگ در اتخاذ تصمیمات استراتژیک مدیران ایفا میکند. ممکن است دادهها قبل از قرارگیری بر روی انبار داده در یک فضای عملیاتی کوچکتر قرار گیرند تا پردازش بر روی آنها انجام گیرد.
انبار داده بر سه لایه staging، Integration و Presentationاستوار است، به این ترتیب که دادههای خامی که از منابع اطلاعاتی مختلف به دست آمدهاند در لایه Staging قرار میگیرد. در لایه بعدی یا Integration دادهها از نظر یکنواختی (نرمالسازی، حذف افزونگی و ...) مورد بررسی قرار میگیرند. و در لایه آخر یا Presentation دادهها برای موارد مختلفی همچون گزارشگیری در ابزارهای گزارش ساز و گزارش ساز پیشرفته در دسترس کاربران قرار میگیرد.
انواع سیستمها:
•Data Mart
Data Mart یک فرم ساده از یک انبار دادهها است که در مورد یک موضوع واحد از قبیل فروش، امور مالی یا بازاریابی متمرکز است. Data Mart اغلب توسط یک بخش از سازمان ساخته و کنترل میشود. با توجه به تمرکز Data Mart بر روی یک موضوع، معمولا دادههای تعداد محدودی از منابع را ترسیم میکند. این منابع می توانند سیستمهای عملیاتی داخلی، یک انبار داده مرکزی، و یا دادههای خارجی باشند.
با حجم نسبتا کمی از مبادلات توصیف میشوند. اغلب شامل پرس و جوهای بسیار پیچیده و تجمیعها هستند. برای سیستمهای OLAP، زمان پاسخ یک شاخص اندازهگیری است. برنامههای OLAP به طور گستردهای توسط تکنیکهای دادهکاوی استفاده میشود. معمولا تأخیر سیستمهای OLAP در حد چند ساعت است، در مقایسه با Data Mart ها که تأخیری نزدیک به یک روز دارند.
•پردازش تراکنش آنلاین (OLTP)
با حجم زیادی از تراکنشهای خطی کوتاه (از قبیل DELETE، UPDATE، INSERT) توصیف میشود. سیستمهای OLTP بر روی پردازش پرس و جوهای بسیار سریع و حفظ تمامیت دادهها در محیطهای Multi Access تأکید دارد. اندازهگیری تعداد تراکنشها در هر ثانیه برای سیستمهای OLTP مؤثر است. پایگاههای داده OLTP حاوی اطلاعات دقیق و جاری است. طرحی که برای ذخیره پایگاه دادههای تراکنشی استفاده میشود مدل موجودیتی ( عموما 3NF) است.
•تجزیه و تحلیل پیشبینی شده
تجزیه و تحلیل پیشبینی شده در مورد پیداکردن و تعیین کمیت الگوهای پنهان در دادهها با استفاده از مدلهای پیچیده ریاضی است که میتواند برای پیشبینی نتایج آینده استفاده شود. تجزیه و تحلیل پیشبینی شده متفاوت از OLAP است، چرا که OLAP بر روی تجزیه و تحلیل دادههای تاریخی و واکنش طبیعی آنها تمرکز دارد، در حالی که تجزیه و تحلیل پیشبینی شده تمرکزش بر آینده است. این سیستمها نیز برای CRM مورد استفاده قرار میگیرند.
مزایا:
یک انبار داده یک کپی از اطلاعات سیستمهای عملیاتی را در بر دارد. این پیچیدگی معماری این فرصت را فراهم میکند که:
•با تجمیع دادهها از منابع متعدد درون یک پایگاه داده برای ارائه دادهها میتوان تنها از یک موتور پرس و جو استفاده کرد.
•کاهش مشکلات قفل شدن پایگاه داده سیستمهای عملیاتی با جداسازی اجراهای بزرگ، طولانی و تجزیه و تحلیل پرسوجوها از پایگاه دادههای عملیاتی.
•حفظ تاریخچه داده، حتی اگر سیستمهای عملیاتی این داده ها را نگهداری نکنند.
•با ادغام دادههای سیستمهای عملیاتی متعدد، توانایی ارائه دید متمرکز از تمامی دادههای شرکت را خواهیم داشت. این مزیت همیشه ارزشمند است، به ویژه برای سازمانهایی که با این ادغام رشد میکنند (مانند هولدینگها).
•بهبود کیفیت دادهها، با ارائه کد سازگار و توضیحات، نشانهگذاری یا حتی رفع مشکل دادههای اشتباه
•ارائه مداوم اطلاعات سازمان
•ارائه یک مدل داده مشترک برای همه اطلاعات مفید صرف نظر ار منابع داده
•بازسازی دادهها به طوری که باعث سادهسازی برقراری ارتباط کاربران با دادهها شود.
•بازسازی دادهها به طوری که باعث بهتر شدن عملکرد پرسوجوها شود، حتی برای پرسوجوهای تحلیلی پیچیده.
•ارزش دادن به برنامههای عملیاتی کسبوکار، به ویژه سیستمهای مدیریت ارتباط با مشتری (CRM)
•سادهسازی نوشتن پرسوجوهای پشتیبان تصمیمگیری
رایانش توزیع شده، رشته ای از علوم کامپیوتر است که به مطالعه در مورد سیستم توزیع شده می پردازد، و در واقع یک سیستم توزیع شده، سیستم نرم افزاری است که اجزای آن از طریق شبکه با یکدیگر در ارتباط هستند تا به یک هدف مشترک دست یابند و اقدامات خود را از طریق ارسال پیام (message passing) به یکدیگر اطلاع می دهند. از ویژگی های قابل توجه سیستم توزیع شده می توان به همزمانی (concurrency) اجزا جهت دستیابی به هدف واحد و مستقل بودن سیستم از خرابی هر یک اجزا اشاره نمود.
یک برنامه کامپیوتری که بر روی سیستم توزیع شده مانند bpms بی پی ام اس، اجرا می شود، یک برنامه توزیع شده نام دارد و برنامه نویسی توزیع شده، فرایندی است که طی آن این برنامه ایجاد می شود.
لازم به ذکر است که علاوه بر مکانیسم ارسال پیام که پیش از این بدان اشاره شد، رویکردهای جایگزین دیگری نیز وجود دارند که می توان "فراخوانی روال از راه دور" (RPC : Remote Procedure Call) و یا صف پیام (message queue) را نام برد.
مهمترین هدف و چالش در رایانش توزیع شده، شفافیت در مکان (location transparency) است، بدین معنا که در رایانش ابری مستقل از مکان کاربر و مکان قرارگیری منابع، سرویس مورد نظر ارائه می گردد، به عنوان نمونه، تصور نمایید که کاربران متعددی از مکان های مختلفی، یک نام پوشه واحدی را جستجو و به محتویات آن دسترسی می یابند و این در حالی است که داده های ذخیره شده در آن پوشه در مکان های فیزیکی مجزا بر روی هارددیسک یک کامپیوتر و یا کامپیوترهای مختلفی بر روی شبکه قرار دارند و به هیچ وجه این موضوع برای کاربران در هر مکانی که هستند، قابل لمس نمی باشد.
در رایانش توزیع شده، یک مسئله به چندین وظیفه تقسیم می شود که هر یک از وظایف به یک تا تعداد بیشتری از کامپیوترهای تحت شبکه جهت انجام، محول می گردد.
در شکل زیر به وضوح می توان تفاوت بین رایانش متمرکز، نامتمرکز و توزیع شده را مشاهده نمود.
ایده توزیع شدن منابع در یک شبکه از کامپیوترها، برای اولین بار به منظور استفاده از ترمینال های ورود داده در کامپیوترهای پردازنده مرکزی (mainframe) آغاز گردید، سپس به کامپیوترهای کوچک (minicomputers) و اکنون در کامپیوترهای شخصی و معماری سرویس دهنده/سرویس گیرنده مورد استفاده قرار می گیرد.
معماری رایانش توزیع شده، شامل اجزای زیر است:
مجموعه ای از سرویس گیرنده ها که نرم افزار سبکی بر روی آن ها نصب شده است
یک یا چند سرویس دهنده اختصاصی که مدیریت محاسبات توزیع شده را بر عهده دارند
در مفاهیم کسب و کار، رایانش توزیع شده، عموما با هدف قراردادن پردازش در مراحل مختلف فرایند کسب و کار بر روی کامپیوترهای مجزا در شبکه، به منظور دستیابی به حداکثر کارایی صورت می پذیرد. این در حالی است که در کاربرد های معمول از مدل 3 لایه استفاده می گردد که به صورت زیر است:
1-پردازش در واسط کاربری بر روی کامپیوتر شخصی در مکان کاربر
2-پردازش کسب و کار بر روی یک کامپیوتر در مکانی مجزا
3-دسترسی به پایگاه داده و پردازش های مرتبط با آن در یک کامپیوتر دیگر برای تعداد زیادی از فرایندهای کسب و کار
به طور خاص، این مدل را نیز نوعی رایانش توزیع شده در نظر می گیریم که با استفاده از مدل ارتباطی سرویس دهنده/سرویس گیرنده محقق می شود.
هوش تجاری (BI) یک فرایند مبتنی بر فناوری است که به منظور تحلیل داده ها برای کمک به مدیران ارشد، مدیران میانی و سایر کاربران جهت اتخاذ تصمیمات بهینه به کار برده می شود، این فرآیند در بی پی ام اس bpms هم بسیار مورد توجه است. هوش تجاری (BI) شامل مجموعه ای از ابزارها، برنامه های کاربردی و متدولوژی ها است که با جمع آوری داده ها از منابع درون سازمانی و برون سازمانی، داده ها را برای تجزیه و تحلیل آماده می کند، امکان اجرای پرس و جو (Query) را مهیا می سازد، گزارشات و داشبوردها را ایجاد می کند به نحوی که این گزارشات در اختیار تصمیم گیران و همین طور کارکنان BPMS قرار گیرد.
از مزایای استفاده از هوش تجاری می توان به موارد زیر اشاره نمود:
تسریع و بهبود فرایند تصمیم گیری
بهبود فرایندهای داخلی
شناسایی فرصت های جدید
دستیابی به مزیت های رقابتی جدید
سیستم های هوش تجاری (BI) هم چنین می توانند به شرکت ها در شناسایی روندهای بازار و مشکلاتی که باید مورد توجه قرار بگیرند، کمک نمایند.
داده های هوش تجاری (BI) می تواند شامل اطلاعات قدیمی و یا داده های جدیدی باشند که از سیستم های منبع داده تولید شده اند و تحلیل گران هوش تجاری را قادر به پشتیبانی از فرایندهای تصمیم سازی استراتژیک و تاکتیکی می سازند. در ابتدا، ابزارهای هوش تجاری توسط تحلیلگران داده و سایر متخصصین IT استفاده می شدند به صورتی که آنها تحلیل ها را بر روی داده ها اجرا می کردند و گزارشات را به عنوان نتایج پرس و جو (Query) برای کاربران کسب و کار تولید می نمودند. پس از آن با توجه به توسعه ابزارهای خویش خدمت هوش تجاری (Self-Service BI) و جستجوی داده، مدیران سازمان و کارمندان نیز در استفاده از ابزارهای هوش تجاری (BI) توانمند شدند.
هوش تجاری (BI) شامل مجموعه وسیعی از برنامه های کاربردی نظیر: تحلیل های موردی و پرس و جو (Query) ، گزارش ساز، گزارش ساز پیشرفته، پردازشگر تحلیلی آنلاین (OLAP)، هوش تجاری موبایل، هوش تجاری بلادرنگ، هوش تجاری عملکردی، هوش تجاری و سرویس های ابری، هوش تجاری متن باز، هوش تجاری اشتراکی و هوش منطقه ای می باشد.
تکنولوژی هوش تجاری همچنین شامل نرم افزارهای بصری سازی داده برای طراحی نمودارها و سایر داده نمایی ها وابزارهایی برای ساخت انواع داشبوردها مثل داشبورد مدیریتی می شود. برنامه های کاربردی هوش تجاری را می توان از کمپانی های متفاوتی خریداری نمود و یا آنکه به صورت یک پلتفرم مجتمع از یک کمپانی تهیه کرد.
برنامه های هوش تجاری همچنین می توانند ترکیبی از انواع تجزیه و تحلیل پیشرفته را ارائه دهند، مانند داده کاوی، تحلیل های پیشگویانه، متن کاوی، تحلیل های آماری و تحلیل کلان داده ها. در بسیاری از موارد، پروژه های تجزیه و تحلیل پیشرفته بوسیله تیم های جداگانه ای از کارشناسان داده، متخصصین آمار، مدل سازان و سایر متخصصین تحلیل رهبری و مدیریت می شوند، در حالی که تیم هوش تجاری بیشتر بر پرس جو ها (Query) و تحلیل های داده های کسب و کار و مدیریت فرآیند کسب و کار نظارت می کند.
داده های هوش تجاری معمولا در یک انباره داده یا یک داده گاه (Data mart) کوچکتر که زیر مجموعه ای از اطلاعات شرکت است ذخیره می شوند. به علاوه، سیستم های Hadoop به صورت گسترده به عنوان انباره ها در معماری های هوش تجاری و مخصوصا برای داده های بدون ساختار، فایل های لاگ و گونه های دیگر کلان داده ها استفاده می شوند. قبل از آنکه این سیستم در برنامه های کاربردی هوش تجاری استفاده شود، داده های خام از منابع مختلف بایستی مجتمع می شدند و به وسیله ابزارهای کیفیت داده بررسی می شدند تا از صحت داده های تحلیلی اطمینان حاصل می گشت.
تیم های هوش تجاری ،علاوه بر مدیران هوش تجاری، به صورت عمومی شامل ترکیبی از معماران هوش تجاری، توسعه دهندگان هوش تجاری، تحلیل گران کسب و کار و متخصصین مدیریت داده هستند. البته کاربران کسب و کار نیز به عنوان نماینده کسب و کار جهت ایجاد اطمینان از پوشش نیازهای کسب و کار در فرایند توسعه هوش تجاری ، مشارکت می کنند.
در همین راستا تعداد رو به رشدی از سازمان ها در حال جایگزینی توسعه آبشاری با رویکردهای هوش تجاری چابک هستند.این رویکردها از تکنیک های توسعه نرم افزار چابک جهت تقسیم پروژه به بخش های کوچکتر و ارایه کارکردهای جدید به کاربران نهایی به صورت افزایشی و تکرارپذیر استفاده می نمایند. این نحوه عملکرد، سازمان ها را در زمینه ارایه سریعتر توانمندی های هوش تجاری و بهبود روند توسعه هوش تجاری همزمان با تغییر نیازمندی های کسب و کار توانمند می سازد.
بنابراین هدف از هوش تجاری تفسیر آسان حجم زیادی از داده ها با استفاده از مجموعه ای از ابزارها می باشد. شناسایی فرصت های جدید و اجرای موثر یک استراتژی با بینشی عمیق، می تواند مزیت های رقابتی جدید و توسعه پایدار را برای سازمان ها به ارمغان آورد.
منبع : (business intelligence (BI
مترجم : عاطفه سلیمیان