فرآیند هوش تجاری

مقدمه ای بر فرآیند هوش تجاری

هوش تجاري به توانايي يک سازمان در جمع آوري، نگهداري و سازماندهي داده ­ها اطلاق مي­شود. اين قابليت منجر به توليد مقدار زيادي اطلاعات مي­گردد که به توليد فرصت­ هاي جديد مي­ انجامد. به تعبير ديگر هوش تجاري بايستي هم هدف تجارت را در برداشته باشد و هم کاربرد عملي داشته باشد. از این رو هوش تجاری یک فرآیند تکنولوژی محور برای تحلیل داده هاست. این فرآیند در نهایت به مدیران، صاحبان کسب و کار و تمام تصمیم گیرنده‌های اساسی یک کسب و کار، اطلاعاتی عملی می‌دهد.

ابزارهای هوش تجاری برای آنالیز و تحلیل داده‌ها به صورت‌های مختلفی ارائه می‌شود؛ مثلا گزارش، داشبورد هوش تجاری، چارت، نقشه، گراف و تمام ابزارهایی که بتوانند اطلاعات و داده‌های خام را در قالب‌های بصری و قابل استفاده به نمایش درآورند. در حقیقت هوش تجاری به شما به عنوان یک مدیر کمک می‌کند، بفهمید که چه عواملی در موفقیت یا شکست پروژه‌هایتان موثر است. پروژه ­های هوش تجاری که برای دستیابی به چنین اطلاعات و دانشی در بررسی شرایط یک کسب و کار انجام می­شود دارای چندین جزء بسیار مهم است که شامل مباحثی چون هشدارها و اعلان­ها، گزارش­گیری در هوش تجاری ، گزارشات مالی، داشبوردها و جریان کار پروژه هوش تجاری است. در این مطلب به بررسی جریان کار  در یک پروژه­ هوش تجاری می­پردازیم.

جریان کار (Workflow)

جریان کار (فرآیند یا رویکردهای گام به گام) در زمینه کسب و کار فرآیندی است که سازمان برای انجام وظایف یا پروژه ­ها به طور مداوم انجام می­دهد برای انجام سیستماتیک پروژه های هوش تجاری، معمولاً یک روند کلی دنبال می­شود. در سازمان­هایی که برای بهینه­ سازی بهره­ وری و هزینه­های کمتر­ تلاش می­کنند، پیاده ­سازی و بهبود گردش کار فرآیندهای ارزشمندی است.

مراحل انجام یک فرآیند داده ­کاوی

در شکل زیر مراحل انجام یک فرآیند داده ­کاوی به منظور استفاده در پروژه های هوش تجاری را مشاهده می­کنید. این فرآیند که دنباله­ ای از شش مرحله که با نیاز به درک خوب از کسب و کار شروع می شود و سپس بررسی داده به منظور درک درست داده و اطلاعات موجود از کسب و کار مورد بررسی قرار می­گیرد، ادامه می­یابد. سپس داده برای انجام پردازش­های بعدی پیش پردازش می­شود و برای مدل سازی اماده می­شود و سپس ساخت مدل مناسب برای موضوع مورد بررسی را خواهیم داشت، مدلی که بهترین تحلیل را از شرایط کسب و کار به ما بدهد و سپس مدل مورد استفاده ارزیابی می­شود و پس از ارزیابی و تست مدل ارائه شده، گسترش  مدل و پیادسازی آن انجام خواهد شد.

در پروژهای مختلف با بررسی هر کدام از کسب و کارها و داده ­های به کار رفته در آن موضوع خاص، پیش پردازش و ایجاد مدل به نسبت هر پروژه متفاوت است و سعی در انتخاب بهترین روش برای رسیدن به بهترین نتایج که نیاز کسب و کار مورد مطالعه است خواهد بود. هر کدام از این مراحل باید با دقت کافی و لازم انجام شود زیرا نتایج مراحل بعدی به نتایج مرحله قبل وابسته است و یک خروجی با کیفیت نیازمند ریزبینی و دقت در هر کدام از این مراحل خواهد بود. در ادامه مطلب به بررسی شش مرحله ­ی اصلی از جریان کار یک پروژه خواهیم پرداخت.

مراحل اصلی یک فرایند (جریان کار)

1- درک کسب و کار (Business Understanding)

عنصر اصلی هر تجزیه و تحلیلی برای کسب و کار این است که بدانید مطالعه برای چه کاری و به چه منظوری انجام شده است. برای بررسی دقیق و تجزیه و تحلیل بی عیب و نقص نیازمند دانش و مشخصات صریح هدف تجاری سازمان مورد مطالعه هستیم. به طور مثال باید بتوانیم در این مرحله به سوالاتی مانند اینکه ” ویژگی­های مشترک مشتریان چیست یا بررسی وضعیت کسب و کار مورد نظر با رقبا و یا اینکه مشخصات عمومی مشتریان چیست و هر مشتری چه میزان برای سازمان مد نظر ارزش دارد ” و از این قسم اطلاعات که برای شروع یک تجزیه و تحلیل کسب و کار به دانستن آن نیاز داریم و سپس طراحی پروژه برای بدست آوردن دانش ­های سازمان یافته ­ای مرحله ابتدایی یک فرایند تحلیل کسب و کار را آغاز می­کند.

2- درک داده (Data Understanding)

یک مطالعه کسب و کار مختص پرداختن به یک کار کاملاً مشخص در حوزه ­ی کسب و کار است، وظایف بخش­های مختلف یک تجارت به مجموعه­های مختلفی از داده ­ها نیاز دارند. به دنبال درک کاملی از تجارت، یکی از فرایندهای اصلی شروع مطالعه، شناسایی داده ­های مربوطه موجود در پایگاه داده است. برخی از نکات کلیدی باید در شناسایی و انتخاب داده ­ها در نظر گرفته شوند فاز اول و مهمترین فاز، این است که تحلیلگر باید به طور کامل داده ­ها را شناسایی کند و مرتبط ­ترین داده ­ها را انتخاب کند.

به عنوان یک مثال ساده مسئله خرده فروشی لباس را بررسی می­کنیم و هدف از انجام این مطالعه بررسی و شناسایی رفتار خریداران زن برای خرید لباس­های فصلی است که اطلاعات جمع اوری شده متاثر از اطلاعات جمعیتی، فرهنگی، معاملات کارت اعتباری و ویژگی های اقتصادی اجتماعی است. تحلیلگر باید یک درک دقیق از منابع داده ایجاد کند (به عنوان مثال، محل ذخیره سازی داده های مربوطه و اینکه به چه شکلی ذخیره می­شوند) و اینکه روند جمع آوری داده­ ها به صورت خودکار است یا دستی است و اینکه متغیرها (به عنوان مثال ، بیشترین مقدار چیست)  چه چیزهایی هستند و انواع متغیرها که آیا این متغیر ها به دیگر متغیرها وابسته است یا مستقل. موارد بسیار زیادی باید توسط تحلیل­گر بررسی شود.

برای درک بهتر داده­ ها، تحلیل­گر اغلب از انواع نمایش آماری و گرافیکی داده ­ها استفاده می­کند. تکنیک­ هایی پرکاربرد مانند خلاصه ­های آماری ساده هر متغیر مانند متغیرهای میانگین، حداقل / حداکثر، میانه و انحراف معیار از این دست اطلاعات پرکاربرد هستند. اندازه گیری های محاسبه شده، یک شناسایی دقیق و درست می­تواند سرعت کشف الگو را توسط الگوریتم ­های داده ­کاوی بسیار بالا ببرد و منابع داده برای انتخاب داده ­ها ممکن است متفاوت باشد. به طور سنتی، منابع داده برای تجارت برنامه­ های کاربردی شامل داده ­های جمعیت شناسی (مانند درآمد، تحصیلات، تعداد خانوارها و سن) ، داده ­های جامعه شناسی (مانند سرگرمی، عضویت در باشگاه و…) ، داده ­های معاملاتی (سوابق فروش، تراکنش کارت­های اعتباری، چک­های صادر شده) و غیره.

داده ها را می­توان به صورت کمی و کیفی دسته بندی کرد. داده ­های کمی با استفاده از مقادیر عددی اندازه گیری می­شود. داده­ ها می­تواند گسسته باشد (مانند عدد صحیح) یا پیوسته (مانند اعداد واقعی) باشد. داده های کیفی، همچنین به عنوان داده­ های طبقه ­ای شناخته می­شوند، حاوی داده های اسمی و ترتیبی است. داده های اسمی دارای مقادیر نامرتب محدود هستند (به عنوان مثال ، جنسیت) داده­ هایی که دارای دو مقدار است: زن و مرد). داده ­های ترتیبی مقادیر محدود مرتب شده ­ای دارند؛ به عنوان مثال، رتبه بندی اعتبار مشتری، داده ­های ترتیبی در نظر گرفته می شود. زیرا رتبه ­بندی می­تواند عالی، خوب، متوسط و ضعیف باشد.

به طور معمول در سازمان­ها پراکندگي اطلاعاتي زيادي مشاهده مي شود. استفاده از ابزارهاي مختلف باعث مي­شود تا بانک هاي اطلاعاتي متفاوتي با ساختارهاي گوناگون در يک سازمان ايجاد شود. سرويس هماهنگ کننده اطلاعات در راهکار هوش تجاري اين امکان را فراهم مي­آورد تا بانک اطلاعاتي متمرکزی از اطلاعات ارزشمند براي تصميم سازي ساخته شود.

3- آماده سازی داده (Data Preparation)

منظور از آماده سازی داده­ ها که معمولاً پیش پردازش داده ­ها نامیده می­شود به این صورت است که داده ­های شناسایی شده در مرحله قبل را با استفاده از روش­های مناسب هر نوع داده ­ای پیش پردازش می­شود، پیش پردازش داده را برای تجزیه و تحلیل با روش­های مختلف داده­ کاوی و کشف الگوهای نهفته و کارآمد در داده ­ها است اماده می­کند. در مقایسه با دیگر مراحل اماده سازی و پیش ­پردازش داده زمان زیادی می­برد. در یک پروژه داده کاوی دلیل صرف چنین تلاشی برای آماده کردن داده ها این است که داده های دنیای واقعی به طور کلی ناقص هستند (فاقد مقادیر ویژگی، فاقد برخی از ویژگی­های مورد علاقه، یا فقط حاوی داده­ های کلی است) ، پر نویز (حاوی اشتباهات یا داده های پرت­)، و ناسازگار (حاوی اختلاف در کدها یا نام­ها) است.

4- ساخت مدل ( Model Building)

در این مرحله، تکنیک­های مختلف مدل سازی انتخاب شده و برای مواردی که قبلاً آماده شده استفاده می­شود. مجموعه داده­ ها برای رفع نیازهای خاص کسب و کار بکار می­رود. گام مدل سازی نیز شامل ارزیابی و تجزیه و تحلیل مقایسه ­ای از مدل­های مختلف است. بهترین روش یا الگوریتم شناخته شده جهانی و مشخصی برای انجام یک پروژه در داده کاوی وجود ندارد، انواع مختلف مدل­های مناسب همراه با آزمایش و ارزیابی با استراتژی کاملا مشخص  برای شناسایی “بهترین” روش برای یک هدف خاص مورد بررسی قرار می­گیرد. حتی برای یک روش واحد یا الگوریتمی خاص، برای دستیابی به نتایج مطلوب، تعدادی از پارامترها باید به صورت متناسب تعریف شوند.

بسته به نیاز کسب و کار مورد بررسی، کار داده کاوی می تواند یک پیش بینی باشد، یک طبقه ­بندی  یا یک نوع خوشه بندی باشد که تحلیلگر به تناسب هر روش از آن الگوریتم و تکنیک مربوطه استفاده می­کند. الگوریتم­هایی مانند ماشین بردار پشتیبان، k-means، KNN و غیره از جمله الگوریتم­های به کار رفته در این مرحله هستند.

5- تست و ارزیابی (Testing and Evaluation)

مدل­های ایجاد شده از نظر صحت و عمومیت ارزیابی و تست می­شوند. این مرحله میزان مطابقت مدل انتخاب شده (یا مدل ها) را با هدف مد نظر ارزیابی می­کند. گزینه دیگر آزمایش مدل­های ایجاد شده است داده­ هایی از مجموعه داده­ هایی که در اختیار داریم به عنوان داده­ ی تست انتخاب کرده و انها را به مدل می­دهیم و مدل را تست کرده تا ببینیم تا چه حدی مدل کارش را درست انجام می­دهد. در نتایج حاصل علاوه بر مواردی که هدف کسب و کار مد و نظر است ممکن است اطلاعات اضافی و نتایجی حاصل شود که لزوما جزو اهداف اصلی نبوده ولی ممکن است این اطلاعات در آینده کاربرد فراوانی داشته باشد و کمک به کشف مسیرهای بعدی کند.

مرحله آزمایش و ارزیابی یک کار حیاتی و چالشی بزرگ است. هدف اصلی از طراحی مدل­ها کشف و شناسایی الگوهای ناشناخته درون داده ­ها است که این ارزشی بزرگ برای کسب و کار محسوب می­شود.

6- توسعه (Deployment)

تست و ارزیابی مدل­ها پایان کار یک پروژه تحلیل کسب و کار نیست. حتی اگر هدف از این مدل داشتن یک اکتشاف ساده  دانش از داده ­ها باشد دانش به دست آمده از چنین اکتشافی نیاز به سازماندهی و ارائه به روش­های قابل درک به کاربر نهایی دارد تا بتواند از آن بهره مند شود. یک فرآیند تحلیل کسب و کار در یک سازمان بسته به نیاز کسب و کار، مرحله توسعه می­تواند به سادگی یک تهیه گزارش باشد یا می­تواند بسیار پیچیده باشد. در هر صورت گزارش و یا پکیج­های خروجی به منظور مشاوره و یا رفع مشکلات موجود یا مسائل پیش رو  به کاربران آنها تحویل داده می­شود.

بسیار مهم است که کاربر که می­تواند از مدیران سطح بالا یا هر یک از کارمندان سازمان باشد به راحتی بتواند از پکیج­های ارائه شده استفاده کند و کاملا قابل درک باشد. بنابراین اگر از تحلیل های داده کاوی استفاده شود، نظارت و نگهداری از مدل­ها بسیار مهم است نتایج حاصل از مدل باید بخشی از تجارت روزمره باشد.

جمع­ بندی فرآیند هوش تجاری

تعیین مسیر آینده یک کسب و کار از طریق کشف الگوهای نهفته در داده تا حدودی شبیه بازی با پازل است؛ دانش استخراج شده از الگوها قطعاتی از معما هستند که باید در مسیر رسیدن به هدف کسب و کار هر کدام در جای خود به درستی قرار بگیرند؛ بدون وجود افرادي که بتوانند اطلاعات را تفسير کنند و به کار گيرند، هوش تجاري مفيد نخواهد بود. به همين علت، هوش تجاري همان قدر که وابسته به فناوري است وابسته به تحلیل گران ماهر نیز هست.

هدف هوش تجاري تسهيل تصميم گيري و تصميم سازي بر اساس حقايق سازماني مي باشد و یکی از عوامل مهم در تکمیل این پازل که به نحوی موفقیت در تحلیل درست شرایط یک کسب و کار است به تعامل بین صاحبان کسب و کار و تحلیل گران بستگی دارد؛ این تعامل باعث ایجاد درک درستی از شرایط کسب و کار، داده­ها و اطلاعات موجود برای  تحلیل گران خواهد شد و نتیجه این تعامل باعث ایجاد نتایج عالی توسط تحلیل گران خواهد.

هنگامي که سيستم هاي هوش تجاري به درستي و صحيح طراحي شوند و از سوي ديگر اطلاعات استخراجی که توانايي تصميم سازي دارند، منجر به این می­شود که سازمان مي تواند عملکرد خود را بهبود دهد و با ايجاد تصميمات صحيح رضايت خاطر را به دنبال خواهد داشت و پيش از آنکه فرصت­ها توسط چشمان ريزبين و دقيق رقبا شناسايي شوند و فرصت رشد و ترقي از سازمان گرفته شود، آنها را به دست آوريم که البته اين اهداف صرفا با اتخاذ تصميمات دقيق و هوشمند و استفاده از تکنیک­های بروز تحلیل کسب و کار، تداوم شيوه کسب و کار را تحقق خواهد بخشید.

نویسنده: تیم پژوهش راهبرد 

منابع

https://www.datapine.com/

آرزو تاج احمدی، آیدا روحانی،”بررسی نقش هوش تجاری به عنوان ابزار مدیریت دانش در تصمیم گیری های کلان سازمان ها”