برای مشاهده یافته ها از کلید Enter و برای خروج از کلید Esc استفاده کنید.

هوش تجاری چیست؟

عوامل و تغییرات سریع در محیط عملیات شرکت ها و سازمان ها، آنها را به سوی پشتیبانی رایانه ای از عملیاتشان سوق می دهد. بدین معنی که فشارهای خارج از شرکت ها منجر به ایجاد رویکرد پاسخ در سازمان ها می شود که با توجه به سرعت محیط، این پاسخ ها باید با سرعت همراه باشد؛ چرا که محیط بسیار رقابتی است و لذا برای دستیابی به پاسخ های سریع، لازم است سامانه های رایانه ای به کمک شرکت ها بیایند. سامانه های رایانه ای می توانند فرآیند پاسخ را تسهیل و تسریع نمایند.
در ذیل مدلی از فضا و فشارهای خارجی کسب و کار ها و نیز پاسخ ها و چگونگی حضور سامانه های رایانه ای ارایه شده است.

سامانه های رایانه ای به مدیران و کسب و کارها به روش های مختلفی کمک می کنند:

  • محاسبات را تسهیل می کنند و سرعت انجام آنها را افزایش می دهد.
  • ارتباطات و همکاری ها را بهبود می دهند.
  • بهره وری افراد را افزایش می دهند.
  • مدیریت داده ها را ممکن می کند و  آن را بهبود می دهد.
  • قابلیت دسترسی ها را افزایش می دهد.

این روش ها منجر به ساخت تصمیم های اساسی برای کسب و کارها می شود که در مجموع سازنده سیستم های تصمیم یار برای سازمان ها، شرکت ها و در مجموع کسب و کار می شود. استفاده از سیستم های تصمیم یار سابقه دیرینه ای دارد که به طور خلاصه می توان به روند ذیل اشاره کرد:

اولین بار در سال ۱۹۷۱ واژه «سامانه های تصمیم یار» (Decision Support System) در دانشگاه MIT به کار برده شد که مرکز اصلی آن بر اتخاذ تصمیمات نیمه ساخت یافته و ناساخت یافته عنوان گردید.
در سال ۱۹۸۹، گروه گارتنر هوش تجاری را به عنوان یک واژه چترگونه (Umbrella Term) معرفی نمود که شامل مفاهیم و روش هایی می شد که به بهبود تصمیم گیری در کسب و کار مبتنی بر واقعیت ها تاکید داشت.
در سال ۲۰۰۸ موسسه فارستر (Forrester) هوش تجاری را مجومعه از متدلوژی ها، فرآیندها، معماری ها و تکنولوژی هایی تعریف کرد که داده های خام را به اطلاعات مفید و معنادار تبدیل می کند.
توماس داونپورت (Thomas Davenport) در سال ۲۰۱۰ هوش تجاری را شامل تحلیل های کسب و کار (Business Analytics)، پردازشتحلیلی بر خط (OLAP)، پرس و جوها (Queries)، گزارش ها (Reports) و ابزارهای هشدار (Alert Tools) تعریف کرد.
رویکردهایی که در اکثر تعاریف از هوش کسب و کار به آنها اشاره شده است، ناظر بر سه حوزه در این مفهوم می باشد که شامل رویکردهای مدیریتی- فرآیندی، رویکردهای تکنولوژیکی و رویکرد محصول که در جدول ذیل به آنها اشاره شده است.

محصول

تکنولوژیکی

مدیریتی / فرآیند

رویکرد

توصیف هوش تجاری به عنوان یک محصول نوظهور که نتیجه تحلیل عمیق داده‏های دقیق کسب و کار، و همچنین شیوه‏های تحلیل با استفاده از ابزار هوش تجاری.

تمرکز بر روی ابزار‏ها و تکنولوژی‏هایی که ثبت، ترمیم، دستکاری و تحلیل اطلاعات را ممکن می‏سازند.

تمرکز بر روی فرآیند جمع آوری داده از منابع داخلی و خارجی، و تحلیل آنها به منظور تولید اطلاعات مرتبط برای بهبود در تصمیم گیری.

تعریف

Chang (2006); Gangadharan& Swami (2004); Kulkarni & King (1997); Turban et al. (۲۰۰۷).

Moss &Atre (2003); Moss &Hoberman (2004); Adelman & Moss (2000); Turban et al. (۲۰۰۷); Oracle (2007); Hostmann (2007).

Whitehorn&Whitehorn (1999); Business Objects (2007); Cognos (2004); SAS Institute (2007); Moss &Hoberman (2005); Hostmann (2007); Oracle (2007); Turban et al. (۲۰۰۷); Markarian, Brobst&Bedell (2007).

نویسندگان

 

چشم انداز هوش تجاری

شاید بتوان به طور خلاصه چشم انداز هوش تجاری را اینگونه مطرح کرد:
«ارتقاء عملیات و فرایندهای کلیدی کسب و کار از طریق تامین اطلاعات و دانش حیاتی کسب و کار در زمان درست، قالب درست و برای همه سطوح سازمانی ».

اهداف هوش تجاری

لذا اهدافی را که هوش تجاری به دنبال آن است را می توان به صورت ذیل خلاصه کرد:
«بهینه سازی، تحلیل،کنترل و دیده بانی عملیات و فرایندهای کسب و کار».

کارکردهای هوش تجاری

به دنبال اهداف هوش تجاری، سه کارکرد اصلی در کسب و کارهای مختلف ایجاد می شود که عبارتند از:

  • ایجاد دید: گذشته و حال کسب و کار ها را برای پیش بینی آینده به کار می گیرد.
  • مدیریت و تحلیل عملکرد کسب و کار: شاخص هایعملکردی کلیدی (Key Performance Indicators, KPI) را تعریف می کند.
  • گزارش دهی: گزارش های لحظه ای و دست ای ایجاد می کند.

رویکردهای تکنیکی

از سوی دیگر لازم است تکنیک های لازم برای تحلیل داده های مختلف به کار رود. در شکل زیر رویکردهای مختلف تکنیکی برای استفاده از انواع داده ها نشان داده شده است.

 

برای رسیدن به این اهداف لازم است کسب و کار از دیدگاه عملیات و فرایندهای بنگاه به درستی تحلیل گردد که در شکل زیر به آن اشاره شده است.

تحلیل داده ها

امروزه تحلیل داده ها با استفاده از ابزارها و تکنیک هایی که در این زینه وجود دارند، بسیار ساده شده است. تحلیل داده ها انواع مختلفی دارد که در ذیل به آنها اشاره می شود:
تحلیل آماری (Statistical Analytics): بسته‎های تحلیل آماری مانند (S++)که می‎توانند با پایگاه داده‎ها در ارتباط باشند.
داده کاوی (Data Mining): داده کاوی جستجو می‎کند تا دانش را به شکل الگو‏ها و قواعد آماری از پایگاه داده‎های بزرگ به طور خودکار کشف نماید.
پایگاه داده تحلیلی (Analytical DB): یک پایگاه داده تحلیلی، اطلاعات جمع آوری شده از منابع متعدد را بایگانی نموده و آن‎ها را بر اساس یک طرح یکپارچه در یک سایت ذخیره می‎کند. برای کسب و کار‏های بزرگ مهم است که از بخش‎های متعدد و در صورت امکان در سایت‎های متعدد، داده تولید نمایند.

پایگاه داده تحلیلی

«منبع داده جمع آوری شده از داده‏های منابع اطلاعاتی مختلف و حتی ناهمگن، تحت یک ساختار و در یک محدوده وسیع زمانی با هدف پاسخ‏گویی به پرسش‏های تحلیلی کاربران است.»
پایگاه داده تحلیلی تفاوت هایی را با پایگاه های عملیاتی دارند، از جمله می توان به مشخصات ذیل در پایگاه داده تحلیلی اشاره نمود:

  • پوشش دامنه زمانی وسیع‏تر
  • یک پایگاه داده یکپارچه حاصل از پردازش چندین پایگاه داده عملیاتی
  • قابلیت پاسخ‏گویی به پرسش‏های پیچیده کاربران و برنامه‏های کاربردی

انواع داده ها در پایگاه داده تحلیلی

داده های متنوعی در پایگاه داده تحلیلی ذخیره می شوند که عبارتند از:
داده جاری: داده‏های فعلی منابع عملیاتی
داده قدیمی: داده‏های قدیمی منابع اطلاعاتی
داده خلاصه شده: داده‏های نتیجه شده از داده‏های موجود و پردازش‏های مرتبط
فراداده: شامل اطلاعات مربوط به داده‏ها، دیکشنری از اطلاعات پایگاه، راهنمایی جهت نگاشت داده از محیط عملیاتی به محیط پایگاه داده تحلیلی و قواعد استفاده شده برای خلاصه سازی است.

معماری یک پایگاه داده تحلیلی

معماری یک پایگاه داده تحلیلی شامل سه لایه می باشد:
لایه زیرین: منابع اولیه داده را تشکیل می‏دهد. این لایه شامل پایگاه‏های داده رابطه‏ای، فایل‏های مسطح و منابع دیگر است.
لایه میانی: خود پایگاه داده تحلیلی و سرویس دهنده‏های پردازش تحلیلی برخط تشکیل می‏دهند. سرویس دهنده‏های پردازش تحلیلی برخط، داده چند بعدی را برای ارائه به کاربران نهایی در اختیار قرار می‏دهند.
لایه انتهایی: سرویس گیرنده‏ها هستند که با عملیات داده کاوی، پرس‏و‏جو و تحلیل، داده را از سرویس دهنده‏های پردازش تحلیلی بر خط می‏گیرند.
دو نوع مشهور از معماری پایگاه داده بیشتر مورد توجه قرار گرفته است که شامل معماری Inmon و معماری Kimball است.  در شکل ذیل دو معماری فوق نشان داده شده است.

 

برای ایجاد یک پایگاه داده تحلیلی فرآیند ذیل باید انجام شود:

چهارچوب هوش تجاری مایکروسافت

در شکل زیر به طور شماتیک به چهارچوب هوش تجاری شرکت مایکروسافت اشاره شده است.

اصطلاحات مهم در هوش کسب و کار

پردازش تحلیلی برخط (Online Analytical Processing)

سرویس‏هایی که از پایگاه داده تحلیلی به منظور پاسخ‏گویی سریع به پرسش‏های تحلیلی کاربران استفاده می‏کنند، پردازش تحلیلی برخط (OLAP) نامیده می‏شوند.OLAP عبارت است از مجموعه‏ای از نرم‏افزارها که برای اکتشاف و تحلیل سریع داده‏های مبتنی بر یک شیوه چند بُعدی با چندین سطح از مجموع سازی (Aggregation) استفاده می‏شود، و تصمیم گیری را تسریع و تسهیل می‏کند.
آسان شدن تصمیم گیری به دلیل قابلیت هدایت تحلیل‏ها بدون نیاز به یک زبان پرس‏و‏جوی اصلی یا فهم ساختار زیرین بانک اطلاعاتی حاصل می‏شود.
سریع‏تر شدن تصمیم گیری نیز از این جهت است که مجموع داده‏ها برای درخواست‏های متداول از پیش محاسبه شده است و به اصطلاح داده‏ها، Pre-Aggregate شده اند، بنابراین زمان محاسبه کاهش یافته و پاسخ‏گویی به پرس‏وجوهای پیچیده تحلیلی به سرعت امکان پذیر خواهد بود.پایگاه داده تحلیلی (DW) و پردازش تحلیلی بر خط (OLAP) از جمله عناصر ضروری در سیستم‏های تصمیم‏یار به شمار می‏آیند. در سوی دیگر پردازش هایی از نوع پردازش تراکنشی برخط (OnLine Transactional Processing) قرار دارند که همان طور که از نامشان پیداست به داده هایی که از تراکنش های روزانه حاصل از عملیات مختلف در فرایندهای سازمان، حاصل می شود، اطلاق می گردد. جدول ذیل نشان دهنده تفاوت های OLAP و OLTP است.

پردازش ها

پارامترها

پردازش تراکنش برخط (OLTP) پردازش تحلیلی برخط (OLAP)
کاربران کاربران فناوری اطلاعات کارکنان دانش
کارکرد عملیات روزانه پشتیبانی تصمیم
طراحی پایگاه داده کاربرد-گرا موضوع-گرا
داده جاری، به روز، با جزئیات، رابطه‌ای، منفرد سابقه، خلاصه شده، چند بعدی، سرجمع، یکپارچه
کاربرد عملیات تکرار شونده خاص منظوره
دسترسی خواندن/نوشتن، اندیس گذاری/درهم سازی بر روی کلید اصلی پویش سراسری وگسترده
واحد کاری تراکنش‌های ساده و کوتاه پرس‌وجوهای پیچیده
تعداد رکوردهای مورد دسترسی ده‏ها رکورد میلیون‌ها رکورد
تعداد کاربران هزاران کاربر صدها کاربر
اندازه پایگاه داده مگابایت – گیگابایت گیگابایت – ترابایت
معیار سنجش بازده تراکنش

(Throughput , Speed)

بازده پرس‌وجو، پاسخ (Throughput,Speed)

جامعیت و همبستگی

هدف انجام کار‏های کسب و کار روزانه پشتیبانی از تصمیم گیری و پاسخگویی به پرس‏و‏جو‏های کسب و کار و مدیریتی
منبع داده پایگاه داده تراکنشی پایگاه داده تحلیلی و data mart
گزارش گیری روزمره، به صورت دوره‏ای، گزارش‏ها با تمرکز دقیق. Ad hoc، چند بعدی، پرس‏و‏جو‏ها و گزارش‏ها با تمرکز گسترده
نیازمندی‏های منبع پایگاه داده‏های رابطه‏ای معمولی چند پردازنده، ظرفیت بزرگ، پایگاه داده‏های تخصصی
سرعت اجرا سریع (ثبت تراکنش‏های کسب و کار و گزارش‏های روزمره) کند (پرس‏و‏جو‏های پیچیده، با مقیاس بزرگ و نیازمند منابع زیاد)

مأموریت OLAP

فرض کنید کارخانه ایران خودرو محصولات مختلفی از قبیل پژو، سمند، وانت و غیره را تولید می‎کند. همچنین، این کارخانه در شهر‎های مختلف دارای نمایندگی است و مدیران کارخانه می‎خواهند عملکرد فروش محصولات خود در شهر‏های مختلف را تحلیل کنند.OLAP سرویسی است که وظیفه آن پاسخ سریع به سوالات مربوط به کسب و کار است. سوالاتی از قبیل:

 

  • در مهرماه سال ۹۰ میزان فروش پژو در تهران به چه میزان بوده است؟
  • در شهر اصفهان کدام نوع خودرو بیش‎ترین فروش را داشته است؟
  • میزان فروش سال ۹۰ نسبت به سال ۸۹ چقدر تفاوت دارد؟
  • کدام رنگ سمند بیش‏تر به فروش می‏رود؟
  • با توجه به هزینه‏های تولید و میزان فروش، سود حاصل از کدام محصول بیش‏تر است؟

زیرساخت داده ها در OLAP با زیرساخت داده ای در OLTP نیز با هم تفاوتند. در شکل زیر ساخت مربوط به هر یک نشان داده شده است.

چهار روش برای ذخیره سازی در OLAP وجود دارد:

ROLAP (Relational OLAP): اگر هم داده‏های مجتمع و هم غیرمجتمع در پایگاه داده رابطه‎ای ذخیره شوند.
MOLAP (Multi-dimensional OLAP): اگر هم داده‏های مجتمع و هم غیرمجتمع در پایگاه داده ابعادی ذخیره شوند.
HOLAP (Hybrid OLAP): اگر داده‏های غیر مجتمع در پایگاه داده رابطه‏ای و داده‏های مجتمع در پایگاه داده ابعادی ذخیره شوند.
DOLAP (Desktop OLAP).

 

 رحیم خانی زاد، دکتری فناوری اطلاعات r.khanizad@dadekavan.ir