به طراحی داشبوردهای مدیریتی علاقه دارید؟ و یا شاید از مشاهده نمودارها و داشبوردهای قدیمی، شلوغ، درهم و رنگ‌پریده خسته شده‌اید؟

در طراحی داشبورد مسائل زیادی را باید در نظر گرفت؛ از انتخاب نوع نمودار و مصورسازی داده (data visualizations) تا انتخاب دقیق شاخص‌های عملکردی و معیارها (metrics) و حتی نوع رنگ و فونتی که استفاده می‌کنید.

جزئیات بسیاری وجود دارند که یک داشبورد مدیریتی زیبا و مؤثر را از یک داشبورد معمولی و بد متمایز می‌کنند، این مقاله راهنمای شما در مسیر طراحی بهترین داشبورد مدیریتی است.

سعی کرده‌ایم تا اصول طراحی داشبورد را به‌صورت کامل و در یک جا گردآوری کنیم. با هوش تجاری دیکام همراه باشید

.

چرا طراحی داشبورد مدیریتی اهمیت دارد؟

داشبورد یک ابزار مهم است که از مصورسازی داده (نمودار، گراف و…) برای نظارت بر KPIها و شاخص‌های عملکردی یک کسب‌وکار استفاده می‌کند. کار اصلی داشبورد، انتقال حجم زیادی از داده و اطلاعات (data, information) به کاربر، در کوتاه‌ترین زمان و به ساده‌ترین حالت ممکن است.

• داشبورد منبع مهم و در دسترس اطلاعات برای مدیران کسب‌وکار است

• یک روش خوب برای پایش نقاط مهم و گلوگاهی در سازمان است. (مثلاً فروش و یا تولید)

• می‌تواند چندین kpi را به‌صورت هم‌زمان نمایش دهد.

ازآنجایی‌که داشبورد مدیریتی مهم‌ترین اطلاعات سازمان را ارائه می‌کند؛ طراحی آن باید به شکلی انجام شود که کاربر تنها با یک نگاه و به‌سرعت، به درکی مناسبی از عملکرد فعلی شرکت برسد. طراحی اشتباه باعث سردرگمی کاربر شده و در نتیجه کارایی این ابزار ارزشمند را کاهش می‌دهد.

مطالعه مقاله داشبورد مدیریتی به زبان ساده را به شما توصیه می‌کنیم

اصول طراحی داشبورد مدیریتی:

قبل از اینکه ساخت داشبورد را شروع کنیم؛ چند سؤال وجود دارد که بهتر است به آن‌ها پاسخ بدهیم:

• مخاطب داشبورد مدیریتی چه کسانی هستند؟

• به چه اطلاعاتی نیاز دارند؟

• درباره شاخص‌ها و kpiها چه چیزی می‌دانند؟

• از نظر کار با داده در چه سطحی قرار دارند؟

• چه نمودارها و چه رنگ‌هایی را در داشبورد ترجیح می‌دهند؟

پاسخ به سؤالات بالا به شما کمک می‌کند داشبوردی کارآمد و مؤثر را طراحی کنید که نه‌تنها نیاز کاربر را برآورده می‌کند؛ بلکه استفاده از آن آسان و لذت‌بخش نیز خواهد بود.

در ادامه یازده اصل برای طراحی داشبوردهای مدیریتی را ذکر کرده‌ایم:

• مخاطب خودتان را بشناسید

• در انتخاب نوع مصورسازی داده (نمودار، گراف، جدول، نقشه و…) دقت کنید

• از داستان‌سرایی داده‌ها (data storytelling) استفاده کنید

• دسترسی سریع به اطلاعات را فراهم کنید

• از اندازه (size) و سلسه‌مراتب (hierarchy) برای نشان‌دادن اهمیت یک معیار استفاده کنید

• از طراحی مینیمال (minimalism) استفاده کنید؛ “هر چه کمتر بهتر”

• از رنگ‌های مناسب استفاده کنید

• اعداد را گرد کنید

• به اعداد یک زمینه (context) برای مقایسه بدهید.

• از برچسب‌های (label) واضح و معنی‌دار برای عناوین استفاده کند

• طراحی داشبوردها را به‌صورت دوره‌ای به‌روزرسانی کنید

اصل اول طراحی داشبورد مدیریتی، مخاطب خودت را بشناس

در بخش قبل اشاره کردیم که داشبورد یک ابزار ارتباطی برای انتقال اطلاعات است. مثل هر ابزار ارتباطی دیگری (مقاله، کتاب، سایت…) طراحی داشبورد هم یک قانون طلایی دارد: “مخاطب خودت را بشناس و هدف اصلی از ساخت داشبورد را درک کن”

یک داشبورد خوب باید پیام را به‌صورت شفاف منتقل ‌کند. برای این کار اول باید تعیین کنید مخاطب شما کیست، تا ابتدا نوع پیام (داده و اطلاعات) مشخص شود و در گام بعد بتوانید بهترین روش برای انتقال اطلاعات را انتخاب کنید.

خودتان را مخاطب داشبورد فرض نکند. همیشه به‌خاطر داشته باشید که مخاطب داشبوردهای مدیریتی افراد دیگری هستند که دیدگاه‌های متفاوتی نسبت به داده و اطلاعات دارند.

درک مخاطب به شناخت نیازهای او کمک می‌کند. مثلاً نیازهای یک مدیرعامل با نیاز مدیر فروش متفاوت است. مدیرعامل به یک داشبورد KPI با شاخص‌های اصلی کسب‌وکار نیاز دارد تا از وضعیت عملکرد در کل شرکت مطلع شود.

درحالی‌که مدیر فروش به داشبوردی برای بررسی متریک‌های کانال‌های فروش مثل، تعداد سر نخ (lead) یا نرخ تبدیل (conversion rate) نیاز دارد تا عملکرد تیم خود را بررسی کند و بهبود ببخشد.

اول مخاطب، بعد داده: با درنظرگرفتن توضیحات بالا اولویت اول با مخاطب داشبورد است و نه با داده‌ای که در اختیار داریم. قبل از اینکه به سراغ داده بروید با کاربران نهایی صحبت کنید:

• چه سؤالاتی دارند؟

• به چه اطلاعاتی نیاز دارند؟

• هدف آنها در استفاده از داشبورد چیست؟ و داشبورد هوش تجاری کجای کار آنها قرار می‌گیرد؟

در انتخاب نوع مصورسازی داده (data visualization) دقت کنید

در انتخاب نوع مصورسازی دقت کنید. نمودار یا گرافی را انتخاب کنید که داده را بهتر و واضح‌تر منتقل می‌کند. هر چه مدت‌زمان انتقال داده به کاربر کمتر باشد و انتقال داده را بهتر انجام بهتر است. لازم نیست حتماً از نمودارهای پیچیده استفاده کنیم گاهی استفاده از یک جدول ساده نتیجه خیلی بهتری به همراه دارد.

برای مثال نمودار دایره‌ای یکی از محبوب‌ترین و پراستفاده‌ترین اشکال مصورسازی داده است. اما برای مقایسه تعداد زیادی متغیر با هم اصلاً مناسب نیست و ممکن است به‌راحتی کاربر را به‌اشتباه بیندازد.

بنابراین، قبل از انتخاب نمودار، ببینید چه نوع اطلاعاتی را قرار است به کاربر منتقل کنید. در واقع چه چیزی را می‌خواهید نمایش دهید؟

چهار حالت نمایش اطلاعات عبارت‌اند از:

• رابطه (Relationship): وقتی می‌خواهیم ارتباط بین دو یا چند متغیر را نشان بدهیم

• مقایسه (Comparison): زمانی که دو یا چند متغیر را در کنار هم مقایسه می‌کنیم

• ترکیب (Composition): اگر بخواهیم داده را به بخش‌های مجزا بشکنیم

• توزیع: (Distribution) وقتی می‌خواهیم مقادیر داخل یک داده را گروه‌بندی کنیم

اینفوگرافیک زیر اطلاعات بیشتری را درباره انتخاب درست نمودار بر اساس چهار حالت بالا نشان می‌دهد.

اینفوگرافیک: راهنمای انتخاب انواع نمودارها برای مصورسازی داده در داشبورد مدیریتی

یک توصیه مهم: بهتر است برای KPI ‌های اصلی از مصور‌سازی استفاده نکنید. شاخص‌های اصلی را با عدد و حروف نشان دهید (از کارت‌های KPI استفاده کنید) تا در مقایسه با بقیه اطلاعات بیشتر به چشم بیایند.

با داده داستان‌سرایی کنید (data storytelling):

اعدا و ارقام اهمیت فوق‌العاده‌ای در دنیای کسب‌وکار دارند؛ اما به‌تنهایی نمی‌توانند اتفاقات را آن طور که باید بازگو کنند. برای ایجاد یک رابطه قوی با داده که آدم‌ها را به فکر فروببرد و آنها را به اقدام و عمل وادارد باید از داستان‌سرایی استفاده کنید.

داستان‌سرایی با داده یعنی: انتقال معنا و مفهوم داده به کمک مصور‌سازی و روایتگری، به شکلی که برای هر مخاطب شخصی‌سازی شده باشد.

داستان‌سرایی داده سه‌گام اصلی دارد:

• جلب‌توجه و درگیرکردن مخاطب

• ارائه تصاویر و مصورسازی‌های اقناع‌کننده

• بیان اتفاقات به‌صورت یک داستان جذاب

هر داستانی یک موضوع یا تم اصلی دارد. یک داشبورد مدیریتی هم باید یک تم و درون‌مایه شفاف در مورد موضوعات اصلی داشته باشد، ضمن اینکه مشکلات را برجسته کرده و آنها را بیان کند.

هر داستان یک آغاز، میانه (اتفاقات اصلی) و یک پایان (نتیجه‌گیری) دارد. داشبورد شما هم باید به همین صورت چیده شود.

داشبورد باید یک داستان کلی را برای کاربر تعریف کند، معیارها (متریک‌ها) را به شکلی استفاده کنید که یک داستان و یک تصویر از اتفاقات رخ‌داده و در حال رخ‌دادن را نشان بدهد. به‌خاطر داشته باشید که اطلاعات را به صورتی که کاربر نیاز دارد اولویت‌بندی کنید.

از اصطلاحات آشنا استفاده کنید، سعی کنید از معیارها و جملاتی که در یک سازمان استفاده می‌شود استفاده کنید. این کار کمک می‌کند تا کاربر بدون هدردادن زمان زیاد داده را درک کند.

دسترسی سریع به اطلاعات را فراهم کنید

داشبوردی که طراحی می‌کنید باید اطلاعات را حداکثر در 5 ثانیه به مخاطب منتقل بکند. 5 ثانیه زمانی است که کاربر باید برای اسکن‌کردن صفحه داشبورد و پیدا کردن اطلاعات مورد نظرش صرف کند.

چطور می‌توانیم این کار را انجام بدهیم؟

طراحان از چیدمان هرم معکوس (Inverted Pyramid) استفاده می‌کنند تا جای هر بخش از اطلاعات را روی داشبورد مشخص کنند. بر اساس این نوع چیدمان:

• مهم‌ترین اطلاعات باید در برجسته‌ترین و بالاترین بخش داشبورد قرار بگیرد

• بخش میانی داشبورد برای اطلاعات مربوط به الگوها و روندها استفاده می‌شود.

• پخش پایینی داشبورد برای قرارگرفتن داده‌های با جزئیات زیاد (granular data) استفاده می‌شود

در این چیدمان کاربر به‌سرعت می‌تواند اطلاعات مهم را در بالای داشبورد پیدا کرده و آنها را ببیند. سپس برای درک بهتر آن اطلاعات تحلیل الگوها و روندها را در قسمت میانی داشبورد مشاهده کند.

کاربرانی که می‌خواهند در جزئیات بیشتری پیمایش کنند (drill down) می‌توانند به پایین صفحه بروند.

داشبورد باید به نحوی طراحی شود که مهم‌ترین اطلاعات در ربع بالای سمت چپ قرار بگیرند تا با روند طبیعی مشاهده تصویر مطابقت داشته باشد.

به این زیر دقت کنید؛ خط چین‌ها مسیر حرکت طبیعی چشم روی داشبورد را نشان می‌دهند سعی کنید اجزا داشبورد را در امتداد آن بچینید.

نکته مهم: برای کاربران فارسی‌زبان و داشبوردهایی که اعداد و نوشتار فارسی دارند چینش داشبورد می‌تواند در سمت راست قرار گیرد. یعنی مسیر بالا به صورت معکوس طی می‌شود؛ ولی بهتر است ابتدا نظر و ترجیح کاربر نهایی را در این مورد بپرسید

.

از اندازه (size) و سلسه‌مراتب (hierarchy) استفاده کنید

همان‌طور که در پاراگراف بالا گفتیم چیدمان صفحه بر اساس سلسه‌مراتب، مشاهده و بررسی اطلاعات داشبورد را راحت‌تر می‌کند. برای تقویت این چیدمان، از دو خصیصه “اندازه” و ” محل قرارگیری” برای القای مهم بودن یا نبودن یک جزء از داشبورد استفاده کنید.

اگر به‌صورت ساده بخواهیم بگوییم مهم‌ترین جزء داشبورد را بزرگ‌تر از بقیه اجزا طراحی کنید و آن را در جایی قرار دهید که بهتر دیده شود.

سمت چپ و بالای صفحه (در حالت راست‌چین برعکس است) بهترین محل برای قرارگیری شاخص‌های مهم است؛ چون چشم ما در ابتدا به‌صورت طبیعی به آن نقطه کشیده می‌شود.

از طراحی مینیمال در داشبورد استفاده کنید

یک داشبورد مدیریتی نباید بیش از 5 تا 9 جزء مصورسازی ( نمودار و … ) در داخل خودش داشته باشد.

روان‌شناسی شناختی به ما می‌گوید که مغز انسان می‌تواند 7 تصویر (+/- 2 عدد) را به صورت همزمان درک کند. بنابراین تعداد نمودارها را به این مقدار محدود کنید.

برای اینکه به‌هم‌ریختگی بصری را به حداقل برسانید می‌توانید از فیلتر‌های داده استفاده کنید و یا خیلی ساده به‌جای یک داشبورد دو یا چند عدد بسازید.

سعی کنید داشبورد شما مرتب و خلوت باشد.

ساخت یک رابط کاربری ساده یکی از مهم‌ترین اصول طراحی داشبورد است. شما باید تحلیل اطلاعات را تا جایی که ممکن است برای کاربر ساده کنید. یک داشبورد خوب باید مرتب، خلوت و به‌دور از درهم‌ریختگی باشد.

علاوه بر طراحی مینیمال برای داشتن یک داشبورد تمیز و مرتب این موارد زیر را رعایت کنید:

تنها اطلاعات مهم را در داشبورد قرار دهید

هر سانتیمتر صفحه‌نمایش برای طراح مهم است؛ بنابراین داشبورد را بی‌دلیل شلوغ نکنید. اضافه‌کردن بیش از اندازه اطلاعات، موارد مهم را از دید پنهان و پیداکردن آنها را سخت می‌کند.

وقتی شاخص و متریک به داشبورد اضافه می‌کنید دقت کنید که شاخص‌ها:

• با خواسته کاربر مطابقت داشته باشند

• تصمیمات کاربر روی مقدار آنها تأثیر بگذارد

• به‌راحتی درک بشوند

• در طول زمان تغییرات قابل‌مشاهده در آنها اتفاق بیفتد (تبدیل به اعداد ثابت نشوند)

• تغییرات آن‌ها آن‌قدر شدید نباشد که نتوانیم روند تغییرات را بررسی کنیم.

از فضای سفید استفاده کنید:

فضای سفید که به فضای منفی هم مشهور است به فاصله بین اجزا صفحه در طراحی گفته می‌شود.

اگر مقدار فضای سفید متناسب نباشد خواندن متن‌ها سخت می‌شود. به همین دلیل فضای منفی به‌اندازه سایر عناصر تایپوگرافی اهمیت دارد. سعی کنید از فضای سفید بیشتری در بین اجزاء داشبورد استفاده کنید.

نرخ داده به جوهر را در نظر بگیرید:

یک راه برای بهبود طراحی داشبورد، کاهش‌دادن اجزای اضافه‌ای است که داده را منتقل نمی‌کنند (نویز تصویر). این موضوع برای اولین‌بار توسط یک آمارشناس امریکایی Edward Tufte مطرح شد. او شاخصی به نام نرخ جوهر داده (data ink ratio) را معرفی کرد.

ادوارد تافتی اجزای داخل نمودارها را به دو قسمت تقسیم کرد. بخش‌هایی که داده را به مخاطب منتقل می‌کنند (data ink) و بخش‌هایی که داده را منتقل نمی‌کنند (non-data ink) در این تعریف خطوط گرید لاین، آیکون‌ها، برچسب‌ها و رنگ‌های غیرضروری که داده‌ای را منتقل نمی‌کنند باید تا حد ممکن حذف شوند.

کارکردن با داشبوردهایی که نرخ data ink پائینی دارند برای کاربر سخت است؛ چون اجزای اضافه حواس شخص را پرت می‌کند.

چند نکته دیگر برای طراحی یک داشبورد مدیریتی مرتب:

• طراحی ساده شامل استفاده حداقلی از رنگ و فونت نیز می‌شود. از یک طراحی مینیمال با دو یا چند رنگ برای نمودارهای مختلف و یک فونت برای هر مجموعه از متن استفاده کنید. مثلاً تمام عناوین باید از یک فونت استفاده کنند.

• از شیوه‌های مناسب برای طراحی استفاده کنید مثل تراز بودن اجزاء با هم و دسته‌بندی نمودارهای مرتبط با که باعث مرتب‌شدن صفحه می‌شود.

• داده‌ها را در دسته‌بندی‌های مجزا قرار بدهید و هر دسته را با یک کادر یا خط از هم جدا کنید تا داده‌های مهم از غیرمهم جدا شود. هر بخش به یک برچسب با فونت مناسب نیاز دارد.

از رنگ‌های مناسب در داشبورد استفاده کنید

به‌عنوان یک قاعده کلی سعی کنید تا از رنگ‌های غیراشباع برای مصورسازی استفاده کنید. رنگ‌های اشباع (خالص) را در جاهای خاصی مثلاً برای جلب‌توجه به تغییرات در داده استفاده کنید.

• در استفاده از رنگ‌ها ثبات داشته باشید. برای یک داده در نمودارهای مختلف از یک‌ رنگ مشابه استفاده کنید.

• مثلاً بهتر است تا دسته‌بندی‌هایی که داری یک توالی یا رابطه طبیعی هستند را با یک رنگ نشان دهیم. (مانند زمان، پیگیری سرنخ /لید، سطوح خطر، و غیره،) تغییرات در داده را با تغییر در شدت آن رنگ نشان می‌دهیم. این روش درک مطلب را برای کاربران راحت‌تر می‌کند.

• از رنگ‌های قرمز، سبز، زرد کمتر استفاده کنید. مشکلات اصلی را با قرمز و فرصت‌ها را به رنگ سبز نمایش دهید تا در داشبورد به چشم بیایند. زرد معمولاً نشان‌دهنده حد وسط است؛ بنابراین ممکن است تأثیر بصری مشابهی روی داشبورد نداشته باشد. بهتر است از رنگ زرد زیاد استفاده نکنید.

اعداد را گرد کنید

به غیر از زمان‌هایی که کاربر به‌صورت خاص به یک عدد دقیق نیاز داشته باشد؛ در بقیه موارد لازم نیست اعداد را تا آخرین رقم و به شکل کامل نمایش دهیم. مثلاً نمایش درآمد تا آخرین ریال، آن هم وقتی که عدد اصلی و مهم برای شما چند میلیون یا میلیارد است فقط موجب حواس‌پرتی و سردرگمی می‌شود.

کدام یک از اعداد زیر خوانایی بهتری دارد؟

نرخ تبدیل: 5.783% یا %5.7

$ درآمد: 111367.969$ یا 11367

نمایش‌دادن کامل عددها وسوسه‌کننده است؛ اما اصولاً اعداد گرد شده بهتر دیده و خوانده می‌شوند. نشان‌دادن اعداد تا آخرین رقم صرفاً باعث اغراق در تغییرات کوچک و پرت‌شدن حواس کاربر می‌شود.

اعداد را همراه با اطلاعات زمینه‌ای(context) نمایش دهید

برای اینکه بدانیم عدد نمایش‌داده‌شده در داشبورد خوب است یا بد به یک زمینه (context) برای مقایسه نیاز داریم. برای مثال عدد 34 به عنوان سرنخ فروش برای امروز چه معنایی می تواند داشته باشد؟ این عدد خوب یا بد و یا غیر عادی است؟

بهترین راه برای حل این مشکل استفاده از داده‌های قبلی برای مقایسه است. می‌توانید مقدار شاخص در روز یا روزهای قبل را هم نمایش بدهید. یک روش دیگر استفاده از میانگین و مقایسه عدد با میانگین (هفتگی، ماهانه…) است.

اگر برای یک شاخص هدف (تارگت) تعیین کرده‌اید اعداد را با تارگت‌ها مقایسه کنید.

داشبوردها را برای نمایشگرهای متفاوت طراحی کنید.

داشبوردها هوش تجاری ممکن است روی وسائل متفاوتی نمایش داده شوند؛ از موبایل و تبلت گرفته تا مانیتورها و تلویزیون.

در طراحی داشبورد برای موبایل و تبلت ین موارد را به‌خاطر داشته باشید

:

• همیشه سادگی و مینیمالیست بودن را انتخاب کنید.

• از حداقل متن استفاده کنید تا روی صفحه‌نمایش کوچک تصویری واضح و مختصر داشته باشید

• معیارها و شاخص‌ها را به‌صورت مخفف در عنوان‌ها به کار ببرید

• از منو ها و فیلترها برای ساده‌کردن مجموعه‌داده‌های پیچیده استفاده کنید.

در طراحی داشبورد برای مرورگرهای وب (مانیتورها) این موارد را در نظر بگیرید:

• طراحی واکنش‌گرا (responsive) را در نظر داشته باشید. مطمئن شوید کارت‌های KPI اندازه مناسبی داشته باشند تا اگر صفحه مرورگر کوچک شد شاخص‌ها خوانا باقی بمانند.

• چون کاربر معمولاً به‌صورت نشسته و پشت میز اداری داشبورد را می‌بیند (زمان بیشتری برای تمرکز دارد) می‌توانید داشبوردهایی با امکان تحلیل و کاوش درداده طراحی کنید.

در طراحی داشبورد برای نمایش در تلویزیون این موارد را در نظر بگیرید:

• محتوا را به شکلی قرار دهید که از راه دور قابل‌مشاهده باشد

• در صورت امکان، برچسب‌های عمودی در کنار نمودارها را حذف کنید تا فضای بیشتری داشته باشید.

• طراحی واکنش‌گرا را در نظر بگیرید تا اگر صفحه مرورگر کوچک شد شاخص‌ها قابل خواندن باشد.

از برچسب‌های مناسب و قابل‌درک توسط کاربر استفاده کنید.

یک بخش مهم در داشبورد، برچسب‌هایی (label) هستند که هر معیار یا نمودار را توصیف می‌کنند.برچسب‌ باید قابل‌فهم، بدون ابهام و تا جای ممکن مختصر باشد تا کاربر را سردرگم نکرده و داشبورد را به هم نریزند.

استفاده از اختصارات و مخفف می‌تواند مفید باشد به شرطی که کاربر معنی آنها را متوجه شود. می‌توانید از نمادها (مثل %) به‌جای کلمات (“درصد”) استفاده کنید یا درصورتی‌که کاربر شما آشنایی کافی داشته باشد از یک تعریف مختصر برای متریک و شاخص‌ها استفاده کنید.

اصل آخر طراحی داشبورد، به صورت دوره‌ای به‌روزرسانی کنید

داشبوردی که را ساختید را به حال خودش رها نکنید، حتماً در طول زمان از کاربران استفاده‌کننده و اعضای تیمتان بازخورد بگیرید. از آنها بپرسید:

• بیشتر به چه چیزی در صفحه نگاه می‌کنند؟ چه چیزی به نظرشان مفیدتر است و چرا؟

• به چه چیزی در داشبورد نگاه نمی‌کنند یا به نظرشان مفید نیست و چرا؟

• چیزی می‌خواهند که در داشبورد نیست؟

• داشبورد مدیریتی کمک کرده‌کارشان را بهتر و راحت‌تر انجام بدهند؟

از بازخوردی که می‌گیرید برای اصلاح داشبورد استفاده کنید. بررسی کنید آیا داشبورد باعث ایجاد رفتاری که می‌خواهید می‌شود؟ و نوع تصمیم‌گیری کاربران را تغییر می‌دهد یا خیر.

هر زمان که اهداف یا اولویت‌های کاربر در مورد داده تغییر کرد داشبورد را به‌روزرسانی کنید تا همیشه بهترین نتیجه را از آن بگیرید.

منبع: 11 اصل در طراحی داشبورد مدیریتی، راهنمای کامل

شروع یک پروژه هوش تجاری جدید مشکلات و ریزه کارهای خودش را دارد. چابک بودن در اجرای یک پروژه مهم است؛ اما قبل از شروع کار، تحلیلگر هوش تجاری و مدیران شرکت باید به یک ذهنیت مشترک نسبت به خواسته‌ها و توقعات خود از پروژه برسند.

ناگفته پیداست که رسیدن به درک مشترک با مدیران ارشد برای یک کارشناس هوش تجاری و یا تحلیلگر کسب‌وکار از نان شب هم واجب‌تر است!

روش منطقی این است که قبل از غرق‌شدن در داده و اطلاعات، نوشتن اسکریپت‌های SQL و ساختن داشبورد مدیریتی، خواسته‌ها و توقعات آن کسب‌وکار را درک کنیم.

شاید تصور کنید که این موضوع بیش از اندازه واضح است و اصلاً نیاز به بازگویی و تکرار ندارد. اما در واقعیت پروژه‌های bi بسیاری این مرحله را رد کرده و مستقیماً سراغ ساخت داشبورد KPI می‌روند.

زیاد اتفاق می‌افتد که یک پروژه هوش تجاری پس از اجرا در یک شرکت به همان صورت و بدون درنظرگرفتن شرایط برای کسب‌وکار دیگری نیز پیاده‌سازی ‌شود.

یک پروژه bi بعلاوه شاخص‌ها و kpiهای آن، باید بر اساس نیاز کسب‌وکار تعیین شوند. طراح و مجری پروژه bi باید به‌اندازه کافی انعطاف‌پذیری داشته باشند تا راهکار هوش تجاری را برای کسب‌وکارهای مختلف تطبیق بدهند.

این مقاله راهنمایی برای برنامه‌ریزی یک پروژه هوش تجاری است که در 3 گام و به صورت ساده و خلاصه بیان شده است.

گام اول در پروژه هوش تجاری، مصاحبه با مدیران ارشد

بهترین روش برای درک توقعات و خواسته‌های یک شرکت از پروژه هوش تجاری، جلسات مستقیم و چهره‌به‌چهره با ذی‌نفع‌های یک کسب‌وکار است که می‌تواند شامل هیئت‌مدیره، مدیران ارشد و اجرایی و کاربران نهایی استفاده‌کننده از داده در آن شرکت باشد.

این مرحله را رد نکنید، این چند ساعتی که صرف صحبت با ذی‌نفع‌ها می‌شود انجام پروژه bi را برای شما بسیار راحت‌تر و موفقیت نهایی آن را تضمین می‌کند.

سؤالاتی که در این مرحله باید بپرسید عبارت است از:

پرسیدن علت درخواست‌ها:

• چرا به این داشبورد مدیریتی نیاز دارید؟

• چه کسی از این داشبورد استفاده می‌کند؟

• کجا و روی چه دستگاهی از داشبورد استفاده خواهد شد؟

فرایند فعلی و فرایند تصمیم‌گیری:

• گردش کاری شما به چه شکلی است؟

• تصمیم‌ها به چه شکلی در شرکت اتخاذ می‌شوند؟

• دوست دارید فرایند تصمیم‌گیری و گردش کاری در آینده به چه صورتی باشد؟

• آیا نیاز به داده‌ای داریم که ثبت نشده است؟ فقدان این داده چه تأثیری روی فرایند تصمیم‌گیری داشته؟

• دسترسی به چه داده و اطلاعاتی سخت است؟

نقاط ضعف (pain points):

• چه گزارش یا شاخصی را همیشه نیاز داشته‌اید؛ اما در دسترس شما نبوده است؟

• چرا دسترسی به این داده‌ها سخت است؟

• منابع بخش IT ( منابع انسانی و مالی) کجا صرف می‌شوند و چطور می‌شود استفاده بهینه‌ای از آنها کرد.

گام دوم در پروژه bi، طراحی فرایندها

زمانی که با ذی‌نفع‌ها صحبت کردیم و مشخص شد که پروژه BI دقیقاً چه ابعادی دارد باید به سراغ فرایند‌ها برویم و آنها را به شکل یک فلوچارت رسم کنیم.

گردش کاری را روی فلوچارت و با جزئیات به تصویر بکشید تا بخش‌های مرتبط با پروژه هوش تجاری مشخص شود. هدف این است که جریان داده در داخل شرکت را به تصویر بکشیم. داده کجا تولید می‌شود، چطور تبدیل شده و کجا مصرف می‌شود.

فلوچارت گردش کاری باید نشان بدهد که تصمیم‌گیری به چه شکلی در داخل شرکت اتفاق می‌افتد (بر اساس دیتا). یعنی جریان اطلاعات به تصمیم‌گیرندگان را نمایش دهد. در این مرحله می‌فهمیم که داده را باید به چه شکلی سازماندهی کنیم و آیا به مدل‌های داده و داشبوردهای متعدد نیاز داریم.

مثالی از یک تمپلیت فلوچارت خالی

چند نکته در مورد رسم فلوچارت فرایندهای کسب‌وکار:

از روش بالابه‌پایین استفاده کنید: از بالاترین KPIها و شاخص‌های کلیدی سازمان شروع کنید، همان چیزهایی که دغدغه اکثر مدیران است. مثلاً شاخص‌های رشد (نرخ رشد درآمد، NPS، AOV و…) شاخص‌های عملکردی و متریک‌ها در سطوح پایین‌تر باید بر اساس KPIهای اصلی استخراج شوند.

این جمله را به‌عنوان راهنمای مسیر به‌خاطر داشته باشید؛ “اطلاعات بیشتر، شاخص‌های کمتر” حتی برای پروژه‌های بزرگ BI تعداد شاخص‌ها نباید بیشتر از انگشتان دودست باشد. سعی کنید شاخصی که اهمیت بیشتری دارد را پیدا کنید.

گام سوم در پروژه bi، ساخت مدل آزمایشی

این مرحله برای پروژه‌های bi کوچک اختیاری است. اگر سؤالات گردآوری شده در مرحله اول ساده و کم تعداد باشند می‌توانید همین‌الان به سراغ دیتا بروید و مدل‌سازی و ساخت داشبورد را شروع کنید.

اما برای پروژه‌های بزرگ‌تر توصیه می‌کنیم که ابتدا یک نمونه و مدل اولیه از داشبوردها را آماده کنید، تا هم نتیجه نهایی کار را جلوی چشم داشته باشید و هم بتوانید تأیید مدیران ارشد و سایر کاربران را بگیرید.

بعد از مشخص‌کردن سؤالات تجاری اصلی (مرحله 2) می‌توانیم دست‌به‌کار شویم:

• داده‌ها از کجا می‌آیند و کجا ذخیره می‌شوند؟ منابع داده چیست؟ (Data sourcing)

• چطور به منابع داده وصل شویم؟ (Data connection)

• داده ساختار نیافته داریم؟ کدام داده الان در دسترس نیست؟ (Data structuring)

پاسخ‌دادن به سؤال‌های بالا، ابعاد (dimensions)، فکت‌ها (facts) و فیلترهایی که باید در هوش تجاری استفاده کنیم را مشخص می‌کند. در اینجا می‌توانیم نمودارها و نوع مصورسازی را انتخاب کرده و داشبورد آزمایشی را بسازیم.

وقتی داشبورد آزمایشی آماده شد آن را به تأیید ذی‌نفعان می‌رسانیم. این کاربران قرار است هر روز به داشبوردهای مدیریتی و نمودارها نگاه کنند؛ بنابراین لازم است به درک درستی از نوع کارکرد و اطلاعاتی که داشبورد نشان می‌دهد برسند.

ضمن اینکه بازخورد گرفتن از کاربرها در ابتدای کار تغییرات بعدی در پروژه را به حداقل می‌رساند.

چند نکته قبل از اجرای پروژه هوش تجاری:

قبل از شروع سه مرحله بالا اطمینان حاصل کنید که ابزار هوش تجاری مورداستفاده شما می‌تواند نیازهای سازمان را برآورده کند.

نقاط ضعف (گام اول) را به‌خاطر بیاورید. چه مشکلی با ابزارها و فرایندهایی فعلی کسب‌وکار دارید که می‌خواهید به وسیله هوش تجاری آن را رفع کنید؟

• شاید قصد دارید با تغییر از گزارش‌گیری دستی به داشبوردهای مدیریتی در زمان و هزینه صرفه‌جویی کنید

• شاید به نمودارهای با قابلیت (پایش به جزء) drill down ، و داشبوردهایی با اطلاعات مطمئن و دقیق نیاز دارید؟

• شاید به یک منبع اصلی اطلاعات به‌عنوان مرجع (single source of truth) در سازمان خود نیاز دارید

اگر شرکت شما به دنبال تغییر فرایندها و ایجاد تحول دیجیتال در سازمان است به یک نرم‌افزار bi با معماری پیاده‌سازی منعطف نیاز دارید که بتواند نیازهای شما را در هر شرایطی برآورده کند.

به یک نرم افزار هوش تجاری برای ساخت داشبورد و گزارش نیاز دارید؟ هوش تجاری دیکام را امتحان کنید

مطمئن شوید پلتفرم و نرم افزاری که قصد خرید آن را دارید تمام نیازهای شما را در حال حاضر و در آینده پاسخ می‌دهد. یک برآورد اولیه از بودجه و منابع انسانی موردنیاز انجام دهید تا پروژه به بهترین شکل ممکن اجرایی گردد.

قبل از بستن قرارداد bi لیستی از نکات مهم وجود دارد که باید به آنها توجه کرد. چالش شما هر چه که باشد باید به قیمت تمام شده راهکار هوش تجاری نیز توجه کنید.

منبع: برنامه‌ ریزی پروژه هوش تجاری در 3 گام

استقرار و استفاده از نرم‌افزارهای سازمانی روش‌ها و ملاحظات خاصی دارد که پیش از عقد قرارداد با تأمین‌کننده باید آنها را لحاظ کرد. هوش تجاری نیز از این موضوع مستثنی نیست.

قراردادهای خرید و تأمین نرم‌افزار مانند تمام قراردادهای B2B پیچیده و پر از جزئیات هستند. اگر قصد استفاده از هوش تجاری را دارید بهتر است از مدل‌های استقرار هوش تجاری و مزایا و معایب هر یک اطلاع داشته باشید.

در این مقاله دو مدل استقرار نرم‌افزار هوش تجاری در سازمان یعنی روش On Premises و ابری (Cloud) را بررسی کرده‌ایم. سعی شده تا مزایا و معایب هر روش به‌صورت دقیق ذکر شود

موارد مطرح شده در این مقاله می‌تواند درباره سایر نرم افزاهای تجاری نیز صحت داشته باشد. با دیکام همراه باشید.

تفاوت نرم افزارهای On Premises و ابری (Cloud) در چیست؟

تفاوت اصلی این دو روش به‌کارگیری نرم افزار در چیست؟ و چرا روی هزینه اولیه و نهایی خرید نرم‌افزار تأثیر می‌گذارد؟

هر نرم افزاری برای کارکردن به یک سخت‌افزار (کامپیوتر!) نیاز دارد. تفاوت اصلی بین مدل On Premises و Cloud در محل قرارگیری سخت‌افزار و مالکیت آن است.

• در مدل On Premises سخت‌افزار در محیط داخلی سازمان یا شرکت قرار دارد و شرکت شما مالک آن است. یعنی نرم‌افزار روی سخت‌افزاری که داخل شرکت قرار دارد نصب، اجرا و نگهداری کنید.

• در مدل‌های Cloud سخت‌افزار و زیر ساخت مربوط به آن در محلی خارج از سازمان شما قرار دارد و ارتباط با آن از طریق اینترنت انجام می‌شود. سرورهای ابری معمولاً توسط یک شرکت ثالث تأمین می‌شود و شما به آن دسترسی مستقیم ندارید.

هوش تجاری On Premises

باتوجه‌به تعریف بالا، هوش تجاری On Premises به راهکاری گفته می‌شود که روی کامپیوترها و سرورهای داخلی یک شرکت نصب و اجرا شود.

داده‌های تحلیل شده از سیستم داخلی شما خارج نمی‌شوند و شرکت روی سخت‌افزار، نرم افزار و داده‌های مرتبط کنترل کامل دارد، درعین‌حال نگهداری و تأمین امنیت این سیستم با خریدار است.

راهکار هوش تجاری ابری (Cloud BI)

طبق تعریف، هوش تجاری ابری به راهکاری است که روی کامپیوترها و سرورهای خارج از شرکت شما میزبانی و اجرا می‌شود. دسترسی به داده‌ها و کار با نرم‌افزار از طریق اینترنت صورت می‌پذیرد. سرورهای مورداستفاده معمولاً توسط یک شرکت ثالث تأمین می‌شوند.

روش ابری انواع متفاوتی دارد که در ادامه دو مورد را بررسی می‌کنیم

هوش تجاری روی ابر خصوصی (private cloud)

ممکن است شما به‌صورت مستقیم با ارائه‌دهنده خدمات ابری وارد مذاکره بشوید و فضایی مخصوص و انحصاری را برای نصب نرم‌افزار هوش تجاری، ذخیره‌سازی و پردازش داده اجاره کنید.

در این حالت مدیریت نرم‌افزار در سرورهای ابری به‌صورت کامل در اختیار شما است گرچه مالکیت سخت‌افزار و نگهداری از آن همچنان با ارائه‌کننده خدمات ابری است و شما به آن دسترسی مستقیم ندارید.

هوش تجاری به‌صورت سرویس (SAAS) Managed Cloud BI

نرم‌افزار به‌عنوان سرویس یا به‌اختصار SAAS به حالتی گفته می‌شود که شما نرم‌افزار هوش تجاری را در قالب یک اشتراک برای مدت‌زمان معین از شرکت ارائه‌دهنده نرم‌افزار دریافت می‌کنید. در این روش نگهداری نرم‌افزاری و سخت‌افزاری زیر ساخت‌ها بر عهده ارائه‌دهنده است و خریدار نباید نگرانی از این بابت داشته باشد.

هوش تجاری هیبرید Hybrid BI solutions

هوش تجاری هیبرید به راهکاری گفته می‌شود که از داده سرورهای ابری و داده‌های ذخیره شده در سازمان به صورتی ترکیبی استفاده می‌کند. این نوع خاص از معماری bi در واقع تلفیقی از معماری توزیع شده و متمرکز است امکان استفاده از مزیت‌های هر دو روش را فراهم می‌آورد.

برای مثال می‌توان داده‌های مهم مربوط به منابع خارجی یا مجزا را روی یک سرور ابری برای مصورسازی و تحلیل گردآوری کرد (این کار نیاز به متمرکزکردن تمام داده‌ها بدون توجه به اهمیت، و انتقال تمام آنها به داخل مجموعه را از بین می‌برد) درعین‌حال بخشی از داده‌ برای تحلیل و گزارشگیری در سیستم داخلی شرکت باقی می‌ماند (داده‌های مهم که به امنیت بیشتری نیاز دارند می‌تواند جزء این دسته باشد)

واقعیت این است که باتوجه‌به گسترش روزافزون امکانات ابری، منابع خارجی داده، درخواست برای به‌کارگیری تلفن‌های همراه در هوش تجاری و افزایش تعداد کاربران در خارج از شرکت نیاز به روش‌های توزیع شده بیشتر شده است. راهکار هیبریدی bi می‌تواند روشی برای بهبود عملکرد و افزایش ضریب نفوذ هوش تجاری باشد.

مزایا و معایب روش‌های On Premises و Cloud BI

مزایا و معایب روش‌های ذکر شده را می‌توان با توجه پارامترهای زیر مقایسه کرد:

• هزینه

• امنیت

• نگهداری زیرساخت (maintenance)

• قابلیت اطمینان (reliability)

• مقیاس پذیری (scalability)

بهای تمام شده هوش تجاری

On Premises

در باور عمومی هزینه اجرای یک پروژه On Premises بالاتر از هزینه‌های راهکار ابری است. این موضوع تا حدودی درست است. “هزینه اولیه” خرید و نصب نرم‌افزار در روش On Premises بالاتر است. این هزینه‌ها عبارت‌اند از:

• خرید لایسنس نرم‌ افزار

• خرید سخت افزار و آماده‌سازی آن

• هزینه‌های مرتبط با اجرای پروژه و نگهداری (هزینه IT)

در پروژه‌های On Premises ” بودجه اولیه خرید” بالاتر است (خصوصاً برای خرید سخت‌افزار) اما هزینه‌های عملیاتی در میان‌مدت و بلندمدت پایین‌تر است.

نکته: برای شرکت‌هایی که از قبل زیرساخت‌های سخت‌افزاری و تیم متخصصین IT را در اختیار دارند هزینه‌ها کاهش پیدا می‌کند.

نکته: توجه داشته باشید که مبنای قیمت‌گذاری و لایسنس‌های خریداری شده برای نرم‌افزار لزوماً به On Premises بودن یا Cloud بودن راهکار خریداری شده ارتباط ندارد و این موضوع به سیاست قیمت‌گذاری تأمین‌کننده مرتبط است. برای مثال ممکن است در روش‌ On Premises همچنان نیاز باشد تا علاوه بر لایسنس نرم‌افزار هوش تجاری برای هر یک از کاربران bi هم لایسنس خریداری شود.

ابر خصوصی private cloud

در این روش سخت‌افزار اجاره می‌شود؛ بنابراین هزینه اولیه نسبت به On Premises بسیار کمتر است.

باید دقت داشت که هزینه‌های مربوط به نگهداری نرم‌افزاری سرور همچنان بر عهده خود شماست (هزینه IT) و هزینه‌های اجاره سرور در بلندمدت احتمالاً بیشتر از خرید سخت‌افزار خواهد بود.

هوش تجاری سرویس – SAAS

در این روش هزینه نرم‌افزار صرفاً به‌صورت اشتراک (معمولاً لایسنس برای هر کاربر) پرداخت می‌شود. از این نظر هزینه اولیه استفاده از نرم‌افزار ناچیز بوده و این روش برای پروژه‌های کوچک هوش تجاری بسیار مناسب است.

اما باید توجه کرد منابع سخت‌افزاری ارائه دهند نامحدود نیست. در واقع بخشی از اشتراک ماهانه‌ای که پرداخت می‌کنید مربوط به سخت‌افزار، فضای اختصاص‌داده‌شده به شما و نگهداری از سیستم است. به همین دلیل وقتی یک پروژه BI از حد خاصی بزرگ‌تر می‌شود هزینه‌های این روش به‌صورت تصاعدی افزایش پیدا می‌کند و برای پروژه‌های بزرگ هزینه سرویس بسیار زیاد است.

ارائه‌کننده‌ای نرم‌افزار معمولاً با محدودکردن قابلیت‌های نرم‌افزار در حالت سرویس (مانند محدودکردن حجم، تعداد منابع داده، نوع کانکتورهای داده، امکانات خاص و…) هزینه‌های زیرساخت سخت‌افزاری خود را کنترل می‌کنند. به همین دلیل انواع لایسنس ‌های Pro و Premium و پلن های متعدد قیمتی در سرویس هوش تجاری وجود داد.

به‌هرحال اگر شرکت شما کوچک است یا تیم متخصص IT در اختیار ندارید SAAS هزینه‌های شما را کاهش می‌دهد.

نگهداری (maintenance) زیرساخت‌ها و پلتفرم هوش تجاری

On Premises

نگهداری از پلتفرم هوش تجاری در روش On Premises مسئله مهمی است. تیم IT شرکت شما مسئول مستقیم نگهداری از زیر ساخت سخت‌افزار و نرم‌افزار استفاده شده برای هوش تجاری است (آپدیت، بک‌آپ و…)

ابر خصوصی private cloud

مدیریت سخت‌افزار و سرورهای فیزیکی با ارائه‌کننده خدمات ابری است و از این لحاظ حجم کاری کمتری متوجه استفاده‌کننده است. البته همچنان مدیریت نرم‌افزاری سرورها با خریدار است.

سرویس هوش تجاری – SAAS

مدیریت زیرساخت به‌صورت کامل بر عهده ارائه‌دهنده نرم افزار هوش تجاری است

قابلیت اطمینان (reliability)

On Premises

ازآنجا که خریدار مسئول نگهداری از پلتفرم است ازکارافتادن سخت‌افزار همیشه جز نگرانی‌های اصلی محسوب می‌شود. لازم است برنامه دقیق و مدون برای بازیابی پس از حادثه (disaster recovery plan) وجود داشته باشد.

بااین‌وجود ازآنجایی‌که کنترل کامل روی برنامه نگهداری وجود دارد ایجاد سطوح مختلف بازیابی برای اطمینان خاطر ممکن است.

به‌صورت کلی اطمینان‌پذیری سیستم هوش تجاری در این روش به نحوه عملکرد تیم IT و سیاست‌های شرکت در این مورد بستگی دارد.

ابر خصوصی

بازیابی پس از حادثه با ارائه‌دهنده خدمات ابری است. حتماً پیش از اجاره سرور مواردی مانند زمان دردسترس‌بودن (uptime) سرورهای Cloud و سرویس‌دهی در شرایط نامتعارف مثل قطع برق را در نظر بگیرید. توجه داشته باشید که قابلیت اطمینان‌پذیری بالاتر هزینه‌های ماهانه بیشتری نیز دارد.

سرویس هوش تجاری – SAAS

اطمینان‌پذیری کاملاً به ارائه دهند نرم‌افزار و سطح خدمات او بستگی دارد. قبل خرید باید مواردی مانند uptime و بندهای فورس ماژور در قرارداد به‌دقت بررسی شود.

مقیاس پذیری (scalability)

منظور از مقیاس‌پذیری در اینجا توانایی یک سیستم نرم افزاری برای مدیریت افزایش ( یا کاهش) بار کاری است. بدون اینکه عملکرد یا قابلیت اطمینان‌پذیری سیستم به خطر بیفتد.

On Premises

با توجه کنترل کامل خریدار، پلتفرم هوش تجاری مقیاس‌پذیر است؛ اما باید برنامه دقیقی برای نصب و راه‌اندازی سخت افزارها و نرم افزارهای جدید وجود داشته باشد.

ابر خصوصی – سرویس هوش تجاری – SAAS

مقیاس‌پذیری سریع از نقاط قوت نرم‌افزارهای BI تحت سرویس و cloud است؛ اما باید توجه کرد که قابلیت سفارشی‌سازی برای سرویس‌های هوش تجاری محدود است. موردی که باید در خرید سروهای جدید یا ارتقا اشتراک در نظر گرفت هزینه‌های جدید نسبت به مقیاس‌پذیری است.

امنیت (security)

On Premises

در مدل On Premises داده از محیط داخلی شرکت خارج نمی‌شود و دسترسی به منابع اصلی داده از خارج سازمان وجود ندارد در واقع تمام سیستم‌های شما پشت دیواره آتش (firewall) اصلی شرکت قرار می‌گیرند. این موضوع برای بعضی از سازمان‌ها اهمیت زیادی دارد.

از این لحاظ می‌توان گفت داده در هوش تجاری On Premises از امنیت بالایی برخوردار است. البته توجه کنید حفظ این امنیت بر عهده شرکت شما است.

ابر خصوصی و سرویس هوش تجاری – SAAS

از جمله موارد قابل‌توجه در استفاده از سرویس‌های Cloud بحث امنیت است. توجه داشته باشید که داده‌ها در جایی خارج از سازمان ذخیره می‌شوند بعلاوه برای استفاده از سرویس باید مواردی مثل نصب نرم‌افزارهای Gateway برای تبادل اطلاعات را در نظر داشت.

منبع: مقایسه روش‌های استقرار هوش تجاری

داشبورد هوش تجاری که معمولاً به‌عنوان داشبورد مدیریتی از آن یاد می‌شود یک ابزار قوی و فوق‌العاده برای مدیریت داده و رصد اطلاعات کسب‌وکار است.

داشبورد bi اگر به‌خوبی طراحی شده باشد به شما کمک می‌کند تا به‌راحتی عملکرد شرکت خود را درک کنید. به‌سرعت متوجه روندها و الگوهای ماهانه، فصلی و سالانه در کسب‌وکار خود بشوید و در نهایت تصمیم‌های بگیرید که آگاهانه و درست باشد.

در این مقاله 7 عنصر کلیدی برای یک داشبورد هوش تجاری را ذکر کرده‌ایم. درک این موارد و به‌کارگیری درست آنها به ساختن داشبوردهای بهتر کمک می‌کند. با ما همراه باشید

داشبورد مدرن هوش تجاری چه ویژگی‌هایی باید داشته باشد؟

داشبورد تفاوت مشخصی با گزارش‌های استانداردی دارد که در شرکت‌ها استفاده می‌شوند. داشبورد ساخته شده تا با مخاطب وارد تعامل شود و امکان جستجو در عمق اطلاعات و تجزیه‌وتحلیل را به او بدهد.

یک داشبورد بسته به اینکه مخاطب اطلاعات کیست و در کجای شرکت استفاده می‌شود، می‌تواند شاخص‌های کلیدی عملکرد یک کسب‌وکار و یا اطلاعات در لحظه از فعالیت‌های داخلی شرکت را نمایش دهد.

مطالعه مقاله داشبورد هوش تجاری چیست؟ را به شما توصیه می‌کنیم

ویژگی‌های مهم یک داشبورد هوش تجاری مدرن:

• مصورسازی موجز و شفاف داده‌ها

• مسیریابی ساده و راحت

• ابزارهای مؤثر برای همکاری و ارتباط بین کاربران

• امکانات کشف و پایش به عمق در داده‌ها (Data discovery -Drill down)

• زبان‌ پرس‌وجو سطح بالا (language query) که با نرم‌افزار ادغام شده باشد

• امکان داستان‌پردازی با داده‌ها

7 عنصری که یک داشبورد تأثیرگذار هوش تجاری باید داشته باشد

کاربران هوش تجاری در هر سطحی که باشند (سازمانی و یا شخصی) برای اینکه بیشترین بهره را از اطلاعات ببرند به داشبوردهایی تأثیرگذار و مناسب نیاز دارند.

ویژگی‌های یک داشبورد موفق و تأثیرگذار:

مصورسازی داده

اولین عنصر یک داشبورد تأثیرگذار تصویرسازی داده است. مصور‌سازی کمک می‌کند تا به‌سرعت عملکرد بخش‌های مختلف یک شرکت را به‌صورت چشمی کنترل و به‌راحتی الگوهای داخل داده‌ها را کشف کرد (تحلیل بصری)

مصورسازی داده شامل نمودار و دیاگرام‌های زیادی می‌شود؛ اما نموداری‌های میله‌ای، دایره‌ای، نمودار خطی و راداری جز پراستفاده‌ترین اشکال مصورسازی هستند. استفاده درست و به جا از این نمودارها باعث می‌شود تا کاربر تعامل بیشتری با داشبورد اطلاعات داشته باشد.

مصورسازی باید داده را به شکل مختصر و شفاف نشان دهد. از نمودار و گراف‌ها برای نشان‌دادن توزیع داده، روابط بین قطعات متفاوت داده و تغییر داده‌ها در طول زمان استفاده کنید.

برای اطلاعات بیشتر مطالعه مقاله مصورسازی داده چیست؟ را توصیه می‌کنیم

چیدمان داشبورد

دومین عنصر برای یک داشبورد تأثیرگذار چیدمان آن است. چینش اجزاء داشبورد باید به صورتی باشد که ناوبری و استفاده از آن را راحت کند.

طراحی داشبورد باید به صورتی انجام شود که درک اطلاعات را برای مخاطب ساده‌تر کند. نرم افزار هوش تجاری باید امکان سفارشی‌سازی چینش داشبورد طبق نظر کاربر را داشته باشد.

یک چیدمان خوب شامل:

• استفاده از جداول داده برای سازماندهی‌کردن اطلاعات روی داشبورد

• استفاده از فونت‌های بزرگ برای بهتر دیده‌شدن داده‌ها

• استفاده از رنگ‌بندی و طیف رنگی مناسب برای نمودارها، نوشته‌ها و …

• و استفاده از آیکون‌ها برای نمایش نقاط کلیدی روی داده است.

فیلترهای داده

فیلترهای سراسری که روی تمام نمودارهای یک داشبورد اعمال شوند سومین عنصر کلیدی برای یک داشبورد است.

فیلترها به ما امکان می‌دهند تا داده‌ها را از زاویه دید جدید مشاهد کنیم. این فیلترها می‌توانند بر اساس موارد زیر باشند

• فیلتر روی شاخص‌های عملکردی kpi

• بخش‌های مختلف کسب‌وکار مثل دپارتمان‌ها

• بر اساس ابعاد داده؛ مثلاً دسته‌بندی مشتری، خصوصیات محصول و …

• و فیلترهای زمانی (روز، هفته، ماه، فصل، سال)

قابلیت گزارش‌گیری

ساختن گزارش‌های سفارشی از داده‌های در دسترس و خروجی گرفتن با فرمت‌های مختلف چهارمین عنصر از یک داشبورد تأثیرگذار است. گزارش‌ها این امکان را می‌دهند تا نتایج حاصل از تجزیه‌وتحلیل را به یک فرمت مختصر و ساده تبدیل کرد.

گزارش‌گیری می‌تواند روی شاخص‌های عملکردی، داده‌های مشتری و امثال آن انجام شود.

از گزارش‌گیری برای رسیدن به دید عملی نسبت به موضوعات استفاده کنید. مثلاً گزارش‌هایی که نشان می‌دهد مشتری‌ها چطور از محصول شما استفاده می‌کنند و یا تیم شما نسبت به هدف‌گذاری انجام شده چه عملکردی داشته است

نمای سفارشی و قابل تنظیم

ایجاد نمای سفارشی در واقع اشاره به قابلیت یک نرم‌افزار در ساخت انواع داشبورد به کمک اجزای مختلف مثل نمودارها را دارد. به کمک دو مورد قبل یعنی فیلتر‌ها و جداول گزارش می‌توان یک دسته خاص از داده‌ها را از بین تمام داده‌های موجود انتخاب کرد و به این وسیله یک نمای داده (Data view) خاص را ایجاد کرد.

همچنین می‌توان داده را به فرمت یا سبک خاصی نمایش داد. این مورد به پیداکردن و تحلیل دسته‌های خاص داده کمک می‌کند.

قابلیت به‌اشتراک‌گذاری اطلاعات

به اشتراک گذاشتن اطلاعات و دسته‌های داده یکی از مهم‌ترین خصوصیات داشبورد هوش تجاری است. این موضوع به افزایش کیفیت همکاری بین افراد و واحدهای مختلف در شرکت کمک کرده و دسترسی همه به یک منبع واحد از داده و ایجاد درک مشترک از آن را ممکن می‌کند.

مسیریابی ساده و دسترسی سریع

دسترسی ساده به داشبوردها و بخش‌های مختلف یک داشبورد (زیر قسمت‌ها) جزئی از ویژگی‌های یک داشبورد تأثیرگذار است. این قابلیت استفاده از داشبورد را برای کاربر آسان و لذت‌بخش می‌کند.

جمع‌بندی

• داشبورد هوش تجاری ابزاری قوی برای مدیریت داده و اطلاعات است

ویژگی‌های مهم یک داشبورد مدرن عبارت است از:

• مصورسازی مناسب، مسیریابی ساده و راحت

• ابزارهای همکاری و ارتباط بین کاربران

• امکانات کشف و پایش به عمق در داده‌ها

• زبان‌ پرس‌وجو سطح بالا

• امکان داستان‌پردازی با داده‌ها

هفت عنصر مهم برای داشبورد مدیریتی هوش تجاری

• مصورسازی داده تأثیرگذار، به‌روز و قابل سفارشی‌سازی

• چینش صحیح و اصولی اجزای داشبورد به صورتی که کاربر بیشترین تعامل را با داشبورد‌ها داشته باشد.

• فیلترهای داده روی تمام داشبورد مثل فیلتر ابعاد داده و زمان

• قابلیت گزارش‌گیری و ساخت گزارش‌های سفارشی

• ایجاد نمای داده سفارشی (Data view)

• امکان به‌اشتراک‌گذاری اطلاعات بین کاربران

• ناوبری و مسیریابی آسان در داشبوردها

منبع:عناصر لازم برای داشبوردهای هوش تجاری مدرن و تاثیرگذار

حاکمیت داده موضوعی پیچیده و حتی انتزاعی به نظر می‌رسد و احتمالاً جز موضوعات موردعلاقه شما هم نیست، مگر آنکه فقدان حاکمیت داده را تجربه کرده و با سردرگمی حاصل از آن آشنا باشید.

شرکت فرضی الف را در نظر بگیرید. یک فضای ذخیره‌سازی اشتراکی در این شرکت وجود دارد (File-server) که از طریق شبکه داخلی قابل‌دسترس است. از کارمندان تا مدیران شرکت همگی به این فضای ذخیره‌سازی اشتراکی داده دسترسی دارند.

این فایل سرور مملو از فایل‌های اکسل و Word است. در بهترین حالت هر دپارتمان و پرسنل آن پوشه‌ای به نام خودشان دارند و فایل‎های اطلاعات را آنجا نگه‌داری و با یکدیگر به اشتراک می‌گذارند.

اگر قبلاً با این شرایط مواجه شده باشید معایب و مشکلات آن را می‌دانید. مشکلاتی مثل:

• امنیت داده

• خطا و اشتباه در ثبت اطلاعات

• وجود نسخه‌های متفاوت از اطلاعات و گزارش‌ها

• ازبین‌رفتن اطلاعات و…

احتمالاً شرایط شرکت الف را تجربه کرده‌اید. در این حالت خاص، راهکاری برای مدیریت داده وجود ندارد و به همین دلیل حاکمیت داده نیز نمی‌تواند اعمال شود.

اما منظور ما از حاکمیت داده چیست؟ در این مقاله سعی کرده‌ایم با مثال‌های ساده این مبحث را توضیح دهیم. با دیکام همراه باشید

.

حاکمیت داده (Data Governance) چیست؟

طبق تعریف گارتنر: حاکمیت داده (Data Governance) مشخص‌کردن حقوق تصمیم‌گیری و چهارچوب پاسخگویی افراد در مورد داده است و برای اطمینان از رفتار صحیح در زمینه ایجاد، مصرف، کنترل، تجزیه‌وتحلیل و ارزش‌گذاری داده داخل یک سازمان به کار می‌رود.

حاکمیت داده مجموعه‌ای از قوانین و روش‌های برتر (Best Practic) است که کیفیت و امنیت داده را در طول چرخه حیات آن تضمین می‌کند (از زمان تولید داده تا آرشیو شدن)

تمام شرکت‌ها داده (Data) و اطلاعات (information) تولید می‌کنند؛ اما ذخیره‌کردن داده بدون برنامه‌ای برای تأمین امنیت و روشی برای استفاده از آن کاری بی‌فایده است. حاکمیت داده به این موضوع می‌پردازد که شرکت‌ها، چگونه داده‌هایی که جمع‌آوری کرده‌اند را مدیریت می‌کنند.

داده باید در تمام دپارتمان‌های یک سازمان گردش داشته باشد و مورداستفاده قرار بگیرد. حاکمیت داده نقش خود را همین‌جا بازی می‌کند. هر فردی که با دیتای شرکت شما سروکار دارد (ذی‌نفع) باید تحت یک سیستم واحد از قوانین، فرایند‌ها، روش‌ها و حدود پاسخگویی قرار بگیرد.

حاکمیت داده تعیین می‌کند که:

• افراد با چه داده‌ای می‌توانند کار کنند

• چه کسی می‌تواند در مورد داده تصمیم‌گیری کند.

• داده کی و کجا جمع‌آوری و پردازش می‌شود.

• داده به چه شکلی مدیریت می‌شود.

حاکمیت داده چه اهمیتی دارد؟

• حاکمیت داده کمک می‌کند تا یک چارچوب از قوانین برای مدیریت داده‌ها داشته باشیم

• مسئولیت افراد در مورد اطلاعات شرکت را مشخص می‌کند

• یک‌زبان و درک مشترک برای افرادی که به اطلاعات دسترسی دارند و از آن استفاده می‌کنند ایجاد می‌کند

در نهایت، موارد بالا می‌تواند به همکاری بهتر افراد با یکدیگر و تصمیم‌گیری صحیح سازمانی منجر شود. حاکمیت داده اگر به شکل صحیح انجام شود سردرگمی، بی‌نظمی و پیچیدگی‌های کار با اطلاعات را به حداقل می‌رساند

.

5 پرسش مهم که در حاکمیت داده به آن پاسخ می‌دهیم

اگر بخواهیم حاکمیت داده را به شکل صحیح در یک شرکت اجرا کنیم باید پرسش‌های زیر را پاسخ بدهیم

چه کسانی به داده دسترسی دارند؟

در یک فایل سرور عمومی همه به داده‌ها دسترسی دارند؛ اما در دنیای واقعی همه افراد سازمان به یک سطح از دسترسی نیاز ندارند.

قطعاً اطلاعات ارزشمندی در سازمان وجود دارد که باید از آنها محافظت کرد. از طرفی داده‌هایی وجود دارند که محدودکردن آن‌ها با قوانین حاکمیت داده به پیچیده‌شدن و کندشدن فرایند کاری می‌انجامد بنابراین:

• سؤال اصلی این است که یک شخص باید به داده دسترسی داشته باشد یا خیر؟

اگر جواب مثبت است چه سطحی از دسترسی به داده را دارا است؟ آیا صرفاً می‌توانند داده را بخواند؟ یا آن را ویرایش کند؟ آیا نیاز به دسترسی مستقیم به منابع داده دارد؟

داده‌ای که از آن صحبت می‌کنیم چیست؟

وقتی از داده حرف می‌زنیم منظور ما چیست؟

همان‌طور که قبلاً اشاره شد نمی‌توان تمام داده‌هایی که در یک شرکت تولید می‌شوند را با یک قانون مدیریت کرد؛ بنابراین پرسش اولی که ایجاد می‌شود این است که چه منابعی از داده باید شامل قوانین حاکمیت داده قرار بگیرند و چه داده‌های باید مستثنی شوند؟

• پرسش دوم: منبع اصلی و قابل‌قبول شما برای یک داده خاص چیست؟

مثال: یک خط تولید را در نظر بگیرید. میزان ضایعات تولید ممکن است به‌صورت دستی توسط اپراتور در سیستم وارد شود و یا به‌صورت اتوماتیک و بر اساس یک فرمول خاص به دست بیایید. در اینجا دو ورودی از یک داده خاص دارید که ممکن است با یکدیگر مغایرت داشته باشند.

کدام یک را به‌عنوان داده قابل‌اعتماد در نظر می‌گیرید؟ شما باید این موضوع را تعیین کنید

بازه زمانی اعتبار و دسترسی به داده چقدر است؟

بخشی از حاکمیت داده به نحوه مدیریت داده قدیمی بازمی‌گردد. به‌هرحال هر داده‌ای پس از ثبت تا مدت‌زمان مشخصی برای تجزیه‌وتحلیل ارزشمند است؛ بنابراین لازم است به سؤالات زیر پاسخ دهیم.

• داده‌های در دسترس تا چه زمانی اعتبار دارند؟

• چه زمانی آرشیو شده و از دسترس افراد خارج می‌شوند؟

• به‌روزرسانی این داده‌ها چطور انجام می‌شود؟

پاسخ این پرسش‌ها به نوع داده، اندازه و نوع سازمان و نوع نیاز افراد به داده بازمی‌گردد.

چرا به این داده‌ها نیاز داریم؟

شاید این مهم‌ترین سؤالی باشد که باید به آن پاسخ داد. پاسخ به این سؤال نحوه ذخیره و تفسیر داده را تعیین و استفاده صحیح از اطلاعات توسط کاربران را ممکن می‌کند.

پاسخ به این سؤال می‌تواند هم‌زمان نقاط مبهم دیگری را هم روشن کند، مثلاً اینکه چطور داده را ذخیره می‌کنیم و منبع اصلی داده کدام است به این پرسش بازمی‌گردد که “چرا به این داده خاص نیاز داریم؟”

حاکمیت داده چه مزایایی دارد؟

در ادامه چند مزیت اصلی اعمال حاکمیت داده را ذکر کرده‌ایم

تضمین کیفیت داده:

آیا به اطلاعاتی که به شما ارائه می‌شود اطمینان دارید؟ تابه‌حال پیش‌آمده که نمودار یا گزارشی را ببینید و این سؤال برای شما پیش بیایید که آیا این اطلاعات درست است؟ منبع این داده کجاست؟ ممکن است این داده‌ها خطا داشته باشند؟

اگر این سؤال‌ها را از خود می‌پرسد؛ یعنی داده در دسترس شما قابل‌اطمینان نیست.

کیفیت داده به‌دقت، کامل‌بودن، ثبات، به‌موقع بودن (timeliness) و اعتبار داده‌ها باز می‌گردد. داده کم‌کیفیت به‌اشتباه و خطاهایی منجر می‌شود که خروجی و عملکرد یک کسب‌وکار را تحت‌تأثیر قرار می‌دهد.

حاکمیت داده با وضع قوانین و فرایندهای صحیح، کیفیت داده و اطلاعات حاصل از آنها را تضمین می‌کند. در نتیجه به‌جای سؤال درباره درست بودن اطلاعات می‌توانید روی خود آنها و معنا و مفهومی که برای کسب‌وکار شما دارد تمرکز کنید

تضمین امنیت داده:

امنیت داده شامل محافظت در برابر دسترسی، استفاده، دست‌کاری و یا افشای غیر مجار داده‌ها است. حاکمیت داده فرایندهای احراز هویت و مجوزهای دسترسی به داده‌ها و نیز ممیزی، پشتیبان‌گیری و روش‌های رمزگذاری داده را تعیین می‌کند.

در نتیجه می‌توان مطمئن شد که هر فرد در سازمان به اطلاعات مرتبط با خودش دسترسی داشته باشد.

تضمین دسترسی به داده:

داده برای اینکه مؤثر واقع بشود باید در تمام سازمان جریان داشته باشد و پرسنل و مدیران بتوانند از آن استفاده کنند و مهم‌تر از آن داده و اطلاعات را با هم و بین دپارتمان‌های مختلف به اشتراک بگذارند.

حاکمیت داده قوانین، چهارچوب، نقش افراد و مجوزهای لازم برای دسترسی به داده را تعیین می‌کند و در نهایت باعث تسهیل در یکپارچه‌سازی، استانداردسازی، فهرست‌نویسی داده (Ddata cataloging) می‌شود

ایجاد زبان مشترک با استاندارد‌سازی در نام‌گذاری و تعاریف:

با استانداردسازی مفاهیم مربوط به داده در کل شرکت یک‌زبان مشترک بین واحدهای مختلف ایجاد می‌شود.

دیگر نیازی به چک‌کردن روش، منبع و یا فرمول‌های استفاده شده در یک گزارش ندارید و واحدهای مالی، فروش، مارکتینگ، زنجیره تأمین و بقیه بخش‌های سازمان می‌توانند به‌سادگی با یکدیگر تعامل کنند.

این موضوع همکاری درون‌سازمانی را تسریع کرده و اتلاف زمان را کاهش می‌دهد.

چالش‌های حاکمیت داده چیست؟

واقعیت این است که اجرای حاکمیت داده در یک سازمان کار سختی است. به قول آقای Wayne Eckerson ( بنیان‌گذار مؤسسه Eckerson و نویسنده کتاب داشبوردهای عملکردی):

“حاکمیت داده شبیه به کشتی‌گرفتن با گراز است! “

بخشی از این دشواری به تضاد ذاتی بین تلاش برای کنترل‌کردن (حاکمیت) و ابزارها و روش‌های مدرن کار با داده (مانند هوش تجاری سلف‌سرویس) بازمی‌گردد.

حاکمیت داده محدودکردن دسترسی‌ها، و کنترل بر جریان اطلاعات را شامل می‌شود؛ اما هوش تجاری سلف‌سرویس با باز گذاشتن دست کاربران برای کار با اطلاعات تلاش می‌کند تا تصمیم‌گیری داده‌محور را در شرکت‌ها گسترش دهد.

از این موضوع که بگذریم شرکت‌ها با چالش‌های زیر در حاکمیت داده روبرو هستند:

محدودیت منابع:

اجرای حاکمیت داده به برنامه‌ریزی دقیق، تخصص و پایش مداوم نیاز دارد. در واقع حاکمیت داده یک پروژه نیست یک پروسه دنباله‌دار است که باید به‌صورت مداوم انجام شود. ممکن است یک شرکت‌ زمان، منابع انسانی و یا تخصص موردنیاز برای هزینه‌کردن در حاکمیت داده را نداشته باشد

بر خلاف آنچه تصور می‌شود حاکمیت داده بیشتر به بخش تجاری یک سازمان یعنی مدیران و رهبران آن وابسته است و نه به افراد بخش IT ، در نتیجه اجرای آن به همکاری و اراده مدیران ارشد نیاز دارد.

سیلوهای داده مجزا (Siloed data) :

پراکندگی داده در دیتابیس‌های متفاوت و عدم یکپارچگی داده‌ها در سازمان یک چالش دیگر در اجرای حاکمیت داده است. دیتا ممکن است با فرمت‌های متفاوت، روی پلتفرم‌های متعدد نرم‌افزاری و در مکان‌های متفاوتی ذخیره شود. این موضوع دسترسی، استفاده و اعمال حاکمیت بر داده را سخت می‌کند.

نبود راهکارهای نرم‌افزاری و ابزارهای کنترل:

بسیاری از شرکت ابزارهای موردنیاز و نرم‌افزارهای لازم برای کنترل داده و اعمال حاکمیت را در اختیار ندارند. مثال ابتدای مقاله را به یاد بیاورید. اعمال حاکمیت داده روی یک فایل سرور عمومی و مملو از فایل‌های اکسل کار دشواری است!

نرم‌افزار هوش تجاری دیکام به شما در اجرای حاکمیت داده و اطلاعات کمک می‌کند

مقاومت در برابر تغییر:

اجرای حاکمیت داده شامل تغییر در رفتار و فرهنگ‌سازمانی نسبت به داده نیز هست. فرهنگ‌سازمانی مطلوب نیاز به اعتماد، شفافیت و مسئولیت‌پذیری در برابر داده دارد. ممکن است افراد داخل شرکت احساس کنند که در حال ازدست‌دادن کنترل و استقلال خود بر داده‌ها هستند. از طرفی فقدان مهارت، دانش و یا انگیزه کافی ممکن است به مقاومت در برابر اجرای طرح حاکمیت داده منجر شود.

چه حوزه‌هایی تحت پوشش حاکمیت داده (data governance) هستند؟

چهارچوب حاکمیت داده باید موارد زیر را پوشش دهد

• معماری داده (Data architecture)

• مدل‌سازی و طراحی داده (Data modeling)

• امنیت داده

• انبار داده و هوش تجاری (business intelligence)

• یکپارچه‌سازی داده (Data integration)

• داده‌های مرجع (Master data)

• فراداده (Metadata)

• کیفیت داده

• اسناد و محتوا

• ذخیره‌سازی داده

نقش‌ها و وظایف مرتبط با حاکمیت داده

واقعیت این است که نمی‌توان یک نسخه عام برای اجرای حاکمیت داده و نقش افراد در آن نوشت. هر سازمان و شرکتی باتوجه‌به اندازه، حجم داده و نیازهای خود باید یک چهارچوب حاکمیت داده را تعریف کند.

مسئولیت تصمیم‌گیری درباره حاکمیت داده در یک شرکت کوچک و متوسط ممکن است به یک یا دو نفر محدود شود

اما به‌طورکلی می‌توان نقش‌های زیر را تعریف کرد.

کمیته یا هیئت حاکمیت داده:

این هیئت معمولاً از مدیران ارشد سازمان تشکیل شده است. هر واحد از شرکت در این هیئت نماینده‌ای دارد (مثلاً مالی، فروش، مارکتینگ و…) وظیفه آنها تعیین استراتژی و خط‌مشی کلی برای اجرای حاکمیت داده است.

کمیته حاکمیت داده روی اجرای صحیح کار نظارت می‌کند و درباره پیشنهادات مباشران داده تصمیم می‌گیرد.

مباشران داده (Data stewards)

مباشر نماینده‌ یک بخش از شرکت است و در آن حوزه خاص (مثلاً مالی) تخصص دارد.مباشر داده واسطه‌ای بین تیم پیاده‌سازی هوش تجاری و کمیته حاکمیت داده است.

مباشران داده مسئول کیفیت، کامل‌بودن و ثبات داده در یک بخش از شرکت هستند.

متولیان داده (Data custodians) :

افرادی که به طور مستقیم به منابع داده دسترسی دارند و می‌توانند با آنها کار کنند. این افراد تخصص‌ها و مشاغل متفاوتی دارند مانند:

• ادمین پایگاه‌های داده

• معمار داده

• طراح انبار داده

• توسعه دهند ETL

• توسعه‌دهنده BI و …

کار آنها ذخیره داده و پیاده‌سازی هوش تجاری است. این افراد با مباشران داده همکاری کرده و استراتژی و قوانین حاکمیت داده که توسط کمیته تعیین شده است را در سطح فنی پیاده‌سازی می‌کنند.

حاکمیت داده چه چیزهایی نیست؟

حاکمیت داده مدیریت آن نیست. حاکمیت ساختار و چارچوب کلی، قوانین و مسئولیت‌ها را تعیین کرده و فرایند‌های اجرای امور را مشخص می‌کند. مدیریت داده؛ یعنی اجرای این قوانین و کارهای فنی و روزانه‌ای که باید انجام شود تا از اعمال حاکمیت داده مطمئن شویم.

حاکمیت داده چه تفاوتی با حاکمیت اطلاعات دارد؟

حاکمیت داده پیش از حاکمیت اطلاعات می‌آید و اگر حاکمیت داده به‌درستی انجام شود کار با اطلاعات راحت‌تر خواهد بود.

منبع:حاکمیت داده چیست؟ به زبان ساده

” هوش تجاری؟ دوست داریم از bi استفاده کنیم؛ اما نمی‌توانیم بودجه زیادی اختصاص بدهیم”

“هوش تجاری به درد شرکتی در اندازه و ابعاد ما می‌خورد؟”

” شرکت ما آن‌قدرها بزرگ نیست که به bi نیاز داشته باشد”

” گزارش حسابداری برای کار ما کفایت می‌کند”

احتمال اینکه یکی از جمله‌های بالا را شنیده باشید و یا خود شما نظری مشابه درباره هوش تجاری داشته باشید زیاد است. ما در این مقاله سعی کرده‌ایم به‌صورت مختصر، مفید و به‌دور از جانب‌داری به کاربرد هوش تجاری برای شرکت‌های کوچک و متوسط بپردازیم و برای سؤالات و دغدغه‌های شما پاسخی مناسب را ارائه کنیم. با دیکام همراه باشید

.

هوش تجاری چیست و چه کاری می‌کند؟

هوش تجاری فقط یک نرم‌افزار نیست؛ بلکه یک مفهوم کلی است. biمجموعه‌ای از نرم‌افزارها، روش‌ها و تکنولوژی‌های متفاوت است که برای جمع‌آوری و تحلیل اطلاعات یک شرکت بکار می‌رود.

به تصویر زیر دقت کنید هوش تجاری اجزای زیر را در برمی‌گیرد.

چتر واژه هوش تجاری و اجزای آن

هوش تجاری به مدیران یک کسب‌وکار کمک می‌کند تا:

• اتفاقاتی که قبلاً در شرکت رخ‌داده را تحلیل کنند

• اتفاقاتی که در حال رخ‌دادن است را به‌دقت رصد کنند

• باتوجه‌به شرایط گذشته و حال حاضر، بهترین تصمیم را برای آینده بگیرند.

به سؤالات زیر نگاه کنید! اینها می‌تواند پرسش‌های اصلی هر مدیری باشد و هوش تجاری می‌تواند به آنها پاسخ دهد.

• وضعیت فروش شرکت چگونه است؟ چطور فروش را افزایش دهم؟

• سودآورترین مشتری من کیست؟

• چطور هزینه‌ها را کاهش دهم؟

• چه بخشی از شرکت من بهره‌وری پایین‌تری دارد؟

• چطور سودآوری شرکت را افزایش بدهم؟

• چطور کارآمدی پرسنل خود را بسنجم؟…

بنابراین، بی‌جهت نیست اگر بگوییم هوش تجاری کارت برنده برای مدیران یک کسب‌وکار است.

از کجا بفهمم به هوش تجاری نیاز داریم؟

تقسیم‌بندی شرکت‌ها به کوچک، متوسط و بزرگ (که بر اساس تعداد پرسنل انجام می‌شود) ملاک خوبی برای اینکه به BI نیاز دارند یا نه نیست!

داده عامل تعیین‌کننده در به‌کارگیری هوش تجاری است. حجم داده، نوع آن و روش استفاده از داده در یک سازمان نیاز شما به هوش تجاری را تعیین می‌کند.

اگر به نشانه‌های زیر برخورد کرده‌اید زمان فکرکردن به هوش تجاری رسیده است:

• فایل‌های اکسل داخل شرکت حجیم و کند شده‌اند و معمولاً هنگ می‌کنند

• فایل‌ها و گزارش‌ها را روی شبکه داخلی، ایمیل یا پیام‌رسان به اشتراک می‌گذارید و از هر فایل گزارش چند نسخه متفاوت به‌صورت هم‌زمان وجود دارد

• انجام هر تغییری زمان بسیار زیادی را از شما می‌گیرد

• داده و اطلاعات باید به‌صورت دستی از یک فایل اکسل به فایل دیگر منتقل شود

• عدم انطباق بین گزارش‌ها زیاد شده است

• علاوه بر مدیریت افراد گزارش گیرنده زیادی در داخل سازمان وجود دارد که گزارش‌ها مخصوص به خودشان را می‌خواهند.

• گزارش‌دهی غیرمتمرکز (مثلاً در حوزه فروش) باعث شده تا گزارش‌های متناقضی با داده‌‌هایی متفاوت تولید شود.

• گزارشات تحلیلی که از سمت مدیریت خواسته می شود از توانایی سیستم‌های داخلی خارج است یا نیاز به تلاش بسیاری برای اجرا دارد.

• اطلاعات بخش مالی باید با داده‌های عملیاتی ارائه و توضیح داده شوند. مثلاً تأثیر محصول، بازار و ترکیب مشتری، واریانس تولید و…

• داده‌های مربوط به رابطه بخش‌های مختلف باید با ابعادی مثل محصول، مشتری، شعبه، منطقه، محل تولید و… توضیح داده شوند

به لیست بالا می‌توان موارد دیگری را هم اضافه کرد. اگر حین کار با داده و اطلاعات با این مشکلات دست‌وپنجه نرم می‌کنید به هوش تجاری نیاز دارید.

چرا شرکت‌های کوچک کمتر از هوش تجاری استفاده می‌کنند؟

این موضوع می‌تواند علت‌های زیادی داشته باشد. قطعاً مدیران شرکت‌های کوچک نیز علاقه‌مند هستند تا از امکانات نرم‌افزاری و تحلیلی که در اختیار همکاران آنها در شرکت‌های بزرگ است استفاده کنند.

اما ممکن است:

• هزینه پیاده‌سازی اولیه و استفاده از نرم‌افزار برای آنها بالا باشد

• منابع کافی (مالی و انسانی) برای ایجاد یک تیم هوش تجاری یا استفاده از مشاور BI را ندارند.

• این ذهنیت در آنها وجود دارد که استفاده از هوش تجاری مختص شرکت‌های بزرگ است

بیایید این موارد را یک‌به‌یک بررسی کنیم

آیا BI پروژه‌ای گران و مخصوص شرکت‌های بزرگ است؟

بد نیست خاطره‌ای که در مصاحبه با یکی از شرکت‌های همکار و مجری هوش تجاری داشتیم را ذکر کنم. از کارشناس آن شرکت سؤال کردیم که برای کسب‌وکارهای کوچک هم برنامه‌ای دارند؟

در کمال تعجب با این پاسخ مواجه شدیم که ” هوش تجاری یک دیگ بزرگ است، و آنها برای تعداد کم آشپزی نمی‌کنند”

واقعیت این است که به‌صورت سنتی هوش تجاری برای شرکت‌های بزرگ و هلدینگ‌های سرمایه‌گذاری ایجاد شده و توسعه پیدا کرده بود. اما BI بیش از 30 سال است که در دسترس قرار دارد و در طول این سه دهه اتفاقات بسیاری رخ‌داده است!

شرکت همکار ما که در بالا به آن اشاره کردیم ترجیح و نفع خود را ملاک قرار داده بود؛ چون هوش تجاری در بازار بین‌المللی مسیری کاملاً متفاوت را طی کرده است.

به یاد دارید که درگذشته نه‌چندان دور داشتن یک تلفن همراه هزینه‌های سنگینی داشت و برای عموم قابل‌دسترس نبود؟ اما امروز میلیون‌ها نفر به‌صورت هم‌زمان به آن دسترسی دارند. چرا؟

پیشرفت تکنولوژی و افزایش تعداد کاربران، هزینه‌های استفاده از فناوری را کاهش می‌دهد. این موضوع درباره هوش تجاری نیز صدق می‌کند.

استفاده از راهکارهای ابری و سلف‌سرویس هزینه تمام شده هوش تجاری را کاهش داده است و استفاده از تحلیل داده و bi را به امری عادی و الزامی برای کسب‌وکارها تبدیل کرده است

.

آیا هزینه اولیه پیاده‌سازی نرم‌افزار BI بالا است؟

بستگی دارد! هوش تجاری یک راهکار ثابت نیست و برای هر شرکت باتوجه‌به شرایط و انتظاراتی که وجود دارد متفاوت است. در نتیجه هزینه‌های اولیه متغیر خواهد بود. راهکار مناسب با شرایط شما که هزینه معقولی داشته باشد قطعاً وجود دارد. پیشنهاد ما این است که استفاده از BI را در یک بخش از شرکت (مثلاً واحد فروش یا مالی) شروع کنید و پس از نتیجه‌گرفتن آن را ادامه دهید.

آیا برای استفاده از هوش تجاری به تیم متخصص یا مشاور خارج از شرکت نیاز دارم؟

مجدداً به شرایط شرکت شما و خواسته‌هایی که از BI دارید بستگی دارد؛ اما لزوماً خیر، در حال حاضر راهکارهای نرم‌افزار سلف‌سرویس در این حوزه وجود دارد که کار با آن‌ها راحت است و به تخصص‌های فنی کمتری نیاز دارد. قبل از عقد قرارداد اطمینان پیدا کنید شرکت ارائه‌دهنده bi پشتیبانی فنی مناسب را به عمل می‌آورد.

استفاده از یک مشاور در پروسه پیاده‌سازی و استفاده می‌تواند کمک بسیار بزرگی باشد. بعضی از شرکت‌های ارائه‌دهنده هوش تجاری (مانند دیکام) خدمات مشاوره را نیز انجام می‌دهند. این مورد می‌تواند به کاهش هزینه و افزایش سرعت کار کمک کند

توصیه می‌کنیم مقاله نکات مهم پیش از به‌کارگیری هوش تجاری و شرایط بازار ایران را مطالعه کنید

چرا شرکت‌های کوچک و متوسط باید از BI استفاده کنند؟

شرکت‌های کوچک همیشه حاشیه امن کمتری نسبت به شرکت‌های بزرگ دارند. ریسک‌پذیری در کسب‌وکارهای کوچک بسیار بیشتر است و متعاقباً نتیجه تصمیم‌های اشتباه تأثیرات بیشتری روی آنها می‌گذارد.

این موضوع خصوصاً برای شرکت‌های که درحال‌رشد (skill) هستند حساسیت بیشتری دارد.

در یک‌کلام هزینه اشتباه‌کردن در بازار برای یک شرکت کوچک بسیار بیشتر از یک شرکت بزرگ و با پشتوانه است.

هوش تجاری و تحلیل داده نقش مهمی در کاهش خطای مدیریتی و ریسک تصمیم‌گیری دارد. همان‌طور که همیشه گفته‌ایم مدیریت بدون هوش تجاری شبیه رانندگی در شب با چراغ خاموش است.

هوش تجاری چطور به شرکت‌های کوچک و متوسط کمک می‌کند.

اشتباه نیست اگر بگوییم مدیران مالی بیشترین استفاده را از هوش تجاری می‌کنند. مهم نیست اندازه شرکت شما چقدر باشد بخش مالی؛ نرم افزارهای حسابداری و داده های آن در تمام شرکت ها وجود دارند.

هوش تجاری می تواند نقش مدیران مالی را از حسابداری سنتی جدا کرده و واحد مالی را به مرکزی برای بهبود سایر بخش های شرکت تبدیل کند.

فروش به عنوان موتور محرک یک کسب و کار بخشی دیگری از شرکت است که می توان عملکرد آن را با هوش تجاری بهبود داد. در ادامه مثال هایی از استفاده هوش تجاری را ذکر کرده ایم

• تحلیل داده‌های مالی و نظارت بر درآمد، سود و سایر شاخص‌های کلیدی عملکرد

• سنجش عملکرد پرسنل

• دنبال‌کردن عملکرد فروش و بازاریابی

• تحلیل رفتار خرید مشتری

• بررسی جزئی پایپ لاین فروش و مارکتینگ و رفع گلوگاه‌های احتمالی

• شناسایی نقاطی که به بهبود نیاز دارند

چقدر طول می‌کشد تا نتیجه استفاده از bi را ببینیم؟

زودتر از آنچه که تصور کنید! اگر چه تغییر فرایندهای کاری قدیمی و استفاده از هوش تجاری زمان بر است؛ اما نتیجه مثبت استفاده را ممکن است از ابتدای کار حس کنید.

اجازه بدهید خاطره‌ای نقل کنم: مدیرعامل یک مجموعه از ما درخواست کرده بود تا از دیتای واقعی آن شرکت برای معرفی نرم‌افزار هوش تجاری دیکام استفاده کنیم. در جلسه معرفی نرم افزار و پس از مشاهده داشبورد اطلاعات آن مدیر بلافاصله تعدادی از پرسنل خود را به جلسه دعوت کرد و بر اساس تحلیلی که از داشبورد انجام شده بود دستوراتی را به واحد فروش آن شرکت ابلاغ کرد.

تحلیل داده و تصمیم‌گیری بر اساس اطلاعات در همان جلسه و بلافاصله بعد از دیدن داشبورد مدیریتی آغاز شد.

نرم‌افزار BI مناسب برای شرکت‌های کوچک چه خصوصیاتی دارد؟

نرم‌افزار هوش تجاری باید خصوصیات زیر را داشته باشد تا گزینه مناسبی برای شرکت‌های کوچک و متوسط به‌حساب بیاید.

• استفاده از نرم‌افزار آسان بوده و به‌اصطلاح کاربرپسند (user friendly) باشد.

• امکان استفاده از نرم‌افزار به‌صورت سرویس زمانی (SAAS) وجود داشته باشد

• امکان استفاده سلف سرویس از نرم افزار وجود داشته باشد.

• پشتیبانی کامل نرم افزار توسط شرکت ارائه دهنده انجام شود

• ساخت داشبورد و گزارش بدون محدودیت انجام شود

• اشتراک‌گذاری اطلاعات بین اعضای تیم ممکن باشد

• هزینه‌های پنهان زیادی نداشته باشد و هزینه لایسنس نرم‌افزار مناسب باشد.

جمع‌بندی پایانی

• هوش تجاری مجموعه‌ای از نرم‌افزارها و روش‌ها است که برای تحلیل اطلاعات یک شرکت به کار می‌رود.

• هوش تجاری به پرسش‌های اصلی یک مدیر پاسخ می‌دهد

• نوع، حجم و روش استفاده از داده نیاز یک شرکت به هوش تجاری را مشخص می‌کند

• اگر نرم‌افزارهایی مانند اکسل پاسخگوی نیاز شما نیست به استفاده از هوش تجاری فکر کنید

• شرکت‌هایی کوچک به دلیل بودجه کم یا ذهنیت نادرست کمتر از هوش تجاری استفاده می‌کنند

• BI در ابتدا برای شرکت‌های بزرگ تهیه شد؛ اما اکنون همه می‌توانند از آن استفاده کنند

• هزینه استفاده از هوش کسب‌وکار برای شرکت‌های کوچک زیاد نیست

• نرم‌افزارهای جدید سلف‌سرویس نیاز به تیم متخصصین BI را کمتر کرده است

• شرکت‌های کوچک بیشتر از شرکت‌های بزرگ به هوش تجاری نیاز دارند

• مدیران مالی می‌توانند بیشترین استفاده را از نرم‌افزار BI ببرند

• برگشت سرمایه و نتیجه‌گیری از پروژه هوش تجاری می‌تواند بسیار سریع باشد

• یک نرم‌افزار خوب BI باید کاربرپسند بوده و امکان ساخت نامحدود داشبورد و گزارش را به شما بدهد

منبع:آیا هوش تجاری برای شرکت‌های کوچک و متوسط مناسب است؟

هوش تجاری درذات‌خود یک مزیت ساده و اصلی دارد. نرم‌افزار هوش تجاری به شرکت‌ها کمک می‌کند تا از داده و اطلاعات برای جواب‌دادن به سؤال‌های اساسی و مهم یک کسب‌وکار استفاده کنند.

به زبان ساده bi پرسش‌هایی که مدیران با آن مواجه می‌شوند را پاسخ می‌دهد و به آنها در دوراهی تصمیم‌گیری کمک می‌کند.

شاید این موضوع در نگاه اول ساده به نظر برسد؛ اما تجربه استفاده از BI به همین سادگی نیست. قرار نیست سیم هوش تجاری را به برق بزنیم و نرم‌افزار جواب سؤال‌های ما را بدهد!

اگرچه نرم‌افزارهای سلف‌سرویسbi فرصت فوق‌العاده‌ای برای کاربران معمولی (business users) به وجود آورده تا هوش تجاری را از نزدیک تجربه کنند؛ اما این موضوع لزوماً به این معنی نیست که هر کسی می‌تواند داشبوردهای به‌دردبخوری بسازد یا تحلیل پیچیده داده را بدون آموزش و تمرین انجام دهد.

کاربر هوش تجاری باید اصول تحلیل داده را بداند تا بتواند اطلاعات به‌دردبخور را از داخل داده‌ها بیرون بکشد.

این موضوع ما را با این سؤال اساسی روبرو می‌کند:

کاربران هوش تجاری چطور از سؤال‌هایی که در مورد کسب‌وکار دارند به تحلیل‌های به‌دردبخور برسند؟ داده را چگونه تحلیل و تصویرسازی کنند که دقیقاً پاسخ سؤال آنها را بدهد؟

توانایی تبدیل یک سؤال تجاری به نمودار یا داشبوردی (مصورسازی) که جواب آن سؤال را بدهد یکی از مهم‌ترین مهارت‌ها در حوزه کار با داده است.

یادگیری این مهارت برای هر کس که می‌خواهد به‌طورجدی با داده کار کند ضروری است. در این مقاله سعی کرده‌ایم مراحل رسیدن از پرسش تجاری به جواب و نکته‌های مرتبط با آن را بررسی کنیم. با دیکام همراه باشید.

سؤال درست را از هوش تجاری بپرسید

اگر می‌خواهید پاسخ پرسش‌های خود را از تحلیل داده بگیریم ابتدا باید سؤال درست را بپرسیم. معمولاً مشکل از محتوای سؤال نیست مشکل در قالب‌بندی پرسش و نوع پرسیدن است.

نرم‌افزار هوش تجاری نمی‌تواند نتایج و پاسخ‌های کیفی در اختیار ما بگذارد یا از قضاوت شخصی برای سنجیدن وضعیت استفاده کند.

این ابزارها برای نمایش‌دادن سنجه‌ها، KPIها و سایر شاخص‌های عددی که قابل شمردن و اندازه‌گیری هستند استفاده می‌شوند. در نتیجه کاربر باید سؤالاتی را بپرسد که بتوان با یک شاخص و متریک به آن پاسخ داد و نیاز به ارزیابی ارزشی و کیفی نداشته باشد.

برای مثال اساسی‌ترین پرسشی که درباره یک کسب‌وکار داریم چیست؟ اوضاع شرکت من خوب است یا نه؟

یک تحلیلگر(یک انسان، مثلاً مشاور مالی) با نگاه‌کردن به داده‌های مرتبط و استفاده از قضاوت شخصی خود ممکن است به این سؤال پاسخ دهد. اما چنین تحلیلی از عهده یک ابزار هوش تجاری برنمی‌آید.

وقتی می‌خواهیم از هوش تجاری استفاده کنیم باید سؤال را به شکل بچینیم که قابل‌فهم برای BI باشد.معمولاً تحلیلگر هوش تجاری این کار را با اندازه‌گیری شاخص‌ها و KPIهای مرتبط با آن سؤال انجام می‌دهد.

KPIیعنی یک شاخص کلیدی و نشانگر برای یک عملکرد خاص، ایده استفاده از KPI به این حقیقت برمی‌گردد که یک سنجه یا متریک باوجودآنکه مقداری عددی است؛ اما به‌عنوان شاخصی برای یک‌روند کیفی در نظر گرفته می‌شود.

مثلاً وضع سلامتی یک کسب‌وکار ممکن است با چند سنجه مختلف مثل درآمد، نرخ تبدیل مشتری، سوددهی و… اندازه‌گیری شود. وقتی این متریک‌ها را اندازه می‌گیریم عملکرد را اندازه گرفته‌ایم.

به زبان KPI صحبت کنید

به‌جای پرسیدن سؤالاتی مثل ” اوضاع شرکت من خوب است یا نه؟” باید KPI یا متریک‌هایی که برای پاسخ به آن سؤال مهم هستند را شناسایی و آنها را اندازه بگیریم. البته KPIها برای هر کسب‌وکار متفاوت هستند و به همین دلیل داشتن شم تجاری خوب به شما در ساخت داشبورد مدیریتی و گزارش و تحلیل داده کمک می‌کند.

بعضی شرکت‌ها ممکن است فقط به خالص درآمد توجه کنند درحالی‌که شرکت‌های دیگر به مجموعه‌ای از KPI هل نیاز دارند تا سلامت کسب‌وکار خود را بسنجند.

با استفاده از KPI می‌توانید سؤال‌های اساسی یک کسب‌وکار مثل ” وضع شرکت چطور است” را به یک جریان عملی و پاسخگو از اطلاعات مثل:

” روند رشد درآمد چطور است؟” یا ” نرخ تبدیل لید به مشتری چقدر است؟” تبدیل کنید

روشی که در بالا گفته شد به درک حداقلی کاربر از شاخص‌ها و معنای آنها برای یک کسب‌وکار نیاز دارد. بعضی از اوقات درک معنی تغییر در یک KPI سخت است بعضی از متریک‌ها مثل درآمد معنی واضحی دارند؛ اما شاخص‌های دیگر ممکن است به همین سادگی نباشند.

کاربر باید خودش قضاوت کند که معنی یک متریک چیست و مهم‌تر از آن اینکه در مقابل تغییر در یک شاخص چه کاری باید انجام بدهد.

چطور تحلیل داده پاسخ سؤالات تجاری را می دهد‎‌

بعد از اینکه کاربر فهمید چه می‌خواهد و پرسش درست را انتخاب کرد باید ببینیم چطور می‌توان با استفاده از داده به آن سؤال جواب داد. بعضی وقت‌ها پاسخ خیلی ساده است و بعضی‌اوقات تحلیل داده بسیار پیچیده می‌شود.

اول قدم در این فرایند انتخاب داده‌ای است که برای تحلیل استفاده می‌شود. کاربر باید حواسش باشد که

• چه شاخصی را می‌خواهد اندازه بگیرد

• کجا می‌توانند آن داده مربوط به آن را پیدا کند

• چطور به آن منبع داده متصل شود.

مثلاً اگر می‌خواهیم داده‌های مالی را تحلیل کنیم باید ابزار BI را به نرم‌افزار حسابداری متصل کنیم یا به‌صورت دستی داده را آپلود کنیم. باید مطمئن بشویم که از داده درست استفاده می‌کنیم.

داده باید به صورتی انتقال داده شود که بهترین نتیجه را به ما بدهد. انتقال داده مبحث پیچیده‌ای است. ولی فعلاً در همین حد کفایت می‌کند که بگوییم انتقال داده بخش حیاتی این کار است.

بعد از جمع‌آوری و انتقال داده وقت تحلیل‌کردن آن می‌رسد. در بسیاری از موارد تحلیل داده آسان است. مثلاً اگر بخواهیم روند دریافت عایدی را بررسی کنیم خیلی ساده در یک نمودار رابطه بین درآمد و زمان را نشان می‌دهیم.

در شرایط دیگر ممکن است تحلیل‌های پیچیده‌تری نیاز باشد. مهم است که پرسش درست را بدانیم، متریک و شاخص‌ها را بشناسیم و بدانیم که یک سنجه چطور باید بیان بشود تا بهترین جواب را به ما بدهد. این مهارتی است که به آموزش و تمرین نیاز دارد تا کاربران بتوانند موارد استفاده پیچیده‌تر را یاد بگیرند.

جواب سؤال‌ها را روی نمودار و داشبورد به تصویر بکشید

مصورسازی داده آخرین گام در فرایند تحلیل داده است. تحلیلگر باید نمودارها و داشبوردهایی بسازد که بهترین جواب را به سؤالات بدهند و درعین‌حال تجربه کاربری خوبی هم ایجاد بکند.

انتخاب یک نمودار خوب به‌دقت نیاز دارد و کاربر باید آموزش حداقلی برای مصورسازی را ببیند.

توصیه‌های زیر برای کاربرانی است که مصورسازی داده را به‌تازگی شروع کرده‌اند:

اولویت با خوانایی است نه با زیبایی

استفاده از جذاب‌ترین نمودارها برای نمایش اطلاعات وسوسه‌کننده است خصوصاً برای کاربرانی که از نرم‌افزارهای سلف‌سرویس استفاده می‌کنند. در مقابل این وسوسه مقاومت کنید! اول مطمئن شوید که داشبورد یا نمودار شما خوانا و قابل‌درک است.

ساده‌ترین تصویرسازی همیشه بهترین نیست

بعضی از کاربرها به نمودارهایی آشنا مثل نمودار میله‌ای یا دایره‌ای وابسته می‌شوند. این نمودارها تصویرسازی‌های خیلی کارآمد و خوبی هستند؛ اما ظرافت‌ها و جزئیات گراف‌های تخصصی را ندارند.

دست نگه دارید، عقب بروید و یک نگاه کلی به داشبورد بیندازید

آیا داشبوردی که ساخته‌اید واقعاً جواب سؤالات شما را می‌دهد؟ ممکن است در فرایند تحلیل داده و ساخت داشبورد از هدف اولیه منحرف بشوید بنابراین کاری که می‌کنید را مرتب کنترل کنید.

آیا تصویرسازی که می‌بینید یا اعداد روی صفحه قابل‌فهم است؟ جمع‌بندی کلی داشبورد صحیح به نظر می‌رسد؟ اگر آن را به یک فرد غیرمتخصص نشان بدهید می‌تواند درباره وضعیت کسب‌وکار شما نتیجه‌گیری کند؟

جمع‌بندی پایانی

• هوش تجاری سلف‌سرویس مزیت‌های فراوانی دارد اما ساخت یک داشبورد یا نمودار مؤثر و قوی کار راحتی نیست و کاربران تازه‌کار برای نتیجه‌گرفتن از هوش تجاری به تمرین و آموزش نیاز دارند.

• تبدیل یک سؤال به تحلیل و مصورسازی درست یکی از مهم‌ترین مهارت‌ها در کار با داده است.

• به‌جای سؤال‌های کیفی و نامشخص، سؤالاتی را بپرسید که با kpi و متریک بتوان به آنها پاسخ داد.

• مطمئن شوید که داده را به‌درستی انتخاب، جمع‌آوری و تحلیل می‌کنید

• سعی کنید تصویرسازی داده را درک کنید و بهترین نمودارها را برای پاسخ‌دادن به سؤال‌های خود انتخاب کنید.

منبع:از پرسش تا پاسخ با هوش تجاری و تحلیل داده

تابه‌حال با آگهی‌ها و فرصت‌های شغلی در حوزه هوش تجاری برخورد داشته‌اید؟ اگر سایت‌های کاریابی یا شبکه‌های اجتماعی مانند لینکدین را دنبال کنید با عناوین شغلی مثل کارشناس bi و توسعه‌دهنده هوش تجاری (bi developer) روبرو خواهید شد.

مقاله زیر درباره کارشناس یا تحلیل‌گر هوش تجاری (bi analyst)است. تلاش کرده‌ایم تا شرحی از وظایف، مهارت‌های موردنیاز و فرصت‌های بازار کار را بررسی کنیم. در انتها تفاوت تحلیلگر BI با سایر مشاغل موجود در حوزه هوش تجاری و تحلیل داده را مرور خواهیم کرد. با هوش تجاری دیکام همراه باشید

در این مقاله برای دوری از پیچیدگی کارشناس و تحلیلگر هوش تجاری به‌صورت مترادف بکار رفته است.

هوش تجاری چیست؟

قبل از اینکه به سراغ شغل تحلیلگر برویم بهتر است تعریفی از هوش تجاری داشته باشیم.

هوش تجاری فرایندی است که در آن داده‌های یک شرکت (مثلاً داده مالی، فروش و مارکتینگ) گردآوری شده و به‌صورت گزارش و داشبورد مدیریتی با مدیران و پرسنل به اشتراک گذشته می‌شود.

نتیجه نهایی بررسی، تحلیل و به‌اشتراک‌گذاری این اطلاعات، تصمیم‌گیری هوشمند و به‌موقع گردانندگان آن کسب‌وکار است.

کارشناس هوش تجاری یا تحلیلگر bi چه می‌کند؟

تحلیلگر BI از مهارت و ابزارهای خود برای گردآوری داده، ساخت مدل‌های داده، تحلیل داده و مصورسازی داده (ساخت داشبورد) استفاده می‌کند. سپس گزارش‌ها و داشبوردهای ساخته شده را در اختیار مدیران شرکت قرار می‌دهد.

تحلیلگر هوش تجاری رابط و پلی بین قسمت تجاری یک کسب‌وکار یعنی مدیران با حوزه فنی یعنی متخصصان IT و مهندسان داده (data engineer) است؛ به همین دلیل تحلیلگر BI در کنار مهارت‌های فنی کار با داده، باید درک خوبی از کسب‌و‌کار داشته باشد.

تحلیلگر هوش تجاری باید مشکلات و خواسته‌های مدیران و نیاز یک کسب‌وکار را درک کند تا بتواند پاسخ سؤالات آنها را به‌صورت گزارش، داشبورد و تحلیل از داخل داده‌ها استخراج کند.

شرح وظایف کارشناس هوش تجاری

وظایف یک کارشناس هوش تجاری ممکن است باتوجه‌به نوع و ابعاد پروژه و نیازهای یک کسب‌وکار متفاوت باشد.

حیطه کاری یک کارشناس bi می‌تواند با وظایف تحلیلگر داده ازیک‌طرف و تحلیلگر کسب‌و‌کار (business analyst) از طرف دیگر همپوشانی داشته باشد. اما به‌صورت کلی شامل موارد زیر می‌شود:

• تعامل با مدیران برای شناسایی KPIهای کسب‌وکار، بررسی نقاط ضعف و بهینه‌سازی فرایند‌ها
• توسعه و نگهداری از راهکار هوش تجاری
• آماده‌سازی و گردآوری داده بر اساس نیازهای تجاری و تحلیلی یک شرکت
• طراحی و ساخت مدل‌های جدید داده
• همکاری با متخصصان IT برای اجرای مدل‌های جدید داده
• مصورسازی داده و تهیه داشبوردهای تعاملی و به‌اشتراک‌گذاری آن با مدیران و پرسنل
• انجام تحلیل بصری(visual analysis)، تحلیل آماری(statistical analysis) و تحلیل توصیفی (descriptive analysis) برای شناسایی روند‌های اتفاق افتاده در کسب‌و‌کار
• تهیه گزارش‌های استاندارد و درخواستی دپارتمان‌ها برای بهبود فرایند‌های تجاری
• همکاری و تماس با پرسنل کلیدی در شرکت برای اطمینان از انجام صحیح فرایندهای مرتبط با هوش تجاری

مهارت‌های لازم برای تحلیلگر هوش تجاری

یک کارشناس هوش تجاری به طیفی از مهارت‌ها نیاز دارد. ما مهارت‌های لازم برای تحلیلگر هوش تجاری را به دودسته مهارت‌های سخت (hard skills) و مهارت‌های نرم (soft skills) تقسیم کرده‌ایم.

مهارت‌های سخت موردنیاز برای تحلیلگر BI

اکسل

واقعیت این است که عنوان شغلی شما تفاوتی نمی‌کند! اگر با داده سروکار دارید درهرصورت به اکسل نیاز پیدا خواهید کرد. تحلیلگر bi به مهارت استفاده از اکسل در سطوح پیشرفته نیاز دارد.

پایگاه‌های داده رابطه‌ای (RDBMS) و زبان برنامه‌نویسی SQL

Bi با داده تجاری سروکار دارد (مثلاً مالی و فروش) این نوع از داده‌ها در پایگاهی داده رابطه‌ای (relational database) ذخیره می‌شوند. توانایی کار با دیتابیس‌هایی مثل SQL Server، MySQL و Oracle، تسلط به زبان SQL برای پرس‌وجو (query) در این دیتابیس‌ها و تسلط به سرویس‌های SSRS, Ssis, SSAS مهارتی لازم برای تحلیلگر BI است.

ابزارهای BI برای تحلیل، مدل‌سازی و مصورسازی داده

مهارت کار با ابزارهای هوش تجاری بخش مهمی از توانایی‌های یک کارشناس bi است. در حال حاضر ابزارهای متعددی در دسترس تحلیلگران وجود دارد؛ اما نرم‌افزارهای زیر بیشتر مورداستفاده قرار می‌گیرند‌:

• Microsoft Power BI
• Tableau
• QlikView
• Looker Studio(Google Data Studio)

نیازی نیست تا به تمام این ابزارها تسلط داشته باشید؛ اما به تسلط کامل روی یکی از این ابزارهای bi نیاز دارید.

زبان‌های برنامه‌نویسی (Python, R)

علاوه بر موارد ذکر شده در بالا، تسلط به زبان‌های برنامه‌نویسی پایتون و R کمک بزرگی برای تحلیلگر BI است. پایتون برای پردازش و پاک‌سازی داده و زبان R برای مدل‌سازی و محاسبات آماری استفاده می‌شود.

دید تجاری و دانش کسب‌وکار (business knowledge)

برای تبدیل‌شدن به یک کارشناس هوش تجاری باید درک و دید خوبی از کسب‌وکار به‌صورت کلی و حوزه‌ای که در فعالیت می‌کنید به‌صورت خاص داشته باشید. باید آن صنعت، مشتریان، بازار و رقبای شرکت را بشناسید.

دانش کسب‌وکار شامل درک رفتار سازمانی، رفتار مشتری، مهارت‌های مدیریت مالی و درک فرایند فروش و مارکتینگ است.

داشتن دید تجاری به کارشناس bi کمک می‌کند تا تعامل بهتری با مدیران و ذی‌نفع‌های کسب‌وکار داشته باشد؛ نیازها و اهداف آن شرکت را درک کند و بر اساس دادهایی که در اختیار دارد توصیه‌های بهتری را در اختیار آنها قرار بدهد.

به موارد بالا می‌توان مهارت مدیریت پروژه را هم اضافه کرد.

مهارت‌های نرم موردنیاز برای تحلیلگر BI

مهارت‌های نرم، ویژگی‌های شخصی و مهارت‌هایی هستند که در ارتباط با سایر افراد به شما کمک می‌کنند. توانایی برقراری ارتباط با مشتری، همکاری تیمی مؤثر، توانایی مذاکره از جمله مهارت‌های نرم هستند. در ادامه چند مورد از مهارت‌های نرم و کاربردی مهم برای کارشناس BI را ذکر کرده‌ایم.

مهارت‌های تحلیلی

مهارت تحلیلی مجموعه‌ای از مهارت‌ها است که به شما برای یک مسئله پیچیده کمک می‌کند. مهارت تحلیلی مواردی مانند تفکر انتقادی، جستجو و تحقیق، توانایی حل مسئله و… را شامل می‌شود.

مهارت برقراری ارتباط و همکاری تیمی مؤثر

به‌عنوان کارشناس BI با طیف وسیعی از افراد متفاوت در موقعیت‌های شغلی متنوع برخورد خواهید داشت. از طرفی با مدیران و پرسنل یک شرکت یعنی بخش تجاری آن در تماس خواهید بود و از طرفی با سایر متخصصان داده مثل تحلیلگر داده، مهندس داده، و دانشمند داده همکاری خواهید داشت.

به همین دلیل توانایی بالا در برقراری ارتباط با دیگران، شنیدن فعال صحبت‌های آنها و پرسیدن سؤالات درست به شما در انجام وظایف یک کارشناس هوش تجاری کمک می‌کند.

به جز دو مورد بالا مهارت‌های زیر به شما کمک خواهد کرد:

• مهارت ارائه
• یادگیری سریع
• برنامه‌ریزی و مدیریت زمان

فرصت‌های پیش‌روی کارشناس هوش تجاری چیست؟

تقاضای زیاد و ارزش بالای شغلی

تقاضا برای استخدام کارشناس BI در سال‌های گذشته در بازار داخل و خارج از کشور سیر صعودی داشته است. به علت اهمیت استفاده از داده در کسب‌وکارها هر ساله شرکت‌های بیشتری از راهکارهای هوش تجاری می‌کنند و موقعیت‌های جدید برای شغل کارشناس bi ایجاد می‌شود.

فرصت شغلی در صنایع و بخش‌های متنوع

کارشناس هوش تجاری فرصت همکاری با طیف وسیعی از صنایع و بخش‌های مختلف مانند صنایع تولیدی، مالی و پولی، خرده‌فروشی، آموزش، خدمات، پخش و توزیع و… را دارد.

در هر بخشی و صنعتی که داده وجود دارد و نیاز به بهبود عملکرد، افزایش سودآوری، افزایش رضایت مشتری و بهبود مزیت رقابتی وجود داشته باشد هوش تجاری و کارشناسان آن امکان انجام فعالیت را دارند.

یادگیری مداوم و ارتقای شغلی

تحلیلگر bi به یادگیری پیوسته نیاز دارد. شما به‌صورت مداوم با پروژه‌ها، مسائل، تکنیک‌ها، داده و ابزارهای جدید روبرو خواهید شد و فرصت یادگیری و تعامل با سایر متخصصین داده را خواهید داشت. این موضوع فرصت‌ها و موقعیت‌های زیادی را برای کار، کسب تجربه و شبکه‌سازی در اختیار شما قرار می‌دهد.

یک تحلیلگر هوش تجاری فرصت ورود و کار در سایر موقعیت‌های شغلی این حوزه (مثلاً تحلیلگر داده) را نیز دارد ضمن اینکه امکان کار فریلنسری و یا مشاوره به مشتریان متعدد را خواهد داشت.

بازار کار تحلیلگر هوش تجاری در خارج از کشور

پیش‌بینی می‌شود که ارزش بازار هوش تجاری از 27 میلیارد دلار در سال 2022 به 54 میلیارد دلار در سال 2030 خواهد رسید که به معنای افزایش فرصت‌های شغلی باز برای کارشناسان هوش تجاری است.

در حال حاضر متوسط درآمد سالیانه برای تحلیلگر هوش تجاری در امریکا 88 هزار دلار برآورد می‌شود. این مبلغ برای کارشناس ارشد (senior) 115 هزار دلار در سال و برای سمت مدیر (Bi Analyst manager) 142 هزار دلار در سال برآورد می‌شود. (منبع سایت glassdoor)

تفاوت کارشناس bi با تحلیلگر داده (data analyst) و دانشمند داده (data scientist)

درحالی‌که تمام این مشاغل به نحوی با داده و تحلیل آن سروکار دارند باید به تفاوت‌های آنها توجه کرد. هوش تجاری به‌طورکلی روی داده‌های تجاری تمرکز دارد و هدف کارشناس هوش تجاری رساندن اطلاعات درست به کاربران تجاری (مدیران و پرسنل) است تا فرایند تصمیم‌گیری در یک سازمان را بهبود پیدا کند.

از طرفی دانشمند داده و تحلیلگر داده ممکن است با انواع مختلفی از داده‌ها سروکار داشته باشند که لزوماً به مربوط به یک کسب‌وکار نیست.

در بخش تحلیل داده، تمرکز عمده هوش تجاری بر تحلیل توصیفی و تحلیل بصری است. در مقابل تحلیل‌های پیش‌بینی‌کننده (predictive analysis) و تجویزکننده (prescriptive analysis) در حیطه کاری تحلیل‌گر و دانشمند داده قرار می‌گیرد.

دانشمندان داده از تکنیک‌های یادگیری ماشین و هوش مصنوعی برای بررسی داده و آزمایش فرضیه‌های مختلف استفاده می‌کنند

تحلیلگر Bi باید به حوزه تجاری که در آن فعالیت می‌کند اشراف داشته باشد این موضوع در مورد تحلیلگر داده و یا دانشمند داده لزوماً صادق نیست.

در نهایت در بسیاری از مهارت‌های پایه بین تحلیلگر داده و کارشناس bi (گردآوری پالایش و مصورسازی داده) همپوشانی وجود دارد؛ اما حیطه و نوع فعالیت آنها متفاوت است.

توسعه‌دهنده bi چه تفاوتی با تحلیلگر هوش تجاری دارد

در عنوان‌های شغلی هوش تجاری در کنار تحلیلگر BI، توسعه‌دهنده BI نیز دیده می‌شود.

تفاوت این دو بیشتر در محل تمرکز و دامنه فعالیت آنها است. تحلیلگر معمولاً بر تجزیه‌وتحلیل و تهیه گزارش با استفاده از ابزارها و تکنیک‌های مختلف تمرکز دارد و واسطی بین کاربر تجاری با داده‌های شرکت است.

درحالی‌که توسعه‌دهنده روی بخش فنی کار و طراحی و توسعه ساختارهای داده،انبارهای داده، ابزارها و برنامه‌هایی که تجزیه‌وتحلیل را امکان‌پذیر می‌کنند تمرکز دارد.

منبع: کارشناس هوش تجاری یا تحلیلگر بی آی کیست؟ شرح وظایف، مهارت‌ها و بازار کار

معمولاً تاریخچه موضوعاتی را بررسی می‌کنیم که از نظر زمانی قدمت دارند و یا اتفاقات زیادی در حواشی آن رخ‌داده است. اما به نظر می‌رسد هوش تجاری این ویژگی‌ها را نداشته باشد. لااقل در کشور ما هوش تجاری کلمه‌ای جدید است که تا چند سال قبل و پیش از ورود نرم‌افزار Power Bi جز در همایش‌های خاص شنیده نمی‌شد.

اما باور می‌کنید که واژه “Business Intelligence” حداقل 150 سال قدمت دارد؟ روش‌ها و تکنولوژی‌های BI در این سال‌ها مرتب تغییر کرده؛ اما مفهوم کلی آن همچنان ثابت باقی‌مانده است.

اگر علاقه‌مند هستند درباره هوش تجاری بیشتر بدانید به مطالعه ادامه دهید. سعی کرده‌ایم تاریخچه کامل هوش تجاری از ابتدا تا امروز را در یک مقاله گردآوری کنیم.

ممکن است در برخی از قسمت‌های مقاله هوش تجاری (BI) و تحلیل کسب‌وکار (BA) به‌صورت مترادف به‌کاررفته باشد. در انتهای مقاله خط زمانی رویدادهای مرتبط با هوش تجاری ذکر شده است. با هوش تجاری دیکام همراه باشید

خواستگاه اولیه هوش تجاری (1864 تا 1958 میلادی)

کلمه هوش تجاری (Business Intelligence) را اولین‌بار ریچارد میلر دیونس (Richard Millar Devens) در 1864 میلادی و در کتاب خود “دایره المعارف حکایات بازرگانی و تجاری” به کاربرد.

اما چطور چنین چیزی ممکن است؟ 159 سال قبل کامپیوتر، نرم‌افزار و وسیله الکترونیکی وجود نداشت پس میلر درباره چه چیزی صحبت کرده است؟

برای درک این موضوع باید به تعریفی که امروز برای هوش تجاری داریم مراجعه کنیم: BI فناوری‌ها، تکنولوژی‌ها و روش‌هایی است که برای جمع‌آوری، تحلیل و نمایش داده استفاده می‌شود تا به مدیران یک شرکت برای تصمیم‌گیری کمک کند.

میلر در کتابش داستان یک بانکدار فرانسوی (Sir Henry Furnese) را نقل کرده و از او به‌عنوان نمونه‌ای از “هوش تجاری” یاد می‌کند.

بانکدار داستان ما (هنری فرنس) یک روش جالب برای تجارت داشت. او هر نوع خبر یا اطلاعاتی که به بازار و تجارت مرتبط بود را جمع‌آوری می‌کرد. اخبار و اطلاعات درباره جنگ‌ها و وضعیت تجارت در کشورهای دور قبل از اینکه به گوش دیگران برسد در اختیار فرنس قرار می‌گرفت. او پس از تحلیل این اطلاعات تصمیم می‌گرفت تا چه کاری را برای توسعه تجارتش انجام دهد. به همین دلیل همیشه یک‌قدم از رقبای خود جلوتر بود.

با این توصیف مفهوم اصلی و پایه‌ای هوش تجاری از گذشته تا به امروز تغییر زیادی نکرده است. هوش تجاری همچنان درباره استفاده درست از اطلاعات برای تصمیم‌گیری صحیح در تجارت است.

اما شرایط نسبت به گذشته تغییر کرده است. از جمله:

• نوع انجام و مدیریت کارها نسبت به گذشته تغییر کرده و سرعت بسیار زیادی گرفته است
• حجم اخبار و اطلاعات یا به عبارتی داده‌ها در مقایسه با گذشته افزایش فوق‌العاده‌ای یافته است.

دقیقاً همین دو دلیل باعث شد تا در ابتدای قرن بیستم افراد و شرکت‌های زیادی برای تحلیل داده و اطلاعات توسط ماشین (ابتدا مکانیکی و بعد الکترونیکی) تلاش کنند.

مفاهیم، ابزارها و تکنولوژی‌های مرتبط با تحلیل داده و هوش تجاری به‌مرور در طول قرن بیستم شکل گرفت و توسعه پیدا کرد. ایده اولین کامپیوترهای آنالوگ (مکانیکی) در اواسط قرن نوزدهم میلادی مطرح شد. در اواخر قرن 19 اولین ماشین‌های الکترومکانیکی حسابداری توسط هرمان هولریث (Herman Hollerith) اختراع شدند و ایده ذخیره داده به‌وسیله کارت‌های پانچ عملی شد.

هر چند تکنولوژی راه طولانی در پیش‌داشت اما ذخیره و تحلیل داده شروع شده بود.

انقلاب صنعتی، مدیریت نوین و نیاز به تحلیل داده

سال‌های آخر قرن نوزدهم و ابتدای قرن بیستم میلادی آبستن تغییرات بزرگی در صنعت، تولید، مفاهیم مدیریت و کسب‌وکار بود.

تا پیش از انقلاب صنعتی نرخ تولید بسیار پایین بود. خط تولید صنعتی این امکان را فراهم آورد تا افراد بیشتری روی قسمت کوچک‌تری از کار تمرکز کنند در نتیجه فعالیت‌ها تخصصی شد. بهره‌وری و به دنبال آن تولید به‌شدت افزایش پیدا کرد.

هنری فورد در امریکا استفاده از خط تولید صنعتی را به کمال رساند و تولید اتومبیل را در تعداد بسیار زیاد ممکن کرد. تولید صنعتی با خود دو چیز به همراه آورد:

• نیاز به مدیریت دقیق عملکرد در داخل شرکت‌ها
• نیاز به درک عمیق از بازار و مشتری بر اساس داده و اطلاعات

مفاهیم مرتبط با سنجش رفتار مشتری و تحلیل داده‌های بازار در دهه 20 میلادی توسط آرتور نیلسون (Arthur Nielsen) معرفی شد و در دهه 50 میلادی اصول مدیریت نوین توسط پیتر دراکر شکل گرفت (مدیریت بر اساس اهداف MBO)

در واقع صنعت، مدیریت و بازاریابی نوین بر پایه‌های از جنس سنجش عملکرد و تحلیل داده‌ها مستقر شده است. کسب‌وکارهای مدرن برای اینکه در بازار دوام بیاورند به روش‌های جدید گزارش‌گیری و تحلیل اطلاعات نیاز داشتند و این کار فقط از عهده ماشین‌های جدید یعنی ” کامپیوترها” بر می‌آمد.

تأسیس IBM و پیدایش علم تحلیل داده

پیدایش مفاهیم اولیه کامپیوتر، سخت‌افزار و نرم‌افزارهای آن با اسم شرکت IBM گره‌خورده است.IBM در 1911 میلادی تأسیس شد، کار خود را با ساخت ماشین‌های الکترومکانیکی حسابداری آغاز کرد و در چند دهه بعد به خط‌شکن بلامنازع تکنولوژی کامپیوتر در جهان تبدیل شد.

تا پیش از ظهور کامپیوترها داده‌های یک شرکت داخل پرونده‌های فیزیکی و کمدهای مدارک ذخیره می‌شد داده‌های که سال‌به‌سال بر حجم و ابعاد آن اضافه می‌شد؛ اما راهی برای استفاده مؤثر از آنها وجود نداشت. در دهه 50 میلادی IBM اولین هارددیسک برای ذخیره اطلاعات را اختراع کرد این اتفاق نقطه شروعی برای تغییر در نوع استفاده از داده بود.

در همان زمان محققی المانی به نام پیتر لوهان (Peter Luhn) در شرکت IBM مشغول به کار بود. از لوهان تحقیقات و ابداعات زیادی در زمینه علوم کامپیوتر برجای‌مانده اما مقاله او به نام ” یک سیستم هوش تجاری” که در سال 1958 منتشر شد سرآغازی تئوریک بر هوش تجاری است.

البته هنوز سخت‌افزارها و متدهای مناسب برای ذخیره‌سازی و استفاده از داده به وجود نیامده بود و حداقل دو دهه دیگر نیاز بود تا پایگاه‌های داده و اولین راهکارهای تحلیلی به وجود بیاید. IBM در این سال‌ها به‌عنوان یک غول فناوری در مرز ناشناخته ابداع و اختراع فعالیت کرد و چنان بر بازار سلطه داشت که با عنوان کنایه‌آمیز Big Brother Blue از این شرکت یاد می‌شد.

سیستم‌های پشتیبان تصمیم‌گیری (DSS) پیش درآمدی بر BI (1959–1989)

ابتدای دهه 60 میلادی ایده استفاده از کامپیوتر برای برنامه‌ریزی و کمک به تصمیم‌گیری مدیران در شرکت‌ها مطرح شد. تلاش‌های تئوریک و عملی زیادی صورت گرفت تا یک دهه بعد یعنی در 1970 چنین سیستم‌هایی به‌صورت تجاری عملیاتی شدند.

سیستم پشتیبان تصمیم‌گیری یا DSS با این هدف به وجود آمده بود تا اطلاعات مناسب برای تصمیم‌گیری را در اختیار مدیران و تحلیلگران قرار دهد. در دهه هشتاد میلادی سیستم اطلاعات اجرایی (Executive information systems) برای کمک به مدیران رده‌بالایی معرفی شد و استفاده از آن رواج پیدا کرد.

در آن زمان هنوز بسیاری از مفاهیم پایه و نرم‌افزارهایی که گردآوری و کار با اطلاعات را ممکن می‌کردند به وجود نیامده بود و سخت‌افزارهای کامپیوتر نسبت به امروز قابلیت‌های بسیار کمتری داشتند.

DSS از نظر عملیاتی با محدودیت مواجه بود. بااین‌وجود نیاز بسیار شدید شرکت‌های بزرگ به گزارش‌گیری و مدیریت اطلاعات باعث شد تا اولین شرکت‌های ارائه‌کننده این راهکارهای نرم‌افزاری در دهه 70 به وجود بیایند.

سیستم‌های پشتیبان تصمیم‌گیری را می‌توان اولین قدم برای استفاده مؤثر از داده در سازمان‌ها دانست؛ بااین‌وجود DSS در کنار مزایایی که داشت با چالش‌هایی نیز روبرو بود از جمله:

• DSS برای کار به مقدار زیادی از آماده‌سازی و نگهداری داده نیاز داشت تا دقت و قابلیت اطمینان مناسبی را ارائه کند
• ارائه نتایج مناسب به کیفیت و دردسترس‌بودن منابع داده بستگی داشت
• ارائه بیش از اندازه و یا کم اطلاعات توسط این سیستم ممکن بود به خطا در تصمیم‌گیری مدیران منجر شود.

پایگاه‌های داده رابطه‌ای (Relational Database) زبان SQL

دقیقاً در همان سالی که اولین سیستم پشتیبان تصمیم‌گیری عملیاتی شد (1970) ایده پایگاه‌های داده رابطه‌ای یا Relational Database ارائه گردید؛ ابداع این مدل از دیتابیس می‌توانست محدودیت‌های کار با داده را تا حد زیادی از میان بردارد و سیستم‌های نرم‌افزاری جدید برای گردآوری و تحلیل داده ایجاد شود.

بااین‌وجود استفاده عملی از مدل Relational تا 9 سال بعد (1979) که شرکت اوراکل اولین دیتابیس رابطه‌ای برای مصارف تجاری را معرفی کرد به تعویق افتاد.

مدل رابطه‌ای داده‌ها را در جدول‌هایی که از سطر و ستون تشکیل شده است (شبیه جداول اکسل) ذخیره می‌کند. مدل رابطه‌ای در حال حاضر یکی از پرکاربردترین پایگاه‌های داده است. نرم‌افزارهای عملیاتی مانند حسابداری یا CRM که به‌صورت روزانه با آنها سروکار دارید از همین نوع پایگاه‌داده استفاده می‌کنند.

برای استفاده مؤثر از پایگاه‌داده رابطه‌ای یک‌زبان برنامه‌نویسی به نام SQL در دهه 70 معرفی شد. استفاده از آن کار را بسیار راحت کرد. SQL امکان ایجاد، حذف، به‌روزرسانی، و تجمیع داده را به کاربران می‌داد.

معرفی این فناوری‌ها گام بزرگی برای ذخیره و استفاده مؤثر از اطلاعات بود.

اولین انبارهای داده (Data warehouse)

باوجوداینکه مدل پایگاه‌داده رابطه‌ای ذخیره، آنالیز و کار با داده را بهبود بخشیده بود؛ اما هنوز مشکلاتی برای یکپارچه‌سازی داده‌ها از چند منبع مختلف و همچنین تضمین کیفیت و ثبات اطلاعات وجود داشت. برای رفع این موانع یک راه‌حل جدیدی نیاز بود.

سال 1988 انبار داده (Data warehouse) توسط دو محقق شرکت IBM معرفی شد. تا قبل از آن اطلاعات شرکت در سیلوهای مختلف و به‌صورت مجزا نگهداری می‌شد. انبار داده یک مخزن بود که داده‌های جمع‌آوری‌شده از سیستم‌های عملیاتی متفاوت در آن ذخیره می‌شد.

مزیت بزرگ انبار داده این بود که یک منبع داده برای دسترسی همه کاربران ایجاد می‌کرد و در نتیجه کاربران با یک نسخه واحد از اطلاعات (The single version of the truth) سروکار داشتند.

انبار داده تحلیل‌های پیچیده، کار با حجم زیادی از اطلاعات و کاوش درداده را ممکن کرد و سرعت دسترسی به اطلاعات را به‌شدت افزایش داد.

معرفی کامپیوترهای شخصی، تحول سخت‌افزار و نرم‌افزار

سال‌های 1970 تا 1990 انقلابی را در صنعت IT

رقم زد. تا قبل از آن کامپیوترها ماشین‌های الکترونیکی در ابعاد یک اتاق بزرگ بودند. با کوچک‌شدن ترانزیستورها سخت‌افزار و پردازنده‌های قوی‌تری به بازار ارائه شد در نتیجه کامپیوترها کوچک‌تر و سریع‌تر شدند.

کامپیوترهای شخصی در دهه 80 توسط IBM تجاری‌سازی شدند. در 1984 اولین کامپیوتر شخصی شرکت اپل یعنی مکینتاش معرفی شد. سیستم‌های عامل کاربرپسندتری مانند ویندوز و برنامه‌های کاربردی مانند اکسل (1985) وارد بازار شد. تا دهه 90 کامپیوترهای شخصی به تمام ادارات و شرکت‌ها نفوذ کرده بودند.

این پیشرفت‌ها زمینه را برای ظهور نسل اول هوش تجاری در ابتدای دهه 90 میلادی محیا کرده بود.

ظهور هوش تجاری (1990–2000)

هوش تجاری به شکلی که امروز می‌شناسیم در دهه 90 میلادی یعنی 30 حدود سال قبل شکل گرفت. در سال 1988 کنفرانسی در رم برگزار شد (Multiway Data Analytics consortium conference) خروجی این اجلاس شرکت‌های ارائه‌دهنده نرم‌افزارهای تحلیلی را مجاب کرد تا به سمت راهکارهای کاربرپسند حرکت کنند.

یک سال بعد واژه هوش تجاری توسط هاوارد درسنر (Howard Dresner) کارشناس مؤسسه گارتنر پیشنهاد شد و به‌عنوان یک چتر واژه برای اشاره به طیف وسیعی از راهکارهای تحلیلی به کار رفت. (به او منتصب است)

نسل اول هوش تجاری

در دهه 90 هوش تجاری روی دو چیز تمرکز داشت:

• دسته‌بندی اطلاعات و ایجاد گزارشات
• مصورسازی داده که به‌صورت داشبوردهای استاتیک ارائه می‌شدند.

BI سعی داشت تا به این سؤال که ” چه اتفاقی در یک کسب‌وکار رخ‌داده است؟ ” پاسخ دهد

ابزارهای ETL در اوایل دهه 90 برای گردآوری داده‌ها معرفی شدند. استفاده از این ابزارها باعث کاهش هزینه‌های پیاده‌سازی انبار داده شد و سرعت اجرای پروژه‌ها را افزایش داد در نتیجه شرکت‌های بیشتری توانستند از راهکارهای هوش تجاری استفاده کنند. در داخل سازمان‌ها نیز افراد بیشتری به تحلیل داده و BI دسترسی پیدا کردند.

از مزایای نسل اول هوش تجاری می‌توان به این موارد اشاره کرد:

• مدیریت متمرکز داده که کیفیت و امنیت اطلاعات را تضمین می‌کرد
• گزارش‌های استاندارد و مطمئن را به کاربران شرکت ارائه می‌داد
• ابزارهای مخصوص برای تحلیل‌های پیچیده را در اختیار آنها می‌گذاشت

بااین‌وجود نسل اول BI ایرادهای بزرگی هم داشت.

• هوش تجاری به‌شدت به کارشناسان واحد IT وابسته بود. هر گزارش جدید به درخواست از واحد IT نیاز داشت و زمان زیادی طول می‌کشید تا آماده شود.
• راهکارهای BI چابکی و انعطاف لازم را نسبت به درخواست‌ها، نیازها و شرایط جدید نداشتند
• هزینه‌های پیاده‌سازی و نگهداری از BI بالابود و تنها از عهده شرکت‌های بزرگ برمی‌آمد.

عصر انفجار اطلاعات و نسل دوم هوش تجاری (2000–2010)

قرن جدید میلادی با تحولات بزرگی آغاز شد. استفاده از اینترنت رونق گرفته بود و کسب‌وکارها تلاش می‌کردند تا از این فضای جدید بیشترین استفاده را ببرند. اینترنت و گستردگی استفاده از آن قابل‌انکار نبود. تب اولیه باعث تأسیس شرکت‌های بسیاری شد که انتظارات غیرواقعی از این حوزه داشتند. در نهایت این شرایط به حباب معروف دات‌کام ختم شد.

اما این اتفاق برای شرکت‌های ارائه‌دهنده هوش تجاری فرصت بسیار خوبی بود و ابزارها و راهکارهای جدید یکی پس از دیگری معرفی شدند.

سال 2005 اولین شبکه‌های اجتماعی پدیدار شد. اینترنت با خود چیز جدید آورده بود. جهان وارد عصر کلان‌داده یا Big Data شد. اینترنت باعث شد تا حجم اطلاعات در دسترس و داده‌هایی که تولید می‌شدند به یکباره چندین برابر شود. داده زیاد و متنوع به راهکارهای نرم‌افزاری جدیدی برای مدیریت و تحلیل نیاز داشت.

هوش تجاری کند و وابسته به IT ( نسل اول BI) دیگر پاسخگوی نیاز کاربران نبود. آنها به چیزی بیشتر از گزارش‌های استاندارد و داشبوردهای مدیریتی استاتیک نیاز داشتند.

سرعت تغییرات در بازار بسیار زیاد شده بود. پاسخ به پرسش “چه اتفاقی درگذشته رخ‌داده است؟” برای مدیران یک شرکت کافی نبود.

مدیران شرکت‌ها می‌خواستند بدانند در حال حاضر و در همین لحظه چه اتفاقی رخ می‌دهد؟ و چه ترندهایی در حال ظهور هستند؟ آنها به تجزیه‌وتحلیل لحظه‌ای (Streaming Analytics) و تحلیل پیش‌بینی‌کننده (Predictive Analytics) نیاز داشتند

نسل دوم هوش تجاری (BI سلف‌سرویس)

مهم‌ترین ایراد نسل اول هوش تجاری، وابستگی به IT و هزینه بالابود. نسل دوم BI سعی کرد تا این موضوع را حل کند. این کار نیاز به ارائه نرم‌افزارهای کاربرپسند و جدید داشت.

مقاله هوش تجاری سلف سرویس را از اینجا مطالعه کنید

یادگیری و استفاده از نسل دوم ابزارهای هوش تجاری بسیار ساده‌تر و راحت‌تر بود. در واقع نقش IT کم‌رنگ‌تر شد و سعی شد تا نرم‌افزارهایی ارائه شود که کاربران عادی و با پیشینه فنی کم بتوانند از آن استفاده کنند.

داشبوردهای استاتیک و گزارشات استاندارد جای خودشان را به داشبوردهای داینامیک و گزارش‌هایی دادند که به‌سرعت توسط خود کاربران عادی قابل ایجاد و استفاده بودند.

هوش تجاری در این دوره شامل این موارد بود:

• آماده‌سازی داده
• کشف دانش ( data discovery) یعنی فرایند تحلیل داده جمع‌آوری‌شده از منابع مختلف برای کشف ترندها
• مصورسازی داده (data visualization)
• به‌اشتراک‌گذاری اطلاعات و همکاری تیمی

نسل دوم BI چابکی و انعطاف‌پذیری زیادی برای تطبیق در یک سازمان را ارائه می‌کرد. هزینه‌های آن بسیار کمتر بود و امکانات تحلیلی بیشتری را در اختیار کاربر قرار می‌داد؛ اما معایبی هم داشت از جمله:

• متمرکز نبودن مدیریت و حاکمیت داده و مشکل کیفیت و امنیت اطلاعات
• ایجاد سیلوهای داده متعدد و تناقض در اطلاعات
• نیاز به آموزش پرسنل و داشتن حداقلی از مهارت فنی برای کار با نرم‌افزار

عصر داده‌محوری، استفاده فراگیر از هوش تجاری (2010–2023)

دهه دوم قرن بیستم با گسترش بیش‌ازپیش استفاده از تحلیل داده و هوش تجاری همراه بود. تا سال 2010 بیشتر شرکت‌های بزرگ در جهان در حال استفاده از راهکارهای هوش تجاری بودند. اما تحولات در ده سال آینده باعث شد تا BI به‌صورت گسترده توسط شرکت‌های متوسط و کوچک نیز مورداستفاده قرار بگیرد.

ابزارهای bi کارآمدتر و کاربرپسندتر شدند و امکانات به‌اشتراک‌گذاری و همکاری تیمی روی پلتفرم‌های bi توسعه پیدا کرد. هوش تجاری راه خود را به تلفن‌های همراه باز کرد تا اطلاعات در هر جا و مکانی قابل‌دسترس باشد.

هزینه‌های مالی استفاده از bi باز هم کاهش پیدا کرد. راهکارهای ابری (Cloud-based BI) برای هوش تجاری ارائه شد که نیاز به هزینه برای زیر ساخت سخت‌افزاری را از بین می‌برد. استفاده از هوش تجاری در این دوره به‌صورت یک سرویس نرم‌افزاری (SAAS) محبوب شد.

اما آنچه اهمیت بسیاری پیدا کرد ورود هوش مصنوعی و یادگیری ماشین و تلفیق این تکنولوژی‌ها با ابزارهای bi بود.

نسل سوم هوش تجاری، تجزیه و تحلیل افزوده

نسل سوم هوش تجاری سعی کرد تا وابستگی کاربران به IT

را باز هم کاهش دهد و این کار تنها با ساده‌تر شدن استفاده از ابزارهای تحلیلی اتفاق می‌افتاد. تحلیل افزوده برای انجام این کار معرفی شد

تحلیل افزوده ( augmented analytics) یعنی : از استفاده از فناوری‌هایی مانند یادگیری ماشین و هوش مصنوعی برای آماده‌سازی داده و ایجاد و تولید بصیرت به صورتی که توانایی افراد برای کاوش و تحلیل داده روی یک پلتفرم BI را تقویت کند.

معنای این تعریف چیست؟ تحلیل افزوده کاربران را قادر می‌کند که تمام فرایند کاری از آماده‌سازی داده تا مصورسازی اطلاعات و تحلیل آن را خودشان به‌صورت اتوماتیک و با کمترین دخالت واحد IT انجام دهند.

علاوه بر این نسل سوم bi از یادگیری ماشین (ML) و هوش مصنوعی (AI) استفاده می‌کند تا روندهایی که قابل‌تشخیص برای آسان نیست را کشف کند. مثلاً بررسی رفتار مشتری در مواجه با یک کمپین تبلیغاتی می‌تواند به کمک هوش مصنوعی تحلیل شود.

تایم‌لاین هوش تجاری (BI) و تحلیل کسب‌وکار (BA)

• 1865: ریچارد میلر از واژه هوش تجاری در کتاب Cyclopædia of Commercial and Business Anecdotes استفاده کرد
• 1884: اختراع ماشین حسابداری الکترومکانیکی توسط هرمان هولریث (Herman Hollerith)
• 1911: تأسیس شرکت IBM
• 1954: پیتر دراکر مدیریت بر مبنای اهداف (MBO) را معرفی کرد
• 1958: مقاله ” یک سیستم هوش تجاری” توسط هانس پیتر لوهان منتشر شد (IBM)
• 1960: ایده سیستم‌های پشتیبان تصمیم‌گیری مطرح شد
• 1970: مدل پایگاه‌داده رابطه‌ای معرفی شد (Edgar Codd)
• 1972: شرکت SAP تأسیس شد
• 1975: مایکروسافت تأسیس شد
• 1977: اوراکل تأسیس شد
• 1979: اولین دیتابیس relational به‌صورت تجاری توسط اوراکل ارائه شد
• 1980: سیستم اطلاعات اجرایی (EIS) معرفی شد
• 1980: معرفی انبار داده
• 1984: معرفی کامپیوتر اپل (مکینتاش)
• 1985: نرم‌افزار اکسل منتشر شد
• 1988:کنفرانس Multiway Data Analytics consortium در رم برگزار شد
• 1989: مایکروسافت SQL Server را منتشر کرد
• 1989: شرکت MicroStrategy تأسیس شد
• 1989: هاوارد درسنر تعریفی برای هوش تجاری ارائه داد
• 1990: نسل اول هوش تجاری
• s1990: ابزارهای ETL معرفی شدند
• 1993: شرکت QLIK تأسیس شد
• 1993: OLAP معرفی شد
• 1997: استفاده از واژه هوش تجاری فراگیر شد
• 1998–2002: حباب دات‌کام
• 1999: سیستم OKR معرفی شد
• 1999: تحلیل پیش‌بینی‌کننده (predictive Analytics) معرفی شد
• 1999: شرکت Salesforce تأسیس شد
• 2000: نسل دوم هوش تجاری
• 2003: شرکت Tableau تأسیس شد
• 2004: شرکت Sisense تأسیس شد
• 2005:آغاز عصر شبکه‌های اجتماعی
• 2006: Apache Hadoop منتشر شد
• 2010: اکثر شرکت‌ها از هوش تجاری استفاده می‌کنند
• 2010:استفاده از راهکار موبایل هوش تجاری فراگیر شد
• 2010: استفاده از Big Data زیاد شد.
• 2013: شروع به کار سرویس ابری گوگل
• 2015: Power BI در دسترس عموم قرار گرفت
• 2017: مؤسسه گارتنر تحلیل افزوده را آینده هوش تجاری معرفی کرد
• 2018: مؤسسه فوربز اعلام کرد استفاده از سرویس ابری BI پنجاه‌درصد نسبت به 2016 افزایش‌یافته
• 2019: Salesforce شرکت تبلو را خریداری کرد
• 2020: گوگل نرم‌افزار looker را خرید ( Data Studio فعلی)
• 2021: مؤسسه گارتنر: داستان‌پردازی داده تا سال 2025 ترند اول هوش تجاری است
• 2023: دیکام به‌عنوان اولین پلتفرم تحت توسعه هوش تجاری در ایران منتشر شد.

منبع: تاریخچه هوش تجاری

سلف‌ سرویس بودن برای یک نرم‌افزار هوش تجاری به چه معنی است؟ وقتی از Self Service BI حرف می‌زنیم دقیقاً مقصود ما چیست؟

در این مقاله ابتدا هوش تجاری در قالب سنتی آن را تعریف می‌کنیم و سپس به سراغ مفهوم سلف‌سرویس bi می‌رویم تا مفاهیم، مزایا، معایب و تکنولوژی‌ آن را مرور کرده و شرایط استفاده در ایران را بررسی کنیم.

هوش تجاری سنتی و معایب آن در مقایسه با bi سلف سرویس

هوش تجاری بیش از 30 سال است که در دسترس کسب‌و‌کارها قرار دارد؛ اما ازآنجا که BI یک مفهوم ثابت نیست به‌مرور و در طی زمان دچار تغییروتحول شده است. پیشرفت‌های نرم‌افزاری و فناوری در دو دهه گذشته و نیاز روزافزون کاربران باعث شده است تا راهکارهای تجزیه‌وتحلیل سلف‌سرویس (self service analytics) ظهور و بروز پیدا کنند.

هوش تجاری از ابتدای پیدایش با این فرض به وجود آمده که اطلاعات ذخیره شده در یک شرکت می‌تواند به مدیران آن شرکت کمک کند تا:

• پاسخ سؤال‌های تجاری خود را پیدا کنند (در قالب گزارش، داشبورد و تحلیل)

• در نتیجه بهتر و سریع‌تر برای کسب‌وکار خود تصمیم بگیرند.

بنابراین، استفاده از هوش تجاری همیشه با یک سؤال یا نیاز از سمت “کاربر تجاری” آغاز می‌شود. این کاربران برای رسیدن به پاسخ باید به اطلاعاتی که از قبل ذخیره شده‌ است رجوع کنند. مثلاً برای بررسی عملکرد کلی یک مجموعه شاخص‌های مالی؛ مانند درآمد ناخالص یا سود خالص سه‌ماهه گذشته بررسی می‌شود.

کاربر تجاری (business user) در سیستم BI کیست؟

معمولاً مدیران یک مجموعه شامل مدیران ارشد، میانی و سرپرستان به‌عنوان کاربر تجاری برای سیستم bi در نظر گرفته می‌شوند. این کاربران می‌دانند به چه اطلاعاتی می‌خواهند و در زمینه کاری خود دانش کافی را دارند؛ اما دانش فنی آنها در کار با داده یا نرم‌افزار هوش تجاری محدود است.

درگذشته کاربر تجاری به متخصص واحد IT نیاز داشت تا گزارش‌های موردنیاز او را بسازد. اطلاعات جایی در پایگاه‌داده نرم‌افزارها یا سیلو‌های داده ذخیره می‌شد؛ اما برای کاربران غیرفنی استفاده از آن ممکن نبود. در نتیجه آنها برای دسترسی به اطلاعات و ساخت گزارش‌های خود کاملاً به واحد IT وابسته بودند.

فرایند کاری در هوش تجاری سنتی چگونه بود؟

• کاربر تجاری سؤالاتی داشت که باید پاسخ داده می‌شد (گزارش – تحلیل …)

• درخواست به واحد IT ارجاع داده می‌شد. متخصص IT پایگاه‌های داده موردنیاز را شناسایی می‌کرد

• متخصص IT انبار داده (data warehouse) یا دیتا مارت را از پایگاه‌های داده موجود در شرکت می‌ساخت

• گزارش‌ و تحلیل‌ توسط ابزارهایی مثل اکسل یا BIDS از دیتابیس جدید ساخته می‌شد

• نهایتاً تحلیل و گزارش ساخته شده با کاربران تجاری به اشتراک گذاشته می‌شد

• درصورتی‌که این گزارش نیاز کاربر را رفع نمی‌کرد این فرایند تکرار می‌شد

فرایند کاری ذکر شده مشکلات متعددی داشت.

مشکلات روش قدیمی BI:

• پروژه BI به نیروهای متخصص نیاز داشت و شرکت‌ها نمی‌توانستند تعدادی زیادی از این نیروها را استخدام کنند

• سرعت و روند انجام پروژه کاملاً به تیم IT وابستگی داشت و این تیم نمی‌توانست درخواست‌های زیادی را پاسخ دهد.

• انجام هر پروژه از چند ماه تا چند سال زمان می‌برد.

• هزینه پروژه‌های هوش تجاری بسیار زیاد بود و تنها از عهده شرکت‌های بزرگ برمی‌آمد.

• این هوش تجاری انعطاف‌پذیر نبود و در واقع برای محیط پایدار دهه 80-90 میلادی مناسب بود

موانع ذکر شده باعث می‌شد که کارایی، تأثیر و استفاده از BI به‌شدت محدود شود.

با شروع قرن جدید و فراگیرشدن استفاده از اینترنت، تولید و ذخیره اطلاعات به شکل سرسام‌آوری افزایش یافت. روش‌های قدیمی تحلیل داده و هوش تجاری پاسخگوی این شرایط جدید نبودند.

شرکت‌ها و کاربران به اطلاعات به‌روز و در لحظه نیاز داشتند. در نتیجه فناوری‌ها و نرم‌افزاری‌های جدیدی برای تحلیل اطلاعات به وجود آمد و مفهوم هوش تجاری سلف‌سرویس از اینجا شکل گرفت.

هوش تجاری سلف سرویس چیست؟

به زبان ساده Self Service BI یک سیستم گزارش‌گیری است که کاربر معمولی و بدون مهارت فنی را قادر می‌کند به‌راحتی و سریع، اطلاعات را جستجو و آنها را مصورسازی کنند.

شرکت‌ها برای اینکه بتوانند سریع‌تر به تحلیل داده و اطلاعات دسترسی داشته باشند باید وابستگی کاربر تجاری به واحد IT را تا حد ممکن کاهش می‌دادند.

نرم‌افزارهای bi سلف‌سرویس به وجود آمدند تا افراد غیرفنی مانند مدیران بتوانند به‌راحتی با اطلاعات کار کنند و خودشان گزارش‌ها و داشبوردهای مدیریتی را بسازند و با یکدیگر به اشتراک بگذارند.

اگر بخواهیم تفاوت هوش تجاری سنتی با سلف‌سرویس را با مثال بیان کنیم. اولی شبیه رستوران 5 ستاره است که غذا توسط پیشخدمت روی میز سرو می‌شود و دومی یک بوفه است که هر کس می‌تواند آنچه را که می‌خواهد با هر ترکیبی که دوست دارد از روی میز اصلی برداشته و مصرف کند!

تعریف مؤسسه گارتنر از Self Service BI & Analytics

اجازه بدهید تعریف رسمی گارتنر در این خصوص را با هم مطالعه کنیم.

هوش تجاری سلف سرویس (Self-service business intelligence) :

هوش تجاری سلف‌سرویس یعنی کاربر نهایی، گزارش‌ها و تحلیل‌های خود را به کمک ابزارهای مختلف طراحی کند و بسازد. (داخل یک معماری داده تأیید شده و پشتیبانی شده)

تجزیه‌وتحلیل سلف ‌سرویس (Self-Service Analytics) :

شکلی از هوش تجاری است که در آن کاربران تجاری امکان آن را دارند (و تشویق می‌شوند) تا در داده‌ها کاوش کنند و خودشان گزارش‌ها را بسازند (با کمترین پشتیبانی از واحد IT)

مشخصه تجزیه‌وتحلیل سلف‌سرویس معمولاً ابزار هوش تجاری است که استفاده از آن راحت است و توانایی‌های پایه تجزیه‌وتحلیل را دارد بعلاوه یک مدل داده ساده شده یا کوچک شده که استفاده، درک و دسترسی سرراست به داده را فراهم آورد.

مزایا و معایب هوش تجاری سلف‌سرویس

حالا که معنی سلف‌سرویس بودن هوش تجاری را فهمیدیم می‌توانیم مزایا و معایب آن را تصور کنیم. اینکه یک کاربر خود بتواند شخصاً گزارش و داشبوردهای موردنیاز خود را بسازد و با دیگران به اشتراک بگذارد مزیت‌های زیادی دارد از جمله:

• کاهش هزینه‌های استفاده از هوش تجاری، بر خلاف گذشته هوش تجاری یک پروژه IT گران‌قیمت نیست؛ بنابراین برای شرکت‌های کوچک و متوسط نیز در دسترس خواهد بود

• عدم وابستگی کاربران تجاری به تیم IT، این مورد می‌تواند به معنی افزایش تعداد کاربران استفاده‌کننده از سیستم BI و همچنین آزادشدن منابع انسانی تیم IT برای تمرکز روی پروژه‌های و مهم‌تر باشد

• افزایش سرعت در گزارش‌گیری و تحلیل داده، در نتیجه سرعت تصمیم‌گیری در شرکت بالاتر رفته و بهره‌وری، کارایی و انعطاف‌پذیری آنها در مواجهه با شرایط بازار افزایش می‌یابد

• داده‌محوری در شرکت‌ها، تعداد بیشتری از کارکنان به تحلیل داده و مزیت‌های آن دسترسی خواهند داشت که می‌تواند حرکت به سمت یک سازمان داده‌محور را رقم بزند.

چالش‌های استفاده از Self Service BI چیست؟

آنچه به‌عنوان مزیت برای هوش تجاری سلف‌سرویس مطرح می‌شود می‌تواند درعین‌حال نقطه‌ضعفی بزرگ برای آن باشد. دسترسی مستقل و بدون محدودیت کاربران مختلف به منابع داده مشکلات زیر را به وجود می‌آورد

• امنیت اطلاعات و حریم خصوصی، پیش از استقرار هوش تجاری حدود دسترسی کاربران به اطلاعات و ساختار آن باید به‌درستی چیده شود تا جلوی دسترسی به اطلاعات حساس و یا استفاده نادرست از داده‌ها گرفته شود.

• تحلیل‌ها و گزارش‌های اشتباه، امکان اشتباه یا سوءبرداشت کاربران در حین کار با داده و اطلاعات وجود دارد و همیشه ممکن است خطاهایی در حین آماده‌سازی، فیلترکردن و یا تفسیر داده اتفاق که بیفتند. حاصل این اشتباهات یا خطاها تناقض در نتایج گزارش‌‌ها و در نتیجه خطای تصمیم‌گیری است.

• استقرار کنترل نشده هوش تجاری، اگر راهکار سلف‌سرویس توسط واحدها و افراد به‌صورت مستقل و بدون یک نظارت یک واحد مرکزی پیاده‌سازی شود در نهایت به موازی‌کاری، استفاده از ابزارهای متفاوت، تناقض در اطلاعات و افزایش هزینه‌های استفاده از BI منجر خواهد شد

• عدم‌پذیرش راهکار هوش تجاری توسط پرسنل، هر سازمانی فرایندهای خود را برای گزارش‌گیری و استفاده از داده دارد. نمی‌توان از کاربران انتظار داشت تا به یکباره گردش کاری جاافتاده در شرکت را رها کرده و به‌سرعت کار با نرم‌افزارهای جدید را بیاموزند. به‌هرحال کار با هوش تجاری به سطحی از مهارت و سواد داده نیاز دارد. درصورتی‌که نرم‌افزار مورداستفاده برای کاربران بهینه نشده باشد یا آموزش‌های لازم داده نشود استفاده از آن با مقاومت مواجه خواهد شد.

به نظر شما برای رفع و کنترل چالش‌های زیر چه کاری می‌توان کرد؟

ریشه‌یابی چالش‌های هوش تجاری سلف سرویس

عمده مشکلات راهکار سلف‌سرویس به سه مورد زیر بازمی‌گردد. این موارد را در ادامه بررسی می‌کنیم

• نوع و پیچیدگی داده‌ها

• میزان دسترسی و اختیار کاربران در کار با داده‌ها

• محدودیت نرم‌افزارهای مورداستفاده

نوع داده و داده پیچیده

اگر اطلاعاتی که با آن سروکار داریم واقعاً ساده باشد به مشکل جدی برنخواهیم خورد؛ اما زمانی که از یک شرکت صحبت می‌کنیم درباره داده پیچیده؛ یعنی پایگاه‌های داده مجزا و اطلاعات متفاوت حرف می‌زنیم.

داده پیچیده مشکلاتی دارد که پیش از استفاده از هوش تجاری باید بررسی و رفع شود. مواردی مثل:

• کیفیت داده (Data Quality)

• صحت داده (Data Accuracy)

• قالب‌بندی داده (Data Formatting)

• ساختار داده (Data Structure)

انتظار بی‌جایی است اگر از کاربران عادی توقع داشته باشیم بتوانند فرایند پیچیده گردآوری و تحلیل داده را خودشان انجام بدهد.

میزان دسترسی کاربران به داده

آزادی بدون قانون به آشوب منتهی می‌شود. باز گذاشتن دست کاربران برای استفاده از مستقل از هوش تجاری خوب است؛ اما بدون ساختار مناسب برای مشخص‌کردن حدود، شرایط و منابع قابل‌دسترسی این کار می‌تواند به هرج‌ومرج داده در سازمان منتهی بشود.

محدودیت‌های نرم‌افزار:

بعضی از نرم‌افزارهای BI در دسترس ابزارهای لازم برای آماده‌سازی و بارگذاری داده از ابتدا تا انتها (end2end) را ندارند و دسته‌های داده باید به‌صورت مجزا و یک‌به‌یک در نرم‌افزار بارگذاری شود. از طرفی بعضی از ابزارهای prep در دسترس، به‌شدت پیچیده و فنی هستند و کار با آنها نیاز به دانش گسترده‌ای دارد

اما راه‌حل موارد ذکر شده چیست؟ ” حاکمیت داده”

حاکمیت داده و انواع هوش تجاری سلف‌سرویس

حاکمیت داده شاید در نگاه اول با فلسفه هوش تجاری سلف‌سرویس در تناقض باشد. مورد اول محدودکردن دسترسی‌ها، و کنترل بر جریان اطلاعات را شامل می‌شود و دومی باز گذاشتن دست کاربران برای استفاده بیشتر از داده‌ها است. اما در حقیقت این‌طور نیست.

حاکمیت داده طبق تعریف گارتنر یعنی مشخص‌کردن حقوق تصمیم‌گیری و چهارچوب پاسخگویی افراد برای اطمینان از رفتار صحیح در زمینه ایجاد، مصرف، کنترل، تجزیه‌وتحلیل و ارزش‌گذاری داده داخل یک سازمان است.

به عبارتی مجموعه‌ای از دستورالعمل‌ها و قوانین که نوع و شکل استفاده از داده در سازمان را مشخص می‌کند.

با درنظرگرفتن نقش حاکمیت داده می‌توانیم دو نوع از هوش تجاری سلف‌سرویس را تصور کنیم (در حضور و با یا بدون حضور حاکمیت) و مزایا و معایب هر یک را در ادامه بسنجیم.

BI کاملاً سلف‌سرویس

در این ساختار کاربران دسترسی کامل به پایگاه‌های داده دارند برای مثال می‌توانند داده را از دیتابیس نرم‌افزارهای CRM، ERP یا هر منبع دیگری استخراج کنند و در نهایت به‌صورت داشبورد و گزارش در بیاورند.

این شیوه تمام مزیت‌های سلف‌سرویس بودن را دارد از طرفی باعث مشکلاتی خواهد شد که پیش‌ازاین به آن‌ها اشاره کرده‌ایم

سلف سرویس BI کنترل شده (Governed Self-Service BI)

بگذارید با این زاویه دید به مسئله نگاه کنیم.

آیا تمام کاربران هوش تجاری نیازهای مشابهی دارند؟ لیستی از نیازهای کاربران مختلف را در ادامه تهیه کرده‌ایم:

• دیدن داشبوردها و گزارش‌ها بعلاوه فیلتر داده‌ها و به‌اشتراک‌گذاری اطلاعات

• ساختن داشبوردها و گزارش‌های جدید از مکعب‌های داده (مدل‌های داده تأیید شده)

• پیداکردن منابع جدید داده گزارش‌گیری و مصورسازی آنها

• دسترسی مستقیم به منابع داده، ساخت مدل‌های جدید داده و تحلیل و تجزیه آنها

تمام موارد بالا می‌تواند به‌عنوان قابلیت سلف سرویس مطرح شود؛ اما هرکدام نیازهای بخشی از کاربران را برآورده می‌کند.

در سیستم سلف‌سرویس کنترل شده گروه‌های کاربری مشخصی درون سازمان تشکیل می‌شود و برای هر گروه وظایف و سطح دسترسی خاصی را در نظر گرفته شده است.

انواع کاربران در هوش تجاری سلف‌سرویس و وظایف آنها

متخصص IT

مهندسین داده در این دسته قرار می‌گیرند. این کاربران به یک راهکار end2end نیاز دارند. آنها وظیفه گردآوری داده خام، ETL و ساخت انبارها و مدل‌های جدید داده را دارند.

مدل‌های داده توسط تیم IT تست می‌شود تا از صحت و کیفیت داده اطمینان حاصل شود. در نهایت این مدل داده در اختیار کاربران تجاری قرار می‌گیرند.

کاربر تجاری

در ابتدای این مقاله درباره کاربر تجاری صحبت کردیم. دوباره به لیست نیازهای کاربران دقت کنید.

• دیدن داشبوردها فیلتر داده و به اشتراک گذاشتن اطلاعات

در واقع نیاز بسیاری از کاربران تجاری در همین مرحله رفع می‌شود به این دسته از کاربران End User یا کاربر نهایی اطلاق می‌شود.

اما بعضی از کاربران تجاری علاوه بر مشاهده اطلاعات نیاز دارند تا گزارش و داشبوردهای جدیدی را بسازند. این کاربران می‌توانند از مدل‌های داده آماده و استانداری که توسط تیم IT ایجاد شده است استفاده کنند. به این شکل کاربر تجاری دیگر درگیر کارهای فنی و پیچیده نمی‌شود

کاربر پیشرفته یا power user

گروه بعدی کاربران پیشرفته هستند و نقش مهمی در سلف‌سرویس BI دارند. در واقع می‌توان آنها را کاربران تجاری دانست که در کنار تسلط بر حوزه تجاری از مهارت و دانش فنی نیز برخوردارند.

این کاربران بخشی از وظایف که قبلاً توسط IT انجام می‌شد را بر عهده می‌گیرند. علاوه بر ساخت داشبورد و گزارش‌های جدید و ارائه آن به کاربر تجاری، کاربر پیشرفته امکان کشف و استخراج داده‌های جدید و مصورسازی آنها را دارد. معمولاً مدل‌ها یا مصورسازی‌های انجام شده توسط کاربر پیشرفته باید به تأیید نهایی تیم IT برسد تا با اطلاعات و مدل‌های قبلی تناقض نداشته باشد.

توجه داشته باشید که تعریف کاربران سیستم باتوجه‌به نوع نیاز سازمان، روش و معماری پیاده‌سازی هوش تجاری ممکن است متفاوت باشد و یا وظایف کاربران با یکدیگر هم‌پوشانی پیدا کند. بااین‌وجود سه مورد ذکر یعنی کاربر تجاری، کاربر پیشرفته و متخصص IT را می‌توان در یک سازمان نوعی مشاهده کرد.

مزیت‌های استفاده از مدل استاندارد (مکعب داده)

مدل استانداردی که توسط متخصصین IT ساخته می‌شوند چندین مزیت دارند:

• چون منبع تمام داده‌ها یکی است و مدل قبلاً تست شده از تناقض در اطلاعات جلوگیری به عمل می‌آید

• کارکردن با این مدل‌های داده بسیار راحت‌تر است و نیاز به دانش فنی کمتری دارد

• کاربران می‌توانند گزارش‌ها و داشبوردهای موردنیاز خود را با دسترسی به این مدل‌های داده و بدون دخالت تیم IT تهیه کنند

• کاربران تجاری دیگر نیازی به دسترسی مستقیم به منبع داده نخواهند داشت

هوش تجاری سلف سرویس در ایران

استفاده از هوش تجاری و قابلیت سلف‌سرویس آن به دلایل متعددی در ایران فراگیر نشده است. از مهم‌ترین این دلایل عدم وجود و دسترسی به یک پلتفرم کامل و جامع هوش تجاری است.

بیشترین نرم‌افزارهای استفاده شده برای تحلیل داده در ایران در ابتدا اکسل و سپس Power bi و تبلو هستند. اصولاً اکسل برای این موضوع طراحی نشده است و دو نرم‌افزار دیگر نیز در نسخه رایگان قابلیت‌های لازم برای اجرای سلف‌سرویس BI را ندارند.

هر دو پلتفرم Power bi و tableau ابزارهای به‌اشتراک‌گذاری اطلاعات و آماده‌سازی داده را به نسخه‌های پریمیوم خود محدود کرده‌اند. ازاین‌گذشته حتی در صورت دسترسی کامل به پلتفرم این دو نرم‌افزار بیش از اندازه برای کاربران عادی پیچیده هستند و اعمال حاکمیت داده روی این پلتفرم‌ها کار آسانی نیست.

مشکل دوم به بحث آموزش و ایجاد فرهنگ استفاده از داده در سازمان‌ها بازمی‌گردد. در سال‌های اخیر و با ظهور استارت‌آپ‌های موفق در حوزه IT ، خدمات و نیاز آنها به تحلیل داده شاهد تغییر آرام و حرکت به سمت داده‌محوری هستیم؛ اما همچنان بسیاری از سازمان و شرکت‌های داخلی به روش‌های قدیمی گزارش‌گیری وابسته‌اند و سازمان‌هایی که هوش تجاری را استفاده می‌کنند راه دشواری برای پیاده‌سازی یک راهکار سلف‌سرویس دارند.

جمع‌بندی

• هوش تجاری سنتی چندین دهه است که در دسترس شرکت‌ها قرار دارد

• هوش تجاری سنتی معایبی مثل هزینه‌های مالی، زمان زیاد انجام پروژه و وابستگی به IT دارد

• هوش تجاری سلف‌سرویس یک سیستم گزارش‌گیری است که کاربر معمولی را قادر می‌کند به‌راحتی و سریع، گزارش‌های جدید بسازد و اطلاعات را کاوش کند

• افزایش سرعت، کاهش هزینه‌های ملی و زمانی و داده‌محوری از مزایای هوش تجاری سلف‌سرویس است

• امنیت اطلاعات، تناقض در داده‌ها و استقرار کنترل نشده از معایب هوش تجاری سلف‌سرویس به شمار می‌رود

• ریشه مشکلات هوش تجاری سلف‌سرویس به داده‌های پیچیده، نوع دسترسی کاربر به داده و محدودیت‌های نرم‌افزاری بازمی‌گردد

• حاکمیت داده راهی برای رفع معایب هوش تجاری سلف سرویس است

• در Self Service bi کنترل شده گروه‌های کاربری و وظایف آنها از یکدیگر تفکیک می‌شوند

• متخصص IT، کاربر تجاری و کاربر پیشرفته جزء کاربران هوش تجاری سلف‌سرویس هستند

• دسترسی کاربران تجاری به داده از طریق مدل‌های استانداردی ایجاد می‌شود که توسط متخصص IT تهیه شده است.

• مدل‌های داده استاندارد از تناقض داده جلوگیری می‌کند و کار با داده را برای کاربر تجاری راحت‌تر می‌کند.

استفاده از هوش تجاری سلف‌سرویس به دلیل عدم وجود پلتفرم کامل هوش تجاری در ایران و جانیفتادن فرهنگ داده‌محوری با مشکل مواجه است.

منبع: هوش تجاری سلف ‌سرویس (Self Service BI) مزایا و موانع استفاده