راهکارهای نرم‌افزاری «هوشمندی تجاری» (BI) چیست و چه کاربردهایی دارد؟

راهکارهای نرم‌افزاری هوشمندی تجاری (BI) که به هوشمندی کسب و کار نیز شناخته می‌شود، به سازمان‌ها کمک می‌کند داده‌ها را برای اتخاذ تصمیم‌های بهتر سازمان‌دهی و تحلیل کنند. این امر داده‌های داخلی از بخش‌های مختلف شرکت و نیز داده‌های به دست آمده از منابع خارجی مانند خدمات داده بازاریابی، کانال‌های رسانه‌های اجتماعی یا حتی اطلاعات اقتصاد کلان را دربرمی‌گیرد.
بازار هوشمندی تجاری به دلیل ازدیاد داده‌هایی که باید تحلیل شود، به سرعت در حال رشد است. طی دهه‌های گذشته، شرکت‌هایی که از «برنامه‌ریزی منابع سازمان» (ERP)، «مدیریت ارتباط با مشتری» (CRM) و دیگر اپلیکیشن‌های اینچنینی استفاده کرده‌اند، روی انبوهی از داده‌ها کار می‌کنند که می‌تواند مورد تحلیل قرار بگیرد. به علاوه، رشد وب تقاضا برای ابزارهایی را که می‌توانند مجموعه داده‌های بزرگ را تحلیل کنند، افزایش داده است.
یکی از بزرگ‌ترین رویکرد‌ها در بازار هوشمندی تجاری تغییر ساختار نرم‌افزار و طراحی اپلیکیشن‌های مناسب‌تر برای کاربر است. این اپلیکیشن‌ها اکنون توسط کاربران کسب‌وکار – و نه صرفا پرسنل IT - مورد استفاده قرار می‌گیرند تا مجموعه داده‌های اداری خاص، از جمله داده‌های بازاریابی، تدارکات، خرده‌فروشی و وب، مورد تحلیل قرار گیرد.

سازگاری ابزارهای هوشمندی تجاری با نیازهای شما
ابزارهای نرم‌افزاری هوشمندی تجاری به سه دسته اپلیکیشن گسترده دیگر تقسیم می‌شود: ابزارهای مدیریت داده، اپلیکیشن‌های اکتشاف داده و ابزارهای گزارش‌دهی (از جمله داشبورد‌ها و نرم‌افزار تصویرسازی). در ادامه مطلب، توضیح داده خواهد شد که این اپلیکیشن‌ها چگونه کمک می‌کنند فرآیندهای تصمیم‌گیری سازمان شما داده‌محور‌تر شود.
اینکه به چه نوع ابزار هوشمندی تجاری نیاز دارید، به این بستگی دارد که داده‌های شما چگونه مدیریت می‌شود و چگونه دوست دارید آن را تحلیل کنید. به عنوان مثال، اگر در حال حاضر داده‌های شما در پایگاه‌های تبادلی مختلف پراکنده‌اند، باید انبار داده‌ای برای متمرکزسازی آن و سرمایه‌گذاری در ابزارهای مدیریت داده که کاربردپذیری استخراج، تبدیل و بارگذاری (ETL) را ارائه می‌دهند تا داده‌ها را انتقال و تغییر ساختار دهند، ایجاد کنید.
به محض اینکه داده‌ها شکل و ساختار مشترکی پیدا کردند، می‌توانید در اپلیکیشن‌های کشف داده که «پردازش تحلیلی بر خط» (OLAP)، استخراج داده و قابلیت ایجاد گزارش‌های خاص ارائه می‌کنند، سرمایه‌گذاری کنید. و چون اطلاعات در انبار داده ذخیره شده، کاربران می‌توانند به سرعت گزارش‌ها را استخراج کنند، بدون اینکه بر عملکرد اپلیکیشن‌های نرم‌افزاری سازمان مانند CRM، ERP و SCM (راهکارهای مدیریت زنجیره عرضه) اثر بگذارند.
این مفهوم در تصویر زیر نشان داده شده است:

اما این تنها راه اجرای هوشمندی تجاری در سازمان شما نیست. اگر داده‌ها را فقط از یک منبع واحد تحلیل می‌کنید، ETL و انبارهای داده ضروری نیستند. در عوض، ممکن است به انبارهای داده چندگانه نیاز داشته باشید و بنابراین به ابزارهای مختلف برای ارتباط دادن بین این دو سرور و دیگر اپلیکیشن‌های هوشمندی تجاری که باید به این داده‌ها دسترسی داشته باشند، نیاز خواهید داشت.

ابزارهای مدیریت داده
تصمیم‌گیری بهتر با داده‌های بهتر شروع می‌شود. ابزارهای مدیریت داده به پاکسازی «داده‌های کثیف»، سازماندهی اطلاعات با ارائه شکل و ساختار و آماده‌سازی پایگاه داده برای تحلیل، کمک می‌کنند.

توصیف	کاربردپذیری
به سازمان‌ها کمک می‌کند داده‌های پاک، استاندارد شده و بدون اشتباه را حفظ کنند. برای اجرای هوشمندی تجاری، استانداردسازی از اهمیت خاصی برخوردار است، چرا که داده‌ها را از منابع مختلف تلفیق می‌کند. مدیریت کیفیت داده تضمین می‌کند که تحلیل‌های بعدی در دسترس هستند و می‌توانند به پیشرفت‌های بیشتری در کسب‌وکار منجر شوند.	کیفیت داده
داده‌ها را از منابع خارجی جمع کرده و سپس آن‌ها را تبدیل و به سیستم هدف (پایگاه یا انبار داده) بارگذاری می‌کند. چون داده‌های اولیه اغلب با استفاده از الگو‌ها یا اشکال مختلف سازماندهی می‌شوند، تحلیلگران می‌توانند از ابزارهای ETL برای استاندارد کردن داده‌ها جهت تحلیل‌های مفید استفاده کنند.	استخراج، تبدیل و بارگذاری (ETL)

اپلیکیشن‌های اکتشاف داده

توانایی گزینش کردن داد‌ه‌ها و رسیدن به نتایج مطلوب، یکی از قدرتمند‌ترین مزایای بکارگیری ابزارهای هوشمندی تجاری است. اپلیکیشن‌های کشف داده به کاربران در شناسایی داده‌ها کمک می‌کنند؛ چه از طریق تحلیل چند بعدی سریع در تکنولوژی OLAP و یا از طریق الگوریتم‌های پیشرفته و محاسبات آماری در ابزارهای اکتشاف داده.

توصیف	کاربردپذیری
حجم گسترده‌ای از داده‌ها را دسته‌بندی می‌کند تا الگوهای جدید یا ناشناخته را شناسایی کند. این اغلب اولین قدمی است که فرآیندهای دیگر، مانند تحلیل‌های پیش‌بینانه بر آن تکیه می‌کنند. پایگاه‌های داده معمولا بسیار بزرگ و پیچیده‌اند. فرآیند استخراج داده کمک می‌کند کاربران از طریق ارائه روش اتوماتیک‌ کشف روندهای مخفی مانده، برای تحلیل‌های بیشتر در مسیر درستی قرار گیرند.	استخراج داده
به کاربران این امکان را می‌دهد که داده‌های چندبعدی را از چشم‌اندازهای مختلف به سرعت تجزیه و تحلیل کنند. این فرآیندسازی از سه عملیات تحلیل تشکیل شده است: تثبیت داده، مرتب‌سازی و دسته‌بندی داده و تحلیل داده از یک چشم‌انداز خاص. به عنوان مثال، یک کاربر می‌تواند عدد فروش محصولات مختلف را با معیار فروشگاه و یا ماه تحلیل کند. کاربران با استفاده از OLAP می‌توانند این تحلیل را ایجاد کنند.	پردازش تحلیلی بر خط (OLAP)
داده‌های موجود و داده‌های تاریخی را تحلیل می‌کند تا ریسک‌ها و فرصت‌های آینده را پیش‌بینی کند. نمونه آن، امتیازبندی اعتبار است که بر موقعیت مالی فعلی افراد تکیه می‌کند تا در مورد رفتار اعتباری آینده آن‌ها پیش‌بینی کند.	تحلیل‌های پیش‌بینانه
حجم گسترده‌ای از متون را برای شناسایی الگو‌ها، روابط و احساسات استخراج و تفسیر می‌کند. به عنوان مثال، رواج رسانه‌های اجتماعی، تحلیل متون را برای شرکت‌هایی که اثرات اجتماعی گسترده‌ای دارند، ارزشمند ساخته است. شناخت رویکردهای معنایی ابزاری قدرتمند برای سازمان‌هایی است که مفهوم خرید یا رضایت مشتری را ارزیابی می‌کنند.	تحلیل متنی و معنایی

ابزارهای گزارش‌دهی

به گفته جان تاکی، «بیشترین ارزش یک تصویر زمانی است که ما را مجبور می‌کند به چیزی توجه کنیم که هیچ‌گاه انتظار دیدن آن را نداشته‌ایم.» اپلیکیشن‌های گزارش‌دهی روش مهمی برای ارائه داده و انتقال آسان نتایج تحلیل هستند.
کاربران هوشمندی تجاری، کاربران کسب‌وکار هستند – نه پرسنل IT – که به نمایش اطلاعات سریع و آسان‌فهم نیاز دارند. فروشندگان نرم‌افزار، در پاسخ به این نیاز، تلاش‌ کرده‌اند تا از پیچیدگی این اپلیکیشن‌ها بکاهند و به طور فزاینده‌ای روی تسهیل کاربری سیستم توسط کاربران متمرکز شوند.

توصیف	کاربردپذیری
به کاربران کمک می‌کند نمایش‌های گرافیکی پیشرفته از داده‌ها را از طریق رابط کمکی ساده ایجاد کنند. توانایی تصویرسازی اطلاعات در یک شکل گرافیکی می‌تواند به کاربران کمک کند داده‌ها را به شکل مستقیم‌تری درک کنند. به علاوه، ابزارهای تعاملی جدید به تیم‌ها این قابلیت را می‌دهد که گزارش‌ها را به صورت آنی تحلیل و دستکاری کنند..	تصویرسازی
داشبورد‌ها یا تصاویر گرافیکی شاخص‌های کلیدی عملکرد (KPIs) را مورد تاکید قرار می‌دهند که این امر به مدیران کمک می‌کند بر معیارهایی متمرکز شوند که بیشترین اهمیت را برای آن‌ها دارد. داشبورد‌ها اغلب مبتنی بر مرورگر‌ها هستند که در این صورت دسترسی به آن‌ها آسان می‌شود.	داشبوردها
به کاربران اجازه می‌دهد گزارش‌های دلخواه مورد نیاز را طراحی و ایجاد کنند. بسیاری از سیستم‌های CRM و ERP شامل ابزارهای گزارش سازی داخل برنامه‌ای هستند، اما کاربران در ضمن می‌توانند اپلیکیشن‌های مستقل مانند Crystal Reports را نیز خریداری کنند تا گزارش‌های خاص بر اساس پرس و جوهای پیچیده ایجاد کنند. این موضوع به خصوص برای سازمان‌هایی که دائما از تحلیل‌های مختلف استفاده می‌کنند و نیاز دارند تا گزارش‌های جدید را با سرعت بالا تولید کنند، پرکاربرد است.	گزارش ساز‌ها
کارت‌های امتیازی، وزنی عددی را برای نشان دادن میزان پیشرفت عملکرد به سوی اهداف به همراه دارند. می‌توان آن‌ها را مثل داشبورد‌ها، اما یک قدم جلو‌تر در نظر گرفت. در سازمان‌هایی که متدولوژی مدیریت استراتژیک دارند (مانند Six Sigma)، کارت‌های امتیازی روش موثری برای چک کردن معیارهای کلیدی هستند.	کارت‌های امتیازی

شما چه نوع خریداری هستید؟
قبل از ارزیابی نرم‌افزار، باید تعیین کنید که چه نوع خریداری هستید.
کاربران کسب‌وکار و خریداران اداری: این گروه از خریداران، فروشندگان داده‌های کوچک و ابزارهای هوشمندی تجاری را به سیستم‌های هوشمندی تجاری سنتی بزرگ ترجیح می‌دهند. سهولت استفاده و استقرار سریع، بیش از کاربردپذیری عمیق و یکپارچه‌سازی اطلاعات اهمیت دارد. آن‌ها معمولا کاربران کسب‌وکار هستند، نه پرسنل IT.
خریداران IT: خریداران سنتی بیشتر بر کاربردپذیری و یکپارچه‌سازی در زیرساخت اطلاعات یا دیگر اپلیکیشن‌های ERP متمرکز می‌شوند. برای این نوع خریداران، یکپارچه‌سازی در بخش‌ها و هویت‌های مختلف بیش از سهولت استفاده اهمیت دارد.

رویکردهای بازار
وقتی مقایسه و ارزیابی نرم‌افزار خود را شروع می‌کنید، باید رویکردهای زیر را مورد توجه قرار دهید:
فرآیندسازی درون-حافظه: سیستم‌های قدیمی OLAP هر ترکیب داده ممکنی را از پیش محاسبه می‌کنند. این محاسبات در یک «جعبه» ذخیره می‌شوند و کاربران وقتی به تحلیل خاصی نیاز دارند، می‌توانند آن‌ها را احیا کنند. اما ایجاد این «جعبه‌ها» بسیار وقت‌گیر بود و گاهی حتی یک سال طول می‌کشید و به تخصص نیاز داشت. امروز، تراشه‌های حافظه و پردازنده‌های کامپیو‌تر سریع‌تر، ارزان‌تر و به طور کلی قدرتمند‌تر هستند. همین فرآیند می‌تواند به جای استفاده از رویکرد مبتنی بر دیسک درون خود حافظه‌ها روی دهد. نرم‌افزار تحلیلی ایجاد شده بر یک ساختار درون-حافظه‌ای می‌تواند داده‌ها را احیا کند و محاسباتی در زمان واقعی یا هنگام تغییر ایجاد کند.
داده‌های بزرگ: اینترنت به سرعت در حال ایجاد حجم انبوهی از داده است. به گفته شرکت داده‌های بین‌المللی (IDC)، استفاده از داده در سال ۲۰۱۱ به میزان ۴۴ درصد معادل ۲/۳۵ زتابایت در سراسر جهان افزایش خواهد یافت. این پدیده در میان رهبران IT و کسب‌وکار «داده‌های بزرگ» نام گرفته است. شرکت‌های نرم‌افزاری در حال گسترش فضای انبارهای داده و قابلیت‌های تحلیلی خود هستند تا تقاضا را بالا نگه دارند.
کاربران کسب‌وکار بیشتر از پرسنل IT: این رویکرد نقش مهمی در بازار دارد. کاربران کسب‌وکار بیشتری – به جای پرسنل قدیمی IT – در حال ارزیابی و خرید نرم‌افزار هستند. بنابراین در ارزیابی‌های نرم‌افزاری، قابلیت استفاده بیش از کاربردپذیری اهمیت می‌یابد. در نتیجه، فروشندگان داده‌های کوچک که ابزارهای تصویرسازی تعاملی خوبی ارائه می‌کنند، سهم بازار را به دست می‌گیرند. در ضمن، فروشندگان قدیمی هوشمندی تجاری نیز با ارتقای سهولت استفاده، ورود به بازار جدید را تکرار می‌کنند.
نرم‌افزار به عنوان خدمات (SaaS): تعداد زیادی از سازمان‌ها به ابزارهای هوشمندی تجاری مبتنی بر SaaS یا «تکنولوژی ابری» به جای نرم‌افزارهای قدیمی فکر می‌کنند. هزینه، محرک اصلی این رویکرد است. عملکرد ضعیف اقتصادی شرکت‌ها را تشویق می‌کند که از راهکارهای نرم‌افزاری هوشمندی تجاری ارزان‌ قیمت‌تر از SaaS و فروشندگان متن باز استفاده کنند. البته، سهولت استفاده قابل درک، اجرای سریع‌تر و نیازهای کاهش یافته IT از محرک‌های این رویکرد هستند.

منبع: همکاران سیستم