نمودار خطی – نمودار نقشه درختی

نمودار خطی

در مقاله قبلی به بررسی نمودار ستونی پرداختیم. نمودار ستونی برای تعداد کم و گسسته اقلام مناسب است. اما در صورتی که تعداد اقلام افزایش پیدا کند و یا ماهیت پیوسته (زمان) داشته باشد، کارایی خود را از دست می‌دهد و به اندازه کافی گویا نیست. در چنین شرایطی می توان از نمودار خطی استفاده کرد. دقت کنید که در نمودار خطی، مقادیر به صورت دقیق مشخص نیست و بیشتر نشان دهنده روند تغییرات است تا مقدار دقیق.

نمودار خطی عمدتا به عنوان یک نمودار وابسته به زمان مورد استفاده قرار می‌گیرد و محور افقی (X) در آن نشان دهنده بعد زمان است.

 

 

نمودار نقشه درختی

(این قسمت با کمی تغییر از “کتاب از رسم نمودار تا طراحی داشبورد در اکسل ۲۰۱۶” نوشته دکتر امید معتمدی انتخاب شده است)

نمودار نقشه درختی برای مقایسه داده‌ها با ساختار سلسه مراتبی و تعداد گروه‌های بالا مناسب می‌باشد.

به عنوان مثال فرض کنید که قصد نمایش میزان درآمد حاصل از فروش محصول در هر یک از استان‌ها را با یکدیگر و مقایسه آنها را داریم. استان‌ها را به چهار ناحیه تقسیم کرده‌ایم و می‌خواهیم مقادیر فروش در هر استان، با استان‌های همان ناحیه و استان‌های سایر ناحیه‌های مقایسه کنیم. جدول اکسل مربوط به این داده‌ها به شکل زیر است:

 

 

 

 

در این حالت به علت تعداد بالای استان‌ها و گروه‌بندی شدن آنها، نمی توانیم، از نمودارهای قبلی استفاده کنیم و باید از نمودارهای سلسه مراتبی از جمله نموداری نقشه درختی استفاده کنیم. نمودار مرتبط به این لیست را در تصویر زیر مشاهده می‌کنید.

 

 

 

 

در این نمودار در هر ناحیه، هر استان با یک مستطیل نمایش داده می‌شود که اندازه آن متناسب با عدد مربوط به درآمد در آن استان می‌باشد، به گونه‌ای که هر چقدر در یک استان درآمد حاصله بیشتر باشد، مستطیل مربوط به آن استان بزرگتر می‌باشد. به عنوان مثال مستطیل‌های زرد نشان دهنده ناحیه دو است. پنج استان در این ناحیه قرار دارد. بیشترین مقدار مربوط به استان تهران است که مساحت بیشتری را به خود اختصاص داده است و کمترین مقدار مربوط به استان گیلان است که مساحت کمتری دارد.

نحوه چینش این مستطیل‌ها در هر ناحیه به گونه‌ای است که بزرگ‌ترین آنها در سمت چپ بالای ناحیه قرار می‌گیرد. در ناحیه سه، تهران بیشترن مقدار را دارد و در سمت چپ و بالا قرار گرفته است. هر چه به سمت راست و پایین آن ناحیه حرکت می‌کنیم، مربع‌ها کوچک‌تر (بیانگر استان‌هایی که درآمد حاصل از فروش در آن استان نسبت به سایر استان‌ها کمتر است) نمایش داده‌ می‌شود. استان گیلان کمترین میزان درآمد را داشته است، بنابراین در گوشه پایین سمت راست قرار گرفته است.

 

کانال تلگرام | اینستاگرام | لینکدین | گروه تلگرام

 

نمودار ستونی

مناسب‌ترین نمودار جهت نمایش روند تغییرات و مقایسه گزینه‌ها، نمودار ستونی است. به عنوان مثال روند تغییرات سود شرکت به ازاء سال‌های ۱۳۸۵ تا ۱۳۹۶ و یا میزان فروش در هر استان. در ادامه نمونه‌ای از این نمودار را به صورت دو بعدی و سه بعدی مشاهده می‌کنید.

 

 

 

نمودار ستونی خوشه‌ای

نمودار ستونی خوشه‌ای امکان مقایسه همزمان چند گزینه در بازه‌های زمانی مختلف را فراهم می کند. فرض کنید در مثال قبل، قصد مقایسه روند سود شرکت در سال‌های ۱۳۹۳ تا ۱۳۹۶ و به ازاء استان‌های اصفهان، یزد و فارس را داشته باشید. نمودار ستونی چنین امکانی را برای شما فراهم می کند. در ادامه نمونه‌ای از این نمودار را مشاهده می‌کنید.

 

 

 

 

 

نمودار ستونی انباشته

در نمودار ستونی خوشه‌ای، اقلام مورد مقایسه هر کدام در یک ستون جداگانه رسم می‌شدند، اما در نمودار ستونی انباشته، اقلام مورد مقایسه در یک ستون و به صورت انباشته رسم می‌شوند. نمونه نمودار ستونی انباشته برای مثال بالا را در ادامه مشاهده می‌کنید.

 

 

 

نمودار ستونی انباشته ۱۰۰%

نمونه‌ای از این نمودار را برای مثال سود در ۴ سال گذشته و در سه استان را در تصویر زیر مشاهده می‌کنید. همانطور که مشخص است، مقدار سود در استان‌های مختلف در هر سال بر روی یکدیگر و به صورت انباشته رسم شده است. ولی بر خلاف مثال قبل اندازه ستون‌ها نهایتا با هم برابر است. علت آن این است که در این نمودار مشخص می‌شود که سهم هر استان از سود کل هر سال چه درصدی از کل سود آن سال است. اذا اندازه تمام ستون‌ها برابر با ۱۰۰ درصد است.

 

 

کانال تلگرام | اینستاگرام | لینکدین | گروه تلگرام

نمودار دایره‌ای

نمودار دایره‌ای یکی از نمودارهای پراستفاده در هوش تجاری است و در اکثر گزارش‌ها مورد استفاده قرار می‌گیرد. به طور کلی هر وقت قصد محاسبه سهم هر جزء از کل را داشته باشیم، از این نمودار استفاده ‌میکنیم. به عنوان مثال سهم فروش هر کدام از کارمندان از فروش کل، یا سهم تولید هر استان از تولید کل …

واحد تولیدی را در نظر بگیرید که سه شعبه مختلف در سه استان اصفهان، مرکزی و یزد دارد. قصد دارد درصد تولید هر استان از کل استان را بداند. مناسب ترین نمودار برای نمایش چنین داده‌های، نمودار دایره‌ای است. چنین نمودارای در سه فرمت معمولی، سه بعدی و دونات در ادامه رسم شده است. این سه نمودار از لحاظ مفهومی تفاوت چندانی با هم ندارند و فقط از لحاظ گرافیکی و ظاهری متفاوت هستند.

نمودار دایره ای


نمودار دایره‌ای سه بعدی

نمودار دونات

نمودار دایره از دایره

در مواردی که تعداد رکوردهایی که می خواهیم بر روی نمودار دایره‌ای نمایش دهیم، زیاد باشد، نمودار دایره‌ای کارایی خود را از دست می‌دهد و مناسب نمی‌باشد. یکی از بهترین راه‌ها در موارد این‌چنین، ادغام کردن رکوردهایی هستند که در یک گروه هستند. برای این منظور می‌توان از نمودار دایره از دایره استفاده کرد.

به عنوان مثال فروشگاهی را در نظر بگیرید که اجناسی مثل، کیف، کفش، شلوار پارچه‌ای، شلوار لی، شلورا کتان، کمربند، پیراهن را به فروش می رساند. مسول فروشگاه قصد دارد درصد فروش هر کدام از محصولات از کل فروش را بداند. می تواند از نمودار دایره‌ای استفاده کند، اما تعداد اقلام زیاد است و همانطور که در تصویر زیر می‌بینید برخی از محصولات درصد بسیار کمی دارند و دیده نمی‌شوند. جهت مدیریت این موضوع می‌تواند شلوارها را جداگانه و به صورت نمودار دایره از دایره رسم کند. در دامه هر دو این نمودارها را مشاهده می‌کنید. در نمودار اول تمامی اقلام در یک نمودار دایره‌ای رسم شده‌اند اما در نمودار دوم، شلوار‌ها جدا شده‌اند و به صورت دایره‌ از دایره‌ نمایش داده شده‌اند.

 

 

نمودار دایره از ستون

از لحاظ تعریف دقیقا شبیه نمودار دایره از دایره است با این تفاوت که در نمودار دایره از دایره، هر دو نمودار به صورت دایره‌ای نمایش داده می‌شدند اما در این حالت، نموداراصلی به صورت دایره‌ای است و نمودار دوم به صورت ستونی نمایش داده می‌شود. نمونه نمودار دایره از ستون برای مثال فروشگاه را در ادامه مشاهده می‌کنید.

 

 

کانال تلگرام | اینستاگرام | لینکدین | گروه تلگرام

شاخص کلیدی عملکرد و کاهش وزن

حدود چند ماه پیش یکی از دوستان که از اضافه وزن، رنج می برد، تصمیم به کاهش وزن گرفت. در آن زمان وزن ۸۰ کیلوگرم داشت و مشاوره تغذیه اش، وزن ایده آل او را، ۶۸ کیلو اعلام کرده بود و پیشنهاد داده بود که طی ۲۴ هفته از شر وزن اضافه خلاص شود. برنامه غذایی نوشته شد، و دوستم شروع به پیروی از برنامه غذایی کرد.

دوست عزیزم برنامه غذایی را رعایت می کرد، اما هیچ معیاری نداشت که چقدر در راستای هدف اش عمل میکند و چقدر به وزن ایده آل اش نزدیک شده است. بهش پیشنهاد دادم که در چارچوب هوش تجاری عمل کند. چطور؟ اجازه بدید که توضیح بدم.

هدف دوستم مشخص بود. کاهش وزن از ۸۰ کیلو به ۶۸ کیلو طی ۲۴ هفته. اولین قدم، استخراج و تعیین شاخص کلیدی عملکرد بود. شاخص کلیدی عملکرد چیست؟ شاخص کلیدی عملکرد در واقع معیار عددی برای سنجش وضعیت در حوزه مورد نظر ما است و مشخص می کند که چقدر ما به هدف آن حوزه نزدیک شده ایم. حالا حوزه مورد نظر ما کاهش وزن است و چه شاخصی واضح تر از خود مقدار وزن. بنابراین دوستم وزن را به عنوان شاخص کاهش وزن در نظر گرفت. گذشته از آن، به موارد دیگری فکر کرد که بر روی کاهش وزن موثر است و می توان به عنوان شاخص کاهش وزن در نظر گرفته شود. مواردی چون مقدار کالری دریافتی، تعداد گام های طی شده در طول روز، تعداد لیوان آب.

دوستم فایل اکسلی به شکل زیر تهیه کرد و در هر روز مقادیر شاخص های وزن، کالری دریافتی، تعداد گام و تعداد لیوان آب را در آن یادداشت می کرد. نتیجه در هفته اول به صورت زیر شد.

 

 

جدول بالا به اندازه کافی گویا نبود و دوستم مجبور بود تمام اعداد را یک بار مطالعه کند تا متوجه وضعیت کاهش وزن اش در هفته اول رژیم شود. بنابراین برای درک بهتر و سریعتر، شروع به نمایش شاخص ها در قالب نمودار کرد. نتیجه تغییرات وزن در هفته اول و به صورت نموداری را در تصویر زیر مشاهده می کنید.

 

 

با یک نگاه متوجه وضعیت کاهش وزن اش در هفته اول شد. نتیجه کاملا ناامید کننده بود. نه تنها کاهش وزن نداشت، که افزایش وزن هم داشت. مشکل کجا بود؟ دوستم به بررسی باقی شاخص ها پرداخت. برای درک بهتر و سریع تر، نمودار مابقی شاخص ها را هم رسم کرد و در کنار هم قرار داد.

 

 

حالا ریشه یابی افزایش وزن ساده تر شد. شاخص ردیف اول سمت چپ، نشان دهنده وزن است، روند نزولی دارد، تا روز آخر که به صورت غیر منتظره افزایش می یابد. شاخص ردیف اول سمت راست، مقدار کالری دریافتی را نشان می دهد. روز قبل از حادث شوم افزایش وحشتناک وزن، دوستم حسابی رژیم را شکسته بود و کلی فست فود و شیرینی خامه ای خورده بود. البته صادق بود و کالری دریافتی را صادقانه نوشته بود.

ریشه افزایش وزن معلوم شد، تا حد زیادی به خاطر کالری دریافتی بالا در روز قبل بود.

گذشته از آن شاخص تعداد گام هم نشون میده که دوستم در اون روز کذایی، تحرک بدنی کمی داشت، روز بعدش هم تلاش کرده جبران کنه، اما کار از کار گذشته بود و اضافه وزن یقه اش را گرفته بود.

در روز کذایی تعداد لیوان آب افزایش پیدا کرده بود. که با توجه به فست فود سنگینی که دوست جان بر بدن زده بود، نوشیدن آب بیشتر دور از انتظار نبود. میدونید که نمک فست فود عاشق چیه؟ عاشق آب که به هم بچسبند و وزن را تصاعدی بکشن بالا.

نمودارهای بالا خبرای بدی برای دوستم داشتند. اما جلو ضرر رو از هر جا بگیری منفعت. حداقل اش حواس اش جمع شد که یه تقلب کوچیک (۵ تا شیرینی خامه ای ناقابل با یه پیتزا ناقابل تر)، چقدر می تونه اون رو از هدف اش دور کنه.

دوستم به روال یادداشت شاخص ها در اکسل و رسم نمودار ادامه داد، الان کجاست؟ داره درخواست های مدلینگ را، یکی یکی رد می کنه.

 

کانال تلگرام | اینستاگرام | لینکدین | گروه تلگرام

از کدام نمودار جهت نمایش داده استفاده کنیم؟ (۲)

نمودار ترکیبی

این دسته از نمودارها سهم اجزای مختلف از یک کل را نشان می دهند. نمودار های دایره ای، تجمعی یا انباشته … در این دسته قرار می گیرند.

دایره ای: نمودار دایره ای که گاها با نام نمودار کلوچه ای به آن اشاره می شود، جهت نمایش داده ها به صورت درصدی از کل، مورد استفاده قرار می گیرد. این نوع نمودار برای بررسی داده های هم جنس در یک مقطع از زمان (مثلا سهم هر مشتری از مقدار کل خرید در سال ۱۳۹۶) مناسب می‌باشد، در واقع در حالتی که ما بخواهیم سهم هر یک از موارد یا اتفاقات از یک کل را به دست آوریم، این نمودار بهترین گزینه پیش رو می‌باشد.

 

 

 

تجمعی: این نمودار نیز مشابه نمودار دایره ای جهت نمایش داده ها به صوردت درصدی از کل مورد استفاده قرار می گیرد. با این تفاوت که برخلاف نمودار دایره ای که درصد از کل را بر اساس چند بعد مقایسه می کند. به عنوان مثال در نمودار دایره ای در تصویر قبلی، درصد خرید فقط در یک فصل نمایش داده شده است اما در نمودار تجمعی که در ادامه مشاهده می کنید، در چهار فصل سال نمایش داده شده است.

 

 

 

نمودارهای پراکندگی

این دسته از نمودارها پراکندگی داده‌ها را بر روی یک صفحه مشخص می‌کنند. پر استفاده ترین نمودار این دسته، نمودار نقاط پراکنده یا همان اسکاتر است.

نقاط پراکنده (scatter):
مودار نقاط پراکنده برای ترسیم داده های پیوسته و حتی گسسته علمی / مهندسی / ریاضی / آماری / آزمایشگاهی دقیق مناسب است، مانند ترسیم روند تغییرات آب و هوایی، یا رشد سلولی یا داده های خروجی نرم افزارهای تحلیلی و هزاران کاربرد دیگر.

در تصویر زیر نمونه ای از یک نمودار نقاط پراکنده(Scatter Diagrams) ترسیم شده است، هر نقطه از این نمودار نشان دهنده ی یک داده ی بدست آمده از یک کار آماری یا آزمایشگاهی و یا یک نقطه از یک رابطه ریاضی میباشد.

 

 

نمودارهای رابطه‌ای

این دسته از نمودارها رابطه‌ی متغیرها را با یکدیگر نشان می‌دهند. پر استفاده ترین نمودار این دسته، نمودار حبابی است.

 

حبابی
(Bubble): با کمک این نمودار می توان میزان رشد یک آیتم در ازای تغییرات دو پارمتر استفاده نمود، فرض کنید می خواهید در یک نگاه میزان فروش خود را در ماه های یک سال و به ازای هزینه های تبلیغات مختلف ببیند. با کمک نمودار حبابی به راحتی این کار امکان پذیر است. در نمودار زیر اندازه حباب ها نشان دهنده مقدار هزینه است، محور Y مقدار فروش را نشان می دهد و محور X ماه را.

 

از کدام نمودار جهت نمایش داده استفاده کنیم؟ (۱)

داده ها با طیف متنوعی از نمودارها نشان داده می شوند، اما کدام نمودار وضعیت داده های را به بهترین نحو نمایش می دهد؟ دقت کنید که نمودارها جهت شفاف سازی اطلاعات به وجود آمدند و انتخاب اشتباه نمودار منجر به کج فهمی داده ها شده و اطلاعات درست را به تحلیلگر منتقل نمی کند و ممکن است کاربران نهایی را به اشتباه بیاندازید.

نمودارها به صورت کلی به ۴ دسته تقسیم می شوند که عبارتند از : نمودارهای مقایسه ای، نمودارهای ترکیبی، نمودارهای توزیع و نمودارهای رابطه ای. در ادامه انواع به بررسی انواع نمودارها می پردازیم.

 

 

نمودار مقایسه ای

نمودار های مقایسه ای، همانطور که از نام آنها مشخص است برای مقایسه چند قلم اطلاعاتی مورد استفاده قرار می گیرند و به سادگی کمترین و بیشترین مقدار را نمایش می دهند. با توجه به نوع اقلام اطلاعاتی و گزارش های مورد نظر می توانید از این دسته از نمودارهای استفاده کنید.

 

ستونی: در صورتی که اقلام اطلاعاتی وابسته به زمان نیستند و تعداد آنها کم است، بهترین انتخاب برای نمایش آن، نمودار ستونی است.

 

میله ای: در صورتی که اقلام اطلاعاتی وابسته به زمان نیستند و تعداد آیتم هایی که قرار است مقایسه شوند، زیاد باشد بهتر است که از نمودار میله ای استفاده کنید.

 

رادار: در صورتی که داده های شما شامل شرایط زیر می شود، وابسته به زمان است، در دوره های زمانی مختلف تکرار می شود و تعدا اقلام اطلاعاتی که قرار است با هم مقایسه شوند، اندک است، بهترین گزینه برای نمایش آن، نمودار رادار است. در نمودار زیر تعدا خرید مشتریان در فصل های مختلف مقایسه شده است.

خطی: آیا داده های شما وابسته به زمان است اما تکرار آن در دوره های زمانی مختلف اهمیتی ندارد؟ از نموار خطی استفاده کنید. نمونه آن را در ادامه می بینید.

 

چگونه هوش تجاری ایجاد ارزش می کند (۲)

هوش تجاری جهت بهبود کارایی
هوش تجاری به سازمان ها کمک می کند تا کارایی را افزایش دهند. کارایی کسب و کار توسط یک سری شاخص های مالی مانند درآمد، حاشیه سود، هزینه … اندازه گیری می شود. در بازاریابی، با شناسایی ویژگی های مشتریان بازار هدف، کارایی یک کمپینگ تبلیغاتی خاص را افزایش داد. حذف کمپینگ های غیر موثر، میلیون ها دلار را برای شرکت ذخیره می کند. شرکت ها با کمک هوش تجاری می توانند درآمد را با فروش جانبی محصولات به مشتریان فعلی افزایش دهند. کارشناسان حسابداری، می تواند با شناسایی مشتریان بدحساب، طول عمر حساب های دریافتنی را کاهش دهد. در تولید، هوش کسب و کار به تحلیل گران کمک میکند تا مشخص کنند چرا یک برنامه تولید از برنامه دیگر کاراتر است.
جهت افزایش کارایی سازمان با کمک سامانه هوش تجاری، ابتدا افراد باید به داده های موجود در سامانه دسترسی داشته باشند سپس باید به تعامل با سامانه بپردازند، داده ها را تحلیل کنند و مشخص کنند که جهت افزایش کارایی چه گام هایی باید برداشته شود. اما متاسفانه بعد از مشخص شدن، گام ها جهت افزایش کارایی، ممکن است افراد به دلایل مالی، فرهنگی و یا سیاسی، از اجرای گام های لازم خودداری نمایند. اگر که سامانه های هوش کسب و کار را جهت افزایش کارایی در شرکت خود به کار می برید، حتما انگیزه های مالی، سیاسی و یا فرهنگی افراد را هم در نظر بگیرید. شرکت هایی را دیده ام که از سامانه هوش تجاری صرفا جهت دسترسی به داده استفاده می کنند و هیچ تصمیم را بر اساس آن اتخاذ نمی کنند و نتایج سامانه هیچ تاثیری بر استراتژی های شرکت ندارد. مسلم است که چنین شرکت هایی نباید انتظار افزایش کارایی شرکت خود، پس از پیاده سازی سامانه هوش تجاری داشته باشند. دوباره تاکید می کنم که افزایش کارایی در صورتی اتفاق می افتد که اولا افراد با سامانه تعامل کنند، ثانیا یافته های به دست آمده از تعامل با سامانه را اجرایی کنند. مواظب انگیزه های افراد باشید. سیستم های هوش کسب و کار شفافیت را به ارمغان می آورد ممکن است افراد زیادی نسبت به این موضوع واکنش نشان بدهند و انگیزه های خرابکاری در آنها تقویت شود.
کلید اصلی موفقیت هوش کسب و کار مقدار اثر آن بر روی کارایی سازمان است.

هوش تجاری در بهبود فرآیند
هر کسب و کار ترکیبی از تعداد زیادی فرآیند است. افراد در هر گام هر فرآیند، می توانند از هوش تجاری جهت تصمیم گیری بهتر استفاده کنند. با کمک هوش تجاری می توان مدت زمان انجام یک فرآیند را اندازه گیری کرد و گلوگاه های فرآیند را شناسایی کرد. به عنوان مثال فرض کنید که شرکت الف شکایات مختلفی در مورد دیر رسیدن سفارشات از مشتریان دریافت کند. با کمک هوش تجاری می توان زمان ورود و خروج هر گام از فرآیند “تولید به حمل و نقل” را تحلیل کند و متوجه شود که گلوگاه سیستم کدام بخش است.

  • در یک شرکت پستی تعداد بسته های ارسالی در هر روز و هر ساعت در سامانه هوش تجاری نمایش داده می شود. کارکنان بر تعداد بسته های ارسالی در روزها و ساعت های مختلف نظارت دارند. هر گونه تغییر در این تعداد منجر به بازبینی مجدد فرآیند ارسال بسته و در نتیجه بهبود جریان کار می شود.
  • در یک شرکت فعال در حوزه نفت و گاز، اغلب جریان وجه نقد مساله ساز بود و این شرکت در دریافت به موقع بدهی های خود مشکل داشت. بررسی فرآیند تحویل گاز به مشتریان با کمک سامانه هوش تجاری نشان داد که اغلب اوقات گاز به موقع به مشتریان تحویل داده می شود اما فاکتور هزینه ها یک هفته بعد برای آنها ارسال می شود و تاخیر صدور فاکتورها دلیل اصلی تاخیر دریافت بدهی ها است.
  • هواپیمایی بویینگ از یک دشبورد تقریبا بلادرنگ جهت دنبال کردن مراحل ساخت هواپیما استفاده می کند. دشبورد اسمبل های اصلی، سفارش قطعات، وضعیت تولید قطعات اصلی و … را نشان می دهد.

چگونه هوش تجاری ایجاد ارزش می کند (۱)

امکان به کار گیری هوش تجاری در تمامی صنایع و عملیات آنها وجود دارد. تمام افراد داخل سازمان و خارج از سازمان مانند مشتریان و تامین کنندگان می توانند به سامانه هوش کسب و کار دسترسی داشته باشند. همانطور که قبلا نیز اشاره شد، هوش تجاری تنها در صورتی ایجاد ارزش می کند که به صورت موثر توسط افراد به کار گرفته شود. بین استفاده موثر هوش تجاری و کارایی سازمان همبستگی وجود دارد. اما دسترسی بهتر به داده، کارایی را افزایش نمی دهد، بلکه آنچه باعث بهبود کارای می شود، نحوه استفاده از داده توسط شرکت ها است. در این مقاله و چند مقاله آتی به بررسی نحوه ایجاد ارزش توسط هوش تجاری در واحدهای مختلف سازمان می پردازیم

هوش تجاری جهت مدیریت و کنترل
هدف اولیه هوش تجاری در ابتدای تولد آن تهیه اطلاعاتی بود که مدیران بتوانند با استفاده از آن به لحظه از اتفاقات رخ داده در سازمان مطلع شوند. قبل از هوش تجاری، مدیران تا زمان انتشار گزارشات مالی سه ماهه، هیچ اطلاعاتی از سازمان نداشتند و اصطلاحا “پرواز کور” داشتند. با کمک هوش تجاری، اطلاعات در هر زمان در دسترس است. اطلاعاتی مانند:
• مقدار فروش در مناطق مختلف به تفکیک محصولات
• مقدار هزینه در مقایسه با بودجه
• موجودی انبار برای مواد خام یا محصولات
• مقدار فروش در مقابل فروش پیش بینی شده
در صورتی که هر یک از مقادیر بالا، خارج از محدوده مورد انتظار باشد، استفاده کنندگان هوش تجاری می توانند در سامانه کند و کاو کنند و علت را ریشه یابی کنند. به عنوان مثال، فرض کنید که مقدار درآمد در سال های مختلف در سامانه هوش تجاری نمایش داده شده است. درآمد در بهمن ۹۴ بسیار کمتر از ماه های دیگر است. فرض کنید که شما قصد دارید علت فروش پایین را ریشه یابی کنید و متوجه شوید که کدام فروشنده، فروش کمتری داشته است. می توانید بر روی نمودار کلیک کنید و مقدار فروش بهمن را به تفکیک فروشندگان ببینید. فرض کنید که فروشنده ای که کمترین فروش را داشته، پیدا کردید و می خواهید بدانید که کمترین فروش به ازا کدام محصول و در کدام منطقه صورت گرفته است. مجددا با کلیک بر روی فروشنده، می توانید مقدار فروش به ازا هر منطقه یا محصول را ببینید.
قبل از سیستم های هوش تجاری، وقتی که مدیران، گزارشات را بر روی کاغذ یا به صورت گزارشات ثابت در سیستم های تراکنشی می دیدند و امکان تعامل با گزارشات و ریشه یابی وقایع را نداشتند. در حالی که گزارشات هوش تجاری کاملا پویا و تعاملی است و کاربران می توانند بر روی هر قسمت گزارش کلیک کنند و اطلاعات بیشتری را دریافت کنند. به عنوان مثال، بسیاری از شرکت ها از هوش تجاری جهت کنترل مخارج استفاده می کنند تا مطمئن شوند که هزینه ها بیشتر از بودجه ای در نظر گرفته شده برای آنها، نشود. به جای انتظار تا پایان سه ماه، جهت دیدن مخارجی که سودآوری را پایین می آورد، دسترسی به موقع به داده مخارج، به مدیر اجازه می دهد تا واحد تجاری پر خرج را شناسایی کند و تصمیم های لازم جهت کنترل مخارج را اتخاذ کند.

هوشمندی موقعیت

هوشمندی موقعیت (Location intelligence) یکی از مباحث داغ در انجمن نرم افزارهای هوش تجاری است و تحلیل گران پیش بینی کرده اند که ارزش بازار تحلیل موقعیت در سال ۲۰۲۱، به بیش از ۱۶٫۳۴ میلیون دلار خواهد رسید.

موقعیت جغرافیایی قدمت طولانی در تحلیل های هوش تجاری دارد، به عنوان مثال شهر و استان مشتری در بسیاری از سیستم های اطلاعاتی ذخیره می شود  و نقشه جغرافیای نقش پررنگی در اغلب دشبوردها دارد.

با شیوع تلفن های هوشمند و انفجار سرویس های مبتنی بر موقعیت، شرکت ها به نوع جدیدی از اطلاعات در مورد مشتری دسترسی دارند، اطلاعاتی مانند اینکه مشتریان اغلب در کجاها تردد دارند، هر چند وقت یک بار به یک مرکز تجاری خاص سر می زنند، و یا اینکه برای کدام مغازه زمان بیشتری را صرف می کنند؟

این اطلاعات برای کسب کارهایی که شعب پراکنده ای دارند، مانند رستوران های زنجیره ای، نمایندگی خودروها و بیمه ها … بسیار مفید است و با کمک آن می توانند رفتار مشتریان و شعب را به خوبی تحلیل کنند.

چندی پیش آمازون با خرید هول فودز مارکت، همه را شگفت زده کرد. هول فودز مارکت یک فروشگاه زنجیره ای مواد غذایی است که بر محصولات طبیعی و ارگانیک تمرکزد دارد. متخصصان موقعیت جغرافیایی، معتقد بودند که هر چند این فروشگاه عایدی چندانی از محل خرده فروشی مواد غذایی نصیب آمازون نمی کند، اما اطلاعات ارزشمندی در مورد عادات مصرف کنندگان محلی و تراکم جمعیت در اختیار آمازون قرار میداد.

موقعیت مشتریان با داده های دیگر مشتریان مانند اطلاعات پروفایل، رفتار و سابقه خرید ترکیب می شود و روندهای مشتریان را آشکار می کند. به عنوان مثال آیا مشتری بعد از اینکه روی آفر آنلاین کلیک کرد به یکی از شعب هم سر می زند؟ مشتریان چه مدت در شعب توقف میکنند؟ کدام آفر موجب مراجعه سریع تر مشتریان به شعب می شود؟…

سرریز اطلاعاتی یکی از چالش های پیش روی کسب و کارها است. مصرف کنندگان روزانه ده ها و یا صدها پیام تبلیغاتی مشاهده می کنند و به صورت ناخودآگاه بسیاری از تبلیغات را فیلتر می کنند. هوش موقعیت، امکان تبلیغ با توجه به موقعیت را فراهم می کند. به عنوان مثال در صورتی که مشتری در مکان خاصی بود، آفرهای خاصی برای او نمایش داده شود.

هوش موقعیت

مجازی سازی داده و انتقال داده

 

مجازی سازی داده (Data virtualization): در مجازی سازی، داده ها از منابع مختلف و فرمت های مختلف با هم ترکیب می شوند تا یک لایه مجازی را برای افراد و برنامه های مختلف ایجاد کنند. در مجازی سازی داده، نیازی به طی کردن فرآیند ساخت انبارداده و عملیات ای تی ال نیست و افراد درگیر جزئیات فنی در خصوص داده (مانند فرمت داده یا محل ذحیره سازی آن) نمی شوند. در مجازی سازی داده های غیر ساخت یافته مثل وب یا متن هم وجود دارد.

انتقال داده (Data movement): در انتقال، داده ها از منابع مختلف استخراج می شود و با کمک فرآیند ای تی ال (ETL) به یک انبار داده منتقل می شود. وجود انبار داده و انجام فرایند ای تی ال در انتقال داده ضروری است. در انتقال داده، داده های غیر ساخت یافته مانند متن یا وب وجود ندارد.

چه زمان هایی از مجازی سازی داده استفاده کنیم و چه زمانی از انتقال داده؟

زمانی که دیتاست های مختلف با هم جوین (Join) می شوند و سرعت و کارایی باید بسیار بالا باشد، از انتقال استفاده می کنیم.

زمانی که داده ها فقط یک بار در بازه های مختلف به انبار داده منتقل می شوند و بارها از آنها گزارش تهیه می شود، از انتقال استفاده می کنیم.

و در مورد تعداد زیادی کوئری موردی، بدون اجبار به سرعت بالا، از مجازی سازی داده استفاده می کنیم.

 

مجازی سازی داده چه مزایا و چه معایبی دارد؟

در مجازی سازی، عملیات ای تی ال انجام نمی شود بنابراین سربار جابجایی داده ها به شدت کاهش پیدا می کند. سرعت دسترسی به داده ها، به صورت بلادرنگ به طرز چشمگیری افزایش پیدا می کند (البته با این فرض که جوین (Join) های سنگینی بین جداول وجود نداشته باشد.). زمان توسعه و پیشتیبانی کاهش پیدا می کند. و فضایی جهت انبارداده لازم نیست.

از طرف دیگر به علت عدم استفاده از انبار داده، سوابق داده ها را به خوبی نگهداری نمی کند. یک مدل داده همگن را بکارنمیگیرد. بنابراین باید خود کاربر داده ها را تفسیر کند، مگر اینکه با مدل های دیگری ترکیب شده باشد. مدیریت تغییرات سربار بسیار زیادی دارد. زیرا هر تغییر باید توسط تمام برنامه های کاربردی و کاربرانی که داده با آنها به اشتراک گذاشته شده است مورد پذیرش قرار گیرد.