هوش تجاری و کسب و کارهای کوچک

در اوایل زندگی هوش تجاری، بسیاری از تحلیل گران معتقد بودند که هوش تجاری صرفا برای سازمان های بزرگ است. اما الان تحلیل ها تغییر کرده است و بسیاری از تحلیلگران معتقدند که تمام شرکت ها در تمامی سایزها به هوش تجاری نیاز دارند. هوش تجاری امکانات و ابزارهای مختلفی در اختیار کاربران اش قرار می دهد و سوالی که در اینجا مطرح می شود این است که کدام ابزار هوش تجاری برای کسب و کارهای کوچک مناسب است؟
برای پیدا کردن پاسخ این سوال، سایت های مختلفی را در اینترنت جستجو کردم. از فروشندگان ابزار هوش تجاری و دلایل آنها در پیشنهاد هوش تجاری به کسب و کارهای کوچک تا کسب و کارهای کوچک و تجربه آنها در استفاده از هوش تجاری.تقریبا تمام آنها بر روی سه ابزار زیر توافق داشتند.

دشبورد
منابع مالی، زمانی و نیروی انسانی در کسب و کارهای کوچک محدود است و متخصیص لاکچری مثل تحلیلگر داده در کسب و کارهای کوچک وجود ندارد. افراد اغلب چندین کار و تخصص را با هم انجام می دهند و زمان و انرژی زیادی را صرف یافتن داده و تحلیل آنها می کنند. دشبوردها دید سریع و ساده ای از شاخص های اصلی کسب و کار فراهم می کند و کارکنان شرکت های کوچک می توانند در کمترین زمان، بیشترین حجم داده مربوط به کسب و کار را دریافت کنند.

شاخص کلیدی عملکرد
دشبورد مهم است اما تمام ماجرا نیست. برای اینکه دشبورد مفید و قابل استفاده باشد، باید شاخص های درستی در آن قرار داشته باشد. شاخص ها با توجه به کسب و کار تعریف می شود و نشان دهنده مهم ترین معیارهای ارزیابی کسب و کار است. فرقی نمی کند که کسب و کار کوچک هستید یا سازمان بزرگ، در هر دو صورت باید هدف و چشم انداز داشته باشید و شاخص هایی برای پیگیری رسیدن به اهداف سازمان یا شرکت را تعریف کنید.

گزارش ساز
پیش از ظهور هوش تجاری، مدیران شرکت و سازمان به علت فقدان وجود دانش فنی لازم، جهت بررسی هر گزارش از وضعیت سازمان، باید درخواست تهیه گزارش را به واحد آی تی ارائه می دادند و نتیجه را از واحد آی تی دریافت می کردند. با ظهور هوش تجاری، یک لایه مفهومی بر روی پایگاه داده سازمان قرار گرفت و مدیران می توانستند با مراجعه به سامانه هوش تجاری، گزارشات خود را تهیه کنند. دقت کنید این قسمت از سامانه هوش تجاری که اصطلاحا گزارش ساز نامیده می شود، برخلاف واحد آی تی ۲۴ ساعت شبانه روز و ۷ روز هفته در دسترس است.
کسب و کار شما از کدام ابزار هوش تجاری استفاده می کند؟

کلان داده

برخی تحلیلگران معتقد هستند که کلان داده مانند جویندگان طلا در دهه ۱۸۴۰ است که در آن عده ای ثروت هنگفتی به دست آوردند و عده ای هم فرصت از دست دادند. برخی تحلیلگران نیز کلان داده را نفت قرن ۲۱ می دانند. در مقایسه کلان داده با نفت، همانطور که نفت مشکلاتی از قبیل جنگ و گرما به وجود آورده است، استفاده از کلان داده نیز ممکن است مشکلاتی از قبیل ریسک های امنیتی، نقض حریم شخصی و خطراتی که هنوز شناخته نشده است، را به وجود بیاورد.

کلمه “کلان داده” اولین بار توسط سیلیکون گرافیک (Silicon Graphics) در اواسط دهه ۱۹۹۰ به کار گرفته شد. در سال ۲۰۰۸ تعدادی از مجلات تکنولوژی محور از این کلمه برای اشاره به داده های حجیم –حدودا پتابایت- استفاده کردند اما در سال ۲۰۱۲ “کلان داده” رسانه ای شد. داستان های مربوط به کلان داده در رسانه های خبری، مانند “نیویورک تایمز”، “واشینگتون پست”، “اکونومیست”، “فوربز” و “مجمع جهانی اقتصاد” منتشر شد. کلمه کلان داده به طور افراطی در مورد هر موضوعی که مربوط به داده بود، حتی داده های بسیار کم، به کار گرفته می شد. به نظر می رسد با توجه به رسانه ای شدن واژه “کلان داده”، نهایتا این واژه جایگزین واژه های “هوش تجاری” و “تحلیل تجاری” در واژه نامه ها شود. از نقطه نظر افراد حرفه ای، کلان داده سه ویژگی اصلی دارد که آن را از هوش کسب و کار جدا می کند. این سه ویژگی عبارتند از: حجم، تنوع و نرخ تولید

حجم: هوش تجاری اغلب با داده های در حجم گیگابایت و ترابایت سر و کار دارد. در حالی که کلان داده، داده های در حجم پتابایت را در بر می گیرد.

نرخ تولید: انبار داده در هوش تجاری ممکن است به صورت هفتگی و با داده های مربوط  به روز رسانی شود اما در کلان داده نرخ تولید داده بسیار بالاست. به عنوان مثال، داده های تولید شده توسط   RFID (Radio Frequency Identification)، لاگ ها در سایت های تجارت الکترونیک، داده های موجود در شبکه های اجتماعی را در نظر بگیرید. سرعت تولید چنین داده بسیار بالاست. در کلان داده، نرخ تولید داده جدید و اجبار به تصمیم گیری سریع موجب توسعه تکنولوژی هایی شده است که نرخ تولید داده جدید را مدیریت کند.

تنوع: بیشتر سیستم های هوش کسب و کار، داده های سیستم های تراکنشی را تحلیل می کنند. اما از آنجاییکه انواع جدیدی از داده، دیجیتالی می شوند، کلان داده درگیر تحلیل انواع داده جدید مانند داده های متنی در توییتر، نظرات در شبکه های اجتماعی و وبلاگ ها، عکس، تصویر و ویدئو است.

تحلیلگر گارتنر، دگ لانی، اولین بار مفاهیم حجم، نرخ تولید و تنوع را در کلان داده در  دهه ۱۹۹۰ میلادی مطرح کرد. با توجه به ویژگی های کلان داده، استفاده و توسعه آن توسط شرکت های نوپا مانند یاهو، گوگل و فیس بوک دور از انتظار نیست. به تازگی، صنعت بازی و تجارت الکترونیک نیز به جمع استفاده کنندگان از کلان داده پیوسته اند. البته استفاده از کلان داده در جامعه پزشکی جهت یافتن درمان بیماری نیز متداول شده است. تروریسم نیز به تازگی از کلان داده استفاده می کند. در حادثه تروریستی دو ماراتن در بوستون آمریکا، FBI با کمک کلان داده توانست مجرمین را در بین میلیون ها عکس شناسایی کند.

 

متن کاوی

متن کاوی یک فرآیند نیمه خودکار برای استخراج الگو از حجم وسیعی از منابع داده غیر ساخت یافته مانند صفحات وب، صفحات متنی، شبکه های اجتماعی مانند توییتر … می باشد.

 

 

 

متن کاوی با داده کاوی متفاوت است. هر چند هدف هر دو یکی است. هر دو به دنبال شناسایی یک سری الگو های مفید در مجموعه ای از داده هستند. اما مجموعه داده ای در مورد هر دو متفاوت است. داده کاوی به شناسایی الگوها در منابع داده ای ساخت یافته و ذخیره شده در پایگاه داده های ساخت یافته مانند اس کیو ال سرور، اوراکل … می پردازد در حالی که متن کاوی با داده های غیر ساخت یافته مانند مستندات تهیه شده توسط نرم افزار ورد (Word)، فایل های پی دی اف، متن موجود در صفحات وب یا شبکه های اجتماعی سر و کار دارد.

متن کاوی در حوزه های مانند حوزه های قانونی (احکام دادگاه)، تحقیقات آکادمی (مقالات تحقیقق)، گزارش های مالی، پزشکی (گزارش ترخیص)، تکنولوژی (فایل های حق ثبت اختراع) و بازاریابی (توضیحات مشتریان) … کاربرد دارد.

از متن کاوی می توان در دسته بندی و فیلتر کردن ایمیل ها استفاده کرد. می توان ایمیل ها را بر اساس اهمیت آنها به صورت خودکار اولویت بندی کرد و به صورت خودکار به آنها پاسخ داد.

برخی از مهم ترین حوزه های متن کاوی عبارتند از:

  • خلاصه سازی: خلاصه سازی مستندات به منظور صرفه جویی در زمان.
  • طبقه بندی: تشخیص موضوع اصلی مستندات و طبقه بندی خودکار آنها در گروه هایی که پیش تر تعریف شده اند.
  • خوشه بندی: تشخیص موضوع اصلی مستندات و طبقه بندی خودکار آنها صرفا با توجه به شباهت آنها و نه بر اساس گروه هایی که قبلا تعریف شده اند.
  • پاسخ به سوالات: یافتن بهترین جواب برای سوالات مطرح شده.
  • استخراج اطالات: شناسایی کلمات کلیدی، و رابط بین متون از طریق جستجو برای دنباله های از پیش تعریف شده در متن

 

 

ابزارهای سمت کاربر در هوش تجاری

اگر که معماری هوش تجاری را به عنوان موتور یک خودرو در نظر بگیریم، ابزارهای سمت کاربر به عنوان بدنه خودرو در نظر گرفته می‌شود و  نقش مهمی در موفقیت هوش تجاری دارد. توجه داشته باشید که با تعریف هوش تجاری به عنوان مجموعه ای از تکنولوژی ها و فرآیندهایی که امکان دسترسی، تعامل و تحلیل داده را برای  تمام افراد در تمام سطوح سازمان را فراهم می‌کند، هر ابزار سمت کاربری که امکان دسترسی، تعامل و تحلیل داده را فراهم کند، به عنوان زیرمجموعه ای از ابزارهای هوش تجاری در نظر گرفته می شود. ابزارهای سمت کاربر در هوش تجاری در گروه های مختلفی دسته بندی می شوند که عبارتند از:

  • ابزار پرس‌و‌جو و گزارش از کسب و کار: با کمک این دسته از ابزارها، کارکنان واحد کسب و کار شخصا گزارش‌های مورد نیاز خود را می سازند و نیازی به مراجعه به واحد آی تی ندارند. برای استفاده از این ابزارها ابتدا تیم آی‌تی و تیم کسب و کار با همکاری هم یک لایه متادیتا و قابل فهم بر روی داده‌های ایجاد می کنند و پس از آن تیم کسب و کار گزارش‌های مورد نیاز خود را با کمک آن لایه متادیتا تهیه میکند. از جمله مهم ترین ابزارهای این حوزه می‌توان به ابزارهای زیر اشاره کرد:

SAP BusinessObjects Web intelligence

IBM Cognos WorkSpace

MicroStrategy Web

 

در تصویر زیر نمونه ای از ابزار پرس‌و‌جو و گزارش از کسب و کار را مشاهده می کنید.

 

 

  • کشف بصری داده: این دسته از ابزارها، امکاناتی چون محاسبه در حافظه و بصری سازی را فراهمی می‌کنند و از این طریق امکان کندوکاو و مرور داده‌ها را تسهیل می کنند. چه فرقی با دسته قبلی دارد؟ به دو تفاوت اصلی می توان اشاره کرد. اول این که ابزار پرس‌و‌جو و گزارش از کسب و کار با یک لایه مفهومی و متادیتا کار می‌کرد اما ابزار کشف بصری داده مستقیما با خود داده کار میکند. و دوم این که تمرکز اصلی ابزار کشف بصری داده بر روی بصری سازی و سرعت گزارش‌ها است در حالی که دسته قبلی تمرکز بر روی استقلال تیم کسب و کار از تیم آی تی داشت. از معروف ترین ابزارهای این دسته می‌توان به موارد زیر اشاره کرد:

Tableau

SAS Visual Analytics Explorer

MicroStratgy Visual Insight

SAP Lumira

در تصویر زیر نمونه ای از ابزار کشف بصری داده را مشاهده می کنید.

  • دشبورد: استفان فیو، نویسنده چندین کتاب در زمینه دشبورد و مدیر شرکت “لبه مفهومی” دشبورد را اینگونه تعریف می کند: دشبورد نمایش بصری مهم ترین اطلاعاتی است که شما برای رسیدن به یک یا چند هدف به آن نیاز دارید. این اطلاعات در یک صفحه قرار دارند و می توان با یک چشم بهم زدن، آن را نظاره کرد. در تصویر زیر نمونه ای از دشبورد را مشاهده می کنید.

  • اسکورکارت: اسکورکارت و دشبورد اغلب با هم اشتباه گرفته می‌شوند در حالی که دو موضوع متفاوت هستند. تفاوت اصلی آنها این است که اسکورکارت یک تعداد شاخص را با توجه به مقدار هدف نشان می دهد. در تصویر زیر نمونه ای از اسکورکارت را مشاهده می کنید.

اتوپیا: هوش تجاری سلف سرویس

در سال های اولیه تولد هوش تجاری، پس از استقرار موفق هوش تجاری در سازمان‌ها و پس از آنکه مدیران با سرعت، دقت و دیگر قابلیت های هوش تجاری آشنا میشدند، تعداد زیادی درخواست طراحی دشبورد و شاخص به تیم هوش تجاری اعلام می شد و تیم هوش تجاری پس از مدت کوتاهی با کوهی از درخواست ها مواجه میشدند که پاسخ دهی به آنها بسیار زمانبر و هزینه بر بود. در اینجا بود که ایده هوش تجاری سلف سرویس مطرح شد. موسسه گارتنر هوش تجاری سلف سرویس را این گونه تعریف می کند: هوش تجاری سلف سرویس ابزار و معماری است که کاربران می توانند گزارشات و تحلیل های مورد نیاز خود را با کمک آن و بدون مراجعه به تیم آی تی، طراحی کنند.

در حال حاضر ارائه هوش تجاری سلف سرویس اولویت اول بسیاری از تیم های هوش تجاری است چون تصور کلی آن است که اگر کاربران به راحتی به ابزار هوش تجاری دسترسی داشته باشند، می توانند سوالات مربوط به کسب و کارشان را بدون مراجعه به تیم آی تی شرکت برطرف کنند. از طرف دیگر تیم آی تی شرکت  هم با کوهی از درخواست ها و گزارشات مواجه نمی شود. اما در عمل اغلب این اتفاق نمی افتد و هوش تجاری سلف سرویس به عوامل مختلفی مثل کارکنان، پیچیدگی کسب و کار و داده ها و … بستگی دارد.

برای آنکه بدانید چه دسته‌ای از کاربران بهترین کاندید برای استفاده از هوش تجاری سلف سرویس هستند، ابتدا باید انواع کاربران هوش تجاری و نحوه ارتباط آنها را با سامانه هوش تجاری بشناسید. در تصویر زیر طیف انواع کاربران هوش تجاری را مشاهده می کنید. تفاوت انواع کاربران هوش تجاری با توجه به درجه دانش فنی کاربر، میزان نیاز به بخش آی تی و پیچیدگی گزارش‌های مورد نیاز مشخص می شود. به عنوان مثال کاربری را تصور کنید که به اس کیو ال مسلط است و به دیتابیس شرکت هم دسترسی دارد. این کاربر به راحتی هر گزارشی که نیاز دارد را بدون درخواست از آی تی شرکت تهیه می‌کند. این دسته از کاربر در یک سمت طیف قرار داردند و از آنجاییکه هم مهارت و هم اجازه دسترسی به همه داده‌ها را دارند در تصویر زیر با نام “دسترسی به همه داده ها مشخص شده اند. از طرف دیگر، کاربرانی قرار دارند که تقریبا هیچ دانش اس کیو ال ندارند و به دیتابیس شرکت هم دسترسی ندارند. افرادی مثل راننده های شرکت، فروشند ها و اپراتورهای مرکز تماس. این دسته کاربران فقط گزارشات و دشبوردهای ثابت را مشاهده می کنند و اطلاعاتی مانند تعداد مشتریان، میزان سفارشات فروش و … را با توجه به منطقه و زمان فیلتر می کنند. این نوع از کاربران هوش تجاری در سر دیگر طیف قرار دارد و با نام “دیدن گزارشات” مشخص شده اند.

کاربران مربوط به قسمت “دسترسی به همه داده ها اغلب برای یافتن پاسخ‌ها سوالات کسب و کار و تهیه گزارشات خود به تیم هوش تجاری نیاز ندارند و می‌توانند به راحتی گزارشات مورد نظر خود را شخصا تهیه کنند. در مورد کاربران مربوط به قسمت “دیدن گزارشات” نیز اغلب اوقات به گزارشات پیچیده‌ای نیاز ندارند و در اکثر موارد تیم هوش تجاری پیشتر درگیر گزارشات این چنینی شده است و از قبل آنها را طراحی و پیاده سازی کرده است.

کاربران مربوط به سه دسته “کوئری از داده‌های تمیز” و “مرور تصویری داده‌ها” و “دیدن اطلاعات در یک چشم بهم زدن” اغلب نیاز دارند که گزارشات و کوئری‌های خود را بنویسند و در عین حال هیچ دانش اس‌کیو‌ال ندارند. این دسته از کاربران بیشترین بهره را از هوش تجاری سلف سرویس می برند و بهترین کاندیدهای استفاده از هوش تجاری سلف سرویس هستند.

در مقالات بعدی به بررسی بیشتر این سه دسته می پردازیم.

هوش تجاری سازمانی در مقابل هوش تجاری دپارتمانی

سامانه هوش تجاری را به دو طریق می توان توسعه داد: هوش تجاری دپارتمانی و هوش تجاری سازمانی.

در هوش تجاری دپارتمانی در ابتدا سامانه هوش تجاری در یکی از دپارتمان‌ها یا واحدهای سازمانی مستقر می‌شود و سپس کل سازمان درگیر پروژه هوش تجاری میشود.

در هوش تجاری سازمانی از همان ابتدا سامانه هوش تجاری در سطح سازمانی طراحی و پیاده سازی می شود.

هر روش مزایا و معایب خود را دارد و سازمان می بایست با توجه به شرایط خود، روش ایده‌آل را انتخاب کند. در ادامه این مقاله به بررسی برخی ویژگی‌های هر دو روش می‌پردازیم.

سازمان‌های که به تازگی با مفهوم داده‌های مجتمع، به‌کارگیری داده در تصمیمات و هوش تجاری آشنا شده‌اند، بهتر است که هوش تجاری را ابتدا در سطح یک دپارتمان یا یک واحد سازمانی پیاده سازی کنند و پس از آشنایی با مفاهیم آن و درگیری در چالش‌های طراحی و پیاده‌سازی هوش تجاری در سطح صرفا یک واحد سازمانی، اقدام به طراحی و پیاده سازی آن در سطح کل سازمان کنند. در مقابل سازمان‌های که پیش تر تجربه‌های در زمینه نرم‌افزارهای ERP و مجتع سازی داده‌ها داشته اند بهتر است که از همان ابتدا اقدام به پیاده سازی هوش تجاری در کل سازمان کنند.

در هوش تجاری دپارتمانی، اهداف، نیازمندی ها و محدودیت‌های یک واحد سازمانی ممکن است مخالف اهداف و نیازمندی‌های کل سازمان باشد. در یکی از شرکت های فعال در حوزه خودرو به چنین مشکلی برخوردم. واحد بازاریابی اقدام به پیاده سازی سامانه هوش تجاری کرده بود و با رصد مداوم بازار و بررسی ترندهای گذشته فروش و رفتار مشتریان، توانسته بود جذب مشتری و دریافت سفارش را افزایش دهد. افزایش جذب مشتری، هدف واحد بازاریابی بود در حالی که این هدف، با هدف شرکت مخالف بود و شرکت به علت محدودیت ها تولید علاقه ای به افزایش دریافت سفارش نداشت.

هوش تجاری سازمانی حتما باید از استاندارد خاصی پیروی کند، لایسنس‌های خاصی باید تهیه شود و هماهنگ با نرم‌افزارهای دیگر سازمان باشد. هوش تجاری دپارتمانی چنین محدودیت‌های ندارد و می‌تواند از هر نرم افزاری که کار می‌کند و جواب می‌دهد استفاده کند. به عنوان مثال، یکی از نر‌افزاهای پیاده سازی هوش تجاری نرم افزار اس کیو ال مایکروسافت است. در صورتی که روش هوش تجاری سازمانی پیاده سازی شود، جهت استفاده از تمامی امکانات این نرم‌افزار باید لایسنس آن تهیه شود در غیر این صورت کارایی لازم ندارد.

و در آخر اینکه هدف اصلی هوش تجاری دپارتمانی پیاده سازی سریع، تاثیر بر نحوه عملکرد و تصمیم گیری دپارتمان و بهبود آن است. در هوش تجاری سازمانی هر چند این هدف به صورت ضمنی وجود دارد، اما هدف اصلی کاربردی بودن و زنده بودن سامانه برای مدت طولانی است.

در صورتی که در مورد هر کدام از روش‌های هوش تجاری سازمانی یا هوش تجاری دپارتمانی تجربه یا نظری دارید، در قسمت “نظرات” با ما به اشتراک بگذارید.

چهار پیامد هوش تجاری که باید مراقب آن باشید

هوش تجاری کاتالیزور تغییرات است و تغییرات زیادی را در سازمان به وجود می آورد و اغلب کسانی که می خواهد وضع موجود را حفظ کند، با آن مخالفت میکنند و اصطلاحا سنگ لای چرخ آن میگذارند. هرچند به نظر بسیاری از مدیران، اجرای هوش تجاری، جهت پیاده سازی ماموریت شرکت الزامی است اما احساسات مختلفی را در افراد مختلف در سازمان به وجود می آورد و این احساسات مختلف ممکن است منجر به شکست پروژه هوش تجاری شود. از طرف دیگر، افرادی که ارزش هوش تجاری را بدانند و علاقمند به داشتن سازمانی بزرگ تر و کاراتر باشند، از هوش تجاری استقبال می کنند و در استفاده از آن موفق تر هستند.

در هر صورت سازمانها میبایست قبل از پیاده سازی سامانه هوش تجاری  نسبت به پیامدهای استفاده از آن نیز آگاه باشند و آن را مدیریت کنند. ۴ پیامد مهم استفاده از هوش تجاری عبارتند از:

  • ممکن است بین بخش آی تی و بخش کسب و کار جنگ قدرت رخ دهد. به خصوص زمانی که هر کدام از این قسمت ها کنترل اش را بر بخش تحت سرپرستی از دست بدهد و یا با قسمت دیگر بر سر روش و حوزه پروژه مخالف باشند.
  • بعضی از موقعیت های شغلی ممکن است از بین برود، مانند مسول تهیه گزارشات. این افراد به شدت با پیاده سازی سامانه هوش تجاری مخالفت میکنند.
  • مدیر بازاریابی ممکن است اخراج شود به خصوص زمانی که سامانه هوش تجاری نشان بدهد که چقدر کمپینگ های تبلیغاتی ضعیف اجرا شده است. این افراد هم احتمالا با پیاده سازی سامانه هوش تجاری مخالفت میکنند.
  •  احتمال تغییر منابع داده ای و نرم افزارهایی که هوش تجاری از آنها تغذیه می کند، همیشه وجود دارد و این تغییرات بر روی نتیجه سامانه هوش تجاری اثر میگذارد. به عنوان مثال شرکت تا کنون از نرم افزار هلو جهت انجام امور حسابداری استفاده می کرد، اما حالا تصمیم به استفاده از نرم افزار سپیدار کرده است. طراحی این دو نرم افزار متفاوت است و در نتیجه طراحی سیستم هوش تجاری که از این نرم افزار تغذیه می کند، نیز دچار تغییر می شود.

در شکل زیر ۴ پیامد مهم استفاده از هوش تجاری را مشاهده می کنید:

 

 

در صورتی که تجربه ای در این زمینه داشتید، لطفا در قسمت “نظرات” عنوان کنید.

 

شباهت هوش تجاری و مرغ سوخاری !!! D:

نوشته شده توسط فرد سندمارک

چند وقت پیش، یکی از دوستان دوران دانشگاه ام  عنوان کرد که هوش تجاری برای کاربر نهایی کاربردی نیست چون فقط سطح اطلاعات را نشان می دهد و وارد عمق داده ها نمی شود. بعد هم داشبوردها را با یک دستگاه اسکن مقایسه کرد و گفت که هر دو فقط سطح را نشان می دهند. نظر او با توجه به کارهایی که رییس من با دشبوردها انجام میداد و عطش فوق العاده بازار به ابزارهای هوش تجاری کاملا اشتباه بود.

نظرات او باعث شد تا جدی تر به هوش تجاری فکر کنم و دنبال مثال کاملا ملموسی برای توضیح ساختار و نحوه کارکرد هوش تجاری بگردم. به فکرم رسید که هوش تجاری از جهاتی شبیه مرغ سوخاری است. خواهش می کنم چند لحظه جلو لبخندتون را بگیرید تا بیشتر در مورد این شباهت توضیح دهم. دوستم هم بعد از این توضیحات قبول کرد که هوش تجاری به مرغ سوخاری بیشتر شبیه تا دستگاه اسکن.

همانطور که می دانید مرغ سوخاری از  سه قسمت اصلی تشکیل شده است. پوسته سوخاری، خوراک اصلی که همان گوشت مرغ است و نهایتا استخوان بندی داخلی. در این آنالوژی پوسته مثل دشبورد و المان های بصری دیگر است که کاربر نهایی آن را می بیند. خوراک اصلی یا همان گوشت مرغ مانند موتور تحلیلی است که داده های اصلی را برای دشبورد و المان های تصویری تهیه می کند. همان طور که گوشت مرغ قسمت اعظم مرغ سوخاری را تشکیل می دهد، موتور تحلیلی و داده ها هم قسمت اعظم سیستم هوش تجاری را تشکیل می دهد. استخوان بندی هم همان فریم ورک و ابزارهای هوش تجاری است که کل سیستم هوش تجاری را کنار هم قرار می دهد. استخوان مرغ سوخاری استفاده نمی شود اما عملا بدون وجود استخوان بندی، مرغ سوخاری هم وجود نداشت. به طور مشابه، فریم ورک و ابزارهای هوش تجاری هم مستقیما مورد استفاده قرار نمی گیرند اما عملا بدون آنها سیستم هوش تجاری وجود نداشت.

پوسته مرغ سوخاری از لحاظ بصری، جذاب و خوشمزه است اما وعده غذای اصلی نیست و ارزش غذایی چندانی ندارد. به طور مشابه در دشبوردها نیز، دشبوردها از لحاظ بصری زیبا و خیره کننده هستند اما ارزش اصلی دشبورد به موتور تحلیلی و داده های لایه زیرین است. از طرف دیگر، هر چقدر هم که پوسته مرغ سوخاری جذاب و خوشمزه به نظر برسد، اگر که گوشت مرغ به خوبی آماده نشده باشد، خشک و سفت باشد و به سختی بلیعده شود، عملا مرغ سوخاری ارزش اش را از دست می دهد و استفاده نمی شود. در مورد سیستم های هوش تجاری نیز این قانون برقرار است. هر چقدر هم که دشبوردها به زیبایی طراحی شده باشند، در صورتی که داده های درستی را نمایش ندهند و به سختی فهمیده شوند، عملا ارزشی ندارند و به کار گرفته نمی شوند.

امیدوارم شما هم مثل دوستم قبول کرده باشید که شباهت هوش تجاری به مرغ سوخاری بیشتر از دستگاه اسکن است و سیستم های هوش تجاری فقط یک تصویر اسکن ثابت را نشان نمی دهند، بلکه توسط داده های ارزشمند لایه های زیرین تغذیه می شوند.