اجزای اصلی هوش تجاری

شاخص‌ های عملکرد سازمان (KPI)

برای سازمان‌ها، ادراک و یکپارچه‌سازی داده‌ها در تمامی سطوح، یکی از بزرگ‌ترین چالش مدیریتی به شمار می‌آید و تدوین مقیاس‌های اندازه‌گیری، به‌روز نگه‌داشتن، مقایسه و تمرکز بر آن‌ها در سازمان، مشکلی همیشگی است که با ورود سیستم هوشمندی کسب‌وکار (و استقرار انبار داده‌های موضوعی)، اکثر این مشکلات ساماندهی خواهند شد.

داشبوردهای مدیریتی، در مشاهده شاخص‌های حیاتی به ‌تمامی سطوح سازمان یاری می‌رسانند و به کاربر امکان دنبال کردن جایگاه‌های سازمان توسط شاخص‌ها را می‌دهند. با دنبال کردن شاخص‌های متعدد و موردنظر و تحلیل روندها، می‌توان درک بهتر از اینکه سازمان و حوزه‌های مرتبط چگونه عمل می‌کند، کسب کرد.

طراحی و ساخت داشبورد مدیریتی در هوش تجاری

یکی از قویترین ابزارهای نمایش گزارشات و نمایش شاخص‌های کلیدی (KPI) پروژه‌های هوش تجاری Microsoft Power BI است. این ابزار قابلیت‌ نمایش گزارشات بر روی موبایل و صفحات وب را نیز دارد. بدون شک می‌توان ادعا کرد که نرم افزار Power BI قدرتمندترین و در عین حال ساده ترین نرم افزار ساخت و طراحی داشبوردهای مدیریتی است. اگر شما اکسل را در حد خوب بلد باشید یادگیری و آموزش Power BI برای شما مثل آب خوردن است.

تا اینجا ما در پروژه های هوش تجاری در مورد گذشته و حال صحبت کردیم ولی اگر بخواهید وارد مباحث پیشرفته آینده نگری یا پیش بینی یا داده کاوی یا دیتا ماینینگ بشوید در حقیقت دارید به حالت ایده‌آل یک پروژه هوش تجاری می‌رسید. در واقع زمانی می توانید وارد فاز داده کاوی بشوید که شما یک پروژه هوش تجاری کلید زده باشید و سازمان به بلوغ لازم جهت اجرای یک پروژه با عنوان داده کاوی رسیده باشد.

در مورد مباحث فنی داده کاوی از بین معدود مدل های پذیرفته شده در شاخه داده کاوی، مدل CRISP-DM و مدل ASUM جزو شناخته شده ترین و مقبولترین مدل هایی هستند که فرآیند داده کاوی و حل مسئله را یک روال مستمر و رو به تکامل میبیند و همچنین در عرصه عمل نیز توان پیاده سازی بالاتری داشته اند.

از آنجا که مدل CRISP-DM دارای تعدد پیاده سازی بالاتر و قدمت بیشتری بوده و همچنین پایه و اساس مدل ASUM نیز میباشد، به عنوان مدل پیشنهادی توسط تیم نیک توصیه میگردد.
در مدل CRISP-DM طی هر بار اجرای فرآیند، مسئله در قالب شش فاز اصلی مورد شناخت، تحلیل و مدل سازی، به شرح ذیل قرار میگیرد.

طی فاز اول (Business Understanding):
تیم پروژه به دنبال درک مسئله، اهداف و نیازمندیهای مشتری از نقطه نظر کسب و کار میباشد.

طی فاز دوم (Data Understanding):
اطلاعات قابل دسترس (درون یا برون سازمانی) مورد شناسایی قرار گرفته و با توجه به کاربرد آن در مسئله تحت ارزیابی کمی و کیفی قرار میگیرند و درصورت نیاز مسئله طرح شده توسط کارفرما، با توجه به اطلاعات قابل دسترس، تعدیل میگردد (جهت تعدیل/اصلاح صورت مسئله و خواسته های مشتری که در فاز قبل مشخص گردیده با داشته های اطلاعاتی مشتری). همچنین طی این فاز تیم داده کاوی با ماهیت اطلاعات قابل دسترس آشنایی بیشتری پیدا نموده و سعی مینماید از اطلاعات در دسترس دیدگاه های مناسبی کسب نماید.

در فاز سوم (Data Preparation):
تیم داده کاوی اقدام به آماده سازی داده ها جهت استفاده در مدل سازی مینماید، طی این فاز معمولا اقداماتی همچون انتخاب مشخصه ای اطلاعاتی، یکپارچه کردن اطلاعات از منابع مختلف و پاکسازی اطلاعات انجام میپذیرد. لازم به ذکر است وجود انبار داده از پیش آماده شده میتواند به افزایش سرعت اجرای کار در این فاز کمک قابل توجهی نماید.

در فاز چهارم (Modeling):
تیم داده کاوی اقدام به تعیین تکنیک های مدل سازی قابل استفاده جهت حل مسئله مینماید، و سپس پارامترهای مورد نیاز جهت Tune کردن مدل ها را تعیین مینماید، همچنین در این فاز با توجه به تکنیک مصرفی، ممکن است نیاز باشد تا داده های آماده شده در فاز قبل مورد تغییر و تحول قرار گیرند، پس بعضا از این فاز عملیات عقبگرد به فاز قبل، برای ساختار دهی مجدد اطلاعات صورت میپذیرد.

در فاز پنجم (Evaluation):
مدل های ساخته شده (که قاعدتا انتظار میرود از کیفیت بالایی برخوردار باشند) مورد تست و ارزیابی قرار میگیرند تا نقاط کور احتمالی آنها استخراج گردد تا بهترین مدل برای حل مسئله انتخاب شود، همچنین در این مرحله طی تعامل با کارفرما موثر بودن مدل انتخابی نیز بررسی میگردد و درصورتیکه مدل انتخاب شده برای حل مسئله مناسب نباشد، کل فرآیند مجددا از فاز اول آغاز میگردد.

طی فاز ششم (Deployment):
تیم داده کاوی با توجه به الزامات کارفرما، اقدام به ارائه نتایج اجرای مدل به کارفرما مینمایند، این فاز میتواند بنا به درخواست کارفرما، منحصرا گزارشی غنی و قابل درک توسط کارفرما از نتیجه اجرای مدل باشد و یا میتواند سیستمی نرم افزاری باشد که کارفرما بتواند توسط آن مدل ساخته شده را بصورت مکرر مورد اجرا و بهره برداری قرار دهد.

 ماشین لرنینگ (Machine Learning) در هوش تجاری

به نقل از ویکی پدیا: شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام می‌شود چراکه نرم‌افزار یادگیری ماشینی آن‌ها چگونگی رتبه‌بندی صفحات وب را درک کرده‌است. هنگامی که فیس‌بوک یا برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است.

هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه خلاص می‌کند نیز به همین دلیل است که کامپیوتر شما آموخته‌است که هرزنامه‌ها را از ایمیل غیراِسپم تشخیص دهد. این همان یادگیری ماشین است. این علمی است که باعث می‌شود کامپیوترها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.