هوش تجاری (Business Intelligence)

هوش تجاری (Business Intelligence)

به اشتراک بگذاریم برای یادگیری، یاد بگیریم برای به اشتراک گذاری
هوش تجاری (Business Intelligence)

هوش تجاری (Business Intelligence)

به اشتراک بگذاریم برای یادگیری، یاد بگیریم برای به اشتراک گذاری

انتخاب یک راهکار مناسبِ هوش تجاری بر اساس نیاز کسب و کار- بخش اول

چکیده

بسیاری از شرکت‌ها و سازمان‌ها از مزایا و قابلیت‌های عملیاتی که می‌توانند با استفاده از فناوری هوش تجاری به دست آورند آگاه هستند. با این حال‌ برای استفاده بهتر و حداکثری از قابلیت‌ها، نیاز به انتخاب یک راهکار هوش تجاریِ متناسب با نیازهایشان هستند.

در این مقاله، یک نمای کلی از بیست راه‌کار هوش تجاری موجود در بازار را ارائه می‌دهیم. همچنین اصلی ترین ویژگی و امکاناتی که درآینده ممکن است داشته باشند را شرح می‌دهیم. این امکانات در دو گروه ارائه می‌شود - امکانات اولیه و پیشرفته. و بعد با ارائه دو ابزار امکان انتخاب راه‌کار هوش تجاری در سازمان را تسهیل می‌کنیم "جدول مقایسه و هرم ویژگی‌ها".

چهار کلاس بلوغ ابزارهای هوش تجاری را که از طریق اجرای ویژگی‌های پیشرفته منعکس شده است، شناسایی می‌کنیم و در آخر، درباره بینش های به دست آمده بحث می‌کنیم و برخی از رهنمودها را برای انتخاب راه‌کار مناسب BI همراه با روند توسعه شناسایی شده ارائه می دهیم.

مقدمه

بیش از دو دهه پیش، هوش تجاری (BI) به عنوان یک ماژول نرم افزاری پرس و جو محور و گزارشگیری شکل گرفت و آغاز به کار کرد. ویژگی های جدیدی از قبیل پردازش تحلیلی آنلاین (OLAP)، مصور سازی داده‌ها و قابلیت های موبایلی طی سالیان گذشته با هدف ساده ساختن استفاده از چنین راه‌کارهای پیچیده ای برای کاربران نهایی اضافه شده است. نیاز فزاینده به BI با رشد چشمگیر حجم داده‌ها، رقابت در بازار برای جذب مشتری و حفظ مشتری‌های فعلی و در دسترس بودن انواع ابزارهای BI بیش از پیش می‌شود.

بازار هوش تجاری به طور مداوم در حال پیشرفت است. روندها به صورت فصلی تغییر می‌کنند و وظیفه اصلی این کار برجسته سازی موضوعات مهم در این زمینه و ارزیابی زمینه های مورد نیاز در آینده است. بازارهای جهانی تغییرات قابل توجهی برای فناوری هوش تجاری در نظر گرفته است. کیفیت داده‌ها، مدیریت داده‌ها، کشف داده‌ها، مصورسازی و هوش تجاریِ سلف سرویس از مهمترین این موارد است. همچنین، فناوری هایی که کاربران هوش تجاری در آینده می توانند از آن انتظار داشته باشند، عبارت است از استقرار cloud BI، تجزیه و تحلیل مجهز به BI تلفن همراه، یادگیری ماشین (ML) و یادگیری عمیق (DL) و مقررات امنیتی و حریم خصوصی دقیق(BARC, 2018a).

هوش مصنوعی (AI) و یادگیری ماشین (ML) روند تحول در نرم افزارهای BI را ادامه می دهند. سازمان‌ها به طور فزاینده‌ای به قابلیت تجزیه و تحلیل خودکار داده‌های سیستم های قدرتمند BI وابسته خواهند بود. برنامه‌های یادگیری عمیق (DL) در حال ورود به بازار هستند در حالی که تحقیقات AI و برنامه های ML به بلوغ نسبی رسیده اند. بیشتر راه‌کارهای BI تجزیه و تحلیل داده‌ها، مصورسازی داده‌ها، تجزیه و تحلیل‌های ad hoc، داشبورد مدیریتی، ابزارهای پرس و جو موردی (ad hoc)، گزارش های موردی، KPIها و متریک‌های عملکردی را ارائه می دهند که همگی از ویژگی های اساسی راه‌کارهای BI محسوب می شوند. ظهور تجزیه و تحلیل های پیشرفته کسب و کار در بین راه‌کارهای BI را می‌توان مستقیماً به دلیل ارزان بودن سخت افزارهای ذخیره سازی، در دسترس بودن حجم زیاد داده‌ها و اینترنت اشیا دانست(Dhar, 2012). تمام این موارد، که با افزایش دسترسی به سرویس های ابری نیز پشتیبانی می شوند، یکی از دلایل اصلی افزایش قابل توجه تجزیه و تحلیل کلان داده است.

در کنفرانس Tableau 2018 ؛ (Labbe, 2019) رویکردی که بینش خودکار را با استفاده از یادگیری ماشین و پردازش زبان طبیعی (Gartner, 2018a) به صورت خودکار تحت عنوان تجزیه و تحلیل تقویت شده انجام می دهد، به عنوان مهمترین بخش ارائه شد. ریتا سالام، تحلیلگر گارتنر، گفت: "این نوع تجربه کاربر دوباره بازار را متحول خواهد کرد. تجزیه و تحلیل های تکمیلی در واقع استفاده از هوش مصنوعی است. این فناوری افراد بیشتری را قادر می سازد تا بدون نیاز به دانش زیاد در زمینه داده، به اطلاعات ضمنی دست یابند." علاوه بر این، بسیاری از کمپانی های عرضه کننده سیستم های BI تلاش کردند تا در سال 2018 فناوری های AI را بهتر در محصولات تحلیلی خود قرار دهند. انتظار می رود استارتاپ های بیشتری با روش های تجزیه و تحلیل تجدید نظر کنند. مدیر عامل شرکت آدام سلیپسکی در کنفرانس کاربران Tableau خاطرنشان کرد که فروشنده در سال 2018 قدم هایی برداشته اند تا توسعه دهندگان شخص ثالث را قادر سازند تا محصولات و خدمات خود را به راحتی و عمیق در پلت فرم Tableau ادغام کنند. رایانش ابری استفاده از ابزارهای تحلیلی را ساده و محبوبیت آنها را افزایش داده است. اکنون مشاغل نیازی به خرید مجوزهای شخصی برای برنامه های تحلیلی و رایانه های گران قیمت برای فرآیندهای تحلیلی پیچیده ندارند، زیرا شرکت های خدمات ابری اشتراک کم هزینه ای را برای استفاده از ابزارهای هوش تجاری خود در محیط ابری ارائه میدهند (Labbe, 2019).

نمایشگاه ها وکنفرانس های تحلیلی BI نشان میدهد که توسعه موتورهای SQL-on-Hadoop و راه‌کارهایی که قابلیت BI محلی را در داخل دریاچه های داده (data lakes) فراهم می‌کند گسترش یافته و کاربران را قادر می سازد که کارهای مربوط به BI را بر روی انواع مختلف داده‌ها (ساختاریافته یا غیر ساختاری) به صورت داخلی و یا مبتنی بر فضای ابری انجام دهند. در گذشته، سازمان ها با استخراج، تبدیل و بارگذاری داده‌ها از دریاچه های داده در انبارهای داده برای پرس و جو، گزارش و اکتشاف داده‌ها، استفاده میکردند. اکنون، این ویژگی های جدید نیاز به این فعالیت ها را کاهش می دهد، زیرا فناوری داده‌ها را قادر می سازد تا در قالب اصلی باقی بمانند. این ویژگی که برای دسترسی آسانتر و سریعتر به محتویات دریاچه داده‌ها ضروری است، قابلیت جستجو در انواع مختلف داده می‌باشد. در مرحله بعدی، انتظار می رود که سازمان‌ها استفاده از SQL-on-Hadoop را به عنوان یک ویژگی BI افزایش دهند، این کار دسترسی به داده‌ها در دریاچه داده را امکان پذیر می کند. از این تکنولوژی، تمرکز به سمت توسعه داشبوردهای تعاملی و سایر انواع مصورسازی حرکت می‌کند (Rajesh, & Ramesh, 2016).

استریم کردن داده‌ها و تجزیه و تحلیل های بی درنگ نیز به یکی از مهمترین اولویت های استراتژیک برای تعداد زیادی از سازمان‌ها که به دنبال برتری نسبی هستند، تبدیل شده است. اصولا این موضوع شامل حال سازمان‌هایی می‌شود که دستگاه‌های اینترنت اشیا را به عنوان بخشی از فناوری عملیاتی خود مستقر کرده اند(Intrinsic Communications,2019). این فناوری‌ها در امنیت سایبری، کشف تقلب و سایر نواحی ای که آگاهی فوری از اهمیت بسیار زیاد برخوردار می‌باشد، کاملاً اثبات شده است. با این حال، باید تأکید کرد که شرکت‌های عرضه کننده نرم افزارهای BI طیف وسیعی از فناوری ها را دنبال می‌کنند تا الگوریتم های ML را برای کاربران BI فراهم کنند تا امکان تصمیم گیری خودکار از داده‌های جدید را امکان پذیر کنند. امروزه ممکن است بسیاری از سازمان‌ها برای اجرای داده‌های عملیاتی خود از Apache Hadoop clusters استفاده کنند، سازمان ها از فناوری CDC جهت شناسایی و ضبط تغییرات داده‌ها و ساختارهای داده‌ای، و همچنین اطلاع کاربران از این تغییرات استفاده می‌کنند (Stodder, 2018).

سازمان ها در فضای BI باید انعطاف پذیری و چابکی خود را در کشف و تجزیه و تحلیل داده‌ها بهبود ببخشند و این یک وجه مشترک بین آن‌ها است. کاربران در حال تغییر نیازهای اطلاعاتی خود هستند، و باید از داشبورد به سمت فن آوری های جدید و روش های توسعه محور حرکت کنند. برای بهبود چگونگی همکاری کاربران و توسعه دهندگان از روش‌های چابک استفاده می‌شود. در همین زمان، گام رو به جلوی قابل توجهی در اجرای روشهای تفکر چابک، DevOps و طراحی برداشته شده است (Hani et. al. 2017).

روش های DevOps سرعت و انعطاف پذیری روند پیاده سازی را افزایش داده. فناوری های سلف سرویس BI به خوبی با روش های تفکر چابک و طراحی متناسب است.

به دنبال افزایش اهمیت تصمیم گیری های مبتنی بر BI، سازمان‌ها در حال ایجاد سمت‌های جدیدی مانند مدیر ارشد داده (CDO) یا تعیین مسئولیت "رئیس داده" به CIO (مدیر ارشد اطلاعات)، مدیر تحلیلی (CAO) یا رئیس BI و انبارداده هستند. مسئولیت های اصلی CDO بهبود اعتماد، حکمرانی و سودمندی داده‌ها، پیروی از مقررات، نظارت بر حفاظت از دارایی های داده‌ای و افزایش ارزش این دارایی ها است. راه‌کارهای سلف سرویس به کاربران این امکان را می دهد که کارهای بیشتری را به تنهایی انجام دهند، از جمله انتخاب داده، تهیه، ترکیب و مصورسازی؛ با این حال کاربران هنوز هم برای توسعه، محافظت، مدیریت و پایداری آنچه ممکن است با سلف سرویس بدست آورند نیاز به همکاری با بخش فناوری اطلاعات دارند. در نتیجه، کاربران نیازهای اطلاعاتی خود را بهتر درک می‌کنند . هدف واحد فناوری اطلاعات و CDO باید فراهم کردن محیطی باشد که کاربران بتوانند داده‌های قابل اعتماد و قابل اطمینانی را در اختیار داشته باشند. فروشندگان فناوری راه‌کارهایی با قابلیت های پیشرفته برای فعال کردن راهنمایی IT یا CDO ارائه می دهند.

به موازات آن، هوش مصنوعی در حال پیدا کردن جنبه‌هایی از تجزیه و تحلیل، BI، یکپارچه سازی داده‌ها و مدیریت داده‌ها است. و انتظار می رود که در آینده تأثیر قابل توجهی در تجربه کاربر غیر فنی داشته باشد. روند BI سلف سرویس کاربران را قادر می سازد تا در بکارگیری داده‌ها و مصورسازی آن بیشتر از پیش موثر واقع شوند، بنابراین بینش تحلیلی به بخشی طبیعی‌ای از تصمیم گیری‌ها بدل می شود (Hani et al. 2017 & Umble et al). ویژگی های پیشرفته هوش مصنوعی قابلیت های سلف سرویس را بیشتر بهبود می بخشد تا به کاربران غیر فنی اجازه تجزیه و تحلیل داده‌های مرتبط را بدهد. پیشرفت ML، DL و NLP کاربران را قادر می سازد مقیاس و سرعت تجزیه و تحلیل یا گزارش گیری از حجم بیشتری از داده‌ها را افزایش دهد. راه‌کارهای BI نوآوری مداوم در استفاده از هوش مصنوعی برای تقویت BI و تجزیه و تحلیل برای کاربران غیر فنی را فراهم می‌کند و نه تنها استفاده از آن را آسان تر، بلکه هوشمندانه و سریع تر نیز میکند (Victor, 2018).

در این مقاله مروری بر راه‌کارهای هوش تجاری و ویژگی‌های اساسی و پیشرفته آن داریم و مسیرهای احتمالی برای اضافه شدن قابلیت‌های جدید BI بررسی میشود. علاوه بر این، دو ابزار (ماتریس مقایسه و هرم ویژگی ها) برای انتخاب راه‌کار مناسب BI در یک محیط واقعی ارائه شده است. ماتریس و هرم، روندهای موجود در میان ابزارهای BI را نشان میدهد و درک کاملی در مورد قابلت‌های هر یک از آن‌ها فراهم میکند.

این مقاله به شرح زیر تنظیم شده است: در بخش دوم لیستی از ویژگی های راه‌کارهای BI که در بازار وجود دارد، آورده شده است. در بخش سوم چارچوبی از روش مقایسه ای انجام شده و ماتریس مقایسه و هرم ویژگی را ارائه شده است. و بخش چهارم نتیجه گیری این تحقیق را به صورت خلاصه بیان میکند.

ادامه دارد...

 منبع

نظرات 0 + ارسال نظر
برای نمایش آواتار خود در این وبلاگ در سایت Gravatar.com ثبت نام کنید. (راهنما)
ایمیل شما بعد از ثبت نمایش داده نخواهد شد