۱٫ مفهوم هوش تجاری(Business Intelligence)

اصطلاح هوش تجاری (BI) برای نخستین بار در سال ۱۹۸۹ توسط یکی از پژوهشگران گروه گارتنر به نام هوارد درسنر مطرح گردید. او هوش تجاری را مجموعه ای از مفاهیم و روش ها به منظور توسعه تصمیم گیری های تجاری از طریق سیستم های مبتنی بر واقعیت معرفی کرد. در واقع هوش تجاري یک فناوري مبتنی بر داده است و اصطلاحا ً به مجموعه اي از اطلاعات و داده ها گفته می شود که با استفاده از ابزارهاي خاصی، داده ها را جمع آوري کرده و با تجزیه و تحلیل آنها ارزش زیادي براي یک سازمان و یا کسب و کار ایجاد می نمایند و کاربرد اصلی آن، تبدیل داده به مزیت هاي رقابتی براي سازمان ها می باشدکه شامل معماري ها، ابزارها، پایگاه هاي داده، برنامه ها و متدولوژي ها با هدف تجزیه و تحلیل داده ها به منظورحمایت از تصمیمات مدیران تجاري است.

۲٫ پارامترهای اصلی مورد نیاز در هوش تجاری

مشتريان
بدون مشتریان نابودی یک تجارت حتمی است. تجارت به اینکه خدمات و کالاهایش را بفروشد نیازمند است. هوش تجاری به تجارت کمک می کند که مشتری های خود را بهتر بشناسد، برتری های آنها را مشاهده کند و خود را با خواسته های مشتریان تطبیق دهد. هوش تجاری داده های جمع آوری شده از مشتریان در سطح بازار را بکار می گیرد.
رقبا
یک تجارت موفق باید بطور دائم رقبایش را ارزیابی نماید و استراتژی هایی متناسب اتخاذ کند. هوش تجاری می تواند به شرکت ها در تعیین استراتژی هایی که رقبا برای در اختیار گرفتن مشتریان بکار می گیرند کمک کند.
شرکای تجاری
شراکت ذات هر تجارت است. از تأمین کنندگان گرفته تا شرکت های پشتیبان مشتری و توزیع کنندگان کالا که به چرخه تجارت شما کمک می کنند. اطمینان از اینکه همکاری شرکا با تجارت شما در توازن خوبی است نکته مهمی می باشد. برای مثال امروز خیلی از تاجران اطلاعات خود را با تأمین کنندگان به اشتراک می گذارند. به گونه ای که تأمین کنندگان می توانند موجودی انبار فعلی و آینده را پیش بینی و تنظیم نمایند که ضرورتاً باعث کمک به تجارت شما خواهد شد. به اشتراک گذاری اطلاعات یک کلید است و قادر بودن به اشتراک گذاری اطلاعات مناسب جایی است که هوش تجاری مهم خواهد بود.
محیط اقتصادی
بدون هوش تجاری سازمان نمی تواند تجزیه و تحلیل سودمندی از نشانه های کلیدی اقتصادی (شامل نظرات،مصرف کننده نهایی ،تورم ،بیکاری، فراز و نشیب های اقتصادی و …) به منظور تغییر استراتژی به گونه ای که با محیط اقتصادی فعلی همخوانی داشته باشد بدهد.
فرآیندهای داخلی
فرایندهای داخلی معمولاً به عنوان فعالیت های روزانه یک تجارت یا سازمان تعریف می.شود. سازمان ها برای موفقیت در تجارت شان باید قادر به مشاهده نقاط قوت و ضعف فعالیت های روزمره باشند و همچنین در هر لحظه باید ببینند چه میزان سوددهی و بدهی دارند. بدون هوش تجاری سازمان نمی تواند اطلاعات را به منظور تغییر استراتژی بگونه ای که با محیط فعلی منطبق باشد. به طور مؤثر پردازش نماید.

۳٫ اجزای کلیدی هوش تجاری:

کلان داده ها و اطلاعات امروزه به عنوان مهمترین دارایی سازمان ها در نظر گرفته می شوند، چرا که به واسطه حجم، تنوع ،سرعت ،اعتبار ،صحت ارزش و قابلیت مشاهده بالا در صورت پردازش مناسب و استفاده از آن به شیوه نوآورانه، امکان دستیابی به دانش های جدید و تصمیم سازی بهتر را فراهم می کنند ، گردآوری، تجمیع وتحليل كلان داده ها نقش به سزایی در شناسایی فرصت های جدید دارد که در نهایت می تواند موجب تغییر و نوآوری در مدل کسب و کار موجود سازمان، افزايش اطمينان و ثبات منافع انساني، شناسایی محصولات و خدمات نوین و یا شیوه های جدید ارائه آنها به مشتریان شود.
بنابراین به سبب ارزش بالای اطلاعات، بسیاری از کسب و کارها و دولت ها به دنبال فناوری ها و روش هایی جهت تحلیل و تفسیر این داده ها به زبان کسب و کاری هستند تا بتوانند از این منبع بالقوه به ارزش تجاری دست پیدا کنند. جمع آوری داده، ذخیر سازی و تحلیل داده ها از اجزای کلیدی پیاده سازی هوش تجاری هستند.

جمع آوری داده(Data collection)

بطور کلی سه نوع داده مصرف کننده وجود دارد:

داده‌های شخص اول : این داده ها به طور مستقیم از کاربران توسط سازمان شما جمع آوری می شوند.
داده های شخص دوم: این داده ها توسط سازمان‌های دیگر درباره مشتریان خود به اشتراک گذاشته شده است( داده های مرتبط به مشتریان شخص اول دیگر سازمان ها).
داده های شخص سوم: این داده‌ها توسط شرکت هایی که با شرکت شما و با کاربران شما ارتباطی ندارند؛ جمع آوری شده است. سپس توسط آنها فروخته شده یا اجاره داده می شوند.

داده های شخص دوم و شخص سوم نیز استفاده می شوند؛ اما داده های شخص اول از اعتبار بیشتری برخوردار هستند.  داده‌های شخص اول را شما از مشتریان خود، درباره افکار و احساس آنها جمع آوری کرده اید و منبع مطمئنی دارید. داده ها ممکن است کیفی (با ماهیت مفهومی ) یا کمی ( با ماهیت عددی) باشند. بسیاری از روش‌های جمع‌آوری داده‌ها برای هر دو نوع اعمال می‌شوند، اما برخی از آنها برای یکی نسبت به دیگری مناسب‌تر هستند. در چرخه زندگی داده ها جمع آوری داده ها مرحله دوم است. پس از آن که داده ها تولید شدند؛ باید آنها توسط تیم شما برای استفاده جمع‌آوری شوند. 

دو روش عمده برای جمع‌آوری داده‌‌ها مورد استفاده قرار می‌گیرند که شامل داده‌های اولیه و داده‌های ثانویه است.

مجموعه داده های اولیه :

شامل جمع آوری داده های اصلی به طور مستقیم از منبع یا از طریق تعامل مستقیم با پاسخ دهندگان است. از جمله:

۱-نظرسنجی‌ها و پرسشنامه‌ها که از طریق مصاحبه حضوری، تماس تلفنی، پست یا پلتفرم‌های آنلاین انجام میشود.
۲-مصاحبه‌ها: مصاحبه ها شامل تعامل مستقیم بین محقق و پاسخ دهنده است. آنها می‌توانند به صورت حضوری، تلفنی یا از طریق ویدئو کنفرانس انجام شوند.
۳-مشاهدات رفتارها، اعمال یا رویدادها در محیط طبیعی
۴-گروه‌های کانونی گروه کوچکی از افراد را گرد هم می‌آورند که موضوعات خاصی را در یک محیط تعدیل شده مورد بحث قرار می‌دهند.
۵-آزمایش‌ها

جمع آوری داده‌های ثانویه:

شامل استفاده از داده های موجود جمع آوری شده توسط شخص دیگری برای هدفی متفاوت از هدف اصلی ماست.

۱-منابع منتشر شده شامل کتاب‌ها، مجلات دانشگاهی، مجلات، روزنامه‌ها، گزارش‌های دولتی و سایر مطالب منتشر شده که حاوی داده‌های مرتبط هستند.
۲-پایگاه‌های اطلاعات آنلاین مانند مقالات تحقیقاتی، اطلاعات آماری، داده‌های اقتصادی و نظرسنجی‌های اجتماعی را فراهم می‌کنند.
۳-سوابق دولتی و سازمانی
۴-داده‌های در دسترس عموم همچون وب‌سایت‌ها یا رسانه‌های اجتماعی
۵- مطالعات تحقیقات گذشته

انبار سازی داده ها (Data Warehousing)

انبار داده (Data Warehouse) به عنوان مخزن داده‌های ذخیره شده الکترونیکی یک سازمان که از سیستم‌های عملیاتی و در دسترس استخراج شده اند برای پرس و جوهای موقت و گزارش‌های برنامه ریزی شده تعریف می‌شود. سادگی در روند ذخیره سازی داده‌ها مستلزم ساخت و استفاده از انبار داده است. داده‌های ذخیره شده در انبارداده با داده‌های موجود در محیط عملیاتی متفاوت است; از این جهت که اطلاعات ذخیر شده در انبار داده به گونه ای سازماندهی می‌شوند که داده‌های مورد نظر برای تسهیل گزارش دهی برای انجام عملیات روزمره و تجزیه و تحلیل در کنار هم قرار می‌گیرند. با بهره گیری از انبار داده در طول زمان روندهایی تعیین می‌شود و برنامه‌هایی براساس اطلاعات موجود ایجاد می‌گردد.

تحلیل داده(Data Analysis) و داده کاوی(Data Mining)

تحلیل داده (Data Analysis)، فرایند استخراج، پاک سازی، تغییر شکل، مدل سازی و تصویرسازی داده‌ها با هدف استخراج اطلاعات مهم و مفیدی است که می‌تواند در نتیجه گیری‌ها و تصمیم گیری‌ها مفید باشد. تحلیل داده، یک ابرمجموعه یا فوق­ مجموعه (superset) از داده کاوی است. تجزیه و تحلیل داده‌ها را می‌توان به تحلیل داده‌های اکتشافی، آمار توصیفی و تحلیل داده‌های تأییدی در برنامه‌های آماری تقسیم بندی کرد. اما داده کاوی (Data mining)، فرایند استخراج داده‌های قابل استفاده از مجموعه ای بزرگتر، متشکل از داده‌های خام و در واقع زیر مجموعه ای از تحلیل داده است؛ روشی پیوسته و اثربخش برای شناخت و کشف الگوها در یک مجموعه کلان داده. داده کاوی برای ساخت مدل‌های یادگیری ماشین که در هوش مصنوعی استفاده می‌شود نیز مورد استفاده قرار می‌گیرد. داده کاوی، از الگوریتم‌های پیچیده ریاضی برای تقسیم بندی داده‌ها و ارزیابی احتمال وقایع آینده استفاده می‌کند.هوش تجاري از طریق تجزیه و تحلیل داده ها به مدیران و مدیران محصول کمک می کندتا دسته هاي مختلف مشتریان را شناسایی کنند و محصولات یا خدمات را مطابق با نیازهاي مشتريان ایجاد کرده و یا توسعه دهند، استراتژي رقابت و قیمت گذاري را تعریف کنند، مدیریت درآمد را بهبود بخشند، فروش را افزایش دهند و مشتريان را گسترش دهند. یک مزیت کلیدي داده کاوي در هوش تجاري و تجزیه و تحلیل، پیش بینی یک رفتار یا نتیجه خاص بر اساس مدل هاي داده، در آنچه به عنوان تجزیه و تحلیل پیش بینی شناخته می شود، است، که به احتمال زیاد منجر به تصمیمات مدیریت بهتر و برنامه ریزي آینده می شود.

گزارش دهی(Reporting)

گزارش بخشی اساسی از هوش تجاری است که بر روی تجسم داده­ ها در انواع مختلف فرمت­ ها از قبیل جداول، نمودارها و متن­ ها متمرکز است که هدف آن ارائه دقیق اطلاعات در شکلی است که برای کاربران نهایی قابل درک باشد. در گذشته، خروجی­ های که برای اهداف گزارش ایجاد می­ شدند، ایستا بودند، به این معنی که کاربران نمی ­توانستند داده ­ها بر روی خود گزارش تغییری دهند ولی اکنون از گزارش ­های پویا با قابلیت­ های اعمال تغییرات در لحظه بسیار استفاده می­ شود.

از مزایای ابزار گزارش دهی می توان به این موارد اشاره کرد: تصمیم گیری مبتنی بر واقعیت–شناسایی فرصت­ های جدید–بهره وری در حال توسعه–درک گذشته، حال و آینده سازمان–توانمندسازی کاربران تجاری–متمرکز کردن داده ­ها–آنالیز رفتار مشتری-کاهش هزینه و بهبود کارایی

۴٫ چالش‌های هوش تجاری:

امنیت داده(Data Security): حفاظت از داده‌ها در تمام مراحل از جمع‌آوری تا گزارش‌دهی.
پیچیدگی(Complexity): مدیریت و تحلیل داده‌های حجیم و پیچیده.
اندازه‌گیری اثربخشی(Effective Measurement): تضمین کیفیت داده‌ها و اعتبار آن‌ها.

نتیجه گیری:

امروزه داشتن توان رقابتی اساس بقای شرکت ها است و برخورداری از توان رقابتی و حفظ آن بیش از هر چیزی نیازمند اطلاعات است. هوش رقابتی به شرکت ها کمک میکند تا تصمیمات آگاهانه ای را پیرامون همه امور خود از جمله بازاریابی، تحقیق و توسعه، سرمایه گذاری و راهبردهای کسب و کار اتخاذ کنند. هوش رقابتی فرایند مداومی است که اطلاعات قابل استفاده ای را در اختیار تصمیم گیرندگان می گذارد. هدف اصلی هوش رقابتی دستیابی به داده ها و اطلاعاتی در مورد محیط، رقبا، بازار و همچنین، سایر تمایلات محیطی از قبیل تمایلات صنعت؛ تمایلات بین المللی؛ تحولات فن آوری و شرایط اقتصادی است. اگرچه تمرکز هوش رقابتی بر تصمیم گیری است؛ ولی قلمرو آن گسترده تر است و پژوهش پیرامون موضوعاتی چون قابلیت های رقبا، تحلیل ایجاد و یا سرمایه گذاری مشترک با رقبا؛ برنامه های آتی رقبا راهبردهای بازار با خطوط تولید خاص شناخت مشتریان و تسهیل اطلاعات و ارتباطات سازمانی را نیز در بر میگیرد.