هوش تجاری یا BI چیست ؟

هوش کسب‌وکار چیست؟

هوش تجاری Business Intelligence یا BI که به آن هوش کسب و کار نیز می‌گویند، فرایندی مبتنی بر تکنولوژی است که برای تجزیه‌وتحلیل داده‌ها و ارائه‌ی اطلاعات کاربردی (Actionable) به منظور کمک به مدیران اجرایی، مسئولان و دیگر کاربران سازمان جهت اتخاذ تصمیم‌های تجاری هوشمندانه به کار می‌رود.

هوش کسب‌وکار شامل طیفی گسترده از ابزارها، برنامه‌های کاربردی و روش‌هایی است که به سازمان‌ها کمک می‌کند تا داده‌ها را از سامانه‌های داخلی و منابع خارجی گردآوری کرده و آن را برای تجزیه‌وتحلیل آماده کنند. به‌کمک سامانه‌های هوش کسب‌وکار، شرکت‌ها می‌توانند تحقیقات و جُستارهایی روی داده‌ها انجام داده و با تولید گزارش‌ها، داشبوردها و تجسمِ داده‌ها در قالب‌های بصری، نتایج تحلیلی را دراختیار تصمیم‌گیرانِ سازمانی و نیز کارکنان عملیاتی قرار دهند.

تفاوت هوش تجاری با تحلیل داده‌ها

اولین استفاده ها از اصطلاح Business Intelligence یا هوش کسب و کار، به حداقل سال‌های دهه‌ی 1860 برمی‌گردد؛ اما هوارد درسنر (Howard Dresner)، نویسنده و مدیر شرکت خدمات مشاوره‌ای درسنر، نخستین کسی بود که این عبارت را در سال 1989، به‌عنوان یک عبارت فراگیر برای بکارگیری تکنیک‌های تحلیل داده جهت تقویت فرایندهای تصمیم‌گیری در سازمان‌ها پیشنهاد کرد. امروز درسنر را به‌عنوان «پدرخوانده‌ی هوش تجاری» می‌شناسند. آنچه که امروز به‌عنوان ابزارهای BI شناخته می‌شود، از سیستم‌های تحلیلیِ مبتنی بر ابررایانه‌ها، مانند سیستم‌های پشتیبانیِ تصمیم و سیستم‌های اطلاعاتیِ اجرایی تکامل یافته است.

هوش تجاری یا تحلیل تجاری؟

عبارت «هوش تجاری» گاهی به‌جای عبارت «تجزیه و تحلیل کسب و کار» (Business Analytics) هم به کار می‌رود. درواقع، «تجزیه و تحلیل کسب و کار» در نگاه خرد، به تجزیه‌وتحلیل داده‌های پیشرفته اشاره دارد و در نگاه کلان‌تر، هر دو زمینه‌ی هوش تجاری (BI) و تحلیل پیشرفته (Advanced Analytics) را دربرمی‌گیرد.

چرا هوش کسب‌وکار مهم است؟

مزایای بالقوه‌ی ابزارهای هوش تجاری عبارت‌اند از: شتابدهی و بهبود فرایند تصمیم‌گیری، بهینه‌سازی فرایندهای داخلی کسب‌وکار، افزایش بهره‌وری عملیاتی، ایجاد درآمدهای جدید و کسب مزیت رقابتی دربرابر رقبای تجاری. سامانه‌های هوش تجاری می‌توانند به شرکت‌ها کمک کنند تا روندهای بازار (Market Trends) را شناسایی کرده و مشکلات کسب‌وکاری را که باید مورد توجه قرار گیرند، به‌‌موقع تشخیص دهند.
داده‌های BI افزون بر اطلاعاتِ تاریخی که در یک انبارداده ذخیره شده‌اند، داده‌های تازه‌ای را که از سیستم‌های منبع گردآوری شده‌اند، به‌محض تولید آنها به‌ خدمت می‌گیرند. به‌لطف این قابلیت، ابزارهای هوش تجاری می‌توانند هر دو فرایند تصمیم‌گیری راهبردی (استراتژیک) و تاکتیکی را پشتیبانی کنند.
در ابتدا، ابزارهای هوش تجاری عمدتاً توسط تحلیلگران داده و دیگر کارشناسان فناوری اطلاعات مورد استفاده قرار می‌گرفتند. این متخصصان، پروژه‌های تحلیلی را مدیریت کرده و گزارش‌هایی را با نتایج جُستاری برای کاربران تجاری تهیه می‌کردند. اما امروزه، به‌لطف توسعه‌ی سامانه‌های هوش تجاریِ سلف‌سرویس و ابزارها و داشبوردهای کشف داده، مدیران اجرایی و کارکنان کسب‌وکارها، خودشان به‌شکلی فزاینده درحال بهره‌گیری از پلتفرم‌های BI هستند.

انواع ابزارهای BI

در پیاده سازی یک سیستم هوش تجاری، ترکیب مجموعه وسیعی از ابزار ها شامل موارد زیر به کار گرفته می شوند:

• ابزارهای تحلیل مستقیم (Ad hoc Analysis)
• نرم افزار های گزارش ساز
• ابزار های پردازش تحلیلی آنلاین (OLAP)
• هوش تجاری موبایل
• هوش تجاری بلادرنگ
• هوش تجاری عملیاتی
• هوش تجاری ابری (SaaS)
• هوش تجاری متن‌ باز
• هوش تجاری مشارکتی (Collaborative BI)
• هوش مکانی (Location Intelligence)

به علاوه فن آوری هوش تجاری بدون این موارد ناقص می ماند:

• نرم افزار های نمایش داده ها (Data Visualization) که بوسیله آن اعداد در قالب نمودار ها و گراف ها نمایش داده می شوند
• شاخص های کلیدی عملکرد (KPI) برای تحلیل و درک بهتر واقعیت
• ابزار های ساختن داشبورد های هوش تجاری
• مکانیزم کارت های امتیازدهی عملکرد

ابزارهای تجسم داده در سال‌های اخیر به استاندارد هوش تجاری مدرن تبدیل شده‌اند. این ابزارهای بصری‌سازی داده‌ها در آغاز ازسوی چند شرکت پیشرو معرفی شدند و دیری نپایید که اغلب فروشندگان سامانه‌های هوش تجاری، این ابزارها را در سامانه‌های خود گنجاندند. اکنون،‌ تقریباً هر ابزار عمده‌ی BI دارای فیچرهایی از کشف داده‌های بصری است.

هوش تجاریبرنامه‌های هوش تجاری همچنین ممکن است شامل بخش‌هایی از تحلیل پیشرفته، مانند داده‌کاوی (Data Mining)، تحلیل پیش‌بینی‌کننده (Predictive Analytics)، متن‌کاوی (Text Mining)، تحلیل آماری و تحلیل کلان‌داده‌ها باشد. در بسیاری از موارد، پروژه‌های تحلیل پیشرفته توسط تیم‌هایی جداگانه از متخصصان علم داده‌ها، آمارشناسان، مدل‌سازانِ پیش‌بینی‌کننده و دیگر متخصصان تحلیلی حرفه‌ای اجرا و مدیریت می‌شوند؛ درحالی‌که تیم‌های BI، بر جُستارهای ساده‌تری نظارت کرده و مستقیماً به تحلیل داده‌های تجاری می‌پردازند.
داده‌های هوش کسب‌وکار معمولاً در یک انبارداده (Data Warehouse) یا داده‌گاه‌های کوچک‌تر (Data Mart) که زیرمجموعه‌هایی از اطلاعات شرکت را در خود جای می‌دهند، ذخیره‌سازی می‌شوند. افزون بر آن، سیستم‌های هَدوپ (Hadoop) به‌‌‌شکلی فزاینده در معماری‌های BI به‌عنوان مخزن یا فرودگاهی برای تحلیل داده‌های هوش تجاری به کار می‌روند؛ به‌ویژه برای داده‌های فاقد ساختار، فایل‌های لاگ، داده‌های سنسور و سایر انواع داده‌های بزرگ.
داده‌های خامی که از سیستم‌های منبع گوناگون گردآوری می‌شوند، پیش از آنکه در برنامه‌های کاربردی هوش تجاری به کار روند، باید با بهره‌گیری از ابزارهای یکپارچه‌سازی و کیفیت داده، ادغام و پاکسازی شوند تا اطمینان حاصل شود که کاربران اطلاعات درست و دقیقی را تحلیل می‌کنند.

معماری هوش تجاری یا BI Architecture

هوش تجاری از نظر ساختار اجرا و معماری فرایند، دارای ۵ لایه‌‌ی اصلی است، از تشخیص منبع داده تا مرحله‌ی نمایش اطلاعات که در ادامه آن‌ها را بررسی می‌کنیم:

منابع اطلاعاتی (Data source)

در اولین مرحله برای پیاده‌سازی هوش تجاری در یک سازمان، داده‌های مهم را در قالب فرمت‌های به‌خصوص شناسایی و سازماندهی می‌کنیم، این داده‌ها می‌توانید از انواع منابع اطلاعاتی مانند دیتابیس‌ها و… تجمیع گردند.

استخراج، تبدیل و بارگذاری (ETL)

در این مرحله، اطلاعات مناسب از منابعی که در مرحله‌ی قبل تشخیص داده شد استخراج (Extract) شده، سپس به داده‌های قابل استفاده برای سیستم تبدیل (Transform) می‌شود، در این مرحله داده‌های نامعتبر از مجموعه حذف خواهد شد و سپس در انبارهای داده گردآوری و بارگذاری (Load) می‌شوند.

انبارهای داده (Data Warehouse)

هدف از انجام این مرحله در حقیقت جمع‌آوری داده‌های مورد نیاز و ایجاد مجموعه‌ای یکپارچه از این اطلاعات می‌باشد، طراحی این مجموعه جزو یکی از مهم‌ترین مراحل فرایند پیاده‌سازی هوش تجاری است، انبار داده‌ باید به‌گونه‌ای طراحی شود که انواع مختلف اطلاعات در آن قابل تجمیع باشند.

مدل‌سازی داده‌ها (Data Modeling)

در این گام، حقایق مربوط به کسب‌وکار شامل فروش، پرداخت، زمان فروش، فروشنده و مشتری مشخص شده و در قالب گزارش‌هایی بررسی و روابط میان آن‌ها مشخص می‌شود، پس از انجام این فرایند به مقادیر و اطلاعات محاسباتی دست می‌یابیم که می‌توان از آن‌ها به عنوان شاخص‌های اندازی‌گیری اطلاعات استفاده کرد.

ارائه‌ی اطلاعات (Presentation)

در آخرین لایه‌ از فرایند هوش تجاری، اطلاعات به‌دست آمده را در قالب داشبوردهای مدیریتی و به شکل نمودارهای گرافیکی، گزارشات تصویری، متنی و… به کاربر نهایی نهایی (معمولا مدیران کسب‌و‌کار) نمایش داده می‌شود،‌ این گزارش‌ها می‌توانند حاوی اطلاعاتی شامل نقاط ضعف و قوت سازمان، عوامل موفقیت یا شکست پروژه‌ها، تاثیر هزینه‌ها در فروش و… باشند که در نهایت می‌توانند استراتژی‌های تجاری سازمان را دستخوش تغییر کنند.

هماطوری که در تصویر مفهومی بالا نیز مراحل فرایند هوش تجاری مشخص است، در اولین گام، داده‌ها از منابع مختلف سازمان جمع‌آوری شده و طی فرایند ETL به داده‌های قابل قبول تبدیل می‌شوند، سپس با تجمیع و جمع‌آوری برای مرحله‌ی ذخیره‌سازی (Warehouse) آماده شده و پس از آن عملیات آنالیز و مدل‌سازی روی آن‌ها صورت گرفته و آماده‌ی ارائه و نمایش به مدیران سازمان می‌شوند.

روند هوش کسب و کار

تیم‌های هوش تجاری، علاوه بر مدیران BI، عموماً از آرایشی از معماران هوش تجاری، توسعه‌دهندگان هوش تجاری، تحلیلگرانِ کسب‌وکار و متخصصان مدیریتِ داده تشکیل می‌شوند. کاربران تجاری نیز غالباً به‌عنوان نماینده‌ی کسب‌وکار در این تیم‌ها حضور دارند و اطمینان حاصل می‌کنند که نیازهای تجاری‌شان در فرایند توسعه‌ی BI برآورده می‌شوند.
برای این منظور، شمار زیادی از سازمان‌ها درحال جایگزین‌کردنِ توسعه‌ی آبشاری سنتی با هوش تجاریِ چابک و رویکردهای داده‌انبارشِ چابک هستند. این رویکردها از تکنیک‌های توسعه‌ی نرم‌افزاری چابک برای شکستنِ پروژه‌های هوش تجاری به قطعه‌های کوچک استفاده می‌کنند و کارکردهای جدیدی را به تحلیلگرانِ کسب‌وکار بر بستری تکاملی و تکراری ارائه می‌دهند. انجام این کار می‌تواند شرکت‌ها را قادر سازد تا فیچرهای BI را سریع‌تر به کار ببندند. در این مسیر، شرکت‌ها می‌توانند برنامه‌های توسعه را، هم‌زمان با تغییر نیازهای کسب‌وکار یا پیدایش اولویت‌های تازه، پالایش و اصلاح کنند.

هوش تجاری برای داده های عظیم (Big Data)

پلتفرم‌های هوش تجاری به‌شکلی فزاینده به‌عنوان رابط‌های کاربریِ فرانت‌اِند برای سیستم‌های بزرگ‌داده (Big Data) به کار می‌روند. نرم‌افزارهای جدید BI معمولاً دارای بک‌اِندهای منعطفی هستند که آنها را قادر به اتصال به طیف وسیعی از منابع می‌کند. این موضوع، همراه با رابط‌ کاربری ساده، این ابزار را مناسب معماری‌های بزرگ‌داده می‌کند. کاربران می‌توانند به طیفی گسترده از منابع داده‌ها، ازجمله سیستم‌های هَدوپ، پایگاه‌های داده NoSQL، پلتفرم‌های ابری و انبارداده‌های متعارف‌تر متصل شوند و نمایی یکپارچه از داده‌های متنوع خود ایجاد کنند.‌
در گذشته، تنها متخصصان حرفه‌ای معماریِ داده‌ می‌توانستند با بررسی داده‌ها به چشم‌اندازی از وضعیت آینده دست یابند؛ اما امروزه ابزارهای هوش تجاری معمولاً به‌قدری ساده هستند که به‌عنوان فرانت‌اِندِ بزرگ‌داده می‌توانند برای شمار وسیعی از کاربرانِ بالقوه در سازمان‌ها مفید واقع شوند.