شرکت سروش زیست شریف

:: Welcome ::

هوش تجاری چیست؟ — به زبان ساده

«هوش تجاری» (Business intelligence | BI)، یک فرایند فناوری محور برای تحلیل داده‌ها و ارائه اطلاعات کاربردی به مدیران اجرایی، مدیران بخش‌ها و تصمیم‌سازان یک سازمان و دیگر کاربران نهایی درون سازمانی محسوب می‌شود که به تصمیم‌گیری مبتنی بر اطلاعات کمک می‌کند. این مبحث گستره وسیعی از ابزارها، کاربردها و روش‌ها را در بر می‌گیرد که سازمان‌ها را قادر به گردآوری داده‌ها از سیستم‌های خارجی و منابع داخلی، آماده‌سازی این داده‌ها برای تحلیل، توسعه و اجرای کوئری‌ها روی آن‌ها و ساخت گزارش‌ها، دشبوردها و بصری‌سازی داده‌ها می‌سازد. چنین دشبوردها و بصری‌سازی‌هایی به منظور در دسترس قرار دادن نتایج تحلیلی برای تصمیم‌گیرندگان سازمان و همچنین نیروهای عملیاتی انجام می‌شود.

 هوش تجاری و تحلیل داده

استفاده از اصطلاح هوش تجاری برای اولین بار، دستکم به اواخر ۱۸۶۰ باز می‌گردد. این در حالی است که «هاوارد درسنر» (Howard Dresner) برای اولین بار در سال ۱۹۸۹، این واژه را به عنوان یک عبارت پوششی برای اعمال روش‌های تحلیل داده به منظور پشتیبانی از فرایندهای تصمیم‌گیری تجاری مطرح کرد. آنچه با عنوان ابزارهای هوش تجاری از آن یاد می‌شود، معمولا سیستم‌های تحلیلی مبتنی بر «کامپیوترهای بزرگ» (Mainframe-based) مانند «سیستم پشتیبان تصمیم» (Decision Support Systems) و «سیستم‌های اطلاعات اجرایی» (Executive Information Systems) هستند. از عبارت هوش تجاری گاهی به جای تحلیل‌های تجاری استفاده می‌شود. در دیگر شرایط، هوش تجاری به طور خاص برای ارجاع به تحلیل‌های داده یا به طور گسترده‌تر برای اشاره به Business intelligence و  تحلیل‌های پیشرفته مورد استفاده قرار می‌گیرد.

 اهمیت هوش تجاری

از مزایای بالقوه ابزارهای هوش تجاری، می‌توان به شتاب‌دهی و بهبود تصمیم‌گیری، بهینه‌سازی فرایندهای داخلی کسب‌و‌کار، راه‌اندازی راه‌های درآمدزایی جدید و کسب مزایای رقابتی جدید در مقایسه با رقبای تجاری اشاره کرد. داده‌های مورد استفاده در این حوزه، شامل اطلاعات تاریخی ذخیره شده در یک «انبار داده» (Data Warehouse) و داده‌های جدید گردآوری شده از سیستم‌های منبع – ضمن تولید آن‌ها – هستند. این داده‌ها، ابزارهای هوش تجاری را قادر به پشتیبانی از فرآیندهای تصمیم‌سازی استراتژیک و تاکتیکی می‌سازند.

ابزارهای هوش تجاری اولیه، در ابتدا توسط تحلیل‌گران داده و دیگر کارشناسان فناوری اطلاعات مورد استفاده قرار می‌گرفتند. این افراد با انجام تحلیل‌ها، گزارش‌هایی را در نتیجه کوئری‌های انجام شده روی اطلاعات کاربران کسب و کار فراهم می‌کنند. با افزایش استفاده از هوش تجاری،  مدیران اجرایی و کارکنان سازمان‌ها، خود با پلتفرم‌های هوش تجاری کار می‌کنند. این امر، به لطف توسعه «هوش تجاری سلف سرویس» (Self-Service BI) و ابزارها و دشبوردهای کاوش داده محقق شده است.

انواع ابزارهای هوش تجاری

هوش تجاری، گستره وسیعی از کاربردها شامل «تحلیل‌ها و کوئری‌های موردی» (ad hoc analytics and querying)، گزارش‌های کسب و کار، پردازش تحلیلی آنلاین (Online Analytical Processing | OLAP)، هوش تجاری موبایل، «هوش تجاری بی‌درنگ» (Real-Time BI)، هوش تجاری عملیاتی، «هوش تجاری نرم‌افزار به عنوان یک سرویس» (Software-as-a-Service BI)، «هوش تجاری متن‌باز» (Open Source BI)، «هوش تجاری مبتنی بر همکاری» (Collaborative BI) و «هوش تجاری مبتنی بر محل» (location intelligence) را در بر می‌گیرد.

 فناوری‌های هوش تجاری شامل نرم‌افزارهایی برای طراحی نمودار و دیگر انواع اینفوگرافیک‌ها و همچنین، ابزارهایی برای ساخت دشبوردهای هوش تجاری و «کارت‌های امتیاز کارایی» (Performance Scorecards) می‌شوند که داده‌ها را روی سنجه‌های کسب و کار و دیگر شاخص‌های کلیدی کارایی به شیوه‌ای آسان برای درک بصری‌سازی می‌کند. ابزارهای بصری‌سازی داده‌ها در سال‌های اخیر به استانداردی برای هوش تجاری مدرن مبدل شده‌اند.

در ابتدا، برخی از سازمان‌های پیشرو در حوزه هوش تجاری از قابلیت‌های بصری‌سازی در ابزارهای خود استفاده کرده‌اند. اما پس از آن، دیگر سازمان‌های سنتی نیز به استفاده از ابزارهای بصری اکتشاف داده روی آوردند. برنامه‌های هوش تجاری ممکن است برخی از انواع تحلیل‌های پیشرفته مانند «داده‌کاوی» (Data Mining)، «تحلیل پیش‌بین» (Predictive Analytics)، «متن کاوی» (Text Mining)، تحلیل‌های آماری و تحلیل‌های «کلان‌داده» (Big Data | مَه‌داده) را نیز در بر داشته باشند. اگرچه، در بسیاری از موارد، پروژه‌های تحلیلی پیشرفته توسط تیم‌های جداگانه‌ای از آماردان‌ها، «دانشمندان داده» (Data Scientists)، مدل‌سازهای پیش‌بین و دیگر متخصصان حوزه تحلیل داده انجام می‌شود، در حالی که تیم هوش تجاری بر حوزه پرسش و پاسخ و تحلیل داده‌های کسب و کار متمرکز می‌شوند.

داده‌های هوش تجاری معمولا در انبارهای داده یا «داده‌گاه» (Data Mart) ذخیره‌سازی می‌شوند که زیرمجموعه‌ای از اطلاعات سازمان را در بر می‌گیرد. سیستم «هادوپ» (Hadoop) به طور فزاینده‌ای در معماری هوش تجاری به عنوان مخزن یا لندینگ هوش تجاری و داده‌های تحلیل به ویژه داده‌های ساختار نیافته، «فایل‌های لوگ‌ها» (Log Files)، داده‌های حسگرها و دیگر انواع کلان‌داده مورد استفاده قرار می‌گیرد. پیش از استفاده از داده‌های خام، این داده‌ها باید با استفاده از ابزارهای یکپارچه‌سازی داده‌ها و data quality، از منابع گوناگون دیگر گردآوری، یکپارچه‌سازی و پاکسازی شوند تا از این موضوع که کاربران داده‌های صحیح و سازگاری را استفاده می‌کنند اطمینان حاصل کنند.

گرایش‌های هوش تجاری

علاوه بر مدیران، تیم‌های هوش تجاری نیز از ترکیبی از معمارهای هوش تجاری، توسعه‌دهندگان این حوزه، تحلیلگران کسب و کار و کارشناسان مدیریت داده استفاده می‌کنند. کاربران کسب و کار نیز اغلب برای ارائه جنبه تجاری و حصول اطمینان از اینکه نیازهای آن‌ها در توسعه سیستم در نظر گرفته شده است، در فرایند ساخت سیستم مشارکت داده می‌شوند. برای کمک به این کار، تعداد رو به رشدی از سازمان‌ها، در حال جایگزینی «مدل توسعه آبشاری» (Waterfall Development) با هوش تجاری چابک و رویکردهای انبارش داده‌ای هستند که از روش‌های توسعه نرم‌افزاری چابک برای شکستن پروژه‌های هوش تجاری به زیرپروژه‌های کوچک‌تر و ارائه قابلیت‌های جدید به تحلیلگران کسب و کار بهره می‌برند. انجام این کار می‌تواند سازمان‌ها را قادر به قابل استفاده کردن هر چه سریع‌تر ویژگی‌های هوش تجاری و پالایش یا ویرایش برنامه‌های در حال توسعه در صورت تغییر نیازها و یا ظهور خواسته‌های جدید می‌سازد و به آن‌ها نسبت به موارد قدیمی‌تر اولویت می‌بخشد.

 هوش تجاری برای کلان داده

سکوهای هوش تجاری به طور فزاینده‌ای به عنوان رابط‌های «فرانت اند» (Front End) برای سیستم‌های کلان داده مورد استفاده قرار می‌گیرند. نرم‌افزارهای Modern BI، به طور متداول «بک اندهای» (Back end) انعطاف‌پذیری دارند که آن‌ها را قادر به اتصال به طیفی از منابع داده می‌سازد. این امر، در کنار رابط‌های کاربری ساده، ابزارهای مذکور را به گزینه‌ای مناسب برای معماری کلان داده مبدل می‌سازد. کاربران می‌توانند به طیفی از منابع داده شامل سیستم‌های هادوپ، پایگاه داده‌های NOSQL، پلتفرم‌های ابری و دیگر انواع انبارهای داده متداول متصل شوند و یک نمای یکپارچه از پایگاه داده‌های متنوع خود ارائه کنند.