در اینجا یک مسئله ای وجود دارد که ابتدا هوش تجاری بوده یا ابتدا دیتاساینس؟ که بسیاری معتقدند تاریخچه BI قدیمی تر از دیتاساینس است چرا که تحلیل های هوش تجاری به مراتب قدیمی تر از دیتاسینس است و اولین درباره این حوزه به سال 1985 بر میگردد.
هوش تجاری قراره چه دستاوردی برای ما و کسب و کار ما داشته باشه؟ ما سامانه های اطلاعاتی متعددی برای شرکت هایمان داریم از همان لحظه که پرسنل وارد شرکت ما میشود مواردی مثل حضور و غیابشان فعال می شود، بحث منابع انسانی شان مطرح می شود، بحث ارزشیابی عملکردی پرسنل مطرح میشود، فرآیندهای داخلی شرکت مانند فرآیند فروش یا فرآیند خرید، بحث های مارکتینگ یا CRM یا روابط مشتری و... هر کدام در یک سامانه ای اتفاق میفتد، اطلاعات در سامانه های مختلفی وجود دارد و لزوم یکپارچه سازی آن ها همیشه احساس شده است حالا هوش تجاری چکار میکنه؟ BI سیستم های اطلاعاتی مختلف دیتاهای آنها را جمع آوری میکنه داخل یک مخزن اطلاعاتی میریزه و بعد از اینکه صحه گذاری کرد اطلاعات در اختیار ما قرار میدهد و در کمترین زمان بتوانیم بهترین تصمیم بگیریم.
ما چطوری بتوانیم به حجم زیادی از داده خیلی سریع و خیلی آسان طبق بینشی که مد نظر ما است دست یابیم و بر مبنای آن تصمیم گیری کنیم. پس به طور خلاصه هوش تجاری تعریفش این می شود که دیتاها و داده های صحیح را در زمان درست خودش در فرمت درست خودش در اختیار افراد مد نظر بذاره تا بتوانند بهترین و درست ترین تصمیم بگیرند.
تفاوت هوش تجاری و دیتاساینس:
هوش تجاری بیشتر بر روی دیتاهای گذشته تا حال کار میکند و تحلیل توصیفی بیشتر انچام میدهد و بیشتر سراغ چرایی اوضاع کنونی میرود.
آن چیزی که در اختیار مدیران قرار میگیرد: شامل گزارش ها و داشبورد ها می شود که با استفاده از ابزارهای BI انجام میدهد مثل نرم افزار POWER BI یا نرم افزار Tableau، QLIK View و یا خود EXCEL و ...
هوش تجاری در چه سطوحی در یک سازمان استفاده میشود:
در هر سه سطح مدیریتی در سازمان ها استفاده میشود که بر اساس اون KPI هایی که تعریف کردند میرند سراغ هوش تجاری و ازش استفاده میکنند:
1- مدیریت ارشد سازمان
2- مدیران میانی سازمان ها
3- مدیران عملیاتی سازمان ها
چه چالش هایی هوش تجاری (BI) برای سازمان ما حل میکند؟
4 تا چالش را BI برای سازمان ما حل میکند:
شما در ذهنتان تصور کنید یک جلسه هیئت مدیره ای است که قرار است در مورد توسعه یک محصول و یا اضافه کردن یک محصول تصمیم گیری شود در آن لحظه اگر ما به یک دیتا صحیح دسترسی نداشته باشیم تصمیم گیری سخت میشود یعنی اولین چالشی که BI به آن پاسخ می دهد موضوع بعدی که به ما کمک میکند این است به علت سامانه های اطلاعاتی در سازمان ها بعضا دیتاهای یکسان با ادبیات متفاوت ذخیره شده اتفاقی که میفتد دیتاهایی که ما جمع آوری کردیم در هوش تجاری تمام این مغایرت گیری ها حذف میشود چون وقتی که ما BI را اجرا میکنیم تعاریف استاندارد یکسانی برای دیتاها خواهیم داشت.
چالش سومی که BI برای ما حل میکند این است که ما بعضا در هنگام تصمیم گیری دیتایی نداریم. یعنی از قبل پیش بینی نکردیم که هنگام تصمیم گیری نیاز به دیتا داشته باشیم تا در هنگام تصمیم گیری نیاز ما را برطرف کند. این چالش BI کاملا به ما پاسخ می دهد. وقتی که ما سیستم BI را در سطح شرکت به طور کامل مستقر کنیم دیگه اون دیتاهای مورد نیاز برای شرکت را از قبل پیش بینی کردیم و ما داریم این دیتاها را به صورت تاریخی جمع آوری میکنیم و در زمان مقررش از آن استفاده کنیم و بتوانیم در تصمیم گیری ها از آن استفاده کنیم.
چالش چهارمی که هوش تجاری به ما کمک میکند این است که دیتاها را به آن فرمتی که مد نظر ما است تحلیل میکند و این آرزوی مدیر را برآورده میکند وقتی که یک مدیر در لحظه به دیتاهای صحیح خودش دسترسی داشته باشد در آن فرمت صحیح خودش دسترسی داشته باشه و مطمئن باشه که دیتاهای مختلف با یک استانداردی ذخیره شده است و مغایرتی در دیتاها وجود نداشته باشد.
اما هوش تجاری در چه سازمان هایی بیشتر به کار می آید؟
معمولا هر چه ابعاد یک سازمان بزرگتر باشد BI بیشتر کارایی پیدا میکند.هر چه حجم دیتاهای آن سازمان بیشتر باشد، هر چه تعداد محصولات آن شرکت بیشتر باشد و یا هر چه تعداد مشتری های آن تنوع بیشتری داشته باشد به طبع اهمیت هوش تجاری هم بیشتر می شود. اما این به آن معنا نیست که کسب و کارهای کوچک به این سمت نیایند. امروزه BI در همه کسب و کارها مورد توجه قرار گرفته و هر شرکتی که برای کسب و کار خود KPI (شاخص کلیدی عملکرد) تعریف کند و برای رصد کردن KPI خود سیستم فروش قرار بدهد و در سطح خودشان میتوانند BI را پیاده سازی کنند.
نکته مهم: انتخاب شاخص ها بستگی به فضای کسب و کار دارد.
کاربردهای هوش تجاری:
تقریبا هیچ کسب و کاری نیست که خودش را بی نیاز بدونه از تحلیل های هوش تجاری که البته خود BI وابسته است به داده های تاریخی، اگر ما دسترسی به این نوع داده ها نداشته باشیم چه چیزی را میخواهیم نمودارسازی کنیم، روی چی میخوایم KPI پیاده سازی کنیم و این عزم وجود داره که ما میتوانیم در کمترین زمان ممکن که دیتا بتوانیم تبدیل کنیم به اکشن.
هوش تجاری بیشتر برای رشته های مهندسی صنایع (تمامی گرایش ها)، مهندسی فناوری اطلاعات، رشته مدیریت ارشد کسب و کار(MBA) کاربرد دارد.
بررسی بازار کار هوش تجاری:
فقط کافی است که یکبار شما عزیزان داخل پلتفرم های کاریابی سرچ کنید هوش تجاری را تا با اهمیت جایگاه این علم در ایران و خارج از کشور آشنا بشید. اگر بخواهیم یک چرخه کامل از یک متخصص BI را به شما بگوییم میشود:
1- ما در ابتدا کار باید با حوزه SQL SERVER آشنا باشید در حوزه ماکروسافتی البته تا بتواند دیتاها را از منابع مختلف جمع آوری کند و جداول مورد نظرش را و بیرون بکشد
2- در مرحله دوم باید SSIS را یاد بگیره تا بتواند بازیابی داده ها و بارگذاری داده ها را پیاده سازی کند.
3- گام بعدی باید OLAP را یاد بگیره. تعریف OLAP میشود دیتابیس هایی که صرفا بر اساس پردازش و به نیت پردازش اطلاعات طراحی میکنید.
4- در لایه آخر میرویم سراغ ابزارهایی مانند POWER BI, Tableau, QLIK View و...
کسی که این چرخه را کامل بداند را Business Intelligence Developer مینامیم. کسی که همه این چرخه را بداند بسیار بازار کار خوبی دارد و هر کسی که صرفا فقط یکی از این 4 چرخه را بداند به طبع بازار کار کمتری دارد.
اگر بخواهیم یک بررسی هم انجام بدهیم درباره جایگاه شغلی هوش تجاری در ایران، BI به نسبت ایر زیر مجموعه های دیتاساینس جایگاه شغلی بهتری دارد و فقط با دانستن یکی از 4 تا لایه چرخه هوش تجاری به راحتی میتوانید برای خود شغلی داشته باشید ولی در خارج از کشور هم کسی که قصد اپلای دارد باید لزوما همه این 4 تا چرخه را بداند و همچنین تسلط به زبان انگلیسی هم بداند خیلی بیکار نخواهد ماند.
نویسنده: پوریا گرجی کارشناس مهندسی برق گروه آموزشی پارس پژوهان
