هوش کسب‌وکار برای کسب‌وکار هوشمند

هوش کسب‌وکار برای کسب‌وکار هوشمند

یک شرکت به‌غیر از کالا و خدمات چه چیزهای دیگری تولید می‌کند؟ شاید به آلودگی، تقاضا برای نیروی کار و بازاری برای مصرف انرژی فکر کنید. اما شرکت‌های امروزی یک تولید جانبی مهم دیگر هم دارند: اطلاعات. حجم زیاد اطلاعات تولیدشده در شرکت‌های مدرن باعث پیدایش زمینه‌ای به نام هوش کسب‌وکار (هوش تجاری) یا Business Intelligence شده است.

هوش کسب‌وکار (BI) باعث می‌شود که سه تصویر را بهتر و شفاف‌تر ببینید: گذشته کسب‌وکار، وضعیت فعلی و شرایط در آینده. این موضوع به درک بهتر مسیر کسب‌وکار و امکان برنامه‌ریزی استراتژیک کمک می‌کند. این فرایند باعث می‌شود که شرکت بتواند گزارش‌ها، تحلیل‌ها و پیش‌بینی‌های بهتری از عملکرد خود داشته باشد.

یک مثال ساده از هوش کسب‌وکار

سازمانی را تصور کنید که به ارائه خدمات سرمایه‌گذاری می‌پردازد. روزانه آدم‌های زیادی به این شرکت زنگ می‌زنند، سوال می‌پرسند و پاسخ می‌گیرند. برخی از آن‌ها مشتری می‌شوند و می‌پذیرند که پولشان را به شرکت بسپارند.

حالا این شرکت سرمایه‌گذاری قصد دارد بازار خود را گسترش دهد. هوش کسب‌وکار کمک می‌کند که شرکت اطلاعات جذابی در مورد مشتری‌هایش پیدا کند:

  • مشتری‌ها در چه بازه سنی‌ای قرار داشتند؟
  • وضعیت سنی کسانی که مشتری نشدند چطور بود؟
  • بیشترین حجم سرمایه‌گذاری مشتری‌ها در چه حوزه‌هایی بوده است؟
  • چه موضوعی برای مشتری‌ها جاذبه بیشتری داشته؟
  • کدام موضوعات باعث ایجاد دافعه شده؟
  • بیشترین تماس‌های منجر به فروش در چه بازه زمانی‌ای گرفته می‌شوند؟
  • مشتری‌های وفادار چه صفاتی دارند؟
  • چند درصد مشتریان، ۸۰ درصد درآمد شرکت را ایجاد کرده‌اند؟

به کمک هوش کسب‌وکار می‌توانیم به سوالات بیشتری پاسخ دهیم و این پاسخ‌ها مسیر استراتژیک شرکت را تغییر می‌دهند.

آناتومی هوش کسب‌وکار

هوش کسب‌وکار سیستمی است که سه مرحله را به هم ترکیب می‌کند:

  • جمع‌آوری داده
  • نگه‌داری از داده
  • مدیریت دانش

ترکیب این سه‌فرایند کمک می‌کند که داده‌های خام و بی‌معنی به اطلاعات معناداری تبدیل شوند که برای تصمیم‌گیری و پیدا کردن دید بهتر نسبت به شرایط بازار مفید هستند.

جمع‌آوری داده

هر اتفاقی که در شرکت می‌افتد، داده تولید می‌کند. فروش، عدم فروش، شکستن یک وسیله، ساعت‌هایی که کارکنان پشت میز می‌نشینند، دمای هوا… هرچیزی! تمامی این داده‌ها اگر جمع‌آوری و دسته‌بندی شوند می‌توانند به ارائه تحلیل بهتر کمک کنند.

برخی داده‌هایی که نادیده گرفته می‌شوند و ظاهر بی‌اهمیت هستند، اهمیت زیادی دارند و نادیده‌گرفتن آن‌ها استنتاج را مخدوش می‌کند.

برخی داده‌هایی که نادیده گرفته می‌شوند و ظاهر بی‌اهمیت هستند، اهمیت زیادی دارند و نادیده‌گرفتن آن‌ها استنتاج را مخدوش می‌کند.

جمع‌آوری داده‌های بی‌ربط (هرچند مهم به نظر برسد) مسئله را پیچیده و تحلیل را دشوار می‌کند.

داده‌ها ممکن است کمی یا کیفی باشند. همچنین برخی داده‌های کیفی را می‌شود کمی کرد.

لازم است که داده از راه‌های قانونی و اخلاقی به‌دست بیاید. نقض حریم شخصی مردم برای جمع‌آوری داده به‌هیچ‌وجه قابل توجیه نیست.

نگه‌داری از داده

نگه‌داری از داده تنها شامل کپی کردن اطلاعات در یک هارددیسک نیست و به عملیاتی موثر و مفید نیاز دارد. شاید شما هم تجربه‌ این را داشته باشید که از میان هزاران تصویر که در کامپیوتر شخصی ذخیره کرده‌اید، نتوانید یک عکس خاص را پیدا کنید یا این کار وقت زیادی بگیرد. در یک شرکت بزرگ حجم اطلاعات هزاران بار از اطلاعات شخصی شما بیشتر است.

دسته‌بندی کردن داده با روش‌های مختلفی انجام می‌گیرد. توضیحات متا (meta description)، برچسب‌گذاری (tagging)، یادگیری عمیق (deep learning) و… از جمله روش‌های کارآمد برای دسته‌بندی اطلاعات است.

نگه‌داری از داده

یکسان نبودن فرمت اطلاعات، اطلاعات مخدوش و اطلاعات کیفی از جمله اطلاعاتی هستند که ذخیره و بازیابی آن‌ها دشوارتر است.

همچنین در شرکت‌هایی که در حوزه فناوری اطلاعات کار می‌کنند (یوتیوب، گوگل، اسپاتیفای و فیس‌بوک) ذخیره، پردازش و بازخوانی حجم بالای کلان داده یک چالش عظیم سازمانی است.

مدیریت دانش

مدیریت دانش (KM) شامل تولید، نگه‌داری، استفاده و به اشتراک‌گذاری تمام اطلاعات مفید و معنادار یک شرکت می‌شود. برای مثال، مدیریت دانش صحیح در شرکت تویوتا باعث شده که تغییر مدیران ارشد و مهندسان کلیدی، لطمه‌ای به کیفیت محصولات این شرکت نزند.

در مورد مدریت دانش یک مقاله مفصل در آکادمی تجارت‌نیوز منتشر کرده‌ایم. اما در مورد هوش کسب‌وکار اوضاع کمی متفاوت است.

موضوع KM در BI شامل تبدیل‌کردن داده‌های خام ذخیره شده در انبار، به صورت دانش است. این دانش باید به شکلی قابل استفاده و قابل انتقال در بیاید تا بخش‌های مربوطه بتوانند به ساده‌ترین شکل از دانش (نه داده خام) بهره ببرند.

در شرکت‌های کوچک معمولا تجربه‌های موفق و ناموفق به صورت داستان‌های آموزنده به دیگر کارمندان (به‌خصوص نسل جدید) منتقل می‌شوند. این انتقال دانش به کاهش هزینه کیفیت (QC) و افزایش انگیزه منجر می‌شود.

در هوش کسب‌وکار داده‌های قابل اعتماد به اطلاعات قابل استفاده تبدیل می‌شوند و بعد به صورت دانش به مدیران مربوطه یا نسل‌های بعدی می‌رسند.

انگیزه‌های هوش کسب‌وکار

فرقی نمی‌کند که یک قنادی کوچک داشته باشید یا یک کارخانه تولید نان صنعتی. در هر حال شما به هوش کسب‌وکار نیاز دارید.

مهم‌ترین هدف از یک سیستم BI کاهش هزینه در جمع‌آوری و ذخیره داده است. از سوی دیگر داشتن مقدار کافی اطلاعات در مورد گذشته و حال کسب‌وکار، تصویر آینده را برای مدیران ارشد و میانی روشن‌تر می‌کند.

هوش کسب‌وکار یک هزینه اضافی برای سازمان نیست، بلکه روشی است برای کاهش هزینه اطلاعاتی شرکت.

به بیان ساده، هوش کسب‌وکار یک هزینه اضافی برای سازمان نیست، بلکه روشی است برای کاهش هزینه اطلاعاتی شرکت.

به کمک هوش کسب‌وکار قادر خواهید بود الگوها و ترندها را خیلی سریع و واضح تشخیص بدهید و نسبت به آن‌ها واکنش مناسب داشته باشید.

انواع داده‌ها در کسب‌وکار

داده‌ها در کسب‌وکار به سه دسته کلی تقسیم می‌شوند:

  • داده‌های ساختاریافته
  • داده‌های نیمه‌ساختاریافته
  • داده‌های ساختارنیافته

داده‌های ساختارنیافته (unstructured data) داده‌هایی هستند که توسط کامپیوتر به‌سادگی قابل خواندن نیستند. ذخیره و بازیابی این داده‌ها دشوار است چون نمی‌شود آن‌ها را در ردیف‌ها و ستون‌های یک ماتریس قرار داد. حدود ۸۰ درصد داده‌ها از جنس ساختارنیافته هستند. برای مثال کامنت‌ها و مسیج‌هایی که در شبکه اجتماعی دریافت می‌کنید (که ممکن است شامل متن، عکس یا فیلم باشد) از این جنس هستند.

داده‌های ساختار یافته شکلی روشن و استاندارد دارند. برای مثال نام و نام‌خانوادگی مشتریان یا مبلغ خرید آن‌ها داده‌های ساختار یافته (structured data) هستند. این داده‌ها به سادگی وارد اکسل می‌شوند و دسته‌بندی جستجوی آن‌ها بسیار ساده است.

این اطلاعات که از منابع متفاوت مثل شبکه‌های اجتماعی، CRM، فرم‌های نظرسنجی و غیره به دست می‌آیند باید به انبار داده (data warehouse) وارد شوند.

گاهی بجای انبار داده، از مرکز داده‌های کوچک‌تر به اسم data mart استفاده می‌شود. این مرکزها بجای جمع‌آوری داده تمام سازمان، فقط داده‌های یک بخش را ذخیره می‌کنند. مثلا ممکن است در یک مرکز داده، تنها کامنت‌های یک شبکه اجتماعی ذخیره شود.

ساختن یک انبار داده

انبار داده از سه مرحله شکل می‌گیرد:

۱- استخراج (Extract)

مثلا ممکن است کامنت‌های مربوط به هر پست اینستاگرام را در یک فایل ذخیره کنید. این اطلاعات معمولا ساختارنیافته هستند.

۲- تبدیل (Transform)

داده‌های ساختارنیافته، ساختار می‌گیرند و در یک قالب مشخص و قابل استفاده ذخیره می‌شوند.

۳- بارگذاری (Load)

در این مرحله، داده‌های ساختاریافته به انبار داده (مثل هارددیسک یا فضای ابری) منتقل و با نظم ذخیره می‌شوند.

این سه‌مرحله را به صورت مختصر ETL می‌نامند.

تحلیل داده

تحلیل را هم به سه دسته کلی توصیف، پیش‌بینی و تصمیم تقسیم می‌کنیم.

در تحلیل توصیفی، الگوهای داده‌های موجود تشخیص داده می‌شوند تا وضع فعلی بهتر و دقیق‌تر درک شود.

تصویر آینده زمین مسکن

تحلیل پیش‌بینی می‌کوشد که از اطلاعات گذشته، وضعیت آینده را توصیف کند.

در تحلیل تصمیمی، وضعیت داخلی شرکت با وضعیت بیرونی (ترندها، وضعیت اجتماعی، تغییر فناوری، شاخص‌های کلان، سیاست‌ها و قوانین و…) مقایسه می‌شود تا شرکت بتواند بهترین تصمیم‌ها را اتخاذ کند.

تصویری کردن داده‌ها

مدیران ارشد برای خواندن گزارش‌های طولانی و جدول‌های عظیم‌، زمان کافی ندارند. آن‌ها ترجیح می‌دهند با نگاه کردن به یک تصویر (مثل نمودار یا اینفوگرافیک) از نتیجه کار هوش کسب‌وکار باخبر شوند. اینجا است که تصویری کردن داده وارد عمل می‌شود.

برای مثال به تصویر زیر نگاه کنید.

تصویری کردن اطلاعات

اگر می‌خواستید وضعیت بازار را از روی گزارش و با عدد رقم و متوجه شوید، باید ساعت‌ها وقت می‌گذاشتید. اما حالا با یک نگاه می‌توانید وضعیت کلی بازار را درک کنید.

رنگ سبز روشن نشان‌دهنده بیشترین رشد (معمولا ۵+) و قرمز پررنگ بیشترین کاهش (معمولا ۵-) است. رنگ خاکستری نشان می‌دهد قیمت هیچ تغییری نداشته. مساحت هر مستطیل نشان‌دهنده حجم معاملات آن نماد است.

به همین ترتیب می‌توانید حجم زیادی از اطلاعات را در یک تصویر به نمایش بگذارید (data visualization) و این تصاویر در کنار هم تشکیل یک داشبورد مدیریتی بدهند.

این مطلب را به اشتراک بگذارید