مفهوم هوش تجاری :
هوش تجاری مجموعه ای از روش ها ، نرم افزار ها ، الگوریتم ها و فرآیند ها است که به ما کمک می کند از روی دیتا و حجم اطلاعات خام زیادی که داریم ، به یک دانش و بصیرتی در مورد کسب و کار برسیم و از آن دانش و بصیرت در تصمیم گیری هایمان استفاده کنیم.
هوش تجاری لزوما با تعداد انگشت شماری از نرم افزار ها پیاده سازی نمیشوند ، مجموعه ای از نرم افزار ها و روشها وجود دارند که میتوانند پیاده سازی هوش تجاری را برای ما انجام دهند که ما در این دوره بیشتر از ابزار های ماکروسافت استفاده میکنیم. خیلی از شرکتها پلتفرمهایی در زمینه Bi دارند که از معروفترین آنها میتوان به ماکروسافت و اوراکل اشاره کرد.
نکته دیگر این است که هوش تجاری نیاز به اطلاعات و دیتای زیادی دارد. هر چه حجم و تنوع اطلاعاتی بیشتری داشته باشیم ، سیستم هوش تجاری بهتری خواهیم داشت. نکته بعد اینکه سیستم هوش تجاری یک سیستم تصمیم یار هستش و به شما در تصمیم گیری هایتان کمک میکند ، نه اینکه به جای شما تصمیم بگیرد. اکثر افراد فکر میکنند سیستم هوش تجاری برای آنها تصمیم گیری انجام میدهد که اینطور نیست بلکه به آنها یک پیشبینی و دید میدهد.
مراحل پیاده سازی سیستم هوش تجاری :
مرحله اول همیشه مرحله Define هستش. تعریف شاخص ها ، گزارشات ، نیازمندیها. اینکه اند یوزرهای ما در آخر چه گزارشاتی را میخواهند ببینند و تحلیل کنند. شاخص های ارزیابی عملکردشان یا KPI (Key Performance Indicator) برای آنها چه چیز هایی است.KPI هایی همانند شاخص MOM که به ما میگویند در مهر ماه ۱۴۰۲ نسبت به شهریور ۱۴۰۲ وضعیت فروش چگونه بوده است.
– برای تعریف شاخصها میتوان از کتاب هایی نظیر مرجع شاخص های کلیدی ارزیابی عملکرد استفاده کرد.
بخش Define بخش مهمی است زیرا به واسطه این قسمت میتوانیم بفهمیم که دیتاهای مورد نیاز برای ایجاد شاخص ها را از کجا بیاوریم.
مرحله دوم ، مرحله Integrate یا تجمیع اطلاعات است. با توجه به شاخص هایی که ساخته ایم باید تصمیم بگیریم دیتا ها را از کجا ها بیاوریم. مثلا یک سری دیتا باید از فایل های اکسل بیایند ، یک سری باید از وب سرویس خوانده شود و یا سایر نرم افزار ها مانند راهکاران و هلو و… یعنی دیتاسورس های مختلفی خواهیم داشت. مرحله Integrate جزو سخت ترین مراحل پیاده سازی Bi هستش ، زیرادیتا از جاهایی مختلفی میاید و ممکن است تفاوت هایی در ساختار آن باشند ، برای مثال یک جا دیتا با تاریخ میلادی باشد ، یک جا بر اساس تاریخ شمسی باشد یا یکجا وزن کالا بر اساس Kg است و در سورس دیگری بر اساس گرم.
وقتی دیتا از جاهای مختلفی میاید ، باید این معیار ها را یکسان سازی کرد.
مرحله سوم ، مرحله Analyze اطلاعات است. با توجه به اینکه دیتا داخل انبار داده (یک دیتابیس بزرگ) تجمیع شده است ، باید با توجه به حجم داده به وسیله یکی از دیتا مدل های تبولار (Tabular) یا مالتیدایمنشنال (Multidimensional) به کمک زبان DAX یا MDX فرآیند آنالیز را شروع کنیم.
در این دوره با دیتا مدل تبولار کار خواهیم کرد که برای پروژه های کوچک و متوسط پاسخگوی نیاز ماست.
سرعت و راحتی پیاده سازی آن نسبت به مالتی دایمنشنال خیلی بیشتر است.
مرحله چهارم ، Visualization است. بعد از اینکه دیتا یکپارچه شد و در داخل انبار داده قرار گرفت و آنالیز هم روی آن صورت گرفت ، نتیجه کار را میتوانیم به وسیله ابزارهایی نظیر Power BI ، Tableau و Qlikview بصری سازی کنیم.
