https://virgool.io/feed/@decomcoseo101 ما به شما کمک می کنیم تا به موثرترین شکل ممکن از اطلاعات خود استفاده کنید. https://decomco.com fa 2026-04-15 08:20:36 https://files.virgool.io/upload/users/1890719/avatar/avatar.png?height=120&width=120 https://virgool.io/@decomcoseo101 https://virgool.io/@decomcoseo101/%D8%B1%D9%88%D8%B4-%D9%87%D8%A7%DB%8C-%D8%A7%D8%B3%D8%AA%D9%82%D8%B1%D8%A7%D8%B1-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D8%A7%D8%B2-%D8%B3%D8%B1%D9%88%DB%8C%D8%B3-%D8%A7%D8%A8%D8%B1%DB%8C-%D8%AA%D8%A7-on-premises-b48mslbespbi استقرار و استفاده از نرم‌افزارهای سازمانی روش‌ها و ملاحظات خاصی دارد که پیش از عقد قرارداد با تأمین‌کننده باید آنها را لحاظ کرد. هوش تجاری نیز از این موضوع مستثنی نیست.قراردادهای خرید و تأمین نرم‌افزار مانند تمام قراردادهای B2B پیچیده و پر از جزئیات هستند. اگر قصد استفاده از هوش تجاری را دارید بهتر است از مدل‌های استقرار هوش تجاری و مزایا و معایب هر یک اطلاع داشته باشید.در این مقاله دو مدل استقرار نرم‌افزار هوش تجاری در سازمان یعنی روش On Premises و ابری (Cloud) را بررسی کرده‌ایم. سعی شده تا مزایا و معایب هر روش به‌صورت دقیق ذکر شودموارد مطرح شده در این مقاله می‌تواند درباره سایر نرم افزاهای تجاری نیز صحت داشته باشد. با دیکام همراه باشید.تفاوت نرم افزارهای On Premises و ابری (Cloud) در چیست؟تفاوت اصلی این دو روش به‌کارگیری نرم افزار در چیست؟ و چرا روی هزینه اولیه و نهایی خرید نرم‌افزار تأثیر می‌گذارد؟هر نرم افزاری برای کارکردن به یک سخت‌افزار (کامپیوتر!) نیاز دارد. تفاوت اصلی بین مدل On Premises و Cloud در محل قرارگیری سخت‌افزار و مالکیت آن است.در مدل On Premises سخت‌افزار در محیط داخلی سازمان یا شرکت قرار دارد و شرکت شما مالک آن است. یعنی نرم‌افزار روی سخت‌افزاری که داخل شرکت قرار دارد نصب، اجرا و نگهداری کنید.در مدل‌های Cloud سخت‌افزار و زیر ساخت مربوط به آن در محلی خارج از سازمان شما قرار دارد و ارتباط با آن از طریق اینترنت انجام می‌شود. سرورهای ابری معمولاً توسط یک شرکت ثالث تأمین می‌شود و شما به آن دسترسی مستقیم ندارید.هوش تجاری On Premisesباتوجه‌به تعریف بالا، هوش تجاری On Premises به راهکاری گفته می‌شود که روی کامپیوترها و سرورهای داخلی یک شرکت نصب و اجرا شود.داده‌های تحلیل شده از سیستم داخلی شما خارج نمی‌شوند و شرکت روی سخت‌افزار، نرم افزار و داده‌های مرتبط کنترل کامل دارد، درعین‌حال نگهداری و تأمین امنیت این سیستم با خریدار است.راهکار هوش تجاری ابری (Cloud BI)طبق تعریف، هوش تجاری ابری به راهکاری است که روی کامپیوترها و سرورهای خارج از شرکت شما میزبانی و اجرا می‌شود. دسترسی به داده‌ها و کار با نرم‌افزار از طریق اینترنت صورت می‌پذیرد. سرورهای مورداستفاده معمولاً توسط یک شرکت ثالث تأمین می‌شوند.روش ابری انواع متفاوتی دارد که در ادامه دو مورد را بررسی می‌کنیمهوش تجاری روی ابر خصوصی (private cloud)ممکن است شما به‌صورت مستقیم با ارائه‌دهنده خدمات ابری وارد مذاکره بشوید و فضایی مخصوص و انحصاری را برای نصب نرم‌افزار هوش تجاری، ذخیره‌سازی و پردازش داده اجاره کنید.در این حالت مدیریت نرم‌افزار در سرورهای ابری به‌صورت کامل در اختیار شما است گرچه مالکیت سخت‌افزار و نگهداری از آن همچنان با ارائه‌کننده خدمات ابری است و شما به آن دسترسی مستقیم ندارید.هوش تجاری به‌صورت سرویس (SAAS) Managed Cloud BIنرم‌افزار به‌عنوان سرویس یا به‌اختصار SAAS به حالتی گفته می‌شود که شما نرم‌افزار هوش تجاری را در قالب یک اشتراک برای مدت‌زمان معین از شرکت ارائه‌دهنده نرم‌افزار دریافت می‌کنید. در این روش نگهداری نرم‌افزاری و سخت‌افزاری زیر ساخت‌ها بر عهده ارائه‌دهنده است و خریدار نباید نگرانی از این بابت داشته باشد.هوش تجاری هیبرید Hybrid BI solutionsهوش تجاری هیبرید به راهکاری گفته می‌شود که از داده سرورهای ابری و داده‌های ذخیره شده در سازمان به صورتی ترکیبی استفاده می‌کند. این نوع خاص از معماری bi در واقع تلفیقی از معماری توزیع شده و متمرکز است امکان استفاده از مزیت‌های هر دو روش را فراهم می‌آورد.برای مثال می‌توان داده‌های مهم مربوط به منابع خارجی یا مجزا را روی یک سرور ابری برای مصورسازی و تحلیل گردآوری کرد (این کار نیاز به متمرکزکردن تمام داده‌ها بدون توجه به اهمیت، و انتقال تمام آنها به داخل مجموعه را از بین می‌برد) درعین‌حال بخشی از داده‌ برای تحلیل و گزارشگیری در سیستم داخلی شرکت باقی می‌ماند (داده‌های مهم که به امنیت بیشتری نیاز دارند می‌تواند جزء این دسته باشد)واقعیت این است که باتوجه‌به گسترش روزافزون امکانات ابری، منابع خارجی داده، درخواست برای به‌کارگیری تلفن‌های همراه در هوش تجاری و افزایش تعداد کاربران در خارج از شرکت نیاز به روش‌های توزیع شده بیشتر شده است. راهکار هیبریدی bi می‌تواند روشی برای بهبود عملکرد و افزایش ضریب نفوذ هوش تجاری باشد.مزایا و معایب روش‌های On Premises و Cloud BIمزایا و معایب روش‌های ذکر شده را می‌توان با توجه پارامترهای زیر مقایسه کرد:هزینهامنیتنگهداری زیرساخت (maintenance)قابلیت اطمینان (reliability)مقیاس پذیری (scalability)بهای تمام شده هوش تجاریروش On Premisesدر باور عمومی هزینه اجرای یک پروژه On Premises بالاتر از هزینه‌های راهکار ابری است. این موضوع تا حدودی درست است. “هزینه اولیه” خرید و نصب نرم‌افزار در روش  On Premises بالاتر است. این هزینه‌ها عبارت‌اند از:خرید لایسنس نرم‌ افزارخرید سخت افزار و آماده‌سازی آنهزینه‌های مرتبط با اجرای پروژه و نگهداری (هزینه IT)در پروژه‌های On Premises ” بودجه اولیه خرید” بالاتر است (خصوصاً برای خرید سخت‌افزار) اما هزینه‌های عملیاتی در میان‌مدت و بلندمدت پایین‌تر است.نکته: برای شرکت‌هایی که از قبل زیرساخت‌های سخت‌افزاری و تیم متخصصین IT را در اختیار دارند هزینه‌ها کاهش پیدا می‌کند.نکته: توجه داشته باشید که مبنای قیمت‌گذاری و لایسنس‌های خریداری شده برای نرم‌افزار لزوماً به On Premises بودن یا Cloud بودن راهکار خریداری شده ارتباط ندارد و این موضوع به سیاست قیمت‌گذاری تأمین‌کننده مرتبط است. برای مثال ممکن است در روش‌ On Premises همچنان نیاز باشد تا علاوه بر لایسنس نرم‌افزار هوش تجاری برای هر یک از کاربران bi هم لایسنس خریداری شود.ابر خصوصی private cloudدر این روش سخت‌افزار اجاره می‌شود؛ بنابراین هزینه اولیه نسبت به On Premises بسیار کمتر است.باید دقت داشت که هزینه‌های مربوط به نگهداری نرم‌افزاری سرور همچنان بر عهده خود شماست (هزینه IT) و هزینه‌های اجاره سرور در بلندمدت احتمالاً بیشتر از خرید سخت‌افزار خواهد بود.هوش تجاری سرویس – SAASدر این روش هزینه نرم‌افزار صرفاً به‌صورت اشتراک (معمولاً لایسنس برای هر کاربر) پرداخت می‌شود. از این نظر هزینه اولیه استفاده از نرم‌افزار ناچیز بوده و این روش برای پروژه‌های کوچک هوش تجاری بسیار مناسب است.اما باید توجه کرد منابع سخت‌افزاری ارائه دهند نامحدود نیست. در واقع بخشی از اشتراک ماهانه‌ای که پرداخت می‌کنید مربوط به سخت‌افزار، فضای اختصاص‌داده‌شده به شما و نگهداری از سیستم است. به همین دلیل وقتی یک پروژه BI از حد خاصی بزرگ‌تر می‌شود هزینه‌های این روش به‌صورت تصاعدی افزایش پیدا می‌کند و برای پروژه‌های بزرگ هزینه سرویس بسیار زیاد است.ارائه‌کننده‌ای نرم‌افزار معمولاً با محدودکردن قابلیت‌های نرم‌افزار در حالت سرویس (مانند محدودکردن حجم، تعداد منابع داده، نوع کانکتورهای داده، امکانات خاص و…) هزینه‌های زیرساخت سخت‌افزاری خود را کنترل می‌کنند. به همین دلیل انواع لایسنس ‌های Pro و Premium و پلن های متعدد قیمتی در سرویس هوش تجاری وجود داد.به‌هرحال اگر شرکت شما کوچک است یا تیم متخصص IT در اختیار ندارید SAAS هزینه‌های شما را کاهش می‌دهد.نگهداری (maintenance) زیرساخت‌ها و پلتفرم هوش تجاریروش On Premisesنگهداری از پلتفرم هوش تجاری در روش On Premises مسئله مهمی است. تیم IT شرکت شما مسئول مستقیم نگهداری از زیر ساخت سخت‌افزار و نرم‌افزار استفاده شده برای هوش تجاری است (آپدیت، بک‌آپ و…)ابر خصوصی private cloudمدیریت سخت‌افزار و سرورهای فیزیکی با ارائه‌کننده خدمات ابری است و از این لحاظ حجم کاری کمتری متوجه استفاده‌کننده است. البته همچنان مدیریت نرم‌افزاری سرورها با خریدار است.سرویس هوش تجاری – SAASمدیریت زیرساخت به‌صورت کامل بر عهده ارائه‌دهنده نرم افزار هوش تجاری استقابلیت اطمینان (reliability)روش On Premisesازآنجا که خریدار مسئول نگهداری از پلتفرم است ازکارافتادن سخت‌افزار همیشه جز نگرانی‌های اصلی محسوب می‌شود. لازم است برنامه دقیق و مدون برای بازیابی پس از حادثه (disaster recovery plan) وجود داشته باشد.بااین‌وجود ازآنجایی‌که کنترل کامل روی برنامه نگهداری وجود دارد ایجاد سطوح مختلف بازیابی برای اطمینان خاطر ممکن است.به‌صورت کلی اطمینان‌پذیری سیستم هوش تجاری در این روش به نحوه عملکرد تیم IT و سیاست‌های شرکت در این مورد بستگی دارد.ابر خصوصیبازیابی پس از حادثه با ارائه‌دهنده خدمات ابری است. حتماً پیش از اجاره سرور مواردی مانند زمان دردسترس‌بودن (uptime) سرورهای Cloud و سرویس‌دهی در شرایط نامتعارف مثل قطع برق را در نظر بگیرید. توجه داشته باشید که قابلیت اطمینان‌پذیری بالاتر هزینه‌های ماهانه بیشتری نیز دارد.سرویس هوش تجاری – SAASاطمینان‌پذیری کاملاً به ارائه دهند نرم‌افزار و سطح خدمات او بستگی دارد. قبل خرید باید مواردی مانند uptime و بندهای فورس ماژور در قرارداد به‌دقت بررسی شود.مقیاس پذیری (scalability)منظور از مقیاس‌پذیری در اینجا توانایی یک سیستم نرم افزاری برای مدیریت افزایش ( یا کاهش) بار کاری است. بدون اینکه عملکرد یا قابلیت اطمینان‌پذیری سیستم به خطر بیفتد.روش On Premisesبا توجه کنترل کامل خریدار، پلتفرم هوش تجاری مقیاس‌پذیر است؛ اما باید برنامه دقیقی برای نصب و راه‌اندازی سخت افزارها و نرم افزارهای جدید وجود داشته باشد.ابر خصوصی – سرویس هوش تجاری – SAASمقیاس‌پذیری سریع از نقاط قوت نرم‌افزارهای BI تحت سرویس و cloud است؛ اما باید توجه کرد که قابلیت سفارشی‌سازی برای سرویس‌های هوش تجاری محدود است. موردی که باید در خرید سروهای جدید یا ارتقا اشتراک در نظر گرفت هزینه‌های جدید نسبت به مقیاس‌پذیری است.امنیت (security)روش On Premisesدر مدل On Premises داده از محیط داخلی شرکت خارج نمی‌شود و دسترسی به منابع اصلی داده از خارج سازمان وجود ندارد در واقع تمام سیستم‌های شما پشت دیواره آتش (firewall) اصلی شرکت قرار می‌گیرند. این موضوع برای بعضی از سازمان‌ها اهمیت زیادی دارد.از این لحاظ می‌توان گفت داده در هوش تجاری On Premises از امنیت بالایی برخوردار است. البته توجه کنید حفظ این امنیت بر عهده شرکت شما است.ابر خصوصی و سرویس هوش تجاری – SAASاز جمله موارد قابل‌توجه در استفاده از سرویس‌های Cloud بحث امنیت است. توجه داشته باشید که داده‌ها در جایی خارج از سازمان ذخیره می‌شوند بعلاوه برای استفاده از سرویس باید مواردی مثل نصب نرم‌افزارهای Gateway برای تبادل اطلاعات را در نظر داشت.منبع: مقایسه روش‌های استقرار هوش تجاری On Premises-Cloud هوش تجاری هوش تجاری Sun, 27 Aug 2023 12:57:06 +0330 https://virgool.io/@decomcoseo101/%D8%AA%D8%AD%D9%84%DB%8C%D9%84%DA%AF%D8%B1-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%DA%A9%DB%8C%D8%B3%D8%AA-%D8%B4%D8%B1%D8%AD-%D9%88%D8%B8%D8%A7%DB%8C%D9%81-%D9%88-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%DA%A9%D8%A7%D8%B1-fkiotpjjmbjp تابه‌حال با آگهی‌ها و فرصت‌های شغلی در حوزه هوش تجاری برخورد داشته‌اید؟ اگر سایت‌های کاریابی یا شبکه‌های اجتماعی مانند لینکدین را دنبال کنید با عناوین شغلی مثل کارشناس bi و توسعه‌دهنده هوش تجاری (bi developer) روبرو خواهید شد.مقاله زیر درباره تحلیل‌گر هوش تجاری (bi analyst)است. تلاش کرده‌ایم تا شرحی از وظایف، مهارت‌های موردنیاز و فرصت‌های بازار کار را بررسی کنیم. در انتها تفاوت تحلیلگر BI با سایر مشاغل موجود در حوزه هوش تجاری و تحلیل داده را مرور خواهیم کرد. با دیکام همراه باشیددر این مقاله برای دوری از پیچیدگی کارشناس و تحلیلگر هوش تجاری به‌صورت مترادف بکار رفته است.هوش تجاری چیست؟قبل از اینکه به سراغ شغل تحلیلگر برویم بهتر است تعریفی از هوش تجاری داشته باشیم.هوش تجاری فرایندی است که در آن داده‌های یک شرکت (مثلاً داده مالی، فروش و مارکتینگ) گردآوری شده و به‌صورت گزارش و داشبورد مدیریتی با مدیران و پرسنل به اشتراک گذشته می‌شود.نتیجه نهایی بررسی، تحلیل و به‌اشتراک‌گذاری این اطلاعات، تصمیم‌گیری هوشمند و به‌موقع گردانندگان آن کسب‌وکار است.مقاله هوش تجاری چیست را در ویرگول مطالعه کنیدتحلیلگر هوش تجاری یا کارشناس bi چه می‌کند؟تحلیلگر BI از مهارت و ابزارهای خود برای گردآوری داده، ساخت مدل‌های داده، تحلیل داده و مصورسازی داده (ساخت داشبورد) استفاده می‌کند. سپس گزارش‌ها و داشبوردهای ساخته شده را در اختیار مدیران شرکت قرار می‌دهد.تحلیلگر هوش تجاری رابط و پلی بین قسمت تجاری یک کسب‌وکار یعنی مدیران با حوزه فنی یعنی متخصصان IT و مهندسان داده (data engineer) است؛ به همین دلیل تحلیلگر BI در کنار مهارت‌های فنی کار با داده، باید درک خوبی از کسب‌و‌کار داشته باشد.تحلیلگر هوش تجاری باید مشکلات و خواسته‌های مدیران و نیاز یک کسب‌وکار را درک کند تا بتواند پاسخ سؤالات آنها را به‌صورت گزارش، داشبورد و تحلیل از داخل داده‌ها استخراج کند.شرح وظایف کارشناس هوش تجاریوظایف یک کارشناس هوش تجاری ممکن است باتوجه‌به نوع و ابعاد پروژه و نیازهای یک کسب‌وکار متفاوت باشد.حیطه کاری یک کارشناس bi می‌تواند با وظایف تحلیلگر داده ازیک‌طرف و تحلیلگر کسب‌و‌کار (business analyst) از طرف دیگر همپوشانی داشته باشد. اما به‌صورت کلی شامل موارد زیر می‌شود:تعامل با مدیران برای شناسایی KPIهای کسب‌وکار، بررسی نقاط ضعف و بهینه‌سازی فرایند‌هاتوسعه و نگهداری از راهکار هوش تجاریآماده‌سازی و گردآوری داده بر اساس نیازهای تجاری و تحلیلی یک شرکتطراحی و ساخت مدل‌های جدید دادههمکاری با متخصصان IT برای اجرای مدل‌های جدید دادهمصورسازی داده و تهیه داشبوردهای تعاملی و به‌اشتراک‌گذاری آن با مدیران و پرسنلانجام تحلیل بصری(visual analysis)، تحلیل آماری(statistical analysis) و تحلیل توصیفی (descriptive analysis) برای شناسایی روند‌های اتفاق افتاده در کسب‌و‌کارتهیه گزارش‌های استاندارد و درخواستی دپارتمان‌ها برای بهبود فرایند‌های تجاریهمکاری و تماس با پرسنل کلیدی در شرکت برای اطمینان از انجام صحیح فرایندهای مرتبط با هوش تجاریمهارت‌های لازم برای تحلیلگر هوش تجارییک کارشناس هوش تجاری به طیفی از مهارت‌ها نیاز دارد. ما مهارت‌های لازم برای تحلیلگر هوش تجاری را به دودسته مهارت‌های سخت (hard skills) و مهارت‌های نرم (soft skills) تقسیم کرده‌ایم.مهارت‌های سخت موردنیاز برای تحلیلگر BIاکسل:واقعیت این است که عنوان شغلی شما تفاوتی نمی‌کند! اگر با داده سروکار دارید درهرصورت به اکسل نیاز پیدا خواهید کرد. تحلیلگر bi به مهارت استفاده از اکسل در سطوح پیشرفته نیاز دارد.پایگاه‌های داده رابطه‌ای (RDBMS) و زبان برنامه‌نویسی SQL:Bi با داده تجاری سروکار دارد (مثلاً مالی و فروش) این نوع از داده‌ها در پایگاهی داده رابطه‌ای (relational database) ذخیره می‌شوند. توانایی کار با دیتابیس‌هایی مثل SQL Server، MySQL و Oracle، تسلط به زبان SQL برای پرس‌وجو (query) در این دیتابیس‌ها و تسلط به سرویس‌های SSRS, Ssis, SSAS مهارتی لازم برای تحلیلگر BI است.ابزارهای BI برای تحلیل، مدل‌سازی و مصورسازی داده:مهارت کار با ابزارهای هوش تجاری بخش مهمی از توانایی‌های یک کارشناس bi است. در حال حاضر ابزارهای متعددی در دسترس تحلیلگران وجود دارد؛ اما نرم‌افزارهای زیر بیشتر مورداستفاده قرار می‌گیرند‌:Microsoft Power BITableauQlikViewLooker Studio(Google Data Studio)نیازی نیست تا به تمام این ابزارها تسلط داشته باشید؛ اما به تسلط کامل روی یکی از این ابزارهای bi نیاز دارید.زبان‌های برنامه‌نویسی (Python, R)علاوه بر موارد ذکر شده در بالا، تسلط به زبان‌های برنامه‌نویسی پایتون و R کمک بزرگی برای تحلیلگر BI است. پایتون برای پردازش و پاک‌سازی داده و زبان R برای مدل‌سازی و محاسبات آماری استفاده می‌شود.دید تجاری و دانش کسب‌وکار (business knowledge)برای تبدیل‌شدن به یک کارشناس هوش تجاری باید درک و دید خوبی از کسب‌وکار به‌صورت کلی و حوزه‌ای که در فعالیت می‌کنید به‌صورت خاص داشته باشید. باید آن صنعت، مشتریان، بازار و رقبای شرکت را بشناسید.دانش کسب‌وکار شامل درک رفتار سازمانی، رفتار مشتری، مهارت‌های مدیریت مالی و درک فرایند فروش و مارکتینگ است.داشتن دید تجاری به کارشناس bi کمک می‌کند تا تعامل بهتری با مدیران و ذی‌نفع‌های کسب‌وکار داشته باشد؛ نیازها و اهداف آن شرکت را درک کند و بر اساس دادهایی که در اختیار دارد توصیه‌های بهتری را در اختیار آنها قرار بدهد.به موارد بالا می‌توان مهارت مدیریت پروژه را هم اضافه کرد.مهارت‌های نرم موردنیاز برای تحلیلگر BIمهارت‌های نرم، ویژگی‌های شخصی و مهارت‌هایی هستند که در ارتباط با سایر افراد به شما کمک می‌کنند. توانایی برقراری ارتباط با مشتری، همکاری تیمی مؤثر، توانایی مذاکره از جمله مهارت‌های نرم هستند. در ادامه چند مورد از مهارت‌های نرم و کاربردی مهم برای کارشناس BI  را ذکر کرده‌ایم.مهارت‌های تحلیلی:مهارت تحلیلی مجموعه‌ای از مهارت‌ها است که به شما برای یک مسئله پیچیده کمک می‌کند. مهارت تحلیلی مواردی مانند تفکر انتقادی، جستجو و تحقیق، توانایی حل مسئله و… را شامل می‌شود.مهارت برقراری ارتباط و همکاری تیمی مؤثر:به‌عنوان کارشناس BI با طیف وسیعی از افراد متفاوت در موقعیت‌های شغلی متنوع برخورد خواهید داشت. از طرفی با مدیران و پرسنل یک شرکت یعنی بخش تجاری آن در تماس خواهید بود و از طرفی با سایر متخصصان داده مثل تحلیلگر داده، مهندس داده، و دانشمند داده همکاری خواهید داشت.به همین دلیل توانایی بالا در برقراری ارتباط با دیگران، شنیدن فعال صحبت‌های آنها و پرسیدن سؤالات درست به شما در انجام وظایف یک کارشناس هوش تجاری کمک می‌کند.به جز دو مورد بالا مهارت‌های زیر به شما کمک خواهد کرد:مهارت ارائهیادگیری سریعبرنامه‌ریزی و مدیریت زمانفرصت‌های پیش‌روی کارشناس هوش تجاری چیست؟تقاضای زیاد و ارزش بالای شغلی:تقاضا برای استخدام کارشناس BI در سال‌های گذشته در بازار داخل و خارج از کشور سیر صعودی داشته است. به علت اهمیت استفاده از داده در کسب‌وکارها هر ساله شرکت‌های بیشتری از راهکارهای هوش تجاری می‌کنند و موقعیت‌های جدید برای شغل کارشناس bi ایجاد می‌شود.فرصت شغلی در صنایع و بخش‌های متنوع:کارشناس هوش تجاری فرصت همکاری با طیف وسیعی از صنایع و بخش‌های مختلف مانند صنایع تولیدی، مالی و پولی، خرده‌فروشی، آموزش، خدمات، پخش و توزیع و… را دارد.در هر بخشی و صنعتی که داده وجود دارد و نیاز به بهبود عملکرد، افزایش سودآوری، افزایش رضایت مشتری و بهبود مزیت رقابتی وجود داشته باشد هوش تجاری و کارشناسان آن امکان انجام فعالیت را دارند.یادگیری مداوم و ارتقای شغلی:تحلیلگر bi به یادگیری پیوسته نیاز دارد. شما به‌صورت مداوم با پروژه‌ها، مسائل، تکنیک‌ها، داده و ابزارهای جدید روبرو خواهید شد و فرصت یادگیری و تعامل با سایر متخصصین داده را خواهید داشت. این موضوع فرصت‌ها و موقعیت‌های زیادی را برای کار، کسب تجربه و شبکه‌سازی در اختیار شما قرار می‌دهد.یک تحلیلگر هوش تجاری فرصت ورود و کار در سایر موقعیت‌های شغلی این حوزه (مثلاً تحلیلگر داده) را نیز دارد ضمن اینکه امکان کار فریلنسری و یا مشاوره به مشتریان متعدد را خواهد داشت.بازار کار تحلیلگر هوش تجاری در خارج از کشورپیش‌بینی می‌شود که ارزش بازار هوش تجاری از 27 میلیارد دلار در سال 2022 به 54 میلیارد دلار در سال 2030 خواهد رسید که به معنای افزایش فرصت‌های شغلی باز برای کارشناسان هوش تجاری است.در حال حاضر متوسط درآمد سالیانه برای تحلیلگر هوش تجاری در امریکا 88 هزار دلار برآورد می‌شود. این مبلغ برای کارشناس ارشد (senior)  115 هزار دلار در سال و برای سمت مدیر (Bi Analyst manager) 142 هزار دلار در سال برآورد می‌شود. (منبع سایت glassdoor)تفاوت کارشناس bi با تحلیلگر داده (data analyst) و دانشمند داده (data scientist)درحالی‌که تمام این مشاغل به نحوی با داده و تحلیل آن سروکار دارند باید به تفاوت‌های آنها توجه کرد. هوش تجاری به‌طورکلی روی داده‌های تجاری تمرکز دارد و هدف کارشناس هوش تجاری رساندن اطلاعات درست به کاربران تجاری (مدیران و پرسنل) است تا فرایند تصمیم‌گیری در یک سازمان را بهبود پیدا کند.از طرفی دانشمند داده و تحلیلگر داده ممکن است با انواع مختلفی از داده‌ها سروکار داشته باشند که لزوماً به مربوط به یک کسب‌وکار نیست.در بخش تحلیل داده، تمرکز عمده هوش تجاری بر تحلیل توصیفی و تحلیل بصری است. در مقابل تحلیل‌های پیش‌بینی‌کننده (predictive analysis) و تجویزکننده (prescriptive analysis) در حیطه کاری تحلیل‌گر و دانشمند داده قرار می‌گیرد.دانشمندان داده از تکنیک‌های یادگیری ماشین و هوش مصنوعی برای بررسی داده و آزمایش فرضیه‌های مختلف استفاده می‌کنندتحلیلگر Bi باید به حوزه تجاری که در آن فعالیت می‌کند اشراف داشته باشد این موضوع در مورد تحلیلگر داده و یا دانشمند داده لزوماً صادق نیست.در نهایت در بسیاری از مهارت‌های پایه بین تحلیلگر داده و کارشناس bi (گردآوری پالایش و مصورسازی داده) همپوشانی وجود دارد؛ اما حیطه و نوع فعالیت آنها متفاوت است.توسعه‌دهنده bi چه تفاوتی با تحلیلگر هوش تجاری دارددر عنوان‌های شغلی هوش تجاری در کنار تحلیلگر BI، توسعه‌دهنده BI نیز دیده می‌شود.تفاوت این دو بیشتر در محل تمرکز و دامنه فعالیت آنها است. تحلیلگر معمولاً بر تجزیه‌وتحلیل و تهیه گزارش با استفاده از ابزارها و تکنیک‌های مختلف تمرکز دارد و واسطی بین کاربر تجاری با داده‌های شرکت است.درحالی‌که توسعه‌دهنده روی بخش فنی کار و طراحی و توسعه ساختارهای داده،انبارهای داده، ابزارها و برنامه‌هایی که تجزیه‌وتحلیل را امکان‌پذیر می‌کنند تمرکز دارد.منبع: تحلیلگر هوش تجاری یا کارشناس Bi کیست؟ شرح وظایف، مهارت‌ها و بازار کار هوش تجاری هوش تجاری Sun, 02 Jul 2023 10:48:23 +0330 https://virgool.io/@decomcoseo101/%D8%AD%D8%A7%DA%A9%D9%85%DB%8C%D8%AA-%D8%AF%D8%A7%D8%AF%D9%87-%DA%86%DB%8C%D8%B3%D8%AA-ubvmzf5grplu حاکمیت داده چیست- هوش تجاری دیکامحاکمیت داده (Data Governance) موضوعی پیچیده و حتی انتزاعی به نظر می‌رسد و احتمالاً جز موضوعات موردعلاقه شما هم نیست، مگر آنکه فقدان حاکمیت داده را تجربه کرده و با سردرگمی حاصل از آن آشنا باشید.شرکت فرضی الف را در نظر بگیرید. یک فضای ذخیره‌سازی اشتراکی در این شرکت وجود دارد (File-server) که از طریق شبکه داخلی قابل‌دسترس است. از کارمندان تا مدیران شرکت همگی به این فضای ذخیره‌سازی اشتراکی داده دسترسی دارند.این فایل سرور مملو از فایل‌های اکسل و Word است. در بهترین حالت هر دپارتمان و پرسنل آن پوشه‌ای به نام خودشان دارند و فایل‎های اطلاعات را آنجا نگه‌داری و با یکدیگر به اشتراک می‌گذارند.اگر قبلاً با این شرایط مواجه شده باشید معایب و مشکلات آن را می‌دانید. مشکلاتی مثل:امنیت دادهخطا و اشتباه در ثبت اطلاعاتوجود نسخه‌های متفاوت از اطلاعات و گزارش‌هاازبین‌رفتن اطلاعات و…احتمالاً شرایط شرکت الف را تجربه کرده‌اید. در این حالت خاص، راهکاری برای مدیریت داده وجود ندارد و به همین دلیل حاکمیت داده نیز نمی‌تواند اعمال شود.اما منظور ما از حاکمیت داده چیست؟ در این مقاله سعی کرده‌ایم با مثال‌های ساده این مبحث را توضیح دهیم. با دیکام همراه باشید.حاکمیت داده (Data Governance) چیست؟طبق تعریف گارتنر: حاکمیت داده (Data Governance) مشخص‌کردن حقوق تصمیم‌گیری و چهارچوب پاسخگویی افراد در مورد داده است و برای اطمینان از رفتار صحیح در زمینه ایجاد، مصرف، کنترل، تجزیه‌وتحلیل و ارزش‌گذاری داده داخل یک سازمان به کار می‌رود.حاکمیت داده مجموعه‌ای از قوانین و روش‌های برتر (Best Practic) است که کیفیت و امنیت داده را در طول چرخه حیات آن تضمین می‌کند (از زمان تولید داده تا آرشیو شدن)تمام شرکت‌ها داده (Data) و اطلاعات (information) تولید می‌کنند؛ اما ذخیره‌کردن داده بدون برنامه‌ای برای تأمین امنیت و روشی برای استفاده از آن کاری بی‌فایده است. حاکمیت داده به این موضوع می‌پردازد که شرکت‌ها، چگونه داده‌هایی که جمع‌آوری کرده‌اند را مدیریت می‌کنند.داده باید در تمام دپارتمان‌های یک سازمان گردش داشته باشد و مورداستفاده قرار بگیرد. حاکمیت داده نقش خود را همین‌جا بازی می‌کند. هر فردی که با دیتای شرکت شما سروکار دارد (ذی‌نفع) باید تحت یک سیستم واحد از قوانین، فرایند‌ها، روش‌ها و حدود پاسخگویی قرار بگیرد.حاکمیت داده تعیین می‌کند که:افراد با چه داده‌ای می‌توانند کار کنندچه کسی می‌تواند در مورد داده تصمیم‌گیری کند.داده کی و کجا جمع‌آوری و پردازش می‌شود.داده به چه شکلی مدیریت می‌شود.حاکمیت داده شبیه به چیست؟حاکمیت داده چه اهمیتی دارد؟حاکمیت داده کمک می‌کند تا یک چارچوب از قوانین برای مدیریت داده‌ها داشته باشیممسئولیت افراد در مورد اطلاعات شرکت را مشخص می‌کندیک‌زبان و درک مشترک برای افرادی که به اطلاعات دسترسی دارند و از آن استفاده می‌کنند ایجاد می‌کنددر نهایت، موارد بالا می‌تواند به همکاری بهتر افراد با یکدیگر و تصمیم‌گیری صحیح سازمانی منجر شود. حاکمیت داده اگر به شکل صحیح انجام شود سردرگمی، بی‌نظمی و پیچیدگی‌های کار با اطلاعات را به حداقل می‌رساند.5 پرسش مهم که در حاکمیت داده به آن پاسخ می‌دهیماگر بخواهیم حاکمیت داده را به شکل صحیح در یک شرکت اجرا کنیم باید پرسش‌های زیر را پاسخ بدهیمچه کسانی به داده دسترسی دارند؟در یک فایل سرور عمومی همه به داده‌ها دسترسی دارند؛ اما در دنیای واقعی همه افراد سازمان به یک سطح از دسترسی نیاز ندارند.قطعاً اطلاعات ارزشمندی در سازمان وجود دارد که باید از آنها محافظت کرد. از طرفی داده‌هایی وجود دارند که محدودکردن آن‌ها با قوانین حاکمیت داده به پیچیده‌شدن و کندشدن فرایند کاری می‌انجامد بنابراین:سؤال اصلی این است که یک شخص باید به داده دسترسی داشته باشد یا خیر؟اگر جواب مثبت است چه سطحی از دسترسی به داده را دارا است؟ آیا صرفاً می‌توانند داده را بخواند؟ یا آن را ویرایش کند؟ آیا نیاز به دسترسی مستقیم به منابع داده دارد؟داده‌ای که از آن صحبت می‌کنیم چیست؟وقتی از داده حرف می‌زنیم منظور ما چیست؟همان‌طور که قبلاً اشاره شد نمی‌توان تمام داده‌هایی که در یک شرکت تولید می‌شوند را با یک قانون مدیریت کرد؛ بنابراین پرسش اولی که ایجاد می‌شود این است که چه منابعی از داده باید شامل قوانین حاکمیت داده قرار بگیرند و چه داده‌های باید مستثنی شوند؟پرسش دوم: منبع اصلی و قابل‌قبول شما برای یک داده خاص چیست؟مثال: یک خط تولید را در نظر بگیرید. میزان ضایعات تولید ممکن است به‌صورت دستی توسط اپراتور در سیستم وارد شود و یا به‌صورت اتوماتیک و بر اساس یک فرمول خاص به دست بیایید. در اینجا دو ورودی از یک داده خاص دارید که ممکن است با یکدیگر مغایرت داشته باشند.کدام یک را به‌عنوان داده قابل‌اعتماد در نظر می‌گیرید؟ شما باید این موضوع را تعیین کنیدبازه زمانی اعتبار و دسترسی به داده چقدر است؟بخشی از حاکمیت داده به نحوه مدیریت داده قدیمی بازمی‌گردد. به‌هرحال هر داده‌ای پس از ثبت تا مدت‌زمان مشخصی برای تجزیه‌وتحلیل ارزشمند است؛ بنابراین لازم است به سؤالات زیر پاسخ دهیم.داده‌های در دسترس تا چه زمانی اعتبار دارند؟چه زمانی آرشیو شده و از دسترس افراد خارج می‌شوند؟به‌روزرسانی این داده‌ها چطور انجام می‌شود؟پاسخ این پرسش‌ها به نوع داده، اندازه و نوع سازمان و نوع نیاز افراد به داده بازمی‌گردد.چرا به این داده‌ها نیاز داریم؟شاید این مهم‌ترین سؤالی باشد که باید به آن پاسخ داد. پاسخ به این سؤال نحوه ذخیره و تفسیر داده را تعیین و استفاده صحیح از اطلاعات توسط کاربران را ممکن می‌کند.پاسخ به این سؤال می‌تواند هم‌زمان نقاط مبهم دیگری را هم روشن کند، مثلاً اینکه چطور داده را ذخیره می‌کنیم و منبع اصلی داده کدام است  به این پرسش بازمی‌گردد که “چرا به این داده خاص نیاز داریم؟”حاکمیت داده چه مزایایی دارد؟در ادامه چند مزیت اصلی اعمال حاکمیت داده را ذکر کرده‌ایمتضمین کیفیت داده:آیا به اطلاعاتی که به شما ارائه می‌شود اطمینان دارید؟ تابه‌حال پیش‌آمده که نمودار یا گزارشی را ببینید و این سؤال برای شما پیش بیایید که آیا این اطلاعات درست است؟ منبع این داده کجاست؟ ممکن است این داده‌ها خطا داشته باشند؟اگر این سؤال‌ها را از خود می‌پرسد؛ یعنی داده در دسترس شما قابل‌اطمینان نیست.کیفیت داده به‌دقت، کامل‌بودن، ثبات، به‌موقع بودن (timeliness) و اعتبار داده‌ها باز می‌گردد. داده کم‌کیفیت به‌اشتباه و خطاهایی منجر می‌شود که خروجی و عملکرد یک کسب‌وکار را تحت‌تأثیر قرار می‌دهد.حاکمیت داده با وضع قوانین و فرایندهای صحیح، کیفیت داده و اطلاعات حاصل از آنها را تضمین می‌کند. در نتیجه به‌جای سؤال درباره درست بودن اطلاعات می‌توانید روی خود آنها و معنا و مفهومی که برای کسب‌وکار شما دارد تمرکز کنیدتضمین امنیت داده:امنیت داده شامل محافظت در برابر دسترسی، استفاده، دست‌کاری و یا افشای غیر مجار داده‌ها است. حاکمیت داده فرایندهای احراز هویت و مجوزهای دسترسی به داده‌ها و نیز ممیزی، پشتیبان‌گیری و روش‌های رمزگذاری داده را تعیین می‌کند.در نتیجه می‌توان مطمئن شد که هر فرد در سازمان به اطلاعات مرتبط با خودش دسترسی داشته باشد.تضمین دسترسی به داده:داده برای اینکه مؤثر واقع بشود باید در تمام سازمان جریان داشته باشد و پرسنل و مدیران بتوانند از آن استفاده کنند و مهم‌تر از آن داده و اطلاعات را با هم و بین دپارتمان‌های مختلف به اشتراک بگذارند.حاکمیت داده قوانین، چهارچوب، نقش افراد و مجوزهای لازم برای دسترسی به داده را تعیین می‌کند و در نهایت باعث تسهیل در یکپارچه‌سازی، استانداردسازی، فهرست‌نویسی داده (Ddata cataloging) می‌شودایجاد زبان مشترک با استاندارد‌سازی در نام‌گذاری و تعاریف:با استانداردسازی مفاهیم مربوط به داده در کل شرکت یک‌زبان مشترک بین واحدهای مختلف ایجاد می‌شود.دیگر نیازی به چک‌کردن روش، منبع و یا فرمول‌های استفاده شده در یک گزارش ندارید و واحدهای مالی، فروش، مارکتینگ، زنجیره تأمین و بقیه بخش‌های سازمان می‌توانند به‌سادگی با یکدیگر تعامل کنند.این موضوع همکاری درون‌سازمانی را تسریع کرده و اتلاف زمان را کاهش می‌دهد.چالش‌های حاکمیت داده چیست؟واقعیت این است که اجرای حاکمیت داده در یک سازمان کار سختی است. به قول آقای Wayne Eckerson ( بنیان‌گذار مؤسسه Eckerson و نویسنده کتاب داشبوردهای عملکردی): “حاکمیت داده شبیه به کشتی‌گرفتن با گراز است! ”بخشی از این دشواری به تضاد ذاتی بین تلاش برای کنترل‌کردن (حاکمیت) و ابزارها و روش‌های مدرن کار با داده (مانند هوش تجاری سلف‌سرویس) بازمی‌گردد.حاکمیت داده محدودکردن دسترسی‌ها، و کنترل بر جریان اطلاعات را شامل می‌شود؛ اما هوش تجاری سلف‌سرویس  با باز گذاشتن دست کاربران برای کار با اطلاعات تلاش می‌کند تا تصمیم‌گیری داده‌محور را در شرکت‌ها گسترش دهد.از این موضوع که بگذریم شرکت‌ها با چالش‌های زیر در حاکمیت داده روبرو هستند:محدودیت منابع:اجرای حاکمیت داده به برنامه‌ریزی دقیق، تخصص و پایش مداوم نیاز دارد. در واقع حاکمیت داده یک پروژه نیست یک پروسه  دنباله‌دار است که باید به‌صورت مداوم انجام شود. ممکن است یک شرکت‌ زمان، منابع انسانی و یا تخصص موردنیاز برای هزینه‌کردن در حاکمیت داده را نداشته باشدبر خلاف آنچه تصور می‌شود حاکمیت داده بیشتر به بخش تجاری یک سازمان یعنی مدیران و رهبران آن وابسته است و نه به افراد بخش IT ، در نتیجه اجرای آن به همکاری و اراده مدیران ارشد نیاز دارد.سیلوهای داده مجزا (Siloed data) :پراکندگی داده در دیتابیس‌های متفاوت و عدم یکپارچگی داده‌ها در سازمان یک چالش دیگر در اجرای حاکمیت داده است. دیتا ممکن است با فرمت‌های متفاوت، روی پلتفرم‌های متعدد نرم‌افزاری و در مکان‌های متفاوتی ذخیره شود. این موضوع دسترسی، استفاده و اعمال حاکمیت بر داده را سخت می‌کند.نبود راهکارهای نرم‌افزاری و ابزارهای کنترل:بسیاری از شرکت ابزارهای موردنیاز و نرم‌افزارهای لازم برای کنترل داده و اعمال حاکمیت را در اختیار ندارند. مثال ابتدای مقاله را به یاد بیاورید. اعمال حاکمیت داده روی یک فایل سرور عمومی و مملو از فایل‌های اکسل کار دشواری است!مقاومت در برابر تغییر:اجرای حاکمیت داده شامل تغییر در رفتار و فرهنگ‌سازمانی نسبت به داده نیز هست. فرهنگ‌سازمانی مطلوب نیاز به اعتماد، شفافیت و مسئولیت‌پذیری در برابر داده دارد. ممکن است افراد داخل شرکت احساس کنند که در حال ازدست‌دادن کنترل و استقلال خود بر داده‌ها هستند. از طرفی فقدان مهارت، دانش و یا انگیزه کافی ممکن است به مقاومت در برابر اجرای طرح حاکمیت داده منجر شود.چه حوزه‌هایی تحت پوشش حاکمیت داده (data governance) هستند؟چهارچوب حاکمیت داده باید موارد زیر را پوشش دهدمعماری داده (Data architecture)مدل‌سازی و طراحی داده (Data modeling)امنیت دادهانبار داده و هوش تجاری (business intelligence)یکپارچه‌سازی داده (Data integration)داده‌های مرجع (Master data)فراداده (Metadata)کیفیت دادهاسناد و محتواذخیره‌سازی دادهنقش‌ها و وظایف مرتبط با حاکمیت دادهواقعیت این است که نمی‌توان یک نسخه عام برای اجرای حاکمیت داده و نقش افراد در آن نوشت. هر سازمان و شرکتی باتوجه‌به اندازه، حجم داده و نیازهای خود باید یک چهارچوب حاکمیت داده را تعریف کند.مسئولیت تصمیم‌گیری درباره حاکمیت داده در یک شرکت کوچک و متوسط ممکن است به یک یا دو نفر محدود شوداما به‌طورکلی می‌توان نقش‌های زیر را تعریف کرد.کمیته یا هیئت حاکمیت داده:این هیئت معمولاً از مدیران ارشد سازمان تشکیل شده است. هر واحد از شرکت در این هیئت نماینده‌ای دارد (مثلاً مالی، فروش، مارکتینگ و…) وظیفه آنها تعیین استراتژی و خط‌مشی کلی برای اجرای حاکمیت داده است.کمیته حاکمیت داده روی اجرای صحیح کار نظارت می‌کند و درباره پیشنهادات مباشران داده تصمیم می‌گیرد.مباشران داده (Data stewards)مباشر نماینده‌ یک بخش از شرکت است و در آن حوزه خاص (مثلاً مالی) تخصص دارد.مباشر داده واسطه‌ای بین تیم پیاده‌سازی هوش تجاری و کمیته حاکمیت داده است.مباشران داده مسئول کیفیت، کامل‌بودن و ثبات داده در یک  بخش از شرکت هستند.متولیان داده (Data custodians) :افرادی که به طور مستقیم به منابع داده دسترسی دارند و می‌توانند با آنها کار کنند. این افراد تخصص‌ها و مشاغل متفاوتی دارند مانند:ادمین پایگاه‌های دادهمعمار دادهطراح انبار دادهتوسعه دهند ETLتوسعه‌دهنده BI و …کار آنها ذخیره داده و پیاده‌سازی هوش تجاری است. این افراد با مباشران داده همکاری کرده و استراتژی و قوانین حاکمیت داده که توسط کمیته تعیین شده است را در سطح فنی پیاده‌سازی می‌کنند.حاکمیت داده چه چیزهایی نیست؟حاکمیت داده مدیریت آن نیست. حاکمیت ساختار و چارچوب کلی، قوانین و مسئولیت‌ها را تعیین کرده و فرایند‌های اجرای امور را مشخص می‌کند. مدیریت داده؛ یعنی اجرای این قوانین و کارهای فنی و روزانه‌ای که باید انجام شود تا از اعمال حاکمیت داده مطمئن شویم.حاکمیت داده چه تفاوتی با حاکمیت اطلاعات دارد؟حاکمیت داده پیش از حاکمیت اطلاعات می‌آید و اگر حاکمیت داده به‌درستی انجام شود کار با اطلاعات راحت‌تر خواهد بود.منبع:حاکمیت داده (Data Governance) چیست؟ به زبان ساده هوش تجاری هوش تجاری Sun, 02 Jul 2023 10:36:56 +0330 https://virgool.io/@decomcoseo101/%D9%87%D9%81%D8%AA-%D8%B9%D8%B5%D8%B1-%D8%AF%D8%A7%D8%B4%D8%A8%D9%88%D8%B1%D8%AF%D9%87%D8%A7%DB%8C-%D9%85%D8%AF%D8%B1%D9%86-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-yzbezzlcdax5 داشبورد مدیریتی مدرنداشبورد هوش تجاری که معمولاً به‌عنوان داشبورد مدیریتی از آن یاد می‌شود یک ابزار قوی و فوق‌العاده برای مدیریت داده و رصد اطلاعات کسب‌وکار است.داشبورد  bi اگر به‌خوبی طراحی شده باشد به شما کمک می‌کند تا به‌راحتی عملکرد شرکت خود را درک کنید. به‌سرعت متوجه روندها و الگوهای ماهانه، فصلی و سالانه در کسب‌وکار خود بشوید و در نهایت تصمیم‌های بگیرید که آگاهانه و درست باشد.در این مقاله 7 عنصر کلیدی برای یک داشبورد هوش تجاری را ذکر کرده‌ایم. درک این موارد و به‌کارگیری درست آنها به ساختن داشبوردهای بهتر کمک می‌کند. با ما همراه باشیدداشبورد مدرن هوش تجاری چه ویژگی‌هایی باید داشته باشد؟داشبورد تفاوت مشخصی با گزارش‌های استانداردی دارد که در شرکت‌ها استفاده می‌شوند. داشبورد ساخته شده تا با مخاطب وارد تعامل شود و امکان جستجو در عمق اطلاعات و تجزیه‌وتحلیل را به او بدهد.یک داشبورد بسته به اینکه مخاطب اطلاعات کیست و در کجای شرکت استفاده می‌شود، می‌تواند شاخص‌های کلیدی عملکرد یک کسب‌وکار و یا اطلاعات در لحظه از فعالیت‌های داخلی شرکت را نمایش دهد.ویژگی‌های مهم یک داشبورد هوش تجاری مدرن:مصورسازی موجز و شفاف داده‌هامسیریابی ساده و راحتابزارهای مؤثر برای همکاری و ارتباط بین کاربرانامکانات کشف و پایش به عمق در داده‌ها (Data discovery -Drill down)زبان‌ پرس‌وجو سطح بالا (language query) که با نرم‌افزار ادغام شده باشدامکان داستان‌پردازی با داده‌ها7 عنصری که یک داشبورد تأثیرگذار هوش تجاری باید داشته باشدکاربران هوش تجاری در هر سطحی که باشند (سازمانی و یا شخصی) برای اینکه بیشترین بهره را از اطلاعات ببرند به داشبوردهایی تأثیرگذار و مناسب نیاز دارند.ویژگی‌های یک داشبورد موفق و تأثیرگذار:مصورسازی دادهاولین عنصر یک داشبورد تأثیرگذار تصویرسازی داده است. مصور‌سازی کمک می‌کند تا به‌سرعت عملکرد بخش‌های مختلف یک شرکت را به‌صورت چشمی کنترل و به‌راحتی الگوهای داخل داده‌ها را کشف کرد (تحلیل بصری)مصورسازی داده شامل نمودار و دیاگرام‌های زیادی می‌شود؛ اما نموداری‌های میله‌ای، دایره‌ای، نمودار خطی و راداری جز پراستفاده‌ترین اشکال مصورسازی هستند. استفاده درست و به جا از این نمودارها باعث می‌شود تا کاربر تعامل بیشتری با داشبورد اطلاعات داشته باشد.مصورسازی باید داده را به شکل مختصر و شفاف نشان دهد. از نمودار و گراف‌ها برای نشان‌دادن توزیع داده، روابط بین قطعات متفاوت داده و تغییر داده‌ها در طول زمان استفاده کنید.چیدمان داشبورددومین عنصر برای یک داشبورد تأثیرگذار چیدمان آن است. چینش اجزاء داشبورد باید به صورتی باشد که ناوبری و استفاده از آن را راحت کند.طراحی داشبورد باید به صورتی انجام شود که درک اطلاعات را برای مخاطب ساده‌تر کند. نرم افزار هوش تجاری باید امکان سفارشی‌سازی چینش داشبورد طبق نظر کاربر را داشته باشد.یک چیدمان خوب شامل:استفاده از جداول داده برای سازماندهی‌کردن اطلاعات روی داشبورداستفاده از فونت‌های بزرگ برای بهتر دیده‌شدن داده‌هااستفاده از رنگ‌بندی و طیف رنگی مناسب برای نمودارها، نوشته‌ها و …و استفاده از آیکون‌ها برای نمایش نقاط کلیدی روی داده است.فیلترهای دادهفیلترهای سراسری که روی تمام نمودارهای یک داشبورد اعمال شوند سومین عنصر کلیدی برای یک داشبورد است.فیلترها به ما امکان می‌دهند تا داده‌ها را از زاویه دید جدید مشاهد کنیم. این فیلترها می‌توانند بر اساس موارد زیر باشندفیلتر روی شاخص‌های عملکردی kpiبخش‌های مختلف کسب‌وکار مثل دپارتمان‌هابر اساس ابعاد داده؛ مثلاً دسته‌بندی مشتری، خصوصیات محصول و …و فیلترهای زمانی (روز، هفته، ماه، فصل، سال)قابلیت گزارش‌گیریساختن گزارش‌های سفارشی از داده‌های در دسترس و خروجی گرفتن با فرمت‌های مختلف چهارمین عنصر از یک داشبورد تأثیرگذار است. گزارش‌ها این امکان را می‌دهند تا نتایج حاصل از تجزیه‌وتحلیل را به یک فرمت مختصر و ساده تبدیل کرد.گزارش‌گیری می‌تواند روی شاخص‌های عملکردی، داده‌های مشتری و امثال آن انجام شود.از گزارش‌گیری برای رسیدن به دید عملی نسبت به موضوعات استفاده کنید. مثلاً گزارش‌هایی که نشان می‌دهد مشتری‌ها چطور از محصول شما استفاده می‌کنند و یا تیم شما نسبت به هدف‌گذاری انجام شده چه عملکردی داشته استنمای سفارشی و قابل تنظیمایجاد نمای سفارشی در واقع اشاره به قابلیت یک نرم‌افزار در ساخت انواع داشبورد به کمک اجزای مختلف مثل نمودارها را دارد. به کمک دو مورد قبل یعنی فیلتر‌ها و جداول گزارش می‌توان یک دسته خاص از داده‌ها را از بین تمام داده‌های موجود انتخاب کرد و به این وسیله یک نمای داده (Data view) خاص را ایجاد کرد.همچنین می‌توان داده را به فرمت یا سبک خاصی نمایش داد. این مورد به پیداکردن و تحلیل دسته‌های خاص داده کمک می‌کند.قابلیت به‌اشتراک‌گذاری اطلاعاتبه اشتراک گذاشتن اطلاعات و دسته‌های داده یکی از مهم‌ترین خصوصیات داشبورد هوش تجاری است. این موضوع به افزایش کیفیت همکاری بین افراد و واحدهای مختلف در شرکت کمک کرده و دسترسی همه به یک منبع واحد از داده و ایجاد درک مشترک از آن را ممکن می‌کند.مسیریابی ساده و دسترسی سریعدسترسی ساده به داشبوردها و بخش‌های مختلف یک داشبورد (زیر قسمت‌ها) جزئی از ویژگی‌های یک داشبورد تأثیرگذار است. این قابلیت استفاده از داشبورد را برای کاربر آسان و لذت‌بخش می‌کند.جمع‌بندیداشبورد هوش تجاری ابزاری قوی برای مدیریت داده و اطلاعات استویژگی‌های مهم یک داشبورد مدرن عبارت است از:مصورسازی مناسب، مسیریابی ساده و راحتابزارهای همکاری و ارتباط بین کاربرانامکانات کشف و پایش به عمق در داده‌هازبان‌ پرس‌وجو سطح بالاامکان داستان‌پردازی با داده‌هاهفت عنصر مهم برای داشبورد مدیریتی هوش تجاریمصورسازی داده تأثیرگذار، به‌روز و قابل سفارشی‌سازیچینش صحیح و اصولی اجزای داشبورد به صورتی که کاربر بیشترین تعامل را با داشبورد‌ها داشته باشد.فیلترهای داده روی تمام داشبورد مثل فیلتر ابعاد داده و زمانقابلیت گزارش‌گیری و ساخت گزارش‌های سفارشیایجاد نمای داده سفارشی (Data view)امکان به‌اشتراک‌گذاری اطلاعات بین کاربرانناوبری و مسیریابی آسان در داشبوردهامنبع: عناصر لازم برای داشبوردهای هوش تجاری مدرن و تاثیرگذار هوش تجاری هوش تجاری Sun, 28 May 2023 18:18:30 +0330 https://virgool.io/@decomcoseo101/%D9%87%D9%81%D8%AA-%D8%B1%D9%88%D8%B4-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AC%D9%85%D8%B9-%D8%A2%D9%88%D8%B1%DB%8C-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D9%85%D8%B4%D8%AA%D8%B1-xsgkx56ohbmk پیش‌ازاین درباره اهمیت تحلیل داده مشتریان به‌وسیله هوش تجاری صحبت کردیم. در این مقاله قصد داریم روش‌های ساده اما مؤثری را بررسی کنیم که داده‌های پایه و ضروری مشتری را در اختیار ما قرار می‌دهد.این روش‌ها فارغ از نوع تعامل کسب‌وکار با مشتری (B2B  یا B2C  بودن) قابل‌استفاده برای اکثر شرکت‌ها هستند. با ما همراه باشیداطلاعات تبادلات مالی با مشترییکی از مهم‌ترین انواع داده مشتری مربوط به تراکنش‌های مالی است. تفاوتی ندارد به‌صورت فیزیکی کالایی را بفروشیم  یا از طریق آنلاین این کار را انجام بدهیم، تحلیل اطلاعات مربوط به تراکنش‌های مالی فهم و شناخت بی‌نظیری را درباره مشتری‌های یک کسب‌وکار به همراه می‌آورد.خوبی این نوع داده این است که به‌هرحال به شکلی در جایی ذخیره می‌شود! ممکن است داخل سیستم حسابداری ذخیره شود و یا به‌صورت دستی در یک فایل اکسل ثبت شده باشد.نکته مهم درباره این نوع از داده‌ها این است که برای جمع‌آوری و استفاده بعدی از آن باید برنامه و نرم‌افزارهای مناسب داشت (مثل نرم‌افزار هوش تجاری) بهتر است اطلاعات مالی مربوط به مشتری در یک سیستم مدیریت ارتباط با مشتریان (CRM)  ذخیره شود. این داده‌ها از وب‌سایت، درگاه پذیرش بانک‌ها و یا دستگاه‌های POS   جمع‌آوری می‌شوند .با بررسی این اطلاعات متوجه می‌شوید از کدام محصول، چقدر فروش داشته‌اید، کدام نوع از محصولات بیشتر فروش می‌روند (محبوب‌تر هستند)  و مشتری‌ها چند وقت یکبار  خرید می‌کنندتحلیل داده‌های مالی مشتری راه را برای دسته‌بندی و اولویت‌گذاری در عامل با مشتریان باز می‌کند. (روش دسته‌بندی مشتریان RFM)ابزارهای تحلیل داده وب‌سایت‌ها:ابزارهای تحلیل داده مثل Google Analytics به شما اجازه می‌دهند مشتریان خود را بهتر بشناسیم. به کمک این ابزارها می‌توانیم شاخص‌ها و متریک‌هایی مهم مانند موارد زیر را بسنجیم:تعداد بازدید از یک صفحه (Page views)میانگین زمان صرف شده در یک صفحه ( page view duration)نرخ بازگشت مخاطب از سایت  (Bounce rate)این سنجه‌ها کمک می‌کنند تا بفهمیم چه چیزهایی بهتر روی مشتری جواب می‌دهد. مشتریان به چه نوع محتوایی بیشتر علاقه دارند، چه چیزهایی را می‌پسندند و رفتار و عکس‌العمل آنها نسبت به مطالب مختلف چیست.پاسخ‌هایی که در زیر وبلاگ‌ها درج می‌شوند یا تعداد لایک و کامنت‌ها در شبکه‌های اجتماعی میزان درگیرشدن مخاطب (engagement rate) با محتوای ما را نشان می‌دهد.با آگاهی و دانشی که از این اطلاعات به دست می‌آوریم  می‌توانیم ابتکار عمل در مارکتینگ را به دست گرفته و روش‌های بازاریابی خود را ارتقا دهیم.نظرسنجی‌های آنلاین:انجام نظرسنجی از خریداران و یا کسانی که به نحوی اطلاعات خود را در اختیار ما قرار  داده‌اند (عضویت در خبرنامه، ثبت‌نام در سایت و …) روش مؤثری برای دسته‌بندی مشتریان است.با انجام نظرسنجی اطلاعات اضافه مهمی را درباره مخاطب به دست می‌آوریم (اطلاعاتی مثل علاقه‌مندی‌ها و نظر آنها درباره خدمات و کالاها) این اطلاعات  کمک می‌کند تا تصویر خوبی را از مخاطب هدف و شخصیت خریدار ترسیم کنیم. از جمله مزایای نظرسنجی این است که می‌تواند به‌سرعت بررسی شود و نیاز به‌صرف زمان زیادی ندارد و از طرفی دنبال‌کردن پاسخ دهند نیز آسان است (دانستن اینکه یک خریدار خاص چه پاسخ‌هایی به سؤالات داده امکان‌پذیر است)نظرسنجی راهی کم‌هزینه برای دسترسی به مخاطبان و ثبت نظر آنها است؛ اما باید درباره نوع و شیوه نظرسنجی دقت کرد. ترغیب مخاطب به شرکت‌کردن در نظرسنجی و ارائه پاسخ‌های واقعی باتوجه‌به شرایط ممکن است کار آسانی نباشد.فرم‌های ثبت‌نام:فرم‌های ثبت‌نام (فرم‌های سر نخ – lead forms ) یکی از راحت‌ترین راه‌ها برای کسب اطلاعات پایه مشتری‌ها هستند. این فرم‌ها به تولید سرنخ کمک می‌کند و مهم‌تر از آن اطلاعات پایه و مهم مخاطب را نشان می‌دهند. (اطلاعات دموگرافیکی مثل سن، جنسیت، درآمد، تأهل  و غیره)استفاده از فرم‌های ثبت‌نام به‌عنوان آهنربا و جاذب مشتری‌های احتمالی (سرنخ‌ها) روش و استراتژی است که جامعه بازاریابی با آغوش باز آن را پذیرفته و بکار می‌برد.مصاحبه با مشتری:ملاقات و حرف‌زدن مستقیم با مشتری روش بی‌نظیری است که فاصله و گپ ایجاد شده بین فرم‌های ثبت‌نام و نظرسنجی‌ها را پر می‌کند. می‌توان مصاحبه با مشتری را از طریق تلفن، تماس ویدئویی، ایمیل و یا ملاقات حضوری انجام داد.تماس تلفنی یک روش بی‌دردسر و کم‌هزینه برای دسترسی به مشتری است. البته هیچ‌چیز جای یک ملاقات شخصی و حضوری را نمی‌گیرد. در گفتگوی چهره‌به‌چهره  می‌توان صداقت و اعتبار مشتریان را از طریق نشانه‌های غیرکلامی که در صورت خود بروز می‌دهند سنجید.بازخوردهای بعد از خرید:درخواست بازخورد و نظر از مشتری یک گام مهم در جمع‌آوری داده‌ها است. تفاوتی ندارد بازخورد و نظر مشتری‌ها منفی باشد یا مثبت، درهرصورت به ما کمک می‌کند چیزی را بسازیم که مشتری می‌خواهد.اگر بازخورد مثبت بود، نشانه موفقیت در برآورده‌کردن نیازها و خواست مشتری است. اگر بازخورد منفی باشد چه‌بهتر، نقطه‌ضعف‌ها را مشخص می‌کند و  نشان می‌دهد هنوز جا برای پیشرفت و ارتقا وجود دارد.تعامل در شبکه‌های اجتماعی:همیشه از مشتری‌ها بخواهید شما را روی شبکه‌های اجتماعی دنبال کنند، پست‌ها را لایک کنند و کامنت بگذراند. عمل ساده‌ای مثل لایک کردن به ما امکان می‌دهد اطلاعات دموگرافیک آنها را جمع‌آوری کنیم. (سن، جنسیت، شهر، زبان و غیره)می‌توان از امکانات نظرسنجی روی بعضی از شبکه‌های اجتماعی هم استفاده کرد. نظرسنجی‌های کوتاه و سریع روی پلتفرم‌هایی مثل اینستاگرام یا توییتر مخاطب را بیشتر درگیر می‌کند.برای گرفتن بازخورد یا فهمیدن ترجیحات و علاقه‌مندی‌های مشتریان (مثلاً نوع بسته‌بندی محصولات) از این نظرسنجی‌ها استفاده کنید. شبکه‌های اجتماعی راهی فوق‌العاده برای تعامل با مشتری و یادگیری درباره آنها را پیشروی ما قرار داده است.استفاده از اطلاعات ثانویهروش‌هایی که در بالا ذکر شد همگی داده‌هایی بودند که توسط خود شرکت‌ها جمع‌آوری می‌شدند. داده‌های ثانویه به دسته‌ای از اطلاعات اطلاق می‌شوند که توسط منابعی خارج از شرکت شما جمع‌آوری‌شده‌اند.این اطلاعات ممکن است  توسط یک مرجع ثانویه به شما ارائه شود. مثلاً اطلاعات دست اولی که توسط یک شرکت همکار جمع‌آوری‌شده و در اختیار شما قرار گرفته است.داده‌ها ممکن است توسط یک منبع ثالث گردآوری‌شده باشند. مثلاً آژانس‌های جمع‌آوری اطلاعات که داده را به شرکت‌ها می‌فروشند. درهرصورت چه این داده‌ها را بخرید و چه در قالب همکاری فی‌ما‌بین به آنها دسترسی پیدا کنید داده‌‌های ثانویه منبع مکمل و جذابی به‌حساب می‌روند.در پایان باید ذکر کرد بسته به نوع کسب‌وکار و جامعه مشتری‌ها، روش‌های جمع‌آوری داده بازدهی متفاوتی را از خود نشان می‌دهند، بنابراین مهم است تا از روش‌هایی استفاده شود  که مناسب یک کسب‌وکار است و  بهترین نتیجه را به ارمغان می‌آورد.منبع: 7 روش‌ مؤثر برای جمع‌آوری اطلاعات مشتری هوش تجاری هوش تجاری Sat, 27 May 2023 16:41:53 +0330 https://virgool.io/@decomcoseo101/%D8%AA%D8%A7%D8%B1%DB%8C%D8%AE%DA%86%D9%87-%DA%A9%D8%A7%D9%85%D9%84-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-nfir0ptdwhkc تاریخچه هوش تجاری، شرکت دیکاممعمولاً تاریخچه موضوعاتی را بررسی می‌کنیم که از نظر زمانی قدمت دارند و یا اتفاقات زیادی در حواشی آن رخ‌داده است. اما به نظر می‌رسد هوش تجاری این ویژگی‌ها را نداشته باشد. لااقل در کشور ما هوش تجاری کلمه‌ای جدید است که تا چند سال قبل و پیش از ورود نرم‌افزار Power Bi جز در همایش‌های خاص شنیده نمی‌شد.اما باور می‌کنید که واژه “Business Intelligence” حداقل 150 سال قدمت دارد؟ روش‌ها و تکنولوژی‌های BI در این سال‌ها مرتب تغییر کرده؛ اما مفهوم کلی آن همچنان ثابت باقی‌مانده است.اگر علاقه‌مند هستند درباره هوش تجاری بیشتر بدانید به مطالعه ادامه دهید. سعی کرده‌ایم تاریخچه کامل هوش تجاری از ابتدا تا امروز را در یک مقاله گردآوری کنیم.ممکن است در برخی از قسمت‌های مقاله هوش تجاری (BI) و تحلیل کسب‌وکار (BA) به‌صورت مترادف به‌کاررفته باشد. در انتهای مقاله خط زمانی رویدادهای مرتبط با هوش تجاری ذکر شده است. با دیکام همراه باشیدخواستگاه اولیه هوش تجاری (1864 تا 1958 میلادی)کلمه هوش تجاری (Business Intelligence) را اولین‌بار ریچارد میلر دیونس (Richard Millar Devens) در 1864 میلادی و در کتاب خود “دایره المعارف حکایات بازرگانی و تجاری” به کاربرد.اما چطور چنین چیزی ممکن است؟ 159 سال قبل کامپیوتر، نرم‌افزار و وسیله الکترونیکی وجود نداشت پس میلر درباره چه چیزی صحبت کرده است؟برای درک این موضوع باید به تعریفی که امروز برای هوش تجاری داریم مراجعه کنیم: BI فناوری‌ها، تکنولوژی‌ها و روش‌هایی است که برای جمع‌آوری، تحلیل و نمایش داده استفاده می‌شود تا به مدیران یک شرکت برای تصمیم‌گیری کمک کند.میلر در کتابش داستان یک بانکدار فرانسوی (Sir Henry Furnese) را نقل کرده و از او به‌عنوان نمونه‌ای از “هوش تجاری” یاد می‌کند.بانکدار داستان ما (هنری فرنس) یک روش جالب برای تجارت داشت. او هر نوع خبر یا اطلاعاتی که به بازار و تجارت مرتبط بود را جمع‌آوری می‌کرد. اخبار و اطلاعات درباره جنگ‌ها و وضعیت تجارت در کشورهای دور قبل از اینکه به گوش دیگران برسد در اختیار فرنس قرار می‌گرفت. او پس از تحلیل این اطلاعات تصمیم می‌گرفت تا چه کاری را برای توسعه تجارتش انجام دهد. به همین دلیل همیشه یک‌قدم از رقبای خود جلوتر بود.با این توصیف مفهوم اصلی و پایه‌ای هوش تجاری از گذشته تا به امروز تغییر زیادی نکرده است. هوش تجاری همچنان درباره استفاده درست از اطلاعات برای تصمیم‌گیری صحیح در تجارت است.اما شرایط نسبت به گذشته تغییر کرده است. از جمله:نوع انجام و مدیریت کارها نسبت به گذشته تغییر کرده و سرعت بسیار زیادی گرفته استحجم اخبار و اطلاعات یا به عبارتی داده‌ها در مقایسه با گذشته افزایش فوق‌العاده‌ای یافته است.دقیقاً همین دو دلیل باعث شد تا در ابتدای قرن بیستم افراد و شرکت‌های زیادی برای تحلیل داده و اطلاعات توسط ماشین (ابتدا مکانیکی و بعد الکترونیکی) تلاش کنند.مفاهیم، ابزارها و تکنولوژی‌های مرتبط با تحلیل داده و هوش تجاری به‌مرور در طول قرن بیستم شکل گرفت و توسعه پیدا کرد. ایده اولین کامپیوترهای آنالوگ (مکانیکی) در اواسط قرن نوزدهم میلادی مطرح شد. در اواخر قرن 19 اولین ماشین‌های الکترومکانیکی حسابداری توسط هرمان هولریث (Herman Hollerith) اختراع شدند و ایده ذخیره داده به‌وسیله کارت‌های پانچ عملی شد.هر چند تکنولوژی راه طولانی در پیش‌داشت اما ذخیره و تحلیل داده شروع شده بود.انقلاب صنعتی، مدیریت نوین و نیاز به تحلیل دادهسال‌های آخر قرن نوزدهم و ابتدای قرن بیستم میلادی آبستن تغییرات بزرگی در صنعت، تولید، مفاهیم مدیریت و کسب‌وکار بود.تا پیش از انقلاب صنعتی نرخ تولید بسیار پایین بود. خط تولید صنعتی این امکان را فراهم آورد تا افراد بیشتری روی قسمت کوچک‌تری از کار تمرکز کنند در نتیجه فعالیت‌ها تخصصی شد. بهره‌وری و به دنبال آن تولید به‌شدت افزایش پیدا کرد.هنری فورد در امریکا استفاده از خط تولید صنعتی را به کمال رساند و تولید اتومبیل را در تعداد بسیار زیاد ممکن کرد. تولید صنعتی با خود دو چیز به همراه آورد:نیاز به مدیریت دقیق عملکرد در داخل شرکت‌هانیاز به درک عمیق از بازار و مشتری بر اساس داده و اطلاعاتمفاهیم مرتبط با سنجش رفتار مشتری و تحلیل داده‌های بازار در دهه 20 میلادی توسط آرتور نیلسون (Arthur Nielsen) معرفی شد و در دهه 50 میلادی اصول مدیریت نوین توسط پیتر دراکر شکل گرفت (مدیریت بر اساس اهداف MBO)در واقع صنعت، مدیریت و بازاریابی نوین بر پایه‌های از جنس سنجش عملکرد و تحلیل داده‌ها مستقر شده است. کسب‌وکارهای مدرن برای اینکه در بازار دوام بیاورند به روش‌های جدید گزارش‌گیری و تحلیل اطلاعات نیاز داشتند و این کار فقط از عهده ماشین‌های جدید یعنی ” کامپیوترها” بر می‌آمد.تأسیس IBM و پیدایش علم تحلیل دادهپیدایش مفاهیم اولیه کامپیوتر، سخت‌افزار و نرم‌افزارهای آن با اسم شرکت IBM گره‌خورده است.IBM  در 1911 میلادی تأسیس شد، کار خود را با ساخت ماشین‌های الکترومکانیکی حسابداری آغاز کرد و در چند دهه بعد به خط‌شکن بلامنازع تکنولوژی کامپیوتر در جهان تبدیل شد.تا پیش از ظهور کامپیوترها داده‌های یک شرکت داخل پرونده‌های فیزیکی و کمدهای مدارک ذخیره می‌شد داده‌های که سال‌به‌سال بر حجم و ابعاد آن اضافه می‌شد؛ اما راهی برای استفاده مؤثر از آنها وجود نداشت. در دهه 50 میلادی IBM اولین هارددیسک برای ذخیره اطلاعات را اختراع کرد این اتفاق نقطه شروعی برای تغییر در نوع استفاده از داده بود.در همان زمان محققی المانی به نام پیتر لوهان (Peter Luhn) در شرکت IBM مشغول به کار بود. از لوهان تحقیقات و ابداعات زیادی در زمینه علوم کامپیوتر برجای‌مانده اما مقاله او به نام ” یک سیستم هوش تجاری” که در سال 1958 منتشر شد سرآغازی تئوریک بر هوش تجاری است. هانس پیتر لوهان شرکت IBM 1950البته هنوز سخت‌افزارها و متدهای مناسب برای ذخیره‌سازی و استفاده از داده به وجود نیامده بود و حداقل  دو دهه دیگر نیاز بود تا پایگاه‌های داده و اولین راهکارهای تحلیلی به وجود بیاید. IBM در این سال‌ها به‌عنوان یک غول فناوری در مرز ناشناخته ابداع و اختراع فعالیت کرد و چنان بر بازار سلطه داشت که با عنوان کنایه‌آمیز Big Brother Blue از این شرکت یاد می‌شد.سیستم‌های پشتیبان تصمیم‌گیری (DSS) پیش درآمدی بر BI (1959-1989)ابتدای دهه 60 میلادی ایده استفاده از کامپیوتر برای برنامه‌ریزی و کمک به تصمیم‌گیری مدیران در شرکت‌ها مطرح شد. تلاش‌های تئوریک و عملی  زیادی صورت گرفت تا یک دهه بعد یعنی در 1970 چنین سیستم‌هایی به‌صورت تجاری عملیاتی شدند.سیستم پشتیبان تصمیم‌گیری یا DSS با این هدف به وجود آمده بود تا اطلاعات مناسب برای تصمیم‌گیری را در اختیار مدیران و تحلیلگران قرار دهد. در دهه هشتاد میلادی سیستم اطلاعات اجرایی (Executive information systems) برای کمک به مدیران رده‌بالایی معرفی شد و استفاده از آن  رواج پیدا کرد.در آن زمان هنوز بسیاری از مفاهیم پایه و نرم‌افزارهایی که گردآوری و کار با اطلاعات را ممکن می‌کردند به وجود نیامده بود و سخت‌افزارهای کامپیوتر نسبت به امروز قابلیت‌های بسیار کمتری داشتند. از نظر عملیاتی DSS با محدودیت مواجه بود. بااین‌وجود نیاز بسیار شدید شرکت‌های بزرگ به گزارش‌گیری و مدیریت اطلاعات باعث شد تا اولین شرکت‌های ارائه‌کننده این راهکارهای نرم‌افزاری در دهه 70 به وجود بیایند.سیستم‌های پشتیبان تصمیم‌گیری را می‌توان اولین قدم برای استفاده مؤثر از داده در سازمان‌ها دانست؛ بااین‌وجود DSS در کنار مزایایی که داشت با چالش‌هایی نیز روبرو بود از جمله:سیستم پشتیبان تصمیم‌گیری برای کار به مقدار زیادی از آماده‌سازی و نگهداری داده نیاز داشت تا دقت و قابلیت اطمینان مناسبی را ارائه کندارائه نتایج مناسب به کیفیت و دردسترس‌بودن منابع داده بستگی داشتارائه بیش از اندازه و یا کم اطلاعات توسط این سیستم ممکن بود به خطا در تصمیم‌گیری مدیران منجر شود.پایگاه‌های داده رابطه‌ای (Relational Database) زبان SQLدقیقاً در همان سالی که اولین سیستم پشتیبان تصمیم‌گیری عملیاتی شد (1970) ایده پایگاه‌های داده رابطه‌ای یا Relational Database ارائه گردید؛ ابداع این مدل از دیتابیس می‌توانست محدودیت‌های کار با داده را تا حد زیادی از میان بردارد و سیستم‌های نرم‌افزاری جدید برای گردآوری و تحلیل داده ایجاد شود.بااین‌وجود استفاده عملی از مدل Relational تا 9 سال بعد (1979) که شرکت اوراکل اولین دیتابیس رابطه‌ای برای مصارف تجاری  را معرفی کرد به تعویق افتاد.مدل رابطه‌ای داده‌ها را در جدول‌هایی که از سطر و ستون تشکیل شده است (شبیه جداول اکسل) ذخیره می‌کند. مدل رابطه‌ای در حال حاضر یکی از پرکاربردترین پایگاه‌های داده است. نرم‌افزارهای عملیاتی مانند حسابداری یا CRM که به‌صورت روزانه با آنها سروکار دارید از همین نوع پایگاه‌داده استفاده می‌کنند.برای استفاده مؤثر از پایگاه‌داده رابطه‌ای یک‌زبان برنامه‌نویسی به نام SQL در دهه 70 معرفی شد. استفاده از آن کار را بسیار راحت کرد. SQL امکان ایجاد، حذف، به‌روزرسانی، و تجمیع داده را به کاربران می‌داد.معرفی این فناوری‌ها گام بزرگی برای ذخیره و استفاده مؤثر از اطلاعات بود.اولین انبارهای داده (Data warehouse)باوجوداینکه مدل پایگاه‌داده رابطه‌ای ذخیره، آنالیز و کار با داده را بهبود بخشیده بود؛ اما هنوز مشکلاتی برای یکپارچه‌سازی داده‌ها از چند منبع مختلف و همچنین تضمین کیفیت و ثبات اطلاعات وجود داشت. برای رفع این موانع یک راه‌حل جدیدی نیاز بود.سال 1988 انبار داده (Data warehouse) توسط دو محقق شرکت IBM معرفی شد. تا قبل از آن اطلاعات شرکت در سیلوهای مختلف و به‌صورت مجزا نگهداری می‌شد. انبار داده یک مخزن بود که داده‌های جمع‌آوری‌شده از سیستم‌های عملیاتی متفاوت در آن ذخیره می‌شد.مزیت بزرگ انبار داده این بود که یک منبع داده برای دسترسی همه کاربران ایجاد می‌کرد و در نتیجه کاربران با یک نسخه واحد از اطلاعات (The single version of the truth) سروکار داشتند.انبار داده تحلیل‌های پیچیده، کار با حجم زیادی از اطلاعات و کاوش درداده را ممکن کرد و سرعت دسترسی به اطلاعات را به‌شدت افزایش داد.معرفی کامپیوترهای شخصی، تحول سخت‌افزار و نرم‌افزارسال‌های 1970 تا 1990 انقلابی را در صنعت IT رقم زد. تا قبل از آن کامپیوترها ماشین‌های الکترونیکی در ابعاد یک اتاق بزرگ بودند. با کوچک‌شدن ترانزیستورها سخت‌افزار و پردازنده‌های قوی‌تری به بازار ارائه شد در نتیجه کامپیوترها کوچک‌تر و سریع‌تر شدند.کامپیوترهای شخصی در دهه 80 توسط IBM تجاری‌سازی شدند. در 1984 اولین کامپیوتر شخصی شرکت اپل یعنی مکینتاش معرفی شد. سیستم‌های عامل کاربرپسندتری مانند ویندوز و برنامه‌های کاربردی مانند اکسل (1985) وارد بازار شد. تا دهه 90 کامپیوترهای شخصی به تمام ادارات و شرکت‌ها نفوذ کرده بودند.این پیشرفت‌ها زمینه را برای ظهور نسل اول هوش تجاری در ابتدای دهه 90 میلادی محیا کرده بود.ظهور هوش تجاری (1990-2000)هوش تجاری به شکلی که امروز می‌شناسیم در دهه 90 میلادی یعنی 30 حدود سال قبل شکل گرفت. در سال 1988 کنفرانسی در رم برگزار شد (Multiway Data Analytics consortium conference) خروجی این اجلاس شرکت‌های ارائه‌دهنده نرم‌افزارهای تحلیلی را مجاب کرد تا به سمت راهکارهای کاربرپسند حرکت کنند.یک سال بعد واژه هوش تجاری توسط هاوارد درسنر (Howard Dresner) کارشناس مؤسسه گارتنر پیشنهاد شد و به‌عنوان یک چتر واژه برای اشاره به طیف وسیعی از راهکارهای تحلیلی به کار رفت. (به او منتصب است)نسل اول هوش تجاریدر دهه 90 هوش تجاری روی دو چیز تمرکز داشت:دسته‌بندی اطلاعات و ایجاد گزارشاتمصورسازی داده که به‌صورت داشبوردهای استاتیک ارائه می‌شدند.هوش تجاری سعی داشت تا به این سؤال که ” چه اتفاقی در یک کسب‌وکار رخ‌داده است؟ ” پاسخ دهدابزارهای ETL در اوایل دهه 90 برای گردآوری داده‌ها معرفی شدند. استفاده از این ابزارها باعث کاهش هزینه‌های پیاده‌سازی انبار داده شد و سرعت اجرای پروژه‌ها را افزایش داد در نتیجه شرکت‌های بیشتری توانستند از راهکارهای هوش تجاری استفاده کنند. در داخل سازمان‌ها نیز افراد بیشتری به تحلیل داده و BI دسترسی پیدا کردند.از مزایای نسل اول هوش تجاری می‌توان به این موارد اشاره کرد:مدیریت متمرکز داده که کیفیت و امنیت اطلاعات را تضمین می‌کردگزارش‌های استاندارد و مطمئن را به کاربران شرکت ارائه می‌دادابزارهای مخصوص برای تحلیل‌های پیچیده را در اختیار آنها می‌گذاشتبااین‌وجود نسل اول BI ایرادهای بزرگی هم داشت.هوش تجاری به‌شدت به کارشناسان واحد IT وابسته بود. هر گزارش جدید به درخواست از واحد IT نیاز داشت و زمان زیادی طول می‌کشید تا آماده شود.راهکارهای BI چابکی و انعطاف لازم را نسبت به درخواست‌ها، نیازها و شرایط جدید نداشتندهزینه‌های پیاده‌سازی و نگهداری از BI بالابود و تنها از عهده شرکت‌های بزرگ برمی‌آمد.عصر انفجار اطلاعات و نسل دوم هوش تجاری (2000-2010)قرن جدید میلادی با تحولات بزرگی آغاز شد. استفاده از اینترنت رونق گرفته بود و کسب‌وکارها تلاش می‌کردند تا از این فضای جدید بیشترین استفاده را ببرند. اینترنت و گستردگی استفاده از آن قابل‌انکار نبود. تب اولیه باعث تأسیس شرکت‌های بسیاری شد که انتظارات غیرواقعی از این حوزه داشتند. در نهایت این شرایط به حباب معروف دات‌کام ختم شد.اما این اتفاق برای شرکت‌های ارائه‌دهنده هوش تجاری فرصت بسیار خوبی بود و ابزارها و راهکارهای جدید یکی پس از دیگری معرفی شدند.سال 2005 اولین شبکه‌های اجتماعی پدیدار شد. اینترنت با خود چیز جدید آورده بود. جهان وارد عصر کلان‌داده یا Big Data شد. اینترنت باعث شد تا حجم اطلاعات در دسترس و داده‌هایی که تولید می‌شدند به یکباره چندین برابر شود. داده زیاد و متنوع به راهکارهای نرم‌افزاری جدیدی برای مدیریت و تحلیل نیاز داشت.هوش تجاری کند و وابسته به IT ( نسل اول BI) دیگر پاسخگوی نیاز کاربران نبود. آنها به چیزی بیشتر از گزارش‌های استاندارد و داشبوردهای مدیریتی استاتیک نیاز داشتند.سرعت تغییرات در بازار بسیار زیاد شده بود. پاسخ به پرسش “چه اتفاقی درگذشته رخ‌داده است؟” برای مدیران یک شرکت کافی نبود.مدیران شرکت‌ها می‌خواستند بدانند در حال حاضر و در همین لحظه چه اتفاقی رخ می‌دهد؟ و چه ترندهایی در حال ظهور هستند؟ آنها به تجزیه‌وتحلیل لحظه‌ای (Streaming Analytics) و تحلیل پیش‌بینی‌کننده (Predictive Analytics) نیاز داشتندمقاله داده و تحلیل داده چیست را از اینجا مطالعه کنیدنسل دوم هوش تجاری (BI سلف‌سرویس)مهم‌ترین ایراد نسل اول هوش تجاری، وابستگی به IT و هزینه بالابود. نسل دوم BI سعی کرد تا این موضوع را حل کند. این کار نیاز به ارائه نرم‌افزارهای کاربرپسند و جدید داشت.مقاله هوش تجاری سلف سرویس را از اینجا مطالعه کنید یادگیری و استفاده از نسل دوم ابزارهای هوش تجاری بسیار ساده‌تر و راحت‌تر بود. در واقع نقش IT کم‌رنگ‌تر شد و سعی شد تا نرم‌افزارهایی ارائه شود که کاربران عادی و با پیشینه فنی کم بتوانند از آن استفاده کنند.داشبوردهای استاتیک و گزارشات استاندارد جای خودشان را به داشبوردهای داینامیک و گزارش‌هایی دادند که به‌سرعت توسط خود کاربران عادی قابل ایجاد و استفاده بودند.هوش تجاری در این دوره شامل این موارد بود:آماده‌سازی دادهکشف دانش ( data discovery) یعنی فرایند تحلیل داده جمع‌آوری‌شده از منابع مختلف برای کشف ترندهامصورسازی داده (data visualization)به‌اشتراک‌گذاری اطلاعات و همکاری تیمینسل دوم BI چابکی و انعطاف‌پذیری زیادی برای تطبیق در یک سازمان را ارائه می‌کرد. هزینه‌های آن بسیار کمتر بود و امکانات تحلیلی بیشتری را در اختیار کاربر قرار می‌داد؛ اما معایبی هم داشت از جمله:متمرکز نبودن مدیریت و حاکمیت داده و مشکل کیفیت و امنیت اطلاعاتایجاد سیلوهای داده متعدد و تناقض در اطلاعاتنیاز به آموزش پرسنل و داشتن حداقلی از مهارت فنی برای کار با نرم‌افزارعصر داده‌محوری، استفاده فراگیر از هوش تجاری (2010-2023)دهه دوم قرن بیستم با گسترش بیش‌ازپیش استفاده از تحلیل داده و هوش تجاری همراه بود. تا سال 2010 بیشتر شرکت‌های بزرگ در جهان در حال استفاده از راهکارهای هوش تجاری بودند. اما تحولات در ده سال آینده باعث شد تا BI به‌صورت گسترده توسط شرکت‌های متوسط و کوچک نیز مورداستفاده قرار بگیرد.ابزارهای bi کارآمدتر و کاربرپسندتر شدند و امکانات به‌اشتراک‌گذاری و همکاری تیمی روی پلتفرم‌های bi توسعه پیدا کرد. هوش تجاری راه خود را به تلفن‌های همراه باز کرد تا اطلاعات در هر جا و مکانی قابل‌دسترس باشد.هزینه‌های مالی استفاده از bi باز هم کاهش پیدا کرد. راهکارهای ابری (Cloud-based BI) برای هوش تجاری ارائه شد که نیاز به هزینه برای زیر ساخت سخت‌افزاری را از بین می‌برد. استفاده از هوش تجاری در این دوره به‌صورت یک سرویس نرم‌افزاری (SAAS) محبوب شد.اما آنچه اهمیت بسیاری پیدا کرد ورود هوش مصنوعی و یادگیری ماشین و تلفیق این تکنولوژی‌ها با ابزارهای bi بود.نسل سوم هوش تجاری، تجزیه و تحلیل افزودهنسل سوم هوش تجاری سعی کرد تا وابستگی کاربران به IT را باز هم کاهش دهد و این کار تنها با ساده‌تر شدن استفاده از ابزارهای تحلیلی اتفاق می‌افتاد. تحلیل افزوده برای انجام این کار معرفی شدتحلیل افزوده ( augmented analytics) یعنی : از استفاده از فناوری‌هایی مانند یادگیری ماشین و هوش مصنوعی برای آماده‌سازی داده و ایجاد و تولید بصیرت به صورتی که توانایی افراد برای کاوش و تحلیل داده روی یک پلتفرم BI را تقویت کند.معنای این تعریف چیست؟ تحلیل افزوده کاربران را قادر می‌کند که تمام فرایند کاری از آماده‌سازی داده تا مصورسازی اطلاعات و تحلیل آن را خودشان به‌صورت اتوماتیک و با کمترین دخالت واحد IT انجام دهند.علاوه بر این نسل سوم bi از یادگیری ماشین (ML) و هوش مصنوعی (AI) استفاده می‌کند تا روندهایی که قابل‌تشخیص برای آسان نیست را کشف کند. مثلاً بررسی رفتار مشتری در مواجه با یک کمپین تبلیغاتی می‌تواند به کمک هوش مصنوعی تحلیل شود.تایم‌لاین هوش تجاری (BI) و تحلیل کسب‌وکار (BA)1865: ریچارد میلر از واژه هوش تجاری در کتاب Cyclopædia of Commercial and Business Anecdotes استفاده کرد1884: اختراع ماشین حسابداری الکترومکانیکی توسط هرمان هولریث (Herman Hollerith)1911: تأسیس شرکت IBM1954: پیتر دراکر مدیریت بر مبنای اهداف (MBO) را معرفی کرد1958: مقاله ” یک سیستم هوش تجاری” توسط هانس پیتر لوهان منتشر شد (IBM)1960: ایده سیستم‌های پشتیبان تصمیم‌گیری مطرح شد1970: مدل پایگاه‌داده رابطه‌ای معرفی شد (Edgar Codd)1972: شرکت SAP تأسیس شد1975: مایکروسافت تأسیس شد1977: اوراکل تأسیس شد1979: اولین دیتابیس relational به‌صورت تجاری توسط اوراکل ارائه شد1980: سیستم اطلاعات اجرایی (EIS) معرفی شد1980: معرفی انبار داده1984: معرفی کامپیوتر اپل (مکینتاش)1985: نرم‌افزار اکسل منتشر شد1988:کنفرانس Multiway Data Analytics consortium در رم برگزار شد1989: مایکروسافت SQL Server را منتشر کرد1989: شرکت MicroStrategy تأسیس شد1989: هاوارد درسنر تعریفی برای هوش تجاری ارائه داد1990: نسل اول هوش تجاری1990: ابزارهای ETL معرفی شدند1993: شرکت QLIK تأسیس شد1993: روش OLAP معرفی شد1997: استفاده از واژه هوش تجاری فراگیر شد1998-2002: حباب دات‌کام1999: سیستم OKR معرفی شد1999: تحلیل پیش‌بینی‌کننده (predictive Analytics) معرفی شد1999: شرکت Salesforce تأسیس شد2000: نسل دوم هوش تجاری2003: شرکت Tableau تأسیس شد2004: شرکت Sisense تأسیس شد2005:آغاز عصر شبکه‌های اجتماعی2006: انتشار Apache Hadoop 2010: اکثر شرکت‌ها از هوش تجاری استفاده می‌کنند2010:استفاده از راهکار موبایل هوش تجاری فراگیر شد2010: استفاده از Big Data زیاد شد.2013: شروع به کار سرویس ابری گوگل2015: پاور بی آی در دسترس عموم قرار گرفت2017: مؤسسه گارتنر تحلیل افزوده را آینده هوش تجاری معرفی کرد2018: مؤسسه فوربز اعلام کرد استفاده از سرویس ابری BI پنجاه‌درصد نسبت به 2016 افزایش‌یافته2019: شرکت Salesforce تبلو را خریداری کرد2020: گوگل نرم‌افزار looker را خرید ( Data Studio فعلی)2021: مؤسسه گارتنر: داستان‌پردازی داده تا سال 2025 ترند اول هوش تجاری است2023: دیکام به‌عنوان اولین پلتفرم تحت توسعه هوش تجاری در ایران منتشر شد.منبع: تاریخچه هوش تجاری و نسل‌های BI هوش تجاری هوش تجاری Sat, 27 May 2023 16:30:29 +0330 https://virgool.io/@decomcoseo101/%D8%A7%D8%B2-%D8%B7%D8%B1%D8%AD-%D9%85%D8%B3%D8%A6%D9%84%D9%87-%D8%AA%D8%A7-%D8%B1%D8%B3%DB%8C%D8%AF%D9%86-%D8%A8%D9%87-%D8%AC%D9%88%D8%A7%D8%A8-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-naoqbyblnevy هوش تجاری درذات‌خود یک مزیت ساده و اصلی دارد. نرم‌افزار هوش تجاری به شرکت‌ها کمک می‌کند تا از داده و اطلاعات برای جواب‌دادن به سؤال‌های اساسی و مهم یک کسب‌وکار استفاده کنند.به زبان ساده bi پرسش‌هایی که مدیران با آن مواجه می‌شوند را پاسخ می‌دهد و به آنها در دوراهی تصمیم‌گیری کمک می‌کند.شاید این موضوع در نگاه اول ساده به نظر برسد؛ اما تجربه استفاده از BI به همین سادگی نیست. قرار نیست سیم هوش تجاری را به برق بزنیم و نرم‌افزار جواب سؤال‌های ما را بدهد!اگرچه نرم‌افزارهای سلف‌سرویس bi فرصت فوق‌العاده‌ای برای کاربران معمولی (business users) به وجود آورده تا هوش تجاری را از نزدیک تجربه کنند؛ اما این موضوع لزوماً به این معنی نیست که هر کسی می‌تواند داشبوردهای به‌دردبخوری بسازد یا تحلیل پیچیده داده را بدون آموزش و تمرین انجام دهد.کاربر هوش تجاری باید اصول تحلیل داده را بداند تا بتواند اطلاعات به‌دردبخور را از داخل داده‌ها بیرون بکشد.این موضوع ما را با این سؤال اساسی روبرو می‌کند:کاربران هوش تجاری چطور از سؤال‌هایی که در مورد کسب‌وکار دارند به تحلیل‌های به‌دردبخور برسند؟ داده را چگونه تحلیل و تصویرسازی کنند که دقیقاً پاسخ سؤال آنها را بدهد؟توانایی تبدیل یک سؤال تجاری به نمودار یا داشبوردی (مصورسازی) که جواب آن سؤال را بدهد یکی از مهم‌ترین مهارت‌ها در حوزه کار با داده است.یادگیری این مهارت برای هر کس که می‌خواهد به‌طورجدی با داده کار کند ضروری است. در این مقاله سعی کرده‌ایم مراحل رسیدن از پرسش تجاری به جواب و نکته‌های مرتبط با آن را بررسی کنیم. با دیکام همراه باشید.سؤال درست را از هوش تجاری بپرسیداگر می‌خواهید پاسخ پرسش‌های خود را از تحلیل داده بگیریم ابتدا باید سؤال درست را بپرسیم. معمولاً مشکل از محتوای سؤال نیست مشکل در قالب‌بندی پرسش و نوع پرسیدن است.نرم‌افزار هوش تجاری نمی‌تواند نتایج و پاسخ‌های کیفی در اختیار ما بگذارد یا از قضاوت شخصی برای سنجیدن وضعیت استفاده کند.این ابزارها برای نمایش‌دادن سنجه‌ها، KPIها و سایر شاخص‌های عددی که قابل شمردن و اندازه‌گیری هستند استفاده می‌شوند. در نتیجه کاربر باید سؤالاتی را بپرسد که بتوان با یک شاخص و متریک به آن پاسخ داد و نیاز به ارزیابی ارزشی و کیفی نداشته باشد.برای مثال اساسی‌ترین پرسشی که درباره یک کسب‌وکار داریم چیست؟ اوضاع شرکت من خوب است یا نه؟یک تحلیلگر(یک انسان، مثلاً مشاور مالی) با نگاه‌کردن به داده‌های مرتبط و استفاده از قضاوت شخصی خود ممکن است به این سؤال پاسخ دهد. اما چنین تحلیلی از عهده یک ابزار هوش تجاری برنمی‌آید.وقتی می‌خواهیم از هوش تجاری استفاده کنیم باید سؤال را به شکل بچینیم که قابل‌فهم برای BI باشد.معمولاً تحلیلگر هوش تجاری این کار را با اندازه‌گیری شاخص‌ها و KPIهای مرتبط با آن سؤال انجام می‌دهد.KPI یعنی یک شاخص کلیدی و نشانگر برای یک عملکرد خاص، ایده استفاده از KPI به این حقیقت برمی‌گردد که یک سنجه یا متریک باوجودآنکه مقداری عددی است؛ اما به‌عنوان شاخصی برای یک‌روند کیفی در نظر گرفته می‌شود.مثلاً وضع سلامتی یک کسب‌وکار ممکن است با چند سنجه مختلف مثل درآمد، نرخ تبدیل مشتری، سوددهی و… اندازه‌گیری شود. وقتی این متریک‌ها را اندازه می‌گیریم عملکرد را اندازه گرفته‌ایم.به زبان KPI صحبت کنیدبه‌جای پرسیدن سؤالاتی مثل ” اوضاع شرکت من خوب است یا نه؟” باید KPI یا متریک‌هایی که برای پاسخ به آن سؤال مهم هستند را شناسایی و آنها را اندازه بگیریم. البته KPIها برای هر کسب‌وکار متفاوت هستند و به همین دلیل داشتن شم تجاری خوب به شما در ساخت داشبورد و گزارش و تحلیل داده کمک می‌کند.بعضی شرکت‌ها ممکن است فقط به خالص درآمد توجه کنند درحالی‌که شرکت‌های دیگر به مجموعه‌ای از KPI هل نیاز دارند تا سلامت کسب‌وکار خود را بسنجند.با استفاده از KPI می‌توانید سؤال‌های اساسی یک کسب‌وکار مثل ” وضع شرکت چطور است” را به یک جریان عملی و پاسخگو از اطلاعات مثل:” روند رشد درآمد چطور است؟” یا ” نرخ تبدیل لید به مشتری چقدر است؟” تبدیل کنیدروشی که در بالا گفته شد به درک حداقلی کاربر از شاخص‌ها و معنای آنها برای یک کسب‌وکار نیاز دارد. بعضی از اوقات درک معنی تغییر در یک KPI سخت است بعضی از متریک‌ها مثل درآمد معنی واضحی دارند؛ اما شاخص‌های دیگر ممکن است به همین سادگی نباشند.کاربر باید خودش قضاوت کند که معنی یک متریک چیست و مهم‌تر از آن اینکه در مقابل تغییر در یک شاخص چه کاری باید انجام بدهد.چطور تحلیل داده پاسخ سؤالات تجاری را می‎‌دهد؟بعد از اینکه کاربر فهمید چه می‌خواهد و پرسش درست را انتخاب کرد باید ببینیم چطور می‌توان با استفاده از داده به آن سؤال جواب داد. بعضی وقت‌ها پاسخ خیلی ساده است و بعضی‌اوقات تحلیل داده بسیار پیچیده می‌شود.اول قدم در این فرایند انتخاب داده‌ای است که برای تحلیل استفاده می‌شود. کاربر باید حواسش باشد کهچه شاخصی را می‌خواهد اندازه بگیردکجا می‌توانند آن داده مربوط به آن را پیدا کندچطور به آن منبع داده متصل شود.مثلاً اگر می‌خواهیم داده‌های مالی را تحلیل کنیم باید ابزار BI را به نرم‌افزار حسابداری متصل کنیم یا به‌صورت دستی داده را آپلود کنیم. باید مطمئن بشویم که از داده درست استفاده می‌کنیم.داده باید به صورتی انتقال داده شود که بهترین نتیجه را به ما بدهد. انتقال داده مبحث پیچیده‌ای است. ولی فعلاً در همین حد کفایت می‌کند که بگوییم انتقال داده بخش حیاتی این کار است.بعد از جمع‌آوری و انتقال داده وقت تحلیل‌کردن آن می‌رسد. در بسیاری از موارد تحلیل داده آسان است. مثلاً اگر بخواهیم روند دریافت عایدی را بررسی کنیم خیلی ساده در یک نمودار رابطه بین درآمد و زمان را نشان می‌دهیم.در شرایط دیگر ممکن است تحلیل‌های پیچیده‌تری نیاز باشد. مهم است که پرسش درست را بدانیم، متریک و شاخص‌ها را بشناسیم و بدانیم که یک سنجه چطور باید بیان بشود تا بهترین جواب را به ما بدهد. این مهارتی است که به آموزش و تمرین نیاز دارد تا کاربران بتوانند موارد استفاده پیچیده‌تر را یاد بگیرند.جواب سؤال‌ها را روی نمودار و داشبورد به تصویر بکشیدمصورسازی داده آخرین گام در فرایند تحلیل داده است. تحلیلگر باید نمودارها و داشبوردهایی بسازد که بهترین جواب را به سؤالات بدهند و درعین‌حال تجربه کاربری خوبی هم ایجاد بکند.انتخاب یک نمودار خوب به‌دقت نیاز دارد و کاربر باید آموزش حداقلی برای مصورسازی را ببیند.توصیه‌های زیر برای کاربرانی است که مصورسازی داده را به‌تازگی شروع کرده‌اند:اولویت با خوانایی است نه با زیباییاستفاده از جذاب‌ترین نمودارها برای نمایش اطلاعات وسوسه‌کننده است خصوصاً برای کاربرانی که از نرم‌افزارهای سلف‌سرویس استفاده می‌کنند. در مقابل این وسوسه مقاومت کنید! اول مطمئن شوید که داشبورد یا نمودار شما خوانا و قابل‌درک است.ساده‌ترین تصویرسازی همیشه بهترین نیستبعضی از کاربرها به نمودارهایی آشنا مثل نمودار میله‌ای یا دایره‌ای وابسته می‌شوند. این نمودارها تصویرسازی‌های خیلی کارآمد و خوبی هستند؛ اما ظرافت‌ها و جزئیات گراف‌های تخصصی را ندارند.دست نگه دارید، عقب بروید و یک نگاه کلی به داشبورد بیندازیدآیا داشبوردی که ساخته‌اید واقعاً جواب سؤالات شما را می‌دهد؟ ممکن است در فرایند تحلیل داده و ساخت داشبورد از هدف اولیه منحرف بشوید بنابراین کاری که می‌کنید را مرتب کنترل کنید.آیا تصویرسازی که می‌بینید یا اعداد روی صفحه قابل‌فهم است؟ جمع‌بندی کلی داشبورد صحیح به نظر می‌رسد؟ اگر آن را به یک فرد غیرمتخصص نشان بدهید می‌تواند درباره وضعیت کسب‌وکار شما نتیجه‌گیری کند؟جمع‌بندی پایانیهوش تجاری سلف‌سرویس مزیت‌های فراوانی دارد اما ساخت یک داشبورد یا نمودار مؤثر و قوی کار راحتی نیست و کاربران تازه‌کار برای نتیجه‌گرفتن از هوش تجاری به تمرین و آموزش نیاز دارند.تبدیل یک سؤال به تحلیل و مصورسازی درست یکی از مهم‌ترین مهارت‌ها در کار با داده است.به‌جای سؤال‌های کیفی و نامشخص، سؤالاتی را بپرسید که با kpi و متریک بتوان به آنها پاسخ داد.مطمئن شوید که داده را به‌درستی انتخاب، جمع‌آوری و تحلیل می‌کنیدسعی کنید تصویرسازی داده را درک کنید و بهترین نمودارها را برای پاسخ‌دادن به سؤال‌های خود انتخاب کنید.منبع:از پرسش تا پاسخ با هوش تجاری و تحلیل داده هوش تجاری هوش تجاری Mon, 24 Apr 2023 17:16:32 +0330 https://virgool.io/@decomcoseo101/%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B4%D8%B1%DA%A9%D8%AA-%D9%87%D8%A7%DB%8C-%DA%A9%D9%88%DA%86%DA%A9-%D9%88-%D9%85%D8%AA%D9%88%D8%B3%D8%B7-ag7fywgozipa هوش تجاری برای شرکت‌های کوچک” هوش تجاری؟ دوست داریم از bi استفاده کنیم؛ اما نمی‌توانیم بودجه زیادی اختصاص بدهیم”“هوش تجاری به درد شرکتی در اندازه و ابعاد ما می‌خورد؟”” شرکت ما آن‌قدرها بزرگ نیست که به bi نیاز داشته باشد”” گزارش حسابداری برای کار ما کفایت می‌کند”احتمال اینکه یکی از جمله‌های بالا را شنیده باشید و یا خود شما نظری مشابه درباره هوش تجاری داشته باشید زیاد است. ما در این مقاله سعی کرده‌ایم به‌صورت مختصر، مفید و به‌دور از جانب‌داری به کاربرد هوش تجاری برای شرکت‌های کوچک و متوسط بپردازیم و برای سؤالات و دغدغه‌های شما پاسخی مناسب را ارائه کنیم. با دیکام همراه باشید.هوش تجاری چیست و چه کاری می‌کند؟هوش تجاری فقط یک نرم‌افزار نیست؛ بلکه یک مفهوم کلی است. biمجموعه‌ای از نرم‌افزارها، روش‌ها و تکنولوژی‌های متفاوت است که برای جمع‌آوری و تحلیل اطلاعات یک شرکت بکار می‌رود.به تصویر زیر دقت کنید هوش تجاری اجزای زیر را در برمی‌گیرد.چتر هوش تجاری شامل چه چیزهایی است؟چتر واژه هوش تجاری و اجزای آنمقاله هوش تجاری چیست را از اینجا مطالعه کنیدهوش تجاری به مدیران یک کسب‌وکار کمک می‌کند تا:اتفاقاتی که قبلاً در شرکت رخ‌داده را تحلیل کننداتفاقاتی که در حال رخ‌دادن است را به‌دقت رصد کنندباتوجه‌به شرایط گذشته و حال حاضر، بهترین تصمیم را برای آینده بگیرند.به سؤالات زیر نگاه کنید! اینها می‌تواند پرسش‌های اصلی هر مدیری باشد و هوش تجاری می‌تواند به آنها پاسخ دهد.وضعیت فروش شرکت چگونه است؟ چطور فروش را افزایش دهم؟سودآورترین مشتری من کیست؟چطور هزینه‌ها را کاهش دهم؟چه بخشی از شرکت من بهره‌وری پایین‌تری دارد؟چطور سودآوری شرکت را افزایش بدهم؟چطور کارآمدی پرسنل خود را بسنجم؟…بنابراین، بی‌جهت نیست اگر بگوییم هوش تجاری کارت برنده برای مدیران یک کسب‌وکار است.از کجا بفهمم به هوش تجاری نیاز داریم؟تقسیم‌بندی شرکت‌ها به کوچک، متوسط و بزرگ (که بر اساس تعداد پرسنل انجام می‌شود) ملاک خوبی برای اینکه به BI  نیاز دارند یا نه نیست!داده عامل تعیین‌کننده در به‌کارگیری هوش تجاری است. حجم داده، نوع آن و روش استفاده از داده در یک سازمان نیاز شما به هوش تجاری را تعیین می‌کند.اگر به نشانه‌های زیر برخورد کرده‌اید زمان فکرکردن به هوش تجاری رسیده است:فایل‌های اکسل داخل شرکت حجیم و کند شده‌اند و معمولاً هنگ می‌کنندفایل‌ها و گزارش‌ها را روی شبکه داخلی، ایمیل یا پیام‌رسان به اشتراک می‌گذارید و از هر فایل گزارش چند نسخه متفاوت به‌صورت هم‌زمان وجود داردانجام هر تغییری زمان بسیار زیادی را از شما می‌گیردداده و اطلاعات باید به‌صورت دستی از یک فایل اکسل به فایل دیگر منتقل شودعدم انطباق بین گزارش‌ها زیاد شده استعلاوه بر مدیریت افراد گزارش گیرنده زیادی در داخل سازمان وجود دارد که گزارش‌ها مخصوص به خودشان را می‌خواهند.گزارش‌دهی غیرمتمرکز (مثلاً در حوزه فروش) باعث شده تا گزارش‌های متناقضی با داده‌‌هایی متفاوت تولید شود.گزارشات تحلیلی که از سمت مدیریت خواسته می شود از توانایی سیستم‌های داخلی خارج است یا نیاز به تلاش بسیاری برای اجرا دارد.اطلاعات بخش مالی باید با داده‌های عملیاتی ارائه و توضیح داده شوند. مثلاً تأثیر محصول، بازار و ترکیب مشتری، واریانس تولید و…داده‌های مربوط به رابطه بخش‌های مختلف باید با ابعادی مثل محصول، مشتری، شعبه، منطقه، محل تولید و… توضیح داده شوندبه لیست بالا می‌توان موارد دیگری را هم اضافه کرد. اگر حین کار با داده و اطلاعات با این مشکلات دست‌وپنجه نرم می‌کنید به هوش تجاری نیاز دارید.چرا شرکت‌های کوچک کمتر از هوش تجاری استفاده می‌کنند؟این موضوع می‌تواند علت‌های زیادی داشته باشد. قطعاً مدیران شرکت‌های کوچک نیز علاقه‌مند هستند تا از امکانات نرم‌افزاری و تحلیلی که در اختیار  همکاران آنها در شرکت‌های بزرگ است استفاده کنند.اما ممکن است:هزینه پیاده‌سازی اولیه و استفاده از نرم‌افزار برای آنها بالا باشدمنابع کافی (مالی و انسانی) برای ایجاد یک تیم هوش تجاری یا استفاده از مشاور BI را ندارند.این ذهنیت در آنها وجود دارد که استفاده از هوش تجاری مختص شرکت‌های بزرگ استبیایید این موارد را یک‌به‌یک بررسی کنیمآیا BI پروژه‌ای گران و مخصوص شرکت‌های بزرگ است؟بد نیست خاطره‌ای که در مصاحبه با یکی از شرکت‌های همکار و مجری هوش تجاری داشتیم را ذکر کنم. از کارشناس آن شرکت سؤال کردیم که برای کسب‌وکارهای کوچک هم برنامه‌ای دارند؟در کمال تعجب با این پاسخ مواجه شدیم که ” هوش تجاری یک دیگ بزرگ است، و آنها برای تعداد کم آشپزی نمی‌کنند”واقعیت این است که به‌صورت سنتی هوش تجاری برای شرکت‌های بزرگ و هلدینگ‌های سرمایه‌گذاری ایجاد شده و توسعه پیدا کرده بود. اما BI بیش از 30 سال است که در دسترس قرار دارد و در طول این سه دهه اتفاقات بسیاری رخ‌داده است!شرکت همکار ما که در بالا به آن اشاره کردیم ترجیح و نفع خود را ملاک قرار داده بود؛ چون هوش تجاری در بازار بین‌المللی مسیری کاملاً متفاوت را طی کرده است.به یاد دارید که درگذشته نه‌چندان دور داشتن یک تلفن همراه هزینه‌های سنگینی داشت و برای عموم قابل‌دسترس نبود؟ اما امروز میلیون‌ها نفر به‌صورت هم‌زمان به آن دسترسی دارند. چرا؟پیشرفت تکنولوژی و افزایش تعداد کاربران، هزینه‌های استفاده از فناوری را کاهش می‌دهد. این موضوع درباره هوش تجاری نیز صدق می‌کند.استفاده از راهکارهای ابری و سلف‌سرویس هزینه تمام شده هوش تجاری را کاهش داده است و استفاده از تحلیل داده و bi را به امری عادی و الزامی برای کسب‌وکارها تبدیل کرده است.آیا هزینه اولیه پیاده‌سازی نرم‌افزار BI بالا است؟بستگی دارد! هوش تجاری یک راهکار ثابت نیست و برای هر شرکت باتوجه‌به شرایط و انتظاراتی که وجود دارد متفاوت است. در نتیجه هزینه‌های اولیه متغیر خواهد بود. راهکار مناسب با شرایط شما که هزینه معقولی داشته باشد قطعاً وجود دارد. پیشنهاد ما این است که استفاده از BI را در یک بخش از شرکت (مثلاً واحد فروش یا مالی) شروع کنید و پس از نتیجه‌گرفتن آن را ادامه دهید.آیا برای استفاده از هوش تجاری به تیم متخصص یا مشاور خارج از شرکت نیاز دارم؟مجدداً به شرایط شرکت شما و خواسته‌هایی که از BI دارید بستگی دارد؛ اما لزوماً خیر، در حال حاضر راهکارهای نرم‌افزار سلف‌سرویس در این حوزه وجود دارد که کار با آن‌ها راحت است و به تخصص‌های فنی کمتری نیاز دارد. قبل از عقد قرارداد اطمینان پیدا کنید شرکت ارائه‌دهنده bi پشتیبانی فنی مناسب را به عمل می‌آورد.استفاده از یک مشاور در پروسه پیاده‌سازی و استفاده می‌تواند کمک بسیار بزرگی باشد. بعضی از شرکت‌های ارائه‌دهنده هوش تجاری (مانند دیکام) خدمات مشاوره را نیز انجام می‌دهند. این مورد می‌تواند به کاهش هزینه و افزایش سرعت کار کمک کندتوصیه می‌کنیم مقاله نکات مهم پیش از به‌کارگیری هوش تجاری و شرایط بازار ایران را مطالعه کنیدچرا شرکت‌های کوچک و متوسط باید از BI استفاده کنند؟شرکت‌های کوچک همیشه حاشیه امن کمتری نسبت به شرکت‌های بزرگ دارند. ریسک‌پذیری در کسب‌وکارهای کوچک بسیار بیشتر است و متعاقباً نتیجه تصمیم‌های اشتباه تأثیرات بیشتری روی آنها می‌گذارد.این موضوع خصوصاً برای شرکت‌های که درحال‌رشد (skill) هستند حساسیت بیشتری دارد.در یک‌کلام هزینه اشتباه‌کردن در بازار برای یک شرکت کوچک بسیار بیشتر از یک شرکت بزرگ و با پشتوانه است.هوش تجاری و تحلیل داده نقش مهمی در کاهش خطای مدیریتی و ریسک تصمیم‌گیری دارد. همان‌طور که همیشه گفته‌ایم مدیریت بدون هوش تجاری شبیه رانندگی در شب با چراغ خاموش است.هوش تجاری چطور به شرکت‌های کوچک و متوسط کمک می‌کند.اشتباه نیست اگر بگوییم مدیران مالی بیشترین استفاده را از هوش تجاری می‌کنند. مهم نیست اندازه شرکت شما چقدر باشد بخش مالی؛ نرم افزارهای حسابداری و داده های آن در تمام شرکت ها وجود دارند.هوش تجاری می تواند نقش مدیران مالی را از حسابداری سنتی جدا کرده و واحد مالی را به مرکزی برای بهبود سایر بخش های شرکت تبدیل کند.فروش به عنوان موتور محرک یک کسب و کار بخشی دیگری از شرکت است که می توان عملکرد آن را با هوش تجاری بهبود داد. در ادامه مثال هایی از استفاده هوش تجاری را ذکر کرده ایمتحلیل داده‌های مالی و نظارت بر درآمد، سود و سایر شاخص‌های کلیدی عملکردسنجش عملکرد پرسنلدنبال‌کردن عملکرد فروش و بازاریابیتحلیل رفتار خرید مشتریبررسی جزئی پایپ لاین فروش و مارکتینگ و رفع گلوگاه‌های احتمالیشناسایی نقاطی که به بهبود نیاز دارندچقدر طول می‌کشد تا نتیجه استفاده از bi را ببینیم؟زودتر از آنچه که تصور کنید! اگر چه تغییر فرایندهای کاری قدیمی و استفاده از هوش تجاری زمان بر است؛ اما نتیجه مثبت استفاده را ممکن است از ابتدای کار حس کنید.اجازه بدهید خاطره‌ای نقل کنم: مدیرعامل یک مجموعه از ما درخواست کرده بود تا از دیتای واقعی آن شرکت برای معرفی نرم‌افزار هوش تجاری دیکام استفاده کنیم. در جلسه معرفی نرم افزار و پس از مشاهده داشبورد اطلاعات آن مدیر بلافاصله تعدادی از پرسنل خود را به جلسه دعوت کرد و بر اساس تحلیلی که از داشبورد انجام شده بود دستوراتی را به واحد فروش آن شرکت ابلاغ کرد.تحلیل داده و تصمیم‌گیری بر اساس اطلاعات در همان جلسه و بلافاصله بعد از دیدن داشبورد مدیریتی آغاز شد.نرم‌افزار BI مناسب برای شرکت‌های کوچک چه خصوصیاتی دارد؟نرم‌افزار هوش تجاری باید خصوصیات زیر را داشته باشد تا گزینه مناسبی برای شرکت‌های کوچک و متوسط به‌حساب بیاید.استفاده از نرم‌افزار آسان بوده و به‌اصطلاح کاربرپسند (user friendly) باشد.امکان استفاده از نرم‌افزار به‌صورت سرویس زمانی (SAAS) وجود داشته باشدامکان استفاده سلف سرویس از نرم افزار وجود داشته باشد.پشتیبانی کامل نرم افزار توسط شرکت ارائه دهنده انجام شودساخت داشبورد و گزارش بدون محدودیت انجام شوداشتراک‌گذاری اطلاعات بین اعضای تیم ممکن باشدهزینه‌های پنهان زیادی نداشته باشد و هزینه لایسنس نرم‌افزار مناسب باشد.جمع‌بندی پایانیهوش تجاری مجموعه‌ای از نرم‌افزارها و روش‌ها است که برای تحلیل اطلاعات یک شرکت به کار می‌رود.هوش تجاری به پرسش‌های اصلی یک مدیر پاسخ می‌دهدنوع، حجم و روش استفاده از داده نیاز یک شرکت به هوش تجاری را مشخص می‌کنداگر نرم‌افزارهایی مانند اکسل پاسخگوی نیاز شما نیست به استفاده از هوش تجاری فکر کنیدشرکت‌هایی کوچک به دلیل بودجه کم یا ذهنیت نادرست کمتر از هوش تجاری استفاده می‌کنندهوش تجاری در ابتدا برای شرکت‌های بزرگ تهیه شد؛ اما اکنون همه می‌توانند از آن استفاده کنندهزینه استفاده از هوش کسب‌وکار برای شرکت‌های کوچک زیاد نیستنرم‌افزارهای جدید سلف‌سرویس نیاز به تیم متخصصین BI را کمتر کرده استشرکت‌های کوچک بیشتر از شرکت‌های بزرگ به هوش تجاری نیاز دارندمدیران مالی می‌توانند بیشترین استفاده را از نرم‌افزار BI ببرندبرگشت سرمایه و نتیجه‌گیری از پروژه هوش تجاری می‌تواند بسیار سریع باشدیک نرم‌افزار خوب BI باید کاربرپسند بوده و امکان ساخت نامحدود داشبورد و گزارش را به شما بدهدمنبع: آیا هوش تجاری bi برای شرکت‌های کوچک و متوسط مناسب است؟ هوش تجاری هوش تجاری Mon, 24 Apr 2023 16:55:04 +0330 https://virgool.io/@decomcoseo101/%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D8%A8%D9%84%D8%A7%D8%AF%D8%B1%D9%86%DA%AF-%DB%8C%D8%A7-%D9%84%D8%AD%D8%B8%D9%87-%D8%A7%DB%8C-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%D9%87-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%D9%87%D8%A7%DB%8C%DB%8C-%D8%AF%D8%A7%D8%B1%D8%AF-vmxh90o9ajwo هوش تجاری دل لحظهدر این مقاله به هوش تجاری real-time (در لحظه، بلادرنگ) یا اصطلاحاً RTBI می‌پردازیم .هوش تجاری در لحظه چیست؟ چه مزایا و چالش‌هایی دارد و برای چه صنایع و افرادی مناسب است؟ با دیکام همراه باشید.هوش تجاری real-time یا بلادرنگ چیست؟هوش تجاری بلادرنگ یا به‌اختصار RTBI یعنی جمع‌آوری، تحلیل، و ارائه داده به کاربران در کوتاه‌ترین زمان ممکن، بلافاصله پس از وقوع یک اتفاق است. به عبارتی داده‌های مربوط به یک اتفاق بلافاصله پس از ایجادشدن تحلیل می‌شوند و برای تصمیم‌گیری در اختیار کاربران هوش تجاری قرار می‌گیرند.تصور کنید فرایند ذکر شده با سرعت بالا و با تأخیری در حد دقیقه انجام می‌شود.بگذارید با مثال آشنای خودرو این مطلب را توضیح بدهیم.ما معمولاً داشبورد هوش تجاری را با داشبورد خودرو مقایسه می‌کنیم؛ چون هر دو آنها شاخص‌ها و KPIهای مهم یک سیستم را به کاربر نشان می‌دهند. اما حقیقت این است که داشبورد مدیریتی با  داشبورد خودرو یک تفاوت مهم دارد و آن نمایش لحظه‌ای اطلاعات در حال رخ‌دادن است.وقتی به داشبورد خودرو نگاه می‌کنیم اطلاعاتی را دریافت می‌کنیم که در زمان حال رخ می‌دهند. یعنی میزان سوخت یا دور موتور در همان لحظه اتفاق‌افتادن به ما گزارش می‌شود. هوش تجاری سنتی شبیه نگاه کرد به فیلمی است که اتفاقات گذشته را نشان می‌دهد. داده‌ها در یک داشبورد معمولی مدیریتی ممکن است در دوره‌های روزانه هفتگی یا ماهانه آپدیت شود.داشبورد مدیریتیتصور کنید اطلاعات داشبورد خودرو را با تأخیر چندروزه و چندساعته دریافت می‌کردید! احتمالاً قبل از اینکه متوجه بشوید خودروی شما از کار می‌افتاد. هوش تجاری real time سرعت عمل شما را در مقابل اتفاقات و رخدادها افزایش می‌دهد. در نتیجه به‌جای اینکه در مقابل حوادث منفعل و صلب باشید، چابک و فعال خواهید بود.مزایایی هوش تجاری در لحظه (real-time)فارغ از نوع صنعت، دسترسی به اطلاعات لحظه‌ای مزایایی زیادی برای مدیران دارد. به‌محض اینکه اتفاقی داخل یک شرکت یا مجموعه بیافتند مدیران از آن مطلع شده و می‌توانند به اطلاعات مرتبط دسترسی داشته باشند. این موضوع باعث می‌شود تا:سرعت تصمیم‌گیری افزایش‌یافته و تصمیمات بهتری توسط مدیران گرفته شودسرعت پاسخگویی نسبت به اتفاقات افزایش می‌یابد و چابکی بیشتری در عملکرد مجموعه ایجاد شودهوش تجاری بلادرنگ (real-time) در کجا استفاده می‌شود:وقتی صحبت از تحلیل داده می‌شود هر صنعت و بخش نیازهای متفاوت خواهند داشت. هوش تجاری real-time یک راهکار مشخص که قابل‌استفاده در همه‌جا باشد نیست. در ادامه چند مثال از کارکردهای این نوع از هوش تجاری را با هم مرور می‌کنیم.کارخانه‌ها و صنایع تولیدی:هوش تجاری بلادرنگ می‌تواند برای بررسی فرایند تولید، نظارت بر عملکرد دستگاه‌ها و تعمیر و نگهداری آنها، و پایش کنترل کیفیت به کار برود.تصور کنید که به‌جای گزارش‌های روزانه و هفتگی، مدیر یک کارخانه به‌صورت لحظه‌ای بر عملکرد تولید اشراف و کنترل داشته باشد و بتواند :موجودی مواد اولیهخطوط تولید و بسته‌بندی فعال و غیرفعالتیراژ تولید و بسته‌بندی‌شدهتوقف‌های خارج از برنامه و روند تعمیراتو مواردی مانند آن را بدون واسطه و به‌صورت مستقیم در تمام ساعات شبانه‌روز ببیند.خرده‌فروشی‌هاهوش تجاری بلادرنگ می‌تواند به مدیریت انبار و پایش سطح موجودی کالاها در شعب مختلف کمک کند این موضوع خصوصاً برای مدیریت فروش و انبارداری کالاهای تند مصرف (FMSG) بسیار اهمیت دارد.کنترل و پایش زنجیره تأمین کالا برای خرده‌فروشی‌ها بسیار حیاتی است و می‌تواند یک برگ برنده برای آنها باشد.پولی مالی:پایش تراکنش‌های مالی و مدیریت ریسک از کاربردهای هوش تجاری بلادرنگ در حوزه بانکداری و مؤسسات پولی و مالی است.در حال حاضر مؤسسات بین‌المللی از تلفیق تحلیل داده‌ لحظه‌ای و هوش مصنوعی برای شناسایی تراکنش‌های مالی مشکوک در بانکداری و یا ردیابی کلاه برداری در صنعت بیمه استفاده می‌کنند.هوش تجاری به آنها کمک می‌کند تا قبل از اینکه خسارتی متوجه شرکت شود وارد عمل شوند.فروشگاه‌های آنلاین:نظارت لحظه‌ای بر روند فروش محصولات و کنترل کمپین‌های بازاریابی می‌تواند از یک نقطه  و تحت یک سیستم مرکزی هوش تجاری انجام شود.بیمارستان‌هاسیستم بهداشت و درمان یکی از مواردی است که می‌تواند از هوش تجاری لحظه‌ای استفاده کند. با تجزیه‌وتحلیل داده‌های بلادرنگ، بیمارستان‌ها می‌توانند مراقبت از بیماران را در  حوزه‌های زیر بهبود دهندنرخ اشغال تختبهینه‌سازی مدت‌زمان بسترینظارت بر بیماری بخش ICUتشخیص بیماری‌هااینها صرفاً مثال‌هایی از کاربرد هوش تجاری real time در صنایع مختلف است.کاربردهای فراوانی را می‌توان تصور کرد؛ اما به‌طورکلی این فناوری در هر جا که نیاز به دسترسی آنی و نظارت زنده بر فرایندها وجود دارد قابل‌استفاده است.چه کسانی کاربر هوش تجاری در لحظه هستند؟قاعدتاً تمام کسانی که به تحلیل داده لحظه‌ای و آنی نیاز دارند؛ بنابراین کاربران سیستم تحلیل داده لحظه‌ای می‌تواند در هر جایی از یک سازمان باشد. در اینجا صرفاً به دو مورد بسنده کرده‌ایم.مدیران عامل (ceo)گرچه معمولاً شاخص‌هایی در این سطح، خصوصاً شاخص‌های مالی نیاز به بررسی روزانه و آنی ندارند؛ اما ممکن است kpiها یا سنجه‌های مهمی در یک شرکت تعریف شوند که نیاز به نظارت و بررسی توسط مدیریت عامل را داشته باشد.برای مثال شرکت‌های هواپیمایی یک شاخص بسیار مهم برای بررسی تأخیر هواپیماها دارند (On-Time Performance) این شاخص آن‌قدر مهم است که در شرکت هواپیمایی بریتانیا (BA) اگر هواپیمایی بیش از مدت معین تأخیر می‌داشت موضوع مستقیماً به مدیرعامل گزارش می‌شد.داستان تحول شرکت هواپیمایی بریتانیا را در این مقاله مطالعه کنیدمدیران میانی و عملیاتیمدیران میانی یا عملیاتی احتمالاً بیشترین استفاده را از هوش تجاری در لحظه خواهند داشت. این مدیران نیاز دارند تا فرایندهایی که به‌صورت روزانه انجام می‌شود را نظارت و بررسی کنند.برای مثال:مدیر تولید می‌تواند فعال/ غیرفعال بودن خطوط تولید و میزان تیراژ تولید در لحظه را بررسی و برای اتفاقاتی که در محیط کارخانه می‌افتند به‌سرعت تصمیم‌گیری کند.مدیر یا سرپرست فروش می‌تواند فرایند فروش در طول یک روز کاری را دنبال کرده و عملکرد پرسنل خود را بسنجدداشبوردهای عملیاتی نوعی از داشبوردهای مدیریتی هستند که می‌تواند در اختیار این افراد قرار بگیرد.چالش‌ها و مشکلات هوش تجاری بلادرنگ (real-time)پیاده‌سازی و اجرای هوش تجاری لحظه‌ای ممکن است با مشکلات و چالش‌هایی همراه باشد. مهم‌ترین این چالش‌ها عبارت‌اند از:حجم داده‌ها:حجم داده‌های لحظه‌ای می‌تواند بسیار زیاد باشد و مدیریت و تحلیل آنها را با چالش روبرو کند.کیفیت داده:کیفیت داده با پارامترهایی مثل دقت، کامل‌بودن، ثبات، و به‌موقع ارائه‌شدن داده سنجیده می‌شود. داده کم‌کیفیت می‌تواند منجر به خطا یا ارائه نتایج غلط شود که در نتیجه روی فرایند تصمیم‌گیری مدیران تأثیر منفی خواهد گذاشت. اطمینان از کیفیت مناسب داده‌های لحظه‌ای بسیار مهم است و احتمال کم‌کیفیت بودن و خطا در داده‌های لحظه‌ای بیشتر از داده‌های قدیمی است.یکپارچه‌سازی داده:منظور از یکپارچه‌سازی داده فرایند تجمیع و یکی‌کردن داده‌ها از منابع مختلف است. راه‌حل این موضوع در حالت عادی استفاده از انبارهای داده است اما هوش تجاری real-time به معماری متفاوتی نیاز داردامنیت داده:منظور محافظت از داده‌ها در برابر دسترسی یا سوءاستفاده‌های غیرمجاز است. حفظ امنیت داده‌های لحظه‌ای می‌تواند چالشی در راه اجرای پروژه باشد. (خصوصاً داده‌های حساس مانند تراکنش‌های مالی) به همین دلیل سطح دسترسی به اطلاعات، ذخیره‌شدن یا نشدن داده و مواردی مانند آن باید قبل از انجام پروژه بررسی شود.زیرساخت‌ها:هوش تجاری real-time نیاز به زیرساخت‌ها و سخت‌افزارهای خاصی برای اجرا دارد.هزینه‌های پروژه:یک پروژه هوش تجاری real-time باتوجه‌به ملاحظاتی که در زیر ساخت‌ها، گردآوری داده، معماری پروژه و امنیت اطلاعات دارد می‌تواند هزینه‌های جانبی بیشتری را دربرگرفته و قیمت تمام شده پروژه هوش تجاری را افزایش دهد.منبع: هوش تجاری بلادرنگ یا لحظه‌ای چیست؟ و چه کاربردهایی دارد هوش تجاری هوش تجاری Tue, 11 Apr 2023 17:32:28 +0330 https://virgool.io/@decomcoseo101/%D9%87%D8%B1%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-%DB%8C%D8%A7-%D9%87%D8%B1%D9%85-%D8%AF%D8%A7%D9%86%D8%B4-%DA%86%DB%8C%D8%B3%D8%AA-ibrr0ax65hvf هرم دانشاگر با داده (Data) سروکار دارید یا نسبت به تحلیل داده و هوش تجاری علاقه‌مند هستید احتمالاً با مدل هرم داده یا هرم دانش برخورد کرده‌اید. در این مقاله قصد داریم به هرم دانش، اجزاء و کاربرد آن بپردازیم و با مثالی کوتاه نشان بدهیم چطور می‌توان از داده خام به دانش و خرد رسید.هرم دانش (DIKW pyramid) چیست؟هرم دانش یک مدل ساده شده و قابل‌فهم برای نشان‌دادن رابطه بین داده (Data)، اطلاعات (information)، دانش (knowledge) و خرد (wisdom) است. DIKW در واقع سرواژه و مخفف این چهار کلمه است.سلسه مراتب هرم دانشهرم دانش یک مدل است. مدل‌ها در واقع یک تمثال یا نمایش ساده از واقعیت هستند. یک مدل به ما کمک می‌کنند تا متوجه بشویم چیزها چطور کار می‌کنند و اجزاء آن‌ها چه ارتباط منطقی با هم دارند.در اینجا هرم دانش به ما کمک می‌کند تا فرایند تبدیل داده به دانش و خرد را بهتر درک کنیم. هرم دانش یک مدل سلسه‌مراتبی (hierarchy) است؛ یعنی هرکدام از بخش‌های آن نسبت به بقیه در جایی بالاتر یا پایین‌تر قرار می‌گیرند و ارتباط آنها با هم بر همین اساس تعریف می‌شود.هرم دانش به چهار بخش یا مرحله تقسیم می‌شود:دادهاطلاعاتدانشخردکار در مرحله اول با داده خام شروع می‌شود و مرحله‌های بعد با انجام کاری روی داده آن را به اطلاعات، دانش، و خرد تبدیل می‌کنیم. هرکدام از این مراحل پیش نیازی برای رسیدن به مرحله بعد هستند.بیایید این بخش‌ها را جداگانه ببینیم و چگونگی تبدیل داده به خرد را مرحله‌به‌مرحله بررسی کنیمتبدیل داده به اطلاعات و خرد داده:اگر به تعریف رسمی مراجعه کنیم داده‌ها شامل حقایق (facts)، آمار، کمیت یا کیفیت چیزی هستند؛ اما به‌طورکلی داده می‌تواند شامل هر چیزی باشد (از تراکنش‌های بانکی گفته تا دمای هوا)داده اولین مرحله، نقطه آغاز و پایه هرم دانش است. در واقع بدون داده هیچ کاری انجام نمی‌شود از طرفی داده خام به‌خودی‌خود هیچ معنا و مفهومی را منتقل نمی‌کند.برای درک داده باید آن را در زمینه (context) خاص خودش بررسی کردبه این عدد دقت کنید 14011220 این عدد مثالی از یک داده خام است. به‌خودی‌خود مفهومی را منتقل نمی‌کند؛ اما اگر آن را در زمینه مناسب مثلاً تقویم سالیانه! بگنجانیم تاریخ 1401/12/20 یعنی روزنگارش این مقاله را به ما می‌دهد.مقاله داده چیست و تحلیل داده چه می‌کندرا از اینجا مطالعه کنیداطلاعات:در پله دوم هرم به اطلاعات می‌رسیم. قبلاً گفتیم که برای درک داده باید آن را در زمینه (context) خودش بررسی کرد. این زمینه می‌تواند پرسیدن سؤال‌هایی مثل چه چیزی؟ کجا؟ و کی اتفاق افتاده باشد.این سؤال‌ها به ما کمک می‌کند داده‌های بی‌معنی را به اطلاعات بامعنی تبدیل کنیم.اطلاعات حاصل پردازش داده خام است. داده نامنظم و مملو از خطا است؛ اما اطلاعات دسته‌بندی شده، صحیح، قابل‌فهم، و دارای چهارچوب و زمان‌بندی است. بر عکس داده خام، اطلاعات معنا و مفهومی را به مخاطب منتقل می‌کند.دانش:دانش سومین مرحله در هرم DIWK است. دانش را می‌توان جمع اطلاعات بعلاوه تجربه و تخصص دانست. در واقع دانش درک رابطه بین اطلاعات مختلف است.دانش به سؤالاتی که درباره چگونگی یک موضوع است پاسخ می‌دهد. سؤالاتی مثل:اطلاعات مختلف چگونه به هم ارتباط دارند و این ارتباط چطور ارزش بیشتری را ایجاد می‌کند؟چگونه از اطلاعات برای رسیدن به اهداف خود استفاده کنیم؟اگر به اطلاعات صرفاً به‌عنوان توصیفی از حقایق نگاه نکنیم و یاد بگیریم چطور برای رسیدن به اهدافمان از آنها استفاده کنیم اطلاعات را به دانش تبدیل کرده‌ایم.خرد:خرد آخرین مرحله و در رأس هرم دانش است. خرد؛ یعنی دانش بعلاوه عمل، استفاده از دانش برای تصمیم‌گیری در مورد آینده ما را وارد قلمرو خرد می‌کند. خرد به ما می‌گوید بهتر است چه کاری را انجام بدهیم یا انجام ندهیم! در واقع خرد دانش کاربردی است.داده و اطلاعات درباره گذشته هستند؛ اما دانش و خرد با زمان حال و آینده گره‌خورده‌اند.داده درباره مشاهده پدیده ها و اتفاقات است؛ اطلاعات آنها را توصیف می‌کند، دانش درک روابط بین اتفاقات را میسر می‌کند و خرد به ما می‌گوید چه کاری باید انجام دهیم.DIKWمثالی از تحلیل داده در هرم دانشبرای اینکه بهتر مفهوم تبدیل داده به خرد را متوجه شویم از یک مثال با داده‌ای ساده استفاده می‌کنیم.داده:به جدول داده‌های زیر نگاه کنید. این جدول دو سطر و سه ستون دارد. اما معنی و مفهوم خاصی را نمی‌رساندقرمز|20| 50آبی |30| 50تبدیل داده به اطلاعات:بیایید داده جدول بالا را در کانتکس خودش قرار بدهیم. این جدول داده‌های مربوط به دو ماشین را نشان می‌دهد. ستون اول از راست مسافت طی شده بر حسب کیلومتر، ستون دوم زمانی است که برای طی مسافت صرف شده و ستون سوم رنگ آن خودرو را نشان می‌دهد.با دانستن این داده‌های جدید جدول شماره 2 را می‌توانیم ایجاد کنیم.قرمز | 20min | 50km|150km/hآبی |30min| 50km |100km/hستون چهارم سرعت هر خودرو را نشان می‌دهد و بر اساس داده‌های اولیه محاسبه شده است.استفاده از دانشفرض کنید اطلاعات دیگری هم به دست آورده‌ایم، داده‌های بالا برای مسیری است که ما می‌شناسیم (مثلاً تهران – کرج) با استفاده از تجربه خودمان می‌توانیم بفهمیم که راننده خودرو قرمز با سرعتی بیش از سرعت مجاز در این مسیر رانندگی کرده است (110 کیلومتر برای بیشینه سرعت مجاز) درحالی‌که راننده آبی از سرعت متوسط 100 کیلومتر بر ساعت تجاوز نکرده است.خردخرد؛ یعنی دانش بعلاوه عمل، شما اگر کارگذار یک شرکت بیمه بودید باتوجه‌به اطلاعات بالا چه می‌کردید؟ قطعاً در محاسبه بیمه سالیانه برای راننده خودرو قرمز مبلغ بالاتری را در نظر می‌گرفتید؛ چون احتمال تصادف راننده‌ای که بالاتر از سرعت مجاز می‌راند بیشتر است.هرم دانش چه ارتباطی با تحلیل داده و هوش تجاری داردآنچه در علم داده و هوش تجاری برای تبدیل داده به اطلاعات انجام می‌شود (دو مرحله اول) کاملاً با مدل هرم دانش مطابقت دارد.کار یک مهندس یا تحلیلگر داده را در نظر بگیرید آنها برای آماده‌کردن داده معمولاً کارهای زیر را انجام می‌دهند.شناسایی منابع داده قابل‌اتکااستخراج داده‌هادسته‌بندی و تمیزکردن دادهتبدیل آنها به فرمت استانداردتعیین روابط بین داده‌های مختلفایجاد یک مدل دادهذخیره داده در انبار داده و …تمام این کارها برای آن انجام می‌شود تا داده نامنظم را به اطلاعات تبدیل کنیم. در مراحل بعد می‌توان این اطلاعات را مصورسازی کرد، روی آنها تحلیل انجام داد و بر اساس این تحلیل تصمیم‌گیری کرد.تحلیل به ما می‌گوید:قبلاً چه اتفاقی در شرکت ما افتاده است؟در حال حاضر و در این لحظه چه اتفاقاتی رخ می‌دهندکجا به مشکل برخورده‌ایم!چه کاری باید انجام بدهیم تا به نتیجه دلخواه برسیم؟ایرادهای مدل هرم دانشهمان‌طور که گفتیم هرم دانش یک مدل است و مدل شبیه‌سازی یا تمثالی از واقعیت است. اما مدل هرچقدر هم که خوب باشد باز نمی‌تواند تمام واقعیت را نمایش دهد. به مدل هرم داده نیز ایراداتی وارد است.یکی از این ایرادات به خود ساختار هرم بازمی‌گردد. نمایش رابطه داده و خرد به شکل هرم بیش از اندازه ساده و سرراست است. از طرفی این چهار مرحله شاید فرایند را به طور کامل نشان ندهد. به همین دلیل انواع متفاوتی از هرم دانش با مراحل بیشتر و کمتر وجود دارد.اختلاف دیگر معمولاً در باره تعریف خرد و دانش است. تعاریف متفاوتی برای این دو وجود دارد که ممکن است باعث سردرگمی شود.درهرحال نباید فراموش کرد که هرم دانش در عین سادگی و سرراست بود یک اصل مهم را نشان می‌دهد راه رسیدن به خرد از طریق داده انجام می‌شود.منبع:هرم دانش (DIKW Pyramid) یا هرم داده چیست؟ هوش تجاری هوش تجاری Tue, 11 Apr 2023 17:08:29 +0330 https://virgool.io/@decomcoseo101/%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85-%D9%85%D8%AF%D8%B1%D9%86-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%DA%86%DB%8C%D8%B3%D8%AA-%DA%86%D9%87-%D8%AA%D9%81%D8%A7%D9%88%D8%AA%DB%8C-%D8%A8%D8%A7-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-%D8%A2%D9%86-%D8%AF%D8%A7%D8%B1%D8%AF-zhdu02mf2i26 پلتفرم هوش تجاریهوش تجاری را در اینترنت جستجو کنید. احتمالاً با تیترهای جذابی مثل، ده نرم‌افزار برتر هوش تجاری در سال 2023 یا 6 نرم‌افزار هوش تجاری که باید بشناسید! روبرو خواهید شد.البته تعداد نرم‌افزارهای bi بسیار بیشتر از تعداد ذکر شده در این مقالات است. ده‌ها نرم‌افزار متفاوت برای تحلیل و مصورسازی داده وجود دارد که هرکدام امکانات متفاوتی را ارائه می‌دهند.اگر به دنبال استفاده شخصی و آموزش هستید و یا از هوش تجاری صرفاً یک داشبورد ساده می‌خواهید احتمالاً یکی از نرم‌افزارهای ذکر شده نیاز شما را برآورده خواهد کرد.اما اگر واقعاً قصد دارید در کسب‌وکار خود از هوش تجاری استفاده کنید و انتظار دارید تحلیل داده و اطلاعات به شما در بهبود عملکرد شرکت کمک کند به چیزی بیش از یک نرم‌افزار نیاز خواهید داشت.شما به یک پلتفرم هوش تجاری نیاز دارید. در این مقاله به تفاوت نرم‌افزار و پلتفرم و خصوصیاتی که یک پلتفرم هوش تجاری باید داشته باشد پرداخته‌ایم. در پایان دو پلتفرم محبوب هوش تجاری یعنی تبلو و پاور بی آی را به‌صورت مختصر بررسی کرده‌ایم.پلتفرم نرم‌افزاری چیست؟پلتفرم مجموعه‌ای از نرم‌افزارها، منابع و اکوسیستم اطراف آن است که به شما برای رشد کسب‌وکارتان کمک می‌کند. ارزش یک پلتفرم فقط به امکاناتی که خودش ارائه می‌کند نیست؛ بلکه ارزش واقعی در قابلیت اتصال آن به سایر ابزارها، تیم‌ها، فرایندها و داده‌ها است. یک پلتفرم انعطاف‌پذیری بالایی در اتصال به سایر منابع دارد.در واقع پلتفرم از اتکای شما به یک نرم‌افزار یا “پکیج نرم‌افزاری محدود” جلوگیری می‌کند و می‌تواند پاسخگوی نیازهای آینده یک شرکت باشد.در نتیجه می‌توانید ابزارهای جدید را به سیستم کاری خود اضافه کنید بدون اینکه نگران انطباق‌پذیری آنها با نرم‌افزارهای قبلی باشید یا مجبور بشوید تمام پکیج نرم‌افزاری را تغییر بدهید.پلتفرم هوش تجاری چیست؟گارتنر در تعریف پلتفرم هوش تجاری می‌گوید:پلتفرم‌های هوش تجاری به شرکت‌ها این امکان را می‌دهد تا در سه حوزه زیر اپلیکیشن‌های bi را بسازندتحلیل دادهانتشار و ارائه اطلاعات (مثل داشبورد و گزارش)یکپارچه‌سازی و ادغام (مثل مدیریت فراداده و محیط توسعه)هدف هوش تجاری رسیدن به یک سازمان داده‌محور است تا هر تصمیمی که گرفته می‌شود بر اساس اطلاعات صحیح و دقیق باشد. پلتفرم هوش تجاری ستون فقرات استراتژی داده در یک شرکت است و گردآوری، درک، تحلیل، مصورسازی و مدیریت داده را در سازمان ممکن می‌کند.به کمک پلتفرم bi می‌توان یک پروژه هوش تجاری را به‌صورت یکپارچه (end2end، سربه‌سر) اجرا کرد. یعنی می‌توانید یک پروژه را از پایه اجرا کرده و سپس آن را توسعه داده و در طول زمان مدیریت کنید.ویژگی‌ها و امکانات یک پلتفرم هوش تجارییک پلتفرم جامع هوش تجاری باید قابلیت‌های زیر را در اختیار شما قرار دهد. در ادامه این موارد را بررسی خواهیم کردگردآوری دادهقابلیت درک و تحلیل دادهمصورسازی دادههمکاری و به‌اشتراک‌گذاری اطلاعاتحاکمیت داده و امنیت اطلاعاتقابلیت‌های سلف‌سرویسگردآوری داده:تعداد و تنوع منابع داده در شرکت شما باتوجه‌به اندازه شرکت و نوع کاری که انجام می‌دهید متفاوت است.منابع داده در ساده‌ترین حالت می‌تواند به فایل‌های Excel و CSV محدود باشد و یا پایگاه‌داده نرم‌افزارهای عملیاتی مانند حسابداری را نیز شامل شود. اما شرکت‌های بزرگ و هلدینگ‌های سرمایه‌گذاری معمولاً صدها منبع، پایگاه و سیلوی داده مجزا و با معماری متفاوت دارند.پلتفرم هوش تجاری در زمینه آماده‌سازی داده باید موارد زیر را تأمین کندیکپارچه‌سازی منابع داده مختلف شامل پایگاه، انباره و فایل‌های دادهپاک‌سازی و مدیریت کیفیت دادهترکیب داده‌ها (Blend data)درک و تحلیل دادهحجم واقعی داده‌های یک شرکت بیشتر از چیزی است که تصور می‌کنید! آماده‌سازی داده یک چیز است؛ اما سردرآوردن و فهمیدن کوهی از داده‌ها موضوعی کاملاً متفاوت است. پلتفرم هوش تجاری باید امکان مرتب‌کردن داده و جستجوکردن در آن را به شما بدهد که شامل امکانات زیر است:مدل‌سازی و مرتب‌کردن داده: وقتی داده را در یک منبع گردآوری کردیم باید بتوانیم بر اساس ارتباطی که در حوزه تجاری وجود دارد آنها را مرتب کرده و مدلی از داده بسازیم.جستجو در داده‌ها: کاربر هوش تجاری باید امکان جستجو و کاوش در داده‌ها برای رسیدن به جواب سؤالاتش را داشته باشد. یک پلتفرم خوب این قابلیت را به ساده‌ترین شکل ممکن و بدون نیاز به مهارت‌های فنی بالا در اختیار کاربر قرار می‌دهد.تحلیل کاوشگرانه (EDA) : کاربران پیشرفته مانند تحلیلگران یا دانشمندان داده (Data Analyst- Data Scientist) به امکانات بیشتری برای کاوش در داده نیاز دارند. امکاناتی مثل پایش در عمق یا کنترل خطوط داده (drilldown-data pipeline) از جمله این موارد است.مصورسازی دادهمصورسازی شاید جذاب‌ترین و آشناترین بخش bi برای کاربران باشد و بسیاری هوش تجاری و مصورسازی را معادل و هم معنا تصور کنند.مصورسازی داده اعداد و حروف خشک را به تصویر کشیده و آنها را روی نمودار، گراف، نقشه و جدول نمایش می‌دهد. پلتفرم هوش تجاری باید امکاناتی را در اختیار کاربران بگذارد تا به‌سرعت و با چند کلیک ساده بتوانند این کار را انجام بدهند.ساختن بدون محدودیت گزارش و داشبورد جزءلاینفک یک پلتفرم هوش تجاری است. داشبوردهای داینامیک امکان بررسی و تحلیل بصری داده را به کاربران می‌دهد.معمولاً در نرم‌افزارهای bi مدرن ساخت داشبورد و به‌اشتراک‌گذاری و استفاده از آن به دانش فنی بالایی نیاز ندارد و قابلیت سلف‌سرویس در پلتفرم‌های مدرن هوش تجاری برای این منظور توسعه پیدا کرده است.به‌اشتراک‌گذاری اطلاعات و همکاری درون و بیرون سازمانییک گزارش یا داشبورد زمانی ارزشمند است که بتوانید آن را با دیگران به اشتراک بگذارید. تعداد کاربران استفاده‌کننده از هوش تجاری در یک سازمان می‌تواند بسیار زیاد باشد و هدف پلتفرم‌های مدرن نیز این است که همکاری بین افراد سازمان به بالاترین سطح خود برسد. برای رسیدن به این منظور ردوبدل‌کردن اطلاعات باید به ساده‌ترین و مؤثرترین شکل ممکن انجام شود.در بخش همکاری گروهی امکانات زیر را می‌توان  در نظر گرفت:به اشتراک گذاشتن داشبوردها بین پرسنل و اعضای یک تیمامکان یادداشت‌گذاری روی داشبورد یا گزارشارسال پیام به سایر کاربرانارسال نوتیفیکیشن سفارشی یا اخطار توسط سیستمدر بخش به‌اشتراک‌گذاری اطلاعات پلتفرم هوش تجاری باید این موارد را تأمین کند:قابلیت‌های امبد (embed) یعنی نمایش داشبورد یا گزارش داخل سایر نرم‌افزارهانمایش داشبوردها در محیط وب و از طریق جستجوگرهای اینترنتیاپلیکیشن‌های مخصوص برای موبایل و تبلت که به‌اشتراک‌گذاری اطلاعات و همکاری را ممکن کند.حاکمیت داده و امنیت اطلاعاتحاکمیت داده مجموعه‌ای از دستورالعمل‌ها و قوانین است که شیوه استفاده از داده را مشخص می‌کند.یعنی حقوق تصمیم‌گیری و چهارچوب پاسخگویی افراد برای اطمینان از رفتار صحیح در زمینه ایجاد، مصرف، کنترل، تجزیه‌وتحلیل و ارزش‌گذاری داده داخل یک سازمان تعیین می‌شود.حاکمیت داده می‌تواند شامل مواردی زیر و بیشتر باشد:مدیریت منابع دادهمدیریت فراداده (Metadata)پایش (Monitoring) و مدیریت استفاده از اطلاعات توسط کاربرانامنیت داده و حریم خصوصیمدیریت نقش‌های کاربران سیستم (Roles)کنترل جریان دادهقابلیت‌های سلف‌سرویسسلف‌سرویس بودن برای یک پلتفرم مدرن bi لازم است.درگذشته نرم‌افزارهای هوش تجاری به‌شدت پیچیده و تخصصی بودند اما نیاز به استفاده از هوش تجاری باعث شد تا این نرم‌افزارها کاربرپسندتر شده و در اختیار افراد بیشتری قرار بگیرندپلتفرم‌های معروف هوش تجاری و بررسی اجزای آنهادر ابتدای مقاله اشاره کردیم که نرم‌افزارهای متعددی در بازار وجود دارد؛ اما در این میان دو پلتفرم Power bi از شرکت مایکروسافت و Tableau از شرکت Salesforce بیشترین سهم را از بازار جهانی در اختیار دارند.در ادامه اجزای اصلی هرکدام از این پلتفرم‌ها را با هم بررسی می‌کنیمPower biاجزای اصلی پاور بی آی عبارت‌اند از:Power BI Desktop یک نرم‌افزار رایگان است که امکان اتصال به منابع داده و تبدیل آنها، ساخت مدل داده، تحلیل داده، ساخت گزارش و داشبورد را به ما می‌دهد.Power BI service یک سرویس ابری تحت وب است که امکان ساخت و انتشار داشبورد و گزارش، تحلیل داده و همکاری بین کاربران را فراهم می‌کند.Power BI Mobile اپلیکیشن موبایل و تبلت که امکان دسترسی به داشبوردها و گزارش‌ها و همکاری با سایر کاربران را فراهم می‌آوردPower BI Report Server این ابزار کارکردی مشابه Power BI service دارد؛ اما به‌صورت درون‌سازمانی (On-premises) در اختیار شرکت‌ها قرار می‌گیرد. امکان انتشار و مدیریت گزارش‌ها پس از ساخته‌شدن در نسخه دسکتاپ را فراهم می‌آورد.Power BI Report Builder این ابزار امکان ساخت گزارش‌های صفحه‌بندی شده و انتشار آن در سرویس ابری را فراهم می‌آورد.نکته: استفاده از نسخه دسکتاپ با لایسنس رایگان روی یک کامپیوتر امکان‌پذیر است؛ اما به‌اشتراک‌گذاری داشبوردها، همکاری با سایر کاربران و عملیاتی‌کردن هوش تجاری در شرکت نیاز به خرید اشتراک حرفه‌ای یا پریمیوم دارد.Tableauاجزای اصلی پلتفرم تبلو عبارت‌اند از:Tableau Desktop نسخه دسکتاپ نرم‌افزار تبلو که برای اتصال به منابع داده، مصورسازی و تحلیل داده استفاده می‌شود. این نرم‌افزار دو نسخه ارائه می‌شود. نسخه حرفه‌ای برای استفاده در سازمان‌ها و شرکت‌ها و نسخه شخصی که قابلیت‌های دسترسی به منابع و اشتراک‌گذاری محدودی دارد.Tableau Public نسخه عمومی و رایگان تبلو است. داده‌ها و داشبوردهای ساخته شده در آن روی یک سرور آپلود می‌شود و در دسترس عموم است. این نسخه بیشتر برای شروع یادگیری  و کار با این پلتفرم توصیه می‌شود.Tableau Online یک سرویس ابری است. کاربران  می‌توانند گزارش‌ها و داشبوردهایی که روی نسخه دسکتاپ ساخته‌اند را می‌توانند در فضای ابری به اشتراک بگذارند. زیرساخت سخت‌افزاری این سرویس توسط خود شرکت تبلو ایجاد و نگهداری می‌شود و از طریق وب امکان دسترسی، تحلیل و اشتراک‌گذاری داده را به کاربران می‌دهد.Tableau Server شبیه تبلو آنلاین برای به‌اشتراک‌گذاری داشبوردها و گزارش‌ها داخل یک سازمان استفاده می‌شود. کاربران پس از ساخت داشبورد یا گزارش روی نسخه دسکتاپ آن را روی سرور منتشر می‌کنند.Tableau Prep ابزاری برای آماده‌سازی داده است و امکان ترکیب، فیلتر و انتقال داده خام از منبع و تبدیل آن به شکل قابل‌استفاده را می‌دهد. دو نسخه از این ابزار وجود دارد اولی Prep Builder که برای ساخت جریان داده استفاده می‌شود و دومی Prep Conductor که برای مدیریت،زمان‌بندی و اشتراک‌گذاری جریان داده ساخته شده بکار می‌رودTableau Mobile اپلیکیشن تبلو برای استفاده روی موبایل و تبلت است و دسترسی، تحلیل اطلاعات و همکاری با سایر کاربران را ممکن می‌کندچند نکته در مورد انتخاب پلتفرم هوش تجاریقبل از انتخاب پلتفرم bi به این نکات توجه کنید.:بر اساس نیازهای امروز خود تصمیم نگیرید! نیازهای شما باگذشت زمان تغییر خواهد کرد؛ بنابراین یک پلتفرم منعطف انتخاب کنید که پاسخگوی نیازهای احتمالی شما در آینده باشد.به هزینه‌های پنهان استفاده از یک پلتفرم خاص دقت کنید. این هزینه‌ها می‌تواند شامل سیاست‌های شرکت ارائه‌دهنده در خصوص ارائه خدمات، لایسنس نرم‌افزار، نوع پشتیبانی، زمان اجرای پروژه، هزینه‌های پیاده‌سازی اعم از سخت‌افزار موردنیاز، آموزش پرسنل و … باشدیک ارائه‌دهنده مطمئن برای پیاده‌سازی هوش تجاری در سازمان خود پیدا کنید. ارائه‌کننده‌ای که در تمام مراحل پیاده‌سازی و استقرار و پس از آن در کنار شما باشدمنبع: پلتفرم هوش تجاری (Bi Platform) چیست؟ و چه ویژگی‌هایی دارد هوش تجاری هوش تجاری Wed, 15 Mar 2023 18:37:09 +0330 https://virgool.io/@decomcoseo101/%D9%82%D8%A7%D8%A8%D9%84%DB%8C%D8%AA-%D8%B3%D9%84%D9%81-%D8%B3%D8%B1%D9%88%DB%8C%D8%B3-%D8%AF%D8%B1-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D9%88-%D9%85%D8%B2%D8%A7%DB%8C%D8%A7%DB%8C-%D8%A2%D9%86-q0ygvbkqeikf هوش تجاری سلف سرویسسلف‌ سرویس بودن برای یک نرم‌افزار هوش تجاری به چه معنی است؟ وقتی از Self Service BI حرف می‌زنیم دقیقاً مقصود ما چیست؟در این مقاله ابتدا هوش تجاری در قالب سنتی آن را تعریف می‌کنیم و سپس به سراغ مفهوم سلف‌سرویس bi می‌رویم تا مفاهیم، مزایا، معایب و تکنولوژی‌ آن را مرور کرده و شرایط استفاده در ایران را بررسی کنیم.هوش تجاری سنتی و معایب آن در مقایسه با bi سلف سرویسهوش تجاری بیش از 30 سال است که در دسترس کسب‌و‌کارها قرار دارد؛ اما ازآنجا که BI یک مفهوم ثابت نیست به‌مرور و در طی زمان دچار تغییروتحول شده است. پیشرفت‌های نرم‌افزاری و فناوری در دو دهه گذشته و نیاز روزافزون کاربران باعث شده است تا راهکارهای تجزیه‌وتحلیل سلف‌سرویس (self service analytics) ظهور و بروز پیدا کنند.هوش تجاری از ابتدای پیدایش با این فرض به وجود آمده که اطلاعات ذخیره شده در یک شرکت می‌تواند به مدیران آن شرکت کمک کند تا:پاسخ سؤال‌های تجاری خود را پیدا کنند (در قالب گزارش، داشبورد و تحلیل)در نتیجه بهتر و سریع‌تر برای کسب‌وکار خود تصمیم بگیرند.بنابراین، استفاده از هوش تجاری همیشه با یک سؤال یا نیاز از سمت “کاربر تجاری” آغاز می‌شود. این کاربران برای رسیدن به پاسخ باید به اطلاعاتی که از قبل ذخیره شده‌ است رجوع کنند. مثلاً برای بررسی عملکرد کلی یک مجموعه شاخص‌های مالی؛ مانند درآمد ناخالص یا سود خالص سه‌ماهه گذشته بررسی می‌شود.کاربر تجاری (business user) در سیستم BI کیست؟معمولاً مدیران یک مجموعه شامل مدیران ارشد، میانی و سرپرستان به‌عنوان کاربر تجاری برای سیستم bi در نظر گرفته می‌شوند. این کاربران می‌دانند به چه اطلاعاتی می‌خواهند و در زمینه کاری خود دانش کافی را دارند؛ اما دانش فنی آنها در کار با داده یا نرم‌افزار هوش تجاری محدود است.درگذشته کاربر تجاری به متخصص واحد IT نیاز داشت تا گزارش‌های موردنیاز او را بسازد. اطلاعات جایی در پایگاه‌داده نرم‌افزارها یا سیلو‌های داده ذخیره می‌شد؛ اما برای کاربران غیرفنی استفاده از آن ممکن نبود. در نتیجه آنها برای دسترسی به اطلاعات و ساخت گزارش‌های خود کاملاً به واحد IT وابسته بودند.فرایند کاری در هوش تجاری سنتی چگونه بود؟کاربر تجاری سؤالاتی داشت که باید پاسخ داده می‌شد (گزارش – تحلیل …)درخواست به واحد IT ارجاع داده می‌شد. متخصص IT پایگاه‌های داده موردنیاز را شناسایی می‌کردمتخصص IT انبار داده (data warehouse) یا دیتا مارت را از پایگاه‌های داده موجود در شرکت می‌ساختگزارش‌ و تحلیل‌ توسط ابزارهایی مثل اکسل یا BIDS از دیتابیس جدید ساخته می‌شدنهایتاً تحلیل و گزارش ساخته شده با کاربران تجاری به اشتراک گذاشته می‌شددرصورتی‌که این گزارش نیاز کاربر را رفع نمی‌کرد این فرایند تکرار می‌شدفرایند کاری ذکر شده مشکلات متعددی داشت.مشکلات روش قدیمی BI:پروژه BI به نیروهای متخصص نیاز داشت و شرکت‌ها نمی‌توانستند تعدادی زیادی از این نیروها را استخدام کنندسرعت و روند انجام پروژه کاملاً به تیم IT وابستگی داشت و این تیم نمی‌توانست درخواست‌های زیادی را پاسخ دهد.انجام هر پروژه از چند ماه تا چند سال زمان می‌برد.هزینه پروژه‌های هوش تجاری بسیار زیاد بود و تنها از عهده شرکت‌های بزرگ برمی‌آمد.این هوش تجاری انعطاف‌پذیر نبود و در واقع برای محیط پایدار دهه 80-90 میلادی مناسب بودموانع ذکر شده باعث می‌شد که کارایی، تأثیر و استفاده از BI به‌شدت محدود شود.با شروع قرن جدید و فراگیرشدن استفاده از اینترنت، تولید و ذخیره اطلاعات به شکل سرسام‌آوری افزایش یافت. روش‌های قدیمی تحلیل داده و هوش تجاری پاسخگوی این شرایط جدید نبودند.شرکت‌ها و کاربران به اطلاعات به‌روز و در لحظه نیاز داشتند. در نتیجه فناوری‌ها و نرم‌افزاری‌های جدیدی برای تحلیل اطلاعات به وجود آمد و مفهوم هوش تجاری سلف‌سرویس از اینجا شکل گرفت.هوش تجاری سلف سرویس چیست؟به زبان ساده Self Service BI یک سیستم گزارش‌گیری است که کاربر معمولی و بدون مهارت فنی را قادر می‌کند به‌راحتی و سریع، اطلاعات را جستجو و آنها را مصورسازی کنند.شرکت‌ها برای اینکه بتوانند سریع‌تر به تحلیل داده و اطلاعات دسترسی داشته باشند باید وابستگی کاربر تجاری به واحد IT را تا حد ممکن کاهش می‌دادند.نرم‌افزارهای bi سلف‌سرویس به وجود آمدند تا افراد غیرفنی مانند مدیران بتوانند به‌راحتی با اطلاعات کار کنند و خودشان گزارش‌ها و داشبوردهای مدیریتی را بسازند و با یکدیگر به اشتراک بگذارند.اگر بخواهیم تفاوت هوش تجاری سنتی با سلف‌سرویس را با مثال بیان کنیم. اولی شبیه رستوران 5 ستاره است که غذا توسط پیشخدمت روی میز سرو می‌شود و دومی یک بوفه است که هر کس می‌تواند آنچه را که می‌خواهد با هر ترکیبی که دوست دارد از روی میز اصلی برداشته و مصرف کند!تعریف مؤسسه گارتنر از Self Service BI & Analyticsاجازه بدهید تعریف رسمی گارتنر در این خصوص را با هم مطالعه کنیم.هوش تجاری سلف سرویس (Self-service business intelligence) :هوش تجاری سلف‌سرویس یعنی کاربر نهایی، گزارش‌ها و تحلیل‌های خود را به کمک ابزارهای مختلف طراحی کند و بسازد. (داخل یک معماری داده تأیید شده و پشتیبانی شده)تجزیه‌وتحلیل سلف ‌سرویس (Self-Service Analytics) :شکلی از هوش تجاری است که در آن کاربران تجاری امکان آن را دارند (و تشویق می‌شوند) تا در داده‌ها کاوش کنند و خودشان گزارش‌ها را بسازند (با کمترین پشتیبانی از واحد IT)مشخصه تجزیه‌وتحلیل سلف‌سرویس معمولاً ابزار هوش تجاری است که استفاده از آن راحت است و توانایی‌های پایه تجزیه‌وتحلیل را دارد بعلاوه یک مدل داده ساده شده یا کوچک شده که استفاده، درک و دسترسی سرراست به داده را فراهم آورد.مزایا و معایب هوش تجاری سلف‌سرویسحالا که معنی سلف‌سرویس بودن هوش تجاری را فهمیدیم می‌توانیم مزایا و معایب آن را تصور کنیم. اینکه یک کاربر خود بتواند شخصاً گزارش و داشبوردهای موردنیاز خود را بسازد و با دیگران به اشتراک بگذارد مزیت‌های زیادی دارد از جمله:کاهش هزینه‌های استفاده از هوش تجاری، بر خلاف گذشته هوش تجاری یک پروژه IT گران‌قیمت نیست؛ بنابراین برای شرکت‌های کوچک و متوسط نیز در دسترس خواهد بودعدم وابستگی کاربران تجاری به تیم IT، این مورد می‌تواند به معنی افزایش تعداد کاربران استفاده‌کننده از سیستم BI و همچنین آزادشدن منابع انسانی تیم IT برای تمرکز روی پروژه‌های و مهم‌تر باشدافزایش سرعت در گزارش‌گیری و تحلیل داده، در نتیجه سرعت تصمیم‌گیری در شرکت بالاتر رفته و بهره‌وری، کارایی و انعطاف‌پذیری آنها در مواجهه با شرایط بازار افزایش می‌یابدداده‌محوری در شرکت‌ها، تعداد بیشتری از کارکنان به تحلیل داده و مزیت‌های آن دسترسی خواهند داشت که می‌تواند حرکت به سمت یک سازمان داده‌محور را رقم بزند.چالش‌های استفاده از Self Service BI چیست؟آنچه به‌عنوان مزیت برای هوش تجاری سلف‌سرویس مطرح می‌شود می‌تواند درعین‌حال نقطه‌ضعفی بزرگ برای آن باشد. دسترسی مستقل و بدون محدودیت کاربران مختلف به منابع داده مشکلات زیر را به وجود می‌آوردامنیت اطلاعات و حریم خصوصی، پیش از استقرار هوش تجاری حدود دسترسی کاربران به اطلاعات و ساختار آن باید به‌درستی چیده شود تا جلوی دسترسی به اطلاعات حساس و یا استفاده نادرست از داده‌ها گرفته شود.تحلیل‌ها و گزارش‌های اشتباه، امکان اشتباه یا سوءبرداشت کاربران در حین کار با داده و اطلاعات وجود دارد و همیشه ممکن است خطاهایی در حین آماده‌سازی، فیلترکردن و یا تفسیر داده اتفاق که بیفتند. حاصل این اشتباهات یا خطاها تناقض در نتایج گزارش‌‌ها و در نتیجه خطای تصمیم‌گیری است.استقرار کنترل نشده هوش تجاری، اگر راهکار سلف‌سرویس توسط واحدها و افراد به‌صورت مستقل و بدون یک نظارت یک واحد مرکزی پیاده‌سازی شود در نهایت به موازی‌کاری، استفاده از ابزارهای متفاوت، تناقض در اطلاعات و افزایش هزینه‌های استفاده از BI منجر خواهد شدعدم‌پذیرش راهکار هوش تجاری توسط پرسنل، هر سازمانی فرایندهای خود را برای گزارش‌گیری و استفاده از داده دارد. نمی‌توان از کاربران انتظار داشت تا به یکباره گردش کاری جاافتاده در شرکت را رها کرده و به‌سرعت کار با نرم‌افزارهای جدید را بیاموزند. به‌هرحال کار با هوش تجاری به سطحی از مهارت و سواد داده نیاز دارد. درصورتی‌که نرم‌افزار مورداستفاده برای کاربران بهینه نشده باشد یا آموزش‌های لازم داده نشود استفاده از آن با مقاومت مواجه خواهد شد.به نظر شما برای رفع و کنترل چالش‌های زیر چه کاری می‌توان کرد؟ریشه‌یابی چالش‌های هوش تجاری سلف سرویسعمده مشکلات راهکار سلف‌سرویس به سه مورد زیر بازمی‌گردد. این موارد را در ادامه بررسی می‌کنیمنوع و پیچیدگی داده‌هامیزان دسترسی و اختیار کاربران در کار با داده‌هامحدودیت نرم‌افزارهای مورداستفادهنوع داده و داده پیچیدهاگر اطلاعاتی که با آن سروکار داریم واقعاً ساده باشد به مشکل جدی برنخواهیم خورد؛ اما زمانی که از یک شرکت صحبت می‌کنیم درباره داده پیچیده؛ یعنی پایگاه‌های داده مجزا و اطلاعات متفاوت حرف می‌زنیم.داده پیچیده مشکلاتی دارد که پیش از استفاده از هوش تجاری باید بررسی و رفع شود. مواردی مثل:کیفیت داده (Data Quality)صحت داده (Data Accuracy)قالب‌بندی داده (Data Formatting)ساختار داده (Data Structure)انتظار بی‌جایی است اگر از کاربران عادی توقع داشته باشیم بتوانند فرایند پیچیده گردآوری و تحلیل داده را خودشان انجام بدهد.میزان دسترسی کاربران به دادهآزادی بدون قانون به آشوب منتهی می‌شود. باز گذاشتن دست کاربران برای استفاده از مستقل از هوش تجاری خوب است؛ اما بدون ساختار مناسب برای مشخص‌کردن حدود، شرایط و منابع قابل‌دسترسی این کار می‌تواند به هرج‌ومرج داده در سازمان منتهی بشود.محدودیت‌های نرم‌افزار:بعضی از نرم‌افزارهای BI در دسترس ابزارهای لازم برای آماده‌سازی و بارگذاری داده از ابتدا تا انتها (end2end) را ندارند و دسته‌های داده باید به‌صورت مجزا و یک‌به‌یک در نرم‌افزار بارگذاری شود. از طرفی بعضی از ابزارهای prep در دسترس، به‌شدت پیچیده و فنی هستند و کار با آنها نیاز به دانش گسترده‌ای دارداما راه‌حل موارد ذکر شده چیست؟ ” حاکمیت داده”حاکمیت داده و انواع هوش تجاری سلف‌سرویسحاکمیت داده شاید در نگاه اول با فلسفه هوش تجاری سلف‌سرویس در تناقض باشد. مورد اول محدودکردن دسترسی‌ها، و کنترل بر جریان اطلاعات را شامل می‌شود و دومی باز گذاشتن دست کاربران برای استفاده بیشتر از داده‌ها است. اما در حقیقت این‌طور نیست.حاکمیت داده طبق تعریف گارتنر یعنی مشخص‌کردن حقوق تصمیم‌گیری و چهارچوب پاسخگویی افراد برای اطمینان از رفتار صحیح در زمینه ایجاد، مصرف، کنترل، تجزیه‌وتحلیل و ارزش‌گذاری داده داخل یک سازمان است.به عبارتی مجموعه‌ای از دستورالعمل‌ها و قوانین که نوع و شکل استفاده از داده در سازمان را مشخص می‌کند.با درنظرگرفتن نقش حاکمیت داده می‌توانیم دو نوع از هوش تجاری سلف‌سرویس را تصور کنیم (در حضور و با یا بدون حضور حاکمیت) و مزایا و معایب هر یک را در ادامه بسنجیم.BI کاملاً سلف‌سرویسدر این ساختار کاربران دسترسی کامل به پایگاه‌های داده دارند برای مثال می‌توانند داده را از دیتابیس نرم‌افزارهای CRM، ERP یا هر منبع دیگری استخراج کنند و در نهایت به‌صورت داشبورد و گزارش در بیاورند.این شیوه تمام مزیت‌های سلف‌سرویس بودن را دارد از طرفی باعث مشکلاتی خواهد شد که پیش‌ازاین به آن‌ها اشاره کرده‌ایمسلف سرویس BI کنترل شده (Governed Self-Service BI)بگذارید با این زاویه دید به مسئله نگاه کنیم.آیا تمام کاربران هوش تجاری نیازهای مشابهی دارند؟ لیستی از نیازهای کاربران مختلف را در ادامه تهیه کرده‌ایم:دیدن داشبوردها و گزارش‌ها بعلاوه فیلتر داده‌ها و به‌اشتراک‌گذاری اطلاعاتساختن داشبوردها و گزارش‌های جدید از مکعب‌های داده (مدل‌های داده تأیید شده)پیداکردن منابع جدید داده گزارش‌گیری و مصورسازی آنهادسترسی مستقیم به منابع داده، ساخت مدل‌های جدید داده و تحلیل و تجزیه آنهاتمام موارد بالا می‌تواند به‌عنوان قابلیت سلف سرویس مطرح شود؛ اما هرکدام نیازهای بخشی از کاربران را برآورده می‌کند.در سیستم سلف‌سرویس کنترل شده گروه‌های کاربری مشخصی درون سازمان تشکیل می‌شود و برای هر گروه وظایف و سطح دسترسی خاصی را در نظر گرفته شده است.انواع کاربران در هوش تجاری سلف‌سرویس و وظایف آنهامتخصص ITمهندسین داده در این دسته قرار می‌گیرند. این کاربران به یک راهکار end2end نیاز دارند. آنها وظیفه گردآوری داده خام، ETL و ساخت انبارها و مدل‌های جدید داده را دارند.مدل‌های داده توسط تیم IT تست می‌شود تا از صحت و کیفیت داده اطمینان حاصل شود. در نهایت این مدل داده در اختیار کاربران تجاری قرار می‌گیرند.کاربر تجاریدر ابتدای این مقاله درباره کاربر تجاری صحبت کردیم. دوباره به لیست نیازهای کاربران دقت کنید.دیدن داشبوردها فیلتر داده و به اشتراک گذاشتن اطلاعاتدر واقع نیاز بسیاری از کاربران تجاری در همین مرحله رفع می‌شود به این دسته از کاربران End User یا کاربر نهایی اطلاق می‌شود.اما بعضی از کاربران تجاری علاوه بر مشاهده اطلاعات نیاز دارند تا گزارش و داشبوردهای جدیدی را بسازند. این کاربران می‌توانند از مدل‌های داده آماده و استانداری که توسط تیم IT ایجاد شده است استفاده کنند. به این شکل کاربر تجاری دیگر درگیر کارهای فنی و پیچیده نمی‌شودکاربر پیشرفته یا power userگروه بعدی کاربران پیشرفته هستند و نقش مهمی در سلف‌سرویس BI دارند. در واقع می‌توان آنها را کاربران تجاری دانست که در کنار تسلط بر حوزه تجاری از مهارت و دانش فنی نیز برخوردارند.این کاربران بخشی از وظایف که قبلاً توسط IT انجام می‌شد را بر عهده می‌گیرند. علاوه بر ساخت داشبورد و گزارش‌های جدید و ارائه آن به کاربر تجاری، کاربر پیشرفته امکان کشف و استخراج داده‌های جدید و مصورسازی آنها را دارد. معمولاً مدل‌ها یا مصورسازی‌های انجام شده توسط کاربر پیشرفته باید به تأیید نهایی تیم IT برسد تا با اطلاعات و مدل‌های قبلی تناقض نداشته باشد.توجه داشته باشید که تعریف کاربران سیستم باتوجه‌به نوع نیاز سازمان، روش و معماری پیاده‌سازی هوش تجاری ممکن است متفاوت باشد و یا وظایف کاربران با یکدیگر هم‌پوشانی پیدا کند. بااین‌وجود سه مورد ذکر یعنی کاربر تجاری، کاربر پیشرفته و متخصص IT را می‌توان در یک سازمان نوعی مشاهده کرد.مزیت‌های استفاده از مدل استاندارد (مکعب داده)مدل استانداردی که توسط متخصصین IT ساخته می‌شوند چندین مزیت دارند:چون منبع تمام داده‌ها یکی است و مدل قبلاً تست شده از تناقض در اطلاعات جلوگیری به عمل می‌آیدکارکردن با این مدل‌های داده بسیار راحت‌تر است و نیاز به دانش فنی کمتری داردکاربران می‌توانند گزارش‌ها و داشبوردهای موردنیاز خود را با دسترسی به این مدل‌های داده و بدون دخالت تیم IT تهیه کنندکاربران تجاری دیگر نیازی به دسترسی مستقیم به منبع داده نخواهند داشتهوش تجاری سلف سرویس در ایراناستفاده از هوش تجاری و قابلیت سلف‌سرویس آن به دلایل متعددی در ایران فراگیر نشده است. از مهم‌ترین این دلایل عدم وجود و دسترسی به یک پلتفرم کامل و جامع هوش تجاری است.بیشترین نرم‌افزارهای استفاده شده برای تحلیل داده در ایران در ابتدا اکسل و سپس Power bi و تبلو هستند. اصولاً اکسل برای این موضوع طراحی نشده است و دو نرم‌افزار دیگر نیز در نسخه رایگان قابلیت‌های لازم برای اجرای سلف‌سرویس BI را ندارند.هر دو پلتفرم Power bi و tableau ابزارهای به‌اشتراک‌گذاری اطلاعات و آماده‌سازی داده را به نسخه‌های پریمیوم خود محدود کرده‌اند. ازاین‌گذشته حتی در صورت دسترسی کامل به پلتفرم این دو نرم‌افزار بیش از اندازه برای کاربران عادی پیچیده هستند و اعمال حاکمیت داده روی این پلتفرم‌ها کار آسانی نیست.مشکل دوم به بحث آموزش و ایجاد فرهنگ استفاده از داده در سازمان‌ها بازمی‌گردد. در سال‌های اخیر و با ظهور استارت‌آپ‌های موفق در حوزه IT ، خدمات و نیاز آنها به تحلیل داده شاهد تغییر آرام و حرکت به سمت داده‌محوری هستیم؛ اما همچنان بسیاری از سازمان و شرکت‌های داخلی به روش‌های قدیمی گزارش‌گیری وابسته‌اند و سازمان‌هایی که هوش تجاری را استفاده می‌کنند راه دشواری برای پیاده‌سازی یک راهکار سلف‌سرویس دارند.جمع‌بندیهوش تجاری سنتی چندین دهه است که در دسترس شرکت‌ها قرار داردهوش تجاری سنتی معایبی مثل هزینه‌های مالی، زمان زیاد انجام پروژه و وابستگی به IT داردهوش تجاری سلف‌سرویس یک سیستم گزارش‌گیری است که کاربر معمولی را قادر می‌کند به‌راحتی و سریع، گزارش‌های جدید بسازد و اطلاعات را کاوش کندافزایش سرعت، کاهش هزینه‌های ملی و زمانی و داده‌محوری از مزایای هوش تجاری سلف‌سرویس استامنیت اطلاعات، تناقض در داده‌ها و استقرار کنترل نشده از معایب هوش تجاری سلف‌سرویس به شمار می‌رودریشه مشکلات هوش تجاری سلف‌سرویس به داده‌های پیچیده، نوع دسترسی کاربر به داده و محدودیت‌های نرم‌افزاری بازمی‌گرددحاکمیت داده راهی برای رفع معایب هوش تجاری سلف سرویس استدر Self Service bi کنترل شده گروه‌های کاربری و وظایف آنها از یکدیگر تفکیک می‌شوندمتخصص IT، کاربر تجاری و کاربر پیشرفته جزء کاربران هوش تجاری سلف‌سرویس هستنددسترسی کاربران تجاری به داده از طریق مدل‌های استانداردی ایجاد می‌شود که توسط متخصص IT تهیه شده است.مدل‌های داده استاندارد از تناقض داده جلوگیری می‌کند و کار با داده را برای کاربر تجاری راحت‌تر می‌کند.استفاده از هوش تجاری سلف‌سرویس به دلیل عدم وجود پلتفرم کامل هوش تجاری در ایران و جانیفتادن فرهنگ داده‌محوری با مشکل مواجه است.منبع: هوش تجاری سلف ‌سرویس (Self Service BI) مزایا و موانع استفاده هوش تجاری هوش تجاری Mon, 06 Mar 2023 15:22:06 +0330 https://virgool.io/@decomcoseo101/%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D8%AF%D8%B1-%D8%AA%D9%84%D9%81%D9%86-%D9%87%D9%85%D8%B1%D8%A7%D9%87-%D9%88-%D8%AA%D8%A8%D9%84%D8%AA-cdxzavxdd4gw هوش تجاری برای تلفن همراههوش تجاری برای شرکت‌های بین‌المللی موضوع جدید و ناشناخته‌ای نیست و استفاده از BI به چند دهه قبل برمی‌گردد. اما چیزی که مهم است تغییرکردن مداوم روش‌ها، نرم‌افزارها و اضافه‌شدن قابلیت‌های جدید به دایره امکانات هوش تجاری است.استفاده از هوش تجاری روی دستگاه‌های تلفن همراه و تبلت از حدود ده سال قبل به یکی از روندهای جذاب و پر آینده در حوزه IT تبدیل شد و شرکت‌های ارائه‌دهنده نرم‌افزار bi از آن زمان تا به امروز رقابت شدیدی را برای عرضه انواع و اقسام راهکارهای موبایل انجام داده‌اند.این موضوع در حال حاضر به امری ثابت و جاافتاده تبدیل شده و از هیجان اولیه خود فاصله گرفته است. اما واقعیت آن است که mobile bi پس از گذشت بیش از یک دهه همچنان پتانسیل‌های فراوانی برای رشد دارد.البته داستان استفاده از bi و به‌خصوص نسخه موبایل آن در ایران با روندهای جهانی متفاوت است. در این مقاله به مزیت‌ها و مشکلات استفاده از هوش تجاری در تلفن همراه، نرم‌افزارهای برتر و شرایط استفاده از هوش تجاری موبایل در ایران می‌پردازیم.مزایای هوش تجاری موبایلچرا bi باید نسخه موبایل داشته باشد؟ باید گفت به همان دلیلی که هزاران برنامه و اپلیکیشن دسکتاپ نسخه‌های بسیار موفق موبایل هم دارند.وقتی یک برنامه روی تلفن همراه در دسترس باشد به‌صورت خودکار یک قابلیت بزرگ و مهم دارد. فارغ از زمان و مکان همیشه در دسترس و قابل‌استفاده است.استفاده از هوش تجاری موبایل مزیت‌های زیر را دارد:دسترسی آنی به اطلاعات و داشبوردها در هر زمان و مکانافزایش سرعت تصمیمی گیریاشتراک گذشتن اطلاعات با همکارانافزایش ضریب نفوذ استفاده از هوش تجاری در شرکت‌هاپرکردن شکاف داده در سازمان (داشبوردهای عملیاتی در کنار داشبورد استراتژیک)افزایش بهره‌وری با تسهیل فرایندهای کاریافزایش کارایی تیم‌های فروشدسترسی به اطلاعات و داشبوردهای مدیریتی در تمام شبانه‌روزاجازه بدهید این موضوع را از دید کاربر نگاه کنیم. تصمیم گیرندگان اصلی در شرکت‌ها یعنی هیئت‌مدیره و مدیران ارشد جزء اصلی‌ترین استفاده‌کنندگان از هوش تجاری موبایل هستند. این موضوع باتوجه‌به نقش سازمانی، آزادی عمل زیادی را به آنان می‌دهد تا فارغ از اینکه به‌صورت فیزیکی در کجا قرار دارند بتوانند روی کار شرکت و سازمان خود نظارت داشته باشند.هوش تجاری موبایل علاوه بر اینکه محدودیت در مکان دسترسی به اطلاعات را از بین می‌برد دسترسی به اطلاعات جدید و در لحظه را هم تسهیل می‌کند.مدیران عامل معمولاً اطلاعات لحظه‌ای را برای نظارت بر این سه مورد می‌خواهند:نظارت بر عملکرد کلی سازمان (داشبوردهای استراتژیک – KPIها )نظارت بر عملکرد دپارتمان‌های شرکت و نحوه پیش رفت پروژه‌های هر واحدنظارت بر عملکرد پرسنلاز طرف دیگر دسترسی به اطلاعات لحظه‌ای پتانسیل جدیدی را برای کاربران سطوح میانی و سطح عملیاتی که با فرایندهای روزانه سروکار دارند به وجود می‌آورد این کاربران هم می‌توانند جز استفاده‌کنندگان اصلی هوش تجاری روی تلفن همراه قرار بگیرند.افزایش سرعت تصمیم‌گیریکمک به بهبود تصمیم‌گیری و ایفای نقش سیستم پشتیبان تصمیم‌گیری (DSS) یکی از وظایف اولیه هوش تجاری است. mobile bi نه‌تنها این مورد را بهبود می‌دهد؛ بلکه به دلیل حذف عامل مکان و زمان و دردسترس‌بودن اطلاعات جدید، سرعت تصمیم‌گیری را نیز افزایش می‌دهد.به اشتراک گذاشتن اطلاعات در سازمان و افزایش سطح همکارییک نرم‌افزار هوش تجاری خوب باید این امکان را فراهم بیاورد تا اطلاعات و داشبوردها بین پرسنل و واحدهای یک سازمان به اشتراک گذاشته شود. این موضوع در نسخه موبایل اهمیت بیشتری پیدا می‌کند.به موارد بالا امکانات خاص نسخه‌های موبایل مثل پوش نوتیفیکیشن (مطلع کردن کاربر در هنگام اتفاق خاص یا وقوع شرایط از قبل تعیین شده) نوشتن متن توضیحی برای یک نمودار، ردوبدل‌کردن پیام بین کاربران و … را اضافه کنیدافزایش ضریب نفوذ استفاده از هوش تجارییکی از چالش‌های استفاده از هوش تجاری در شرکت‌ها واردکردن یک نرم‌افزار جدید در چرخه کاری و منطبق کردن آن با فرایندهای داخلی موجود است.استفاده بیشتر و مؤثر کارکنان از تحلیل داده در یک شرکت هدف مطلوبی است. تلفن همراه با کاهش مقاومت بدنه اداری، عملیاتی نسبت به استفاده از یک نرم‌افزار جدید ضریب نفوذ استفاده از هوش تجاری را در سازمان بالا می‌برد.از طرفی با ورود تلفن همراه طیف کاربران سیستم هوش تجاری را به‌صورت خودکار افزایش خواهد یافت.این مورد خصوصاً در سطوح عملیاتی که نیاز به استفاده از اطلاعات جدید و لحظه‌ای دارند تأثیر خود را نشان خواهد داد.پرکردن شکاف داده در سازماناگر به چند دهه قبل بازگردیم هوش تجاری کارکرد متفاوتی با امروز داشت. به هوش تجاری به‌عنوان یک پروژه سنگین IT نگاه می‌شد که هدف آن ارائه اطلاعات در سطح استراتژیک به مدیران ارشد بود.شکاف اطلاعات بین سطوح عملیاتی، مدیران میانی و مدیران ارشد و نقص در جریان‌یافتن اطلاعات از سطوح عملیاتی به مدیریت، یک مشکل جدی در سازمان‌ها ایجاد می‌کرد.شرکت‌ها نیاز داشتند به اطلاعات لحظه‌ای (بلادرنگ – Reall Time) در سطح میانی و عملیاتی دسترسی پیدا کنند تا پرسنل بتوانند به‌سرعت و در لحظه تصمیم‌گیری کرده و تصمیم‌ها را اجرایی کنند.هوش تجاری دیگر صرفاً داشبوردهای مدیریتی استراتژیک نیست. دسترسی به اطلاعات در تمام سطوح سازمانی و جریان صحیح داده از پایین‌به‌بالا برای رسیدن به “حاکمیت داده” ضروری است و دسترسی به هوش تجاری روی اپلیکیشن‌های موبایل رسیدن به این موضوع را ساده‌تر می‌کند.افزایش بهره‌وری با تسهیل فرایندهای کاریافزایش سرعت انجام کارها، دردسترس‌بودن پرسنل فارغ از مکان فیزیکی، و همکاری نزدیک‌تر تیم‌ها با یکدیگر همگی روی افزایش بهره‌وری تأثیر مستقیم دارند. به این موارد ساده‌سازی فرایندهای کاری را باید اضافه کرد. اتوماسیون هوشمند روی گوشی تلفن همراه، انجام کارها داخل یک سازمان را ساده‌تر و سریع‌تر می‌کند.افزایش کارایی تیم‌های فروشمؤسسه گارتنر در سال 2014 پیش‌بینی خود را نسبت به تأثیر موبایل بر فروش به این صورت بیان کرد: ” دستگاه‌های موبایل بیشترین تأثیر از زمان ارائه لپ‌تاپ (یک دهه قبل از آن) را روی اتوماسیون نیروهای فروش خواهد گذاشت” این پیش‌بینی کاملاً درست بود.هوش تجاری موبایل تأثیری مستقیم و عینی بر استراتژی و عملکرد تیم‌های فروش داشته است. امکان همکاری نزدیک از راه دور، دسترسی به داده و تبادل اطلاعات بین اعضای تیم، پایش مداوم و لحظه‌ای شاخص‌های عملکردی و متریک‌های فروش باعث شده تا تیم‌های فروش به شکلی با یکدیگر سازگار و هماهنگ شوند که پیش از آن سابقه نداشته است.هوش تجاری موبایل برای چه کسانی مفید است؟هر کس که پشت میز کار خود نیست اما نیاز به دسترسی به اطلاعات کاری دارد. مثلاً:هیئت‌مدیره شرکت‌ها که به علت مسئولیت‌های متعدد کمتر در دفتر خود حضور دارندمدیرعاملی که در سفر است یا در جلسه‌ای خارج از شرکت با یک سرمایه‌گذار مناسب روبرو می‌شودمدیر کارخانه یا مدیر تولید که معمولاً در محیط تولید و خارج از دفتر خود هستند، می‌توانند اطلاعات تولید و خطوط فعال را روی موبایل خود ببینندمدیر، سرپرست و اعضای تیم فروش که می‌توانند اولویت و وضعیت سرنخ‌ها را در قیف فروش ببینند و اطلاعات مشتریان را با یکدیگر به اشتراک بگذارند.کارکنان شاغل در صنعت پخش و توزیعپزشکان و کارکنان سیستم درمانی …این لیست می‌تواند چندین صفحه ادامه پیدا کند. واقعیت این است که پتانسیل استفاده از هوش تجاری موبایل بسیار زیاد است و به صنعت خاصی محدود نمی‌شود.موانع و مشکلات استفاده از هوش تجاری موبایلتفاوت در نوع استفاده از دسکتاپ و موبایلفضای ذخیره‌سازی و امنیت داده‌هاتفاوت در نوع استفاده از دسکتاپ و موبایلنرم‌افزارهای دسکتاپ به کاربر اجازه تمرکزکردن و کار با جزئیات زیاد را می‌دهند. در مورد هوش تجاری این کارها شامل کاوش و تحلیل داده است. نرم‌افزارهای دسکتاپ هوش تجاری طراحی شده‌اند تا به کاربر امکان جستجو و کاوش در داده را بدهند. پایش به عمق (drill down) فیلترکردن و ساخت گزارش‌ها و داشبوردهای جدید از جمله این موارد است.اما وقتی وارد قلمرو تلفن‌های همراه می‌شویم داستان کمی فرق می‌کند. شما چه توقع و خواسته‌ای از تلفن همراه دارید؟ ما معمولاً از موبایل برای کار عمیق و با تمرکز بالا استفاده نمی‌کنیم. معمولاً دوست داریم اطلاعات تازه و در لحظه را از موبایل دریافت کنیم. خیلی سریع صفحات را اسکرول می‌کنیم و مطالب مهم را می‌بینیم یا به‌سرعت به نوتیفیکیشن‌ها پاسخ می‌دهیم. ممکن است کامنت‌های کوچکی را بگذاریم یا یک پست را مطالعه کنیم؛ ولی معمولاً برای نوشتن مطالب طولانی از موبایل استفاده نمی‌کنیم.در استفاده از اپلیکیشن هوش تجاری به این مورد حتماً توجه کنید. خواسته‌های شما از نرم‌افزار دسکتاپ و موبایل نباید یکسان باشد و یک نرم‌افزار خوب باید بتواند اطلاعات را باتوجه‌به نوع مدیوم (دستگاه) و ترجیحات کاربر ارائه کند.فضای ذخیره‌سازی و امنیت داده‌هاشاید یکی از جدی‌ترین موانع در فراگیرشدن هوش تجاری موبایل بحث امنیت اطلاعات باشد. استفاده از تلفن همراه به‌هرحال ریسک‌های امنیتی خود را دارد و به‌اشتراک‌گذاری داده‌های حساس روی تلفن همراه باید با بررسی جوانب انجام شود.حالت ایده‌آل این است که اطلاعات نمایش‌داده‌شده روی دستگاه موبایل ذخیره نشوند و صرف روی جستجوگر یا اپلیکیشن نمایش داده شوند. بااین‌وجود گاهی نیاز به ذخیره داده‌ها برای بررسی آفلاین وجود دارد. معمولاً اپلیکیشن‌های هوش تجاری از روش‌های متعددی استفاده می‌کنند تا امنیت اطلاعات ذخیره شده تضمین شود.در زمان انتخاب نرم‌افزار هوش تجاری موبایل به این نکته دقت کنیداستفاده از داشبوردهایی که برای دسکتاپ ساخته شده‌اند و صرفاً داخل گوشی موبایل تغییر اندازه می‌دهند عملاً غیرممکن است. بعضی از ارائه‌دهندگان هوش تجاری این داشبوردها را از طریق وب و روی مرورگرها نمایش می‌دهند؛ اما کارایی چنین داشبوردی روی صفحه‌نمایش موبایل جای سؤال دارد.به همین دلیل است که ارائه‌دهندگان اصلی هوش تجاری در جهان دو نکته را موردتوجه قرار داده‌اندامکان طراحی و اشتراک‌گذاری داشبوردهای ویژه موبایلارائه اپلیکیشن مخصوص برای استفاده روی موبایلطراحی داشبورد و گزارش به‌صورت خاص یا باز طراحی داشبوردهای دسکتاپ برای موبایل، تجربه کاربران را به‌صورت کامل تغییر می‌دهد و استفاده از موبایل را بسیار راحت‌تر و بهینه‌تر می‌کندمورد دوم؛ یعنی اپلیکیشن‌های هوش تجاری موبایل به صورتی طراحی شده‌اند تا قابلیت‌هایی مثل نمایش و مرور سریع اطلاعات، تبادل پیام، اعلام نوتیفیکیشن و اخطار را به کاربر ارائه بدهند. بااین‌وجود سعی شده تا بسیاری از امکانات نرم‌افزارهای اصلی مانند کاوش در داده و پایش در عمق در نرم‌افزار هوش تجاری موبایل نیز قابل‌استفاده باشد.بررسی قابلیت موبایل نرم‌افزارهای Power bi و tableau و شرایط استفاده در ایراننرم‌افزارهای power bi و tableau به‌عنوان پیش‌گام بازار هوش تجاری در سطح بین‌المللی جز اولین توسعه‌دهندگان هوش تجاری موبایل محسوب می‌شوند. در ادامه به بررسی قابلیت موبایل روی این دو پلتفرم می‌پردازیمPower bi mobileپاور بی آی در هر دو نسخه Power BI Desktop ( نسخه رایگان) و Power BI Service (نسخه ابری) امکان ساخت داشبوردهای مخصوص برای نمایشگر موبایل را به شما می‌دهد ضمن اینکه می‌توانید داشبوردهای که در حال حاضر وجود دارند را برای مشاهده در موبایل بهینه کنید. داشبورد یا گزارش ساخته شده برای موبایل روی یک اپلیکیشن مخصوص قابل‌مشاهده است.همان‌طور گفته شد نسخه رایگان Power BI امکان ساخت داشبورد مخصوص موبایل را به شما می‌دهد؛ اما برای انتشار یک داشبورد و به اشتراک گذاشتن آن با سایر افراد باید لایسنس نرم‌افزار را خریداری کرده و از کاربر رایگان به حرفه‌ای ارتقا پیدا کنید.از طرفی کاربر استفاده‌کننده از نرم‌افزار موبایل نیز برای مشاهده داشبوردها به لایسنس Pro نیاز دارد. در زمان نگارش این مقاله (دی‌ماه 1401) لایسنس پاور بی آی Pro برای هر کاربر با توجه به منطقه بین 9.99 تا 13.7 دلار در ماه و در نسخه Premium بین 20 تا 27.5 دلار در ماه است.Tableau mobileدر تبلو امکان ساخت یک داشبورد پیش‌فرض (default) وجود دارد.این داشبورد می‌تواند در دستگاه‌های متفاوت باتوجه‌به سایز نمایشگر به‌صورت خودکار تغییر کرده و تنظیم شود. اما برای داشتن یک تجربه کاربری مناسب باید داشبوردهای موبایل به‌صورت خاص ساخته شوند.تبلو هم مانند رقیب بزرگ خود microsoft power bi امکانات مشابهی را برای ساخت و انتشار داشبورد و گزارش‌های مخصوص موبایل دارد.ساخت داشبورد‌ها در نرم‌افزار tableau public ( نسخه رایگان تبلو) قابل انجام است؛ اما انتشار و استفاده از آن نیاز به دسترسی به سرویس‌های دیگر تبلو یعنی tableau online (نسخه ابری) و یا tableau server دارد.در زمان نگارش این مقاله (دی‌ماه 1401) قیمت لایسنس پایه برای مشاهده داشبوردها 15 دلار در ماه و لایسنس تبلو برای ساخت و به اشتراک گذاشتن داشبوردها 70 دلار در ماه است.شرایط استفاده Power bi و tableau موبایل در ایرانهمان‌طور که اشاره شد نسخه‌های دسکتاپ این نرم‌افزارها به‌صورت رایگان قابل‌استفاده روی یک سیستم منفرد هستند. اما زمانی که بخواهید داشبورد یا گزارشی را که ساخته‌اید با سایرین به اشتراک بگذارید و با یکدیگر تعامل داشته باشید نیاز به خرید لایسنس نرم‌افزار خواهید داشت.به‌تازگی و طبق اعلام مقامات امریکایی تحریم‌های حوزه IT برای شرکت‌های ایرانی برداشته شده است. بااین‌وجود و در حال حاضر نشانه‌ای از تمایل شرکت‌های بین‌المللی برای فعالیت در بازار ایران دیده نمی‌شود.برای مثال در زمان نگارش این مقاله (دی‌ماه 1401) سایت شرکت تبلو مانند گذشته بر روی IPهای ایرانی بسته است و از ارائه خدمات به شرکت‌های ایرانی خودداری می‌کند. از طرفی موضوع تحریم بانکی و محدودیت انتقال پول برای شرکت‌های ایرانی همچنان پابرجاست. روش‌هایی برای دورزدن این موانع وجود دارد و در حال حاضر شرکت‌هایی که خدمات و لایسنس این نرم‌افزارها را ارائه کنند در داخل کشور وجود دارند. اما ریسک سرمایه‌گذاری روی این پلتفرم‌ها بالا است.نکته مهم: در مواجه با ارائه‌کنندگان نرم‌افزارهای بالا در داخل کشور به این نکته توجه کنید که امکان انتشار داشبوردها روی بستر  ابری (رایگان و عمومی) وجود دارد و صرف اینکه یک داشبورد روی مرورگر تلفن همراه نمایش داده شود با استفاده از قابلیت‌های موبایل هوش تجاری متفاوت است. اطلاعات منتشر شده روی این بسترها برای همگان قابل‌رؤیت است.برای استفاده از امکانات موبایل هوش تجاری نرم‌افزارهای power bi و tableau حتماً باید لایسنس معتبر و دسترسی به سرویس‌های ابری اختصاصی وجود داشته باشد یا پیاده‌سازی هوش تجاری به‌صورت on premises صورت‌گرفته باشد.جمع‌بندی پایانیمزایای هوش تجاری موبایل:دسترسی سریع و شبانه‌روزی به اطلاعاتافزایش سرعت تصمیمی گیری مدیران و پرسنلامکان به اشتراک گذشتن اطلاعات با همکارانافزایش تعداد کاربران و استفاده مؤثرتر از هوش تجاریپرکردن گپ داده بین بخش عملیاتی و مدیران ارشدافزایش بهره‌وری کلی سازمانافزایش کارایی تیم‌های فروشچه کسانی به هوش تجاری موبایل نیاز دارند؟هیئت‌مدیره و مدیران عاملمدیران کارخانه، مدیر تولید، مدیر کنترل کیفیت، مدیران و سرپرستان مارکتینگ و فروشکارکنان صنعت پخش و توزیعپزشکان و کارکنان سیستم درمانی و …استفاده از هوش تجاری موبایل با چه موانع و مشکلاتی روبرو است؟نوع استفاده از هوش تجاری در دسکتاپ و موبایل باتوجه‌به تفاوت اندازه نمایشگر متفاوت استامنیت اطلاعات و فضایی که داده‌ها در آن ذخیره می‌شوند از دغدغه‌های استفاده از هوش تجاری موبایل استنرم‌افزارهای هوش تجاری باید این دو قابلیت را داشته باشندامکان طراحی و اشتراک‌گذاری داشبوردهای ویژه موبایلارائه اپلیکیشن مخصوص برای استفاده روی موبایلنرم‌افزارهای Power bi و tableauهر دو این نرم‌افزارها امکان ساخت داشبورد مخصوص موبایل را به‌صورت رایگان دارندبرای انتشار و استفاده از داشبوردهای موبایل باید لایسنس نرم‌افزار تهیه شودنکته مهم در مواجه با ارائه‌کنندگان نرم‌افزارنمایش داشبورد روی مرورگرهای اینترنتی در تلفن همراه با استفاده از قابلیت‌های موبایل هوش تجاری متفاوت استبرای استفاده از امکانات موبایل هوش تجاری به لایسنس معتبر نرم‌افزار هوش تجاری نیاز داریممنبع : هوش تجاری موبایل، مزایا و مشکلات استفاده از هوش تجاری روی تلفن همراه هوش تجاری هوش تجاری Tue, 24 Jan 2023 10:20:25 +0330 https://virgool.io/@decomcoseo101/%D9%88%DB%8C%DA%98%DA%AF%DB%8C-%D9%87%D8%A7%DB%8C-%DB%8C%DA%A9-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D9%85%D9%86%D8%A7%D8%B3%D8%A8-crjch9t8crht هوش تجاری مزیت‌های خیلی زیادی دارد؛ اما کار اصلی آن کمک به کسب‌وکارهاست تا مشکلات خود را با تحلیل داده و اطلاعات حل کنند. اگر bi نتواند به حل مشکلات شما کمک کند استفاده از آن بی‌معنی است.اگر به دنبال نرم‌افزار مناسب و یک ارائه‌دهنده هوش تجاری هستید به این موردتوجه داشته باشید.به سراغ کسانی بروید که:می‌توانند در رسیدن به اهداف تجاری به شما کمک کنندنرم‌افزار آنها جوابگوی نیازهای خاص شما در حال و آینده باشدو در آخر بتوانند موارد بالا را تضمین کنند.البته قول و تضمین ممکن است بدون پشتوانه داده شود. به همین دلیل ما برای شما یک لیست تهیه کرده‌ایم.لیستی از 6 ویژگی‌ که یک نرم‌افزار هوش تجاری مناسب حتماً، باید داشته باشد.اگر می‌خواهید از هوش تجاری استفاده کنید و به دنبال یک نرم‌افزار مناسب هستید مطالعه این مقاله را توصیه می‌کنیم.ساخت داشبوردهای مدیریتی بدون محدودیت و به صورت Self-Serviceنمایش‌دادن اطلاعات روی داشبورد موضوع جدیدی نیست. استفاده از داشبورد داده از 1980 میلادی (چهل سال قبل) شروع شده است. شما هم احتمالاً با داشبورد‌های استاتیک در نرم‌افزارهای عملیاتی برخورد داشته‌اید.اما باید چه انتظاری از داشبورد مدیریتی، در هوش تجاری داشته باشیم؟یک نرم‌افزار هوش تجاری خوب باید Self service باشد تا به شما امکان بدهد بدون نیاز به واحد IT داشبوردهای سفارشی را بسازیداین داشبورد‌ها باید قابل‌استفاده در سطح یک سازمان باشند.قابلیت جستجو و کاوش در اطلاعات و پیگیری لحظه‌ای شاخص‌های عملکردی را داشته باشند ( به روز رسانی سریع)نکته: در بررسی ارائه‌دهنده‌های نرم‌افزار، قیمت‌گذاری بر مبنای تعداد داشبورد را به‌عنوان زنگ خطر در نظر بگیرید. این نوع از قراردادها شما را برای کوچک‌ترین کاری به ارائه‌دهنده نرم‌افزار وابسته می‌کند.داشبورد مدیریتی هوش تجاری دیکامبنابراین، به دنبال نرم‌افزاری باشید که:امکان ساخت داشبورد و گزارش‌های تعاملی را با چند کلیک ساده داشته باشد.قالب‌های آماده و نمودارهای متنوع برای مصورسازی را در اختیار شما قرار دهد.هر نمای داده (داشبورد، گزارش …) باید قابل تنظیم و سفارشی‌سازی باشد. یعنی باید بتوانید هر نوع نموداری که می‌خواهید را به شکلی که دوست دارید در هر جای صفحه قرار دهید.وقتی از نوع چینش صفحه مطمئن شدید، فیلترکردن داده‌ها روی داشبورد و قابلیت پایش به عمق (drill down) را تست کنید.در نظر داشته باشید نرم‌افزار نباید شما را به‌هیچ‌وجه محدود کند. خصوصاً زمانی که صحبت از مصورسازی داده است. تعامل بصری با داده و تأثیر مصورسازی روی تحلیل و کاوش اطلاعات را دست‌کم نگیرید.مصورسازی هوشمند دادهبرای درک و فهمیدن آنچه پشت اطلاعات مخفی شده راهی بهتر از مصور‌سازی سراغ دارید؟تصویرسازی هوشمند و تعاملی به کاربران کمک می‌کند اطلاعات را بهتر بفهمند. مصورسازی روش کارآمدتری نسبت به متن و جدول هست، چون شناسایی الگوها، روندها (Trends) و همبستگی ( Correlation) بین داده‌ها را ممکن می‌کند.در نظر بگیرید که تمام نرم‌افزارهای هوش تجاری از مصورسازی داده استفاده می‌کنند؛ بنابراین در زمان بررسی به نکات و قابلیت‌های توجه کنید که کاوش در داده را راحت‌تر می‌کند.یک مصورسازی ایده‌آل باید تعاملی و زیبا باش همچنین قابلیت تنظیم و سفارشی کردن تمام اجزای صفحه را به کاربر بدهد.هرچه تصویر‌سازی هوشمندتر باشد معنا و مفهوم را بهتر منتقل می‌کند و هر چه این انتقال بهتر انجام شود کاربران نرم‌افزار عملکرد بهتری پیدا می‌کنند. در نتیجه تعامل آنها با نرم‌افزار بیشتر می‌شود و استفاده از هوش تجاری به‌سادگی در شرکت جا می‌افتد.ادغام در سیستم‌های موجود ( قابلیت های امبد و تحت وب)فرض کنید نرم‌افزاری که از آن استفاده می‌کنید تجربه کاربری (user experience) ضعیفی را ارائه می‌دهد و کارکردن با آن عذاب‌آور است. چه اتفاقی می‌افتد؟هیچ‌چیز بدتر از کارکردن با یک نرم‌افزار ضعیف یا پیچیده، و اجبار به یادگرفتن ابزارها و قابلیت‌های آن نیست. به همین دلیل است که رابط کاربری بسیاری از نرم‌افزارها شبیه به هم است. چون کاربر با آن آشنایی قبلی دارد در نتیجه لازم نیست چیز جدیدی را یاد بگیرد و کارکردن برایش راحت‌تر است.در بررسی نرم‌افزار هوش تجاری دقت کنید آیا قادر است با سیستم‌های موجود در شرکت شما ادغام شود؟ چقدر قابل سفارشی‌سازی است تا شبیه به آن سیستم‌ها باشد؟ و می‌تواند به‌صورت امبد (embed) داشبوردهای اطلاعات را در اختیار شما بگذارد.یک نرم‌افزار هوش تجاری قوی باید داده را از هر منبعی ترکیب و یکی کند، داده‌ها را به‌صورت یکپارچه ارائه کرده و تجربه کاربری جذابی را به کاربر منتقل کند. به عبارتی قابلیت ساخت، مشاهده، به‌اشتراک‌گذاری داشبوردهای تعاملی و تحت وب که داخل سیستم‌های موجود شما نمایش داده می‌شوند را داشته باشد.استفاده از داشبوردهای تحت وب یا امبد شده برای کاربران راحت‌تر است.کار با آنها به سادگی در سازمان جا می‌افتد، مدت‌زمان کمتری برای یادگیری و آموزش نیاز دارد و کنترل، مدیریت و امنیت اطلاعات در آنها به شکل بهتری انجام می‌شود.قابلیت استفاده روی تلفن همراهاستفاده از تلفن همراه به امری فراگیر تبدیل شده است. شرکت‌های توسعه‌دهنده هوش تجاری هم از این موضوع غافل نبوده‌اند.کاربران نرم‌افزار همیشه پشت میز کار نیستند. خصوصاً مدیرانی که مسئولیت‌های متعدد دارند و یا مدام در سفر و جابه‌جایی هستند. چه چیزی بهتر از دسترسی به هوش تجاری از طریق موبایل؟ می‌توان از راه دور روند انجام کارها را دنبال کرده اطلاعات را تحلیل و با همکاران به اشتراک گذاشت.نرم افزار هوش تجاری باید امکان کار روی دستگاه‌های موبایل را داشته باشد. در بررسی یک نرم‌افزار این قابلیت را از ارائه‌دهنده بخواهید. نسخه‌های ارائه شده تحت وب (HTML5) مناسب هستند. اگر از اپلیکیشن جداگانه برای نمایش روی موبایل استفاده می‌شود قابلیت‌ها و امکانات آن را بررسی کنید.ببینید آیا نرم‌افزار امکان ساختن داشبورد (به طور خاص) برای موبایل را دارد. نوع نمایش داشبوردها روی دسکتاپ و موبایل و عملکرد آنها را با هم مقایسه کنید.داشبورد هوش تجاری موبایل دیکامقابلیت‌های تحلیلی مناسبهر چه افراد بیشتری در شرکت شما از تحلیل داده و تصمیم‌گیری بر اساس تحلیل استفاده کنند کسب‌وکار شما هوشمندتر و موفق‌تر می‌شود.برای رسیدن به یک فرهنگ داده‌محور که هر کاربر (فارغ از جایگاه سازمانی) بتواند از داده استفاده کند نرم‌افزار هوش تجاری باید بتواند قابلیت‌ها و امکانات تحلیلی را در اختیار آنها قرار دهد.امکاناتی که:استفاده از آن آسان باشدقابلیت شخصی‌سازی بر اساس نیاز کاربر را داشته باشددقیقاً همان‌طوری عمل کند که کاربر انتظار دارد.با مناسب‌سازی خروجی نرم‌افزار برای گروه‌های متفاوت، نرم‌افزار به همه کاربران اجازه استفاده از تجزیه‌وتحلیل را می‌دهد بدون اینکه عملکرد آن با مشکل مواجه شود.اگر تنوع کاربران در کسب‌وکار شما زیاد است (مدیران عامل، مدیران میانی، تحلیلگر کسب‌وکار، تحلیلگر داده، توسعه‌دهنده و …) در هنگام بررسی و انتخاب به توانایی نرم‌افزار در برآورده‌کردن نیازهای هر یک از این کاربران توجه کنید.نرم‌افزار باید بتواند قابلیت‌های تحلیلی را بسته به نیاز برای تمام آنها برآورده کند.امکانات مورد نیاز کاربر تحلیگر هوش تجاریامکانات مورد نیاز کاربر تجاری biپیاده‌سازی و استقرار آسان و ایمنبسیاری از اوقات دپارتمان‌های یک شرکت از سیلوهای داده (data silo ) استفاده کرده و به‌صورت مستقل و جدا از همکار می‌کنند. این موضوع همکاری درون‌سازمانی را به‌شدت مخدوش می‌کند.در این شرکت‌ها نه‌تنها هر کس بر اساس داده‌ها و تجربه‌های خودش تصمیم می‌گیرد؛ بلکه هم‌زمان تصمیمات سایر همکاران و واحدها را بر همان اساس نقض می‌کند.وقتی یک منبع واحد برای داده وجود ندارد همسوسازی داخلی در شرکت با مشکل مواجه شده و معمولاً شرکت‌ها در این شرایط به‌جای رشد درجا می‌زنند.برای جلوگیری از این وضعیت به دنبال نرم‌افزاری باشید که امکان پیاده‌سازی در یک سازمان مدرن را داشته باشد. نرم‌افزاری که به‌سادگی استقرار پیدا کند، امکان مدیریت ایمن و کنترل راهکارهای تحلیلی بر اساس استاندارهای واحد IT شرکت را داشته باشد و بتواند تمام دپارتمان‌ها را در یک راستا قرار دهد.اگر به زبان ساده جمله بالا را بازگو کنیم؛ یعنی نرم‌افزار آن‌طور که شما می‌خواهید قابل‌پیاده‌سازی و مدیریت باشد. قرار است شما نرم‌افزار را مدیریت کنید نه نرم‌افزار شما را!هر کاری که می‌خواهید انجام دهید (استفاده از قابلیت ابری یا نصب روی شبکه محلی یا …) به دنبال نرم‌افزاری باشید که فرایند کنترل و نگهداری را ساده کند و پایش عملکرد، اطمینان از سلامت سیستم، مدیریت انتشار محتوا و کنترل نسخه (version control) را به صورت یکپارچه در اختیار شما قرار دهد.جمع‌بندی پایانیهدف اصلی هوش تجاری کمک به حل مشکلات کسب‌وکارها از طریق تحلیل اطلاعات است.ارائه‌دهنده نرم‌افزار هوش تجاری باید شما را در رسیدن به اهداف کسب‌وکار یاری کند.نرم‌افزار باید جوابگوی نیازهای امروز و فردای شما باشد و ارائه‌دهنده بتواند این موضوع را تضمین کند.نرم‌افزار هوش تجاری باید امکان ساخت داشبوردهای سفارشی را به شما بدهد.باید مصورسازی هوشمند، متنوع و سفارشی را در اختیار بگذارد.قابلیت ادغام در سیستم‌های موجود به‌صورت امبد و تحت وب را داشته باشدامکان استفاده روی تلفن همراه را داشته باشد.امکانات تحلیلی مناسب را در اختیار همه کاربران قرار دهد.پیاده‌سازی و استقرار آن ایمن و راحت باشد.منبع: 6 ویژگی که یک نرم افزار هوش تجاری باید داشته باشد هوش تجاری هوش تجاری Wed, 28 Dec 2022 18:23:57 +0330 https://virgool.io/@decomcoseo101/%D9%85%D8%AF%D9%84-rfm-%D8%AF%D8%B1-%D8%AA%D8%AC%D8%B2%DB%8C%D9%87-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D9%85%D8%B4%D8%AA%D8%B1%DB%8C-%DA%86%DB%8C%D8%B3%D8%AA-ocnrbsui8dha تحلیل داده RFM اگر درباره تحلیل داده مشتری جستجو کنید احتمالاً به واژه RFM بر می‌خورید. RFM یک روش برای دسته‌بندی مشتریان است.دسته‌بندی مشتری شاید در نگاه اول پیچیده به نظر می‌آید؛ اما در واقع یک منطق بسیار ساده دارد. مشتریانی که رفتاری شبیه به هم دارند خواسته‌ها و نیازهای مشابه هم دارند؛ بنابراین می‌توانیم مشتریان را بر اساس اطلاعاتی که از رفتار آنها داریم به چند گروه تقسیم کنیم.تقسیم‌بندی مشتری کمک بزرگی برای هدفمند کردن فعالیت‌های یک شرکت است. در این مقاله راجع به روش تحلیل داده RFM و تقسیم‌بندی مشتری به کمک آن صحبت کرده‌ایم، با دیکام همراه باشید.چرا مشتریان را به چند گروه تقسیم‌بندی می‌کنیم؟شرکت‌ها معمولاً فعالیت‌های تولید و بازاریابی خود را به شکل هدفمند انجام می‌دهند. این موضوع یک علت ساده دارد. کالا یا خدمتی که به درد تمام افراد یا آدم‌های جامعه بخورد وجود ندارد! بنابراین شرکت‌ها برای کالا و خدمات خود مشتری‌‌هایی با ویژگی‌های خاص را در نظر می‌گیرند، سپس بر اساس این ویژگی‌ها مشتری‌ها را به چند گروه تقسیم می‌کنند و روی آنها متمرکز می‌شوند.تقسیم‌بندی بازار و مشتری به شرکت‌ها امکان می‌دهد تا:مشتری‌های وفادار و مهم را شناسایی کنند و روی آنها متمرکز بشوندمشتریان در خطر ریزش یا ازدست‌رفته را شناسایی کنندمحصولات و خدماتی را ارائه کنند که به نیاز و خواسته‌های مشتری نزدیک‌تر استکالا و خدمات خود را از کانال‌هایی عرضه کنند که به دست مشتری هدف برسدبودجه و فعالیت‌های بازاریابی و فروش خود را روی مشتری‌های اصلی متمرکز کنندروش RFM چگونه به وجود آمد؟RFM یک روش قدیمی اما بسیار کارآمد است که از صنعت بازاریابی و تبلیغات شروع و راه خود را به سایر بخش‌های کسب‌وکار پیدا کرده است. درگذشته و پیش از ظهور اینترنت بازاریاب‌ها برای تبلیغ و فروش محصولات از نامه‌‌نگاری استفاده می‌کردند. استفاده از نامه‌های تبلیغاتی به حدی رایج بود که اصطلاح junk mail در آمریکا برای اشاره به آنها استفاده می‌شد.خودتان را به‌جای آن بازاریاب‌ها قرار بدهید. تصور کنید که قرار است برای تعداد زیادی از افراد نامه فیزیکی بفرستید. باید هزینه زیادی برای تایپ نامه و پست بپردازید و فاصله زمانی بین ارسال تا پاسخ گرفتن هم زیاد است. از طرفی نرخ تبدیل این روش بسیار پایین است؛ یعنی افراد کمی بعد از دریافت نامه خرید می‌کنند.شما اگر به‌جای آنها بودید چه می‌کردید؟ازآنجایی‌که روش دیگری در دسترس آنها نبود بهترین کارافزایش بهره‌وری روش فعلی بود.مارکترها به این فکر افتادند که: اگر به سراغ آدم‌هایی برویم که احتمال خرید آنها بیشتر است و افرادی که احتمال خرید پایینی دارند را از لیست دریافت‌کنندگان تبلیغ حذف کنیم چه اتفاقی می‌افتد؟ایده خوبی بود؛ اما چطور؟ وقتی تعداد زیادی مشتری دارید (صدها و هزاران نفر) امکان شناسایی و تحلیل آنها به‌صورت موردی وجود ندارد؛ بنابراین از داده‌های که در اختیار داشتند استفاده کردند تا مشتری‌ها را رتبه‌بندی و به چند گروه تقسیم کنند و برای این کار باید یک معیار یا متریک را انتخاب می‌کردند.مدل RFM چیست؟بازاریاب‌هایی که داستان آنها را در بالا عنوان کردیم سه معیار برای رتبه‌بندی مشتری انتخاب کردند. این سه معیار سرواژه‌های RFM را تشکیل می‌دهند. در این مدل به هر مشتری یک نمره می‌دهیم (بر اساس سه شاخص یا ویژگی) مشتری‌هایی که رتبه‌های مشابه دارند در یک گروه قرار می‌گیرند.معیار اول، آخرین خرید مشتری (Recency) :اولین شاخص این بود که آیا مشتری به‌تازگی از ما خرید کرده است؟ احتمال خرید در مشتری‌های که قبلاً خرید داشته‌اند و مدت‌زمان زیادی از خرید آنها نگذشته است بالاتر از بقیه است. اگر مدت‌زمان زیادی از آخرین خرید آنها گذشته باشد باید نوع پیشنهاد و تخفیفی که به آنها می‌دهیم را تغییر داد.معیار دوم، تناوب خرید مشتری (Frequency) :تناوب خرید؛ یعنی مشتری چند وقت یکبار از ما خرید کرده است. هر چه بازه‌های زمانی بین خریدها کمتر باشد احتمال خرید مجدد بیشتر است. از طرفی درباره نوع خرید و عادت‌های این مشتری‌ها اطلاعات بیشتری داریممعیار سوم، ارزش خرید مشتری (Monetary value) :مشتری چه مبلغی را خریداری کرده است؟ به‌صورت منطقی مشتری که خرید بیشتر و باارزش‌تری داشته باید در اولویت بالاتری قرار بگیرد؟ شاخص ارزش خرید در واقع تصویر بهتری از دو شاخص قبلی به ما می‌دهد و درک آنها را راحت‌تر می‌کند.چرا در مدل RFM از سه شاخص استفاده می‌شود؟چرا فقط از شاخص ارزش خرید مشتری استفاده نکردیم؟بیایید شاخص ارزش خرید مشتری را به‌تنهایی بررسی کنیم. فرض کنید دو مشتری داریم یکی از آنها 10 میلیون تومان از ما خرید کرده و مشتری دوم 6 میلیون تومان اولویت با کدام مشتری است؟با فرض اینکه یک شاخص داریم کسی که خرید بیشتری انجام داده است رتبه بیشتری می‌گیرد.حالا در کنار اطلاعات بالا داده‌های زیر را به مثال اضافه کنیم.مشتری اول یک‌بار از ما خرید کرده و آخرین خرید او یک سال قبل بوده استمشتری دوم در شش ماه گذشته 3 نوبت خرید انجام داده است.استفاده از چند شاخص و معیار باعث می‌شود تا تصویر بهتری از مشتری‌ها داشته باشیم و آنها را به‌درستی گروه‌بندی کنیم.سایر کاربردهای تحلیل RFM – مدل‌سازی ریزش مشتریکاربرد اولیه مدل RFM برای افزایش فروش و بهبود فعالیت‌های بازاریابی است؛ اما مفهوم آن را می‌توان به‌سادگی به سایر شرایط تعمیم داد. برای مثال از تحلیل RFM برای ایجاد مدل‌های پیش‌بینی ریزش مشتری استفاده می‌کنند.جذب مشتری جدید برای شرکت‌ها هزینه زیادی دارد. در واقع جذب هر مشتری جدید چیزی حدود 5 برابر بیشتر از نگهداری مشتری‌ فعلی هزینه دارد. به همین علت جلوگیری از ریزش مشتری برای کسب‌وکارها بسیار مهم است.شرکت‌های پیشرو سعی می‌کنند باتوجه‌به داده‌هایی که از رفتار مشتری‌ دارند احتمال ریزش آنها را پیش‌بینی و جلوی این اتفاق را بگیرند.برای مثال یک خدمت یا سرویس تحت وب را در نظر بگیرید:مشتری 1 (کاربر – مشترک): تقریباً هر روز به اکانت خود سر می‌زند، تنها یک‌بار با پشتیبانی تماس داشته است و اشتراک طولانی‌مدت طلایی را خریداری کرده است.مشتری 2: دو ماه است که وارد حساب کاربری خود نشده است (Recency) تعداد تماس‌های گرفته شده او با پشتیبانی زیاد است (Frequency) و حق اشتراک در دوره‌های کوتاه و مدت و با پلن پایه خریداری می‌شود.به نظر شما احتمال ریزش کدام یک از این مشتری‌ها بیشتر است.برای استفاده از مدل RFM به چه چیزهایی نیاز داریمداده، داده اولین و آخرین چیزی است که برای دسته‌بندی مشتری ضروری و لازم است. اگر داده‌های مربوط به مشتری را ثبت و ذخیره نمی‌کنید یا داده‌هایی که در اختیار دارید منظم و قابل‌استفاده نیستند همین‌الان دست‌به‌کار شوید.برای پیاده‌سازی مدل RFM از چه نرم‌افزاری استفاده کنیمواقعیت این است که برای دسته‌بندی مشتری به نرم‌افزار خاصی احتیاج ندارید. اگر داده مشتری‌های شما زیاد نیست و زمان، حوصله و مهارت کافی را دارید می‌توانید داده‌ها را در اکسل دسته‌بندی و ارزش‌گذاری کنید.اما اگر حجم داده مشتریان شما زیاد است، به تحلیل پیچیده‌تر، دقیق‌تر و به روزی نیاز دارید و می‌خواهید عامل انسانی را از پروسه تحلیل حذف کنید می‌توانید از هوش تجاری استفاده کنید.فرایند استخراج داده و گروه‌بندی مشتری به‌صورت اتوماتیک انجام می‌شود و نتیجه به‌صورت یک داشبورد مدیریتی در اختیار شما قرار می‌گیرد. نکاتی قبل از استفاده از هوش تجاری باید بدانید را در وبلاگ دیکام مطالعه کنید.منبع: مدل RFM در تجزیه تحلیل اطلاعات مشتری چیست ؟ هوش تجاری هوش تجاری Tue, 20 Dec 2022 16:12:34 +0330 https://virgool.io/@decomcoseo101/tips-before-bi-implementation-y9dxxm8pdokt نکات مهم قبل از پیاده سازی هوش تجاریاز کار با اکسل و خواندن گزارش‌های حسابداری خسته شده‌اید و به دنبال یک نرم‌افزار خوب برای ساخت داشبورد مدیریتی هستید یا به دنبال یک راهکار نرم‌افزاری جامع برای مدیریت اطلاعات شرکت خود می‌گردید؟اگر می‌خواهید از هوش تجاری در کسب‌وکار خود استفاده کنید پیش از هر چیز توصیه می‌کنیم مطلب زیر را مطالعه کنید.در مقاله زیر سعی کرده‌ایم نکات مهم که پیش و در حین پیاده‌سازی هوش تجاری باید موردتوجه قرار گیرد را ذکر کنیم. در قسمت پایانی مقاله درباره شرایط بازار داخل کشور و نرم‌افزارهای در دسترس توضیح بیشتری ‌داده‌ایم.برای اطلاعات بیشتر درباره مراحل پیاده سازی هوش تجاری  مطالب سایت دیکام را مطالعه بفرمایید.از هوش تجاری چه می‌خواهید؟اگر هوش تجاری را در گوگل جستجو و مقالات مربوط به آن را مطالعه می‌کنید قطعاً مشکلی در کسب و کار خود دارید که با نرم‌افزار‌های عملیاتی (مثل حسابداری یا CRM ) حل نمی‌شود.هدف شما از به‌کارگیری هوش تجاری و انتظارات پایه‌ای که از یک نرم‌افزار دارید چیست؟چه کاربرانی قرار است از این نرم‌افزار استفاده کنند و سطح دسترسی به اطلاعات در سازمان چقدر است؟شرکت ارائه‌کننده چه سطحی از پشتیبانی و آموزش را برای شما در نظر می‌گیرد و تا کجا همراه شماست؟نرم‌افزاری که انتخاب می‌کنید انعطاف لازم را دارد و می‌تواند نیازهای آینده شما را هم بر طرف کند؟اینها سؤالاتی هستند که باید برای آنها پاسخ‌های مناسبی داشته باشیم. وقتی به سراغ هوش تجاری می روید ممکن است با امکانات وسوسه‌کننده‌ای روبرو شوید.بهتر است اولویت‌های خود را مشخص کنید و روی آنها تمرکز کنید. از شرکت ارائه‌کننده بخواهید ابتدا نیازهای ضروری شما را برطرف کند. این کار از اتلاف زمان جلوگیری کرده و هزینه‌ها را کاهش می‌دهد.اگر تجربه قبلی ندارید با پروژه‌ای کوچک که بخشی از فرایندهای سازمان شما را پوشش می‌دهد شروع کنید (مثلاً از تیم فروش) تطبیق روندهای کاری و پرسنل با راهکار جدید زمان بر است.هوش تجاری یک پروژه IT نیست ، BI فقط داشبورد نیستقبل از انتخاب نرم‌افزار و هزینه‌کردن برای هوش تجاری باید به این نکته مهم دقت بکنیم. هوش تجاری صرفاً تعدادی داشبورد که اطلاعات را نمایش می‌دهند نیست و استقرار هوش تجاری فقط به واحد IT شرکت مربوط نمی‌شود. کسانی که بیشترین استفاده را از هوش تجاری دارند در وهله اول مدیران و تصمیم گیرندگان در یک شرکت هستند.به BI به‌عنوان یک پروژه تغییر سازمانی نگاه کنید. هدف BI تغییر در روش تصمیم‌گیری و نحوه عملکرد در شرکت است و نیاز به حمایت و توجه تمام واحد‌ها، مدیران و پرسنل آنها دارد.اگر هوش تجاری پس از اجرا باعث تغییر در عملکرد مجموعه و روش تصمیم‌گیری نشود باید آن را پروژه‌ای شکست‌خورده دانست.کلید موفقیت هوش تجاری، مدیریت تغییرمعمولاً توجه به هوش تجاری در شرکت‌ها وقتی شروع می‌شود که افرادی در داخل مجموعه به اهمیت تصمیم‌گیری بر اساس اطلاعات و مزیت‌های استفاده از یک راهکار نرم‌افزاری پی‌ می‌برند. افرادی که متوجه شده‌اند دوران غرق‌شدن داخل صفحه‌های اکسل گذشته است و تصمیم گرفته‌اند تا وضع موجود را تغییر دهند.اگر تصمیم برای تغییر فقط از سمت مدیریت و بدون همراه‌کردن پرسنل باشد احتمال موفقیت بسیار پایین است. مثل هر نوع تغییر دیگری در یک شرکت، استفاده از هوش تجاری هم گام‌هایی دارد که باید رعایت بشود.دپارتمان‌ها، مدیران و پرسنل شرکت باید در جریان اهمیت پروژه، موارد استفاده و مزایای آن قرار گیرند.گروهی برای پشتیبانی و پیگیری پروژه تشکیل شود تا به سؤالات پرسنل پاسخ بدهد و مشکلات احتمالی را رفع کند.پروژه باید باهدف‌های کوچک و در دسترس شروع شود و به‌تدریج داخل فرهنگ سازمانی جا بیفتد.تا جایگزینی کامل راهکارهای بهینه شده توسط هوش تجاری روش‌های فعلی که مؤثر هستند حذف نشوند. این کار باعث سردرگمی پرسنل می‌شود. به یاد داشته باشیم “یک سیستم بد بهتر از نبود سیستم است”مهم است که مدیر شرکت در مورد پروژه هوش تجاری با شفافیت عمل کند.آموزش کامل و اصولی به پرسنل و مدیران برای استفاده از هوش تجاری و جاانداختن آن در فرهنگ سازمانی داده شود.آیا داده موردنیاز را در اختیار دارید؟بعضی از شرکت‌ها در حالی به سمت استفاده از هوش تجاری می‌روند که موتور محرک و سوخت اصلی آن یعنی داده و اطلاعات را در دسترس ندارند.برای مثال اگر می‌خواهید برای افزایش فروش با کمک هوش تجاری برنامه‌ریزی کنید ابتدا باید فکری به حال مدیریت ارتباط با مشتری در شرکت خود بکنید. برای این مثال خاص درصورتی‌که داده‌های مربوط به مشتری به‌صورت منظم ذخیره شده باشد پیاده‌سازی هوش تجاری بسیار ساده‌تر و مؤثرتر خواهد بود.بنابراین، باید سطح توقع از هوش تجاری را با داده‌هایی که در اختیار داریم متناسب کرد. اگر منابع داده در شرکت محدود است یا منظم نیست و پراکندگی بالایی دارد پیش از استفاده از هوش تجاری باید برای رفع این موانع برنامه داشت.به‌هرحال شرکت ارائه‌دهنده هوش تجاری در فاز امکان‌سنجی باید این موارد را بررسی و راه کارهای مناسب را به شما ارائه دهد.پیش از استقرار هوش تجاری KPIها را شناسایی کنید.شاخص‌های کلیدی عملکرد نشانگرهایی هستند که نحوه و میزان انجام امور را نشان می‌دهند. شاخص‌های عملکردی برای هر شرکت باتوجه‌به صنف و صنعت و شرایط متفاوت است و قسمت مهمی از پیاده‌سازی هوش تجاری شناسایی شاخص‌های اصلی و کلیدی است.گرچه هیچ‌کس بهتر از افراد داخل شرکت به یک کسب و کار خود اشراف ندارد، اما شناسایی KPIها و ساخت داشبوردهای مناسب برای کاربران از جمله مواردی است که یک ارائه‌کننده باتجربه می‌تواند در مورد آن راهنمایی ارائه کند.بنابراین، به دنبال شرکتی باشید که حاضر باشد تخصص خود را به شما انتقال دهد.اهمیت پشتیبانی کامل ارائه‌کننده نرم‌افزاربا دانستن نکات بالا اهمیت پشتیبانی شرکت ارائه‌کننده نرم‌افزار بیش‌تر از قبل مشخص می‌شود. وقتی قصد انتخاب نرم‌افزار را دارید باید به ارائه‌کننده آن توجه کنید. پشتیبانی برای استقرار یک پلتفرم هوش تجاری فقط به بحث فنی محدود نمی‌شود.ساختن چند داشبورد برای یک شرکت و سپس رهاکردن کاربران به امید خدا به معنی استقرار هوش تجاری نیست.اهمیت آموزش در استفاده از هوش تجاریآموزش هم جز موارد مرتبط با پشتیبانی است. در شرکت‌ها با دو نوع کاربر تجاری و کاربر فنی روبرو هستیم که هرکدام نیازهای آموزشی خاص خودشان را دارند.شما به ارائه‌کننده‌ای احتیاج دارید که در تمام مراحل نصب، آموزش، و استقرار هوش تجاری تا رسیدن به نتیجه مطلوب در کنار شما باشد. تیمی از مشاوران هوش تجاری که نیازها و الزامات خاص شرکت شما را در ابعاد فنی، مدیریتی، سازمانی و نیز از نظر شرایط مربوط به حوزه کاری لحاظ کرده و نقشه راه به‌کارگیری هوش تجاری را برای شما ترسیم کنند.هزینه استفاده از هوش تجاری؟آخرین نکته هزینه‌ای است که برای پیاده سازی و استفاده از هوش تجاری می‌پردازید. هزینه صرفاً پول نیست؛ بلکه زمان اجرای پروژه، کارایی آن، و هزینه‌ای که اکنون در نبود راهکار هوش تجاری برای روش‌های ناکارآمد می‌پردازید را لحاظ کنید.اگر هزینه فایده استفاده از هوش تجاری در اصلاح فرایند‌های داخلی و افزایش بهره‌وری قابل‌توجیه است دست بکار شوید.نکاتی در مورد نرم‌افزارهای هوش تجاری در ایرانامروزه شرکت‌ها و حتی اشخاص زیادی در کشور وجود دارند که پیاده‌سازی نرم‌افزارهای هوش تجاری را انجام می‌دهند. اما بعضا مفهوم هوش تجاری را در حد ساختن داشبورد پایین آورده‌اند. هوش تجاری در ایران مشکلاتی دارد که به بعضی از آنها اشاره می‌کنیم.عدم حضور شرکت‌های اصلی توسعه ‌دهنده نرم‌افزار هوش تجاریشاید این موضوع بزرگ‌ترین مشکل در مسیر به‌کارگیری نرم‌افزارهای هوش تجاری در کشور باشد. به علت عدم ورود شرکت‌های توسعه‌دهنده شاهد استفاده از نسخه‌های رایگان و یا کرک شده نرم‌افزارها هستیم که خود مشکلات زیادی را برای شرکت‌های استفاده‌کننده به وجود می‌آورد.نسخه‌های رایگان یا کرک شده امکانات و توانایی‌های نسخه اصلی را ندارند. در کنار این مسئله ارائه‌کنندگان نرم‌افزار ممکن است توانایی فنی لازم برای استفاده یا آموزش و پشتیبانی از همان قابلیت‌های محدود را هم نداشته باشند.ازآنجایی‌که بین این ارائه‌کنندگان و توسعه‌دهنده (مثلاً مایکروسافت) هیچ رابطه قانونی و حرفه‌ای وجود ندارد استانداردی برای پشتیبانی و آموزش مشتریان هم دیده نشده است.هزینه بالای هوش تجاری و جای خالی self service biتوسعه‌دهندگان بین‌المللی مثل مایکروسافت و تبلو سال‌هاست که تلاش کرده‌اند تا هزینه استفاده از نرم‌افزارهای هوش تجاری را آن‌قدر کاهش دهند که شرکت‌های کوچک هم قادر به استفاده از نرم‌افزارهای آنها باشند. ارائه خدمات هوش تجاری به‌صورت ابری (cloud) برای نرم‌ افزار power bi تلاشی برای فراگیر کردن استفاده از هوش تجاری از سمت مایکروسافت بوده است.ارائه هوش تجاری به‌صورت self service عامل دیگری در کاهش هزینه‌ها است . self service بودن یک نرم‌افزار BI به کاربران غیرفنی اجازه می‌دهد بدون نیاز به واحد IT و افراد فنی با داده‌ها کار کنند و داشبوردها و گزارش‌های موردنیاز خود را بسازند.با وجود تمام موارد بالا آنچه در کشور شاهد آن هستیم پدیده داشبورد فروشی است. پروژه‌های پیاده ‌سازی شده با نسخه رایگان power bi از چند صد میلیون تا چند میلیارد تومان متغیر هستند. بعضی از شرکت‌های ارائه‌دهنده پروژه‌ها را بر اساس تعداد داشبورد قیمت‌گذاری می‌کنند و متأسفانه برخی از این شرکت‌ها به‌صراحت می‌گویند که هوش تجاری مناسب کسب و کارهای کوچک و متوسط نیست.عدم انعطاف‌پذیری نرم‌افزارانعطاف‌پذیربودن، توانایی شرکت توسعه دهنده برای توسعه نرم‌افزار بر اساس خواست و نیاز مشتری است. نیازهای جدید مشتری باید توسط ارائه‌دهنده دیده شود و برای آنها راهکارها ارائه گردد. هنگامی که از نرم‌افزار رایگان یا قفل‌شکسته استفاده می‌کنید هیچ پشتیبانی از توسعه‌دهنده (شرکت مادر) در این زمینه دریافت نخواهید کردتوانایی فنی در کار با پایگاه‌های دادهنرم‌افزار تنها بخشی از داستان است و آنچه اهمیت بیشتری دارد توانایی کار با پایگاه‌های داده و ارائه خدمات ETL است . متأسفانه شرکت‌هایی که توانایی فنی و عملی در پیاده‌سازی انبارهای داده داشته باشند زیاد نیستند و این مطلب مشکل بزرگی در راه‌اندازی هوش تجاری است.نبود راهکارهای جامع نرم‌افزاریهمان‌طور که قبلاً اشاره شد مشکل بعضی از کسب‌وکارها نداشتن سازوکار مناسب برای جمع‌آوری درست داده است. به علت نبودن راهکارهای جامع در بازار نرم‌افزاری کشور شرکت‌ها بعضاً با مشکل گردآوری و دسته‌بندی داده‌ها روبرو هستند. تعداد زیاد و متفاوت نرم افزارهای عملیاتی بعلاوه فراینده‌های کاری معیوب پیاده‌سازی هوش تجاری را زمان‌بر و سخت می‌کند.جمع‌بندی پایانیاگر قصد پیاده‌سازی هوش تجاری را دارید حتماً به مواردی که در بالا عنوان شد توجه کنید.دقت کنید حتماً نیازهای شرکت و نوع کاربرانی که قرار است از نرم‌افزار استفاده کنند را مشخص کنید.بررسی کنید کدام یک از نرم‌افزارهای موجود جوابگوی از نیازها و نیازهای احتمالی شما در آینده هستند. نوع حوزه کاری و اندازه شرکت خود را در نظر بگیرید و با نگاه به آینده انعطاف‌پذیری نرم‌افزارها را بررسی کنید.در مورد ارائه‌کنندگان هوش تجاری به سطح پشتیبانی شرکت خدمات‌دهنده در زمینه استقرار و آموزش توجه ویژه‌ای داشته باشید.در زمان معرفی محصول حتماً از ارائه‌دهنده بخواهید دموی زنده از نرم‌افزار را برای شما نمایش دهد، به ویدئو های از قبل ضبط شده اتکا نکنید. اصرار کنید جلسه ارائه و ساخت داشبورد به‌صورت زنده و با داده‌های واقعی خود شما انجام بگیرد.استفاده از یک تیم مشاور خارج از سازمان برای کمک به استقرار پلتفرم هوش تجاری کمک بزرگی خواهد بود و مانع ازبین‌رفتن وقت و انرژی پرسنل و مدیران می‌شود. بهتر است که این خدمات توسط ارائه‌کننده و توسعه‌دهنده نرم‌افزار در اختیار شما قرار گیرد و جزئی از قرارداد باشد.منبع : 12 نکته مهم پیش از استفاده از هوش تجاری هوش تجاری هوش تجاری Tue, 20 Dec 2022 16:07:06 +0330 https://virgool.io/@decomcoseo101/%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7-%D9%88-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D9%85%D8%B4%D8%AA%D8%B1%DB%8C-%D9%88-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF-%D8%A2%D9%86-%D8%AF%D8%B1-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-tzxdstbjljht https://virgool.io/p/tzxdstbjljht/%F0%9F%93%B7 داده‌های مختلفی در یک کسب‌وکار تولید و ذخیره می‌شوند و اطلاعات مربوط به مشتری‌ها یکی از مهم‌ترین و ارزشمندترین داده‌‌های هر شرکت است. در این مقاله به داده‌های مربوط به مشتری، اهمیت تحلیل داده مشتری و کاربرد آنها در هوش تجاری می‌پردازیم. با دیکام همراه باشیدچه داده‌هایی برای کسب‌وکار من مهم است؟به‌صورت کلی هر نوع داده‌ای که بتواند به تصمیم‌گیری بهتر و دقیق‌تر منجر شود مهم استبر اساس گزارش 2018 شرکت SnapLogic سه دسته از داده‌ها بیشترین تأثیر را روی عملکرد شرکت‌ها داشته و اهمیت بیشتری برای آنها دارند. این سه دسته عبارت‌اند از:داده‌های مشتریانداده‌های بخش ITداده‌های واحد مالیاگر کمی به شماره 2 و 3 دقت کنیم متوجه می‌شویم که این دودسته از داده‌ها حاوی اطلاعاتی هستند که نشان می‌دهند که یک شرکت چه وضعیتی از نظر مالی، عملکردی دارد و چگونه اداره می‌شود. در ادامه به مورد اول یعنی داده مشتریان پرداخته‌ایم.اطلاعات مشتری چه کمکی به ما می‌کند؟ چرا داده‌های مشتری مهم است؟شرکت‌های تجاری همیشه مراقب وضعیت مالی خودشان هستند. قطعاً شما هم دوست ندارید یک کسب‌وکار زیان‌ده را مدیریت کنید. اما چرتکه انداختن صرف و داشتن حساب کلی ضرر و زیان سالانه، کافی نیست. باید فرصت‌ها و تهدیدهای پیشروی کسب‌وکار خود را هم بشناسید.آیا می‌توانید همین‌الان و بدون سروکله زدن با دفاتر مالی شرکت به این سؤالات پاسخ دهید؟سودده‌ترین مشتری‌های شما چه کسانی هستند؟ ده مشتری اول را می‌شناسید؟سال قبل چند مشتری را از دست داده‌اید؟هزینه جذب هر مشتری جدید برای شما چقدر هست؟تحلیل داده‌های مشتری‌ها و داشتن اطلاعات دقیق از آنها در موارد زیر به شما کمک می‌کندحفظ مشتری‌های فعلیمشتری‌ها بدون شک یکی از دارایی‌های ارزشمند هر شرکت هستند حتی ازدست‌دادن یک مشتری می‌تواند ضرر زیادی را به دنبال داشته باشد، خصوصاً در یک بازار رقابتی که هزینه جذب مشتری جدید می‌تواند بین 5 تا 25 برابر بیشتر از نگهداری مشتریان فعلی باشد.فرایند تبدیل یک مشتری احتمالی به یک مشتری سودده پرهزینه و زمان بر است. پس بهتر هست زمان و منابع شرکت را در وهله اول روی مشتری فعلی هزینه کنیم.شناخت مشتری هدفرفتار مشتری‌ها و عادات و روش‌های خرید آنها در سال‌های گذشته تغییر زیادی کرده است. مسائلی که زمانی در برخورد با مشتری‌ها عادی بود، امروز ناپسند است و چیزی‌هایی که مشتری قبلاً دوست داشت اکنون دیگر جزء خواسته‌های او نیست.خواسته‌های مشتریان به‌صورت دائم تغییر می‌کند و توقعات آنها درباره محصول و خدمات افزایش می‌یابد. به همین علت نوع نگاه و روش برخورد با آنها حداقل در بخش خصوصی دچار تغییر شده است.آنچه در حال حاضر در تعامل با مشتریان اهمیت زیادی دارد شناخت رفتار آنها یا به عبارتی داشتن نوعی از دانش نسبت به مشتریان است. اگر مشتری‌های خود را به‌خوبی بشناسید هر برخورد و اتفاقی بین شما و آنها از قبل برنامه‌ریزی‌شده و “معنادار” خواهد بود.ایجاد تجربه مثبت برای مشتریشناخت مشتری باعث می‌شود ترجیحات، علاقه‌مندی‌ها، رفتار و گرایش‌های او را بدانید. دانستن این خصوصیات کمک می‌کند بتوانید خدمات و کالاهای خود را با خواست و نیاز بازار تطبیق بدهید.می‌توانید یک تجربه خاص و شخصی را برای مشتری خلق کنید، چیزی که شما را از بقیه رقبا متمایز می‌کند. این تمایز و احساس آشنایی با برند و شرکت کمک می‌کند تا وفاداری مشتری را جلب کنید.خلق مشتری وفادارمشتریان وفادار نه‌تنها در کنار شما خواهند ماند (بالارفتن شاخص حفظ مشتری) بلکه خود آن‌ها به‌عنوان مبلغی برای محصول و خدمات شما عمل می‌کنند. تبلیغ دهان‌به‌دهان و شخص به شخص می‌تواند مؤثرتر از ده‌ها کمپین بازاریابی عمل کند.ارتقا وجهه شرکت و تصویر برند شماتجربه و حسی که مشتری از کارکردن با شما دارد اگر مهم‌تر از محصول یا خدمتی که ارائه می‌کنید نباشد اهمیت کمتری ندارد. مشتریان چه تصوری از برند یا نام شرکت شما دارند و تصویری که با شنیدن نام برند شما در ذهن آنها نقش می‌بندد چیست؟جمع‌آوری و تحلیل داده‌های مشتری این سؤال را پاسخ می‌دهد و راه را برای انجام فعالیت‌های هدفمند در بازاریابی، فروش و خدمات باز می‌کند4 نوع اصلی داده‌های مشتریانداده‌های مربوط به مشتر‌ی انواع مختلفی دارد و به روش‌های متفاوتی می‌توان آن‌ها را دسته‌بندی کرد؛ اما چهار موردی که در ادامه ذکر شده‌اند به‌صورت گسترده توسط شرکت‌ها استفاده می‌شوند.داده‌های هویتی یا اطلاعات دموگرافیک:داده‌های هویتی پایه‌ای‌ترین و اساسی‌ترین اطلاعات درباره یک فرد را شامل می‌شود؛ مانند اسم، سن، جنسیت، شماره‌تلفن، آدرس … جمع‌آوری و تحلیل این داده‌ها معمولاً سخت نیست و اطلاعاتی که ارائه می‌کنند ملموس هستند، اما چیز زیادی درباره خود شخص (یک فرد به‌خصوص) به ما نمی‌گویند.داده‌های رفتاری:داده‌های رفتاری شامل عادت‌ها و رفتارهایی می‌شود که مشتریان حین خرید از شما یا استفاده از محصولات شما از خود نشان می‌دهند . (مثلاً نوع فعالیت مشتری در وب‌سایت یا اپلیکیشن یک شرکت). یکی از بهترین راه‌های شناخت مشتری‌ها جمع‌آوری همین اطلاعات است این نوع از داده‌ها معمولاً به‌صورت کمی قابل‌اندازه‌گیری و نمایش هستند.داده‌های تراکنش مالی:در واقع زیرمجموعه‌ای از داده‌های رفتاری هستند؛ اما یک تفاوت مهم دارند. تعاملات گذشته مشتری با کسب‌وکار شما را نشان می‌دهند. مثلاً چه چیزی خریده‌اند یا برگشت داده‌اند، مبادله مالی آنها چقدر طول کشیده است، و در چند وقت یکبار خرید کرده‌اند؟داده‌های نگرشی (کیفی):با بررسی آنها متوجه می‌شوید مشتری چه نظری درباره برند یا محصول شما دارد. برای مثال پیشنهاد‌های شما چقدر برای آنها جذاب است، سهولت استفاده از محصول و خدمت شما چطور است و رضایتمندی آنها مشتری‌ها در چه سطحی قرار دارد.داده‌های کیفی بسیار ارزشمند هستند و کمک می‌کنند تا نظرات، علاقه‌مندی‌ها و ارزش‌های یک مشتری را درک کنید. اما گردآوری و تحلیل آن‌ها به همان اندازه سخت و مشکل است.چهار دسته اصلی داده در کنار یکدیگر تصویری کامل از مشتری را ارائه کرده کمک می‌کند تا بیشترین ارزش را از این اطلاعات استخراج کنیدتحلیل داده مشتری و تصمیم‌گیری مطمئن به کمک هوش تجاری:اطلاعات در قلب و مرکز هر تصمیم استراتژیک قرار دارد. بدون استفاده از روش‌های “داده‌محور” برنامه‌های یک شرکت چیزی بیشتر از حدس و گمان نیست و در بازی حدس و گمان ممکن است بیشتر از چیزی که به دست می‌آوریم، ببازیم.داده‌های مربوط به مشتری می‌توانند به سؤالات زیادی جواب بدهند. از جمله:مشتری‌های من چند دسته هستند و کدام بخش بیشترین درآمد را تأمین می‌کند؟پرسودترین مشتری‌های من چه کسانی هستند؟ کجا زندگی می‌کنند؟ تحصیلات، سن و سطح درآمد آنها چقدر است؟چه محصولی توسط چه گروه‌هایی بیشتر خریداری می‌شود؟محصولات جدیدم را چطور قیمت‌گذاری کنم و روی کدام مشتری تمرکز بیشتری داشته باشم؟برای حفظ مشتری‌های فعلی یا جذب مشتریان جدید و نیز امکان‌سنجی عرضه محصولات و خدمات تازه نیاز به دانستن این اطلاعات دارید.در ادامه به کاربرد داده‌ها در بخش بازاریابی و فروش اشاره می‌کنیم.بهبود روش‌های فروش با تحلیل داده‌های مشتریهوش تجاری و استفاده از داده‌های مشتری از چند روش می‌تواند فروش یک شرکت را افزایش دهدشناسایی و تمرکز بر روی مشتری‌های سودآورتر:بهترین مشتری شما ممکن است کسی نباشد که بیشترین حجم خرید را از شما کرده است. در عوض مشتری قابل اتکایی باشد که به‌صورت دائمی و منظم خرید مناسبی را انجام می‌دهد. به‌وسیله هوش تجاری می‌توانید مشتری‌های خودتان را بر اساس تعداد سفارش، دوره سفارش دهی و ارزش سفارش‌ها رتبه‌بندی کنید و تعیین کنید چه کسی بهترین و سودآورترین مشتری شما است.پس از استخراج مشخصات کامل مشتری‌ها و دسته‌بندی آنها می‌توانید این کارها را انجام دهید.می‌توانید به مشتریانی که ارزش بیشتری دارند توجه مخصوصی را معطوف کنید تا از حفظ این مشتریان مطمئن شوید و وفاداری آنها را تضمین کنید. از طرفی می‌توانید فعالیت‌های بازاریابی خود را به سمت مشتریانی ببرید که از نظر مشخصات به آنها شباهت دارند سعی کنید این دسته از مشتریان را جذب کنید.این اولویت‌بندی به شما کمک کند به‌تدریج مشتری‌هایی که ارزش بالایی برای شرکت ندارند یا هزینه زیادی را تحمیل می‌کنند را با مشتریانی که ارزش ذاتی بالاتری دارند تعویض کنید.پیش‌بینی آینده بازار:مرحله بعدی استفاده از هوش تجاری پیش‌بینی گرایش‌های بازار در آینده است. پرسش‌های زیر به زمانی در آینده مربوط هستند اگر بتوانید به آنها پاسخ بگویید؛ یعنی به اطلاعاتی دسترسی دارید که درآمد شما را در آینده تضمین می‌کند.1- چه چیزی قرار است بفروشید؟2- آن را به چه کسانی خواهید فروخت؟3- کی و کجا قرار است آن کالاها را بفروشید؟این اطلاعات ارزش تجاری بالایی دارند. پیش‌بینی صحیح بازار حتی در کوتاه‌مدت باعث افزایش نرخ تکمیل سفارش‌ها (بالارفتن نرخ تبدیل)، کاهش مشکلات مربوط به موجودی کالا و انبارداری و افزایش حاشیه سود شرکت می‌شود.به کمک هوش تجاری و تحلیل داده محصولات و خدماتی که در آینده متقاضی دارد را پیش‌بینی کنید و در ارائه آن محصولات جزء اولین شرکت‌ها باشید . می‌توانید خدمات و محصولاتی را به مشتریان ارائه کنید که آنها را غافلگیر کند، مواردی که حتی تصوری از آنها نداشته‌اند و نمی‌دانسته‌اند چنین خدمت یا کالایی را ممکن است بخواهند!.بازاریابی هدفمند باهوش تجاریمشتری‌های شما چه کسانی هستند و در کجا می‌توانید آن‌ها را پیدا کنید؟ پاسخ به این سؤال بخش بزرگی از معمای بازاریابی یک شرکت را حل می‌کند. در بازاریابی مدرن هر حرکت بازاریابی و تبلیغاتی مخاطب خاص خود را دارد. نمی‌توان بدون درنظرگرفتن مخاطب هدف، برای همه و در همه‌جا تبلیغ کرد.تحلیل اطلاعات باهوش تجاری، بازاریابی را هدفمند می‌کند. زمانی که مخاطب خود را شناختید و دانستید مشتری شما چه کسانی هستند می‌توانید آن‌ها را در مکان‌هایی که بیشتر حضور دارند پیدا کنید.برای مثال مخاطبان شما روی کدام شبکه‌های اجتماعی فعال هستند و چه محتوایی را ترجیح می‌دهند. برای این مخاطب خاص تبلیغات روی اینستاگرام بهتر است یا توییتر و یا تبلیغات مستقیم و تلفنی؟ با شناختی که به دست می‌آورید از روشی‌هایی در بازاریابی استفاده خواهید که بیشترین تأثیر را روی مشتری‌ها داشته باشد.روی رفتار مشتری تأثیر بگذارید:تحلیل داده به کمک هوش تجاری این توانایی را به شرکت ها می دهد تا بازی بازاریابی را یک قدم جلوتر ببرند و رفتار مشتری را تحت تاثیر قرار بدهند. با درک سلایق و خواسته های آن‌ها می توانید فعالیت های بازاریابی و تبلیغاتی خود را به صورتی انجام بدهید که گرایش و تمایل خاصی را به بازار مصرف القا کند . این شما هستید که به مشتری القا می کنید چه چیزی را می خواهد و چه چیزی برای او بهتر است .در واقع کالا و خدماتی را به او ارائه می‌کنید که از وجود آن‌ها اطلاع نداشته یا نمی‌دانسته به این خدمات نیاز دارد!تأثیر برنامه‌های بازاریابی خود را اندازه‌گیری کنید:وقتی بتوانید تأثیر روش‌های بازاریابی را بسنجید، بودجه را به روش‌ها و کانال‌هایی اختصاص می‌دهید که بیشترین اثر را دارند. فرض کنید یک کمپین بازاریابی تشکیل داده‌اید و در آن خدمتی را به‌رایگان عرضه می‌کنید. اگر این کمپین موفق شد دلایل موفقیت را بررسی کنید و از اطلاعاتی که به دست آورده‌اید برای ارائه محصولات دیگر یا خدمات مشابه آن استفاده کنید.موفقیت بازاریابی را می‌توان ازنقطه‌نظر هزینه و بازگشت سرمایه هم بررسی کرد. (هوش تجاری امکان محاسبه دقیق آن را فراهم می‌کند) بودجه باید به فعالیت‌هایی اختصاص پیدا کند که بیشترین نرخ بازگشت سرمایه را دارند.برای مثال یک برنامه تبلیغاتی که 700 میلیون درآمد داشته؛ اما فقط 100 میلیون هزینه آن شده است نسبت به برنامه دیگری که یک میلیارد درآمد نصیب شرکت کرده اما 250 میلیون هزینه داشته است نرخ بازگشت سرمایه بیشتری دارد و در نتیجه مقرون‌به‌صرفه‌تر است.منبع : داده‌ها و اطلاعات مشتری و کاربرد آن در هوش تجاری هوش تجاری هوش تجاری Mon, 05 Dec 2022 11:04:04 +0330 https://virgool.io/@decomcoseo101/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D8%A7-%DB%8C%DA%A9-kpi-%D9%85%D9%88%D9%81%D9%82-%D8%B4%D9%88%DB%8C%D9%85-%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8-%D8%B4%D8%A7%D8%AE%D8%B5-%DA%A9%D9%84%DB%8C%D8%AF%DB%8C-%D8%A8%D8%B1%D8%AA%D8%B1-%D9%85%D8%B7%D8%A7%D9%84%D8%B9%D9%87-%D9%85%D9%88%D8%B1%D8%AF%DB%8C-british-airways-v79plnx0tzm5 https://virgool.io/p/v79plnx0tzm5/%F0%9F%93%B7 شاخص های کلیدی عملکرد و روش‌های سنجش و مدیریت عملکرد در دهه های اخیر مرکز توجه بوده است.تحول در شرکت British Airways به‌عنوان یک مورد پژوهشی، مورد‌توجه بسیاری از علاقه‌مندان به حوزه مدیریت است. تحول از یک شرکت دولتی ضرر ده به شرکتی که نه‌تنها سود می‌داد؛ بلکه به‌ یکی از غول‌های اصلی بازار جهانی تبدیل شد و رقبای محلی خود را یک‌به‌یک بلعید! و حذف کرد.در این مقاله ماجرای این تغییر بزرگ را بازگو کرده‌ و به بررسی خصوصیات یک KPI برتر از زبان دیود پارمنتر نویسنده کتاب ” شاخص های کلیدی عملکرد” می‌پردازیم.با دیکام همراه باشیدKpi ، داستان تبدیل‌شدن از بدترین به بهتریندر دهه 1980 میلادی خطوط هوایی بریتیش (British Airways یا به‌اختصارBA ) شرکتی بود که پرچم انگلستان را روی بدنه هواپیماهایش حمل می‌کرد. می‌توان گفت BA در آن سال‌ها معادل هواپیمایی ایران‌ایر در کشور خودمان بود.اما کلمه BA به‌صورت دیگری هم در انگلستان خوانده می‌شد (bloody awful) یعنی در نهایت فضاحت، به زبان فارسی سلیس گند و مزخرف (بابت واژه‌ها عذرخواهی می‌کنم؛ اما چهره عمومی خطوط هوایی بریتیش در آن زمان دقیقاً همین بود)مشکل از کجا بود؟ و چه ارتباطی با بحث KPI یا شاخصه‌های کلیدی عملکرد دارد؟مشکل شرکت BA مشکل تمام سازمان‌ها و شرکت‌های دولتی بود. ناکارآمدی، نیروی انسانی مازاد و مشکلات عملکردی، به اینها دوبرابر شدن قیمت سوخت و اعتصاب وقت‌وبی‌وقت کارکنان را اضافه کنید تا با شرکتی در حال ورشکستگی روبرو شوید.در آن زمان دولت انگلستان به نخست‌وزیری خانم مارگارت تاچر طرحی را برای تحول شرکت‌های دولتی و خصوصی‌سازی آنها در دست تهیه داشت و British Airways یکی از شرکت‌هایی بود که باید در بورس واگذار می‌شد. اما قبل از واگذاری شرکت باید به سوددهی می‌رسید.اولین تغییر با ریاست جان کینگ بر شرکت آغاز شد. کینگ که بازرگانی خودساخته و مدیری سرسخت بود دست به تغییرات عمده‌ای در شرکت زد از فروش هواپیماهای قدیمی و خرید ناوگان جدید تا تغییر دو سوم اعضای هیئت‌مدیره و تعدیل بیش از 22 هزار نفر از نیروهای شرکت! این حجم از تغییرات شدید در ظرف چند سال انجام شد و نتایج خود را هم‌نشان داد.موردی که در این مقاله قصد پرداختن به آن را داریم انتخاب شاخص‌های کلیدی عملکرد (یا به‌اختصار KPI) برای بررسی و نظارت بر نحوه عملکرد این شرکت بود.انتخاب یک شاخص کلیدی عملکرد (KPI)شاخص‌های کلیدی عملکرد به‌صورت ساده متر و معیاری برای بررسی و اندازه‌گیری پیشرفت کارها در یک شرکت هستند. بخشی از داده‌های شرکت که به مدیریت نشان می‌دهند آیا کارها آن‌طور که باید و هدف‌گذاری شده است جلو می‌رود یا خیر .جان کینگ کارشناسانی را برای تعیین KPIهای شرکت استخدام کرد. به نظر شما چه شاخص‌هایی برای یک شرکت هوایی کلیدی و حیاتی است؟شاید ابتدا رضایت مشتری به ذهن ما برسد. رضایت مشتری‌ها از خدمات قطعاً تأثیرات مهمی روی هر کسب‌وکاری می‌گذارد از طرفی رضایت مشتری را می‌شود اندازه‌گیری کرد و به‌صورت عدد و درصد هم‌نشان داد (چند پاراگراف بعد می‌بینیم که این شاخص خودش ذیل یک KPI تعریف می‌شود )کارشناسان شرکت BA برای تعیین KPIها از روشی وارد شدند که امروزه به‌صورت استاندارد انجام می‌شود.آنها ابتدا عواملی را که باعث موفقیت یک شرکت می‌شود بررسی و لیست کردند. سپس از بین عوامل موفقیت شرکت تعدادی را که اهمیت بیشتری داشت جدا کردند.برای مثال در بین عوامل موفقیت (CSF) این دو عامل را جز مهم‌ترین‌ها در نظر گرفتند:تحویل سروقت و کامل مسافر و بار یا به عبارتی ورود و خروج به‌موقع هواپیماهاتعمیر و نگهداری به‌موقع هواپیماهارعایت این دو عامل هرکدام برای موفقیت شرکت حیاتی و ضروری بودند و بر سر اهمیت آنها هم واقعاً نمی‌توان بحث کرد.از درون این دو عامل یک KPI استخراج شد و به مدیریت شرکت اعلام شد باید روی این KPI خاص تمرکز کند. تمرکز شرکت باید روی هواپیماهایی قرار می‌گرفت که تأخیر داشتند. به این شکل که اگر هواپیمای در هر نقطه دنیا بیش از مدت خاصی تأخیر می‌کرد (زمان تأخیر از آستانه تعریف شده عبور می‌کرد) به طور پیش‌فرض یک نفر از مدیران ارشد BA با سرپرست شرکت در آن فرودگاه تماس می‌گرفت و علت تأخیر را جویا می‌شد.چطور بر KPI نظارت می‌شد؟دیود پارمنتر در کتاب خود “شاخص‌های کلیدی عملکرد” مکالمه‌ای فرضی بین این دو نفر (مدیر ارشد و سرپرست شرکت در فرودگاه) را آورده است. این مکالمه فرضی را با هم ببینیم:(اسم مدیر ارشد سم (SAM) و اسم سرپرست شرکت در فرودگاه پت (PAT) است.)*پت من سم هستم، راجع به آن پرواز شماره 135 که فرودگاه کندی را دو ساعت و نیم دیر ترک کرده زنگ می‌زنم!+ علتش تأخیر هواپیما مشخصه سم. اگر تو سیستم نگاه کنی می‌بینی هواپیما فرودگاه هاوایی را دیر ترک کرده. هواپیما ازآنجا یک ساعت و 45 دقیقه تأخیر داشت، سمت ما هم همه چی اوکی بود فقط یک از مسافرهای سالمند تو بخش خرید فرودگاه گم شده بود. مجبور شدیم وسائلشان را خالی کنیم و خودت می‌بینی که یک جورایی رکورد زدیم و کل موضوع فقط نیم ساعت طول کشید.*پت چندساله داری برای شرکت کار می‌کنی؟پت اینجا می‌فهمد که اوضاع بر وقف مراد نیست+ تقریباً 30 سال قربان*دقیقش را بخوای ۳۲ساله پت! خوب با 32 سال تجربه کاری میخوای به من بگی با اینکه از 6 ساعت قبل خبر داشتی که یک هواپیما با تأخیر داره میاد آنجا، شما و تیمت هیچ کاری برای کم‌کردن تأخیر کلی هواپیما انجام ندادید؟ تازه نیم ساعت هم به زمان تأخیر اضافه کردید. پت واقعاً ازت ناامید شدم. تو و تیمت بهتر از این چیزها هستید.افزایش تعامل کارکنان، راه حلی برای سندروم به من چه؟مشکلی که در شرکت BA وجود داشت همان مشکلی بود که در تمام شرکت‌های دولتی از ازل تا ابد وجود داشته و خواهد داشت. پرسنل شرکت به‌سادگی می‌گفتند” خوب تقصیر من که نیست! یک نفر دیگر یک جای دیگر مشکل درست کرده ” (به عبارتی می‌گفتند به من چه؟)اما با تمرکز روی همین شاخص کلیدی پرسنل شرکت مجبور بودند که هرطورشده زمان ازدست‌رفته در پرواز را جبران بکنند و فرقی هم نمی‌کرد که مشکل به وجود آمده توسط چه کسی و کدام تیم در کدام فرودگاه به وجود آمده است.برای مثال پت از فردای حرف‌زدن با رئیس اقدامات زیر را برای کاهش زمان پرواز هواپیماها انجام داد.تعداد نیروهای خدماتی را افزایش داد تا آماده‌سازی هواپیما سریع‌تر انجام بگیرد (باوجوداینکه هزینه بیشتری به شرکت تحمیل می‌شد)اولویت هواپیماها برای پرکردن باک سوخت به تیم فنی اعلام می‌شد و هواپیماهایی که از برنامه عقب بودند در اولویت سوخت‌گیری قرار می‌گرفتند.برای هواپیماهایی که تأخیر داشتند میزبان اضافه مقرر کردند تا هواپیما سریع‌تر آماده شود.خدمه در گیت‌های کنترل، مسافرانی که مشکل داشتند را شناسایی و آنها را به سمت گیت هدایت می‌کردند (مثلاً سالمندان)به مسافران رده تجاری (business class ) اجازه دیر سوارشدن به هواپیما داده نمی‌شد.مدت زیادی از تعیین این KPI نگذشته بود که شرکت خطوط هوایی بریتیش به یک چیز شهرت پیدا کرد “حرکت سروقت “تأثیر یک شاخص روی ابعاد مختلف عملکرد شرکتنکته قابل توجه راجع به KPI انتخاب شده توسط BA این بود که روی تمام وجه‌های دیده شده در سیستم کارت‌های امتیازی متوازن تاثیر می‌گذاشت.( مالی،مشتری، یادگیری) این KPI به‌درستی عملکرد چون با دو عامل حیاتی موفقیت که در بالا ذکر شد یعنی ورود و خروج به‌موقع پروازها و تعمیر و نگهداری آنها پیوند ذاتی داشت.هواپیماهایی که تأخیر داشتند مشکلات و هزینه‌های زیادی را بر شرکت اعمال می‌کردند برای مثال:جریمه‌ها و هزینه‌های اضافی فرودگاه یا هزینه اسکان مسافرها در شب (پروازهایی که به علت تأخیر به شب می‌خوردند به‌خاطر قوانین جلوگیری از آلودگی صوتی نمی‌توانستند به سفر ادامه بدهند)افزایش نارضایتی و نرخ ریزش مشتری‌ها (کاهش رضایتمندی مشتری)تأثیر منفی روی مشتری‌های احتمالی و کاهش تعداد آنها (دوستان، خانواده و همکاران کسانی که هواپیماهای آنها تأخیر داشت و خاطره بدی از شرکت در ذهنشان حک می‌شد)تأثیر منفی روی رشد پرسنل شرکت داشت . (انجام یک سری از رفتارهای بد که علت به‌وجودآمدن تأخیر در پروازها بود پس از مدتی عادی می‌شد)امروزه شرکت‌های هواپیمایی بزرگ نه تنها این شاخص (On-Time Performance) را می‌سنجند بلکه عملکرد خود را در غالب گزارشات دوره‌ای به صورت عمومی منتشر می کنند.خصوصیات یک KPI برترباتوجه‌به مثال‌های بالا، تأثیر KPI روی سود دهی یک شرکت بسیار زیاد است. همان‌طور که در اسم شاخص کلیدی عملکرد هم آمده کلیدی و حیاتی بودن جز اساسی در انتخاب KPI است . ( شاخص‌های عملکردی که حیاتی نیستند به اختصار PI نشان داده می‌شوند)اگر مثال شرکت BRITISH AIRWAYS را مبنا قرار بدهیم از نظر دیود پارمنتر یک KPI خوب باید ویژگی‌های زیر را داشته باشد تا بتوان با بررسی آن حرکت به سمت اهداف را ممکن کرد.KPI نباید معیاری مالی باشد؛ یعنی به‌صورت کمی و با دلار و ریال نمی‌توان آن را توصیف کرد. از این لحاظ شاخص‌های مثل درصد افزایش فروش را نمی‌توان به‌عنوان KPI در نظر گرفت ( KPI در اینجا شاید شاخصی مثل تعداد تماس‌ها و ملاقات‌ها با مشتری‌های کلیدی باشد که بیشترین سود را به شرکت می‌رسانند)دوره زمانی بررسی و اندازه‌گیری KPIها باید کوتاه باشد.برای مثال باید هر روز هفته، چند بار در هفته یا نهایتاً هفته‌ای یک‌بار بررسی شوند . شاخص‌هایی که ماهانه، سه ماه یکبار یا سالانه پایش (مانیتور) می‌شوند شاخص کلیدی نیستند.توسط مدیران ارشد یا شخص مدیرعامل کنترل شوند و درنتیجه پرسنل می‌دانند که عملکرد آنها در این مورد خاص به‌صورت مستقیم توسط مدیرعامل بررسی و نمره دهی می‌شود.KPIها باید ساده باشند و درک آن برای تمام پرسنل ممکن باشد. در واقع یک KPI خوب به‌خودی‌خود به همه می‌گوید چه کاری را باید انجام بدهند. در مثال شرکت BA همه می‌دانستند باید تلاش کنند زمان ازدست‌رفته را جبران کنند. نیروهای خدماتی، میزبان‌ها، پرسنل بارگیری، خدمه پرواز و پرسنل اداری همه تلاش می‌کردند تا حد ممکن زمان کمتری را برای شروع پرواز هدر بدهند.KPI باید به‌نوعی انتخاب گردد که یک تیم خاص در شرکت بتواند مسئولیت آن را بر عهده بگیرد و اعمال لازم برای تصحیح عملکرد را انجام بدهد.KPIهاباید بر عوامل حیاتی موفقیت شرکت تأثیر مستقیم و اساسی داشته باشند. یک KPI ممکن است روی چند عامل موفقیت تأثیر داشته باشد و توجه به آن باعث بهترشدن عملکرد در چند وجه متفاوت بشود.باید پیش از اجرای کامل نقاط منفی KPIها بررسی شود و اطمینان حاصل گردد که استفاده از یک KPI مشخص تأثیر مثبت بر عملکرد پرسنل خواهد داشت.برای مثال فرض کنید سرپرست شرکت BA در فرودگاه کندی برای کم‌کردن زمان تأخیر به تیم فنی فشار بیاورد تا چک کردن سلامت موتورهای هواپیما را با سرعت بیشتری انجام بدهند. این امر ممکن است به خطایی انسانی و ازدست‌رفتن جان صدها نفر منجر شود؛ بنابراین در انتخاب شاخص و رویه‌های مربوط به این باید به نکات منفی توجه کرد و برای جلوگیری از این اتفاقات از قبل راهکارهایی را اندیشید.KPIها به‌عنوان شاخص‌های کلیدی در یک شرکت انگشت‌شمار هستند و اصولاً کمتر از تعداد انگشتان دودست شاخص کلیدی عملکرد در یک شرکت داریممنبع : چگونه با یک KPI موفق شویم؟ انتخاب شاخص کلیدی برتر، مطالعه موردی British Airways هوش تجاری هوش تجاری Sat, 03 Dec 2022 14:41:42 +0330 https://virgool.io/@decomcoseo101/%D8%B4%D8%A7%D8%AE%D8%B5-%D9%87%D8%A7%DB%8C-%D9%85%D8%B1%DA%A9%D8%B2-%D8%AA%D9%85%D8%A7%D8%B3-%D9%88-%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1-%D9%87%D9%88%D8%B4-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-voip-v2hd0l4fk9vq تماس تلفنی همچنان یکی از مهم‌ترین روش‌ها برای برقراری ارتباط بین کسب‌وکارها و مشتریان آنها است. خدمات تلفن بر بستر اینترنت یا voip باتوجه‌به مزایای فراوانی که دارد در سال‌های گذشته محبوبیت زیادی را در میان کسب‌وکارها پیدا کرده است.در این مقاله سعی کرده‌ایم تا اهمیت داده‌های جمع‌آوری شده و شاخص‌هایی که برای بررسی عملکرد (KPI) یک مرکز تماس مهم هستند را معرفی کنیم.به کمک هوش تجاری می‌توان این شاخص‌ها و ده‌ها سنجه دیگر را بررسی، رصد کرد و بهره‌وری مرکز تماس را به شدت افزایش داد. با ما دیکام باشیدچرا داده‌های مرکز تلفن و اطلاعات آن مهم است؟در گذشته سنجش عملکرد کال سنترها و اپراتورهای آن چالش بزرگی برای مدیران به‌حساب می‌آمد؛ چون جمع‌آوری داده از فعالیت‌های انجام شده در سیستم‌های قدیمی (آنالوگ) کار مشکلی بود. یکی از مهم‌ترین مزایای voip برای کسب‌وکارها جمع‌آوری داده‌های مربوط به تماس‌های ورودی و خروجی است.در سیستم ویپ داده‌های تماس مثل شماره‌تلفن‌ها، تعداد تماس، مدت‌زمان مکالمه و صدای طرفین شرکت‌کننده به‌دقت و با جزئیات در یک پایگاه داده ذخیره می‌شود. این اطلاعات ارزشمند پنجره‌ای تازه را روی مدیریت عملکرد این مراکز بازکرده است.سنجش عملکرد تیم‌ها، اپراتورها و اندازه‌گیری رضایت مشتری بخشی از کارکرد اطلاعات مرکز تماس است. با بررسی و تحلیل اطلاعات تماس مدیران شرکت می‌توانند فرایندهای مرتبط با مرکز تلفن (پشتیبانی، فروش و …) را تا حد ممکن بهینه کنند. استفاده از این تحلیل‌ها می‌تواند باعث افزایش رضایتمندی مشتری و به نوبه خود افزایش فروش و درآمد شرکت شود.محدودیت‌های نرم‌افزارهای گزارش‌گیری از voipدر حال حاضر شرکت‌های فراوانی نرم‌افزارها و ماژول‌های کاربردی و تحلیلی مرتبط با فناوری voip را ارائه می‌کنند.تنوع فناوری در کنار تعداد بسیار زیاد نرم‌افزارها انتخاب را برای شرکت‌ها سخت می‌کند.هرکدام از این نرم‌افزارها امکانات و محدودیت‌های خاص خود را دارند؛ اما در زمینه تحلیل اطلاعات می‌توان گفت هیچ‌کدام قادر نیستند تحلیل جامع و دلخواه بر اساس شاخص‌های سفارشی شده برای یک کسب‌وکار خاص را ارائه کنند. هوش تجاری به‌عنوان راهکار تحلیلی می‌تواند کمک بزرگی برای استفاده از داده‌های مرکز تماس باشد.داشبورد مدیریت مرکز تماس چیست و چه کاربردی دارد؟برای مدیریت مرکز تماس لازم است عملکرد در بازه‌های زمانی متفاوت بررسی شود. کاهش زمان پاسخگویی، ارائه خدمات مطلوب و افزایش رضایت مشتری جزئی از اهداف مهم برای مدیریت مرکز تماس هستند.داشبورد مرکز تماس یک ابزار قوی برای تصویرسازی و گزارش‌گیری از اطلاعات است. شاخص‌های تعیین شده برای مرکز تماس (KPI) به‌صورت گرافیکی در این داشبوردها نمایش داده می‌شوند. و امکان جستجو و کاوش در اطلاعات را به مدیران می‌دهندتصویرسازی اطلاعات سرعت درک اتفاقات و تصمیم‌گیری را افزایش می‌دهد و تحلیل بصری داده‌ها را برای کاربران ممکن می‌کند.هوش تجاری چه امکاناتی برای مرکز تماس دارد؟هوش تجاری یک نرم‌افزار تحلیلی است که توانایی جمع آوری داده‌ها،نمایش تصویری اطلاعات به‌صورت داشبورد را دارد. به عبارتی هرکجا که داده‌ای ذخیره شده باشد (در اینجا اطلاعات مرکز تماس) امکان استفاده از هوش تجاری نیز وجود دارد. در ادامه برخی از امکانات نرم‌افزار هوش تجاری بیان شده است.نمایش اطلاعات بر اساس KPIهای تعیین شده برای هر شرکت یا صنفساخت انواع داشبوردهای متفاوت برای شاخص‌ها و سنجه‌های مختلفامکان اتصال هم‌زمان به CRM و حسابداری برای بررسی شاخص‌های مرتبط با سایر واحدها مانند فروش و پشتیبانینمایش پراکندگی جغرافیایی تماس‌های ورودی و خروجی روی نقشهگزارش‌گیری بر اساس بازه زمانی دلخواهفیلتر اطلاعات بر اساس دپارتمان، سمت سازمانی، فرد، جنسیت و سایر مواردبررسی روند تماس‌های ورودی از شماره‌های جدیدگزارش‌گیری در مورد تماس‌های ورودی و خروجی بر اساس دسته‌بندی مشتریاندازه‌گیری نسبت تماس به فروش برای هر مشتری، دسته مشتری، منطقه و …هوش تجاری چه مزیتی نسبت به سایر راهکارها دارد؟به خرید سخت‌افزار جدید نیاز نداریدلازم نیست تغییری در سیستم voip ایجاد شود.امکان اتصال به‌تمامی سیستم‌های voip وجود دارد ( ایزابل،الستیکس،FreePBX و …)هوش تجاری صرفاً از اطلاعات مرکز تماس استفاده می‌کند و هیچ اختلالی در مرکز تلفن به وجود نمی‌آیدامکان نمایش گزارش‌ها و نمودارهای دلخواه باتوجه‌به نوع کسب‌وکار وجود داردگزارش‌گیری بر اساس سطح دسترسی اشخاص قابل انجام است (مدیر، سرپرست، اپراتور)شاخص‌ها، و متریک‌های قابل‌اندازه‌گیری در مرکز تماسشاخص‌ها و سنجه‌هایی که با مرکز تماس مرتبط هستند را می‌توان به دودسته کلی تقسیم کرد.شاخص‌های اختصاصی مرکز تماس که بر اساس دو معیار سنجش اصلی یعنی تعداد تماس و مدت‌زمان تماس قابل‌اندازه‌گیری هستند. از این دو معیار می‌توان برای سنجش عملکرد‌ یک تیم‌ یا یک اپراتور استفاده کرد.شاخص‌های مرتبط بین مرکز تماس و سایر فعالیت‌ها یا واحدها، این شاخص‌ها به سایر فرایند‌های داخلی شرکت مثل فروش، امور مالی، پشتیبانی و غیره مرتبط هستند و یا دیدگاه مشتری نسبت به برند را نشان می‌دهند.هوش تجاری با یکپارچه کردن اطلاعات مرکز تماس، حسابداری، CRM امکان بررسی و رصد این شاخص‌ها را به شما می‌دهد.ما در اینجا شاخص‌ها و سنجه‌های مرتبط با مرکز تماس را بر اساس نوع تماس یعنی تماس‌های ورودی و تماس‌های خروجی تقسیم‌بندی کرده‌ایم.سنجش تماس‌های خروجی معمولاً برای کسب‌وکارهایی کاربرد دارد که فروش تلفنی انجام می‌دهد یا به هر علت نیاز دارند با مخاطب تماس بگیرند (مثل برگزاری نظرسنجی) از طرف دیگر شاخص‌های مربوط به تماس‌های ورودی به شکل گسترده در مراکز تلفنی که خدمات و یا سرویس ارائه می‌دهند استفاده می‌شود.شاخص‌های مرتبط با تماس‌های خروجی:نرخ تماس خروجی در ساعت:میانگین تماس خروجی در هر ساعت را نمایش می‌دهد. این شاخص می‌تواند برای سنجش عملکرد مراکز تلفنی که تماس خروجی بالا دارند (مثلاً فروش تلفنی) مورداستفاده قرار گیرد. نرخ تماس خروجی نمایی کلی از میزان فعالیت پرسنل و تعداد تماس‌های گرفته شده با مشتری یا سر نخ را به ما می‌دهد.مخاطب شاخص: مدیریت https://virgool.io/p/v2hd0l4fk9vq/%D9%86%D8%B1%D8%AE%D8%AA%D9%85%D8%A7%D8%B3%D8%AE%D8%B1%D9%88%D8%AC%DB%8C%D8%AF%D8%B1%D8%B3%D8%A7%D8%B9%D8%AA%F0%9F%93%B7 نرخ برقراری تماس:میانگین تماس‌های گرفته شده موفق نسبت به کل تماس‌های خروجی را نشان می‌دهد. این شاخص در کنار شاخص‌هایی مثل تعداد کل تماس خروجی و فروش بر اساس اپراتور می‌تواند دید خوبی درباره عملکرد تیم فروش نسبت به گروه مشتری هدف، زمان یا منطقه جغرافیایی را به شما بدهد. https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D9%86%D8%B1%D8%AE%D8%A8%D8%B1%D9%82%D8%B1%D8%A7%D8%B1%DB%8C%D8%AA%D9%85%D8%A7%D8%B3%F0%9F%93%B7 میانگین زمان رسیدگی:میانگین زمانی که یک فروشنده در هر تماس با مشتری صرف می‌کند. این شاخص از زمان پاسخگویی مشتری به تلفن تا زمانی که یکی از طرفین تماس را قطع کند محاسبه می‌شود. این شاخص باید در کنار سایر شاخص‌ها سنجیده شود تا قابل‌تحلیل باشد.زمان انتظار تا برقراری تماس:میانگین زمان انتظار تا پاسخ‌گویی توسط مشتری را برای هر اپراتور نمایش می‌دهد. این شاخص در کنار دسته‌بندی مشتری، زمان، و منطقه جغرافیایی بینشی را درباره خصوصیات و رفتار مشتری به مدیران مجموعه می‌دهد.تماس اول منجر به فروشاین شاخص نشان می‌دهد چه تعداد فروش توسط یک فروشنده در اولین تماس با یک مشتری انجام شده است. این شاخص می‌تواند اثرگذاری یک فروشنده در تبدیل سرنخ به مشتری را نشان دهد. بررسی این شاخص به تیم فروش کمک می‌کند تا سناریو تماس خود را به شکل بهینه تغییر داده تا بیشترین بازخورد را داشته باشد.تعداد تماس برای هر فروشنده:تعداد تماس‌های گرفته شده توسط هر فروشنده در یک روز کاری را نشان می‌دهد. این شاخص شامل تماس‌های پاسخ داده شده و تماس‌های بدون پاسخ از سمت مشتری می‌شود. شاخص فوق را می‌توان در بازه‌های زمانی کوتاه‌تر (ساعت) یا بلندتر (هفتگی، ماهانه) سنجید.تعداد تماس هر فروشنده شاخصی برای بررسی عملکرد پرسنل است.نرخ اشغال:زمان صرف شده توسط فروشنده‌ها برای تماس گرفتن نسبت به زمان بین تماس‌ها نمایش می‌دهد.در واقع مشخص می‌کند چه زمانی از یک شیفت کاری در حال کار با تلفن صرف شده است این زمان شامل مدت مکالمه و فعالیت‌های بعد از مکالمه مانند پرکردن فرم گزارش است. نرخ اشغال برای اندازه‌گیری بهره‌وری مورداستفاده قرار می‌گیرد.نرخ تبدیل:یکی از مهم‌ترین شاخص‌ها در فروش تلفنی نرخ تبدیل تماس به مشتری یا مشتری احتمالی برای هر تماس است و به‌صورت میانگین بیان می‌شود. نرخ بالای تبدیل بیانگر این است که عملیات فروش در مرکز تماس به‌صورت مؤثر در جریان است.مشتری، مشتری احتمالی/ تعداد تماس *100هزینه برای هر تماس:میانگین هزینه انجام شده برای هر تماس توسط فروشنده را اندازه‌گیری می‌کند. شاخص فوق به مرکز تماس کمک می‌کند هزینه انجام شده برای عملیات فروش را محاسبه کنند و در صورت نیاز برای کاهش آن برنامه‌ریزی داشته باشند.هزینه برای هر تماس به مدیران کمک می‌کند تا بودجه‌بندی را به‌درستی انجام دهند و در تعیین میزان بازگشت سرمایه نیز استفاده می‌شود. در واقع هزینه فعالیت مرکز تماس را در میزان درآمد به‌دست‌آمده توسط آن را نشان می‌دهد.درآمد برای هر تماس موفق:میزان درآمد کل کسب شده با هر تماس موفق را می‌سنجد. این شاخص ارزش و آورده مالی هر تماس را نشان می‌دهد.فرمول: درآمد فروش تلفنی/ میزان کل تماس‌های موفقمخاطب: مدیریتدوره گزارش‌گیری پیشنهادی: ماهیانه https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%AF%D8%B1%D8%A2%D9%85%D8%AF%D8%A8%D8%B1%D8%A7%DB%8C%D9%87%D8%B1%D8%AA%D9%85%D8%A7%D8%B3%D9%85%D9%88%D9%81%D9%82%F0%9F%93%B7 شاخص‌های مرتبط با تماس‌های ورودی:این شاخص‌ها معمولاً در مراکزی که سرویس و خدماتی را ارائه می‌دهند مورد بررسی و توجه قرار می‌گیرد.شاخص نرخ تماس ورودی:شاخصی است که میانگین تماس‌های گرفته شده با مرکز تلفن را بر اساس زمان (روز / ساعت / دقیقه) نمایش می‌دهد. بررسی روندهای کاهشی و افزایشی در نرخ تماس‌ها در طول یک بازه زمانی دید بهتری از زمان‌های پرترافیک را به مدیران می‌دهد. بررسی اثربخشی کمپین‌های بازاریابی بر میزان تماس‌های دریافتی یکی از کاربردهای این شاخص است.مخاطب این شاخص: مدیریت، تیم تماسفرمول : تماس‌های ورودی / روز، ساعت، دقیقهدوره گزارش‌گیری پیشنهادی: روزانه https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D9%86%D8%B1%D8%AE%D8%AA%D9%85%D8%A7%D8%B3%D9%88%D8%B1%D9%88%D8%AF%DB%8C%F0%9F%93%B7 شاخص میزان تماس دریافت شده:این شاخص تمام تماس‌های ورودی در طول یک بازه زمانی را که پاسخ داده شده‌اند را نمایش می‌دهد. این شاخص زمانی که در کنار شاخص‌هایی دیگر مثل تعداد پرونده‌های بسته شده (فروش، پشتیبانی و…) قرار بگیرد دید خوبی از بهره‌وری پرسنل را به شما می‌دهد. https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D9%85%DB%8C%D8%B2%D8%A7%D9%86%D8%AA%D9%85%D8%A7%D8%B3%D8%AF%D8%B1%DB%8C%D8%A7%D9%81%D8%AA%D8%B4%D8%AF%D9%87%F0%9F%93%B7 تماس‌های رها شده:تعداد تماس‌هایی قطع شده از طرف مشتری پیش از اتصال به اپراتور را نمایش می‌دهد. این شاخص بسیار مهم است و به طور خاص با شاخص سطح کیفیت سرویس و شاخص رضایت مشتری ارتباط دارد. بررسی روندها و نوسانات افزایشی و کاهشی این شاخص در طول زمان می‌تواند به شناسایی عوامل نارضایتی مشتری و رفع آن کمک کند. https://virgool.io/p/v2hd0l4fk9vq/%D8%AA%D9%85%D8%A7%D8%B3%D9%87%D8%A7%DB%8C%D8%B1%D9%87%D8%A7%D8%B4%D8%AF%D9%87%F0%9F%93%B7 نمودار بالا شاخص تماس‌های فعال در لحظه، تماس‌های در حال انتظار و تماس‌های رها شده را نشان می‌دهد.تماس‌های بی‌پاسخ:تعداد تماس‌هایی که توسط اپراتور پاسخ داده نشده‌اند. در این حالت تلفن اپراتور زنگ‌ خورده است؛ اما به هر علتی به تماس پاسخ داده نشده استفرمول: تعداد تماس‌های بی‌پاسخ / تعداد کل تماس‌ها * 100درصد تماس‌های ازدست‌رفته (مسدود شده):این شاخص به‌صورت میانگین بیان می‌شود و شامل تمام تماس‌هایی است که به علت پر بودن ظرفیت مرکز تماس یا اشکالات فنی از دست رفته‌اند. این شاخص از تقسیم تماس‌های بدون پاسخ به کل تماس‌ها محاسبه می‌شود بررسی آن به تصمیم‌گیری برای افزایش تعداد اپراتورها، تغییرات فرایندی و یا فنی کمک می‌کند. https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%AF%D8%B1%D8%B5%D8%AF%D8%AA%D9%85%D8%A7%D8%B3%D9%87%D8%A7%DB%8C%D8%A7%D8%B2%D8%AF%D8%B3%D8%AA%D8%B1%D9%81%D8%AA%D9%87%F0%9F%93%B7 فرمول: تمام تماس‌هایی که به اپراتور متصل نشده‌اند (رها شده+پاسخ داده نشده) / کل تماس‌ها * 100مخاطب: مدیر مرکز تماس، منابع انسانیاوج ترافیک تماس ورودیاین شاخص اوج ترافیک تماس‌های ورودی و شلوغ‌ترین زمان کاری در روز را نمایش می‌دهد. آگاهی از این شاخص کمک می‌کند تا تمام منابع تیم در آن زمان به شکل بهینه صرف پاسخگویی به تلفن‌ها شود.مخاطب: مدیریت، اپراتورها https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%A7%D9%88%D8%AC%D8%AA%D8%B1%D8%A7%D9%81%DB%8C%DA%A9%D8%AA%D9%85%D8%A7%D8%B3%D9%88%D8%B1%D9%88%D8%AF%DB%8C%F0%9F%93%B7 شاخص بهره‌وری (پاسخگویی) اپراتورهااز تقسیم تعداد تماس‌های پاسخ داده شده در یک دقیقه اول بر جمع کل تماس‌ها حاصل می‌شود. این شاخص کمک می‌کند تا بهره‌وری اپراتورها در طول روز سنجیده شود.مخاطب: مدیریت https://virgool.io/p/v2hd0l4fk9vq/%F0%9F%93%B7 شاخص زمان مکالمه:میانگین زمان مکالمه یک اپراتور با مشتریان را نشان می‌دهد برای تماس ورودی و خروجی قابل‌استفاده است. این شاخص بیان می‌کند که یک مکالمه نوعی چه میزان زمان را به خود اختصاص داده است.فرمول: T1+T2…+TN / تعداد تماس‌های کامل شدهدوره گزارش‌گیری پیشنهادی: هفتگیمخاطب: سرپرست، اپراتورها https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%B2%D9%85%D8%A7%D9%86%D9%85%DA%A9%D8%A7%D9%84%D9%85%D9%87%F0%9F%93%B7 میانگین زمان صرف شده:میانگین مدت‌زمان صرف شده برای هر تماس را نشان می‌دهد که شامل مکالمه و وظایف پس از آن مثل پرکردن فرم‌های گزارش و مانند آن است. این شاخص می‌تواند برای اندازه‌گیری عملکرد هر اپراتور استفاده شود و یا عملکرد کلی مرکز تماس را نشان دهد.این سنجه به‌عنوان شاخص بهره‌وری تماس در کنار شاخص بهای تمام شده هر تماس استفاده می‌شود.شاخص سرعت پاسخگویی:میانگین زمانی که طول می‌کشد تا اپراتور به یک تماس پاسخ دهد. این زمان شامل مدت‌زمان انتظار در صف نیز می‌شود. زمان شماره‌گیری داخلی توسط مشتری در این شاخص لحاظ نمی‌شود.سرعت پاسخگویی یکی از مهم‌ترین شاخص‌‌ها‌ در زمینه رضایت مشتری استفرمول: ƒ Sum(Waiting Time) / Count(Answered Calls)میانگین زمان توقف تماس‌ها:این شاخص میانگین زمان توقف تماس پاسخ داده شده توسط اپراتورها را نشان می‌دهد. توقف تماس پس از صحبت با اپراتور تأثیر مستقیمی بر رضایت مشتری دارد و پایین نگه‌داشتن این شاخص برای مراکز تماس مهم است.بیشترین زمان توقف تماس:بالاترین مدت زمانی که یک مشتری بعد از اتصال به اپراتور در حالت انتظار قرار داشته است.بیشترین زمان انتظار در صف:مدت‌زمان انتظار در صف رابطه مستقیمی با رضایتمندی مشتری دارد. این شاخص بیشترین زمانی که یک مشتری پیش از وصل شدن به اپراتور در صف بوده است را نمایش می‌دهد..مخاطب شاخص: مدیریت، تیم مرکز تماسدوره گزارش‌گیری پیشنهادی: هفتگی https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1%DB%8C%D9%86%D8%B2%D9%85%D8%A7%D9%86%D8%A7%D9%86%D8%AA%D8%B8%D8%A7%D8%B1%D8%AF%D8%B1%D8%B5%D9%81%F0%9F%93%B7 بیشترین زمان مکالمه:بالاترین زمان مکالمه بین اپراتور با مشتری در یک بازه زمانی را نمایش می‌دهد. https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1%DB%8C%D9%86%D8%B2%D9%85%D8%A7%D9%86%D9%85%DA%A9%D8%A7%D9%84%D9%85%D9%87%F0%9F%93%B7 شاخص تکرار تماس:درصدی از تماس‌های مشتریان را نشان می‌دهد که مشکلی مشابه را بیان کرده‌اند. این شاخص مشکلات عمومی پیش‌آمده برای کاربران را مشخص کرده و اولویت‌های پیشرو در پشتیبانی یا توسعه محصول را مشخص می‌کند. https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D8%AA%DA%A9%D8%B1%D8%A7%D8%B1%D8%AA%D9%85%D8%A7%D8%B3%F0%9F%93%B7 شاخص های مرتبط با فروشدر ادامه دو شاخص مرتبط با فعالیت فروش ذکر شده اندمیانگین فروش برای فروشندگان:میانگین کل فروش انجام شده توسط فروشندگان در یک دوره زمانی خاص است. این شاخص به تعیین اهداف فروش و حرکت به سمت آنها کمک می‌کند.بازه گزارش‌گیری پیشنهادی: هفتگیفرمول: کلیه موارد فروش / تعداد کل فروشندگان https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D9%85%DB%8C%D8%A7%D9%86%DA%AF%DB%8C%D9%86%D9%81%D8%B1%D9%88%D8%B4%D8%A8%D8%B1%D8%A7%DB%8C%D9%81%D8%B1%D9%88%D8%B4%D9%86%D8%AF%DA%AF%D8%A7%D9%86%F0%9F%93%B7 فروش هر فروشنده:این شاخص کل فروش انجام شده توسط یک فروشنده را می‌سنجد و دید خوبی را از بهره‌وری فروشندگان ارائه می‌کند. باتوجه‌به تجربه، توانایی و گروه مشتری احتمالی این شاخص برای فروشندگان متفاوت خواهد بود و هدف‌گذاری باید با توجه به موارد فوق انجام شود. https://virgool.io/p/v2hd0l4fk9vq/%D8%B4%D8%A7%D8%AE%D8%B5%D9%81%D8%B1%D9%88%D8%B4%D9%87%D8%B1%D9%81%D8%B1%D9%88%D8%B4%D9%86%D8%AF%D9%87%F0%9F%93%B7 جمع بندی پایانیتکنلوژی ویپ امکانات و مزایای جدیدی را برای سنجش عملکرد مرکز تماس پیش‌روی مدیران قرار داده است.داده‌های ذخیره شده در مرکز تماس حاوی اطلاعات ارزشمندی از مشتریان و فرایند‌های داخلی شرکت هستند.نرم افزار‌های مرتبط با مرکز تماس در زمینه تحلیل اطلاعات دچار نقایصی هستند.هوش تجاری می‌تواند اطلاعات مرکز تماس را به بهترین شکل ممکن تحلیل کرده و به صورت داشبورد مدیریتی نمایش دهد.شاخص های قابل اندازه گیری در مرکز را بر اساس نوع تماس یعنی تماس ورودی و خروجی تقسیم کرده‌ایمسنجش تماس‌های خروجی معمولاً برای کسب‌وکارهایی کاربرد دارد که فروش تلفنی انجام می‌دهد یا به هر علت نیاز دارند با مخاطب تماس بگیرند (مثل برگزاری نظرسنجی)شاخص‌های مربوط به تماس‌های ورودی به شکل گسترده در مراکز تلفنی که خدمات و یا سرویس ارائه می‌دهند استفاده می‌شود.منبع: شاخص‌های مرکز تماس و راهکار هوش تجاری برای Voip هوش تجاری هوش تجاری Mon, 28 Nov 2022 11:03:14 +0330 https://virgool.io/@decomcoseo101/%D9%85%D8%B5%D9%88%D8%B1-%D8%B3%D8%A7%D8%B2%DB%8C-%D9%88-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%AF%D8%A7%D8%AF%D9%87-%D8%AA%D8%A7%D8%B1%DB%8C%D8%AE%DA%86%D9%87-%D8%A7%DB%8C-%D8%A7%D8%B2-%D9%86%D8%AC%D8%A7%D8%AA-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D9%87%D8%A7-ywekcy3vnn2n زمانی که از مصور سازی  و  تحلیل داده حرف می‌زنیم، ناخودآگاه ذهن ما به سمت کاربرد‌های تجاری یا علمی این شاخه از علم داده می‌رود. اما درگذشته نه‌چندان دور رسم یک نمودار ساده یا جمع‌آوری و تحلیل داده می‌توانست مرگ و زندگی انسان‌ها را رقم بزند.در طول تاریخ مردان و زنانی سخت‌کوش برای نجات جان انسان‌ها، روش‌های تحلیل و مصورسازی داده‌ها را کشف کرده و به کار برده‌اند. این مقاله به تلاش‌های اولیه برای مصور‌سازی و تحلیل بصری داده‌ها در تاریخ می‌پردازند. با دیکام همراه باشید.مشکلات قدیمی راه‌حل‌های جدید نیاز دارندبیایید کمی در زمان به عقب برگردیم! تقریباً دویست سال قبل انگلستان در دوران ویکتوریایی، انقلاب صنعتی باعث تغییر چهره شهرها شده بود و لندن قلب و نماد انقلاب صنعتی بود. با وجود تمام پیشرفت‌ها در صنعت، تجارت و کشاورزی این شهر بزرگ هنوز از یک درد قدیمی و بدون علاج رنج می‌برد.هر جا که جمعیتی از انسان‌ها در کنار هم زندگی می‌کردند سروکله بیمار‌های واگیر‌دار هم پیدا می‌شد. به لطف کرونا ما هم در این دوران می‌توانیم موضوع را به‌خوبی درک کنیم. اما در نبود بهداشت عمومی و سیستم‌های تصفیه فاضلاب وضعیت دنیای قدیم خیلی بدتر بود . وبا یکی از بیماری‌هایی بود که بعضاً به‌صورت همه‌گیری در سطح شهر لندن اتفاق می‌افتاد.امروز می‌دانیم که وبا از طریق آب آلوده انتقال پیدا می‌کند. در آن زمان علت بیماری هنوز کشف نشده بود و چند تئوری برای توضیح علل بیماری وجود داشت؛ اما کمکی به رفع مشکل نمی‌کرد.در میانه یک همه‌گیری شدید در قلب لندن کارهای پزشکی جوان و جسور پرده از رازهای این بیماری برداشت.جمع‌آوری داده‌ها با روش علمی،دکتر اسنو و بیماری وبااسم این پزشک جان اسنو بود (با آن جان اسنویی که احتمالاً به ذهن شما آمده متفاوت است) دکتر داستان ما بر عکس بسیاری از همکارانش فکر می‌کرد بیماری از طریق آب آلوده منتقل می‌شود و برای تست کردن تئوری خود مجبور شد یکی از بزرگ‌ترین آزمایش‌های آن زمان را انجام بدهد. ? آب شرب لندن از رودخانه تایمز و به‌وسیله شرکت‌های خصوصی تأمین می‌شد. رودخانه در آن زمان آلوده به پسماندهای انسانی و صنعتی بود. دکتر اسنو در تحقیقات خودش متوجه شده بود که بعضی از شرکت‌ها به‌درستی آب را تصفیه نمی‌کنند. با بررسی آب مصرف شده توسط تعداد زیادی از مردم شهر و تفکیک منبع تهیه آب اسنو تقریباً مطمئن شده بود وبا از طریق آب منتقل می‌شود.در همین سال‌ها یک همه‌گیری بزرگ وبا در لندن اتفاق افتاد. در مدت کوتاهی چند صد نفر بر اثر بیماری کشته شدند. بیمارستان پر از بیمار بود و امیدی برای بهبود وضعیت وجود نداشت. دراین‌بین اسنو به‌شدت کار می‌کرد تا منشأ بیماری را کشف و تئوری خود را ثابت کند.مصورسازی داده، به داده‌ها از بالا نگاه کنیداسنو که تقریباً مطمئن بود آب آلوده عامل بیماری است. برای پیداکردن منشأ مشکل دست به ابتکار جالبی زد که جلوتر از زمان خودش بود.او که قبلاً داده‌های مربوط به بیماران را جمع‌آوری کرده بود نقشه‌ای از شهر لندن تهیه کرد و شروع به علامت‌گذاری آدرس و محل زندگی بیماران وبایی بر روی نقشه شهر کرد. محل زندگی بیماران با رسم نقطه‌هایی روی نقشه مشخص شدند. BP000601083002min? این نقشه، پراکندگی و تجمع بیماری را روی جغرافیای شهر نشان می‌داد. حال زمان آن بود تا داده ای جدید به نقشه اضافه و معما حل شود.تحلیل بصری داده‌ها، همبستگی بین داده‌ها و حل مسئلهپمپ‌های دستی آب در سطح شهر یکی از راه‌های تأمین آب شرب برای مردم بود. اسنو با اضافه کرد محل این پمپ‌ها بر روی نقشه و مقایسه آن با پراکندگی بیماری به نتیجه جالبی رسید. BP000601083003min? نقشه پراکندگی بیماری و همپوشانی آن با مکان پمپ آببیماری در اطراف یکی از پمپ‌های آب متمرکز بود. تقریباً تمام بیماران از این آب استفاده کرده بودند. بعداً مشخص شد بیمارانی که فاصله زیاد با پمپ آب داشتند هم آب شرب خود را ازآنجا تأمین می‌کردند. معما حل شده بود. دسته تلمبه آب عمومی داخل خیابان جدا شد تا کسی از آن استفاده نکند. بیماری به‌سرعت فروکش کرد.جان اسنو با جمع‌آوری دو نوع داده و تطبیق آن روی نقشه توانست همبستگی معنی‌داری بین داده‌ها ایجاد بکند و از این طریق جان بسیاری را نجات داد. تحقیقات بعدی مشخص کرد نشت فاضلاب به لوله‌های آسیب‌دیده آب شرب علت وقوع بیماری بوده است.اسنو در سن 45 سالگی بر اثر سکته قلبی فوت کرد و نتوانست پذیرفته‌شدن تئوری‌هایش توسط جامعه علمی را به چشم خود ببیند. ارزش کارهای او پس از مرگش مشخص شد. امروزه از جان اسنو به‌عنوان یکی از پدران بهداشت عمومی یاد می‌شود.بانوی آمار و تصویر‌سازیدر همان زمان که اسنو در حال یافتن منشأ همه‌گیری بیماری بود. در گوشه‌ای از شهر لندن پرستاری دلسوز برای نجات بیماران وبایی تلاش می‌کرد.اسم فلورانس نایتینگل را حتماً شنیده‌اید. بانویی که پایه‌گذار پرستاری نوین در دنیا به شمار می‌رود. مشهور است که فلورانس شب‌ها را تا صبح درحالی‌که شمعی در دست داشت در بیمارستان راه می‌رفت و احوال مریض‌ها را جویا می‌شد. در آن زمان او چهره‌ای شناخته شده در جامعه و سمبل فداکاری بود. اما کمتر کسی می‌داند پرستار داستان ما یک آماردان کارکشته و پیشرو هم بود. BP000601083004min? فلورانس یکی از اولین زنانی بود که پا به ارتش گذاشت. در آن زمان جنگی بین چند دولت متحد با امپراطوری بزرگ عثمانی درگرفته بود. اخبار جنگ و آمار کشته‌ها به گوش مردم می‌رسید فلورانس به همراه 30 پرستار دیگر عازم جبهه شد تا از زخمی‌های جنگ نگهداری کند.زمانی بیمارستان‌های ارتش را که به چشم دید با حقیقتی تلخ روبرو شد . وضع مجروحان و نگهداری از آنها اسف‌بار بود. در واقع بیشتر تعداد کشته‌های جنگ مربوط به میدان نبرد نبود. برعکس آمار اصلی تلفات جنگ مربوط به زخمی‌هایی بود که در بیمارستان‌های ارتش بستری بودند و به علت رسیدگی ضعیف و شرایط محیطی بد بیمار می‌شدند و جان خود را از دست می‌دادند.نمودار دایره‌ای، دیاگرام رز نایتینگل و داستان‌ پردازی با دادهدر بازگشت از جنگ فلورانس عزمش را برای تغییر وضعیت موجود جزم کرده بود. دانش ریاضی و آمار به کمکش آمد. او آمار مرگ‌ومیر سربازان، علت مرگ آنها و داده‌هایی ازاین‌دست را در مدت حضورش در جبهه نبرد جمع‌آوری کرده بود.ناتینگل داده‌ها را جمع‌آوری و مرتب کرد و سپس راهی پیدا کرد تا این داده‌ها را به شکلی نمایش بدهد که برای همه آدم‌ها قابل‌فهم باشد. هدفش از این کار نشان‌دادن وضع وخیم سربازان بود و مخاطب او هم اعضای مجلس و دولت بودند که خیلی از آمار و ریاضیات سر در نمی‌آوردند.فلورانس برای نمایش دادن اطلاعات از نمودارهای دایره‌ای خاصی استفاده کرد که بعدها به دیاگرام رز ناتینگل معروف شد. BP000601083005min? آمار دروغ نمی‌گفت! و نمودارها به‌خوبی علل تلفات را نشان می‌داد. توضیحات او قانع‌کننده بود تلاشش نتیجه داد و توانست حمایت‌هایی را در دولت و خارج از آن جلب کند حتی تعدادی از ثروتمندان هم برای کمک به او دست‌به‌کار شدند و مبالغی را برای تأسیس بیمارستان‌های جدید و مدرن در اختیارش گذاشتند.  نایتینگل بعدها تحقیق مشابهی را در هند انجام داد و گزارش پر و پیمانی را درباره لزوم توجه و ارتقا بهداشت عمومی در هند به دولت و مجلس ارائه کرد. فعالیت‌های او و سایر فعالان این حوزه مثل دکتر اسنو نهایتاً باعث افزایش ۲۰ساله شاخص امید به زندگی مردم انگلستان در ابتدای قرن بیستم میلادی شد. فلورانس نایتینگل هرگز ازدواج نکرد. او اولین مدرسه پرستاری مدرن را تأسیس کرد و سال‌ها برای بهبود بهداشت عمومی و خدمت به نوع بشر جنگید.از فلورانس ناتینگل باید به‌عنوان یکی از پیش‌گامان مصورسازی داده یادکرد تلاش‌های او درباره رساندن مفاهیم آماری با زبان گرافیکی جان صدها هزار نفر را نجات داد.منبع: مصور‌سازی و تحلیل‌داده، تاریخچه‌ای از نجات انسان‌ها هوش تجاری هوش تجاری Wed, 23 Nov 2022 16:09:50 +0330