Mabna.co
چهارشنبه 25 مهر 1403
امروز
جستجو در مبنا
  • خانه
  • درباره ما
  • چشم انداز
  • Forum
  • شناسایی عوامل موثر در انتخاب استراتژی و ساخت موفق سیستم های هوش تجاری

شناسایی عوامل موثر در انتخاب استراتژی و ساخت موفق سیستم های هوش تجاری

الناز ملاجباری- کارشناس گروه هوش تجاری شرکت مشاورین بهبود روش ها و سامانه های مبنا(مشاورین مبنا)

چکیده

محيطي كه در حال حاضر سازمان ها در آن فعاليت مي كنند هرروز پيچيده تر شده و عوامل محيطي كسب وكار باعث فشار بر آن‌ها مي-شود. تصمیم‌گیری مهم‌ترین فعالیت مدیریت در سازمان است و اتخاذ تصمیمات دقیق و به‌موقع شرط بقاي سازمان در محیط کسب‌وکار تلقی می‌گردد. اين تصميم گيري ها نيازمند حضور فنّاوری همچون هوش تجاری در سازمان است تا مدیران را در درک بهتر داده ها و اخذ تصمیمات درست یاری نماید. بعد از ضرورت وجود سیستم های هوش تجاری در سازمان، انتخاب استراتژی مناسب و متناسب با نیاز های سازمان و شناسایی و به کارگیری عوامل موثر در فرآیند ساخت موفق این گونه سیستم ها؛ به طوری که بیشترین بازدهی را داشته باشند، اهمیت بسیار دارند. در این مقاله بعد از معرفی هوش تجاری، اجزا و مزایای آن، به شناسایی عوامل موثر در انتخاب یک استراتژی مناسب در جهت ایجاد سیستم های هوش تجاری و معرفی عواملی که سازمان ها را در ساخت موفق این گونه سیستم ها یاری می کنند پرداخته شده است.

کلمات کلیدی: فناوری اطلاعات، هوش تجاری، تصمیم گیری، استراتژی، عوامل موثر

1- مقدمه

امروزه به علت پیشرفت و گسترش در هر شاخه از علم و دانش، هر نوع تجارت با رقابت شدید مواجه است. این پیشرفت و گسترش موجب پیشرفت در انواع مختلف از فن‌آوری‌ها، بیشتر شدن آگاهی مشتری، انتظارات بالای او از محصولات و خدمات می‌شود. خواست مشتریان به‌سرعت در حال تغییر است و اگر سازمانی نتواند این تغییرات را درک نماید با تهدیدات جدی مواجه خواهد شد؛ بنابراین سازمان ها برای تداوم حیات خود و همچنین رشد و شکوفایی به دنبال استفاده از دانش جدید و کاربرد‌های آن به‌عنوان مزیت رقابتی هستند. ازجمله مفاهیم جدید در عرصه کسب‌وکار، هوش تجاری است. [2]. واژه ی هوش تجاری توسط گروه گارتنر در اواسط دهه ی1991 رواج یافت که در سیستم‌های گزارش دهی MIS دهه ی1970ریشه دارد [11]. هوش تجاری شامل ابزارها، فنّاوری‌ها و فرایندهای تبدیل داده‌ها به اطلاعات و تبدیل اطلاعات به دانش موردنیاز برای بهینه‌سازی تصمیم‌گیری در سازمان است. وجود فنّاوری مناسب برای حمایت از تصمیم‌گیری می‌تواند به افزایش قابلیت‌های تصمیم‌گیرندگان در یک سازمان کمک نماید [6]. چنین سیستم هایی مورد نیاز مدیران است؛ البته انتخاب استراتژی درست و به کارگیری راهکارهای مناسب در ساخت موفق این گونه سیستم ها دارای اهمیت بسیار است و کمک می کند تا سیستم ساخته شده در سازمان مورد استفاده بهتر کاربران قرار گیرد.

2- ضرورت هوشمندی کسب‌وکار

هوشمندی کسب‌وکار به سازمان‌ها توانایی تصمیم‌گیری آگاهانه را می‌دهد و ازاین‌رو می‌تواند منبعی از مزایای رقابتی باشد. این موضوع زمانی صدق می‌کند که سازمان قادر به استخراج اطلاعات از شاخص‌ها در محیط خارجی و ایجاد پیش‌بینی‌های دقیق درباره ی روندها یا شرایط اقتصادی کسب‌وکار در آینده باشد [6]. هدف نهایی هوشمندی کسب‌وکار، بهبود به‌موقع بودن و با کیفیت بودن اطلاعات است. بر پایه ی جدیدترین فنّاوری‌ها، سیستم‌های هوش تجاری به‌واسطه‌ی تحلیل پروسه ی تصمیم گیری، بالا بردن بهره وری کاربران، کم کردن هزینه ها و بهبود روابط بین شرکا و توسعه‌دهندگان تجاری، برای تصمیم‌گیری ضروری هستند. هوشمندی کسب‌وکار می تواند موقعیت کسب‌وکار را در مقایسه با رقبا و شرایط بازار نشان دهد. همچنین با روشن نمودن تغییرات در رفتار مشتری و الگوهای خرج و منعکس نمودن خواسته‌های مشتری، با توجه به قابلیت های کسب‌وکار به سازمان ها یاری رساند [7]. در هوشمند نمودن کسب و کار باید بسیار دقت شود تا انجام آن با روش هایی صورت گیرد که مطابق با نیازهای سازمان باشد، به گونه ای که بیشترین بازدهی را ارائه نماید.

3- چرخه حیات سیستم‌های هوش تجاری

هوش تجاری یک ابتکار عمل استراتژیک و راهبردی است که به سازمان‌ها کمک می‌کند تا میزان تأثیرگذاری عملکرد خود را در بازار اندازه‌گیری کنند. یک شرکت موفق باید بداند چگونه عمل کند و چگونه یک پروژه را به سرانجام برساند که بیش‌ترین سودآوری را داشته باشد. چرخه حیات یک سیستم هوش تجاری در پنج فاز به صورت نشان داده شده در شکل 1 قابل تشریح است [3]:

هوش تجاری

• مرحله تحلیل: هر پروژه‌ای باید از دید سازمانی و فنی بررسی شود اما این مسئله باید باهدف اصلی شرکت منطبق باشد. هر پروژه‌ی هوش تجاری باید به‌طور آشکار هزینه و سود مربوط به حل مشکلات کسب‌وکار را توجیه کند. این تحلیل به‌وسیله‌ی مجموعه‌ای از شاخص‌های ارزیابی عملکرد انجام می‌شود و آن‌ها نیز به‌وسیله کاربران نهایی درخواست داده می‌شوند. مرحله ی تحلیل، طرحی از اجزای مختلف راه‌حل با منابع اطلاعاتی مرتبط را تولید می کند.

• مرحله طراحی: به دلیل پیچیده بودن اساس راه‌حل‌های هوش تجاری، انتخاب روش پیاده‌سازی فنّاوری هوش تجاری یک انتخاب دقیق است. یکی از متدهای معمول برای آزمایش راه‌حل‌ها ساخت نمونه اولیه است که این به‌وسیله‌ی پیش‌بینی درخواست‌ها بر اساس توقعات ممکن است. یک نقشه راه باید شامل یک طراحی سطح بالا از اجزا مختلف راه‌حل، حاوی منابع اطلاعاتی مرتبط باشد. مراحل پروژه باید شامل انتخاب‌های مناسب فنّاوری‌های هوش تجاری بر اساس نیاز کاربران و پیچیدگی پیاده‌سازی باشد. اجزای انتخاب‌شده باید باهم به‌وسیله مدیریت مرکزی و دپارتمان فناوری اطلاعات مدیریت شود و دارای مشارکت فعالی از طرف کاربران نهایی باشد تا اطمینان ایجاد شود که پیش‌بینی‌ها بر اساس نیازها هستند.

• مرحله توسعه: در این مرحله تمام جریان اطلاعاتی سازمان باید مدل‌سازی شوند. این برای ساخت نمونه ی اولیه و یک محیط تستی جهت تصدیق و مقایسه‌ی اهداف نهایی سازمان ضروری است. زیربنای داده‌ای می‌تواند بیش از 70 درصد تلاش و هزینه‌ی این مرحله بشمار بیاید. بعد از زیربنای داده‌ای، حجم کار درگیر در ساخت پروژه که وابسته به میزان پیچیدگی پروژه است، در این مرحله قرار دارد. یک استراتژی برای استخراج، تبدیل و بارگذاری ، بر اساس میزان دقت داده و درخواست‌ها برای انتقال داده در طول تجزیه‌وتحلیل ممکن است مناسب یا نامناسب باشد. در هر دو مورد پیش‌پردازش داده و پالایش ثانویه متناوباً موردنیاز است.

• مرحله پیاده‌سازی: بعد از آزمودن همه‌ی اجزای هوش تجاری، برنامه‌ی کاربردی باید در سطح کاربران پیاده‌سازی شود. علی رغم فنّاوری‌های استفاده‌شده، موفقیت یک پروژه به آموزش‌های انجام‌شده در سطح کاربران و پشتیبانی از گروه اختصاص داده‌شده، مخصوصاً در ابتدای مرحله‌ی پیاده‌سازی، وابسته است. این فاز به یک رویکرد تکرارشونده با جلسات آموزشی زیاد، برای دریافت نیازهای مشتری احتیاج دارد. قسمت فناوری باید گروه فنی پشتیبانی را برای راهنمایی بهتر کاربران نهایی تعلیم دهد.

• مرحله تکاملی: این مرحله می‌تواند مرحله مصرف خوانده شود، زیرا کاربران از اطلاعات به‌دست‌آمده برای تغییر کسب‌وکار و تصمیم‌گیری استفاده می‌کنند. از اهداف اصلی این مرحله اندازه‌گیری موفقیت پروژه، توسعه نرم‌افزار کاربردی و افزایش مبادله ی اطلاعات بین عملکرد سازمان و برنامه کاربردی است. جنبه‌های کسب‌وکار اغلب در این مرحله نادیده گرفته می شوند و به همین علت بسیاری از پروژه‌ها در این مرحله شکست می‌خورند. این مرحله را می توان به پنج زیر مرحله اکتشاف راه‌حل مطابق با نیاز کاربران، دسترسی به پشتیبانی جهت دریافت کمک، تصمیم‌گیری بر اساس اطلاعات به‌دست‌آمده، تقسیم اطلاعات در بخش های سازمان و تغییر در صورت نیاز در ساختارها، تقسیم نمود. چرخه‌ی هوش تجاری که به پایان می‌رسد دوباره از مرحله اول شروع می شود، اما رویکردهای متدولوژی روی مراحل دیگری همچون تجزیه‌وتحلیل، ارزیابی مجدد، اصلاح، بهینه‌سازی و سازگاری تمرکز خواهند داشت. این تعیین می‌کند که مزایای تجارب باید دوباره به روند اضافه شود تا چرخه هوش کسب‌وکار را حفظ کند [3].

4- اجزای هوش تجاری

یک سیستم هوش تجاری برای اجرا نیاز به فنّاوری‌هایی دارد که به‌گونه‌ای اجزای جدایی‌ناپذیر آن به شمار می آیند [5].

4-1- انباره داده

انباره داده که یکی از بنیان های سیستم مدیریت تصمیم است می‌تواند شامل داده های ریز، خلاصه های سبک و سرجمع ها باشد؛ که برای تحلیل و پشتیبانی تصمیم قالب‌بندی شده‌اند. طبق تعریف اینمون [4] که یکی از پیشتازان معماری در ساخت سیستم های انباره داده است، انباره داده مجموعه ای موضوع گرا، یکپارچه، از زمان های مختلف و غیر فرار به‌منظور پشتیبانی از فرآیند تصمیم سازی است. انباره داده به سازمان اجازه می دهد تا با دست‌کاری داده ها به صورت‌های پاک‌سازی، ساماندهی، دسته‌بندی، خلاصه‌سازی داده های با حجم بالا، جهت انتقال و تحلیل و گزارش‌گیری مفیدتر واقع شوند. سازمان ها به این باور رسیده‌اند که گردآوری، سازمان‌دهی و یکپارچه‌سازی داده ها در انباره داده برای مدیریت بهینه و اتخاذ تصمیمات کلان یک ضرورت است [7].

4-2- فرآیند استخراج، تبدیل و بارگذاری

ETL ابزاری برای استخراج داده از منابع خارجی و پایگاه داده ها عملیاتی، جمع‌آوری، پاک‌سازی و تبدیل داده ها، بارگذاری در انباره داده تحلیلی و بروز رسانی داده های انبار بر اساس منابع داده‌ای جدید و شاید تخلیه ی داده های قبلی در دیسک های ذخیره‌سازی با سرعت پایین تر است. برای افزایش کارایی، انعطاف و قابلیت نگهداری،ETL می‌تواند به پنج ماژول تقسیم شود[8]:

• استخراج داده: قبل از هر چیز باید دریابیم که کدام سیستم کسب‌وکار داده ی موردنیاز را فراهم می کند. دوم، بدانیم چه نوع ساختار جدولی در پایگاه داده وجود دارد و مفاهیم مرتبط با آن ساختار کدم‌اند. سوم، وجود داده و کیفیت آن را بررسی نماییم. چهارم، تعیین اینکه داده ی ساختار نیافته وجود دارد یا خیر.

• اعتبار سنجی داده: این مرحله شامل تعداد زیادی چک و بررسی داده است؛ مانند چک کلید خارجی. برای داده هایی که کیفیت لازم را ندارند باید اقداماتی صورت گیرد تا در فیلدهای موردنظر قرار گیرند.

• پاک‌سازی داده: وظیفه ی این مرحله، پاک‌سازی داده و فیلتر داده های نامطلوب و سپس ارسال داده های نهایی به بخش‌های عملیاتی کسب‌وکار است. داده های نامطلوب شامل داده های ناقص، اشتباه، تکراری و غیره است.

• تبدیل داده : از دیدی ریزبینانه، تبدیل داده شامل این انواع است: عملیات روی فیلد داده ای، پردازش کاراکتر رشته ای، تعیین مقادیر تهی، تبدیل تاریخ و ایجاد هماهنگی بین این عملیات و غیره است.

• بارگذاری داده: داده ها باید به جداول موردنظر در انباره داده انتقال یابند. این معمولاً آخرین مرحله در پردازشETL است. انجام بارگذاری داده به نحو خوب، به نوع عملیات و کیفیت داده ها وابسته است.

4-3- سیستم پردازش تحلیلی بر خط

سیستم‌های پردازش تحلیلی برخط برای ارائه پاسخ های سریع به سؤالات و جستجوهای تحلیلی روی‌داده‌های چندبعدی طراحی‌شده‌اند. این سیستم‌ها داده‌های خود را به نحوی خاص نگهداری می‌کنند که ازنظر سرعت در برخورد با داده‌های چندبعدی بهتر از سیستم های پردازش تراکنشی برخط عمل می‌کنند. به‌طورمعمولOLTP با تمرکز بر فعالیت های روزانه مانند معاملات بانکی روزانه که به‌صورت تراکنش های تکی اعمال می شوند، دارای ارزش های ویژه ای ازلحاظ غیر تجمعی جهت ذخیره‌سازی در پایگاه داده ها می باشند [9]. از سوی دیگرOLAP دارای ارزش تجمعی بوده و نشان‌دهنده ی یک دیدگاه تاریخی در یک بازه زمان طولانی از برآیند اطلاعات ثبت‌شده است [10]. ابزار اصلی برای تجزیه‌وتحلیل داده، مکعب داده است که یک ساختار داده چندبعدی موجود در انباره داده تحلیلی است. سیستم OLAP به‌صورت مرتب از داده‌های منابع اطلاعاتی مختلف کپی‌های خلاصه‌شده برداشته و آن‌ها را در مکعب های داده ای مرتب می‌کند. پرس‌وجوهای کاربران می‌تواند روی این مکعب اجرا شود [3].

4-4- فرآیند داده‌کاوی

داده‌کاوی فرآیندی برای یافتن الگوهای پنهان و مدل های تحلیلی، پیش بینی و نمایش نتایج کسب‌شده است. به‌عبارت‌دیگر، داده‌کاوی می‌تواند با تحلیل داده های گذشته اطلاعات مفیدی را برای راهنمایی به‌سوی آینده فراهم کند [7]. فرآیند داده‌کاوی به مراحل زیر تقسیم‌بندی می شود [3]:

• تعریف مسئله: در فرآیند هوش تجاری، اولین چیز درک کامل مسائل و سؤالاتی است که باید به آن‌ها پاسخ داده شود. توصیه‌شده است که تمرکز کاملاً بر روی موارد خواسته‌شده باشد، نه چگونگی پاسخ به آن‌ها.

• آماده‌سازی داده: یک‌بار لازم است که اطلاعات به‌خوبی تعریف‌شده و آماده‌سازی داده صورت گیرد. الگوریتم های داده‌کاوی در حل مسائل بسیار هوشمند هستند، اما درصورتی‌که داده ی ورودی خارج از فرمت موردنظر باشد با شکست مواجه خواهد شد.

• اکتشاف داده: برای درک نتیجه ی حاصل از فرآیند داده‌کاوی، داده ابتدا باید به‌طور کامل پوشش داده‌شده و موردمطالعه قرار گیرد. این کار معمولاً به‌وسیله‌ی متدهای مختلفی انجام می شود.

• ساخت مدل داده‌کاوی: پرس‌وجوها به‌وسیله‌ی زبان DMX یا به‌وسیله‌ی ویزاردهای نرم‌افزاری ساخته می شود.

• اکتشاف و تصدیق مدل داده ای: یک‌بار که یک مدل ساخته شد، باید روندها و الگوهایی که مدل تولید کرده است موردبررسی قرارگرفته و درستی آن‌ها تائید شوند تا اطمینان حاصل شود که پاسخگوی سؤالات تعریف‌شده در مرحله ی اول هستند.

• راه‌اندازی و به‌روزرسانی مدل: در مرحله ی آخر، مدل جهت استفاده ی کاربران، راه‌اندازی و اجرا می شود. در حین استفاده ممکن است مجموعه سؤالات جدیدی مطرح شود که نیاز به پاسخ دارند. در این صورت باید مدل تغییر پیدا کند.

5- مزایای هوش تجاری

استفاده از هوش تجاری در هر سازمان مزایای زیر را برای آن سازمان به دنبال دارد [1]:

• بهبود و ارتقای کیفیت در عملیات سازمان: بکار گیری هوش تجاری در هر سازمانی با مکانیزه کردن عملیات باعث بهبود و ارتقای کیفیت عملیات می شود.

• یکپارچه‌سازی اطلاعات: با به‌کارگیری هوش تجاری داده ها در یک پایگاه داده ی حجیم به‌صورت یکپارچه تحلیل می شوند.

• تحلیل دقیق تر شرایط سازمان: هوش تجاری با ابزارها و نرم‌افزارهای کاربردی خود به تحلیل دقیق تر شرایط کمک می کند.

• پیش‌بینی شرایط آتی سازمان: راهکار هوش تجاری با در نظر گرفتن موارد آشکار و پنهان می تواند به‌عنوان یک شبیه‌ساز عمل کند.

• ایجاد بسترهای زیرساختی در تصمیم گیری سازمان: کاربرد اصلی هوش تجاری کمک به تصمیم گیری در سازمان است. تصمیم-گیری هایی که مبتنی بر حقایق سازمانی، دانش و کلیه ی موارد باشد.

• ایجاد فرصت های بیشتر در رقابت تجاری سازمان به‌کارگیرنده: با گسترش فناوری اطلاعات و دنیای در حال دگرگونی، بقای سازمان ها به‌راحتی ممکن نیست مگر اینکه بتواند خود را در مواجهه با این تغییرات حفظ کنند. سازمان هایی که از هوش تجاری استفاده می کنند برای فراهم نمودن محصولات و خدمات اطمینان‌بخش، سریع و مطابق با نظرات مشتریان تلاش می کنند تا بتوانند از میان رقبا به سهم بیشتری از بازار دست یابند.

6- انتخاب یک استراتژی هوش تجاری

چندین نظرسنجی ازجمله گارتنر، فورستر و مرکز بین‌المللی اطلاعات نشان می دهند که بسیاری از شرکت ها در سراسر جهان علاقه‌مند به سرمایه گذاری در هوش تجاری هستند. باوجود سرمایه گذاری های عمده ای که در برنامه‌ریزی منابع سازمانی و مدیریت ارتباط با مشتری در دهه ی اخیر انجام‌شده است، کسب و کار ها در حال تلاش برای کسب مزیت رقابتی هستند. پیاده‌سازی هوشمند فرآیند کسب و کار زمانی ممکن است که هوش تجاری بر فرآیند تأثیر گذارد و ارزش ها را به سازمان بازتاب دهد و مزیت رقابتی ایجاد کند [5]. یک سیستم هوش تجاری بدون هدف نهایی هرگز نمی‌تواند یک سازمان را به‌غایت خود راهنمایی کند زیرا هیچ‌کس هدف نهایی را به‌درستی نمی داند؛ بنابراین گام اول در ساخت یک استراتژی هوش تجاری این است که سازمان بداند چه چیزهایی را می خواهد به دست آورد و بعد از پیاده‌سازی چه انتظاراتی دارد. فراهم کردن اطلاعات ضروری و نمایش آن‌ها به‌گونه‌ای کاربرپسند یک گام مهم برای حل مطلوب مشکل هوش تجاری در یک سازمان است. سه عامل اصلی در هنگام انتخاب یک‌ استراتژی هوش تجاری باید در نظر گرفته شود [3]:

• نقش هوش تجاری در سراسر سازمان: راه‌حل هوش تجاری باید به‌گونه‌ای انتخاب شوند که کار را برای همه ی کاربران و نه‌فقط برای عده ای، آسان کنند تا بتواند به فهم داده و تفسیر آن در سازمان کمک کند.

• یکپارچه‌سازی با سیستم های دیگر و برنامه های کاربردی: راه‌حل‌های هوش تجاری باید به دنبال بهترین ادغام با بقیه ی سیستم های کسب و کار باشند تا در آینده بهتر مورداستفاده قرار گیرند.

• انعطاف‌پذیری هوش تجاری: وقتی به تغییراتی نیاز است یا زمانی که تابع های جدیدی اضافه‌شده است، راه‌حل‌هایی از هوش تجاری باید یافته شود که قالب بر این تغییرات باشد.

7- ساخت موفق یک سیستم هوش تجاری

هیچ دستور قطعی یا قالبی برای موفقیت در مورد نحوه ی ساخت یک کسب‌وکار وجود ندارد. به همین جهت ساخت یک مدل برای هوش تجاری دارای تعدادی مرحله ی استاندارد و مشخص نیست که البته این امر کار را برای پیاده‌سازی سیستم هوش تجاری سخت می کند، ولی فاکتورهایی وجود دارد که به شرکت‌ها در ساخت موفق یک سیستم هوش تجاری کمک می‌کند [3]:

• شاخص: برای انتخاب شاخص‌های کلیدی ارزیابی عملکرد باید از سؤال «چگونه می‌توان موفقیت یک سازمان را اندازه‌گیری کرد؟» شروع کرد. ازآن‌جهت که شاخص‌های کلیدی ارزیابی عملکرد قابل‌اندازه‌گیری هستند می‌توانند مشخص کنند آیا یک شرکت موفق است یا خیر. اگر با شاخص‌های درستی شروع شود، کسب‌وکار در درازمدت سود ده خواهد بود.

• انتخاب یک گروه خوب: انتخاب تیمی که فهم خوبی از مشکلات داده داشته باشد یک‌قدم به‌سوی موفقیت پروژه است.

• یادگیری از اشتباهات: گاهی اوقات اجتناب از دام و اشتباه امکان‌پذیر نیست. اینکه به خاطر بیاوریم چه روی داد و چگونه؟ چرا و چگونه می‌توان از آن اشتباه در آینده اجتناب کرد. این امر در مورد هر فیلد، اما به‌طور خاص، صادق است.

• شناخت کسب و کار: هر کسب و کار متفاوت است و اینکه قبل از پیشرفت پروژه به‌صورت جزئی عملکرد سازمان را کاملاً بشناسیم ضروری است. اینکه سازمان از چه اجزایی تشکیل‌شده، تصمیمات چگونه اتخاذ می‌شوند، کارمندان چگونه کار می‌کنند، چیزهایی هستند که باید در نقشه فرآیند اعمال شه باشد.

• ایجاد فازهای تعریف‌شده: اغلب، مدیریت اجرایی تاب انجام پروژه‌های بزرگ را ندارد پس ترجیحاً بهتر است به انجام پروژه در چندین فاز و دستیابی به نتایج به‌صورت چندبخشی بپردازیم؛ بنابراین هر نسخه از هوش تجاری باید به چندین فاز تقسیم شود. هر فاز باید شامل اهداف مشخص و تعریف‌شده و فواید قابل تشریح برای همه باشد.

• پشتیبانی از اجرا: راه‌حل‌های هوش تجاری با بخش‌های مختلف در سازمان تماس است؛ که این ممکن است با انتقاد مواجه شود. یک شخص بانفوذ و باقدرت در شرکت که به اهمیت اجرای هوش تجاری واقف است، می‌تواند افراد بدبین را متقاعد کند تا اجرا و پیشرفت پروژه موردحمایت همه ی ارگان‌های سازمان قرار گیرد.

8-نتیجه‌گیری

سیستم های مبتنی بر تراکنش قدرتمندی معمولاً در سازمان ها حضور دارند و امروزه می توانند مقدار زیادی از اطلاعات را جمع آوری و ذخیره کنند ولی هوش تجاری است که توانایی ارزش بخشیدن به این اطلاعات را دارد؛ بنابراین برای رقابتی ماندن نیاز به سیستم های تحلیلی وجود دارد که می تواند توانایی یک سازمان را برای کشف و به‌کارگیری اطلاعات دچار تغییرات اساسی کند. هوش تجاری راهکار استخراج بینش از ثروت داده های موجود و کسب اطلاعات مبتنی بر حقیقت است. انتخاب یک استراتژی هوش تجاری که بر اساس استانداردهای مشخص باشد و کار را در سازمان برای همه ی کاربران آن آسان کند و همراه با داشتن انعطاف پذیری، قابلیت یکپارچه‌سازی خوبی با سیستم ها و برنامه های کاربردی سازمان داشته باشد، از مهم ترین تصمیم گیری ها در ساخت یک سیستم هوش تجاری است. همراه با انتخاب استراتژی مناسب، بکارگیری مراحل و نکاتی که سازمان را در ساخت موفق یک سیستم موفق هوش تجاری یاری کند، می تواند امیدها به ساخت سیستم مورد نظر سازمان را افزایش دهد و احتمال اینکه مورد توجه و علاقه ی کاربران قرار گیرد را بالا ببرد. به این ترتیب موجبات ارتقای سازمان را فراهم آورد. با این روش سازمان ها می توانند هزینه ها را کاهش دهند و به‌خصوص نحوه ی استفاده ی بهتر از سرمایه های موجود را یاد بگیرند. با توجه به مزایای مطرح‌شده برای سیستم های هوش تجاری امروزه نه‌تنها تجزیه‌وتحلیل کسب و کار و پیاده‌سازی این‌گونه سیستم ها به امری ضروری تبدیل‌شده است بلکه در صورت ساخت موفق این سیستم ها، اقداماتی در پاسخ به نتایج تحلیل ها می تواند انجام شود و بلافاصله پارامترهای فرآیند کسب و کار را تغییر داده و روندها را اصلاح نماید و موجب بالا رفتن میزان بهره وری سازمان شود.

مراجع

1. ابراهیمیان، فهیمه، جوانمرد، مهدی و رستگار علی، «بررسی نقش هوش تجاری برافزایش میزان بهره‌وری سیستم های سازمانی»، اولین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و بازیابی اطلاعات ایران، رودسر، دانشگاه آزاد اسلامی، مهر 1392.

2. B. Hocevar, J. Jaklic. “Assessing Benefits of Business Intelligence Systems”, International Journal of Management, Vol. 151, pp 87-119, 2010.

3. D. Agiu, V. Mateescu and I. Muntean. “Business Intelligence Overview”, Database Systems Journal, Vol. V, No. 3, pp 23-36, 2014.

4. E. Alhyasat, M. Al-Dalahmeh. “Data Warehouse Success and Strategic Oriented Business Intelligence: A Theoretical Framework”, Journal of Management Research, Vol. 5, No.3, pp 169-184, 2013.

5. K. Patel, R. Gupta, et al. “Study of Approaches and Components of Business Intelligence”, International Journal of Engineering Sciences & Research Technology, Vol.4, No 2, pp 19-22, 2015.

6. R. Kimball. “The Data Warehouse Life Cycle Toolkit 2nd Ed”, Wiley, 2008.

7. M. Berry, G. Linoff. “Data Mining Techniques”, John Wiley and Sons, 1997.

8. M. Kirange, R. Makhijani. “Revolution in DW by Solving Causes of Data Quality Problems in DW and ETL”, International Journal of Computer Science and Mobile Computing, Vol.4, Issue.1, pp 64-73, 2015.

9. S. Chaudhuri, U. Dayal. “An Overview of Data Warehousing and OLAP Technology”. ACM Sigmod Record, Vol. 26, pp. 65-74, 1997.

10. S. S .Conn. “OLTP and OLAP Data Integration: A Review of Feasible Implementation Methods and Architectures for Real Time Data Analysis”. Proceedings. IEEE, 2005, pp 515-520, 2005.

11. W.H. Inmon. “Building the Data Warehouse 3rd and 4th Ed”, Wiley, 2005.