هوشمندی کسب و کار (Business Intelligence) یا هوش تجاری، مجموعه‌ای از نظریات، روش‌ها، فرایندها، معماری‌ها و فناوری‌هایی است که برای تبدیل داده خام به اطلاعات مفید و معنادار استفاده می‌شود.
اطلاعات کسب‌وکار مقادیر بزرگی از اطلاعات را برای شناسایی و توسعه فرصت‌های جدید بکار می‌گیرد. بهره بردن از فرصت‌های جدید و اعمال یک استراتژی اثربخش می‌تواند مزیت بازار رقابتی و پایداری بلندمدت به ارمغان بیاورد.
کارکردهای رایج فن آوری های هوش تجاری شامل گزارش دهی(Reporting) ، پردازش تحلیلی آنلاین(online analytical processing) ، تجزیه و تحلیل (analytics)، داده کاوی (data mining) ، فرآیند کاوی (process mining) ، پردازش رویدادهای پیچیده (complex event processing) ، مدیریت عملکرد تجاری (business performance management) ، محک زدن (benchmarking) ، پردازش متن (text mining) ، تجزیه و تحلیل پیش بینی کننده (predictive analytics) و تجزیه و تحلیل چندجانبه (prescriptive analytics) می باشد. فن آوری های BI می توانند مقادیر زیادی از داده های ساختار یافته و بعضاً بدون ساختار را برای کمک به شناسایی ، توسعه و یا ایجاد فرصت های استراتژیک جدید تجاری، مدیریت کنند. در واقع هدف فن آوری های هوشمند سازی تجاری این است که پردازش و تفسیر آسان از داده های بزرگ را امکان پذیر کنند.
در ادامه به معرفی دو تعریف اصیل از هوش تجاری میپردازیم:
1-طبق تحقیقات Solomon Negash و Paul Gray، هوش تجاری (BI) می تواند به عنوان سیستمی تعریف شود که سه مورد زیر را باهم تلفیق میکند:
- جمع آوری اطلاعات
- ذخیره اطلاعات
- مدیریت دانش
با تجزیه و تحلیل موارد فوق برای ارزیابی اطلاعات پیچیده شرکتی و رقابتی و سپس ارائه به برنامه ریزان و تصمیم گیرندگان شرکت، با هدف بهبود زمان و کیفیت فرآیند تصمیم گیری.
2- طبق تحقیقات Forrester ، هوش تجاری "مجموعه ای از متدولوژی ها ، فرایندها ، معماری ها و فناوری هایی است که داده های خام را به اطلاعات معنی دار و مفیدی تبدیل می کند که مورد استفاده قرار می گیرند تا بینشها و تصمیم گیری های استراتژیک ، تاکتیکی و عملیاتی کارآمدتر را اعمال کنند." بر اساس این تعریف ، هوش تجاری مدیریت اطلاعات را دربر می گیرد (ادغام داده ها ، کیفیت داده ها ، انبار کردن داده ها ، مدیریت داده ها و.... ). بنابراین ، Forrester به آماده سازی داده ها و استفاده از داده ها به عنوان دو بخش جداگانه اما تنگاتنگ در هوش تجاری اشاره دارد.
در ادامه با واررسی یک مسئله به صورت عملی سعی بر ملموس کردن موارد فوق داریم:
- فرض کنید شما یک فروشگاه بزرگ اینترنتی دارید و محصولات زیادی برای فروش. قطعا ذهن هیچ مدیری یارای نگهداری تمام اعداد و ارقام مربوط به خرید و فروش را ندارد و البته که واقعا نیاز به حفظ تمام این اعداد و ارقام نیست. در فرآیند پیاده سازی هوش تجاری طبق یک عملیات بر اساس علم داده ها (Data Science) همۀ داده‌های سازمان در یک دیتابیس (ِData Base) جمع می‌شود (اینکه اطلاعات روزانه جمع‌آوری شود یا ماهانه یا هفتگی دست خودتان است). در حقیقت این دیتابیس حاوی تمام اطلاعات شرکت و تک تک فروش‌ها و خریدهای انجام شده توسط سازمان است.
این دیتابیس،در واقع همان انبارۀ داده (Data Warhouse) هست که در بالا معرفی کردیم. این نقطۀ شروع و صفر مرزی پروژه‌های هوش تجاری است. اطلاعاتی که در انبار داده جمع‌آوری می‌شوند، چند بعد مهم دارند که عبارتند از:
- مکان:فرض کنید هر کالا توسط یک نفر خریداری می‌شود که این شخص در یک استان، شهر و منطقۀ به‌خصوصی زندگی میکند. پس یکی از ابعاد مهم داده‌های شما متغیر مکان است.
- زمان: علاوه بر تمام اینها هر فروش یک پارامتر زمان دارد، شما حساب کنید روزی حداقل 10 هزار تا از این فروش و فروش‌های دیگر به انباره داده اضافه می‌شوند.
حالا تصور کنید قرار است یک جلسه استراتژی‌های کلان (یا حتی غیر کلان و در مقیاس کوچک‌تر) برگزار شود و مدیران و تصمیم‌گیرندگان نهایی بخواهند یک تصمیم اساسی بگیرند؛ مثلا اینکه آیا استراتژی درستی است که برای صرفه جویی در هزینه‌ها اجناسی که از تامین کننده‌ها خریداری می‌شوند در انبارهای در دست احداث نگه داری شوند یا نه.
دقیقا از همین قسمت هوش تجاری وارد عمل می‌شود؛ مثلا در این مثالی که زدیم، مدیر یا گروه مدیریت به راحتی از روی اطلاعات خلاصه سازی شده (Summarized Data) می‌تواند بفهمد که چه کالاها یا گروه کالاهایی توسط کدام افرادی در چه شهرها و مناطقی بیشتر فروش می‌رود و یا در چه زمانی (فصل ، سال، روز) کدام کالا یا گروه کالایی بیشتر فروخته می‌شود.
حالا بر این اساس آیا آن استراتژی که مثال زدیم واقعا به صرفه‌جویی در هزینه‌ها کمک میکند یا بدتر باعث ایجاد هزینۀ اضافه می‌شود؟ مثلا اگر متوجه بشویم که کالای X در منطقۀ Y تهران فروش بالایی دارد، آیا تصمیم اینکه انبار کالای X را در منطقۀ Y احداث کند، باعث کاهش هزینه‌های نگهداری و رساندن محصول می‌شود یا نه؟
اگر مدیر ما به Data warehouse دسترسی نداشت و خلاصه مجموع تعداد فروش، جمع عدد ریالی فروش به ازای هر کالا در زمان و مکان به‌خصوص را نداشت، باید تمام داده‌های چند سال را باید بررسی می‌کرد و تمام این محاسبات را به صورت دستی انجام می‌داد، سپس تمام این داده‌ها را مقایسه می‌کرد. به فرض که عمر نوح داشت و فرصت می‌کرد اینکار را انجام دهد، قطعا تمام محاسبات او ضریب خطای بالایی داشتند. در واقع عملا این کار غیرممکن است و بدون انجام این فرآیند نیز اتخاذ تصمیم آگاهانه نخواهد بود.
با استناد به همین مثال میتوان فواید زیر حاصل از هوش تجاری را استنباط کرد:
- به راحتی می‌توانید گزارشات سریع تهیه کنید
- به تصمیمات سریع و هوشمندانه شما کمک میکند
- بهره وری شرکت شما را زیاد میکند
- سرعت بخشیدن به بازگشت سرمایه
- کاهش هزینه‌های نیروی انسانی
منبع : ویکیپدیا فارسی
کسب و کار الکترونیکی و اینترنتی