فاکتورهای مهم در پیاده‌سازی موفق هوش تجاری

حمایت مدیریت ارشد از پروژه هوش تجاری

هوش تجاری موفق

مهم‌ترین فاکتور در پیاده‌سازی موفق هوش تجاری در سازمان، حمایت مدیریت ارشد از پروژه است و طراحی قوی و خوب انبار داده و هوش تجاری نمی‌تواند فقدان این فاکتور را جبران کند. افرادی که درگیر پروژه می‌شوند نیز باید در مورد مزایا و معایب اجرای پروژه هوش تجاری در سازمان مطلع باشند.

حمایت مدیریت ارشد می‌تواند از شکست پروژه در مواقعی که مشکلی در پیاده‌سازی ایجاد می‌شود، جلوگیری کند. در صورتی که چند تن از مدیران شرکت در پروژه هوش تجاری دخیل باشند، ریسک حمایت از پروژه کمتر می‌شود و در صورتی که یکی از مدیران بنا به دلایلی گروه هدایت پروژه را ترک کرد، پروژه همچنان از حمایت خوبی برخوردار خواهد بود. البته دخیل بودن چند تن از مدیران در پروژه ممکن است منجر به دیدگاه‌های مختلف در هدایت پروژه شود. برای مثال هر مدیر بیشتر بر تحلیل واحد مربوط به خود در پروژه تاکید می‌کند. این مشکل می‌تواند با تحلیل اولیه محدوده‌های کسب و کار حل شود و قبل از شروع پروژه، قسمت‌های تاثیرگزار کسب و کار در هوش تجاری را بررسی و مشخص شوند.

یکی دیگر از مشکلاتی که ممکن است در حوزه مدیریت ارشد سازمان مطرح شود، درخواست‌های زیاد آن‌هاست. ممکن است مدیریت ارشد برخلاف طرح اولیه‌ی نحوه پیاده‌سازی هوش تجاری، از تیم پیاده‌ساز درخواست کند که اطلاعات و داده‌هایی که قبلا در طرح اولیه وجود نداشته‌ است را نیز به انبار داده اضافه کنند تا تحلیل‌های بیشتری را در اختیار وی قرار دهند. با توجه به اینکه اضافه کردن یک محدوده‌ی جدید از داده‌ها و یکپارچه کردن داده‌های جدید با داده‌های موجود در طرح پیاده‌سازی می‌تواند نیاز به چندین ماه زمان داشته باشد، قبل از قبول درخواست‌های مدیریت حتما باید وی را در مورد هزینه‌های تصمیماتش آگاه کرد.

نیازمندی‌های کسب و کار

یکی دیگر از فاکتورهای مهم در پیاده‌سازی موفق هوش تجاری، شناخت نیازهای کسب و کار است و این که پیاده‌سازی هوش تجاری دقیقا چه مزایایی برای کسب و کار دارد. نیازمندی‌ها و مزایای پیاده‌سازی معمولا به مزیت رقابتی و نیاز به برتری در بازار، تقسیم می‌شوند. یکی دیگر از مزایای پیاده‌سازی هوش تجاری مربوط به سازمان‌هایی می‌شود که شرکت‌ها و سازمان‌های کوچک‌تر را به تملک خود در می‌آورند و یکی از راه‌های نظارت بر این شرکت‌ها استفاده از انبار داده و پیاده‌سازی هوش تجاری است.

شرکت‌ها و سازمان‌هایی که از هوش تجاری استفاده می‌کنند معمولا شرکت‌های بزرگی‌ هستند و شرکت‌های زیر مجموعه زیادی دارند. یک پیاده‌سازی موفق هوش تجاری یک دید یکپارچه از داده‌های کلیدی کسب و کار برای مدیریت فراهم می‌کند تا بتواند در اندازه‌گیری کارایی کسب و کار خود، شفافیت و کنترل کافی را داشته باشد.

وجود کمی و کیفی داده‌ها به اندازه کافی

بدون داده‌های کافی یا داده‌های با کیفیت مناسب، صرف نظر از اینکه چقدر سازمان به هوش تجاری نیاز دارد و از حمایت مدیریت برخوردار است، پیاده‌سازی محکوم به شکست است. یک تجربه موفق، بررسی داده‌ها قبل از شروع پیاده‌سازی است. این بررسی ساختار، سازگاری و محتوای داده‌ها را باید مشخص کند. این عمل باید در اولین فرصت ممکن انجام شود و اگر مشخص شد که داده‌های مناسب و کافی در سازمان وجود ندارد، تا زمان آماده شدن داده‌ها توسط واحد فناوری اطلاعات سازمان، باید پیاده‌سازی به تعویق بیافتد.

زمانی که نیازمندی‌های هوش تجاری و داده‌های کسب و کار را طراحی می‌کنیم، بهتر است به یک فرآیند کسب و کار خاص برای یک سازمان خاص فکر کنیم و سپس ویژگی‌هایی از هوش تجاری را انتخاب کنیم که بیشترین ارتباط را فرآیند کسب و کار داشته باشد.

معمولا فرآیندهای کسب و کار با یک یا چند منبع داده در ارتباط هستند. این منابع داده توسط هوش تجاری استفاده می‌شوند تا داده‌های موجود در آن‌ها را به اطلاعات تبدیل کنند. گام‌هایی که باید طی کنیم تا داده‌ها را بتوانیم در هوش تجاری مورد استفاده قرار دهیم شامل موارد زیر است:

• ارتباط با منابع داده‌های کسب و کار
• تبدیل داده‌های کسب و کار به اطلاعات مناسب
• تحلیل اطلاعات
• انجام عملیات روی اطلاعات جمع‌آوری شده

کیفیت داده‌ها باید از دریافت داده از منابع داده تا گزارش‌های نهایی در نظر گرفته شود. در هر مرحله کیفیت داده‌ها مفهوم متفاوتی دارد.

• منبع داده
  • استانداردسازی داده‌ها: داده‌ها از منابع مختلف باید با هم قابل مقایسه باشند و برای این منظور باید ویژگی‌های مختلف آن‌ها را بررسی کرد. برای مثال داده‌ها باید واحد یکسانی داشته باشند مثلا واحد پول در همه داده‌ها ریال باشد.
  • مدیریت داده اصلی: داده‌ها در سازمان معمولا تکراری هستند. برای مثال ممکن یک مشتری در قسمت‌های مختلف سازمان شناسه‌ی مجزایی داشته باشد. برای داشتن یک داده با کیفیت باید ارتباط این داده‌ها با هم مدیریت شود و برای هر موجودیت یک داده اصلی تعریف کنیم.
• ذخیره‌سازی داده‌های عملیاتی
  • تمیز کردن داده‌ها: شناسایی و تصحیح داده‌ها غلط
  • بررسی داده‌های نامناسب یا خالی
• انبار داده
  • تمامیت: بررسی اینکه تمام داده‌های مورد انتظار بارگذاری شده‌اند
  • یکپارچگی ارجاعی: وجود ارتباط یکتا بین تمام منابع داده
  • سازگاری بین منابع داده: بررسی داده‌های تلفیقی بین منابع داده
• گزارش‌گیری
  • یکتایی شاخص‌ها: شاخص‌های کلیدی عملکرد در یک مکان مشخص تعریف شده باشند و دارای تعاریف مختلفی نباشند.
  • درستی فرمول‌ها: از نوشتن فرمول‌های محلی باید پرهیز کرد یا در صورت لزوم آن‌ها را بررسی کرد.