راه اندازی سایت و کانال تلگرامی انجمن متخصصان هوش تجاری

با سلام و عرض ادب خدمت همه عزیزان 

وب سایت انجمن هوش تجاری یا به عبارت صحیح تر هوش کسب وکار ایران به همت تنی چند از عزیزان و متخصصان راه اندازی شده است. 

خوش حال میشویم به انجمن سر بزنید و  در فعالیت های آن مشارکت داشته باشید. 

آدرس سایت انجمن :  http://biexperts.ir/

کانال تلگرام انجمن متخصصان هوش تجاری : @BIexperts

چرا به مدیریت داده های کلیدی نیازمندیم؟ اهمیت و ضرورت مدیریت داده های کلیدی سازمان در SQL Server

 

منبع:

http://blog.sqlauthority.com/2012/09/11/sql-server-why-do-we-need-master-data-management-importance-and-significance-of-master-data-management-mdm/

ترجمه و تالیف :

سید محمود شجاعی کیاسری

چرا به مدیریت داده های کلیدی نیازمندیم؟ اهمیت و ضرورت مدیریت داده های کلیدی سازمان در SQL Server

Master Data Management (MDM)

اجازه بدهید امروز یک تصویر از زندگی روزمره برای شما  ترسیم کنم. تصور کنید شما و همسرتان هر دو دفترچه آدرس برای گروه دوستان خود داشته باشید. قطعا همپوشانی بین آنها وجود دارد، به طوری که هر دو شما آدرس هایی برای دوستان مشترک خود دارید، همچنین آدرس هایی وجود داردکه فقط شما می دانید در دفترتان وجود دارد، و برخی را نیز تنها او می داند. همچنین ممکن است آدرس هایی در دو دفترچه بصورت متفاوت سازماندهی شده باشند. شما ممکن است دوست خود را تحت عنوان "م" برای "محمود" و یا حتی زیر بخش "ه" برای "هوش تجاری" سازمان دهی کرده باشید در حالی که همسرتان ممکن است او را در بخش "ش" و با عنوان "شجاعی" و یا تحت نام و نام خانوادگی شما به این دلیل که شجاعی عضو دسته دوستان شماست مرتب کرده باشد. در لحظات نیاز فوری ممکن است هیچیک از شما نتوانید آدرس شجاعی را پیدا کنید!

این جایی است که مدیریت داده ها می تواند بسیار مهم باشد. اگر شما مجبور باشید هر دو از یک کتاب آدرس استفاده نمایید، می توانید مجموعه ای از قوانین در مورد چگونگی سازماندهی کتاب تدوین کنید، و هر دو از‌ آن قوانین پیروی کنید. به این ترتیب شما مطمئن می شوید که محمود شجاعی دو بار در بخش"م" و در بخش "ش" وارد نشده است.

مواجهه با این وضعیت ممکن است برای شما آشنا باشد، آیا شما در حال فکر کردن در مورد کتاب آدرس، مجموعه رکوردها، کتاب ها، و یا حتی لیست های خرید هستید؟ هر جا که حجم زیادی از داده ها وجود دارد، قطعا با این مشکلات مواجه می‌شوید مگر اینکه قوانین لازم را وضع و از آن پیروی کرده باشید.

من مطمئن هستم که خوانندگان می توانند بفهمند که من در این مطلب قصد گفتن چه چیزی را دارم. اما روشی که SQL سرور برای سازماندهی داده ها ارائه کرده چیست؟ مایکروسافت تجمیع همه "آدرس"ها به یک مکان را ساده و ساده تر کرده است. در نسخه  ۲۰۰۸ SQL  یک ابزار جدید به نام “Master Data Service” (MDS) برای مدیریت داده های کلیدی معرفی کرده است، و آن را در نسخه 2012 بهبود بخشیده است.

MDM به عنوان یک بهبود بزرگ برای هوش تجاری مورد ستایش قرار گرفته است.

بسیاری از شرکت ها دارای مقدار زیادی از اطلاعات مهم، مانند آدرس، شماره کارت اعتباری، تاریخ خرید، و داده های خیلی بیشتر هستند. سازماندهی موثر تمام این داده ها به طوری که بخوبی از اطلاعات ثبت شده در صورتحساب یا لیست مشتریان مراقبت شود (تنها یک بار ورود اطلاعات، نه هرگز یا چند بار! ) حقیقتا بخش عمده ای از هوش کسب و کار یا هوش تجاری است.

MDM به این دلیل بکار گرفته میشود که نگرانی های شما را از بابت اطمینان به کوهی از داده ها از جهت سازگاری، دقت و اطمینان از قرار گیری همه آنها در یک پایگاه داده را از بین ببرد به طوری که کارمندان در سازمان مجبور به جستجو در بالا و پایین داده ها و اتلاف وقت خود نباشند. همچنین MDM دارای توابع مدیریت داده های کلیدی عملیاتی است. این افزونگی نیست. توابع عملیاتی مدیریت داده های کلیدی بدان معنی است که هنگامی که یکی از کارکنان اطلاعات یک مشتری را تغییر میدهد به عنوان مثال آدرس یک مشتری را، توابع عملیاتی بروز رسانی آدرس جدید در تمام بانک های اطلاعاتی مرتبط را تضمین میکندو تمام سیستم اطلاعات صحیحی را در اختیار دارند.

نکته جالب دیگر در مورد MDM ویژگی خدمات مدیریت پیکربندی است، که دقیقا همان چیزی است که باید باشد! این بخش یک راهنمایی کننده داردکه اجازه می دهد شما اتصال پایگاه داده خود را به سرعت، به راحتی و با تنظیمات درست انجام دهید. زمانی که صحبت از ویژگی های این سرویس میشود نمی توان از افزودنی برای نرم افزار اکسل هم عبور کرد.  این افزونه به شما اجازه می دهد تا داده های خاص را به فایل اکسل برای به اشتراک گذاری آسان تر و آپلود منتقل کنید.

به طور خلاصه، می خواهم تاکید کنم که ترسناکترین بخش از پایگاه داده به آرامی در حال ناپدید شدن است.هر کس می داند که وجود یک پایگاه داده - یک منطقه تلفیقی برای تمام داده های شما - ایده خوبی است، اما انجام تنظیمات این ایده دلهره آور است. اما SQL مدیریت داده ها را با استفاده از ویژگی هایی مانند خدمات داده های کلیدی (MDS) ساده تر و آسان تر میکند.

مديريت دانش چيست؟

مديريت دانش چيست؟

تدوين: شهناز پيروزفر

برای تعريف مديريت دانش بايد چندين واژه تعريف شود. ابتدا از داده‌ها صحبت می‌كنيم. داده‌ها منبع حياتی به شمار می‌روند كه با بهره‌برداری صحيح از آنها می‌توان داده‌ها را به اطلاعات بامعنی تبديل نمود.

بدين ترتيب اطلاعات می‌توانند به دانش و در نتيجه حكمت تبديل شوند.

به عبارتی م‌ توان از واژگان فوق نتيجه گرفت كه :

- مجموعه‌ای از داده‌ها، اطلاعات را تشكيل نمی‌دهد.
- مجموعه‌ای از دانش، حمكت را تشكيل نمی‌دهد.
- مجموعه‌ای از حمكت، حقيقت را شكل نمی‌دهد.

در واقع، اطلاعات، دانش و حكمت، بيش از مجموعه‌های فوق هستند و به نوعی كل‌ آنها از هم اجزايی اجزا تشكيل می‌شوند، نه جمع جبری اجزا.

ابتدا از داده‌ها آغاز می‌كنيم، داده‌ها نقاط بی معنی در فضا و زمان هستند كه هيچگونه اشاره‌ای به فضا و زمان ندارند. داده‌ها شبيه رويداد حرف يا كلمه‌ای خارج از زمينه می‌باشند. در اينجا به "خارج از زمينه" اشاره نموديم. خارج از زمينه بدين معنا است كه داده‌ها هيچگونه رابطه‌ای با هيچ چيزی ندارند.

مجموعه‌ای از داده‌ها، اطلاعات را نمی‌سازد. زيرا در اين مجموعه داده‌ها با يكديگر هيچگونه رابطه‌ای با هم ندارند. برای اينكه بتوان از مجموعه‌ داده‌ها، اطلاعات را نتيجه گرفت بايد رابطه بين داده‌های مختلف رادرك كرد. در واقع  اطلاعات از درك ارتباط بين قطعات مختلف داده‌ها حاصل می‌شود. در حاليكه اطلاعات برگرفته از درك ارتباط بين داده‌های مختلف است اما نمی‌تواند داده‌ها را توصيف كند تا نحوه تغيير داده‌ها را با مرور زمان تشخيص دهد. اطلاعات ماهيت ايستا و خطی دارد.

در اينجا از واژه ديگری به نام رابطه صحبت كرديم.  الگو فراتر از رابطه است. الگو رابطه روابط است. اگر در برگيرنده سازگاری و جامعيت روابط می‌باشد و بر قابليت تكرار و پيش‌بينی اشاره دارد. اينك، الگو می‌تواند به طور بالقوه دانش را نشان دهد. دانش زمانی شكل می‌گيرد كه فرد بتواند الگوها و معنای شان را درك نمايد. الگو به زمينه اطلاعات وابسته نيست. بلكه خود زمينه‌سازی می‌كند (self-contextualize) الگوير كه نمايانگر دانش است، سطح بالايی از اطمينان و پيش بينی را فراهم می‌آورد و به ندت ماهيت ايستايی دارد.

حكمت زمانی شكل می‌گيرد كه فرد با اصولی كه الگوها را می‌سازند، آشنا باشد. اين اصول سراسری و كاملا مستقل از زمينه هستند.

پس به طور خلاصه می‌توان گفت:

- اطلاعات به توصيف، تعريف يا ديدگاه (چه، چه كسی، چه هنگام، كجا) وابسته است.
- دانش در برگيرنده استراتژی، عمل، متد يا شيوه (چگونگی) است.
- حكمت، بينش، اصول ، اخلاق (چرايی) را شامل می‌شود.

توجه نماييد كه داده‌ها - اطلاعات- دانش- حكمت، زنجيره‌ای را تشكيل می‌دهند . گرچه داده‌ها موجوديت گسسته هستند اما روند اطلاعات به دانش و حكمت به طور گسسته روی نمی‌دهند.

ما می‌توانيم با متصل نمودن اطلاعات جديد به الگوهايی كه قبلا درك نموديم. الگوها را توسعه دهيم.  اينك بايد مديريت دانش را تعريف نماييم. مديريت دانش مجموعه فرايندهايی است كه خلق، نشر و كاربری دانش راكنترل می‌كنند. همانگونه كه از تعريف مشخص است، مديريت دانش مباحث گسترده‌ای  را در بر می‌گيرد. پس چه نقشی در عصر اطلاعات دارد؟

امروزه سازمان‌ها و شركت‌ها با چهار مفهوم زير سروكار دارند:

- ماموريت: آنچه كه سعی دارند انجام دهند
- رقابت: نحوه رسيدن به بخش‌های رقابتی
- كارآيی: نحوه تحويل نتايج
- تغيير: نحوه مقابله با تغييرات

مديريت دانش می‌تواند توانايی سازمان‌ها و شركت‌ها را در انجام چهار مفهوم  فوق بهبود بخشد. به عبارتی می‌توان گفت مديريت دانش رويكرد سيستماتيك خلق، دريافت، سازماندهی، دستيابی و استفاده از دانش و آموخته‌ها در سازمان‌ها است. مديريت دانش در سازمان‌ها و شركت‌ها به بهبود تصميم‌گيری، انعطاف‌پذيری بيشتر، افزايش سود، كاهش باركاری، افزايش بهره‌وری، ايجاد فرصت‌های جديد كسب و كار، كاهش هزينه، سهم بازار بيشتر و بهبود انگيزه كاركنان كمك می‌كند. مديريت دانش را می‌توان برای فعاليت‌های مختلف مانند: عادی، منطقی، پيچيده، غيرمنتظره به كار گرفت.

 

نكات مهم در موفقيت بهره‌گيری از مديريت دانش

به منظور موفقيت فرايند مديريت دانش توجه به موارد زير ضروری است:

1- قابليت اتصال: تكنولوژی به تنهايی برای موفقيت رويكرد مديريت دانش كافی نيست. اما می‌تواند زير ساخت مناسبی برای به اشتراك گذاشتن دانش و فعال ساز مهمی باشد. دسترسی همه بخش‌های سازمان به معمار مديريت دانش، برنامه‌های مبتنی بر وب، ديوايس‌های سيار، ابزارهای داده كاری (data mining) ، پيشتازهای پشتيبان زير ساخت مديريت دانش هستند. تكنولوژی رفتارهای جديد دانش را فعال می‌سازد.

2- محتوا: در ابتدا، سازمان‌ بايد مميزی دانش را انجام دهد تا نقاط درونی و بيرونی تاثيرگذار بر دانش را شناسايی كند. نيروهای درونی و بيرونی تاثير گذار بر دانش اشكال مختلفی دارند مانند: دانش مشتری يا ظهور رسانه‌های جديد.

3- اجتماع: مديريت دانش موفق به اجتماع عملكردها يا گروهی از افرادی كه در درون سازمان همكاری دارند، وابسته است. اين افراد در مراحل مختلف نظير آماده‌سازی، راه‌اندازی، انجام عمليات و كسب نتيجه نهايی با يكديگر تعامل دارند.

4- فرهنگ: پشتيبانی و حمايت مديريت ارشد، همسويی عقايد، اعتماد، انگيز‍ش اجزا اصلی فرهنگ مديريت دانش به شمار می‌روند و توجه مستمر به اين اجزا ضروری است. به عبارتی شما بايد به اطلاعاتی كه از همكاران دريافت می‌كنيد، اعتماد داشته باشيد و اطلاعاتی كه همكار ديگر از شما دريافت می‌كند با توجه به اعتمادی كه به كار شما دارد، ارزشمند خواهد بود و اگر اين روند استمرار يابد موفقيت مديريت دانش را سبب می‌شود.

5- تعاون: جريان های كاری در سازمان‌های دانش بسيار به هم وابسته هستند. اين تعاون رمز موفقيت مديريت دانش است، چرا كه می‌تواند موانعی نظير تفاوت فرهنگ‌ها  را از ميان بردارد و افراد سازمان را در جهت رسيدن به اهداف هدايت كند.

6- سرمايه گذاری: سرمايه‌گذاری در مديريت  دانش به منظور تسريع بهره‌گيری از نوآوری‌ها و افزايش دانش افراد سازمان عامل مهمی به شمار می‌رود.

پس می‌توان گفت درك سيستماتيك و توجه به نكات فوق به سازمان‌ها كمك می‌كند تا مميزی دانش را انجام دهند و استراتژی مديريت دانش اثر بخش را با موفقيت پياده سازی نمايند.

خلاصه جلسات اول تا پنجم و هشتم و دهم درس هوش تجاری -استاد:جناب آقای دکتر حسنعلی نعمتی شمس آباد

خلاصه جلسات اول تا پنجم و هشتم و دهم درس هوش تجاری -استاد:جناب آقای دکتر حسنعلی نعمتی شمس آباد
درس: هوش تجاری
BUSINESS INTELLIGENCE

موضوع :
خلاصه جلسات اول تا پنجم و هشتم و دهم درس هوش تجاری

استاد:جناب آقای دکتر حسنعلی نعمتی شمس آباد


استادیار: سرکار خانم مهندس زهرا سادات طبائي

تهیه وتدوین: محمد عباسی






جلسه اول:
فصل اول: قلمرو مطالعه هوش تجاري
دراین جلسه کلیات درس و طرح درس توضیح داده می شود
این درس در دو بخش کلی توضیح داده می شود
بخش مفاهيم پايه شامل سه فصل به ترتيب زير
فصل دوم: سيستم هاي كسب و كار
فصل سوم: هوشمندي
فصل چهارم: هوشمندي كسب و كارهوش تجاري
بخش دوم: آشنايي با تكنيك ها و تكنولوژي هاي هوش تجاري
با تكنيكها و تكنولوژي هاي هوش تجاري در پنج فصل به ترتيب زير آشنا مي شويم
فصل پنجم: يادآوري زيرساخت تكنولوژي هاي اطلالاعاتي و ارتباطي
فصل ششم: انباره سازي(انبارش) داده ها
فصل هفتم: پردازش تحليلي برخط
فصل هشتم: داده كاوي
فصل نهم: متن كاوي و وب كاوي

بخش سوم: برنامه ريزي و مديريت عملكرد، هوش تجاري كاربردها و توسعه سيستم هاي هوش تجاري
در بخش سوم با در سه فصل به ترتيب با برنامه ريزي و مديريت عملكرد، كاربردها و توسعه سيستم هاي هوش تجاري آشناي مي شويم:

فصل دهم: برنامه ريزي و مديريت عملكرد كسب و كار
فصل يازدهم: استفاده و تأثير سيستم هاي هوش تجاري (برای پروزه پایانی)
فصل دوازدهم: توسعه و پياده سازي سيستم هاي هوش تجاري(برای پروزه پایانی)

چرا براي درك كامل مفهوم هوش تجاري به مدلي پايه نياز داريم؟

هوش تجاري يك واژه چتري است Umbrella Term
در قلمرو مطالعه هوش تجاري، اصطلاحات مبهم فراواني وجود دارد ما از مفاهيم مدلBIS حوزه براي ايجاد يك مدل ذهني مشترك براي اصطلاح هوش تجاري استفاده مي كنيم.
درس BUSINESS INTELLIGENCE در واقع این اصلاح در فارسی ترجمه های متعددی پیرامون این کلمه صورت گرفته است بعضی از مواقع در فارسی به BUSINESS INTELLIGENCEمی گویند هوشمندی کسب و کار وهوش تجاری و بعضی از مواقع هوش کسب و کار می گویند.
ولی موضوع درس با توجه به تایید وزارت علوم با عنوان هوش تجاری ترجمه گردید است در هر جایی از مطالب درس که اشاره شده به نام BUSINESS INTELLIGENCE منظور و مفهوم آن هوشمندی کسب و کاراست وهمان طور که می دانید business به معنای تجارت عام تر می باشد و حوزه وسیعتری را تحد پوشش خود می گیرد وهمچنین با توجه به نظریه های محققین در این حوزه معنی commerceهمان business است ولی با این تفاوت که در commerce می باید حتما تبادل کالا با پول صورت گیرد یعنی اینکه حتما برای خرید، پول رد بدل گردد.
در سازمان هاي اقتصادي، فعاليت هاي هدفمند انسانها، همان كسب و كارآنها است و لذا مي توان يك سازمان را به عنوان سيستمي از كسب و كار (Business System) سيستمي از فعاليت هاي انساني Work Systems Human يا سيستمي از كار Activity Systems در نظر می گیرند
پس سيستم فعاليت سازمان معادل سيستم كسب و كار يا سيستم كار آن است.
يك سازمان بزرگ ممكن است چند كسب و كار داشته باشد
به سازمان هاي بزرگي كه داراي چند كسب و كار باشند بنگاه يا مؤسسه مي گويند Enterprise
توضیح چگونگی این درس:
این درس از دروس میان رشته ای سیستم های اطلاعاتی استخراج شده است واین درس ماهیت انسانی و اجتماعی وسازمانی وهمچنین فنی و تکنیکی دارد. واین درس هم مسائل مدیریتی بررسی می گردد و هم فنی مهندسی به علت این که شما به عنوان کارشناس ارشد از این دو موضوع در یک کیس به صورت موفق استفاده نماید پس می توان گفت ما دراین درس سیستم های bi می تواند از 1- جنبه انسانی و اجتماعی و مدیریتی 2- جنبه فنی ، تکنیکی و تکنولوژی می باشد.
مدل حوزه سیستم های اطلاعات کسب وکار (BIS)
در مدل ذیل میتوان کلیه مطالب BI را در داخل آن تعبیه نمود وبه وسیله ان توجیه کرد.
در شکل ذیل یه سازمان در یک محیط قرار داد این سازمان با نقش افرینان خارج از سازمان در حال مبادله ارزش است (هر نوع کالا یا خدمات است ویا سرمایه اجتماعی است که در حال مبادله است بین محیط و سازمان )
بانگرش سیستمی که گفته شد سازمان یه سیستم اجتماعی است و در داخل این سازمان ما سلسله مراتبی از سیستم ها را دارای هستیم 1- سیستم های فعالیت سازمان است (فرایند های سازمان): جایست است که انسان به دور هم جمع شده اند به کمک یکدیگر کاری را عهده دار هستند به ترتیب انجام میدهند برای اینکه فعالیت سازمان به صورت مناسب صورت بگیرد سازمان نیاز به هماهنگی انسان باهم داریم بگونه ای عدم هماهنگی انسان باعث انجام نشدن کار می شود.
هماهنگی به صورتی انجام می شود ؟
با رد بدل نمودن اطلاعات بین اجزا فذا هر سیستم فعالیت فیزیکی در کنارش یک سیستم اطلاعاتی وجود دارد که به عنوان زیر سیستم افراد بااستفاده از این سیستم اطلاعات فعالیتشان را هماهنگ می کنند پس سیستم اطلاعات سیستمی از ارتباطات انسانی هست برای انجام فعالیت سازمان های تجمعی از تکنولوژی اطلاعات با این مفهومی توضیح داده شد استفاده نمی شد می توان گفت این سازمان های سیستم های اطلاعات داشتن ولی سیستم اطلاعاتشان دستی بود وفرایند تصمیم گیری شان از طریق اسناد و مدارکات و گزارشات کاغذی بود ولی درسیستم های جدید در دل سیستم اطلاعات سیستم ICT داریم دراین بخش مربوط به بخش تکنولوژی مربوط به جمع اوری یا پردازش وتوزیع ویا ذخیره سازی اطلاعات بخشی فنی است بخش سیستم های اطلاعات بر روی ان تکیه می نماید وسیستم اطلاعات ما بین سیستم فعالیت و سیستم ICT قرار دارد یعنی ماهیت فنی واجتماعی یعنی فنی سیستم ICT و اجتماعی سیستم فعالیت ، دراین جا هست که داده ها در سیستم ICT داده ها جمع اوری شده و بعد پردازش می شوند وبعد از آن ذخیره می گردند از طریق اینترفیس انسان ها با سیستم ICT کار می کنند ودراین جا اینترفیس سیستم اطلاعات مطرح هست در جایی که پای انسان در سیستم میاد داده ها تفسیر می شود به اطلاعات و داده تفسیر می شود به تصمیمات و تصمیماتی که به اقدامات سازمان منجر می شو د.واین مدل به عنوان مدل اصلی در درس محسوب می گردد.

مولفه های اصلی مدل حوزه کسب وکار
مولفه های مدل حوزه کسب وکار تقسیم می شود به چهار مدل مختلف
1-محیط سازمان (بیرون سازمان):آنچه که دربیرون سازمان وجود دا رد
خود محیط محیط به چهار نوع مختلف تقسیم می شود :
ü محیط اقتصادی
ü محیط اجتماعی
ü محیط سیاسی
ü محیط فیزیکی (همه این محیط در فصول اتی توضیح داده میشود)
2-سازمان وارزش : منظور از ارزش تنها ارزش های افتصادی نیست وهر ارزشی می تواند باشدمثلا سازمان انتفاعی شاید ارزش اقتصادی برایشان پر اهمیت نباشد و ارزش های اجتماعی برایشان دارای اهمیت باشد هدف آن تولید ارزش افزوده است واین ارزش ها می توان بر روی هم اثر گذار باشند مثلا ارزش سیاسی بر روی ارزش اقتصادی اثر می گذارد یا همین طور ارزش سیاسی روی ارزش اقتصادی اثر گذار است
سیستم های فعالیت (سیستم اجتماعی فرایندهای سازمانی ): شامل بخش اصلی یا فرایندهای اصلی سازمان است که با انسان ها سروکار دارددراین بخش با نگرش سیستمی به ان نگاه می کنیم (نگرش سيستمي به سازمان سازمان به عنوان سيستم فعاليت انساني يا سيستم نرم) وبحث های مربوط به عملکرد سازمان دراین قسمت شکل می گیرید بعد از آن مسائل مربوط به تغییر عملکرد و مقاومت های ناشی از آن دراین بخش صورت میگیرد و می توان بیان نمود مهمترین بخش دراین قسمت می باشد.
سیستم های اطلاعات (سیستم فنی – اجتماعی ):در واقعا ما سیستم های اطلاعات را نوعی از سیستم های Bi می دانیم که ماهیت ان اجتماعی و فنی است ودر سیستم های اطلاعات ما
سیستم های تکنولوژی اطلاعات و ارتباطات(سیستم فنی) داریم به علت اینکه دارای لایه بندی ودارای عملکرد سیستمی هستند
موارد و بحث هایی که دراین مدل قرار می گیرد بحث های مربوط به
برنامه ریزی ، مدیریت و عملیات است که روی سیستم های انجام می گیرد
مبحث بعدی که خیلی مهم و ثمره کار است
داده ها ، اطلاعات ، تصمیمات (هوشمندانه)و اقدامات
توسعه سیستم های اطلاعات (منظور از توسعه : شکل گیری ، تحلیل ،طراحی ، ساخت پیاده سازی ، سیستم هاست ) وقتی بیان می شود سیستم های اطلاعات سریع درذهتان بیاد در مورد سیستم های bi تمامی این موارد می بایست اجرا شود
استفاده و تاثیر سیستم های اطلاعات

درمدل سیستم های اطلاعات کسب و کار بر اساس نگرش سیستمی سیستم های تکنولوژی اطلاعات و ارتباطات(سیستم فنی) به عنوان پشتیبان سیستم های اطلاعاتی هستند سیستم های اطلاعات به عنوان زیر سیستم کنترلی سیستم فعالیت سازمانی است
تصمیمات و پشتیبانی با استفاده از فناوری ICT گرفته می شود
البته در فصول بعدی توضیح داده می شود

یک زیرسیستمی در هرسیستم است که با استفاده از آن می توان اجزای داخل سازمان را با هم دیگر هماهنگ کنیم و یا تنظیم کنیم .یا علاوه بر آن می توان اجزای بیرونی سازمان رو نیز هماهنگ و مدیریت کرد .
2کاراصلی در زیرسیستم کنترل انجام می شود:1- تنظیم درونی سیستم 2- انطباق بیرونی سیستم

اگر دیتا از داخل سیستم جمع بشه می توان موجب تنظیم سیستم شود ولی اگر دیتا از خارج سیستم جمع بشه سیستم را با با محیط خارجی آن وعوامل متغییر محیطی منطبق می کند پس هرسیستم فرآیند کنترل یک زیر سیستمی است که با استفاده از ورودی های کنترل سیستم ما می تواند به سمت سطح مشخصی از عملکرد برسونه.
انواع کنترل:
1-کنترل استراتژی ( بیرونی ):کنترلی است کار کنترل بیرون سازمان برعهده دارد درواقع رقباء تحلیل بررسی می کند (تعریف اهداف بلند مدت وسیاست های تخصص منابع ) و درواقع عملیات انطباق بیرونی انجام می شود.
2-کنترل مدیریتی ( میانی): این کنترل ها اهداف سازمان مشخص شده وسیاست های تعیین شده وماشاخص های عملکرد اصلی داریم می خواهیم به شاخص های برسیم پیاده سازی کنترل استراتژی هستند برای کنترل اهداف است
3-کنترل عملیاتی (یاروز مره ) اجرای کارا وموثر وظایف مشخص است
-زیرساخت سیستم فعالیت 2-زیرساخت اطلاعات 3- زیرساخت سیستم اطلاعات4-زیرساخت ict
زیرساخت اطلاعات:شامل اطلاعات مورد نیاز (موجودیت ) و فعالیت های درگیرجمع آوری ، ذخیره سازی توزیع و استفاده از اطلاعات درسازمان می باشد.
سیستم اطلاعات:تا 2تا سیستم اطلاعات داریم:سیستم 1- fronf-end 2- back-end
سیستم fronf-end سیستمی هستند در جبهه بیرونی سازمان ما قرار میگیریند مثل سیستم های جبهه (مشتری – کارکنان –مدیریت- تامین کننده )
سیستم back-end سیستمی هستند معمولا در وسط سازمان هستند.(سیستم پردازش سفارش فروش و سیستم خرید –مالی – مدیریت موجودی –پرداخت )
سیستم اطلاعات مدیریت شامل(سه دسته : سیستم اطلاعات مدیریت عملیاتی – تاکتیکی - استراتژیک)
مدیریت تاکتیکی با سیستم اطلاعات mis (سیستم اط مدیریت) ارتباط دارند
سیستم های استراتژیک دریک سطح بالاتر مخصوص مدیران ارشد eisسازمان است چون کار سیاست گذاری بعهده دارند.که از دل سیستم misهای یک پایگاه برنامه ریزی باید داشته باشند.
سیستم های جبهه مشتریان: سیستم بازاریابی و تبلیغات

منابع استفاده شده در این درس

جلسه دوم:
بخش اول: مفاهيم پايه
فصل دوم: سيستم هاي كسب و كار
هوش تجاري يك واژه چتري است Umbrella Term
در قلمرو مطالعه هوش تجاري، اصطلاحات مبهم فراواني وجود دارد ما از مفاهيم مدلBIS حوزه براي ايجاد يك مدل ذهني مشترك براي اصطلاح هوش تجاري استفاده مي كنيم.
درس BUSINESS INTELLIGENCE در واقع این اصلاح در فارسی ترجمه های متعددی پیرامون این کلمه صورت گرفته است بعضی از مواقع در فارسی به BUSINESS INTELLIGENCEمی گویند هوشمندی کسب و کار وهوش تجاری و بعضی از مواقع هوش کسب و کار می گویند.
ولی موضوع درس با توجه به تایید وزارت علوم با عنوان هوش تجاری ترجمه گردید است در هر جایی از مطالب درس که اشاره شده به نام BUSINESS INTELLIGENCE منظور و مفهوم آن هوشمندی کسب و کاراست وهمان طور که می دانید business به معنای تجارت عام تر می باشد و حوزه وسیعتری را تحد پوشش خود می گیرد وهمچنین با توجه به نظریه های محققین در این حوزه معنی commerceهمان business است ولی با این تفاوت که در commerce می باید حتما تبادل کالا با پول صورت گیرد یعنی اینکه حتما برای خرید، پول رد بدل گردد.
در سازمان هاي اقتصادي، فعاليت هاي هدفمند انسانها، همان كسب و كارآنها است و لذا مي توان يك سازمان را به عنوان سيستمي از كسب و كار (Business System) سيستمي از فعاليت هاي انساني Work Systems Human يا سيستمي از كار Activity Systems در نظر می گیرند
پس سيستم فعاليت سازمان معادل سيستم كسب و كار يا سيستم كار آن است.
يك سازمان بزرگ ممكن است چند كسب و كار داشته باشد
به سازمان هاي بزرگي كه داراي چند كسب و كار باشند بنگاه يا مؤسسه مي گويند Enterprise
با رد بدل نمودن اطلاعات بین اجزا فذا هر سیستم فعالیت فیزیکی در کنارش یک سیستم اطلاعاتی وجود دارد که به عنوان زیر سیستم افراد بااستفاده از این سیستم اطلاعات فعالیتشان را هماهنگ می کنند پس سیستم اطلاعات سیستمی از ارتباطات انسانی هست برای انجام فعالیت سازمان های تجمعی از تکنولوژی اطلاعات با این مفهومی توضیح داده شد استفاده نمی شد می توان گفت این سازمان های سیستم های اطلاعات داشتن ولی سیستم اطلاعاتشان دستی بود وفرایند تصمیم گیری شان از طریق اسناد و مدارکات و گزارشات کاغذی بود ولی درسیستم های جدید در دل سیستم اطلاعات سیستم ICT داریم دراین بخش مربوط به بخش تکنولوژی مربوط به جمع اوری یا پردازش وتوزیع ویا ذخیره سازی اطلاعات بخشی فنی است بخش سیستم های اطلاعات بر روی ان تکیه می نماید وسیستم اطلاعات ما بین سیستم فعالیت و سیستم ICT قرار دارد یعنی ماهیت فنی واجتماعی یعنی فنی سیستم ICT و اجتماعی سیستم فعالیت ، دراین جا هست که داده ها در سیستم ICT داده ها جمع اوری شده و بعد پردازش می شوند وبعد از آن ذخیره می گردند از طریق اینترفیس انسان ها با سیستم ICT کار می کنند ودراین جا اینترفیس سیستم اطلاعات مطرح هست در جایی که پای انسان در سیستم میاد داده ها تفسیر می شود به اطلاعات و داده تفسیر می شود به تصمیمات و تصمیماتی که به اقدامات سازمان منجر می شو د.واین مدل به عنوان مدل اصلی در درس محسوب می گردد.

هوشمندی درسلسله مراتب سیستم
بحث اصلی ما که هوشمندی است می خواهیم ببنیم در این سلسله مراتب سیستم ها به چه صورت عنوان می گردد ما هوشمندی را در هر کدام از این سیستم ها با نگرش خواستی مطرح کنیم اما هدف اصلی هوشمندی رسیدن به تصمیمات هوشمندانه است هر چند تکامل مباحث هوشمندی به بحث های مدیریت دانش منجر می شود ولی در این درس بیشتر به دنبال مباحث هوش تجاری هستیم ومفهومی که برای هوش درنظر گرفته ایم این هوشمندی در قالب تصمیماتی هست که قراره گرفته شود واین تصمیمات قراره تبدیل شود به اقدامات

واین هوشمندی در سیستمهای ict و سیستم های اطلاعات این هوشمندی امکانش وجود دارد ولی هدف این دو سیستم ایجاد زمینه برای رسیدن به تصمیمات هوشمندانه در سیستم های فعالیت انسانی در سطح سازمان است واین نکته است در فصل سوم باتوجه به مدل سایمون بیشتر پیرامون ان توضیح خواهد شد.
هوشمندی می تواند درسیستم های ذیل مشاهده کرد

چگونه می شود رسید به کسب و کار هوشمند :
به این صورت وقتی که داده های در سیستمهای ict در جریان هست به شکل مناسبی وبر اساس برنامه های و استراتژی های حوزه is طراحی وپیاده سازی می شود سیستمهای ict ما هدفمند در جهت پشتیبانی از سیستم های اطلاعاتی که منجر شود به تصمیمات سیستم فعالیت به هوشمندی می رسیدم نگاه در برنامه ریزی در هوش تجاری می بایست از بالا سازمان شروع شود اما با پیاده سازی سیستم های هوش تجاری از پایین وممکن است هوش تجاری را در حوزه خاصی در سازمان پیگیری شوید ولی در صورتی که به ارزش هوش تجاری می توانیم برسیم که مفاهیم هوش تجاری ویا تصمیم گیری را پیوند دهیم با مدیریت عملکرد کسب و کار که در فصول بعدی درباری آن صحبت می کنیم .

با توجه به نگرش سیستمی درون سازمان با توجه به مدل پایه انفورماتیک می توان بیان نمود قلمرو هوش تجاری می شود در سه نوع سیستم درون سازمان تفکیک و مطالعه نمود.
هوشمندی در سیستم های فعالیت
هوشمندی در سیستم های اطلاعات
هوشمندی در سیستم های ict
با توجه به ماهیت هر کدوم از این سیستم ها می تونه تفاوت داشته باشه هر کدام از این سیستم ها
در هوش تجاری اگر نگاه شما نگاه مدیریتی و سازمانی باشد با یک سری از موضوعات در هوش تجاری طرف هستید واگر نگاهتان هوشمندی درسیستم های ict باشد با یکسری از مباحث مهندسی طرف هستید که دراین درس قصد داریم هم مباحث فنی را و هم مباحث مهندسی را پیگیری نمایم.
ای موضوع چگونه اتفاق می افتد ؟
در لایه وسط یعنی همان سیستم های اطلاعات واین سیستم را بر مبنای مدل bis به جلو حرکت کنیم هم مباحث فنی و هم مباحث مدیریتی چرا؟ چون گفتیم سیستم های اطلاعات یکسرشون انسانی اند و یک سرشون تکنولوژی های که در این سیستم استفاده می شوند فلذا هوشمندی درسیستم های اطلاعات اتوماتیک کل مباحث هوش تجاری را می تواند پوشش دهد برای یاد گیری و آموزش مجبور به تفکیک مباحث هستیم در قابل یک مدل همه اینها رو باهم انسجام دهیم که بخش مفاهیم پایه این مباحث را دنبال می نماید.
هوش با هوشمندی در سیستم های فعالیت کسب و کار:
هوشمندی در سیستم های کسب وکار با ذیل عنوانی به نام Business Performance MANAGEMENT -BPM به خاطر این در سیستم های فعالیت انسانی ویا سازمان مسئله مهم Performance سازمان است وفعالیت های که در حال انجام شدن است.
اسلاید 10
مدیریت عملکرد کسب و کار
معمولا مدیریت عملکرد سازمان موضوعات ذیل را مورد توجه قرار می دهیم :
ü هدف و غایت سازمان چیست؟
ü چشم انداز ان چیست ؟
ü نتیجه گیری برای فعالیت های مورد نظرش چیست ؟
ü اهداف جزئی و اصلی سازمان چیست ؟
این موارد در مدیریت عملکرد به صورت جدی مورد بررسی قرار می گیرد
بعد از مشخص شدن غایت ها حال نوبت به بررسی تمیدات می رسد
ü ماموریت ها
ü استراتژی ها
ü تاکنیک ها
ü سیاست عا
ü قواعد کسب و کار
در واقعا تمیدات ابزارهایی هستند که مارا به اهدافمان می رساند
دراین مسیر یکسری از عوامل هستند بر چگونگی طی مسیر تاثیر گذار هستند همانند عوامل داخلی و خارجی

که در فصل 10 به صورت کامل آن را بررسی می کنیم.
رابطه مدیریت عملکرد کسب و کار و هوش تجاری
بعد از اینکه نگاه bi و مباحث تکنولوژی مطرح شد bpm رنگ وبوی دیگری پیدا کرد . شما می توانید bpm را ترکیبی از مباحث مربوط به طراحی در سطح بالای سازمان وbi به دانید

وبحث bpm یک بحث اساسی در سازمان است پس روش ها تکنیک ها و استراتژی ها bpm با bi همپوشانی دارد وهمدیگر را کامل می کنند وبهتر است این دو را به هم تکمیل کنند وچون بحث bpm یک بحث اساسی در سازمان است .
فرآیند بهبود عملکرد کسب وکار
معمولابرای بهبود عملکرد مدیریت کسب وکار از یک چرخه استفاده می کنیم واین چرخه به صورت ذیل است که مبنا ما در فصل دهم این چرخه است

که در قالب یک مدل در اینجا آورده شده است
هدف اصلی و روش های BPM
*كارت امتيازي متوازن(BSC):
هم متولوژی مدیریت و هم روشی برای سنجش عملکرد درچند بعد بررسی می کند
استراتژي را به اقدام تبديل مي كند
استفاده از واژه ”متوازن يا بالانس“ در كارت امتيازي متوازن از آنجا است كه تركيبي از سنجه هايي متفاوت زیر

1-دربعد مالی(برای موفقیت مالی چه طور در مقابل سهم داران ظاهر شویم)
2 بعد فرآیند های داخلی (برای کسب رضایت مشتریان و سهم داران کدام فرآیند مورد توجه قرار دهیم تا برتر شویم)
3-در بعد آموزش و رشد (برای این چشم انداز تحقق پیدا کنم چطور باید تغییرات و اصلاحات را انجام بدیم )
4-بعد مشتری (چکاری برای مشتریان انجام دهیم)
نقشه استراتژی ( مالی – مشتری – پردازش – رشد ویادگیری )
***شش سيگما(Six Sigma)
مثلBSC یک متدولوژي مديريت عملكرده
هدفش:كاهش تعداد خطاهاي فرآيندهاست.به طوري كه در هريك ميليون فرصت، به صفر نزديك شود.
واحداندازه گیرش : DPMO 304دریک میلیون
39

شش سیگما روی مدل مرجعی ساده ای بنام DMAIC دامیگ قرار گفته (تست بک)
(1-تعریف2- سنجش 3- تحلیل 4-بهبود5-کنترل)

هوشمندی در زیر سیستم اطلاعات

در زیر سیستم اطلاعات مسئله اصلی ما رابطه بین انسان ها با استفاده از اطلاعات است وعمدتا از تکنولوژی اطلاعاتی و ارتباطی استفاده می کند این به این صورت است که در قدیم هم مورد استفاده قرار می گرفته حال به صورت تکنولوژی مدرن بلکه به صورت ارتباطات فیس تو فیس یا به صورت کاغذی
مسئله اصلی در سیستم اطلاعات تنظیم رابطه بین انسانهاست . با استفاده از اطلاعات واین رابطه در نهایت به تصمیم گیری درست و بهینه می گردد وهر چه این ارتباطات درست برقرار گردد تصمیمات بهتری اخذ می گردد و مشکلات سریعا با هماهنگی های صورت گرفته در زمان خود حل و فصل می گردد .
این سیستم ها نقش پشتیبانی را دارند واین سیستم ها با تصمیم سازی هوشمندانه سر کار دارد .
سطوح هوشمندی و سطوح تصمیم گیری

وسیستم هایی که برای این سه سطح استفاده می شود دارای سطوح مختلفی هستند با هم متفاوت هستند که در فصل سوم و چهارم پیگیری می کنیم
مراحل تصمیم گیری .سیستم های پشتیبانی و ابسته

گام های انتخاب عبارتنداز:
1-حل مدل 2- انالیزحساسیت 3-انتخاب بهترین ورضایت بخش ترین گزینه4-برنامه ریزی برای پیاده سازی یعنی بایدراه حل اول جستجوشود وبعد از آن ارزیابی شود.

قابلیت تصمیم گیری در سطوح مختلف را دارد.
وظیفه کنترل و نظارت در گام هوشمندی است


که فصل سوم بیشتر توضیح خواهد شد
هوشمندی درسیستم های ICT
بعد توضیح مباحث سیستم ها به مباحث سیستم های ICT می رسیم یعنی سطح سوم درس هوش تجاری
مسله اصلی در سیستم های ICT یعنی اینکه سیستم های ICT پشتیبانی فنی از سیستم های اطلاعات را انجام می دهد خوب این کار چگونه اتفاق می افتد با ایجاد رایانش با همان جمع اوری و ذخیره سازی و پردازش و همچنین توزیع مناسب داده ها در زیر سیستم ارتباطی وانجام می دهد .این سیستم برای اسانی عملیات رایانش امده است
اگر بخواهیم بر اساس مدل BIS حرف بزنیم درسطح فنی ما درگیر استفاده از تکنولوژی های هوشمندیم که خود ان فیلد مستقلی رو طلب می نماید خیلی از مباحث مربوط به هوشمندی در سیستم های فنی در این دست در پنج فصل یعنی در بخش دوم درس دنبال می کنیم
طبق مدل BIS گفتیم یک سیستم ICT خودش سه تا لایه داشت
ü لایه برنامه های کاربردی
ü لایه واسط
ü لایه مدیریت داده ها
این لایه ها می تواند روی زیرساخت ارتباطی هم توزیع شوند فذا از منظره کارکردی چطور یک سیستم ICT کار می کند ما می توانیم هوشمندی را بررسی کنیم واینکه در لایه واسط چه نوع تکنولوژی هایی هوشمندی وجود دارد و چکار کنیم که به تکنولوژی هوشمندی برسیم!
ولایه کاربردی از چه تکنولوژی های استفاده شود که در نهایتا پشتیبانی کند تا کارایی افزایش یابد
چند نوع هوشمندی کسب وکارداریم ؟
سه نوع
نوع اول: هوشمندي در جزئي از يك واحد كسب و كار
نوع دوم: هوشمندي در كل كسب وكار
نوع سوم: هوشمندي در بيرون و درون كسب وكار
نوع اول:
دراین نوع دربخشی از فرایندها و فعالیتها و وظایف به صورت هوشمندانه درکسب و کار انجام می شود.این تصمیمات براساس برخی از مشاهده و آگاهی و داده ها و اطلاعات مورنیاز برای آن محدوده است.
نوع دوم:
دراین نوع ازسطح یک فرایند یا فعالیت افزایش یافته و کل فعالیت های سازمان درنظر گرفته می شود پس تمام مشاهده و آگاهی و داده ها و اطلاعات موردنیاز است. ضمن این که تمام تصمیمات با هماهنگی همدیگر انجام میشه همانند نوع قبلی نیست که نسبت به تصمیمات بخشی از بخش دیگر بی اطلاع باشند.پس این هوشمندی باعث تنظیم و کنترل درونی بین سیستم می گردد ولی نسبت اهداف ثابت این هوشمندی برقرار راست نسبت به اهداف متغییر این هوشمندی کارا نیست.
نوع سوم :
دراین علاوه برانجام فعالیت های سازمانی جهت گیری اساسی کسب وکار حتی استراتژی باهوشمندی تدوین می شود برمبنا اطلاعات بیرونی مثل رقباء تنظیم وهماهنگ می گردد پس نقش انطباق بیرونی را برعهده دارد این نوع سیستم است، دراین نوع سیستم دو حلقه کنترلی دارد:
1) حلقه کنترلی داخلی
2) حلقه کنترلی بیرونی
حلقه بیرونی باعث میشه اهداف واستراتژی کل سازمان بر مبنای اطلاعاتی که از رقبا یا محیط می گیریم تنظیم کنیم.پس درکل می توان هوش رقابتی یعنی استفاده از سیستم های اطلاعاتی برای مدیران ارشد .جنس هوشمندی چیست؟ تصمیم گیری.ماهیتش چیه ؟ سایبری و اطلاعات است.

*پس سیستم هوشمند همان سیستم اطلاعات است پس دارای چه ویژگی هایی است؟
1)برای تصمیم گیری دریک بخش ویا کل کسب وکار ویا بیرون کسب کار ازآن استفاده می شود.(همان 3 نوع که در مطالب قبلی این فصل توضیح داد شد)
2)باهمه سیستم های اطلاعات به صورت سیستمایک درارتباط است درصورت نیازاز داده ها و اطلاعات وسرویسهایشان استفاده می نماید
3)درسیستمهاتی هوش تجاری با استفاده تکنولوژی اطلاعات و ارتباطات (ICT) عملیات مورد نیاز سیستم را محاسبه می نماید. یعنی داده ها را به اطلاعات و اطلاعات را به دانش ودانش رو به تصمیم گیری تبدیل مینماید.
4)این سیستم ها باید دارای ابزارهای گرافیکی وجذاب برای تصمیم گیری تصمیم گیرندگان(مدیران) داشته باشد و همچنین دارای تحلیل های چند جانبه داشته باشند مدیران بتواند شاخص و معیارهارا باهم مقاسیه کندو راحت تصمیم گیری نمایند.

دراین سیستم دونوع مکانیزم کنترل دارد :سیستم هوش تجاری زیر سیستم کنترلی است
کنترل درونی (تنظیم )-هوش درونی
کنترل بیرونی (انطباق )-هوش رقابتی







جلسه سوم:
:
مرحله اول تصمیم گیری

گام های تصمیم گیری :
هوشمندی
طراحی
انتخاب
پیاده سازی
گام های هوشمندی عبارت اند از :
1-شناسایی مسئله وفرصت
2-رده بندی مسئله
ü ساختاریافته
ü نیمه ساختاریافته
ü بدون ساختار
3-تجزیه مسئله
4-مالکیت مسئله

گام های طراحی :
1-فرمول بندی مدل
2- تعیین معیارعای انتخاب گزینه
3-یافتن یا ایجاد گزینه های راحل
4- پیش بینی سنجش نتایج
انوع مدل سازی:1-مدل های تجسمی (ایکونیک )2-انالوک(شکلی)3- ذهنی (کیغی)4-ریاضی (کمی)

ابتدا سازه ها ( مفاهیم و متغییر های مدل)را تعریف می کنیم و بعد این سازه ها رو نمادگذاری می کنیم وبااستفاده از قواعدو اصول مدل سازی می کنیم.
تعیین معیار های انتخاب :1-تمایل به ریسک بالا یا پایین2- پیدا کردن بهترین و رضایت بخش ترین راحل (هنجاری بودن و یا توصیفی بودن راحل)
مدل هنجاری: انتخاب بهترین گزینه ممکن وجود دارد واساس آن بهینه سازی راه حل است از سه راه به وجود می آید 1-بالاترین سطح حاصل از مصرف یک مجموعه منبع را بدست می اورد2-گزینه پیدا کنید بالاترین راندمان را پیدا کند 3-گزینه ای را پیدامی کند برای تحقق اهداف کمترین هزینه را داشته باشد.
مدل ابتکاری (هیروستید)مدلی است مدل هنجاری است که دروضعیتی مدل بهینه سازی را ساده می کند.
مدل توصیفی چیست: مدلی است درشرایط مختلف راحل های متفاوتی(یک سری متغییر داریم شرایطشون عوض میشه) را توصیف می کندولی بهترین راحل ممکن را توصیف نمی کند.(شبیه سازی –پیش بینی تکنولوژی – جریان اطلاعات – برنامه ریزی مالی – تحلیل سناریو یا اثرات محیطی )
گام های انتخاب عبارتنداز:
1-حل مدل 2- انالیزحساسیت 3-انتخاب بهترین ورضایت بخش ترین گزینه4-برنامه ریزی برای پیاده سازی یعنی بایدراه حل اول جستجوشود وبعد از آن ارزیابی شود.

مدل سایمون قابلیت تصمیم گیری در سطوح مختلف را دارد.
وظیفه کنترل و نظارت در گام هوشمندی است وده طاپ


پیاده سازی
انتخاب
طراحی
هوشمندی
داده دستکاری
واقعیت
اقدام
تصمیم
راحل ها
مسله بیان
اطلاعات
داده ها
پشتیبانی از تصمیم گیری در هوشمندی:

پشتیبانی از تصمیم گیری در طراحی:

فرآیند تصمیم گیری را همان فرآیند حل مسئله دانست.
مسئله زمانی به وجود آید که چیزی های که در ذهن ما هست با مسائل واقعی در تعارض باشه.
بین سطح دانش و ماهیت تصمیم و شرایط رابطه مستقیم وجود داردهر چه دانش افرایش یابد مسئله راحتر حل می شود.

رابطه هوشمندی و دانش: ما با مدیریت دانش می توانیم به هوشمندی برسیم هوشمندی باعث تصمیم گیری موثر و اثر بخش می شود.
چند نوع منبع دانش درسازمان داریم؟ دونوع منبع
منابع دانشي شماتيك :منابع دانشي كه وجودش به وجود سازمان وابسته است و انواع آن عبارتند از: فرهنگ، زيرساخت، استراتژي، مقصود.
منابع دانشي محتوايي
منابع دانشي كه وجودش مستقل از سازمان است و انواع آن عبارتند از: دانش ذينفعان و مشاكت كنندگان در پردازش دانش اعم از انساني و كامپيوتري و دانش موجود در مصنوعات


مدیریت دانش چیست : به تلاش های سیسماتیک یه فرد یا سازمان برای گسترش و به کاربردن دانش درجهت تحقق اهداف برای افزایش ارزش های مورد نظر
چند نوع دستکاری دانش درسیره دانش داریم: 5نوع شامل 1- اکتساب 2- انتخاب 3-توالید دانش4-همگون سازی 5-انتشار دانش
چند نگاه به مدیریت دانش وجود دارد؟ 2 نگاه
نگاه هرمي به دانش دانش را محصول تجميع داده و اطلاعات مي داند. (هرم معروف: داده، اطلاعات، دانش، حكمت)
نگاه فرآيندي به مديريت دانش در نگاه فرآيندي دانش عامل اصلي در فرآيند يادگيري است يك نمونه چرخه عمر مديريت دانش) اكتساب، توسعه، تسهيم، بكار گيري)
رابطه بین تصمیم گیری و سیستم مبتی بردانش چیست؟
داده ها باید آماده سازی شوند وبعد تبدیل بشن به اطلاعات و از داده کاوی روی اطلاعات به دانش می رسیم با استفاده از مدل های تصمیم گیری مختلف (بهینه سازی است و یا پیش بینی )هست ما به تصمیم می رسیم از طریق تصمیم ها به عملکرد مناسب می رسیم


جلسه چهارم:
هوشمندی در کسب وکار
هوشمندی از نگاه پیتر لان چیست؟
توانایی فهم روابط متقابل بین واقعیت های موجود به طوری که اقدامی را به سوی هدف خوبی را هدایت کند (یعنی توجه به واقعیت ها و جمع آوری داده ها عنصر اساسی و کشف روابط بین آنها شمارو به درکی می رساند بتوان فرد را به سوی هدف هدایت نماید)

ديدگاه هاي هوشمندی :
تكنولوژي محور
اطلاعات محور، فرآيند محور
سازمان محور
رقابت محور

تعریف دیگرهوشمندي كسب و كار يا هوش تجاري:
يك عبارت چترگانه است كه در ذيل آن معماري ها، ابزارها، پايگاه داده ها، ابزارهاي تحليلي، برنامه هاي كاربردي و متدولوژي ها با هم تركيب مي شوند.

هوش تجاری یعنی شما بتوانید به صورت تعاملی درفاصله های زمانی مختلف یا به صورت بلادرنگ به داده دسترسی داشته باشدو کاملا آنها را مدیریت میکند و روابط بین آنهارا کشف می نماید و بتوان تحلیل های موردنیاز رابرای تصمیم گیری انجام دهد.
ولی بلادرنگ بودن ودسترسی داده همیشه ممکن نیست زیرا ممکن است انباره داده ها را درحال بروزرسانی باشد.

چند نوع هوشمندی کسب وکارداریم ؟
سه نوع
نوع اول: هوشمندي در جزئي از يك واحد كسب و كار
نوع دوم: هوشمندي در كل كسب وكار
نوع سوم: هوشمندي در بيرون و درون كسب وكار
نوع اول:
دراین نوع دربخشی از فرایندها و فعالیتها و وظایف به صورت هوشمندانه درکسب و کار انجام می شود.این تصمیمات براساس برخی از مشاهده و آگاهی و داده ها و اطلاعات مورنیاز برای آن محدوده است.
نوع دوم:
دراین نوع ازسطح یک فرایند یا فعالیت افزایش یافته و کل فعالیت های سازمان درنظر گرفته می شود پس تمام مشاهده و آگاهی و داده ها و اطلاعات موردنیاز است. ضمن این که تمام تصمیمات با هماهنگی همدیگر انجام میشه همانند نوع قبلی نیست که نسبت به تصمیمات بخشی از بخش دیگر بی اطلاع باشند.پس این هوشمندی باعث تنظیم و کنترل درونی بین سیستم می گردد ولی نسبت اهداف ثابت این هوشمندی برقرار راست نسبت به اهداف متغییر این هوشمندی کارا نیست.
نوع سوم :
دراین علاوه برانجام فعالیت های سازمانی جهت گیری اساسی کسب وکار حتی استراتژی باهوشمندی تدوین می شود برمبنا اطلاعات بیرونی مثل رقباء تنظیم وهماهنگ می گردد پس نقش انطباق بیرونی را برعهده دارد این نوع سیستم است، دراین نوع سیستم دو حلقه کنترلی دارد:
3) حلقه کنترلی داخلی
4) حلقه کنترلی بیرونی
حلقه بیرونی باعث میشه اهداف واستراتژی کل سازمان بر مبنای اطلاعاتی که از رقبا یا محیط می گیریم تنظیم کنیم.پس درکل می توان هوش رقابتی یعنی استفاده از سیستم های اطلاعاتی برای مدیران ارشد .جنس هوشمندی چیست؟ تصمیم گیری.ماهیتش چیه ؟ سایبری و اطلاعات است.

*پس سیستم هوشمند همان سیستم اطلاعات است پس دارای چه ویژگی هایی است؟
1)برای تصمیم گیری دریک بخش ویا کل کسب وکار ویا بیرون کسب کار ازآن استفاده می شود.(همان 3 نوع که در مطالب قبلی این فصل توضیح داد شد)
2)باهمه سیستم های اطلاعات به صورت سیستمایک درارتباط است درصورت نیازاز داده ها و اطلاعات وسرویسهایشان استفاده می نماید
3)درسیستمهاتی هوش تجاری با استفاده تکنولوژی اطلاعات و ارتباطات (ICT) عملیات مورد نیاز سیستم را محاسبه می نماید. یعنی داده ها را به اطلاعات و اطلاعات را به دانش ودانش رو به تصمیم گیری تبدیل مینماید.
4)این سیستم ها باید دارای ابزارهای گرافیکی وجذاب برای تصمیم گیری تصمیم گیرندگان(مدیران) داشته باشد و همچنین دارای تحلیل های چند جانبه داشته باشند مدیران بتواند شاخص و معیارهارا باهم مقاسیه کندو راحت تصمیم گیری نمایند.

دراین سیستم دونوع مکانیزم کنترل دارد :سیستم هوش تجاری زیر سیستم کنترلی است
کنترل درونی (تنظیم )-هوش درونی
کنترل بیرونی (انطباق )-هوش رقابتی

مدل فشار و پاسخ کسب و کارچست؟
این مدل سه بخش می باشد
1) فشارهایی که از طرف محیط وارد میشه
2) اقدامات : پاسخ های سازمان درمقابله با فشارهای
3) تصمیمات و پشتیبانی با استفاده از فناوری ICT گرفته می شود

عوامل فشاری های کسب و کار
الف) فاکتور محیطی
عوامل مربوط به بازار
تقاضایی مصرف کننده کنندگان
فناوری
عوامل اجتماعی وسیاسی

ب) برای پاسخ گویی سازمان به فشارها می بایست سازمان:
واکنشی باشد
آمادگی همیشگی داشته باشدودارای قدرت پیش بینی باشد
انطباقی باشه خود شو زود منطبق با محیط کند
پیش فعال وجریان ساز باشد

ج) برای اینکه بتوانیم پاسخگو باشیم باید بتوانیم تحلیل داشته باشیم وپیش بینی کنیم برای پاسخ گو به مسائل موجود وسیستم کامپیوتری را پشتیبانی وقدرت تصمیم داشته باشد به صورت یکپارچه ترکیب اطلاعات داخل و خارج کسب وکاربه ما کمک کند برای گرفتن تصمیم.
BIچیست ؟
یک سیستم یکپارچه تصمیم گیری که برمبنای فناوری اطلاعات و ارتباطات عمل می کند
هدف BI چیست ؟
هدف این است عملکرد فعلی ما رو با عملکرد سازمان ایدآل بین این دو تطبیقی برقرار میکند. وسیستم ما رو به عملکرد مورد انتظار برسونه.
عملکرد چیست ؟
آن قالبی که در چشم انداز و ماموریت ها و اهداف و استراتژی هایی که ترسیم می کند

تفاوت بین BI با :DSS
1-هردو آنها دارای یک معماری هستند چرا BI تکامل یافته DSS است
2- DSSاز بعضی تصمیمات به صورت مستقیم و محدود پشتیبانی می کند ولی هوش به صورت غیر مستقیم درسطح وسیعتری پشتیبانی می کند
3-بسیاری از ابزارهاشون یکی است مثل داده کاوی و تحلیل پیشگویانه.
ولی هر دو انها ISسیستم اطلاعاتی هستند DSS یکی از عناصر BI است.

هوش تجاری چه زمان مورد نیاز است ؟
زمانیکه در یک طرف اطلاعات کسب وکاردارید درطرف دیگه تحلیل های کسب وکار وی درآن موقعه می توان تصمیمات واقداماتی در جهت هدایت به عملکرد خوب اتخاذ کرد.پس هوش تجاری با بخشی از اطلاعات و تحلیل های سروکاردارد.

*چند فاز برای ایجاد سیستم BIداریم:
دو فازدارد
1) فازایجاد
2) فاز اخذ ارزش ازBI
فاز ایجاد
این فاز شامل:
v انطباق
v استراتژیک طراحی
v توسعه فنی
v مدیریت پروژه
یعنی فعالیت ساخت انباره داده است
2- فاز اخذ ارزش ازBI
این فاز شامل:
تمام فرآینده ای مدیریت تغییر برای یکپارچه کردن فرایند های عملیاتی است که باعث افزایش وبهبودنتایج می شود.

*چنددسته پیش شرط برای خلق ارزش در هوش تجاری داریم ؟
2 دسته
الف) پیش شرط تجاری
( 1- انطباق استراتژی 2-مهندسی فرآیندها 3- مدیریت تغییر)
ب) پیش شرط فنی
(1- توسعه فنی BI 2- مدیریت پروژهBI)
توضیح1 انطباق استراتژی :
یعنی همراستایی سیستم کسب وکار باسیستم ICT

توضیح 2 مهندس فرایندها:
تمامی فرایندها کسب وکار(اولیه ،ثانویه، عملیاتی و کنترلی )درگیراستفاده از اطلاعات وپشتیبانی از تصمیمات هستند توسط مدیران اتخاذ می شود.

توضیح 3 مدیریت تغییر:
بعداز مهندسی فرآیندها می رسیم به تغییر قواعد و فرآیندهای کسب و کار .باعث تغییرات فراوانی در کسب و کارمی شودوقتی برسیم به این تغییر بخوایم اجراش کنیم مقاومت ها شروع می شود (مشاغل افرادعوض میشه منافع شون تحد تاثیر قرار می گیرد)
علت شکست پروژه هوش به مدیریت ناکارا مدیریت تغییر بستگی دارد.چون سازمان یا افراد به هیچ شکلی خودشان درمقابل تغییرات تغییر نمی دهند.
*تجزیه و تحلیل فرصت های هوش تجاری چنددسته هستند؟
سه دسته

بافت کسب و کار
(محرک و استراتژی و اهداف عینی کسب و کار)
چگونگی رقابت کسب و کار
(طراحی کسب وتظیم ارزش ها)
ابتکار عمل BI برای خلق ارزش کسب وکار
(فرآیندهای مدیریتی- خلق سرمایه – مصرف منابع )

عناصر اصلی معماری BI چه عناصر هستند ؟
4عنصر هستند
1-انباره سازی
2- تجزیه و تحلیل تجاری
3-مدیریت عملکرد کسب و کار BPM
4 - واسط کاربری

انباره داده چیست؟
یک پایگاه داده است به شکل خاصی طراحی شده داده های تاریخی سازمان یافته و خلاصه شده درآن وجود دارد و کاربران می توانددرصورت لزوم از آن استفاده کنند.انباره داده های امروز می توانند درتصمیمات بلادرنگ پشتیبانی کنند.

تجزیه و تحلیل تجاری چیست؟
ابزارهای هستند که داده ها به دانش، جهت تصميم گيري تبديل می کند.
( ابزارهاي پرس وجوي داده و ابزارهاي داده كاوي، متن كاوي و وب كاوي)

BPMچیست؟
برنامه خاصی هست که کمک می کند تا بتوان عملکرد را تجزیه و تحلیل کنیم وبعدبرنامه ریزی رای بهبودو افزایش عملکردسازمان داشته باشد

واسط کاربری:
ابزارهای هستند دانش و اطلاعات را به صورت جذاب و به صورت نموداری چندبعدی بتواند انهارا مشاهده کنند وتجزیه وتحلیل کنند.
* تجزیه وتحلیل رقبا بخشی از تجزیه تحلیل صنعت تو مدل پورتر این موضوع تاکید شده.( تولید محصول کم هزینه عرضه به بازار)

یکی از مزیتهای هوش رقابتی ایجاد وفا داری مشتری به برند است.

وظایف itوIsچیست؟
یکی از وظایف این بخش برنامه ریز ی برای سیستم های BI است ویکی دیگر پیاده سازی این برنامه هاست.
برای مدیریت هوش تجاری ویا پیاده سازی آن می بایست پروژه های را تعریف شود واین پروژه ها برمبنای ارزش باشند.تا بتوان آنرا اولویت بندی کرد وذینفعان درآن مشخص شوند وبعد از آن با استفاده ازیکسری از متولوژی ها تحلیل طراحی ساخت وپیاده سازی شود.

متدلوژی ترادیتا چیست؟
یک متدولوژی تجریه و تحلیل پیشرفته است ودارای 4 قسمت است :
نرم افزارکاربردی تحلیلی کسب و کار
تکنیک های پیشرفته تحلیل
ابزارهای پیشرفته تحلیل
انبارداده های بنگاه



جلسه پنجم:
هوشمندی از نگاه پیتر لان چیست؟
منظور از سیستم ICTچیست و چند نگاه داریم:
2 نگاه داریم
نگاه کارکردی
نگاه تکنولوژی
نگاه کارکردی

سیستم هوشمندچیست ؟
1-سیستمی که ازطریق یادگیری دانش زیاد کند
2-بتونه دانشه جدیدی رو از دانش های قبلی(استنتاج) پیدا کند
3-بتونه هدفه مشخصی رو دنبال کنه مسئله مشخصی رو حل کنه یا فرصت روپیدا کند.

*سه روش یادگیری ماشین چیست؟
1-یادگیری نظارتی (طبقه بندی/رگرسیون )
2-یادگیری تقویتی
3-یادگیری غیر نظارتی (خوشه بندی / انجمنی)

عامل چیست:
یک نوع سیستم نرم افزاری پیشرفته هوشمنده که یجورایی شباحت به انسان داره .ویژگی هایش عبارتند از:
استقلال
می توان ارتباط دوطرفه با انسان برقرار کنند
می توان وظیفه ای را به صورت تکراری و مداوم بدون خستگی انجام دهند
هر عامل می تواند هویت شخصی داشته باشد
عامل ها دارای هوشمندی ویادگیری هستند.عامل دارای درجه هوشمندی و ماموریت و تحرک دارد.

عامل های هوشمند چند نوع اند؟
عامل بیولوژیک
عامل رباتیک
عامل محاسباتی
الف- عامل زندگی مصنوعی
ب- عامل نرم افزاری

هوشمندسازی درلایه های سیستم ict
لایه دادها درآن پایگاه دادها و انباره سازی وجوددارد ویکپارچه سازی داده متنی درآنجا انجام میشود.

لایه برنامه های کاربردی :
درانجا داده کاوی وجود دارد یعنی از دل داده ها دانش واطلاعات مناسب برای تصمیم گیری استخراج می شود.
لایه واسط:
که ازطریق آن به سیستم وصل می شود گزارشات مورد نظر وتحلیل هایی لازم داریم انجام می دهد.





هوش تجاری توزیع شده ویا داشبود :
ابزار دسترسی برای کسی که میخاد با سیستم ما ارتباط داشته باشد
( معمولا از طریق رایانه یا موبایل )
با استفاده از ابزار دسترسی متصل میشه به کانال های ارتباطی
(معمولا شبکه های انتقال : شبکه وایرلس، ADSL وشبکه های تلفنیک )
که امکان انتقال دیتا دارند . ازطریق کانال ارتباطی ما را به
لایه واسط(معمولاوب هست front-end برنامه های تحلیلی یا پیش خوان )متصل میکنه این لایه متصل میشود
لایه برنامه های کاربردی (همون لایه منطقی است یا Back-end ) یا نما ها و بعد این لایه وصل میشه به لایه مدیریت داده ها(لایه فیزیکی ETL)
یا Data Warehouse, Data Mart,





SharePoint چیست ؟
یکی از ابزار تولید شده توسط شرکت میکرو سافته که امکان بهره برداری از کلیه خدمات هوش تجاری است .سرویس دهند وب – لایه کابردی و لایه داده منابع داده و ...بقیه امکانات را دارد دراینجا می توانید داده های چند بعدی را بسازید.









معماری شش لایه هوش تجاری

درهرسیستم هوش تجاری ازاین لایه استفاده میشود.الان هوش تجاری داره به سوی bi2می رود بخاطر ابزار های تعاملی درلایه واسط و کابردی وروش سرویس گرا



جلسه هشتم:
فصل هشتم : داده کاوی


خلاصه از راه های گوناگون برای تصمیم گیری
OLAP
تحلیل های آماری
داده کاوی
هدف:استخراج جزئیات از کلیات ازداده ها-یعنی ازدل داده ها به اطلاعات می رسیم
دنبال تایید یا رد مسائلی بودیم که تحلیل گر قبلا فرموله کرده بود
ولی درداده کاوی دنبال تشخیص الگو مناسب هستم تا به دانش برسیم
اطلاعات Information
تایید و تصدیق Validation
دانش Knowledge
برخی از تحلیل های آماری جزئی از داده کاوی است.

جایگاه داده کاوی


پیش بینی داده ها


Data Mining چیست؟
ابزار هایی برای کشف دانش و رسیدن به الگوی پنهان در داخل لایه های Data base وData Werhouseویا Data Mart ذخیره شده اند استفاده می شود.

داده کاوی :
کشف دانش از داده های که در پایگاه داده ذخیره شده

کشف دانش چیست:
یعنی استخراج از الگوهایی که برای ما جذابه و جالبه .حجم زیادی داده وجود داره و ما با ابزارو روشهایی میام از دل این داده ها و روابطی که بینشون وجوده یکسری patternیا الگوقبلا برایمون اشنانبوده ولی میتونه در تصمیم گیری ما موثر باشه استخراج کنیم .
قبل ازاینکه بتوانیم از داده ها دانش استخراج کنیم باید ابتدا پیش پردازش کنیم:
پاکسازی دادها:
یعنی داده ها را ازدادهای عملیاتی استخراج میشود. داده به فرمت قابل قبول و یکسان تبدیل می شود
یکپارچه سازی داده:
یعنی داده ها از منابع مختلف میاد درون انباره دادها Data Werhouse
تبدیل داده ها :
داده ها به شکل و فرمت مناسب درون انباره داده ذخیره بشوند
کاهش داده ها :
معمولا دنبال این هستیم که داده های اضافی رو حذف کنیم.مثلا درداخل جدول رکوردهای زیادی هست که بعضی از اونها زیاد مناسب نیست می تونیم حذف وکاهش بدیم.



مراحل كشف دانش از پايگاه داده چنددسته هستند؟ : دات هالد 6 دسته
1-اطلاع ازدامنه (افرادی که از دانش کافی برخوردار اندو دامنه قابل شناسایی هست.)
2- انتخاب data set(داده های باید پیش پردازش بشه " پاک سازی و یکپارچه سازی " معمولابخش مهمی است 60درصد کار است)
3-تحلیل وتبدیل دادها (اونایی که غیر ضرور هستند حذف بشوند)
4-هدف کارکرد بسته به هدفی که از داده کاوی داریم
(خلاصه سازی –طبقه بندی"کلاسیفیکیشن" – رگرسیون – وابستگی – خوشه بندی "کلاسترینگ" )
5-انتخاب الگوریتم(برای کاوش داده تا الگو های جالب ومفید کشف بشه)
6- ارزیابی الگو ها یاپس پردازش (آیا الگو معنی دار است یا خیر اگه نه الگو مفید نباشه حذفش می کنیم و الگو های مفید را نمایش می دیم "بصری سازی – تبدیل و انتقال – حدف الگوهای اضافی "
7- استفاده از دانش کشف شده (درواقع الگو های مناسب همان دانش هست).


عامل ها ونقش های فرآیند داده کاوی چه کسانی هستند؟
1-خبرگان کاربرد
2-تحلیلگران داده کاوی
3-مدیران پایگاه داده
(1-تحليل مسأله 2-تحليل داده ها3- جمع آوري داده ها4- پيش پردازش داده ها5- مدل هاي يادگيري6- تفسير نتايج 7-كاربرد نتايج 8-كنترل و بازخور 9-ارزيابي نتايج و سازگاري باهدف)

ازنظر کارکرد عمومی داده کاوی چند نوع است ؟ 4نوع

1- داده کاوی توصیفی:
روشهایی هستند که الگوهایی بتواند داده ها توصیف و تفسیر کنند.
2- داده کاوی پیشگویانه:
استفاده از یکسری متغییر معلوم برای رسیدن به متغییرهای مجلهولات پیش بینی می کنیم ومی رسیم.
3- داده کاوی فرضیه محور :
شمااز قبل فرضیه ای دارید که درتایید یا رد این فرضیه هستید
4- داده کاوی اکتشافی :
الگوهای دانش یا PATTERNهااصلا ناشناخته هستندشما را به دانشی می رسونه که قبلا تصورشم نمی گردید.
*تذکر :
ما اگر بتوانیم انواع داده هاو همچنین انواع و اقسام الگوهارا خوب بشناسیم.می توانیم از دل دادها دانش استخراج کنیم.داده پایین ترین سطح هرم دانش هست که داده مجموعه ای از وقایع است که ازنتایج آزمایش ها و مشاهدات بدست آمده است می تواند(عدد.کلمه .تصویرباشند)

انواع داده ها :

معماری داده کاوی:
برای اینکه بتوانیم وظایف داده کاوی را انجام دهیم بایستی سیستمی که براساس داده کاوی انجام میشه معماری کنیم:
1-درلایه اول یازیرین پایگاه داده ها ماست درانجا بعدازاینکه پیش پردازش(یکپارچه سازی و پاکسازی ) انجام شد در Data Warehouse ذخیره میشه و آماده می شه برای داده کاوی Mining
2-موتور داده کاوی متصل به یک پایگاه دانش
3-مدل های یادگیری و مدل های دیگر که از روی آن دانش و الگو از آن استخراج و ارزیابی می شود قرار دارد
4-درلایه واسط گرافیکی کاربر؛
کاربر ها از طریق این واسط الگو هارا کشف شده مشاهده وارزیابی کند
ارزیابی هم دو دسته است
1)پایگاه دانش
2)از طریق سنجش الگو ها

طبقه بندي داده كاوي بر مبنای الگوریتم ها:


1-پیش بینی (یادگیری نظارتی ): الف-طبقه بندی (رده بندی) ب- رگرسیون خطی وغیرخطی(درخت تصمیم – الگورتیم های ژنتیک)

2-وابستگی (غیر نظارتی ) الف- تحلیل پیوند ب- تحلیل توالی
3-خوشه بندی (غیر نظارتی) الف – انالیز بیرونی

تعاریف: طبقه بندی (رده بندی):

یک مجموعه داده داریم که ازقبل کلاس های رابرایشان مشخص کرده ایم هر رکوردی جدید که اضافه می شود متناسب با کلاس به آن کلاس انتقال می دهیم.
خوشه بندی:
طبقات ازقبل مشخص نیست شما باید بتوانید تعداد خوشه های مناسب را تشخیص دهید و داده های را برمبنای الگورتیم ها که نزدیکترین فاصله را باهم دارند طبقه بندی کنید وهمچنین اعضای یک خوشه بیشترین شباهت با هم دارند ولی با خوشه دیگر کمترین شباهت دارند.
کشف قوانین وابستگی : بیشتر به دنبال روابطی هستیم که به صورت همزمان بین چند قلم داده دریک رکورد اتفاق می افتد.
کشف الگو ترتیبی : همان کشف قوانین وابستگی هست ولی وابستگی درطول زمان هست رگرسیون : حالت پیش بینی دارد
طبقه بندی یا رده بندی :
بایکسری داده تاریخی سرکارداریم یعنی کل داده ها در databaseپایگاه داده اند از قبل کلاس ها مشخصه یک رکورد جدید که وارد میشه بایدکلاشو تشخیص بدیم.برای تشخیص کلاس چند نوع الگورتیم داریم :
1. درخت تصمیم
2. روش قانون پایه
3. نزدیکترین همسایه
4. شبکه بیزین(روش های آمارواحتمال)
5. شبکه عصبی(برای یادگیری نرن ها میان کلاس روتشخیص میدهند)
6. پشتیبانی بردار ماشین


دومجموعه برای تعیین کلاس وجود دارد
ü مجموعه آموزشی
ü مجموعه آزمودنی(آزمایشی)
روش درخت تصمیم :
دردرخت تصمیم از بالا یعنی ریشه به سمت پایین (برگها)رشد می کند.گره های غیربرگ یک ویژگی را مشخص می کنه که باتوجه به جوابش (yes=1 , no=0)ما تصمیم می گیریم از کدام مسیر در طول درخت حرکت کنیم.برگ های درنهایت یا کلاس مارو مشخص می کند یا دسته کلاس را.(اسلاتید30 تا40)







روش نزدیک ترین همسایه:
این روش یکی دیگراز الگوریتم های رده بندی هست.دراین روش یک رکورد "ردش" براساس رده همسایه هایش تعیین میشود. تعداد همسایه هایی به رده رکورد شباهت زیادی دارد به آن کلاس نزدیکتراست د رآنجا رده بندی می شود.با توجه به این xبه منفی نزدیک تراست ولی با توجه به این دو + هم وجود دارد پس رده این کلاس + درنظر گرفته میشود.

روش بیزین :

این روش براساس قوانین امار و احتمال می باشد.براساس احتمال شرطی یا قانون بیز استفاده می کند





روش شبکه عصبی:
یکسری ورود ماندx1,x2,x3دارد با توجه به توابعی که دردرون جعبه وجود دارد یک سری خروجی می دهد.که مهمترین این عملیات توابع داخل جعبه است. حال چطوراین افتاد می افتاده با توجه به نرون های یادگیری و آموزش با توجه به تعداد این ورودی ها اتفاق می افتد.

آموزش شبکه عصبی یعنی آموزش وزن عصب ها –شاید می توان گفت شبکه عصبی شاید بهترین روشه و لی پیچیگی خودشو دارد –این شبکه خودش می فهمه و خودش تصمیم می گیره که خروجی من رو با توجه به وزن هایی که داره تولید کند.


Support Vector Machinesروش برادر :
درو اقع داده هارو ازهم جدا میکند ومثلا یک صفحه جدا کننده تشکل می دهیم تاکلاس دادها جدا کنه مثلا استفاد ه از خط قطری (این روش میگه اون راحلی بهتره بیاد حاشیه انتخاب منو ماکزیمم بکند)



معیار های صحت رده بندی کدامند؟
1-روش هاي تخمين اندازه مجموعه هاي آموزشي و آزمودني
2-ماتریس اغتشاش


-روش هاي تخمين اندازه مجموعه هاي آموزشي و آزمودني(تقسیم ساده – تخمین چرخشی k-fold)

تقسيم ساده:
تقسيم داده ها به دو بخش مجموعه آموزشي (%70) و مجموعه آزمودني(%30)
مقایسه مدل (استفاده از مدل roc:این مدل میاد TPبا محور Yها و FPبا محور X نشان مدهد.حالت مطلوب ما حالتی است Y=1 با شه ولی X=0 وخط قطری حالت تصادفی مارو نشان میدهد و خطی منحنی نقطه به نقطه نمودار مارو نشان می دهد.واون نقطه ای کمترفاصله رو با 0=1 داشته باشه اینجوری بهترین کلاسی فایر رو تشخیص داده ایم.

كاربردهاي رده بندي چند نوع است؟
سه نوع : بمک
v بازاريابي مستقيم
v كشف كلاهبرداري
v ميزان حفظ مشتري
بازاريابي مستقيم:
چون هزینه ها برایتون آنقدر مهمه بیایم مشتری هارو دونه به دونه باتوجه به سوابق گذشتون بازاریابی کنیم.(تبلیغات برای مشتری که امکان خرید بیشتری دارد" دوکلاس خرید یا عدم خرید – بستگی به میزان درآمد نوع مدش ")

كشف كلاهبرداري:
پيش بيني موارد کلاهبرداری در معاملاتي كه با كارت اعتباري انجام مي گيرد(پس کلاس ما حیله گرای بودن ویا نبود آن را با استفاده ازاط حساب.چی میخره .چطور پرداخت میکنه و.. یان مدل برای پیش بینی استفاده میشود )

ميزان حفظ مشتري:
پيش بيني اينكه مشتري توسط رقباي ديگر، جذب شود. یا اینکه برای خودم وفا دار می ماند.

***خوشه بندي(Clustering):

تفاوت این روش با روش رده یا طبقه بندی یا کلاسی فیکیشن این است که درطبقه بندی از قبل کلاسمون ویا رده مشخصه و طبقه بندی تعریف شده است ولی در خوشه بندی اینوری نیست، داده ها شباهت ها و تفاوت هایی را باهم دارند ولی معلوم نیست به چند تا خوشه تقسیم بشوندکدام داده در کدام خوشه قرار می گیرد. ما مجموعه ازرکورد ها ویا نقاط را داریم یکسری ویژگی دارند و ما یکسری معیاربرای ارزیابی وسنجش همسانی بین داده ها باید داشته باشیم تا خوشه وکلاسترها را با استفاده از اون معیار های پیدا کنیم وباید این کار طوری انجام بدیم که نقاط یا رکورد های درون یک خوشه همسان بیشترین شباهت را باهم داشته باشند نقاط ورکورد های یک خوشه بیشترین فاصله وکمترین شباهت و را باخوشه دیگرداشته باشد.برای همسانی چند معیار داریم اگر صفات و ویژگیهای رکورد پیوسته باشند فاصله هندسی بهترین معیار برای همسانی است(فاصله عکس شباهت است یعنی کمترین شباهت بین اعضا و یا رکورد ها باهم )




انوع خوشه بندی چند نوع است؟
2 دونوع است
v خوشه بندي پارتيشني
v خوشه بندي سلسله مراتبي

الف- پارتيشني:
داده ها به یکسری زیر مجموعه تقسیم می شوند نبایدباهم تداخل داشته باشند و درهمان ابتدا در ان خوشه قرار می گیرندمثل روش K-Means
ب- سلسله مراتبي:
مجموعهاي از خوشه هاي آشيانه اي به عنوان يك درخت سلسله مراتبي تشكيل می دهند استفاده دیندوگرام.
الگورتیم k-meansبرای استفاده ازخوشه بندی:
0-مرحله صفر:
تعیین تعداد خوشه هاk (یکی ازبزرگ ترین ضعف های این الگوریتم هست نمی تونه تعداد خوشه ها را تعیین کنه میگه تو باید بگی چند خوشه باشه )

1-مرحله اول:
k نقطه به صورت تصادفي به عنوان مراكز خوشه ها درنظرمی گیریم
2-مرحله دوم:
دراین مرحله باید تعیین کنیم کدام نقطه به کدام خوشه تعلق پیدا کی کنه.نقاط به خوشه تعلق پیدا نزدیکترین فاصله را مرکز خوشه ویا شبیه ترین نقطه به مرکز خوشه رادارد.
3-مرحله سوم:
مركز خوشه ها مجدداً محاسبه ميگردد.(مراکز جابجا می شوند.مرکز یعنی چه ؟ میانگین نقاطی درداخل خوشه قرار دارد . خوب اگر یکسری نقاط اضافه شوند مرکز هم تغییرمی کنه.پس باید مرکز مجددا محاسبه بشه )
4-مرحله چهارم:
مراحل 2 و 3 آنقدر ادامه مي يابند تا شرط همگرايي رخ دهد.
(مراكز پايدار شوند وتغییر نکنند وثابت بماند درحالت این الگوریتم به پایان می رسد)
ضعفاش :
1-باید اول تعداد خوشه هار ومشخص کنه خودش نمی تونه
2-اگه خوب مرکز انتخاب نشدن خوشه بندی بدی داریم .

*ارزیابی خوشه بندی:
آن الگوريتم خوشه بنديی بهتره كه جمع فواصل هر عنصر تامركز خوشه مربوط به آن كمترباشد.
خطا خوشه بندی:
خوشه بندی بهتراست که خطاش از همه کمتر باشه یعنی فاصله هر عنصراز مرکزخوشه اش کمترباشه.هرچه تعدادخوشه ها زیادبشه SEE کم میشه.


ب- سلسله مراتبي:
دراین روش دیندوگرام استفاده می کنیم اساس فاصله داده است
1-هر کدام ازداده ها به صورت مجزا دریک خوشه قرار می دیم به عنوان یک خوشه در نظر میگیریم
2- دراین مرحله اون دوتا خوشه ایی که کمترین رو باهم دارند به عنوان یک خوشه انتخاب می کنیم


روشهاي تعيين شباهت بين خوشه اي:
کمینه –بیشنه-میانگین گروهی – فاصله بین مراکزخوشه ها –روش وارد

كاربردهاي خوشه بندي:
2 نوع است تقاس
1-تقسیم بازار2-خوشه بندی اسناد
1-مشتریان با توجه اطلاعات سبک زندگی ،مناطق جغرافیایی به زیرمجموعه های مجزا تا بتواند ترکیبی از بازار های مجزا بدست آورد.
2-می بایست اسنادی که براساس شباهت لغات ویا اصطلاحات درگروه های دسته بندی کنیم.(روش : بااساس تعداد تکرار اصطلاحات مختلف هر سند شکل دهید برای خوشه بندی – بهره برداری : دربازیابی اطلاعات استفاده می شود )

***الگورتیم وابستگی و کشف توالی:
هدفش ایجاد ارتباط بین آیتم هاو کالاهایی که به طور همزمان دریک تراکنش رخ داده شده .یعنی وابستگی بین کالا که درطول زمان رخ دهد (مثلا کتاب c وبعد c++ وبعد vc# می خرد)

Frequent Itemset تکرار شونده:
ابتدا یک مین ساپرتی تعریف می کنیم یعنی ایتم ست های زیاد اتفاق افتاده است با توجه به داده یا نوع تجارتمون را آنهایی که بزرگتر يامساویminsop مین ساپرت هست.

تعريف قانون وابستگي:
1-قانون انجمنی
2- معیارهای ارزیابی

كاوش قوانين وابستگي:
این دید گاه 2 مرحله دارد
1- مرحله اول Frequent:
ایجاد مجموعه مکرر یعنی بیام فریدکوین ایتم ست هامودربیارم یعنی تو مجموعه اون Itemset هایی که میزان ساپروتشون آنها ازمین ساپروت بیشتر است را انتخاب کنم.
2-مرحله دوم :
حالا که Frequent درآورده ام بیام قانون بسازم واون وقوانینی را درنظر بگیرم که سطح اعتماد بالایی را دارد.

تعیین مجموعه اقلام مکرر:
1-روش Brute-Force

(روش بی هوش :یعنی هرچی ایتم ست وجود دارد میسازه وقتی کلشو ساخت بعد میگه حلا یهمین ساپروتی هم دارم ، ساپروتی که از مین ساپروت من بالاترباشه میشه -Frequent هزینه بالایی داره دارای پیچیدگی بالایی داره)
2- روش Apriori (Support

یک مجموعه اقلام هرگز اززیر مجموعه هایش پیشی نمی گیره یعنی زیر مجموعه همیشه بزرگتراز مجموعه است-بهش میگن ضد یکنواختی یا آنتی مونوتو )این روش از بورت فورس بهتراست.

كاربردهاي قوانين وابستگي :
1-بازاریابی وتبلیغ فروش(طرف چه کارباید انجام که بوسیله فروش یک جنسش جنس های دیگه اشو هم بفروشد)
2-مدیریت قفسه فروشگاه (یعنی چه عواملی درکنارهم قرار بده که توجه مشتریان برای خرید جلب بکنه)

*** الگورتیم كشف الگوي ترتيبي:
اتفاق افتادن یک کار با توجه به زمان به صورت ترتیبی(مثلاپیشنهاد کتاب c وبعد c++ وبعد vc# )

***رگرسيون(Regression):

می اید مقدار متغیر رو بر اساس سایر متغییر های پیوسته براساس یک مدل وابستگی خطی ویا غیر خطی پیش بینی می کند.

*** کشف ناهنجاری:
یعنی انحراف معناردار مشتریان از رفتار عادیشون تشخیص بدیم.
1-کشف سو استفاده ازکارهای اعتباری
2-کشف نفوذ غیرمجازبه شبکه.

نرم افزار داده کاوی :
RapidMiner و weka اوپن سورس وIBM وsas

فرآيند پروژه هاي داده كاوي و مديريت:
1-فرآيند كشف دانش از پايگاه داده(KDD)
2-فرآيند استاندارد داده كاوي براي چند صنعت
3-فرآيند داده كاوي مبتني بر شش سيگما
4-فرآيند سما(SEMMA)

فرآيند استاندارد داده كاوي براي چند صنعت گیرس:
شش آماب
1-شناخت كسب و كار
2-شناخت داده ها
3-آماده سازي داده ها
4-مدل سازي
5-ارزيابي
6-به كار گيري

فرآيند داده كاوي مبتني بر شش سيگما تست بک

شش سيگما در داده كاوي 5 گام داد:

1-تعريف
2-سنجش
3-تحليل
4-بهبود
5-كنترل

فرآيند سما ناک اصما

فرآيند سما تا حدودي شبيه شش سیگماست گه توسط شركت SAS ارائه شده
1-نمونه گيري
2- اكتشاف
3-اصلاح
4-مدل سازي
5-ارزيابي


جلسه دهم:

مدیریت عملکرد کسب وکار
BusinessPerformanceManagement

نگرش سیستمی به مدیریت کسب وکار چیست؟
می توانیم مدیریت کسب و کسب را یک سیستم بلادرنگ فرض کنیم که ازطرف مدیران را از وجود فرصتهاي بالقوه، مسائل و اتفاقات و تهديدهاي پيش رو آگاه کند و از طرفي قدرت واكنش دادن درمقابل انها را به خاطر استفاده از مدل و همكاري افزايش بدهد.


هدف نهاییBIچه بوده؟
هدف نهایی BI رسیدن به عملکرد موثر در کسب و کاربود پس از BI استفاده می کنیم تا به مدیریت عملکردکسب و کاربرسیم:
الف -پس رسیدن به BPM یعنی نتیجه تکامل BI واستفاده از تکنیک ها وبرنامه های کاربردی و تکنولوژی های آن

ب-مدیریت عملکرد کسب وکار ترکیبی از برنامه ریزی و هوش تجاری دریک بسترواحد است.
ج- BI زیر مجموعه از مدیریت کسب وکار BPMاست .

رابطه هوش و مدیریت عملکرد کسب وکار:
اطلاعات، تحليل ها و تصميمات كسب و كار در بافت فرآيندهاي محوري كسب و كار (مانند فرآيندهاي مديريتي، توليد سرمايه و عملياتي) باعث افزايش فروش، كاهش هزینه ها درنهایت افزایش سود مي شود.

تعريف گروه استاندارد BPM:
مدیریت عملکرد کسب :
چارچوبی است برای سازماندهی خود سازی و تجزيه و تحليل متدلوژي ها، شاخص ها، فرآيندها وسيستم ها براي راهبري عملكرد كل يك بنگاه.

مؤلفه هاي مديريت عملكرد كسب وكار؟
مدیریت عملکرد مجموعه از فعالیت های تحلیلی ومدیریت یکپارچه است توسط تکنولوژی های ارتباط و اطلاعاتی پشتیبانی میشود وروش ها وابزاری های برای نظارت شاخص های عملکرد برای رسیدن به استراژی های (شاخص )
این مولفه های را می توان موارد ذیل تقسیم بندی کرد:
(1-فرآيندها2- متدولوژي ها3- تكنيك ها(شاخص هااز دل تکنیک ها و فرآیند ها بیرون می آید)
4-معیار5-ابزارها 6- تکنولوژی

فرآيند حلقه-بسته جهت مديريت عملكرد كسب وكار

برای مدیریت کسب کاربا چهار فعالیت اصلی روبرو هستیم : تبنا
1 – ت تدوین استراتژی ها:
در واقع هدف گذاری و تشخیص مطلوبیت ها و تنظیم برنامه های استراتژی برای رسیدن به هدف
2-ب برنامه ریزی عملیاتی :
بتوانیم این استراتژی به واقعیت برساند بااستفاده زمان بندی و بودجع بندی
3-ن نظارت /تحلیل :
کاری های که بتوانیم نگاه و کنترل کنیم آیا کارهایی انجام می شود آن کاری است که باید انجام شود (تدوین استراتژی مشخص می کنه)
4-ا اقدام /تعدیل :
برمبنای استراتژی اقدام به انجام کار می کنیم و جای مشکلات داشت باخور داشت برگشت به استراتژی می دهیم برای اصلاح آن


*موارد تدوين استراتژي نام ببرید؟ ارا منچ
1-ارزش ها 2-رسالت و مأموريت 3-اهداف كلي و عيني 4-محرك ها و انگيزه ها 5-طرح ها و نقشه هاي استراتژي6-چشم انداز آرماني

*برنامه ريزي عمليات (تدوين تاكتيكها و بودجه ها( نام ببرید؟ پماطنب
1- پيش بيني ها 2-مدل ها 3- ابتكار عمل ها 4 - طرح ها و برنامه ها 5-نقطه هدف6-بودجه ها

برنامه عملياتي
طرحي يا بر نامه اي است كه مقاصد و اهداف استراتژيک سازماني را به مجموعه ای از تاكتيك ها و ابتكارات صحيح ، منابع موردنیاز و نتایج مورد انتظار از دوره های زمانی آینده تبدیل می کند.
تعداد برنامه های عملیاتی را نام ببرید:
دونوع برنامه داریم :
الف ) برنامه تاکتیک محور :برنامه استراتژیک به تاکتیک های میشکنت و تاکتیک ها ما به اهداف استراتژی می رساند.
ب) برنامه بودجه محور : برنامه مالیست که نتایج مالی به دنبال می کند



*مرحله سوم فرآيند حلقه بسته نظارت/تحليل نام ببرید؟

بعد از برنامه هاي عملياتي و مالي،می بایست کارهای نظارتی و کنترلی بررسی و رصد کنیم و انرا مورد تحلیل قرار دهیم این امر براساس سه مورد ذیل صورت می پذیرد

1-داشبودهاي عملكرد 2-گزارشات 3-ابزارهاي تحليلي
سيستم كنترل تشحيصي سيستمي سايبرنتيكي است كه از اجزاي زير تشكيل شده است:

توضیح عامیانه:
سیستمی که ورودی خروجی داره که یک سری ورودی کنترلی ابن سیستم کنترل می کنه وبازخور میده این ورودی کنترلی در واقع همان اهداف استراتژی ماست مبنای سنجش معیارهای ماست.
ورودی و خروجی ها فرآیند های جهت تبدیل ورودی به خروجی استانداردو مقایسه با کانال بازخورد

مرحله چهارم فرآيند اجرا / اصلاح:

1- تصميم گيري2- اقدام 3-رديابي4 – همکاری 5- ارزيابي6- تفسير 7-تنظيم

***(مهم )سنجش عملكرد(Performance Measurement)

زیر مبنای مدیریت عملکرد سنجش عملکرد است.
از نظر سايمون سيستم سنجش عملكرد سيستمي است نتايج واقعی را با اهداف كلي و عيني استراتژيك مقايسه کند تا مدیران توانایی پياده سازي استراتژي كسب و كار را در مجموعه خودشان داشته باشند به انها كمك كند تا پيگيري و رديابی کند.

شاخص هاي كليدي عملكرد(Key Performance Indicators - KPI)
به منظور سنجش عملكرد به شاخص هايي نياز داريم KPI اهداف کاملا مشخص استراتژی را برای ما اندازه گیری می کنند.
ازنظر اکرسیون شاخص های کلیدی عملکرد چند بعدی اند:
1-تجسم استراتژی 2-اهداف معینی بسنجیم3- دامنه عملکرد بسنجیم (دامنه بالا یا پایین تر اهداف است یا خیر )4-بتوانیم شاخص ها درسیستم نرم افزاری پیاده و کد کنیم 5- باتوجه به نیاز ، اهداف زمانی را بسنجیم 6-مبنا و معیار

شاخص هاي كليدي عملكرد(KPI)
KPI هاي نتيجه اي (شاخص هاي تأخيري)
شاخص هايي كه نتايج فعاليت هاي گذشته را اندازه مي گيرند و معمولا شاخص های مالي هستند.
KPI هاي محرک یا آینده نگر یاپيشتاز يا راهنما ویا عملياتي
اين نوع شاخص ها، فعاليت هايي را مي سنجند كه بر شاخص هاي نتيجه اي (قبلی) اثر مي گذارد.می توانیم عملکردپیش بینی کنیم
مشكلات سيستم هاي سنجش عملكرد
1-اغلب شرکت ها از روش کارت متوازن BSC درسیستم سنجش عملکرد استفاده می کند.اما به علت تاکید بروی سنجه مالی توجیهی به سنجه های دیگر (فرآیند های داخلی ، یادگیری ، رشد)نمی کنند ومشکلاتی پیش می اید(معیارهای مالی بر بازه زمانی کوتاه مدت تمرکز دارد)
2-حجم زیاد شاخص عملکرد از دیگر مشکلات سیستم است
3-انحراف درسنجش شاخص های ارزیابی از دیگر مشکل آن است.
سنجش عملكرد اثربخش
1-سنجه ها بايد بر عوامل كليدي متمركز باشند
2-سنجه ها بايد تركيبي از گذشته، حال و آينده باشند
3-سنجه ها بايد ميان همه ذينفعان، كاركنان، شركا، عرضه كنندگان و سايرين توازن ايجاد کنند.
4-سنجه ها بايد از بالا آغاز شده و به سطوح پايین بیاید
5-سنجه ها بايد اهداف معيني را هدف قراردهند

***متدولوژي BPM:

دونوع است
1-کارت متوازن ( مبتني بر مديريت فعاليت)
2- شش سیگما (فرآیند محور - مديريت كيفيت جامع)

*كارت امتيازي متوازن(BSC):
هم متولوژی مدیریت و هم روشی برای سنجش عملکرد درچند بعد بررسی می کند
استراتژي را به اقدام تبديل مي كند
استفاده از واژه ”متوازن يا بالانس“ در كارت امتيازي متوازن از آنجا است كه تركيبي از سنجه هايي متفاوت زیر

1-دربعد مالی(برای موفقیت مالی چه طور در مقابل سهم داران ظاهر شویم)
2 بعد فرآیند های داخلی (برای کسب رضایت مشتریان و سهم داران کدام فرآیند مورد توجه قرار دهیم تا برتر شویم)
3-در بعد آموزش و رشد (برای این چشم انداز تحقق پیدا کنم چطور باید تغییرات و اصلاحات را انجام بدیم )
4-بعد مشتری (چکاری برای مشتریان انجام دهیم)
نقشه استراتژی ( مالی – مشتری – پردازش – رشد ویادگیری )

*فرآيند همراستايي استراتژي ها و اقدامات را در شش گام ازنظركاپلان و نورتون بیان کنید؟
1-ایجاد و فرموله کردن استراتژی
2-برای استراتژی برنامه ریزی می کنیم
3-سازمان با استراتژی هم جهت می کنیم
4-برنامه ریزی عملیاتی انجام می دهیم
5-یادگیری و رشد ونظارت و اموزش
6-تست و تطبق استراتژی

***شش سيگما(Six Sigma)
مثلBSC یک متدولوژي مديريت عملكرده
هدفش:كاهش تعداد خطاهاي فرآيندهاست.به طوري كه در هريك ميليون فرصت، به صفر نزديك شود.
واحداندازه گیرش : DPMO 304دریک میلیون
39

شش سیگما روی مدل مرجعی ساده ای بنام DMAIC دامیگ قرار گفته (تست بک)
(1-تعریف2- سنجش 3- تحلیل 4-بهبود5-کنترل)

***محدوديت هاي شش سيگما و راه حل آن
يكپارچگي در شش سيگما در كل بنگاه وجود ندارد چکار کنیم ؟
راحل : ادغام شش سیگما با کارت متوازن BSC
1-کارت متوازن قدرت کشف نقاط ضعف وهمچنین قدرت کشف فرصت های بهبود ورشد عملکرد رو داره
2-شش سیگما هم مسائل عملکردی رو حل می کنه
*-* معماري
منظور از معماري طراحی1- منطقي 2- فيزيكي

معماری منطقی (1-برنامه هاي كاربردي BPM 2- هاب اطلاعات 3-سيستم هاي منبع)
معماری فیزیکی (1-لايه پايگاه داده2- لايه برنامه كاربردي2- لایه واسط كاربر)
* برنامه هاي كاربردي BPM:

لايه پايگاه داده(مخزن داده تراکنشی –مراکز داده کابردی - انباره داده متمرکز)

رابط كاربر BPM
رابط كاربر، پل بين نرم افزارهاي كاربردي وکاربر نهایی 2-معمولا رابط ها تحد وب اند-3-برای سادگی کار ما ازاکسل برای ریختن اطلاعات توسط کاربران استفاده می کنیم که از علاقه داشتن این پایگاه ساده را نگه دارند.4-معمولا ما یک راهنمای کاربر نیست در اختبار کاربران قرارمی دیم
بین لایه برنامه کاربردی ولایه واسط کاربر:یکسری از ابزارهای گزارش گیری – پرس جو- داشبور های-پرتال ها –ابزار ها کارگروهی قرار میگیرد.
SAPو Microsoftو IBMو Oracle این شرکت های درزمینه هوش تجاری BI هم فعالیت دارند که در BPM فعالیت می کنند

***داشبورد های عملکرد و کارت های امتیاز
مقدمه : درمعماری BPM یک لایه ای داریم به نام لایه واسط کاربر، دراین لایه نتیجه و خلاصه از شاخص عملکرد نیاز داریم به شکل ساده و درست نمایش داده شود . این نمایش هم معمولا به صورت گرافیکی است . برای نمایش شاخص های عملکرد از سیستم های کارت امتیازو یاداشبورد عملکرد استفاده میکنیم. آقای اکرسون میگه :داشبورد عملکرد یک نرم افزار کاربردی چند لایه است که براساس هوشمندی کسب و کاره یکپارچه ساخته شده وسازمان رو قادر میکنه تا عملکرد کسب وکارشو به صورت اثر بخش ، پایش و مدیریت کنه.

تفاوت های داشبورد عملکرد با کارت امتیاز
ویژگی ها
داشبورد عملکرد
کارت امتیاز
ازنظر هدف
دنبال سنجش عملکرد
نمودار پیشرفت نمایش میده
ازنظر کاربران
متخصصان وسرپرستان
مدیران ارشد.مدیران.کارکنان.
ازنظر به روز رسانی
همان لحظه
دوره ای
ازنظر داده ها
رخداد ها
جمع بندی
ازنظرنمایش
گرافیکی ، داده های خام
گرافیکی ، نکات متنی

* انواع داشبوردها : ( داشبورد های عملیاتی – تاکتیکی – استراتژی)

1- توسط كاركنان و سرپرستان خط مقدم به صورت خلاصه شده و روزانه به روز رسانی واستفاده می شوند.
2- وسيله مديران و تحليل گران جهت رديابي و پايش داده هاي روزانه و يا هفتگي جهت بررسي پيشرفت واحدها استفاده مي شوند.
3- وسيله مديران ارشد، مديران و كاركنان براي پايش داده هاي خلاصه وداشبوردهاي تفصيلي ماهانه يا فصلي هستند، مورداستراتژيك استفاده مي گيرد

طراحي داشبورد
چالش اصلي طراحي داشبورد، نمايش بدون انحراف همه اطلاعات مورد نياز در يك صفحه واحد است.

برای اینکه اعدادرا معنی دار کنیم دو راه وجود دارد 1-مقایسه کردن 2- ارزش دادند(خوب بودن یا بعد بود)
برای نمایش خوب یا بد بود باید ازرزنگ های استفاده کنیم مثلا (خوب: سبز- بد : قرمز – متوسط :زرد)
برای مقایسه کردن عددهم :می تونیم مقایسه کنیم عدد در مقابل مقادیر( گذشته – پیش بینی – هدف)

نکته : سیستم های BIدارند به سمت بلادرنگ شدن حرکت می کنند. سیستم های BPM نیز مثلBI دارند به سوی بلادرنگ شدن حرکت می کند .یعنی در کسب و کار بدون تاخیر بر فعالیت های کسب و کار نظارت کنیم در همان لحظه ردیابی .و درصورت نیاز تغییرات دهیم.برای این منظور از سیستم های پایش فعالیت کسب و کار استفاده می شود (BAM) که به عنوان مولفه های مهم BPM است .

· داده های به همگام + دسترسی به ابزار هماهنگی ومدل سازی ============ حل مسئله

 

۱۰ کلید استراتژی موفق هوش کسب وکار سازمان

ترجمه مقاله

۱۰ کلید استراتژی موفق هوش کسب وکار سازمان

                                                               نویسنده:

By Diann Daniel
Mon, October 22, 2007

مترجم: سید محمود شجاعی کیاسری

۲۷/۰۴/۱۳۹۲

مرجع: http://www.cio.com/article/148000/10_Keys_to_a_Successful_Business_Intelligence_Strategy?page=2&taxonomyId=3002

در همه ادغام ها و جمع آوری های در فضای هوش کسب وکار، فراموش کردن این نکته که هوش کسب وکار چیزی بیش از یک تکنولوژی پنهان در پشت آن است آسان است.

شما نیاز دارید تا دید خود را نسبت به استراتژی هوش کسب وکار قبل از وارد کردن تکنولوژی به بحث مشخص کنید. و به قول نویسنده اصلی متن “اکنون زمان اختراع مجدد استراتژی هوش کسب و کار است”.

1.                  حامی سطح مدیریتی را انتخاب کنید(مدیر ارشد اجرایی، مدیر ریسک) کسی غیر از مدیر ارشد اطلاعات

اجرای پروژه هوش کسب و کار نیاز به حامیانی غیر از حامیان فناوری اطلاعات سازمان دارد. حمایت بوسیله یک شخص اجرایی که دارای قدرت و مسئولیت در سطوح بالای سازمان است و دارای تصویری گسترده از اهداف کوتاه مدت، بلند مدت و استراتژی های سازمان است و میداند چکونه باید چشم انداز سازمان را به شاخص های ارزیابی عملکردی تفسیر و ترجمه کند که پیشرفت آن شاخص ها پشتیبان و ضمانت کننده دستیابی به چشم انداز باشد. این مدیر اجرایی اغلب “مدیر ارشد امور مالی” است. این حامی باید اجرای پروژه را بر اساس موارد کسب و کار مستند[1] مدیریت کند و در قبال تغییرات محدوده پروژه مسئول باشد.

2.    ایجاد تعریف مشترک:

بدون داشتن تعاریف مشترک اجرای پروژه هوش کسب وکار نمیتواند موفق باشد. کمبود توافق شایع ترین مشکل امروزی شرکت هاست. به عنوان مثال، واحد مالی و واحد فروش ممکن است تعاریف متفاوتی از “حاشیه ناخالص” داشته یاشند. که به معنای اعداد متفاوت است .این در واقع به معنای نفی اتوماسیون است ! برای مبارزه با این مشکل باید موضوعات تخصصی کسب وکار در سراسر خطوط سازمان از کارمندان جلو، میانی و پشت سازمان کسب شود. در این مرحله ، مشارکت بخش فناوری اطلاعات باید محدود به راه اندازی اداره مدیریت پروژه[2]  و در اختیار گرفتن مالکیت هماهنگی و استانداردها و مقررات کسب وکار باشد. در مرحله دوم، آغاز کوچک و انتخاب ۱۰ تا ۲۰ شاخص کلیدی عملکرد و ساخت استانداردها و ایجاد حاکمیت بر اذهان بوسیله آن شاخص ها.

3.   ارزیابی وضعیت فعلی

شما باید داشته ها، فرآیندها و ساختارهای سازمانی  وضعیت فعلی محیط سازمان را تحلیل کنید. هر دو بخش فناوری اطلاعات و کسب و کار سازمان باید درگیر شوند. اولسون[3] در برابر دست کم گرفتن این مرحله هشدار داده است، و اشاره کرده است که “تشخیص هوش کسب وکار” شامل ۱۵۰۰ سوال در قبال ۳۲۵ بهترین شیوه[4] و ۷۵ زمینه موضوعی است.

4.    ایجاد یک برنامه برای ذخیره سازی داده ها

بسیاری از سازمان ها با یک بازار داده[5] جدا شده شروع میکنند چراکه سریع و ارزان است. اما باید توجه داشته باشید که این روش به این معناست که سیلوهای انبار داده برای داده های اضافی باید در آینده ایجاد شوند که ممکن است بعد از چند سال رشد غیر قابل کنترلی داشته باشند. مساله دیگری که باید مد نظر باشد در خصوص این است که آیا باید یک انبارداده فیزیکی را ایجاد و نگهداری نمود یا به سمت استفاده از مجازی سازی یا لایه معنایی برای اتصال سیستم های عملیاتی شد؟ انبارداده های سنتی به معنای کپی کردن و تکثیر  داده ها هستند، که به معنای عدم امکان دسترسی لحظه ای به داده های سیستم های عملیاتی است. شما میتوانید در استفاده از فضاها بوسیله تعریف یک لایه انتزاعی صرفه جویی کنید، اما این روش برای طراحی بسیار سخت است که به عنوان هر انبار متادیتا است. حتی قبل از مد نظر قرار دادن اینکه کدام فروشنده انتخاب شود، شما باید این مساله را حل کنید.

 

5.   فهم نیاز کابران

سه دسته از کاربران هوش کسب و کار عبارند از کاربران استراتژیک، کاربران تاکتیکی و کاربران عملیاتی. کابران سطح استراتژیک تصمیمات کمی میگیرند ولی همین تصمیمات اندک تاثیرات عمیقی بر سازمان دارند. برای مثال ما باید عملیات سازمان در اروپا را متوقف کنیم و در چین آغاز کنیم! کابران سطح تاکتیکی تصمیمات زیادی در طول هفته میگیرند و هر دو گونه اطلاعات تجمعی و سطح جزئیات را مورد استفاده قرار میدهند و نیاز به اطلاعات بروز رسانی شده بصورت روزانه دارند. کاربران سطح عملیاتی کارمندان خط مقدم هستند. مانند کارمندان مشغول در بخش مرکز تماس سازمان. آنها نیاز به داده ها در مجموعه نرم اقزار های شخصی شان دارند تا بتوانند تعداد تراکنش های زیادی را به انجام برسانند. فهمیدن اینکه چه کسی از هوش کسب وکار استفاده خواهد کرد و برای چه هدفی میتواند انواع اطلاعات مورد نیاز و تواتر و فرکانس استفاده از آنها را نمایش دهد و در مسیر تصمیم گیری هوش کسب وکار کمک کند.

6.    در خصوص خرید یا ساخت یک مدل داده ای تحلیلی تصمیم گیری کنید.

یک سایز برای همه مناسب نیست! در حالت عمومی شما شاید از منافع یک مدل داده ای صنعت خاص بهره مند بشوید در صورتی که محیط فناوری اطلاعات مشابه ای دارید مانند یک سیستم ERP  یا  یک سیستم  CRM . سلسله مراتب انعطاف پذیری و توسعه پذیری را باید با دقت بررسی کنید. سازمان های پیچیده تر ممکن است ممکن است از شخصی سازی بهره مند شوند. اگرچه ممکن است شما در نظر داشته باشید که ابتدا با یک مدل استاندارد صنعتی بعنوان قالب یا یک مجموعه راهنما استفاده کنید.(مانند بعدها، حقایق، معیارهای عمومی)

7.   در نظر گرفتن تمام اجزای هوش کسب وکار

 اجزایی که باعث موفقیت هوش کسب وکار میشوند عبارتند از: متادیتا ها، تجمیع داده ها، کیفیت داده ها، تحلیل ها، تجمیع معیارهای مدیریتی، مدل سازی داده ها،ارائه اطلاعات(گزارشات و داشبوردها)، پورتال ها، همکاری ها، مدیریت دانش و مدیریت داده های کلیدی[6]. مطمئن شوید که برای تمام لایه های معماری شده برای هوش کسب وکار تعریف مشخص دارید. حتی اگر آنها خودشان به عنوان بخشی از استراتژی هوش کسب وکار مطرح نیستند ولی ممکن است بر روی موفقیت اجرای پروژه تاثیر گذار باشند.

8.   انتخاب یک سیستم تجمیع داده

اجرای هوش کسب وکار نیازمند راهنمایی های یک شریک با تجربیات عمیق است. اولسون میگوید آماده باشید که برای هر یک دلار نرم افزار بین ۵ تا ۷ دلار هزینه کنید. و هشدار داده است: تنظیم مناسب وخوب هوش کسب وکار را برون سپاری نکنید. فرآیند نیازمند درجه بالایی از همکاری میان کاربران نهایی، تحلیلگران و توسعه دهندگان است.

9.    عملی فکر کنید و کودکانه گام بردارید

کاربران نهایی، تحلیلگران کسب وکار و توسعه دهندگان برای برای ایجاد اولین مفهوم با ثبات در ظرف چند روز را انتخاب کنید.تعداد کمی شاخص ارزیابی عملکرد را انتخاب کرده و تعداد اندکی گزارش بسازید. سپس نسخه های جدیدتر را هر چند هفته یکبار منتشر کنید.

10. برای شروع میوه های آویزان برای چیدن را انتخاب کنید

اولسون انتخاب اجزای ساده ولی بارزش بالا را برای شروع توصیه میکند، برای مثال، بازار داده تحلیل فروش میتواند اهداف با ارزشی را به نمایش بگذارد که مقدار زیادی از مدل های نمونه و بهتری الگوها نیز در این زمینه وجود دارد.

---

[1] documented business case

 

[2] project management office

 

[3] Boris Evelson - http://www.forrester.com/Boris-Evelson

[4] Best Practices

[5]           Data Mart

[6] Master Data Management

آموزش طراحی انبارداده سازمانی(قسمت دوم)

دربخش دوم آموزش طراحی و پیاده سازی انبارداده سازمانی به چند تعریف و چند نکته کاربردی مهم در طراحی هرچه صحیح تر میپردازم:

Attribute:

در هر Dimension Table برای هر Member یک نام مشخص وجود داشته باشد که به آن Attribute می گوییم.

Groupable:

به مجموعه ای از Attribute ها که از یک Dimaension Tabel  باشند و بتوانند با هم تشکیل یک گروه بدهند گفته میشود. مثل(سال و ماه و روز) یا (سال، فصل ماه، هفته روز).

نکته: این گروه بندی میتواند طبیعی یا غیرطبیعی باشد. به عنوان مثالی از غیر طبیعی ها مثل رنگ ها و سایزها.

Hirarchy:

مجموعه Attribute  های Groupable میتوانند یک Hirarchy بسازند که Measure ها را از بالا به پایین ریز کند. (Slice & Dice | DrillDown )

 

نکته یک:

در هنگام طراحی جداول Dimension بهتر است از یک ستون مجزا و Auto Incriment  استفاده کنیم. ۲ دلیل مهم برای اینکار وجود دارد:

دلیل یک: در گردآوری اطلاعات از بانک های اطلاعاتی مختلف اگر کلید های آنها متفاوت باشند ما دچار مشکل نخواهیم شد و تنها در ETL  یک Mapping نیاز خواهیم داشت.

دلیل دو: برای نگه داشتن تاریخچه تغییرات اطلاعات پایه بسیار مهم است.

مثال: تغییر کد محل زندگی یک شخص در بانک اطلاعات عملیاتی بعد از مدتی یک امر طبیعیست. با این فرض که قبلا این اطلاعات وارد انبار داده ما شده باشد در صورت این تغییر صحیحی نیست که اطلاعات در انبار داده Update  شود بلکه باید کد جدیدی Insert شود. همانطور که میدانید این تفکر در OLTP در حالت طبیعی غلط است ولی در OLAP ته تنها صحیح است بلکه لازم است. باید گفت در مجموع ممکن است تغییر اطلاعات بر مبنای کلید اصلی در جدول Source  ایجاد شود که نباید در جدول Dimension  اعمال شود.

نکته دو:

در Dimension Table  ها عملیات Update  انجام نمیشود بلکه Insert انجام میشود و اطلاعات هر چند تکراری با  ID جدید ایجاد میشوند.(البته برای موارد استثنا باید Tools  های مخصوص و جداگانه برای مرحله ETL ایجاد شود )

نکته سه:

کلیدهای اصلی جداول Dim بهتر است از نوع int  انتخاب شوند. دلیل اصلی این کار کم حجم تر شدن جداول Fact Table  میباشد و افزایش سرعت میباشد.

 

مدل های طراحی انبا داده:

ü       طراحی ستاره ای یا STAR :

 

ü       طراحی دانه برفی یا Snowflake:

 

نکته یک:

بهتر است تا جایی که  ممکن است مدل طراحی ستاره ای باشد. دلیل این توصیه پیش گیری از انفجار اطلاعاتی بواسطه ضرب دکارتی اطلاعات جداول در یکدیگر است.

آموزش طراحی انبارداده سازمانی(قسمت اول)

سلام.
امروز قصد دارم روش طراحی انبارداده رو براتون توضیح بدم.
همانطور که میدونید طراحی انبارداده با طراحی بانک‌های اطلاعاتی رابطه ای تفاوت زیادی داره و دلیل اصلی این تفاوت نوع بهره برداری و در واقع هدف ما از طراحی هست. بنابراین اگر در طول آموزش با مواردی برخورد کردید که حس کردید تمام اصول طراحی بانک‌های اطلاعاتی رو داریم زیر سوال می‌بریم زیاد تعجب نکنید!
تفاوت انبار داده و پایگاه داده
وظیفه اصلی سیستم‌های پایگاه داده online، پشتیبانی از تراکنش‌های online و پردازش query است. ولی انبارداده به کاربران یا تحلیلگر داده و تصمیم گیر نده داده ارائه می‌کند. چنین سیستمهایی می‌توانند داده را در قالبهای مختلف برای هماهنگ کردن نیازهای مختلف کاربران مختلف، سازماندهی و ارائه می‌کند. این سیستم‌ها با نام سیستم‌های OLAP شناخته می‌شوند.
موارد تفاوت DW و DB
• از لحاظ مد لهای داده:
پایگا ههای داده برای مدل OLTP امکان پردازش تعداد زیادی تراکنش همروند، که اغلب حاوی رکور دهای اندکی هستند را دارد. اما انبارهای داده برای پردازش OLAP طراحی شده‌اند.
• از لحاظ عملیات قابل اجرا بر روی آن‌ها:
 عملیاتی که بر روی پایگاه دا ده‌ها صورت می‌گیرد، عمومٌا شامل عملیات به هنگام سازی است در حالی که عمل خواندن از انبار، عمده عملیات قابل اجرا بر روی انبارداده را تشکیل می‌دهد.
• از لحاظ مقدار داده:
مقدار داد ه های یک پایگاه داده در حدود چند مگابایت تا چند گیگابایت است در حالی که این مقدار در انبار داده در حدود چند گیگابایت تا چند ترابایت است.
• از لحاظ زمان پرس و جو :
 انبار داده با استفاده از دو تکنیک خلاصه سازی و سلسله مراتبی کردن فیلدها سرعت انجام پرس وجو را بهبود بخشیده است.
فیلدهای خلاصه سازی:
می‌توان تمام داده های مشابه را دریک آرایه و یک ردیف، و نه در یک جدول قرار داد. به این ترتیب، داد ه های مشابه به سرعت می‌توانند خلاصه سازی شوند. اصو ًلا ساختار بعد این امکان را فراهم کرد ه است که داد ه ها را بدون تکرار ذخیره نماییم و هر گاه به مشاهده آن‌ها در کنار هم احتیاج داشتیم نیز بدون صرف حافظه و زمان قابل توجهی این امر میسر باشد.
 فیلدهای سلسله مراتبی:
ساختار سلسله مراتبی ابعاد در انبار داد ه های مبتنی بر مدل داده چند بعدی، پیاده سازی شده است و این امکان را فراهم آورده است که فیلدها بر اساس یک سلسله مراتب منطقی سازماندهی شوند. این امر سرعت پرس و جوها را در انبار بسیار افزایش می‌دهد.

طراحی چهار گام دارد:
گام یک:
تمام فیلدهای aggregable در جداول بانک اطلاعاتی عملیاتی را شناسایی می‌کنیم. این کار در بحث OLAP به معنی استخراج Measure ها یا سنجه‌هاست.
سنجه‌ها عبارتند از معیارهای قابل جمع بندی در کسب وکار که برای مانیتور کردن وضعیت کسب و کار استفاده می‌شوند.
برای اینکه دید فنی بهتری بهتون بدم میتونم اینطوری خلاصه کنم که سنجه‌ها همون ستون‌هایی در جداول بانک اطلاعاتی شما هستند که شما معمولا برای ساخت گزارشاتتون روی اونها توابع سرجمع مثل Sum , Count , Average , … استفاده می‌کنید. مثل تعداد مشتریان، میزان خرید، تعداد کالاها، مانده بدهی، میزان مالیات پرداخت شده و ...
گام دو.
نام‌هایی که از طریق آن‌ها Measure ها معنی پیدا می‌کنند را پیدا کنید. به عنوان مثال معیار میزان خرید به تنهایی قابل تحلیل و نتیجه گیری نیست اما میزان خرید در طول یک دوره زمانی یا در یک محدوده جغرافیایی خاص یا میزان خرید یک گروه کالایی خاص از محصولات این معیار را معنادار و قابل تحلیل می‌کند.
به این نام‌ها در OLAP بعد یا dimension میگوییم.
ابعادی نظیر زمان و مکان و نوع محصول و ... باید استخراج شوند.
بدیهی است هر بعدی دارای مقادیری است که به هر مقدار یک Lable میگوییم.
بنابراین dimension به مجموعه ای از Lable ها که از نظر مفهومی به هم وابستگی هستند میگوییم.
نام پرکاربردتر یا صحیح‌تر برای Lable همان Member می‌باشد. در واقع Member ها آیتم‌های داخل یک dimension هستند.
گام سوم:
تمام Measure ها را در یک جدول قرار می‌دهیم. این جدول Fact Table نام دارد.
Fact Table :جدولی که مقادیر جزیی Measure ها را نگه داری می‌کند و هر چه تعداد آن‌ها کمتر باشد برای ما بهتر است.
برای ساخت Fact Table 2 نکته مهم تجربی وجود دارد که عبارتند از:
1. سعی کنیم همه Measure ها را در یک جدول جمع آوری کنیم.
2. سعی کنیم در مواقع لزوم، جزئیات را فدای کلیات نکنیم بلکه کلیات را فدای جزئیات کنیم. به شرطی که مفاهیم داده‌ها از بین نرود.
به طور کلی ستون‌های Fact Table 3 نوع هستند:
1. Measure ها.
2. Key Column ها.
3. Foreign Key یا ارجاعات به جداول دیگر.
نکته: سطرهای جدول Fact Table شامل پایین‌ترین سطح از اطلاعات می‌باشند.

گام چهارم:
تمام Dimension هایی که با هم مرتبط هستند را سعی کنید در یک جدول قرا دهید.
Dimension Table : وقتی یک عدد در Fact Table قرار می‌گیرد که عنوان‌های آن را یک جدول دیگر مشخص می‌کند به آن Dim Table میگوییم.
مثال: Dim Table برای تاریخ شامل ستون‌های زیر می‌تواند باشد:
Key . سال. ماه. روز. هفته. دهه. روز از سال. روز از هفته. روز از ماه و...

مدل ارزیابی وضعیت آمادگی جاری شرکت ها برای استقرار هوش تجاری و انبارداده توسط شرکت "راه حل های آتنا"

Athena IT Solutions will evaluate your current data warehousing and business intelligence environment and determine its fitness to purpose along both the business and IT dimensions.

Business Intelligence, Data Warehousing & Corporate Performance Management Assessment

Click for full-size assessment image

Your environment may include multiple data warehouses, data marts, operational data stores, as well as data being reported on from your Enterprise Resource Planning (ERP) systems, customer relation management (CRM), financial systems, etc. We will examine your data warehousing environment within the context of the reporting and analytical tools and data spread out among these systems.

Two areas we examine:

1. Does the current information systems provide the business with the information they need to examine and analyze the business in a timely manner to be able to have a positive impact on it?
   
2. Are the current information systems architected and deployed in an effective and efficient manner enabling IT to deliver these systems with high ROI.

We will review the data warehouse and business intelligence environment with your business sponsors, business users, IT management, IT support staff and the DW/BI team. We review your current systems and, if appropriate, your future plans. We will objectively assess where you are compared to best practices.

Our deliverables will provide a review and if appropriate recommendations in the following areas:

• Meeting of business requirements
  
• Available business functionality
  
• Business knowledge of available systems
  
• Business ease of use of available systems
  
• Data warehouse and business intelligence architecture 
  
• Data warehouse and business intelligence team skills 
  
• Expandability of systems
  
• Data warehouse and business intelligence operational and maintenance costs

محتوای آموزشی دوره "مفاهیم و اصول هوش تجاری و انبارداده" در شرکت "راه حل های آتنا"

Duration:

Two day classroom instruction. Note: This is a combination of the Business Intelligence Introduction and Data Warehousing Introduction courses.

Prerequisite Education or Experience

None assumed.

Course Outline:

Section 0: Introductions

Section 1: What is Business Intelligence, What is Data Warehousing?

• Brief History of Accessing, Reporting And Analyzing Data
• Data to Information Lifecycle
• Definition of Business Intelligence (BI)
• Definition of Data Warehousing
• Definition of Corporate Performance Management (CPM)

Section 2: Where are Business Intelligence and Data Warehousing being used today

• Business Drivers For BI
• Business and IT Drivers For DW
• Applications that use BI And DW
• Data Shadow Systems
• Industry terminology

Section 3: Business Intelligence and Data Warehousing - The Architectures

• The Four Architectures
• How do business intelligence and data warehousing fit together?

Section 4: Information Architecture - BI applications and usage

• Business applications of BI
• BI Categories - Reporting to Analytics
• OLAP Architectures
• Classifying BI users

Section 5: Data Integration

• Overview
• Data modeling concepts
• Data Integration Framework (DIF)

Section 6: Data Architecture

• Processes

• Transforming data to information
• Process management


 

• Data Stores

• Data Warehouse, Data Marts, Operational Data Stores, Cubes

• Architectures

• Data staging options
• Implementation choices

• Standards
• Tools
• Resources & Skills

Section 7: Technology Architecture

• Overview
• Data Integration
• Business Intelligence
• Databases
• Deployment & Operational Tools

Section 8: Product Architecture

Note: Brief overview to position vendors within market. Not intended to evaluate or endorse vendors.

• Major data warehouse and BI vendors
• Market positioning

Section 9: Culture, Politics and Organization

• Overview
• Sponsorship and Governance
• Program Organization and Management
• Project Organization and Management
• Project Methodologies

Section 10: Industry Trends

• Overall Software Industry
• Enterprise Applications
• Data Integration
• Business Intelligence

Section 11: Best Practice Overview

• Data Integration
• Business Intelligence

Section 12: Conclusions

• Highlights
• References and Resources

محتوای آموزشی دوره "کارگاه نامگذاری داده ها: هوش تجاری و انبارداده" در شرکت "راه حل های آتنا"

Length: 1 day

Description:
Describing and naming data correctly is critical. Done right, it can help you:

• Set and achieve common business goals
  
• Maximize customer satisfaction
  
• Reduce time to market for products
  
• Accurately represent the financial status of the company to stockholder
  
• Minimize misunderstandings among business functions that negatively impact company performance.

This course describes and illustrates the basic principles and standards for the description and naming of the company data assets.

The course materials include a Data Description and Naming document that can form the basis for naming standards, procedures and guidelines for your company.

The attendees will execute all aspects of the standard. They will create precise and understandable data descriptions and derive standard names and abbreviated names for use in data dictionaries, data warehouses, data marts, and the data structures that support business applications.

Who Should Attend: 
Business and IS personnel who describe and name company data. This could include: functional managers, data managers, data administrators, database administrators, and data warehouse administrators.

What You Will Learn:

• Basic principles and standards for the description and naming of the company data assets
• Precise and understandable data descriptions
• Standard names and abbreviated names for use in data dictionaries, data warehouses, data marts, and the data structures that support business applications
• Resolution of definition synonyms and homonyms,
• Elimination of data ambiguity,
• Effective keyword searching mechanisms so that the correct data can be found

محتوای آموزشی دوره "مفاهیم مدیریت داده ها در هوش تجاری و انبارداده" در شرکت "راه حل های آتنا"

Length: 1 day

Description:
This course illustrates the basic concepts of data management.

it explores the nature of data as a resource, defines the data management terminology, and describes tools and techniques that are available for the management of data as a business asset.

The style of the course is interactive, and during the second half of the day participants will be divided into two teams to play The Data Game, a workshop designed to bring home the concepts that have been taught throughout the day, and build stronger cross-functional teams capable of taking on the challenges of data management.

Who should attend: 
Business or systems analysts, data administrators, project leaders, and cross-functional groups.

Playing The Data Game encourages better teamwork back on the job. It's a good idea to mix business and IT attendees in the same class to maximize its benefits to the team.

What You Will Learn:

• Issues of data management
• Tools and techniques for managing data
• Data relationships
• Data quality

محتوای آموزشی دوره "مدیریت پروژه های هوش تجاری و انبارداده" در شرکت "راه حل های آتنا"

Duration:

Two day classroom instruction. Optional one-day workshop (see below).

Prerequisite Education or Experience

Introductory course for data warehousing or basic exposure to business intelligence or data warehousing projects.

Course Outline:

Introductions

• Instructor & class introductions
• Survey

Section 1: What is BI & DW 
(optional: if attendees need)

• Brief History Of Accessing, Reporting And Analyzing Data
• Data to Information Lifecycle
• Business Intelligence (BI) defined
• Data Warehousing (DW) defined

Section 2: DW Methodology

• Project methodologies
• DW methodology
• Differences between DW and traditional IT projects

Section 3: DW Processes

• Sponsorship & Governance
• Program Management
• Project Management
• Change Management
• Data Quality & Data Management
• Ongoing Administration & Support

Section 4: DW Roles & Responsibilities

• Organizations
• IT And Business Interaction
• Context Of Roles & Responsibilities
• IT And Business Roles
• Skills And Training

Section 5: DW Project Planning

• DW Project Phases
• Major DW Project Activities
• Developing Scope & Building Business Case
• Assembling Team

Section 6: DW Project Planning

• DW Project Phases
• Major Activities & Deliverables
• Developing Scope & Building Business Case
• Staffing & Management

Section 7: DW Assessment Activities

• Requirements Gathering
• Source Systems Analysis
• Data Quality & Integrity Metrics

Section 8: DW Data Design Activities

• Data Architecture
• Data Staging
• Data Modeling
• Database Design

Section 9: DW Data Preparation Activities

• Data Souring & Quality Requirements
• ETL Architecture
• Designing & Creating ETL Processes

Section 10: DW BI Activities

• BI, Reporting & Analysis Requirements
• BI Architecture
• BI Tool Selection
• Design & Build BI Processes
• Business User Involvement

Section 11: DW Testing, Deployment & Roll-out

• Testing
• Deployment
• Roll-out
• Ongoing Administration & Maintenance

Section 12: Conclusions

• Highlights
• References & Resources

Section 13: Optional One-Day Workshop

You may choose to add an additional, custom, one-day consulting workshop in which the instructor will work with your team on a particular issue you are facing. This option will add one day of training plus up-front consulting work to prepare for the workshop.

Workshop Sessions:

• Review Course Materials in your Context
• Plan by Exercise Different Portions of your Project
• Discuss Best Practices and Factors Impacting your Project

محتوای آموزشی دوره "معماری هوش تجاری و انبارداده" در شرکت "راه حل های آتنا"

Duration:

Two day classroom instruction.

Onsite training has the option of:

• Two day classroom instruction, or
• Three day classroom instruction and workshop

Prerequisite Education or Experience

Concepts and Fundamentals for Data Warehousing & Business Intelligence or equivalent knowledge or experience.

Course Outline:

Section 0: Introductions

• Instructor & class introductions
  

Section 1: The Architectures

• The Four Architectures

• Information Architecture
• Data Architecture
• Technology Architecture
• Product Architecture




• Data Integration Framework (DIF)

• Architecture
• Processes & Data Stores
• Standards
• Tools
• Resources & Skills

Section 2: DIF Processes

• Data Preparation

• Data Sourcing
• Data Cleansing
• Data Quality
• Data Transformation
• Data Loading




• Data Franchising
  
• Data filtering
• Data Summarization & Aggregation
• Data Transformation
• Data Loading

• Information Access & Analytics

• Information Access & Reporting
• Analytics & Performance Management




• Metadata Management

• Inter-tool interfaces
• Audit & What-If Capability




• Data Management

• Data Modeling
• Data Profiling
• Database Management




• Workshop Session (below)
  

Section 3: Data Store Components

• Data Modeling Basics

• Conceptual, Logical & Physical Models
• Entity-Relationship & Dimensional Modeling




• Data Structure Concepts

• Facts, Dimensions, Reference
• Types of Keys




• Data Structure Options

• Star
• Snowflake
• Normalized (3NF)
• Denormalized
• Others
• Why do these structures matter?




• Metadata

• Technical
• Business
• Process
• Why does metadata matter?




• Workshop Session (below)

Section 4: DIF Data Stores

• DIF Data Stores

• Data Sources
• Data Warehouse
• Data Marts
• Cubes
• Data Shadow Systems
• Operational Data Stores (ODS)
• Data Staging
• Best Practices & Best Fit Considerations




• DIF Architectural Options

• Data Warehouse vs. Data Mart
• Stand-alone, Federated & Hub and Spoke
• “Closed loop”
• Comparison of Architectural Options




• Workshop Session (below)
  

Section 5: DIF Tools & Technology

• Extract, Transform & Loading (ETL)
• Enterprise Information Integration (EII)
• Enterprise Application Integration (EAI)
• Data Profiling
• Data Quality & Cleansing
• Metadata Management
• What about unstructured data?
• Searching for information

Section 6: DIF Standards

• Project management
• Software development
• Technology and products
• Architecture
• Data

Section 7: Conclusions

• Highlights
• References & Resources

Workshop Sessions:

If three day classroom and workshop option is selected.

Workshops occur after sections 2, 3 & 4 to put in your company’s context

• Assess Your Current Situation
• Examine Factors Impacting Decisions
• Review Architectural Options In Your Context

• Strengths And Weaknesses
• Resource, Timing And Cost Considerations




• Preliminary recommendations for your organization

آموزش اصول طراحی انبارداده

با سلام

از این هفته قصد دارم هر زمانی که فرصتی پیدا کردم مطالبی در خصوص اصول طراحی انبارداده بنویسم چراکه متاسفانه منبع فارسی در این زمینه تقریبا وجود نداره.

اگر کسانی هستند که مطالب مفید در این زمینه دارن خوشحال میشم که ارسال کنن تا روی وبلاگ قرار بدم چون افراد زیادی در این مدت بابت آموزش اصول طراحی انبارداده سوال پرسیدن.

با تشکر

ضرورت ها، پیش نیازها، چالشها و مراحل استقرار هوش تجاری درسازمانها

 

ضرورت ها، پیش نیازها، چالشها و مراحل  استقرار هوش تجاری درسازمانها

سید محمود شجاعی کیاسری، دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات دانشگاه شهید بهشتی [1]

علیرضا طالب پور، عضو هيئت علمی و استاد دانشگاه شهید بهشتی[2]

 

چكيده

مدیران شرکت های خصوصی و سازمان های دولتی برای استقرار هوش تجاری اعلام نیاز میکنند، چراکه از طرق مختلف با ابزارها و فواید استقرار هوش تجاری در سازمانشان آگاه  گشته اند و درک خوبی از میزان تاثیر این سیستم ها بر رشد، بقاء، مدیریت بیهینه و دستیابی به اهداف سازمانی و بدست آوردن مزیت های رقابتی در بازار متلاطم موجود سازمان بدست آورده اند. اما بررسی وشناخت مزایای استقرار هوش تجاری در سازمان به تنهایی نمیتوند منجر به استقرار موفق و استفاده کامل از هوش تجاری در سازمان ها شود و مطالعات هنوز نشان دهنده ضعف هایی در شناخت،استقرار و استفاده صحیح از هوش تجاری در سازمان ها است.آنچه در این مقاله به بررسی آن پرداخته شده است، بررسی ضرورت های موجود برای استقرار هوش تجاری، پیش نیازهای استقرار هوش تجاری از بعد فنی و زیرساخت ها و از بُعد نیروی انسانی متخصص و روش سنجش میزان آمادگی سازمان برای استقرار هوش تجاری، بررسی چالش های پیش روی سازمان ها دراستقرار هوش تجاری و آشنایی با مراحل استقرار هوش تجاری در سازمان هاست. نتایج این تحقیق میتواند اطلاعات بسیار مفیدی را دراختیار تصمیم گیرندگان و مدیران فناوری اطلاعات در سازمان ها قرار دهد تا شناخت کامل تری نسبت به ابعاد هوش تجاری پیدا کنند تا هزینه ها و احتمال شکست در استقرار هوش تجاری را کاهش دهند. در بخش پایانی، به بررسی دلایل عمده شکست پروژه های هوش تجاری پرداخته شده است.

كلمات كليدي: هوش تجاری ، تصمیم گیری ، داده کاوی.

 

 

1.       مقدمه

در پاسخ به این سوال که هوش تجاری یا هوش رقابتی یا هوش سازمانی یا هوش کسب و کار، از چه طریقی بدست می آید؟ و چگونه یک سازمان میتواند به سمت هوشمندی پیش برود تحقیقات و پژوهش های خوبی صورت گرفته است و ابزارهای بسیار متنوع و مناسبی برای این منظور خلق شده و توسعه یافته اند، اما پرسشی که همواره در این زمینه مطرح بوده است، در خصوص لزوم بکارگیری این ابزارها در عصر فناوری اطلاعات، زیرساخت های لازم برای بهر برداری لازم از این ابزارها و روش درست استفاده از آنهاست. فناوری اطلاعات ابزارهای مختلفی را در عرصه های مختلف در اختیار ذینفعان قرار داده است و برای استفاده از این ابزارها، لازم است که ابتدا یک همسویی و مشارکت استراتژیک و موثر میان کسب و کار و فناوری اطلاعات در سازمان شکل بگیرد تا از این رهگذار، فناوری اطلاعات وارد چرخه مدیریت و بهبود کسب و کار گردد.

این همسویی و مشارکت منجر به تغییر فرهنگ سازمانی، و بهبود روند اجرای فرآیند های حیاتی سازمان ها میگردد و در نهایت منجر به ایجاد سازمانی هوشمند و یادگیرنده میگردد.[4]

هوش تجاری از آنجایی که مستقیما با داده ها و اطلاعات سروکار دارد و ویژگی اصلی آن کشف و استخراج و نمایش دانش آشکار  و پنهان موجود در این داده ها و اطلاعات ظاهرا قدیمی و زائد است، نیاز به ایجاد بستر و زیرساخت فنی دارد. زیر ساختی که بتواند داده های موجود در زیر سیستم های جزیره ای یک سازمان را که با چهارچوب ها و ابزارهای متفاوتی توسعه یافته اند، تجمیع و یکپارچه کند وزمینه بروز هوشمندی را در سازمان مهیا کند.

اما برای حرکت به سمت ایجاد زیر ساخت ها، نیاز به ارزیابی آمادگی سازمان برای بکار گیری این ابزارها وجود دارد. متاسفانه بسیاری از شکست هایی که در پروژه های استقرار هوش تجاری در سازمان ها مشاهده شده است، بدلیل عدم وجود آمادگی سازمانی برای پذیرش و اعمال تغییرات مورد نیاز در سازمان هاست.[6] حتی در برخی موارد ارزیابی آمادگی سازمان، میتواند منجر به اخذ تصمیماتی گردد که نه تنها باعث تسهیل روند استقرار هوش تجاری در سازمان گردد، بلکه باعث اثربخشی بیشتر آن نیز باشد.

به عنوان مثال استقرار نظام مدیریت دانش و تلاش برای به حرکت درآوردن چرخه خلق دانش و جمع آوری دانش پنهان سازمان  که امروزه بزرگترین سرمایه سازمان هاست، و ایجاد فرآیند تبدیل آن به دانش صریح و بالعکس و ترکیب دانش ها با یکدیگر که منجر به بروز خلاقیت و ایجاد حکمت در سازمان میگردد، میتواند زیر بنای محکمی برای استقرار هوش تجاری باشد. در واقع میتوان گفت استفاده کامل از ابزارهای هوش تجاری، در گرو استقرار مدیریت دانش در سازمان هاست و تحقق مدیریت دانش، متضمن هوشمندی سازمان هاست.[7]

2.     ضرورت های استقرار هوش تجاری در سازمان ها

ضرورت استقرار هوش تجاری در سازمان ها در عصر دانایی و در جامعه اطلاعاتی از ابعاد مختلف قابل بررسی است، از دیدگاه مدیریت ارشد استفاده از ابزارهای هوش تجاری برای تحلیل وضعیت جاری سازمان، تعیین اهداف کوتاه مدت، بلند مدت و کنترل شاخص های عملکرد ضروری بنظر میرسد ، از دیدگاه مدیریت اجرایی برای اتخاذ تصمیمات در فضاهای عدم اطمینان و ابهام و پیش بینی و تخمین نتایج اتخاذ تصمیمات،  از دیدگاه مدیریت مالی برای رصد کردن و کنترل گزارش های مالی و شاخص های عملکردی، از دیدگاه مدیریت زنجیره تامین برای کنترل و بهبود روابط با تامین کنندگان و شرکاء سازمان، از دیدگاه مدیریت ارتباط با مشتریان برای شناسایی، دسته بندی، سیاستگذاری و بهبود ارتباط با مشتریان سازمان و...

با توجه به تحقیقات انجام شده، ضرورتهای استفاده از هوش تجاری در سازمان ها را میتوان بصورت زیر دسته بندی کرد:[1]

１. مهمترين نياز يك مدير، داشتن اطلاعات دقيق براي اتخاذ تصميم درست است عوامل زير در تصميم گيري استراتژيك يك سازمان مؤثر مي باشند:

-       دسترسي، جمع آوري و پالايش داده ها و اطلاعات مورد نياز.

-       پردازش، تحليل و نتيجه گيري بر اساس دانش.

-       اعمال نتيجه و نظارت بر پيامدهاي اجراي آن.

سازمان هايي با مديريت قديمي كه از هوش سازماني استفاده نمي كنند در تصميم گيري ها معمولاً با مشكلات مختلفي روبرو هستند از جمله داشتن داده هاي حجيم، پيچيدگي تحصيل آنها و عدم توانايي پيگيري فرآيندها و نتايج تصميمات گرفته شده و لذا تصميمات اشتباه در اين سازمان ها نتايج خود را به طور روشن نشان نمي دهد و يا ديرهنگام نشان مي دهد اين سازمانها نگاهي جامع از وضعيت جاري و آينده خود ندارند.

２.  ضرورت ديگر استفاده از هوش سازماني، نياز به مديريت دانش در سازمانها است . سازمانها نياز به مديريت هوشمند اسناد و مدارك خود دارند همچنين داده های مؤسسات تحقيقاتي كه به منزلة دارايي اصلي آن سازمانها مي باشند نياز به مديريت دارد. هوش سازماني باعث مديريت بهتر اين داده ها مي شود. از آنجا كه سازمانها نياز دارند خودشان را با دانش روز تطبيق داده و همواره بروز باشند و خود را بر اساس شرايط مخاطبين و بازار و شرايط جديد خارج از سازمان هماهنگ سازند بحث آموزش مستمر كاركنان و حافظه سازماني در نگهداري و استفاده از آموزش هاي سازماني بسيار پر اهميت است و هوش سازماني به عنوان يك ضرورت در اينجا مطرح مي شود و باعث افزايش بهره وري آموزشي و حفظ دانش سازمان مي شود.[8] 

3.    پیش نیازهای استقرار هوش تجاری در سازمان ها

اغلب مدیران و تصمیم گیرندگان فناوری اطلاعات، هنوز معیار درستی برای دستیابی به تصمیم درست و بهنگام استقرار هوش تجاری در سازمانشان ندارند. دلیل اصلی این مشکل، عدم اطلاع کافی آنها از پیش نیازهای استقرار هوش تجاری در سازمانهاست. پاسخ به این سوال که "پیاده سازی هوش تجاری در سازمان ما مستلزم وجود چه پیش نیازهایی است؟ چه امکانات و زیر ساخت های فناورانه ای مورد نیاز است؟ و چه میزان دانش و تخصص  نیروی انسانی متخصص لازم  و کافی خواهد بود؟ فرهنگ سازمانی متناسب برای استقرار موفق هوش تجاری در سازمان کدام است ؟با چه ابزارها و تکنیک هایی میتوان میزان آمادگی سازمان را برای استقرار موفق هوش تجاری اندازه گرفت؟ و در مجموع سیاست و رویکرد اصلی سازمان نسبت به استقرار هوش تجاری باید به چه صورت باشد؟" اگر پاسخی برای این پرسش ها بدست آید، مدیران میتوانند تصمیات درست تر و منطقی تری اتخاذ کنند و به این ترتیب ضریب شکست پروژه های استقرار هوش تجاری در سازمان ها پایین خواهد آمد.

استقرار سیستم های هوش تجاری، برای سازمان هایی مناسب است که در آنها فرهنگ کاری و فرآیندهای کاری با اطلاعات و فناوری اطلاعات هماهنگی داشته باشد. چند نمونه از مهمترین شاخص های این هماهنگی عبارتند از:

-         وجود تحقیقات و بررسی های مداوم و مستمر درباره نیازهای اطلاعاتی سازمان (نیازهای فعلی و آتی)

-         همکاری و ارتباط مبتنی بر اعتماد میان کاربران فناوری اطلاعات سازمان مانند تصمیم‌گیرندگان و کارکنان عملیاتی سازمان با کارمندان و فعالان فناوری اطلاعات و مراکز مدیریت دانش در سازمان.

-         وجود و نهادینه شدن فرهنگ  اشتراک گذاری اطلاعات، دانش و تجربیات در سازمان

-         درک نیاز، تمایل و توانایی در انجام فراتحلیل‌ها و استفاده از آنها نزد مدیران سازمان جهت مدیریت بهتر سازمان.

سازمان ها برای استقرار هوش تجاری بیش از هر مساله دیگری باید نگران زیرساخت های فنی باشند. مشارکت موثر فناوری اطلاعات و کسب و کار سازمان در هوش تجاری بسیار  مهم است. این مشارکت تنها به معنی انجام وظایف مربوط به استقرار هوش تجاری نیست، بلکه به معنای کمک فناوری اطلاعات به بهبود کسب و کار و پیشرفت سازمان در قالب استقرار هوش تجاری است. امروزه سازمان هایی که موفق بهره برداری مناسب از فناوری اطلاعات شده اند به مراتب هوشمند تر و موفق تر هستند.[6]

در شکل زیر مدل مشارکت موثر فناوری اطلاعات وکسب و کار سازمان ارائه شده است: شکل ۱

 

شکل۱  - مدل مشارکت موثر کسب و کار سازمان با فناوری اطلاعات برای استقرار هوش تجاری در سازمان[6]

 

ابزارهای هوش تجاری، طیف وسیعی از خدمات را ارايه میدهند، از گزارشات ساده گرفته تا امکان نفوذ در داده ها برای تحلیل های مورد نیاز مدیران در یک صنعت خاص یا یک محیط عملیاتی. هنگامی که قصد انتخاب استراتژی را داریم باید به ۲ سوال پاسخ بدهیم :

１.   چه نوع داده هایی برای تحلیل های ما مورد نیاز است؟ و از چه منبعی باید این داده را تامین کرد؟

２.   تجزیه و تحلیل داده توسط چه کسی باید انجام شود و نتایج حاصل از تحلیل ها به چه صورت باید ارايه شود؟

ارايه پاسخ روشن به این ۲ پرسش مسیر حرکت سازمان را برای استقرار هوش تجاری روشن میکند.

پیش نیازها و مراحل فنی  استقرار هوش تجاری عبارتند از:

3.1.                    سخت افزارهای مورد نیاز برای ذخیره سازی اطلاعات و انجام محاسبات

ارتقاء زیرساخت های ذخیره سازی داده ها(شبکه ذخیره سازی، ملحقات شبکه ذخیره سازی،مدیریت ذخیره سازی سلسله مراتبی)

3.2.                   نرم افزارهای کاربردی و منابع داده

نرم افزارها بایدسازماندهی شوند. مشکل انتقال و ارتباط و تجمیع داده ها در نرم افزارهای مختلف حل شود(CRM , SCM ,ERP)

3.3.                  تجمیع داده ها

نرم افزار واسطی ایجاد شود که تمام انواع پروتکل ها، واسط های کاربری، و مدل های اشیاء و ساختار داده ها برای ارتباط نرم افزارهای مختلف با یکدیگر را پوشش دهد. برای این امر نیاز به سرمایه گذاری در بخش اتصال سیستم هاست که امکان تجمیع اطلاعات از انبار های مختلف داده را فراهم میکنند و طی کردن فرآیند ETL که با اتصال به چندین منبع داده مختلف ، داده ها را بدست میآورد و سپس در یک انبار داده همه را مجتمع میکند.

3.4.                  پایگاه های داده رابطه ای و انبار داده ها:

سازمان نیاز به جمع آوری داده های موجود در پاسگا های داده رابطه ای موجود در سازمان در یک انبار داده دارد که اطلاعات تاریخی سازمان  را جمع آوری و طبقه بندی نماید. این فرآیند به کاربران سازمان فدرت زیادی در تجزیه و تحلیل و استخراج اطلاعات مورد نیاز را خواهد داد.

3.5.                  پردازشهای تحلیلی آنلاین و موتور های تجزیه و تحلیل اطلاعات:

نرم افزارهای پردازشهای تحلیلی آنلاین یک لایه جداساز بین انبارهای داده مختلف سازمان و کاربران نهایی سیستم ایجاد میکنند و امکان دستیابی به امکانات زیادی را برای کاربران فراهم میکنند.

3.6.                   نرم افزارهای کاربردی تحلیلی:

نرم افزارهایی که امکان نفوذ در دادها و تجزیه و تحلیل آنها را میسر میسازند.

3.7.                  نمایش اطلاعات و تحویل نتایج:

نتایج درخواست ها به طرق مختلفی میتواند به کاربران ارائه شود. ابزار داشبورد، ابزارهای گزارش گیری مثل کریستال ریپورت و ابزارهای سیار مثل گوشی موبایل و...

4.     چالشهای استقرار هوش تجاری در سازمان ها

چالش عمده سازمان ها در استقرار هوش تجاری، بحث یکپارچگی و تجمیع داده های سازمان در قالب انبار داده است. معمولا داده ها در یک سازمان توسط نرم افزارها و سیستم های اطلاعاتی مختلفی جمع آوری میشوند و همین موضوع باعث مشکل شدن کار تجمیع داده ها میشود. ۹۰٪ از پرژه های انبار داده در سازمان ها که با شکست مواجه شده اند، از همین مشکل رنج میبرده اند[4]

وقتی انبار داده مورد نظر سازمان به تمام زیر سیستم ها و نرم افزارهای سازمان وابسته باشد، در صورت بروز مشکل در یک سیستم، کل پروژه دچار و شکست خواهد شد و این اصلا ریسک مناسبی در اجرای پروژه نمیباشد. بنابراین راه حل مناسب، شکستن برنامه های بزرگ  وابسته به قطعات کوچکتر مستقل است،با این روش  ، شکست یک عنصر، منجر به شکست کل برنامه نمیشود. برای سازمان های بزرگ با منابع داده و سیستم های اطلاعاتی مختلف، مدل زیر پیشنهاد میگردد: شکل ۲

در این مدل، انبارداده هایی وجود دارند(انبار داده، بازارهای داده، منابع ذخیره سازی دادهای عملیاتی)، صدها نرم افزار و برنامه کاربردی وجود دارند که باید انبار های داده را تغذیه نمایند. یک لایه تجمیع داده و یک لایه هوش تجاری نیز دیده شده است.

 

شکل ۲ -مدل تجمیع داده ها در انبارهای داده سازمان های بزرگ [4]

برای یک سازمان بزرگ، برای هر یک از زیر سیستم ها یک انبار داده مجزا در سطح منطقه عملیاتی یا سازمانی خودش در نظر گرفته شده است. که خودش شامل بخش خروجی و گزارشات مخصوص به همان زیر سیستم یا نرم افزار میباشد. هر کدام از این زیر سیستم ها خودشان یک پروژه کامل به حساب می آیند چراکه شامل تمام اجزای پروژه اصلی هستند.

اما برای اتصال زیر سیستم ها از نظر داده ها و تجمیع انها، باید به سراغ استفاده از مستر دیتا یا داده های اصلی سیستم رفت.

داده های اصلی ، که ممکن است شامل داده های مرجع باشد، اطلاعات کلیدی برای بهره برداری از کسب و کار هستند . این اطلاعات کلیدی کسب و کار ممکن است شامل اطلاعات در مورد مشتریان ، محصولات ، کارکنان ، مواد ، تامین کنندگان ، و غیره باشد.در این راستا ، داده ها اصلی می توانند عملیات و فرآیندهای تراکنشی و پشتیبانی زیر سیستم های مختلف را تسهیل کنند.

برای استفاده از داده های اصلی، بعد از شناخت انها لازم است که مدیریت و کارشناس ارشد اطلاعات سازمان آنها را بدرستی طبقه بندی و آماده بهره برداری کند بطوریکه شامل داده های تکراری یا نا معتبر نباشند. این داده ها میتواند مورد توافق نظر در سطح سازمان قرار بگیرد و در تمام زیر سیستم های مورد استفاده باشد.

5.     معماری هوش تجاری در سازمان

 معماری CIF  (Corporate Information Factory) که برای پوشش ضعف موجود در سیستم های EIS که همان مشکل ضعف در استفاده از یک منبع داده بود بوجود آمده است.  CIF يک معماري ادراکي پذيرفته شده ( در سطح وسيع ) است که انباره هاي اطلاعاتي اي که در اجرا و مديريت يک زيرساخت محکم و موفق هوش تجاري مورد استفاده قرار مي گيرند، را توصيف و طبقه بندي مي کند. این معماری بر مبنای تفکیک کل داده های سازمان به 5 پایگاه داده عمده بوجود می آید که عبارتند از:[9]

·         پايگاه هاي داده سيستم اجرايي  (The Operational System Databases)،

·         پايگاه داده تحليلي (Data warehouse)،

·         انباره داده اجرائي (The Operational Data Store)،

·         پايگاه هاي داده تحليلي خرد (Data Marts)،

·         پايگاه هاي داده عملِياتي خرد (Oper Marts).

و در مرحله بعد عملیات يکپارچه سازي فرآيندهای سازمان و کسب وکار به منظور انتقال کارا و موثر داده از سيستم هاي منبع موجود به کاربران تجاري انجام میشود. فرآیند های کسب و کار را در سه گروه اصلی طبقه بندی میکند که عبارتند از:

·         فرآیندهای عمليات تجاري (Business operations): فرآیندهایی که با اطلاعات  عمليات روزانه و جاري سازمان در ارتباطند.   

·         فرآیندهای هوش تجاري (Business intelligence): فرآیندهایی که با جستجوي مداوم براي درک بهتر سازمان، ورودی های سازمان آن و خروجی های آن، تامین کنندگان و مشتریان و کلیه ذینفعان آن در ارتباط است. فرآيندهاي عمليات تجاري ايستا هستند، در حاليکه فرآیندهای هوش تجاري علاوه برفرآيندهاي ايستا، شامل فرآيندهايي است که همواره در حال تکامل اند و باید دائما مورد بررسی قرار گیرند.

·         فرآیندهای مديريت تجاري (Business management): فرآيندي است که در آن دانشها و بينشهاي جديدي که در هوش تجاري ايجاد مي شوند، در عمليات تجاري روزانه در سرتاسر سازمان معرفي و اجرا مي شوند، فرآیندهای مديريت تجاري تصميمات تاکتيکي که يک سازمان اتخاذ مي کند را در بر مي گيرد و ارزش فوق العاده زیادی برای سازمان دارند و هر میزان که استقرار هوش تجاری در سازمان به بهینه شدن تصمیمات در این سطح کمک کند، ارزش های این نوع سیستم ها بیشتر و بیشتر مشخص خواهد شد.   

در این معماری دو مولفه اصلی وجود دارد که عبارتند از :

5.1.                    دريافت داده (Getting Data In):

 شامل فرآيندها و پايگاه هاي داده اي است كه درگير اخذ داده از سيستم هاي اجرائي، يكپارچه سازي آن، پاكسازي آن و قرار دادن آن در يك پايگاه داده براي استفاده آسان هستند و عبارتند از:

·         پايگاه هاي داده سيستم اجرايي (The Operational System Databases)،

·         پايگاه داده تحليلي (Data warehouse)،

·         انباره داده اجرائي (The Operational Data Store)،

·         اخذ دانش (Data Acquisition)

5.2.                   پس دادن اطلاعات(Getting Information Out) :

 شامل فرآيندها و پايگاه هاي داده اي است که درگير ارائه هوش تجاري به مشتريان تجاري نهايي يا تحليل گران اند و عبارتند از:

·         پايگاه هاي داده تحليلي خرد (Data Marts)،

·         پايگاه هاي داده عملِياتي خرد (Oper Marts)،

·         داده رساني  .(Data delivery)

5.3.                  مراحل استقرار هوش تجاری [11]

1- آماده­سازي (ETL)

        استخراج داده

        پاك­سازي داده

        بايگاني كردن داده قبل و بعد از پاك­سازي

2- يكپارچگي(Integrity)

        تطبيق داده و يكپارچگي چند منبع داده­اي

3- تحليل سطح بالا

        محاسبه ديدهاي تحليلي از ديدهاي پايه - ايجاد پارامترهاي تحليلي

4- خصوصي­سازي

        استخراج و خصوصي سازي اطلاعات - ايجاد پايگاه داده تحليلي خاص

هر یک از این مراحل، توسط افراد خاصی باید انجام شود. در واقع تخصص های مورد نیاز برای انجام هر یک از مراحل فوق با هم دیگر فرقق می کند.

باید توجه داشت که تقریبا از مرحله اول نیازمند وجود Repository  برای ذخیره meta data ها هستیم. همچنین ممکن است در مراحل آخر نیازمندی جدیدی برای مرحله ETL[3] پیش آید که در این صورت نیازمند انجام مجدد مراحل اولیه هستیم.

6.     دلایل شکست پروژه های هوش تجاری

پروژه های هوش تجاری، از آنجایی که بیش از همه انواع پروژه های فناوری اطلاعات در سازمان ها وابسته به لایه های زیر ساختی میباشد، توجه بیشتری را متوجه زیرساخت ها میکند. همچنین با توجه به اینکه خروجی استقرار هوش تجاری در سازمان ها بصورت مشخص و واضح قابل سنجش و اندازه گیری نیست، اغلب مدیران را دچار مشکلاتی میکند. با بررسی اخیری که توسط شرکت خدماتی و مشاوره KPMG انجام شده، 6 عامل اصلی شکست پروژه های فناوری اطلاعات به صورت زیر بیان شده است:[2]

1-     برنامه ریزی ضعیف پروژه  2- طرح توجیهی ضعیف 3- عدم درگیری و پشتیبانی مدیریت ارشد4- عدم درگیری کاربر 5- تازه بودن تکنولوژی برای سازمان 6- عدم از خود دانستن پروژه

تمام موارد فوق برای پروژه های هوش تجاری وجود دارد و باید مورد توجه قرار گیرد بویژه بحث تازه بودن تکنولوژی برای سازمان، اما طی تجربیات و پژوهش هایی که توسط شرکت های فعال در این حوزه انجام شده، موارد اجرایی که منجر به شکست پروژه های هوش تجاری شده اند را نیز میتوان در ۸ مورد اصلی دسته بندی کرد:[3]

6.1.                     ﻋﺪﻡ ﺣﻤﺎﻳﺖ ﻣﺪﻳﺮﻳﺖ ﺍﺭﺷﺪ: 

ﺩﺭ ﺻــﻮﺭﺗﻲ ﻛــﻪ ﻣــﺪﻳﺮﻳﺖ ﻣﺮﺍﺣﻞ ﺍﺳﺘﻘﺮﺍﺭ ﺍﻧﺒﺎﺭ ﺩﺍﺩﻩ ﻭ ﻫــﻮﺵ ﺗﺠ ﺎﺭﻱ ﺭﺍ ﺩﺭﻙ ﻧﻜﻨﺪ ﻭ ﻳــﺎ ﺍﺯ ﻣﺰﺍﻳ ﺎﻱ ﺁﻥ ﺑــﻲﺧﺒﺮ ﺑﺎﺷﺪ، ﺁﻥ ﭼﻨﺎﻥ ﻛــﻪ ﻻﺯﻡ ﺍﺳﺖ ﺑﻪ ﭘﺮﻭﮊﻩ ﺍﻫﻤﻴـﺖ ﺩﺍﺩﻩ ﻧﻤـﻲﺷـﻮﺩ ﻭ ﭘـﺮﻭﮊﻩ ﻣـﺪﺍﻡ ﺑـﻪ ﺗﻌﻮﻳـﻖ ﻣـﻲﺍﻓﺘـﺪ. ﻣـﺪﻳﺮﺍﻥ ﺍﺟﺮﺍﻳﻲ ﺑﺎﻳــﺪ ﺑﺪﺍﻧﻨﺪ ﻛــﻪ ﺍﺳﺘﻘﺮﺍﺭ ﻫــﻮﺵ ﺗﺠﺎﺭﻱ ﻓﻘﻂ ﺷــﺎﻣﻞ ﻣﺮﺍﺣﻞ ﺍﺳﺘﻘﺮﺍﺭ ﻓﻨﻲ ﻧﻤﻲﺷــﻮﺩ ﻭ ﻣﻤﻜﻦ ﺍﺳﺖ ﻣﻨﺠﺮ ﺑــﻪ ﺗﻐﻴﻴﺮ ﺩﺭ ﻓﺮﺍﻳﻨﺪﻫﺎ ﻭ ﻛﺴﺐﻭﻛﺎﺭ ﺳــﺎﺯﻣﺎﻥ ﮔــﺮﺩﺩ.  ﺯﻳﺮﺍ ﺑﺮﺍﻱ ﺍﻳﻨﻜﻪ ﺳـﺎﺯﻣﺎﻥ ﺑﺘﻮﺍﻧـﺪ ﺍﺯ ﺗﻤـﺎﻡ ﻣﺰﺍﻳـﺎﻱ ﻫـﻮﺵ ﺗﺠـﺎﺭﻱ ﺑﻬـﺮﻩﻣﻨـﺪ ﮔـﺮﺩﺩ ﺑﺎﻳـﺪ ﺍﺯﺗﻤﺎﻡ ﺧﺮﻭﺟﻲﻫﺎﻱ ﻫﻮﺷﻤﻨﺪﻱ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﺪ ﻭ ﺭﻭﺵ ﺍﺩﺍﺭﻩ ﻛﺴﺐﻭﻛﺎﺭ ﺭﺍ ﺗﻐﻴﻴﺮ ﺩﻫﺪ.  

6.2.                    ﺷﻨﺎﺳﺎﻳﻲ ﺿﻌﻴﻒ ﻧﻴﺎﺯﻣﻨﺪﻱﻫﺎﻱ ﺳﺎﺯﻣﺎﻥ:

ﻳﻜﻲ ﺍﺯ ﻣﻬﻢﺗــﺮﻳﻦ ﮔــﺎﻡﻫــﺎ، ﻛــﻪ ﻏﺎﻟﺒ ﺎ ﻧﺎﺩﻳﺪﻩ ﮔﺮﻓﺘﻪ ﻣــﻲﺷــﻮﺩ، ﻣﺮﺣﻠﻪ ﺟﻤﻊﺁﻭﺭﻱ ﻧﻴﺎﺯﻣﻨﺪﻱﻫــﺎﻱ ﻛﺴﺐﻭﻛﺎﺭ ﺍﺳﺖ.

ﺑﺴــﻴﺎﺭﻱ ﺍﺯ ﺳــﺎﺯﻣﺎﻥﻫــﺎ ﺑﻌــﺪ ﺍﺯ ﺍﺗﻤــﺎﻡ ﻣﻌﻤــﺎﺭﻱ انبار داده، ﺍﺯ ﻛــﺎﺭﺑﺮﺍﻥ ﻧﻬــﺎﻳﻲ ﺟﻬــﺖ ﻧﻈﺮﺳــﻨﺠﻲ ﺍﺭ ﻧﺘــﺎﻳﺞ ﻃــﺮﺡ ﺩﻋــﻮﺕ ﻣـﻲﻛﻨﻨـﺪ، ﺩﺭ ﺣﺎﻟﻴﻜـﻪ ﻧﻈـﺮ ﺍﻓـﺮﺍﺩ ﻣﻲﺑﺎﻳﺴـﺖ ﻗﺒـﻞ ﺍﺯ ﻣﻌﻤـﺎﺭﻱ ﻭ ﻃﺮﺍﺣـﻲ انبار داده ﮔﺮﻓﺘﻪ ﻣــﻲﺷــﺪ. ﺑــﻪ ﻣﻨﻈﻮﺭ ﺟﻤـﻊﺁﻭﺭﻱ ﻧﻴﺎﺯﻣﻨـﺪﻱﻫـﺎ ﺩﺭ ﻓـﺎﺯ ﺷــﻨﺎﺧﺖ ﭘــﺮﻭﮊﻩ، ﺩﺭﮔﻴــﺮ ﻛــﺮﺩﻥ ﻛﺎﺭﺑﺮﺍﻥ، ﺍﺯ ﺍﻣـﻮﺭ ﺑـﻲﭼـﻮﻥﻭﭼـﺮﺍ ﺟﻬـﺖ ﺗﻀـــﻤﻴﻦ ﺑـــﺮﺍﻱ ﭘـــﻲ ﺑـــﺮﺩﻥ ﺑـــﻪ ﻧﻴﺎﺯﻣﻨـﺪﻱﻫــﺎﻱ ﻭﺍﻗﻌﻲ ﻛــﺎﺭﺑﺮﺍﻥ ﺍﺳﺖ.

6.3.                   ﻃﺮﺍﺣﻲ ﺿﻌﻴﻒ: 

ﮔــﺎﻡ ﮐﻠﻴﺪﻱ ﺑﻌﺪﻱ ﻃﺮﺍﺣﻲ ﻣﻌﻤﺎﺭﻱ ﻫــﻮﺵ ﺗﺠﺎﺭﻱ ﺍﺳﺖ. ﻧﮑﺘــﻪ ﻣﻬﻢ ﺍﻳﻦ ﺍﺳﺖ ﮐــﻪ ﺍﺯ ﺍﻓﺮﺍﺩﻱ ﺍﺳ ﺘﻔﺎﺩﻩ ﺷــﻮﺩ ﮐــﻪ ﺩﺭ ﺍﻳﻦ ﺯﻣﻴﻨﻪ ﺗﺠﺮﺑﻪ ﺩﺍﺭﻧﺪ. ﺑﺎﻳﺪ ﺍﺯ ﻃﺮﺍﺣﺎﻥ ﻭ ﺗﻮﺳﻌﻪﺩﻫﻨﺪﮔﺎﻧﻲ ﺍﺳﺘﻔﺎﺩﻩ ﺷــﻮﺩ ﮐــﻪ ﺩﺍﺭﺍﻱ ﺁﻣﻮﺯﺵﻫــﺎﻱ ﻻﺯﻡ ﺑــﺮﺍﻱ ﺍﻳﺠﺎﺩ انبار داده ﻫﺴﺘﻨﺪ ﻭ ﺗﻨﻬﺎ ﺗﺠﺮﺑﻪ ﺍﻳﺠﺎﺩ ﭘﺎﻳﮕﺎﻩ ﺩﺍﺩﻩ ﮐــﺎﻓﻲ ﻧﻴﺴﺖ. ﺯﻳﺮﺍ ﻓﺮﺍﻳﻨﺪ انبار داده ﺷــﺎﻣﻞ ﺍﺳﺘﺨﺮﺍﺝ ﺩﺍﺩﻩﻫــﺎ ﺍﺯ ﻳــﮏ ﻳــﺎ ﭼﻨﺪ ﺑﺮﻧﺎﻣﻪ ﻣﺮﮐﺰﻱ ﻭ ﺗﺒﺪﻳﻞ ﺩﺍﺩﻩﻫــﺎ ﺑــﻪ ﻓﺮﻣﺘﻲ ﻗﺎﺑﻞﺍﺳﺘﻔﺎﺩﻩﺗــﺮ ﺍﺳﺖ.

6.4.                   ﻓﻘﺪﺍﻥ ﺁﻣﻮﺯﺵ: 

ﺑﻌـــﺪ ﺍﺯ ﺗﮑﻤﻴـﻞ انبار داده ، ﻣﻮﻓﻘﻴـﺖ ﺑـــﻪ ﺍﻳـﻦ ﺑﺴـــﺘﮕﻲ ﺩﺍﺭﺩ ﮐـــﻪ انبار داده ﺑـــﺮﺍﻱ ﺳـــﺎﺯﻣﺎﻥ ﭼﮕﻮﻧــﻪ ﺭﻭﻧﻤــﺎﻳﻲ ﺧﻮﺍﻫــﺪ ﺷــﺪ. ﺑﺴــﻴﺎﺭﻱ ﺍﺯ ﺷــﺮﮐﺖﻫــﺎ ﺩﺭ ﺍﻳــﻦ ﮔــﺎﻡ ﻣﺸــﮑﻞ ﺩﺍﺭﻧــﺪ ﻭ ﻣﻌﻤﻮﻻ ﺍﻳﻦ ﺑﺎﻋﺚ ﻣــﻲﺷــﻮﺩ ﮐــﻪ ﺍﺳــﺘﻘﺮﺍﺭ انبار داده ﺑــﻪ ﺷﮑﺴــﺖ ﺑﻴﻨﺠﺎﻣــﺪ. ﺍﺻــﻠﻲﺗــﺮﻳﻦ ﺩﻟﻴـﻞ ﮐـﻪ ﺑـﻪ ﻧﻈـﺮ ﻣـﻲﺭﺳـﺪ، ﻓﻘـﺪﺍﻥ ﺁﻣﻮﺯﺵﻫــﺎﻱ ﮐــﺎﻓﻲ ﺍﺯ ﺳــﻮﻱ ﺷــﺮﮐﺖ ﺑــﺮﺍﻱ ﮐــﺎﺭﺑﺮﺍﻥ ﺍﺳــﺖ. ﺑﺠــﺎﻱ ﺁﻣــﻮﺯﺵ ﺁﻥﻫــﺎ ﺑــﺎ ﺟﺰﺋﻴﺎﺕ ﺩﻗﻴﻖ، ﺑــﻪ ﻳـﮏ ﻣــﺮﻭﺭ ﺍﺟﻤﺎﻟﻲ ﺍﮐﺘﻔﺎ ﻣـﻲﮐﻨﻨﺪ.

6.5.                   ﻋﺪﻡ ﻣﻮﻓﻘﻴﺖ ﺩﺭ ﮔﺴﺘﺮﺵ ﺩﺍﺩﻥ ﺑﻪ ﻭﺳﻴﻠﻪ data mart ﻫﺎ: 

ﺑﻌﺪ ﺍﺯ ﺍﻳﻦ ﮐﻪ انبار داده ﺍﻭﻟﻴﻪ ﺳـﺎﺧﺘﻪ ﺷـﺪ، ﺑـﻪ ﻧﻈـﺮ ﻣـﻲﺭﺳـﺪ ﮐـﻪ ﮐـﺎﺭ ﺗﻤـﺎﻡ ﺷـﺪﻩ ﺍﺳـﺖ. ﻣﻌﻤـﻮﹰﻻ ﻣﺮﺣﻠـﻪ ﺑﻌـﺪ ﮐـﻪ ﻣﺸـﺨﺺ ﮐﺮﺩﻥ ﻳﮏ ﻃﺮﺡ ﺟﻬـﺖ ﺍﺳـﺘﻔﺎﺩﻩ ﺍﺯ ﺩﺍﺩﻩﻫـﺎﻱ ﺩﺭﻭﻥ انبار داده ﺍﺳـﺖ،ﻓﺮﺍﻣـﻮﺵ ﻣـﻲﺷـﻮﺩ. ﺗﻮﺻـﻴﻪ ﻣـﻲﺷـﻮﺩ ﮐـﻪ ﺑـﺮﺍﻱ ﺗﺴـﻬﻴﻞﺍﻧﺠـﺎﻡ ﻭﻇـﺎﻳﻒ ﮐـﺎﺭﺑﺮﺍﻥ ﻧﺴـﺒﺖ ﺑـﻪ ﺳـﺎﺧﺖ ﻫﻤﺒﺴـﺘﻪﻫـﺎ ﻳـﺎ data mart ﻫـﺎ ﺍﻗـﺪﺍﻡ ﺷـﻮﺩ. data mart ﻫـﺎ ﻣـﻲﺗﻮﺍﻧﻨـﺪ ﺑﺮﺍﻱ ﺳـﺎﺧﺖ ﻳـﮏ ﻣـﺪﻝ ﺑﺴـﻴﺎﺭ ﺳـﺎﺩﻩﺷـﺪﻩﺗـﺮ ﺍﺯ ﺩﺍﺩﻩﻫـﺎ ﺑـﻪ ﮐـﺎﺭ ﺭﻭﻧـﺪ. data mart ﻣـﻲﺗﻮﺍﻧـﺪ ﺩﺍﺭﺍﻱ ﺧﻼﺻـﻪﺳـﺎﺯﻱﻫـﺎ، ﻣﺤﺎﺳﺒﺎﺕ ﻭ ﺗﻐﻴﻴﺮ ﻧــﺎﻡ ﺩﺍﺩﻩﻫــﺎ ﺑﺎﺷﺪ، ﺑــﻪ ﻧﺤﻮﻱ ﮐــﻪ ﮐــﺎﺭﺑﺮﺍﻥ ﺭﺍﺣﺖﺗــﺮ ﺑﺘﻮﺍﻧﻨﺪ ﺑــﻪ ﺍﻃﻼﻋﺎﺕ ﻣــﻮﺭﺩ ﻧﻴﺎﺯﺷﺎﻥ ﺩﺳﺘﺮﺳﻲ ﺩﺍﺷﺘﻪ ﺑﺎﺷﻨﺪ. ﺍﺯ ﺁﻧﺠﺎﻳﻲ ﻛــﻪ data mart ﻫــﺎ ﺩﺳﺘﺮﺳﻲ ﻣﻨﺎﺳﺐﺗــﺮ ﺑــﻪ ﺍﻃﻼﻋﺎﺕ ﺑــﺮﺍﻱ ﻛــﺎﺭﺑﺮﺍﻥ ﻓــﺮﺍﻫﻢ ﻣــﻲﻛﻨﻨﺪ ﻭ ﺑﺎﻋﺚ ﻣــﻲﺷــﻮﺩ ﻛــﻪ ﺣﺠﻢ ﺑــﺎﺭ ﺩﺍﺩﻩﻫــﺎ ﺑــﺮ ﺭﻭﻱ انبار داده ﻛــﺎﻫﺶ ﻳﺎﺑﺪ، ﻟــﺬﺍ ﻭﺟﻮﺩ ﺁﻧﻬﺎ ﺑــﺮﺍﻱ ﺍﻓﺰﺍﻳﺶ ﻛــﺎﺭﺍﻳﻲ ﺿــﺮﻭﺭﻱ ﻣــﻲﻧﻤﺎﻳﺪ. ﺩﺭ ﻧﺘﻴﺠﻪ ﻓﻘﻘﺪﺍﻥ date mart ﻫــﺎ ﻳــﺎ ﻋــﺪﻡ ﻃﺮﺍﺣﻲ ﻣﻨﺎﺳﺐ ﺁﻥﻫــﺎ ﻣــﻲﺗﻮﺍﻧﺪ ﭘــﺮﻭﮊﻩ ﺍﺳﺘﻘﺮﺍﺭ انبار داده ﺭﺍ ﺑــﺎ ﻣﺸﻜﻼﺕ ﻣﺘﻌﺪﺩﻱ ﻣﻮﺍﺟﻪ ﺳﺎﺯﺩ.  

6.6.                    ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍﺑﺰﺍﺭ ﻏﻠﻂ: 

ﺍﺯ ﺩﻻﻳﻞ ﺩﻳﮕﺮ ﺍﺳﺘﻘﺮﺍﺭ ﻧــﺎﻣﻮﻓﻖ ﺍﻧﺒﺎﺭﻩ ﺩﺍﺩﻩ ﻭ ﻫــﻮﺵ ﺗﺠﺎﺭﻱ ﺩﺭﺳــﺎﺯﻣﺎﻥﻫــﺎ ﺍﻧﺘﺨﺎﺏ ﺍﺑﺰﺍﺭ ﻧﺎﻣﻨﺎﺳﺐ ﻣــﻲﺑﺎﺷﺪ. ﺑــﺮﺍﻱ ﮐﺎﺭﺑﺮﺩﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺍﺑﺰﺍﺭﻫﺎﻱ ﻣﺘﻔﺎﻭﺗﻲ ﺩﺭ ﺍﺧﺘﻴﺎﺭ ﺍﺳﺖ. ﻣــﻲﺗــﻮﺍﻥ ﺑــﻪ ﻋﻨﻮﺍﻥ ﻣﺜــﺎﻝ ﺑــﻪ ﺍﺑﺰﺍﺭﻫﺎﻱ ETL، ﮔــﺰﺍﺭﺵﮔﻴﺮﻱ، ﺩﺍﺩﻩﮐــﺎﻭﻱ، OLAP ﻭ ﺍﺑﺰﺍﺭﻫﺎﻱ web-based ﻧﻈﻴﺮ ﺩﺍﺷﺒﻮﺭﺩﻫﺎ ﺍﺷﺎﺭﻩ ﮐــﺮﺩ. ﻧﮑﺘــﻪ ﻣﻬﻢ ﺍﻳﻦ ﺍﺳـﺖ ﮐـﻪ ﺑﺎﻳـﺪ ﺑـﺎ ﺩﻗـﺖ ﻭ ﺑﺮﺭﺳـﻲ ﺩﺭ ﻧﻴﺎﺯﻫـﺎﻱ ﮐـﺎﺭﺑﺮﺍﻥ، ﻣﺠﻤﻮﻋﻪ ﺍﺑﺰﺍﺭﻱ ﺍﻧﺘﺨﺎﺏ ﺷــﻮﺩ ﮐــﻪ ﺑــﻪ ﻋﻨﻮﺍﻥ ﻳــﮏ ﻣﮑﻤــﻞ ﺩﺭ ﺍﻧﺠﺎﻡ ﮐﺎﺭﻫﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ. ﺩﺭ ﺍﻳـﻦ ﺭﺍﺳـﺘﺎ ﭘﻴﺸـﻨﻬﺎﺩ ﻣـﻲﮔـﺮﺩﺩ ﺳـﺎﺯﻣﺎﻥ ﺩﺭ ﺍﺑﺘـﺪﺍﻱ ﭘـﺮﻭﮊﻩ ﻭ ﺑﻌﺪ ﺍﺯ ﺷﻨﺎﺧﺖ ﻧﻴﺎﺯﻣﻨـﺪﻱﻫـﺎ ﻭ ﻣﺤـﺪﻭﺩﻩ ﺍﺟـﺮﺍﻱ ﻃـﺮﺡ ﺍﻗـﺪﺍﻡ ﺑـﻪ ﺍﻧﺘﺨـﺎﺏ ﺍﺑﺰﺍﺭﻫـﺎﻱ ﻣﻨﺎﺳـﺐ ﺳـﺎﺯﻣﺎﻥ

6.7.                   ﺩﺍﺩﻩﻫﺎﻱ ﺑﻲﻛﻴﻔﻴﺖ: 

ﻳﻜﭙﺎﺭﭼﻪﺳـﺎﺯﻱ ﺩﺍﺩﻩﻫـﺎ ﺑﺎﻋـﺚ ﻣـﻲﺷـﻮﺩ ﻛـﻪ ﺁﻧﭽـﻪ ﻛـﻪ ﺩﺭ ﭘـﺎﺋﻴﻦﺗـﺮﻳﻦ ﺳـﻄﻮﺡ ﺳﺎﺯﻣﺎﻥ ﺍﺗﻔﺎﻕ ﻣـﻲﺍﻓﺘـﺪ ﻣﺸـﺨﺺ ﺷـﻮﺩ. ﮔﺰﺍﺭﺷـﺎﺗﻲ ﻛـﻪ ﻧﺘـﺎﻳﺞ ﻏﻠـﻂ ﻳـﺎ ﻧـﺎﻗﺺ ﺗﻮﻟﻴﺪ ﻣﻲﻛﻨﻨـﺪ ﺑـﻪ ﺍﺳـﺘﻘﺮﺍﺭ هوش تجاری ﻟﻄﻤـﻪ ﻭﺍﺭﺩ ﻣـﻲﻛﻨـﺪ. ﺭﺍﻩﺣـﻞ ﺍﻳـﻦ ﻣﺸـﻜﻞ ﻧﻈـﺎﺭﺕ ﺑﺮ ﺩﺍﺩﻩﻫﺎ ﻭ ﻧﻈﺎﺭﺕ ﺑﺮ ﻛﺴﺐﻭﻛﺎﺭ ﺍﺳﺖ. بر خلاف عقیده بسیاری از کارشناسان که هوش تجاری را یک پروژه زودبازده قلمداد میکنند، به نظر میرسد استقرار هوش تجاری یک پروژه به شدت متکی به زیرساخت هاست و بویژه در بخش مدیریت دانش و اطلاعات سازمان نیازمند توجه وسرمایه گذاری برای تامین داده های با کیفیت است.

 

6.8.                   ﻗﺎﺋﻞ ﺷﺪﻥ ﻳﮏ نقطه ﭘﺎﻳﺎﻥ ﺑﺮﺍﻱ استقرار هوش تجاری: 

ﺑــﺮﺍﻱ ﺍﺳﺘﻘﺮﺍﺭ ﻫــﻮﺵ ﺗﺠﺎﺭﻱ ﺩﺭ ﺳــﺎﺯﻣﺎﻥ ﻧﺒﺎﻳﺪ ﭘﺎﻳﺎﻧﻲ ﺩﺭ ﻧﻈﺮ ﮔﺮﻓﺖ، استقرار هوش تجاری در واقع یک پروژه نیست، یک برنامه است. به این معنی که فاز اول برنامه استقرار هوش تجاری در سازمان میتواند بصورت پروژه استقرار هوش تجاری باشد ولی بعد از پایان پروژه، باید بصورت مداوم روی داده های ورودی، فرآیند های انبار داده و داده کاوی و سایر ابزارهای هوش تجاری کار شود تا همواره بهترین و صحیح ترین خروجی را برای کاربران مهیا سازد.

موارد ذکر شده، بیشتر در حوزه اجرای ‍ پروژه ها مورد بحث قرار گرفته است، اما امروزه در حوزه تعریف پروژه ها و تعیین میزان موفقیت پروژه ها، جدا از اینکه پروژه با موفقیت اجرا شده یا خیر، بحث میزان اثربخشی اجرای پروژه در فرآیند های سازمان نیز بسیار پر اهمیت قلمداد میشود و پروژه ای که تعریف نادرستی داشته باشد یا اهداف درستی را مدنظر قرار نداده باشد یا با با در نظر گرفتن زیرساخت های مناسب تعریف نشده باشد و به اجرا در بیاید، هر چند در اجرا درست و کامل و با هزینه مناسب و زمان مناسب به اتمام برسد باز هم یک پروژه شکست خورده تلقی میشود. بنابراین توجه خاصی به حوزه تعریف پروژه ها و مهیا کردن زیرساخت های مورد نیاز برای تعریف یک پروژه بسیار ضروری بنظر میرسد. در خصوص پروژه استقرار هوش تجاری در سازمان این بحث با جدیت بیشتری مطرح است و لازم است که حتما قبل از تصویب و اجرای پروژه، زیرساخت ها فراهم شوند. چه به لحاظ نیروی انسانی، چه به لحاظ محیطی و چه زیر ساخت فرهنگی و فنی و ... و در مرحله بعد حتما میزان آمادگی سازمانی ارزیابی گردد و در نهایت وارد فاز اجرای پروژه شد.

7.    نتیجه گیری

سازمان هایی که برای استقرار هوش تجاری برنامه ریزی میکنند، باید قبل از تصمیم گیری به بررسی زیرساخت های لازم برای بهره گیری از هوش تجاری بپردازند، چه به لحاظ امکانات فنی و چه به لحاظ نیروی انسانی متخصص و چه به لحاظ فرهنگ سازمانی مورد نیاز. همانطور که در مقاله مطرح شده است این عوامل زیرساختی سهم بسیار مهمی از احتمال شکست پروژه های هوش تجاری در سازمان را بخود اختصاص میدهند و همین امر منجر به لزوم توجه بیشتر به این مقوله میشود.

بعد از تصمیم گیری باید ارزیابی آمادگی سازمانی برای قبول استقرار هوش تجاری صورت پذیرد و با توجه به خروجی حاصل از ارزیابی، اقدامات لازم برای ایجاد آمادگی کامل صورت پذیرد.

استقرار هوش تجاری در گرو همکاری و همسویی فناوری اطلاعات و کسب و کار سازمان است. و در صورتی که این دو عامل در یک سازمان با هماهنگی کامل در جهت استقرار هوش تجاری برناه ریزی و هدایت شوند میتوان به مرحله استقرار هوش تجاری در سازمان رسید. در این مرحله نیز گام های استقرار یکی پس از دیگری برداشته میشود و در نهایت منجر به ایجاد سازمانی هوشمند و یادگیرنده میگردد.

مراجع

[1]      آرش خسروی ، ضرورت بكارگيري هوش سازماني در سازمان ها، مرکز تحقيقات کامپيوتری علوم اسلامی

[2]      بررسی دلایل ناکامی پروژه های فناوری اطلاعات

[3]      ﻋﻮﺍﻣﻞ ﻣﻬﻢ ﺟﻠﻮﮔﻴﺮﻱ ﺍﺯ ﺷﻜﺴﺖ ﭘﺮﻭﮊﻩﻫﺎﻱ ﺍﻧﺒﺎﺭﻩ ﺩﺍﺩﻩ ﻭ ﻫﻮﺵ ﺗﺠﺎﺭﻱ، خبرنامه شرکت مگفا بهمن ۱۳۸۷

 

[4]      Data Integration and Management Solutions,Manjunath. B. Assistant Professor, [e-mail]

[5]      Business Intelligence – Past, Present, and Future ,Hugh J. Watson Department of MIS, University of Georgia , nov 2009

[6]      Assessing BI Readiness: A Key to BI ROI, As featured in the Summer 2004 issue of Business Intelligence Journal ,Steve Williams , Nancy Williams

[7]      Knowledge management and business intelligence: the importance of integration , Richard T. Herschel and Nary E. Jones

 

[8]      The integration of business intelligence and knowledge management, W F Cody; J T, Kerulen; V Krishna; W S Spangler, IBM Systems Journal; 2002; 41, 4; ABI/INFORM Global, pg. 697

[9]      http://www.inmoncif.com/home/

 

 

 

---

[1] سید محمود شجاعی کیاسری.

آدرس پست الكترونيكي: [e-mail]

[2] علیرضا طالب پور ، دکتراي الکترونيک (پردازش تصوير، دانشگاه Surrey انگلستان) – عضو هيئت علمی و استاد دانشگاه شهید بهشتی

 

[3] Extract, Transform, Load

مقدمه اي بر داده کاوي و اکتشاف دانش

مقدمه اي بر داده کاوي و اکتشاف دانش

تهيه کنندگان : يوحنا قديمي علي عباسي کاوه پاشايي

مقدمه

امروزه با گسترش سيستم هاي پايگاهي و حجم بالاي داده ها ي ذخيره شده در اين سيستم ها ، نياز به ابزاري است تا بتوان داده هاي ذخيره شده پردازش کرد و اطلاعات حاصل از اين پردازش را در اختيار کاربران قرار داد .

با استفاده ار پرسش هاي ساده در SQL و ابزارهاي گوناگون گزارش گيري معمولي ، مي توان اطلاعاتي را در اختيار کاربران قرار داد تا بتوانند به نتيجه گيري در مورد داده ها و روابط منطقي ميان آنها بپردازند اما وقتي که حجم داده ها بالا باشد ، کاربران هر چند زبر دست و با تجربه باشند نمي توانند الگوهاي مفيد را در ميان حجم انبوه داده ها تشخيص دهند و يا اگر قادر به اين کار هم با شند ، هزينه عمليات از نظر نيروي انساني و مادي بسيار بالا است .

از سوي ديگر کاربران معمولا فرضيه اي را مطرح مي کنند و سپس بر اساس گزارشات مشاهده شده به اثبات يا رد فرضيه مي پردازند ، در حالي که امروزه نياز به روشهايي است که اصطلاحا به کشف دانش^[1]بپردازند يعني با کمترين دخالت کاربر و به صورت خودکار الگوها و رابطه هاي منطقي را بيان نمايند .

داده کاوي^[2] يکي از مهمترين اين روشها است که به وسيله آن الگوهاي مفيد در داده ها با حداقل دخالت کاربران شناخته مي شوند و اطلاعاتي را در اختيار کاربران و تحليل گران قرار مي دهند تا براساس آنها تصميمات مهم و حياتي در سازمانها اتخاذ شوند .

در داده کاوي از بخشي از علم آمار به نام تحليل اکتشافي داده ها^[3] استفاده مي شود که در آن بر کشف اطلاعات نهفته و ناشناخته از درون حجم انبوه داده ها تاکيد مي شود . علاوه بر اين داده کاوي با هوش مصنوعي و يادگيري ماشين نيز ارتباط تنگاتنگي دارد ، بنابراين مي توان گفت در داده کاوي تئوريهاي پايگاه داده ها ، هوش مصنوعي ، يادگيري ماشين و علم آمار را در هم مي آميزند تا زمينه کاربردي فراهم شود .

بايد توجه داشت که اصطلاح داده کاوي زماني به کار برده مي شود که با حجم بزرگي از داده ها ، در حد مگا يا ترابايت ، مواجه باشيم . در تمامي منابع داده کاوي بر اين مطلب تاکيد شده است .

هر چه حجم داده ها بيشتر و روابط ميان آنها پيچيده تر باشد دسترسي به اطلاعات نهفته در ميان داده ها مشکلتر مي شود و نقش داده کاوي به عنوان يکي از روشهاي کشف دانش ، روشن تر مي گردد .

مفاهيم پايه در داده کاوي

در داده کاوي معمولا به کشف الگوهاي مفيد از ميان داده ها اشاره مي شود . منظور از الگوي مفيد ، مدلي در داده ها است که ارتباط ميان يک زير مجموعه از داده ها را توصيف مي کند و معتبر ، ساده ، قابل فهم و جديد است .

تعريف داده کاوي

در متون آکادميک تعاريف گوناگوني براي داده کاوي ارائه شده اند . در برخي از اين تعاريف داده کاوي در حد ابزاري که کاربران را قادر به ارتباط مستقيم با حجم عظيم داده ها مي سازد معرفي گرديده است و در برخي ديگر ، تعاريف دقيقتر که درآنها به کاوش در داده ها توجه مي شود موجود است . برخي از اين تعاريف عبارتند از :

· داده کاوي عبارت است از فرايند استخراج اطلاعات معتبر ، از پيش ناشناخته ، قابل فهم و قابل اعتماد از پايگاه داده هاي بزرگ و استفاده از آن در تصميم گيري در فعاليت هاي تجاري مهم. [1]

· اصطلاح داده کاوي به فرايند نيم خودکار تجزيه و تحليل پايگاه داده هاي بزرگ به منظور يافتن الگوهاي مفيد اطلاق مي شود [2].

· داده کاوي يعني جستجو در يک پايگاه داده ها براي يافتن الگوهايي ميان داده ها.[3]

· داده کاوي يعني استخراج دانش کلان ، قابل استناد و جديد از پايگاه داده ها ي بزرگ .

· داده کاوي يعني تجزيه و تحليل مجموعه داده هاي قابل مشاهده براي يافتن روابط مطمئن بين داده ها .

همانگونه که در تعاريف گوناگون داده کاوي مشاهده مي شود ، تقريبا در تمامي تعاريف به مفاهيمي چون استخراج دانش ، تحليل و يافتن الگوي بين داده ها اشاره شده است .

تاريخچه داده کاوي

اخيرا داده کاوي موضوع بسياري از مقالات ، کنفرانس ها و رساله ها ي عملي شده است ، اما اين واژه تا اوايل دهه نود مفهومي نداشت وبه کار برده نمي شد .

در دهه شصت و پيش از آن زمينه هايي براي ايجاد سيستم ها ي جمع آوري و مديريت داده ها ايجاد شد و تحقيقاتي در اين زمينه انجام پذيرفت که منجر به معرفي و ايجاد سيستم هاي مديريت پايگاه داده ها گرديد .

ايجاد و توسعه مدلهاي داده اي براي پايگاه سلسله مراتبي ، شبکه اي و بخصوص رابطه اي در دهه هفتاد ، منجر به معرفي مفاهيمي همچون شاخص گذاري و سازماندهي داده ها و در نهايت ايجاد زبان پرسش SQL در اوايل دهه هشتاد گرديد تا کاربران بتوانند گزارشات و فرمهاي اطلاعاتي مورد نظر خود را ، از اين طريق ايجاد نمايند .

توسعه سيستم هاي پايگاهي پيشرفته در دهه هشتاد و ايجاد پايگاه هاي شي گرا ، کاربرد گرا^[4] و فعال^[5] باعث توسعه همه جانبه و کاربردي شدن اين سيستم ها در سراسر جهان گرديد . بدين ترتيب DBMS هايي همچون DB2 ، Oracle ، Sybase ، ... ايجاد شدند و حجم زيادي از اطلاعات با استفاده از اين سيستم ها مورد پردازش قرار گرفتند . شايد بتوان مهمترين جنبه در معرفي داده کاوي را مبحث کشف دانش از پايگاه داده ها (^[6]KDD) دانست بطوري که در بسياري موارد DM و KDD بصورت مترادف مورد استفاده قرار مي گيرند .

همانطور که در تعريف داده کاوي ذکر شد ، هدف از جستجو و کشف الگوهايي در پايگاه داده ها و استفاده از آنها در اخذ تصميمات حياتي است ، بنابراين مي توان گفت که DM بخشي از فرايندKDD است که در نهايت به ايجاد سيستم هاي DSS^[7] شکل 1-1 نقش داده کاوي در فرايند کشف دانش از پايگاه داده ها را نشان مي دهد . [4]

براي اولين بار مفهوم داده کاوي در کارگاه^[8] IJCAI در زمينه KDD توسط Shapir مطرح گرديد . به دنبال آن در سالهاي 1991 تا 1994 ، کارگاههاي KDD مفاهيم جديدي را در اين شاخه از علم ارائه کردند بطوري که بسياري از علوم و مفاهيم با آن مرتبط گرديدند که مي توان آنها را در شکل 2-1 مشاهده نمود.

برخي از کاربردهاي داده کاوي در محيطهاي واقعي عبارتند از :

1. خرده فروشي : از کاربردهاي کلاسيک داده کاوي است که مي توان به موارد زير اشاره کرد :
• تعيين الگوهاي خريد مشتريان
• تجزيه و تحليل سبد خريد بازار
• پيشگويي ميزان خريد مشتريان از طريق پست(فروش الکترونيکي)
2. بانکداري :
• پيش بيني الگوهاي کلاهبرداري از طريق کارتهاي اعتباري
• تشخيص مشتريان ثابت
• تعيين ميزان استفاده از کارتهاي اعتباري بر اساس گروههاي اجتماعي
3. بيمه :
• تجزيه و تحليل دعاوي
• پيشگويي ميزان خريد بيمه نامه هاي جديد توسط مشتريان
4. پزشکي :
• تعيين نوع رفتار با بيماران و پيشگويي ميزان موفقيت اعمال جراحي
• تعيين ميزان موفقيت روشهاي درماني در برخورد با بيماريهاي سخت

مراحل فرايند کشف دانش از پايگاه داده ها

فرايند کشف دانش از پايگاه داده ها شامل پنج مرحله است که عبارتند از :

1. انبارش داده ها^[9]

2. انتخاب داده ها

3. تبديل داده ها

4. کاوش در داده ها

5. تفسير نتيجه

همانگونه که مشاهده مي شود داده کاوي يکي از مراحل اين فرايند است که به عنوان بخش چهارم آن نقش مهمي در کشف دانش از داده ها ايفا مي کند.

· انبارش داده ها

وجود اطلاعات صحيح و منسجم يکي از ملزوماتي است که در داده کاوي به آن نيازمنديم . اشتباه و عدم وجود اطلاعات صحيح باعث نتيجه گيري غلط و در نتيجه اخذ تصميمات ناصحيح در سازمانها مي گردد و منتج به نتايج خطرناکي خواهد گرديد که نمونه هاي آن کم نيستند .

اکثر سازمانها دچار يک خلا اطلاعاتي^[10] هستند . در اينگونه سازمانها معمولا سيستم هاي اطلاعاتي در طول زمان و با معماري و مديريت هاي گوناگون ساخته شده اند ، به طوري که سازمان اطلاعاتي يکپارچه و مشخصي مشاهده نمي گردد . علاوه بر اين براي فرايند داده کاوي به اطلاعات خلاصه و مهم در زمينه تصميم گيريهاي حياتي نيازمنديم .

هدف از فرايند انبارش داده ها فراهم کردن يک محيط يکپارچه جهت پردازش اطلاعات است . در اين فرايند ، اطلاعات تحليلي و موجز در دوره هاي مناسب زماني سازماندهي و ذخيره مي شود تا بتوان از آنها در فرايند هاي تصميم گيري که از ملزومات آن داده کاوي است ، استفاده شود . به طور کلي تعريف زير براي انبار داده ها ارائه مي گردد :

انبار داده ها ، مجموعه اي است موضوعي^[11] ، مجتمع^[12] ، متغير در زمان^[13] و پايدار^[14] از داده ها که به منظور پشتيباني از فرايند مديريت تصميم گيري مورد استفاده قرار مي گيرد .[1]

انبارش داده ها خود موضوع مفصلي است که مقاله ها و رساله ها ي گوناگوني در مورد آن نگاشته شده اند . در اين فصل به منظور آشنايي با اين فرايند به آن اشاره اي شد .

· انتخاب داده ها

انبار داده ها شامل انواع مختلف و گوناگوني از داده ها است که همه آنها در داده کاوي مورد نياز نيستند . براي فرايند داده کاوي بايد داده ها ي مورد نياز انتخاب شوند . به عنوان مثال در يک پايگاه داده هاي مربوط به سيستم فروشگاهي ، اطلاعاتي در مورد خريد مشتريان ، خصوصيات آماري آنها ، تامين کنندگان ، خريد ، حسابداري و ... وجود دارند . براي تعيين نحوه چيدن قفسه ها تنها به داده ها يي در مورد خريد مشتريان و خصوصيات آماري آنها نياز است . حتي در مواردي نياز به کاوش در تمام محتويات پايگاه نيست بلکه ممکن است به منظور کاهش هزينه عمليات ، نمونه هايي از عناصر انتخاب و کاوش شوند .

· تبديل داده ها

هنگامي که داده هاي مورد نياز انتخاب شدند و داده ها ي مورد کاوش مشخص گرديدند ، معملا به تبديلات خاصي روي داده ها نياز است . نوع تبديل به عمليات و تکنيک داده کاوي مورد استفاده بستگي دارد : تبديلاتي ساده همچون تبديل نوع داده اي به نوع ديگر تا تبديلات پيچيده تر همچون تعريف صفات جديد با انجام عملياتهاي رياضي و منطقي روي صفات موجود .

· کاوش در داده ها

داده هاي تبديل شده با استفاده از تکنيکها و عملياتهاي داده کاوي مورد کاوش قرار مي گيرند تا الگوهاي مورد نظر کشف شوند .

· تفسير نتيجه

اطلاعات استخراج شده با توجه به هدف کاربر تجزيه و تحليل و بهترين نتايج معين مي گردند . هدف از اين مرحله تنها ارائه نتيجه (بصورت منطقي و يا نموداري) نيست ، بلکه پالايش اطلاعات ارايه شده به کاربر نيز از اهداف مهم اين مرحله است .

عملياتهاي داده کاوي

در داده کاوي ، چهار عمل اصلي انجام مي شود که عبارتند از [1]

1. مدلسازي پيشگويي کننده

2. تقطيع پايگاه داده ها

3. تحليل پيوند

4. تشخيص انحراف

از عملياتهاي اصلي مذکور ، يک يا بيش از يکي از آنها در پياده سازي کاربرد هاي گوناگون داده کاوي استفاده مي شوند . به عنوان مثال براي کاربرد هاي خرده فروشي معمولا از عمليات تقطيع و تحليل پيوند استفاده مي شود در حالي که براي تشخيص کلاهبرداري ، مي توان از هر يک از چهار عمليات مذکور استفاده نمود . علاوه برا ين مي توان از دنباله اي از عملياتها براي يک منظور خاص استفاده کرد . مثلا براي شناسايي مشتريان ، ابتدا پايگاه تقطيع مي شود و سپس مدلسازي پيشگويي کننده در قطعات ايجاد شده اعمال مي گردد .

تکنيکها ، روشها و الگوريتمهاي داده کاوي ، راههاي پياده سازي عملياتهاي داده کاوي هستند . اگر چه هر عمليات نقاط ضعف و قوت خود را دارد ، ابزارهاي گوناگون داده کاوي عملياتها را بر اساس معيارهاي خاصي ، انتخاب مي کنند .اين معيارها عبارتند از :

· تناسب با نوع داده هاي ورودي

· شفافيت خروجي داده کاوي

· مقاومت در مقابل اشتباه در مقادير داده ها

· ميزان صحت خروجي

· توانايي کار کردن با حجم بالاي داده ها

در جدول زيرتکنيکهاي وابسته به هر يک از عملياتهاي چهار گانه مشخص شده اند

نام عمليات	تکنيک هاي داده کاوي
مدلسازي پيشگويي کننده	رده بندي ، پيشگويي مقدار
تقطيع پايگاه داده ها	خوشه بندي آماري ، خوشه بندي
تحليل پيوند	کشف بستگي ، کشف الگوهاي متوالي ، کشف دنباله هاي زماني مشابه
تشخيص انحراف	آمار ، تجسم مدل

عملياتها و تکنيکهاي داده کاوي

مدلسازي پيشگويي کننده

مدلسازي پيشگويي کننده ، شبيه تجربه يادگيري انسان در به کار بردن مشاهدات براي ايجاد يک مدل از خصوصيات مهم پديده ها است . در اين روش از تعميم دنياي واقعي و تعميم دنياي واقعي و قابليت تطبيق داده هاي جديد با يک قالب کلي ، استفاده مي شود .

در اين مدل ، مي توان با تحليل يک پايگاه داده هاي موجود ، خصوصيات مجموعه هاي داده را تعيين کرد . اين مدل با استفاده از روش يادگيري نظارت شده، شامل دو فاز آموزش و آزمايش ايجاد شده است . در فاز آموزش با استفاده از نمونه هاي عظيمي از داده هاي سابقه اي ، مدلي ساخته مي شود که که به آن مجموعه آموزشي گو يند . در فاز آزمايش اين مدل روي داده هايي که در مجموعه آموزشي قرار ندارند ، اعمال مي شود تا صحت و خصو صيات آن تاييد گردد .

از کاربردهاي عمده اين مدل مي توان به مديريت مشتريان ، تصويب اعتبار ، بازاريابي مستقيم در خرده فروشي و ... اشاره کرد .

تقطيع پايگاه داده ها

هدف از تقطيع پايگاه داده ها ، تقسيم آن به تعداد نامعيني از قطعات يا خوشه هايي^[15] از رکوردهاي مشابه است ، يعني رکوردهايي که خصوصياتي مشابه دارند و مي توان آنها را همگن فرض کرد . پيوستگي داخلي اين قطعات بسيار زياد است در حالي که همبستگي خارجي ميان آنها کم مي باشد .

در اين مدل بر خلاف مدل قبل ، از يادگيري نظارت نشده براي تعيين زيرشاخه هاي ممکن از جمعيت داده اي استفاده مي شود . دقت تقطيع پايگاه داده ها از روشهاي ديگر کمتر است ، بنابراين در مقابل خصوصيات نامربوط و افزونگي ، حساسيت کمتري از خود نشان مي دهد .

از کاربردهاي اين روش مي توان به شناسايي مشتريان ، بازاريابي مستقيم و ... اشاره کرد . در شکل 4-1 مثالي از تقطيع پايگاه داده ها ديده مي شود . [1]

در اين مثال ، پايگاه داده ها شامل 200 مشاهده است که در آن100 اسکناس تقلبي و 100 اسکناس واقعي هستند . داده ها داراي شش بعد مي باشند که هر بعد مربوط به يک معيار از اندازه اسکناس ها است . با استفاده از تقطيع پايگاه داده ها مي توان خوشه هاي متناظر با اسکناسهاي معتبر و تقلبي را تشخيص داد . دو خوشه از اسکناسهاي تقلبي وجود دارند و اين بدان معني است که حداقل دو گروه مبادرت به توليد و چاپ اسکناسهاي تقلبي مي کنند .

تقطيع پايگاه داده ها با آمارگيري مرتبط است که در ان از فاصله ميان رکوردها و درصد قرار گرفتن داده هاي ورودي در خوشه ها ، جهت تجزيه و تحليل استفاده مي شود .

تحليل پيوند

در اين روش پيوند هايي مرسوم به بستگي^[16] ميان رکوردها و يا مجموعه اي از رکوردها بازشناسي مي شوند . سه رده ويژه از تحليل پيوند وجود دارند که عبارتند از :

1. کشف بستگي^[17]

2. کشف الگوهاي متوالي^[18]

3. کشف دنباله هاي زماني مشابه^[19]

براي قوانين وابستگي دو پارامتر معرفي مي گردند :

1. درجه پشتيباني^[20] : کسري از جمعيت است که در يک قاعده ، هم مقدم و هم تالي را دارند . در واقع درصدي از تراکنشها که شامل همه اقلام ظاهر شده در مقدم و تالي باشند . فرض کنيم که تنها در0001/ . % از تراکنشهاي خريد ، شير و پيچ گوشتي با هم باشند ، بنابراين درجه پشتيباني براي قانون " پيچ گوشتي → شير " بسيار پايين است . اين مساله نشان مي دهد که مدرکي براي اثبات رابطه ميان " شير" و " پيچ گوشتي " وجود ندارد .

2. درجه اطمينان^[21] : در يک جمعيت مورد بررسي ، کسري از موارد است که وقتي مقدم قاعده در آنها ظاهر شده است ، تالي نيز در آنها وجود دارد . به عنوان مثال در قانون " پنير → نان " اگر درجه اطمينان برابر 80% تراکنشهاي خريد ، اگر نان وجود داشته باشد ، پنير نيز وجود دارد . بايد توجه داشت که مقدار درجه اطمينان با تعويض مقدم و تالي در قاعده ، ممکن است به شدت تغيير کند .

دامنه اندازه پايگاه هاي داده امروزه به ترا بايت رسيده است اين پايگاه داده به همراه اطلاعات فراواني که به صورت ناشناخته در آن تعبيه گرديده مي بايشد مساله اين است که چگونه مي توان از ميان اين جنگل عظيم اطلاعاتي به همراه درختهاي پيچيده آن اطلاعاتي را استنتاج نمود؟با استفاده از داده کاوي مي توان اين هزينه را کم نمود و در عوض بازدهي بيشتري بدست آورد.در حال حاضر شرکتهاي بي شماري سعي دارند با استفاده از اين روش به مشتريان خود پيشنهادات بهتري براي خريد ارائه دهند تا فروش آنها بالاتر رفته و در عوض ضرر و زيان موجود از اين طريق کمينه گردد.

داده کاوي فرآيندي است که طي آن با استفاده از انواع مختلف ابزار تحليل داده به دنبال کشف الگوها و ارتباطات ميان داده هاي موجود که ممکن است منجر به استخراج اطلاعات جديدي از پايگاه داده گردند مي باشد.

اولين وساده ترين گام تحليل داده در داده کاوي توضيح و شرح مشخص داده (از جمله معني داده وانحراف استاندارد کلمه)مي باشد که اين کار مي تواند به وسيله نمدارها و گراف هاييوهمچنين کلماتي که با اين کلمه ارتباط معنايي نزديکي دارند انجام گردد در نيجه جمع آوري جستجو و انتخاب داده درست در اين بخش بسيار مهم و حياتي مي باشد.

اما اين کار به تنهايي کار خاصي انجام نمي دهد شما بايد يک مدل پيش بيني کننده بر اساس الگهايي که از نتايج دانش به دست آورده شده بسازيد سپس آزمايش کنيد که آيا ان مدل با نمونه اصلي سازگار است يک مدل خوب نبايد با جهان واقع تفاوت چنداني داشته باشد.[1]

آخرين گام نيز تشخيص صحت وسقم عملکرد مدل بصورت تجربي مي باشدم.براي مثال از يک بانک مربوط به مشتريان وپاسخ هايي که به يک پيشنهاد خاص داده اند يک مدل مي سازيد که بر اساس آن مشخص مي شود که کدام حدس وانتظار بيشترين نزديکي را با يک پيشنهاد مانند پيشنهاد قبلي دارد و اينکه آيا شما مي توانيد بر اين حدس اعتماد کنيد يا نه؟

قابليتهايDataMining:

بايد توجه داشته باشيد كه داده كاوي يك ابزار جادويي نيست كه بتواند در پايگاه داده شما به دنبال الگوهاي جالب بگردد و اگر به الگويي جديدي برخورد كرد آن را به شما اعلام كند بلكه صرفا الگوها و روابط بين داده ها را به شما اعلام مي كند بدون توجه به ارزش آنها. بنابراين الگوهايي كه به اين وسيله كشف مي شوند بايد با جهان واقع تطابق داشته باشند. به عنوان مثال داده كاوي مي تواند با تعيين نرخ در آمدهايي كه بطور مثال بين 50/000$ و 65/000$ است كه براي خريد روزنامه خاصي در ميان فروشندگان است تعيين كند كه اكثر كالاهاي مورد نياز مردم چه رنجي از قيمت بوده وكدام ها هستند؟

به اين ترتيب شما مي توانيد از هدف خريد مردم بدون اينكه فاكتورهايي براي خريد كالاهاي خود در نظر بگيريد مطلع شويد؟

براي تضمين بدست آمدن نتايج با معني لازم است كه شما بتوانيد داده هاي خود را تحليل كنيد كيفيت خروجي شما به اطلاعات خارج از پايگاه داده ( به عنوان مثال داده اي باارزشي كه متفاوت از داده هاي نوعي در پايگاه داده شماست) ستونهاي ظاهرا بي ارتباط يا با ارتباط نزديك به بقيه پايگاه داده(مانند تاريخ توليد يا انقضاي كالا) بستگي نزديكي دارند .الگوريتم بر اساس حساسيتشان به داده ها روشهاي متفاوتي دارند. اما غير عاقلانه است كه به محصول داده كاوي صرفا به براي تمام تصميم گيري هايمان تكيه كنيم.

داده كاوي بطور اتوماتيك و بدون رهنمايي قادر به كشف راه حل ها نيست. شما ترجيحا به جاي بيان يك هدف مبهم مانند "كمك به ارتقاي پاسخ دهي به در خواست ها mailمن " شما بايد از داده كاوي براي يافتن خصيصه هاي افرادي كه

(1):به درخواست هاي شما پاسخ مي دهند

(2):به درخواست هاي شما پاسخ داده و خريد زيادي مي كنند

استفاده كنيد. الگو هايي كه داده كاوي براي يافتن به اين دو هدف استفاده مي كنند متفاوت است.

اگر چه يك ابزار خوب براي داده كاوي شما را از پيچيدگي هاي تكنيكهاي آماري راحت مي سازد اما به شما براي فهميدن كار هاي ابزاري كه انتخاب كرده ايد و همچنين الگوريتمهايي كه بر پايه آن كار مي كند نيازمند است. انتخابي كه شما براي ابزار مورد نياز انجام مي دهيد و بهينه سازي هايي را كه شما انجام مي دهيد در دقت و سرعت كار بسيار تاثير دارد.[2]

داده كاوي و انبار داده ها :

اغلب داده اي كه مورد كاوش قرار مي گيرد ابتدا از يك انبار داده آماده شده به داخل يك پايگاه داده كاوي سرازير مي شود. اين كار مزاياي زيادي دارد. پايگاه داده كاوي مي تواند به جاي يك انبار فيزيكي داده يك انبار منطقي از داده ها باشد. به شرط آنكه انبار دادهDBMSبتواند دامنه هاي منابع اضافي از داده كاوي را نيز پوشش دهد. روند شرح داده شده در شكل زير آمده است:

Data Sources

Data Mining

Data Mart

Geographic

Data Mart

Data

Warehouse

Analysis

Data Mart

داده كاوي و OLAP:

يكي از سوالهاي رايج در ميان متخصصان پردازش داده در مورد تفاوت ميان داده كاوي وOLAP(پردازش آناليزي on-line) .

Olapقسمتي از قالب ابزارهاي تصميم گيري است. پرس وجو هاي سنتي و ابزارهاي گزارش گيري كه چه چيزي در داخل يك پايگاه داده است.olap از اين فراتر ميرود و براي جواب دادن به علت درستي برخي موارد استفاده دارد.

داده كاوي , آمار و يادگيري ماشين

داده كاوي فوايدي از پيشرفتهاي رشته هوش مصنوعي را در خود جاي داده است كه هم شامل قواعدي براي مسائل تشخيص الگو و طبقه بندي مي باشد وهم ارتباطاتي كه از طريق كاربرد شبكه هاي عصبي و درختهاي تصميم گيري براي فهم مسائل صورت مي گيرد مي باشد.

داده كاوي در اين زمينه داراي الگوريتم هاي نسبتا جديدي مانند شبكه عصبي و درخت تصميم ورهيافت هاي جديدي براي الگوريتم هاي قديميتر مانند الگوريتم هاي تفكيك كننده دارد.

نكته مهم آنكه داده كاوي كاربرد اين تكنيكها را براي مسائل تجاري مشابه بالا به طريقي كه اين تكنيكها را براي كاربر خبره دانش و آمارگير متخصص قابل دسترس سازد استفاده مي شود.

كاربردهاي داده كاوي

داده كاوي به سرعت در حال محبوبيت است به خاطر كمك هاي اساسي آن.

سازمانهاي زيادي در حال استفاده از داده كاوي براي كمك به مديريت تمام فازهاي ارتباط با مشتري شامل به دست آوردن مشتريان جديد, افزايش سود از طريق مشتريان موجود و حفظ كردن مشتريان خوب هستند.با تعيين مشخصات يك مشتري خوب يك شركت مي تواند با همان مشخصات اهداف آينده خويش را پيش بيني كند. با پرونده سازي براي مشتري كه يك محصول خاص را خردي مي نمايد اين شركت مي تواند توجه خود را به مشتريان مشابهي كه از اين محصول خريد نكرده اند معطوف دارد با پرونده سازي براي مشترياني كه اين سازمان را ترك كرده اند يك شركت مي تواند مشترياني را كه خطر رفتن آنها نيز وجود دارد را نگه دارد چرا كه نگهداري يك مشتري موجود بسيار كم هزينه تر از بدست آوردن يك مشتري جديد هزينه مي برد. داده كاوي ارزشهايي را از طريق بررسي يك طيف وسيعي از كارخانه ها پيشنهاد مي كند.شركتهاي ارتباطات از راه دور و كارت هاي اعتباري دو شاخه بزرگ در استفاده از داده كاوي براي تشخيص استفاده كلاه بردارانه از خدمات آنها مي باشند. شركتهاي بيمه و درآمد هم علاقمند به استفاده از اين تكنولوژي براي كاهش كلاه برداري مي باشند. كاربردهاي دارويي نواحي مفيد ديگري هستند كه داده كاوي در آنها دست دارد داده كاوي مي تواند براي تشخيص تاثير اعمال جراحي, آزمايش هاي دارويي ودرمان استفاده گردد. شركتهايي كه در خريد و فروشهاي مالي فعاليت مي كنند از داده كاوي براي تعيين شاخصه هاي بازار و صنعت براي تشخيص كارايي درآمد استفاده مي كنند. خرده فروشها از داده كاوي براي تصميم در مورد اينكه كدام محصول در فروشگاه ها در آمد زاست به منظور دسترسي به ارتقاي كيفيت كار خود استفاده بيشتري مي نمايند. شركتهاي دارويي در حال كاوش پايگاههاي داده بزرگي از تركيبات شيميايي و مواد ژنتيكي براي كشف مواد كه مي توانند گزينه خوبي براي ساخت به عنوان دارو باشند.[1]

داده كاوي موفق:

دو نكته براي موفق بودن يك داده كاوي وجود دارد. اول اينكه يك فرموله سازي دقيق از مساله اي است كه شما بايد حل كنيد. دومين نكته استفاده از داده صحيح است. پس از انتخاب داده اي كه در دسترس شماست يا شايد خريد داده خارجي شما ممكن است نيازمند شويد آن را به روشهايي انتقال داده يا دسته بندي كنيد.

تحليل ارتباطات:

تحليل ارتباط يک رهيافت توصيفي براي اکتشاف داده است که مي تواند به مشخص سازي ارتباطات ميان مقادير در پايگاه داده کمک نمايد.دو رهيافت عام براي رسيدن به تحليل ارتباطي اکتشاف ارتباطي و اکتشاف توالي مي باشد.اکتشاف ارتباطات قوانيني را در مورد مواردي را که بايد با هم در يک رويداد ظاهرشوند مانند تراکنش خريد را مي ِابد.تحليل سبد عرضه يک نمونه شناخته شده از کشف ارتباط مي باشد.کشف توالي بسيبار شبيه کشف ارتباط است با توجه به اين نکته که در اينجا توالي يک ارتباط است که در طول يک بازه زماني صورت مي گيرد.

ارتباطات به صورت A=>B نوشته مي شود که به A مقدم يا طرف سمت چپ و به B تالي يا طرف سمت راست مي گويند.براي مثال در قانون ارتباطي "اگر مردم يک چکش بخرند آنگاه مي توانند ميخ بخرند" جمله مقدم "خريد چکش" و جمله تالي "خريد ميخ" مي باشد.

براحتي ميتوان نسبت تراکنشهايي را که شامل مورد يا ليستي ازموارد خاص مي باشد با شمردن آنها تعيين کرد (که در اطنجا موارد ميخ ها و چکش هامي باشد) را تعيين کرد.تعداد موجود از يک نوع ارتباط خاص که در يک پايگاه داده به نظر مي رسد را موجودي يا شيوع آن مورد مي گويند.اگر براي مثال گفته شود که از هر 1000تراکنش 15 تاي آن شامل "ميخ و چکش" مي باشد موجودي اين ارتباط 1.5%خواهد بود.يک موجودي کم(مثلا يک در ميليون) مي تواند بيانگر اين باشد که ان ارتباط خاص در پايگاه داده چندان مهم نيست.

براي کشف قوانين معنا دار ما بايد به فراواني متناسب دفعات اتفاق موارد و ترکيباتشان نيز بنگريم.باداشتن تعداد دفعات اتفاق مورد A مورد B چند بار اتفاق مي افتد؟به عبارت ديگر سوال اين است که ببينيم "هنگامي که مردم يک چکش مي خرند چه تعداد از اين افراد ميخ هم مي خرند؟ عبارت ديگر براي اين پيش بيني شرطي اطمينان نام دارد.

فرض کنيد پايگاه داده فرضي مان رابه صورت زير و با جزئيات بيشتر براي بيان اين مفاهيم در نظر بگيريم:

تمام تراکنشهاي سخت افزار :1000

تعداد تراکنشهايي که شامل "چکش " مي باشد:50

تعداد تراکنشهايي که شامل "ميخ" مي باشد:80

تعداد تراکنشهايي که شامل "تخته " مي باشد:20

تعداد تراکنشهايي که شامل " ميخ و چکش"مي باشد:15

تعداد تراکنشهايي که شامل " ميخ و تخته " مي باشد:10

تعداد تراکنشهايي که شامل " چکش و تخته" مي باشد:10

تعداد تراکنشهايي که شامل " چکش و تخته و ميخ " مي باشد:5

حال قادر به محاسبه ايم:

موجودي "ميخ و چکش"=1.5%

موجودي " ميخ و چکش وتخته"=0.5%

درصد اطمينان "چکش=>ميخ" = 30%

درصد اطمينان " ميخ=> چکش" = 19%

درصد اطمينان " چکش و ميخ=>تخته" = 33%

درصد اطمينان " تخته=> چکش و ميخ " =25%

بنابراين ما مي بينيم که احتمال اينکه يک خرنده چکش ميخ هم بخرد(30%) بيشتر از احتمال آن است که فردي که ميخ مي خرد چکش هم بخرد(19%).ارتباط چکش و ميخ به اندازه اي بزرگ است که يک قانون با معني باشد.

Lift(نسبتا پيشرفت) يکي از معيارهاي اندازه گيري قدرت يک ارتباط است.هر چه lift بزرگتر باشد تاثير اتفاقات A بر احتمال اينکه B اتفاق بيفتد بيشتر است.lift بصورت نسبت

(اطمينان A=>B) تقسيم بر فراواني B محاسبه مي شود:

براي مثال ما:

Lift "چکش=>ميخ" :3.75

Lift " چکش و ميخ =>تخته ":16.5

الگوريتمهاي ارتباط اين قوانين را با معادل مرتب سازي داده هنگام شمارش دفعاتي که مي توانند درصد اطمينان و موجودي را محاسبه كنند مي يابد. اثراتي كه هر يك از اين قوانين مي توانند داشته باشند يكي از معيارهاي تفاوت اين الگوريتم هاست. اين معيار مهم است زيرا كه نتايج تركيبي بسيار زيادي از تعداد بي شماري از قوانين بدست مي آيد حتي براي سبد هاي خريد. برخي از الگوريتمها يك پايگاه داده از قوانين, فاكتورهاي ايمن, و فراهم آوردن امكان جستجو(براي مثال تمام ارتباطاتي كه در آن كلمه بستني در قوانين به عنوان نتيجه آمده و فاكتوري برابر80%را دارند نشان بده)را ايجاد مي نمايند.

اغلب تصميم گيري در مورد كار با قوانيني كه شما كشف كرده ايد دشوار است.به عنوان مثال در يك نقشه خريد براي مشتريان در يك فروشگاه قراردادن تمام اجناس مرتبط منطقي به صورت فيزيكي در كنار يكديگر ممكن است ارزش كامل سبد خريد را كاهش دهد – مشتريان ممكن است در مجموع ارزش كمتري خريد كنند چون آنها بر خلاف نقشه خريد مورد نظر شما در حين راه رفتن در مغازه اجناس مورد دلخواه خود را خريد مي كنند. در چنين حالتي تقريب و تحليل ارتباطات معمولا براي بدست آوردن هر گونه سودي از قوانين مرتبط با هم مورد نياز خواهد بود.

روشهاي گرافيكي مي توانند در نمايش ساختار ارتباطات نقش داشته باشند. در شكل زير هر يك از دواير يك مقدار يا يك رويداد را نمايش مي دهد. خطوط ارتباطي ميان اين دايره ها يك ارتباط را نشان مي دهند. خطوط كلفت تر ارتباطات قوي تر و فراوان تري را نمايش مي دهند.[4]

سلسله مراتبي از انتخاب ها

هدف داده كاوي توليد دانش جديدي است كه كاربر بتواند بر اساس آن كار خود را جلو برد.اين كار بوسيله ساختن مدلي از جهان واقعي بر پايه داده هايي كه از منابع گوناگون بدست مي آيد صورت گيرد كه اين منابع مي تواند شامل تراكنشهاي هماهنگ, تاريخ مربوط به هر مشتري, اطلاعات نمايش گرافيكي, داده كنترل فرآيند و پايگاه داده هاي مرتبط خارجي مانند اطلاعات اعتبار اداري و ... باشد. نتيجه مدل سازي يك سري توضيحات در مورد الگوها و ارتباطات داده اي كه مي تواند به صورت مطمئني جهت پيش بيني آينده مورد استفاده قرار گيرد.

براي جلوگيري از سرگرداني در مراحل مختلف داده كاوي ايجاد تصويري از سلسله مراتبي از انتخابات و تصميم ها كه نياز مند آن هستيد در ذهن قبل از شروع كار به شما كمك خواهد كرد:

- هدف كار

-نوع پيش بيني

-نوع مدل انتخابي

-الگوريتم

-محصول

اولين گام مشخص نمودن هدف كار مي باشد :

هدف نهايي از جستجوي اين داده چيست؟ براي مثال جهت يافتن الگوهاي مفيدي در داده خود براي اين كه به شما كمك كند مشتريان خود را حفظ كنيد شما بايد يك مدل براي پيش بيني سودبخشي به مشتري و مدل ديگري براي شناسايي مشترياني كه آنجا را ترك كرده اند طراحي كنيد. دانش شما از احتياجات و اهداف سازمانتان شما را به سمت فرموله كردن اهداف مدلهايتان راهنمايي خواهد كرد.

گام بعدي تصميم در مورد انتخاب نوعي پيش بيني كه از همه مناسب تر است مي باشد:

(1)طبقه بندي: تعيين اين كه اين مورد خاص در كدام كلاس يا دسته قرار مي گيرد.

(2)حدس زدن اينكه يك متغير چه مقدار عددي خواهد داشت(اگر متغيري باشد كه با زمان تغيير كند اين كار حدس سريهاي زماني ناميده مي شود).در مثال بالا شما مي توانيد از اين حدس براي پيش بيني مقدار سوددهي و طبقه بندي براي پيش بيني اينكه كدام مشتريان ممكن است خريد شما را ترك كنند استفاده كنيد.

حالا نوبت به نوع مدل مي رسد:

كه عبارت است از يك شبكه عصبي براي انجام حدس فوق الذكر و يك درخت تصميم براي طبقه بندي. مدلهاي آماري سنتي نيز براي انتخاب از مدلهاي معمولي خطي , تحليل تفكيكي و حدس منطقي وجود دارد. مهمترين نوع اين مدلها براي داده كاوي در بخش بعد(الگوريتمها و مدلهاي داده كاوي)توضيح داده مي شود.

الگوريتمهاي زيادي براي ساخت مدلهايتان در دسترس هستند. شما مي توانيد با استفاده از توابع شعاعي يا انتشاري شبكه عصبي بسازيد. براي درخت تصميم شما مي توانيد از ميان طرق cart, c5.0, Quest,CHAIDيكي را انتخاب كنيد. برخي از اين الگوريتم ها در مدلها و الگوريتمهاي داده كاوي توضيح داده شده است.

هنگام انتخاب يك محصول داده كاوي بايد توجه داشت كه اين محصولات پياده سازيهاي مختلفي از يك الگوريتم خاص دارند حتي اگر اين الگوريتم براي همه آنها نام يكساني داشته باشد.اين تفاوتها در پياده سازي مي تواند بر روي مشخصه هاي قابل استفاده مانند استفاده از حافظه و ذخيره داده و همچنين بر روي مشخصه هاي كارايي مانند سرعت و دقت تاثير بگذارند.

بسياري از اهداف تجاري به بهترين شكل به وسيله ساخت انواع مختلفي از مدلها با استفاده از الگوريتمهاي مختلف به دست مي آيند. شما ممكن است تا زماني كه راه هاي مختلفي را امتحان نكنيد قادر نباشيد تعيين كنيد كدام نوع مدل بهترين است.[1]

طبقه بندي

مسائل طبقه بندي به شناسايي خصوصياتي منجر مي شوند كه مشخص مي نمايند هر مورد به كدام گروه تعلق دارد.اين الگو هم مي تواند براي فهم داده موجود و هم براي پيش بيني اينکه هر نمونه جديد چگونه کار مي کند استفاده شود. براي مثال شما ممکن است بخواهيد پيش بيني کنيد که آيا اشخاص براي پاسخگويي به درخواست يک ميل مستقيم که ممکن است به يک دستگاه تلفن با مسافت زياد آسيب برساند مي توانند گروه بندي شوند يا براي يک عمل جراحي بايد گروه بندي شوند.

داده کاوي مدلهاي طبقه بندي را بوسيله امتحان کردن داده طبقه بندي شده(موارد) و نهايتا يافتن يک الگوي پيش گو ايجاد مي کند.اين موارد موجود مي تواند از يك پايگاه داده تاريخي ناشي شود مانند اطلاعات افرادي كه تحت معالجه دارويي خاصي هستند و يا به سمت يك خدمت با مسافت دور جذب شده اند.يا اينكه از تجربه هايي كه طي آن يك نمونه از تمام پايگاه داده در جهان واقعي تست شده باشد و نتايج آن براي ايجاد يك گروه بند استفاده شده باشند منتج شود. براي مثال يك نمونه از ليستي از پيامها به عنوان پيشنهاد فرستاده خواهد شد و نتايج پيام رساني براي ساخت يك مدل طبقه بندي جهت بكار گرفته شدن در تمام پايگاه داده استفاده خواهد شد.

حدس بازگشتي

حدس بازگشتي از داده هاي موجود براي پيش بيني اين كه مقادير داده هاي ديگر چه خواهد بود استفاده مي كند. در ساده ترين حالت حدس مذكور از تكنيكهاي آماري مانند حدس خطي استفاده مي كند. متاسفانه بسياري از مسائل جهان واقع تصويري خطي از مقادير قبلي نيستند. براي نمونه مقادير فروش, ارزش فروش, ارزش سهام و نرخ ورشكستگي محصول براي پيش بيني سخت مي باشد زيرا آنها ممكن است بر فعل و انفعالات پيچيده حاصل از چندين متغير پيش بيني كننده متكي باشند. بنابراين تكنيكهاي پيچيده تري ممكن است براي پيش بيني متغيرهاي آينده ضروري باشند. انواع مدل يكسان اغلب مي توانند هم براي حدس بازگشتي وهم براي طبقه بندي استفاده شوند. براي مثال الگوريتم درخت تصميم CART (درختهاي حدس وطبقه بندي )هم براي ساخت درختهاي حدس و هم براي ساخت درختهاي طبقه بندي به كار مي رود. شبكه هاي عصبي هم مي توانند هر دو نوع مدل نام برده شده را ايجاد نمايند.

سري هاي زماني

سري هاي زماني پيش بيني كننده مقاديري را كه هنوز مقدارشان مشخص نيست بر اساس يك سري از پيشگوهاي متغير با زمان پيش بيني مي كنند. مانند حدس بازگشتي اين روش هم از نتايج معلوم قبلي براي اعمال پيشگويي هاي بعدي اش بهره مي برد. مدلها بايد خواص منحصر بفرد زمان علي الخصوص سلسله مراتب دوره هاي زماني مانند دوره هاي فصلي تاثيرات تقويمي مانند تعطيلات محاسبات تاريخي و ملاحظات خاص مانند تطبيق گذشته با حال را ذخيره نمايند.

مدلها و الگوريتمهاي داده كاوي

حال بياييد برخي از الگوريتمها و مدلهايي را كه براي كاوش داده استفاده مي شود را بررسي كنيم. اغلب محصولات از انواع گوناگوني از الگوريتمها كه در علم كامپيوتر يا مقالات آماري ارائه شده به همراه پياده سازي خاص آنها كه جهت رسيدن به هدف فروشنده مي باشد استفاده مي نمايند. براي مثال بسياري از فروشندگان نسخه هايي از درختهاي تصميم CARTيا CHAIDرا به همراه امكاناتي براي كار بر روي كامپيوترهاي موازي مي فروشند. برخي از فروشندگان الگوريتمهاي مختص خود دارند كه گرچه ممكن است وابستگي ها يا امكانات اضافي نداشته باشد اما مي تواند خوب كار كند.

شايد مهمترين نكنه اي باشد كه هيچ مدل يا الگوريتمي نمي تواند و نبايد به تنهايي استفاده شود. براي هر مساله داده شده طبيعت داده استفاده شده بر روي انتخاب مدلها و الگوريتمهايي كه شما بر مي گزينيد تاثير خواهد گذاشت. نمي توان هيچ مدل يا الگوريتمي را در اين زمينه بهترين ناميد. نتيجتا شما به يك سري ابزار و تكنولوژي جهت يافتن بهترين مدل ممكنه نياز خواهيد داشت.[3]

شبكه هاي عصبي

شبكه هاي عصبي به طور خاصي مورد استفاده اند چرا كه آنها ابزاري موثر براي مدلسازي مسائل بزرگ و پيچيده كه ممكن است در آنها صدها متغير پيش بيني كننده كه فعل و انفعالات زيادي دارند وجود داشته باشد.(شبكه هاي عصبي زيستي بطور غير قابل مقايسه اي پيچيده تر هستند.)شبكه هاي عصبي مي توانند در مسائل طبقه بندي يا حدسهاي بازگشتي(كه در آنها متغير خروجي پيوسته است) استفاده شوند.

يك شبكه عصبي با يك لايه داخلي شروع مي شود كه در آن هر گره به يك متغير پيشگو منسوب مي گردد. اين گره هاي ورودي به يك تعداد از گره ها در لايه پنهان متصل مي شوند.گره ها در لايه پنهان مي توانند به گره هايي در يك لايه پنهان ديگر يا به يك لايه خروجي متصل شود. لايه خروجي خود شامل يك يا بيشتر متغيرهاي جواب مي باشد.

يك شبكه عصبي با يك لايه پنهان

درخت هاي انتخاب

درخت هاي انتخاب راهي براي نمايش يك سري از قوانين كه به يك كلاس يا مقدار منجر مي شود مي باشند. براي مثال شما ممكن است بخواهيد درخواستهاي وام را برحسب ريسك اعتبار خوب يا بد طبقه بندي كنيد. شكل بعد يك مدل ساده از يك درخت انتخاب به همراه توضيح در مورد تمام بسته هاي پايه آن يعني گره انتخاب, شاخه ها و برگهاي آن كه اين مساله را حل مي كند نشان مي دهد.

اولين بسته گره بالايي تصميم يا ريشه مي باشد كه يك بررسي جهت برقراري شرط خاصي مي نمايد. گره ريشه در اين مثال “Income>$40,000” مي باشد. نتايج اين بررسي منجر مي شود كه درخت به دوشاخه تقسيم گرددكه هر يك نشان دهنده جوابهاي ممكن است.در اين مورد بررسي شرط مذكور مي تواند داراي جواب خير يا بله باشد در نتيجه دو شاخه داريم.

براساس نوع الگوريتم هر گره مي تواند دو يا تعداد بيشتري شاخه داشته باشد. براي مثال CARTدرختهايي با تنها دوشاخه در هر گره توليد مي كند.چنين درختي يك درخت دودويي مي باشد.

مدلهاي مختلف درخت تصميم بطور عمومي در داده كاوي براي كاوش داده و براي استنتاج درخت و قوانين آن كه براي پيش بيني مورد استفاده قرار مي گيرد استفاده مي شوند. يك تعداد از الگوريتمهاي مختلف مي توانند براي ساخت درختهاي تصميم شامل CHAID, CART,Quest وC5.0بكار روند.

اندازه درخت مي تواند از طريق قوانين متوقف شونده كه رشد درخت را محدود مي كنند كنترل شود.[3]

استنتاج قانون

استنتاج قانون روشي براي بدست آوردن يك سري از قوانين براي طبقه بندي موارد مي باشد. اگرچه درختهاي تصميم مي توانند يك سري قوانين توليد كنند روشهاي استنتاج قانون يك مجموعه از قوانين وابسته كه ضرورتا درختي تشكيل نمي دهند را توليد مي نمايد. چون استنتاج كننده قوانين لزوما انشعابي در هر سطح قرار نمي دهد و مي تواند گام بعدي را تشخيص دهد گاهي اوقات مي تواند الگوهاي مختلف و بهتري را براي طبقه بندي بيابد. برخلاف درختان قوانين توليدي ممكن است تمام حالتهاي ممكن را پوشش ندهند.

الگوريتمهاي ژنتيك

الگوريتمهاي ژنتيك براي يافت الگوها استفاده نمي شود بلكه بيشتر به منظور راهنمايي در مورد فرآيند يادگيري الگوريتمهاي داده كاوي مانند شبكه هاي عصبي مورد استفاده قرار مي گيرد.الگوريتمهاي ژنتيك به عنوان يك متد جهت انجام يك جستجوي هدايت شده براي مدلهاي خوب در فضاي حل مساله عمل مي كند.

اين الگوريتمها, الگوريتمهاي ژنتيك ناميده مي شوند چون بطور بي قاعده اي الگوي تكامل زيستي كه در آن اعضاي يك نسل بر سر انتقال خصوصيات خود به نسل بعد رقابت مي كنند تا نهايتا بهترين مدل يافت شود را دنبال مي كنند. اطلاعاتي كه بايد انتقال داده شود در قالب كروموزمها كه شامل پارامترهايي براي ساختن مدل مي باشد قرار مي گيرد.

فرآيند داده كاوي

مدلهاي فرآيند

با توجه به اينكه يك فرآيند سيستماتيك براي داده كاوي موفق ضروري است بسياري از فروشندگان و همفكران مشاور آنها يك مدل فرآيند براي راهنمايي كاربر خود كه از طريق يك سري مراحل مشخص او را به نتايج خوبي هدايت خواهد كرد طراحي كردند. براي مثال SPSSاز مراحل پنجگانه تشخيص دسترسي تحليل عمل و اتوماسيون و SASاز مراحل نمونه گيري, جستجو, تغيير و بهبود, مدل سازي و تعيين استفاده مي نمايد.

اخيرا ائتلاف فروشندگان وكاربران شامل سيستمهاي مهندسي NCRكپنهاك, راه حلهاي جامعSPSS و بانك OHRAدر حال ساختن يك فرآيند خاص كه به فرآيند استاندارد صنعتي داده كاوي (CRISP-DM) موسوم است مي باشند. اين فرآيند براي پردازش مدلهاي شركتهاي ديگر كه يك كاره يا دو كاره هستند يكسان مي باشد. اين فرآيند شروع خوبي براي كمك به مردم جهت فهم مراحل ضروري در داده كاوي موفق مي باشد.[1]

مدل فرآيند دو سويه

مدل فرآيند دو سويه كه در زير توضيح داده شده است برخي از موارد پيش بيني را از مدل CRISP-DMبه ارث مي برد.

گامهاي اصلي داده كاوي جهت كشف دانش عبارتند از:

1- تعريف مساله

2- ساختن پايگاه داده مربوط به داده كاوي

3- جستجوي داده

4- آماده ساختن داده براي مدل سازي

5- ساختن مدل

6- ارزيابي مدل

7- ساخت مدل ونتايج

به سراغ اين گامها مي رويم تا فرآيند كشف دانش را بهتر متوجه شويم.

1- تعريف مساله

در ابتداي امر پيش زمينه كشف دانش فهم درست داده و مساله مي باشد. بدون اين فهم درست هيچ الگوريتمي صرف نظر از خبره بودن آن نمي تواند نتيجه مطمئني براي شما حاصل نمايد و همچنين شما قادر نخواهيد بود كه مسائلي را كه سعي در حل آن داريد تعريف كرده و همچنين داده را جهت كاوش آماده نموده و يا نتايج را به طور صحيح تفسير نمائيد.براي استفاده بهتر از داده كاوي شما بايد يك بيان واضح از هدف خود داشته باشيد.[1]

ساختن يك پايگاه داده داده كاوي

اين گام به همراه دو گام بعدي هسته آماده سازي داده را تشكيل مي دهند. در مجموع گامهاي گفته شده وقت و كار بيشتري از ساير گامها مي برند. ممكن است شما گامهاي تكراري در آماده سازي داده و ساختن مدل داشته باشيد چرا كه در هر مرحله ممكن است به نكته اي برسيد كه شما را بر آن دارد داده خود را بهبود بخشيد. اين گامهاي آماده سازي داده مي تواند 50% تا 90% وقت و كار از تمام فرآيند كشف دانش را به خود اختصاص دهد.

داده اي كه مي خواهد كاوش شود بايد در يك پايگاه داده ذخيره شود. بر اساس مقدار داده, پيچيدگي داده و استفاده هايي كه قرار است از آن شود يك فايل معمولي و يا يك SpreadSheet براي اين كار كافي است.

به احتمال زياد شما مي خواهيد داده موجود در انباره داده را تغيير دهيد. به علاوه شما ممكن است بخواهيد فيلدهاي جديدي كه از فيلدهاي موجود محاسبه شده است را به انبار داده خود بيافزاييد.اين يكي از دلايل استفاده از يك پايگاه داده جداگانه است.

دليل ديگر براي اين كار آن است كه انبار داده هاي يكي شده ممكن است به آساني انواع جستجوهايي را كه شما براي فهم داده به آنها نياز داريد انجام ندهد. مانند پرس و جوهايي كه داده را خلاصه مي كند, گزارشات چند بعدي و بسياري از انواع ديگر از گرافها يا مصورات.

و دليل آخر اينكه شما ممكن است بخواهيد اين داده را در يك سيستم مديريت پايگاه داده به همراه يك طراحي فيزيكي متفاوت از انبار داده خود ذخيره كنيد. مردم به طور روز افزوني در حال انتخاب پايگاه داده هاي خاص منظوره اي هستند كه اين نيازهاي داده كاوي را به نحو مناسبي حمايت كند. به هرحال اگر داده موجود در انبار داده شما اجازه مي دهد كه مراكز منطقي داده اي ايجادكنيد و اگر شما مي توانيد تقاضاي داده كاوي را ارضا نماييد پايگاه داده شما به خوبي وظيفه خود را انجام مي دهد.[2]

مراحل لازم براي ساخت يك پايگاه داده داده كاوي به شكل زير مي باشد:

1- جمع آوري داده ها

2- توضيح داده ها

3- انتخاب داده ها

4- تعيين كيفيت داده ها و پاك كردن آن

5- تثبيت و يكپارچگي

6- ساختن فوق داده (داده هايي كه خود بيانگر توضيحي در مورد داده هاي موجود مي باشند.)

7- باركردن پايگاه داده مربوط به داده كاوي

8- نگهداري پايگاه داده مربوط به داده كاوي

اين كارها ممكن است لزوما به همين ترتيب گفته شده انجام نگردند.

جستجوي داده

به بخش توضيح داده براي داده كاوي كه توضيح مختصري راجع به اشكال, تجزيه و تحليل ارتباط و ديگر وسايل جستجوي داده مي باشد نگاهي بياندازيد.

هدف شناسايي مهمترين فيلدها در پيش بيني نتيجه و تعيين اينكه كدام يك از داده هاي بدست آمده مفيد مي باشد است.

در يك مجموعه داده اي با صدها يا حتي هزاران ستون جستجوي داده مي تواند كار و زمان بر باشد. يك واسط مناسب و جواب كامپيوتر سريع در اين فاز مهم و حياتي مي باشند زيرا هنگامي كه شما براي دريافت پاسخ برخي گراف ها مجبور باشيد 20 دقيقه صبر كنيد ماهيت جستجوي شما به كلي تغيير خواهد كرد.

آماده سازي داده براي مدل سازي

اين آخرين گام آماده سازي داده قبل از ساخت مدلهاست. چهار قسمت مهم در اين مرحله وجود دارد:

1- انتخاب متغيرها

2- انتخاب سطرها

3- ساختن متغيرهاي جديد

4- تغيير شكل متغيرها

ساختن مدل داده كاوي

مهمترين مساله براي يادآوري در مورد ساخت مدل آن است كه اين كار يك فرآيند تكراري است. شما براي جستجو به مدلهاي جايگزين جهت يافتن سودمندترين آنها جهت حل مسائلتان نياز داريد. آنچه كه شما در جستجوي يك مدل مناسب ياد مي گيريد مي تواند شما را به بازگشتن به عقب و انجام برخي تغييرات در داده مورد استفاده خود و حتي بهبود بيان ساله راهنمايي كند.

هنگامي كه شما در مورد نوع پيش بيني كه مي خواهيد انجام دهيد تصميم گرفتيد بايد يك نوع مدل براي ساخت تصميم خود انتخاب كنيد.

آماده سازي و آزمايش مدل داده كاوي احتياج به اين دارد كه داده به حداقل دو گروه شكسته شود: يكي براي آماده كردن مدل و ديگري جهت تست مدل مربوطه. اگر شما از آماده سازي و تست متفاوتي استفاده ننمائيد دقت مدل خواهد بود.[1]

تائيد اعتبارساده

پايه اي ترين روش تست داده تاييد اعتبار ساده مي باشد. براي انجام اين كار چون درصدي از پايگاه داده را به عنوان يك تست پايگاه داده كنار بگذاريد و به هر صورت از آن در برآورد و ساخت مدل استفاده ننمائيد. اين درصد معمولا بين 5 تا 33 مي باشد.

ارزيابي و تفسير

تاييد اعتبار مدل

بعد از ساخت يك مدل شما بايد نتايج آن را ارزيابي نموده و همچنين اهميت آن را نيز توضيح دهيد.

ماتريسهاي پيچيدگي

براي مسائل طبقه بندي يك ماتريس پيچيدگي ابزار مفيدي براي فهم نتايج مي باشد. يك ماتريس پيچيدگي تعداد مقادير كلاس (گروه)مجازي را در مقايسه با تعداد مقادير كلاس(گروه) پيش بيني شده نشان مي دهد. نه تنها چگونگي پيش بيني مدل توسط اين ماتريس نشان داده مي شود بلكه نشان دهنده جزئياتي است كه براي نشان دادن موارد اشتباه ضروري است. ستونها كلاسهاي مجازي و سطرها كلاسهاي پيش بيني شده را نشان مي دهند. بنابراين قطرهاي اين ماتريس بيانگر تمام پيش بيني هاي درست مي باشند. در ماتريس پيچيدگي مي بينيد كه مدل ما 38 تا از 46 تا كلاس Bرا به درستي پيش بيني كرده است اما 8 تا از آنها اشتباها كلاس بندي شده اند. 2 تا به عنوان كلاسAو6 تا به عنوان كلاس C مي باشند.

در حالات خاص اگر قيمت هاي گوناگون با اشتباهات مختلفي در ارتباط باشند يك مدل با دقت كمتر ممكن است بر يك مدل با دقت بيشتر و در ضمن قيمت بيشتر به خاطر انواع اشتباهاتي كه ايجاد مي كند ترجيح داده شود. براي مثال فرض كنيد در ماتريس بالا هر جواب درست قيمتي معادل 10 دلار و هر جواب نادرست براي كلاس A 5دلار , براي كلاس B 10 دلار و براي كلاس C 20 دلار داشته باشد. بنابراين هزينه شبكه اي ماتريس معادل:

خواهد داشت.

اما ماتريس شكل بعد را در نظر بگيريد. دقت تا 79% كاهش پيدا كرده است هنگامي كه همان قيمتهاي قبلي را بر روي اين ماتريس اعمال كنيم هزينه كل برابر:

بنابراين اگر بخواهيد مقدار ارزشي مدل را بيشينه كنيد بهتر است كه مدلي با دقت كمتر ولي در عوض با ارزش شبكه اي بيشتر انتخاب نمائيد.[4]

ايجاد معماري مدل و نتايج

هنگامي كه يك مدل ساخته و تاييد اعتبار مي شود مي تواند در دو راه اصلي مورد استفاده قرار گيرد. راه اول براي تحليل گر است كه اعمالي را بر اساس ديد ساده از مدل و نتايج آن معرفي مي كند. راه دوم بكاربردن مدلها در مجموعه داده اي مختلف است. اين مدل مي تواند براي مشخص نمودن ركوردها بر اساس گروه بنديشان و يا مقدار دهي يك امتياز مثلا احتمال انجام يك عمل استفاده گردد.

هنگام به دست آوردن يك كاربرد پيچيده داده كاوي اغلب اگر چه بخش بحراني اما كوچك پروژه نهايي به حساب مي آيد. براي مثال دانشي كه از داده كاوي كشف مي شود مي تواند با دانش متخصصان داده و تراكنشهاي ورودي تركيب شود. در يك سيستم تشخيص فرآيند الگوهاي موجود فرآيند مي توانند با الگوهاي كشف شده تلفيق شوند. هنگامي كه موارد مفروض اين فرآيند براي ارزيابي به بررسي كنندگان فرستاده مي شوند بررسي كنندگان ممكن است نياز داشته باشند كه به ركوردهايي در پايگاه داده كه مربوط به قسمتهاي ادعا شده توسط يك سازنده است دسترسي پيدا كنند.

به طور كلي مراحلي كه توضيح داده شد براي انجام هر فرآيند داده كاوي لازم به نظر مي رسد.

منابع و مراجع:

[1] Introduction to Data Mining and Knowledge Discovery By Two Crows Corporation

[2] Jeffery W. Seifert , Analyst in information science and Technology Policy, ‘Data Mining : An Overview ‘ December 2004.

[3] David J. HAND , Data Mining: Statistics and More? , December 2002.

[4] Eamonn Keogh , Stefano Lonardi , Chotirat Ann Ratanamahatana , ‘Towards Parameter-Free Data Mining ‘ Semtember 2005.

---

[1] Knowledge Discovery

[2] Data Mining

[3] Exploratory Data Analysis

[4] Application Oriented

[5] Active DBMS

[6] Knowledge Discovery From Database

[7] Decision Support System

[8] Workshop

[9] Data Warehousing

[10] Information Gap

[11] Subject Oriented

[12] Integrated

[13] Time Variant

[14] NonVolatile

[15] Clusters

[16] Association

[17] Association Discovery

[18] Sequential Pattern Discovery

[19] Similar time Sequences

[20] Support

[21] Confidence

ترکیب یک تیم اجرای پروژه های هوش تجاری در سازمان های بزرگ

ساختار پیشنهادی من برای ترکیب یک تیم اجرای پروژه های هوش تجاری در سازمان های بزرگ

به همراه شرح وظایف تیم ها

 

مدیر پروژه

1.        تیم سرویس ارزش افزوده

•       - تعریف سرویس های ارزش افزوده

•       -ایجاد و مدیریت سرویس ها

•       - مدیریت دسترسی های سرویس ها

•       -مدیریت کارآیی

•       - مستند سازی

2.       تیم تحلیل

•       - تحلیل داده ها

•       - ساخت کیوب های چند بعدی

•       - ساخت گزارشات تحلیلی

•       - داده کاوی

•       - مستند سازی

3.      تیم انبار داده

•       - معماری انبارداده

•       - مدیریت اطلاعات پایه

•       - یکپارچه سازی داده ها

•       - مدیریت کارآیی انبارداده

•       - مستندسازی

4.       تیم واکشی داده

•       - واکشی اولیه داده ها

•       -واکشی افزایشی(با استفاده از SSIS) بضورت زمانبندی شده

•       -پاکسازی و تبدیل داده ها

•       - انتقال داده ها به انبارداده

•       - مستند سازی

5.      تیم احصاء

•       - برگزاری جلسات شناخت کسب و کار

•       - شناخت سیستم های اطلاعاتی موجود در سازمانها

•       - شناسایی جداول و فیلدهای مورد نیاز

•       -شناسایی حجم تراکنش ها و الزلمات فنی مورد نیاز برای انتقال اطلاعات

•       - مستندسازی

 

فهرست مطالب کتاب - تاثیر سود (زیان) هوش کسب و کار

فهرست مطالب کتاب

The Profit Impact of Business Intelligence

Steve Williams

Nancy Williams

تاثیر سود (زیان) هوش کسب و کار

فصل ۱ ارزش کسب و کار هوش کسب و کار
۱.۱ هوش کسب و کارچیست؟
۱.۲ هوش کسب و کار در عمل
۱.۳ خاستگاه هوش کسب و کار
۱.۴ هوش کسب و کار امروز
۱.۵ به دست آوردن ارزش کسب و کار با استفاده از هوش کسب و کار
۱.۶ چگونه می توانیم به همراستایی استراتژیک دست یابیم؟
۱.۷ نیاز به مهندسی فرآیند
۱.۸ مهندسی فرآیند در عمل
۱.۹ نیاز به مدیریت تغییر
۱.۱۰ تجزیه و تحلیل ارزش کسب و کار از ابتکارات هوش کسب و کار
۱.۱۱ هنر مدیریت برای دستیابی به ارزش کسب و کار

فصل ۲ شناسایی و اولویت بندی فرصت های هوش کسب و کار محور برای سازمان شما
۲.۱ نگاهی بر تجزیه و تحلیل فرصت‌ هوش کسب و کار 
۲.۲ مورد مطالعه:تجزیه و تحلیل فرصت مک کورمیک 
۲.۲.۱ تکامل صنایع مرتبط مک کورمیک
۲.۲.۲ خلاصه ای از محرک ها و گرایشات صنایع غذایی 
۲.۲.۳ کاربرد چهارچوب تجزیه و تحلیل فرصت های هوش تجاری در مک کورمیک
۲.۲.۴ خلاصه تجزیه و تحلیل فرصت هوش کسب و کار
۲.۳ تجزیه و تحلیل فرصت هوش کسب و کار: ملاحظات عملی
۲.۳.۱ هنر در مقابل علم در تجزیه و تحلیل فرصت هوش کسب و کار
۲.۳.۲ کیفیت تجزیه و تحلیل فرصت هوش کسب و کار
۲.۳.۳ پاداش ریسک بده بستان های مختلف و نقشه فرصت هوش کسب و کار

فصل ۳ آمادگی هوش کسب و کار: پیش نیازها برای نفوذ هوش کسب و کار به منظور بهبود منافع سازمان
۳.۱ نگاهی بر آمادگی هوش کسب و کار 
۳.۲ آمادگی هوش کسب و کار، ریسک های کسب و کار، و روشهای توسعه سنتی
۳.۲.۱ نمونه ای از یک شرکت تولیدی
۳.۲.۲ نمونه ای از یک شرکت بیمه از کار افتادگی
۳.۳ فاکتورهای آمادگی هوش کسب و کار
۳.۳.۱ همراستایی استراتژیک
۳.۳.۲ فرهنگ بهبود فرآیند مستمر
۳.۳.۳ فرهنگ استفاده از اطلاعات و نرم افزار های تحلیلی
۳.۳.۴ مدیریت سبد پروژه های هوش کسب و کار
۳.۳.۵ فرهنگ مهندسی فرایند تصمیم گیری
۳.۳.۶ آمادگی فنی هوش کسب و کار و انبارداده 
۳.۳.۷ مشارکت موثر فناوری اطلاعات / کسب و کار برای تحقق هوش کسب و کار
۳.۳.۸ خلاصه: آمادگی هوش کسب و کار
۳.۴ مطالعه موردی: ارزیابی آمادگی هوش کسب و کار BYTECO 

فصل ۴ توسعه هوش کسب و کار بصورت کسب و کار محور با روش مسیر BI

۴.۱ بررسی اجمالی مسیر BI

۴.۱.۱ ویژگی های منحصر به فرد روش مسیر BI

۴.۱.۲ خیاطی سازمانی روش مسیر BI

۴.۲ قسمت ۱: فاز معماری روش مسیر BI

۴.۲.۱ بررسی موردی در خصوص سرمایه گذاری در فاز معماری

۴.۲.۲ مروری بر فاز معماری مسیر BI : همراستایی برنامه های هوش کسب و کار برای دستیابی به بازگشت سرمایه 

۴.۲.۳ تنظیم بنیاد معماری برای موفقیت پروژه هوش کسب و کار

۴.۲. معماری مسیر BI

۴.۳ قسمت ۲: فاز پیاده سازی روش مسیر BI

۴.۳.۱ مدل سازی منطقی بازار داده ها

۴.۳.۲ کار توسعه فنی

۴.۴ فاز عملیات و بهبود مستمر روش مسیر BI

فصل ۵ رهبری و مدیریت برنامه بهبود منافع هوش کسب و کار محور  

۵.۱ چشم انداز رهبری در بهبود منافع هوش کسب و کار محور

۵.۱.۱ تغییر فرهنگ استفاده از اطلاعات

۵.۱.۲ سه مرحله از تغییر فرهنگی هوش کسب و کار محور

۵.۱.۳ مراحل پیشرفت بلوغ هوش کسب و کار

۵.۲ دیدگاه مدیریت عمومی در بهبود منافع هوش کسب و کار محور

۵.۲.۱ طرح برنامه برای بهبود منافع هوش کسب و کار محور

۵.۲.۲ خلاصه: طرح برنامه برای بهبود منافع هوش کسب و کار محور

۵.۲.۳ بهبود منافع هوش کسب و کار محور مسئولیت مدیریت عمومی است

۵.۳ بهبود منافع هوش کسب و کار محور، عبور از شکاف

فصل ۶ هوش کسب و کار در عرصه فناوری اطلاعات گسترده تر

۶.۱  کجا هوش کسب و کار با پرتفولیوی فناوری اطلاعات متناسب میگردد؟

۶.۲ دارایی های فناوری اطلاعات مورد نیاز برای هوش کسب و کار

۶.۲.۱ محدوده پایه و پیکربندی دارایی های فناوری اطلاعات مورد نیاز برای هوش کسب و کار

۶.۲.۲ محصولات کلیدی فناوری اطلاعات برای هوش کسب و کار

۶.۲.۳ خلاصه:دارایی های فناوری اطلاعات مورد نیاز برای هوش کسب و کار

۶.۳ محیط هوش کسب و کار در محیط فناوری اطلاعات

۶.۳.۱ فرآیند توسعه هوش کسب و کار

۶.۳.۲  تولید هوش کسب و کار و فرایندهای پشتیبانی

۶.۳.۳ هوش کسب و کار و منابع انسانی

فصل ۷ راه های مهمی که هوش کسب و کار می تواند به بهبود منافع بیانجامد

۷.۱ تاثیر صنعت، رقبا، و طرح کسب و کار شرکت بر روی فرصت های هوش کسب و کار

۷.۲ بررسی عمومی فرصت های هوش کسب و کار

۷.۳ هوش کسب و کار برای فرآیندهای مدیریت

۷.۳.۱ راه های متداول هوش کسب و کار به منظور بهبود فرآیندهای مدیریت

۷.۳.۲ هوش کسب و کار و کارت امتیازی متوازن: توانمدسازی مدیریت استراتژیک

۷.۳.۳ هوش کسب و کار و حسابداری مدیریت: بهبود عملکرد عملیاتی و مالی

۷.۳.۴ خلاصه: هوش کسب و کار برای فرایندهای مدیریت

۷.۴ هوش کسب و کار برای فرآیندهای تولید درآمد

۷.۴.۱ خلاصه: هوش کسب و کار برای فرایندهای تولید درآمد

۷.۵ هوش کسب و کار برای فرایندهای عملیاتی

۷.۵.۱ راه های متداول هوش کسب و کار به منظور بهبود فرایندهای عملیاتی

۷.۵.۲ خلاصه: هوش کسب و کار برای فرایندهای عملیاتی

فصل ۸ اشتباهات رایج شرکت ها در ابتکارات هوش کسب و کار 

۸.۱ عامل موفقیت حیاتی: ایجاد گزاره ارزش

۸.۱.۱ اشتباه # ۱: نبود هیچ همراستایی صریحی بین استراتژی هوش کسب و کار و استراتژی کسب و کار

۸.۱.۲ اشتباه # ۲: ندانستن چگونگی تعریف نیازهای اطلاعاتی

۸.۱.۳ اشتباه # ۳: نداشتن چشم انداز بازاریابی برای اخذ حمایت سازمانی

۸.۲ عامل موفقیت حیاتی: ایجاد و مدیریت یک برنامه هوش کسب و کار 

۸.۲.۱ اشتباه # ۴: استفاده از شیوه آگهی تک کاره برای انتخاب و تامین بودجه پروژه های هوش کسب و کار

۸.۲.۲ اشتباه # ۵: مهیا کردن زمینه حاکمیتی ناکافی برای هوش کسب و کار 

۸.۲.۳ اشتباه # ۶: تعریف برنامه های حاکمیتی بر اساس اطلاعات اولیه پروژه هوش کسب و کار 

۸.۲.۴ اشتباه # ۷: عدم وجود موقعیت استراتژیک هوش کسب و کار در کسب و کار سازمان

۸.۲.۵ اشتباه # ۸: عدم وجود منابع کافی و بودجه برای حمایت از تلاش های مورد نیاز برای یک طرح موفق هوش کسب و کار

۸.۳ عامل موفقیت حیاتی: بهینه سازی زیرساخت های فنآوری اطلاعات برای هوش کسب و کار

۸.۳.۱ اشتباه # ۹:  استفاده از زیرساخت های فنی که  به اندازه کافی از هوش کسب و کار حمایت نمیکند

۸.۳.۲ اشتباه # ۱۰: استفاده از طراحی و روش های توسعه سیستم های اطلاعات عملیاتی  

۸.۳.۳ اشتباه # ۱۱: استفاده از استانداردهای فناوری اطلاعات و سیاست های طراحی شده برای سیستم های عملیاتی

۸.۴ عامل حیاتی موفقیت: مدیریت تغییر سازمانی مورد نیاز برای بدست آوردن ارزش

۸.۴.۱ اشتباه # ۱۲: عدم استفاده از رویکردهای مهندسی مجدد فرآیند کسب و کار به منظور بهینه سازی استفاده از قابلیت های هوش کسب و کار جدید

۸.۴.۲ اشتباه # ۱۳: عدم تمایل به ایجاد تغییرات سازمانی مورد نیاز برای به دست آوردن اطلاعات مورد نیاز برای دستیابی به هوش کسب و کار

۸.۴.۳ اشتباه # ۱۴: عدم ایجاد مشوق های سازمانی 

۸.۴.۴ اشتباه # ۱۵: عدم بهره برداری از پتانسیل کامل اطلاعات 

فصل ۹ بررسی افق

۹.۱ هوش کسب و کار به سمت مسیر اصلی حرکت میکند

۹.۲ مهندسی فرایند تصمیم: تجهیز کارکنان دانش به اطلاعات و استانداردهای سازماندهی و پاسخگویی

۹.۳ مهندسی مجدد دانش کار: آزاد سازی قدرت هوش کسب و کار

۹.۳.۱ ایجاد یک چشم انداز از اینکه چگونه کار دانشی بر روی منافع اثر گذاری میکند

۹.۳.۲ اتخاذ تصمیمات خاص در مورد مدیریت و چارچوبهای تحلیلی برای فرایندهای اصلی کسب و کار که روی منافع تاثیر گذار است

۹.۳.۳ تعیین اطلاعات مربوط به کسب و کار مورد نیاز برای نیازهای چارچوب انتخاب شده

۹.۳.۴ تعیین چگونگی اتخاذ تصمیم های کلیدی و شخص تصمیم گیرنده

۹.۳.۵ اندازه گیری فرآیندهای کسب و کار و فرایندهای تصمیم گیری

۹.۳.۶ سرمایه گذاری در هوش کسب و کار و مهارت های مدیریت فرآیند کسب و کار، روش ها، و ابزار

۹.۳.۷ مدیریت تغییرات لازم برای تغییر مسیر کار دانشی از مدل صنعتگری به مدل سیستم

۹.۴ بستن حلقه: بهینه سازی و یکپارچه سازی عملکرد استراتژیک، تاکتیکی و عملیاتی کسب و کار

۹.۵ موانع تحقق مزایای هوش کسب و کار

۹.۵.۱ سر و صدا و سردرگمی در محیط ابزارهای کسب و کار 

۹.۵.۲ شکاکیت نسبت به گزاره ارزش فن آوری اطلاعات

۹.۵.۳  چالش های اجرایی و مدیریتی فناوری اطلاعات

۹.۵.۴ رقابت منابع کسب و کار و فناوری اطلاعات

۹.۵.۵ شرایط ریسک گریزی

دانلود کتاب: The Profit Impact of Business Intelligence.pdf

 

فهرست مطالب کتاب - داشبورد عملکرد: اندازه گیری، نظارت و مدیریت کسب و کار شما

فهرست مطالب کتاب

Performance Dashboards
Measuring, Monitoring, and Managing Your Business

Second Edition
WAYNE W. ECKERSON

داشبورد عملکرد

اندازه گیری، نظارت و مدیریت کسب و کار شما

 

بخش اول - چشم انداز برای داشبورد عملکرد

------------------------------------
فصل 1 داشبورد عملکرد چیست؟ 3
فصل 2 زمینه برای داشبورد عملکرد 23
فصل 3 ارزیابی آمادگی سازمانی شما 43
فصل 4 ارزیابی آمادگی فنی شما 57
فصل 5 روش ایجاد همسویی کسسب و کار و فناوری اطلاعات  81

بخش دوم - داشبورد عملکرد در عمل 99

------------------------------------
فصل 6 انواع داشبورد عملکرد 101
فصل 7 داشبورد عملیاتی در عمل 123
فصل 8 داشبورد تاکتیکی در عمل 139
فصل 9 داشبورداستراتژیک در عمل 157

بخش سوم - عوامل حیاتی موفقیت

-----------------------------------
فصل 10 روش راه‌اندازی، مدیریت و حفظ پروژه 181
فصل 11 روش ایجاد معیارهای عملکرد موثر 197
فصل 12 روش طراحی صفحه نمایش داشبورد موثر 223
فصل 13 روش معماری داشبورد عملکرد 251
فصل 14 روش استقرار و تجمیع داشبوردها 273
فصل 15 روش  اطمینان از پذیرش و ایجاد تغییرات مثبت 293

 

 

چگونه پیاده سازی انبارداده سازمانی به سازمان ها کمک میکند؟

چگونه پیاده سازی انبارداده سازمانی به سازمان ها کمک میکند؟

گزارش گيري و اطلاع يابي از رخدادها و عملکردهاي درونی/ بروني سـازمان، يکی از دغـدغه هـا و نيازهاي اساسي مـديران و کارشناسان مي باشد. اين گزارشات با توجه به کاربردهاي آنـها درحوزه هـاي مـختلف سازمان همواره نيازمند پـويايي و تـغيير سـاختار هـستند. کـارشناسان واحـد طـراحي و اسـتخراج گـزارش هاي جـامع سازماني با استفاده از انواع ابزارهاي گزارش ساز امکان پاسخگويي به انواع گزارشها را دارا مي باشند.

 

● گزارش هاي آماري(Cross Tab) ● گزارش هاي اطلاعاتي ● نمودارهاي آماري ● گيج هاي کنترلي ● نمودارهاي جغرافيايي (GIS)	● ارائه گزارش هاي جدول محور ● ارائه گزارش هاي ليست محور ● ارائه گزارش هاي تـصويـري ● ارائه گزارش هاي کـنترلـي ● ارائه گزارش های جـغرافـيايي	جهت امور کارشناسی:
● گزارشهاي آماري و اطلاعاتي پارامتريک و شرطي ● گزارش هاي آماري و اطلاعاتي ● تحليل هاي اگر –آنگاه (what-if) و پيش بيني (Trend)	● پرسش هاي عمومي و تکراري ● پرسش هاي خــاص و مـوردي ● پرسش هاي تحليلي	جهت پاسخ به:
● داشبوردهاي کنترلی ● نمایش آمار و اطلاعات بر روی نقشه های GIS	● در قالب داشبورد های مدیریتی ● در قالب اطلس جغرافیایی	جهت تصویر سازی: (نگاه مدیریتی)
● داده کاوی	● دسته بندی مسائل ● تولید توصیه ها ● آنالیز رفتار ها ● شناسائی امور غیر متعارف	جهت استخراج دانش:

 

هدف تجمیع اطلاعات موجود در کل سازمان و ایجاد انبار داده های موضوعی از دو طریق زیر می باشد:
• تجمیع اطلاعات همه ی بانک های اطلاعاتی سیستم های مکانیزه و جاری سازمان
• جمع آوری اطلاعات با کمک ابزار های فرم ساز و مدیریت گردش اطلاعات
 بنابراین با ابزارهای گزارش ساز می توان جهت معنا بخشیدن به داده ها و اطلاعات برای تسهیل تصمیم گیری ها، انواع مختلف گزارش های جامع و کاربردی را طراحی و مورد استفاده قرار داد. هـمچنین با ایـجاد انـبار داده مـوضوعی، مدیریت دانش در سازمان در دسترس خواهد بود. انواع گزارش های قابل ایجاد در انبارداده عـبارتنداز:

 شايان ذکر است که کارشناسان واحد طراحي و استخراج گزارشهاي جامع سازماني، امکان بررسي و طراحي فرايندهاي مصرف اطلاعات و نهادينه کردن بازخورد مصرف اطلاعات را دارا می باشند .
 طراحی فرایند های تصمیم سازی منطبق بر گزارشهای سازمانی، یکی از ارزش افـزوده های اسـتقرار نـظام جامع آماری سازمان خواهد بود.

 

ایجاد شاخصهای عملکرد کلیدی سازمان و پایش مداوم آنها از طریق داشبورد های مدیریتی، از نتایج اصلی ايجاد انبارداده محسوب می شود. تجمیع داده های سیستم ها، یکپارچه سـازی و اسـتخراج دانـش ازآنها، مدیران را در اتخاذ تصمیم های مناسب و به موقع یاری می کند.

 منبع: سایت فرابر  با کمی تغییر

Sqoop چیست ؟

 

Sqoop
SQL-to-Hadoop database import and export tool

 

نکات مهمی که در طراحی و پیاده سازی موفق انبارداده سازمانی باید از آنها اجتناب کرد:

نکات مهمی که  در طراحی و پیاده سازی موفق انبارداده سازمانی باید از آنها اجتناب کرد:

１.  شروع با حمایت کننده اشتباه

２.  تعیین انتظاراتی که شما نمیتوانید به آن دست پیدا کنید و دور کردن مدیران از واقعیت

３.  درگیری در رفتارهای سیاسی

４.  بارگذاری هرگونه اطلاعات در دسترس در انبارداده

５.  اعتقاد و باور به اینکه طراحی پایگاه انبارش داده ها شبیه طراحی پایگاه داده تراکنشی است

６.  انتخاب مدیر پروژه ای که به جای توجه به کاربران، بیشتر به فناوری گرایش دارد.

７.  انتقال داده ها با استفاده از تعاریف پیچیده و گیج کننده.

８.  باور به وعده های داده شده در مورد ظرفیت، عملکرد و قدرت کارآیی

９.  باور به حل مسائل به محض استقرار و فعال شدن انبار داده.

１０.                  تمرکز بر داده کاوی و گزارش گیری موقتی و دوره ای به جای استفاده از هشدارها

 

کیفیت داده های سازمان

کیفیت داده های سازمان

چند نکته مهم درباره کیفیت داده باید مورد توجه سازمان ها باشد
۱.داده دقیق است
به این معنی که به عنوان مثال آدرس از چند فیلد دیگر مانند استان، شهر و کد پستی تشکیل میگردد. برای یکی از مشتریان زمانی میتوان گفت آدرس موجود صحیح و دقیق است که واقعا مشتری در همان آدرس سکونت داشته باشد!
۲.داده بروز است
به عنوان مثال آدرس مشتری در حال حاضر نیز کاملا درست است
۳. داده کامل است
شامل اطلاعات کامل است. مثلا آدرس شامل آپارتمان، شماره سويیت، کد پستی و .. است
۴.داده افزونگی ندارد
به عنوان مثال برای هر مشتری تنها یک آدرس وجود داشته باشد
۵. داده استاندارد باشد
هر رکورد زیر تحت استاندارد شناخته شده ای برای نام، علائم نقطه گذاری و اختصارات ایجاد شده باشد..

xmla چیست ؟

یک سند ایکس ام ال - XML - برای تحلیل است که میتواند به عنوان استانداردی برای دسترسی به داده ها در OLAP, Dataminig , Data Source های روی فضای اینترنت تعریف شود. xmla در واقع یک نوعی از SOAP- Simple Object Access Protocol بشمار میرود. xmla از روش های کشف و اجرا استفاده میکند. تا زمانی که عمل اجرا، توانایی دستیابی به داده ها را برای برنامه های کاربردی برقرار نگه میدارد، عملیات کشف داده ها انجام میگردد. xmla ایکس ام الی برای تحلیل، به عنوان یک استاندارد برای برقراری ارتباط میان یک نرم افزار کاربردی روی کلاینت با منبع داده چند بعدی روی سرور است. زبان پرس و جو زبان MDX است.

مهندسی ارزش و هوش تجاری

 

بنام خدا

روز ۱۷ اردیبهشت، یعنی حدود ۵ روز قبل در حاشیه کنفرانس ملی تجارت و اقتصاد الکترونیکی کارگاه آموزش در خصوص مهندسی ارزش توسط جناب آقای دکتر قدمی برگزار شد که متاسفانه یا خوشبختانه از آنجایی که این کارگاه باعث شده بود کارگاه آموزش داده کاوی که مجری آن شرکت ما بود به روز ۱۸ اردیبهشت منتقل شود، بنده مجبور شدم در این کارگاه حضور داشته باشم !

دلیل اجبار هم این بود که به من اطلاع دادند که عده ای از علاقه مندان کارگاه داده کاوی به اشتباه در جلوی درب تالار فیض تجع کرده اند و نیاز به اطلاع رسانی در خصوص جابجایی برنامه دارند.

به هر حال بنده وقتی پایم را به داخل تالار گذاشتم و جمعیت ۵ یا ۶ نفری افراد حاضر در کارگاه را دیدم احساس کردم که اینجا باید یک خبر مهمی باشد!!!! چون معمولا ما از سخنان معمولی استقال میکنیم نه از سخنان سنجیده ...

خلاصه اینکه نشستم و گوش داده.

مطالبی که ایشان راجع به مهندسی ارزش میفرمودند از سخنانی که تا قبل از این شنیده بودم متفاوت بود و از بُعدی به قضیه نگاه میکردند که من حس کردم به دیدگاه های شخصی من بسیار بسیار نزدیک است.

مهندسی ارزش یعنی احصای ارزش های یک سازمان با توجه به چشم انداز،اهداف، استراتژی ها و ماموریت سازمان.

پیاده سازی آن چگونه است؟

با استفاده از ابزارها و مدل های تعین استراتژی مثل کارت امتیازی متوازن.

نکته جالب برای من چه بود ؟

تاکید استاد بر تعیین شاخص های اندازه گیری عملکرد و نظارت و رسیدن به سازمان هوشمند و زنده !

یعنی استقرار نظام هوش کسب و کار یا هوش تجاری !

بطور کلی در دنیای متلاطم امروز، از هر منظری که با بحث سازمان و مدیریت بهینه آن نگاه شود، به مقوله جذاب هوش کسب و کار میرسیم!

سازمان های هزاره سوم، سازمان های هوشمند هستند و این هوشمندی حاصل همکاری تمام دانش ها و علوم مختلف است.

از ریاضی و آمار و کامپیوتر و هوش مصنوعی و محاسبات عددی و داده کاوی و بانک های اطلاعاتی و مهندسی ارزش و بازمهندسی فرآینده ها ومدل های تعالی سازمانی و مدیریت دانش و مدیریت ارتباط با مشتریان و مدیریت زنجیره تامین و ادبیات و اقتصاد و حقوق و همه و همه گرفته تا فلسفه و عرفان !!!!

امیدوارم روزی برسد که تمام سازمان ها هوشمند شده باشند ....

 

 

 

دلایل شکست پروژه های هوش تجاری درسازمان

 

دلایل شکست پروژه های هوش تجاری درسازمان  

 

هوش کسب وکار یک رویکرد و استراتژی بر مبنای معماری مبتنی بر فناوری اطلاعات است. اما پیاده سازی و استقرار هوش تجاری در سازمان نیازمند دیدگاهی همه جانبه است. دلیل ۴۰ تا ۶۰ درصد شکست پروژه های هوش تجاری رویکرد مبتنی بر فناوری اطلاعات محض بوده است.

معیار هایی که برای سنجش پیاده سازی موفق هوش تجاری در سازمان ها میتوان در نظر گرفت عبارتند از :

ü      تصمیمات بهتر با سرعت و اثربخشی بیشتر

ü      عملیات ساده و موثر

ü      سیکل های کوتاهتر توسعه و عرضه محصول جدید به بازار

ü      درآمد بیشتر از کسب و کار موجود

ü      قابلیت بهره برداری از فرصت های جدید

ü      رضایت بیشتر مشتری و سطوح سرویس دهی بالاتر

ü      بهبود  بازاریابی و افزایش میزان فروش

و عواملی که برای شکست یک پروژه هوش تجاری میتوان در نظر گرفت عبارتند از:

1.      فقدان همکاری و درگیری سازمانی

سیستم هوشمندسازمانی دائما در حال استنتاج و بروز رسانی هستند و نیاز به درگیری کارکردی دارند. سیستم هوش تجاری یک سیستم مستقل نیست بلکه استراتژی سازمان ها باید بگونه ای باشد که تعهد همکاری از همه واحد های کسب و کار در‌ آن منعکس شود.

2      فقدان پشتیبانی از سوی  سازمان

پروزه هوش تجاری نیاز به پشتیبانی از بالا دارد. در غیر اینصورت مانند سایر پروژه های فناوری اطلاعات در سازمان به آن نگاه میشود و این مساله منجر به دور شدن هوش تجاری از اهداف کلان و تمرکز بر کسب کار خواهد شد.

.3      فقدان بخش های اجرایی مختص کسب و کار

پروژه های هوش تجاری نباید توسط ستاد فناوری اطلاعات اجرا شوند زیرا فاقد تیزهوشی و رهبری لازم برای کسب و کار هستند. دلیل این امر این است که بخش های کسب و کار دارای یک بینش برای دستیابی به موفقیت هستند. بنابراین باید مدیران بخش ها و واحد های مختلف سازمان را برای مشارکت در پروژه هوش تجاری تحریک کرد.

.4      فقدان کارشناس و آموزش

از آنجاییکه پروژه های هوش تجاری کاملا کارکردی هستند، مهارت های تجزیه و تحلیل بالایی در کارمندان را میطلبند و به دانش شاخصهای ارزیابی عملکرد مانند کارت امتیازی متوازن برای ستجش و محک موفقیت احتیاج دارند.از این رو نیاز به استخدام و آموزش کارشناسانی در همه بخش های مورد نیاز خواهد بود.

.5      فقدان برنامه ریزی دقیق

 

پروژه های هوش تجاری به دلیل ماهیت تکراری بودن، نیاز به برناه ریزی دارند. به منظور غلبه بر مشکلات آینده ، برآورده ساختن احتیاجات پروژه ای نظیر منابع داده،پایگاه داده ها، هزینه یابی، ارزیابی ریسک، برنامه ریزی تفصیلی پروژه، عوامل کلیدی موفقیت و محدودیت ها باید بصورت واضح طرح ریزی شوند.

.6      فقدان توسعه تکراری

.7      داده های چند تکه و فاقد استاندارد

نیاز به طراحی انبار داده های سازمانی، عدم استفاده از ابزارهایی که منجر به پیامدهای تبادل اطلاعاتی و افزایش پیچیدگی ها میگردند.

.8      عدم کیفیت داده های منبع و طراحی انبار داده ها

تعریف خوب از انبار داده ها زیرا انبار داده باید خودش بتواند خودش را تعریف کند و توصیف کند و فعالیت ها را در جهت فعالیت های کسب و کار هدایت کند. همچنین کیفیت داده ها و محل نگهداری آنها بسیار مهم است. مرحله پاک سازی داده ها بسیار مهم است.

 

منبع: کتاب هوشمندی کسب و کار و داده کاوی

 

 

بازمهندسی فرآیندهای کسب و کار

چندی پیش گوشی موبایلم رو دزدی از دستم قاپید و بر ترک موتوری نشست و متواری شد و تلاش های آی دزد آی دزد گونه من و دویدن بدنبال موتور حاصلی در پی نداشت !

از نظر روحی ناراحت بود، هم بخاطر اطلاعات محرمانه و با ارزشی که در گوشی داشتم و هم بخاطر ارزش مادی آن !

من به سرعت با پلیس ۱۱۰ تماس گرفتم.

بعد از لختی انتظار مامور پلیس با موتور در محل حادثه حاضر بود.

آنقدر متلاطم بودم که احساس میکردم اگر حتی لحظه ای سریعتر بتوانم ما وقع را به او شرح دهم، شاید او بتواند سریع تر دزد را دستگیر کند !!

تا بحال این حس را تجربه نکرده بودم.

او اما با خونسردی تمام شرح ماوقع را از من پرسید و سپس در آرامش تمام روی برگه ای شرح گزارش خود را یادداشت کرد.ظاهرا این برگه بیشتر از آنکه ارزشی برای من داشته باشد نشان دهنده حضور این پلیس وظیفه شناس در محل جرم مینمود !

به هرحال یک نسخه از گزارش را به من داد و گفت فردا ! با این برگه به کلانتری ۱۰۷ طالقانی برو و ادامه کار را پیگیری کن .

با شنیدن این جمله دانستم که خیالات من برای پیدا شدن دزد، ریشه در داستان های اساطیری و  رویاها و فیلم ها و کارتون ها دارد و حقیقت این است که دزد را فعلا کسی کاری ندارد و نمی تواند داشته باشد چون من نه قادر به شناسایی چهره بودم و نه شماره پلاک او را میدانستم.

به هر تقدیر به کلانتری رفتم و بعد از حدود ۳۰ دقیقه و پر کردن فرم های شرح ما وقع و کپی گرفتن از مدارک و... یک شماره پرونده به من تخصیص داده شد و گفتند که با این مدارک ابتدا به دادسرا و سپس به پلیس آگاهی برو.

آدرس دادسرا حوالی میدان آذری بود و رفتن به میدان آذری در روزهای سخت کاری آخر سال مستلزم مرخصی حداقل ۴ ساعته بود.

این مساله باعث شد رفتن به دادسرا را یک روز به تاحیر بیاندازم و پس فردای آن روز به دادسرا رفتم.

بسیار جالب بود که در دادسرا من فقط با معاونت ارجاع کار داشتم !!!

برگه من را معونت ارجاع امضا کرد و به آگاهی هشتم واقع در میدان نیلوفر ارجاع داد! جایی که قبلا کلانتری اعلام کرده بود !

سوالی در ذهنم ایجاد شد. چرا تا اینجا کشاندند مرا؟؟؟!! اگر دلیل آن امضای معاونت ارجاع بود که با روش های ساده تر هم میشد !!

صبح روز بعد به پلیس آگاهی مراجعه کردم.آنجا هم بعد از برگزاری مراسم << ۳ سری کپی گیرون >> به بخش جیب بری و کیف قاپی رفتم و مدارک را تحویل دادم. مجددا در برگه ای شرح ماوقع را توضیح دادم و در نهایت شماره سریال موبایل را درآن برگه یادداشت کردم تا به حکم دادگاه کوشی موبایل تحت پیگرد قرار بگیرد.

گفتند به محض اینکه گوشی روشن بشه با شما تماس میگیریم و اطلاع میدهیم.

این بود داستان ۳ روزه گرفتاری من برای اطلاع دزدی گوشی موبایلم !

شدیدا در فکرم که بازمهندسی روی این فرآیند انجام بدم .

لینک مقاله بررسي كاربرد هوش تجاري در فرايندهاي دولت الكترونيكي به وسيله تحليل مفهومي دولت

با تشکر از جناب آقای سعید بهفر که لینک مقاله رو ارسال کردن

دوستان میتونن دانلود کنن

http://www.irannsr.org//parameters/irannsr/modules/cdk/upload/content/magzin_takfa/10/15.pdf

ترجمه سندی از گارتنر - راه حل های موثر هوش تجاری برای دنیای تجاری امروز

Effective Business Intelligence Approaches for Today’s Business World

مترجم: سید محمود شجاعی کیاسری

شامل بخشهایی از این نوشته که در  محدوده ارزیابی آمادگی سازمان ها برای استقرار هوش تجاری است.

تاریخ:۱۴/۱۱/۱۳۹۰

راه حل های موثر هوش تجاری برای دنیای تجاری امروز

مدیران و مجریان برای مدیریت هر چه بهتر کسب و کار به راه حل های هوش تجاری نیازمندند. سازمانهایی که در پیاده سازی راه حل ها شکست خورد اند، از دستیابی یه مزایای رقابتی بازمانده اند. برای دستیابی به موفقیت در محیط تجاری امروز سازمان ها باید :

آمادگی خود را برای رویارویی با چالش هایی که از حقایق کسب و کار ایجاد میشوند ارزیابی کنند.

برای فعالیت های هوش تجاری راه حل های مناسب ایجاد کند.

بهترین تجربیات را بررسی نماید و هزینه های پنهان را تخمین بزند.

موضوعات کلیدی تحلیلی در این بخش عبارتند از:

-        چگونه یک سازمان میتواند سود سرمایه گذاری هوش تجاری را بیشینه کند؟

-        سازمان ها به کدام فعالیت های هوش تجاری نیاز دارند؟ و کدامها را مورد استفاده قرار میدهند؟

-        بعضی از هزینه های پنهان مرتبط با ایجاد هوش تجاری کدام اند ؟

 

۳.۱. دستیابی به بهترین بازگشت از سرمایه گذاری هوش تجاری

۳.۱.۱. اهمیت وجود فریمورک هوش تجاری

موضوع کلیدی: سازمان چگونه میتواند سرمایه گذاری هوش تجاری را بیشینه کند؟

راهنمای تاکتیکی: موفقیت اجرای هوش تجاری و ارزش دریافتی بستگی به همسویی موثر و یکپارچگی موثر دارد.

بسیاری از سازمان هاهوش تجاری و انبارداده ها را به عنوان تجربیات تکنیکی برای سازمان های اطلاعاتی خود میدانند. این دیدگاه منتج به پیاده سازی فاقد ارزش های مهم کسب و کار میگردد و سازمان های اطلاعاتی را برای واکنش پیوسته و دائمی در برابر تغییرات مورد نیاز کسب و کار مجبور میکنند.

در یک پیوستار، سازمان هایی که به هوش تجاری نگرش استراتژیک دارند، و از آن به عنوان یک تسهیلگر برای تغییرات مورد نیاز کسب و کار استفاده میکنند و آن را برای تحقق اهداف کلیدی کسب و کار بنا میکنند، به بهره سودهای بالایی که از نگاه وسیع تر به کسب و کار بدست می آوردند دست خواهند یافت.

دستیابی به نقطه‌ای که هوش تجاری در جایگاه اجرایی و مشخص و استراتژیک قرار داشته باشد نیاز به درک نیازمندی های کسب و کار، برنامه ریزی دقیق و همسویی مشخص سازمانی دارد. فریمورک هوش تجاری گارتنر مدلی را برای همسویی و یکپارچگی هوش تجاری و دستیابی به نتایج بهینه مهیا میکند.(شکل ۳-۲)

جاییکه شکست یا موفقیت هوش تجاری نهایتا اندازه گیری میشود،اهداف استراتژیک و عملیاتی کسب و کار، درسطح کسب و کار نعریف شده اند. در سطح سازمانی سازمان نیاز به تعریف موارد زیر دارد :

１.   مهارت های در دسترس

２.   نیازهای کسب و کار

３.   “فعالان هوش تجاری”  - که سطح کاربران کسب و کار از نظر درک مفاهیم هوش تجاری

４.   فرهنگ سازمانی

５.   اشتراک گذاری و استفاده مجدد از روش ها، مفاهیم و داده ها

سطح فعالیتی جاییست که سازمان هاتکنولوژی ها، پلت فرم ها، ابزارها، و نرم افزارهای کابردی مشخص هوش تجاری برای رفع نیازهای کسب و کار و سازمان را انتخاب میکنند.

سطح فعالیتی روی زیرساخت ها بنا میشود،که تشکیل شده انتخاب هایی برای :

１.   انبارداده ها

２.   ذخیره سازی داده های عملیاتی

３.    ای تی ال

４.   تکنولوژی ها و ابزارهای یکپارچه سازی داده ها

آیتم عمملیاتی : فریمورک هوش تجاری را برای همسویی اجرای هوش تجاری و اهداف کسب و کار استفاده کنید و انتخاب های استراتژیک انجام دهید.

۳.۱.۲.  هوش تجاری نیازمند اهداف استراتژیک است

راهنمای تاکتیکی: اهداف کسب و کار باید خلاقیت و سرمایه گذاری هوش تجاری را راهبری کند.

موفقیت اجرا و خلاقیت هوش تجاری باید بوسیله چگونگی اثر گذاری آن بر اهداف کسب و کار در سطوح عملیاتی و استراتژیک اندازه گیری شود نه با این معیار که چه میزان از رکوردهای اطلاعاتی میتوانند بوسیله آن در انبارداده ظرف ۶ ساعت بارگذاری شوند! یا درجه ترکیب یک مدل داده توسعه داده شده. بنابراین، فقدان وجود تعریف اهداف کسب و کار ارزیابی موفقیت یا تاثیر  هوش تجاری را مشکل میکند.

انجام ارزیابی کسب و کار پیش از سرمایه گذاری در زمینه هوش تجاری، زمینه ایجاد یک اعتبارسنجی کم هزینه و سریع برای یک پروژه با مدیریت هدفمند و دست یافتنی را محیا میکند.همچنین این ارزیابی یک تمرکز و توجه خاصی را بین سازمان اطلاعاتی و کابران کسب و کار ایجاد میکند.

این ارزیابی یک گفتگو بین گروه های مجزا(سازمان اطلاعاتی و ) که باید :

１.   اهداف کسب و کار را شناسایی کنند

２.   چگونگی توانایی هوش تجاری برای موفقیت این اهداف را نشان دهند.

３.   تنظیم و تعیین محدوده و اندازه پروژه

４.   پیش بینی و تعیین میزان سرمایه گذاری مورد نیازس

حتی اگر ابتکارات هوش تجاری در حال حاضر در دست انجام است، این کار ممکن است باعث یک گام به عقب شود، ارزیابی زیربناها و کشف زمینه های دارای پتانسیل برای نفوذ پذیری بالاتر شود. پرسشنامه ها برای پرسش در این زمان میتواند شامل موارد زیر باشد:

１.   آیا سایر اهداف تجاری و فرصت های کسب و کار بطور نمایی توسط ایتکارات هوش تجاری نشان داده شده و وجوه آنها پوشش داده شده است ؟

２.   آیا اهداف کسب و کار بخوبی کورد بررسی قرار گرفته اند؟

３.   آیا شاخص های ارزیابی عملکرد تعریف شده اند ؟

４.   چند وقت به چند وقت و با چه دقتی باید شاخص های ارزیابی عملکرد سنجیده و مورد تحلیل قرار بگیرد؟

５.   آیا کاربران مناسب و شایسته به اطلاعات و تحلیل های میانجی دسترسی دارند؟

６.   تاثیر افزایش یا بهبود داده ها، دسترسی ها یا تحلیل ها چگونه خواهد بود؟

７.   تاثیر بلادرنگ بودن بیشتر داده ها و تحلیل ها چگونه خواهد بود؟

８.   آیا ضامن و حامی در دسترس وجود دارد؟

آیتم عملیاتی‌:

اهداف استراتژیک و تاکتیکی کسب و کار که پیش برنده ابتکارات هوش تجاری و حامی آن هستند را تحلیل کنید. این اهداف در نهایت موفقیش را تعریف میکنند.

۳.۱.۲.۱. مطالعه موردی: اهداف روشن، باعث تحقق موفقیت ابتکارات هوش تجاری میشوند.

۳.۱.۳. ابتکارات هوش تجاری ابتدا نیازمند سنجش آمادگی هستند.

راهنمای تاکتیکی: سنجش و ارزیابی سازمان اطلاعاتی و کاربران کسب و کار، سطح فعالان هوش تجاری و فرهنگ سازمانی احتمال موفقیت سازمان در استقرار ابتکارات هوش تجاری را افزایش میدهد.

قبل از اینکه سازمان ایجاد انبار داده و ابتکارات هوش تجاری را به عنوام مبدا حرکت قرار دهد میبایست خود ارزیابی را برای سنجش میزان آمادگی اش کامل نماید.آنها باید بطور صادقانه مهارت های موجود، سطوح فعالان هوش تجاری و فرهنگ سازمانی را محاسبه کنند، قبل از هزینه و تعیین مجموع پول و بودجه مورد نیاز متوجه چالش های پیش رو خواهند شد و میتوانند میزان موفقیت را تشخیص بدهند.

برای ارزیابی پتانسیل سازمانها برای موفقیت در هوش تجاری، سازمان ها باید  به سطح فعالان هوش تجاری جمع شده توسط کاربران هر دو گروه سازمان اطلاعاتی و کمیته کسب و کار نمره ای نسبت بدهند.

ابتدا،  باید نمره ای برای اینکه کدامیک از جملات زیر برای سازمان اطلاعاتی کاربردی ترند بدهند :

１.   سرویس اطلاعاتی نیاز به هوش تجاری و پتانسیل هپش تجاری را درک میکند.

２.    مهارت های مورد نیاز و منابع مورد نیاز را در اختیار دارد.

３.   مسئولیت لازم برای برپایی زیرساخت های انبارداده را پذیرفته است.

４.   به عنوان یک تسهیلگر برای بهبود فرآیند ها در سازمان عمل میکند.

５.   در سازمان از جایگاه بلند برخورداست و پیشینه موفقیت دارد.

سپس باید به موارد زیر در خصوص جامعه کاربران کسب و کار نمره ای اختصاص دهند:

１.   کاربران کسب و کار نیاز هوش تجاری و پتانسیل هوش تجاری را درک کرده اند.

２.   آنها پیشینه و سابقه هزینه و حمایت و قهرمانی در ابتکارات فناوری اطلاعات را دارند.

３.   آنها سرویس اطلاعاتی را برای انتشار و توزیع تکنولوژی های جدید راهبری  و حمایت میکنند.

４.   آنها به دنبال یک مشارکت فعال با سرویس اطلاعاتی هستند.

５.   جامعه کاربران کسب و کار مایل به مشارکت در انتخاب تکنولوژی و فرآیند توسعه آن هستند.

هر جمله باید نمره ای بصورت ۰ ( هرگز صدق نمیکند) ، ۱ (برخی اوقات صدق میکند) و ۲ (بسیار زیاد صدق میکند) داده شود و  نمرات هر گروه باید جمع زده شود. بر پایه ی این حاصلجمع ها، سازمان در یکی از ۴ ناحیه مشخص شده در شکل ۳-۳ خواهد افتاد. ویژگی های سازمان در هر یک از دسته ها و فعالیت های پیشنهاد شده برای هر یک از آنها برای اجرا بصورت زیر قابل تلخیص است:

 

دسته A : - هوش تجاری چیست؟

سازمان و کاربران نهایی سطح فعالیت بسیار کمی دارند و هوش تجاری نمیتواند موفق باشد.این وضعیت از ابتکارات جدید مهم جلوگیری میکند زیرا کاربران علاقه ای به هوش تجاری ندارند و کسب و کار بدون بهره از دیدگاه کامل در حال اجراست. اگر ابزار هوش تجاری در جایی موجود باشد، احتمالا از کم قیمت ترین ابزارهای موجوپ در بازار است. فعالیت هایی که باید انجام شوند شامل موارد زیر است :

１.   سرمایه گذاری مهمی در زمینه هوش تجاری استراتژیک انجام نشود.

２.   سازمان اطلاعاتی و کسب و کار، روی مزایای پنهان و پتانسیل نهفته و ارزش های هوش تجاری آموزش داده شوند.

３.   اگر از وضعیت راضی هستید، روی دستیابی گزارشات مدیریتی ساده و موثر بصورت مورد به مورد متمرکز شوید.

دسته B – کاربران را بیدار کنید

سازمان اطلاعاتی در تلاش برای ارتقای هوش تجاری برای کاربران نهایی بی علاقه تنها هستند. هوش تجاری شکست خواهد خورد زیرا راه حل های شامل فناوری اطلاعات ممکن است نتوانند نیازهای کاربران را برآورده کنند. کاربران در استفاده از راه حل هایی که فناوری اطلاعات فراهم میکند شکست خواهند خورد و مزایای کسب و کار محدود شده یا درک نشده اند. اقداماتی که باید انجام شوند عبارتند از:

１.   ارزیابی شود که چرا این وضعیت وجود دارد و چرا سازمان اطلاعاتی “هر جایی که کاربران از راه منحرف میشوند آنها را گم میکنند”.

２.   تلاش برای ایجاد ارتباط بین هوش تجاری و اهداف استراتژیک کسب و کار.

３.   اجرا کردن پروژههای کوچک بصورت پایلوت برای بالا بردن آگاهی مدیران ارشد.

４.   پیدا کردن حامیان سطح بالا ای که ارزش های هوش تجاری را درک میکنند.

دسته C – سازمان اطلاعاتی کجاست؟

انگیزه در کاربران وجود دارد، ولی همکاری لازم از سوی سازمان اطلاعاتی وجود ندراد.کاربران نرم افزارهای کاربردیشان را خودشان خریداری مینمایند که در آینده مشکلات بسیاری را برای توسعه پذیری و رشد کسب و کار بوجود خواهد آورد. مسائل مربوط به هماهنگی، هزینه و استفاده مجدد به سبب تلاش سازمان برای حمایت متعدد و  توقف راه حل های مستقر شده توسط این کاربران رشد خواهد کرد. اقداماتی که باید انجام شود شامل :

１.   تمرکز بر زیرساخت هوش تجاری، نه فقط نرم افزارهای کاربردی، و کنترل شدید بر انتخاب ابزارها برای کمینه کردن سربارها.

２.   استفاده از نفوذ مدیران ارشد برای گنجاندن برنامه هوش تجاری در دستور کار CIO سازمان.

３.   اگر سازمان اطلاعات همچنان همکاری لازم را ندارد، برنامه برونسپاری هوش تجاری در دستور کار قرار گیرد.

 

بخش D -  بهشت هوش تجاری

سازمان شما بهترین تعادل برای استقرار هوش تجاری دارد. سازمان اطلاعاتی و کاربران کسب و کار به اندازه مساوی انگیزه و فعالیت دارند و با یکدیگر برای دستیابی به یک راه حل هوش تجاری ارزش آفرین و مناسب برای سازمان تلاش میکنند. اقدامات لازم عبارتند از:

１.   گسترش اخبار موفقیت ها و اشتراک اعتبار بین کسب و کار و سازمان اطلاعاتی

２.   راه اندازی یک مرکز مهارت هوش تجاری که فناوری اطلاعات و مهارت های کسب و کار را با هم می آمیزد.

３.   پیدا کردن راه حلی برای اتصال هوش تجاری به یک جریان سودآور – به عنوان مثال با اشتراک گذاری اطلاعات بین مشتریان و تامین کنندگان.

４.   قربانی موفقیت خود نشوید- به یک مجموعه کوچک از ابزارها تکیه کنید و پیاده سازی هوش تجاری را تحت کنترل خود درآورید تا همواره از ثبات و نفوذ هوش تجاری اطمینان داشته باشید.

۳.۱.۴. نقش مرکز مهارت هوش تجاری :

هنگامی که سازمان نشان دهنده ترکیبی مناسب از مهارت ها، سطح فعالیت هوش و فرهنگ است، باید مرکز مهارت های هوش تجاری را تعریف و  مورد حمایت مالی و سرمایه گذاری قرار داد.کارکنان مرکز صلاحیت هوش از واحد فناوری اطلاعات و واحد های کسب و کار  تشکیل میشوند که بصورت  تمام وقت یا پاره وقت مشغولند. هوش را درک کرده و به طور فعال کار می کند تا اطمینان از مزایای مستمر از ابتکارات هوش تجاری حاصل شود. توسط اقداماتی نظیر:

１.   نمایش چگونگی تاثیر هوش تجاری بر بهبود تصمیم گیری در کسب و کار به مدیران.

２.   برقراری ارتباط با سازمان اطلاعاتی، اهمیت نقش نرم افزارهای کاربردی هوش تجاری به عنوان بخشی از استراتژی هوش تجاری.

３.   تشویق سازمان اطلاعاتی برای همکاری نزدیک تر با کاربران کسب و کار.

４.   ساخت ارتباطات در سراسر خطوط کسب و کار برای اطمینان از تطابق برنامه های کاربردی جدید با معماری هوش تجاری به لحاظ یکپارچگی و تکامل.

５.   کمک به کاربران برای درک این مساله که استقرار موفق هوش تجاری نیازمند معماری قوی هوش تجاری است.

６.   جلب توجه سازمان اطلاعاتی به این نکته که کاربران کسب و کار برای تحقق اهدافشان به فناوری های چندگانه نیاز دارند تا به نیازهای تحلیلی مختلفشان دست پیدا کنند.

７.   اطمینان از اینکه کاربران کسب و کار نیز حمایت متقابلی از سازمان اطلاعاتی برای تهیه پلت فرمی که بتواند پیش نیازهای تغییرات کسب و کار را حمایت کند دارند.

مرکز مهارت های هوش تجاری نقش مهمی در تشویق سازمان اطلاعاتی به استفاده از ابزارهای جدید فناوری در رفع نیاز های کسب و کار با توجه به تغییرات نیازهای آنان خواهد داشت. بعلاوه، میتواند به بدست آوردن تعهد مناسب درسطح اجرایی برای حل موضوعاتی که  اهداف سازمان های مختلف در یک راستا قرار ندارند.

ارزیابی آمادگی سازمان ها برای استقرار هوش تجاری

سلام

در ادامه مسیر برای انجام پایان نامه، به یک مقاله مفید دست پیدا کردم و دارم ترجمش میکنم

تا اینجاش رو برای بهره برداری دوستان روی وبلاگ قرار میدم.

البته ترجمه به هیچ عنوان لفظی نیست!! مفهومیه بیشتر

ادامشم بزودی ....

 Implementing Business Intelligence – A Readiness Checklist

در این مقاله زیر بنای مورد نیاز برای استقرار هوش تجاری در سازمان در قالب یک چک لیست کاربری دسته بندی شده است.

این تحقیق در ۴ زمینه مهم به بررسی موضوع پرداخته است:

１.    آمادگی داده ها

２.   اطلاعات خروجی مورد نیاز

３.   معیارها و استانداردهای دسترسی به اطلاعات

４.   آمادگی کارمندان سازمان برای تغییر

 

مشکلات در پیاده سازی های هوش تجاری در سازمان های بزرگ شامل مشکلات کاربران کسب و کار سازمان و منابع اطلاعاتی است.

سنجش و ارزیابی آمادگی سازمان برای استقرار هوش تجاری نه تنها برخی از این مشکلات را کاهش میدهد بلکه به موارد زیر نیز کمک میکند :

-          ساده کردن تناسب معنی دار و با اهمیت ارزش منابع و کاهش زمان آسیب و ضرر در پیاده سازی

-          دستیابی به مزایای برنامه ریزی شده هوش تجاری در زمان کوتاهتر.

سازمان ها زمان پر اهمیتی را برای اندیشیدن و بررسی راه کارهای پیاده سازی میگذرانند.

بیگ بنگ، جدا سازی مراحل و فازها، ایجاد نقشه راه برای جایگزینی سیستم های قدیمی موجود در سازمان و مسائلی از این قبیل. اما سازمان ها فراموش میکنند زمینه های عملیاتی که باید قبل از ورود به فاز اجرا انجام شوند را بررسی کنند. این زمینه ها در سطوح بالای سازمان عبارتند از :

-          چه اطلاعاتی مورد نیاز است ؟ صف بندی و تنظیم داده ها

-          این اطلاعات باید چگونه بازیابی شوند؟ فرآیند های گزارش گیری و قالب دهی

-          چه کسانی باید به چه اطلاعاتی دسترسی داشته باشند؟شخصی سازی امنیت اطلاعات

-          چگونه کاربران سازمان بایدآماده استفاده از ابزارهای جدید شوند؟ آمادگی کاربران

 

این مرحله شامل کار کردن روی نیازمندی های دقیق هوش تجاری نیست، شامل تحلیل های عملیاتی هم نیست. این یک مرحله پیش فعال سازی برای درگیر کردن کاربران کسب و کار سازمان و استخراج و استنباط تحلیلی گزارش ها مورد نیاز است.زمانی که این مرحله قبل از طراحی داده ها یا ابزارهای پیاده سازی به اتمام برسد، یک نگاه و دیدگاه بدون تعصب از نیازهای گزارش گیری و آمادگی سازمانی برای استقرار هوش تجاری به سازمان ارائه میدهد.

 

１.   مرتب سازی و طبقه بندی داده ها

این مرحله به شنناسایی داده های مورد نیاز اشاره دارد و باید روی نیازهای کسب و کار در مراحل مختلف با توجه به داده های در دسترس تمرکز داشته باشد. زمانی که به تازگی وارد این مرحله میشوید، میتواند برای بازبینی فرآیند های کسب و کار برای منطقی کردن مفید باشد. بعضی از این مراحل عبارتند از:

-          آماده کردن یک چک لیست از گزارشات موجود مورد استفاده، عناصر داده ای و سیستم های پایه، که شامل این داده ها هستند.

-          شناسایی کارکردهای کسب و کار و شروع بررسی از پایین به بالا برای تعیین گزارش های مورد نیاز ذینفعان مختلف در هریک از بخش های کارکردی سازمان.

-          هم اندیشی با کاربران کسبو کار برای شناسایی اطلاعات گزارش ها شامل ۰ اجباری۰ و ۰مناسب برای ایجاد۰ . روش ۵ سوال، روش مناسبی برای سنجش در این مرحله است.

-          جداسازی گزارشات و عناصر داده ای، که در زمان مناسبی مورد استفاده قرار نمیگیرند وعلامت گذاری آنها برای عقلانی کردن و توجیه داده ها .

-          نشانه گذاری داده های اضافی برای نیازهای گزارشات درخواست شده.در حال حاضر  این داده ها ممکن است در نرم افزارهای کاربردی که با کاربران ارتباط مستقیم برقرار میکنند وجود داشته باشند نه در سیستم های تراکنشی اصلی سازمان. به عنوان مثال، سیستم های POS  شاید مشتریان را به عنوان یک مشتری پر تراکنش بر اساس جزئیات عضویت آنها شناسایی کند در حالی که ممکن است این اطلاعات بر مبنای یک سیستم گزارش ساز از تراکنش ها قابل استخراج نباشد.

-          شناسایی درجه تازگی مورد برای گزارش گیری ها. تمام اطلاعات نیازمند بروز رسانی لحظه ای نیستند. اغلب گزارشات میتوانند به صورت روزانه، هفتگی یا ماهانه ذخیره سازی شوند.

-          ارزیابی دیدگاه بومی در مقابل دیدگاه متمرکز برای چرخه های تولید گزارشات. اگر یک سازمان در محل هایی گشترده شده است که به لحاظ منطقه زمانی متفاوتند، داده های باید بصورت بسته هایی برای گزارشات محلی اماده شوند و چرخه های بازیابی و تازه سازی خاص باید برای دستیابی به نیازهای گزارشاتی محلی مورد نیاز استفاده شوند.

-          ساخت داده های مرجع به ازای قالب های مورد نیاز ابزارهای جدید هوش تجاری. اغلب فقدان داده های مرجع درست و کامل میتواند در نتایج گزارشات اشتباه خودنمایی کند.ساخت داده های مرجع میتواند با سخت ترین و زمان بر ترین تلاش ها بدست آید ولی ایجاد آمادگی با ایجاد این داده ها، پیاده سازی هوش تجاری را ساده میکند و وسعت زیادی به آن میبخشد. این مرحله شامل جمع آوری داده ها یی که در مجموعه های کوچک در سیستم های جزیره ای متفاوت وجود دارند نیز میباشد.

-          شناسایی مجموعه های اطلاعاتی  با مینیمم و ماکزیمم دوره های زمانی برای اینکه کدام داده تاریخی باید نگهداری شوند؟

·         توسط ابزارهای جدید هوش تجاری ، قالب های گزارش تغییر خواهند کرد.این یک زمان مناسب برای سنجیدن موارد زیر است:

-          دسته بندی اطلاعات مورد نیاز برای تحلیل های آنلاین هستند  و اطلاعاتی که باید

گزارشات دوره ای بازیابی شوند.

-          نمایش داده ها – نیاز به چارت ها و گراف ها.

-          راه هایی برای هایلایت کردن استثنا ها در گزارش ها. این استثنا ها میتواند به عنوان هشدارهایی مقتضی برای کاربران کسب و کار بکار گرفته شوند.

 

شخصی سازی امنیت اطلاعات

این یک مرحله سریع شامل موارد زیر است :

-          شناسایی مجموعه داده هایی که باید دسترسی به آنها محدود شود.

-          نگاشت کمیته های کاربران به انواع گروه های دسترسی که باید به آنها داده شود.

آماده سازی کاربران

-          شناخت کمیته های بالقوه کاربری

-          شناخت قهرمان پروژه  برای هریک از کارکرد های پروژه. قهرمانان پروژه باید کاربران کلیدی بالقوه و ترجیحا اعضای معتبر سازمان باشند.

-          اگر در حال حاضر سازمان از یک راه حل برای گزارشات خود استفاده میکند، شناسایی الگوهای کاربردی و فراوانی آنها.