هوش تجاری (BI) چیست؟ از داده پراکنده تا تصمیم روشن

هوش تجاری (Business Intelligence یا BI) تمرینِ — و فناوری پشتیبانِ — تبدیل داده‌های عملیاتی خام یک سازمان به نما‌های سازمان‌یافته، قابل‌اعتماد و مشترکی است که مردم واقعاً برای تصمیم‌گیری از آن‌ها استفاده می‌کنند. در یک جمله: BI به «چه اتفاقی دارد می‌افتد و چقدر؟» آن‌قدر روشن پاسخ می‌دهد که تصمیم‌ها دیگر به بلندترین صدای جلسه وابسته نباشند. یک ابزار یا یک داشبورد نیست؛ قابلیتی است با اجزایی که باید با هم کار کنند.

این معرفی پوشش می‌دهد که BI واقعاً چه می‌کند، قابلیت واقعی از چه اجزایی ساخته می‌شود، داده چگونه از مبدأ به تصمیم می‌رسد، BI خوب چه می‌دهد و دام‌هایی که بیشتر تلاش‌های نخست را غرق می‌کنند.

#هوش تجاری واقعاً چه می‌کند

بیشترِ آنچه یک کسب‌وکار درباره خودش می‌داند پراکنده است: سوابق فروش در یک سیستم، امور مالی در دیگری، عملیات در سومی و صدها صفحه‌گسترده که آن‌ها را دستی با هم تطبیق می‌دهند. هوش تجاری آن داده‌ها را یکپارچه می‌کند، معیارهای اصلی را یک‌بار و به یک شکل تعریف می‌کند تا همه یک‌سان بشمارند و نتایج را در قالب‌های ساخته‌شده برای تصمیم ارائه می‌کند — داشبورد، گزارش و هشدار.

جهت‌گیری توصیفی است: BI به گذشته و حال نگاه می‌کند. این نقطه قوت و مرزش است. توضیح اینکه چرا اتفاقی افتاد و پیش‌بینی اینکه چه خواهد شد، کار تحلیل داده است؛ تمایزی که در هوش تجاری در برابر تحلیل داده با دقت ترسیم کرده‌ایم. تیم‌هایی که از توصیف می‌پرند و مستقیم سراغ پیش‌بینی می‌روند معمولاً کشف می‌کنند حتی بر سر میزان درآمد فصل قبل هم توافق ندارند.

#اجزای قابلیت BI

یک قابلیت BI کارا، لوله‌پردازشی با کارکردهای مجزا است:

دو ردیف این جدول همیشه دست‌کم گرفته می‌شوند. لایه معنایی همان مرز میان «شرکتی با داشبورد» و «شرکتی با نسخه مشترک حقیقت» است — اگر «درآمد» در گزارش‌های مختلف معنای متفاوتی داشته باشد، هر جلسه دعوا را از نو باز می‌کند. و حکمرانی همان چیزی است که حقیقت را بعد از ماه سوم — وقتی نخستین رقم دست‌کاری‌شده وارد لوله می‌شود — قابل‌اعتماد نگه می‌دارد.

#از داده تا تصمیم: مسیر

یک زنجیره خرده‌فروشی فرضی با شش شعبه را در نظر بگیرید. صبح‌های دوشنبه، جلسه مدیران روی صفحه‌گسترده‌های رقیب می‌چرخد: عملیات عددی از فروش گزارش می‌کند، امور مالی عددی دیگر، فروش آنلاین سومی که مرجوعی‌ها را متفاوت لحاظ می‌کند. سی دقیقه اول صرف این می‌شود که عددِ کی درست است. تصمیم‌ها به هر حال گرفته می‌شوند — معمولاً بر اساس نسخه پرسر و صداترین ارائه‌دهنده.

در نسخه فرضیِ مجهز به BI، هر شش شعبه به یک انبار داده یکپارچه می‌ریزند که طبق زمان‌بندی مشخص به‌روز می‌شود. درآمد، حاشیه سود، ترافیک مراجعه و گردش موجودی یک‌بار در لایه معنایی تعریف شده‌اند و نمای بازبینی هفتگی آن‌ها را به تفکیک شعبه، به تفکیک دسته محصول و در برابر هفته و سال قبل نشان می‌دهد. کسی سر اعداد دعوا نمی‌کند چون فقط یک عدد وجود دارد. جلسه از «چه کنیم» شروع می‌شود — و مثلاً می‌بیند فرسایش حاشیه سود یک شعبه چند هفته زودتر از آنچه گزارش ماهانه نشان می‌داد آغاز شده است.

این مثال گویاست، نه ادعایی درباره استقراری واقعی؛ اما الگویی که نشان می‌دهد تعریف صادقانه موفقیت است: BI وقتی کار می‌کند که بحث از «چه اتفاقی افتاد» به «باری آن چه کنیم» منتقل شود.

#BI خوب چه می‌دهد

• یک نسخه توافق‌شده از اعداد. تصمیم‌ها دیگر روی اختلاف داده‌هایی که باید با تعریف حل می‌شدند، نه با مناقشه، معطل نمی‌مانند.
• پاسخ سریع‌تر. نما‌های خودخدمت جای چرخه درخواست و انتظار را می‌گیرند که در آن هر سؤال تبدیل به تیکتی برای شخصِ داده می‌شد.
• هشدار زودتر. روندها هفتگی — یا روزانه — دیده می‌شوند، به‌جای اینکه آخر ماه، وقتی گزینه‌ها تنگ شده‌اند، سر برآورند. راهنمای ما درباره داشبورد کسب‌وکار توضیح می‌دهد نما‌های عملیاتی، تحلیلی و استراتژیک چگونه به ریتم‌های تصمیم متفاوت خدمت می‌کنند.
• حافظه سازمانی. تعریف‌ها، تاریخچه و بافت در سیستم زندگی می‌کنند، نه در ذهن یک تحلیلگر؛ چیزی که وقتی آن شخص نقش عوض می‌کند سرنوشت را عوض می‌کند.

نقطه پایان فرهنگی است، نه فنی: این همان لوله‌کشی زیر تصمیم‌گیری داده‌محور است؛ جایی که شواهد ورودیِ پیش‌فرض تصمیم می‌شوند، نه توجیهِ پس از آن.

یک آزمون بلوغ مفید در زمان پاسخ پنهان است: رسیدن یک سؤال منطقی درباره کسب‌وکار تا جواب چقدر طول می‌کشد؟ در قابلیت قوی، سؤال‌های رایج از قبل در نما‌هایی با مالک مشخص جواب گرفته‌اند، سؤال‌های نامتعارف یک پرس‌وجوی کوتاه فاصله دارند و «کسی نمی‌داند» فقط برای سؤال‌های واقعاً جدید می‌ماند. در قابلیت ضعیف، حتی سؤال‌های رایج به التماسِ کسی که آخرین صفحه‌گسترده را ساخته وابسته است.

#دام‌های رایج

پروژه‌های BI به شکل‌های آشنا شکست می‌خورند و همه‌شان قابل‌پیشگیری است:

• انبوه داشبورد. ده‌ها نمای بی‌مالک، هر یک اندکی متفاوت، هیچ‌کدام مرجع. هر داشبورد باید به یک تصمیم مشخص برای مخاطبی مشخص پاسخ بدهد.
• معیارهای غرور. اعدادی که همیشه خوب دیده می‌شوند — جمع‌های تجمعی، میانگین‌های بدون تفکیک — دیده می‌شوند چون خوشایندند، نه چون چیزی را روشن می‌کنند.
• رانش تعریف. یک معیار بی‌سروصدا چیزی را شروع به شمردن می‌کند یا کنار می‌گذارد و ناگهان این ماه با ماه قبل قابل مقایسه نیست. تعریف‌ها فقط از مسیر حکمرانی تغییر می‌کنند، هرگز خاموش.
• ساختن برای تصمیم‌هایی که کسی نمی‌گیرد. دقیق‌ترین نما از داده‌ای که کسی بر اساسش کاری نکند، تزیینی بسیار گران است. از تصمیم شروع کنید و به عقب، تا داده، برگردید.

هیچ‌کدام از این‌ها مشکل فناوری نیست — و دقیقاً به همین دلیل هیچ ابزاری به‌تنهایی آن‌ها را حل نکرده است.

#جمع‌بندی

هوش تجاری داده‌های عملیاتی پراکنده را به یک نمای مشترک و قابل‌اعتماد از آنچه در جریان است تبدیل می‌کند — ساخته‌شده از منابع، یکپارچه‌سازی، لایه معنایی، داشبورد و حکمرانی؛ با لایه معنایی و حکمرانی که کارِ خاموشِ تعیین‌کننده اهمیت یا بی‌اهمیتی بقیه را انجام می‌دهند. به «چه» و «چقدر» پاسخ می‌دهد، نه «چرا» و «بعدش چه». قابلیت BI را با یک آزمون بسنجید: آیا تصمیم‌ها در جلسه از یک عدد مشترک شروع می‌شوند و به اقدام می‌رسند، یا جلسه همچنان با دعوای «صفحه‌گسترده کی درست است» باز می‌شود؟

SCOPE در حال ساخت ScopeBI است، لایه هوش تجاری خودش که قرار است داشبورد، گزارش و تحلیل را در سراسر اکوسیستم SCOPE حمل کند. این محصول در حال توسعه است، پس قابلیت‌هایی که هنوز وجود ندارند توصیف نخواهیم کرد — اما می‌توانید اکوسیستم SCOPE را ببینید تا محصولات زنده امروز و مسیر آینده لایه داده را ببینید.