پیدایش تکنولوژی های ارزان قیمت ذخیره داده و گستردگی ارتباطات اینترنتی، دسترسی به مقادیر زیاد اطلاعات را برای اشخاص و سازمان ها را فراهم کرده است. اکثر داده ها در آغاز از نظر محتوا و نمایش، غیرهمگن شامل تراکنش های تجاری، اقتصادی و اداری، آدرس های وب، ایمیل، متن، ابرمتن، نتایج آزمایشات پزشکی و ... هستند، که دسترسی به آنها می تواند فرصت ها و امید های تازه ای ایجاد کند. اما سوالی که مطرح است این است که آیا امکان دارد هر داده ای را به اطلاعات و دانش تبدیل کرد تا تصمیم گیرندگان بتوانند با استفاده از آن ها مدیریت سازمان را بهبود بخشند؟
هوش تجاری را می توان به عنوان یکسری مدل های ریاضی و روش های تحلیلی برای استخراج اطلاعات و دانش از داده های موجود دانست که برای فرآیند تصمیم گیری های پیچیده استفاده می شود. در سازمان های بزرگ تصمیمات بر یک پایه متناوب گرفته می شوند. برخی تصمیمات ممکن است بیشتر یا کمتر بحرانی باشند یا اثر دراز مدت یا کوتاه مدت داشته باشند و شامل افراد و نقش های متفاوت و سلسله مراتبی باشند. توانایی تصمیم گیری کارمندان دانشی یک سازمان به طور شخصی و جمعی، یکی از عوامل مهم و تاثیرگذار بر روی بهره وری و مزیت رقابتی یک سازمان می باشد.
اکثر این کارمندان دانشی، برای تصمیم گیری از روش های شهودی و ساده استفاده می کنند، مانند تجربه، دانش در دامنه موضوع و اطلاعات در دسترس. این مسئله منجر به ایجاد یک فرایند تصمیم گیری راکد می شود که در شرایط ناپایدار و با تغییرات زیاد و سریع محیط های اقتصادی، هماهنگ نیست. پر واضح است که فرآیند تصمیم گیری در سازمان های امروزی پیچیده و وابسته به اندازه دیدگاه شهودی است و نیازمند به مدل های قوی ریاضی و متدولوژی های تحلیل اطلاعات است. مثال زیر نمونه ایی از یک فرآیند پیچیده تصمیم گیری در شرایط سریعا در حال تغییر است.
مثال 1 : حفظ صنعت تلفن همراه.
مدیر بازاریابی یک کارخانه تلفن همراه متوجه شد که تعداد زیادی از مشتریان، دیگر از سرویس های این شرکت استفاده نمی کنند و به سراغ رقیبان تجاری رفته اند. کاهش وفاداری مشتری نشانه کاهش و پراکنده شدن مشتری است. این مسئله یکی از عوامل مهم برای اکثر صنایعی است که خدمت ارائه می دهند. فرض کنید مدیر بازاریابی بودجه مناسب برای تعقیب و حفظ 2000 مشتری را داشته باشد در حالیکه شمار مشتریان به 2 میلیون نفر می رسد. بنابراین این سوال ایجاد می شود که او چگونه باید این افراد را انتخاب کند که این نبرد بهینه و تاثیرگذار باشد. به عبارت دیگر، چگونه می توان احتمال اینکه هر مشتری سرویس را رها کند را تخمین زد تا بتوان بهترین گروه مشتریان رو هدف قرار داد تا وفاداری آن ها را به ماکزیمم رساند و از پراکنده شدن آن ها جلوگیری کرد؟ با دانستن این احتمالات، گروه هدف را میتوان از 2000 نفری ایجاد کرد که احتمال پراکنده شدن بیشتری دارند. بدون استفاده از مدل های ریاضی پیشرفته و تکنیک های داده کاوی، ایجاد یک تخمین قابل اعتماد که بتوان گروه هدف را با استفاده از آن تعیین کرد بسیار دشوار است.
هدف اصلی سیستم های هوش تجاری تامین کارمندان دانشی با ابزارها و روش هایی است که آن ها را در تصمیم گیری موثر و به موقع یاری کند.
تصمیم موثر: به کارگیری روش های تحلیلی قوی باعث می شود تصمیم گیرندگان به اطلاعات و دانش قابل اطمینان تری دسترسی پیدا کنند. در نتیجه آن ها می توانند بهتر تصمیم بگیرند و برنامه های اجرایی موثرتر و سودمندتری را تبیین کند. استفاده از روش های فرمال تحلیل، تصمیم گیرندگان را مجبور می کند که شرایط ارزیابی راه حل های متفاوت و مکانیزم مدیریت مشکل را به صورت صریح شرح دهند. این بررسی عمیق و تفکر منجر به آگاهی عمیق تر و دریافت منطقی تر در فرآیند تصمیم گیری می شود.
تصمیمات به موقع: سازمان ها در یک محیط اقتصادی شدیدا رقابتی و بسیار متغیر فعالیت می کنند. بنابراین توانایی عکس العمل سریع نسبت به عمل رقیبان و شرایط جدید بازار، عامل مهمی در موفقیت و حتی بقای سازمان است. به هنگام بروز مشکل تصمیم گیرندگان از خودشان سوالاتی می پرسند و تحلیل های متقابل را انجام می دهند. با این حال بررسی و مقایسه موارد مختلف و انتخاب بهترین تصمیم از بین آن ها به شرایط وابسته است.
اگر تصمیم گیرندگان به اینکه استفاده از سیستم های هوش تجاری فعالیت های آن ها را تسهیل می کند اعتماد داشته باشند، می توانیم این انتظار را داشته باشیم که کیفیت عمومی فرآیند تصمیم گیری به صورت قابل توجهی بهبود یابد. به کمک مدل های ریاضی و الگوریتم ها، تحلیل تعداد زیادی عملیات ممکن می شود و ما می توانیم به تصمیم موثر و به موقع دست پیدا کنیم و به نتیجه مطلوبمان برسیم.
بنابراین مهمترین منفعت استفاده از سیستم های هوش تجاری، افزایش اثربخشی در فرآیند تصمیم گیری است.
داده های زیادی در سیستم های اطلاعاتی موجود در سازمان ها وجود دارد. قسمتی از این داده ها از تراکنش های داخلی سازمان و قسمتی از آن از منابع خارجی است. به هر حال حتی اگر آن ها به روش های سیستماتیک و ساخت یافته جمع آوری و ذخیره شده باشد، نمی توان به طور مستقیم از آن ها برای تصمیم گیری استفاده کرد. این داده ها باید توسط ابزار مناسب استخراج و با استفاده از روش های تحلیل، پردازش و به اطلاع و دانش مبدل شوند تا بتوان از آن ها در فرآیند تصمیم گیری استفاده کرد.
تفاوت بین داده، اطلاع و دانش با توجه به شرح زیر قابل فهم تر است.
داده: بطور عموم داده به یک قانون ساخت یافته از یک موجودیت اولیه اطلاق می شود . به عنوان مثال یک تراکنش از یک یا چند موجودیت اولیه ایجاد می شود. مثلا برای یک خرده فروش داده عبارت است از مشتری ها، خرید های انجام شده و محصولات .
اطلاع: اطلاع خروجی عملیات پردازش بر روی داده هاست و در حوزه ی کاری فردی که آن را دریافت می کند معنی دار است. به عنوان مثال برای مدیر فروش یک شرکت خرده فروشی، میزان فروش در یک هفته 100 پوند است و یا تعدادی از مشتریانی که کارت وفاداری خود را نگه داشته اند از کسانی بوده اند که در سه ماه اخیر از 50 % تخفیف آخر ماه استفاده کرده اند. این ها نشان دهنده یک گزاره معنی دار هستند که از پردازش داده ها به دست آمده اند.
دانش: هنگامی که اطلاع برای تصمیم گیری مورد استفاده قرار می گیرد به دانش تبدیل می شود و عملیات متناظر تدوین می شود. بنابراین می توان دانش را مجموعه ای از اطلاعات مورد استفاده در یک حوزه در نظر گرفت که با استفاده از تجربه و صلاحیت تصمیم گیرندگان بهبود می یابد و در حل مسائل پیچیده به ما کمک می کند. برای شرکت خرده فروشی، تحلیل فروش می تواند نشان دهد مقدار خرید گروهی از مشتریان، در محدوده ای که یکی از رقبای ما آنجا شعبه جدید باز کرده است، کاهش یافته است. داشتن این دانش می تواند ما را به سمت عملکرد منطبق بر رفع مشکل مشاهده شده، کمک کند. به عنوان مثال برای این نمونه می توانیم سرویس تحویل رایگان در منزل را پیاده کنیم تا بتوانیم فروش خود را افزایش دهیم. این دانش را می توان به دو روش استخراج کرد : روش منفعل که بر اساس پیشنهادات تصمیم گیرنده و داده های موجود تصمیم گیری می شود. روش دوم، روشی فعال است که درآن اطلاع و دانش با استفاده از سیستم ها و مدل های ریاضی از داده ها استخراج می شود.
بسیاری از سازمان ها در حال حاضر از روش سیستماتیک برای جمع آوری، ذخیره سازی و اشتراک دانش خود استفاده می کنند، چیزی که به آن دارایی های نامشهود گفته می شود.
در حال حاضر پشتیبانی از کارمندان دانشی در فرآیند یکپارچه تصمیم گیری و استفاده از فناوری اطلاعات در سازمان به مدیریت دانش اطلاق می شود.
به نظر میرسد که مدیریت دانش و هوش تجاری در اهداف خود دارای درجه ای از مشابهت باشند . هدف هر دوی آن ها ایجاد محیطی است که در آن کارمندان دانشی بتوانند در فرآیند تصمیم گیری، مسائل پیچیده به وجود آمده را بررسی و برای حل آن راهکار ارائه کنند. اگر بخواهیم بین این دو تفاوتی قائل شویم، می توانیم بگوییم تمرکز روش های مدیریت دانش بر روی تفسیر اطلاعاتی است که اغلب به صورت غیر ساخت یافته و پراکنده شامل اسناد، مکاتبات و تجربیات گذشته، می باشد . اما سیستم های هوش تجاری بر اساس اطلاعات ساخت یافته در یک محیط قابل اندازه گیری و اغلب موجود در پایگاه داده انجام می شود. اما این تفاوت بسیار ظریف است. به طور مثال توانایی بررسی ایمیل ها و وب سایت ها می تواند توسط روش های تدریجی موجود در سیستم های هوش تجاری انجام شود با اینکه منبع اطلاعات غیر ساخت یافته است.
مأخذ:
Carlo Vercellis," Business Intelligence:Data Mining and Optimization for Decision Making" , 2009 John Wiley & Sons, Ltd