چالش های هوش تجاری ( دسترسی آسان به داده ها و کیفیت داده ها )
یکی از مشکلات پیاده سازی و به کارگیری هوش تجاری کمبود کارکنان متخصص در استفاده از داده هاست. این مشکل معمولا از آن جا ناشی می شود که هوش تجاری حوزه جدیدی است و این صنعت از کمبود متخصصان فنی رنج می برد.
علی رغم این که امروزه نسبت به گذشته، ابزارهای ساده تر و فرصتهای آموزشی پیشرفته تری در دسترس هستند ولی هنوز هم نیروی متخصص در این زمینه کم است و تقاضای بالایی برای آن وجود دارد.
دسترسی آسان به داده ها
با این مقدمه، برای حل چنین مشکلی، بعضی از فروشندگان سیستم های هوش تجاری ماهیت همکاری واحد IT و کاربران نهایی را تغییر داده اند.
Dave Marmer مدیر ارشد بخش اطلاعات و تحلیل IBM می گوید:
تاکید خاصی روی ساده سازی دسترسی افراد به داده ها از طریق نظارت، مصورسازی و فناوری In-Memory برای مجموعه های بزرگ داده ها وجود دارد.
دو نوع متفاوت از فناوری هایی که در پاسخ به این چالش به وجود آمده اند عبارتند از:
- هوش تجاری سلف سرویس مستقل از IT
- هوش تجاری سلف سرویس که توسط واحد IT مدیریت شده است
چالش بعدی که در پیاده سازی سیستم های هوش تجاری با آن روبرو هستیم، کیفیت داده هاست. به این معنی که در اکثر پروژه های هوش تجاری کیفیت داده ها در حدی نیست که به عنوان ورودی سیستم در نظر گرفته شود، بنابراین باید کار کارشناسی و هزینه و زمان زیادی برای بالا بردن کیفیت داده ها صرف شود.
کیفیت داده ها
بینشی که شرکتها از داده ها کسب می کنند دقیقا به اندازه کیفیت داده هایی است که تحلیل می شوند. خیلی ساده است: داده های بد معادل خروجی بد است.
چند مورد از دلایلی که باعث ایجاد داده های بد می شود عبارتند از:
- چند منبع داده که نیاز به یکپاچگی دارند
- رشد سریع تعداد سطرهای داده ها
- شرکتهایی که عملیات پاکسازی داده ها را به خوبی انجام نمی دهند.
به این دلیل که شرکتها از بینشی که از هوش تجاری به دست آمده است برای اتخاذ تصمیمات مهم استفاده می کنند داده های بد میلیونها دلار هزینه روی دست این شرکتها می گذارد.
سیستم های منبع (سیستم های عملیاتی)
سیستم های منبع که در واقع سیستم های عملیاتی سازمان مانند حسابداری، انبار، فروش، بازاریابی و … هستند کیفیت داده ها را تعیین می کنند. شرکتها می توانند اطلاعات خود را از تعدادی منبع داده دریافت کنند. هر منبع ممکن است اطلاعات را به صورت خاصی فرمت دهی کند. برای مثال یکی از سیستم های سازمانی شماره تلفن ها را با خط تیره (-) ذخیره کرده است و دیگری بدون آن.
رایجترین مثال، ورودی های نادرست اطلاعات شخصی وارد شده در سیستم است. اگر سیستم نتواند خطا را بررسی و تصحیح کند، داده های خطادار روی تصمیمات سازمان تاثیر خواهند گذاشت.
Ralph Kimball که از بزرگترین تحلیلگران انبار داده است، در کتاب خود تحت عنوان The Data Warehouse Lifecycle Toolkit می گوید:
۷۰% از ریسک پروژه های انبار داده و هوش تجاری از این مرحله نشات می گیرد.
معماران هوش تجاری (BI) مسئول حل مشکلات مربوط به کیفیت داده ها هستند. آنها این کار را با کاوش در داده ها و تحلیل های عمیقتر روی منابع داده ها انجام می دهند. مدیران باید کشف کنند که این مشکلات از کجا شروع می شوند و اطمینان حاصل کنند که همه کاربران از منابع داده ای که در اختیار دارند مطلع هستند و مشکلات آن را می شناسند.
biplus.ir
مطلب قبلی
مطلب بعدی