ماه: فوریه 2019

امروزه هوش تجاري به يكي از  اجزاي كليدي در تمام شركتهاي بزرگ موفق تبديل شده است. البته در شركت‌هاي مختلف اقدامات ابتدايي براي استقرار هوش تجاري به درجات متفاوتي از موفقيت منجر شده‌اند. در صورت اجراي صحيح هوش تجاري به يكي از  قسمت‌هاي كليدي در رقابت اصلي سازمان تبديل مي‌شود، ولي در صورت اجراي غلط به يكي از اشتباهات گران در سازمان مي‌شود. در ادامه برخي از دلايل كه باعث شكست شركت‌ها مي‌شود، مورد بررسي قرار گرفته‌اند. در صورت وجود يكي از اين دلايل، سايرين نيز تحت تأثير آن قرار خواهند گرفت.

عدم پشتيباني مديريت:

يكي از اساسي‌ترين گام‌ها در پروژه‌هاي هوش تجاري نظير هر پروژه فناوري اطلاعات ديگر، اطمينان از آگاهي مديريت به ارزش اين پروژه، اهميت آن براي مديريت و تأمين منابع لازم پروژه است. وجود حداقل يك نفر در ميان مديران كه براي پروژه اهميت قائل است، مي‌تواند كافي باشد. در صورت عدم وجود چنين فردي در طول پروژه بزرگي نظير اين، موانع بزرگي سر راه پروژه قرار خواهند گرفت و باعت انحراف پروژه از مسير اصلي خواهند شد. جلب پشتيباني مديريت به طور حتم شانس موفقيت پروژه را افزايش مي‌دهد. در صورتي كه مديريت مراحل استقرار هوش تجاري را درك نكند و يا از مزاياي بي‌خبر باشد، آن چنان كه لازم است به پروژه اهميت داده نمي‌شود و پروژه مدام به تعويق مي‌افتد. مديران اجرايي بايد بدانند كه استقرار هوش تجاري فقط شامل مراحل استقرار فني نمي‌شود و ممكن است منجر به تغيير در فرايندها و كسب‌وكار سازمان گردد. براي اينكه سازمان بتواند از تمام مزاياي هوش تجاري بهره‌مند گردد بايد از تمام خروجي‌هاي هوشمندي استفاده كند و روش اداره كسب‌وكار را تغيير دهد.

شناسايي ضعيف نيازمندي‌ها:

يكي از مهم‌ترين گام‌ها، كه غالباً ناديده گرفته مي‌شود، مرحله جمع‌آوري نيازمندي‌هاست. بيشتر سازمان‌ها بعد از ساخته شدن انباره داده، به عنوان آخرين گام از كاربران براي ابراز نظر در مورد محصول ساخته شده دعوت مي‌كنند. جاي تعجب ندارد كه در اين چنين شرايطي پروژه‌ها به شكست بينجامند. در امر جمع‌آوري نيازمندي‌ها درگير كردن كاربران از امور بي‌چون‌وچرا براي تضمين پي بردن به نيازمندي‌هاي واقعي كاربران است. مانع اصلی که شرکت‌ها با آن مواجه می‌شوند این است که ارائه نیازمندی‌های قوی برای چیزی که هیچ اطلاعی از آن ندارند برای کاربرانی مشکل است. این مشکل می‌تواند با کار کردن با آن‌ها و آموزش آن‌‌ها در مورد data warehouse رفع شود. در ادامه می‌توان با نشان دادن یک نمونه کوچک از data warehouse به آن‌ها مزایا و طرز کار آن را به آن‌ها نشان داد. این امر ایشان را در ابراز نیازمندی‌های با معنی و با ارزش کمک می‌کند. مشکل کلیدی دیگر در این زمینه این است که دامنه پروژه در طول زمان به تدریج تغییر می‌کند. بعد از شروع یک پروژه، با افزایش علاقه‌مندی اندازه پروژه نیز افزایش می‌یابد. برای جلوگیری از خروج پروژه اولیه از کنترل و اتمام به موقع آن باید در مقابل این افزایش اندازه مقاومت نشان داد. نمونه‌های زیادی وجود دارد که در آن پروژه با اندازه کوچک و حدود معین شروع شده است ولی در نیمه راه نیازمندی‌ها سه برابر گشته و پروژه از زمان‌بندی خارج شده و کاربران نیز از پروژه ناامید گردیده‌اند. بنابراین باید در ابتدا نیازمندی‌ها به خوبی جمع‌آوری شوند و تا آخر پروژه به آن‌ها پایبند بود.

طراحی ضعیف:

گام کلیدی بعدی طراحی معماری هوش تجاری است. نکته مهم این است که از افرادی استفاده شود که در این زمینه تجربه دارند. باید از طراحان و توسعه‌دهندگانی استفاده شود که دارای آموزش‌های لازم برای ایجاد data warehouse هستند و تنها تجربه ایجاد پایگاه داده کافی نیست. فرایند data warehouse شامل استخراج داده‌ها از یک یا چند برنامه مرکزی و تبدیل داده‌ها به فرمت که قابل‌استفاده‌تر است. با وجود این‌که این برنامه‌های مرکزی (که OLTP نیز شناخته می‌شوند) دارای ساختارهای داده‌ای رابطه‌ای هستند و به هر نحوی قابل دسترسی هستند ولی معمولاً به صورتی که دسترسی به داده‌ها به آسان و سر راست باشد سازمان‌دهی نشده‌اند. آنها معمولاً به منظور پردازش بهینه طراحی شده‌اند و دسترسی بهینه به آن‌ها مد نظر نبوده است. ایجاد پایگاه داده و طراحی data warehouse دو تخصص متفاوت از هم هستند و تجربه کاری در رابطه با ایجاد پایگاه داده دلیل نمی‌شود یک فرد قادر باشد که در اولین مرتبه از عهده طراحی data warehouse برآید. یک قسمت از مرحله طراحی شامل یافتن تکنولوژی مورد استفاده است. در اغلب اوقات با توجه به استانداردهای شرکت و مهارت‌های موجود در شرکت در این رابطه تصمیم‌گیری می‌شود. با توجه به قیمت و کارایی مورد نظر گزینه‌های زیادی برای تکنولوژی وجود دارد.

نکته مهم دیگر در این مرحله، طراحی استراتژی متاداده است. متاداده عنصر کلیدی برای ایجاد یک data warehouse موفق است. متاداده از اطلاعاتی در رابطه با محتویات data warehouse تشکیل شده است که مشخص می‌کند داده‌ها از کدام قسمت آمده‌اند و چگونه باید استفاده شوند.

فقدان آموزش:

بعد از تکمیل data warehouse، موفقیت به این بستگی دارد که data warehouse برای سازمان چگونه رونمایی خواهد شد. بسیاری از شرکت‌ها در این گام مشکل دارند و معمولاً این باعث می‌شود که استقرار data warehouse به شکست بینجامد. اصلی‌ترین دلیل که به نظر می‌رسد، فقدان آموزش‌های کافی از سوی شرکت برای کاربران است. بجای آموزش آن‌ها با جزئیات دقیق، به یک مرور اجمالی اکتفا می‌کنند. هنگامی که کاربران شروع به استفاده از data warehouse می‌کنند با رویارویی با نتایج غلط ناامید می‌شوند و در نهایت نیز استفاده از آن را متوقف می‌کنند. data warehouse یک ابزار بسیار قوی است و باید افرادی از آن استفاده کنند که پیش‌زمینه و آموزش کافی در رابطه با آن دارند. برخی از شرکت‌ها تصمیم می‌گیرند که به تعداد محدودی ازکارمندان اجازه دسترسی به data warehouse دهند. در این صورت این کارمندان با درخواست‌های متعدد احاطه خواهند شد و در پاسخ‌گویی به تمام آن‌ها با مشکل مواجه خواهند شد. بجای این کار باید یک رویکرد لایه‌ای مد نظر قرار گیرد. لایه‌های مختلف باید دارای تحلیل‌گرانی باشد که در زمینه data warehouse دارای آموزش هستند. سایر کاربران نیز باید از data mart ها و ابزارهای کاربر نهایی نظیر داشبوردها استفاده کنند.

عدم موفقیت در گسترش دادن به وسیله همبسته‌ها (aggregate) یا data mart ها:

بعد از این که data warehouse اولیه ساخته شد، به نظر می‌رسد که کار تمام شده است. معمولاً مرحله بعد که همکاری با کاربران تجاری برای مشخص کردن یک طرح برای استفاده از داده‌های درون data warehouse است، فراموش می‌شود. بعد از کسب این اطلاعات توصیه می‌شود که برای تسهیل انجام وظایف کاربران نسبت به ساخت همبسته‌ها یا data mart ها اقدام شود. یک همبسته عناصر اطلاعاتی مشخصی را با هم ترکیب می‌کند و آن‌ها را در یک قالب ساده شده ارائه می‌کند. این داده‌ها هم می‌تواند در یک رابطه یک به یک باشد و هم می‌تواند داده‌های خلاصه شده باشد. به این ترتیب بجای این که کاربران با پیوندهای پیچیده در میان تعداد زیاد جداول کار کنند، اطلاعات مورد نیازشان را مشخص می‌کنند و توسعه‌دهنده یک همبسته برای آنها ایجاد می‌کند، در نتیجه کاربران می‌توانند به اطلاعات مورد نیازشان به راحتی و با سرعت دسترسی داشته باشند. data mart ها علاوه بر این می‌توانند برای ساخت یک مدل بسیار ساده‌شده‌تر از داده‌ها به کار روند. data mart می‌تواند دارای خلاصه‌سازی‌ها، محاسبات و تغییر نام داده‌ها باشد، به نحوی که کاربران راحت‌تر بتوانند به اطلاعات مورد نیازشان دسترسی داشته باشند. از ساختارهای متداول برای data mart مدل ستاره‌ای و دانه‌برفی است.

استفاده از ابزار غلط:

از دلایل دیگر استقرار ناموفق هوش تجاری در سازمان‌ها انتخاب ابزار نامناسب می‌باشد. برای کاربردهای مختلف انواع ابزارهای متفاوت زیادی در اختیار است. می‌توان به عنوان مثال به ابزارهای ETL، گزارش‌گیری، داده‌کاوی، OLAP و ابزارهای web-based نظیر داشبوردها اشاره کرد. نکته مهم این است که باید با دقت و بررسی در نیازهای کاربران، مجموعه ابزاری انتخاب شود که به عنوان یک مکمل در انجام کارها استفاده داشته باشد. با توجه به این که اکثر ابزارها چند عملکرد را با هم ارائه می‌کنند، اهمیت دارد که هر ابزار برای اطمینان از برآورده سازی نیازهای کاربران گزینش شود. در این رابطه نباید فقط به اظهارات تولیدکننده اکتفا کرد، بهتر است در محیط گزینش شود و از توانایی‌های آن اطمینان به عمل آید. اغلب اوقات مشاهده می‌شود که مشتریان تصمیم به استفاده از یک ابزار به خصوص می‌گیرند و علی‌رغم عدم تطابق با نیازمندی‌های شرکت به استفاده از آن ادامه می‌دهند. در صورتی که بعد از انتخاب یک ابزار مشخص شد که آن ابزار به درد سازمان نمی‌خورد، باید بدون هیچ تردیدی آن را کنار گذاشت و ابزار دیگری انتخاب کرد.

پروژه‌های عظیم در مقابل گام‌های کوچک:

بارها و بارها مشاهده شده است که شرکت‌ها مبادرت به آغاز یک پروژه عظیم هوش تجاری می‌کنند و بعد از هزینه کردن مبالغ هنگفت، بعد از چند سال آن را در قفسه نگهداری کرده و هیچ بهره‌ای از آن نمی‌برند. بجای آغاز پروژه‌ای که سال‌ها به طول خواهند انجامید، بهتر است یک زیرمجموعه کوچک از اطلاعاتی که برای کاربران مفید خواهد بود انتخاب گردد و سعی بر ایجاد و عملیاتی کردن آن قسمت از data warehouse داشت. کاربران بعد از مشاهده نتیجه کار و استفاده از آن در یک مقیاس کوچک، می‌توانند بازخوردهای ارزشمندی برای طراحی کلی فراهم آورند. هرگز نباید قبل از ارائه راهکار به سازمان و دریافت بازخورد آن، منابع و زمان زیادی را هزینه کرد. رعایت این اصل در یک حالت تکراری و چرخشی برای موفقیت ضروری است.

قائل شدن یک پایان برای پروژه:

برای استقرار هوش تجاری در سازمان نباید پایانی در نظر گرفت، برخلاف کشیدن یک نقاشی که فرایند آن دارای یک آغاز و پایان است. در اسقرار هوش تجاری اتمام لایه اول به مثابه آغاز کار است. بعد از شروع کاربران به استفاده از راهکار ارائه شده، ممکن است مورد پسندشان واقع نشود و آن را کنار بگذارند و نیز ممکن است که آن را بپسندند و خواهان کاربردهای بیشتری شوند. در هر دو حالت باید با توجه به گام‌های قبلی و بررسی کارهای انجام شده، تغییرات و اصلاحات لازم طوری به عمل آید که تمام کاربران خواهان استفاده از آن شوند. همان طور که این راهکار تکامل پیدا می‌کند، می‌تواند یک بخش ضروری از کسب‌وکار گردد. نمی‌توان اطمینان داشت که در اولین نگارش از راهکار تمام نیازمندی‌های یک شرکت را برآورده ساخت، باید همگام با سازمان رشد و تکامل یابد.