هوش تجاری

هوش تجاری چیست؟

هوش تجاری (Business Intelligence) که به اختصار BI نامیده می‌شود، فرآیند مبتنی بر تکنولوژی است که برای تجزیه و تحلیل داده‌ها و ارائه اطلاعات کاربردی استفاده می‌شود. این اطلاعات کاربردی می‌توانند به مدیر‌های اجرایی و دیگر مدیران و کارکنان این امکان را دهند که بتوانند تصمیم‌گیری‌های آگاهانه داشته باشند.

بخشی از فرآیند هوش تجاری به این شکل است که سازمان‌ها داده‌ها را از سیستم‌های IT  داخلی و منابع خارجی جمع‌آوری می‌کنند، برای تجزیه و تحلیل آماده می‌کنند، روی داده‌ها یک سری کوئری اجرا می‌کنند، نتایج را به صورت تصویری (جداول، نمودارها و اشکال دیگر) نمایش می‌دهند و داشبوردهای هوش تجاری می‌سازند. تمام این فرآیند با این هدف انجام می‌شود که کاربران کسب و کار بتوانند برای تصمیم‌گیری‌های عملیاتی و برنامه‌ریزی‌های استراتژیک از نتایج تحلیل داده‌ها استفاده کنند.

همانطور که متوجه شدید، هدف نهایی از ایجاد حوزه‌ای به نام هوش تجاری این بوده است که کسب و کارها بتوانند با آگاهی و بینش از شرایط موجود، تصمیم‌گیری‌های بهتری داشته باشند تا به سه هدف افزایش درآمد، بهبود کارایی عملیاتی و  به دست آوردن مزیت‌های رقابتی نسبت به رقبای تجاری‌شان برسند.

برای رسیدن به این اهداف، هوش تجاری مجموعه‌ای از ابزارهای تجزیه و تحلیل‌، مدیریت داده‌ و گزارش‌دهی و همچنین متدولوژی‌های مختلف برای مدیریت و تحلیل داده‌ را در برمی‌گیرد.

تا اینجا تعریف کلی هوش تجاری و فرآیند‌های آن آشنا شدیم، حال برای درک بهتر چرایی وجود هوش تجاری و مزایای آن، باید ببینیم هوش تجاری در چه بخش‌هایی از یک سازمان کاربرد دارد.

تاریخچه هوش تجاری

اصطلاح «هوش تجاری» اولین بار در سال ۱۸۶۵ توسط یک نویسنده به نام ریچارد میلار دیونز (Richard Millar Devens) استفاده شد. ریچارد زمانی که داشت درباره بانکداری و بیشتر از رقبایش اطلاعات جمع‌آوری می‌کرد، این اصطلاح را به کار برد.

در سال ۱۹۵۸، یک دانشمند کامپیوتر IBM به نام هانس پیتر لون (Hans Peter Luhn) در مورد پتانسیل استفاده از تکنولوژی برای جمع‌آوری هوش تجاری تحقیق و کاوش کرد. تحقیقات این فرد به بنا کردن روش‌هایی برای ایجاد چند پلتفرم تحلیلی IBM کمک کرد.

در دهه‌ ۶۰ و ۷۰ میلادی، اولین سیستم‌های مدیریت داده و سیستم‌های تصمیم‌یار (DSS) توسعه داده شدند تا داده‌های در حال رشد را ذخیره و منظم کنند.

به نقل از سایت آموزش فناوری اطلاعات Dataversity، بسیاری از مورخان معتقدند که نسخه مدرن هوش تجاری، تکامل یافته پایگاه داده‌های سیستم‌های تصمیم‌یار هستند. در طی زمان مجموعه‌ای از ابزارها با هدف دسترسی و نظم‌دهی ساده‌تر به داده‌ها توسعه داده شدند. OLAP، سیستم‌های اطلاعاتی اجرایی و انبار داده‌ها نمونه‌هایی از ابزارهایی هستند که برای کار با سیستم‌های تصمیم‌یار توسعه داده شدند.

در دهه ۱۹۹۰، هوش تجاری به طور فزاینده‌ای محبوب شد، اما تکنولوژی آن هنوز پیچیده بود. معمولا نیاز به پشتیبانی IT داشت؛ که اغلب منجر به عقب افتادن و تاخیر در گزارش‌ها می‌شد. حتی بدون IT، تحلیل‌گران و کاربران هوش تجاری به آموزش‌های گرانی نیاز داشتند تا بتوانند روی داده‌هایشان کوئری بزنند و آن‌ها را تحلیل‌ کنند.

توسعه‌های اخیر روی اپلیکیشن‌های هوش تجاری سلف سرویس تمرکز کرده‌اند که به کاربران غیرمتخصص اجازه می‌دهند تا به راحتی گزارش بگیرند و تحلیل کنند. همچنین پلتفرم‌های مبتنی بر ابر مدرن، دسترسی به هوش تجاری را فراتر از مرزهای جغرافیایی امکان‌پذیر کرده‌اند. در حال حاضر بسیاری از راه‌ حل‌های هوش تجاری موجود، کلان داده‌ها یا بیگ‌ دیتا را مدیریت می‌کنند و شامل پردازش‌های بلادرنگ هم می‌شوند که فرایند‌های تصمیم‌گیری مبتنی بر اطلاعات به‌روز را امکان‌پذیر می‌کنند.

مولفه‌های اصلی هوش تجاری کدامند؟

هوش تجاری از اجزا و مولفه‌های زیادی تشکیل شده است که در ادامه به ۶ مولفه اصلی می‌پردازیم:

۱- پردازش تحلیلی آنلاین یا OLAP

OLAP یک رویکرد محاسباتی است که به کوئری‌های تحلیلی چند بعدی با سرعتی بسیار بالاتر و به شیوه‌ای روان‌تر پاسخ می‌دهد. OLAP مولفه‌ای از هوش تجاری است که پایگاه داده رابطه‌ای و قابلیت‌های داده کاوی و گزارش‌دهی را در دل خود دارد؛ به عبارت دیگر، این مولفه شامل سیستم مدیریت پایگاه داده رابطه‌ای (RDBMS)، داده کاوی و گزارش‌دهی می‌شود.

ابزارهای OLAP، این امکان را به کاربران می‌دهند که داده‌های چند بعدی را از چند منظر مختلف تجزیه و تحلیل کنند.

همه ابزارهای OLAP، بر پایه سه عملیات تحلیلی Consolidation یا Roll-up و Drill down و Slicing and Dicing ایجاد شده‌اند.

۲- تجزیه و تحلیل پیشرفته یا مدیریت عملکرد شرکت (CPM)

این مجموعه ابزار به رهبران کسب و کار اجازه می‌دهند تا آمار محصولات یا خدمات خاصی را تحت نظر بگیرند. به عنوان مثال، یک زنجیره فست فود ممکن است فروش برخی از اقلام خاص را تجزیه و تحلیل کند و در نتیجه آن در منوی غذایی خود با توجه محل، منطقه‌ و کشور تغییراتی انجام دهد. همچنین می‌توان از داده‌ها برای پیش‌بینی اینکه یک محصول جدید در کدام بازارها می‌تواند بهترین موفقیت را داشته باشد، استفاده کرد.

۳- هوش تجاری بلادرنگ (Real-time BI)

در یک جامعه پویا، این جزء خاص از هوش تجاری به طور فزاینده‌ای محبوب می‌شود. با استفاده از نرم‌افزارهای کاربردی، یک کسب و کار می‌تواند به روندهای بلادرنگ (Real-Time) در ایمیل، سیستم‌های پیام‌رسان یا حتی نمایشگرهای دیجیتال پاسخ دهد. از آن جایی که همه چیز در زمان واقعی است، یک کارآفرین می تواند پیشنهادات ویژه‌ای را اعلام کند و از آنچه در آن لحظه در حال وقوع است، بهره ببرد. متخصصان بازاریابی می‌توانند از داده‌ها برای تولید محصولات ویژه خلاقانه با زمان محدود مانند «کد تخفیف برای سوپ داغ در یک روز سرد» استفاده کنند. مدیران عامل ممکن است علاقه‌مند باشند، زمان و مکان مشتریان را هنگام تعامل با یک وب‌سایت را ردیابی کنند؛ بنابراین در حالی که مشتری در حال بازدید از وب‌سایت است، بازاریاب‌ها می‌توانند تبلیغات ویژه‌ای را به صورت بلادرنگ ارائه دهند.

۴- انبار داده (Data Warehousing)

انبار داده‌ها به رهبران کسب و کار اجازه می‌دهند زیرمجموعه‌های داده را غربال کنند و اجزای مرتبط با یکدیگر را که می‌توانند به پیشبرد کسب و کار کمک کنند، بسنجند. نگاهی به داده‌های فروش در طول چندین سال می‌تواند به بهبود توسعه محصول یا متناسب کردن پیشنهادهای فصلی کمک کند. انبار داده همچنین می‌تواند برای بررسی آمار فرآیندهای تجاری از جمله نحوه ارتباط آن‌ها با یکدیگر استفاده شود. به عنوان مثال، صاحبان کسب و کارها می‌توانند زمان‌های حمل و نقل را در بخش‌های مختلف مقایسه کنند تا ببینند کدام فرآیندها و تیم‌ها کارآمدتر هستند. انبار داده همچنین شامل ذخیره حجم عظیمی از داده‌ها به روش هایی است که برای بخش‌های مختلف شرکت مفیدند.

۵- منابع داده

این جزء هوش تجاری، شامل اشکال مختلفی از داده‌های ذخیره شده است. وظیفه این مولفه، گرفتن داده‌های خام و استفاده از برنامه‌های کاربردی نرم‌افزاری برای ایجاد منابع داده معنی‌دار است که در آن هر بخش می‌تواند از آن‌ها برای ایجاد تاثیر مثبت بر کسب و کار استفاده کند.

۶- کلان داده یا بیگ دیتا

در دوران رقابت محور امروز، کسب و کارها باید در زمان درست، تصمیمات درست بگیرند. با استفاده مؤثر از مؤلفه‌های یک سیستم هوش تجاری و بررسی داده‌های موجود، می‌توان از بروز مسائل بحرانی در کسب‌ و کار اجتناب کرد. به داده‌هایی که در مقیاس بزرگ و از منابع متعدد مانند شبکه‌های اجتماعی، وب‌سایت‌ها، نظرسنجی‌ها، RFID و سیگنال‌های GPS استخراج شده‌اند، کلان داده یا بیگ دیتا می‌گویند. اگرچه بازار با ابزارهای پایگاه داده پر شده است، اما این ابزارها قادر به مقابله با حجم یا سرعت رشد بالای داده‌های بزرگ نیستند. اینجاست که ابزارهای تحلیلی تخصصی مانند R، هدوپ (Hadoop) و اسپارک (Spark) برای ارائه بینش‌های کیفی وارد عمل می‌شوند. تجزیه و تحلیل داده‌های بزرگ، نگرش شرکت‌ها را تغییر داده و تأثیر بی سابقه‌ای بر عملیات روزانه کسب و کار آن‌ها می‌گذارد.

در چه بخش‌هایی از هوش تجاری استفاده می‌کنیم؟

فروش، بازاریابی، مالی و بخش‌های عملیات بیش از همه  از هوش تجاری استفاده می‌کنند. کارهایی مثل تحلیل و بررسی کمی، اندازه‌گیری کارایی در برابر اهداف کسب و کار، جمع‌آوری بینش مشتری و به اشتراک‌گذاری داده‌ها برای شناسایی فرصت‌های جدید در زیر مجموعه هوش تجاری قرار می‌گیرند.

در ادامه مثل‌هایی از این که تیم‌ها و بخش‌های مختلف چطور از هوش تجاری استفاده می‌کنند، آورده شده است.

دانشمندان و تحلیل‌گران داده

دانشمندان داده و تحلیل‌گران، کاربر حرفه‌ای هوش تجاری هستند و با استفاده از علم داده، داده‌های متمرکز شرکت و ابزارهای تحلیلی قدرتمند می‌فهمند که چه فرصت‌هایی برای بهبود وجود دارد و چه پیشنهاد‌های استراتژیکی را باید به رهبران شرکت ارائه کنند.

مالی

با ادغام داده‌های مالی با داده‌های عملیات، بازاریابی و فروش، کاربران می‌توانند بفهمند که کدام تصمیم‌‌ها عملی است و عوامل موثر روی سود و زیان را شناسایی کنند. همچنین با ادغام پردازش زبان طبیعی و هوش تجاری می‌توان سرعت تصمیم‌گیری‌های مالی را افزایش داد و به سودآوری بیشتری رسید.

بازاریابی یا مارکتینگ

ابزارهای هوش تجاری به بازاریاب‌ها کمک می‌کند تا معیارهای کمپین را از یک فضای دیجیتال مرکزی ردگیری کنند. سیستم‌های BI می‌توانند ردگیری کمپین بلادرنگ (real-time)، اندازه‌گیری کارایی هر تلاش و برنامه‌ریزی برای کمپین‌های آینده را ارائه دهند. این داده‌ها به تیم‌های مارکتینگ درباره عملکرد کلی دید و بیشتری می‌دهند و تصاویر متنی قابل فهمی را برای به اشتراک‌گذاری با شرکت در اختیارشان قرار می‌دهند.

فروش

تحلیل‌گرهای داده فروش و مدیر‌های عملیات اغلب از داشبوردهای هوش تجاری و شاخص‌های عملکردی کلیدی (KPIs) برای دسترسی سریع به اطلاعات پیچیده مثل تجزیه و تحلیل تخفیف‌ها، سودآوری مشتری و ارزش طول عمر مشتری استفاده می‌کنند. مدیران فروش با استفاده از داشبوردهای شامل گزارش‌ها و تصویرسازی‌های داده روی اهداف درآمدی، عملکرد نماینده فروش و وضعیت خط لوله فروش نظارت می‌کنند.

عملیات

مدیران برای ذخیره زمان و منابع، می‌توانند به داده‌هایی مثل معیارهای زنجیره تامین دسترسی پیدا کرده و آن‌ها را تجزیه و تحلیل کنند تا برای بهینه‌سازی فرآیندها راهی پیدا کنند. هوش مصنوعی همچنین می‌تواند اطمینان حاصل کند که قراردادهای سطح خدمات انجام شده‌اند و به بهبود مسیرهای توزیعی کمک می‌کند.

در یک شرکت مبتنی بر داده واقعی، هر بخش و کارمندی می‌تواند از مزایای بینش‌های ایجاد شده توسط هوش مصنوعی استفاده کند.

هوش تجاری و کاربردهای آن در صنایع مختلف

امروزه برای بسیاری از صنایع، استفاده نکردن از هوش تجاری و مزایای آن مثل رانندگی در شب بدون روشن کردن چراغ است! از این رو بسیاری از صنایع در سراسر جهان از هوش تجاری در تصمیم‌گیری‌های خود استفاده می‌کنند. در زیر ۱۰ مورد از مهم‌ترین صنایع را نام برده‌ایم.

1. دولت‌ها
2.  آموزش
3. صنعت خرده‌ فروشی و عمده فروشی
4. حمل و نقل
5. صنعت داروسازی و پزشکی
6. بانک‌داری و مالی
7. ارتباطات و شبکه‌های اجتماعی
8.  گردشگری و هتل‌داری
9. منابع انسانی
10. صنعت مد

البته که کاربردها و موارد استفاده هوش تجاری حرفه‌ای و تجزیه و تحلیل داده‌ها نامحدود است. تعداد صنایع بسیار بیشتری هستند که از این تکنولوژی جدید در کسب و کارشان استفاده می‌کنند تا سودشان را به حداکثر  و ضررهایشان را به حداقل برسانند. با این وجود پرداختن بیشتر به این موضوع در این مقاله نمی‌گنجد.

مهارت‌های کلیدی یک متخصص هوش تجاری چیست؟

اگر ایده کشف الگوها در حجم زیادی از داده‌ها شما را هیجان‌زده می‌کند و علم کامپیوتر و کاربردهای آن در کسب و کارها برای شما جالب است، به لحاظ شخصیتی می‌توانید در زمینه هوش تجاری کار کنید.

در این بخش می‌خواهیم بررسی کنیم که برای کار در حوزه هوش تجاری چه مهارت‌های کلیدی را نیاز دارید؟

۱۰ مهارت کلیدی مورد نیاز یک متخصص هوش تجاری

تجزیه و تحلیل داده: اکثر مهارت‌های هوش تجاری و مهارت‌های مرتبط با تحلیل‌گر هوش تجاری، مربوط به استفاده از داده‌ها برای تصمیم‌گیری بهتر است. شما باید در مورد بررسی منابع مختلف داده و رسیدن به نتیجه‌گیری‌های دقیق درباره آن‌ها مهارت داشته باشید.

حل مسئله:

هوش تجاری فقط تجزیه و تحلیل داده‌ها نیست؛ بلکه ایجاد استراتژی‌های کسب و کاری و حل مشکلات کسب و کار در دنیای واقعی با آن داده‌هاست. به عنوان مثال، شما می‌توانید کسی باشید که بینش‌های قابل اجرا از KPIهای خرده‌فروشی خاصی استخراج کنید که باید به تصویر کشیده شده و در یک جلسه ارائه شوند.

دانش صنعت خاص:

شما باید درک کاملی از پویایی صنعت، به ویژه حوزه‌ای که در آن دنبال کار هستید، داشته باشید؛ اگرچه بسیاری از این اطلاعات را می‌توانید در حین کار بیاموزید. در طولانی مدت، شما می‌خواهید که در صنعت خودتان متخصص شوید؛ چرا که با این کار می‌توانید از داده‌ها برای حل مسئله‌های کسب و کار استفاده کنید.

مهارت‌های ارتباطی:

علاوه بر این که باید مهارت‌های مربوط به تحلیل هوش تجاری را به دست آورید، نیاز دارید که بتوانید یافته‌های خودتان را با سایر متخصصانی که همکارتان هستند، در میان بگذارید. البته اگر به عنوان بک‌اند (back-end) هوش تجاری کار کنید، خیلی نیازی به برقراری ارتباط نخواهید داشت. ولی اگر در فرانت‌اند (front-end) کار کنید، باید درباره موضوعات فنی با افراد غیر فنی صحبت کنید. چنین نقش‌های کاری نیاز به مهارت‌های ارتباطی عالی دارند.

تصویر‌سازی داده‌ها:

در ادامه مطالب بالا، برای این که بتوانید مطمئن باشید که ارتباطات خوبی برقرار می‌کنید، باید مهارت‌های تصویرسازی داده‌ها را هم داشته باشید. تصویرسازی بهترین ابزار برای قابل فهم کردن ترندها و بینش‌های کلی است. اینکه بتوانید به طور واضح ببینید چطور داده‌ها در قالب زمان تغییر می‌کنند، چیزی است که استخراج نتایج مرتبط از آن داده‌ها را ممکن می‌کند. برای این منظور، شما باید بتوانید بین نمودارها و انواع مختلف گزارش‌ها تمایز قائل شوید و همچنین باید بدانید که چه موقع و چطور از آن‌ها استفاده کنید تا از فرآیندهای هوش تجاری بهره‌مند شوید.

دید آینده‌نگرانه و توجه به جزئیات:

ماهیت هوش تجاری مبتنی بر جزئیات است. به عنوان یک تحلیل‌گر یا توسعه‌دهنده هوش تجاری، اغلب با کوچکترین بخش اطلاعات کار می‌کنید تا به بینش‌های عملی برسید. برای این که بتوانید در جهان سریع هوش تجاری موفق شوید، به یک دید آینده‌نگرانه و توجه بسیار زیاد به جزئیات نیاز خواهید داشت.

تجزیه و تحلیل آماری:

دانش آماری و ریاضی (به عنوان مثال آشنایی دقیق با مفهوم رگرسیون خطی) یکی دیگر از مهارت‌های مهم است، مخصوصا اگر می‌خواهید تحلیل‌گر هوش تجاری شوید. با درک مولفه‌های آماری مختلف مانند میانگین، میانه، دامنه، واریانس و سایر مولفه‌ها، می‌توانید در داده‌‌ها عمیق شوید و نتایج مرتبط را از آن‌ها استخراج کنید.

دانش برنامه‌نویسی:

از جنبه فنی‌تر، داشتن دانش زبان برنامه‌نویسی، می‌تواند یک مهارت بسیار ارزشمند برای کار در حرفه هوش تجاری باشد. بسیاری از راه حل‌ها، نیاز به استفاده از زبان‌های برنامه‌نویسی مختلف مثل R، پایتون، جاوا اسکریپت و غیره برای انجام تحلیل‌های پیشرفته دارند و تسلط داشتن بر آن‌ها می‌تواند مجموعه مهارت‌های شما را تا حد زیادی بزرگ کند.

نگرش فنی:

مهارت هوش تجاری بعدی که می‌خواهیم معرفی کنیم، بنیادی نیست، اما قطعا می‌تواند شما را به یک نیروی حرفه‌ای کامل‌تر و آماده‌تر تبدیل کند. هوش تجاری صنعتی است که تا حد زیادی به تکنولوژی متکی است و داشتن نگرش فنی از نحوه مدیریت این تکنولوژی‌ها یک امتیاز مثبت است. با این وجود، منظور ما این نیست که شما باید بلد باشید با تمام ابزارهای موجود در بازار کار کنید، اما دانستن این که این تکنولوژی‌ها چطور کار می‌کنند، می‌تواند مزیت رقابتی شما باشد.

هوش کسب و کاری:

آخرین مهارت مهمی که در لیست مهارت‌های کلیدی مورد نیاز برای یک متخصص هوش تجاری می‌خواهیم به آن بپردازیم، چیزی است که هوش کسب و کاری نامیده می‌شود. برای پیشرفت در حوزه هوش تجاری، شما باید بتوانید به سرعت مدل کسب و کاری شرکتی که در آن مشغول به کار هستید را درک کنید و بفهمید چگونه تلاش‌های خود را طوری تنظیم کنید که نه تنها از شاخص‌های کلیدی عملکرد خود حداکثر ارزش را کسب کنید، بلکه تصمیم‌های استراتژیکی بگیرید که به سازمان‌تان کمک می‌کند تا به طور مداوم موفق شود.

ابزارهای مهم مورد استفاده در تیم هوش تجاری

ابزارهای هوش تجاری نرم‌افزارهایی هستند که برای جمع‌آوری، پردازش، تجزیه و تحلیل و به تصویر کشیدن حجم زیادی از داده که مربوط به گذشته، حال و آینده هستند، استفاده می‌شوند تا بینش‌های عملی برای کسب و کار تولید کنند، گزارش‌های تعاملی ایجاد کنند و فرایند تصمیم‌گیری را ساده کنند.

پلتفرم‌های هوش تجاری قابلیت‌های کلیدی دارند؛ از جمله تصویرسازی داده‌ها، تجزیه و تحلیل بصری، داشبورد تعاملی و کارت‌های امتیازی KPI. علاوه بر این امکان گزارش‌دهی خودکار و قابلیت‌های تجزیه و تحلیل پیش‌بینی کننده در اختیار کاربر قرار می‌دهند که فرآیند تحلیل را کارآمد و قابل دسترس می‌کند.

در جدول زیر چند مورد از شناخته شده‌ترین و کارآمدترین ابزارها معرفی شده است.

تیم هوش تجاری از چه نقش‌هایی تشکیل شده است؟

قبل از آن که نقش‌‌های مختلفی که در یک تیم هوش تجاری کار می‌کنند را نام ببریم لازم است اشاره کنیم: برای اینکه یک تیم کامل روی یک پروژه هوش تجاری کار کند، باید به اندازه کافی بزرگ باشید تا بتوان هزینه را توجیه کرد. از برخی جهات، کار به تنهایی و بدون داشتن تیم ساده‌تر است؛ چرا که هیچ مانعی بین تصمیم و اقدام فاصله‌ای نمی‌اندازد. در پروژه‌های کوچک‌تر، یک توسعه‌دهنده Power BI می‌تواند به طور مستقیم با مشتری ارتباط برقرار کند و پروژه را با موفقیت تحویل دهد. با این حال، رویکرد تک توسعه‌دهنده می‌تواند چالش‌هایی در مسیر ایجاد کند؛ به‌ویژه اگر پروژه به وظایفی فراتر از مجموعه مهارت‌های توسعه‌دهنده نیاز داشته باشد. در ادامه چند نقش مهم را که تیم‌های هوش تجاری بزرگ را تشکیل می‌دهند، ذکر کرده‌ایم.

مهندس داده (Data Engineer)

مهندس داده (DE) در پروژه کسی است که به عنوان یک توسعه‌دهنده Power BI فعالیت می‌کند. مسئولیت نهایی او در پروژه هوش تجاری این است که داده‌های مورد نیاز برای ورودی Power BI را تامین کند.  چند مورد از وظایف یک مهندس داده، شامل موارد زیر است:

• پیدا کردن منبع داده‌ها از پایگاه داده یا فایل‌های مشتری
• تبدیل داده‌ها با استفاده از ابزارهای ETL و بهترین شیوه‌های موجود
• کمک به ایجاد روش مناسب برای ورود داده‌ها به Power BI
• ایجاد تمام نماها / جداول / رویه‌های ذخیره شده لازم
• کاوش داده‌ها و تست کردن آن‌ها

معمار فنی (Technical Architect)

معمار فنی (TA) معمولا کارهای مربوط به جلسات کشف برای بحث در مورد هدف و نیازهای پروژه را با کارفرما انجام می‌دهد. این بر عهده TA است که اطلاعات زیر را در رابطه با هدف گزارش Power BI ایجاد کند:

• امکان‌سنجی فنی داده‌ها؛ آیا داده‌ها برای استفاده به اندازه کافی خوب هستند؟
• وابستگی‌های فنی؛ آیا مسدود کننده‌های بالقوه‌ای وجود دارد؟
• الزامات غیر کاربردی؛ زمان مورد نیاز به‌روزرسانی صفحه چقدر است؟
• امنیت؛ امنیت Native Power BI کافی است یا از روش دیگری باید استفاده کرد؟
• بازخوانی داده‌ها؛ هر چند وقت یکبار و با چه عاملی باید داده‌ها بازخوانی شوند؟
• توزیع؛ کاربران نهایی چگونه گزارش را مشاهده خواهند کرد؟
• لایسنس Power BI؛ آیا محدودیتی برای گرفتن لایسنس یا مجوز وجود دارد؟
• سناریوی استفاده؛ از این گزارش چگونه استفاده خواهد شد؟
• نمودارهای معماری

مدیر پروژه (Project Manager)

مدیر پروژه (PM) شخصی است که از طرف کلاینت مسئول کل پروژه است. این مسئولیت اوست که در مورد مشارکت تیم در پروژه با کلاینت مذاکره کند، گاهی اوقات قراردادها را امضا کند، برآوردها را ایجاد کند و دید روشنی از بودجه ارائه بدهد. این اقدامات همیشه باید خارج از محدوده یک توسعه دهنده BI  باشد و شامل موارد زیر است:

• پیگیری بک‌لاگ (Jira / DevOps / Monday.com)
• تخمین زمان برای بک‌لاگ‌
• سفارش کارهای موجود در بک‌لاگ و ایجاد نقاط عطف
• مذاکرات بودجه
• مدیریت انتظارات کلاینت

تحلیل‌گر کسب و کار (Business Analyst)

تحلیلگر کسب و کار (BA) باید نیازهای تجاری را به الزامات فنی ترجمه کند. او مسئولیت موارد زیر را بر عهده دارد:

• مستندات فنی
• در نظر گرفتن الزامات تجاری و تبدیل آن‌ها به بک‌لاگ فنی
• ماکت‌ها
• ارائه KPIها / اندازه‌گیری‌ها / ارائه منطق‌های محاسباتی به تیم
• درک وابستگی‌های سیستم
• به‌روز‌رسانی مطالب بک‌لاگ
• ارائه نسخه نمایشی به کلاینت

کلاینت (The Client)

کلاینت هم مسئولیت قابل توجهی در یک پروژه دارد. این نقش باید هدف و الزامات تجاری را تعریف کند. او باید اطلاعاتی در زمینه معماری فنی هم در اختیار معمار فنی تیم قرار دهد و تعیین کند که چه فناوری/امنیتی/مجوز باید مورد استفاده قرار گیرد، و همچنین در مورد چگونگی برآورده شدن این الزامات اطلاعات لازم را ارائه دهد. شناسایی مسدودکننده‌ها به عهده تیم است، اما در بسیاری از موارد، ارائه راه حل به عهده کلاینت خواهد بود.

علاوه بر این، کلاینت باید محیط توسعه/تولید سرویس Power BI و همچنین هر فناوری مورد استفاده توسط تیم را فراهم کند. به همین دلیل است که مشخص کردن نتیجه مورد انتظار پروژه مهم است؛ آیا گزارش‌ها باید در محیط‌های در اجاره‌ مشتری منتشر شوند یا آنها انتظار دارند فایل‌های PBIX به‌عنوان نتیجه تحویل داده شوند؟ آیا الزامات UI/UX مانند طرح‌های زمینه یا لوگوی مشتری وجود دارد که گزارش باید از آن‌ها پیروی کند؟

دانشمند داده (Data Scientist)

دانشمند داده، یک هم‌تیمی متعارف برای تیم هوش تجاری نیست، زیرا اکثر پروژه‌های هوش تجاری به آن نیاز ندارند. با این حال، زمانی که مشتری به دنبال یادگیری ماشین، هوش مصنوعی یا سایر الگوریتم‌های بسیار پیچیده است، داشتن یک عضو با مهار‌ت‌های یک دانشمند داده که علم داده را به خوبی می‌فهمد، عالی است. نقش یک  دانشمند داده در یک پروژه هوش تجاری این است که بفهمد:

• آیا علم داده برای این پروژه مناسب است؟
• آیا داده‌ها به اندازه کافی خوب هستند تا علم داده ارزش ارائه کند؟
• برای اجرای الگوریتم‌ها به چه نرم‌افزار / زیرساخت / زبان‌هایی نیاز است؟
• برای افزودن الگوریتم‌ها به فرایند ETL چه فناوری لازم است؟
• بهترین روش برای نشان دادن خروجی این الگوریتم‌ها چیست؟

قطعا تمام نقش‌های ذکر شده برای تمام تیم‌های هوش تجاری ضروری نیستند و بسته به تعداد و اهداف هر پروژه این نقش‌ها و میزان اثر آن‌ها متفاوت است. همچنین در برخی تیم‌ها، نقش‌هایی غیر از نقش‌های ذکر شده هم کار می‌کنند.

حقوق هوش تجاری در جهان چقدر است؟

در مورد درآمد یک متخصص هوش تجاری در ایران اطلاعات درست و موثقی در دست نیست، اما طبق بررسی‌های ما یک متخصص هوش تجاری در بخش‌های دیگر جهان سالانه بین ۴۸ هزار دلار تا ۹۳ هزار دلار درآمد دارد.

مشاهده مطالب ذکر شده در بالا نشان می‌دهد که آینده شغلی هوش تجاری مانند باقی حوزه‌هایی که با داده سر و کار دارند روشن است و با گذشت زمان درخواست برای افراد متخصص در این حوزه بیشتر هم خواهد شد.

جمع‌بندی

به طور کلی در در دنیای داده محور امروز، شناخت داده، ساختارهای مختلف داده و انواع ذخیره‌سازی آن‌ها (مثل دیتا والت‌) اهمیت بسیاری دارد. در همین حال توانایی استخراج اطلاعات کارآمد از داده‌های خام به واسطه مشاغل هوش تجاری، تحلیل‌گر کسب و کار، تحلیل‌گر داده، دانشمند داده و امثالهم می‌تواند جذاب و در عین‌ حال پولساز باشد. از این رو اگر مباحثی که در این مقاله مطرح شد را دوست داشتید، حتما عمیق‌تر این حوزه را بررسی کنید. مقالات منتشر شده در بخش «هوش تجاری» وبلاگ آسا هم می‌تواند به برداشتن قدم‌های اول و آشنایی بیشتر شما کمک کند.