هوش تجاری و قابلیت های جدید سلف سرویس

سلف‌ سرویس بودن برای یک نرم‌افزار هوش تجاری به چه معنی است؟ وقتی از Self Service BI حرف می‌زنیم دقیقاً مقصود ما چیست؟

در این مقاله ابتدا هوش تجاری در قالب سنتی آن را تعریف می‌کنیم و سپس به سراغ مفهوم سلف‌سرویس bi می‌رویم تا مفاهیم، مزایا، معایب و تکنولوژی‌ آن را مرور کرده و شرایط استفاده در ایران را بررسی کنیم.

هوش تجاری سنتی و معایب آن در مقایسه با bi سلف سرویس

هوش تجاری بیش از 30 سال است که در دسترس کسب‌و‌کارها قرار دارد؛ اما ازآنجا که BI یک مفهوم ثابت نیست به‌مرور و در طی زمان دچار تغییروتحول شده است. پیشرفت‌های نرم‌افزاری و فناوری در دو دهه گذشته و نیاز روزافزون کاربران باعث شده است تا راهکارهای تجزیه‌وتحلیل سلف‌سرویس (self service analytics) ظهور و بروز پیدا کنند.

هوش تجاری از ابتدای پیدایش با این فرض به وجود آمده که اطلاعات ذخیره شده در یک شرکت می‌تواند به مدیران آن شرکت کمک کند تا:

• پاسخ سؤال‌های تجاری خود را پیدا کنند (در قالب گزارش، داشبورد و تحلیل)

• در نتیجه بهتر و سریع‌تر برای کسب‌وکار خود تصمیم بگیرند.

بنابراین، استفاده از هوش تجاری همیشه با یک سؤال یا نیاز از سمت “کاربر تجاری” آغاز می‌شود. این کاربران برای رسیدن به پاسخ باید به اطلاعاتی که از قبل ذخیره شده‌ است رجوع کنند. مثلاً برای بررسی عملکرد کلی یک مجموعه شاخص‌های مالی؛ مانند درآمد ناخالص یا سود خالص سه‌ماهه گذشته بررسی می‌شود.

کاربر تجاری (business user) در سیستم BI کیست؟

معمولاً مدیران یک مجموعه شامل مدیران ارشد، میانی و سرپرستان به‌عنوان کاربر تجاری برای سیستم bi در نظر گرفته می‌شوند. این کاربران می‌دانند به چه اطلاعاتی می‌خواهند و در زمینه کاری خود دانش کافی را دارند؛ اما دانش فنی آنها در کار با داده یا نرم‌افزار هوش تجاری محدود است.

درگذشته کاربر تجاری به متخصص واحد IT نیاز داشت تا گزارش‌های موردنیاز او را بسازد. اطلاعات جایی در پایگاه‌داده نرم‌افزارها یا سیلو‌های داده ذخیره می‌شد؛ اما برای کاربران غیرفنی استفاده از آن ممکن نبود. در نتیجه آنها برای دسترسی به اطلاعات و ساخت گزارش‌های خود کاملاً به واحد IT وابسته بودند.

فرایند کاری در هوش تجاری سنتی چگونه بود؟

• کاربر تجاری سؤالاتی داشت که باید پاسخ داده می‌شد (گزارش – تحلیل …)

• درخواست به واحد IT ارجاع داده می‌شد. متخصص IT پایگاه‌های داده موردنیاز را شناسایی می‌کرد

• متخصص IT انبار داده (data warehouse) یا دیتا مارت را از پایگاه‌های داده موجود در شرکت می‌ساخت

• گزارش‌ و تحلیل‌ توسط ابزارهایی مثل اکسل یا BIDS از دیتابیس جدید ساخته می‌شد

• نهایتاً تحلیل و گزارش ساخته شده با کاربران تجاری به اشتراک گذاشته می‌شد

• درصورتی‌که این گزارش نیاز کاربر را رفع نمی‌کرد این فرایند تکرار می‌شد

فرایند کاری ذکر شده مشکلات متعددی داشت.

مشکلات روش قدیمی BI:

• پروژه BI به نیروهای متخصص نیاز داشت و شرکت‌ها نمی‌توانستند تعدادی زیادی از این نیروها را استخدام کنند

• سرعت و روند انجام پروژه کاملاً به تیم IT وابستگی داشت و این تیم نمی‌توانست درخواست‌های زیادی را پاسخ دهد.

• انجام هر پروژه از چند ماه تا چند سال زمان می‌برد.

• هزینه پروژه‌های هوش تجاری بسیار زیاد بود و تنها از عهده شرکت‌های بزرگ برمی‌آمد.

• این هوش تجاری انعطاف‌پذیر نبود و در واقع برای محیط پایدار دهه 80-90 میلادی مناسب بود

موانع ذکر شده باعث می‌شد که کارایی، تأثیر و استفاده از BI به‌شدت محدود شود.

با شروع قرن جدید و فراگیرشدن استفاده از اینترنت، تولید و ذخیره اطلاعات به شکل سرسام‌آوری افزایش یافت. روش‌های قدیمی تحلیل داده و هوش تجاری پاسخگوی این شرایط جدید نبودند.

شرکت‌ها و کاربران به اطلاعات به‌روز و در لحظه نیاز داشتند. در نتیجه فناوری‌ها و نرم‌افزاری‌های جدیدی برای تحلیل اطلاعات به وجود آمد و مفهوم هوش تجاری سلف‌سرویس از اینجا شکل گرفت.

هوش تجاری سلف سرویس چیست؟

به زبان ساده Self Service BI یک سیستم گزارش‌گیری است که کاربر معمولی و بدون مهارت فنی را قادر می‌کند به‌راحتی و سریع، اطلاعات را جستجو و آنها را مصورسازی کنند.

شرکت‌ها برای اینکه بتوانند سریع‌تر به تحلیل داده و اطلاعات دسترسی داشته باشند باید وابستگی کاربر تجاری به واحد IT را تا حد ممکن کاهش می‌دادند.

نرم‌افزارهای bi سلف‌سرویس به وجود آمدند تا افراد غیرفنی مانند مدیران بتوانند به‌راحتی با اطلاعات کار کنند و خودشان گزارش‌ها و داشبوردهای مدیریتی را بسازند و با یکدیگر به اشتراک بگذارند.

اگر بخواهیم تفاوت هوش تجاری سنتی با سلف‌سرویس را با مثال بیان کنیم. اولی شبیه رستوران 5 ستاره است که غذا توسط پیشخدمت روی میز سرو می‌شود و دومی یک بوفه است که هر کس می‌تواند آنچه را که می‌خواهد با هر ترکیبی که دوست دارد از روی میز اصلی برداشته و مصرف کند!

تعریف مؤسسه گارتنر از Self Service BI & Analytics

اجازه بدهید تعریف رسمی گارتنر در این خصوص را با هم مطالعه کنیم.

هوش تجاری سلف سرویس (Self-service business intelligence) :

هوش تجاری سلف‌سرویس یعنی کاربر نهایی، گزارش‌ها و تحلیل‌های خود را به کمک ابزارهای مختلف طراحی کند و بسازد. (داخل یک معماری داده تأیید شده و پشتیبانی شده)

تجزیه‌وتحلیل سلف ‌سرویس (Self-Service Analytics) :

شکلی از هوش تجاری است که در آن کاربران تجاری امکان آن را دارند (و تشویق می‌شوند) تا در داده‌ها کاوش کنند و خودشان گزارش‌ها را بسازند (با کمترین پشتیبانی از واحد IT)

مشخصه تجزیه‌وتحلیل سلف‌سرویس معمولاً ابزار هوش تجاری است که استفاده از آن راحت است و توانایی‌های پایه تجزیه‌وتحلیل را دارد بعلاوه یک مدل داده ساده شده یا کوچک شده که استفاده، درک و دسترسی سرراست به داده را فراهم آورد.

مزایا و معایب هوش تجاری سلف‌سرویس

حالا که معنی سلف‌سرویس بودن هوش تجاری را فهمیدیم می‌توانیم مزایا و معایب آن را تصور کنیم. اینکه یک کاربر خود بتواند شخصاً گزارش و داشبوردهای موردنیاز خود را بسازد و با دیگران به اشتراک بگذارد مزیت‌های زیادی دارد از جمله:

• کاهش هزینه‌های استفاده از هوش تجاری، بر خلاف گذشته هوش تجاری یک پروژه IT گران‌قیمت نیست؛ بنابراین برای شرکت‌های کوچک و متوسط نیز در دسترس خواهد بود

• عدم وابستگی کاربران تجاری به تیم IT، این مورد می‌تواند به معنی افزایش تعداد کاربران استفاده‌کننده از سیستم BI و همچنین آزادشدن منابع انسانی تیم IT برای تمرکز روی پروژه‌های و مهم‌تر باشد

• افزایش سرعت در گزارش‌گیری و تحلیل داده، در نتیجه سرعت تصمیم‌گیری در شرکت بالاتر رفته و بهره‌وری، کارایی و انعطاف‌پذیری آنها در مواجهه با شرایط بازار افزایش می‌یابد

• داده‌محوری در شرکت‌ها، تعداد بیشتری از کارکنان به تحلیل داده و مزیت‌های آن دسترسی خواهند داشت که می‌تواند حرکت به سمت یک سازمان داده‌محور را رقم بزند.

چالش‌های استفاده از Self Service BI چیست؟

آنچه به‌عنوان مزیت برای هوش تجاری سلف‌سرویس مطرح می‌شود می‌تواند درعین‌حال نقطه‌ضعفی بزرگ برای آن باشد. دسترسی مستقل و بدون محدودیت کاربران مختلف به منابع داده مشکلات زیر را به وجود می‌آورد

• امنیت اطلاعات و حریم خصوصی، پیش از استقرار هوش تجاری حدود دسترسی کاربران به اطلاعات و ساختار آن باید به‌درستی چیده شود تا جلوی دسترسی به اطلاعات حساس و یا استفاده نادرست از داده‌ها گرفته شود.

• تحلیل‌ها و گزارش‌های اشتباه، امکان اشتباه یا سوءبرداشت کاربران در حین کار با داده و اطلاعات وجود دارد و همیشه ممکن است خطاهایی در حین آماده‌سازی، فیلترکردن و یا تفسیر داده اتفاق که بیفتند. حاصل این اشتباهات یا خطاها تناقض در نتایج گزارش‌‌ها و در نتیجه خطای تصمیم‌گیری است.

• استقرار کنترل نشده هوش تجاری، اگر راهکار سلف‌سرویس توسط واحدها و افراد به‌صورت مستقل و بدون یک نظارت یک واحد مرکزی پیاده‌سازی شود در نهایت به موازی‌کاری، استفاده از ابزارهای متفاوت، تناقض در اطلاعات و افزایش هزینه‌های استفاده از BI منجر خواهد شد

• عدم‌پذیرش راهکار هوش تجاری توسط پرسنل، هر سازمانی فرایندهای خود را برای گزارش‌گیری و استفاده از داده دارد. نمی‌توان از کاربران انتظار داشت تا به یکباره گردش کاری جاافتاده در شرکت را رها کرده و به‌سرعت کار با نرم‌افزارهای جدید را بیاموزند. به‌هرحال کار با هوش تجاری به سطحی از مهارت و سواد داده نیاز دارد. درصورتی‌که نرم‌افزار مورداستفاده برای کاربران بهینه نشده باشد یا آموزش‌های لازم داده نشود استفاده از آن با مقاومت مواجه خواهد شد.

به نظر شما برای رفع و کنترل چالش‌های زیر چه کاری می‌توان کرد؟

ریشه‌یابی چالش‌های هوش تجاری سلف سرویس

عمده مشکلات راهکار سلف‌سرویس به سه مورد زیر بازمی‌گردد. این موارد را در ادامه بررسی می‌کنیم

• نوع و پیچیدگی داده‌ها

• میزان دسترسی و اختیار کاربران در کار با داده‌ها

• محدودیت نرم‌افزارهای مورداستفاده

نوع داده و داده پیچیده

اگر اطلاعاتی که با آن سروکار داریم واقعاً ساده باشد به مشکل جدی برنخواهیم خورد؛ اما زمانی که از یک شرکت صحبت می‌کنیم درباره داده پیچیده؛ یعنی پایگاه‌های داده مجزا و اطلاعات متفاوت حرف می‌زنیم.

داده پیچیده مشکلاتی دارد که پیش از استفاده از هوش تجاری باید بررسی و رفع شود. مواردی مثل:

• کیفیت داده (Data Quality)

• صحت داده (Data Accuracy)

• قالب‌بندی داده (Data Formatting)

• ساختار داده (Data Structure)

انتظار بی‌جایی است اگر از کاربران عادی توقع داشته باشیم بتوانند فرایند پیچیده گردآوری و تحلیل داده را خودشان انجام بدهد.

میزان دسترسی کاربران به داده

آزادی بدون قانون به آشوب منتهی می‌شود. باز گذاشتن دست کاربران برای استفاده از مستقل از هوش تجاری خوب است؛ اما بدون ساختار مناسب برای مشخص‌کردن حدود، شرایط و منابع قابل‌دسترسی این کار می‌تواند به هرج‌ومرج داده در سازمان منتهی بشود.

محدودیت‌های نرم‌افزار:

بعضی از نرم‌افزارهای BI در دسترس ابزارهای لازم برای آماده‌سازی و بارگذاری داده از ابتدا تا انتها (end2end) را ندارند و دسته‌های داده باید به‌صورت مجزا و یک‌به‌یک در نرم‌افزار بارگذاری شود. از طرفی بعضی از ابزارهای prep در دسترس، به‌شدت پیچیده و فنی هستند و کار با آنها نیاز به دانش گسترده‌ای دارد

اما راه‌حل موارد ذکر شده چیست؟ ” حاکمیت داده”

حاکمیت داده و انواع هوش تجاری سلف‌سرویس

حاکمیت داده شاید در نگاه اول با فلسفه هوش تجاری سلف‌سرویس در تناقض باشد. مورد اول محدودکردن دسترسی‌ها، و کنترل بر جریان اطلاعات را شامل می‌شود و دومی باز گذاشتن دست کاربران برای استفاده بیشتر از داده‌ها است. اما در حقیقت این‌طور نیست.

حاکمیت داده طبق تعریف گارتنر یعنی مشخص‌کردن حقوق تصمیم‌گیری و چهارچوب پاسخگویی افراد برای اطمینان از رفتار صحیح در زمینه ایجاد، مصرف، کنترل، تجزیه‌وتحلیل و ارزش‌گذاری داده داخل یک سازمان است.

به عبارتی مجموعه‌ای از دستورالعمل‌ها و قوانین که نوع و شکل استفاده از داده در سازمان را مشخص می‌کند.

با درنظرگرفتن نقش حاکمیت داده می‌توانیم دو نوع از هوش تجاری سلف‌سرویس را تصور کنیم (در حضور و با یا بدون حضور حاکمیت) و مزایا و معایب هر یک را در ادامه بسنجیم.

BI کاملاً سلف‌سرویس

در این ساختار کاربران دسترسی کامل به پایگاه‌های داده دارند برای مثال می‌توانند داده را از دیتابیس نرم‌افزارهای CRM، ERP یا هر منبع دیگری استخراج کنند و در نهایت به‌صورت داشبورد و گزارش در بیاورند.

این شیوه تمام مزیت‌های سلف‌سرویس بودن را دارد از طرفی باعث مشکلاتی خواهد شد که پیش‌ازاین به آن‌ها اشاره کرده‌ایم

سلف سرویس BI کنترل شده (Governed Self-Service BI)

بگذارید با این زاویه دید به مسئله نگاه کنیم.

آیا تمام کاربران هوش تجاری نیازهای مشابهی دارند؟ لیستی از نیازهای کاربران مختلف را در ادامه تهیه کرده‌ایم:

• دیدن داشبوردها و گزارش‌ها بعلاوه فیلتر داده‌ها و به‌اشتراک‌گذاری اطلاعات

• ساختن داشبوردها و گزارش‌های جدید از مکعب‌های داده (مدل‌های داده تأیید شده)

• پیداکردن منابع جدید داده گزارش‌گیری و مصورسازی آنها

• دسترسی مستقیم به منابع داده، ساخت مدل‌های جدید داده و تحلیل و تجزیه آنها

تمام موارد بالا می‌تواند به‌عنوان قابلیت سلف سرویس مطرح شود؛ اما هرکدام نیازهای بخشی از کاربران را برآورده می‌کند.

در سیستم سلف‌سرویس کنترل شده گروه‌های کاربری مشخصی درون سازمان تشکیل می‌شود و برای هر گروه وظایف و سطح دسترسی خاصی را در نظر گرفته شده است.

انواع کاربران در هوش تجاری سلف‌سرویس و وظایف آنها

متخصص IT

مهندسین داده در این دسته قرار می‌گیرند. این کاربران به یک راهکار end2end نیاز دارند. آنها وظیفه گردآوری داده خام، ETL و ساخت انبارها و مدل‌های جدید داده را دارند.

مدل‌های داده توسط تیم IT تست می‌شود تا از صحت و کیفیت داده اطمینان حاصل شود. در نهایت این مدل داده در اختیار کاربران تجاری قرار می‌گیرند.

کاربر تجاری

در ابتدای این مقاله درباره کاربر تجاری صحبت کردیم. دوباره به لیست نیازهای کاربران دقت کنید.

• دیدن داشبوردها فیلتر داده و به اشتراک گذاشتن اطلاعات

در واقع نیاز بسیاری از کاربران تجاری در همین مرحله رفع می‌شود به این دسته از کاربران End User یا کاربر نهایی اطلاق می‌شود.

اما بعضی از کاربران تجاری علاوه بر مشاهده اطلاعات نیاز دارند تا گزارش و داشبوردهای جدیدی را بسازند. این کاربران می‌توانند از مدل‌های داده آماده و استانداری که توسط تیم IT ایجاد شده است استفاده کنند. به این شکل کاربر تجاری دیگر درگیر کارهای فنی و پیچیده نمی‌شود

کاربر پیشرفته یا power user

گروه بعدی کاربران پیشرفته هستند و نقش مهمی در سلف‌سرویس BI دارند. در واقع می‌توان آنها را کاربران تجاری دانست که در کنار تسلط بر حوزه تجاری از مهارت و دانش فنی نیز برخوردارند.

این کاربران بخشی از وظایف که قبلاً توسط IT انجام می‌شد را بر عهده می‌گیرند. علاوه بر ساخت داشبورد و گزارش‌های جدید و ارائه آن به کاربر تجاری، کاربر پیشرفته امکان کشف و استخراج داده‌های جدید و مصورسازی آنها را دارد. معمولاً مدل‌ها یا مصورسازی‌های انجام شده توسط کاربر پیشرفته باید به تأیید نهایی تیم IT برسد تا با اطلاعات و مدل‌های قبلی تناقض نداشته باشد.

توجه داشته باشید که تعریف کاربران سیستم باتوجه‌به نوع نیاز سازمان، روش و معماری پیاده‌سازی هوش تجاری ممکن است متفاوت باشد و یا وظایف کاربران با یکدیگر هم‌پوشانی پیدا کند. بااین‌وجود سه مورد ذکر یعنی کاربر تجاری، کاربر پیشرفته و متخصص IT را می‌توان در یک سازمان نوعی مشاهده کرد.

مزیت‌های استفاده از مدل استاندارد (مکعب داده)

مدل استانداردی که توسط متخصصین IT ساخته می‌شوند چندین مزیت دارند:

• چون منبع تمام داده‌ها یکی است و مدل قبلاً تست شده از تناقض در اطلاعات جلوگیری به عمل می‌آید

• کارکردن با این مدل‌های داده بسیار راحت‌تر است و نیاز به دانش فنی کمتری دارد

• کاربران می‌توانند گزارش‌ها و داشبوردهای موردنیاز خود را با دسترسی به این مدل‌های داده و بدون دخالت تیم IT تهیه کنند

• کاربران تجاری دیگر نیازی به دسترسی مستقیم به منبع داده نخواهند داشت

هوش تجاری سلف سرویس در ایران

استفاده از هوش تجاری و قابلیت سلف‌سرویس آن به دلایل متعددی در ایران فراگیر نشده است. از مهم‌ترین این دلایل عدم وجود و دسترسی به یک پلتفرم کامل و جامع هوش تجاری است.

بیشترین نرم‌افزارهای استفاده شده برای تحلیل داده در ایران در ابتدا اکسل و سپس Power bi و تبلو هستند. اصولاً اکسل برای این موضوع طراحی نشده است و دو نرم‌افزار دیگر نیز در نسخه رایگان قابلیت‌های لازم برای اجرای سلف‌سرویس BI را ندارند.

هر دو پلتفرم Power bi و tableau ابزارهای به‌اشتراک‌گذاری اطلاعات و آماده‌سازی داده را به نسخه‌های پریمیوم خود محدود کرده‌اند. ازاین‌گذشته حتی در صورت دسترسی کامل به پلتفرم این دو نرم‌افزار بیش از اندازه برای کاربران عادی پیچیده هستند و اعمال حاکمیت داده روی این پلتفرم‌ها کار آسانی نیست.

مشکل دوم به بحث آموزش و ایجاد فرهنگ استفاده از داده در سازمان‌ها بازمی‌گردد. در سال‌های اخیر و با ظهور استارت‌آپ‌های موفق در حوزه IT ، خدمات و نیاز آنها به تحلیل داده شاهد تغییر آرام و حرکت به سمت داده‌محوری هستیم؛ اما همچنان بسیاری از سازمان و شرکت‌های داخلی به روش‌های قدیمی گزارش‌گیری وابسته‌اند و سازمان‌هایی که هوش تجاری را استفاده می‌کنند راه دشواری برای پیاده‌سازی یک راهکار سلف‌سرویس دارند.

جمع‌بندی

• هوش تجاری سنتی چندین دهه است که در دسترس شرکت‌ها قرار دارد

• هوش تجاری سنتی معایبی مثل هزینه‌های مالی، زمان زیاد انجام پروژه و وابستگی به IT دارد

• هوش تجاری سلف‌سرویس یک سیستم گزارش‌گیری است که کاربر معمولی را قادر می‌کند به‌راحتی و سریع، گزارش‌های جدید بسازد و اطلاعات را کاوش کند

• افزایش سرعت، کاهش هزینه‌های ملی و زمانی و داده‌محوری از مزایای هوش تجاری سلف‌سرویس است

• امنیت اطلاعات، تناقض در داده‌ها و استقرار کنترل نشده از معایب هوش تجاری سلف‌سرویس به شمار می‌رود

• ریشه مشکلات هوش تجاری سلف‌سرویس به داده‌های پیچیده، نوع دسترسی کاربر به داده و محدودیت‌های نرم‌افزاری بازمی‌گردد

• حاکمیت داده راهی برای رفع معایب هوش تجاری سلف سرویس است

• در Self Service bi کنترل شده گروه‌های کاربری و وظایف آنها از یکدیگر تفکیک می‌شوند

• متخصص IT، کاربر تجاری و کاربر پیشرفته جزء کاربران هوش تجاری سلف‌سرویس هستند

• دسترسی کاربران تجاری به داده از طریق مدل‌های استانداردی ایجاد می‌شود که توسط متخصص IT تهیه شده است.

• مدل‌های داده استاندارد از تناقض داده جلوگیری می‌کند و کار با داده را برای کاربر تجاری راحت‌تر می‌کند.

استفاده از هوش تجاری سلف‌سرویس به دلیل عدم وجود پلتفرم کامل هوش تجاری در ایران و جانیفتادن فرهنگ داده‌محوری با مشکل مواجه است.

منبع: هوش تجاری سلف ‌سرویس (Self Service BI) مزایا و موانع استفاده