۷ کلید برای یک استراتژی موفقیت آمیز در زمینه هوش تجاری

هوش تجاری (BI) برای رشد کسب و کار و پیشرفت در رقابت ضروری است، با این وجود بهره بردن از مزایای استفاده از هوش تجاری به چیزی بیش از پیاده سازی فناوری که آن را فعال می‌سازد نیاز دارد. به گفته بوریس اِولسون، معاون و تحلیلگر اصلی موسسه تحقیقات Forrester، بکارگیری این فناوری آسان‌ترین بخش از هرگونه برنامه هوش تجاری است. او می‌گوید، گرفتن پرسنل درست و بخش‌های مربوط به پردازش بسیار چالش برانگیز است. به این ترتیب، سازمان‌ها اگر می‌خواهند موفق باشند، باید به پرسنل و فرایند‌ها به عنوان جنبه‌های اصلی استراتژی هوش تجاری خود متوسل شوند. علاوه بر این، استراتژی‌های هوش تجاری باید حتی بیشتر برای تعیین مالکیت و بهبود مستمر تجزیه شوند. در ادامه هفت مولفه اساسی برای هر استراتژی هوش تجاری موفق به گفته چندین کارشناس هوش تجاری، را مطرح کرده‌ایم:

۱. در کسب و کارتان از هوش تجاری استفاده کنید

سازمان‌هایی که هوش تجاری را در اختیار کاربران کسب و کار قرار می‌دهند، میزان موفقیت بیشتری نسبت به افرادی که هوش تجاری را محدود به IT می‌کنند، دارند. این ممکن است به معنای تعبیه هوش تجاری در خط کسب و کار یا گزارش عملکرد هوش تجاری به مدیر ارشد دیجیتال یا مدیریت ارشد مشتری باشد.

السون همچنین اضافه می‌کند: ” کسب و کار کاملاً باید مسئول باشد.” اگرچه پیچیدگی‌های فناوری‌های اولیه هوش تجاری، فناوری اطلاعات را مسئول بسیاری از برنامه‌های هوش تجاری می‌کند، اما ابزار امروزی بسیار شهودی‌تر است و به آنها اجازه می‌دهد مستقیماً به دست کاربران کسب و کار کنترل شوند تا بتوانند سوالاتی را که برایشان مهم است برطرف کنند.

به طور مشابه، سرعت دسترسی کاربران به داده‌ها و بینش‌های بدست آمده از هوش تجاری در سال‌های اخیر به طرز چشمگیری افزایش یافته است. امروزه کاربران کسب و کار اغلب به اطلاعات کاربردی در زمان واقعی نیاز دارند و نمی‌توانند منتظر فناوری اطلاعات برای تولید گزارش باشند. به همین ترتیب، اِلسون می‌گوید، مالکیت فناوری اطلاعات می‌تواند بجای تقویت کننده، مانعی برای کسب موفقیت در هوش تجاری باشد.

۲. بر استفاده از هوش تجاری نظارت کنید و در صورت لزوم آن را تنظیم کنید

اگرچه کسب و کار باید دارای برنامه هوش تجاری باشد، فناوری اطلاعات باید در نظارت و ارزیابی استفاده از سیستم‌های هوش تجاری یک شریک فعال باقی بماند. همانطور که السون توضیح می‌دهد: “به جای ایجاد موانع برای هوش تجاری، بر کارهایی که انجام می‌دهند، به چه منبع داده‌ای دسترسی پیدا می‌کنند، از چه ابزاری استفاده می‌کنند و چگونه از آنها استفاده می‌کنند، آیا واحد کسب و کار A بیشتر از واحد کسب و کار B از ابزار‌های هوش تجاری استفاده می‌کند نظارت کند. ”

به گفته وی، در این روش، مدیر ارشد فناوری اطلاعات می‌تواند آستانه‌هایی را با همکاری واحدهای کسب و کار تعیین کند. به عنوان مثال، مدیر ارشد فناوری اطلاعات (CIO) می‌داند که چند تحلیلگر در بازاریابی ابزار خود را بارگیری کرده‌اند و با موفقیت از آن استفاده می‌کنند، که در این صورت احتمالا رها کردن آنها مناسب باشد. به همین ترتیب، زمانی که مدیر ارشد فناوری اطلاعات متوجه می‌شود تعداد زیادی از کاربران کسب و کار از برنامه هوش تجاری استفاده می‌کنند، بنابراین به یک سطح سازمانی و یک برنامه مهم برای سازمان تبدیل شده است که نیاز به نظم و مدیریت بیشتری دارد.

۳. اعتبارسنجی

کریس‌هاگانز، معاون و مشاور موسسه WCI، مشاوره متمرکز بر هوش تجاری می‌گوید: سازمان‌ها ممکن است وسوسه شوند که بسیاری از قابلیت‌های هوش تجاری را ارائه دهند، اما همیشه کیفیت از کمیت آن مهم‌تر است. او می‌گوید: “بهتر است چیزهای کمتری داشته باشید که به آنها اعتماد دارید تا موارد زیادی که کاملاً به آنها مشکوک باشید.” در نتیجه، سازمان‌ها به یک فرایند اعتبار سنجی قوی نیاز دارند که تمرکز آن بر امکان دسترسی به کلیه داده‌های مورد نیاز برای پاسخ به سؤالات است. همچنین باید از ورود داده‌های مشکل ساز به سیستم هوش تجاری جلوگیری کند تا بینش‌های نادرست ایجاد نکند. علاوه بر این، فرایند اعتبار سنجی باید به اندازه کافی چابک باشد تا به سرعت به درخواست‌های عملکردهای جدید هوش تجاری پاسخ دهد.‌ هاگانز به یک مورد فرضی اشاره می‌کند که در آن یک ابزار هوش تجاری گزارش‌هایی را در مورد فروش خالص تولید می‌کند. اگر این ابزار داده‌های مربوط به فروش را بدست آورد اما تعداد کالاهای فروخته شده‌ای که بازگشت خورده‌اند را ارائه ندهد، اطلاعات نهایی قابل اعتماد نخواهد بود.

علاوه بر این، ‌هاگانز می‌گوید اعتبار سنجی نه تنها برای اطمینان از صحت اطلاعات بلکه برای قانع کردن افراد بدبین بسیار مهم است. برای ابطال یک گزارش، فقط یک یا دو نفر که بگویند من به داده‌ها اعتماد نمی‌کنم، کافی است. اظهار نظر آنها می‌تواند یک پروژه کامل را تحت تاثیر قرار دهد، و سپس گزارش‌ها بی فایده می‌شوند.

۴. ابتدا بر مشکلات کسب و کار متمرکز شوید، سپس روی داده‌ها

تنها به اخذ برنامه هوش تجاری اکتفا نکنید.‌ هاگانز می‌گوید، بسیاری از سازمان‌ها مخزن داده‌ها را ایجاد می‌کنند، هوش تجاری را در بالای صفحه قرار می‌دهند و انتظار دارند که کاربران کسب و کار به سمت آن هجوم بیارند و از آن استفاده کنند. “آنچه بسیار بهتر عمل می‌کند، رویکرد از بالا به پایین، در مورد نتایج کسب و کار است. ما با این مورد که “داده‌ها کجاست؟” شروع نمی‌کنیم بلکه شروع به حل یک مشکل کسب و کار می‌کنیم. ”

اِولسون این مثال را بیان می‌کند: بازاریابی مشکل عدم پیگیری مشتری را در نظر می‌گیرد و می‌خواهد بداند که چرا مشتری سازمان را ترک می‌کند. ابتدا سازمان باید توانایی پاسخگویی به سوال مربوط به بازاریابی را فراهم کند تا ابتدا تصمیم بگیرد که چه معیار‌هایی باید اندازه‌گیری شوند و به داده‌های مورد نیاز برای محاسبه آن معیارها دسترسی پیدا کند و سپس به بازاریابان اجازه دهد تا داده‌ها را تجزیه و تحلیل کنند.

اِولسون می‌گوید: “ما ابتدا باید یک مشکل شفاف کسب و کار و معیارهایی را که می‌خواهیم آنالیز کنیم، شناسایی کنیم و سپس در پایان در مورد اینکه اطلاعات مربوطه را از کجا بدست آوریم، صحبت کنیم.”

۵. اولویت بندی و ایجاد فرایند‌هایی برای پیشرفت

یک استراتژی هوش تجاری موفقیت آمیز توسعه و پیشرفت را مطابق نظر رهبران هوش تجاری پیش بینی می‌کند. به این ترتیب، سازمان‌ها باید بدانند که به دنبال چه بینش‌های کسب و کاری هستند و کدام یک از آنها مهمترین اولویت آنها است تا IT بتواند مهمترین اولویت را برای کاربران کسب و کار در ابتدا تحویل دهد و راه خود را از طریق لیست اولویت‌ها ادامه دهد.

علاوه بر این، با تغییر اولویت‌ها، برنامه هوش تجاری باید بتواند تغییر کند.‌ هاگان می‌گوید: “باید متناسب با آنچه کاربران و افراد داخل جامعه کسب و کار نیاز دارند، تکامل یابد.” به همین ترتیب، استراتژی هوش تجاری باید در فرایندهایی ایجاد شود تا بتواند نحوه کار سیستم را پیش ببرد و بهبود بخشد. اولسون یک رویکرد تکراری را توصیه می‌کند، به طوری که ابزار هوش تجاری بتواند با استفاده واحدهای کسب و کار از آن پیشرفت کند و مشخص کند که کجا پاسخگوی نیازهای آنها است و چه زمانی پاسخگوی نیاز آنها نخواهد بود.

۶. شهروند دانشمندان حرفه‌ای داده‌

شرکت تحقیقاتی گارتنر در گزارش خود در مورد “Magic Quadrant برای سیستم‌های اطلاعاتی کسب و کار و تجزیه و تحلیل اقتصادی “، می‌گوید: ” در طی چند سال آینده تعداد شهروند-دانشمندان داده‌های پنج برابر سریعتر از تعداد دانشمندان داده رشد خواهد کرد.” ( شهروند-دانشمند داده Citizen Data Scientist اصطلاحی است که توسط گارتنر تعریف شده و به متخصص پیشرفته تحلیل داده یا متخصص داده‌ای اشاره دارد که نیاز دارد یا می‌خواهد تکنولوژی یادگیری ماشینی Machine Learning را انجام دهد.) سندی هوسون، معاون تحقیقات در گارتنر، می‌گوید مدیران از قبل تشخیص می‌دهند که دانشمندان اطلاعات کافی برای برآوردن تقاضا ندارند. آنها همچنین در تلاش هستند تا شهروند-دانشمندان داده‌ مورد نیاز خود را استخدام یا شناسایی کنند.

“ما در مورد تحلیلگران اطلاعات واسطه صحبت می‌کنیم. آنها حوزه کسب و کار و سوالاتی را که باید از آنها پرسیده شود، می‌دانند. ” او می‌گوید: به نرم افزاری نیاز است که استفاده از آن ساده‌تر باشد تا سازمان‌ها بتوانند این خدمات را بهتر فعال کنند.

هوسون پیش بینی می‌کند که نهایتا پیشرفت نرم افزار موجب می‌شود تا مدیران کسب و کار‌ها بتوانند نیاز خود را در مجموعه داده‌های اصلاح نشده سؤال کنند و پاسخ آنها را دریافت کنند. همانطور، سازمان‌ها به افراد مناسب نیاز دارند تا بتوانند شهروند-دانشمندان داده را استخدام کنند و به کار بگیرند. آنها به کارکنان کنجکاو با مهارت‌های تحلیلی نیاز دارند که دوست دارند سوال بپرسند، بدانند چگونه اطلاعاتی را که آنها را به عقب باز می‌گرداند تعبیر کنند و در مورد کار با نرم افزار برای بهبود نتایج کسب و کار راحت هستند.

۷. توانمندسازی کارکنان برای گفتن داستان به کمک داده‌ها

در یک یادداشت مشابه، تاد نش، رئیس و مدیر اصلی مشاوره CBIG، یک شرکت خدمات حرفه‌ای که به مشتریان کمک می‌کند تا دارایی داده‌های خود را بکار گیرند، می‌گوید که با سازمان‌هایی کار کرده است که کارکنان درک می‌کنند چگونه از بینش‌های ارائه شده توسط ابزار هوش تجاری برای گفتن داستان‌هایی استفاده کنند که به دیگران کمک می‌کند تا “آنچه داده‌ها می‌خواهند بگویند” را درک کنند.

یکی از کامل ترین ابزارهای هوش تجاری ابزار Power BI است که در مقاله “پاور بی آی چیست و در هوش تجاری چه کاربردی دارد؟” می‌توانید بیشتر با این ابزار قدرتمند آشنا شوید.

او می‌گوید این افراد از توابع گزارشگری و تجسم در فناوری هوش تجاری استفاده می‌کنند تا روایت‌هایی را ایجاد کنند که به حداکثر رساندن ارزش تحلیلی کمک می‌کند. وی می‌گوید: “شما داده‌ها و ابزارهایی را برای گفتن داستان در اختیار دارید و به افرادی نیاز دارید تا آنها را بهم متصل کنند.” این رویکرد فقط مربوط به در اختیار داشتن افرادی نیست که گزارش‌های منعطف تولید می‌کنند. نش می‌گوید این کاربران قادر به برقراری ارتباط با داده‌هایی هستند که ممکن است دیگران نبینند، در نتیجه بینش‌های جدیدی ارائه می‌دهد که مشاغل می‌توانند به عنوان اهرمی‌ برای سود خود بهره ببرند. او می‌گوید مدیران باید از این کارکنان پشتیبانی و حمایت کنند تا برای ایجاد ارتباطات و ارائه بینش خود کاوش کنند. به عنوان مثال، او می‌گوید کارکنانی که آمار فروش فروشگاه‌ها را تجزیه و تحلیل می‌کنند، ممکن است ببینند که چقدر روند‌های کوچک – نه فقط ایده‌های بزرگ – تأثیرات ظریفی بر فروش دارند. آنها ممکن است بخواهند داده‌های خارجی را ترسیم کنند تا روند بیشتری را تجزیه و تحلیل کنند و درک کنند که چگونه فروشگاه‌ها با توجه به بینش جدید می‌توانند سود بیشتری از فروش کسب کنند. نش می‌گوید: “همه نوع داده‌های داخلی و خارجی وجود دارد که می‌توانند از بینش‌های بهتری استفاده کنند”. برنامه‌های موفق هوش تجاری به تحلیلگران این امکان را می‌دهند که فراتر از ابزار‌های شاخص عملکرد کلیدی استاندارد حرکت کنند. او می‌گوید: “راه‌های مختلف زیادی برای به چالش کشیدن خودتان وجود دارد، و بخشی از آن چالش‌های شاخص کلیدی عملکرد (KPI) است، اطمینان حاصل کنید که از اطلاعات موجود برای درک کردن استفاده می‌کنید.”