۹ راه عدم موفقیت هوش تجاری

مدیران می‌دانند که برای تصمیم گیری صحیح در مورد کسب و کار نیاز به داده‌های با کیفیت بالا دارند. اما دریافت داده‌های دقیق در زمان به موقع و قالب کاربر پسند، خود یک چالش بزرگ است. مطمئناً، صنعت گسترده‌ای از مشاوران و فروشندگان با تخصص هوش تجاری (Business Intelligence) وجود دارد اما از کجا می‌دانید که این مسیر موجب موفقیت شما می‌شود؟ آیا زمان آن نرسیده است که هوش تجاری سازمان خود را ارتقا دهید یا یک برنامه آموزشی جدید را راه اندازی کنید؟ برای پاسخ به این سوالات، اطلاع از اینکه دیگران کجا این راه را اشتباه کرده‌اند می‌تواند مفید است. در ادامه ۹ راهی که منجر به عدم موفقیت پیاده سازی هوش تجاری در سازمان شما می‌شود می‌پردازیم.

۱. در هنگام ساخت سیستم‌های هوش تجاری گیرنده سفارش باشید

“همیشه حق با مشتری است”. این شعار خوبی است که برای بهبود خدمات به مشتریان، به ویژه در خرده فروشی، مفید بوده است. اما با وجود فناوری، کاربران کسب و کار ممکن است همیشه آنچه از آنها درخواست می‌شود را درک نکنند. حتی بدتر، آنها ممکن است سعی کنند جزئیات فنی راه حل را دستور بدهند.

اجرای چیزی غیر از آنچه واقعا مورد نیاز کاربران است، دستورالعمل عدم موفقیت هوش تجاری است. Wolfgang Platz، بنیانگذار Tricentis، که پلتفرم نظرسنجی مداوم را به شرکت‌های HBO، TOYOTA، BMW پیشنهاد داد، می‌گوید: “پروژه‌های موفق هوش تجاری نیاز به تدوین و مدیریت نیازمندی‌ها و همچنین توانایی تایید صحیح نتایج هوش تجاری دارند.” تکنیک “پنج چرا” – پرسیدن پنج بار چرایی در مورد یک موضوع تنها برای دستیابی به عمق بیشتر  یک راه برای درک نیاز حقیقی کاربران است.

۲. کاهش زمان آزمایش و منابع

“حرکت سریع و حذف موانع” ایده اصلی در دنیای استارتاپ است. کسب و کار‌ها نیز اغلب نیاز به سرعت عمل دارند. اما در این جستجوی سریع، فعالیت‌هایی که فرعی تلقی می‌شوند، مانند آزمایش کردن ممکن است حذف شوند. در نظر گرفتن آزمایش به عنوان بار اضافه می‌تواند به مشکلات کیفیتی قابل توجهی منجر شود، به خصوص اگر به آزمایش دستی تکیه کنید. در عوض، به دنبال آزمایش و فرایند‌های “جانبی” مربوط به عنوان راه‌هایی برای ارائه تجربه هوش تجاری با کیفیت بالاتر باشید. پلاتز می‌گوید: “محدود کردن آزمایش، به ویژه تنها آزمایش دستی که انجام می‌شود، منجر به تعداد زیاد نقص در آزمون پذیرش کاربر می‌شود که در نهایت زمان تحویل پروژه را تحت تأثیر قرار می‌دهد.”

۳. اهمیت یکپارچگی داده‌های کوتاه مدت

ابزارهای هوش تجاری در پردازش، نمایش و تجزیه و تحلیل داده‌ها عالی هستند. اما اگر در حال تغذیه داده‌های اشتباه در سیستم باشید چه می‌شود؟ یا بهتر این است که بگوییم: چگونه شما به یک حسابرس فناوری اطلاعات نشان می‌دهید که داده‌های با کیفیتی برای راهنمایی تصمیمات مدیریتی آنها دارید؟ تمرکز بیش از حد بر روی ابزار هوش تجاری و پیکربندی آن ممکن است نباید به معنای این باشد که شما این جزئیات مهم را از دست خواهید داد.

“امروزه، هوش تجاری فقط برای پشتیبانی از تصمیمات بهتر مورد استفاده قرار نمی‌گیرد. هوش تجاری اغلب در فرایند‌های عملیاتی به کار می‌رود. اگر در گزارشگری مالی یا نظارتی خطایی دارید که غالباً توسط فناوری انبار داده پشتیبانی می‌شوند، هوش تجاری می‌تواند به شفافیت این موارد کمک کند. اما فرآیندهای دیگر هنوز هم می‌توانند شکست بخورند. به عنوان مثال، یک شرکت بیمه با هزینه‌های کارگزاری که با کمی‌اشتباه محاسبه می‌شود، می‌تواند بر اعتبار شما تاثیر منفی بگذارد و در نتیجه مشتری خود را از دست بدهید. کسب و کار امروز نیاز به یک رویکرد خودکار و اتوماتیک برای آزمایش هوش تجاری دارد تا موضوعات یکپارچگی داده‌ها را در سریعترین زمان ممکن بررسی کنند.”

اشتباه در زمینه داده‌های مالی و نظارتی می‌تواند منجر به مشکلات با هزینه زیادی شود. کیفیت ضعیف داده سرمایه را هدر می‌دهد. در سال ۲۰۱۳، سرویس پستی ایالات متحده نتوانست بیش از ۶ میلیارد قطعه نامه الکترونیکی را به آدرس عنوان شده ارسال کند. این بدان معنی است که اظهارات مشتری گم شده یا به تاخیر افتاده، در نتیجه فرصت‌های بازاریابی نیز از دست رفته‌اند.

۴. اتخاذ یک رویکرد واکنشی برای ناراحت کردن کاربران

هیچ حرفه فناوری منتظر برخورد با کاربران عصبانی نیست. خرابی سیستم و موارد نا امید کننده اتفاق می‌افتد. پاسخ شما به این موضوعات در موفقیت یا عدم موفقیت طرح هوش تجاری شما تاثیر خواهد گذاشت.

داگ بوردو نارو، رئیس بخش اطلاعات در ThoughtSpot، که در تجزیه و تحلیل جستجو محور برای خرده فروشی‌ها، خدمات مالی و صنایع دیگر متمرکز است، توضیح می‌دهد: “دو مورد از بزرگترین اشتباهاتی که تازه کاران مبتنی بر هوش تجاری مرتکب می‌شوند، تمرکز بیش از حد بر تحویل درخواست‌ها و درگیر نکردن کاربران نهایی کسب و کار در پروژه است”.

“هنگامی‌که مشتریان در مورد زمان تحویل طولانی و سطح خدمات از دست رفته بر سر شما فریاد می‌زنند، زمان مناسب برای تمرکز است. با درگیر شدن بیش از حد در تحویل روزانه، تصویر هوش تجاری بزرگتر را از دست می‌دهید. آیا به مشتریان خود آنچه برای تصمیم گیری نیاز دارند، می‌دهید؟ آیا می‌دانید آنها به چه اطلاعاتی نیاز دارند؟ آیا راه حل بهتری برای مشکل فعلی نسبت به گزارش دیگر وجود دارد؟ ” بهتر است شکایات کاربران را بر اساس اهمیت نسبی آنها برای استراتژی کلی نسبت به اینکه در مورد موضوعاتی که پیش می‌آید، رویکرد همه توانی داشته باشید، ترجیح دهید.

۵. جستجوی تحلیل بی معنی

وقتی ابزارهای قدرتمندی در اختیار دارید، طبیعی است که به دنبال فرصتی برای استفاده از آنها باشید. اما هوشمندی کسب و کار بدون جهت، وقت شما را تلف می‌کند. این مشکل به ویژه در بین متخصصان نسبتاً جوان متداول است. متخصصان تازه کار و مشتاق هوش تجاری در معرض خطر دید تونلی هستند و تجزیه و تحلیل‌های جالبی را انجام می‌دهند که توسط سؤالات معنادار هدایت نمی‌شوند. مارک لانگسفلد، معاون مشاوره تحلیلی در Anexinet، یک شرکت خدمات مشاوره با تخصص در زمینه حمایت از تصمیم و تحلیل مشتریان، می گوید: نتایج این تحقیقات اغلب ممکن است فاقد جهت گیری مناسب و تحقق نگرش‌های موثر باشد.”

اجتناب از این اشتباه، دانش و قضاوت کسب و کار را می‌طلبد. از خود بپرسید “این تجزیه و تحلیل چگونه در اهداف شرکت نقش دارد؟” یکی از راه‌های جلوگیری از مشکل “پس چه” است. اگر مطمئن نیستید که چگونه تجزیه و تحلیل خود را به اهداف سازمان مرتبط کنید، چند نکته وجود دارد که باید در نظر بگیرید. چگونه تحلیل هوش تجاری شما روش‌های بهبود درآمد، کاهش هزینه یا بهبود خدمات را نشان می‌دهد؟ این موارد نگرانی‌های چند ساله ای است که بیشتر رهبران کسب و کار در نظر دارند.

۶. فرض اینکه داده‌ها به تنهایی کافی هستند

آیا “داده‌های بیشتر” همه مشکلات کسب و کار را حل می‌کنند؟ این فرضیه ناگفته زیربنای بسیاری از بحث‌ها درباره هوش تجاری و تحلیل آن است. انتقال داده به یک دستگاه اجرایی به تنهایی و امید به کسب بهترین نتیجه، کارایی نخواهد داشت. دن سامر، مدیر ارشد اطلاعات بازار در Qlik می‌گوید: “اگر داده‌ها به شیوه قانع کننده‌ای ارائه و مورد استدلال قرار نگیرند، نادیده گرفته می‌شوند یا عقیده ای به بار نمی‌آورند. ارزش اظهار نظر و ساختن مؤلفه داستان را هرگز نباید دست کم گرفت. ” پیامد مجموعه داده‌ها ممکن است برای تحلیلگران ارشد شما روشن باشد. اما شما نمی‌توانید فرض کنید برای سایرین زمانی که چند مرحله از داده‌ها حذف شده‌اند، این نکته روشن خواهد بود.

برای ساخت داستان‌های بهتر، از زمینه‌های دیگر الهام بگیرید. در کتاب Made to Stick: چرا برخی از ایده‌ها باقی می‌مانند و برخی دیگر از بین می‌روند، چیپ و دن هیت الگویی برای توضیح آنچه موجب موفقیت ایده‌ها می‌شود را تشریح می‌کنند. به همین ترتیب، نویسندگان داستان و فیلمنامه نویسان از مفهوم “سفر قهرمان” برای داستان سرایی برای سنین مختلف استفاده کرده‌اند. اگر می‌خواهید مدیران و مشتریان درک کنند، به یاد داشته باشید که مهارت داستان گویی تفاوت شایانی ایجاد می‌کند و بر اساس بینش خود عمل کنید.

۷. اعتماد بیش از حد به ابزارهای هوش تجاری (و در افراد و فرایند‌ها کافی نیست)

متخصصان فناوری می‌دانند که ابزار مناسب می‌تواند تغییر فوق العاده ای ایجاد کند. به اولین باری که از یک اسکریپت برای خودکار کردن یک کار تکراری استفاده کردید، فکر کنید. این موفقیت‌های اولیه شما را تشویق می‌کند که مرتباً برای حل مشکلات کسب و کار به دنبال ابزارهای جدید باشید. متاسفانه ، تاکید بیش از حد شما روی ابزار هوش تجاری منجر به نتایج ناامیدکننده خواهد شد.

من به عنوان یک تحلیلگر صنعت، دست کم ارزیابی کردم که پذیرش واقعی گسترده و مناسب استفاده از هوش تجاری و کاربرد تجزیه و تحلیل در سازمان‌ها چقدر دشوار است. حتی اگر استفاده از ابزارها آسان تر باشد، مؤلفه‌های فرایندی، فرهنگی و یادگیری برای رسیدن به موفقیت مورد نیاز هستند. به همین دلیل ما باید در مورد سواد داده‌ها به عنوان یکی از مولفه‌های اصلی برای استفاده صحیح از هوش تجاری، بیشتر صحبت کنیم. اگر از برنامه هوش تجاری خود ناامید شده اید، فراتر از فناوری جلو برید. به عنوان مثال، آیا کارکنان شما می‌دانند چگونه داده‌ها را ارائه دهند؟

۸. مدیریت ناکارآمد پیمانکار

شرکت شما ممکن است دارای بخش هوش تجاری نباشد. در این شرایط، کار با متخصصان خارج از سازمان دارای اهمیت است. ممکن است از آنها بخواهید که عملکرد ارائه خدمات برون سپاری را انجام دهند یا بر مبنای پروژه کمک کنند. در هر شرایطی، شما باید پیمانکار خود را درک کنید و نظارتی به خصوص در مورد پیمانکاران فرعی ارائه دهید. “شرکت من کنترل کامل یک پروژه خاص را زمانی که ما با یک پیمانکار فرعی کار کردیم که دارای قرارداد با شرکت نرم افزاری که نرم افزار هوش تجاری فروخته بود، نداشتیم. اندرو پیرسون، رئیس Intelligencia، یک شرکت مشاوره نرم افزاری مستقر در هنگ کنگ، توضیح داد: ما در پاکسازی داده‌ها و مدیریت آنها مشکلات خاصی از جمله آشفتگی و بی نظمی‌ داشتیم. “مدل‌های تحلیلی ما به دلیل این که به داده‌ها اعتماد نداشتیم، مفید نبودند. ما به توانایی‌های پاکسازی داده‌های آنها کاملاً بی اعتماد بودیم، و از آنجا که این مبنای گزارش گیری خوب هوش تجاری و کاملاً ضروری برای مدل سازی قوی است، ما در شرایط خوبی برای موفقیت قرار نگرفتیم. ” اگر با شخص ثالثی کار می‌کنید، وظیفه شما این است که پروژه و کسی که روی شما حساب می‌کند را درک کنید، در غیر این صورت، ممکن است با نا امیدی در استفاده از هوش تجاری روبرو شوید.

۹. نادیده گرفتن وفاداری به ابزارهای اصلی مانند SQL و Excel

آیا می‌دانید مسابقات سالانه مایکروسافت آفیس وجود دارد؟ به عنوان مثال مسابقات جهانی تخصصی مایکروسافت آفیس را ببرید، در این مسابقات بیش از پانصد هزار رقیب و جوایز نقدی برای برندگان وجود دارند. این تنها یک نشانه از محبوبیت اکسل در دنیای کسب و کار است. تا حدودی کمتر، SQL در دنیای فناوری دنبال کنندگان بسیاری دارد. غفلت از عنصر انسانی در تغییر و استفاده از ابزارهای جدید هوش تجاری احتمال شکست شما را افزایش می‌دهد. “شما می‌توانید تعداد زیادی از افراد با مهارت در برنامه‌های SQL و Excel را پیدا کنید، اما پیدا کردن افراد متخصص در محصولاتی مانند  SAS و Power BI دشوار است.هنگامی‌که شما در حال معرفی نرم افزار جدید و راه‌های جدیدی برای کسب و کار هستید، یک اجبار از طرف کاربران کسب و کار وجود دارد که عادت دارند همه کارها را در اکسل و  یا SQL انجام دهند. ” ایجاد تغییر قابل توجه در هوش تجاری در یک سازمان عواقبی برای کسب و کار دارد. نمی‌توان هنر تغییر و رهبری را در هدایت مردم در زمینه انتقال نادیده گرفت.