هوش تجاری

۹ راه عدم موفقیت هوش تجاری

مدیران می‌دانند که برای تصمیم‌گیری 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 راه‌اندازی 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 پیاده‌سازی 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 در مورد جزئیات فنی راه‌حل دستور بدهند.

اجرای چیزی غیر از آنچه واقعا مورد نیاز کاربران است، منجر به عدم موفقیت پروژه  هوش تجاری خواهد شد. Wolfgang Platz، بنیانگذار Tricentis، که پلتفرم نظرسنجی مداوم را به شرکت‌های HBO، TOYOTA، BMW پیشنهاد داد، می‌گوید: “پروژه‌های موفق هوش تجاری بیش از هر چیز نیاز به تدوین و مدیریت نیازمندی‌ها دارند.”

برای رسیدن به نیازهای دقیق مشتریان خود در پروژه‌های هوش تجاری می‌توانید از ” تکنیک پنج چرا”  استفاده کنید. این تکنیک با پرسیدن پنج بار چرایی در مورد یک موضوع خاص برای دستیابی به عمق بیشتر یک روش 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” 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 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 کمی‌ اشتباه محاسبه می‌شود، می‌تواند بر اعتبار شما تاثیر منفی بگذارد و در نتیجه مشتری خود را از دست بدهید. کسب و کارهای امروزی نیاز به یک رویکرد خودکار و اتوماتیک برای آزمایش هوش تجاری دارد تا موضوعات یکپارچگی داده‌ها را در سریعترین زمان ممکن بررسی کنند.

۴. اتخاذ یک رویکرد واکنشی برای ناراحت کردن کاربران

هیچ فناوری منتظر برخورد با کاربران عصبانی نیست. خرابی سیستم و موارد ناامیدکننده حتما در سیستم اتفاق می‌افتد و 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 خرده‌فروشی‌ها، خدمات مالی و صنایع دیگر متمرکز است، توضیح می‌دهد: “دو مورد از بزرگترین اشتباهاتی که تازه‌کاران مبتنی بر هوش تجاری مرتکب می‌شوند، تمرکز بیش از حد بر تحویل درخواست‌ها و درگیر نکردن کاربران نهایی کسب و کار در پروژه است”.

هنگامی‌ که 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 تصمیم‌گیری نیاز دارند، می‌دهید؟ آیا می‌دانید آنها به چه اطلاعاتی نیاز دارند؟ آیا راه‌حل بهتری برای مشکل فعلی نسبت به تولید گزارش دیگر وجود دارد؟ بهتر است شکایات کاربران را بر اساس اهمیت نسبی آنها در مقابل استراتژی کلی سازمان را بدقت بررسی کنید و به جای رویکرد واکنشی سریع، راه‌حلی پایدارتر برای مواجه با مشکل پیدا کنید.

۵. جستجوی تحلیل بی‌معنی

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 جهت‌گیری 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؟” 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 ساله‌ای 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 شرکت Qlik می‌گوید: “اگر داده‌ها به شیوه قانع‌کننده‌ای ارائه و مورد استدلال قرار نگیرند، نادیده گرفته می‌شوند یا نتیجه‌ای به بار نمی‌آورند.” تحلیل‌های مجموعه داده‌ها ممکن است برای تحلیلگران ارشد شما روشن باشد، اما شما نمی‌توانید فرض کنید برای سایرین نیز زمانی که چند مرحله از داده‌ها حذف شده‌اند، این نکته روشن خواهد بود.

۷. اعتماد بیش از حد به ابزارهای هوش تجاری

متخصصان فناوری می‌دانند که ابزار مناسب می‌تواند تغییر فوق‌العاده‎‌ای در نتیجه کار 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 می‌تواند منجر به نتایج ناامیدکننده‌ای شود.

این یک واقعیت است که پذیرش گسترده و مناسب استفاده از هوش تجاری و کاربرد تجزیه و تحلیل در سازمان‌ها بسیار دشوار است. حتی اگر از نظر شما استفاده از ابزارها آسان‌تر باشد، مؤلفه‌های فرایندی، فرهنگی و یادگیری برای رسیدن به موفقیت پروژه نیر مورد نیاز هستند.

به همین دلیل ما باید در مورد سواد افراد در مورد داده‌ها به عنوان یکی از مولفه‌های اصلی برای استفاده صحیح از هوش تجاری، بیشتر اهمیت دهیم. اگر از برنامه هوش تجاری خود ناامید شده‌اید، فراتر از فناوری جلو بروید. 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 برون‌سپاری را انجام دهند یا بر مبنای پروژه به شما کمک کنند. در هر شرایطی، شما باید پیمانکار خود را درک کنید و نظارتی به خصوص در مورد پیمانکاران فرعی ارائه دهید.

اندرو پیرسون، رئیس Intelligencia، یک شرکت مشاوره نرم‌افزاری مستقر در هنگ کنگ در این مورد می‌گوید: ” شرکت من کنترل کامل یک پروژه خاص را که با همکاری یک پیمانکار هوش تجاری انجام می‌شد، نداشت. ما در پاکسازی داده‌ها و مدیریت آنها مشکلات خاصی از جمله آشفتگی و بی‌نظمی‌ داشتیم. مدل‌های تحلیلی ما به دلیل این که به داده‌ها اعتماد نداشتیم، مفید نبودند. ما به توانایی‌های پاکسازی داده‌های آنها کاملاً بی‌اعتماد بودیم، و از آنجا که این مبنای گزارش‌گیری خوب هوش تجاری و کاملاً ضروری برای مدل‌سازی قوی است، ما در شرایط خوبی برای موفقیت این پروژه قرار نگرفتیم.”

پس 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 ناامیدی 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؟ 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 نیز در دنیای فناوری دنبال‌کنندگان بسیاری دارد.

اما غفلت از عنصر انسانی در تغییر و استفاده از ابزارهای جدید هوش تجاری احتمال شکست شما را در پروژه‌های هوش تجاری 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 دشوارتر است. هنگامی‌که شما در حال معرفی نرم‌افزار 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 اما در نهایت شما باید سایر نرم‌افزارهای حاضر در زمینه هوش تجاری را نیز بررسی کنید و ببینید کدام یک به بهترین شکل نیارهای شما را برطرف می‌کند.


مجموعه

هوش تجاری

این پست بخشی از مجموعه هوش تجاری در کار و کسب است. ترتیب زیر را در این حوزه پیشنهاد می‌کنیم.

  1. بررسی تفاوت‌های میان داده، اطلاعات و دانش در یک نگاه
  2. وقتی از هوش تجاری صحبت می‌کنیم، از چه حرف می‌زنیم؟
  3. تبدیل داده به اطلاعات با هوش تجاری
  4. تجزیه و تحلیل داده (Data Analytics) چیست و چگونه انجام می‌شود؟
  5. کلان داده (Big Data) چیست؟
  6. تجزیه و تحلیل کلان داده (Big Data) چیست و چگونه انجام می‌شود؟
  7. مقایسه مفاهیم تحلیل داده، علوم داده و کلان داده (Big Data)
  8. حاکمیت داده (Data Governance) چیست و چه اهمیتی دارد؟
  9. هوش تجاری (BI) چیست و چه تفاوتی با آنالیز تجاری (BA) دارد؟
  10. آنچه باید درباره‌ هوش تجاری بدانیم
  11. هوش تجاری (BI) چطور می‌تواند به کسب و کار شما کمک کند؟
  12. معرفی ۵ کتاب برتر درباره هوش تجاری
  13. ۷ کلید برای یک استراتژی موفقیت آمیز در زمینه هوش تجاری
  14. ۹ راه عدم موفقیت هوش تجاری
  15. تجسم داده (Data Visualization) چیست و چرا اهمیت دارد؟
  16. تمیزسازی داده (Data cleaning) به چه معناست و چه اهمیتی دارد؟
  17. ۱۰ تکنیک اساسی تجسم داده در ایجاد گزارش‌های هوش تجاری
  18. معرفی ۱۳ روش متداول تجسم داده‌ها
  19. تفاوت داشبورد و گزارش چیست؟
  20. ۱۰ اصل طراحی داشبورد هوش تجاری
  21. ۱۳ مثال عملی از تحلیل داده با هوش تجاری
  22. کاربرد هوش تجاری در صنایع مختلف
  23. معرفی نرم افزارهای مختلف هوش تجاری
  24. چگونه نرم‌افزار مناسب هوش تجاری را انتخاب کنیم؟
  25. پاور بی آی (Power BI) چیست و در هوش تجاری چه کاربردی دارد؟
  26. راهنمای کامل پاور بی آی (Power BI)
  27. ویژگی‌های نرم افزار Power BI
  28. تفاوت پاور بی آی و اکسل
  29. معرفی انواع نمودارها در نرم افزار پاور بی آی (Power BI)
  30. راهنمای کامل معماری نرم افزار پاور بی آی (Power BI)
  31. راهنمای انتخاب ابزار مناسب بین پاور بی آی و اکسل
  32. آموزش توابع زبان DAX در هوش تجاری با پاور بی آی (Power BI)
  33. معرفی نرم‌افزار Tableau، کاربردها و محصولات آن
  34. هر آنچه که لازم است درباره نرم‌افزار QlikView بدانید
  35. تفاوت زبان M و DAX در نرم افزار Power BI
  36. مقایسه ابزار Power BI و Tableau در هوش تجاری
  37. آموزش Power BI Report Server
  38. آموزش نصب و راه اندازی Power BI Report Server
  39. AIOps چیست و چه ساختاری دارد؟
  40. مسیر شغلی در هوش تجاری
  41. مهندسی داده چیست؟
  42. تحلیلگر داده (Data Analyst) کیست و چه کاری انجام می‌دهد؟
  43. تحلیل‌گر هوش تجاری کیست و چگونه می‌توان به یک تحلیل‌گر هوش تجاری تبدیل شد؟
  44. ۸ مهارت‌ مهم که هر تحلیل‌گر داده برای موفقیت به آن‌ها نیاز دارد
  45. معرفی مهم‌ترین مدارک و گواهینامه‌های مورد نیاز تحلیل‌گر داده
  46. آیا داشتن مدرک SQL ضروری است؟ معرفی انواع و اهمیت مدرک SQL
  47. مهمترین تکنیک‌های هوش تجاری
  48. پیاده سازی هوش تجاری در سازمان‌ها
  49. نقشه راه پیاده سازی موفق استراتژی هوش تجاری در سازمان
  50. معرفی ۵ کاربرد ارزشمند هوش تجاری در سازمان‌ها
  51. داده کاوی چیست و چه تکنیک‌هایی دارد؟
  52. همه‌چیز درباره علم داده و نحوه استفاده از آن
  53. معرفی معتبرترین مدارک و گواهینامه‌های علم داده
  54. معرفی برترین ابزار برای داده‌کاوی
  55. دانشمند داده کیست و چه نقشی در کسب و کار دارد؟
  56. معرفی برترین زبان‌های برنامه‌نویسی علم داده
  57. آسان ترین زبان برنامه‌نویسی برای یادگیری کدام است؟
  58. تفاوت‌های اصلی در نقش‌های مهندس داده و دانشمند داده
  59. زبان برنامه‌نویسی پایتون چیست و چرا باید آن را یاد بگیرید؟
  60. یادگیری ماشین چیست؟
  61. SSRS چیست و چه کاربردی در مدیریت داده‌ها دارد؟
  62. SSAS چیست و چه کاربردهایی دارد؟
  63. بهترین زبان‌ها برای یادگیری ماشین (Machine Learning) کدام هستند؟
  64. نقش‌ها و مسئولیت‌های کلیدی در یک تیم هوش تجاری چیست؟
  65. تفاوت زبان پایتون (Python) و R در چیست؟
  66. کاربرد KPI در داشبوردهای هوش تجاری
  67. زبان برنامه نویسی R چیست؟
  68. بررسی تفاوت‌های میان داده‌کاوی و یادگیری ماشین در علم داده
  69. مروری بر نحوه یادگیری زبان R
  70. چگونه می‌توان یک داشبورد فروش ایجاد کرد؟
  71. معرفی برترین ابزارهای علم داده
  72. پایگاه داده چیست و چه اجزایی دارد؟
  73. انبار داده چیست؟
  74. مفاهیم، معماری و اجزای انبار داده
  75. دانشمند داده چه تفاوتی با تحلیل‌گر داده دارد؟
  76. فرایند ETL در ایجاد انبار داده چیست؟
  77. مدل‌سازی داده چیست؟
  78. دریاچه داده (Data Lake) چیست و چه ساختاری دارد؟
  79. بهترین شیوه‌های طراحی پایگاه داده (Database design)
  80. نرمال‌سازی داده چیست و چگونه انجام می‌شود؟
  81. سیستم‌های پشتیبانی تصمیم‌گیری چیست و چه کاربردهایی دارد؟
  82. بازار داده (Data Mart) چیست و چه تفاوتی با انبار داده دارد؟
  83. تحلیل‌های پیش‌بینی کننده چیست و چگونه انجام می‌شود؟
  84. علم تصمیم‌گیری چیست و چگونه می‌توانیم تصمیمات داده‌محور بگیریم؟
  85. تصمیم‌گیری مبتنی بر داده چیست و چه تاثیری در موفقیت کسب و کار دارد؟
  86. کاربرد تحلیل داده در بانکداری و شرکت‌های خدمات مالی
  87. معماری اطلاعات (IA) چیست و چطور می‌توان از آن استفاده کرد؟

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بستن