بخشی از مقاله
چکیده:
هوش تجاری با پیشینهای دهها ساله، برای سازمانهای کلاسیک و سنتی، راهکار اصلی تحلیل و اتخاذ تصمیمات مدیریتی براساس دادههاست اما در سالیان اخیر و با رشد تولید داده و ظهور منابع مختلفی که به مدد شبکههای اجتماعی، تلفنهای هوشمند، حسگرها، دوربینهای نظارتی ، لاگهای سرور و مانند آن روز بروز در حال گسترش هستند، نیازمندیهای جدیدی را به سازمانها تحمیل کرده است.
مهمترین بخش این نیازمندیها، مدیریت یکپارچه و هماهنگ داده از تولید تا مصرف توسط کاربران نهایی سازمان است. اگر هوش تجاری به عنوان بخشی از فرآیند پردازش داده نگریسته شود، به این مدیریت و راهبری داده در سطح کلان کاملاً وابسته خواهد بود. این مقاله به معرفی و جنبههای گوناگون راهبری داده در یک سازمان نوین با تمام دغدغههای عصر کلانداده میپردازد و با تمرکز بر مفهوم دریاچهداده به عنوان بستر اصلی ذخیره و خدماتدهی به سایر مولفههای دادهمحور یک سازمان، نقش آن و چالشهای راهبری داده و استفاده از دریاچه داده را موشکافی خواهد کرد.
1 مقدمه
با داده محور شدن تمامی فعالیتهای معاصر بشری، نیاز به تحلیل و پردازش آنها به صورت سریع و با کاربری آسان، جزء دغدغههای تمام شرکتها و سازمانهای امروزی شده است. سوددهی و برندسازی و ماندن در بازار با وجود رقابت بسیار فشرده بین شرکتها با ابزارهای سنتی پایش سود و زیان امکان پذیر نیست و سازمانها و شرکتها نیازمند یک چارچوب حرفهای برای تحلیل همه جانبه دادهها و اخذ تصمیمات هوشمند هستند. از طرفی، داده در عصر جدید که آنرا باید عصر کلانداده نامید، ویژگیهای جدیدی پیدا کرده است که تحلیل آنرا نسبت به گذشته، با چالشهایی مواجه میکند و نیاز به رهیافتهای مدیریتی جدید و معماریهای نوینی دارد.
این مقاله با تعریف هوش تجاری و بررسی تاریخچه آن، به نیازمندیهای نوظهور در عرصه مدیریت داده و ویژگیهای دادههای معاصر میپردازد و با بررسی جنبههای مختلف مدیریت داده در یک سازمان دادهمحور، لزوم پیاده سازی راهبری داده در آن را به عنوان پیشران و هدایتکننده هوش تجاری، بررسی خواهد کرد. نهایتا با معرفی دریاچه داده به عنوان بستر ساز ذخیره و پردازش کلان داده، لزوم توجه سازمانها به طراحی یک معماری مناسب برای دریاچه داده سازمانی را مطرح نموده، با بررسی چندین معماری پیشنهادی در این حوزه، علاقهمندان را با مزایا و معایب این مفهوم جدید مدیریتی و نقش آن در هوش تجاری معاصر آشنا خواهد کرد.
2 مروری بر ادبیات و پیشینه هوش تجاری
هوش تجاری چیزی نیست جز فرآیند ارتقاء سود و علمکرد یک سازمان با استفاده هوشمندانه و مناسب از دادههای موجود در فرآیندهای تصمیم گیری. [1] هوش تجاری در سال 1865 از سوی ریچارد میلاردونز در دائرهالمعارف ضربالمثلهای بازرگانی و با اقتباس از رویکرد بانکداری معروف بهنام سر هنری به کار گرفته شد. اما این واژه در سال 1958 و زمانی که پژوهشگر برجسته آیبیام هنس پتر لون در مقالهای تخصصی به آن پرداخت، مورد توجه شرکتها قرار گرفت. اواخر دهه 80 میلادی کنفرانس بینالمللی تحلیل سادهتر دادهها در شهر رم کار خود را آغاز کرد. این کنفرانس اولین گام مؤثر در زمینه تحلیل ساده هوش تجاری بود.[2] اما هوش تجاری دقیقا چیست ؟
به صورت دقیقتر هوش تجاری عبارتست از »مجموعهای از روشها، فرآیندها، معماری و فناوری که دادههای خام را به اطلاعات معنیدار و مفید برای فعال کردن موثرتر استراتژی تاکتیکی، استراتژی عملیاتی و بینش و تصمیم گیری تبدیل میکند.[3] « گارتنر که یک سازمان تحقیقاتی معتبر و قدیمی در حوزه فناوری اطلاعات است، هوش تجاری را در سال 1989 به عنوان یک اصطلاح عمومی و یک واژه چترگونه تعریف میکند که دربرگیرنده تمامی برنامهها، چارچوبها، ابزار و تجربیاتی است که باعث دستیابی موثر به دادههای سازمانی و تحلیل آنها به گونهای میشود که باعث ارتقای روند تصمیمگیری و بهینه شدن فرآیندها و نهایتا افزایش سود و رقابت پذیری سازمانها میگردد.[4]
بنابراین هوش تجاری تمام فناوریهای مرتبط با داده شامل پایگاههای داده رابطهای، انبارهداده، دادهکاوی، تحلیل آماری، پیشبینی و پشتیبانی از تصمیم ونهایتاً تصویرسازی و گزارشگیری از دادهها را که همه آنها قدمتی بیش از یک دهه در حوزه فناوری اطلاعات را دارند، به یکدیگر مرتبط میکند.[5] در هوش تجاری سنتی و کلاسیک، مهمترین مولفه و بستر اصلی هوش تجاری در سازمان، انباره داده است.
مکانی متمرکز و مجتمع برای ذخیره دادههای خلاصهشده و آماده برای گزارش گیری . البته به طور دقیقتر، انباره داده، پایگاه اطلاعاتی بزرگی است که جمعآوری، همگن و یکپارچهسازی و نیز ذخیره اطلاعات متنوع، جهت تبدیل دادههای نامتجانس به اطلاعات قابل استفاده در زمینههای مختلف با هدف تولید گزارشهای چند جانبه و دقیق در یک سازمان را برعهده دارد.[6] هر چند هدف از این مقاله، بررسی فرآیند راهبری داده به عنوان بسترساز اصلی موفقیت هوشتجاری درسازمانهای معاصر است اما نگاهی گذرا به فرآیندهای اصلی در پیادهسازی هوش تجاری سازمانی میتواند ما را با ادبیات اصلی این حوزه آشنا کند. برای پیاده سازی هوش تجاری کلاسیک در یک سازمان روند زیر طی میشود :[7]
1. شناسایی منابع داده: این منابع که اکثراً دادههای علمیاتی یک سازمان هستند - OLTP - ، ساختاری رابطهای و جدولمانند دارند. سایر منابع نیمه ساختاریافته مانند فایلهای اکسل و یا بدون ساختار مانند فایلهای عکس و تصویر هم می تواند ورودی سامانه هوش تجاری ما باشد.
2. : ETL1 در مرحله بعد با انجام سه عملیات استخراج اطلاعات از منابع، تبدیل و پیش پردازش و نهایتا بارگذاری در انباره داده دادهها را برای تحلیل آماده میکنیم.
3. تحلیل برخط دادهها : این مرحله در حقیقت طراحی و کار انباره داده سازمانی و ایجاد دادههای تحلیلی موضوعگرا - data mart - برای بخشهای مختلف سازمان است.
4. تصویرسازی و گزارشگیری : خروجی نهایی هوش تجاری یک سازمان در این مرحله، به کمک ابزارهای مختلف هوش تجاری و تصویرسازی خود را نشان داده، باعث انتفاع کاربران مختلف سازمانی از دادهها میگردد و اخذ تصمیمات مدیریتی را ممکن میسازد.
3 نیازمندیهای دنیای معاصر در حوزه هوش تجاری رویکردهای نوین در حوزه هوش تجاری با رواج کلانداده، به تفصیل مورد بررسی قرار گرفته است[8] اما در سالیان اخیر و رواج مفاهیمی مانند دادههای سریع و دادههای در حرکت، نیازمندیهای نوینی در عرصه هوش تجاری پدیدار گشته است. اگر بخواهیم نیازمندیهای پیشران هوش تجاری معاصر را برشماریم، موارد زیر مهمترین آنها خواهند بود :
· افزایش بیسابقه حجم داده : یکی از ویژگیهای اصلی دادههای کلان، حجم آنهاست. حجم بیسابقهای که به مدد شبکههای اجتماعی، حسگرها، دوربینهای نظارتی، تصاویر، لاگهای سرور و مانند آن، روز به روز بر میزان آن به ازای هر سازمان افزوده خواهد شد و باید این حجم، در تمامی راهحلهای سازمانی هوش تجاری مدنظر قرار گیرد.
· دادههای جریانی :2 پردازش دادههای در حال حرکت 3و در هر حال ورود به سازمان، نیازمند فناوریهای نوین مدیریتی است و سامانههای بسیار زیادی توسط شرکتهای بزرگ دنیا در این حوزه پیشنهاد شده است.[9] اگر بخواهیم در هنگام ورود داده، تصمیمات مدیریتی و لحظهای مناسب بگیریم و یا انبارهدادهای با قابلیت به روزرسانی مداوم داشته باشیم، نیازمند راهکارهای نوینی خواهیم بود.
· منابع جدید و انواع مختلف داده : یکی دیگر از چالشهای امروز سازمانها در مدیریت داده، منابع جدیدی است که سالیانه به منابع ورودی آنها افزوده میشود که اکثرآنها هم کاملاً بدون ساختار بوده و به همان شکل هم ذخیره میشوند. همانطور که در شکل زیر میبینید حدود هشتاد درصد دادههای تولید شده دنیا در سال 2017، غیرساختیافته اند. اگر بخواهیم دقیقتر این مساله را شرح دهیم، مثالی از یک فروشگاه بزرگ تحویل کالا می زنیم. در این فروشگاه برای بهینه سازی تحویل کالا و افزایش سرعت آن، حسگرهای GPS و نیز مصرف سوخت روی ماشینهای تحویل کالا نصب میشود. این منابع جدید داده که میتوانند لحظهای و به صورت مداوم، به سازمان ارسال شوند، نیازمندیهای هوش تجاری جدیدی را رقم خواهند زد.
· گسترش رواج بسترهای رایانش ابری : بسیاری از سازمانها، برای صرفهجویی در هزینهها و نیز مدیریت یکپارچه و سادهتر دادههای خود، به سمت بسترهای ذخیره و پردازش ابری رفتهاند. این تغییر پارادایم در حوزه ذخیره و پردازش، نیاز به تغییر پارادایم در طراحی سامانههای نوین هوش تجاری خواهد داشت.
