چالش‌های هوش تجاری کدامند؟

۱- یافتن راهکار مناسب

هرچند هوش تجاری به شرکت‌ها در تصمیم گیری هوشمندانه کمک می‌کند ولی خیلی از شرکت‌ها نمی‌توانند به راحتی از قابلیت‌های هوش تجاری استفاده کنند.  اولین مسئله و چالشی که کسب و کارها در پیاده سازی هوش تجاری با آن مواجه هستند، یافتن راهکار مناسب یا سیستم نرم افزاری مناسب است.

تقریبا اغلب شرکت‌ها مهم‌ترین گام در پیاده سازی سیستم هوش تجاری را نادیده می‌گیرند و این گام چیزی نیست جز تحلیل نیازمندی‌های داخلی. این گام بخش ضروری فرآیند یافتن مناسب‌ترین راهکار برای سازمان شماست.

براساس گزارش گارتنر ۷۰ درصد از پیاده سازی‌های هوش تجاری در دستیابی به اهداف تعیین شده توسط کسب و کارها موفق نبوده‌اند.

ولی وقتی پیاده سازی به صورت مناسبی انجام شود هوش تجاری می‌تواند به ازای هر دلاری که خرج می‌شود بازگشت سرمایه‌ای معادل ۱۰٫۶۶ دلار داشته باشد.

قبل از این که به فروشندگان بالقوه راهکار هوش تجاری برسید یا حتی تحقیقات خود را در این زمینه شروع کنید باید مجموعه‌ای از نیازها و اهداف سازمان خود را تدوین کنید.

با ذینفعان اصلی و کلیدی مشاوره کنید. ذینفعان کلیدی عبارتند از:

    واحد فناوری اطلاعات سازمان
    واحد مالی
    واحد بازاریابی
    واحد فروش
    واحد عملیات و بهره برداری

ضروری است که نظر موافق همه ذینفعان را در ابتدای فرآیند به دست آورد.

مسائل و مشکلات کلیدی که باید حل و فصل شوند را شناسایی کنید. مجموعه‌ای از use case ها را ایجاد کنید هرچه این use case ها خاص‌تر باشد بهتر است.

پی نوشت: در مهندسی نرم افزار و سیستم‌ها یک use case لیستی از اقدامات یا مراحل رویدادهاست که تعاملات بین یک نقش و یک سیستم در دستیابی به یک هدف مشخص را تعریف می‌کند. بازیگر یا نقش می‌تواند انسان یا یک سیستم خارجی باشد. ( role در UML به عنوان بازیگر actor شناخته می‌شود)

به محض این که این نیازمندی‌ها تدوین شد لیست نیازمندی‌هایی را که تهیه کرده‌اید را به سه دسته تقسیم کنید:

    نیازهایی که وجود آن‌ها الزامی است (Must have)
    مواردی که می خواهیم وجود داشته باشد (Want have)
    مواردی که بهتر است وجود داشته باشد (Nice have)

لیست بالا را به عنوان سرلوحه تحقیق خود در نظر بگیرید. فروشندگان احتمالی را با لیستی از use-case ها بررسی کنید تا ببینید چگونه راهکار نرم افزاری آن‌ها می‌تواند این نیازها را برآورده کند.

این use-case ها در ارزیابی فروشندگان به کمک شما می‌آیند، هر چه در این زمینه کار بیشتری انجام دهید شانس بیشتری در پیاده سازی موفق راهکار هوش تجاری خواهید داشت. در پست‌های بعدی از این سری به بررسی چالش‌های دیگر خواهیم پرداخت.

۲- توجیه سرمایه گذاری

هوش تجاری به کسب و کارها کمک می‌کند تا تصمیم گیری هوشمندانه و مبتنی بر حقایق داشته باشند و این حقایق از داده‌های صحیح بدست می‌آیند. همان طور که در چالش‌های هوش تجاری (۱) عنوان کردیم، خیلی از شرکت‌ها نمی‌توانند به راحتی از قابلیت‌های هوش تجاری بهره ببرند. در این سری از مطالب بی آی پلاس به بررسی چالش‌هایی می‌پردازیم که کسب و کارها در پذیرش، پیاده سازی و استفاده بهینه از هوش تجاری با آن روبرو هستند. دومین چالشی که کسب و کارها در پیاده سازی هوش تجاری با آن مواجه هستند، توجیه سرمایه گذاری است.
توجیه سرمایه گذاری

شرکت‌ها با هدف بهبود اثربخشی عملیات و صرفه جویی مالی به هوش تجاری روی می‌آورند، ولی اگر پروژه پیاده سازی و استقرار هوش تجاری در شرکت بازگشت سرمایه (ROI) مناسبی نداشته باشد، پروژه پیاده سازی هوش تجاری توجیه اقتصادی ندارد.

مدیر هر کسب و کاری که در پی تنظیم طرح توجیهی هزینه‌های پیاده سازی یک سیستم هوش تجاری و تحلیلی است، باید به سوالات زیر پاسخ بدهند:

    مزایای مشهود (evidence-based) سیستم هوش تجاری چیست و آیا می‌توان آن را به صورت کمی اندازه گیری کرد؟
    چگونه مدیریت عالی سازمان متقاعد می‌شود که این یک سرمایه گذاری ارزشمند است؟
    سازمان چه زمانی شروع به دیدن ROI

این سوال‌ها بسیار چالش انگیز هستند زیرا ارزش واقعی هوش تجاری تنها زمانی قابل اندازه گیری است که سیستم هوش تجاری به صورت کامل پیاده سازی شود.

تحقق ROI

برای مثال ممکن است تحلیل داده‌ها به ما نشان دهد که اگر وقت استراحت دو نفر کارگر انبار را در یک زمان در نظر بگیریم، عملیات حمل و نقل انبار به صورت موثرتری انجام خواهد شد. داده‌ها همچنین ممکن است نشان دهند که چه مقدار پول با همین اصلاح جزئی صرفه جویی می‌شود.

تا زمانی که سیستم هوش تجاری کاملا پیاده سازی نشده است، معمولا شرکت‌ها از چنین اصلاحاتی غافل هستند. این جایی است که قدرت داده‌ها آشکار می‌شود. همیشه از قبل نمی‌دانیم مزایا کجا قرار دارند، شرکت‌ها به داده‌ها نیاز دارند تا این مشکل را حل کنند.

برای شفاف کردن ارزش ویژه هوش تجاری برای یک شرکت، دانش فنی عملیاتی برای درک تحلیلی و توانایی اطلاع رسانی مزایای آن به کاربران غیر از فناوری اطلاعات شرکت است.

برای استفاده از قدرت داده‌ها باید پیگیر موارد زیر باشیم:

    ایجاد و تقویت ارتباط بین واحد فناوری اطلاعات، کاربران کسب و کار و فروشندگان
    کمک به شرکت برای توسعه چشم انداز استراتژیک برای آینده
    به دقت تعیین کردن زمان و مکان تحقق ROI
    تحلیل یک شرکت از دید داخل به خارج و نشان دادن جاهایی که هوش تجاری باعث بهبود می‌شود.

۳- کمبود کارکنان متخصص در استفاده از داده‌ها

امروز در ادامه سلسله مباحث چالش‌های هوش تجاری به معرفی چالش سوم در پیاده سازی و به کارگیری راهکارهای هوش تجاری می‌پردازیم. کمبود کارکنان متخصص در استفاده از داده‌ها سومین مسئله‌ای است که سازمان‌ها با آن درگیر هستند.

وضعیتی را تصور کنید که سیستم هوش تجاری در یک شرکت یا کسب و کار مستقر شده است ولی کارکنان با وجود آموزش‌های اولیه قادر به استفاده از داده‌ها و بهره گیری از توانمندی‌های سیستم نیستند. بنابراین شکی نیست برای این که بتوانیم از راهکار هوش تجاری به صورت بهینه استفاده کنیم نیاز به کارکنان مناسب داریم.

نتایج یک نظرسنجی نشان می‌دهد در ۶۰% از شرکت‌ها کارکنان نیاز به یادگیری مهارت‌های مرتبط با داده‌ها دارند تا بتوانند اطلاعات را به بینش تبدیل کنند. در هر صنعتی مدیران اجرایی تمام تلاش خود را می‌کنند تا داده محور بودن را در فرهنگ سازمانی خود جای دهند. این تلاش‌ها به معنی توانمندسازی کارکنان با مهارت‌های جدید است.

فرانک بِین، مدیر عامل Looker، می‌گوید:

    به لطف زیرساخت‌های مدرن امروزی، شرکت‌ها فعالیت‌های جامعی را برای جمع آوری مقادیر عظیم داده‌ها انجام می‌دهند، ولی ارزش حجم زیادی از این داده‌ها از دست می‌رود.

مجله کسب و کار هاروارد (HBR) ویژگی‌های مختلفی را که افراد شاغل در سازمان‌های داده محور باید داشته باشند را شناسایی کرده است، این ویژگی‌ها عبارتند از:

    توانایی انجام آزمایش‌های علمی برای حل مشکلات کاری: شیوه استاندارد آموزش کارکنان که در آن به کارکنان چگونگی دسترسی به داده‌ها و گزارش‌ها آموزش داده می‌شود کافی نیست. کارکنان و مدیران باید بتوانند به صورت هوشمندانه فرضیه‌هایی را ایجاد کنند. همچنین باید اصول آماری مانند انتخاب جمعیت و نمونه گیری را یاد بگیرند تا بتوانند اعتبار تحلیل داده‌ها را ارزبابی کنند.
    آشنایی به تحلیل و استدلال ریاضی: این یک مهارت حیاتی برای موفقیت است. معنی این گفته این نیست که کاربران باید متخصص آمار باشند بلکه باید با موقعیت استفاده و کاربرد مناسب متودهای آماری آشنا باشند. کارکنان باید بتوانند داده‌ها، متریک‌ها و نتایج مدل‌های آماری را تفسیر کنند.
    آشنایی به ادبیات داده‌ها: برای مشاهده و شناسایی ارزش موجود در داده‌ها این ویژگی الزامی است. داده‌ها فقط اعداد و ارقام نیستند بلکه شامل متون، تصاویر و انواع دیگری هستند. کاربر سیستم‌های هوش تجاری باید با مدیریت، تغییر و تفسیر این نوع داده‌ها هم آشنایی داشته باشد.

کسب و کارهایی که در پی حداکثر نمودن پتانسیل هوش تجاری هستند باید استراتژی‌های مدیریت استعدادها را برای افراد مربوطه ایجاد کنند تا مهارت‌های مورد نیاز برای موفقیت را توسعه دهند.