محصولات ما

جهت مشاهده مسیر آموزشی خود از منوی مسیر های آموزشی اقدام کنید

مشاهده دوره های بیشتر

Loading…

اموزش کامل هوش تجاری در اوراکل(اموزش هوش تجاری oracle)

آموزش جامع هوش تجاری اوراکل( Intelligance Business) 

در ابتدا باید بگم دوره کامل فارسی ویدیویی هوش تجاری اوراکل با همراهی کامل مدرس مربوطه در سایت موجود هست و می تونید برای تهیه اون به دوره اوراکل مراجعه کنید.

معرفی شرکت اوراکل:

شرکت اوراکل در سال ۱۹۹۷در Redwood، کالیفرنیا تاسیس شد .این شـرکت بـراي اولـین بـار سیستم مدیریت بانکهاي اطلاعاتی رابطهاي را بر اساس مدل IBM System/Rمعرفی و سـپس اولین سیستم مدیریت کاربردي بانک اطلاعاتی را بر اساس تکنولوژي زبان SQL، پایه گذاري کـرد تا امروز بانک اطلاعاتی Oracleبیش از ۸۰سیستم عامل کاربردي را در طیف وسـیعی از عملکـرد حمایت می کند

VAXو مینـی کامپیوترهـاي Unixو Windows NTو چندین سخت افزار دیگر را تحت پوشش خود قرار داده است به روشنی می توان گفت که این شرکت یکی از بزرگتـرین فروشـندگان RDBMSمـی باشـد. در مجموع بیش از ۴۲۰۰۰کارمند حرفه اي در ۹۳کشور در شعبات این شرکت مشغول بـه تحقیـق و بررسی مسیرهاي جدید می باشند همچنین ۱۳%کل هزینه در ایـن شـرکت مخـتص پـروژه هـاي تحقیقاتی است.

ریشه کلمه اوراکل چیست؟

اوراکل به معنی پیشگویی و غیب گویی و به معناي معبد یا پرستشگاه و نیز به معناي مصون از خطا و منزه از گناه می باشد.یکی از اولین مشتریان و متقاضیان اصلی اوراکل سازمان  CIA بـود  llisonو Minerپـروژه اي براي سازمان CIA طراحی کردند که نام رمزرودي آن Oracleبـود .پـس از آن لـري الیسـون و روبرت ماینر تصمیم گرفتند که محصول تجاري خود را با این نام به بازار عرضه کنند .بـدین ترتیـب Oracleبه عنوان محصول تجاري و نام کمپانی آنها معرفی شد.

  • چه کسانی موسس شرکت اوراکل بودند؟

شــرکت اوراکــل توســط Lawrence Joseph Ellison، Report .(BobEdward A.(end) Oatesدر سال ۱۹۹۷تاسیس شدLawrence Joseph Ellison) متولد ۱۹۴۴، شیکاگو( مدیر و CEOشرکت اوراکـل و قهرمـان افسانه اي اوراکل است .این شـرکت یکـی از بزرگتـری ن فروشـندگان نـرم افزارهـایی اسـت کـه بـه سازمانها و دولت ها در نگهداري بهینه بانکهاي اطلاعاتی کمک شایانی کرده است

هوش تجاری چیست؟

هوش تجاری طیف وسیعی از راهکار های کامپیوتری است که به یک شرکت یا سازمان کمک می کند تا بینش خوبی در خصوص عملیات حیاتی خود در برنامه های گزارش دهی و ابزار های تحلیلی بدست آورد.

ابزارهای هوش تجاری

برنامه های هوش تجاری ممکن است شامل ابزار های گوناگونی از جمله گزارشات جدولی، صفحه گسترده ها، نمودار ها و داشبورد ها باشند.اگرچه سیستم های سنتی هوش تجاری از طریق سیستم های گزارش دهی کاغذی یا اتصال به ترمینال های داده ای معنی پیدا می کرد اما پیاده سازیی مدرن و امروزی این سیستم ها تحت وب یا اینترنتی می باشد.برنامه های کاربردی هوش تجاری با ایجاد امکان درک بهتر امکانات اطلاعاتی و چگونگی تعامل آن ها با یکدیگر به هر فردی در سازمان قابلیت تصمیم گیری بهترر می دهند.این امکانات و قابلیت های اطلاعاتی می توانند شامل بانک اطلاعاتی مشتریان، اطلاعات زنجیره تامین، اطلاعات پرسنلی، تولید، فروش و بازاریابی و هر منبع داده ای که برای سازمان شما حیاتی هستند می باشد.یک برنامه کامل و جامع هوش تجاری که شامل امکانات تجمیع و یکپارچه سازی داده ها و ابزار های پاکسازی می باشد می تواند برای سازمان امکانات گزارش گیری و تحلیلی های دقیق را با اتصال داده های منابع محتلف و گردآوری آن ها در یک محل برای تحلیل های لحظه ای توسط هر فردی فراهم می کند.

ابزار های هوش تجاری سازمان را در تصمیم گیری یاری می دهند. این ابزار ها به کاربران این امکان را می دهند تا نه تنها به اطلاعات سازمان دسترسی خوبی داشته باشند بلکه گزارش دهی و تحلیل داده های حیاتی سازمان برای آن ها مقدور خواهد شد.

این فقط یک ساخت گزارش از انبار داده ها نیست، این گردآوری تعداد زیادی از افراد، مشتریان، شرکا و هرکسی است که به آن ها نیاز دارد.

 

بطور کلی هوش تجاری مجموعه ای از استراتژی ها، فرآیند ها، برنامه های کاربردی، داده ها، معماری های فنی و تکنولوژی هایی است که توسط سازمان ها برای گرد آوری، تحلیل و ارائه داده های جمع ثبت شده، یا تحلیل های پیش نگر استفاده می شود.

برنامه های هوش تجاری همچنین می توانند ترکیبی از انواع تجزیه و تحلیل پیشرفته را ارائه دهند ، مانند داده کاوی، تحلیل های پیشگویانه، متن کاوی، تحلیل های آماری و تحلیل کلان داده ها.

در بسیاری از موارد، پروژه های تجزیه و تحلیل پیشرفته بوسیله تیم های جداگانه ای از کارشناسان داده، متخصصین آمار، مدل سازان و سایر متخصصین تحلیل ، رهبری و مدیریت می شوند، در حالی که تیم هوش تجاری بیشتر بر پرس جو ها (Query) و تحلیل های داده های کسب و کار نظارت می کند.
بنابراین هدف از هوش تجاری تفسیر آسان حجم زیادی از داده ها  با استفاده از مجموعه ای از ابزارها می باشد.
شناسایی فرصت های جدید و اجرای موثر یک استراتژی با بینشی عمیق، می تواند مزیت های رقابتی جدید و توسعه پایدار را برای سازمان ها به ارمغان آورد.

تکنولوژی های هوش تجاری عبارتند از:

گزارش دهی

ریز جزئیاتی که در یک سازمان یا کسب و کار اتفاق می افتد باید در یک سیستم اطلاعاتی TPS ثبت شود.
به نوعی با اینکار داده های تاریخی (Historical) ثبت می شوند و با چاپ یا خروجی های فیلتر شده یا کامل این داده ها یک سیستم گزارش دهی شکل می گیرید.

پردازش های تحلیلی آنلاین

این تکنولوژی فعالیت های کسب و کار را به صورت چندبعدی تجزیه و تحلیل می‌کند و بدین ترتیب توانایی انجام محاسبات پیچیده، تجزیه و تحلیل رویه‌ها و مدل‌سازی داده‌های پیچیده را فراهم می‌کند. به این تکنولوژی OLAP گفته می شود.

تحلیل های تجاری

تحلیل های آماری بدین صورت است که با کمک الگوریتم های آماری و اعمال آن ها به داده های آرشیوی گذشته ، تحلیل های پیش نگر انجام می شود.

این کار علاوه بر الگوریتم های آماری با سایر تحلیل های پیشرفته و تحلیل های خوشه ای و گروه بندی ها نیز انجام می شود.

آشنایی با مفاهیم پایه هوش کسب و کار

هوش تجاری طیف وسیعی از راهکار های کامپیوتری است که به یک شرکت یا سازمان کمک می کند تا بینش خوبی در خصوص عملیات حیاتی خود در برنامه های گزارش دهی و ابزار های تحلیلی بدست آورد.

در ابتدا به ذکر تاریخچهای از تعاریف معتبر و مطرح جهانی درباره مفهوم هوش تجاری خواهیم پرداخت. سال ۱۹۵۸ :اولین بار، کلمه »هوش تجاری« در مقالهای از یک محقق شرکت IBM استفاده شد. وی وسیله ارتباطی برای هدایت یک کسب و کار را ملزم به وجود یک سیستم هوشمند دانست، و هوش را چنین تعریف کرد: »قابلیت درک رابطه متقابل واقعیتهای ارائه شده به صورتی که منجر به هدایت عمل در جهت هدف مطلوب شود«. ۱ به کار رفت و معرفی شد. در این سال ۱۹۷۱ :در این سال، در مقالهای در دانشگاه MIT ،برای اولین بار واژه سیستمهای تصمیمساز ۲ اموزشاینگونه عنوان شد که تمرکز سیستمهای مدیریت اطالعات عمدتاً بر تصمیمهای ساخت یافته است و پیشنهاد گردید که سیستمهای اطالعاتی به منظور پشتیبانی از تصمیمهای نیمهساختیافته و غیرساختیافته، تحت عنوان DSS مطرح شوند. ۳ ،هوش تجاری را به عنوان یک مفهوم چترگونه معرفی کرد که شامل مفاهیم و روشهایی سال ۱۹۸۹ :یک محقق موسسه گارتنرکار می است به منظور بهبود تصمیمگیری کسبوکار با استفاده از سیستمهای پشتیبان مبتنی بر واقعیت کند. این تعریف در اواخر دهه ۹۰ همگانی گشت. سال ۲۰۰۳ :تعریف خانم Moss در کتابش از هوش تجاری به این ترتیب است: »نه یک محصول و نه یک سیستم است. هوش تجاری یک معماری و مجموعهای از سیستمهای عملیاتی یکپارچه به همراه سیستمهای پشتیبان تصمیم و پایگاههای داده است که دسترسی آسان کاربران کسب و کار به داده را مهیا میسازد.

سال ۲۰۰۴ :در مقالهای تحت عنوان »هوش تجاری«، این مفهوم بدین صورت تعریف شد: »سیستمهای هوش تجاری جمع آوری داده، ذخیره سازی داده و مدیریت دانش را با ابزارهای تحلیل ترکیب میکنند تا اطالعات رقابتی و داخلی پیچیده را به برنامه ریزان و تصمیم گیران ارائه نمایند. سال ۲۰۰۴ :طیف وسیعی از نرمافزارها و راه حلها برای جمع آوری، یکی کردن، تحلیل و امکان دسترسی به داده، به صورتی که به کاربران کسب و کار امکان گرفتن تصمیمات بهتر را بدهد

. ۱ هوش تجاری را مجموعهای از متدولوژیها، فرآیندها، معماریها و تکنولوژیهایی تعریف میکند که سال ۲۰۰۸ :مؤسسه فارِستِر داده خام را به اطالعات مفید و معنادار تبدیل میکنند. سال ۲۰۱۰ :مؤسسه فارِستِر تعریف خود را کاملتر کرده و هوش تجاری را به عنوان مجموعهای از متدولوژیها، فرآیندها، معماریها و تکنولوژیهایی تعریف میکند که داده خام را به اطالعات مفید و معنادار تبدیل میکند تا در بینش و تصمیمگیری استراتژیک، تاکتیکی و عملیاتی مؤثر مورد استفاده قرار گیرد. همچنین، این مؤسسه، یک پشته از مفاهیم موجود در هوش تجاری را ارائه داده است و در نسخه کوتاهتر تعریف خود، تنها به الیههای باالی این پشته از جمله گزارشگیری، تحلیل و داشبوردها بسنده میکند. ۳ ،ابزارهای ، پرسوجوها سال ۲۰۱۰ :آقای Davenport Thomas پیشنهاد میکند که هوش تجاری تشکیل شده است از: گزارشگیری۲ ۴ ،تحلیل کسب هشداردهی ۵ وکار و ۶ OLAP میباشد. سال ۲۰۱۰ :گروه مطالعاتی کیمبال۷ ،هوش تجاری را توصیف کننده تمام سیستمها و فرآیندهایی تعریف میکند که سازمان از آن در جهت جمع آوری، پردازش، دسترسی و تحلیل اطالعات مربوط به کسب و کار استفاده میکند.

سال ۲۰۱۱ :در مقالهای تحت عنوان »مروری بر فنآوری هوش تجاری۱ برای سازمان تعریف میشود که هدف آن، ایجاد توانایی برای کاربران دانش از جمله مدیران و تحلیلگران در جهت اتخاذ تصمیمهای بهتر و سریعتر است. حال با توجه به تعاریفی که درباره مفهوم هوش تجاری بیان شد به ذکر تعاریفی کاربردیتر درباره هوش تجاری میپردازیم. هوش تجاری مفهومی است که معموالً یکپارچگی و ارائه اطالعات مفید کسبوکار در یک سازمان را در برمیگیرد. سازمانها از هوش تجاری برای شناخت رویدادهای تأثیرگذار و تشخیص یا مانیتور کردن روندهای کسبوکار بهمنظور تطابق پیدا کردن سریع با تغییرات محیط بهره میبرند. اگر از هوش تجاری بهصورت مؤثر و کارا در سازمان خود استفاده کنید، شما میتوانید فرآیندهای تصمیمگیری را در تمامی سطوح مدیریتی بهبود بخشیده و همچنین فرآیند مدیریت استراتژیک بهبود یابد. به عبارت دیگر میتوان گفت: به مجموعه تئوریها، متدولوژیها، فرایندها، معماریها و فنّاوریهایی که دادههای خام را به اطالعات و دانش کارآمد و معنیدار تبدیل میکنند هوش تجاری یاintelligence Business میگویند. عبارتهای: »هوشمندسازی کسبوکار« ، »هوشمندی کسبوکار« و »هوش کسبوکار« بعضیاوقات بهعنوان مترادف معمول برای هوش تجاری بکار میرود. هوش تجاری با کمک انبارداده، میتواند حجم زیادی از دادههای یکپارچه را پردازش نموده و از اطالعات یا دانش معنادار حاصل از این پردازش فرصتهای تازهای را برای توسعه کسبوکار ایجاد یا شناسایی نموده و از این راه به مزیت رقابتی مؤثر و پایداری دستیافت. این تأثیر و پایداری ازآنجهت باالست که دانش و اطالعات حاصله مبتنی بر دادههای خام و واقعی کسبوکار و یا دادههای خارجی مرتبط بوده و بیانگر رفتار موجودیتهای مطرح در سامانههای اطالعاتی یا کسبوکار باشند. در نهایت میتوان گفت هوش تجاری یعنی داشتن دانشی فراگیر از همه عواملی که بر سازمان مؤثر است. داشتن دانشی عمیق نسبت به همه عوامل مثل مشتریان، رقبا، محیط اقتصادی، عملیات و فرآیندهای سازمانی که تأثیر زیادی بر کیفیت تصمیمات مدیریتی در سازمان میگذارد، هوش تجاری است. هوش تجاری برای تصمیمگیری در همه عوامل مؤثر بر سازمان یا شرکت به شما کمک میکند.

ضرورت و اهمیت استراتژیک استفاده از هوش تجاری در سازمانها

از اصلیترین مزایای داشتن یک سیستم نرمافزاری هوش تجاری کارآ، قابلیت دستیابی به دادههای کسبوکار در یک قالب داده با فرمتی واحد از سایر منابع دادهای متفاوت و مختلف است، همچنین وسیلهای برای اندازهگیری تحقق یافتن اهداف سازمان است. برخی از اصلیترین مزایای داشتن یک سیستم هوش تجاری عبارتند از

انجام ندادن امور بر اساس حدس و گمان: مدیران باید بر پایه صحیحترین و درستترین اطالعات تصمیمگیری نمایند تا بتوانند شرکت خود را به آیندهای روشنتر راهنمایی کنند. این اطالعات صحیح و درست را هوش تجاری براحتی در اختیار مدیران قرار خواهد داد.

به دست آوردن جوابهای سریعتر به سؤاالت کسبوکار: در صورت عدم وجود هوش تجاری برای ساختن یک گزارش مدیریتی، باید ساعتهای زیادی صرف مطالعه و تحلیل گزارشهای فیزیکی چاپ شده یا فایلهای کامپیوتری گردد. که عالوه بر وقتگیر بودن احتمال خطای انسانی نیز وجود دارد. سیستم نرمافزاری هوش تجاری چنین تحلیلها و گزارشهایی را بهسادگی چند کلیک مهیا مینماید.

.به دست آوردن معیارهای کلیدی کسبوکار در هر وقت و هرزمانی که نیاز داشته باشید: سیستم هوش تجاری به کاربران این امکان را میدهد که داشبوردهای مدیریتی از معیارهای کلیدی کسبوکار Performance Key(KPI (Indicator در هرلحظه و بر روی هر پلتفرم سختافزاری که در دسترس دارند، داشته باشند

. به دست آوردن بینش از رفتار مشتری: بهوسیله هوش تجاری قادر خواهید بود روندهای خرید مشتریان فعلی را تحلیل و بررسی نمایید. وقتیکه شما درک کنید که مشتریانتان چه چیزهایی را بیشتر میخرند، میتوانید از این اطالعات استفاده کرده و محصوالت خود را توسعه دهید تا با روند مصرف موجود تطابق پیداکرده و درنتیجه سودآوری خود را بهبود بخشید. ۵ .شناسایی فرصتهای فروش: چنانچه شما یک فروشنده یا بازاریاب باشید تمایل خواهید داشت که پیگیر مشتریان خود باشید و شاید از یک سیستم (Management Relationship Customer (CRM برای انجام این مهم بهره ببرید. سیستم مدیریت ارتباطات مشتریان، نرمافزاری است که تمامی جنبههای تعامالتی سازمان با مشتریان را مدیریت و کنترل میکند. بهعبارتدیگرCRM دادههای مرتبط با مشتریان را جمعآوری کرده و سعی دارد که به شما احساسی در رابطه با مشتریانتان انتقال دهد، این کار را بهوسیله ارائه دادهها در جدولها و نمودارهای مختلف انجام خواهد داد. احتمال دارد که این کار شامل تمامی پروسه فروش باشد، از جذب مشتری جدید گرفته تا سرویسدهی و پیگیری مشتریان موجود، و همچنین تأمین سرویسدهی به فروشهای گذشته خواهد بود. سیستمهایCRM امروزه بیشتر از گذشته در پروسههای سیستمهای هوش تجاری قرارگرفتهاند. هوش تجاری میتواند کمک زیادی در افزایش مؤثر فروش داشته باشد و بینشی بیشتر و بهتر نسبت به فروش حال حاضرتان داشته باشید.

بهبود بخشیدن به دید خود: هوش تجاری دید شما درباره این فرآیندها را بهبود داده و تشخیص زمینههای موردنیاز برای بهبود بخشیدن بیشتر امکانپذیر خواهد شد. یک سیستم هوش تجاری خوب باید در قلب هر سازمانی موجود باشد تا بتوان کنترل بر اجرای صحیح فرآیندها را افزایش داد. دید و نگاه درست به کسبوکار یک امر ضروری است که با هوش تجاری به این نتیجه دست خواهید یافت.

بهبود بهرهوری: سیستم هوش تجاری بهرهوری در سازمان را افزایش میدهد. بوسیله هوش تجاری، اطالعات بخشهایِ مختلف سازمان به اشتراک گذاشته میشوند. اشتراکگذاری اطالعات به شما این امکان را میدهد که در زمان صرفهجویی کنید و نیاز به پروسههای گزارشسازی طوالنیمدت نداشته باشید و بهراحتی تحلیلها و گزارشهای موردنیاز را بسازید.

هوش رقابتی: سامانههای هوش تجاری میتوانند به شما این بینش را بدهند که شما برای رقابت بهتر چهکاری باید انجام دهید. این امر قابلیتهای سازمان را برای تصمیمگیری و طرحریزی آینده، همچنین رقابت با رقبا را تقویت خواهد کرد

تبدیل کردن دادهها به اطالعات علمی کسب وکار: هوش تجاری یک ابزار تحلیلی است، که بینش و بصیرت موردنیاز برای طراحی استراتژیِ موفقیتِ سازمان را به شما خواهد داد. این امر بدان دلیل است که چنین سیستمهایی قادر به کشف و تشخیص روندها و الگوهای کلیدی از دادههای کسبوکار هستند و درنتیجه شما میتوانید بهراحتی بین زمینههای مختلف کسبوکار ارتباطات مهم را بسازید، این در حالی است که در ظاهر به نظر میرسد این زمینهها باهم ارتباطی ندارند. بهاینترتیب یک سیستم هوش تجاری میتواند به شما کمک کند تا مفاهیم فرآیندهای مختلف کسبوکار را بهتر درک کنید و توانایی خود در شناسایی فرصتهای مناسب برای سازمان افزایش دهید، در نهایت قادر خواهید بود موفقیت آینده سازمان را طرحریزی و برنامهریزی نمایید.

کسبوکار شما در حال حاضر کجاست و به کجا خواهد رفت: سیستم هوش تجاری میتواند بهصورت صحیح توضیح دهد که در بازههای زمانی تعریفشده در کسبوکار شما چه اتفاقاتی افتاده و یا خواهد افتاد.

ابزارهای هوش تجاری

در این مستند راهکار هوش تجاری Intelligance Business = BI ، انبارداده warehouse Data = DW ، و ابزارهای پیشنهادی OBIEE و ODI و OWB و BI Microsoft و تکنولوژیهای آنها توسط اوراکلتوضیح و تبیین شده است. همچنین راهکار هوش تجاری اوراکل و نقشه راه اجرای آن توسط اوراکلتوضیح و تبیین شده است

برنامه های هوش تجاری ممکن است شامل ابزار های گوناگونی از جمله گزارشات جدولی، صفحه گسترده ها، نمودار ها و داشبورد ها باشند.اگرچه سیستم های سنتی هوش تجاری از طریق سیستم های گزارش دهی کاغذی یا اتصال به ترمینال های داده ای معنی پیدا می کرد اما پیاده سازیی مدرن و امروزی این سیستم ها تحت وب یا اینترنتی می باشد.برنامه های کاربردی هوش تجاری با ایجاد امکان درک بهتر امکانات اطلاعاتی و چگونگی تعامل آن ها با یکدیگر به هر فردی در سازمان قابلیت تصمیم گیری بهترر می دهند.این امکانات و قابلیت های اطلاعاتی می توانند شامل بانک اطلاعاتی مشتریان، اطلاعات زنجیره تامین، اطلاعات پرسنلی، تولید، فروش و بازاریابی و هر منبع داده ای که برای سازمان شما حیاتی هستند می باشد.یک برنامه کامل و جامع هوش تجاری که شامل امکانات تجمیع و یکپارچه سازی داده ها و ابزار های پاکسازی می باشد می تواند برای سازمان امکانات گزارش گیری و تحلیلی های دقیق را با اتصال داده های منابع محتلف و گردآوری آن ها در یک محل برای تحلیل های لحظه ای توسط هر فردی فراهم می کند.ابزار های هوش تجاری سازمان را در تصمیم گیری یاری می دهند. این ابزار ها به کاربران این امکان را می دهند تا نه تنها به اطلاعات سازمان دسترسی خوبی داشته باشند بلکه گزارش دهی و تحلیل داده های حیاتی سازمان برای آن ها مقدور خواهد شد.

این فقط یک ساخت گزارش از انبار داده ها نیست، این گردآوری تعداد زیادی از افراد، مشتریان، شرکا و هرکسی است که به آن ها نیاز دارد. بطور کلی هوش تجاری مجموعه ای از استراتژی ها، فرآیند ها، برنامه های کاربردی، داده ها، معماری های فنی و تکنولوژی هایی است که توسط سازمان ها برای گرد آوری، تحلیل و ارائه داده های جمع ثبت شده، یا تحلیل های پیش نگر استفاده می شود.برنامه های هوش تجاری همچنین می توانند ترکیبی از انواع تجزیه و تحلیل پیشرفته را ارائه دهند ، مانند داده کاوی، تحلیل های پیشگویانه، متن کاوی، تحلیل های آماری و تحلیل کلان داده ها.در بسیاری از موارد، پروژه های تجزیه و تحلیل پیشرفته بوسیله تیم های جداگانه ای از کارشناسان داده، متخصصین آمار، مدل سازان و سایر متخصصین تحلیل ، رهبری و مدیریت می شوند، در حالی که تیم هوش تجاری بیشتر بر پرس جو ها (Query) و تحلیل های داده های کسب و کار نظارت می کند.

بنابراین هدف از هوش تجاری تفسیر آسان حجم زیادی از داده ها  با استفاده از مجموعه ای از ابزارها می باشد.شناسایی فرصت های جدید و اجرای موثر یک استراتژی با بینشی عمیق، می تواند مزیت های رقابتی جدید و توسعه پایدار را برای سازمان ها به ارمغان آورد.

فعالیت های عمده تکنولوژی های هوش تجاری عبارتند از:

گزارش دهی

ریز جزئیاتی که در یک سازمان یا کسب و کار اتفاق می افتد باید در یک سیستم اطلاعاتی TPS ثبت شود.

به نوعی با اینکار داده های تاریخی (Historical) ثبت می شوند و با چاپ یا خروجی های فیلتر شده یا کامل این داده ها یک سیستم گزارش دهی شکل می گیرید.

پردازش های تحلیلی آنلاین

این تکنولوژی فعالیت های کسب و کار را به صورت چندبعدی تجزیه و تحلیل می‌کند و بدین ترتیب توانایی انجام محاسبات پیچیده، تجزیه و تحلیل رویه‌ها و مدل‌سازی داده‌های پیچیده را فراهم می‌کند. به این تکنولوژی OLAP گفته می شود.

  • تحلیل های تجاری

تحلیل های آماریبدین صورت است که با کمک الگوریتم های آماری و اعمال آن ها به داده های آرشیوی گذشته ، تحلیل های پیش نگر انجام می شود.

این کار علاوه بر الگوریتم های آماری با سایر تحلیل های پیشرفته و تحلیل های خوشه ای و گروه بندی ها نیز انجام می شود.

هوش تجاری

عوامل و تغییرات سریع در محیط عملیات شرکت ها و سازمان ها، آنها را به سوی پشتیبانی رایانه ای از عملیاتشان سوق می دهد. بدین معنی که فشارهای خارج از شرکت ها منجر به ایجاد رویکرد پاسخ در سازمان ها می شود که با توجه به سرعت محیط، این پاسخ ها باید با سرعت همراه باشد؛ چرا که محیط بسیار رقابتی است و لذا برای دستیابی به پاسخ های سریع، لازم است سامانه های رایانه ای به کمک شرکت ها بیایند. سامانه های رایانه ای می توانند فرآیند پاسخ را تسهیل و تسریع نمایند.
در ذیل مدلی از فضا و فشارهای خارجی کسب و کار ها و نیز پاسخ ها و چگونگی حضور سامانه های رایانه ای ارایه شده است.

سامانه های رایانه ای به مدیران و کسب و کارها به روش های مختلفی کمک می کنند:

محاسبات را تسهیل می کنند و سرعت انجام آنها را افزایش می دهد.

ارتباطات و همکاری ها را بهبود می دهند.

بهره وری افراد را افزایش می دهند.

مدیریت داده ها را ممکن می کند و  آن را بهبود می دهد.

قابلیت دسترسی ها را افزایش می دهد.

این روش ها منجر به ساخت تصمیم های اساسی برای کسب و کارها می شود که در مجموع سازنده سیستم های تصمیم یار برای سازمان ها، شرکت ها و در مجموع کسب و کار می شود. استفاده از سیستم های تصمیم یار سابقه دیرینه ای دارد که به طور خلاصه می توان به روند ذیل اشاره کرد:

اولین بار در سال ۱۹۷۱ واژه «سامانه های تصمیم یار» (Decision Support System) در دانشگاه MIT به کار برده شد که مرکز اصلی آن بر اتخاذ تصمیمات نیمه ساخت یافته و ناساخت یافته عنوان گردید.

در سال ۱۹۸۹، گروه گارتنر هوش تجاری را به عنوان یک واژه چترگونه (Umbrella Term) معرفی نمود که شامل مفاهیم و روش هایی می شد که به بهبود تصمیم گیری در کسب و کار مبتنی بر واقعیت ها تاکید داشت.

در سال ۲۰۰۸ موسسه فارستر (Forrester) هوش تجاری را مجومعه از متدلوژی ها، فرآیندها، معماری ها و تکنولوژی هایی تعریف کرد که داده های خام را به اطلاعات مفید و معنادار تبدیل می کند.توماس داونپورت (Thomas Davenport) در سال ۲۰۱۰ هوش تجاری را شامل تحلیل های کسب و کار (Business Analytics)، پردازشتحلیلی بر خط (OLAP)، پرس و جوها (Queries)، گزارش ها (Reports) و ابزارهای هشدار (Alert Tools) تعریف کرد.

رویکردهایی که در اکثر تعاریف از هوش کسب و کار به آنها اشاره شده است، ناظر بر سه حوزه در این مفهوم می باشد که شامل رویکردهای مدیریتی- فرآیندی، رویکردهای تکنولوژیکی و رویکرد محصول که در جدول ذیل به آنها اشاره شده است.

چشم انداز هوش تجاری

محصول

تکنولوژیکی

مدیریتی / فرآین

تمرکز بر روی فرآیند جمع آوری داده از منابع داخلی و خارجی، و تحلیل آنها به منظور تولید اطلاعات مرتبط برای بهبود در تصمیم گیری. تمرکز بر روی ابزار‏ها و تکنلوژی‏هایی که ثبت، ترمیم، دستکاری و تحلیل اطلاعات را ممکن می‏سازند توصیف هوش تجاری به عنوان یک محصول نوظهور که نتیجه تحلیل عمیق داده‏های دقیق کسب و کار، و همچنین شیوه‏های تحلیل با استفاده از ابزار هوش تجاری

شاید بتوان به طور خلاصه چشم انداز هوش تجاری را اینگونه مطرح کرد:
«ارتقاء عملیات و فرایندهای کلیدی کسب و کار از طریق تامین اطلاعات و دانش حیاتی کسب و کار در زمان درست، قالب درست و برای همه سطوح سازمانی

اهداف هوش تجاری

لذا اهدافی را که هوش تجاری به دنبال آن است را می توان به صورت ذیل خلاصه کرد:
«بهینه سازی، تحلیل،کنترل و دیده بانی عملیات و فرایندهای کسب و کار».

کارکردهای هوش تجاری

به دنبال اهداف هوش تجاری، سه کارکرد اصلی در کسب و کارهای مختلف ایجاد می شود که عبارتند از

ایجاد دید: گذشته و حال کسب و کار ها را برای پیش بینی آینده به کار می گیرد.

مدیریت و تحلیل عملکرد کسب و کار: شاخص هایعملکردی کلیدی (Key Performance Indicators, KPI) را تعریف می کند.

گزارش دهی: گزارش های لحظه ای و دست ای ایجاد می کند.

  • رویکردهای تکنیکی

از سوی دیگر لازم است تکنیک های لازم برای تحلیل داده های مختلف به کار رود. در شکل زیر رویکردهای مختلف تکنیکی برای استفاده از انواع داده ها نشان داده شده است.

برای رسیدن به این اهداف لازم است کسب و کار از دیدگاه عملیات و فرایندهای بنگاه به درستی تحلیل گردد که در شکل زیر به آن اشاره شده است.

تحلیل داده ها

امروزه تحلیل داده ها با استفاده از ابزارها و تکنیک هایی که در این زینه وجود دارند، بسیار ساده شده است. تحلیل داده ها انواع مختلفی دارد که در ذیل به آنها اشاره می شود:
تحلیل آماری (Statistical Analytics): بسته‎های تحلیل آماری مانند (S++)که می‎توانند با پایگاه داده‎ها در ارتباط باشند.

داده کاوی (Data Mining): داده کاوی جستجو می‎کند تا دانش را به شکل الگو‏ها و قواعد آماری از پایگاه داده‎های بزرگ به طور خودکار کشف نماید.پایگاه داده تحلیلی (Analytical DB): یک پایگاه داده تحلیلی، اطلاعات جمع آوری شده از منابع متعدد را بایگانی نموده و آن‎ها را بر اساس یک طرح یکپارچه در یک سایت ذخیره می‎کند. برای کسب و کار‏های بزرگ مهم است که از بخش‎های متعدد و در صورت امکان در سایت‎های متعدد، داده تولید نمایند.

پایگاه داده تحلیلی

«منبع داده جمع آوری شده از داده‏های منابع اطلاعاتی مختلف و حتی ناهمگن، تحت یك ساختار و در یك محدوده وسیع زمانی با هدف پاسخ‏گویی به پرسش‏های تحلیلی كاربران است.»
پایگاه داده تحلیلی تفاوت هایی را با پایگاه های عملیاتی دارند، از جمله می توان به مشخصات ذیل در پایگاه داده تحلیلی اشاره نمود:

انواع داده ها در پایگاه داده تحلیلی

داده های متنوعی در پایگاه داده تحلیلی ذخیره می شوند که عبارتند از:

داده جاری: داده‏های فعلی منابع عملیاتی

داده قدیمی: داده‏های قدیمی منابع اطلاعاتی

داده خلاصه شده: داده‏های نتیجه شده از داده‏های موجود و پردازش‏های مرتبط
فراداده: شامل اطلاعات مربوط به داده‏ها، دیكشنری از اطلاعات پایگاه، راهنمایی جهت نگاشت داده از محیط عملیاتی به محیط پایگاه داده تحلیلی و قواعد استفاده شده برای خلاصه سازی است.

برای ایجاد یک پایگاه داده تحلیلی فرآیند ذیل باید انجام شود:

چهارچوب هوش تجاری مایکروسافت

در شکل زیر به طور شماتیک به چهارچوب هوش تجاری شرکت مایکروسافت اشاره شده است.

اصطلاحات مهم در هوش کسب و کار

سرویس‏هایی که از پایگاه داده تحلیلی به منظور پاسخ‏گویی سریع به پرسش‏های تحلیلی کاربران استفاده می‏کنند، پردازش تحلیلی برخط (OLAP) نامیده می‏شوند.OLAP عبارت است از مجموعه‏ای از نرم‏افزارها که برای اکتشاف و تحلیل سریع داده‏های مبتنی بر یک شیوه چند بُعدی با چندین سطح از مجموع سازی (Aggregation) استفاده می‏شود، و تصمیم گیری را تسریع و تسهیل می‏کند

 پردازش ها

پارامترها

پردازش تراكنش برخط (OLTP) پردازش تحلیلی برخط (OLAP)
كاربران كاربران فناوری اطلاعات كاركنان دانش
كاركرد عملیات روزانه پشتیبانی تصمیم
طراحی پایگاه داده كاربرد-گرا موضوع-گرا
داده جاری، به روز، با جزئیات، رابطه‌ای، منفرد سابقه، خلاصه شده، چند بعدی، سرجمع، یكپارچه
كاربرد عملیات تكرار شونده خاص منظوره
دسترسی خواندن/نوشتن، اندیس گذاری/درهم سازی بر روی كلید اصلی پویش سراسری وگسترده
واحد كاری تراكنش‌های ساده و كوتاه پرس‌وجوهای پیچیده
تعداد ركوردهای مورد دسترسی ده‏ها ركورد میلیون‌ها ركورد
تعداد كاربران هزاران كاربر صدها كاربر
اندازه پایگاه داده مگابایت – گیگابایت گیگابایت – ترابایت
معیار سنجش بازده تراكنش

(Throughput , Speed)

بازده پرس‌وجو، پاسخ (Throughput,Speed)

جامعیت و همبستگی

هدف انجام کار‏های کسب و کار روزانه پشتیبانی از تصمیم گیری و پاسخگویی به پرس‏و‏جو‏های کسب و کار و مدیریتی
منبع داده پایگاه داده تراکنشی پایگاه داده تحلیلی و data mart
گزارش گیری روزمره، به صورت دوره‏ای، گزارش‏ها با تمرکز دقیق. Ad hoc، چند بعدی، پرس‏و‏جو‏ها و گزارش‏ها با تمرکز گسترده
نیازمندی‏های منبع پایگاه داده‏های رابطه‏ای معمولی چند پردازنده، ظرفیت بزرگ، پایگاه داده‏های تخصصی
سرعت اجرا سریع (ثبت تراکنش‏های کسب و کار و گزارش‏های روزمره) کند (پرس‏و‏جو‏های پیچیده، با مقیاس بزرگ و نیازمند منابع زیاد)

مأموریتOLAP

فرض کنید کارخانه ایران خودرو محصولات مختلفی از قبیل پژو، سمند، وانت و غیره را تولید می‎کند. همچنین، این کارخانه در شهر‎های مختلف دارای نمایندگی است و مدیران کارخانه می‎خواهند عملکرد فروش محصولات خود در شهر‏های مختلف را تحلیل کنند.OLAP سرویسی است که وظیفه آن پاسخ سریع به سوالات مربوط به کسب و کار است. سوالاتی از قبیل:

در مهرماه سال ۹۰ میزان فروش پژو در تهران به چه میزان بوده است؟

در شهر اصفهان کدام نوع خودرو بیش‎ترین فروش را داشته است؟

میزان فروش سال ۹۰ نسبت به سال ۸۹ چقدر تفاوت دارد؟

کدام رنگ سمند بیش‏تر به فروش می‏رود؟

با توجه به هزینه‏های تولید و میزان فروش، سود حاصل از کدام محصول بیش‏تر است؟

زیرساخت داده ها در OLAP با زیرساخت داده ای در OLTP نیز با هم تفاوتند. در شکل زیر ساخت مربوط به هر یک نشان داده شده است.

چهار روش برای ذخیره سازی در OLAP وجود دارد:

پردازش تحلیلی برخط (Online Analytical Processing)

ROLAP (Relational OLAP): اگر هم داده‏های مجتمع و هم غیرمجتمع در پایگاه داده رابطه‎ای ذخیره شوند.

MOLAP (Multi-dimensional OLAP): اگر هم داده‏های مجتمع و هم غیرمجتمع در پایگاه داده ابعادی ذخیره شوند.

HOLAP (Hybrid OLAP): اگر داده‏های غیر مجتمع در پایگاه داده رابطه‏ای و داده‏های مجتمع در پایگاه داده ابعادی ذخیره شوند.

برای مثال یک سیستم دانشگاهی شامل دادههای ثبتنام دانشجویان یا دادههای منابع انسانی یا دادههای حقوق و دستمزد کارمندان دانشگاه یا دادههای زمانبندی کالسها میباشد. در یک محیط انبارداده، داده فقط به این دلیل وارد میشود که حاوی ارزشِ تحلیلی برای کاربر نهایی است. برای مثال دادههای مرتبط با حقوق و دستمزد کارکنان درصورتی وارد انبارداده میشوند که نیاز به تحلیل این دادهها وجود داشته باشدد. داده در انبارداده سازماندهیشده و بهصورت اطالعات ارائه میگردد. اطالعات یک مجموعه یکپارچهشده از حقایق کسبوکار است که بهعنوان زیربنای سیستم تصمیمسازی مطرح میگردند. در سیستمهای نرمافزاری هوش تجاری، پایگاه دادههایی نیاز است که بطور خاص برای تأمین اطالعات و اهداف آنالیزی و پاسخگویی نیاز آماری تحلیلی مدیران سازمان طراحی شده باشد، به این پایگاه دادههای خاص انبارداده گویند. انبارداده بخشی از یک معماری داده میباشد، که بهعنوان مخزنی واحد و یکپارچه از دادهها برای پردازش اطالعات میباشد. از لحاظ فنی و دانش نرمافزار انبارداده باید دارای ویژگیها و خصوصیات مهمی باشد. این ویژگیها در ۳ ،یکپارچگی داشتن۴ ،پایایی۵ دستهبندیهای: موضوع گرا بودن ، در دسترس بودن ۶ ، زمان گرا ۷ ۸ قرار می و فرآیند گرا گیرند. پایگاهدادهای با مشخصات ذکر شده یک انبارداده بوده و در گروه انبار داده قرار میگیرد. پس میتوان نتیجه گرفت که انبارداده خود یک پایگاهداده است که مشخصاتی خاص دارد و برای اهدافی خاص توسعه داده شده است. مهمترین هدف انبارداده موضوعگرا بودن آن است.

راهکار هوش تجاری oracle

راهکار هوش تجاری oracle را شرح داده و درباره نقشه راه اجرای راهکار هوش تجاری oracle توضیحاتی میدهیم، سپس درباره مزیتها و قابلیتهای راهکار هوش تجاری oracle مطالبی بیان خواهیم کرد. ۱٫۲ .

راهکار هوش تجاری oracle امروزه با رقابتیتر شدن محیط کسبوکارها و صنایع، برای کسب سهم بیشتر از بازار و افزایش سودآوری، باید اثربخشی فرآیندهای سازمانی بهبود یافته و هزینهها کاهش یابد. برای این منظور نظام تصمیمگیری سازمان نیازمند توانمندتر و چابکتر شدن است تا به تصمیمات سریع، دقیق و هوشمندانهتری دست یابد. مدیران ارشد و عملیاتی سازمانها نیاز دارند، با پایش شاخصهای کلیدی عملکرد )KPI )بهشکل لحظهای از عملکرد واقعی سازمان یا فرآیند تحت مدیریتشان مطلع شوند، بهسرعت بتوانند علت نوسانات منفی و مثبت عملکردی را دریابند و تصمیمات بهموقعی بگیرند. از طرف دیگر، تحلیلگران و کارشناسان سازمان برای تجزیه و تحلیل فرآیندها و عملیات، به خوراک اطالعاتی جامع و قابل اتکایی نیاز دارند. سیستمی که خروجیهای تصمیمساز استخراج شده را با فرآیندی منسجم و قابل اتکا دردسترس مدیران و تصمیمگیران قرار دهد. براساس تعاریف موسسه گارتنر، یک بستر نرمافزای هوش تجاری باید امکانات مشخصی را در حوزههای: (Data Visualization)اطالعات مصورسازی  تجریه و تحلیل اطالعات (Analysis( یکپارچهسازی اطالعات (Integration( در اختیار کاربران قرار دهد. شرکت هوش تجاری فکر پرداز oracle خدمات هوشمندی کسبوکار خود را در قالب یک بسته خدماتی کامل با نام راهکار هوش تجاری oracle ارائه کرده است. راهکار هوش تجاری oracle، سبد کاملی از امکانات کاربردی نرمافزاری و تکنولوژیکی در سه حوزه یکپارچهسازی، تجزیه و تحلیل و مصورسازی را در اختیار کاربران قرار میدهد. راهکار هوش تجاری oracle و در قالب خدمات زیر ارائه مینماید: تحلیل نیازمندیها، وضعیت موجود و زیرساختهای سازمان شناسایی شاخصهای کلیدی عملکرد کسبوکار و پاالیش دادههای موجود طراحی و پیادهسازی انبارداده و طراحی و پیادهسازی برنامه کاربردی هوش تجاری آموزش کاربران جهت استفاده از امکاناتِ برنامه کاربردی هوش تجاری

نصب، استقرار و راه اندازی راهکار هوش تجاری

طراحی و معماری هوش تجاری oracle

راهکار هوش تجاری oracle بر اساس چارچوب هوشمندی تجاری طراحی شده است. در ابتدا نیازمندیهای کارفرما و شاخصهای کلیدی عملکرد سازمان شناسایی میشوند. بر اساس این شناخت انبارداده طرحریزی میگردد. سپس با استفاده از سیستمهای عملیاتی و پایگاهدادههای موجودِ کارفرما که در قالب OLTP هستند؛ انباردادهای در قالب OLAP ایجاد میگردد. با استفاده از انبارداده ساخته شده ساختن تحلیلهای کسبوکار و ایجاد داشبوردهای مدیریت استراتژیک آغاز میگردد. این داشبوردهای مدیریتی حاوی ۱ شاخصهای کلیدی عملکرد کسبوکار ( KPI (سازمان هستند. دادههایی که کاربر مشاهده میکند شامل کل دادههای موجود از ابتدا تا کنون میباشند.

همچنین دادههای جدید با بروزآوریهایی که انجام میشود اضافه میگردند. شکل ۱ بیانگر چارچوب هوشمندی کسبوکار راهکار هوش تجاری oracle میباشد. شکل ۱ :چارچوب هوشمندی کسبوکار oracle همانگونه که میدانیم داشتن معماری مشخص برای پروژه نرمافزاری هوش تجاری باعث میگردد که در هزینههای پروژه صرفهجویی شده و فواید آن در طول زمان انجام کار قابل مشاهده باشد. ۳ استفاده خواهیم کرد. رالف کیمبال ۲ برای توسعه انبارداده از رویکرد پایین به باالی کیمبال از اواسط دهه ۱۹۸۰ رهبر فکری صنعت ۴ بوده است. رویکرد پایین به باالی کیمبال می هوش تجاری و انبارداده با رویکری چندبُعدی گوید

خواهد داد که در زمان مورد نیاز میتوان آنرا با دیتامارتهای بزرگتر ترکیب کرد. کیمبال انبارداده را یک کپی از دادههای عملیاتی تعرف کرده است که بطور خاص برای پرسوجو و تجزیه و تحلیل ساختار یافته شده است. معماری انبارداده کیمبال و مدل چندبُعدی آن بر روی استفاده آسان کاربران نهایی متمرکز شده است و کارآییهای سطح باالیی برای انبارداده بوجود خواهد آورد. استاندارد و معماری انبارداده کیمبال در شکل ۲ نمایش داده شده است. شکل ۲ :استاندارد و معماری انبارداده رالف کیمبال ۳٫۲ .مراحل پیادهسازی راهکار هوش تجاری oracle راهکار هوش تجاری oracle شامل چهار مرحله مهم است که کل خدمات ارائه شده در راهکار هوش تجاری oracle طبق نقشه راه انجام پروژه، در این چهار مرحله به انجام خواهند رسید. مرحله اول: شناخت مساله و وضوح در نیازمندیها: نخستین مرحله شناخت و تحلیل نیازمندی و زیرساختهایِ نرمافزاری و سختافزاری سازمان مشتری است. در این مرحله با جلساتی که با مدیران و کارشناسان کارفرما برگزار میگردد سعی میشود به وضوح و شفافیت در نیازمندی موجود و شناخت محیط کارفرما برسیم. مرحله دوم: تحلیل و استخراج شاخصهای کلیدی عملکرد است.

این مرحله، به مطالعه فرآیندهای کسبوکار و برنامههای پیش روی سازمان و شاخصهای کلیدی عملکرد خواهیم پرداخت. این مرحله با بهرهگیری از تجارب فارغالتحصیالنی که کسبوکار خواندهاند و با شرکت هوش تجاری oracle کار میکنند انجام خواهد شد. مرحله سوم: مرحله اخذ و پردازش اطالعات: در این مرحله اطالعات از کلیه پایگاهدادهها و منابع اطالعاتی سازمان کارفرما جمعآوری خواهد شد. دادههای جمعآوری شده خام هستند و آگاهی یا دانشی را به استفادهکننده اضافه نخواهند کرد. دادههای جمعآوری شده درون انبارداده مجتمع شده، روابط بین آنها شناسایی و آنالیز شده و در نهایت قابل استفاده خواهند گردید.

نمایش اطالعات: کاربران باید بتوانند از اطالعات گردآوری شده درون انبارداده بهراحتی استفاده کنند. کاربران با ۱ استفاده از ابزار رابط گرافیکی

  • راهکار هوش تجاری oracle

بهراحتی به اطالعات دسترسی خواهند داشت و نمایش اطالعات صورت خواهد پذیرفت. رابط گرافیکی انتخاب شده در راهکار هوش تجاری oracle پنجرهای واحد برای دسترسی تمامی کاربران سازمان را فراهم میکند، همچنین کار با این رابط گرافیکی هوش تجاری بسیار سهل و آسان بوده و مهارت کاربری آن به راحتی انتقال مییابد. این رابط کاربری شامل کلیه اِلمانهای گرافیکی مورد نیاز کاربر برای ساخت تحلیل و داشبورد میباشد. ۴٫۲ .مزایای راهکار هوش تجاری oracle راهکار هوش تجاری oracle بعنوان ابزار مدیریتی برای تحلیلِ آسان اطالعات است. با توجه به ویژگیهای ذاتی راهکار هوش تجاری oracle، مزیتهایی برای کاربران سیستم بوجود میآید. برخی از مهمترین مزیتها را بیان خواهیم کرد: ü افزایش دقت و صحت: با استفاده از راهکار هوش تجاری oracle، اطالعات بصورت مکانیزه، مستقیماً و بدون دخالت کاربر از سیستمهای اطالعاتی موجود دریافت خواهد شد. لذا دقت اطالعات ارائه شده بسیار باالتر از قبل خواهد بود )حذف عامل انسانی(. ü افزایش سرعت: با مکانیزه شدن انتقال و دریافت و کنترل انتقال، سرعت دریافت گزارشها و اطالعات بسیار باالتر خواهد رفت. مدیران بالفاصله با مراجعه به داشبوردها، میتواند اطالعات و گزارشهای بروزآوری شده را دریافت نمایند. ü یکپارچگی و افزایش امکان دسترسی در عین امنیت: به وسیله راهکار هوش تجاری oracle میتوان اطالعات مختلف با ابعاد مختلف از تمام بخشهای یک سازمان، یا شرکتهای یک هُلدینگ را در کنار هم در اختیار داشت و از این اطالعات یکپارچه، انواع گزارشها و تحلیلها استخراج نمود. دسترسی از هر نقطهای بوسیله اپلیکیشن موبایل به این سامانه بسیار آسان خواهد بود. این دسترسی با توجه به معماری کالن سامانه، امنیت را کاهش نخواهد داد. ü هدفمندسازی اطالعات: داشتن اطالعات بسیار زیاد معادل نداشتن اطالعات است، زیرا فرد را در انبوهی از اطالعات غرق مینماید. با توجه به متدولوژی اجرای راهکار که رویکرد پایین به باالی کیمبال است، در ابتدا حیاتیترین شاخصهای کلیدی عملکرد برای سازمان مشخص میشود تا از بین انبوه اطالعات، مدیران صرفاً مفیدترین اطالعات را برای تصمیمگیری مشاهده نمایند. سپس این سامانه به رشد و بلوغ خود ادامه خواهد داد و دیتامارتهای بعدی اضافه میشوند. و ۴بعد، ۳حقیقت، ۲ ü ساختار دادن به دادههای خام: راهکار هوش تجاری oracle با دادههای چندبُعدی و تجاری )اندازه ۵ مکعب ( کار میکند که برای تحلیلگران کسب و کار، بسیار قابل فهمتر و کار با آن نیز بسیار سادهتر میباشد

قابلیت انعطاف: راهکار هوش تجاری oracle میتواند سایر گزارشهای مورد نیاز را تولید نماید. هر کاربری قادر خواهد بود تحلیلها، گزارشها و داشبوردهای مورد نظر خود را تولید، مشاهده و به اشتراک گذارد. کاربران میتوانند این تحلیلها و گزارشات را در قالبهای Excel ، Word و PDF از سیستم استخراج کنند. ü پایداری: در سیستمهای مبتنی بر انبارداده بر خالف سایر سیستمهای گزارشساز، در صورتی که منبع داده به عللی قطع شود، گزارشهای سیستم کماکان قابل دستیابی میباشند. چرا که پایداری آنها مستقل از پایداری منابع داده است و در مواقع خرابی منبع، تنها دادههای جدید در منبع داده بهروزرسانی نمیشوند.

راهکار هوش تجاری oracle

همانگونه که میدانیم پروژههای مهندسی در شش مرحله به انجام میرسند. راهکار هوش تجاری oracle به عنوان یک پروژه مهندسی در قالب این شش مرحله به انجام میرسد. این مراحل در شکل ۳ توضیح داده شدهاند: شکل ۳ :مراحل انجام یک پروژه مهندسی در حین اجرای پروژه این شش مرحله در قالب قدمهایی کوچکتر دستهبندی و اجرایی میشوند. شش مرحله راهکار هوش تجاری oracle شامل ۱۴ قدم بوده که هر کدام شرح حالی کامل دارد. در اینجا شرح مختصری از قدمهایی که باید برداشته شود بیان میگردد: قدم ۱ :ارزیابی وضعیت تجاری: ارزیابی مقیاس سازمان و چارت سازمانی، تعداد مشتریان، تعداد شعب، میزان و تنوع محصوالت یا خدمات، نحوه دسترسی به اطالعات تجاری. قدم ۲ :ارزیابی زیرساخت سازمان: زیرساختهای تکنیکی شامل: سختافزارها، نرمافزارها، میانافزارها، سیستمهای مدیریت ۱ پایگاه دادهها، سیستمهای عامل، مولفههای شبکه. زیرساختهای غیرتکنیکی شامل: استانداردهای فراداده ، استانداردهای نامگذاری داده، متدولوژیها، رویه تست. قدم ۳ :طرح ریزی پروژه: طرح ریزی نرمافزار، طرح ریزی سختافزار، طرح ریزی نیروی انسانی، ساختار شکست کار، نمودار زمانبندی و گانت چارت.

:تعریف نیازمندیها: استخراج دقیق و صحیح نیازمندیها و تحلیل آنها در موفقیت پروژه هوش تجاری بسیار تاثیرگذار است. نیازمندیها شامل: نیازمندیهای عملیاتی، نیازمندیهای دادهای، نیازمندیهای تاریخچهای، نیازمندیهای امنیتی، نیازمندیهای کارآیی. قدم ۵ :تحلیل دادهها: کیفیت دادهها، منابع تامین داده در سازمان، پاکسازی دادهها، تحلیل منابع دادهای خارجی، پاالیش مدل منطقی داده، تحلیل کیفیت منابع داده، توسعه مدل منطقی داده برای سازمان، برطرف کردن مشکالت داده، ثبت دستورالعملهای پاکسازی داده  قدم ۶ :نمونه سازی برنامه کاربردی: تحلیل نیازمندیهای دسترسی به هوش تجاری، مشخص کردن حوزه نمونهسازی، طراحی گزارشها و پرسوجوهای مورد نیاز، ساخت نمونه اولیه تستی. قدم ۷ :تحلیل فرادادههای سازمان: اطالعات به صورت ذاتی در هر سازمان و هر کسبوکاری وجود دارد، هنگامی که این اطالعات مستند میشوند به آن »فراداده« میگویند. این اطالعات شامل: اشیاء: خریدار، فروشنده. فعالیتهای تجاری: خرید، فروش، سفارش، مرجوعی کاال. ارتباطات: ارتباطات مابین اشیاء یا فعالیتها. قوانین و سیاستهای اعمالی: قوانین و سیاستهایی که بر روی اشیاء و فعالیتهای سازمان اعمال میشود. قدم  :طراحی انبارداده: انواع طراحیهای منطقی انبارداده شامل: مدل ستارهای، مدل دانه برفی، مدل منظومهای میباشد. قدم  :طراحیETL : اطالعات موجود در سیستمهای عملیاتی سازمان، قابلیت استفاده جهت تصمیمات استراتژیک و هوش تجاری را ندارند. این اطالعات میبایست تغییر شکل یافته و سپس وارد انبارداده شوند تا قابلیت استفاده جهت تصمیمگیریهای استراتژیک در سیستم هوش تجاری را پیدا نمایند. بوسیله ETL ،دادههای موجود در سیستمهای عملیاتی سازمان استخراج شده، سپس برای اینکه به شکل و قالبی که قابل استفاده در انبارداده باشد تبدیل شوند، تبدیالت و تغییرات الزم بر روی آنها اعمال میگردد. تحت عملیات ETL دادهها از سیستمهای عملیاتی سازمان استخراج شده، به شکل قابل استفاده در انبارداده تبدیل شده و در انبارداده بارگذاری میشوند. عملیات ETL در انبارداده شامل سه فعالیت می باشد : o) Extraction (E : استخراج دادهها از سیستمهای عملیاتی موجود در سازمان. o) Transformation (T : تغیر قالب آنها به طوری که قابل استفاده در انبارداده باشند. o) Load (L : در نهایت بارگذاری آنها درانبارداده میباشد.

. سطح تاکتیکی: مربوط به عملیاتی است که در حوزه مدیران میانی انجام می شود. این عملیات می تواند شامل پیگیری عملیات در سطح پایین، نحوه انجام آن، گزارشگیری و نهایتا جمع بندی داده های مفید برای اتخاذ تصمیمات میان مدت سازمان باشد. ۳ -سطح عملیاتی: پایین ترین سطح انجام فعالیت های تجاری یک سازمان است که در دفعات باال و معموال به صورت تکراری در رده های پایین عملیاتی سازمان و توسط کارشناسان انجام می شود. در راهکار هوش تجاری oracle کاربران هوش تجاری به سه دسته تقسیم میشوند: ۱ -User Power :به کاربری اطالق میشود که اَدمین هوش تجاری است. این کاربر وظیفه ساخت دیگر کاربران و همچنین ۲ دادن حق دسترسی به آنها و مدیریت مخزن ایجاد شده بر روی انبارداده را برعهده دارد. معموال چنین کاربری از کارشناسان خبره قسمت IT سازمان انتخاب میشود. -User Author :این کاربران مولف هوش تجاری هستند. چنین کاربرانی با آموزشی ساده شیوه کار با ابزار هوش تجاری را آموزش دیده و وظیفه ساختن گزارشها، تحلیلها و داشبوردها را دارند. چنین کاربرانی از کارشناسان سایر بخشها و قسمتهای سازمان انتخاب میشوند. ۳ -User Consumer :به این کاربران استفادهکنندگان هوش تجاری گویند. چنین کاربران معموالً مدیران میانی و ارشد سازمان میباشند. این کاربران بعد از ورود به سامانه هوش تجاری، به داشبوردهایی دسترسی خواهند داشت که توسط ۱ ت دیتامارت مجموعه خاصی از اطالعا انباردادهرا در خود نگه میداردکهبرای گروهی ارکاربران مورد نیاز است. ۲ repository 20 مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .مولفان ایجاد شده و با نگاه کردن به داشبوردهای مدیریتی ایجاد شده به پایش و تحلیل وضعیت کسبوکار میپردازند. همچنین در صورت نیاز چنین کاربرانی میتوانند در دسته مولفان هوش تجاری قرار گیرند.

تکنولوژیهای کاربردیِ راهکار هوش تجاری

درباره به تکنولوژیها و ابزارهای بکار برده شده در راهکار هوش تجاری oracle میپردازیم و درباره مزیتها و قابلیتهای این ابزارها و تکنولوژیها مطالبی بیان خواهیم کرد..تکنولوژیهای پیشنهادیهوش تجاری در ابتدا به صورت مختصر به معرفی ابزارها و تکنولوژیهای بکار رفته در راهکار هوش تجاری oracle میپردازیم. شرکتهای اوراکل و مایکروسافت جزو پیشروترین شرکتها در زمینه تکنولوژی و ابزارهای هوشمندی کسبوکار هستند شرکت اوراکل (Corporation Oracle (بعنوان یکی از پیشروترین شرکتهای نرم افزار دنیا از سالها پیش ابزارهای گوناگونی برای ساخت گزارشات تحلیلی و آماری معرفی کرده است که از آن جمله میتوان به Discoverer Oracle اشاره نمود. در سالهای اخیر اوراکل با سیاست خرید شرکتهای مطرح در حوزههای مختلف فنآوری اطالعات سعی دارد تا پیش از گذشته پیشرو بودن و اقتدار خود را در بازار نرم افزار دنیا حفظ نماید. یکی از خریدهای موفق اوراکل، شرکت sieble بود. شرکت sieble ابزارهای بسیار قدرتمند و کارایی در حوزه هوش تجاری داشته است. اوراکل با تلفیق تکنولوژیهای سنتی خود با این ابزارهای جدید )Hyperion Siebel ) بسته نرمافزارهای جدید را با عنوان Suite BI Oracle به بازار عرضه نمود. این بسته نرم افزاری در حال حاضر یکی از قدرتمندترین و پراستفادهترین و در عین حال سادهترین ابزارهای موجود در حوزه BI میباشد. همچنین شرکت مایکروسافت در سال ۲۰۱۶ یکی از باکیفیتترین محصوالت در زمینه هوش تجاری را ارائه داد. این محصوالت با ۱ کیفیت باعث شد که موسسه گارتنر رتبهای بسیار عالی به شرکت مایکروسافت اعطا کند و این شرکت را جزو پیشروهایی قلمداد کند که دیگر شرکتها را بهچالش کشیدهاند. OBIEE (Oracle Business Intelligence Enterprise Edition) ابزار معرفی. ۳٫۲ ابزار (OBIEE (11g Edition Enterprise Intelligence Business Oracle یک ابزار هوش تجاری بی بدیل و جامع است. تکنولوژی موجود در این ابزار هوش تجاری یک پلتفرم تجزیه و تحلیل بینظیر ایجاد میکند که طیف وسیعی از قابلیتها را دارا میباشد. از

مهمترین قابلیتهای این ابزار میتوان از: داشبوردهای تعاملی ، گزارش گیری ۴ ،مدیریت استراتژیک۵ مالی و سازمانی ۶ ، فرآیند کسب و کار ۸ ، سیستمهای مدیریت یکپارچهسازی ۷ ، جستجوها و تعامالت بدون ساختار ، ۹ نوشتن در پایگاهداده نام برد. پایه و اساس OBIEE بر روی یک تکنولوژی مدرن و پایا بوده که باالترین حجم کارها و پیادهسازیهای پیچیده را پشتیبانی میکند و این در حالیست که بینشی به موقع به کاربران در سرتاسر شرکت داده و درنهایت باعث کاهش هزینهها میشود.

  • OBIEEمزایای

سرعت باال: سازمانها میتوانند در زمانی اندک گزارشها و تحلیلهای خود را طراحی و استفاده کنند. بدون ریسک: نسخه کامالً عملیاتی و مجانی آن جهت استفاده سازمانها در دسترس است راحتی استفاده: کاربران در کمتر از یک روز و در اکثر مواقع در چند ساعت میتوانند شیوه استفاده از آن را آموزش ببینند انعطاف پذیری: ابعاد نامحدود اطالعاتی، امکانات تحلیلی و محاسباتی که ظرف چند ثانیه قابل تغییر است متمرکز بودن: بسته کامل هوشمندی کسبوکار شامل ابزار تحلیل قدرتمند، امکانات فراوان محاسباتی و طراحی آسان گزارشات بر اساس معماری واحد. قدرت پردازش باال: توانایی پردازش حجم وسیع اطالعات در کسری از ثانیه توانمندسازی هوش کاربر: به کاربران این قدرت را می دهد تا تصمیمات صحیح را در هر زمانی اتخاذ کنند و اطالعات را، هر کجا که قرار دارند در دسترس داشته باشند. تحلیل و بررسی اطالعات می تواند کامالً جدا از سیستم های عملیاتی و بصورت کامالً Line-Off ،مثالً بر روی نوت بوک در خالل یک جلسه بیرون سازمان، بدون از دست دادن امکانات برنامه انجام شود. نتایج تحلیل می تواند بصورت گزارشات چاپی، فایل هایPDF ، فایل هایExcel و یا سایر برنامه های Microsoft Officeتوزیع و ذخیره شوند ×× سرعت در نصب، یادگیری آسان، سهولت در استفاده  تجمیع داده ها جهت تجزیه و تحلیل انواع فرمتهای اطالعاتی  بازگشت سریع سرمایه و هزینههای کمتر ۲۴ مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .بهبود بهرهوری و اثربخشی فرآیندها در سازمان  تشخیص نقاط ضعف و قوت سازمان  گردش روان اطالعات مدیریتی در سازمان  در دسترس بودن اطالعات مناسب در زمان مناسب و با سرعت مناسب  تقویت فرآیندهای سودآور سازمان و حذف فرآیندهای بدون توجیه اقتصادی OWB (Oracle Warhouse Builder) ابزار معرفی. ۳٫۴ OWB ابزاری جامع برای تمامی جنبههای یکپارچهسازی دادههاست. OWB اهرمی با ارزش در پایگاهداده اوراکل است که دادهها را به اطالعات بسیار با کیفیت و ارزشمند تبدیل میکند. OWB قابلیتهای بسیار زیادی دارد که از مهمترین آنها میتوان از: کیفیت ۱ دادهها ۴ ، مدلسازی ابعادی ۳ ، یکپارچگی رابطهای کامل ۲ ، ممیزی)حسابرسی( دادهها ۵ ، مدیریت کامل چرخه حیات دادهها و متادادهها نام برد. OWB کمک میکند تا انبارداده بسازید، دادهها را از سیستمهای عملیاتی موجود منتقل کنید، دادهها را از منابع دادهای متفاوت خوانده و یکی کنید، دادهها را تمیز کرده و منتقل نمایید و اطالعات بسیار با کیفیتی تولید و همچنین متادیتاها را مدیریت کنید. برخی از قابلیتهای OWB را شرح میدهیم: ادغام و یکپارچگی و تثبیت دادهها: خیلی از شرکتهای بزرگ دادههای پراکنده در پلتفرمهای مختلفی دارند که باعث شده طیف گستردهای از ابزارهای تحلیلی و گزارشها استفاده کنند. عرضه کنندگان و مشتریان داده احتماال دادهها را درون پایگاهداده، برنامههای کاربردی، صفحات گسترده، فایلها و سیستم های قدیمی ذخیره مینمایند. احتمال دارد این گوناگونی و تنوع بوسیله واحدهای مختلف سازمان در دورههای زمانی مختلف ایجاد شده باشد و یا اینکه احتمال دارد بخاطر ادغامهایی در کسب و کار رخ داده باشد. صرف نظر از علت این تنوع، میتوان گفت گوناگونی دادهها باعث میگردد که کیفیت دادهها پایین بیاید و در نتیجه نمایش ناقص و متناقضی از کسب و کار داشته باشیم. دسترسی به طیف گستردهای از منابع دادهای: OWB این امکان را به پایگاه داده اوراکل میدهد که با پایگاه دادههای مختلف و متنوع، همچنین با انواع فایلها و محلهای ذخیرهسازی داده که در زیر آمدهاند

ابلیت پروفایل کردن ۳ و تبدیل کردن ۲ ، پاکسازی کردن ۱ دادهها: OWB یک کتابخانه جامعِ تحوالت دادهای است. نوع دادههایی از قبیل متنی، عددی، تاریخ و دیگر انواع را پشتیبانی میکند. توانایی طراحی و پیاده سازی کاربردهای متنوع: با استفاده از OWB میتوان بر حسب نیاز و کاربرد، منابع دادهای با ۴ و یا چندبٌعدی۵ مدلهای رابطهای طراحی و پیاده سازی نمود. ODI (Oracle Data Integrator) ابزار معرفی. ۳٫۵ ODI ابزاری است که دارای باالترین کارآیی در جابجایی دادهها از هر نوع پلتفرمی بوده و با معماری منحصربفرد LT-E خود دادهها ۶ پشتیبانی می را تجمیع کرده و بصورت کامل از دادههای کالن کند. به گفته شرکت اوراکل ابزار ODI بهمراه ابزار OBIEE جزو پیشروها در پُشته تکنولوژی اوراکل هستند. پیش از ادامه توضیحات ابزار ODI تفاوت بین معماری ETL و معماری ELT را بصورت کوتاه بررسی میکنیم. معماری قدیمیتر ابزارهای تجمیعسازی داده ETL بود. در این معماری یک موتور اختصاصی وقف جابجایی دادهها شده بود. این موتور باعث پیچیدگی بیشتر و هزینه باالتر برای تجمیع سازی دادهها میشد و در نهایت کارآیی تبدیل به گلوگاه میگردید. شکل ۵ بیانگر معماری ETL میباشد.

معماری جدیدتر و تکنولوژی بروز شدهی ابزارهای تجمیع سازی داده (Transform and Load-Extract (ELT میباشد. در معماری ELT همگرایی بیشتری برای تجمیع سازی دادهها صورت گرفته است و موتور مخصوص جابجایی دادهها حذف شده است. قدرت این معماری موتور پردازش دادهها بصورت درجا بوده که حاصل آن بهبود کارآیی میباشد. شکل ۶ معماری ELT را نشان میدهد. E-LT معماری: ۶ شکل ۱ ابزار ODI میتواند اعمال نفوذی حیاتی در تجمیع سازی دادهها برای اَبرهای دادهای بزرگ داشته باشد. این اَبرهای مختلف میتوانند مدیریت دادههای کالن، معماری سرویسگرا و هوش تجاری باشد. رابط کاربری سهل و آسان همراه با چارچوب توسعه پذیر بسیار غنی به ابزار ODI کمک کرده تا بهرهوری افزایش یافته، هزینههای توسعه سیستم کاهش یافته و در نهایت هزینه کلی استفاده از آن در معماریهای داده محور کاهش یابد. ابزار ODI به صورت کامل با دیگر ابزارهای اوراکلی از قبیل: Middleware Fusion Oracle و GoldenGate Oracle و پایگاه داده اوراکل و دادههای کالن اوراکل و Exadata یکپارچه میباشد. اوراکل در بازار تجمیع سازی دادهها با توجه به ابزارهای متفاوتی که تولید کرده، به یک رهبر تبدیل شده است. ابزار ODI دسترسی مداوم، بموقع، قابل اعتماد برای تجمیع سازی دادهها را فراهم میآورد. · ویژگیهای کلیدی ODI :قابلیت اتصال به انواع پایگاه دادهها، هادوپ، انواع ERP ،انواع CRM ،انواع سیستمهای B2B ، انواع فایلها خصوصاً فایلهای XML را داراست. دارای چارچوب ماژول دانش برای توسعه است. مبدل داده قدرتمندی برای پایگاه دادهها ناهمگن و زیرساخت دادههای کالن میباشد. دارای ETL بسیار غنی برای پایگاه دادههای اوراکلی مانند اگزادیتاست و از بارگذاری مدلهای دادهای پیچیده چندبٌعدی پشتیبانی میکند. سازگار با اوراکل GoldenGate برای انباردادههای بالدرنگ است. فرادادهگرا شامل تحلیلهای Lineage و Impact بر روی متادیتاهای ایجاد شده. سازگار با ۲ برای پروفایل کیفیت دادههای اوراکل سازی پیشرفته دادهها، پاکسازی دادهها، تطابق دادهها و دیگر نیازها حاکمیتی داده.

معرفی هوش تجاری مایکروسافت

چرا باید از مایکروسافت برای تحلیل و هوش تجاری اساتفاده کنیم؟ هنگامی که موضاوع تجزیه و تحلیل داده ها بهمیان می آید ، انتخاب روشاان اساات: مایکروسافت رهبر صااانعت در پلتفرم های هوش تجاری و تجزیه و تحلیل ا ست. مجله معتبر “گارتنر” مایکرو سافت را برای نهمین سال متوالی به عنوان رهبر این حوزه معرفی کرده است. شکل ۵ گویای این مساله است. چرا برای سیستم مدیریت پایگاه داده های عملیاتی خود باید مایکروسافت را انتخاب کنید؟ هنگامی که از مدیریت داده های خود صااحبت میکنید، انتخاب روشن است: مایکروسافت رهبر صنعت در DBMS است. شکل ۵ و شکل ۶ از دو منظر “توانایی اجرای راهکار” و “کامل بودن چشااامانداز” پایگاههای داده را با هم مقایسه کردهاست. نیروی داده در حال متحول کردن جهان اسااات. هنگامی که از نهایت آن بهره میگیریم قادر است سختترین مسائل ما را حل کند و در فضای رقابتی محاسبات را بهم بزند و فرصااتهای تجاری جدید بیافریند. کسااانی که مساائول بهره برداری از فرصااتهای ایجاد شااده با دادهها هسااتند محیط اطراف را درحال تغییر مییابند و از آنها خواسته می شود تا با امکانات کمتر کارهای بیشتری انجام دهند و تکنولوژیهای جدید را برای حصاااول نتایج تجاری بهتر بهکار گیرند و در میان این همه تغییرات به دنبال قطعیت بگردند. ۲۰۱۶ Server SQL یک پلتفرم تحلیل و مدیریت داده ضااروری و قدرتمند اساات که سااازمانها رو قادر میسااازد از قطعیت بهره بگیرند در حالی که با دادههای خود، فر صتهای جدیدی را ایجاد میکنند. اگر بخواهیم دادهها برای ک سب و کار شما ارزشآفرینی کنند باید امنیت آنها تضمین شود. با در دست داشتن دادههای که همیشه رمز شدهاند شما میتوانید با ذهنی آرام و مطمئنتر :رتبهبندی تکنولوژیهای هوش تجاری توسط گارتنر در سال ۲۰۱۶ شکل ۸ :رتبهبندی پایگاهدادهها توسط گارتنر در سال ۲۰۱۵ ۲۸ مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .نیازهای درحال ر شد و برای این منظور شما به یک سی ستم مقیاسپذیر و با کارایی منا سب نیاز دارید که هوش تجاری را در باالترین سطح خود پشتیبانی کند و تحلیلهای پیشرفته ارائه نماید و به دادههای شما جانی تازه بدهد، گزارشهای مهیج روی موبایل داشاته باشاد و بصاریساازیهای شاگفتانگیز ارائه دهد و درنهایت یک بینش یکپارچه و درسات از دادهها در د ستان ک سانی قرار دهد که به آن نیاز دارند. در هر کجا که با شید ابزار هو شمند با تحلیلهای پی شرفته به شما کمک میکند از درک آنچه در گذ شته اتفاق افتاده ا ست عبور کنید و آنچه را در آینده ممکن ا ست اتفاق بیفتد پی شبینی نمایید. شما میتوانید با استفاده از مدلهای پیشبینی که از دادهها استخراج شده است میزان موجودی انبار خود را بهبود ببخشید، فروش آینده و حتی رفتار مشتریان را پیشبینی کنید. با استفاده از یک پلتفرم انعطافپذیر، شما تصمیم میگیرید که دادهها در کجا قرار بگیرند و دادههای قدیمی چگونه مدیریت شوند.

ویژگیها و قابلیلتهای مهم هوش تجاری نسخه جدید ۲۰۱۶ Server S

در محیط کسب و کار امروز، تصمیمگیری بر مبنای دادهها به امری ضروری برای موفقیت بدل شده است. به صورت روزافزون، کسب و کارها در حال استفاده از علوم داده و تحلیلهای پیشرفته برای ساختن نرمافزارهای قدرتمندتر هستند. یکی از قویترین ابزارها در این زمینه، زبان متنباز R اساات. ولی این زبان محدودیتهایی دارد؛ تنها از یک پردازنده اسااتفاده میکند، دادهها تماما باید در رم قرار بگیرند، یکپارچهسازی با نرمافزارهای دیگر دشوار است. اگر حجم دادهها افزایش یابد این معضل خود را بیشتر و شدیدتر نشان میدهد. همچنین جابجایی داده از پایگاههای داده به موتور R ریسکهای امنیتی زیادی دارد. ۲۰۱۶ Server SQL با سرویسی که برای R ارائه داده است تمامی این موارد را رفع کرده است. برخی از توابع پرکاربرد دادهکاوی را به صورت موازی پیادهسازی نموده است. با قرار گرفتن سرویس R کنار پایگاه داده Server SQL به طور کامل امنیت آن تامین شده و اسکریپتهای نوشته شده با زبان R بدون نیاز به جابجایی اجرا خواهند شد. تمام این موارد به صورتی پیادهسازی میشود که کاربر نهایی هوش تجاری تغییری را در ابزارهای خود مشاهده نکند و به راحتی از قابلیتهای R بهره ببرد. In-Memory OLTP in SQL Server 2016 در محیط ک سب و کار امروز، سازمانها تمایل دارند که دادهها را به سرعت به بین شی تبدیل کنند که برای آنها مزیت رقابتی ایجاد کند ولی مدل سنتی انتقال دادهها از سیستم عملیاتی به انبارداده زمانبر و پرهزینه اساات. عالوه بر این دادههای منتقل شااده با فاصااله یک یا چندروز قدیمیتر از دادههای عملیاتی ه ستند. ک سب و کارهای امروزی نیاز دارند که آخرین دادهها را در کمترین زمان ممکن و بدون معطلی تحل یل کن ند. ۲۰۱۶ Server SQL ،برای این منظور، تکن یک های -In Memory را با ایندکسهای ساااتونی ترکیب میکند و تحلیلهای موردنیاز را روی همان پایگاه عملیاتی و بدون نیاز به جابجایی دادهها با کمترین میزان تاثیر روی عملیات تراکنشی ارائه میکند. شکل ۹ :قابلیت Memory-In با استفاده از ایندکس ستونی ۲۹ مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .Stretch Database- Leverage infinite storage and compute capacity in Azure with SQL Server 2016 با گذشات زمان و افزایش میزان دادهها ساازمانها باید دادههای تاریخی خود را در جایی نگهداری کنند. گزینههایی که در گذشاته وجود دا شت خرید سخت افزار و نگه دا شتن دادهها روی آن بود که هزینه زیادی را به سازمان تحمیل میکرد و یا آنها را برروی نوار ذخیره کرد که استفاده دوباره از آنها مشکل خواهد بود. ۲۰۱۶ Server SQL قابلیتی را فراهم کرده است که دادههای قدیمیتر روی کلود قرار بگیرند ولی کاربر نهایی تفاوتی بین نمیکند و به عبارت دیگر دادهها به صاااورت یکپارچه در دسترساند. Upgrade and Migration to SQL Server 2016 امکان ارتقای آسان به آخرین نسخه Server SQL با استفاده از نرمافزارAssistant Migration Data وجود دارد. Design Mobile Reports (SQL Server Mobile Report Publisher) امکان طراحی گزارشهای ب صری غنی و تحلیلهای تجاری پی شرفته گرافیکی روی گو شیهای موبایل و تبلت در هر سایزی وجود دارد. عالوه براین اپهای BI برای سیستمعاملهای مختلف )Phone Windows, IOS, Android )ارائه شده است. Always On Availability Groups enhancements in SQL Server 2016 Availability High تکنولوژی است که اجازه میدهد بانکهای اطالعاتی ما تا جایی که امکان دارد همیشه در دسترس باشد. در این تکنولوژی شاااما میتوانید تا چندین Replica( جُفت ثانویه( داشاااته باشاااید.جفتهای ثانویه میتوانید تغییرات را از بانک اطالعاتی ا صلی به صورت Synchronous و Asynchronous دریافت نمایند. امکان تهیه ن سخه پ شتیبان ازReplica Secondary ها وجود دارد. یکی دیگر از نکاتی که هنگام کار با Group Availability ON-Always زیاد موردتو جه قرار میگیرد امکان Only-Read بودن جفتهای ثانویه است. شما با انجام تنظیمات مربوط به آن در سطح Server SQL و تغییر در Application میتوانید کاری کنید که گزارشها یا Selectهای شما روی جفت ثانویه وDelete,Update,Insertهای شما روی بانک اطالعاتی اصلی انجام شود. Row-Level Security (RLS) SQL Server 2016 در ۲۰۱۶ Server SQL قابلیتی به نام (RLS(Security Level Row معرفی شده ا ست که می تواند امکان کنترل د ستر سی به هر یک از ساطرهای جدول را برای ما فراهم کند. RLS به ما امکان می دهد که به آساانی مشاخص کنیم کدام کاربر می تواند به کدام داده ها دسترسی داشته باشد-با حداکثر شفافیت برای برنامه کاربردی. Speeding up analytics with In-Memory Columnstore Index 30 مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .اگر شما یک انباردادهی ب سیار بزرگ دارید که سرعت گزارشگیری درآن پایین ا ست با ا ستفاده از ایندکس ستونی و قابلیت خارق العاده Memory-In بدون کمترین تغییر در نرمافزارهای ساامت کاربر میتوانید ساارعت گزارشگیری را تا ۳۰ برابر افرایش دهید و دادهها را تا ۱۰ برابر فشرده نمایید. PolyBase: Gaining insights from HDFS and relational data in SQL Server 2016 احتماال این روزها همگی ا صطالحاتی نظیر BigData و یا Hadoop را شنیده ایم. Hadoop یک راه مقیاس پذیر و مقرون به صرفه برای ذخیره سازی حجم عظیمی از دیتا میباشد. مایکروسافت در افزونه ای که در سال ۲۰۱۵ برای مبحث Warehouse Data منتشر کردPolybase که یک ابزار اتصال به Hadoop و Storage Blob Azure میبا شد را معرفی کرده بود ، اما اکنون مایکرو سافت Polybase را به عنوان مح صولی که می توانید روی دستگاه خود نصب کنید معرفی کرده است. این قابلیت به شما امکان ذخیره سازی حجم عظیمی از دیتا را در Hadoop و یا Storage Blob Azure می دهد. SQL Server 2016 Query Store Simplifying Query Performance Troubleshooting یک مشااکل مشااترک که اکثر سااازمان ها به هنگام به روزرسااانی ورژن های مختلف SQL با آن مواجه بودند تغییرات در Query Optimizerا ست که روی عملکرد تاثیر منفی دارد. بدون یک ت ست جامع و کامل پیدا کردن و حل کردنQuery هایی که مت ضرر این تاثیر منفی شده اند پروسه ای طاقت فرسا به حساب می آمد. قابلیت Store Query سااابقه ای تمامی Plan Execution Queryها را به همراه اطالعات عملکرد آن ها نگهداری کرده و به ساارعت Queryهایی که اخیرا کند شده اند را شناسایی می کند تا ادمین ها و یا Developerها اگر الزم بود بتوانند از Planهای قدیمی تر و با سرعت بیشتر به صورت Force استفاده کنند. Keeping Sensitive Data Secure with Always Encrypted به نظر می رسد که هر روز خبر جدیدتری از دزدیده شدن اطالعات یک شرکت بزرگ دردنیا به گوشمان می رسد ، خوب Encrypt کردن دیتا راهیست که به ذهن می رسد ولی یک سری از شرکت ها این کار را نمی کنند یا اصال نمی توانند پیاده سازی کنند. Server SQL سال ها ست که Encryption در سطح Culomn ، Encryptionدر محل ذخیره سازی اطالعات و Encryption در انتقال اطالعات را پ شتیبانی کرده ا ست. هر چند تمامی این ها می بای ستی جداگانه کانفیگ می شدند و گاهی اوقات هم به ا شتباه این کانفیگ صورت می گرفت. Encrypted Always قابلیتیسااات که Server SQL در قالب یک Library در Application به کاربران ارائه می دهد تا اطالعات در انتقال ، در محل ذخیره سازی و اطالعاتی که Live در حال استفاده شدن می باشند Encrypt شوند. Tooling Improvements in SQL Server 2016 انتقال قابلیتهای SSDT به ۲۰۱۵ Studio Visual و عدم نیاز به نصب این برنامه برای برنامهنویسان ۳۱ مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .Effortlessly Analyze Data History Using Temporal ب سیاری از سازمانها خواهان این ه ستند که قابلیتی برای ذخیره و بازیابی سابقه تغییرات رکوردها در بانک اطالعاتی را پیادهسازی بکنند . اگر بهکارگیری مفاهیم Dimension Changing Slowly از اولویت باالیی در پروژه شااما برخوردار اساات میتوانید از قابلیت جدید Table Temporalها در ۲۰۱۶ Server SQL استفاده نمایید. Monitor critical business metrics and trends at a glance with KPIs نظارت بر معیارهای حیاتی کسب و کار و روندها در یک نگاه با KPIها در BI Power SSAS Tabular semantic model updates for SQL Server 2016 Analysis Services DirectQuery for Tabular models آیا فرایند تبدیل پایگاه داده عملیاتی به یک انبار داده و سپس نگا شت این انبار داده به مدل Tabular یا Multidimensional زمان زیادی را از شما گرفته است؟ آیا تغییرات ایجاد شده در کسب و کار به کندی وارد چرخه BI میشود؟ مایکروسااافت راهحل بینظیر DirectQuert را برای این مشااکل ارائه داده اساات. در این حالت شااما تنها مدل مفهومی خود را در SSAS ایجاد میکنید ولی هنگام درخواساات دادهها برای گزارشگیری، کوئریها بهصااورت خودکار از زبان DAX به SQL تبدیل می شود

مستقیم روی انبار داده اجرا می شوند. با این قابلیت همی شه آخرین تغییرات بیدرنگ در ابزارهای گزارشگیری کاربران قابل مشاهده است. ارزش این قابلیت زمانی پررنگتر میشود که بدانیم نیازی به تغییر ساختار دادهها یا کدهای نوشته شده نیست. JSON as a bridge between NoSQL and relational worlds JSON به عنوان پلی بین دنیای NoSQL و پایگاههای رابطهای عمل میکند. هدف از ارائه آن Serialize کردن داده و انتقال آن است. دادهها طی این پروتکل همانند XML به صورت متنی ذخیره شده و به راحتی درPlatform های مختلف قابل انتقال هستند. شکل ۱۰ :سرویس تحلیلی و بروزشده مایکروسافت ۳۲ مفاهیم هوش تجاری و قابلیتهای شرکت هوش تجاری فکر پرداز oracle .2016 Server SQL به صورت Native ازJSON پشتیبانی میکند. توابع کاملی برای کوئری زدن روی این داده ساختار دردسترس قرار دارد و نیاز نیست این فرمت را به شکل رشتهای در پایگاه داده ذخیره کنید

اموزش مدیریت استراتژیک و استراتژی کسب و کار

این روزها با واژه‌ی استراتژی و اصطلاح مدیریت استراتژیک تقریباً همه نوع صفت، موصوف، مضاف و مضاف‌الیه ساخته می‌شود:

چند لحظه فکر کنید و چند مثال دیگر را هم به یاد بیاورید. هم‌چنین می‌توانید کمی در گوگل جستجو کنید تا ببینید مفاهیم بسیار بیشتری هم هست که شاید تا کنون از کنار آن‌ها به سادگی عبور کرده‌اید.

زمانی بود که استراتژی صرفاً در مدیریت جنگ معنا داشت و یادگیری رشته علوم استراتژیک موضوعی نظامی و مورد علاقه‌ی نظامیان محسوب می‌شد.

اما در عصر حاضر، استراتژی به مفهوم و نگرشی بسیار گسترده‌تر اشاره دارد. توانمند بودن در زمینه‌ی استراتژی می‌تواند شانس موفقیت ما را در زندگی فردی و نیز حوزه‌ی کسب و کار افزایش دهد.

، به سراغ معرفی موضوعات مورد بحث در مدیریت استراتژیک می‌رویم:

معرفی دوره آموزشی مدیریت استراتژیک متمم

چالش‌ها و دردسرهای یک مدیرعامل حرفه‌ای

مرور سرفصل های درس مدیریت استراتژیک در دانشگاه‌ها

تاریخچه استراتژی و مدیریت استراتژیک

اهمیت مفهوم ذی‌نفع در استراتژی

تعریف استراتژی و مدیریت استراتژیک

معرفی دوره آموزشی مدیریت استراتژیک متمم

متمم در دوره MBA خود مفاهیم استراتژی را در قالب چهار درس مختلف ارائه کرده و به عبارتی، در چهار مرحله به آموزش مدیریت استراتژیک پرداخته است:

جایگاه ارزش آفرینی در مدیریت استراتژیک چیست؟

اولین مفهوم استراتژیک که به آن پرداخته‌ایم ارزش آفرینی است. معمولاً در سرفصل‌های آموزش مدیریت، آن‌چنان که شایسته است، به بحث ارزش و اهمیت ارزش آفرینی توجه نمی‌شود و این موضوع، میان درس‌های مختلف سرگردان است.

گاهی اوقات، ارزش را به عنوان یکی از مفاهیم مدیریت استراتژیک آموزش می‌دهند. گاهی هم، آن را زیرمجموعه‌ای از درس مدیریت بازاریابی در نظر می‌گیرند.

اخیراً که کارآفرینی و فعالیت‌های استارت‌آپ‌ها هم رواج بیشتری پیدا کرده، ارزش و ارزش آفرینی به زیرمجموعه‌ای از بحث مدل کسب و کار تبدیل شده است.

ما برای این‌که به این سردرگمی شناخته‌شده در دانشگاه‌ها و مراکز آموزشی گرفتار نشویم، بر خلاف عرف رایج در تعیین سرفصل‌های آموزش مدیریت، ارزش آفرینی را به یک مجموعه درس مستقل تبدیل کرده‌ایم و در نخستین گام برنامه آموزشی خود قرار داده‌ایم، تا پس از آن، در درس‌های دیگر به سادگی به این مفهوم ارجاع دهیم.

بنابراین مرحله‌ی اول یادگیری استراتژی در متمم، مطالعه‌ی کامل و دقیق مجموعه درس‌های ارزش آفرینی است.

ارزش و ارزش آفرینی در کسب و کار

کنترل مدیریتی: یکی از ابزارهای مدیریت استراتژیک

استراتژی در نهایت باید شاخص‌های کلیدی عملکرد را بهبود ببخشد. از جمله‌ی این شاخص‌ها، می‌توان به شاخص‌های مالی (مثلاً میزان فروش و سود کسب و کار) و شاخص‌های رضایت مشتری اشاره کرد (که دوام و بقاء کسب و کار را تضمین می‌کند.

اگر کسی بگوید یک استراتژیست حرفه‌ای است و در رأس هر کسب و کاری که قرار می‌گیرد، آن را ورشکست کرده یا مشتریانش را ناراضی کند، بعید است شما حرف او را بپذیرید.اما دقیقاً چه شاخص‌هایی را باید تعریف کنیم و چگونه بر آن‌ها نظارت داشته باشیم؟ در برنامه ریزی خود، سطح هدف هر شاخص را چگونه تعریف کنیم؟ اگر به هدف نرسیدیم چه باید بکنیم؟مثلاً آیا همه چیز را می‌توان در شاخص سود خلاصه کرد؟ آیا این باعث نمی‌شود که با اقدام‌های کوته‌نظرانه، سود کسب و کار را در کوتاه‌مدت و میان‌مدت افزایش دهیم و در بلندمدت، کل کارمان را نابود کنیم؟

تعریف شاخص، پایش شاخص‌ها و اصلاح و کنترل آن‌ها، موضوع بسیار مهمی است که تا بر آن مسلط نباشیم، استراتژی برایمان چیزی جز «حرف‌های بی‌خاصیت زیبا و خوب» نخواهد بود.

ضمناً ماجرا به همین‌جا تمام نمی‌شود. بعد از تدوین استراتژی و برنامه ریزی استراتژیک، به مرحله‌ی اجرای استراتژی می‌رسید و چگونه باید مطمئن شوید که در اجرا موفق بوده‌اید؟ این‌جا هم بحث کنترل استراتژیک مطرح می‌شود.

کنترل استراتژیک یکی از ابزارهای مدیریت استراتژیک است که بدون درک عمیق کنترل و مفاهیم مرتبط با آن، نمی‌توانید ادعا کنید که در استراتژی توانمند هستید.

با انگیزه‌‌ای مشابه آن‌چه درباره‌ی ارزش‌آفرینی گفتیم، ما آموزش سیستم‌های کنترل مدیریت را در قالب یک مجموعه‌ درس مستقل ارائه کرده‌ایم تا علاوه بر استراتژی، در آموزش‌های دیگر متمم هم بتوانیم از‌ مفاهیم مطرح شده در کنترل استفاده کنیم:

سیستم‌های کنترل مدیریت

تفکر استراتژیک

کلمه‌ی استراتژی برای بسیاری از مدیران، برنامه ریزی استراتژیک را تداعی می‌کند: جلسه‌هایی رسمی مکرر با حضور مدیران ارشد که در آن‌ها انبوهی از نمودارها بررسی شده و صورت‌جلسه‌های فراوان تنظیم می‌شود. در نهایت هم، سندی در چند ده‌ یا چندصد برگ تنظیم و صحافی شده و در اختیار مدیران قرار می‌گیرد (و احتمالاً بخش‌هایی از آن به شکل رسمی منتشر می‌شود.

اما بخش مهمی از استراتژی، تفکر استراتژیک است. تفکر استراتژیک شکلی از فکر کردن است که دغدغه‌ی آن، مسائل و موضوعات و اهداف و شاخص‌های کلیدی است.

کسی که تفکر استراتژیک دارد، می‌داند که از بین ده‌ها سوالی که امروز روی میز او وجود دارد، دو یا سه یا چهار سوال است که سرنوشتش را تغییر خواهد داد.

هم‌چنین از بین تمام فرصت‌هایی که پیش روی اوست، فقط می‌توان به چند مورد محدود پرداخت.

به طور کلی، تفکر استراتژیک بر محدودیت منابع تأکید دارد و این‌که ما پیوسته با انتخاب کردن روبرو هستیم. چاره‌ای نداریم جز این‌که منابع خود را به بخشی از مسائل و مشکلات و دغدغه‌ها و اولویت‌ها اختصاص دهیم و طبیعتاً مسائل و مشکلات و دغدغه‌های دیگری را کنار بگذاریم.

ممکن است یک فرد یا یک سازمان، هرگز به سراغ برنامه ریزی استراتژیک و فرایندهای رسمی مدیریت استراتژیک نرود، اما نمی‌تواند از زیر بار تفکر استراتژیک شانه خالی کند.

ما در متمم، نکات و آموزش‌های مربوط به تفکر استراتژیک را هم در قالب مجموعه درس جداگانه‌‌ای ارائه کرده‌ایم:

 تفکر استراتژیک

مدیریت استراتژیک

بخش رسمی‌تر استراتژی چیزی است که معمولاً در قالب مدیریت استراتژیک به آن پرداخته می‌شود.

اصطلاحاتی مانند برنامه ریزی و تدوین استراتژی، استراتژی در سطح بنگاه، استراتژی کسب و کار و نیز استراتژی دپارتمانی، زیرمجموعه‌ی مدیریت استراتژیک محسوب می‌شوند.کم نیستند کتاب‌ها و مدرسان و دانشگاه‌هایی که آموزش استراتژی را از این مرحله آغاز می‌کنند و معمولاً هم خروجی این شیوه از آموزش این می‌شود که دانشجویان در نهایت می‌گویند: «استراتژی موضوع سنگین و تئوریک و غیرقابل استفاده‌ای است که فقط برای تدریس در سمینارها و فخرفروشی در جلسات مدیریتی کاربرد دارد.

باور ما بر این است که اگر سه بخش پیشین (ارزش آفرینی، کنترل، تفکر استراتژیک) را به خوبی فرا بگیرید و در کنار سایر موضوعات مدیریت استراتژیک قرار دهید، محال است به چنین قضاوتی برسید و اتفاقاً می‌توانید این مفاهیم ظاهراً پیچیده و سنگین را نه‌تنها در کسب و کار، بلکه حتی در زندگی شخصی خود زیر به‌کار بگیرید.

با توجه به این‌که سه بخش قبل، در متمم در قالب مجموعه‌ درس‌های جداگانه‌ای ارائه شده‌اند، هر چه در ادامه می‌بینید و می‌خوانید، به همین بخش چهارم مربوط است.

چالش‌ها و دردسرهای یک مدیرعامل حرفه‌ای

به خاطر این‌که ممکن است وارد شدن مستقیم به مباحث سنگین و پیچیده‌ی استراتژی و مدیریت استراتژیک برایتان کمی دشوار باشد، ابتدا یک درس نسبتاً ساده برایتان در نظر گرفته‌ایم:

نکاتی که فقط یک مدیرعامل حرفه‌ای و با تجربه می‌داند

این درس بر اساس یکی از مقالات مایکل پورتر، از متفکران بزرگان استراتژی، تنظیم شده و به شما کمک می‌کند تا حدی پیچیدگی‌های یک مدیر ارشد را درک کنید.

آشنایی با این پیچیدگی‌ها باعث می‌شود علت نیاز به استراتژی و کارکردهای آن را بهتر درک کنید و برای درس‌های بعدی آماده‌تر شوید.

با وجودی که محتوای مقاله‌ی پورتر به تجربه‌ی مدیرعامل‌های شرکت‌ها بزرگ می‌پردازد، اما بخش زیادی از‌ آن‌چه پورتر مطرح کرده، برای هر کسی که می‌خواهد استراتژی را به شکلی عمیق و اثربخش بیاموزد، مفید خواهد بود.

استراتژی مفهومی است که از عرصه نظامی نشأت گرفت و بعداً در سایر زمینه ها از کاربرد زیادی برخوردار گردید. این مفهوم همیشه برای کمپانی های کوچک و بزرگ دارای اهمیت زیادی بوده است و در راستای آن امور زیادی در یک شرکت به انجام می رسد. اما چندی است که همین کمپانی ها با مفهوم مدل کسب و کار نیز رو به رو شده اند و به میزان اهمیت آن پی برده اند. ولیکن این مفهموم هرگز جایگزین استراتژی نمی شود. استراتژی استارتاپ شما متمرکز بر مأموریت، چشم انداز، محدوده محصولات و خدمات، حوزه جغرافیایی و مشتریانی است که مشمول فعالیت هایتان می شود. جایی که استارتاپتان بر نقاط تمایز با رقبایش جهت جذب مشتریان تمرکز نموده است، در واقع دست بر روی استراتژی گذاشته است. اینکه چه کار متفاوتی انجام می دهد و کاری را که بقیه انجام می دهند چگونه آن را بصورتی متفاوت با بقیه به انجام می رساند تا نسبت به رقبا مزیت پیدا کند. به صورت کلی استراتژی بر قابلیت های رقابتی و چگونگی ایجاد، حفظ و بازسازی آن ها می پردازد.

از طرفی اهمیت استراتژی، چیزی از میزان اهمیت مدل کسب و کار نمی کاهد و استارتاپ شما قطعا به هردوی این مفاهیم نیازمند می باشد. برخی از ورودی های مدل کسب و کار نظیر کالا یا خدمت تولیدی که به مشتریان ارزش ارائه می نماید، یا منابع و قابلیت های کلیدی مؤسسه و یا نحوه تأمین آن ها از استراتژی سازمان حاصل می شود. بدیهی است طراحی مدل کسب و کار، تأمل و تعمق در مورد آن می تواند بازخوردی به استراتژی استارتاپ شما داده و موجب اصلاح و یا تغییر آن شود و مزیت رقابتی مناسبی را برای شما ایجاد نماید.

و اما رابطه؛ استراتژی و مدل کسب و کار جایگزین یکدیگر نمی شوند اما با هم دارای هم پوشانی می باشند.

مدیریت استراتژیک

در ترتیب مطالعه‌ی درس‌های مدیریت استراتژیک – که پایین همین مطلب‌ آمده است – پیشنهاد کرده‌ایم که برخی از رایج‌ترین عناوین سرفصل‌های آموزش مدیریت استراتژیک در دانشگاه‌ها و مراکز آموزش عالی را مرور کنید.

اما اگر قصد دارید به شکل عمیق و حرفه‌ای با استراتژی آشنا شوید و برای تبدیل‌شدن به یک متخصص استراتژیست در بلندمدت برنامه‌ریزی کرده‌اید، بهتر است این سرفصل‌ها را مرور کنید تا فضای کلی دانش استراتژی برایتان شفاف‌تر شود و قلمرو استراتژی در ذهن‌تان بهتر شکل بگیرد.

واضح است که متمم هم، مانند سایر مجموعه‌های آموزشی، به صلاح‌دید خود بخش‌هایی از این سرفصل‌ها را انتخاب‌ کرده و به شکلی جدی‌تر به‌ آن‌ها می‌پردازد.

تاریخچه استراتژی و مدیریت استراتژیک

درخت استراتژی دارای گونه‌های مختلفی است و بسته به اینکه در چه خاکی رشد باشد، میوه‌های متفاوتی را به بار آورده است.

اقتصاددانان، نظامیان، بازرگانان و مدیر-مهندسان، هر یک بسته به سابقه‌ی ذهنی و نگرش خود، استراتژی را به شکل متفاوتی تعریف و بیان کرده‌اند.

مثلاً گروهی از استراتژیست‌ها که سابقه‌ی نظامی داشته‌اند، شرکت‌ها و سازمان‌ها را هم مانند ارتش جنگی دیده‌اند و مفاهیم دانش استراتژی را از بحث‌های مربوط به تاکتیک و استراتژی در علوم جنگی اقتباس کرده‌اند.در مقابل، گروهی دیگر که با عینک اقتصاد به مدیریت نگاه می‌کنند،  هر سازمان یا شرکت را به عنوان یک مجموعه‌ی اقتصادی و بخشی از پیکره‌ی اقتصاد کشور/جهان دانسته‌اند. این گروه، کسب و کار را به عنوان بخشی از یک صنعت/بازار بزرگ‌تر می‌بینند و بر این اساس، استراتژی را تعریف و پیاده سازی می‌کنند.

اگر پای حرف این افراد بنشینید و کتاب‌ها و مقاله‌های آن‌ها را بخوانید، خواهید دید که ترجیح می‌دهند به جای سه اصطلاحِ کسب و کار، شرکت و سازمان، از تعبیرِ بنگاه اقتصادی استفاده کنند.مسئله در این‌جا تمام نمی‌شود. عده‌ی دیگری هم به این نکته پرداخته‌اند که استراتژی، فقط رقابت با دیگران و جنگیدن با آن‌ها نیست. استراتژیست باید بتواند به درون سازمان خود هم نگاه کند و داشته‌ها و منابع خود را به درستی تشخیص دهد.

بسیاری از انسان‌ها/کسب و کارهایی که نتوانسته‌اند چندان که باید موفق باشند، در تشخیص داشته‌های خودشان ضعیف عمل کرده‌اند و در زمینه‌ی نگاه به درون ناموفق بوده‌اند.ما دیدگاه‌های مختلفی را که در تاریخچه استراتژی مطرحند را در قالب دو درس گرد آورده‌ایم.

فضای این دو درس هم، نسبتاً تئوریک است و حتی ممکن است پس از مطالعه‌ی آن‌ها، برخی از جزئیات مطرح‌شده در ذهن‌تان باقی نماند.

با این حال، مطالعه و مرور این تاریخچه‌ها و طبقه‌بندی‌ها، به شما کمک می‌کند که تفاوت دیدگاه‌ها و نگرش‌ها در حوزه‌ی استراتژی را بهتر درک کنید و در دام نگاهِ ساده و یک‌سویه به استراتژی گرفتار نشوید:

 تاریخچه استراتژی و مدیریت استراتژیک

جنگل استراتژی (طبقه بندی مینتزبرگ از مکاتب استراتژی)

اهمیت مفهوم ذی‌نفع در استراتژی

مهم است که بدانید، تشخیص دهید و تصمیم بگیرید که ذی‌نفعان کسب و کار شما چه کسانی هستند.

یک حرف کلیشه‌ای این است که مشتری، پادشاه است. به عبارت دیگر، ذی‌نفع اصلی هر کسب و کاری، مشتریان آن هستند. اما اگر قرار باشد به هر شکل ممکن به دل این پادشاه راه بیایید، ممکن است چیزی از کسب و کارتان باقی نماند. چون مشتریان، حداکثر منافع خود را می‌طلبند و از محدودیت‌ها و هزینه‌ها و چالش‌های شما، اطلاع چندانی ندارند.

از سوی دیگر، اگر مالکان و سهام‌داران شرکت را به عنوان تنها ذی‌نفعان آن درنظر بگیرید، از سمت دیگر بام خواهید افتاد: حداکثر کردن سود سهامداران و مالکان، می‌تواند به قیمت نارضایتی مشتریان تمام شود.

به همین علت، استراتژی به معنای شناخت و تشخیص ذی‌نفعان است. و البته پس از شناختن، وظیفه‌ی استراتژیست این است که بکوشد و نقطه‌ی تعادلی را بیابد که منافع مشروع همه‌ی ذی‌نفعان تا حدی تأمین شود.

با این مقدمه، باید قانع شده باشید که پیش از ورود به مباحث پیشرفته‌تر مدیریت استراتژیک، لازم است مفهوم ذی نفع را به خوبی بیاموزید و درک کنید:

ذی‌نفعان سازمان چه کسانی هستند؟

تعریف استراتژی و مدیریت استراتژیک

اگر استراتژیست‌ها روی یک نکته اتفاق‌نظر داشته باشند، آن نکته این است که روی تعریف استراتژی و مدیریت استراتژیک اتفاق‌نظر وجود ندارد.

هر یک از دانشمندان حوزه‌ی استراتژیک، بسته به دغدغه‌ها و اولویت‌ها و سابقه‌ی ذهنی خود، مفاهیم استراتژی را به شکل متفاوتی تعریف کرده‌اند. اتفاقاً علت نگارش کتاب جنگل استراتژی توسط هنری مینتزبرگ هم، اشاره به این اختلاف‌نظرها و البته به رسمیت شناختن آن‌هاست.

با این مقدمه، ما سه درس را به تعاریف استراتژی و مدیریت استراتژیک اختصاص داده‌ایم و کوشیده‌ایم بخشی از دیدگاه‌های متنوع مطرح در این حوزه را برایتان نقل کنیم:

کامل‌ترین تعریف استراتژی چیست؟

چشم انداز استراتژیک به چه معناست؟

تفاوت مدیریت استراتژیک و برنامه ریزی استراتژیک در چیست؟

پس از مطالعه‌ی این سه درس – و البته درس‌هایی که پیش از این اشاره شد – مفاهیم اولیه‌ی استراتژی برای شما واضح می‌شود و به سادگی می‌توانید روند یادگیری استراتژی را دنبال کنید.

ضمناً باید این نوید را هم به شما بدهیم که تئوریک‌ترین درس‌های استراتژی در همین مرحله به پایان می‌رسند و مطالعه‌‌ی درس‌های بعدی، ساده‌تر و جذاب تر خواهد بود.

 

مدل کسب و کار چیست و چگونه طراحی و تحلیل می‌شود؟

  • مدل کسب و کار

بتوانند روند شکل گیری بحث مدل کسب و کار را به صورت کلی، شرح دهند.

بتوانند سه بخش اصلی مدل کسب و کار را نام ببرند و هر کدام را به صورت بسیار مختصر توضیح دهند.

اصطلاح مدل کسب و کار (Business Model) در ادبیات مدیریت یک اصطلاح نسبتاً جدید محسوب می‌شود. به عنوان یک مقایسه‌ی ساده، به این نکته توجه کنید که بحث طرح کسب و کار (Business Plan) دقیقاً با همین نام، در حدود دو قرن قدمت دارد. در حالی که قدمت اصطلاح مدل کسب و کار به زحمت به دو دهه می‌رسد.

ما در درس جداگانه‌ای به طرح کسب و کار پرداخته‌ایم و قصد نداریم آن توضیحات را تکرار کنیم. اما اگر در حد چند جمله به بحث طرح کسب و کار اشاره کنیم، جایگاه و نقش و تعریف مدل کسب و کار را بهتر درک خواهید کرد.

تفاوت طرح کسب و کار و مدل کسب و کار

آنچه ما امروز به عنوان طرح تجاری (یا طرح کسب و کار یا بیزینس پلن) می‌شناسیم، پس از انقلاب صنعتی و در اثر تقاضا (در واقع: فشارِ) بانک‌ها به وجود آمد.

بانک‌ها به عنوان نهادهایی که می‌توانستند سرمایه‌ی مورد نیاز کسب و کارها و صنایع را (در قالب وام یا مشارکت) در اختیار آن‌ها قرار دهند، انتظار داشتند مدیران یا مالکان کسب و کارها، اسناد و گزارش‌ها و مستنداتی ارائه دهند که اثبات کند فعالیت آن‌ها سودآور است و بازگشت سرمایه‌ی مناسب خواهد داشت.

این اسناد، ابتدا در حد برآورد جریان مالی و نیازهای مواد اولیه و حقوق مورد نیاز برای کارگران بود، اما به تدریج کامل‌تر شد و به شکل طرح تجاری یا طرح کسب و کار یا Business Plan که امروز می‌شناسیم، درآمد.

بخش عمده‌ای از آنچه ما در قرن نوزدهم و بیستم به عنوان صنعت مشاهده می‌کنیم، به تولید کالا مربوط است. حتی عرضه‌ی خدمات هم شکلی بسیار مکانیکی داشت:

 

طبیعتاً طرح تجاری هم، معمولاً به شکلی کاملاً مکانیکی و با چارچوبی نسبتاً سنتی تنظیم می‌شد و سرمایه‌گذار، چه به عنوان فرد و چه به عنوان یک نهاد رسمی مثل بانک، بر اساس سوالات پایین و سوالات مشابه دیگر، در مورد مشارکت کردن یا مشارکت نکردن و نیز چارچوب مشارکت تصمیم می‌گرفت:

چقدر سرمایه گذاری لازم است؟   تزریق سرمایه باید در چه مقاطعی انجام شود؟   چه نوع زمین یا کارگاه یا کارخانه‌ای لازم است؟   به چند نفر نیروی انسانی با چه تخصص‌هایی نیاز داریم؟   قیمت تمام شده چقدر خواهد بود؟   حاشیه‌ی سود چگونه است؟   در نهایت، بازگشت سرمایه به چه شکلی خواهد بود؟

اگر علاقه‌مند باشید مولفه‌ها و اجزای طرح کسب و کار را بهتر بشناسید، می‌توانید به درسی که به همین موضوع اختصاص یافته مراجعه کنید:

طرح تجاری (طرح کسب وکار)

ظهور اینترنت و مطرح شدن مفهوم مدل کسب و کار

طی دهه‌های اخیر، اتفاق مهمی افتاد و آن ظهور اینترنت بود. این ابزار جدید، فرصت‌های جدیدی را هم به وجود آورد و شیوه‌های درآمدزایی جدیدی هم خلق کرد.

قبلاً چند مدل کسب و کار مشخص وجود داشت و همه هم آن‌ها را می‌فهمیدند. اما حالا:

شرکتی مثل یاهو (و بعداً گوگل) آمده بود که خدمات رایگان ارائه می‌داد.

آمازون کتاب‌ها را به شکلی می‌فروخت که در موارد زیادی، مجموع هزینه‌ی کتاب و حمل نقل، یا همان قیمت پشت جلد می‌شد و یا حتی کمتر از پشت جلد تمام می‌شد.

شرکت‌هایی مثل PayPal ایجاد شدند که به عنوان واسطه‌ی پولی عمل می‌کردند. اما به اندازه‌ی بانک‌ها سخت‌گیر نبودند و شرایطی فراهم شد تا کسب و کارهای آنلاین زیادی رشد کنند.

ساختار و فرایند کسب و کار در فضای جدید، با دوران حاکمیت کارخانجات و صنایع تفاوت داشت:

افزایش سود، دیگر چندان به مواد اولیه‌ی ارزان ربط نداشت.

سرعت رشد و افزایش مقیاس کسب و کار، بسیار متفاوت از گذشته بود.

کسانی که از خدمات کسب و کار استفاده می‌کردند، الزاماً همان افرادی نبودند که برای این خدمات، پول پرداخت می‌کنند.

نیروی کار (به مفهوم سنتی آن که کارگران و توان کار فیزیکی را شامل می‌شد) دیگر به اندازه‌ی گذشته معنا نداشت.

با گسترش وب، شرکت‌های جدیدی شکل گرفتند که نه وسعت فیزیکی خاصی داشتند و نه سرمایه‌ی اولیه‌ی بالایی در آنها به کار گرفته شده بود.

  • اجزایمدل کسب و کار

امروزه وقتی کسی از مدل کسب و کار شما سوال می‌کند (یا وقتی خودتان می‌خواهید مدل کسب و کارتان را تعریف کنید)، تقریباً مشخص است که باید در پی پاسخ چه سوال‌هایی باشد.

می‌توان گفت مدل کسب و کار (Business Model) در تلاش برای یافتن پاسخ سه دسته سوال است:

سوال‌های مربوط به ارزش آفرینی

سوال‌های مربوط به درآمدزایی

سوال‌های مربوط به پایداری و بقا

بنابراین می‌توان گفت، مدل کسب و کار پاسخ به سه سوال بالاست.

البته ما در درس مدل کسب و کار متمم، بیشتر به سوال دوم و کمی نیز به سوال اول می‌پردازیم. زیرا در درس‌های دیگر متمم به پاسخ‌های دو سوال دیگر اشاره شده است:

برای آشنایی با سوال اول و حاشیه‌های آن، می‌توانید به درس ارزش آفرینی مراجعه کنید.

برای سوال سوم هم، درس‌های مختلفی در متمم در نظر گرفته شده است که از جمله‌ی آن‌ها می‌توان به استراتژی و پایداری و ارتباط با مشتری اشاره کرد.

بنابراین بخش قابل توجهی از درس مدل کسب و کار، به این سوال می‌پردازد که:

 

  • مراحل درک مفهوم و تحلیل مدل کسب و کار

اگر قصد دارید مفهوم مدل کسب و کار و اجزای آن را به خوبی بشناسید و بتوانید توانایی خود را در تحلیل مدل کسب و کار افزایش دهیم، پیشنهاد می‌کنیم مجموعه درس‌های طراحی مدل کسب و کار را به شکل زیر بخوانید:

تعریف مدل کسب و کار

اولین گام در آشنایی با مدل کسب و کار، این است که تعریف مدل کسب و کار را بدانیم.

برای این کار دو درس در متمم در نظر گرفته‌یم:

تعریف مدل کسب و کار و اجزای آن

  • پنج نکته‌ی کلیدی درباره مدل کسب و کار

درس اول، کمی رسمی‌تر است و در آن، تعریف آکادمیک مدل کسب و کار را مطرح کرده‌ایم. هم‌چنین توضیحات مختصری درباره اجزای مدل کسب و کار ارائه کرده‌ایم.

درس دوم، با توجه به سوء‌برداشت‌هایی که درباره‌ی مدل کسب و کار وجود دارد، یا انتظارات نادرست و بزرگی که از تدوین و طراحی مدل کسب و کار ایجاد شده، می‌کوشد ظرفیت‌ها و محدودیت‌های مدلهای کسب و کار را بهتر تشریح کند.

پیش از این‌که وارد جزئیات درس بشویم، مناسب بود با بررسی یک نمونه مدل کسب و کار، فضای این بحث را بهتر درک کنیم.

معمولاً برای مثال، به سراغ شرکت‌های دیجیتال مانند گوگل و آمازون می‌روند.

ولی ما علاقه داشتیم نشان دهیم که مدل کسب و کار – با وجودی که ابتدا در دنیای دیجیتال شکل گرفت – در همه‌ی کسب و کارها کاربرد دارد و نوآوری‌های فراوانی هم در این حوزه انجام شده است.

نستله مثال خوبی در این زمینه است:

کپسول‌های نسپرسوی نستله | مثالی از نوآوری در مدل کسب و کار

روایت داستانی و روایت عددی در ارزیابی و تحلیل مدل کسب و کار

گاهی اوقات، در همان ابتدا که کسی مدل پیشنهادی خود را برای کسب و کار مطرح می‌کند، متوجه می‌شویم که این مدل، ضعف‌های متعدد دارد و نادرست یا آسیب‌پذیر است.

اما گاهی پیش می‌آید که داستان کسب و کار، منطقی و اجرایی به‌نظر می‌رسد. اما وقتی بحث اعداد و ارقام و بودجه و سرمایه‌گذاری و قیمت گذاری پیش می‌آید، تازه متوجه می‌شویم که جنبه‌های متعددی را در نظر نگرفته‌ایم.درس روایت داستانی و روایت عددی این دو جنبه را مطرح می‌کند و مقدمه‌ای می‌شود تا برای مطالعه و یادگیری درس‌های بعدی، آماده شوید.

روایت داستانی و روایت عددی در تحلیل و ارزیابی مدل کسب و کار

کانواس کسب و کار یا بوم مدل کسب و کار (Business Model Canvas)

ما هم مانند بسیاری از دوره‌های آموزش مدل کسب و کار، برای بیان این بحث از ابزار بوم مدل کسب و کار یا Business Model Canvas که استروالدر در کتاب خلق مدل کسب و کار مطرح کرده است، استفاده می‌کنیم.البته هر جا لازم باشد، از این کتاب فراتر خواهیم رفت و به بحث‌های خودمان می‌پردازیم. اما هم‌چنان سعی می‌کنیم چارچوب کلی را نزدیک به بوم کسب و کار نگه داریم.

در یک درس به معرفی کتاب خلق مدل کسب و کار پرداخته‌ایم و درس دیگری را به معرفی دقیق‌تر کانواس کسب و کار اختصاص داده‌ایم:

 کتاب خلق مدل کسب و کار

  • بوم مدل کسب و کار

اگر هم قصد داشته باشید بوم مدل کسب و کار را برای خودتان تکمیل کنید، می‌توانید از فایل PDF که برای دانلود در اختیار شما گذاشته شده استفاده کنید:

ویژگی این فایل در آن است که علاوه بر چارچوب کلی، پرسش‌هایی هم در هر بخش نوشته شده که به تکمیل کردن بوم مدل کسب و کار کمک می‌کنند.

  • مدل ایجاد ارزش در کسب و کار

ایجاد ارزش، یکی از بخش‌های اصلی در بوم مدل کسب و کار است.این بحث آن‌قدر مهم بوده که ما مجموعه درس‌های #ارزش آفرینی را به آن اختصاص داده‌ایم.بسیاری از مدلهای کسب و کار به این علتِ ساده شکست می‌خورند که ارزش واقعی ایجاد نمی‌کنند.این در حالی است که کارآفرینان و اعضای یک استارت آپ، ممکن است دنبال علت‌های بسیار پیچیده و مرموز بگردند.

در کنار همه‌ی درس‌های ارزش آفرینی، درس زیر هم می‌تواند به شکل‌گیری تصویر کامل‌تری از بحث ارزش در کسب و کار در ذهن شما کمک کند:

مدل ایجاد ارزش در کسب و کار شما چیست؟

منابع کلیدی در بوم مدل کسب و کار

با توجه به این‌که در متمم به اندازه‌ی کافی درباره‌ی مدیریت منابع صحبت کرده‌ایم، مفهوم منابع مورد نیاز برای اجرای موفق مدل کسب و کار، نسبتاً شفاف است.اما اگر قصد داشته باشید بوم مدل کسب و کار استروالدر را برای کسب و کار خود تکمیل کنید، درس زیر می‌تواند به شما در این زمینه کمک کند:

منابع کلیدی در مدل کسب و کار

بخش بندی مشتریان و انتخاب بازار هدف

یکی از بخش‌های نُه‌گانه در بوم مدل کسب و کار، Customer Segments (تعیین و انتخاب مشتریان هدف) است.با توجه به این‌که ما در متمم مجموعه درس‌های کاملی را به این موضوع اختصاص داده‌ایم، در درس مدل کسب و کار، صرفاً به اهمیت این بحث اشاره کرده‌ایم (تا شما را برای مطالعه‌ی درس اصلی تقسیم بندی بازار، ترغیب کنیم

  • اهمیت بخش بندی مشتریان در طراحی مدل کسب و کار

اما در کنار این درس که بیشتر جنبه‌ی ترغیبی دارد، اصل بحث ما در بخش‌بندی بازار و انتخاب سگمنت هدف، زیرمجموعه‌ی درس بازاریابی متمم است:

بخش بندی بازار به چه سوال‌هایی پاسخ می‌دهد؟  مجموعه درس‌های تقسیم بندی بازار

کانالهای ارتباط با مشتری (تبادل اطلاعات / فروش محصول)

ما دو نوع ارتباط با مشتری داریم: ارتباط‌هایی که با هدف تبادل اطلاعات انجام می‌شوند و ارتباط‌هایی که برای ارائه و تحویل محصول شکل می‌گیرند.

در این بخش از بوم مدل کسب و کار، به این سوال پرداخته می‌شود که بسترهای این دو نوع ارتباط چیست و از چه کانال‌هایی برای این ارتباط استفاده می‌شود.

در متمم به شکل‌های مختلف درباره‌ی رابطه با مشتری صحبت کرده‌ایم. برخی درس‌های تخصصی هم در این زمینه داریم که از جمله‌ی آن‌ها می‌توان به درس‌های زیر اشاره کرد:

مدیریت ارتباط با مشتری

اتوماسیون بازاریابی

دیجیتال مارکتینگ

اما نکته‌ی کوچکی مانده که در بحث مدل کسب و کار به آن پرداخته‌ایم و اگر آن را بخوانید، مباحث رابطه با مشتری برای شما مفیدتر و ملموس‌تر خواهد بود.

نکته‌ای که به آن پرداخته‌ایم این است که وقتی از رابطه با مشتری حرف می‌زنیم، باید بدانیم که رابطه مشتری با ما در چه مرحله‌ای است.

یک مشتری ممکن است هنوز ما را نشناسد و مشتری دیگری، محصولات قبلی ما را استفاده کرده باشد. نمی‌توانیم انتظار داشته باشیم که کانال دسترسی به همه‌ی این مشتریان یکسان باشد.

ما در درس زیر به کانال های ارتباطی در مراحل مختلف رابطه با مشتری پرداخته‌ایم:

کانال های ارتباط با مشتریان

گاهی، ما در نقش مشاور آن‌ها هستیم (معاملات مسکن و گاه در حد کارگزار و مجری دستوراتشان این‌ها بحث‌هایی است که تحت عنوان Customer Relationship را نوع رابطه کسب و کار با مشتری مورد بحث قرار می‌گیرد.

  • شش شیوه از الگوهای تعامل با مشتری

مدل درآمد (Revenue Model)

مدل درآمد آن‌قدر مهم است که گاهی آن را مترادف با مدل کسب و کار به کار می‌برند.البته این دو اصطلاح، قطعاً مترادف نیستند؛ چون مدل درآمد یکی از اجزای مدل کسب و کار است.اما همین‌که چنین کاری انجام می‌شود، نشان می‌دهد که مدل درآمد یکی از بخش‌های مهم مدل‌های کسب و کار محسوب می‌شود (البته مدل درآمد، معمولاً روی بخش‌های دیگر مدل کسب و کار هم، تأثیر جدی می‌گذارد

سازمان‌دهی و ابهام‌زدایی از بازاریابی داده‌ها

محیط معمول

محیط مناسب برای انبار داده یا داده‌گاه (Data mart) شرایط زیر را دارد:

سیستم‌های منبع که داده‌ها را در اختیار انبار داده یا داده‌گاه قرار می‌دهند،

فناوری یکپارچه‌سازی داده‌ها و پردازش‌هایی که برای قابل استفاده ساختن داده‌ها لازم هستند،

معماری‌های مختلف برای ذخیره‌سازی داده‌های یک سازمان در یک انبار داده یا داده‌گاه،

ابزارها و برنامه‌های مختلف برای کاربران متفاوت،

پردازش‌های فراداده، کیفیت داده و حاکمیتی باید اعمال شوند تا مطمئن شویم که انبار داده‌ها یا داده‌گاه‌ها می‌توانند اهداف خود را برآورده سازند.

«آر. کلی رینر» (R. Kelly Rainer) در خصوص سیستم‌های منبع که در بخش فوق مورد اشاره قرار گرفت، بیان می‌کند: «یک منبع معمول برای داده‌ها در انبار داده، پایگاه‌های داده عملیاتی شرکت هستند که می‌توانند پایگاه داده رابطه‌ای باشند».

رینر در خصوص یکپارچه‌سازی داده بیان می‌کند: «لازم است که داده‌ها از سیستم‌های منبع استخراج شوند و آن‌ها را در یک داده‌گاه یا انبار داده بارگذاری کرد».

رینر ذخیره‌سازی داده‌ها در انبار داده سازمان یا داده‌گاه‌ها را نیز بررسی کرده است. وی فراداده و داده‌هایی در مورد داده‌ها را این گونه توضیح می‌دهد: «کارکنان فناوری اطلاعات باید اطلاعاتی در مورد منابع داده، پایگاه داده، جدول و نام‌های ستون، زمان‌بندی‌های رفرش و معیارهای کاربرد داده داشته باشند».

امروزه موفق‌ترین شرکت‌ها آن‌هایی هستند که بتوانند به سرعت و با انعطاف بالا به تغییرات و فرصت‌ها پاسخ دهند. کلید پاسخ به این مسئله کاربرد مؤثر و کارآمد داده‌ها و اطلاعات از سوی تحلیل‌گران و مدیران است. یک انبار داده مخزنی از داده‌های تاریخی است که بر اساس موضوع سازمان‌ یافته‌اند تا به تصمیم‌گیران سازمان کمک کند. زمانی که داده‌ها در یک داده‌گاه یا انبار داده ذخیره می‌شوند، می‌توان آن‌ها را مورد ارزیابی قرار داد.

سیستم‌های مرتبط (داده‌گاه، OLAP، OLTP، تحلیل پیش‌بینی)داده‌گاه شکل ساده‌ای از یک انبار داده است که روی یک موضوع منفرد متمرکز شده است. از این رو داده‌گاه، داده‌ها را از تعداد محدودی از منابع مانند بخش فروش، مالی و بازاریابی دریافت می‌کند. داده‌گاه‌ها غالباً از سوی بخش‌های منفرد سازمان ساخته شده و مورد کنترل قرار می‌گیرند. این منابع می‌توانند سیستم‌های عملیاتی داخلی، انبار داده مرکزی و یا داده‌های بیرونی باشند. نرمال‌زدایی (Denormalization) در تکنیک‌های مدل‌سازی داده در این سیستم کاملاً طبیعی است. با توجه به این که داده‌گاه‌ها به طور کلی تنها زیرمجموعه‌ای از داده‌های موجود در یک انبار داده را شامل می‌شوند، در اغلب موارد پیاده‌سازی آن‌ها ساده‌تر و سریع‌تر است.

  • تفاوت‌های بین انبار داده و داده‌گاه
خصوصیت انبار داده داده‌گاه
حوزه داده‌ها

 

در سطح سازمان در سطح یک بخش سازمان
تعداد حوزه‌های موضوعی چندگانه منفرد
دشواری ساختن زیاد کم
زمان مورد نیاز برای ساخت زیاد کم
مقدار حافظه زیاد محدود

 

انواع داده‌گاه‌ها: مستقل، وابسته و هیبرید

پردازش تحلیلی آنلاین (OLAP) از روی میزان تراکنش‌های نسبتاً پایین مشخص می‌شود. کوئری‌ها غالباً بسیار پیچیده هستند و شامل تجمیع هستند. در سیستم‌های OLAP زمان پاسخ‌دهی یک معیار مؤثر است. برنامه‌های OLAP به طور گسترده‌ای از سوی تکنیک‌های داده‌کاوی مورد استفاده قرار می‌گیرند. پایگاه‌های داده OLAP داده‌های تجمیع یافته و تاریخی را در طرح‌های چندبعدی (غالباً شِمای ستاره‌ای) ذخیره می‌کنند. سیستم‌های OLAP به طور معمول تأخیر داده‌ای به مدت چند ساعت دارند که از این جهت در مقابل داده‌گاه‌ها قرار می‌گیرند که تأخیر مورد انتظارشان در حد یک روز است. از رویکرد OLAP برای تحلیل داده‌های چندبعدی از منابع چندگانه استفاده می‌شود. سه عملیات مقدماتی در OLAP به صورت Roll-up (Consolidation)، Drill-down و Slicing & Dicing است.

پردازش تراکنش آنلاین (OLTP) از روی تعداد بالای تراکنش‌های آنلاین (INSERT, UPDATE, DELETE) مشخص می‌شود. سیستم‌های OLTP بر روی پردازش بسیار سریع کوئری تأکید دارند و از حفظ یکپارچگی داده‌ها در محیط‌های چند-دسترسی مشخص می‌شوند. در مورد سیستم‌های OLTP کارآمدی بر اساس تعداد تراکنش‌ها در ثانیه مشخص می‌شود. پایگاه‌های داده OLTP شامل داده‌های دقیق و جاری هستند. طرح کلی مورد استفاده برای پایگاه‌های داده، ذخیره‌سازی تراکنش مدل موجودیت (معمولاً ۳NF) است. نرمال‌سازی در تکنیک‌های مدل‌سازی داده در چنین سیستم‌هایی یک هنجار محسوب می‌شود.

روش‌های تحلیلی پیش‌بینی به یافتن و کمّی‌سازی الگوهای پنهان در داده‌ها با استفاده از مدل‌های ریاضیاتی پیچیده مربوط است و از آن می‌توان برای پیش‌بینی خروجی‌های آینده استفاده کرد. روش‌های تحلیلی پیش‌بینی از OLAP متفاوت هستند چون OLAP بر روی تحلیل داده‌های تاریخی متمرکز می‌شود و ماهیتی واکنشی دارد؛ در حالی که تحلیل پیش‌بینی بر روی آینده تمرکز دارد. این سیستم‌ها برای مدیریت رابطه با مشتری (CRM) استفاده می‌شوند.

مفهوم انبارسازی داده‌ها

مفهوم انبارسازی داده‌ها به دهه ۱۹۸۰ میلادی باز می‌گردد که محققان IBM به نام بِری دلوین و پائول مورفی «انبار داده تجاری» را توسعه دادند. انبارسازی داده در ابتدا برای ارائه یک مدل معماری برای گردش داده‌ها از سیستم‌های عملیاتی به محیط‌های پشتیبانی تصمیم طرحی شد. این مفهوم تلاش می‌کرد که مسائل مختلف مرتبط با این گردش را رفع کند که غالباً به صورت هزینه بالای محاسباتی ظاهر می‌شد. در غیاب معماری انبار داده حجم بالایی از افزونگی برای استفاده از محیط‌های پشتیبانی تصمیم چندگانه مورد نیاز بود. در شرکت‌های بزرگ‌تر معمولاً محیط‌های پشتیبان تصمیم به طور مستقل از هم عمل می‌کردند.

در هر محیط کاربران مختلفی فعالیت می‌کردند که غالباً نیازمند داده‌های تقریباً مشابهی بودند. فرایند جمع‌آوری، پاک‌سازی و یکپارچه‌سازی داده‌ها از منابع مختلف معمولاً از سیستم‌های بلندمدت عملیاتی موجود، در غالب موارد تا حدودی در هر یک از این محیط‌ها تکرار می‌شد. به علاوه سیستم‌های عملیاتی به طور مکرر مورد بازآزمایی قرار می‌گرفتند، چون الزامات جدیدی برای پشتیبانی از تصمیم ظاهر می‌شدند. این الزامات جدید در قالب موارد نیازمند گردآوری، پاک‌سازی و یکپارچه‌سازی داده‌ها از داده‌گاه‌هایی بودند که برای دسترسی بی‌واسطه کاربران طراحی شده بودند.

توسعه‌های کلیدی انبار داده در سال‌های اولیه به صورت زیر بوده است:

دهه ۱۹۶۰: شرکت مواد غذایی جنرال میلز و دانشگاه دارتموث در یک پروژه تحقیقاتی مشترک اصطلاح‌های ابعاد و واقعیت‌ها را ارائه کردند.

دهه ۱۹۷۰: شرکت‌های تحقیقات و بازاریابی نیسلون و IRI، داده‌گاه‌های ابعادی را برای خرده‌فروشی‌ها عرضه کردند.

دهه ۱۹۷۰: بیل اینمون شروع به تعریف و بررسی اصطلاح انبار داده کرد.

۱۹۷۵: شرکت Sperry Univac مفهوم MAPPER (حفظ، آماده‌سازی و تولید گزارش‌های اجرایی) را معرفی کرد که سیستم مدیریت پایگاه داده و گزارشی بود که نخستین ۴GL (زبان برنامه‌نویسی نسل چهارم) دنیا را شامل می‌شد. این اولین پلتفرم طراحی شده برای ساخت مراکز اطلاعات بود.

۱۹۸۳: شرکت ترادیتا رایانه پایگاه داده DBC/1012 را معرفی کرد که به طور اختصاصی برای پشتیبانی از تصمیم، طراحی شده بود.

۱۹۸۴: شرکت سیستم‌های رایانه‌ای متافور از سوی دیوید لیدل و دون ماسارو پایه‌گذاری شده و نخستین بسته سخت‌افرازی/نرم‌افزاری و GUI را برای کاربران تجاری عرضه کرد تا به کمک آن سیستم مدیریت و تحلیل پایگاه داده بسازند.

۱۹۸۵: شرکت Sperry مقاله‌ای در خصوص مراکز اطلاعاتی منتشر ساخت که در آن اصطلاح انبار داده MAPPER در چارچوب معنایی مراکز اطلاعاتی معرفی شده بود.

۱۹۸۸: بری دالوین (Barry Devlin) و پائول مورفی (Paul Murphy) اموزش«مقدمه‌ای بر سیستم تجاری و اطلاعاتی» را منتشر کرده و در آن اصطلاح «انبار داده تجاری» را معرفی کردند.

۱۹۹۰: شرکت سیستم‌های «رد بریک» که از سوی رالف کیمبال بنیان‌گذاری شده بود، انبار داده رد بریک را معرفی کرد که یک سیستم مدیریت پایگاه داده اختصاصی برای انبارسازی داده‌ها محسوب می‌شد.

۱۹۹۱: شرکت «پریسم سولوشنز» که از سوی بیل اینمون پایه‌گذاری شده بود، نرم‌افزار مدیریت انبار داده پریسم را معرفی کرد که نرم‌افزاری برای توسعه یک انبار داده بود.

۱۹۹۲: بیل اینمون کتاب «ساخت انبار داده» را منتشر ساخت.

۱۹۹۵: موسسه انبارسازی داده‌ها که یک سازمان انتفاعی بود با هدف ارتقای انبارسازی داده‌ها تأسیس شد.

۱۹۹۶: رالف کیمبال کتاب «کیت ابزار انبار داده» را منتشر کرد.

۲۰۱۲: بیل اینمون یک فناوری که به نام «ابهام‌زدایی متنی» (textual disambiguation) نامیده می‌شد را توسعه داده و به صورت عمومی عرضه کرد. این تکنیک بر روی متون خام استفاده شده، آنها را مورد قالب‌بندی مجدد قرار داده و به یک قالب پایه داده‌ای استاندارد تبدیل می‌کرد. زمانی که متن خام از مرحله ابهام‌زدایی متنی رد می‌شود، می‌تواند به سادگی و به طور کارآمدی از سوی فناوری‌های هوش تجاری استاندارد مورد دسترسی و تحلیل واقع شود. ابهام‌زدایی متنی از طریق اجرای ETL متنی اجرا می‌شد. این فناوری در مواردی که متون خامی مانند اسناد، هادوپ، ایمیل و مواردی از این دست وجود داشته باشند، روشی متداولی به حساب می‌آید.

ذخیره اطلاعات

ذخیره اطلاعات در انبارهای داده شامل موضوعات مختلفی است که در ادامه به تفصیل توضیح داده شده است.

واقعیت‌ها (Facts)

واقعیت به معنی مقدار یا اندازه‌ای نشان‌دهنده حقیقتی در مورد یک موجودیت یا سیستم مدیریت شده است.

واقعیت‌ها زمانی که از سوی موجودیت گزارش دهنده، گزارش می‌شوند در سطح خام هستند. مثلاً در یک سیستم تلفن همراه، BTS (آنتن) ۱۰۰۰ درخواست را برای تخصیص کانال ترافیک دریافت می‌کند، ۸۲۰ مورد را قبول کرده و بقیه را رد می‌کند و سه واقعیت یا اندازه را به سیستم مدیریت گزارش می‌دهد:

tch_req_total = 1000

tch_req_success = 820

tch_req_fail = 180

واقعیت‌های در سطح خام در ابعاد مختلف به سطوح بالاتر تجمیع می‌شوند تا اطلاعات مرتبط‌تر با خدمات یا تجارت از آن‌ها استخراج شود. این وضعیت تجمیع یا خلاصه یا واقعیت‌های تجمعی نامیده می‌شوند.

برای نمونه اگر سه آنتن BTS در یک شهر وجود داشته باشند، در این صوت واقعیت‌های فوق را می‌توان از BTS های در سطح شهر در بعد شبکه تجمیع کرد. برای مثال:

tch_req_success_city = tch_req_success_bts1 + tch_req_success_bts2 + tch_req_success_bts3

avg_tch_req_success_city = (tch_req_success_bts1 + tch_req_success_bts2 + tch_req_success_bts3) / 3

رویکرد ابعادی در برابر رویکرد نرمال‌سازی برای ذخیره‌سازی داده‌ها

سه یا چند رویکرد عمده برای ذخیره‌سازی داده‌ها در یک انبار داده وجود دارد که مهم‌ترین رویکردها به صورت رویکرد ابعادی و نرمالیزه هستند.

رویکرد ابعادی

رویکرد ابعادی اشاره به رویکرد رالف کیمبال دارد که در آن بیان شده است که انبار داده باید با استفاده از مدل ابعادی (شِمای ستاره‌ای) مدل‌سازی شود. رویکرد نرمالیزه که مدل ۳NF (Third Normal Form) نیز نامیده می‌شود، اشاره به رویکرد بیل اینمون دارد که در آن انبار داده‌ باید با استفاده از مدل E-R/ مدل نرمال‌سازی شده، مدل‌سازی شود.

در یک رویکرد ابعادی، داده‌های تراکنش‌ها به صوت «واقعیت»‌هایی که به طور کلی داده‌های تراکنش عددی هستند و «ابعاد»‌ی که اطلاعات مرجع مشخص‌کننده مفهوم واقعیت‌ها هستند، افراز می‌شوند. برای نمونه یک تراکنش فروش را می‌توان به واقعیت‌هایی مانند تعداد محصولات سفارش داده شده و قیمت کلی پرداخت شده برای محصولات و ابعادی به صورت تاریخ سفارش، نام مشتری، تعداد محصول، آدرس‌های ارسال صورتحساب و کالا و فروشنده مسئول دریافت سفارش، تجزیه کرد.

مزیت کلیدی رویکرد ابعادی آن است که در آن درک و استفاده از انبار داده برای کاربر آسان‌تر است. ضمناً بازیابی داده‌ها از انبار داده بسیار سریع‌تر صورت می‌گیرد. درک ساختارهای ابعادی برای کاربران تجاری آسان‌تر است، چون ساختار به اندازه‌ها/واقعیت‌ها و زمینه/ابعاد تقسیم می‌شود. واقعیت‌ها با فرایندهای تجاری سازمان و سیستم‌های عملیاتی مرتبط هستند؛ در حالی که ابعاد شامل معنای این اندازه‌گیری‌ها هستند. مزیت دیگر مدل ابعادی آن است که نیازی به پایگاه‌های داده رابطه‌ای ندارد. از این رو این نوع از تکنیک مدل‌سازی برای کوئری‌های کاربر نهایی در انبار داده بسیار مناسب است.

مدل واقعیت‌ها و ابعاد می‌تواند به صورت مکعب داده نیز نگریسته شود. در این مدل ابعاد مختصات دسته‌ای در یک مکعب چندبعدی هستند و واقعیت‌ها مقادیر متناظر با آن مختصات به حساب می‌آیند.

معایب اصلی رویکرد ابعادی به صورت زیر هستند:

حفظ یکپارچگی واقعیت‌ها و ابعاد، در صورت بارگذاری داده‌ها از سیستم‌های عملیاتی مختلف امری پیچیده خواهد بود.

اصلاح ساختار انبار داده در صورتی که سازمان در رویکرد ابعادی خود تغییراتی اعمال کند دشوار خواهد بود. چنین تغییراتی در صورت تغییر روش تجارت سازمان ناگزیر خواهند بود.

  • رویکرد نرمالیزه

در رویکرد نرمالیزه داده‌ها در انبار داده به صورتی ذخیره می‌شوند که تا حدودی از قاعده نرمال‌سازی پایگاه داده تبعیت می‌کند. جداول بر اساس موضوع با هم گروه‌بندی می‌شوند که منعکس‌کننده دسته‌های عمومی داده (برای مثال، داده‌های مشتریان، محصولات، مالی و …) هستند. ساختار نرمال شده، داده‌ها را به صورت موجودیت‌هایی تقسیم می‌کند که چند جدول را در یک پایگاه داده رابطه‌ای تشکیل می‌دهند. وقتی از این رویکرد در یک سازمان بزرگ استفاده شود، نتیجه آن پدید آمدن تعداد بالایی از جداول خواهد بود که از طریق شبکه درهم‌تنیده‌ای از لینک‌ها به هم پیوند یافته‌اند.

به علاوه هر یک از این موجودیت‌های ایجاد شده در زمان تشکیل پایگاه داده به جداول فیزیکی جداگانه‌ای تبدیل می‌شود. مزیت اصلی این رویکرد آن است که فرایند اضافه کردن اطلاعات به پایگاه داده سرراست است. از جمله معایب این رویکرد عبارت از این است که به دلیل تعداد جداول ایجاد شده، الحاق داده‌ها از منابع مختلف برای ساخت اطلاعات معنی‌دار دشوار است و دسترسی به اطلاعات بدون داشتن درک دقیقی از منابع داده‌ای و ساختارهای داده‌ای در انبار داده نیز سخت خواهد بود.

هر دو مدل نرمالیزه و ابعادی را می‌توان در نمودارهای موجودیت-رابطه نمایش داد که هر دو شامل جداول رابطه‌ای الحاق یافته باشند. تفاوت بین دو مدل در میزان نرمالیزاسیون است. این رویکردها متقابلاً منحصربه‌فرد نیستند و رویکردهای دیگری نیز وجود دارند. رویکردهای ابعادی می‌توانند شامل حدودی از نرمال‌سازی داده‌ها باشند.

رابرت هیلارد در کتاب «کسب‌وکارهای مبتنی بر اطلاعات» رویکردی را ارائه می‌کند که این دو رویکرد را بر اساس نیازهای اطلاعاتی کسب‌وکار مقایسه می‌کند. این تکنیک نشان می‌دهد که مدل‌های نرمال شده حتی در مواردی که از حوزه‌های یکسانی استفاده می‌شود، اطلاعات بیشتری نسبت به معادل‌های ابعادی خود نگهداری می‌کنند؛ اما این اطلاعات بیشتر به قیمت کاهش کاربردپذیری به دست می‌آید. این تکنیک کمّیت اطلاعات را برحسب آنتروپی اطلاعات و کاربردپذیری بر اساس معیارهای تبدیل داده Small Worlds اندازه‌گیری می‌کند.

  • روش‌های طراحی

سه روش عمده برای طراحی انبارهای داده وجود دارند که در ادامه به بررسی آنها پرداخته‌ایم:

طراحی پایین به بالا

در رویکرد طراحی پایین به بالا، داده‌گاه‌ها به طور مقدماتی برای قابلیت‌های گزارش‌دهی و تحلیلی برای پردازش‌های خاص تجاری ایجاد می‌شوند. سپس این داده‌گاه‌ها را می‌توان یکپارچه ساخت تا یک انبار داده جامع ایجاد کرد. معماری گذرگاه انبار داده به طور ابتدایی یک پیاده‌سازی از «گذرگاه» به معنی مجموعه‌ای از ابعاد معین و واقعیت‌های معین است که در آن ابعاد بین واقعیت‌ها در یک یا چند داده‌گاه مشترک هستند.

طراحی بالا به پایین

رویکرد طراحی بالا به پایین با استفاده از یک مدل داده سازمانی طراحی می‌شود. داده اتمیک (Atomic data) به معنی داده در بالاترین سطح از جزییاتش است که در انبار داده ذخیره می‌شود. داده‌گاه‌های ابعادی باید شامل داده‌های مورد نیاز برای پردازش‌های خاص تجاری یا بخش‌های مشخص از سازمان باشند و از انبارهای داده‌ای ساخته می‌شوند.

  • طراحی ترکیبی

انبار داده غالباً به صورت معماری hub and spokes تشبیه می‌شود. سیستم‌های موروثی (Legacy systems) که انبارهای داده را تغذیه می‌کنند، اغلب شامل مدیریت رابطه با مشتری و برنامه‌ریزی منابع سازمانی هستند که حجم‌های بالاتری از داده را تولید می‌کنند. برای یکپارچه‌سازی این مدل‌های داده مختلف و تسهیل پردازش بار تبدیل استخراج، انبارهای داده در اغلب موارد از انبارهای داده‌ی عملیاتی استفاده می‌کنند، یعنی اطلاعاتی که متعاقباً به صورت انبارهای داده واقعی تجزیه می‌شوند. برای کاستن از افزونگی داده‌ها، سیستم‌های بزرگ‌تر غالباً داده‌ها را به روشی نرمال‌سازی شده ذخیره می‌کنند. سپس می‌توان داده‌گاه‌هایی برای گزارش‌های خاص بر روی این انبارهای داده‌ای ساخت.

یک پایگاه داده ترکیبی به صورت ۳NF یعنی شکل نرمال سوم نگهداری می‌شود تا افزونگی داده‌ها حذف شود. با این حال، یک پایگاه داده رابطه‌ای نرمال برای گزارش‌های هوش تجاری که مدل‌سازی ابعادی در آن رایج است، چندان بهینه محسوب نمی‌شود. داده‌گاه‌های کوچک را می‌توان از روی انبارهای داده منسجم ساخت و از داده‌های فیلتر شده مشخص برای جداول واقعیت و ابعاد مورد نیاز استفاده کرد. انبار داده یک منبع منفرد اطلاعاتی ارائه می‌کند که از روی آن می‌توان داده‌گاه‌هایی را ایجاد کرد و طیف متنوعی از اطلاعات تجاری را ارائه می‌کند. معماری ترکیبی امکان جایگزینی مخزن مدیریت داده اصلی را با انبار داده مهیا می‌سازد که در آن می‌توان اطلاعات عملیاتی و نه استاتیک را ذخیره کرد.

اجزای مدل‌سازی data vault از معماری hub and spokes تبعیت می‌کنند. این سبک مدل‌سازی یک طراحی هیبرید است که شامل بهترین رویه‌های «شکل نرمال سوم» و «شِمای ستاره‌ای» (star schema) است. مدل data vault یک شکل واقعی نرمال سوم نیست و برخی از قواعد آن را نقض می‌کند؛ اما یک معماری بالا به پایین با طراحی پایین به بالا محسوب می‌شود. مدل data vault طوری تنظیم شده است که به طور صریح یک انبار داده باشد. این تنظیم در جهت افزایش دسترس آن برای کاربر نهایی نبوده است و هنگامی که ساخته شود برای مقاصد تجاری همچنان نیازمند نواحی انتشاری بر مبنای شِمای ستاره‌ای یا داده‌گاه خواهد بود.

خصوصیات انبار داده

برخی ویژگی‌های مقدماتی وجود دارند که داده‌ها را در انبار داده تعریف می‌کنند و شامل موضوع-محوری، یکپارچه‌سازی داده، زمان-متغیر، داده‌های غیر فرّار و دانه‌بندی (Granularity) داده است.

موضوع-محور: داده‌ها در انبار داده بر خلاف سیستم‌های عملیاتی پیرامون موضوعات سازمان (نرمالیزاسیون پایگاه داده) گرد هم می‌آیند. جهت‌گیری موضوعی برای تصمیم‌گیری واقعاً مفید است. گردآوری اشیای مورد نیاز، موضوع-محوری نامیده می‌شود.

یکپارچه: داده‌های موجود درون یک انبار داده یکپارچه هستند. از آنجا که این داده‌ها از چند سیستم عملیاتی می‌آیند همه ناسازگاری‌ها می‌بایست حذف شوند. خصوصیات آن شامل قراردادهای نام‌گذاری، اندازه‌گیری متغیرها، ساختارهای انکودینگ، خصوصیات فیزیکی داده و مواردی از این دست است.

زمان-متغیر: با این که سیستم‌های عملیاتی به دلیل پشتیبانی از عملیات‌های هر روزه مقادیر فعلی را نشان می‌دهند؛ اما انبارهای داده، نشان‌دهنده داده‌هایی در افق زمانی بلندمدت‌تر (تا ۱۰ سال) هستند. این بدان معنی است که انبار داده حاوی داده‌های تاریخی است. انبار داده به طور عمده برای داده‌کاوی و پیش‌بینی استفاده می‌شود، چون اگر کاربری در جستجوی یک الگوی خرید برای یک مشتری خاص باشد، می‌بایست به داده‌هایی در مورد خریدهای فعلی و گذشته نگاه کند.

غیر فرّار: داده‌های موجود در انبار داده تنها خواندنی هستند، یعنی نمی‌توان آن‌ها را به‌روزرسانی، ایجاد یا حذف کرد.

جمع‌بندی: داده‌ها در انبار داده در سطوح مختلفی جمع‌بندی می‌شوند. کاربر انبار داده به واحدهای فروش کلی یک محصول در کل یک منطقه نگاه می‌کند. سپس کاربر به آمار آن منطقه نگاه می‌کند. در نهایت ممکن است فروشگاه‌های منفردی را در منطقه‌ای خاص بررسی کند. بدین ترتیب معمولاً تحلیل در سطوح بالاتر آغازمی شود و برای یافتن جزییات به سطوح پایین‌تر منتقل می‌شود.

معماری انبار داده

روش‌های مختلف مورد استفاده برای ساخت/سازمان‌دهی یک انبار داده بسیار متنوع هستند. سخت‌افزار مورد استفاده، نرم‌افزار ایجاد شده و منابع داده‌ای که به طور خاص برای کارکرد صحیح انبار داده الزامی هستند، اجزای اصلی معماری انباره داده محسوب می‌شوند. همه انبارهای داده چند مرحله دارند که در طی آن نیازمندی‌های سازمان تعدیل و تنظیم دقیق می‌شوند.

  • انبار داده در برابر سیستم عملیاتی

سیستم‌های عملیاتی برای حفظ یکپارچگی داده و سرعت ثبت تراکنش‌های تجاری با استفاده از نرمالیزاسیون پایگاه داده و مدل موجودیت-رابطه بهینه‌سازی شده‌اند. طراحان سیستم‌های عملیاتی به طور کلی از قوانین دوازده‌گانه کاد (Codd’s 12 rules) برای نرمال‌سازی پایگاه داده در جهت تضمین یکپارچگی بهره می‌گیرند. طراحی‌های پایگاه‌های داده کاملاً نرمال‌سازی شده (یعنی آن‌هایی که همه قواعد کاد در آن‌ها رعایت شده‌اند) غالباً موجب می‌شوند که اطلاعات حاصل از تراکنش‌های مالی در ده‌ها تا صدها جدول ذخیره شوند. پایگاه‌های داده رابطه‌ای در مدیریت روابط بین این جدول‌ها مؤثر هستند. این پایگاه‌های داده عملکرد به‌روزرسانی بسیار سریعی دارند، زیرا در هر بار پردازش یک تراکنش تنها مقدار کمی از داده در این جداول تحت تأثیر قرار می‌گیرند. برای بهبود عملکرد، داده‌های قدیمی معمولاً به طور دوره‌ای از سیستم‌های عملیاتی تخلیه می‌شوند.

انبارهای داده برای الگوهای دسترسی تحلیلی بهینه‌سازی شده‌اند. الگوهای دسترسی تحلیلی به طور کلی شامل گزینش فیلدهای خاصی هستند و دستورهایی به صورت «* select» در پایگاه‌های داده عملیاتی اگر کلاً بی‌استفاده نباشند، کاملاً نادر خواهند بود. به دلیل همین اختلاف‌ها در الگوهای دسترسی، پایگاه‌های داده عملیاتی (OLTP) از کاربرد DBMS ردیف-محور بهره می‌گیرند؛ اما پایگاه‌های داده تحلیلی (OLAP) از یک DBMS ستون-محور استفاده می‌کنند. انبارهای داده‌ای برخلاف سیستم‌های عملیاتی که تصویری لحظه‌ای از کسب‌وکار را در خود نگهداری می‌کنند، به طور کلی برای نگهداری یک تاریخچه نامتناهی استفاده می‌شوند که از طریق پردازش‌های ETL پیاده‌سازی شده و به طور دوره‌ای داده‌ها از سیستم‌های عملیاتی به انبارهای داده انتقال می‌یابند.

  • تکامل در کاربرد سازمانی

این اصطلاح‌ها به سطح پیچیدگی یک انبار داده مربوط هستند:

انبارهای داده عملیاتی آفلاین: انبارهای داده در این مرحله از تکامل برحسب یک چرخه زمانی منظم (معمولاً روزانه، هفتگی یا ماهانه) از سیستم‌های عملیاتی به‌روز می‌شوند و داده‌ها در قالب گزارش-محور یکپارچه‌ای ذخیره می‌شوند.

انبارهای داده آفلاین: انبارهای داده در این مرحله از داده‌های سیستم‌های عملیاتی در یک مبنای منظم به‌روزرسانی می‌شوند و انبارهای داده آن‌ها را در ساختارهای داده‌ای ذخیره می‌کنند که جهت تسهیل گزارش‌گیری طراحی شده‌اند.

انبارهای داده لحظه‌ای: انبارهای داده یکپارچه آنلاین نماینده مرحله طراحی انبارهای داده همزمان هستند که در این مرحله داده‌ها برای هر تراکنشی که روی داده‌های منبع انجام می‌یابد، به‌روزرسانی می‌شوند.

انبارهای داده یکپارچه: این انبارهای داده‌ای، داده‌ها را از بخش‌های مختلف کسب‌وکار گردآوری می‌کنند و از این رو کاربران می‌توانند اطلاعاتی که از سیستم‌های دیگر نیاز دارند را نیز ملاحظه نمایند.

  • پایگاه دانش

«پایگاه دانش» (Knowledge Base) دامنه‌ای از دانش و در واقع فناوری مورد استفاده برای ذخیره‌سازی داده‌های پیچیده ساخت یافته و غیر ساخت یافته است. از این پایگاه برای هدایت کردن اکتشافات در فرآیند داده‌کاوی شامل گام‌های «پاک‌سازی داده‌ها» (Cleaning of data)، یکپارچه‌سازی داده‌ها، انتخاب داده، تبدیل داده‌ها، داده‌کاوی، ارزیابی الگو و ارائه دانش استفاده می‌شود.

داده‌های ناموجود

امکان دارد مقادیر داده به دلایل گوناگون شامل اندازه‌گیری نشدن (مثلا در پایگاه داده اطلاعات کودکان مبتلا به تالاسمی قد فرد اندازه‌گیری نشده و بدون مقدار است)، پاسخ داده نشدن به پرسش موجود در فرم‌ها (مثلا فرد مشخص نکرده که گواهینامه رانندگی دارد یا خیر)، ناشناخته بودن مقادیر (مثلا عدد اشتباه برای سن فرد وارد شده) یا گم شدن داده‌ها وجود نداشته باشند. این داده‌ها، «داده ناموجود» (Missing data) محسوب می‌شوند. روش‌های داده‌کاوی بسته به گونه‌ای که با داده‌های ناموجود برخورد می‌کنند متفاوت هستند.

داده‌های غیر قابل اجرا

مقادیر ناموجودی که به لحاظ منطقی غیر ممکن هستند و یا طور مشخص مرتبط با دامنه‌ای که برای آن وارد شده‌اند نیستند را «داده‌های غیر قابل اجرا» (Non-applicable Data) گویند.

پاک‌سازی

پاک‌سازی داده‌ها (Cleaning | Cleansing)، یک گام از فرآیند داده‌کاوی و جزئی از پیش‌پردازش داده‌ها محسوب می‌شود که طی آن داده‌ها برای فعالیت‌های داده‌کاوی آماده‌سازی می‌شوند. خطاهای آشکار داده‌ها در این مرحله شناسایی، اصلاح و «داده‌های ناموجود» (Missing Data) با مقادیری (این مقادیر به روش‌های گوناگون قابل محاسبه هستند) جایگزین می‌شوند.

یکپارچه‌سازی داده‌ها

«یکپارچه‌سازی داده‌ها» (Data Integration)، یکی از گام‌های فرآیند داده‌کاوی و از مراحل پیش‌پردازش داده‌ها است. از این کار برای ادغام داده‌های گردآوری شده از منابع داده ناهمگون در یک مخزن داده همبسته استفاده می‌شود. این مخزن در برگیرنده داده‌های ناسازگار است، بنابراین نیاز به پاک‌سازی داده‌ها در آن وجود دارد.

تبدیل

«تبدیل» (Transformation) یک گام از فرآیند داده‌کاوی و پیش پردازش داده‌ها است. در این گام یک بیان مجدد از داده‌ها با انجام تجمیع دوباره، نرمال‌سازی و تغییر واحدهای اندازه‌گیری آن‌ها ارائه می‌شود.

بصری‌سازی

ابزارهای «بصری‌سازی» (Visualization)، داده‌ها را به صورت بصری نمایش می‌دهند تا درک بهتری از معنای آن‌ها حاصل شود. ابزارهای بصری‌سازی گرافیکی طیفی از نمودارهای نقطه‌ای ساده تا ارائه‌های پیچیده چند بُعدی را دارند.

استقرار

هنگامی که مدل ساخته و اعتبارسنجی شد، از آن برای تحلیل داده‌های جدید و انجام پیش‌بینی استفاده می‌شود. بنابراین، به استفاده از مدل «استقرار» (Deployment) گفته می‌شود.

  • DBMS

«DBMS» سرنامی برای «Database Management System» (سیستم مدیریت پایگاه داده) است. «سیستم مدیریت پایگاه داده»، سیستم نرم‌افزاری مورد استفاده برای ساخت و مدیریت پایگاه داده به شمار می‌آید. DBMS یک راهکار سیستماتیک برای کاربران و برنامه‌نویسان جهت ساخت، بازیابی، به روز رسانی و مدیریت داده‌ها فراهم می‌کند.

  • RDBMS

«RDBMS» سرنامی برای «Relational Database Management System» (سیستم مدیریت پایگاه داده رابطه‌ای) است. این سیستم در واقع پایگاه داده‌ای ساخته شده بر اساس مدل رابطه‌ای است.

رابط کاربری

«رابط کاربری» (User Interface | UI) در معنای عام به فضایی گفته می‌شود که تعامل میان انسان و ماشین رخ می‌دهد. در واقع رابط کاربری بخش قابل مشاهده از یک ابزار است که کاربر آن را مشاهده می‌کند. در داده‌کاوی نیز آن بخش از نرم‌افزارها و ابزارهای مورد استفاده که برای کاربر قابل مشاهده است (چه در ابزارهای پایگاه داده و چه زبان‌های برنامه‌نویسی مانند پایتون و R که برای انجام تحلیل به کار می‌روند) رابط کاربری محسوب می‌شود. برخی از نقش‌های رابط کاربری در ادامه بیان شده‌اند.

رابط انسان و ماشین جهت تعیین وظایف «پرس‌و‌جوی» (Query) داده‌کاوی

فراهم کردن اطلاعات برای کمک به متمرکزسازی جست‌و‌جوها

کاوش بر اساس نتایج میانی داده‌کاوی

مرور شمای پایگاه داده و انبار داده یا ساختارهای داده

ارزیابی الگوهای کاوش شده

بصری‌سازی الگوها به اشکال گوناگون

انواع ویژگی

یک مجموعه داده از نمونه‌ها و ویژگی‌ها (خصیصه‌ها) تشکیل می‌شود. یک ویژگی، فیلد داده‌ای است که مشخصه‌های یک شی داده را ارائه می‌کند. واژگان بُعد و متغیر معمولا در ادبیات این حوزه با معنای مشابه به کار می‌روند. اصطلاح بُعد به طور معمول توسط کارشناسان انبار داده مورد استفاده قرار می‌گیرد. نوع یک ویژگی توسط مجموعه‌ای از مقادیر ممکن تعیین می‌شود. این انواع شامل «اسمی» (nominal) که به آن «دسته‌ای» (categorical) نیز گفته می‌شود، «دودویی» (binary) و «عددی» (numeric) می‌شوند.

پیوسته

«داده‌های پیوسته» (Continuous) می‌توانند هر مقداری را در یک بازه از اعداد حقیقی بپذیرند. این مقدار الزاما نباید صحیح باشد. داده‌های پیوسته متفاوت و به نوعی متضاد داده‌های گسسته (Discrete) یا دسته‌ای هستند.

گسسته

یک قلم داده که دارای مجموعه متناهی از مقادیر است را «گسسته» گویند. گسسته در اینجا متضاد «پیوسته» است.

داده‌های دسته‌ای

به طور کلی، «داده‌های دسته‌ای» (Categorical Data) قرار گیری داده‌ها در تعداد کمی از دسته‌های گسسته است. داده‌های دسته‌ای به شیوه مشخصی تعریف می‌شوند. برخی از این داده‌ها از جمله اسامی شهرها یا جنسیت افراد فاقد ترتیب و مواردی مانند دمای هوا (بالا، متوسط و پایین) دارای ترتیب هستند.

بسته‌بندی

«بسته‌بندی» (Binning) یکی از روش‌های آماده‌سازی داده‌ها طی فرآیند کاوش جهت تبدیل داده‌های پیوسته به گسسته است. در این روش، نیاز به جایگزینی یک مقدار از طیف پیوسته با یک شناساگر «بسته» (bin) است.

ابعاد

هر «ویژگی» (Feature | Attribute) در مجموعه داده را که به صورت یک فیلد در فایل مسطح یا ستون در جداول پایگاه داده رابطه‌ای ذخیره شده است یک «بُعد» (Dimension) گویند. تعداد کل ویژگی‌ها، ابعاد مجموعه داده را مشخص می‌کند.

  • جبر خطی و آمار

روش‌های آماری و مباحث جبر خطی کاربردهای بسیاری در علم داده و داده‌کاوی دارند. از جمله مفاهیم آماری پر کاربرد در داده‌کاوی می‌توان به معیارهای تمرکز و شاخص‌های پراکندگی اشاره کرد.

میانگین

مقادیر یک مجموعه از داده‌های عددی را «میانگین حسابی» (Mean) گویند. میانگین انوع گوناگون و کاربردهای متنوعی در داده‌کاوی دارد.

میانه

مقدار موجود در وسط مجموعه‌ای از داده‌های مرتب شده را میانه گویند. به بیان دیگر، مقداری با تعداد مقادیر پیشین و پسین مشابه را میانه گویند.

مُد

یک نقطه تصمیم‌گیری در دسته‌بندی مقدار مُد (Mode) است. اگر بیش از یک مقدار دارای تعداد تکرار مشابهی باشد، داده «چندمدلی» (multi-model) است.

نرمال‌سازی

«نرمال‌سازی» (Normalization)، تبدیل داده‌ها به مقادیر بدون واحد به منظور مقایسه بهتر آن‌ها است. این امر موجب می‌شود داده‌ها دارای هیستوگرامی مشابه داده‌های اصلی ولی در بازه جدیدی مثلا ۰ و ۱ باشند. انجام این کار برای همه ورودی‌های شبکه عصبی و همچنین ورودی‌های مدل رگرسیون مفید است.

کمترین مربعات

«کم‌ترین مربعات» (Least Squares) متداول‌ترین روش آموزش وزن‌های مدل است. بدین منظور، نیاز به انتخاب وزن‌هایی است که انحراف مجموع مربعات از مقادیر پیش‌بینی شده مدل را کمینه کنند. این کار با استفاده از مقادیر مشاهده شده داده‌ها امکان‌پذیر است.

واریانس

«واریانس» (Variance) پر کاربردترین سنجه آماری مورد استفاده برای پراکندگی است. در محاسبه واریانس، گام اول آن است که مربع انحراف اقلام داده از مقدار میانگین آن‌ها مشخص شود. سپس، میانگین مربع انحرافات باید محاسبه شود. بنابراین واریانس به عنوان معیاری برای برآورد کلی تغییرپذیری مورد نیاز است.

MARS

«MARS» سرنامی برای «Multivariate Adaptive Regression Splines» (رگرسیون چند متغیره اسپیلاین) و راهکاری برای عمومی‌ساز ی درخت‌های تصمیم است.

«بیشینه‌سازی درست‌نمایی» (Maximum Likelihood) روشی برای تخمین یا آموزش مدل است. این تخمین از یک پارامتر، مقدار پارامتری است که نیاز به بیشینه‌سازی احتمال داده‌ها دارد. این داده‌ها از جامعه تعریف شده توسط پارامترها می‌آیند.

روش‌های داده‌کاوی

روش‌های داده‌کاوی در واقع روال‌ها و الگوریتم‌هایی هستند که برای تحلیل داده‌ها در پایگاه داده مورد استفاده قرار می‌گیرند. این روش‌ها در سه دسته «نظارت شده» (Supervised)، «نظارت نشده» (Unsupervised) و «نیمه نظارت شده» (Semi-Supervised) قرار می‌گیرند.

«آموزش» (Training) اصطلاحی است که برای تخمین پارامترهای مدل بر پایه مجموعه داده موجود مورد استفاده قرار می‌گیرد.«درجه برازش» (Degree of fit) سنجه‌ای است که نشان می‌دهد مدل چه میزان با داده‌های آموزش برازش شده است.«وابستگی» (association)، نوعی از الگوریتم‌های داده‌کاوی است. از این الگوریتم برای ساخت قوانینی که مشخص می‌کنند رویدادها چگونه با هم به وقوع پیوسته‌اند استفاده می‌شود و به آن «قواعد وابستگی» (Association Rules) گفته می‌شود.

پشتیبان» (Support) سنجه‌ای است که نشان می‌دهد چند وقت یکبار مجموعه اقلام در یک وابستگی هم‌زمان به وقوع می‌پیوندند و به صورت درصدی برای همه تراکنش‌ها نشان داده می‌شود. برای مثال، در ۲ درصد از خریدهای یک ابزار فروشی، بیل و کلنگ هم‌زمان خریداری شده‌اند.

هنگامی که نیاز به تعریف وابستگی در میان دو متغیر باشد، آیتم دوم در «سمت راست» (Right-hand side) قرار دارد.همچون الگوریتم وابستگی، در «کشف توالی» (Sequence Discovery) نیز توالی سری‌های زمانی وجود دارد. برای مثال، ۲۰ درصد از افرادی که VCR خریده‌اند، یک دوربین ویدئویی نیز طی ۴ ماه خریداری کرده‌اند.

اساسا، گره‌ها در یک «شبکه عصبی» (Neural Networks) در «لایه‌ها» (layers) گروه‌بندی می‌شوند. همچنین، هر لایه به عنوان ورودی، خروجی یا پنهان تعریف می‌شود. تعداد گره‌های خروجی با متغیرهای خروجی برابر است. معمولا یک یا دو لایه پنهان در یک شبکه عصبی وجود دارد.

دسته‌بندی

«دسته‌بندی» (Classification)، روشی برای حل مسائل داده‌کاوی است که طی آن دسته داده‌های موجود، با ساخت یک مدل پیش‌بینی می‌شود. مدل مذکور برپایه تعدادی متغیر پیش‌بین ساخته می‌شود.

درخت تصمیم

از «درخت تصمیم» (Decision Tree) برای ارائه مجموعه‌ای از قواعد سلسه‌مراتبی که منتج به یک کلاس یا مقدار می‌شوند استفاده می‌شود.

درخت دسته‌بندی

درخت دسته‌بندی نوعی درخت تصمیم است که «متغیرهای دسته‌ای» (Categorical Variables) را در کلاس‌ها قرار می‌دهد.

درخت رگرسیون

«درخت رگرسیون» (Regression Tree)، یک درخت تصمیم است که مقدار متغیرهای پیوسته را پیش‌بینی می‌کند.

CART

CART به درخت‌های دسته‌بندی و رگرسیون گفته می‌شود و در واقع سرنامی برای عبارت «Classification And Regression Tree» است. در این روش، متغیرهای مستقل در گروه‌های کوچک‌تری قرار گرفته و در واقع جداسازی می‌شوند و یک تابع ثابت برای مجموعه داده‌های کوچک‌تر برازش داده می‌شود. در درخت رگرسیون مقدار میانگین پاسخ برای مجموعه داده‌های کوچک متصل برازش داده می‌شود.

CHAID

«CHAID» سرنامی برای عبارت «Chi-squared Automatic Interaction Detector» (شناساگر تعامل خودکار خی دو) است. این الگوریتم برای برازش درخت‌های دسته‌ای مورد استفاده قرار می‌گیرد و برای جداسازی داده‌ها در مجموعه‌های داده‌های کوچک متصل بر آمارهای خی دو تکیه دارد.

حذف سطح پایین‌تر در درخت تصمیم را «هرس کردن» (Pruning) گویند. همچنین، از این اصطلاح برای تشریح الگوریتم‌ها نیز استفاده می‌شود. زیرا می‌توان از این اصطلاح برای تنظیم توپولوژی یک شبکه عصبی با حذف (هرس کردن) گره‌های پنهان استفاده کرد.

الگوریتم ژنتیک

«الگوریتم ژنتیک» (Genetic Algorithm) یک روش کامپیوتری برای تولید و ارزیابی ترکیبی از پارامترهای ورودی محتمل است. این الگوریتم باید خروجی بهینه را پیدا کند و از فرآیندی بر مبنای مفاهیم «تکامل طبیعی» (Natural Evolution) مانند «ترکیب ژنتیکی» (Genetic Combination)، «جهش» (Mutation) و «انتخاب طبیعی» (Natural Selection) در این راستا استفاده می‌کند.

ارزیابی مدل

یک مدل داده‌کاوی پس از نهایی شدن، باید از ابعاد گوناگون از جمله ارائه پاسخ‌های صحیح برای داده‌های جدید و قابلیت تعمیم مورد بررسی قرار بگیرد و «ارزیابی» (Evaluation) شود.

اعتبارسنجی

فرآیند ارزیابی مدل با مجموعه داده متفاوت از مجموعه داده آموزش را «اعتبارسنجی» (Validation) گویند.

ماتریس درهم‌ریختگی

«ماتریس درهم‌ریختگی» (Confusion Matrix) از جمله روش‌های ارزیابی الگوریتم‌های داده‌کاوی به ویژه در یادگیری نظارت شده محسوب می‌شود که نشان می‌دهد دسته چه تعداد از داده‌ها به درستی پیش‌بینی شده است. همچنین جزئیات دیگری نیز در همین رابطه به دست می‌دهد.

اعتبارسنجی متقابل

«اعتبارسنجی متقابل» (Cross-Validation) روشی برای تخمین صحت یک مدل رگرسیون است. در این روش، مجموعه داده به چندین بخش شامل داده‌های «آموزش» (Train)، «آزمون» (Test) و «اعتبارسنجی» (Validation) تقسیم می‌شود. داده‌های آموزش برای برازش مدل و داده‌های آزمون و اعتبارسنجی برای ارزیابی مدل برازش شده با داده‌های آموزش مورد استفاده قرار می‌گیرند.

معیارهای بهینه‌سازی

«معیار بهینه‌سازی» (ٰOptimization Criterion)، یک تابع مثبت از تفاوت بین پیش‌بینی‌ها و تخمین‌های داده‌ای است که انتخاب شده‌اند، تا تابع یا ساخت را بهینه‌سازی کنند. کمترین مربعات و بیشینه‌سازی درست‌نمایی از جمله معیارهای بهینه‌سازی محسوب می‌شوند.

تحلیل تمایز

«تحلیل تمایز» (Discriminant analysis) نوعی از روش‌های آماری است که بر پایه «بیشینه درست نمایی» (maximum likelihood) برای تعیین مرزها بنا نها شده است. این مرزها باید داده‌ها را در دسته‌های جداگانه‌ای قرار دهند.

«آنتروپی» (Entropy | بی‌نظمی) روشی برای محاسبه بی‌نظمی در داده‌ها است که بر مدل احتمالی تکیه دارد. برخی از درخت‌های تصمیم، داده‌ها را به گروه‌هایی بر مبنای حداقل آنتروپی تقسیم می‌کنند.

R-squared عددی است بین ۰ و ۱ که اندازه‌گیری می‌کند یک مدل چقدر خوب روی مجموعه داده‌های آموزش برازش شده است. صفر حاکی از آن است که مدل هیچ توانایی پیش‌بینی ندارد. این روش «کوواریانس» (Covariance) بین مقادیر پیش‌بینی و مشاهده شده که توسط «انحراف معیار» مقادیر پیش‌بینی و مشاهده شده تقسیم شده‌اند را محاسبه می‌کند.

سایر مفاهیم

دیگر مفاهیم مورد استفاده در این حوزه در ادامه بیان شده‌اند.

منطق فازی

«منطق فازی» (Fuzzy Logic)، بر مجموعه‌های فازی اعمال شده است. عضویت در یک مجموعه فازی دارای درجه‌ای است که الزاما ۰ یا ۱ نیست. منطق غیر فازی خروجی‌هایی را دستکاری می‌کند که درست یا غلط هستند. منطق فازی نیاز به دستکاری درجه «امکان» علاوه بر درست و غلط دارد.

«تعامل» (Interaction) زمانی به وقوع می‌پیوندد که دو متغیر مستقل با یکدیگر تعامل داشته باشند. به عبارت دیگر هر گاه تغییر مقدار یک متغیر، اثر بر متغیر وابسته دیگری را تغییر دهد تعامل به وقوع پیوسته است.

خطای وضعیت مجدد

تخمین خطا بر پایه تفاوت بین مقادیر پیش‌بینی شده و مقادیر موجود در مجموعه داده آموزش را «خطای وضعیت مجدد» (Resubstitution Error) گویند.

نمونه‌برداری

ساخت یک زیر مجموعه از کل داده‌ها را «نمونه‌برداری» (Sampling) گویند. نمونه‌برداری تصادفی در تلاش برای نشان دادن همه چیز با انتخاب داده‌های نمونه از طریق یک مکانیزم تصادفی است.

تحلیل حساسیت

تنوع پارامترهای یک مدل به منظور ارزیابی تغییرات در ورودی را «تحلیل حساسیت» (Sensitivity Analysis) گویند.

پردازش موازی

پردازش انجام شده توسط چندین کامپیوتر یا واحد پردازش مرکزی (CPU | Central Processing Unit) که به یکدیگر متصل شده‌اند و می‌توانند به طور هم‌زمان محاسبات انجام دهند را «پردازش موازی» (Parallel Processing) گویند.

SMP

«SMP» سرنامی برای عبارت «Symmetric Multi-processing» (چند پردازشی متقارن) محسوب می‌شود و پیکربندی کامپیوتری است که در آن پردازنده‌های زیادی یک سیستم‌عامل واحد، حافظه اصلی و دیسک را با یکدیگر به اشتراک می‌گذراند. این پردازنده‌ها می‌توانند روی بخش‌های گوناگون مساله به طور همزمان کار کنند.

خطای تست

تخمین خطا بر پایه مجموعه تفاوت بین پیش‌بینی‌های مدل روی داده‌های تست و مقادیر مشاهده شده در مجموعه داده‌های تست هنگامی که داده‌های تست برای آموزش مدل مورد استفاده قرار نگرفته‌اند را «خطای تست» (Test Error) گویند.

سری‌های زمانی

یک سری از مقادیر که در نقاط متوالی در زمان به وقوع پیوسته‌اند را «سری زمانی» (Time Series) گویند. سری‌های زمانی نوعی داده محسوب می‌شوند.

  • مدل سری‌های زمانی

«مدل سری‌های زمانی» (Time Series Model) نوعی مدل است که مقادیر آینده یک سری زمانی را بر اساس مقادیر پیشین محاسبه می‌کند.

پنجره‌سازی

از «پنجره‌سازی» (Windowing) هنگامی استفاده می‌شود که یک مدل با داده‌های سری زمانی آموزش داده می‌شود. یک پنجره، یک دوره از زمان برای هر مورد آموزش است. برای مثال،فرض می‌شود داده‌های قیمت‌های هفتگی بازار بورس برای ۵۰ هفته موجود باشند. پس باید پنجره را روی ۵ هفته تنظیم کرد. علاوه بر این، اولین مورد آموزش از هفته‌های یکی تا پنج استفاده کرده و پیش‌بین‌های آن را با هفته ششم مقایسه می‌کند. علاوه بر این، مورد دوم از هفته دو تا شش را برای پیش‌بینی هفته هفتم مورد استفاده قرار می‌دهد و به همین صورت.

واژگان بیان شده در بالا و تعاریف آن‌ها از پر کاربردترین مفاهیم مورد استفاده در زمینه داده‌کاوی هستند. این واژگان در این مطلب به صورت کلی شرح داده شدند تا چشم‌اندازی کلی از آن‌ها حاصل شود. برای درک جزئیات هر یک، می‌توان از لینک‌های ارائه شده در مطلب استفاده کرد. همچنین، برای علاقمندان به یادگیری داده‌کاوی به طور کامل، مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی توصیه می‌شود.

نرم افزار هوش تجاری Power BI

هوش یا درک کسب و کار از طریق جمع آوری اطلاعات کلیدی در مورد فعالیت های اصلی کسب و کار مانند بازاریابی، فروش، خدمات و … و تحلیل رفتار مشتریان، پرسنل، تامین کنندگان به دست می آید، بدین ترتیب عمل درست در زمانی که لازم است اتفاق می افتد. سیستم هوش تجاری BI بطور دائمی درگیر جمع آوری و ذخیره سازی اطلاعات در مورد فعالیت های سازمانی و سپس سازماندهی آنها به منظور تحلیل، گزارشدهی، داده کاوی می باشد. در شرایط اقتصادی این روزها، برای ماندن در بازار رقابت، کسب و کارها باید به سرعت و بطور مناسبی در برابر تغییرات بازار واکنش دهند و فعالیت هایشان را به نحو احسن بهینه سازی کنند، فرصت های کاهش هزینه را پیدا کنند و روی آنها اقدام نمایند. دسترسی به اطلاعات درست در لحظه کلید دستیابی به این امر است.

  • نرم افزار Power BI بینش در کسب و کار​

هنگامی که سود حاصل از یک سرمایه‌گذاری BI با سود حاصل از یک سرمایه‌گذاری در زمینه برنامه‌ریزی منابع سازمان (ERP) و یا مدیریت زنجیره تأمین (SCM) مقایسه می‌شود، مشاهده می‌کنیم که سود نرم افزار Power BI بسیار چشم‌گیر است، اگر چه احتمال دارد که ترکیب سرمایه‌گذاری ERP یا SCM با BI سود خوبی تولید کند چون سودی که در سیستم‌های ERP و SCM وجود دارد بدون ابزار BI غیر قابل استخراج است. به علاوه یک عقیده‌ی رایج در مورد نرم افزارهای ERP و SCM این است که این ابزارها داده‌های بسیار زیادی ایجاد می‌کنند.

نرم افزار هوش تجاری مایکروسافت Power BI امکان تحلیل این داده‌ها و استخراج مهم‌ترین نکات آن را به ما می‌دهد. بعضی از کاربردهای خاص Power BI از بقیه معمول‌ترند.

تکنیک ها و روش های مورد استفاده در Power BI

در هر راهکار هوش تجاری ای که برای سازمان ارائه می شود، افراد مختلفی در بخش های مختلف درگیر می شوند. این افراد باید از نرم افزارهای کاربردی و تکنولوژی های مختلف در مراحل مختلف شامل جمع آوری، ذخیره سازی و تجزیه و تحلیل اطلاعات و ارائه نتایج به دست آمده، استفاده کنند. برای این منظور، ابزارهای مختلفی توسط شرکت های مختلف تهیه شده اند. ابزارهای Power BI نرم افزارهای کاربردی هستند که برای فرآیندهای موجود در هوش تجاری طراحی شده اند و با آنها می توان اطلاعات را مورد تجزیه و تحلیل قرار داد و آنها را به صورت مناسبی ارائه کرد.

در مراحل مختلف BI با توجه به عملیات مورد نظر در آن مرحله از تکنیک های مختلفی استفاده می شود که در ادامه به بیان آنها خواهیم پرداخت. لازم به ذکر است ابزار طراحی شده نیز بر مبنای این تکنیک ها هستند.

ابزارها و تکنیک ها در سطوح مختلفی قرار می گیرند به گونه ای که سطوح پایین تر خود، ابزارها و تکنیک های سطوح بالاتر محسوب می شود. می توان گفت برخی از تکنیک ها به صورت افقی و برخی به صورت عمودی در هوش تجاری مورد استفاده قرار می گیرند. تکنیک های افقی تکنیک هایی هستند که در اکثر بخش ها و اجزای هوش تجاری مورد استفاده قرار می گیرند. مانند OLAP، پردازش های هوشمند، داده کاوی، سیستم های خبره و… تکنیک های عمودی تکنیک هایی هستند که با استفاده از برخی تکنیک های افقی و برخی تکنیک های خاص در حوزه خاصی از فرایند تجاری سازمان کارایی دارند.

از این رو تکنیک های افقی نیازمند دقت بیشتری در پیاده سازی و گسترش هستند به طوری که بتوانند با اجزای مختلف در چارچوب های مختلف در رابطه باشند. پیاده سازی این اجزا بر اساس استانداردهای خوب یکی از چالش های مهم در رابطه با هوش تجاری است.می توان در معماری هوش تجاری برای سازمان، این دو بخش را از همدیگر جدا کرد و هوش تجاری را سبدی از جنس ابزارهای افقی دانست که هر ابزار عمودی را می توان در آن قرار داد. ایجاد یک معماری افقی ثابت برای یک سازمان، رشد هوش تجاری در آینده را ضمانت می کند.

  • ETL

طی فرآیند ETL داده‌­ها از منابع اطلاعاتی مورد نیاز موجود در سازمان یا خارج از آن مانند، پایگا‌‌‌‌ه‌­های داده، فایل‌های متنی، سیستم­‌های قدیمی و صفحات گسترده استخراج شده و تبدیل به اطلاعاتی سازگار با فرمت معین می­شوند و سپس در یک مخزن اطلاعاتی که در اغلب اوقات یک DWH است، قرار داده می­‌شوند. برای انجام ETL نیاز به تخصص‌­های مختلفی چون تجزیه و تحلیل تجاری، طراحی پایگاه داده و برنامه‌­نویسی وجود دارد.

پیش از انجام فرآیند ETL ابتدا باید منابع اطلاعاتی که قرار است داده­‌های آنها به DWH منتقل شوند، شناسایی شوند، مقصد آنها در DWH مشخص شوند و تبدیلاتی که باید بر آنها انجام شود تا وارد DWH شوند، تعیین شوند. نحوه نگاشت اطلاعات به صورت اولیه، باید در مرحله جمع‌­آوری نیازها و مدل­‌سازی اطلاعات انجام شود. اطلاعات جزیی تر مربوط به نحوه نگاشت داده ها از منابع اطلاعاتی اولیه به DWH در مرحله طراحی و پیاده­سازی ETL مشخص می‌­شود.

  • شناسایی منابع اطلاعاتی

تعیین مقصد داده‌­ها:برای تمامی اطلاعات موجود در منابع اطلاعاتی شناسایی شده باید مکانی در DWH در نظر گرفته شود. داده های اطلاعاتی در قسمت‌­های مختلف DWH قرار می­گیرند.

نگاشت داده‌­های اطلاعاتی از مبدأ به مقصد: نحوه نگاشت داده­‌ها از مبدأ به مقصد و تغییراتی که باید بر داده‌­های اولیه اعمال شود تا به فرمت مناسب برای DWH درآیند باید تعیین شوند. این تغییرات موارد زیر شامل می­شود:

  • MetaData

فرایند ETL، یک پروسه محسوب می شود. به این معنی که به صورت پیوسته و مداوم در سیستم باید انجام شود. به ازای داده هایی عملیاتی که در طول زمان در سازمان به وجود می آید این فرایند نیز انجام می شود. آنچه که در استقرار یک هوش تجاری در سازمان مهم است ایجاد معماری و ساختاری مناسب است به طوری که این در طول اجرای عملیات مختلف، ETL با سازگاری با آن فرایند به سرعت انجام پذیرد. پس ساختار مورد استفاده برای ETL قبل از انجام آن از اهمیت بالایی برخوردار است.

فرایند ETL به دلیل اینکه روی حجم بالایی از اطلاعات انجام می شود و معمولا همراه با یکپارچه کردن داده ها همراه است می بایست در طول دوره های مختلف انجام شود. در این دوره ها و به هنگام آغاز فرایند ETL به دلیل بالا رفتن حجم ترافیک شبکه و پردازش سرورهای پایگاه داده ممکن است در انجام فرایندهای دیگر تجاری BI اختلال ایجاد شود که می بایست در طراحی هوش تجاری مورد توجه قرار گیرد.

DWH یک سیستم کامپیوتری از اطلاعات است که به گونه‌­ای مناسب برای انجام عملیات گزارش­‌گیری و تحلیلی داده‌­ها بر اساس زمان، طراحی شده است. این سیستم اغلب به صورت جداگانه‌­ای از سیستم­‌های عملیاتی روزانه قرار می­گیرد. Bill Inmon که از او به عنوان پدر DWH یاد می شود آن را به این ترتیب تعریف می­کند:

DWH متشکل از یک پایگاه داده و تعدادی جز (component) متصل است با ویژگی های زیر:

موضوع­‌گرا (Subject Oriented): پایگاه‌­داده به گونه‌­ای سازماندهی شده است که تمامی اطلاعاتی که به یک موضوع یا موجودیت خاص مربوط هستند با یکدیگر مرتبط هستند.

متغیر با زمان: تغییرات ایجاد شده در پایگاه‌­داده اولیه در آن اعمال می‌­شوند.

Non-volatile: داده­‌های اطلاعاتی هرگز حذف نشده، با داده­‌های جدید جایگزین نمی‌­شوند.

یکپارچه: اطلاعات موجود در پایگاه‌­داده از سراسر سازمان جمع‌­آوری شده‌­اند و با هم سازگاری دارند.

هدف اصلی DWH ایجاد بستری مناسب برای تولید اطلاعاتی است که به Knowledge worker های سازمان (مدیران، عوامل اجرایی و تحلیلگران) برای اتخاذ تصمیم­‌های درست کمک می­کند. برای این منظور از DWH در تهیه گزارش­ها، اطلاعات تحلیلی، تعامل بلادرنگ با سیستم­‌های عملیاتی و Profiling استفاده می­شود.

با DWH می­توان در سازمان سیستم تصمیم‌­یار (Decision support) ایجاد کرد. اطلاعاتی که در  DWH نگهداری می­شود از آنچه در پایگاه‌­های داده نگهداری می­شود (که شامل اطلاعات جزیی و روزمره است) به مراتب مهم­تر و ارزشمندتر است. در DWH تمامی اطلاعات موجود در سازمان از ابتدا تاکنون به صورت یکپارچه و سازمان‌دهی شده نگه‌داری می­شود. در این مخزن اطلاعاتی، اطلاعات از تمامی منابع اطلاعاتی و در یک بازه زمانی طولانی جمع‌­آوری می­شوند و به این دلیل حجم اطلاعات بسیار زیاد است.

در DWH نیاز به سازماندهی مناسب اطلاعات و استفاده از روش‌­های مناسب دسترسی به اطلاعات وجود دارد. DWH با طراحی متفاوت خود به صورت چندبعدی (Multi dimensional) قادر است تمامی این موارد را در نظر بگیرد. برای مثال در اطلاعات نگهداری شده برای فروش، زمان فروش، ناحیه فروش، فروشنده و محصول به فروش رفته به عنوان ابعاد مختلف در نظر گرفته می­شوند. اغلب این بعدها حالت سلسله مراتبی (Hierarchical) دارند. مثلا ممکن است زمان فروش شامل تاریخ و ساعت فروش محصول باشد. طراحی مدل داده چند بعدی با استفاده از تکنیک­‌های مرسوم در محیط­های OLTPمانند ERD و نرمال­‌سازی مناسب نیست. زیرا آنچه در DWH مهم است ایجاد امکان پرس­و­جو و بارگذاری سریع اطلاعات است.

برخی از سازمان­‌ها تمایل دارند DWH به صورت سراسری طراحی شود به طوریکه تمامی اطلاعات موجود در سازمان در آن قرار گیرند. طراحی و استفاده از DWH به این صورت کاری پیچیده و زمان­بر است. به همین علت در بسیاری از سازمان ها از Data Mart استفاده می­شود.

  • ویژگی های اصلی DWH

پایگاه‌داده تحلیلی در واقع پایگاهی است که خروجی فرایند ETL در آن قرار می­گیرد. داده‌­های استخراج شده و منتقل شده در این پایگاه داده load می­شوند. قابل ذکر است که در پیاده سازی یک DWH می­توان از روش‌­های مختلفی استفاده کرد که استفاده از data martها یکی از آن است. بسته به نحوه پیاده‌سازی یک DWH میزان اهمیت خصوصیات فوق تغییر می­کنند.

دقت در خصوصیات مهم فوق نشان می دهد که آنچه در پیاده سازی و کارگیری یک DWH بیشتر مهم است، میزان توانایی آن در پاسخ گویی به query ها است و هزینه را بیشتر در بخش ایجاد و وارد کردن اطلاعات وارد می کنند تا هزینه زمانی کمتر و کارآیی بالاتری را در هنگام بازیابی اطلاعات به دست آورند. این نکته مهم در می تواند در معماری سیستم بسیار مهم باشد.

  • Data MarT

بخشی از اطلاعات موجود در DWH در Data Mart نگهداری می شود. این اطلاعات بر حسب نیاز گروه‌هایی که در بخش IT سازمان فعالیت می کنند انتخاب و استخراج می شوند. در حالت کلی، اطلاعات مذکور از منابع اطلاعاتی مختلف موجود در سطح سازمان قابل تهیه هستند. معمولا اطلاعات موجود درData Mart از یک DWH استخراج می شود. در مجموع می­توان گفت در یک Data Mart ایجاد شده برای یک گروه knowledge worker، اطلاعاتی وجود دارد که گروه مذکور، از لحاظ تحلیلی و محتوایی به آن نیاز دارند و این اطلاعات را می­توان به فرمت مناسب برای گروه مذکور نمایش داد. Data mart ها به سه صورت وابسته، منطقی و Operational Data Store (ODS) وجود دارند.

Data Mart وابسته: یک پایگاه داده فیزیکی است که ممکن است سخت افزار آن از سخت افزار DWH مجزا باشد و شامل زیرمجموعه های کوچکی از اطلاعات می شود.

Data mart منطقی: به صورت فیزیکی وجود ندارد بلکه یک view فیلتر شده از DWH است. این نوع Data Mart نیازی به حافظه اضافی ندارد و داده ها همیشه بروز هستند. البته در این نوع Data Mart زمان پاسخ دهی سیستم بیشتر خواهد بود.

ODS: یک پایگاه داده یکپارچه از داده های عملیاتی سازمان هستند که معمولا اطلاعات باارزش یک دوره ۳۰ یا ۶۰ روزه را در بر دارند و برای گزارش گیری های مربوط به زمان حال که قابل دستیابی از DWH نیستند، مورد استفاده قرار می گیرند.

لازم به ذکر است از Data Mart ها به صورت جداول ایندکس هم استفاده می­شود به این صورت که به جای آنکه اطلاعات سیستم در یک پایگاه اطلاعاتی مرکزی تکرار شود، اطلاعات سازمان تنها در منابع اطلاعاتی اولیه ذخیره می شوند و ایندکس هایی از اطلاعات ایجاد می شوند. در این ایندکس ها (که همان Data Martها هستند)، مشخص شده است که هر منبع اطلاعاتی شامل چه اطلاعاتی است و چگونه می توان اطلاعات مورد نظر را از آن استخراج کرد. به این روش، روش quick and dirty گفته می شود. زیرا در این روش Data Martها را می­توان به سرعت ایجاد کرد و از طرفی اطلاعات مانند روش قبل پاکسازی نمی شوند.

یک Data warehouse برای جمع آوری تمامی اطلاعات در مورد موضوعات (subjects) مختلف مانند مشتری ها، محصولات، فروش، منابع، پرسونل و… ایجاد می شود. این اطلاعات در حوزه کل سازمان قرار دارد. ولی Data Martها اطلاعات زیر مجموعه های سازمانی را که روی یک موضوع خاص متمرکز است، در بر دارند.

برای ایجاد بستر داده ای برای نرم افزار Power BI به دو روش می توان عمل کرد:

بالا به پایین (top-down): گه در این روش یک DWH یکپارچه و یا یکODS برای کل یک سازمان ایجاد می شود. این پایگاه داده بزرگ تمامی اطلاعات و داده های عملیاتی سازمان را در بر دارد. ایجاد، پیاده سازی و استفاده از این نوع پایگاه داده بسیار گران، هزینه بر و سخت است.

پایین به بالا (down-top): در این روش داده های مرتبط با هم در یکdata mart قرار می گیرند و چندین data mart در نقاط مختلف سازمان ایجاد شده و در راستای همدیگر یک DWH برای سازمان ایجاد می کنند.

برای ایجاد بستر داده ای یک سازمان روش اول بسیار سخت و هزینه بر است و در بسیاری از کاربرد ها غیر ممکن به نظر می رسد.

با توجه به اینکه بسیاری از سازمان ها از قبل دارای منابع داده ای جدا هستند، استفاده از Data mart ها بسیار به صرفه به نظرمی آید و عملا نیز بسیاری از سازمان ها از این روش در BI استفاده می کنند. یکی از نقاط ضعف این روش این است که داده ها و اطلاعات مربوط به یک فعالیت در سازمان ممکن است در چندین data mart نگه داری شود که باعث ایجاد افزونگی در اطلاعات سازمان می شود.

Data mart ها بنا به کاربرد و انتظاراتی که از لحاظ کارآیی از آنها دارند، طراحی و پیاه سازی می شوند. در کاربرد­هایی که نیاز است آخرین تغییرات داده های سازمان در Data mart وجود داشته باشد نمی توان از Data mart های وابسته استفاده کرد و بهتر است در صورت کوچک بودن حجم پردازش مربوط به query ازData mart منطقی استفاده شود. در صورتی که حجم پردازش بالا باشد و نتوان آن را در زمان مناسبی از DWH استخراج کرد بهتر است بنا به مقدار هزینه ای که برای استقرار در نظر گرفته شده است، از Data mart های وابسته و یا ODSها استفاده شود.

با توجه به تقسیم بندی application های هوش تجاری در سطوح مختلف سازمانی (استراتژیک، تاکتیکی و عملیاتی) می­توان گفت data mart هایی که خاص منظور هستند، بیشتر ما بین سطوح عملیاتی و تاکتیکی کاربرد دارند. اینdata mart های اطلاعات ورودی خود را از سیستم های عملیاتی گرفته و با استفاده از ابزارهای هوشمند در سطوح میانی مدیریت که مربوط به مدیریت تاکتیکی می شود کاربرد دارند.

برای استفاده در سطوح استراتژیک که در سطوح بالای مدیریتی انجام می شود و در دفعات کم معمولا با انبوه اطلاعات enterprise wide سر و کار دارد، می توان از خود DWH و یا data mart های خاص استفاده کرد.

همچنین می توان از ترکیبی از روش های فوق برای پیاده سازی data mart های خاص استفاده کرد. برای مثال می توان از قسمتی از داده های یک Data mart وابسته را با استفاده از تکنیک data mart منطقی از بخش دیگری از یکData mart دیگر تهیه کرد.

باید توجه داشت که تقریبا از مرحله اول نیازمند وجود مخزنی برای ذخیره meta data ها هستیم. همچنین ممکن است در مراحل آخر نیازمندی جدیدی برای مرحله ETL پیش آید که در این صورت نیازمند انجام مجدد مراحل اولیه هستیم

معماری DWH از ETL تا پایان

معماری یک پایگاه داده تحلیلی شامل سه لایه می باشد:

۱- لایه زیرین، منابع اولیه داده را تشکیل می­دهد. این لایه شامل پایگاه­های داده رابطه­ای، فایل­‌های مسطح و منابع دیگر است.

۲- لایه میانی را خود پایگاه داده تحلیلی و سرویس دهنده­های پردازش تحلیلی برخط تشکیل می­دهند. سرویس دهنده­های پردازش تحلیلی بر خط، داده چند بعدی را برای ارائه به کاربران نهایی در اختیار قرار می­دهند.

۳- لایه انتهایی، سرویس گیرنده‌­ها هستند که با عملیات داده‌­کاوی، پرس­وجو و تحلیل، داده را از سرویس‌­دهنده‌­های پردازش تحلیلی بر خط می­گیرند.

سرویس‌دهنده‌­های پردازش تحلیلی بر خط که در لایه میانی معماری پایگاه داده تحلیلی قرار دارند، سه نوع هستند:

۱- پردازش تحلیلی برخط رابطه‌ای (Relational OLAP- ROLAP)

۲- پردازش تحلیلی برخط چندبعدی (Multi-dimensional OLAP- MOLAP )

۳- پردازش تحلیلی برخط ترکیبی (Hybrid OLAP – HOLAP )

در این لایه بندی به DWH به عنوان یک black box نگاه شده است و جایگاه آن در بین سایر ابزار ها بیان شده است. همانطور که مشخص است، ارتباط بین لایه اول با لایه دوم از طریق فرایند ETLبرقرار می شود. این فرایند در واقع همان مرحله اول ساخت DWH است که در بخش قبل بیان شد. لایه میانی خود DWH و گروهی از سرویس دهنده ها قرار گرفته اند، که سرویس های خاص DWHرا در اختیار ابزارهای سطح بالا قرار می دهند. این ابزار ها در واقع در مرحله سوم ساخت DWHبه وجود می آیند. در انتها لایه ای از یک سری ابزار سطح بالای تحلیلی وجود دارد که در مرحله آخر به وجود می آیند. لایه انتهایی دارای ابزارهای خاص منظوره برای انجام فرایندهای تصمیم گیری در سطوح مختلف سازمانی است. لایه میانی یک بستر عمومی است که به وسیله هوش تجاری ایجاد می شود و قابلیت به اشتراک گذاری بسیاری از امکانات خاص را برای برنامه ها و ابزار های مختلف دارد. ایجاد این بستر به طور کاملا ماجولار و جدا از سیستم های موجود در لایه پایینی و بالایی یکی از مهمترین فاکتورهای ایجاد یک هوش تجاری موفق می باشد.

گزارشات نرم افزار Power BI جدید با SQL Server 2016 :

مایکروسافت با ارائه SQL Server 2016 همزمان با شیرپوینت ۲۰۱۶ و خرید مجموعه Data zen قابلیت های جدیدی را در حوزه هوش تجاری اضافه کرده است که از آن جمله ارائه گزارشات موبایلی بسیار قوی و تعاملی است.

همچنین با ادغام نرم افزار R در SQL server 2016 در امکان تحلیل بر روی Big Data را فراهم آورده است.

  • انبار داده (Data Warehouse) چیست؟

در علم محاسبات یا رایانش، یک انبار داده (DW یا DWH) که به نام انبار داده سازمانی (EDW) نیز نامیده می‌شود، سیستمی است که برای گزارش‌دهی و تحلیل داده استفاده می‌شود و به عنوان جزء اصلی هوش تجاری محسوب می‌شود. انبارهای داده، مخازن مرکزی داده‌های یکپارچه از یک یا چند منبع پراکنده هستند. انبارهای داده، داده‌های کنونی و سابق را در یک محل گرد هم می‌آورند که متعاقباً برای ایجاد گزارش‌های تحلیلی برای کارمندان بخش‌های مختلف سازمان مورد استفاده قرار می‌گیرد.

داده‌های ذخیره شده در انبار داده از سیستم‌های عملیاتی مختلف مانند بازاریابی یا فروش بارگذاری می‌شوند. این داده‌ها ممکن است از یک data store عملیاتی بگذرند و ممکن است نیازمند پاک‌سازی داده‌ای برای عملیات‌های اضافی باشند. بدین ترتیب مطمئن شویم که پیش از استفاده در انبار داده‌ای یا گزارش‌گیری، کیفیت مورد نظر را دارند.

data warehouse

انبارهای داده معمولی مبتنی بر استخراج (Extract)، تبدیل (Transform) و بارگذاری (Load) هستند که به اختصار (ETL) نامیده می‌شوند و از سه لایه staging، یکپارچه‌سازی داده و دسترسی برای ایفای کارکردهای اصلی خود تشکیل می‌یابند. لایه staging یا در واقع پایگاه‌های داده staging، داده‌های جدید استخراج شده از هر سیستم داده منبع جداگانه را ذخیره می‌کند. لایه یکپارچه‌سازی مجموعه داده‌های پراکنده را با تبدیل داده‌ها از لایه staging مسنجم می‌سازد و غالباً داده‌های تبدیل یافته را در یک پایگاه داده data store عملیاتی (ODS) ذخیره می‌کند. سپس داده‌های یکپارچه‌سازی شده به یک پایگاه داده دیگر انتقال می‌یابند و در آن جا داده‌ها به گروه‌های سلسله مراتبی که غالباً بُعد، واقعیت‌ و واقعیت‌های تجمیعی (aggregate facts) نام دارند، تقسیم می‌شوند. ترکیب واقعیت‌ها و ابعاد گاهی اوقات شِمای ستاره‌ای نامیده می‌شود. لایه دسترسی به کاربران به بازیابی داده‌ها کمک می‌کند.

منبع اصلی داده، پاک‌سازی، تبدیل و کاتالوگ بندی شده و از سوی مدیران و دیگر متخصصین حرفه‌ای جهت داده‌کاوی، پردازش تحلیلی آنلاین، تحقیقات بازار و پشتیبانی تصمیم مورد استفاده قرار می‌گیرد. با این حال ابزار بازیابی و تحلیل، استخراج، تبدیل و بارگذاری داده‌ها و همچنین مدیریت دیکشنری داده‌ها نیز جزو اجزای اصلی سیستم انبار داده تلقی می‌شود. بسیاری از منابع برای سیستم‌های انبار داده از این معنی گسترده‌تر استفاده می‌کنند. از این رو یک تعریف جامع‌تر از انبار داده به این صورت است: ابزارهای هوش تجاری، استخراج، تبدیل و بارگذاری داده‌ها در مخازن و ابزارهایی برای مدیریت و بازیابی فراداده.

ابزار کسب و کار هوشمند Oracle BI

Intelligent business tool Oracle BI

ابزارهای هوش کسب و کار نرم افزارهای نرم افزاری هستند که برای جمع آوری و پردازش داده های بدون ساختار از سیستم های داخلی و خارجی (از جمله کتاب ها، مجلات، اسناد، پرونده های بهداشتی، تصاویر، فایل ها، ایمیل، ویدئو و سایر منابع قابل اعتماد کسب و کار) برای تصمیم گیری موثر جمع آوری و پردازش می کنند. ابزار BI برای شناسایی رفتار مشتری، بهبود دید و کارایی یک کسب و کار استفاده می شود. این ابزار همچنین برای تهیه اطلاعات برای تجزیه و تحلیل، برای کاربران ایجاد گزارش ها، داشبورد ها و تجسم داده ها کمک می کند. نتایج به کارمندان و مدیران قدرت را برای سرعت بخشیدن و بهبود تصمیم گیری افزایش می دهد، بهره وری عملیاتی را افزایش می دهد، پتانسیل های جدید درآمد را مشخص می کند، روند بازار را شناسایی می کند، گزارش های واقعی KPI را نشان می دهد و فرصت های کسب و کار جدید را شناسایی می کند.

  • Oracle BI

Oracle Business Intelligence Enterprise Edition یک سرور هوش تجاری است که توسط اوراکل ساخته شده است. اوراکل بی یک مجموعه کسب و کار است که متشکل از فن آوری های پیشرو و برنامه های کاربردی طراحی شده برای ارائه به کاربران یک سیستم یکپارچه، پایان به پایان سیستم مدیریت عملکرد. این نمونه کارها از برنامه های کاربردی کسب و کار با ویژگی های یکپارچه از پرس و جو، گزارش، تجزیه و تحلیل، هشدار، تجزیه و تحلیل تلفن همراه، ادغام داده ها و مدیریت و ادغام دسکتاپ است. کاربران همچنین برنامه های برتر برای عملیات BI، انبارداری داده ها و مدیریت عملکرد مالی را دریافت می کنند.

با Oracle BI، می توانید با استفاده از تجزیه و تحلیل بصری قوی، یک فرهنگ مبتنی بر داده ها ایجاد کنید. بینش های عملی که می توانید به دست بیاورید، می تواند شما را به تصمیم گیری های سریع تر و دقیق تر کسب و کار کمک کند.

 

برای تجزیه و تحلیل داده های حجم زیادی نیاز به عملکرد شدید دارید. آخرین نسخه Oracle BI (12c) شامل ویژگی های پیشرفته ای جدید برای پردازش حافظه برای ارائه زمان پاسخ سریعتر تجزیه و تحلیل است. Oracle BI Server عملکرد با بهینه سازی در حافظه را ارتقا می دهد که قابلیت استفاده از حافظه پیشرفته را برای داده های طول متغیر، فشرده سازی بیشتر و مرتب سازی سریعتر و نوشتن سریع تر فراهم می کند.

Oracle BI 12c یک ارتقا ساده و در عین حال قوی از نسخه ۱۱g قبلی است. شما می توانید تلاش و زمان را در هنگام ارتقاء ذخیره کنید. از یک فایل واحد، آرشیو برنامه کاربردی BI (BAR)، که همه چیز مورد نیاز برای ارتقا، حرکت، کلون، تست، تهیه پشتیبان و بازیابی یک برنامه را ارائه می دهد. BI 12c سرمایه گذاری فناوری اطلاعات و هزینه کل مالکیت (TCO) را کاهش می دهد و مدیریت عملکرد را بهبود می بخشد؛ زیرا مدیریت چرخه زندگی و ارتقاء معماری مانند ابزارهای خودپرداز، امنیت

Oracle Business Intelligence Enterprise Edition 11g که در میان ابزارهای هوشمند کسب و کار رتبه بندی شده است، دارای طیف گسترده ای از قابلیت ها از جمله داشبورد های تعاملی، نمایش های تبلیغاتی، اطلاعیه ها و هشدارها، گزارش سازمانی و مالی، کارت امتیازی و مدیریت استراتژی، فراخوانی فرآیند کسب و کار، جستجو و همکاری ، تلفن همراه و مدیریت یکپارچه سیستم.

OBIEE 11g یا Oracle Business Intelligence Enterprise Edition براساس یک معماری یکپارچه وب سرویس گرا اثبات شده است که با زیرساخت فناوری اطلاعات موجود برای کمترین هزینه کل مالکیت و بالاترین بازده سرمایه گذاری ادغام شده است. ساده تر و قوی تر و مدیریت فراداده مدولار را بهبود می بخشد.

Oracle BI کسب و کار را به موقع و دقیق ارائه شده در روش های دقیق و هوشمندانه به کاربران اجازه می دهد برای اجرای عملیات خود را به راحتی و راحت فراهم می کند. اطلاعات بسیار ارزشمند که از تجزیه و تحلیل معنی دار و سریع تحویل داده می شود، به شرکت ها اجازه می دهد تا راهکارهای موثر برای رسیدن به اهداف تجاری خود را ایجاد کنند.

با Oracle BI، کاربران می توانند: داده های تراکنش را به تجزیه و تحلیل معنی دار متصل کرده و امکان استثنا و روند را ارائه دهند. این اطلاعات را به کاربران در یک کاربر پسند ارائه دهید. اطلاعات دقیق را حتی از منابع غیر اوراکل مانند برنامه های کاربردی CSV و صفحات گسترده اکسل جمع آوری کنید. و، ترکیب عملیات داده ها و دفاتر پشت و مقایسه آن با معیارهای خارجی.

ساده سازی برنامه های تجزیه و تحلیل خود را با استاندارد سازی یک پلت فرم یکپارچه. متمرکز کردن داده ها و مدل های خود را برای به دست آوردن یک نمای کلی از کسب و کار را متمرکز میکند و کاربران را قادر به دسترسی امن و تجزیه و تحلیل داده ها از هر نقطه با استفاده از ابر و دستگاه های تلفن همراه. تجزیه و تحلیل محتوا را با اتصال به داده Big Data و منابع اوراکل بیشتر و با گستردگی بیشتری انجام دهد.

تصمیم گیرندگان مهم شرکت شما می توانند به سرعت پاسخ به پرسش های آماری و پیش بینی شده را پیدا کنند. تجزیه و تحلیل کسب و کار می تواند رکوردهای R را در حالت دسته ای اجرا کند تا مجموعه داده های جمع و جور ایجاد کند. بهبود تجزیه و تحلیل با اسکریپت R و تجزیه و تحلیل سرعت را با انتخاب از بارهای از توابع از قبل ساخته شده است.

  • داده کاوی

داده کاوی استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است.

فرآیند کاوی

فرآیند کاوی بین هوش محاسباتی و داده‌کاوی از یک سو و مدل‌سازی فرایندهای سازمان و آنالیز از دیگر سو قرار می‌گیرد. هدف کاوش فرایند کشف، مانیتورینگ و ارتقای فرایندهای واقعی از طریق استخراج دانش از داده‌های ذخیره شده قابل خوانش از سیستم‌های اطلاعاتی امروزه می‌باشد.

مدیریت عملکرد سازمانی

متن کاوی

همچنین به عنوان آنالیز متن نیز شناخته می‌شود که منظور از آن فرایند استخراج اطلاعات با کیفیت از متن است.تقاضا برای اطلاعات اکتشاف شده از منابع متنی به طور فزاینده ای در حال افزایش است. ذات غیرساخت یافته متون، اعمال همان روشهایی را که ما در مورد دیتابیسها بکار می بریم، غیرممکن می سازد.

تحلیل های پیش نگر و تحلیل های تجویزی

اجزای هوش تجاری

  • تخصیص و تجمیع چند بعدی
  • دی نرمال کردن، برچسب گذاری و استاندارد سازی
  • گزارش دهی برخط با منابع غیر ساختیافته
  • تجمیع و گروه بندی و بودجه بندی و پیش بینی
  • شبیه سازی احتمالات و ارجاع آماری
  • بهینه سازی شاخص های کلیدی عملکرد

معماری سیستم هوش تجاری

بعد از این که سازمانی ضرورت سیستم هوش تجاری را پذیرفت، یکی از مهمترین کارهایی که باید انجام دهد ، پیروی از یک طرح معماری هوش تجاری مناسب در فرآیند پیاده سازی سیستم است تا سرمایه گذاری سازمان در هوش تجاری با موفقیت همراه شود. معماری هوش تجاری چهارچوبی است که اجزاء مختلف هوش تجاری (داده ها، افراد، فرآیند ها، فناوری و مدیریت) و نحوه گرد هم آمدن این اجزاء را برای اطمینان از عملکرد روان سیستم هوش تجاری بیان می کند.

اگر معماری سیستم به درستی طراحی نشود ناسازگاری هایی که بین اجزا به وجود می آید ممکن است منجر به ارائه اطلاعات اشتباه به افراد اشتباه و در زمان نامناسب شود.

  • لایه های معماری سیستم هوش تجاری

لایه منابع داده

در مرحله اول، یکپارچه سازی داده های ذخیره شده در منابع اولیه و ثانویه که در نوع و ریشه ناهمگون هستند ضروری است.بخش بزرگی از داده به سیستم های اطلاعاتی مرتبط است اما ممکن است اسناد ساختار نیافته همانند پست الکترونیک و داده مرتبط با منابع خارجی نیز وجودد داشته باشد.

کار اصلی در این بخش یکنواخت کردن و یکپارچه کردن منابع داده مختلف است.

۲_لایه استخراج، انتقال و بارگذاری

مانع اصلی ایجاد یک واسط کاربری هوش کسب و کار برای تصمیم گیران که به همه منابع اطلاعات سازمان دسترسی مستقیم دارد، وجود نرم افزار ها و بانک اطلاعاتی مختلف است که تبادل داده ها بین آن ها به سهولت امکان پذیر نیست.

استخراج: این مرحله شامل دسترسی به داده های حاصل از منابع اغلب نا همخوان و متفاوت است. این منابع اعلب در پلتفرم های متفاوت هستند و همچنین می توانند بخشی از سیستم اطلاعاتی مشتریان نیز باشند.

تبدیل: این مرحله داده های استخراج شده را تبدیل می کند و به عنوان پیچیده ترین مرحله از فرآیند استخراج، انتقال و بارگذاری شناخته می شود. مرحله تبدیل به وسیله ابزار های برنامه نویسی سنتی، زبان های اسکریپت نویسی یا زبان پرس و جوی ساختار یافته انجام می شود.

بارگذاری: در مرحله بارگذاری، داده تبدیل شده، تجمیعی و فیلتر شده در انبار داده بارگذاری می شود.

لایه انبار داده : در این لایه سه جز انبار داده عملیاتی و انبارک قرار دارند. جریان داده از انبار داده عملیاتی به انبار داده و سپس به انبارک ها است.

۳_انبار داده عملیاتی

انبار داده عملیاتی برای یکپارچه سازی عملیات حاصل از فرآیند استخراج، انتقال، تبدیل و بارگذاری آن ها در انبار داده استفاده می شود.

انباره داده عملیاتی بانک اطلاعاتی است که داده های موضوع گرا، تفصیلی و مربوط به زمان حال را از چند منبع و برای پشتیبانی تصمیم ذخیره می کند.

  • انبار داده

یک انبار داده مجموعه ای از داده های مرتبط با کسب و کار است که سازمان دهی و اعتبار سنجی شده اند. انبار داده به عنوان هسته اصلی یک سیستم هوش تجاری شناخته می شود.

  • داده گاه (انبارک)

با توجه به این که داده های موجود در انبار داده اساساً برای پشتیبانی از نیاز ها در کل سازمان استفاده می شوند برای پشتیبانی از نیاز ها و درخواستت های یک واحد سازمانی خاص تجهیز شده اند.

  • لایه فراداده

فرا داده راجع به داده هاست. یه این معنی که به داده هایی که برای توصیف داده ها به کار می روند فرا داده گفته می شود.فرا داده توصیف می کند که داده ها کجا استفاده و ذخیره می شوند، منبع داده کجاست، چه تغییراتی در داده صورت گرفته است و یک جزء داده چگونه باا بقیه اطلاعات مرتبط است. انبار فرا داده محلی است برای ذخیره سازی داده های مربوط به فرا داده.

  • لایه کاربر نهایی

لایه کاربر نهایی شامل ابزار هایی برای نمایش اطلاعات به شکل های مختلف به کاربران متفاوت است. این ابزار ها را می توانیم به شکل سلسله مراتبب هرمی نمایش دهیم.

هوش تجاری یا Business Intelligence

  • هوش تجاری قسمت اول

حجم داده ها روز به روز در حال زیاد شدن است و کشور یا شرکت یا شخصی که بتواند از داده های خود به نحو احسن استفاده کند و بر اساس آن تصمیم گیری کند سریعتر و مطمئن تر رشد خواهد کرد.

فرض کنید که شرکتی ادعا کند ۱۵ سال تجربه دارد به نظرم سریعا باید از او پرسید تجربه ات کجاست! آن را مکتوب کرده ای یا داده ی ارزشمندی در این ۱۵ سال جمع کرده ای که بر آن اساس تصمیم بگیری ؟ یا نه؟ که اگر این کار را نکرده باشد باید به تجارب او شک کرد چرا که تجربه های تجاری  وقتی به داده و آنالیز تبدیل نشود مفت هم نمی ارزد. شما بگویید ۱۰۰ سال تجربه چه ارزشی دارد؟ مگر ایران و مصر  بیش از ۳۰۰۰ سال تمدن ندارند آیا از تجربه گذشته خود یا از داده ی خود استفاده کرده اند؟

داشتم میگفتم که داده ها با سرعت سرسام آوری رشد میکنند در کشور ما متاسفانه به این امر توجه نمیشود و کسب و کارهای کوچک و بزرگ داده های با ارزشی ندارند یا آن را جمع نمی کننند و یا بلد نیستند از آن اسفاده کنند. به نظرم یکی از قدمهای اساسی و کارهای ضروری یک کسب و کار جمع آوری داده است یعنی باید از روز اول کلیه تماس های ورودی و خروجی شرکت هزینه ها و درآمدها – رفت و آمدها ی شرکت میزان کارایی افراد و هر موردی که به ذهنشان میرسد ثبت کنند. این داده ها بعد از ۴ یا ۵  سال تبدیل به Wisdom یا خرد یا عقل شرکت میشوند. شرکت در این حالت به قدیمی ترین عضو خود به مدیر عامل و به هیچ کسی وابسته نیست بلکه شرکت یک مغز کامل با تمام داده های لازم است که میتوان بهترین تصمیمات را بر اساس آن گرفت و در تاریکی راه خود را پیدا کند.

وقتی ما از داده حرف میزنیم معمولا همه یاد گوگل وفیس بوک می افتند و میگویند داده چه ربطی به ما دارد و اساسا دیتای زیادی در ایران یا در سرورهای شرکت وجود ندارد و این کارها برای شرکتهای بزرگ خوب است. ولی به نظرم این طور نیست و یک مغازه کوچک هم میتواند از داده به نفع کسب و کار خود استفاده کند.

رستوران فست فودی که میداند در روزهای تعطیل متوسط چند نان باگت مصرف میکند و نانهایش کهنه نمیشود.

مغازه خیاطی که با حساب و کتاب پی میبرد در چه فصلی از سال و برای چه مدت نیاز به شاگرد خیاطی یا همکار دارد.

شرکت نرم افزاری که میداند فقط ۱۰ درصد از مشتریانش از طریق تبلیغات چاپی مشتری شده اند

فروشگاه کامپیوتری که میداند ۹۰ درصد کسانی که لپ تاپ میخرند به طور میانگین ۴۵۰۰۰ تومان هم برای لوازم جانبی هزینه میکنند

رستورانی که میداند ۷۰ درصد مشتریانش اضافه وزن دارد و میتواند غذاهای رژیمی هم در آنجا بفروشد.

میشود هزاران مثال آورد که از Data برای تصمیم گیری بهتر استفاده کرد و همه ی این مثالها کسب و کارهای کوچکی هستند با داده های خیلی کم ولی میتوانند از همین جا شروع کنند و رشد کنند و تصمیمات بهتری بگیرند.

ساده ترین تعریف ممکن از هوش تجاری شاید یک جمله از کتاب باشد که میگوید:

Using data about yesterday and today to make better decisions about tomorrow

هر کسب و کاری ممکن است در حال حاضر نرم افزارهای مختلفی داشته باشد ممکن است از Excel استفاده کنند و یا از نرم افزارهای اداری و مالی و مختلف که دیتابیس آن MS SQL یا Oracle یا غیره است یا حتی ممکن است کسب و کاری هم داده های خود را در دفتر و سررسیدی کهنه بنویسد که البته برای استفاده از آن باید حتما آن را تبدیل به داده ی دیجیتال کرد و آن در کامپیوتر ذخیره کرد به قول بیل گیتس در کتاب کسب و کار دیجیتال هر داد ه ای که تبدیل به کاغذ شود مرگ آن فرا میرسد.

نرم افزارهای مختلفی برای استفاده از داده ها و آنالیز آنها توصیه شده که میتوان به مهمترینشان یعنی:

…., Rapidminer, Power BI, Tableau

اشاره کرد. البته این نرم افزارها محدودیت هایی هم دارد مثلا Rapidminer تنها تا ۱۰ هزار رکورد را میتواند بخواند که عدد کمی برای کسب و کارهای کوچک نیست. اکثر این نرم افزارها قابیلت وصل شدن به پایگاه داده های مختلف ویا فایلهای Excel و … را دارند که اگر جلوتر رفتیم نمونه هایی را برایتان مثال میزنم .

شکل زیر تصویری از Data Warehouse را نشان می دهد در واقع یک انبار Data بزرگ که از منابع مختلفی به وجود آمده و به مدیریت سازمان برای تصمیم گیری بهتر کمک میکند.

ضعف BI و قانون (GIGO  (Garbage in, Garbage out !

تصور کنید که ما تصمیماتی ر ابر اساس داد های اشتباه یا یک گزارش نادرست بگیرم شاید این تصمیم چون قاطعانه و به پشتوانه BI گرفته شده میتواند موجودیت شرکت را کاملا به خطر اندازد یعنی هیچ کاری نکردن و باری به هر جهتی و جهادی کار کردن خیلی بهتر از یک سیستم BI ناقص یا مشکل دار است. و این جا جایی است که انتظار میرود تحلیل و داده ای درست به وجود بیاید که بتوان به آن تکیه کرد. یعنی بدون دقت کافی نتایج BI از هیچ هم بی ارزش تر است چون لااقل هیچ کاری نکردن و منفعل بودن شرکت را به بیراهه نمی برد.

۴ فاکتور کلیدی در BI را میتوان به ترتیب: ۱٫دقت ۲٫ عملی بودن ۳٫ محدودیت زمانی ۴٫ ارزش بالا

نام برد که در بخش بعدی سعی میکنم اینها را هم توضیح بدهم.

BI را جدی بگیرم به دو دلیل اول اینکه فکر میکنم نقش مهمی در آینده خواهد داشت و دوم اینکه چون ترکیب بیزنس و IT است و من به هر دوی این موضوعات علاقه دارم میتواند فیلد مناسبی برای مطالعه و کارم باشد و به قول معروف از بررسی و موشکافی آن خسته نمیشوم. البته باور دارم که دانستن و عمل نکردن همان ندانستن است و به طور قطع چیزهایی که یاد خواهم گرفت در کسب و کارم و در شرکت قدم به قدم و با حوصله و دقت پیاده خواهم کرد.

اموزش ابزارهای BI در Oracle

اموزش ابزارهای BI در Oracle یا هوشمندی کسب و کارِ اوراکل، پورتفولیویی از فناوری‌ها و برنامه‌های کاربردی است که یکپارچگی، بهینه سازی و کارایی را با استفاده از ابزارهای هوش تجاری – جمع‌آوری و شکل‌ دادن داده‌ها، ویرایش کوئری‌ها، گزارش‌، تحلیل، هشداردهی، داشبورد و نمودارها ..

این ابزار‌ها در قالب عناوین زیر ارائه شده‌اند:

مجموعه‌ای جامع که طیف گسترده‌ای از قابلیت‌های اطلاعات کسب‌وکار را فراهم می کند، از جمله داشبوردها، اطلاعات کامل و هوشمندانه و هشدارها و غیره. به طور معمول، سازمان‌ها حجم زیادی از داده‌های مربوط به محصولات، مشتریان، قیمت‌ها، فعالیت‌ها، فرصت‌ها، کارکنان و سایر عناصر را دارند. این اطلاعات اغلب در پایگاه داده‌های مختلف در نقاط گوناگون با نسخه‌های مختلف نرم‌‌افزاری جمع‌آوری گردیده‌اند. در OBI، پس از آنکه داده‌ها تحلیل شدند، سازمان توان تشخیص جایگاه خود را با استفاده از معیارها و شاخص‌های تغییرات در بازار پیدا می‌کند. همچنین افزونه کارت امتیازی و مدیریت استراتژی بستری را فراهم می‌کند تا اهداف و نتایج استراتژیک را تعریف کنید و آنها را به هر سطح از سازمان خود اشاعه دهید. با کمک آن کارکنان، اثرگذاری خود بر روی رسیدن به موفقیت را می‌فهمند و می‌توانند فعالیت‌های خود را به تناسبِ آن، تنظیم کنند.

 

 

 

Oracle BI Enterprise Edition

این ابزار به کاربر این قابلیت را می‌دهد تا گزارش‌گیری، پرس‌وجو و تحلیل، OLAP، ایجاد داشبورد و کارت‌های امتیازی را با گرافیک غنی و دسترسی مناسب و بهینه در قالب نمودارها و تصویرهای بصری انجام دهد. یک پلتفرم گسترده شامل داشبوردهای تعاملی، نمایش‌های تبلیغاتی، اطلاعیه‌ها و هشدارها، گزارش سازمانی و مالی، فراخوانی فرآیند کسب‌وکار، جستجو و همکاری و غیره است. OBIEE 11g براساس یک معماری یکپارچه تحت وب سرویس، با زیرساخت فناوری اطلاعات موجود در سازمان، برای کم کردن هزینه کل مالکیت و بالا بردن بازده سرمایه گذاری، ادغام شده است.

Oracle Hyperion System

این سیستم به عنوان فراهم کننده سیستم مدیریت عملکرد سازمانی عمل می‌کند و هوشمندی کسب‌وکار را در حوزه استراتژی محصول، بهبود می‌دهد. هایپریون محصولات مکملی را به پیشنهادات OBI اضافه می‌کند که از جمله آنها می‌توان راهکار برنامه ریزی سازمانی رهبر، محصولات نزدیک به سطح مالی جهانی و یک سرور OLAP چند-منبعی قدرتمند را نام برد.

 

Oracle BI Publisher

یک راهکار گزارش‌گیری آسانتر و سریعتر به منظور ساخت و تألیف، مدیریت و تحویل تمام گزارش‌ها و مستندات است. می‌توان از مرورگر وب یا ابزار آشنای دسکتاپ خود برای ایجاد هر گونه نمودار و گزارشات تعاملی از منابع داده‌ای مختلف استفاده و آنها را بصورت آنلاین مشاهده کرد یا با یک برنامه دستی، تعداد زیادی از آنها را در هر زمان بدون تأثیر گذاری بر روی سیستم‌های تراکنشی، در دسترس قرار داد.

Oracle BI Answers

این برنامه قابلیت کاربرد موردی را به کاربران نهایی می‌دهد تا در یک معماری تحت وب خالص (pure)، با دید منطقی از اطلاعات در تعامل باشند و به سادگی نمودارها، pivot tables، گزارش‌ها و داشبوردها را ایجاد، ذخیره، به اشتراک گذاری و اصلاح کنند و همچنین تغییر فرمت داده یا حتی در داشبورد شخصی OBI خود جا دهند.

 

ابزار کسب و کار هوشمند (Intelligent business tool Oracle BI) Oracle BI

ابزارهای هوش کسب و کار نرم افزارهای نرم افزاری هستند که برای جمع آوری و پردازش داده های بدون ساختار از سیستم های داخلی و خارجی (از جمله کتاب ها، مجلات، اسناد، پرونده های بهداشتی، تصاویر، فایل ها، ایمیل، ویدئو و سایر منابع قابل اعتماد کسب و کار) برای تصمیم گیری موثر جمع آوری و پردازش می کنند. ابزار BI برای شناسایی رفتار مشتری، بهبود دید و کارایی یک کسب و کار استفاده می شود. این ابزار همچنین برای تهیه اطلاعات برای تجزیه و تحلیل، برای کاربران ایجاد گزارش ها، داشبورد ها و تجسم داده ها کمک می کند. نتایج به کارمندان و مدیران قدرت را برای سرعت بخشیدن و بهبود تصمیم گیری افزایش می دهد، بهره وری عملیاتی را افزایش می دهد، پتانسیل های جدید درآمد را مشخص می کند، روند بازار را شناسایی می کند، گزارش های واقعی KPI را نشان می دهد و فرصت های کسب و کار جدید را شناسایی می کند.

  • Oracle BI

Oracle Business Intelligence Enterprise Edition یک سرور هوش تجاری است که توسط اوراکل ساخته شده است. اوراکل بی یک مجموعه کسب و کار است که متشکل از فن آوری های پیشرو و برنامه های کاربردی طراحی شده برای ارائه به کاربران یک سیستم یکپارچه، پایان به پایان سیستم مدیریت عملکرد. این نمونه کارها از برنامه های کاربردی کسب و کار با ویژگی های یکپارچه از پرس و جو، گزارش، تجزیه و تحلیل، هشدار، تجزیه و تحلیل تلفن همراه، ادغام داده ها و مدیریت و ادغام دسکتاپ است. کاربران همچنین برنامه های برتر برای عملیات BI، انبارداری داده ها و مدیریت عملکرد مالی را دریافت می کنند.

با Oracle BI، می توانید با استفاده از تجزیه و تحلیل بصری قوی، یک فرهنگ مبتنی بر داده ها ایجاد کنید. بینش های عملی که می توانید به دست بیاورید، می تواند شما را به تصمیم گیری های سریع تر و دقیق تر کسب و کار کمک کند.

برای تجزیه و تحلیل داده های حجم زیادی نیاز به عملکرد شدید دارید. آخرین نسخه Oracle BI (12c) شامل ویژگی های پیشرفته ای جدید برای پردازش حافظه برای ارائه زمان پاسخ سریعتر تجزیه و تحلیل است. Oracle BI Server عملکرد با بهینه سازی در حافظه را ارتقا می دهد که قابلیت استفاده از حافظه پیشرفته را برای داده های طول متغیر، فشرده سازی بیشتر و مرتب سازی سریعتر و نوشتن سریع تر فراهم می کند.

Oracle BI 12c یک ارتقا ساده و در عین حال قوی از نسخه ۱۱g قبلی است. شما می توانید تلاش و زمان را در هنگام ارتقاء ذخیره کنید. از یک فایل واحد، آرشیو برنامه کاربردی BI (BAR)، که همه چیز مورد نیاز برای ارتقا، حرکت، کلون، تست، تهیه پشتیبان و بازیابی یک برنامه را ارائه می دهد. BI 12c سرمایه گذاری فناوری اطلاعات و هزینه کل مالکیت (TCO) را کاهش می دهد و مدیریت عملکرد را بهبود می بخشد؛ زیرا مدیریت چرخه زندگی و ارتقاء معماری مانند ابزارهای خودپرداز، امنیت

Oracle Business Intelligence Enterprise Edition 11g که در میان ابزارهای هوشمند کسب و کار رتبه بندی شده است، دارای طیف گسترده ای از قابلیت ها از جمله داشبورد های تعاملی، نمایش های تبلیغاتی، اطلاعیه ها و هشدارها، گزارش سازمانی و مالی، کارت امتیازی و مدیریت استراتژی، فراخوانی فرآیند کسب و کار، جستجو و همکاری ، تلفن همراه و مدیریت یکپارچه سیستم.

OBIEE 11g یا Oracle Business Intelligence Enterprise Edition براساس یک معماری یکپارچه وب سرویس گرا اثبات شده است که با زیرساخت فناوری اطلاعات موجود برای کمترین هزینه کل مالکیت و بالاترین بازده سرمایه گذاری ادغام شده است. ساده تر و قوی تر و مدیریت فراداده مدولار را بهبود می بخشد.

Oracle BI کسب و کار را به موقع و دقیق ارائه شده در روش های دقیق و هوشمندانه به کاربران اجازه می دهد برای اجرای عملیات خود را به راحتی و راحت فراهم می کند. اطلاعات بسیار ارزشمند که از تجزیه و تحلیل معنی دار و سریع تحویل داده می شود، به شرکت ها اجازه می دهد تا راهکارهای موثر برای رسیدن به اهداف تجاری خود را ایجاد کنند.

با Oracle BI، کاربران می توانند: داده های تراکنش را به تجزیه و تحلیل معنی دار متصل کرده و امکان استثنا و روند را ارائه دهند. این اطلاعات را به کاربران در یک کاربر پسند ارائه دهید. اطلاعات دقیق را حتی از منابع غیر اوراکل مانند برنامه های کاربردی CSV و صفحات گسترده اکسل جمع آوری کنید. و، ترکیب عملیات داده ها و دفاتر پشت و مقایسه آن با معیارهای خارجی.ساده سازی برنامه های تجزیه و تحلیل خود را با استاندارد سازی یک پلت فرم یکپارچه. متمرکز کردن داده ها و مدل های خود را برای به دست آوردن یک نمای کلی از کسب و کار را متمرکز میکند و کاربران را قادر به دسترسی امن و تجزیه و تحلیل داده ها از هر نقطه با استفاده از ابر و دستگاه های تلفن همراه. تجزیه و تحلیل محتوا را با اتصال به داده Big Data و منابع اوراکل بیشتر و با گستردگی بیشتری انجام دهد.تصمیم گیرندگان مهم شرکت شما می توانند به سرعت پاسخ به پرسش های آماری و پیش بینی شده را پیدا کنند. تجزیه و تحلیل کسب و کار می تواند رکوردهای R را در حالت دسته ای اجرا کند تا مجموعه داده های جمع و جور ایجاد کند. بهبود تجزیه و تحلیل با اسکریپت R و تجزیه و تحلیل سرعت را با انتخاب از بارهای از توابع از قبل ساخته شده است.

اموزش نصب oracle Business Intelligence Enterprise Edition (OBIEE)

پس از نصب Database و Fusion middleware نوبت به نصب OBIEE رسیده است. ابتدا باید شروع به نصب آن نموده و سپس آن را Config نمود.

مراحل نصب:

BI پس از دانلود دو فایل زیپ شده است که باید این دو فایل را با هم هایلایت کرده و Exteract Here کرد.

سپس فایل Setup با کلیک راست کردن و زدن دکمه Run as administrator اجرا گردد.

 

 

 

Welcome .1

این بخش برای خوش‌آمد گویی می‌باشد.

Auto Updates .2

این بخش برای Update نرم‌افزار است. و بهتر است این کار به صورت اتوماتیک انجام شود، پس گزینه اول گزینه مناسب آن است.

Installation Location .3

این بخش برای وارد کردن آدرس دلخواه و مناسب برای نصب است. که البته می‌توان از آدرس پیش‌فرض استفاده نمود.

Installation Type .4

این بخش خلاصه‌ای از اطلاعات مشخص شده را نمایش می‌دهد. و تنها تفاوت گزینه اول و دوم آن است که گزینه دوم همراه با نمونه و مثال است.

Prerequisite Checks .5

این بخش برای چک کردن شرایط نصب می‌باشد. که مشکل وجود نداشته باشد و امکانات لازم محیا باشد.

 

Installation Summary .6

این بخش نشان‌دهنده اطلاعات و مشخصات تایین شده از اول تا این قسمت کار است، که در صورت لزوم می‌توان آن را با دکمه Save Response File ذخیره نمود.

Installation Progress .7

در این بخش نصب شروع شده و باید منتظر اتمام آن بود. در این مرحله تمامی موارد ذکر شده در عکس بررسی می‌گردد، اگر مشکلی در خصوص آن‌ها وجود داشته باشد باید برای اصلاح آن‌ها اقدام نمود.

در هنگام نصب ممکن است نیاز به توزیع جدید C++ 2010 x64 باشد. هیچ نگرانی وجود نداشته و کافی است

نصب به اتمام رسید.

 

 

نصب به اتمام رسید.

Installation Complete .8

این بخش بیان‌کننده اتمام و نصب موفق OBIEE همراه با اطلاعات آن می‌باشد.

پس از اتمام نصب باید به مسیر زیر رفته تا OBIEE نصب شده config نیز بشود.

C:\Oracle\Middleware\Oracle_Home\bi\bin

و سپس بر روی دکمه config باید کلیک شود.

 

اگر قرار بر استفاده از Business Intelligence Enterprise Edition و Business Intelligence Publisher  باشد، باید تیک مربوط به گزینه Essbase برداشته شود.

Prerequisite Checks .9

این بخش برای چک کردن شرایط نصب می‌باشد. که مشکل وجود نداشته باشد و امکانات لازم محیا باشد.

Define New Domain .10

در این بخش باید نام User و Password دلخواه که با آن می‌توان وارد محیط BI شد را تایین نمود.

Database Schema .11

این بخش برای اتصال به دیتابیس می‌باشد. به همین جهت اطلاعات مربوط به دیتابیس را درخواست می‌کند.

Port Range .12

در این بخش بهتر است در صورت نداشتن مشخصه خاصی از موارد پیش‌فرض استفاده نمود.

Initial Application .13

بهتر است نرم افزار نمونه اوراکل  در این بخش انتخاب گردد.

Summary .14

این بخش نشان‌دهنده اطلاعات و مشخصات تایین شده از اول تا این قسمت کار است، که در صورت لزوم می‌توان آن را با دکمه Save Response File ذخیره نمود.

Configuration Progress .15

این مرحله نیاز به اندکی صبر دارد.

در نهایت صفحه CMD به صورت خودکار باز شده تا نصب را به پایان رساند.

Configuration Complete .16

این بخش بیان‌کننده اتمام و Config درست OBIEE همراه با اطلاعات آن می‌باشد.

در نهایت با کلیک بر دکمه Finish صفحه به‌روزر و Analytics باز می‌شود و باید User و Password را در آن وارد نمود.

پس از وارد کردن User و Password می‌توان به صفحه OBIEE دسترسی پیدا کرد.

(Oracle Data Integrator)ODT

اوراكل , فنآوری Sunopsis ETL را كه در پائیز گذشته خریداری كرده , طوری ارتقا داده است كه نیازهای SOA و مدیریت داده های اصلی و نیز نگهداری Warehousing داده ها و انتقال داده ها را نیز بر آورده كند .اوراكل ، فنآوری Sunopsis ETL را كه در پائیز گذشته خریداری كرده ، طوری ارتقا داده است كه نیازهای SOA و مدیریت داده‌های اصلی و نیز نگهداری (Warehousing) داده‌ها و انتقال داده‌ها را نیز بر آورده كند . تسلط بر این ابزار آن قدرها آسان نیست. ولی برای سرمایه گذاری در زمینه ی آموزش ، گزینه ی خوبی است.

در ماه اكتبر گذشته ، اوراكل ، Sunopsis و محصول Active Integration Platform (AIP) آن را كه شامل زیر مجموعه‌ای از امكاناتی است كه به عنوان Data Conductor فروخته می‌شوند ، خریداری و در ماه اكتبر ، اولین نسخه ی ارتقا یافته ی این محصول ETL گرا [۱]را با امكانات پیشرفته یكپارچه‌سازی برنامه عرضه كرد . نام و نسخه ی این محصول تغییر یافت تا با خط تولید مدیریت داده‌های اوراكل سازگار باشد.

این محصول كه اكنون Oracle Data Integrator v ۱۰.۱.۳ (ODI) نامیده می شود ، معماری و كاركرد Sunopsis AIP را حفظ كرده و چند تغییر ارتقا دهنده ی درخور توجه نیز در آن داده است كه مهمترین آن ها ، بهبود قابلیت ادغام با برنامه‌های Service-Oriented Architecture (SOA) است . ODI ، تبادل اطلاعات بین برنامه‌ها را خودكار می‌كند . اوراكل این محصول را در چهار زمینه ی كلیدی ارتقا بخشیده است

نگهداری داده‌ها و هوش كسب و كارSOA Master Data Management (MDM)

پس از كار با ODI در محیط آزمایش و گفت و گو با كاربران فراوان آخرین نسخه ی Sunopsis ، به این نتیجه رسیدیم كه ODI با معماری ساده ای که دارای حداقل نیازمندی سخت‌افزاری است ، به هر چهار نیاز به خوبی پاسخ می‌دهد . ابزارها و ساختار ODI ، مدیریت كردن آن را نسبتاً ساده می‌كند ، به ویژه وقتی كه افرادی از بخش های مختلف سازمان بخواهند در كل پروژه ، نقش داشته باشند.

در اینجا لازم است به دو مطلب توجه کرد : اول اینكه ، ODI برای تبدیل داده‌ها از رویكرد قوانین كسب و كار استفاده می‌كند. به این ترتیب كه شما ساختارها و قوانین تبدیل را تعریف می‌كنید و ODI ، كد لازم و مناسب برای فنآوری های داده‌ ای مبداء و مقصد را ایجاد می‌كند . دوم اینكه ، ODI به سرور میانجی نیاز ندارد و داده‌ها مستقیما بین سرورهای مبدا و مقصد جا به جا می‌شوند .

این امر سبب حذف نیاز به حركت در شبكه برای داده‌ها می شود و نیز به فنآوری پایگاه داده ی سرور مبداء یا مقصد امكان می دهد که تبدیلات لازم را در مورد داده‌ها انجام دهد.

برای سازگاری با دامنه ی وسیعی از سكوها ، قسمت عمده ی ODI با جاوا پیاده‌سازی شده است . ODI حاوی مؤلفه‌های زمان اجرا و زمان طراحی است كه از مجموعه ی مشتركی از مخزن های فراداده‌ای بهره می برند. چند میانجی و API از ادغام با برنامه های بیرونی از جمله برنامه‌های SOA و سیستم های سنتی زمان‌بندی كارها پشتیبانی می‌كنند.ODI ، چندین میانجی كاربری اصلی دارد. میانجی Topology Manager برای تعریف فنآوری‌های دستیابی به داده‌ها و محل ذخیره‌سازی سطح بالای داده‌ها به صورت فیزیكی و منطقی (كه مبداء و مقصد جابه جایی و تبدیل داده‌ها در پروژه‌هایی كه ایجاد می‌كنید ، خواهند بود) به كار می‌رود .

هر فنآوری داده‌ای پشتیبانی شده (مثلاً پایگاه داده ، فایل معمولی ، فایل صفحه گسترده و ساختار داده XML) یك Knowledge Module (KM) از پیش برنامه‌ریزی شده مربوط به خود دارد . هر KM به همراه یك لایه ی اتصال مناسب مانند JDBC یا JMS ، كد لازم برای كار با آن فنآوری را ارائه می‌كند. ODI همچنین دارای SQL عام و JMS Knowledge Module است و API هایی دارد كه برای ایجاد Knowledge Module برای سرویس های داده‌ای و دیگر فنآوری‌های اختصاصی به كار می‌روند.میانجی كاربری Designer كه برنامه‌نویسان و توسعه‌دهندگان ، بیشتر وقت خود را در آن صرف خواهند كرد ، برای ارائه ی اسكیمای تفصیلی و جریان داده‌هایی كه برای كار ارزش حیاتی دارند ، به كار می رود . در این میانجی، Model ها برای توصیف ساختار داده‌ها ، جدول ها ، ستون‌ها ، محدودیت ها و … به كار می‌روند. Project (پروژه) برای توصیف چگونگی استفاده از این ساختار داده‌ها .در یك پروژه ، یك Interface ایجاد می‌كنید تا برای توصیف چگونگی بارگذاری داده‌ها و تبدیل آن ها از یك یا چند مخزن ذخیره‌سازی داده‌ها در مبداء به یك مخزن ذخیره‌سازی در مقصد استفاده شود . از تركیب Interface ها و Procedure ها ، ابزارها و اشیای دیگر ، Package به دست می‌آید كه بزرگترین شیء قابل اجرای ODI است .پس از تكمیل این مراحل ، نسخه ی كامپایل شده Interface ها ، Procedure ها یا Package ها كه Scenario نام دارند در Repository ذخیره می‌شود.

Scenario ، واحدی است كه برای اجراء ، زمان‌بندی می‌شود . توانایی ایجاد چندین Context به شما امكان می‌دهد تا به سرعت ، Project ها و Scenario های خود را به مخزن داده‌های فیزیكی (مثلا بین مخزن داده ی ایجاد و توسعه و مخزن داده ی تولید) اختصاص دهید.

از میانجی كاربری Operator برای زمان‌بندی و مدیریت اجرای كارها استفاده می شود . میانجی كاربری Security ، كنترل تفكیك شده‌ای بر دستیابی اشخاص به یك پروژه و برای انجام كارهایی که مجاز به انجام آن هستند ، ارائه می كند . یك میانجی تحت وب سبك به نام Lightweight Designer به شما امكان می‌دهد تا بر اجرای كارها از راه دور نظارت کنید و برای اصلاح مشكلات عملیاتی ، اقدام‌های اولیه را انجام دهید.

کار با ODI

پس از مدتی کار کردن با ODI ، چند موضوع برایم روشن شد . یكی از این مسائل آن بود كه به سرعت نمی‌توان بر این محصول تسلط پیدا كرد . ولی برای اهداف خاص پروژه و آموزش مقدماتی ، می توان آنچه را كه برای انجام كار لازم است ، یاد گرفت . فكر می‌كنم كه بیشتر برنامه‌نویسان در ظرف چند روز بتوانند با معماری و میانجی های كاربری ODI آشنا شوند و كار كنند. آن هایی كه سیستم های ETL را با استفاده از روشهای غیر سیستماتیک پیاده‌سازی كرده‌اند ، سطح جداسازی ODI را تحسین خواهند كرد . این سطح به شما امكان می‌دهد بدون اینكه زیاد نگران جزئیات برنامه‌نویسی باشید ، بر توصیف آنچه می‌خواهید انجام دهید ، تمركز كنید.

 ODI

ODI برای آسان كردن منحنی یادگیری شما ، یك محیط آزمایشی با Test Repository و یك Demonstration Repository حاوی اشیای پایگاه داده‌ها و فایل های از پیش تعریف شده نصب می‌كند . یك اسكریپت Getting Started به من كمك كرد بفهمم كه چگونه با ODI كار كنم . دانش مقدماتی SQL نیز لازم است ، زیرا برای تعریف محدویت‌ها و تبدیل‌ها باید از دستورهای SQL استفاده كرد . امكانات اعتبارسنجی داده‌ها ، مجموعه ای از داده‌های غیر معتبر ایجاد می‌كند كه می‌توانید آن‌ها را تصحیح كنید و دوباره مورد استفاده قرار دهید . برای ایجاد Interface می‌توانید .

به این صورت ، ODI به شکل خودكار ، ستون‌های جدول های مبداء و مقصد را كه نام یكسانی دارند به یكدیگر نگاشت می‌كند و اعتبار دستورهای SQL شما را بر اساس سرور ، می سنجند . Expression Editor ، نمونه دستورهای SQL را ارائه می‌كند تا در نحو دستوری آن ها به شما كمك ، و تعریف تبدیل داده‌ها را آسان كند.

برگه Business Rules به افرادی كه از داده‌ها آگاهی دارند ، امكان می‌دهد تا تبدیلات ستون ها را تعریف كنند . یك ایجاد كننده SQL ، میانجی را تكمیل می‌كند .

قسمت عملیات ODI ، انعطاف زیادی دارد . بعد از اینكه عناصر پروژه را ایجاد كردید ، با كشیدن و رها كردن این عناصر می‌توانید آن ها را در یك Package با یكدیگر تركیب كنید . تصویر سمت چپ ، یك پكیج كامل را نشان می‌دهد كه دارای یك Procedure و چند Interface است كه ظرف چند دقیقه ایجاد شده‌اند. یك كلیك راست ، اولین مرحله را آغاز می‌كند . ابزارهای OK و Non-OK به شما امكان می‌دهند مشخص كنید كه در صورت موفقیت یا عدم موفقیت ، چه مرحله‌ای اجرا شود .با Designer نیز می توانید یك پكیج را اجرا كنید. برای پیگیری روند پیشرفت آن می توانید به میانجی كاربری Operator بروید . همان طور كه در شكل نشان داده شده است ، Operator به شما امكان می‌دهد تا مراحلی را كه ODI برای هر Interface ایجاد كرده و نیز جزئیات خطاهائی را كه ممكن است رخ دهد ، مشاهده كنید.

مرحله ی بعدی این است كه Package را كامپایل ، و به یك Scenario تبدیل كنید. Scenario كه در یك Repository ذخیره می‌شود ، واحد اجرایی در محیط تولید است . Scenario را می‌توان برای اجرا زمان بندی كرد ، به Repository دیگری منتقل كرد ، از یك CLI عرضه شده و یا در Context های دیگر اجرا کرد تا بتواند با مخزن داده‌های فیزیكی مختلف كار كند.

با استفاده از یك Repository دست نخورده ، من خود یك برنامه ایجاد كردم ،جای داده‌ها را از یك SQL Server تغییر دادم و یك نسخه ی تغییر یافته از آن را با سه جدول ، روی یك SQL Server دیگر ایجاد كردم . برای انجام این كارها از مثال های اسكریپت دمو استفاده كردم . در پایان ، این برنامه به خوبی اجرا شد. همچنین ODI را به طور كامل و روی سیستم ویندوز ۲۰۰۳ كاملاً خالی و تازه نصب كردم و با استفاده از مستندات ، یك Master Repository روی SQL Server ۲۰۰۵ ایجاد كردم . بدون استفاده از مستندات ، نمی‌توان خیلی پیش رفت . البته با اینكه مستندات سودمند بودند ولی به جزئیات نپرداخته بودند .پیغام خطاهایی كه ODI ارائه می‌دهد ، مفیدند ولی در هنگام مشكل ، راه‌حل های خوبی ارائه نمی‌دهند.به طور كلی ، مستند سازی پروژه‌های عظیم ، یك ضرورت است . ODI ، مستندات پروژه‌ها و اجزای آن ها را به فرمت PDF و در چند سطح از نظر جزئیات ایجاد می‌كند . این روش خوبی برای مستند سازی وضعیت پروژه در زمانی خاص است .

Overstock.com ، كاربر Synopsis ، نیاز داشت كه یک سیستم گزارش‌گیری تقریباً بلادرنگ ایجاد كند تا جایگزین سیستم گزارش‌گیری برنامه‌های كاربردی فروش شود . Jack Garzella مدیر نگهداری داده‌ها می‌گوید:”یكی از دلایل اصلی كه ما Data conductor را به عنوان محصول اصلی خود انتخاب كردیم این است كه داخل پایگاه داده كار می‌كند و به سرور برنامه كاربردی یا دیسك اضافه نیاز ندارد .”

از جمله دلایل اصلی دیگر برای تصمیم Overstock.com برای استفاده از این محصول آن است كه كاربران جدید به راحتی می‌توانند به یك پروژه نگاه كنند و ببینند كه دیگران چه كاری انجام داده‌اند . زیرا ODI ، كد SQL لازم را ایجاد می‌كند . به علاوه ، ابزارهای موجود در Designer ، از كنترل تغییر و تجزیه و تحلیل تأثیر[۵] پشتیبانی می‌كنند و به شما نشان می‌دهند كه جدول ها و Inetrface ها كجا به كار می‌روند . Garzella می‌گوید:”ما بیش از چهارصد كار داریم كه برخی روزانه هستند و برخی به صورت پیوسته اجرا می‌شوند كه در مجموع ۹۰ هزار بار در روز اجرا می‌شوند. این محیط ، یك محیط بسیار با ثبات است . ”

امكانات و قابلیت های بسیاری وجود دارد كه در اینجا مورد بحث قرار نداده‌ام ، از جمله تغییر در دستیابی به داده‌ها ، یكپارچه‌سازی سرویس های وب و نظارت بر رخدادها . برای یادگیری کار با این محصول نمی‌توانید تنها در میانجی های كاربری آن كاوش كنید . تعداد زیادی مستندات وجود دارد كه باید با آن ها آشنا شوید . من ODI را برای پروژه ی انتقالی كه فقط یك بار انجام می‌شود ، توصیه نمی‌كنم ، مگر اینكه افرادی داشته باشید كه به ODI تسلط کامل داشته باشند . در مجموع ، این محصول به همان شکل كه در مورد آن تبلیغ شده است ، كار می‌كند و من آن را به سازمان هایی كه نیازهای مستمر دارند و فكر می‌كنند كه نتایج دراز مدت ناشی از بهره‌وری ، ارزش سرمایه‌گذاری دارد ، توصیه می‌كنم .ODI V ۱۰.۱.۳ برای پایگاه داده ی مقصد ، به ازای هر پردازنده ، ۱۲ هزار دلار و برای پایگاه داده ی مبداء ، به ازای هر پردازنده ، چهار صد دلار قیمت دارد .(برای منبع داده‌های مبتنی بر JMS (Java Message Service) یا فایلی ، مبلغی دریافت نمی‌شود.) به شما امكان می‌دهد تا ساختار داده‌ها را مهندسی معكوس كنید و در سطح “قوانین كسب و كار ” از انتزاع كار كنید تا به سرعت بتوانید پروژه‌ها را ایجاد كنید .

معماری ، مستقیماً و با استفاده از فنآوری ویژه ی آن در سرور مبداء و مقصد ، داده‌ها را از سرورهای مبداء به سرورهای مقصد منتقل می‌كند. میانجی های كاربری گرافیكی و ارجاع مستقل( (cross-referencing به كاربران جدید كمك می كنند تا به سرعت بتوانند پروژه‌ها را از جایی كه دیگران آن را رها كرده‌اند ، ادامه دهند .

تسلط واقعی بر این محصول ممكن است مانند هر ابزار بزرگ دیگری ، چند ماه طول بكشد .

با اینكه مستندات آن سودمندند ، در كلیه ی مراحل به شما كمك نمی‌كنند. بنابراین بکوشید در بخش آموزش سرمایه‌گذاری كنید.

تفاوت ODIباOBIEE

در ابتدا بایستی بین odi و obiee با فایل bijdbc.jar ارتباط برقرار کرد که از /obihome/…/bifoundation/jdbc کپی شود و در مسیر /odihome/…/sdk/lib قرار بگیرد که ممکن است فایل مربوطه توسط odi شناخته نشود که باید در obi admin در قسمت data source مسیر فایل jdbc دستی set کرد.

داخل odi در قسمت topology و در tab، physical architecture و در قسمت technologies و oracle bi، کانکشن مربوطه با user و pass مورد نظر ساخته و در بخش JDBC، jdbc driver و jdbc URL مربوطه را وارد می کنیم و در test connection را با agent مورد نظر test می کنیم. (در ابتدا ip های مدنظر باید با port مشخص باهم ارتباط داشته باشند!)

انبارداده یک بانک اطلاعاتی بزرگ می‌باشد که از طریق آن کلیه داده‌های حال و گذشته یک سازمان جهت انجام عملیات گزارش گیری و آنالیز در دسترس مدیران قرار می‌گیرد. انبار داده نقش مهمی در تصمیم گیریمدیران کمپانی برای تعیین یک استراتژی موفق دارد.

جهت پیاده سازی سیستم هوش تجاری در سازمان، طراحی و پیاده سازی یک انبارداده الزامی است.

ابزار ( Oracle Data Integrator (ODI یک پلتفرم جامع برای یکپارچه سازی داده است که می توان از آن برای ساخت انباره داده (DW) و پیاده سازی فرآیند استخراج ، تبدیل و بارگذاری داده (ETL) استفاده نمود.

 

 

 

وقتی connection برقرار شد، برای استفاده از این technology بایستی procedure در odi ساخت که در قسمت target باید technology، oracle bi قرار گیرد و در logical schema آن logical architecture وابسته به data server ساخته شده، Set شود.

اکنون می توان با استفاده از دستوراتی مثل: SAseedquery،SAPurgeCacheByTable و می توان logical query یی که در obiee قرار دارد را call کرد.

 یک مشکل ممکن است که در call کردن logical query پیش بیاید که این است که query فرستاده شده از سمت odi را نمی تواند بشناسد.

در این صورت باید در قسمت زیر عبارت nq_session.selectphysical را حذف کرد.

 

اموزش اي تي ال(ITD)

طراحی انباره داده و لایه های مختلف معماری انباره داده

امروزه انباره داده(Data Warehouse) بر اساس متدهای جدید از دغدغه‌های کارشناسان خبره حوزه دیتا می‌باشد.در این راستا واحد آموزش شرکت هوش تجاری کیسان در مقاله پیشرو به نحوه طراحی انباره داده و لایه‌های مختلف آن پرداخته است.

 

 

 

 

لایه های معماری انباره داده

لایه پایینی:

سرور معماری انبار داده، شامل سرور پایگاه داده رابطه‌ای است که از ابزارهای  Back-End و دیگر ابزارهای کاربردی برای انتقال اطلاعات از منابع مختلف داده‌ای مانند پایگاه داده‌های تراکنشی و غیره، به لایه پایینی استفاده می‌شود. این ابزارهای کاربردی و ابزارهای  Back-End عملکردهای Extract، Clean ،Load و Refresh را انجام می‌دهند.

لایه میانی:

لایه‌ی میانی یک سرور OLAP را در اختیار می‌گیرد که به وسیله‌ی آن داده‌ها را به یک ساختار مناسب‌تر تبدیل می‌کند تا بتوان به کوئری‌های پیچیده بر روی داده‌ها و تحلیل آن‌ها دسترسی داشت. این سرور به دو روش می‌تواند کار کند:

الف) Relational OLAP (ROLAP): یک سیستم مدیریت پایگاه داده رابطه‌ای گسترده است. ROLAP عملیات بر روی داده‌های چند بعدی را به عملیات‌های رابطه‌ای استاندارد تبدیل می‌کند.

ب) Multidimensional OLAP (MOLAP): که به طور مستقیم داده‌های چند بعدی و عملیات را اجرا می کند.

لایه بالایی:

لایه بالایی، لایه client یا front-end است. این لایه، ابزارهایی را برای استفاده در زمینه‌های تجزیه و تحلیل داده، پرس وجو (کوئری) گزارش‌گیری و داده کاوی فراهم می‌آورد.

نمودار زیر نشان دهنده معماری سه لایه‌ای انباره داده می‌باشد.

مدل‌های انباره داده

از منظر معماری‌های انباره داده، ما سه مدل انباره داده داریم:

انباره داده مجازی

دیتا مارت

انباره داده سازمانی

انباره داده مجازی

تعداد کمی از انباره داده‌های عملیاتی به عنوان انباره داده مجازی شناخته می شوند. ساخت آن نیازمند به یک ظرفیت مازاد بر روی سرور های پایگاه داده های عملیاتی است.

دیتا مارت

دیتا مارت، شامل یک زیر مجموعه از داده‌های سازمان می‌باشد. این زیر مجموعه از داده‌ها برای گروه‌های خاصی از سازمان (یک یا چند واحد سازمانی) ارزشمند است. به عبارت دیگر، ما می‌توان ادعا کرد که دیتا مارت حاوی داده‌های خاصی برای یک گروه یا واحد خاص از سازمان است. به عنوان مثال، دیتا مارت بازاریابی ممکن است حاوی اطلاعات مربوط به اقلام، مشتریان و فروش باشد. و نهایتا این که دیتا مارت‌ها به موضوعات محدود می‌شوند.

انباره داده‌های سازمانی

یک انباره سازمانی، همه‌ی اطلاعات و موضوعاتی که در کل سازمان وجود دارد را جمع‌آوری می‌کند. این نوع انباره داده‌، داده‌های سراسر سازمان را به صورت یکپارچه در اختیار ما قرار می‌دهد.داده‌ها از سیستم‌های عملیاتی داخلی و تامین کنندگان اطلاعات خارجی، فراهم می‌آید و نهایتا این که در این نوع انباره داده‌ها، حجم و گوناگونی اطلاعات می‌ تواند از چند گیگابایت تا چند صد گیگابایت یا چند ترابایت و حتی فراتر باشد.

شِماهای(Schema) ستاره‌ای و گلوله برفی

شمای ستاره‌ای و شمای گلوله برفی دو روش برای ساختار دادن به انباره داده می‌باشد.

شمای ستاره‌ای یک مخزن داده‌ای متمرکز دارد و ذخیره‌سازی آن در جدول‌های fact table انجام می‌شود. این شِما، جدول fact table را به یک سری از جداول dimension tables که نرمال‌سازی نشده‌اند، تقسیم می‌کند. fact table شامل داده های تجمعی است و برای اهداف گزارش‌دهی مورد استفاده قرار می‌گیرند، در حالی که dimension tables،داده‌های ذخیره شده را توصیف می‌کند.

طراحی نرمال‌سازی نشده، دارای پیچیدگی‌های کمتری است، به این دلیل که داده‌ها به صورت گروه‌بندی شده هستند. جدول fact table تنها از یک لینک برای پیوستن (Join) به هر جدول dimension table استفاده می‌کند. طراحی انباره داده با شِمای ستاره‌ای، نوشتن کوئری‌های پیچیده را آسان‌تر می‌کند. نمایی از این شِما در شکل زیر قابل مشاهده است.

شِمای گلوله برفی متفاوت است به این دلیل که داده‌ها به صورت نرمال‌سازی شده هستند. نرمال‌سازی به معنای سازماندهی موثر داده‌ها است تا همه وابستگی‌های داده به خوبی تعریف شوند و هر جدول شامل حداقل انحرافات باشد. در این نوع ساختار جداول dimension tables به صورت واحد هستند بنابراین شاخه‌ها درون dimension tables جداگانه قرار می‌گیرد. شِمای گلوله برفی از فضای دیسک کمتری استفاده می‌کند و موجب می شود حفظ یکپارچگی داده بهتر صورت بگیرد.عیب اصلی این روش پیچیدگی کوئری‌ها برای دستیابی به داده‌هاست.(برای به دست آوردن داده‌ها، معمولا در کوئری‌ها باید از multiple joins استفاده کرد) نمایی از این شِما در شکل زیر قابل مشاهده است.

 

 

 

 

ETL چیست؟

استخراج، تبدیل، بارگزاری (ETL) ، یک فرایند خودکار است که داده‌های خام را دریافت می‌کند، سپس از آن‌ها اطلاعات مورد نیاز برای تجزیه و تحلیل را استخراج می‌نماید، سپس آن‌ها را به یک فرمت تبدیل می‌کند که می‌تواند به نیاز‌های کسب و کار را تامین کرده و نهایتا آن را به در یک انباره‌داده بارگیری کند. ETL عموما داده‌ها را خلاصه می‌کند تا اندازه آن‌ها را کاهش دهد و همچنین عملکرد را برای نوع خاصی از تجزیه و تحلیل‌ها بهبود می‌بخشد.

چرا ETL مهم است؟

هنگامی که با انبار داده‌های سازمانی (اطلاعات در حالت استراحت) استفاده می‌شود ETL زمینه‌های تاریخی عمیقی برای کسب و کار فراهم می‌آورد.

با ارائه یک نمایه تلفیقی، ETL باعث می‌شود که تجزیه و تحلیل و گزارش داده‌ها و ابتکارات در ارتباط با آن‌ها، برای کاربران کسب و کار آسان‌تر شود.

ETL می‌تواند بهره‌وری حرفه‌ای داده‌ها را بهبود ببخشد؛ زیرا این پروتکل‌ها رمزهای پردازش شده را مجددا مورد استفاده قرار می‌دهد که این امر باعث می‌شود داده‌ها را بدون نیاز به مهارت‌های فنی برای نوشتن کد یا اسکریپت انتقال داد.

ETL در طول زمان تکامل یافته است تا از نیازهایی که در ارتباط با یکپارچگی برای مواردی مانند جریان داده‌ای بروز می‌کنند، پشتیبانی کند.

سازمان‌ها به ETL نیاز دارند تا داده‌ها را با هم تجمیع کنند، از دقت داده‌ها اطمینان حاصل کنند و حسابرسی مورد نیاز برای انباره داده‌ها، گزارش‌دهی و تجزیه و تحلیل را فراهم آورند.

ETL چگونه کار می کند؟

ETL درارتباط نزدیکی با برخی مفاهیم دیگری از قبیل توابع، فرآیندها و تکنیک‌های یکپارچه‌سازی اطلاعات است. درک این مفاهیم، دیدگاه واضحتری از نحوه عملکرد ETL فراهم می‌کند.

ساخت ETL با پردازش دسته‌ای

از طریق پردازش زیر شما می‌توانید یک ETL ایجاد نماید.در این مدل از ETL پردازش و انتقال به صورت دسته‌ای از منابع پایگاه داده به منابع انباره داده صورت می‌گیرد.برای ساخت ETL با روش پردازش دسته‌ای به صورت زیر عمل می‌کنیم:

داده‌های مرجع

 مجموعه‌ای از داده‌ها را ایجاد کنید که مجموعه‌ای از مقادیر مجاز را تعریف می‌کند و ممکن است داده‌های شما را نیز در بر بگیرد.

استخراج از منابع داده‌ای

پایه‌ی موفقیت در مراحل بعدی ETL، استخراج داده‌ها به صورت درست است. بیشتر سیستم‌های ETL ترکیبی از داده‌ها از منابع داده‌ای مختلف هستند، که هر کدام از منابع، سازماندهی داده‌ای و فرمت خود را دارند.(که شامل پایگاه دادهای رابطه‌ای، پایگاه داده‌های غیر رابطه‌ای،XML ، JSON ، CSV، فایل‌ها و .. می‌باشند) استخراج موفق ، داده‌ها را به یک فرمت واحد تبدیل می‌کند تا پردازش استاندارد باشد.

اعتبارسنجی داده‌ها

اعتبار سنجی داده‌ها یک فرایند خودکار است که تایید می‌کند که آیا داده‌های بدست آمده و استخراج شده  شده از منابع داده‌ای مختلف دارای مقادیر مورد انتظار هستت یا نه. – برای مثال، در پایگاه داده معاملات مالی از سال گذشته، فیلد تاریخ باید حاوی تاریخ معتبر در طی ۱۲ ماه گذشته باشد. اگر داده‌ها قوانین اعتبارسنجی را رعایت نکنند، موتور اعتبار سنجی داده ها را نمی‌پذیرد.

تبدیل داده‌ها

حذف اطلاعات اضافی و غیر اصلی یا حذف اطلاعات نادرست (تمیز کردن)، اعمال قوانین کسب و کار، بررسی یکپارچگی داده‌ها (اطمینان حاصل شود که داده‌ها در منبع داده‌ای خراب نبوده یا توسط ETL خراب نشده‌اند و اطلاعات در مراحل قبلی حذف نشده‌اند)

مرحله‌ی نمایش داده‌ها در پایگاه داده

شما به طور معمول داده‌های تبدیل شده را مستقیما در انبار داده‌های هدف قرار نمی‌دهید. ابتدا داده‌ها باید به یک پایگاه اطلاعاتی متصل شوند و در معرض نمایش قرار بگیرد تا اگر چیزی اشتباه باشد، roll back راحتر باشد.

انتشار داده‌ها در انبار داده

داده‌ها را در جداول هدف بارگذاری کنید. برخی از انباره داده‌ها هر زمان که ETL یک دسته جدید را بارگذاری می‌کند، اطلاعات موجود را بازنویسی می‌کند.این ممکن است روزانه، هفتگی یا ماهانه رخ دهد. در موارد دیگر، ETL می‌تواند داده‌های جدید را بدون تغییر مجدد اضافه کند، که این کار با نشانه‌گذاری بر روی آن‌ها صورت می‌گیرد. شما باید این کار را با دقت انجام دهید تا از انفجار انباره داده‌ها به علت کمبود فضای دیسک و محدودیت‌های عملکرد جلوگیری شود.

ساخت ETL با پردازش جریان داده‌ای

اغلب پردازش داده‌ای مدرن، شامل داده‌های بلادرنگ نیز می‌شوند. به عنوان مثال تحلیل داده‌ی وب از یک وبسایت تجارت الکترونیک بزرگ.در این شرایط نمی‌توان تبدیل و استخراج داده‌ها را در یک دسته بزرگ، انجام داد.پس این نیاز بوجود می‌آید که ETL در جریان داده‌ها صورت بگیرد. این امر به این معنی است که Client applicationها که  داده‌ها را به منابع داده‌ای ارسال می‌کنند، باید داده‌ها را بلافاصله به پایگاه داده‌های هدف منتقل و ذخیره کنند.

 

 

 

 

 

دیدگاهتان را بنویسید

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