آگوست 10, 2020

تعریف هوش تجاری

تعریف هوش تجاری

تعریف هوش تجاری : تعریف هوش تجاری (BI) شامل استراتژی ها و فناوری هایی است که توسط شرکت ها برای تجزیه و تحلیل داده های اطلاعات تجاری استفاده می شود. فن آوری های BI دیدگاه های تاریخی ، فعلی و پیش بینی کننده ای را در مورد فعالیت های تجاری ارائه می دهند. کارکردهای رایج فن آوری های هوش تجاری شامل گزارش ، پردازش تحلیلی آنلاین ، تجزیه و تحلیل ، داده کاوی ، فرآیند استخراج ، پردازش رویدادهای پیچیده ، مدیریت عملکرد کسب و کار ، محک ، معدن سازی متن ، تجزیه و تحلیل پیش بینی کننده و تجزیه و تحلیل تجربی می باشد. فن آوری های BI می توانند مقادیر زیادی از داده های ساخت یافته و بعضاً بدون ساختار را برای کمک به شناسایی ، توسعه و در غیر این صورت ایجاد فرصت های استراتژیک جدید تجاری مدیریت کنند. هدف آنها این است که تفسیر آسان از این داده های بزرگ را امکان پذیر کنند. شناسایی فرصت های جدید و اجرای یک استراتژی مؤثر بر اساس بینش می تواند یک مزیت رقابتی در بازار و ثبات درازمدت برای کسب و کارها فراهم کند.

به زبان ساده تعریف هوش تجاری می تواند توسط شرکت ها برای پشتیبانی از طیف گسترده ای از تصمیمات تجاری از عملیاتی تا استراتژیک استفاده شود. تصمیمات عملیاتی اساسی شامل موقعیت یابی محصول یا قیمت گذاری می باشد. تصمیمات استراتژیک تجارت شامل اولویت ها ، اهداف و دستورالعمل ها در وسیع ترین سطح است. در همه موارد ، BI هنگامی مؤثر است که داده های حاصل از بازاری را که یک شرکت در آن فعالیت می کند (داده های خارجی) با داده های منابع شرکت داخلی در تجارت مانند داده های مالی و عملیاتی (داده های داخلی) ترکیب کند. هنگامی که داده ها با هم ترکیب شوند ، داده های خارجی و داخلی می توانند یک تصویر کاملی ارائه دهند که در حقیقت ، یک “هوش” ایجاد می کند که از هر مجموعه داده ای جداگانه حاصل نمی شود. در میان کاربردهای بی شمار ، ابزارهای هوش تجاری به سازمانها توان می دهند تا بینش خود را نسبت به بازارهای جدید ، ارزیابی تقاضا و مناسب بودن محصولات و خدمات برای بخشهای مختلف بازار و سنجش تأثیر تلاشهای بازاریابی تقویت کنند.

بیشتر بدانید : خدمات هوش تجاری

برنامه های BI از داده های جمع آوری شده از یک انبار داده (DW) یا یک مارت داده استفاده می کنند و مفاهیم BI و DW به صورت “BI / DW” یا “BIDW” ترکیب می شوند. یک انبار داده شامل نسخه ای از داده های تحلیلی است که پشتیبانی تصمیم گیری را تسهیل می کند.

تعریف هوش تجاری

داده ها

تعریف هوش تجاری به عبارتی دیگر : عملیات تجاری می تواند مقدار بسیار زیادی از اطلاعات را در قالب نامه های الکترونیکی ، یادداشت ها ، یادداشت ها از مراکز تماس ، اخبار ، گروه های کاربر ، گفتگوها ، گزارش ها ، صفحات وب ، ارائه ها ، فایل های تصویری ، پرونده های ویدیویی و موارد دیگر ایجاد کند. مواد بازاریابی طبق گفته مریل لینچ ، بیش از 85٪ از کل اطلاعات کسب و کار در این فرم ها وجود دارد. یک شرکت ممکن است فقط یک بار از چنین سندی استفاده کند. به دلیل نحوه تولید و ذخیره آن ، این اطلاعات یا بدون ساختار یا نیمه ساختار یافته است.

مدیریت داده های نیمه ساختار یافته یک مشکل حل نشده در صنعت فناوری اطلاعات است. طبق پیش بینی های گارتنر (2003) ، کارگران یقه سفید 30 تا 40٪ از وقت خود را صرف جستجوی ، یافتن و ارزیابی داده های غیرساخته می کنند. BI از داده های ساختاری و بدون ساختار استفاده می کند. مورد اولیه به راحتی قابل جستجو است ، و دومی حاوی مقدار زیادی از اطلاعات مورد نیاز برای تجزیه و تحلیل و تصمیم گیری است. به دلیل دشواری در جستجوی مناسب ، یافتن و ارزیابی داده های بدون ساختار یا نیمه ساختار یافته ، سازمان ها ممکن است این مخازن وسیع از اطلاعات را که ممکن است بر یک تصمیم ، کار یا پروژه خاص تأثیر بگذارد ، جلب نکنند. این در نهایت می تواند منجر به تصمیم گیری ضعیف آگاهانه شود.

بنابراین ، هنگام طراحی هوش تجاری / DW- راه حل ، مشکلات خاص مربوط به داده های نیمه ساختار یافته و بدون ساختار باید برای داده های ساختار یافته و همچنین برای آن ها در نظر گرفته شود.

داده های بدون ساختار در برابر داده های نیمه ساختار یافته

داده های ساختاری نشده و نیمه ساختار یافته بسته به بافت آنها دارای معانی مختلفی هستند. در زمینه سیستم های پایگاه داده رابطه ای ، داده های بدون ساختار در ستون ها و ردیف های قابل پیش بینی ذخیره نمی شوند. یک نوع از داده های بدون ساختار به طور معمول در BLOB (جسم بزرگ باینری) ذخیره می شود ، یک نوع داده همه گیر در اکثر سیستم های مدیریت پایگاه داده رابطه ای موجود است. داده های بدون ساختار همچنین ممکن است به الگوهای ستونی که به طور نامنظم یا تصادفی تکرار می شوند ، از ردیف به ردیف یا پرونده های زبان طبیعی که اطلاعات فوق داده ندارند متفاوت باشد.

با این حال ، بسیاری از این نوع داده ها ، مانند ایمیل ، فایل های متنی پردازش کلمه ، PDF ، PPT ، فایل های تصویری و فایل های ویدیویی با استانداردی مطابقت دارند که امکان ابرداده را ارائه می دهد. ابرداده می تواند شامل اطلاعاتی مانند نویسنده و زمان ایجاد باشد و این می تواند در یک پایگاه داده رابطه ذخیره شود. بنابراین ، ممکن است صحبت در مورد این به عنوان اسناد یا داده های نیمه ساختار یافته دقیق تر باشد ، اما به نظر نمی رسد که اتفاق نظر خاصی حاصل شده باشد.

داده های بدون ساختار همچنین می توانند دانش دانشجویی در مورد روندهای آینده تجاری باشند. پیش بینی کسب و کار به طور طبیعی با سیستم BI منطبق است زیرا کاربران کسب و کار به طور کلی به تجارت خود فکر می کنند. ضبط دانش تجاری که ممکن است فقط در ذهن کاربران کسب و کار وجود داشته باشد ، برخی از مهمترین نقاط داده را برای یک راه حل کامل BI فراهم می کند.

تعریف هوش تجاری

محدودیت داده های نیمه ساختار یافته و بدون ساختار

چالش های بسیاری برای توسعه BI با داده های نیمه ساختار یافته وجود دارد. طبق گفته های اینون و نساویچ ، برخی از این موارد عبارتند از:

دسترسی فیزیکی به داده های متنی بدون ساختار – داده های بدون ساختار در انواع مختلفی از قالب ها ذخیره می شوند.

اصطلاحات – در بین محققان و تحلیلگران ، نیاز به ایجاد یک اصطلاحات استاندارد وجود دارد.

حجم داده ها – همانطور که قبلاً گفته شد ، تا 85٪ از کل داده ها به عنوان داده های نیمه ساختار یافته وجود دارد. زوجی که با نیاز به تجزیه و تحلیل کلمه به کلمه و معنایی.

بیشتر بدانید : نرم افزار هوش تجاری

قابلیت جستجوی داده های متنی بدون ساختار – جستجوی ساده در برخی از داده ها ، به عنوان مثال apple ، به پیوندهایی منجر می شود که در آن مرجع جستجوی دقیقی وجود دارد. (Inmon & Nesavich، 2008) یک مثال می آورد: “جستجو در اصطلاح جنایت انجام می شود. در یک جستجوی ساده ، از اصطلاح felony استفاده می شود و در همه جا اشاراتی به جنایت وجود دارد ، ضربه ای به یک سند بدون ساختار ساخته می شود. اما یک جستجوی ساده خام است. اشاراتی به جرم ، آتش سوزی ، قتل ، اختلاس ، قتل در وسایل نقلیه و مواردی از این قبیل نمی کند ، حتی اگر این جنایات انواع جرم ها باشد. “

ابرداده

برای حل مشکلات مربوط به قابلیت جستجو و ارزیابی داده ها ، لازم است چیزی راجع به محتوا بدانید. این کار می تواند با اضافه کردن زمینه از طریق استفاده از ابرداده انجام شود. بسیاری از سیستم ها در حال حاضر برخی از ابرداده (به عنوان مثال نام پرونده ، نویسنده ، اندازه و غیره) را ضبط می کنند ، اما فوق اطلاعاتی درباره محتوای واقعی – مثلاً – مفیدتر هستند. خلاصه ها ، موضوعات ، افراد یا شرکت های ذکر شده. دو فناوری که برای تولید ابرداده در مورد محتوا طراحی شده اند ، طبقه بندی خودکار و استخراج اطلاعات است.