فرآیند هوش تجاری

یک مطالعه کسب و کار مختص پرداختن به یک کار کاملاً مشخص در حوزه ­ی کسب و کار است، وظایف بخش­های مختلف یک تجارت به مجموعه­های مختلفی از داده ­ها نیاز دارند. به دنبال درک کاملی از تجارت، یکی از فرایندهای اصلی شروع مطالعه، شناسایی داده ­های مربوطه موجود در پایگاه داده است. برخی از نکات کلیدی باید در شناسایی و انتخاب داده ­ها در نظر گرفته شوند فاز اول و مهمترین فاز، این است که تحلیلگر باید به طور کامل داده ­ها را شناسایی کند و مرتبط ­ترین داده ­ها را انتخاب کند.

به عنوان یک مثال ساده مسئله خرده فروشی لباس را بررسی می­کنیم و هدف از انجام این مطالعه بررسی و شناسایی رفتار خریداران زن برای خرید لباس­های فصلی است که اطلاعات جمع اوری شده متاثر از اطلاعات جمعیتی، فرهنگی، معاملات کارت اعتباری و ویژگی های اقتصادی اجتماعی است. تحلیلگر باید یک درک دقیق از منابع داده ایجاد کند (به عنوان مثال، محل ذخیره سازی داده های مربوطه و اینکه به چه شکلی ذخیره می­شوند) و اینکه روند جمع آوری داده­ ها به صورت خودکار است یا دستی است و اینکه متغیرها (به عنوان مثال ، بیشترین مقدار چیست)  چه چیزهایی هستند و انواع متغیرها که آیا این متغیر ها به دیگر متغیرها وابسته است یا مستقل. موارد بسیار زیادی باید توسط تحلیل­گر بررسی شود.

برای درک بهتر داده­ ها، تحلیل­گر اغلب از انواع نمایش آماری و گرافیکی داده ­ها استفاده می­کند. تکنیک­ هایی پرکاربرد مانند خلاصه ­های آماری ساده هر متغیر مانند متغیرهای میانگین، حداقل / حداکثر، میانه و انحراف معیار از این دست اطلاعات پرکاربرد هستند. اندازه گیری های محاسبه شده، یک شناسایی دقیق و درست می­تواند سرعت کشف الگو را توسط الگوریتم ­های داده ­کاوی بسیار بالا ببرد و منابع داده برای انتخاب داده ­ها ممکن است متفاوت باشد. به طور سنتی، منابع داده برای تجارت برنامه­ های کاربردی شامل داده ­های جمعیت شناسی (مانند درآمد، تحصیلات، تعداد خانوارها و سن) ، داده ­های جامعه شناسی (مانند سرگرمی، عضویت در باشگاه و…) ، داده ­های معاملاتی (سوابق فروش، تراکنش کارت­ های اعتباری، چک ­های صادر شده) و غیره.

داده ها را می­توان به صورت کمی و کیفی دسته بندی کرد. داده ­های کمی با استفاده از مقادیر عددی اندازه گیری می­شود. داده­ ها می­تواند گسسته باشد (مانند عدد صحیح) یا پیوسته (مانند اعداد واقعی) باشد. داده های کیفی، همچنین به عنوان داده­ های طبقه ­ای شناخته می­شوند، حاوی داده های اسمی و ترتیبی است. داده های اسمی دارای مقادیر نامرتب محدود هستند (به عنوان مثال ، جنسیت) داده­ هایی که دارای دو مقدار است: زن و مرد). داده ­های ترتیبی مقادیر محدود مرتب شده ­ای دارند؛ به عنوان مثال، رتبه بندی اعتبار مشتری، داده ­های ترتیبی در نظر گرفته می شود. زیرا رتبه ­بندی می­تواند عالی، خوب، متوسط و ضعیف باشد.

به طور معمول در سازمان­ ها پراکندگی اطلاعاتی زیادی مشاهده می شود. استفاده از ابزارهای مختلف باعث می­شود تا بانک های اطلاعاتی متفاوتی با ساختارهای گوناگون در یک سازمان ایجاد شود. سرویس هماهنگ کننده اطلاعات در راهکار هوش تجاری این امکان را فراهم می­آورد تا بانک اطلاعاتی متمرکزی از اطلاعات ارزشمند برای تصمیم سازی ساخته شود.