وبلاگ

مرحله تبدیل: در این مرحله داده تغییر شکل می‌یابد و پیچیده‌ترین مرحله از فرایند استخراج و تبدیل داده است. داده به فرم استاندارد انباره‌داده‌ها تبدیل شده تا بتواند در آن بارگذاری شود. فاز تبدیل معمولا با بهره گرفتن از زبان‌های برنامه‌نویسی سنتی مانند زبان‌های اسکریپت یا زبان اس کئو ال ^[۳]انجام می‌شود [۲۱].
مرحله بارگذاری: در این مرحله داده‌های تبدیل شده، انباره‌داده را با داده‌های جمع‌ آوری شده و فیل‌تر شده بارگذاری می کند [۲۵].
نیاز سیستم هوش تجاری به قابلیت استخراج داده با قالب‌های متفاوت از منابع مختلف، تبدیل آن‌ها به فرم‌های مشابه و سپس بارگذاری آن‌ها در انباره‌داده مناسب، فرایند ایی تی ال را می‌سازند، که گران‌ترین جنبه از سیستم هوش تجاری است [۲۶].
تکنیک‌های فرایند تحلیل برخط
منشا فرایندهای تحلیل برخط ریشه در مشکلاتی دارد که در هنگام تحلیل داده‌های پایگاه‌داده‌ای که مدام در حال به‌روزرسانی از طریق سیستم‌های اطلاعاتی دیگر است، رخ می‌دهد.فرایند تحلیل برخط تلاش دارد تا داده پیچیده را در پایگاه‌داده ای که مدام در حال به‌روزرسانی با داده‌های تراکنشی است، تحلیل کند. این فرایند جستجوی فایل‌های داده بزرگ به وسیله تولید خودکار پرس‌وجوهای اس کئو ال را امکان پذیر می‌کند [۲۱]. فرایند تحلیل برخط اجازه دسترسی به کاربران، تحلیل و مدل‌سازی مسائل کسب‌وکار و به اشتراک‌گذاری اطلاعاتی که در انباره‌داده‌ها ذخیره شده‌اند. همچنین این فرایند تکنیک‌هایی برای تحلیل و حفر داده پیشنهاد می‌کند و ابزارهایی که اساسا برای تولید گزارشات تعاملی بکارگرفته می‌شوند. ابزارهای فرایند تحلیل برخط از تکنیک‌های داده‌کاوی و روش‌های آماری برای ایجاد سریع و خوانای گزارشات استفاده می‌کند که می‌تواند در زمینه پیش‌بینی کمک شایانی به تصمیم‌گیران استراتژیک نماید. این گزارشات براساس معیارهای از پیش تعریف شده مدیران تولید می‌شود.

داده کاوی
تکنیک‌های داده‌کاوی برای شناسایی روابط و قوانین در انباره‌داده و سپس ایجاد گزارش از این روابط و قوانین، طراحی شده است [۲۶]. فرایند داده‌کاوی شامل کشف الگوها، تعمیم، قواعد و قوانین مختلف از منابع داده‌ای مختلف است. دانش داده‌کاوی ممکن است برای پیش‌بینی خروجی تصمیم و یا توصیف واقعیت، استفاده شود [۲۵]. چند استراتژی رایج برای داده‌کاوی وجود دارد که شامل، دسته‌بندی، تخمین، پیش‌بینی، تحلیل سری زمانی و تحلیل سبد خرید بازار. این استراتژی‌ها می‌توانند با نیازهای سازمان همراستا شده و به تصمیم‌گیری کمک نمایند. [۲۷]
معماری فنی هوش تجاری
در شکل زیر مولفه‌های مختلف هوش تجاری که در قسمت قبل به تفضیل شرح داده شد را مشاهده می‌نمایید.
شکل ۲-۵ : معماری هوش تجاری [۲۸]
مطابق شکل فوق منابع جمع‌ آوری داده که با نام Source در شکل مشاهده می‌شود، شامل سیستم‌های ERP ، XML و .. می‌باشد. داده‌ها با تکنیک ETL استخراج و به قالبی استاندارد تبدیل می‌شوند و در انباره داده که در شکل با نام Storage نشان داده شده است ذخیره می‌گردد. با انجام تکنیک داده‌کاوی داده‌های جمع‌ آوری شده دسته‌بندی شده و الگوها و قوانین حاکم بر این داده‌ها کشف می‌شود. کاربران متفاوت از اطلاعات استخراج شده از منابع مختلف استفاده می‌کنند.
مزایا و چالش‌های هوش تجاری
هر نویسنده ای شکست یا موفقیت یک پروژه را از دیدگاه‌های مختلفی بیان می‌دارد، اما همه آن‌ها را می‌توان به دو دسته، تقسیم‌بندی کرد: نویسندگانی که بر روی خود پروژه تمرکز دارند و عده دیگری که بر خروجی‌های حاصل از پروژه متمرکزند.گروه اول شکست یا موفقیت را با تمرکز بر فاکتورهای پروژه تعریف می‌کنند مانند هزینه پروژه یا زمان اما گروه دوم موفقیت را نتیجه دستیابی به اهداف پیاده‌سازی تعریف می‌نمایند مانند یکپارچه‌سازی اطلاعات سازمانی، اتخاذ تصمیمات بهتر، بهبود ارتباطات بین‌سازمانی و کاهش تنگناهای عملیاتی[۲۹].
مزایای هوش تجاری
تلاش‌های مضاعف برای آنالیز داده کاهش می‌یابد.
گزارشات سریع‌تر در دسترس قرار می‌گیرند.
تلاش‌های مضاعف برای گزارش‌گیری کاهش می‌یابد.
گزارشات کیفیت بهتری می‌یابد.
اعضای شرکت دسترسی راحت‌تری به اطلاعات دارند.
به واکنش انعطاف‌پذیرتری به نیازهای اطلاعات جدید خواهیم رسید.
ذخیره زمانی قابل دستیابی است.
تجسم داده برای کاربران نهایی بهبود می‌یابد.
تصمیمات کسب‌وکار، به وسیله آنالیز دقیق‌تر داده راحت‌تر انجام می‌شود.
تصمیمات کسب‌وکار، به وسیله آنالیز داده‌های بروزتر راحت‌تر می‌شود.
سطح شناسایی احتمال و ریسک‌های پشتیبانی شده افزایش می‌یابد.
امنیت اطلاعات و کنترل در سطوح بالاتری تضمین می‌شود.
نتایج شرکت بهبود می‌یابد.
ذخیره کارمندان در بخش‌های غیر آی‌تی قابل دستیابی است.
نگهداری کارمندان در بخش‌های آی‌تی قابل دستیابی است.
مزیت رقابتی قابل دستیابی است.
ذخیره مالی قابل دستیابی است [۳۰].
معایب و چالش‌های هوش تجاری
مدیریت پیاده‌سازی راه ‌حل ‌ها بسیار پیچیدست.
فرایند ساخت گزارش هوش‌تجاری بیسار پیچیده است.
گزارشات ایجاد شده بیسار پیچیده است.
داده ساختار ضعیفی دارد.
قابلیت‌های طرح‌بندی نیازهای کسب‌وکار را پوشش نمی‌دهد.
کارمندان هوش تجاری به اندازه کافی واجد شرایط نیستند.
تعیین بهره‌وری^[۴] دشوار است.
پروژه هوش تجاری تحت تاثیر اختلاف نظرها در نیازمندی‌ها، قرار می‌گیرد.
خطاهای نرم‌افزار اغلب اتفاق می‌افتد.
توابع امنیتی راه‌ حل ‌های تجاری، ناکافی است.
کارایی پرس‌وجوها ناکافی است.
داده‌ها اغلب متناقض هستند.
نیازمندی‌های جدید نمی‌توانند به سرعت پیاده‌سازی شوند.
پشتیبانی از راه‌ حل ‌های هوش تجاری ناکافی است.
محدوده ویژگی‌های هوش تجاری با نیازهای کسب‌وکار، مطابقت ندارد.
داده‌ها به اندازه کافی جدید نیستند.
قابلیت انتقال داده بسیار محدود است.
تلفیق داده از منابع مختلف مشکل آفرین است [۳۰].