تحلیلگر هوش تجاری: نقش و مسئولیت ها

فهرست مطالب

  • معرفی
  • هوش تجاری چیست؟
  • یک تحلیلگر هوش تجاری چه کاری انجام می دهد؟
  • BIA باید چه مهارتهایی را برای سازمان به همراه بیاورد؟
  • BIA باید در کدام قسمت سازمان مستقر شود؟

معرفی

دنیای تجارت هرگز به قابلیت هوش تجاری اعتماد زیادی نداشته است. افزایش اشتغال تحلیلگر داده در ایالات متحده و فراخوان اخیر استرالیا برای “آموزش كدنویسی به بچه ها در مدارس”، این تفكر را به وجود می آورد كه نیروی كار آینده باید از جادوی داده ها بهره ببرد و آنها را معنی دار كند. یک چالش برای رهبران تجارت، که همچنان به استفاده از اطلاعات داخلی برای تجزیه و تحلیل عملکرد نیاز دارند، افزایش نیاز به آزمایش است. “بعدی چیست؟” ، “اگر چه شود؟” و “چه چیزی وجود دارد؟”. این سناریوها همانطور که تجارت جهانی و بازارهای کالاها و خدمات به رهبری مصرف کننده رشد می کند، اطلاعات خارجی مرتبط و تجزیه و تحلیل روند کلیدی در رقابت مداوم کسب و کار است.

چالش برای همه مشاغل این است که اخلال، از جمله یادگیری ماشین، هوش مصنوعی و قابلیت های تجزیه و تحلیل Big Data، یک قاعده جدید است. مشاغل می توانند انتظار داشته باشند که در پنج سال آینده نیاز به دسترسی و استفاده از اطلاعات به گسترش خود ادامه دهند. خوشبختانه، ابزارهای آنلاین جدید و استارت آپ های متخصص BI در حال حاضر ظرفیت موجود در تجزیه و تحلیل داده ها را پر می کنند.

اگر به دنبال ایجاد نقشی برای یک تحلیلگر هوش تجاری هستید، در این مقاله برخی از دلایل داخلی برای تعیینBIA و انتظارات در مورد گستردگی مهارت هایی که ممکن است برای پاسخگویی بهتر به نیاز تجاری مورد نیاز باشد، بیان می شود. برای کسانی که به دنبال مشارکت در مشاغل در نقش تحلیلگر هوش تجاری هستند، در این مقاله اطلاعاتی در مورد محل تلاقی نقش در محیط کسب و کار و توانایی هایی که می توانید برای این نقش ایجاد کنید، ارائه خواهد شد. به عنوان یک فعال کننده اصلی، هدف از این نقش حمایت از رقابت در تجارت و شناسایی فرصت های جدید برای پیشبرد تجارت خواهد بود.

هوش تجاری چیست؟

هوش تجاری (BI) را می توان مجموعه ای از اطلاعات ارائه شده از طریق تجزیه و تحلیل داده ها و مدیریت دانش دانست، که می تواند تصمیم گیرندگان را در زمینه های پاسخگویی آگاه سازد. این می تواند در رابطه با روندهای در حال ظهور خارجی یا تغییر تقاضاهای عملکرد داخلی باشد. یک روش ساده برای در نظر گرفتن BI این است که بررسی کنید آیا داده هایی که اهداف توسعه تجارت را آگاه می کند از سیستم های داخلی یا منابع خارجی استخراج شده اند. اطلاعات داخلی در سازمانهای بزرگ معمولاً از طریق سیستمهای كسب وكار شغلی مانند سیستمهای پایگاه داده SAP یا ORACLE حاصل می شود یا می تواند از طیف وسیعی از سیستمهای ضبط داده توزیع شده و غالباً غیر رسمی از سراسر سازمان تهیه شود. سپس می توان این داده ها را برای گزارش BAU تجزیه و تحلیل کرد و در مقابل سایر اطلاعات آزمایش کرد تا عملکرد سازمان را بر خلاف انتظار مشخص کند. منابع خارجی ممکن است مستقیماً به سمت تجارت سوق پیدا کنند، مانند بررسی بازار که اطلاعاتی راجع به انتظارات مشتری یا تجزیه و تحلیل رسمی تر برای شناسایی روندهایی که در آنجا وجود دارد و ممکن است نیاز به پاسخگویی کسب و کار داشته باشد، فراهم می کند. اطلاعات خارجی همچنین می تواند اطلاعاتی راجع به مشخصات رقابتی مشاغل مشابه فراهم کند. در پاسخ به تغییرات خارجی، مشاغل می توانند به طور فزاینده ای از منابع تحلیلی آنلاین “سلف سرویس” خارجی استفاده کنند. در بازاریابی، جذب روند رسانه های اجتماعی از طریقGoogle Analytics Kissmetrics یا ابزارهای تحلیلی مشابه اکنون یک فعالیت آشنا است، اما ایجاد مجموعه ای از اطلاعات ممکن است همیشه ساده نباشد.

اگر BI را در قیاس با یک پیاز در نظر بگیریم: توسعه تجاری را به عنوان هدف اصلی BI در نظر بگیرید، آن لایه را بردارید، نقش BI را خواهید داشت که در داخل یا خارج متمرکز هستند. لایه بعدی فرآیندها، داده ها و افراد است. شعبه خارجی بر هوش رقابتی تمرکز دارد در حالی که داخلی بر هوش تجاری و عملکرد متمرکز است.

همانند سایر مؤلفه های یک تجارت، سیستم هوشمندتر تجارت گسترده نیاز به تأمین ارزش دارد و هزینه اتخاذ و انطباق با سیستم های داده بزرگ شرکت با هزینه کمتر و گزینه های مبتنی بر ابر و خدمات وب بیشتر چالش برانگیز است. در بسیاری از سازمانهای بزرگ، دو شکل تقاضای اطلاعاتی خارجی و داخلی از طریق مفهوم Data Lake ادغام می شوند. این کار از طراحی های رسمیData Warehouse صورت می گیرد، جایی که ورودی ها معمولاً ساختار بالایی دارند و خروجی ها برای سطحی از گزارش دهی استاندارد بسته بندی می شوند. دریاچه داده به این معنی است که داده ها می توانند از منابع مختلفی تهیه شده و به صورت ساختار کمتری “جمع شوند” که در صورت لزوم با استفاده از ابزارهای تحلیلی جدید یا پرس و جوهای برنامه ریزی شده، “بهره برداری” می شوند. بسته های منبع باز، مانند Hadoop Apache، که توسط سرویس های آنلاین بزرگ مانند آمازون، توییتر و eBay استفاده می شود، نمونه ای از یک ابزار برنامه نویسی است که می تواند برای کشیدن داده ها از مجموعه ای از خوشه های ذخیره داده استفاده شود. این اطلاعات برای پردازش داده ها و همچنین پرداختن به سوالات جدید تجاری استفاده می شود. مارتین فاولر به سادگی Data Lake را به عنوان فروشگاهی برای داده های خام توصیف می کند، به هر شکلی که منبع داده فراهم کند. در مورد طرحواره داده ها هیچ فرضی وجود ندارد، هر منبع داده می تواند از هر طرحواره ای که دوست دارد استفاده کند.

رشد مفهوم Data Lake همچنین تقاضا برای مهارت های دانشمند داده را به کار می اندازد تا تحلیلگران هوش تجاری را نسبت به سایر متخصصان تجارت قادر سازد. در حالی که مارتین در نمودار خود پیشنهاد می کند که “ما” داده ها را برای هر نیاز انتخاب می کنیم، واقعیت این است که انتخاب، استخراج و تجزیه و تحلیل داده های “درست” از Data Lake هنوز قلمرو یک دانشمند یا تحلیلگر متخصص داده است. جدول منبع Dull (2015) در حالی که “یک سیستم متناسب با همه داده ها” رایج در مجموعه شرکت های بزرگ سازمان در حال تغییر سریع به رویکردهای چابک تر است، اما چالش های پیرامون امنیت داده ها و اعتبار آماری برای پذیرندگان دریاچه داده وجود دارد. فرم داده های ساختاریافته هنوز هم برای برخی از مناطق مهم انتقادی و تجاری ضروری است.

یک تحلیلگر هوش تجاری چه کاری انجام می دهد؟

همانطور که مدیریت اطلاعات و سیستم های اطلاعاتی سختگیرتر می شوند، نقش تحلیلگر هوش تجاری برای اطلاع رسانی و همچنین پاسخگویی به نیازهای متغیر کسب و کار به سطح چابکی نیاز دارد. نقش اصلی تحلیلگر هوش تجاری در کل سیستم هوش تجاری یک سازمان، ایجاد یک پل از طریق تجارت برای انتقال اطلاعات با ارزش بالا برای پشتیبانی از خواسته های تصمیم گیری است. اگر نقشBIA رویکرد “بینش تجاری” داشته باشد و تحلیلگر بتواند با تصمیم گیرندگان، مدیران اطلاعات و ارائه دهندگان خدمات خارجی کار کند تا به طور مداوم در توسعه کسب و کار شرکت کنند، احتمال ارائه ارزش آنها بیشتر است. غالباً اولین قدم برای BIA ورودی جهت گیری و درک وضعیت فعلی تجارت است. BI باید بتواند سیستم های موجود سازمان و همچنین فرهنگ تجارت را در نظر بگیرد. آنها باید درک کنند اهداف توسعه تجارت چیست؟ چه سیستم ها و مکانیزمی برای گرفتن، ذخیره و پردازش داده ها استفاده می شود؟ چه روشهایی برای تجزیه و تحلیل استفاده می شود، یعنی سیستمها چقدر خودکار هستند؟ الزامات چقدر خلاقانه یا مکانیکی هستند؟

تحلیلگر هوش تجاری ممکن است قسمتهای مختلف سازمان را دربر بگیرد، که اغلب از نظر داخلی یا خارجی کار می کنند. در سازمانهای بزرگ، انتظار می رود BIA سطح دانش مربوط به مدیریت داده های بزرگ را بدست آورد و انتظار می رود که اولویت های جمع آوری اطلاعات آینده را گزارش دهد.

BIA باید چه مهارتهایی را برای سازمان به همراه بیاورد؟

در حالی که انواع مهارتهای مورد نیاز بستگی زیادی به اندازه و مقیاس سازمان دارد، از BIA می توان انتظار داشت که از طریق مهارتهای فنی، تحلیلی و حل مسئله ارزش افزوده ایجاد کند. آنها اغلب با سوابق و مدارک لازم در زمینه فناوری اطلاعات، علوم داده و مهندسی کامپیوتر ارائه می شوند. علیرغم این پیشینه ها، این نقش باید کاملاً از متخصص فناوری اطلاعات یا مهندسی متمایز باشد که ممکن است انتظار انجام تجزیه و تحلیل برای ایجاد یک راه حل فناوری کسب و کار برای سازمان را داشته باشد. به جای ارائه راه حل های فنی خاص، BIA درک درستی از جمع آوری داده ها و تجزیه و تحلیل اطلاعات و شکل گیری دانش را به ارمغان می آورد. در هر سازمانی این می تواند یک فعالیت گسترده باشد که می تواند شامل موارد زیر باشد:

  • اجرای گزارش های پیچیده از پایگاه های داده موجود
  • فعالیت ارگانیک که در آن پروژه های ویژه ای برای تجزیه و تحلیل اطلاعات بازارهای نوظهور ایجاد می شود
  • تجزیه و تحلیل آزمایش بازار برای پشتیبانی از توسعه محصول و خدمات جدید

برای نقش های BIA در جهت بازاریابی تجاری، سازمان انتظار دانش و تجربه در طیف وسیعی از سیستم عامل های رسانه های اجتماعی و ابزارهای تحلیلی رسانه را دارد. برای این نقش ها مدارک بالاتر در فناوری اطلاعات و همچنین مدارک ارتباطی و رسانه ای یک مزیت است. با این وجود، اگر سازمان پیش بینی نقش آفرینی در آینده را داشته باشد یا به BIA جهت آمادگی لازم برای ارتقا نقش ارشد یا سطح مدیریتی نیاز داشته باشد، معمولاً شرح وظایف نیاز به توصیف انتظارات برای دانش گسترده تر تجارت، تخصص ارتباطات و تجربه بالقوه مربوط به بخش دارد. از داوطلبان موفق به طور معمول انتظار می رود که دارای مدرک تحصیلات تکمیلی، مانند MBA یا تجربه تجاری گسترده تر مرتبط باشند.

اگر سازمان مهارت اصلی را صرفاً استفاده از داده ها برای تولید اطلاعات آماری بداند، نقش BIA اغلب می تواند محدود شود. این مجموعه مهارت از افرادی با تخصص کامپیوتر، علوم داده و آمار تهیه شده است که اغلب با توجه به تنظیمات فنی یا صنعتی سنجیده می شوند. در حالی که این مهارتها از ارزش بالایی برخوردارند، افرادی که فقط با تمرکز بر این مهارتها انتخاب می شوند اغلب نقش بسیار ضعیفی در تأثیرگذاری و آگاهی دادن به تصمیم گیرندگان خواهند داشت. در ایالات متحده، با توجه به داده های آنلاین موجود در سایت Indeed.com، تقاضا برای دانشمندان و تحلیل گران داده با مهارت های کلیدی در طول سال در نوسان است. این ممکن است نشان دهنده درخواستهای واکنشی یا کوتاه مدت استخدام برای این مهارتها در چرخه تجارت کوتاه مدت سالانه باشد.گرچه اغلب بر ارزش تجزیه و تحلیل داده ها تأکید می شود، یک تحلیلگر موثر در سطح مدیریت قادر خواهد بود داده ها را در متن توسعه کسب و کار بررسی کند. این فرصت های رقابتی یا مشارکتی خارجی ، ورودی های ذی نفعان داخلی و اصلی و همچنین دانش شرکت موجود را در نظر می گیرد. داده های سایتIndeed.com برای بازار مشاغل ایالات متحده در سال های 2014 – 2016 نشان می دهد در حالی که اصطلاح “تحلیلگر داده” در حدود 2٪ از همه آگهی های استخدام وجود دارد، “Business Intelligence” و “Data Scientist” در تعداد پست های کمتری ظاهر می شود. در مقایسه پست هایی که به “توسعه تجارت” اشاره دارند، بین 14 تا 16 درصد از کل مشاغل ارسال شده در همان مدت را تشکیل می دهند. این امر هم به کارفرمایان و هم به افراد جویای کار نشان می دهد که ارزش افزوده تحلیلگران هوش تجاری به سطح بالای توسعه تجارت مورد نیاز باید به طور مؤثر مدیریت شود تا هم ترازی این قابلیت ها امکان پذیر شود.

BIA باید در کدام قسمت سازمان مستقر شود؟

در سازمانهای بزرگتر، BIA ممکن است عضوی از یک تیم توسعه تجارت باشد که از نزدیک با متخصصان دیگر همکاری می کند و می توانند به طور کلی برای اطلاع رسانی برنامه ریزی استراتژیک و توسعه تجارت ارزش بیفزایند. نوع نقش داده شده به BIA به عنوان یک عامل “فرامرزی”، یعنی امکان برقراری ارتباط از طریق سازمان و در سراسر سازمان و عملکردهای تجاری، می تواند برای تأثیرگذاری نقش حیاتی باشد. در حالت ایده آل، این BIA را به توانایی درک و توانایی دسترسی به طیف وسیعی از اطلاعات ساختار یافته و همچنین غیر ساختاری در سازمان مجهز می کند. به عنوان یک مترجم داده که در نهایت اطلاعات را به “سیستم پشتیبانی تصمیم” (DSS) یک سازمان می رساند، نقش BIA باید فراتر از گزارش وضعیت موجود باشد.BIA داده های مناسبی را تهیه می کند، از یک روش تحلیلی یا روش مناسب استفاده می کند، اطلاعات حاصل را تفسیر می کند و سپس “یک تصویر غنی” در تجزیه و تحلیل ایجاد می کند.

اگر سازمانی فقط با “آنچه می دانیم که می دانیم” یا “آنچه نمی دانیم که می دانیم” سر و کار دارد، یعنی “ما می دانیم که جواب در داده ها وجود دارد و ما قبلا گزارشی در مورد آن داریم یا فقط باید گزارشی را تهیه کنیم تا از داده هایی که در اختیار داریم استفاده کنیم. ” در این صورت سازمان واقعاً تا حد ممکن از BIA برای پیشبرد توسعه تجارت استفاده نمی کند. وینسنت گرانویل، در حال نوشتن در Data Science Central، این مرز را به عنوان “تحلیل گر افقی” توصیف می کند. گرانویل پیشنهاد می کند اگرچه ممکن است تحلیلگر عمودی نقش BAU را به عهده بگیرد، تحلیل گر افقی رویکردهایی را دنبال می کند که پتانسیل بیشتری برای کمک به بازگشت سرمایه دارند. همانطور که گرانویل پیشنهاد می کند، برای استفاده موثر از BIA ، تجارت باید نقش کافی را برای BIA در نظر بگیرد تا بپرسد: “چه چیزی را نمی دانیم، که نمی دانیم؟” این نوع تجزیه و تحلیل اطلاعات اغلب فراتر از سازمان است و به طور ایده آل در یک فعالیت چشم انداز استراتژیک گسترده تر قرار می گیرد.