1. فصل سوم: پايگاههاي داده و انبارهاي داده (ايجاد هوش كسب و كار )
فصل سوم: پايگاههاي داده و انبارهاي داده (ايجاد هوش كسب و كار )
استاد: دكتر موسي خاني
دانشجويان: مهرناز صفاخواه -مريم خليلي مقدم - سميرا قدياني

2. مقدمه:
سازمان به چيزي بيش از داده ها و اطلاعات نياز دارد و آن ”هوش كسب و كار“ است.
هوش كسب وكار دانشي درباره مشتريان، رقبا، شركا، محيط رقابتي و عمليات داخلي سازمان است كه سازمان را قادر به تصميمات مهم، اثربخش و استرات‍‍ژيك ميكند.
تكنولوژي هايي كه در ايجاد هوش كسب وكار به ما كمك ميكنند: پايگاهاي داده، سيستم هاي مديريت پايگاهاي داده، انبارهاي داده و داده كاوي

3. در ايجاد هوش كسب و كار دو نوع فرايند اطلاعاتي به ما كمك مي كند:
1)پردازش تراكنش پيوسته OLTP جمع آوري اطلاعات،پردازش و به روز رساني آنها
پشتيباني پايگاهاي داده و سيستم مديريت پايگاهاي داده از OLTP
2)پردازش تحليلي پيوسته OLAP دست كارس اطلاعات جهت پشتيباني از تصميم گيري
پشتيباني انبارهاي داده و داده كاوي از OLAP

4. موضوع مقاله : مدیریت دانش و هوش كسب و كار ( BI & KM)
چکیده:
هدف از این مقاله ارائه تحلیلی کامل از تفاوت بین BI و KM است
در صنعت بسیاری KM و BI را اشتباه میگیرند، براساس آمار 60 درصد از مشاوران تفاوت این دو را متوجه نشده اند.
هوش تجاری بر یک دانش صریح تمرکز میکند اما مدیریت دانش تلفیقی از دانش صریح و ضمنی است.

5. هوش كسب وكار مجموعه ای از تکنولوژی ها است که داده ها را جمع آوری و آنالیز می کند تا به بهبود تصمیم گیری کمک کند.
مدیریت دانش عبارتست از مراحل سیستماتیک کشف، انتخاب، سازمان دهی، تلخیص و ارائه اطلاعات تا سازمان بینش و درکی از تجربه اش به دست آورد.
BI و KM اگرچه با هم متفاوتند اما به عنوان دو عضو حیاتی که با هم تعامل دارند باید با هم ترکیب شوند.

6. پیش زمینه:
تکنولوژی های KM ابزاری جهت پردازش و ساماندهی اطلاعات و داده ها است تا بتواند تواناییهای جستجو را گسترش دهد، معانی را کشف کند و ارتباطات را ارزیابی کند و بدین وسیله به درک فرصتهای جدید و حل مسائل جدید کمک کند.
BI از طریق استفاده از انبار داده ها(Data Warehousing) و تکنولوژی های پردازش آنلاین داده ها (OLAP) جهت تصمیم گیری استفاده می کند.
انبار داده ها داده های مرتبط را جمع آوری می کند و بعد از سازماندهی و ارزشدهی آنها را جهت تصمیم گیری استفاده می کند.

7. BI/KM یا KM/BI Mcknight(2002) ، KMرا زیر BI سازماندهی کرد.
Haimila(2001) نیز KM را به عنوان ”دست یاری دهنده BI“ می بیند.
Macro(2002) ادعا می کند که یک KM به درستی نمی تواند وجود داشته باشد مگر آنکه دارای یک ذخیره فوق داده (Meta Data) براساسBI باشد. در حقیقت ذخیره فوق داده ها ستون فقرات KM است.
Cook and cook(2000) اشاره می کند که مفهوم KMو BI ریشه در تئوری و تمرینات مدیریت تجاری دارد.

8. BI/KM یا KM/BI
Kadayam(2002) بیان میکند با این که BIو KM طی دو دهه اخیر رشد یافته اند:
BI با تکیه بر ابزار سنتی و با جستجوی داده ها ی ساختار یافته و خوب سازمان دهی شده در طی این بیست سال به یک ابزار قوی برای دسترسی به اطلاعات آماده شده است.
KM با اینکه حدود یک دهه از BI جوان تر است حول محصولات خاصی می گردد ، از نشانه گذاری های کامل متن و جستجو گرفته تا فیلتر اطلاعات و پردازش زبان های طبیعی.
رشد اینترنت و تکنولوژی های جدید منجر به شکل گرفتن هوش كسب و كارجدید(NBI) شده است.

9. دانش ضمنی و BI رقابت کارمندی (سرمایه انسانی)
Karl-Erick(1997) اولین قالب تعریف سرمایه ذهنی را ایجاد کرد :
رقابت کارمندی (سرمایه انسانی)
ساختار درونی (مانند اختراعات، چشم انداز، استراتژی سازمان و ...)
ساختار بیرونی ( سرمایه های ارتباط با مشتری، ارتباطات سازمان و ...)
BI میتواند سازمانها را در تحلیل مبادلات عوامل بالا کمک کند، به این منظور رفتارهای ضمنی نیز باید بررسی شوند مه همان طبیعت تغییرات رفتاری است.

10. دانش ضمنی و BI جامعه پذیری socialization)) ضمنی به ضمنی
Takevchi & Nonaka(1995) مدل حلزونی دانش را ارائه کردند تا تعامل دانش ضمنی و صریح را در ایجاد دانش سازمانی نشان دهد:
جامعه پذیری socialization)) ضمنی به ضمنی
بیرونی سازی(Eternalization) ضمنی به صریح
انتشار(combination) صریح به صریح
درونی سازی (Internalizatiom) صریح به ضمنی

11. مدل حلزونی دانش Socialization Internalization Externalization
Combination

12. موارد بالا اهميت دانش ضمني را بيان مي كند.
دانش ضمنی و BI
hasanali(2004) 5 مقوله اوليه مديريت دانش را به صورت زير تعريف ميكند:
1) رهبري
2)فرهنگ
3)ساختارها، نقش ها و مسئوليتها
4) ساختار IT
5)مقياس
موارد بالا اهميت دانش ضمني را بيان مي كند.

13. دانش ضمنی و BI
Gartner Group(1998) مديريت دانش را اينگونه تعريف مي كند: مديريت دانش يك روش تلفيقي براي شناسايي، بدست آوردن، بازيابي، اشتراك گذاري و ارزشيابي سرمايه هاي اطلاعاتي شركتها بوجود اورده است، كه اين سرمايه هاي اطلاعاتي شامل پايگاههاي داده، اسناد، سياستها، روال و همچنين مهارتها و تجارب ضمني است كه هنوز به دست نيامده اند.

14. چگونه BI با KM تلفیق می شود؟
دانش جديد از طريق روابط و تعامل دانش ضمني و دانش صريح بوجود مي آيد:
Socialization پروسه به اشتراك گذاشتن تجارب، مهارتها،مدلهاي ذهني و ساير اشكال دانش ضمني است.
Externalization شامل موارد زير است:
مشخص كردن هدف تصميم
پارامترهاي خارجي سازي
بيان مدلهاي What-if
ارزشيابي تصميم هاي جايگزين

15. چگونه BI با KM تلفیق می شود؟
Combination پروسه تركيب انواع مختلفي ار دانشهاي صريح و تبديل انها به الگوها و روابط جديد است.
Internalization پروسه اعتبار بخشي روابط جديد در متن مناسب و تبديل آنها به دانش ضمني جديد است، و مي تواند شامل اين موارد باشد:
هدف از تحليل
مجموعه اي از روابط يا مدلهاي پروسه
دليل رسيدن روابط و مدلها به هدف

16. اهميت فرهنگ بر تلاشهاي KM و BI
كارمندان در به اشتراك گذاشتن اطلاعاتشان مقاومت زيادي از خود نشان مي دهند.
براي تغيير اين رفتار بايد:
مديران سيستمهاي پاداش و فرهنگ جديدي را ايجاد كنند.
اعتماد يكي از ارزشهاي هستهاي هر شركتي باشد.
ارزشهاي دروني تغيير كند.
و نيز مداخلات ساده و رسمي مديران نيز بر تبادل اطلاعات مي تواند موثر باشد.

17. نتيجه گيري مقاله
سيستم هاي BI روز به روز براي عمليات روزمره سازمان حياتي تر مي شود.
انبار داده ها، كارگران دانش را در تصميم گيري قدرتمندتر مي كمد.
تنها كسري از اطلاعات مورد نياز در كامپيوتر وجود دارد و اكثر سرمايه عقلاني(هوشمندي) در ذهن كارمندان است.
بنابراين براي گسترش انبار داده ها ، بايد مديريت دانش را پي ريزي كرد. و اين KM پيشنهاد شده مسير متفاوتي را براي BI ارائه مي كند.

18. ادامه فصل 3: انبارهای داده ها و داده کاوی
انبار داده چیست؟
مجموعه ای منطقی از اطلاعات، جمع آوری شده از پایگاههای داده ی دایر مختلفی است که برای ایجاد هوشمندی کسب و کار که از فعالیتهای تحلیلی و تصمیم گیری کسب و کار پشتیبانی می کند، به کار می رود.

19. انبارهای داده ها چند بُعدی
حاوی لایه هایی از سطرها و ستونها پایگاه داده های چند بعدی
نمایش اطلاعات بر اساس ابعاد مختلف آنها توسط این لایه ها (Hypercube)
پشتیبانی از تصمیم گیری و پردازش تحلیلی پیوسته، نه پردازش تراکنش
(OLAP) (OLTP)

20. ابزارهای داده کاوی چه هستند؟
ابزارهای نرم افزاری پرس و جوی اطلاعات در انبار داده ها
پشتیبانی از مفهوم OLAP : به کار بری اطلاعات برای پشتیبانی از وظایف تصمیم گیری
شامل:
ابزارهای پرس و جو و گزارش گیری
عامهای هوشمند
ابزارهای تحلیل چند بعدی
ابزارهای آماری
نقش آنها در انبارهای داده =
نقش ابزارهای زیرسیستم
دستکاری داده ها برای کاربران
پایگاه داده ها

21. ابزارهای پرس و جو و گزارش گیری
مشابه ابزارهای QBE، SQL و تولید کننده های گزارش در یک محیط نوعی پایگاه داده ها
ساده و با کاربری آسان
پشتیبانی در اکثر محیط های انبار سازی داده ها
کاربرد در تولید پرس و جو ها و گزارش های ساده

22. عاملهای هوشمند
بهره گیری از ابزارهای مختلف هوش مصنوعی مانند شبکه های عصبی و منطق فازی برای تشکیل مبنای “کشف اطلاعات” و ایجاد هوشمندی کسب و کار در OLAP
نمایش دهنده همگرایی رو به رشد ابزارهای مختلف IT در کار با اطلاعات
در گذشته فقط در بستر هوش مصنوعی؛ امروزه عهده دار بخشی از وظایف سازماندهی و مدیریت داده ها در سازمانها، کاربرد در OLAP در محیط انبار داده ها، و حتی جستجوی اطلاعات روی وب برای یافتن الگوهای مخفی در آنها

23. ابزارهای تحلیل چند بعدی
تکنیک های برش و خرد کردن (Slice-and-Dice) ای که امکان مشاهده اطلاعات چند بعدی را از زوایای مختلف فراهم می کنند
آوردن قسمت های پنهان اطلاعات به جلوی انبار داده ها برای مشاهده کردن آنها با استفاده از این ابزارها ( تکنیک چرخاندن مکعب)
چرخاندن مکعب : تغییر سازماندهی انبار داده ها با جابجایی سطرها و ستونهای آن و به جلو آوردن سطحهای عقبی ( بدون اثرگذاری روی اطلاعات)

24. ابزارهای آماری
کمک در کاربرد مدلهای ریاضیاتی مختلف روی اطلاعات ذخیره شده در انبار داده ها برای کشف اطلاعات جدید
مثال : انجام تحلیل رگرسیون برای تعیین اثر یک متغیر روی دیگری

25. مراکز داده ها : انبارهای داده کوچکتر
مرکز داده ها : زیر مجموعه ای از انبار داده ها که فقط بخش خاصی از اطلاعات انبار داده ها در آن نگهداری می شود
کاربرد انبارهای داده : در سطح کل سازمان
همه افراد همه اطلاعات انبار داده ها را لازم ندارند ایجاد یک یا چند مرکز داده ها

26. مراکز داده ها پشتیبانی از
ابزارهای پرس و جو و گزارش گیری
عامهای هوشمند
ابزارهای تحلیل چند بعدی
ابزارهای آماری
یعنی با ایجاد مرکز داده ها به تغییر در ابزارهای داده کاوی نیازی نیست
نتایج:
افزایش بهره وری سازمان : یک بار آموزش، کاربرد ابزارهای داده کاوی در هر دوی انبارهای داده و مراکز داده

27. داده کاوی به عنوان یک فرصت شغلی
آشنایی با داده کاوی = فرصت شغلی قابل توجه در هر حوزه ای
در دنیای کسب و کار: موارد متعدد رویارویی با شرایطی که تصمیم گیری درست و مؤثر درآنها به هوشمندی کسب و کار نیاز دارد
آشنایی با داده کاوی : امکان جلو آوردن لایه های جدید اطلاعات
عدم نیاز به حرفه بودن در IT برای انجام داده کاوی

28. ملاحظات مهم در استفاده از انبار داده ها
آیا واقعاً به انبار داده ها نیاز دارید؟
مشکلات انبار داده ها ( هزینه، نیاز به پشتیبانی گسترده و ...)
شاید یک DBMS همه آنچه را لازم دارید در اختیارتان قرار دهد
آیا همه کارمندان به کل انبار داده ها نیاز دارند؟
اگر نه، مراکز داده ایجاد کنید
اطلاعات تا چه حد باید به روز باشند؟
کدام یک از ابزارهای داده کاوی را نیاز دارید؟

29. مدیریت منبع اطلاعات
موفقیت یک سازمان تابعی است از توانایی کارکنان آن در سازماندهی و مدیریت اطلاعات طوری که به حرکت در جهت اهداف سازمان کمک کند
در این ارتباط سه پرسش مهم مطرح است :
چه کسی سرپرست منبع اطلاعات سازمان است؟
آیا باید به مالکیت اطلاعات توجه داشت؟
اطلاعات شما تا چه حد باید تمیز باشند؟

30. چه کسی سرپرست منبع اطلاعاتی سازمان است؟
مدیر ارشد حریم (Chief privacy Officer)
برای تضمین استفاده اخلاقی از اطلاعات
مدیر ارشد امنیت (Chief Security Officer)
برای تضمین امنیت اطلاعات ( مثلاً کاربرد دیواره های آتشین)
مدیر ارشد اطلاعات (Chief Information Officer)
نظارت بر همه جنبه های منبع اطلاعات سازمان

31. نظارت بر منبع اطلاعاتی سازمان
مدیریت داده ها
وظیفه برنامه ریزی، سرپرستی توسعه، و نظارت منبع اطلاعاتی سازمان
ضرورت هماهنگی کامل با مسیر راهبردی سازمان برای تضمین برآورده شدن همه نیازمندی های اطلاعاتی سازمان
مدیریت پایگاه داده ها
مسئولیت جنبه های فنی و عملیاتی مدیریت اطلاعات موجود در مخازن داده های مختلف سازمان ( پایگاههای داده، انبارهای داده و مراکز داده)
تعریف و سازماندهی ساختارها و محتویات پایگاههای داده، ایجاد رویه های امنیتی، تهیه مستندات پایگاه داده ها و DBMS، تأیید و نظارت بر توسعه پایگاههای داده و برنامه های کاربردی آنها، گزارش/ اصلاح تجاوزها یا ناهنجاری های عملیاتی، و حفظ یکپارچگی کلی سیستم

32. مالکیت اطلاعات
اشتراک اطلاعات در سازمان تهیه بخشهای مختلف اطلاعات و تضمین کیفیت آنها
هر واحد مالک اطلاعات تولیدی آن واحد و مسئول کیفیت آن
مدیر هر واحد : مسئول فعالیت ها، افراد، هزینه ها و اطلاعات آن واحد
مسئولیت در قبال اطلاعات نادرست ذخیره شده در انبار داده ها

33. تمیزی اطلاعات اطلاعات پایگاه داده ها و انبار داده ها باید “تمیز” باشند
بدون اشتباه
بدون تکرار
ETL: ابزار تمیز کردن داده ها در انبار داده ها
کدام اطلاعات از کدام پایگاه داده ها
چگونه به اشتراک گذاشته شوند
چگونه برای تضمین تمیز بودن یکپارچه شوند

34. Thanks for your attention.