معمولاً تاریخچه موضوعاتی را بررسی می‌کنیم که از نظر زمانی قدمت دارند و یا اتفاقات زیادی در حواشی آن رخ‌داده است. اما به نظر می‌رسد هوش تجاری این ویژگی‌ها را نداشته باشد. لااقل در کشور ما هوش تجاری کلمه‌ای جدید است که تا چند سال قبل و پیش از ورود نرم‌افزار Power Bi جز در همایش‌های خاص شنیده نمی‌شد.
اما باور می‌کنید که واژه “Business Intelligence” حداقل 150 سال قدمت دارد؟ روش‌ها و تکنولوژی‌های BI در این سال‌ها مرتب تغییر کرده؛ اما مفهوم کلی آن همچنان ثابت باقی‌مانده است.
اگر علاقه‌مند هستند درباره هوش تجاری بیشتر بدانید به مطالعه ادامه دهید. سعی کرده‌ایم تاریخچه کامل هوش تجاری از ابتدا تا امروز را در یک مقاله گردآوری کنیم.
ممکن است در برخی از قسمت‌های مقاله هوش تجاری (BI) و تحلیل کسب‌وکار (BA) به‌صورت مترادف به‌کاررفته باشد. در انتهای مقاله خط زمانی رویدادهای مرتبط با هوش تجاری ذکر شده است. با دیکام همراه باشید
کلمه هوش تجاری (Business Intelligence) را اولین‌بار ریچارد میلر دیونس (Richard Millar Devens) در 1864 میلادی و در کتاب خود “دایره المعارف حکایات بازرگانی و تجاری” به کاربرد.
اما چطور چنین چیزی ممکن است؟ 159 سال قبل کامپیوتر، نرم‌افزار و وسیله الکترونیکی وجود نداشت پس میلر درباره چه چیزی صحبت کرده است؟
برای درک این موضوع باید به تعریفی که امروز برای هوش تجاری داریم مراجعه کنیم: BI فناوری‌ها، تکنولوژی‌ها و روش‌هایی است که برای جمع‌آوری، تحلیل و نمایش داده استفاده می‌شود تا به مدیران یک شرکت برای تصمیم‌گیری کمک کند.
میلر در کتابش داستان یک بانکدار فرانسوی (Sir Henry Furnese) را نقل کرده و از او به‌عنوان نمونه‌ای از “هوش تجاری” یاد می‌کند.
بانکدار داستان ما (هنری فرنس) یک روش جالب برای تجارت داشت. او هر نوع خبر یا اطلاعاتی که به بازار و تجارت مرتبط بود را جمع‌آوری می‌کرد. اخبار و اطلاعات درباره جنگ‌ها و وضعیت تجارت در کشورهای دور قبل از اینکه به گوش دیگران برسد در اختیار فرنس قرار می‌گرفت. او پس از تحلیل این اطلاعات تصمیم می‌گرفت تا چه کاری را برای توسعه تجارتش انجام دهد. به همین دلیل همیشه یک‌قدم از رقبای خود جلوتر بود.
با این توصیف مفهوم اصلی و پایه‌ای هوش تجاری از گذشته تا به امروز تغییر زیادی نکرده است. هوش تجاری همچنان درباره استفاده درست از اطلاعات برای تصمیم‌گیری صحیح در تجارت است.
اما شرایط نسبت به گذشته تغییر کرده است. از جمله:
دقیقاً همین دو دلیل باعث شد تا در ابتدای قرن بیستم افراد و شرکت‌های زیادی برای تحلیل داده و اطلاعات توسط ماشین (ابتدا مکانیکی و بعد الکترونیکی) تلاش کنند.
مفاهیم، ابزارها و تکنولوژی‌های مرتبط با تحلیل داده و هوش تجاری به‌مرور در طول قرن بیستم شکل گرفت و توسعه پیدا کرد. ایده اولین کامپیوترهای آنالوگ (مکانیکی) در اواسط قرن نوزدهم میلادی مطرح شد. در اواخر قرن 19 اولین ماشین‌های الکترومکانیکی حسابداری توسط هرمان هولریث (Herman Hollerith) اختراع شدند و ایده ذخیره داده به‌وسیله کارت‌های پانچ عملی شد.
هر چند تکنولوژی راه طولانی در پیش‌داشت اما ذخیره و تحلیل داده شروع شده بود.
سال‌های آخر قرن نوزدهم و ابتدای قرن بیستم میلادی آبستن تغییرات بزرگی در صنعت، تولید، مفاهیم مدیریت و کسب‌وکار بود.
تا پیش از انقلاب صنعتی نرخ تولید بسیار پایین بود. خط تولید صنعتی این امکان را فراهم آورد تا افراد بیشتری روی قسمت کوچک‌تری از کار تمرکز کنند در نتیجه فعالیت‌ها تخصصی شد. بهره‌وری و به دنبال آن تولید به‌شدت افزایش پیدا کرد.
هنری فورد در امریکا استفاده از خط تولید صنعتی را به کمال رساند و تولید اتومبیل را در تعداد بسیار زیاد ممکن کرد. تولید صنعتی با خود دو چیز به همراه آورد:
مفاهیم مرتبط با سنجش رفتار مشتری و تحلیل داده‌های بازار در دهه 20 میلادی توسط آرتور نیلسون (Arthur Nielsen) معرفی شد و در دهه 50 میلادی اصول مدیریت نوین توسط پیتر دراکر شکل گرفت (مدیریت بر اساس اهداف MBO)
در واقع صنعت، مدیریت و بازاریابی نوین بر پایه‌های از جنس سنجش عملکرد و تحلیل داده‌ها مستقر شده است. کسب‌وکارهای مدرن برای اینکه در بازار دوام بیاورند به روش‌های جدید گزارش‌گیری و تحلیل اطلاعات نیاز داشتند و این کار فقط از عهده ماشین‌های جدید یعنی ” کامپیوترها” بر می‌آمد.
پیدایش مفاهیم اولیه کامپیوتر، سخت‌افزار و نرم‌افزارهای آن با اسم شرکت IBM گره‌خورده است.IBM در 1911 میلادی تأسیس شد، کار خود را با ساخت ماشین‌های الکترومکانیکی حسابداری آغاز کرد و در چند دهه بعد به خط‌شکن بلامنازع تکنولوژی کامپیوتر در جهان تبدیل شد.
تا پیش از ظهور کامپیوترها داده‌های یک شرکت داخل پرونده‌های فیزیکی و کمدهای مدارک ذخیره می‌شد داده‌های که سال‌به‌سال بر حجم و ابعاد آن اضافه می‌شد؛ اما راهی برای استفاده مؤثر از آنها وجود نداشت. در دهه 50 میلادی IBM اولین هارددیسک برای ذخیره اطلاعات را اختراع کرد این اتفاق نقطه شروعی برای تغییر در نوع استفاده از داده بود.
در همان زمان محققی المانی به نام پیتر لوهان (Peter Luhn) در شرکت IBM مشغول به کار بود. از لوهان تحقیقات و ابداعات زیادی در زمینه علوم کامپیوتر برجای‌مانده اما مقاله او به نام ” یک سیستم هوش تجاری” که در سال 1958 منتشر شد سرآغازی تئوریک بر هوش تجاری است.
البته هنوز سخت‌افزارها و متدهای مناسب برای ذخیره‌سازی و استفاده از داده به وجود نیامده بود و حداقل دو دهه دیگر نیاز بود تا پایگاه‌های داده و اولین راهکارهای تحلیلی به وجود بیاید. IBM در این سال‌ها به‌عنوان یک غول فناوری در مرز ناشناخته ابداع و اختراع فعالیت کرد و چنان بر بازار سلطه داشت که با عنوان کنایه‌آمیز Big Brother Blue از این شرکت یاد می‌شد.
ابتدای دهه 60 میلادی ایده استفاده از کامپیوتر برای برنامه‌ریزی و کمک به تصمیم‌گیری مدیران در شرکت‌ها مطرح شد. تلاش‌های تئوریک و عملی زیادی صورت گرفت تا یک دهه بعد یعنی در 1970 چنین سیستم‌هایی به‌صورت تجاری عملیاتی شدند.
سیستم پشتیبان تصمیم‌گیری یا DSS با این هدف به وجود آمده بود تا اطلاعات مناسب برای تصمیم‌گیری را در اختیار مدیران و تحلیلگران قرار دهد. در دهه هشتاد میلادی سیستم اطلاعات اجرایی (Executive information systems) برای کمک به مدیران رده‌بالایی معرفی شد و استفاده از آن رواج پیدا کرد.
در آن زمان هنوز بسیاری از مفاهیم پایه و نرم‌افزارهایی که گردآوری و کار با اطلاعات را ممکن می‌کردند به وجود نیامده بود و سخت‌افزارهای کامپیوتر نسبت به امروز قابلیت‌های بسیار کمتری داشتند.
از نظر عملیاتی DSS با محدودیت مواجه بود. بااین‌وجود نیاز بسیار شدید شرکت‌های بزرگ به گزارش‌گیری و مدیریت اطلاعات باعث شد تا اولین شرکت‌های ارائه‌کننده این راهکارهای نرم‌افزاری در دهه 70 به وجود بیایند.
سیستم‌های پشتیبان تصمیم‌گیری را می‌توان اولین قدم برای استفاده مؤثر از داده در سازمان‌ها دانست؛ بااین‌وجود DSS در کنار مزایایی که داشت با چالش‌هایی نیز روبرو بود از جمله:
دقیقاً در همان سالی که اولین سیستم پشتیبان تصمیم‌گیری عملیاتی شد (1970) ایده پایگاه‌های داده رابطه‌ای یا Relational Database ارائه گردید؛ ابداع این مدل از دیتابیس می‌توانست محدودیت‌های کار با داده را تا حد زیادی از میان بردارد و سیستم‌های نرم‌افزاری جدید برای گردآوری و تحلیل داده ایجاد شود.
بااین‌وجود استفاده عملی از مدل Relational تا 9 سال بعد (1979) که شرکت اوراکل اولین دیتابیس رابطه‌ای برای مصارف تجاری را معرفی کرد به تعویق افتاد.
مدل رابطه‌ای داده‌ها را در جدول‌هایی که از سطر و ستون تشکیل شده است (شبیه جداول اکسل) ذخیره می‌کند. مدل رابطه‌ای در حال حاضر یکی از پرکاربردترین پایگاه‌های داده است. نرم‌افزارهای عملیاتی مانند حسابداری یا CRM که به‌صورت روزانه با آنها سروکار دارید از همین نوع پایگاه‌داده استفاده می‌کنند.
برای استفاده مؤثر از پایگاه‌داده رابطه‌ای یک‌زبان برنامه‌نویسی به نام SQL در دهه 70 معرفی شد. استفاده از آن کار را بسیار راحت کرد. SQL امکان ایجاد، حذف، به‌روزرسانی، و تجمیع داده را به کاربران می‌داد.
معرفی این فناوری‌ها گام بزرگی برای ذخیره و استفاده مؤثر از اطلاعات بود.
باوجوداینکه مدل پایگاه‌داده رابطه‌ای ذخیره، آنالیز و کار با داده را بهبود بخشیده بود؛ اما هنوز مشکلاتی برای یکپارچه‌سازی داده‌ها از چند منبع مختلف و همچنین تضمین کیفیت و ثبات اطلاعات وجود داشت. برای رفع این موانع یک راه‌حل جدیدی نیاز بود.
سال 1988 انبار داده (Data warehouse) توسط دو محقق شرکت IBM معرفی شد. تا قبل از آن اطلاعات شرکت در سیلوهای مختلف و به‌صورت مجزا نگهداری می‌شد. انبار داده یک مخزن بود که داده‌های جمع‌آوری‌شده از سیستم‌های عملیاتی متفاوت در آن ذخیره می‌شد.
مزیت بزرگ انبار داده این بود که یک منبع داده برای دسترسی همه کاربران ایجاد می‌کرد و در نتیجه کاربران با یک نسخه واحد از اطلاعات (The single version of the truth) سروکار داشتند.
انبار داده تحلیل‌های پیچیده، کار با حجم زیادی از اطلاعات و کاوش درداده را ممکن کرد و سرعت دسترسی به اطلاعات را به‌شدت افزایش داد.
سال‌های 1970 تا 1990 انقلابی را در صنعت IT رقم زد. تا قبل از آن کامپیوترها ماشین‌های الکترونیکی در ابعاد یک اتاق بزرگ بودند. با کوچک‌شدن ترانزیستورها سخت‌افزار و پردازنده‌های قوی‌تری به بازار ارائه شد در نتیجه کامپیوترها کوچک‌تر و سریع‌تر شدند.
کامپیوترهای شخصی در دهه 80 توسط IBM تجاری‌سازی شدند. در 1984 اولین کامپیوتر شخصی شرکت اپل یعنی مکینتاش معرفی شد. سیستم‌های عامل کاربرپسندتری مانند ویندوز و برنامه‌های کاربردی مانند اکسل (1985) وارد بازار شد. تا دهه 90 کامپیوترهای شخصی به تمام ادارات و شرکت‌ها نفوذ کرده بودند.
این پیشرفت‌ها زمینه را برای ظهور نسل اول هوش تجاری در ابتدای دهه 90 میلادی محیا کرده بود.
هوش تجاری به شکلی که امروز می‌شناسیم در دهه 90 میلادی یعنی 30 حدود سال قبل شکل گرفت. در سال 1988 کنفرانسی در رم برگزار شد (Multiway Data Analytics consortium conference) خروجی این اجلاس شرکت‌های ارائه‌دهنده نرم‌افزارهای تحلیلی را مجاب کرد تا به سمت راهکارهای کاربرپسند حرکت کنند.
یک سال بعد واژه هوش تجاری توسط هاوارد درسنر (Howard Dresner) کارشناس مؤسسه گارتنر پیشنهاد شد و به‌عنوان یک چتر واژه برای اشاره به طیف وسیعی از راهکارهای تحلیلی به کار رفت. (به او منتصب است)
در دهه 90 هوش تجاری روی دو چیز تمرکز داشت:
هوش تجاری سعی داشت تا به این سؤال که ” چه اتفاقی در یک کسب‌وکار رخ‌داده است؟ ” پاسخ دهد
ابزارهای ETL در اوایل دهه 90 برای گردآوری داده‌ها معرفی شدند. استفاده از این ابزارها باعث کاهش هزینه‌های پیاده‌سازی انبار داده شد و سرعت اجرای پروژه‌ها را افزایش داد در نتیجه شرکت‌های بیشتری توانستند از راهکارهای هوش تجاری استفاده کنند. در داخل سازمان‌ها نیز افراد بیشتری به تحلیل داده و BI دسترسی پیدا کردند.
از مزایای نسل اول هوش تجاری می‌توان به این موارد اشاره کرد:
بااین‌وجود نسل اول BI ایرادهای بزرگی هم داشت.
قرن جدید میلادی با تحولات بزرگی آغاز شد. استفاده از اینترنت رونق گرفته بود و کسب‌وکارها تلاش می‌کردند تا از این فضای جدید بیشترین استفاده را ببرند. اینترنت و گستردگی استفاده از آن قابل‌انکار نبود. تب اولیه باعث تأسیس شرکت‌های بسیاری شد که انتظارات غیرواقعی از این حوزه داشتند. در نهایت این شرایط به حباب معروف دات‌کام ختم شد.
اما این اتفاق برای شرکت‌های ارائه‌دهنده هوش تجاری فرصت بسیار خوبی بود و ابزارها و راهکارهای جدید یکی پس از دیگری معرفی شدند.
سال 2005 اولین شبکه‌های اجتماعی پدیدار شد. اینترنت با خود چیز جدید آورده بود. جهان وارد عصر کلان‌داده یا Big Data شد. اینترنت باعث شد تا حجم اطلاعات در دسترس و داده‌هایی که تولید می‌شدند به یکباره چندین برابر شود. داده زیاد و متنوع به راهکارهای نرم‌افزاری جدیدی برای مدیریت و تحلیل نیاز داشت.
هوش تجاری کند و وابسته به IT ( نسل اول BI) دیگر پاسخگوی نیاز کاربران نبود. آنها به چیزی بیشتر از گزارش‌های استاندارد و داشبوردهای مدیریتی استاتیک نیاز داشتند.
سرعت تغییرات در بازار بسیار زیاد شده بود. پاسخ به پرسش “چه اتفاقی درگذشته رخ‌داده است؟” برای مدیران یک شرکت کافی نبود.
مدیران شرکت‌ها می‌خواستند بدانند در حال حاضر و در همین لحظه چه اتفاقی رخ می‌دهد؟ و چه ترندهایی در حال ظهور هستند؟ آنها به تجزیه‌وتحلیل لحظه‌ای (Streaming Analytics) و تحلیل پیش‌بینی‌کننده (Predictive Analytics) نیاز داشتند
مهم‌ترین ایراد نسل اول هوش تجاری، وابستگی به IT و هزینه بالابود. نسل دوم BI سعی کرد تا این موضوع را حل کند. این کار نیاز به ارائه نرم‌افزارهای کاربرپسند و جدید داشت.
یادگیری و استفاده از نسل دوم ابزارهای هوش تجاری بسیار ساده‌تر و راحت‌تر بود. در واقع نقش IT کم‌رنگ‌تر شد و سعی شد تا نرم‌افزارهایی ارائه شود که کاربران عادی و با پیشینه فنی کم بتوانند از آن استفاده کنند.
داشبوردهای استاتیک و گزارشات استاندارد جای خودشان را به داشبوردهای داینامیک و گزارش‌هایی دادند که به‌سرعت توسط خود کاربران عادی قابل ایجاد و استفاده بودند.
هوش تجاری در این دوره شامل این موارد بود:
نسل دوم BI چابکی و انعطاف‌پذیری زیادی برای تطبیق در یک سازمان را ارائه می‌کرد. هزینه‌های آن بسیار کمتر بود و امکانات تحلیلی بیشتری را در اختیار کاربر قرار می‌داد؛ اما معایبی هم داشت از جمله:
دهه دوم قرن بیستم با گسترش بیش‌ازپیش استفاده از تحلیل داده و هوش تجاری همراه بود. تا سال 2010 بیشتر شرکت‌های بزرگ در جهان در حال استفاده از راهکارهای هوش تجاری بودند. اما تحولات در ده سال آینده باعث شد تا BI به‌صورت گسترده توسط شرکت‌های متوسط و کوچک نیز مورداستفاده قرار بگیرد.
ابزارهای bi کارآمدتر و کاربرپسندتر شدند و امکانات به‌اشتراک‌گذاری و همکاری تیمی روی پلتفرم‌های bi توسعه پیدا کرد. هوش تجاری راه خود را به تلفن‌های همراه باز کرد تا اطلاعات در هر جا و مکانی قابل‌دسترس باشد.
هزینه‌های مالی استفاده از bi باز هم کاهش پیدا کرد. راهکارهای ابری (Cloud-based BI) برای هوش تجاری ارائه شد که نیاز به هزینه برای زیر ساخت سخت‌افزاری را از بین می‌برد. استفاده از هوش تجاری در این دوره به‌صورت یک سرویس نرم‌افزاری (SAAS) محبوب شد.
اما آنچه اهمیت بسیاری پیدا کرد ورود هوش مصنوعی و یادگیری ماشین و تلفیق این تکنولوژی‌ها با ابزارهای bi بود.
نسل سوم هوش تجاری سعی کرد تا وابستگی کاربران به IT را باز هم کاهش دهد و این کار تنها با ساده‌تر شدن استفاده از ابزارهای تحلیلی اتفاق می‌افتاد. تحلیل افزوده برای انجام این کار معرفی شد
تحلیل افزوده ( augmented analytics) یعنی : از استفاده از فناوری‌هایی مانند یادگیری ماشین و هوش مصنوعی برای آماده‌سازی داده و ایجاد و تولید بصیرت به صورتی که توانایی افراد برای کاوش و تحلیل داده روی یک پلتفرم BI را تقویت کند.
معنای این تعریف چیست؟ تحلیل افزوده کاربران را قادر می‌کند که تمام فرایند کاری از آماده‌سازی داده تا مصورسازی اطلاعات و تحلیل آن را خودشان به‌صورت اتوماتیک و با کمترین دخالت واحد IT انجام دهند.
علاوه بر این نسل سوم bi از یادگیری ماشین (ML) و هوش مصنوعی (AI) استفاده می‌کند تا روندهایی که قابل‌تشخیص برای آسان نیست را کشف کند. مثلاً بررسی رفتار مشتری در مواجه با یک کمپین تبلیغاتی می‌تواند به کمک هوش مصنوعی تحلیل شود.
در آیدت،
فایل‌های
خود را به فروش بگذارید و یا
مقالات‌تان
را منتشر کنید👋
پاسخ ها