راه پرداخت
رسانه فناوری‌های مالی ایران

اصطلاحات تخصصی هوش تجاری

به زبان ساده هوش تجاری (Business Inteligence) مجموعه‌ای از ابزارهای تکنولوژیک است که برای جمع آوری اطلاعات، ذخیره آنها، تحلیل کردن آنها و دسترسی به اطلاعات استفاده می‌شود که به سازمان‌ها کمک می‌کند تا با دقت بیشتر و بهتر تصمیم گیری کنند. یکی از عمده ترین حوزه‌هایی که در آن از هوش تجاری استفاده می‌شود در کشف و ردیابی پولشویی است. هوش تجاری با جمع آوری اطلاعات و تحلیل و بررسی متمادی اطلاعات، رفتارهای مشتری را تا حدودی پیش بینی می‌کند و به هنگام مغایرت رفتار مشتری به سیستم اطلاع خواهد داد.

 

در ادامه تعدادی از لغات و اصطلاحات مورد استفاده در حوزه هوش تجاری آورده شده است:

پول شویی: فرآیندی است که مجرمان یا گروه­های سازمان یافته به وسیله­ آن، منشأ و ماهیت مال حاصل از جرم را تغییر می­دهند و آن را به حوزه­ اقتصاد رسمی وارد می­کنند. پول شویی پلی است برای ارتباط و اتصال دنیای مجرمان با دیگران.

مهمترین آثار سوء پول شویی بر مؤسسات مالی: ورود خسارت، بحران نقدینگی به علت برداشت ناگهانی وجوه از سیستم مالی، قطع روابط کارگزاری، احتساب هزینه­های مربوط به بررسی و نظارت و کشف جرایم در قراردادها و تحمیل آن به کشور، توقیف و ضبط دارایی­ها و کاهش ارزش سهام مؤسسات مالی از آثار سوء پول شویی بر مؤسسات مالی می­باشد.

انبار داده­ها: وجود داده­های تاریخی برای یافتن الگوها و روابطی که سازمان به منظور داده کاوی به دنبال آنهاست، یک ضرورت است. انبار داده یک گردآوری از داده­ها به صورت موضوع­گرا، تجمیع شده، غیر فرار و در طول زمان است که برای پشتیبانی از تصمیمات مدیریتی ایجاد می­گردد.

ویژگی­های مهم یک انبار داده:

  • موضوع محوری: داده­ها طبق یک موضوع خاص نظیر مشتریان یا محصولات، سازماندهی می­شوند؛
  • جامعیت: داده­های انباره از تجمیع دیگر داده­ها ساخته می­شوند. جهت یکسان کردن داده­ها روش­های پاکسازی به کاربرده می­شوند؛
  • پویا پذیری: عامل زمان در ساختار انبار داده­­ها به صورت ضمنی یا به وضوح بیان می­شود.
  • پایایی: برخلاف پایگاه داده­ها، داده­ها در انبار داده به روز نمی­شوند. تنها بارگزاری اولیه داده­ها و دسترسی به داده­ها صورت می­گیرد.

مدیریت ریسک: کاربرد سیستماتیک سیاست‌های مدیریتی، رویه‌ها و فرایندهای مربوط به فعالیت‌های تحلیل، ارزیابی و کنترل ریسک می‌باشد. مدیریت ریسک عبارت از فرایند مستندسازی تصمیمات نهایی اتخاذ شده و شناسایی و به‌کارگیری معیارهایی است که می‌توان از آنها جهت رساندن ریسک تا سطحی قابل قبول استفاده کرد.

هوش عملیاتی: فرآیندهای تجاری را در زمان اجرا کنترل می­کند و با شناسایی نواقص و خطاها، به بهینه سازی فرآیندها و فعالیت­ها کمک می­کند.

تحلیل پیش­بینانه: انواع مختلف از تکنیک­های آماری، داده کاوی و نظریه بازیها را در برمی­گیرد که اطلاعات حال و گذشته را تجزیه و تحلیل می­کند و اتفاقات و رویدادهای آینده را پیش بینی می­کند.

 هوش بازاریابی و فروش: فرآیند تجزیه و تحلیل اطلاعات به منظور درک بازار (مشتریان موجود و بالقوه) و مشخص­کردن نیازها و اولویت­های کنونی و آینده بازار، نگرش و رفتار بازار، و ارزیابی تغییرات در محیط بازار که ممکن است به اندازه و طبیعت بازار در آینده تأثیرگذار باشد.

داده­ها: رشته­ای از بیت­ها (به صورت صفر و یک) یا اعداد و نشانه­ها هستند که وقتی در فرمتی مشخص به یک برنامه ارسال می­شوند، معنا می­یابند ولی هنوز تفسیر نشده­اند.

اطلاعات: داده­هایی است که موارد زاید آن حذف شده­ است و به حداقل ممکنی که برای تصمیم­گیری لازم است، تقلیل یافته­است.

دانش: اطلاعات تلفیق شده­ای است که شامل حقایق و روابط میان آن­ها است. دانش در واقع به عنوان تصاویر ذهنی ما درک، کشف یا فراگیری شده ­است. دانش همان داده­هایی است که در بالاترین سطح تعمیم قرار گرفته­اند.

کشف دانش از پایگاه داده­ها: در واقع فرآیند تشخیص الگوها و مدل­های موجود در داده­هاست. الگوها و مدل­هایی که معتبر، نو، بالقوه مفید و قابل فهم هستند.

داده­کاوی: مرحله­ا­ی از فرآیند کشف دانش است که با کمک الگوریتم­های خاص داده­کاوی و با کارایی قابل قبول محاسباتی، الگوها یا مدل­ها را در داده­ها پیدا می­کند.

روش­های داده­کاوی: این روش­ها دو دسته هستند: توصیفی و پیش­بینانه.

هدف از توصیف، یافتن الگوهایی در مورد داده­ها است که برای انسان قابل تفسیر باشند (با استفاده از فنون مصورسازی)؛

روش­های پیش­بینانه با به­کارگیری چند متغیر یا فیلد در پایگاه داده، رفتارهای آینده داده­ها و یا مقادیر آینده متغیر را پیش­بینی می­کنند.

الگوریتم­های پیش­بینانه شامل دسته­بندی، رگرسیون، سری­های زمانی و پیش بینی است. الگوریتم­های توصیفی شامل خلاصه­سازی، خوشه­بندی، کشف توالی و قوانین التزامی هستند.

داده­­کاوی می­تواند نقش مهمی در تشخیص مشتریان احتمالی خوب (مشتریانی که به احتمال زیاد سود آور خواهد بود)، انتخاب کانال ارتباطی مناسب به منظور دسترسی به مشتریان احتمالی و انتخاب پیام مناسب برای گروه­های مختلف مشتریان احتمالی ایفا کند.

دسته بندی: فرآیند یافتن مدلی است که با تشخیص دسته­ها یا مفاهیم داده می­تواند دسته ناشناخته اشیاء دیگر را پیش بینی کند. این­کار با تقسیم کردن داده­های موجود به دو بخش آموزش و آزمون انجام می­شود. داده­های آموزش برای یادگیری قواعد توسط سیستم و داده­های آزمون برای بررسی دقت دسته­بندی به کار می­روند.

خوشه بندی: به معنی تقسیم داده­ها به گروه­­های مشابه است به نحوی که شباهت داده­های داخل گروه­ها حداکثر و شباهت بین گروه­ها حداقل باشد.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.