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.