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 شويي: فرآيندي است که مجرمان يا گروه­هاي سازمان يافته به وسيله­ آن، منشأ و ماهيت مال حاصل از جرم را تغيير مي­دهند و آن را به حوزه­ اقتصاد رسمي وارد مي­کنند. پول شويي پلي است براي ارتباط و اتصال دنياي مجرمان با ديگران.

مهمترين آثار سوء پول شويي بر مؤسسات مالي: ورود خسارت، بحران نقدينگي به علت برداشت ناگهاني وجوه از سيستم مالي، قطع روابط کارگزاري، احتساب هزينه­هاي مربوط به بررسي و نظارت و کشف جرايم در قراردادها و تحميل آن به کشور، توقيف و ضبط دارايي­ها و کاهش ارزش سهام مؤسسات مالي از آثار سوء پول شويی بر مؤسسات مالی می­باشد.

انبار داده­ها: وجود داده­هاي تاريخي براي يافتن الگوها و روابطي که سازمان به منظور داده کاوي به دنبال آنهاست، يک ضرورت است. انبار داده يک گردآوري از داده­ها به صورت موضوع­گرا، تجميع شده، غير فرار و در طول زمان است که براي پشتيباني از تصميمات مديريتي ايجاد مي­گردد.

ويژگي­هاي مهم يک انبار داده:

• موضوع محوري: داده­ها طبق يک موضوع خاص نظير مشتريان يا محصولات، سازماندهي مي­شوند؛
• جامعيت: داده­هاي انباره از تجميع ديگر داده­ها ساخته مي­شوند. جهت يکسان کردن داده­ها روش­هاي پاکسازي به کاربرده مي­شوند؛
• پويا پذيري: عامل زمان در ساختار انبار داده­­ها به صورت ضمني يا به وضوح بيان مي­شود.
• پايايي: برخلاف پايگاه داده­ها، داده­ها در انبار داده به روز نمي­شوند. تنها بارگزاري اوليه داده­ها و دسترسي به داده­ها صورت مي­گيرد.

مديريت ريسک: کاربرد سيستماتيک سياست‌هاي مديريتي، رويه‌ها و فرايندهاي مربوط به فعاليت‌هاي تحليل، ارزيابي و کنترل ريسک مي‌باشد. مديريت ريسک عبارت از فرايند مستندسازي تصميمات نهايي اتخاذ شده و شناسايي و به‌کارگيري معيارهايي است که مي‌توان از آنها جهت رساندن ریسک تا سطحي قابل قبول استفاده کرد.

هوش عملياتي: فرآيندهاي تجاري را در زمان اجرا کنترل مي­کند و با شناسايي نواقص و خطاها، به بهينه سازي فرآيندها و فعاليت­ها کمک مي­کند.

تحليل پيش­بينانه: انواع مختلف از تکنيک­هاي آماري، داده کاوي و نظريه بازيها را در برمي­گيرد که اطلاعات حال و گذشته را تجزيه و تحليل مي­کند و اتفاقات و رويدادهاي آينده را پيش بيني مي­کند.

 هوش بازاريابي و فروش: فرآيند تجزيه و تحليل اطلاعات به منظور درک بازار (مشتريان موجود و بالقوه) و مشخص­کردن نيازها و اولويت­هاي کنوني و آينده بازار، نگرش و رفتار بازار، و ارزيابي تغييرات در محيط بازار که ممکن است به اندازه و طبيعت بازار در آينده تأثيرگذار باشد.

داده­ها: رشته­اي از بيت­ها (به صورت صفر و يک) يا اعداد و نشانه­ها هستند که وقتي در فرمتي مشخص به يک برنامه ارسال مي­شوند، معنا مي­يابند ولي هنوز تفسير نشده­اند.

اطلاعات: داده­هايي است که موارد زايد آن حذف شده­ است و به حداقل ممکني که براي تصميم­گيري لازم است، تقليل يافته­است.

دانش: اطلاعات تلفيق شده­اي است که شامل حقايق و روابط ميان آن­ها است. دانش در واقع به عنوان تصاوير ذهني ما درک، کشف يا فراگيري شده ­است. دانش همان داده­هايي است که در بالاترين سطح تعميم قرار گرفته­اند.

کشف دانش از پايگاه داده­ها: در واقع فرآيند تشخيص الگوها و مدل­هاي موجود در داده­هاست. الگوها و مدل­هايي که معتبر، نو، بالقوه مفيد و قابل فهم هستند.

داده­کاوي: مرحله­ا­ي از فرآيند کشف دانش است که با کمک الگوريتم­هاي خاص داده­کاوي و با کارايي قابل قبول محاسباتي، الگوها يا مدل­ها را در داده­ها پيدا مي­کند.

روش­هاي داده­کاوي: اين روش­ها دو دسته هستند: توصيفي و پيش­بينانه.

هدف از توصيف، يافتن الگوهايي در مورد داده­ها است که براي انسان قابل تفسير باشند (با استفاده از فنون مصورسازي)؛

روش­هاي پيش­بينانه با به­کارگيري چند متغير يا فيلد در پايگاه داده، رفتارهاي آينده داده­ها و يا مقادير آينده متغير را پيش­بيني مي­کنند.

الگوريتم­هاي پيش­بينانه شامل دسته­بندي، رگرسيون، سري­هاي زماني و پيش بيني است. الگوريتم­هاي توصيفي شامل خلاصه­سازي، خوشه­بندي، کشف توالي و قوانين التزامي هستند.

داده­­کاوي مي­تواند نقش مهمي در تشخيص مشتريان احتمالي خوب (مشتريانی که به احتمال زياد سود آور خواهد بود)، انتخاب کانال ارتباطي مناسب به منظور دسترسي به مشتريان احتمالي و انتخاب پيام مناسب براي گروه­هاي مختلف مشتريان احتمالي ايفا کند.

دسته بندي: فرآيند يافتن مدلي است که با تشخيص دسته­ها يا مفاهيم داده مي­تواند دسته ناشناخته اشياء ديگر را پيش بيني کند. اين­کار با تقسيم کردن داده­هاي موجود به دو بخش آموزش و آزمون انجام مي­شود. داده­هاي آموزش براي يادگيري قواعد توسط سيستم و داده­هاي آزمون براي بررسي دقت دسته­بندي به کار مي­روند.

خوشه بندي: به معني تقسيم داده­ها به گروه­­هاي مشابه است به نحوي که شباهت داده­هاي داخل گروه­ها حداکثر و شباهت بين گروه­ها حداقل باشد.