در این مقاله بر اساس مرور ادبیات موضوع و انجام مطالعه کتابخانه ای نسبت به ارائه الگوی سیستم اطلاعات حسابداری مدیریت مبتنی بر پشتیبانی تصمیم گیری و هوش تجاری بر اساس معیارها و خصوصیاتی در قالب چهار گروه شامل سیستم های مبتنی بر ارتباطات و استنتاج، سیستم های هشدار دهنده و گزارش دهنده، ابزارهای تحلیل و تصمیم گیری اثر بخش به منظور سنجش تاثیر در تصمیم گیری مدیران اقدام نموده ایم. با بهره گرفتن از ابزار پرسشنامه کتبی نسبت به جمع آوری نظرات مدیران مالی شرکتهای بورس اوراق بهادار تهران در رابطه با سیستم های اطلاعات حسابداری مدیریت مبتنی بر پشتیبانی تصمیم گیری و هوش تجاری و متغییرهای تصمیم گیری در واحد اقتصادیشان شامل به موقع بودن، کسب بازده مطلوب، ریسک پذیری و شرایط محیطی طی سال ۱۳۸۹ اقدام شد. نمونه تصادفی ساده از بین مدیران مالی شرکتهای بورس اوراق بهادار تهران انتخاب گردیده و نتایج حاصل از آزمون رگرسیون ناپارامتریک، ضریب همبستگی رتبه ای اسپیرمن نشان می دهد اکثر مولفه های سیستم اطلاعات حسابداری مدیریت مبتنی بر پشتیبانی تصمیم گیری و هوش تجاری در قالب سیستم های مبتنی بر ارتباطات و استنتاج، سیستم های هشدار دهنده و گزارش دهنده، ابزارهای تحلیل و تصمیم گیری اثر بخش با متغییرهای تصمیم گیری ارتباط معنی داری نداشته لیکن برخی از مولفه ها مانند استفاده از فرایند استدلال دانش پیش رو پس رو و بهینه سازی با فرایند تصمیم گیری مبتنی بر کسب بازده مطلوب، استفاده از تصمیم گیری گروهی و خلاصه سازی با فرایند تصمیم گیری ریسک پذیر و استفاده از عامل هوشمند، گزارشهای گرافیکی، تصمیم گیری گروهی و خلاصه سازی با فرایند تصمیم گیری بر اساس شرایط محیطی ارتباط معنی داری در سطح ۹۵ درصد دارند. لذا در فرایند تصمیم گیری مبتنی بر کسب بازده مطلوب، ریسک پذیری و شرایط محیطی استفاده از مولفه های فرایند استدلال دانش پیش رو پس رو، بهینه سازی، تصمیم گیری گروهی، خلاصه سازی و عامل هوشمند، گزارشهای گرافیکی، تصمیم گیری گروهی و خلاصه سازی بترتیب پیشنهاد می گردد
- انصاری و دیگران(۱۳۸۹) پژوهشی با عنوان تاثیر فن آوری اطلاعات بر هوش تجاری مدیران به انجام رساندند. گردآوری و ارزیابی اطلاعات مربوط به شرکت های رقیب در امر تدوین استراتژی ها؛ نقشی حیاتی دارد. هر قدر شرکت بتواند از شرکت های رقیب اطلاعات بیشتری به دست آورد، احتمال آنکه استراتژی های اثربخش تر و موفقیت آمیزتر تدوین و اجرا کند، بیشتر است. بنابراین ردیابی و درک رقبا و واکنش به آنها به عنوان یک جنبه ویژه از فعالیت بازاریابی مطرح و لازم است که شرکت ها یک برنامه اثربخش به نام هوشمندی رقابتی را به اجرا درآورند (دیوید، ۱۳۷۹). هدف از این تحقیق بررسی تاثیر فن آوری اطلاعات بر هوش تجاری مدیران است که با اجرای پرسشنامه و نظرخواهی از جامعه آماری تحقیق که شامل کلیه مدیران بانک های ملی شهر تبریز (۸۷ نفر) تحقق یافت و به دلیل محدودیت تعداد بانک های مورد بررسی کل جامعه آماری مورد بررسی قرار گرفت. پایایی ابزار اندازه گیری ۰.۸۷ برآورد گردید و بر اساس نتایج داده ها در دو سطح توصیفی و استنباطی تاثیر و نقش فن آوری اطلاعات بر شناخت مدیران از رقبا، شناخت بازار و تسهیل تبادل اطلاعات در بین کارکنان با ۹۵ درصد اطمینان به اثبات رسید.
( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
طراحی نقشه استقرار هوش تجاری در نظام بانکداری
اغلب مدیران و تصمیم گیرندگان فناوری اطلاعات، هنوز معیار درستی برای دستیابی به تصمیم درست و بهنگام استقرار هوش تجاری در سازمانشان ندارند. دلیل اصلی این مشکل، عدم اطلاع کافی آنها از پیش نیازهای استقرار هوش تجاری در سازمانهاست. پاسخ به این سوال که “پیاده سازی هوش تجاری در سازمان ما مستلزم وجود چه پیش نیازهایی است. چه امکانات و زیر ساخت های فناورانه ای مورد نیاز است. و چه میزان دانش و تخصص نیروی انسانی متخصص لازم و کافی خواهد بود. فرهنگ سازمانی متناسب برای استقرار موفق هوش تجاری در سازمان کدام است. با چه ابزارها و تکنیک هایی میتوان میزان آمادگی سازمان را برای استقرار موفق هوش تجاری اندازه گرفت. و در مجموع سیاست و رویکرد اصلی سازمان نسبت به استقرار هوش تجاری باید به چه صورت باشد.” اگر پاسخی برای این پرسش ها بدست آید، مدیران میتوانند تصمیات درست تر و منطقی تری اتخاذ کنند و به این ترتیب ضریب شکست پروژه های استقرار هوش تجاری در سازمان ها پایین خواهد آمد. استقرار سیستم های هوش تجاری، برای سازمان هایی مناسب است که در آنها فرهنگ کاری و فرآیندهای کاری با اطلاعات و فناوری اطلاعات هماهنگی داشته باشد(لاجوردی، ۱۳۹۱). چند نمونه از مهمترین شاخص های این هماهنگی عبارتند از:
- وجود تحقیقات و بررسی های مداوم و مستمر درباره نیازهای اطلاعاتی سازمان (نیازهای فعلی و آتی)
- همکاری و ارتباط مبتنی بر اعتماد میان کاربران فناوری اطلاعات سازمان مانند تصمیمگیرندگان و کارکنان عملیاتی سازمان با کارمندان و فعالان فناوری اطلاعات و مراکز مدیریت دانش در سازمان.
- وجود و نهادینه شدن فرهنگ اشتراک گذاری اطلاعات، دانش و تجربیات در سازمان.
- درک نیاز، تمایل و توانایی در انجام فراتحلیلها و استفاده از آنها نزد مدیران سازمان جهت مدیریت بهتر سازمان(محقر و دیگران، ۱۳۸۷).
سازمان ها برای استقرار هوش تجاری بیش از هر مساله دیگری باید نگران زیرساخت های فنی باشند. مشارکت موثر فناوری اطلاعات و کسب و کار سازمان در هوش تجاری بسیار مهم است. این مشارکت تنها به معنی انجام وظایف مربوط به استقرار هوش تجاری نیست، بلکه به معنای کمک فناوری اطلاعات به بهبود کسب و کار و پیشرفت سازمان در قالب استقرار هوش تجاری است. امروزه سازمان هایی که موفق بهره برداری مناسب از فناوری اطلاعات شده اند به مراتب هوشمند تر و موفق تر هستند(حقیقت و رضایی، ۱۳۹۰).
ابزارهای هوش تجاری، طیف وسیعی از خدمات را ارائه میدهند، از گزارشات ساده گرفته تا امکان نفوذ در داده ها برای تحلیل های مورد نیاز مدیران در یک صنعت خاص یا یک محیط عملیاتی. هنگامی که قصد انتخاب استراتژی را داریم باید به ۲ سوال پاسخ بدهیم :
۱- چه نوع داده هایی برای تحلیل های ما مورد نیاز است؟ و از چه منبعی باید این داده را تامین کرد؟
۲- تجزیه و تحلیل داده توسط چه کسی باید انجام شود و نتایج حاصل از تحلیل ها به چه صورت باید ارائه شود؟
ارائه پاسخ روشن به این ۲ پرسش مسیر حرکت سازمان را برای استقرار هوش تجاری روشن میکند. پیش نیازها و مراحل فنی استقرار هوش تجاری عبارتند از:
- سخت افزارهای مورد نیاز برای ذخیره سازی اطلاعات و انجام محاسبات
- ارتقاء زیرساخت های ذخیره سازی داده ها(شبکه ذخیره سازی، ملحقات شبکه ذخیره سازی،مدیریت ذخیره سازی سلسله مراتبی)
- نرم افزارهای کاربردی و منابع داده
نرم افزارها باید سازماندهی شوند. مشکل انتقال و ارتباط و تجمیع داده ها در نرم افزارهای مختلف حل شود(حقیقت و شعبانی، ۱۳۹۱).
نرم افزار واسطی ایجاد شود که تمام انواع پروتکل ها، واسط های کاربری، و مدل های اشیاء و ساختار داده ها برای ارتباط نرم افزارهای مختلف با یکدیگر را پوشش دهد. برای این امر نیاز به سرمایه گذاری در بخش اتصال سیستم هاست که امکان تجمیع اطلاعات از انبار های مختلف داده را فراهم میکنند و طی کردن فرایند ETL که با اتصال به چندین منبع داده مختلف، داده ها را بدست میآورد و سپس در یک انبار داده همه را مجتمع میکند(پرهیزگار و جاوید، ۱۳۸۸).
در حال حاضر، مخازن داده الکترونیکی بسیار بزرگی به وسیله بانکها و دیگر مؤسسات مالی در دنیا نگهداری میشود. این دادهها که در واقع دادههای خام و رکوردهای ادواری هستند به خودی خود و بدون تحلیل، اطلاعات خاصی را منعکس نمیکنند. در این حال برای بدست آوردن اطلاعات مفید و کاربردی (که جهت کشف دانش از انواع گوناگون مخازن داده داخلی و خارجی طراحی شدهاند) و برای پشتیبانی از تصمیمگیریهای بهتر تمرکز دارند استفاده از سیستمهای هوش تجاری توصیه میشود. همچنین تکیه برتکنیکهای دادهکاوی برای کشف دانش از پایگاه داده بسیار پر اهمیت است(پیرایش و علی پور، ۱۳۹۱).
وضعیت کنونی بانکها نشان میدهد به دلیل رویارویی با حجم زیاد داده ناشی از عملیات روزانه سیستمهای عملیاتی، با مشکلاتی از جمله نحوه جمع آوری، نگهداری، تحلیل و استفاده مؤثر از آن مواجه شدهاند، که جهت برطرفسازی این مشکل استفاده از انبار داده واحد ضروری به نظر میرسد، از سوی دیگرهوش تجاری، یک سرمایه گذاری دراز مدت و موثر در زمینه فناوری اطلاعات به شمار میآید و در زمان انجام، پروژه هوش تجاری به دلیل عدم گسیختگی در فعالیتهای روزانه و عدم تأثیر در سیستمهای فعلی و عملیاتی، با ریسک پائین در پیادهسازی مواجه خواهد بود(درگی، ۱۳۹۰).
هوش تجاری باعث اتصال فعالیتها به استراتژی سازمان شده و نتیجه آن ایجاد زبان سازمانی است. به همین دلیل خلق یک نسخه واحد از دادههای واقعی کمک شایانی به انجام بهتر و هوشمندانهتر فرایندها میکند. با بهکارگیری سامانه انباره داده و سیستم هوش تجاری، بانکها از وضعیت تمرکز صرف در ارائه خدمات بانکی به تمرکز روی خواستههای مشتری روی آورده و تحول چشمگیری در صنعت بانکداری خلق میکنند(مشبکی و دیگران، ۱۳۹۰).
ارائه هوش تجاری کاربردی و موثر در بانکها باید بر پایه چهار اصل کلی استوار شود:
- جمع آوری داده به صورت اتوماتیک
- مقایسه عملکرد با اهداف
- نمایش اطلاعات به صورت داشبورد
- مدیریت هشدار زمانی درحالیکه عملکرد خارج از مسیر اهداف باشد
از جمله کاربردهای هوش تجاری و دادهکاوی در صنعت بانکداری عبارتست از:
- بازاریابی
- مدیریت ریسک
- تشخیص تقلب
- مدیریت پورتفولیو
- مبادلات اوراق بهادار
- پروفایل مشتری و مدیریت ارتباط با مشتری
- سیستم ضد پول شویی
- برپا سازی بازل بر اساس هوش تجاری
- داشبوردهای مدیریتی بر اساس ۴ منظر کارت امتیاز
- متوازن و اصول مدیریت(اسکندری و مولوی، ۱۳۸۸).
عملیاتی کردن هوش تجاری و بهرهگیری از کاربردهای آن مزایای رقابتی زیادی دربانکها ایجاد میکند و بسترهای مناسبی را جهت سرمایهگذاری افزایشی در زمینه فناوری اطلاعات بهوجود میآورد. مزایا و عوامل کاربردی هوش تجاری و دادهکاوی در صنعت بانکداری و نیز تاثیر تکنولوژیهای نوین بر این مقوله جایگاه بررسی و تامل فراوان دارد(اردشیری، ۱۳۸۸).
امروزه هوش تجاری به یکی از اجزای کلیدی در تمام شرکت¬های بزرگ موفق تبدیل شده است. البته در شرکتهای مختلف اقدامات ابتدایی برای استقرار هوش تجاری به درجات متفاوتی از موفقیت منجر شدهاند. در صورت اجرای صحیح هوش تجاری به یکی از قسمتهای کلیدی در رقابت اصلی سازمان تبدیل میشود، ولی در صورت اجرای غلط به یکی از اشتباهات گران در سازمان میشود. در ادامه برخی از دلایل که باعث شکست شرکتها میشود، مورد بررسی قرار گرفتهاند. در صورت وجود یکی از این دلایل، سایرین نیز تحت تأثیر آن قرار خواهند گرفت(جاوید، ۱۳۸۸).
یکی از اساسیترین گامها در پروژههای هوش تجاری نظیر هر پروژه فناوری اطلاعات دیگر، اطمینان از آگاهی مدیریت به ارزش این پروژه، اهمیت آن برای مدیریت و تأمین منابع لازم پروژه است. وجود حداقل یک نفر در میان مدیران که برای پروژه اهمیت قائل است، میتواند کافی باشد. در صورت عدم وجود چنین فردی در طول پروژه بزرگی نظیر این، موانع بزرگی سر راه پروژه قرار خواهند گرفت و باعت انحراف پروژه از مسیر اصلی خواهند شد. جلب پشتیبانی مدیریت به طور حتم شانس موفقیت پروژه را افزایش میدهد. در صورتی که مدیریت مراحل استقرار هوش تجاری را درک نکند و یا از مزایای بیخبر باشد، آن چنان که لازم است به پروژه اهمیت داده نمیشود و پروژه مدام به تعویق میافتد. مدیران اجرایی باید بدانند که استقرار هوش تجاری فقط شامل مراحل استقرار فنی نمیشود و ممکن است منجر به تغییر در فرایندها و کسبوکار سازمان گردد. برای اینکه سازمان بتواند از تمام مزایای هوش تجاری بهرهمند گردد باید از تمام خروجیهای هوشمندی استفاده کند و روش اداره کسبوکار را تغییر دهد(قاسمی، ۱۳۹۰).
یکی از مهمترین گامها، که غالباً نادیده گرفته میشود، مرحله جمع آوری نیازمندیهاست. بیشتر سازمانها بعد از ساخته شدن انباره داده، به عنوان آخرین گام از کاربران برای ابراز نظر در مورد محصول ساخته شده دعوت میکنند. جای تعجب ندارد که در این چنین شرایطی پروژهها به شکست بینجامند. در امر جمع آوری نیازمندیها درگیر کردن کاربران از امور بیچونوچرا برای تضمین پی بردن به نیازمندیهای واقعی کاربران است. مانع اصلی که شرکتها با آن مواجه میشوند این است که ارائه نیازمندیهای قوی برای چیزی که هیچ اطلاعی از آن ندارند برای کاربرانی مشکل است. این مشکل میتواند با کار کردن با آنها و آموزش آنها در مورد انبار داده رفع شود. در ادامه میتوان با نشان دادن یک نمونه کوچک از انبار داده به آنها مزایا و طرز کار آن را به آنها نشان داد. این امر ایشان را در ابراز نیازمندیهای با معنی و با ارزش کمک میکند. مشکل کلیدی دیگر در این زمینه این است که دامنه پروژه در طول زمان به تدریج تغییر میکند. بعد از شروع یک پروژه، با افزایش علاقهمندی اندازه پروژه نیز افزایش مییابد. برای جلوگیری از خروج پروژه اولیه از کنترل و اتمام به موقع آن باید در مقابل این افزایش اندازه مقاومت نشان داد. نمونههای زیادی وجود دارد که در آن پروژه با اندازه کوچک و حدود معین شروع شده است ولی در نیمه راه نیازمندیها سه برابر گشته و پروژه از زمانبندی خارج شده و کاربران نیز از پروژه ناامید گردیدهاند. بنابراین باید در ابتدا نیازمندیها به خوبی جمع آوری شوند و تا آخر پروژه به آنها پایبند بود(رائیان، ۱۳۸۹).
گام کلیدی بعدی طراحی معماری هوش تجاری است. نکته مهم این است که از افرادی استفاده شود که در این زمینه تجربه دارند. باید از طراحان و توسعهدهندگانی استفاده شود که دارای آموزشهای لازم برای ایجاد انبار داده هستند و تنها تجربه ایجاد پایگاه داده کافی نیست. فرایند انبار داده شامل استخراج دادهها از یک یا چند برنامه مرکزی و تبدیل دادهها به فرمت که قابلاستفادهتر است. با وجود اینکه این برنامههای مرکزی (که نیز شناخته میشوند) دارای ساختارهای دادهای رابطهای هستند و به هر نحوی قابل دسترسی هستند ولی معمولاً به صورتی که دسترسی به دادهها به آسان و سر راست باشد سازماندهی نشدهاند. آنها معمولاً به منظور پردازش بهینه طراحی شدهاند و دسترسی بهینه به آنها مد نظر نبوده است. ایجاد پایگاه داده و طراحی انبار داده دو تخصص متفاوت از هم هستند و تجربه کاری در رابطه با ایجاد پایگاه داده دلیل نمیشود یک فرد قادر باشد که در اولین مرتبه از عهده طراحی انبار داده برآید. یک قسمت از مرحله طراحی شامل یافتن تکنولوژی مورد استفاده است. در اغلب اوقات با توجه به استانداردهای شرکت و مهارتهای موجود در شرکت در این رابطه تصمیمگیری میشود. با توجه به قیمت و کارایی مورد نظر گزینههای زیادی برای تکنولوژی وجود دارد. نکته مهم دیگر در این مرحله، طراحی استراتژی متاداده است. متاداده عنصر کلیدی برای ایجاد یک انبار داده موفق است. متاداده از اطلاعاتی در رابطه با محتویات انبار داده تشکیل شده است که مشخص میکند دادهها از کدام قسمت آمدهاند و چگونه باید استفاده شوند(نجفی، ۱۳۸۳).
بعد از تکمیل انبار داده، موفقیت به این بستگی دارد که انبار داده برای سازمان چگونه رونمایی خواهد شد. بسیاری از شرکتها در این گام مشکل دارند و معمولاً این باعث میشود که استقرار انبار داده به شکست بینجامد. اصلیترین دلیل که به نظر میرسد، فقدان آموزشهای کافی از سوی شرکت برای کاربران است. بجای آموزش آنها با جزئیات دقیق، به یک مرور اجمالی اکتفا میکنند. هنگامی که کاربران شروع به استفاده از انبار داده میکنند با رویارویی با نتایج غلط ناامید میشوند و در نهایت نیز استفاده از آن را متوقف میکنند. انبار داده یک ابزار بسیار قوی است و باید افرادی از آن استفاده کنند که پیشزمینه و آموزش کافی در رابطه با آن دارند. برخی از شرکتها تصمیم میگیرند که به تعداد محدودی ازکارمندان اجازه دسترسی به انبار داده دهند. در این صورت این کارمندان با درخواستهای متعدد احاطه خواهند شد و در پاسخگویی به تمام آنها با مشکل مواجه خواهند شد. بجای این کار باید یک رویکرد لایهای مد نظر قرار گیرد. لایههای مختلف باید دارای تحلیلگرانی باشد که در زمینه انبار داده دارای آموزش هستند. سایر کاربران نیز باید از مارت دیتاها و ابزارهای کاربر نهایی نظیر داشبوردها استفاده کنند(مشبکی و دیگران، ۱۳۹۰).
بعد از این که انبار داده اولیه ساخته شد، به نظر میرسد که کار تمام شده است. معمولاً مرحله بعد که همکاری با کاربران تجاری برای مشخص کردن یک طرح برای استفاده از دادههای درون انبار داده است، فراموش میشود. بعد از کسب این اطلاعات توصیه میشود که برای تسهیل انجام وظایف کاربران نسبت به ساخت همبستهها یا مارت دیتاها اقدام شود. یک همبسته عناصر اطلاعاتی مشخصی را با هم ترکیب میکند و آنها را در یک قالب ساده شده ارائه میکند. این دادهها هم میتواند در یک رابطه یک به یک باشد و هم میتواند دادههای خلاصه شده باشد. به این ترتیب بجای این که کاربران با پیوندهای پیچیده در میان تعداد زیاد جداول کار کنند، اطلاعات مورد نیازشان را مشخص میکنند و توسعهدهنده یک همبسته برای آنها ایجاد میکند، در نتیجه کاربران میتوانند به اطلاعات مورد نیازشان به راحتی و با سرعت دسترسی داشته باشند. مارت دیتاها علاوه بر این میتوانند برای ساخت یک مدل بسیار سادهشدهتر از دادهها به کار روند. مارت دیتا میتواند دارای خلاصهسازیها، محاسبات و تغییر نام دادهها باشد، به نحوی که کاربران راحتتر بتوانند به اطلاعات مورد نیازشان دسترسی داشته باشند. از ساختارهای متداول برای مارت دیتا مدل ستارهای و دانهبرفی است(غضنفری و دیگران، ۱۳۸۷).
از دلایل دیگر استقرار ناموفق هوش تجاری در سازمانها انتخاب ابزار نامناسب میباشد. برای کاربردهای مختلف انواع ابزارهای متفاوت زیادی در اختیار است. میتوان به عنوان مثال به ابزارهای ETL، گزارشگیری، دادهکاوی، OLAP و ابزارهای مبتنی بر وب نظیر داشبوردها اشاره کرد. نکته مهم این است که باید با دقت و بررسی در نیازهای کاربران، مجموعه ابزاری انتخاب شود که به عنوان یک مکمل در انجام کارها استفاده داشته باشد. با توجه به این که اکثر ابزارها چند عملکرد را با هم ارائه میکنند، اهمیت دارد که هر ابزار برای اطمینان از برآورده سازی نیازهای کاربران گزینش شود. در این رابطه نباید فقط به اظهارات تولیدکننده اکتفا کرد، بهتر است در محیط گزینش شود و از تواناییهای آن اطمینان به عمل آید. اغلب اوقات مشاهده میشود که مشتریان تصمیم به استفاده از یک ابزار به خصوص میگیرند و علیرغم عدم تطابق با نیازمندیهای شرکت به استفاده از آن ادامه میدهند. در صورتی که بعد از انتخاب یک ابزار مشخص شد که آن ابزار به درد سازمان نمیخورد، باید بدون هیچ تردیدی آن را کنار گذاشت و ابزار دیگری انتخاب کرد(انصاری و دیگران، ۱۳۸۹).
بارها و بارها مشاهده شده است که شرکتها مبادرت به آغاز یک پروژه عظیم هوش تجاری میکنند و بعد از هزینه کردن مبالغ هنگفت، بعد از چند سال آن را در قفسه نگهداری کرده و هیچ بهرهای از آن نمیبرند. بجای آغاز پروژهای که سالها به طول خواهند انجامید، بهتر است یک زیرمجموعه کوچک از اطلاعاتی که برای کاربران مفید خواهد بود انتخاب گردد و سعی بر ایجاد و عملیاتی کردن آن قسمت از انبار داده داشت. کاربران بعد از مشاهده نتیجه کار و استفاده از آن در یک مقیاس کوچک، میتوانند بازخوردهای ارزشمندی برای طراحی کلی فراهم آورند. هرگز نباید قبل از ارائه راهکار به سازمان و دریافت بازخورد آن، منابع و زمان زیادی را هزینه کرد. رعایت این اصل در یک حالت تکراری و چرخشی برای موفقیت ضروری است(حقیقت و رضایی، ۱۳۹۰).
برای استقرار هوش تجاری در سازمان نباید پایانی در نظر گرفت، برخلاف کشیدن یک نقاشی که فرایند آن دارای یک آغاز و پایان است. در اسقرار هوش تجاری اتمام لایه اول به مثابه آغاز کار است. بعد از شروع کاربران به استفاده از راهکار ارائه شده، ممکن است مورد پسندشان واقع نشود و آن را کنار بگذارند و نیز ممکن است که آن را بپسندند و خواهان کاربردهای بیشتری شوند. در هر دو حالت باید با توجه به گامهای قبلی و بررسی کارهای انجام شده، تغییرات و اصلاحات لازم طوری به عمل آید که تمام کاربران خواهان استفاده از آن شوند. همان طور که این راهکار تکامل پیدا میکند، میتواند یک بخش ضروری از کسبوکار گردد. نمیتوان اطمینان داشت که در اولین نگارش از راهکار تمام نیازمندیهای یک شرکت را برآورده ساخت، باید همگام با سازمان رشد و تکامل یابد(لاجوردی، ۱۳۹۱).
۲-۵-۱ کیفیت سیستم هوش تجاری و نحوه استفاده از اطلاعات:
سازمان نیاز به جمع آوری داده های موجود در پاسگا های داده رابطه ای موجود در سازمان در یک انبار داده دارد که اطلاعات تاریخی سازمان را جمع آوری و طبقه بندی نماید. این فرایند به کاربران سازمان فدرت زیادی در تجزیه و تحلیل و استخراج اطلاعات مورد نیاز را خواهد داد(سارین و همکاران، ۲۰۰۹). پردازشهای تحلیلی آنلاین و موتور های تجزیه و تحلیل اطلاعات: نرم افزارهای پردازشهای تحلیلی آنلاین یک لایه جداساز بین انبارهای داده مختلف سازمان و کاربران نهایی سیستم ایجاد میکنند و امکان دستیابی به امکانات زیادی را برای کاربران فراهم میکنند(نیکومران، ۱۳۹۱).
چالش عمده سازمان ها در استقرار هوش تجاری، بحث یکپارچگی و تجمیع داده های سازمان در قالب انبار داده است. معمولا داده ها در یک سازمان توسط نرم افزارها و سیستم های اطلاعاتی مختلفی جمع آوری میشوند و همین موضوع باعث مشکل شدن کار تجمیع داده ها میشود. ۹۰٪ از پرژه های انبار داده در سازمان ها که با شکست مواجه شده اند، از همین مشکل رنج میبرده اند(انصاری و دیگران، ۱۳۸۹).
وقتی انبار داده مورد نظر سازمان به تمام زیر سیستم ها و نرم افزارهای سازمان وابسته باشد، در صورت بروز مشکل در یک سیستم، کل پروژه دچار و شکست خواهد شد و این اصلا ریسک مناسبی در اجرای پروژه نمیباشد. بنابراین راه حل مناسب، شکستن برنامه های بزرگ وابسته به قطعات کوچکتر مستقل است، با این روش، شکست یک عنصر، منجر به شکست کل برنامه نمیشود. برای سازمان های بزرگ با منابع داده و سیستم های اطلاعاتی مختلف، مدل زیر پیشنهاد میگردد: