مقالات

بسیاری از مدیران در سطوح مختلف سازمان، تصورات نادرسی از کاربرد داشبوردهای مدیریت و استقرار آن در سازمان دارند. در این مطلب سعی داریم، برخی از این تصورات نادرست را شرح دهیم.

در تحلیل بازار بورس، عوامل مختلفی تاثیر گذار هستند. این عوامل میتوانند آنقدر زیاد باشند که از حوزه تحلیل بسیاری از افراد جامعه فراتر روند، به گونه ای که افراد مختلف تحلیل گر در حوزه بورس، در بسیاری از مواقع، بدون توجه به عوامل زیاد مختلف تاثیر گذار بر افزایش یا کاهش یک سهم، تنها چند عامل اصلی را در هنگام تحلیل در نظر میگیرند.

در بخش اول این مقاله، در مورد کاربرد تشخیص تقلب در بین مشتریان صنعت بیمه بحث کردیم. در این مقاله سعی داریم یکی دیگر از کاربردهای داشبورد مدیریتی را در صنعت بیمه بررسی کنیم که پیش بینی ریزش مشتری نام دارد. به طور خلاصه، فرآیندی که بتواند پیش بینی کند که آیا یک مشتری فعلی سیستم، میخواهد در یک بازه ی زمانی معین از سیستم جدا شود(ریزش کند) را فرآیند پیش بینی ریزش مشتری میگویند.

بر خلاف نظر بسیاری از کارشناسان حوزه هوش تجاری، که داشبوردهای مدیریتی را ابزاری جهت استفاده مدیران و افراد رده ی بالای سازمان میدانند، این داشبوردها، کاربرد بسیار زیادی جهت افراد، در رده های مختلف سازمان دارند. در این مقاله سعی داریم، به کاربرد داشبوردهای مدیریت، برای افراد مختلف سازمان، بپردازیم.

صنعت بیمه، یکی از صنایع مهم، در هر کشوری به شمار میرود. این صنعت، به خاطر گردش مالی عظیم و فرآیندهای بزرگ و پیچیده ای که دارد، نیاز هر چه بیشتر به مهندسی فرآیند ها و نظارت بر عملکرد سیستم خود را دارد. در این مقاله، قصد داریم، با ارائه یک مثال کاربردی در این صنعت، نقش هوش تجاری را در فرآیند های بیمه، به صورت دقیق تر مورد بررسی قرار دهیم.

فرض کنید، یک شرکت بیمه، قصد دارد، سیستم تقلب مشتریان خود را به صورت خودکار، توسط سیستم انجام دهد. حتماً میدانید که بعضی از مشتریان بیمه، به صورت عمدی، اعمالی را مرتکب می شوند، تا خسارت به آن ها تعلق بگیرد. این در حالی است، که اکثر مشتریان بیمه، اعمال سالم و غیرمتقلبانه ای انجام میدهند و پیدا کردن چند نفر از میان هزاران نفر، کاری پیچیده و وقت گیر است.

با استفاده از یک سیستم هوشمند تشخیص تقلب، که توسط الگوریتم های داده کاوی و هوش مصنوعی پیاده سازی شده باشد، میتوان احتمال تقلب یک مشتری را، با توجه به رفتارهای مختلف آن مشتری شناسایی کرد. حتی اگر، مشتریان متقلب بسیار کمتر از مشتریان، با رفتار های سالم باشند. به این دسته از مسائل، در داده کاوی، به اصطلاح، Unbalanced گفته می شود. مدل ارائه شده، مدل 4مرحله ای می باشد(که البته یک مدل ساده برای روشن شدن بحث، به دور از پیچیدگی های مختلف) است.

در قسمت قبل، یک مثال از جمع آوری داده ها و نمایش و کار با آنها، در قالب داشبوردهای مدیریتی، را شرح دادیم. در این مقاله، یکی از کاربردهای داشبورد مدیریت، برای صنایع تولیدی را مثال میزنیم. این کاربرد که به هشدار(Alert) معروف است، یکی از کاربردی ترین ویژگی ها، در حوزه اطلاعات در داشبوردهای مدیریتی به شمار میرود.

فرض کنید، شما یکی از مدیران یک شرکت تولیدی بزرگ هستید. مسلماً به دلیل شلوغی بیش از اندازه، و کارهای مختلفی که باید انجام دهید، نمیتوانید هر روز، قسمت های مختلف داشبورد خود را کنترل نمایید. از طرفی، فرض کنید، که شما، مشتریانی دارید و انتظار شما این است که مجموع خرید هر مشتری در هر فصل، یک میزان مشخصی از تولید در آن فصل باشد. مثلاً، در فصل زمستان، 250کیلوگرم از محصول A، تولید کرده اید. به تجربه، دریافته اید که از بین 5 مشتری اصلی شما، هر کدام، میبایستی در فصل زمستان، مجموعاً حداقل 40کیلوگرم از محصولتان را خریداری کرده باشند(نزدیک به 15درصد از تولید). اگر مشتری ای در هر فصل، مجموع خریدش از این درصد کمتر شده، احتمالاً مشکلی برای این مشتری به وجود آمده است.

داشبورد های مدیریت(Managment dashboards)، در طیف وسیعی از صنایع کاربرد دارند. در این مقاله،‌ به بررسی کاربرد داشبورد مدیریت در یک کارخانه تولیدی می پردازیم. این کارخانه، میخواهد میزان فروش محصولات خود را به مشتریان و خریدارها، در یک بازه زمانی خاص، همواره مورد رصد قرار دهد.

فرض کنید، یک مدیر عالی، میخواهد، به صورت برخط، فروش خود را به تفکیک، سال، ماه، روز، به افراد و خریدارهای دیگر ببیند. روند رشد یا نزول فروش به یک خریدار را بررسی کند و تصمیم هایی جهت آینده اتخاذ کند.

در مدل سنتی، گزارش های مختلف سالیانه(در بهترین حالت با نرم افزارهای مختلف)، جمع آوری و پرینت می شد و مدیر، با مقایسه برگه های مختلف، میتوانست مقایسه ای برای فروش در روزهای مختلف را داشته باشد. برای مثال، یک مدیر میخواست، کلیه ی فروش های نیمه اول اسفند سال جاری را با کلیه فروش های نیمه اول اسفند سال های گذشته مقایسه کند. احتمالاً چندین ساعت صرف تولید این گزارش از بین نرم افزارهای مختلف سازمان می شد، این در صورتی بود که، اگر مدیر نیمه دوم اسفند را هم در همان لحظه می خواست مقایسه کند، دو مرتبه، می بایستی یک سری گزارش جدید تهیه شود.

گزارش های خسته کننده، با تعداد برگهای زیاد، که عموماً زمان و انرژی زیادی از تهیه کننده و خواننده گزارش میگیرد را به یاد بیاورید. این گزارش ها، عموماً یا به شکل دقیق نوشته نمی شوند و یا به صورت نادقیق خوانده می شوند. گزارش هایی که عموماً به خاطر متن های طولانی، بیشتر در قفسه ها، نگهداری می شوند، و معمولاً کسی به سراغ آن ها نمیرود. این در حالی است که گزارش دادن و گزارش گرفتن را نمیتوان از یک سازمان حذف کرد.

 

با پیشرفت علم و شروع نسل سوم هوش تجاری، آرام آرام، گزارش های طولانی، جای خود را به گزارش های خلاصه به صورت عدد و رقم و نمودار می دهند. این گزارش ها، همیشه به همراه اطلاعات تکمیلی و یا دانش خواننده گزارش، میتواند روند جاری سازمان یا اداره را به مدیران یا کارشناسان عرضه کند. همچنین این سیستم ها، که به نوعی به سیستم های پشتیبانی از تصمیم نیز معروف هستند، اگر درست استفاده شوند، میتوانند تاثیر به سزایی در بهره وری یک سازمان داشته باشند. همچنین جلوگیری از نشر اطلاعات غلط و به طبع آن جلوگیری تصمیمات غلط نیز، از جمله فواید استفاده از این نوع گزارش ها می باشند. گزارش هایی که عموماً با استفاده از داشبوردهای مدیریتی عرضه می شوند.

تعریف Data Mining(داده کاوی)

در دو دهه قبل توانايي‌های فنی بشر در برای توليد و جمع آوری دادهها به سرعت افزايش يافته است. عواملی نظير استفاده گسترده از بارکد برای توليدات تجاری، به خدمت گرفتن کامپيوتر در کسب و کار، علوم، خدمات دولتی و پيشرفت در وسائل جمع آوری داده، از اسکن کردن متون و تصاوير تا سيستمهای سنجش از دور ماهواره ای، در اين تغييرات نقش مهمی دارند.

به‌طور کلی استفاده همگانی از وب و اينترنت به عنوان يک سيستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند. اين رشد انفجاری در دادههای ذخيره شده، نياز مبرم وجود تکنولوژی های جديد و ابزارهای خودکاری را ايجاد کرده که به صورت هوشمند به انسان ياری رسانند تا اين حجم زياد داده را به اطلاعات و دانش تبديل کند: داده کاوی به عنوان يک راه حل برای اين مسائل مطرح است.

در يک تعريف غير رسمی داده کاوی فرآيندی است، خودکار برای استخراج الگوهايی که دانش را بازنمايی مي کنند، که اين دانش به صورت ضمنی در پايگاه داده های عظيم، انباره داده (Data warehouses) و ديگر مخازن بزرگ اطلاعات، ذخيره شده است.

درباره ما

همگام با تمرکز بر ارائه راه حل های کلان سازمانی که پیاده سازی آنها اکثرا مستلزم شخصی سازی / بومی سازی می باشد، شرکت نرم افزاری نگاره با در نظر گیری نیازمندی های عنوان گردیده توسط مخاطبین مختلف، اقدام به تولید طیفی از محصولاتی نموده است که در کمترین زمان ممکن و بدون اعمال تغییراتی عمده، آماده بهره برداری هستند.

تماس با ما

آدرس: تهران، بلوار میرداماد، خیابان شاه نظری، خیابان مددکاران، پلاک 26، واحد 2 - شرکت نرم افزاری نگاره
تلفن: 26423319
ایمیل: این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید
سایت: www.negarehsoft.ir
بالا