دسته بندی

مقاله

خانه / مقاله
مقاله

مثال کاربردی داشبورد مدیریتی در صنایع تولیدی(بخش اول)

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.

در فرآیند های جدید، با استفاده از داشبورد مدیریتی، این کار با چند کلیک ساده امکان پذیر است. داشبورد، داده ها را از منابع مختلف سازمان(سیستم CRM، سیستم حسابداری، سیستم BPMS و…) جمع آوری کرده و با استفاده از پرس و جوهای مختلف، در نهایت یک نمودار(در اینجا Barchart) به مدیریت سازمان تحویل می دهد. مدیر سازمان نیز، با فیلتر کردن یک بازه زمانی خاص(مثلا نیمه اول اسفند) در سال های مختلف، میتواند میزان فروش را در این بازه زمانی مشاهده کند. همچنین با قابلیت Drill Down و Roll Up، به راحتی میتواند، جزئیات خریدارها(کسانی که در نیمه اول اسفند خرید کرده اند) را به همراه روزهای مختلفی که آن ها خرید کرده اند را مشاهده کند. مقایسه ای تحلیلی که فرآیند تصمیم گیری را بسیار ساده و امکان پذیر می کند.

داشبورد مدیریتی تحت وب، نیز این امکان را به مدیر میدهد که در هر کجا، که دسترسی به اینترنت و وب دارد،‌با هر وسیله ای(مانند تبلت یا گوشی هوشمند)، این نمودارها و گزارشات آنلاین را در لحظه مشاهده کرده و تصمیم گیری های لازم را انجام دهد.

مقاله

داشبورد مدیریت و کاربرد آن در صنعت بیمه(بخش اول، شناسایی مشتریان متقلب)

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.

برای حل این مشکل، در ابتدا(فاز 1)، میبایستی رفتار ها و ویژگی ها(Features) یک مشتری، که میتوانیم به دست بیاوریم را جمع آوری کنیم. برای مثال، سن مشتری، درآمد ماهیانه مشتری، مدت زمان شروع بیمه،تعداد فرزندان و… . هر کدام از این ویژگی ها، میتواند یک ویژگی اساسی در سیستم، جهت تشخیص تقلب باشد. البته که تمام این ویژگی ها، در ترکیب با یکدیگر، میبایستی بررسی شوند.

در فاز 2، می بایستی از میان انبوه مشتریان گذشته، مشتریانی که تقلب کرده اند را مشخص کنیم. برای مثال، از بین 100هزار مشتری، حدوده 500 تا 1000 نفری که تقلب انجام داده اند و تفلب آن ها اثبات شده است را برچسب “متقلب” و بقیه را برچسب “سالم” بزنیم. البته که این کار، بایستی از میان داده های گذشته، انجام شود. داده هایی که ممکن است در طول چندین سال جمع آوری شده باشد و شرکت بیمه، با روش های غیر خودکار، مشتریان متقلب را شناسایی کرده باشد.

در فاز 3، به سراغ الگوریتم های یادگیری ماشین میرویم. الگوریتم های طبقه بندی(Classification)، برای این کار ضروری به نظر میرسند. الگوریتم های مختلف، مانند SVM، ANN، C4.5، RandomForest و… وجود دارند، که میتوانند عملیات طبقه بندی(یعنی جداسازی مشتریان متقلب از مشتریان سالم) را، بر طبق داده های آموزشی(داده هایی که خوده شرکت بیمه، در فاز 2، برچسب زده است) انجام دهد. در واقع الگوریتم در اینجا، میتواند این مسئله را یادبگیرد، که کدام مشتری(با توجه به ویژگی ها)، مشتری متقلب است.

به این صورت که، مشتریان جدید(مشتریانی که جدیداً فرآیند دریافت خسارت را طی کرده اند) را به الگوریتمی که یاد گرفته است، میدهیم، و در نهایت، این الگوریتم یک عدد بین 0 تا 100 که احتمال متقلب بودن همین مشتری است را به ما برمیگرداند. البته در اینجا میتوان از فرآیند های Regression نیز استفاده کرد. به این صورت که احتمال متقلب بودن یک مشتری را مشخص کنیم، و در نهایت(فاز 4)، مشتری ای که مثلا به احتمال 80درصد به بالا، احتمال تقلب را دارد، به عنوان مشتری مشکوک شناسایی کنیم. در اینجاست که به وسیله یک داشبورد مدیریت و یک سیستم آلارم، میتوان مدیران یک شرکت بیمه ای را در لحظه، از وجود یک مشتری مشکوک به تقلب، آگاه کرد. این کار به آسانی به وسیله داشبورد مدیریت انجام می شود، و یک مدیر یا یک کارشناس، لازم نیست، هر روز یا هر ساعت، فرآیند های مختلف را، جهت شناسایی مشتری متقلب، تکرار کند.

مقاله

مثال کاربردی داشبورد مدیریت در صنایع تولیدی(بخش دوم)

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.

در این شرایط، با استفاده از سیستم هشدار، در داشبوردهای مدیریتی، میتوانید، این حدآستانه ها را در لحظه کنترل کنید. برای مثال بالا، داشبورد مدیریتی، هر دقیقه، این موضوع را کنترل می کند، که آیا مجموع خرید یک مشتری، در فصلی که گذشته، از حد آستانه پایین گذشته است یا خیر؟ در صورتیکه چنین اتفاقی بیوفتد، سیستم، از طریق پیام کوتاه، یا ایمیل یا هر وسیله ی دیگری، میتواند مدیر مربوطه را مطلع کند.

برای هشدار، لازم است که یک حدآستانه مشخص کنید. این حد آستانه میتواند تابع شرایط باشد. برای مثال، میخواهید که اگر روند خرید مشتری، در طی 10خرید آخر این مشتری، یک تابع به صورت نزولی بود، مدیر قسمت مربوطه را با یک هشدار مطلع سازد. یا اینکه اگر تولید یک بخش از کارخانه، در طی 30روز متوالی، با انحراف استاندارد بیش از 5عدد، تغییر کرد، مدیر یا کارشناس بخش تولید، با یک هشدار، از این موضوع با خبر شود.

مقاله

داشبورد مدیریت و کاربر آن در صنعت بیمه(پیش بینی ریزش مشتری)

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.

فرض کنید، شرکت بیمه ای محصولی به نام بیمه عمر دارد که تعداد ۱۰۰۰۰مشتری هر ماه، مبلغی را بابت بیمه عمر، به حساب شرکت بیمه واریز میکنند. برخی از این مشتری ها، در سررسید مشخص ماهیانه، به جای اینکه واریز خود را انجام دهند، درخواست تسویه حساب میکنند و در واقع دیگر مشتری بیمه عمر نیستند. اگر سیستمی وجود داشته باشد که بتواند، این رفتار کاربر را قبل از موعد مشخص پیش بینی کند، میتوان با اقدامات پیشگیرانه(برای مثال تخفیف های خاص برای افراد)، فردی که میخواهد از سیستم ریزش کند را، در سیستم نگه داشت.(Customer Retention)

برای این کار میبایستی از فرآیندها و راهکارهای داده کاوی استفاده کرد. میتوان مسئله را به صورت مسئله طبقه بندی(Classification) در نظر گرفت. به این صورت که تعداد زیادی مشتری(همراه با ویژگی های آن مشتری) به الگوریتم داده می شود و الگوریتم طبقه بند، الگوها را کشف می کند و یاد میگیرد. سپس الگوریتم با مشاهده ویژگی های مشتری جدید، میتواند پیش بینی کند که آیا این مشتری در سررسید ماه بعدی، ریزش خواهد کرد یا خیر؟

ویژگی های یک مشتری(که به الگوریتم طبقه بند داده می شود)، میتواند آیتم های مختلفی باشد. برای مثال، این مشتری کارمند است یا کسب کار خودش را دارد؟ این مشتری، چند فرزند دارد؟ مقطع تحصیلی این مشتری چیست؟ میانگین پرداختی سه ماه اخیر این مشتری چقدر بوده است؟ و… . با تکنیک های مهندسی ویژگی(Feature Engineering) میتوان ویژگی های دیگر ارزشمندی را پیدا کرد که به فرآیند پیش بینی کمک کند.

همچنین بیان این نکته خالی از لطف نیست که این مسئله را میتوان به صورت مسئله سری زمانی(Time Series) مشاهده کرد. به این صورت که مبالغ پرداختی، یا دیرکردهای مشتری ها را بر روی محور زمان بررسی کرد، و در نهایت پیش بینی کرد که این مشتری در آخرین سری زمانی(سر رسید ماه بعدی)، ریزش خواهد کرد یا خیر؟ البته مسائل سری زمانی پیچیده گی های خاص خود را دارند.

در نهایت نیز با استفاده از مصور سازی(Visualization) در داشبورد مدیریت، مشتریانی که احتمال ریزش آن ها زیاد است را به کاربر مربوط نمایش می دهیم(و یا با استفاده از سرویس Notification به متصدی بیمه، هشدار میدهیم). با این کار میتوان از ریزش مشتریان مختلف قبل از سررسید آن ها مطلع شد و اقدامات پیش گیرانه را نیز انجام داد.

مقاله

چه کسانی میتوانند از داشبورد مدیریتی استفاده کنند؟

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.

در زیر ۵گروه افرادی که میتوانند از داشبورد های مدیریتی استفاده کنند آورده شده اند.

۱. اعضای هیئت مدیره شرکت:

اعضای هیئت مدیره، عموماً افرادی هستند که به خاطر مشغله کاری، شاید توانایی حضور زیاد در شرکت را نداشته باشند. داشبوردهای مدیرتی، میتوانند گزارش های سطح بالای شرکت(مانند میانگین فروش ماهانه، نمودار مقایسه فروش گروه کالاها، نمودار سود کلی شرکت و…) را به صورت آنلاین به اعضا نمایش دهند.

۲. مدیر ارشد اجرایی یا مدیریت عامل:

مدیریت عامل، معمولاً پر مشغله ترین عضو یک شرکت است. این فرد به خاطر ترکیب کارها و انواع وظایفی که بر عهده دارد، معمولاً نمیتواند به صورت جزئی، از گزارش های کارشناسان و کارمندان مطلع شود. برای مدیریت عامل یک شرکت، داشبورد مدیریتی میتواند راه کاری ساده و در عین حال پر سود باشد. گزارش های سطح بالا و متوسط(مانند میانگین فروش هفتگی، نمودار مقایسه مشتریان شرکت، مقایسه زمان کاری کارمندان و مدیران میانی و…) میتواند جزو گزارش هایی باشد که یک مدیر عامل، به صورت بر خط توسط داشبوردهای مدیریتی، مشاهده می کند.

۳. مدیران میانی و کارشناسان خبره:

مدیران میانی و کارشناسان ارشد و خبره سازمان، نیاز به داشتن گزارش های عملکردی دقیق تر با جزئیات بیشتر، مربوط به واحد خود دارند. مثلا مدیر ارشد بازاریابی یک سازمان، احتمالاً نیاز به دانستن فروش هر یک از کارمندان و کارشناسان فروش در مجموعه خود دارد. یا یک مدیر فنی، نیاز به دانستن مقدار ساعت کاری و مقایسه ساعات کاری کارشناسان واحد خود دارد.

۴. کارشناسان و کارمندان سازمان

مسلما کارشناسان و کارمندان یک سازمان نیز، از گزارش گرفتن لذت میبرند. افراد هنگامی که به آن ها گزارش های مختلف، در حوزه ی کاری آن ها داده شود، بازدهی بهتری دارند. برای مثال، کارمندان واحد بازاریابی یک سازمان نیز، میتوانند از مقدار فروش خود، و یا نسبت مقدار فروش ماهانه خود، از کل فروش واحد بازاریابی مطلع شوند. این کار انگیزه و حس رقابتی مثبت کارمندان را احتمالا بیشتر کرده و در نهایت به خروجی بهتر واحد بازاریابی منجر می شود.

مقاله

کاربرد داشبورد مدیریت در پیش بینی خرید سهام بورس

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 حوزه تحلیل سهام بورس، که از نگاه تحلیل گران علوم داده، بیشتر به پیش بینی افزایش/کاهش سهام یک شرکت شناخته می شود، ابعاد(عوامل) مختلفی میتوانند تاثیر گذار باشند. برای مثال، سابقه کاهش های متوالی یک سهم، یا افزایش های پی در پی آن(که در یک سری زمانی مورد بحث قرار میگیرند)، یا برای مثال تاثیرات قیمت نفت بر یک سهام خاص، یا تاثیرات قیمت طلا بر یک سهم خاص از یک شرکت. تمامی این موارد(به همراه بسیاری از موارد دیگر)، وجود دارند که به راحتی میتوانند سهم به سزایی در پیش بینی خرید یا فروش یک سهم داشته باشند.

به خاطر وجود عوامل مختلف و متعدد(ابعاد مختلف) در مسئله پیش بینی افزایش/کاهش سهام یک شرکت، برای حل این مسئله میتوان از الگوریتم های یادگیری ماشین و داده کاوی استفاده کرد. با استفاده از روش های مختلف پیش بینی(Regression) مانند: SVM Regression, Neural Networks, RandomForest Regression و… میتوان تغییرات سهام یک شرکت را با دقت خوبی پیش بینی کرد.

البته گفتیم که عوامل مختلفی در افزایش/کاهش یک سهم نقش دارند. برای همین تمامی این ابعاد در یک سری زمانی مشخص، بایستی به الگوریتم یادیگری ماشین داده شود تا این الگوریتم بتواند به یادگیری الگو ها(Patterns) در ابعاد مختلف این مسئله بپردازد. برای این کار، میتوان سهام یک شرکت خاص(همراه ویژگی های آن شرکت) را به همراه عوامل مختلف تاثیر گذار بر افزایش/کاهش سهام(مثلا قیمت طلا، قیمت نفت، قیمت آپارتمان و…) به صورت یک سری زمانی(یعنی در یک زمان مشخص، مثلا با وجود افزایش قیمت نفت به اندازه x و افزایش قیمت طلا به اندازه y، سهام این شرکت افزایش داشته یا کاهش) به الگوریتم یادگیرنده ماشین داد، و الگوریتم از این به بعد، میتواند با مشاهده افزایش یا کاهش عوامل موجود(مثلا قیمت نفت یا طلا یا…)، افزایش یا کاهش سهام مورد نظر را پیش بینی کند.

این الگوریتم ها و نتایج آن ها می توانند همراه با یک داشبورد مدیریتی ترکیب شوند. این ترکیب میتواند در لایه نمایش صورت بگیرید به این صورت که سهام شرکت ها و پیش بینی آن ها توسط الگوریتم را بر روی نمودار های مختلف به مدیر کسب و کار(یا کسی که میخواهد سهام بخرد یا بفروشد) نمایش دهد. با این کار ما یک سیستم پشتیبانی از تصمیم(Decision Making System) داریم که میتواند کمک یار مدیران یا کارشناسان، جهت خرید و فروش به موقع یک سهم باشد.

مقاله

۵ تصور نادرست مدیران درباره داشبوردهای مدیریت

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.

۱. داشبورد مدیریت خودکار است

بسیاری از مدیران، بر این باور هستند، که با یک بار خرید و استقرار یک داشبورد مدیریتی، تمامی نیازهای آن ها در بخش مصورسازی داده ها حل خواهد شد، این در حالی است که داده ها و نگهداری داشبورد مدیریت(شامل تغییرات در ساختار داده ها، تغییرات در نمودار ها و…)، نیاز به بازنگری های فصلی دارند.

۲. داشبورد مدیریت همان داده کاوی است

وظیفه ی اصلی داشبورد مدیریت، نمایش داده ها(Data Visualization) است. این وظیفه یکی از بخش های فرآیند داده کاوی می باشد. یعنی پیاده سازی الگوریتم های مختلف داده کاوی، می بایستی قبل از قسمت نمایش داده ها انجام شود

۳. داشبورد مدیریت امن است

گرچه که داشبورد های مدیریت،وظیفه نمایش داده ها را دارند، و معمولا نمیتواند در داده های اصلی دستکاری کنند، ولی همان نمایش داده ها نیز، شامل بخش های امنیتی است. یک مثال ساده هنگامی است که مدیران، نمیخواهند قسمتهای مختلفی از یک سری اطلاعات را به بخش های پایین تر سازمان نمایش دهند. در این باره در یک مقاله جدا صبحت خواهیم کرد.

۴. داشبورد مدیریت ورود داده ها در سیستم را بر عهده دارد

همان طور که بالاتر هم گفتیم، نمایش داده ها، وظیفه اصلی داشبورد مدیریت است. ورود داده ها و تغییرات در آن ها، معمولا جزو اجزای اصلی یک داشبورد مدیریت نیست

۵. داشبورد مدیریت هزینه های سربار اضافی دارد

بر خلاف تصور بسیاری از مدیران، داشبورد های مدیریت نه تنها هزینه های سرباره خاصی ندارند، بلکه با استقرار درست آن ها در سازمان و ایجاد ارزش افزوده، به راحتی می توان بسیاری از هزینه های مختلف و زاید سازمان را کاهش داد.

1 2
Privacy Settings
We use cookies to enhance your experience while using our website. If you are using our Services via a browser you can restrict, block or remove cookies through your web browser settings. We also use content and scripts from third parties that may use tracking technologies. You can selectively provide your consent below to allow such third party embeds. For complete information about the cookies we use, data we collect and how we process them, please check our Privacy Policy
Youtube
Consent to display content from Youtube
Vimeo
Consent to display content from Vimeo
Google Maps
Consent to display content from Google
Spotify
Consent to display content from Spotify
Sound Cloud
Consent to display content from Sound