هوش تجاری و تاثیرات آن بر عملکرد کسب وکار

هوش تجاری و تاثیرات آن بر عملکرد کسب وکار

مروری تحلیلی بر مبانی نظری و شواهد تجربی

چکیده

هوش تجاری (Business Intelligence) به مجموعه ای از فناوری ها، فرایندها و شیوه های سازمانی اطلاق می شود که داده های خام را به اطلاعات و دانش قابل استفاده برای تصمیم گیری مدیریتی تبدیل می کنند. این مقاله با تکیه بر منابع دانشگاهی معتبر، سه دسته از چارچوب های نظری را بررسی می کند: چارچوب تکاملی هوش تجاری و تحلیل داده (Chen, Chiang, & Storey, 2012)، مدل موفقیت سیستم های اطلاعاتی دلون و مکلین ) DeLone & McLean, 2003 ( در کاربرد آن برای سیستم های هوش تجاری، و مدل های بلوغ هوش تجاری (Watson & Wixom, 2010). سپس شواهد تجربی حاصل از مطالعات میدانی درباره ارتباط میان تصمیم گیری مبتنی بر داده و عملکرد مالی و بهره وری بنگاه ها مرور می شود. یافته ها نشان می دهند که موفقیت هوش تجاری صرفا تابع فناوری نیست، بلکه به کیفیت اطلاعات، بلوغ سازمانی و فرهنگ تصمیمگیری تحلیلی وابسته است .

کلیدواژه ها: هوش تجاری، تحلیل داده، تصمیم گیری مبتنی بر داده، مدل بلوغ، عملکرد سازمانی

۱. مقدمه

در دهه های اخیر، حجم داده های تولیدشده توسط سازمان ها به طور نمایی افزایش یافته و این امر سازمان ها را وادار کرده تا برای بهره برداری از این داده ها به ابزارها و رویکردهای تحلیلی روی آورند. هوش تجاری در این میان به عنوان حوزه ای میان رشته ای مطرح شده که فناوری اطلاعات، آمار، مدیریت و علوم تصمیم را در هم می آمیزد. به گفته (Chen, Chiang, and Storey-2012) در نشریه معتبر MIS Quarterly ، این حوزه در طول زمان از نسخه نخست خود که عمدتا بر پایگاه داده های ساختار یافته و گزارش گیری متمرکز بود که آن را (BI&A 1.0) می نامند، به نسخه های بعدی گذر کرده که داده های غیرساختار یافته وب محور (BI&A 2.0) و داده های حاصل از حسگرها و تلفن همراه (BI&A 3.0) را نیز در بر می گیرد. این مقاله با هدف ارائه تصویری علمی و مستند از مبانی نظری هوش تجاری و تاثیرات آن بر عملکرد کسب وکار نگاشته شده و تلاش کرده صرفا بر یافته های منتشرشده در نشریات علمی داوری شده تکیه کند.

۲. مبانی نظری و مدل های علمی

۲.۱ مدل موفقیت سیستم های اطلاعاتی دلون و مکلین

یکی از پرکاربردترین چارچوب های نظری برای ارزیابی موفقیت سیستم های اطلاعاتی، مدل دلون و مکلین است که نسخه به روزشده آن در سال 2003 در نشریه Journal of Management Information Systems منتشر شد. این مدل موفقیت یک سیستم اطلاعاتی را تابعی از شش بعد مرتبط به هم می داند: کیفیت سیستم، کیفیت اطلاعات، کیفیت خدمات، کاربرد سیستم، رضایت کاربر و منافع خالص حاصل از آن (DeLone & McLean, 2003). این مدل بارها در حوزه هوش تجاری آزمون شده است. برای نمونه، (Mudzana and Maharaj 2015) با انجام یک پیمایش میدانی روی 102 کاربر سیستم های هوش تجاری در آفریقای جنوبی، مدل دلون و مکلین را برای سیستم های هوش تجاری بومی سازی کردند. نتایج این مطالعه نشان داد کیفیت اطلاعات تاثیر قوی بر استفاده از سیستم و رضایت کاربر دارد و کیفیت سیستم نیز با رضایت کاربر رابطه مثبت دارد، در حالی که کیفیت خدمات رابطه ای منفی با رضایت کاربر نشان داد؛ همچنین رضایت کاربر با منافع خالص سیستم هوش تجاری رابطه مثبت داشت.

۲.۲ مدلهای بلوغ هوش تجاری

مدلهای بلوغ ابزاری برای سنجش و طبقه بندی توانمندی های سازمانی در برابر معیارهای از پیش تعیین شده هستند و به مدیران کمک می کنند نقاط قوت و ضعف طرح های هوش تجاری خود را شناسایی کنند. (Watson, Ariyachandra, and Matyska 2001) با گیبسون و نولان، مدلی مرحله ای برای بلوغ انبار داده ارائه کردند. در ادامه این خط پژوهشی، » مراحل رشد « اقتباس از رویکرد (Wixom and Watson 2010) استدلال کردند که هوش تجاری از یک ابزار پشتیبان تصمیم به » سازمان مبتنی بر هوش تجاری « در مقاله پیشنیازی برای کسب مزیت رقابتی تبدیل شده است؛ به طوریکه سازمان های بالغ تر از نظر هوش تجاری، فرهنگ تصمیم گیری مبتنی بر شواهد را در سطح گسترده تری از کارکردهای سازمانی نهادینه می کنند.

۲.۳ عوامل موفقیت انبار داده و ظرفیت های هوش تجاری

در یکی از پراستنادترین مطالعات تجربی این حوزه، (Wixom and Watson 2001) در نشریه MIS Quarterly ، با بررسی میدانی چند سازمان، عوامل موثر بر موفقیت انبار داده را در سه گروه دسته بندی کردند: عوامل اجرایی (مانند حمایت مدیریت ارشد و کفایت منابع)، عوامل سازمانی و عوامل فنی مرتبط با کیفیت داده و سیستم؛ و نشان دادند که کیفیت داده و کیفیت سیستم به طور مستقیم بر میزان استفاده و رضایت کاربران از انبار داده اثر می گذارند. در پژوهشی دیگر، (Popovič, Hackney, Coelho, and Jaklič 2012) در نشریه Decision Support Systems با استفاده از یک پیمایش و مدلسازی معادلات ساختاری نشان دادند که بلوغ سیستم هوش تجاری بر کیفیت اطلاعات (به ویژه کیفیت دسترسی به اطلاعات) اثر می گذارد و فرهنگ تصمیم گیری تحلیلی سازمان نیز نقش تعدیل کننده ای در میزان استفاده واقعی از اطلاعات برای تصمیم گیری ایفا می کند.

۳. شواهد تجربی تاثیر هوش تجاری بر عملکرد کس بوکار

۳.۱ تصمیم گیری مبتنی بر داده و بهره وری بنگاه

شاید مستندترین شواهد کمی درباره اثر هوش تجاری و تحلیل داده بر عملکرد بنگاه ها را بریان جولفسون و همکاران ارائه کرده اند (Brynjolfsson, Hitt, and Kim 2011) با تحلیل داده های پیمایشی 1۷۹ شرکت بزرگ سهامی عام آمریکایی، دریافتند شرکت هایی " تصمیم گیری مبتنی بر داده " که رویکرد (Data-Driven Decision-making) را به کار می گیرند، بین 5 تا ۶ درصد بهره وری و بازدهی بالاتر از حد انتظار (با کنترل سایر سرمایه گذاری ها و میزان استفاده از فناوری اطلاعات) دارند و این رابطه در شاخص های دیگری مانند بازده حقوق صاحبان سهام و ارزش بازار نیز مشاهده می شود. با استفاده از روش متغیرهای ابزاری، این پژوهشگران نشان دادند این رابطه احتمالا از علیت معکوس ناشی نمی شود، یعنی این تصمیم گیری مبتنی بر داده است که به بهبود عملکرد می انجامد و نه برعکس.

در پژوهشی مکمل، (Brynjolfsson and McElheran 201۶) با استفاده از داده های سرشماری تولید آمریکا نشان دادند نرخ پذیرش تصمیم گیری مبتنی بر داده در کارخانه های آمریکایی بین سالهای 2005 تا 2010 تقریبا سه برابر شده (از 11 به 30 درصد) و این روند با شواهد موردی مبنی بر بهره ورافزا بودن این رویکرد همخوانی دارد.

۳.۲ نقش کیفیت اطلاعات و ظرفیت های سازمانی

شواهد فوق نشان می دهد که صرف وجود فناوری هوش تجاری برای بهبود عملکرد کافی نیست. مطالعه (Popovič and colleagues 2012) که پیشتر معرفی شد نشان می دهد کیفیت محتوای اطلاعات، نه صرفا کیفیت دسترسی فنی به آن، عامل تعیین کننده در استفاده واقعی از اطلاعات برای تصمیم گیری است؛ به بیان دیگر یک سیستم می تواند از نظر فنی پیشرفته باشد اما اگر محتوای اطلاعاتی آن باکیفیت نباشد، اثر محدودی بر تصمیم گیری خواهد داشت. این یافته با تاکید (Wixom and Watson 2001) بر اهمیت کیفیت داده به عنوان یکی از عوامل کلیدی موفقیت انبار داده هم راستا است.

۳.۳ از هوش تجاری سنتی تا تحلیل کلان داده

(Chen, Chiang, and Storey 2012) استدلال می کنند که با گذار سازمان ها به سمت کلان داده (Big Data)، حوزه پژوهشی هوش تجاری و تحلیل داده (BI&A) نیز از تحلیل های توصیفی و گزارش گیری گذشته نگر به سمت تحلیل های پیش بینی کننده و تجویزی حرکت کرده است. این نویسندگان چارچوبی ارائه می دهند که در آن ارزش کسب وکاری تحلیل داده نه فقط از فناوری، بلکه از تلفیق آن با فرایندهای تصمیم گیری سازمانی حاصل می شود؛ نکته ای که با یافته های تجربی بریان جولفسون و همکاران درباره اهمیت مکمل بودن فناوری اطلاعات و شیوه های مدیریتی سازگار است.

۴ . چالش ها و ملاحظات

بر پایه منابع مرورشده، چند محدودیت و ملاحظه در پیاده سازی هوش تجاری قابل ذکر است. نخست، (Wixom and Watson 2010) اشاره می کنند که بلوغ هوش تجاری فرایندی تدریجی است و سازمان ها معمولا باید از سطوح پایین تر بلوغ (تمرکز بر گزارش گیری) به سطوح بالاتر (تصمیم گیری تحلیلی نهادینه شده در سراسر سازمان) گذرکنند و این گذار مستلزم زمان و منابع است.

دوم، طبق یافته های (Mudzana and Maharaj 2015) ، کیفیت خدمات پشتیبانی می تواند در برخی زمینه ها حتی رابطه ای منفی با رضایت کاربر نشان دهد، که نشان دهنده پیچیدگی روابط میان ابعاد مختلف موفقیت سیستم است و نمی توان به سادگی همه ابعاد را همسو با یکدیگر فرض کرد. سوم، (Brynjolfsson and McElheran 201۶) تاکید می کنند که پذیرش تصمیم گیری مبتنی بر داده در میان بنگاه ها ناهمگون است و عواملی مانند اندازه شرکت، در دسترس بودن نیروی کار تحصیل کرده و زیرساخت فناوری اطلاعات مکمل، بر سرعت این پذیرش اثر می گذارند؛ بنابراین تعمیم نتایج مثبت به همه بنگاه ها بدون در نظر گرفتن این عوامل زمین های گمراه کننده است.

۵ . نتیجه گیری

مرور منابع دانشگاهی نشان می دهد هوش تجاری، هم از منظر نظری و هم از منظر تجربی، ارتباط معناداری با بهبود عملکرد سازمانی دارد، اما این ارتباط ساده و خطی نیست. مدل های نظری مانند مدل دلون و مکلین (2003 ) نشان می دهند موفقیت یک سیستم هوش تجاری زنجیر ه ای از کیفیت سیستم و اطلاعات تا رضایت کاربر و در نهایت منافع سازمانی است، و مدل های بلوغ (Watson & Wixom, 2010) بر تدریجی بودن این مسیر تاکید دارند. در سطح تجربی، پژوهش های بریان جولفسون و همکاران شواهد کمی معتبری از رابطه مثبت میان تصمیم گیری مبتنی بر داده و بهره وری و عملکرد مالی بنگاه ها ارائه کرده اند، هرچند این اثر مشروط به عوامل زمینه ای مانند بلوغ سازمانی، کیفیت اطلاعات و فرهنگ تحلیلی است.

منابع

Brynjolfsson, E., Hitt, L. M., & Kim, H. H. (2011). Strength in numbers: How does data-driven decisionmaking affect firm performance? Proceedings of the International Conference on Information Systems (ICIS 2011).

Brynjolfsson, E., & McElheran, K. (2016). The rapid adoption of data-driven decision-making. American Economic Review, 106(5), 133–139.

Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165–1188.

DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9–30.

Mudzana, T., & Maharaj, M. (2015). Measuring the success of business-intelligence systems in South Africa: An empirical investigation applying the DeLone and McLean model. South African Journal of Information Management, 17(1), 1–7.

Popovič, A., Hackney, R., Coelho, P. S., & Jaklič, J. (2012). Towards business intelligence systems success: Effects of maturity and culture on analytical decision making. Decision Support Systems, 54(1), 729–739.

Watson, H. J., Ariyachandra, T., & Matyska, R. J. (2001). Data warehousing stages of growth. Information Systems Management, 18(3), 42–50.

Wixom, B. H., & Watson, H. J. (2001). An empirical investigation of the factors affecting data warehousing success. MIS Quarterly, 25(1), 17–41.

Wixom, B. H., & Watson, H. J. (2010). The BI-based organization. International Journal of Business Intelligence Research, 1(1), 13–28.