این مقاله در مجله پردازش، سال شانزدهم، شماره 142 و 143، مهر و آبان 1399 به چاپ رسیده است که نسخه کاملتر آن در اینجا قابل مطالعه است.

ضرورت برخورداری از دانش مدیریت داده‌ها و هوشمندی کسب و کار (BI) برای مدیران صنعت فولاد

با مطالعه موردی فولادساز روسی Evraz

حسام ادیب

رئیس هیئت مدیره گروه پاترون

واحد درسی آمار و احتمالات را، تقریبا همه ما، در دانشگاه گذرانده‌ایم. اما دانش ما از علم آمار و مهارت ما در تحلیل داده‌ها در چه حدی است؟ این مقاله تلاش می‌کند به طور خلاصه نوری بیافکند بر گوشه‌ای که جایگاه و اهمیت آن در صنعت و اقتصاد کشور تا حدی مغفول مانده است.

برخورداری از دانش مدیریت داده‌ها برای یک مدیر، ضرورت محسوب می‌شود. ضرورتی که در دنیای امروز، بی‌اطلاعی از آن، پایه سوء مدیریت علمی را تشکیل می‌دهد. مهارت تحلیل داده و اشراف بر موضوع هوش کسب و کار از لازمه‌های دانش یک مدیر در دنیای امروز است.

یک مدیر پیوسته با موضوعاتی روبروست که باید در مورد آنها تصمیم‌گیری کند. تصمیم‌گیری در مورد اهداف و برنامه‌های واحد تولید، نت، خرید، فروش و غیره و تحلیل داده‌های آنها به منظور تصمیم‌گیری برای اهداف و برنامه های جدید. بماند که متاسفانه ما در ایران با مدیرانی روبرو هستیم که بی عملی میکنند و خود را در معرض هیچ تصمیم‌گیری‌ای قرار نمی‌دهند و سازمان‌ها یا واحدهای تحت مدیریت‌شان، در سایه‌ای به ظاهر امن و محافظه‌کارانه، رو به قهقرا می‌روند و نه بازخواست می‌شوند و نه بازخواست می‌کنند. بدیهی است روی سخن این مطلب با این دسته از به ظاهر مدیران نیست.

یک مدیر برای تصمیم‌گیری به داده نیاز دارد. وقتی داده‌ها به دست آیند، تبدیل به گزارشاتی می‌شوند که خودشان برای یک مدیر تصمیم ایجاد میکنند. یعنی رابطه بین یک مدیر و داده، یک رابطه دو سویه است. هم مدیر داده را می‌سازد و هم داده مدیر را می‌سازد و پیش می‌برد.

می‌خواهید به پرسنل پاداش پرداخت کنید. آیا پاداش دادن واقعا منجر به رضایت پرسنل و بهبود عملکرد می‌شود؟ چقدر؟ یک مدیر با داده‌های عینی سر و کار دارد و نه با فرضیات ذهنی. تصمیم‌گیری بر اساس فرضیات ذهنی، می‌شود مدیریت تجربی و نه مدیریت علمی و می‌شود آنچه که به آن سعی و خطا می‌گوییم. مدیریت سعی و خطایی در دنیای امروز که علم مدیریت اینقدر پیشرفت کرده است، جایگاهی ندارد.

می‌خواهید کاهش هزینه بدهید. کدام بخش هزینه‌ها را می‌توان کاهش داد؟ هزینه‌های تولید یا سربار؟ سهم هر کدام و احتمال کاهش آنها چقدر است و اولویت‌بندی چه باید باشد؟ اگر می‌خواهید افزایش تولید بدهید، تحلیل شما از زمان ذوب واحد فولادسازی‌تان چیست؟ یا برعکس، داده‌های تولید چه تحلیلی را برای شما ایجاد می‌کنند و متوجه چه نقاط قابل بهبودی می‌شوید؟ بر این اساس هدف را چگونه تعیین می‌کنید و چگونه آن را کنترل نموده و بهبود می‌دهید؟

بازه منگنز در فولاد ساختمانی 5Sp از 50 صدم تا 80 صدم درصد است. با توجه به قیمت و سهم هزینه فروآلیاژها در بهای تمام شده، سیاست خود را برای ضریب مصرف فروآلیاژها چگونه تعیین می‌کنید؟ نسبت منگنز با دیگر عناصر مثل سیلیس و کربن و کربن معادل چیست؟ در ذوب‌های مختلف که آنالیز اولیه مختلفی دارند، سیاست شما چگونه باید اجرایی شود؟ حد پذیرش شما چیست و این سیاست شما چه تاثیری در برندینگ و فروش و سودآوری شما دارد؟ ذهنی تصمیم می‌گیرید و سیاست کلی را اعلام می‌کنید و یا داده‌ها را تحلیل کرده و کنترل و نظارت دقیقی روی آنها دارید؟ نظارت شما منجر به چه تصمیمات و برنامه هایی می شود؟

این‌ها همه مثال‌هایی از مسائلی است که یک مدیر پیوسته با آنها سر و کار دارد. اما برای یک مدیریت علمی و مهندسی، چه باید کرد و چگونه می توان از داده‌ها در تصمیم‌گیری‌ها استفاده کرد؟

اولین گام ثبت داده‌ها و تصویری کردن (Visualization) آنهاست. می‌دانیم حداقل گزارشی که هر شرکت باید داشته باشد، اظهارنامه مالیاتی است. در اظهارنامه مالیاتی، کل عملکرد یک سال یک شرکت، اعم از خرید، فروش و هزینه ها ارائه می‌شود. اما این گزارش آنقدر کلی است که امکان ندارد به کمک آن بتوان اثر پرداخت پاداش را روی عملکرد فرد فرد اعضای تیم فروش یا تولید یا غیره استخراج نمود. همچنین از این گزارش نمی‌توان استنباط کرد که چه هزینه‌ای باید کاهش یابد یا سیاست‌های کیفی چه تاثیری روی سودآوری داشته است. در نتیجه ما به داده‌های دقیقتری نیاز داریم که به تفکیک، در موقع وقوع، ثبت شوند و بتوان از آنها گزارش گرفت.

امروزه در شرکتها سیستم های اطلاعاتی بسیاری مورد استفاده قرار میگیرد. از نرم افزارهای مالی، که سندهای انبار، تولید، خرید، فروش، هزینه‌ها را ثبت می‌کنند گرفته تا سیستم‌های PLC و اتوماسیون که داده تولید می‌کنند تا گزارشات تولید و نت که به صورت کاغذی یا نرم افزاری (مثل اکسل) به ثبت داده می‌پردازند تا سیستم‌های یکپارچه اطلاعاتی و در نهایت سیستم‌های ERP. خوشبختانه در کشور ما از این حیث کمبود خاصی احساس نمی‌شود چراکه حتی برای مدیران بی عمل، برخورداری از این نرم افزارها و سیستم ها پرستیژ محسوب می شود.

پراکندگی داده‌ها و جزیره‌ای بودن آنها اجازه تحلیل ارتباط آنها را به ما نمی‌دهد. فرض کنید توقف فنی منجر به طولانی شدن زمان ذوب شده است. چنانچه داده‌های توقفات در یک نرم افزار یا سیستم و داده‌های تولید در یک نرم افزار یا سیستم دیگر ثبت شده باشند، امکان تحلیل تاثیر پارامترهای مختلف و استخراج اثر آنها روی بهای تمام شده یا مدت زمان تحویل شمش فولادیِ تعهد شده وجود ندارد. بر همین اساس لازم است همه داده‌های موجود در سازمان، از منابع مختلف اطلاعاتی سازمان جمع‌آوری، دسته‌بندی و ذخیره گردند. به این بانک اطلاعاتی مخزن داده‌ها یا انبار داده‌ها (Data Warehouse) گفته می شود. برای رسیدن به سیستم هوش کسب و کار (Business Intelligence یا BI) برخورداری از انبار داده‌ها یک ضرورت پایه‌ای است. بدیهی است برای پیاده کردن این سیستم، نیازمند مشاوران یا متخصصان امر هستیم اما قبل از آن ضروری است یک مدیر بداند که به چه نیاز دارد و با درک درستی، بتواند پروژه را پیش ببرد. مدیرانی که در سازمانشان یک سیستم ERP کامل (که همه ماژول‌های مورد نیاز را داشته باشد) وجود دارد، یک قدم جلوتر هستند و این دسته از مدیران فقط لازم است بدانند که با سیستم اطلاعاتی که در اختیار دارند چه باید بکنند و از آن چه می‌خواهند. در تصویر 1، تصویری از ساختار یک انبار داده نشان داده شده است.

تصویر 1: ساختار یک انبار داده یا Data Warehouse. داده‌ها از سیستم های مختلف استخراج، منتقل و بارگذاری (ETL) می شوند و از انبار داده می توان انواع خروجی ها را ساخت.

برای درک بهتر داده، لازم است آن را تصویری و شهودی کنیم. انواع نمودارها در نرم افزارهایی مثل اکسل را دیده‌ایم. اما برای شهودی کردن داده‌ها روی یک انبار داده، اکسل دارای قدرت کافی نیست، بلکه لازم است از نرم افزارهای تخصصی استفاده نمود. این نرم افزارها به انبار داده متصل می‌شوند و به صورت لحظه‌ای گزارشات مورد نیاز را نشان می‌دهند. نرم افزارهای زیادی برای این کار ساخته شده است. گزارش معتبر گارتنر، هر ساله به بررسی این نرم افزارها و طبقه‌بندی آن‌ها می‌پردازد. گزارش سال 2020 گارتنر در تصویر 2 آمده است. این گزارش نشان می دهد نرم افزارهای شرکت مایکروسافت (Power BI)، تابلو (Tableau) و کلیک ویو (Qlik View) رهبران این بازار هستند.

تصویر 2: ارزیابی ارائه دهندگان نرم افزارهای هوش تجاری در دنیا در سال 2020 توسط گارتنر

این نرم افزارها چه کمکی به مدیران می‌کنند؟ در سازمانها با حجم زیادی از داده‌ها روبرو هستیم. تنها زمانی قادر به درک این داده‌ها هستیم که بتوانیم آنها را به شکل مناسبی تصویری کنیم. در این نرم افزارها، با استفاده از نمودارهایی که خود می‌سازیم، قادر خواهیم بود آن تصویر لازمی که از کسب و کار خود نیاز داریم را ببینیم و آن را تحلیل کنیم. در واقع این نرم افزارها به ما کمک می‌کنند با ساده سازی، به آزمایش تصمیم‌گیری‌های قبلی (مثلا تحلیل اثربخشی پاداشی که قبلا به پرسنل پرداخت شده)، پیش‌بینی نتایج کسب و کار آینده (مثلا پیش بینی مقدار کاهش هزینه در صورت کاهش زمانهای توقف)، به دست آوردن اطلاعات کسب و کار برای دیدن الگوها و کشف روابط جدید با داده کاوی (مثلا کشف ارتباط بین درصد عیوب کیفی شمش تولید شده با فروش دوره‌ای) و توضیح نتایج کسب شده با استفاده از تجزیه و تحلیل آماری یا تجزیه و تحلیل کمی، بپردازیم. در تصویر 3 نمونه ای از گزارشاتی که توسط نرم افزار Tableau ساخته شده است را مشاهده می‌کنید. این نرم افزار از نظر بصری و قدرت ساخت نمودار، از بقیه نرم افزارها قوی تر است و لذا نمونه های آن را در اینجا نشان می‌دهیم. این نمودارها قابلیت کلیک کردن و عمیق شدن در هر سطح را نیز دارا هستند، یعنی صرفا یک تصویر نیستند و قابلیت ریز شدن را با کلیک کردن دارند.

تصویر 3: نمونه نمودارهای نرم افزار تابلو که در انواع جغرافیایی و آماری قابل مشاهده است

این گزارشات امروزه به صورت داشبوردهای مدیریتی، در شکل‌های مختلفی در سازمان‌ها یا در نهادهای عمومی، بر روی تلفن همراه یا وبسایت ها در دسترس هستند. نمونه آن، داشبورد وضعیت ویروس کووید 19 در جهان است که در تصویر 4 آمده است. این گزارشات را می توان در وبسایت‌های مختلفی مشاهده کرد و یا در سازمان‌ها حسب سطح دسترسی، به تیمهای مختلف کاری ارائه نمود.

تصویر 4: نمونه ای از داشبوردهای اطلاعاتی با استفاده از نرم افزار تابلو

یک مطالعه موردی در استفاده از نرم افزارهای هوش تجاری مثل تابلو، نشان می دهد که شرکت Evraz، غول فولادسازی روسی، در کارخانجات خود در امریکا، در سال 2014 از این سیستم‌ها استفاده نمود. چالش‌هایی که تا قبل از استفاده از سیستمی مثل تابلو در این سازمان وجود داشت مسائلی بودند از قبیل اینکه: گزارشات مورد نیاز بایستی توسط برنامه‌نویسان کامپیوتری که مدیریت نرم افزارهای مختلف را بر عهده داشتند ساخته می‌شد که بسیار زمان‌بر بود. همچنین پس از استفاده از هر داده‌ای جهت تهیه یک گزارش، از داده‌ها استفاده مجدد نمی‌گردید. همچنین هر واحد گزارشات مستقل خود را می‌ساخت و همه داده‌ها یکپارچه نبودند. با پیاده‌سازی نرم افزار تابلو کاربران قادر شدند گزارشات مختلفی را به سرعت ایجاد کنند. تصویر 5 وضعیت قبلی سیستم هوش تجاری و گزارشات شرکت Evraz را نشان می‌دهد.

تصویر 5: وضعیت قبلی سیستم هوش تجاری و گزارشات شرکت Evraz

سیستم قبلی به این ترتیب بود که از کارخانه‌های متعدد این شرکت و از سیستم‌های عملیاتی متعدد آن، داده‌هایی در چند انبار داده (کانادا، تولید و کیفیت) ذخیره می‌گردید و گزارش‌های مجزایی هم از سیستم‌ها و نرم افزارهایی که بعضا نیاز به برنامه نویسی داشتند تولید میگردید. فرض بگیرید یک گزارش جدید را بخواهید در نرم افزار حسابداری و انبارتان ایجاد کنید، طبیعتا در این حالت به برنامه نویسی توسط شرکتی که آن را طراحی نموده نیاز دارید که این کار بسیار زمان بر و پر هزینه خواهد بود. برخی گزارشات مستقیم از داده‌های کارخانه ها به کمک اکسل تهیه می شدند و برخی از انبارهای داده‌ها به کمک اکسل یا نرم افزارهای برنامه نویسی شده (مثل فاکس پرو) و برخی هم گزارشاتی را به کمک نرم افزارهای برنامه نویسی شده، مستقیما از داده‌ها ایجاد می کردند.

مشکل استفاده از اکسل در گزارش‌سازی چیست؟ همانطور که در تصویر 6 نشان داده شده است، مراحل آماده‌سازی یک گزارش اکسلی به طور معمول به این صورت است که پس از استخراج داده‌ها از انبار داده، ابتدا بایستی فرمت داده‌ها یا نامها یکسان‌سازی شوند. مثل واحدهای وزن همه یکسان شوند و یا فرمت تاریخ ها یکسان‌سازی گردند. سپس باید دسته‌بندی داده‌ها بر اساس رویکرد کسب و کار صورت گیرد. سپس لازم است داده‌ها یکپارچه سازی گردند و جهت مقایسه و محاسبه، داده‌های برنامه ها، اقدامات و پیش بینی ها بر اساس موضوعاتی مثل فروش، تولید، تحویل و غیره یکپارچه سازی و برقراری نسبت در جداول اکسل مرتب شوند. در نهایت بایستی شاخص هایی مثل انحراف معیار از برنامه، سودآوری و غیره ایجاد و محاسبه گردند تا بتوانیم به یک گزارش و داشبورد مدیریتی دست یابیم.

تصویر 6 اقداماتی که جهت تهیه یک داشبورد مدیریتی با استفاده از اکسل صورت میگیرد

هدف از استفاده از نرم افزارهای هوش تجاری این است که مراحلی که تا قبل از ایجاد داشبوردهای مدیریتی باید طی شود به صورت خودکار و همیشه قابل استفاده مجدد باشند و داشبوردهای مدیریتی استانداردسازی گردند. در تصویر 6 این دو بخش را به صورت کوه یخ نشان داده است.

در شرکت Evraz نیز چنین طراحی ساختاری داده ای انجام شد. تصویر 7 تغییرات سیستم این شرکت را پس از راه اندازی سیستم هوش تجاری تابلو نشان می دهد. تفاوت این تصویر با تصویر شماره 5 قابل ملاحظه است.

تصویر 7: ساختار سیستم پس از پیاده سازی هوش تجاری و سیستم گزارشات شرکت Evraz

همانطور که در تصویر 7 نشان داده شده داده‌ها از کارخانه‌های مختلف این شرکت در یک انبار داده ذخیره می‌شوند و این انبار داده می‌تواند به داده‌های فضای ابری نیز متصل باشد. سپس سیستم هوش کسب و کار می تواند خروجی‌ها و گزارشات مختلفی را از قبیل گزارشات موردی، داشبوردهای مدیریتی، تصویرسازیِ داده و آنالیزهای پیش بینانه ارائه کند. به کمک این سیستم هوش مصنوعی، می‌توان از بیگ دیتا یا کلان داده‌ها نیز استفاده نمود. کلان داده‌ها، داده‌هایی هستند که دارای حجم زیاد، سرعت تولید زیاد و تنوع زیاد هستند. تصور کنید در یک سیکل ذوب در واحد فولادسازی، داده‌های بسیار زیادی از قبیل نام پرسنل شیفت، مقدار مواد اولیه، مصرفی و افزودنی (که دارای تعدد و تنوع زیادی هستند)، پارامترهای کوره (برقی، هیدرولیکی، مکانیکی و نسوز)، آنالیز ذوب (که دارای عناصر زیاد است)، گرید فولاد تولیدی، پارامترهای پاتیل، پارامترهای ریخته گری و پارامترهای کیفی، تولید می‌گردند که میتوانند صدها ستون داده باشند و در یک شبانه‌روز، مثلا با 15 سیکل ذوب، 15 برابر و در طی یک سال، 365 برابر می‌شوند. داده‌های نگهداری و تعمیرات، نیروی انسانی، آموزش، خرید، لجستیک، فروش و مالی را هم به این مجموعه اضافه کنید. حال فرض کنید این کارخانه 2 یا چند کوره داشته باشد یا بخشی از یک مجموعه بزرگتر با چند کارخانه باشد. مشخصا در یک کارخانه فولاد کلان داده‌هایی وجود دارند که همه به هم مرتبط و متصل هستند.

به کمک سیستم هوش کسب و کار ایجاد شده، مدیران قادر خواهند بود گزارشات مدیریتی مورد نیاز را به صورت لحظه‌ای مشاهده کنند. حتی در این سیستم، شرکت Evraz قادر گردید در صورت تولید یک لوله گاز بی کیفیت، عامل عدم کیفیت را نیز ردیابی کند که مثلا آیا ناشی از فرایند نورد یا ریخته گری اسلب یا فولادسازی بوده و یا ناشی از نقص فرایندی یا غیره بوده است. با سیستم گزارشات هوش کسب و کار ساخته شده، این شرکت قادر خواهد بود در هر لحظه به سوالات کلیدی خود، مثلا اینکه آیا مواد کافی جهت تولید محصولات سفارش داده شده موجود است، یا اینکه هزینه های تولید روزانه چقدر بوده و آیا در بازه استاندارد هزینه بوده یا خیر و یا اینکه آیا در هر روز به اهداف تعریف شده تولید و سودآوری دست یافته‌اند یا خیر، پاسخ دهد. تصویر 8 نمونه ای از این گزارشات را نشان می‌دهد.

تصویر 8: نمونه گزارشات سیستم هوش کسب و کار در موضوعاتی مثل تولید، هزینه و سودآوری

در این سیستم بنا به سطح دسترسی و داشبوردهای طراحی شده برای مدیران ارشد، میانی و عملیاتی، انواع گزارش قابل مشاهده است. تصویر 9 نمونه ای از این گزارشات در سطح عملیاتی را نشان میدهد. تصویر بالا گزارش لحظه‌ای و ذوب به ذوبِ همگنی مذاب در پاتیل و تصویر پایین گزارش مصرف لحظه‌ای آب در کارخانه است که حدود آن نیز تعریف شده است. این گزارشات را می توان بر روی مانیتور رایانه یا تلویزیون اتاق‌های کاری مشاهده کرد.

تصویر 9 نمونه ای از داشبورد سطح عملیاتی در مورد همگنی مذاب هر ذوب و مصرف آب

به این فرایند تبدیل داده‌های خام به اطلاعات کسب و کار مدیریتی، هوش کسب و کار یا Business Intelligence (BI) گفته می شود. هوش کسب و کار، با کمک ساده سازی تحلیل اطلاعات، به مدیران سازمان کمک می‌کند تصمیمات خود را سریع تر و با کیفیت بهتری اتخاذ کنند و بر اساس اطلاعات صحیح، عملکرد صحیحی داشته باشند. همانطور که شرح داده شد، برخورداری از هوش کسب و کار، مستلزم استفاده از نرم افزارهای مربوطه است. به کمک این سیستم، می‌توان استراتژی‌های سازمان را بر اساس شاخص‌های عملکردی و شاخصهای کلیدی عملکردی (KPI) تعریف نمود و به صورت روزانه آنها را پایش نمود.

فرض کنید استراتژی یک شرکت فولادساز رهبری قیمت در بازار باشد. بر این اساس این شرکت بایستی در مقیاسی که در آن قرار گرفته، قیمت خرید مواد اولیه و هزینه های تولید و سربار خود را کنترل و رقابتی کند و در این راه، یکی از شاخص های کلیدی عملکردی، افزایش تولید یا راندمان تعریف می‌گردد تا به این واسطه سهم هزینه‌های سربار کاهش یابد. لذا شاخص راندمان تولید با معیارهای آن تعریف می‌گردد و سپس در داشبورد مدیریتیِ مدیران مربوطه قرار داده می‌شود تا به صورت روزانه کنترل شود. یک مدیر به کمک این داشبورد می تواند تحلیل کند که چه عواملی بر روی کاهش راندمان تاثیر گذار بوده، چه زیرشاخص هایی را باید کنترل نماید تا به هدف خود دست یابد. سیستم نرم افزاری هوش کسب و کار، این امکان را به مدیر می‌دهد تا در شاخص‌ها جستجو کند و گزارش‌های مناسب خود را به سرعت بسازد و بتواند با تعریف حدود بالا و پایین هر شاخص، مجموعه‌ای از شاخص‌ها را کنترل نماید تا به هدف خود برسد.

به طور معمول یک مدیر با مشاهده یک گزارش خوب، متوجه نکاتی می‌شود که به او در امر تصمیم‌گیری کمک می‌کند. این به بحثی که در ابتدای این مقاله گفته شد بر می‌گردد: یک مدیر داده‌ها را می‌سازد، یعنی سیستمی ایجاد می‌کند که داده‌ها در آن جمع‌آوری و سپس تبدیل به گزارش گردند و آنگاه، داده‌ها، در واقع گزارشات، مدیر را می‌سازند، یعنی به مدیریت او کمک می‌کنند تا بهترین تصمیمات را اخذ کند.

به کمک یک سیستم هوش مصنوعی، با ایجاد گزارشات مناسب، می‌توان به بررسی اثر تصمیمات قبلی پرداخت. چنانچه در مثال‌های ابتدای این مقاله نیز آمد، می‌توان اثر پرداخت پاداش نوبت‌های قبل روی عملکرد و بهبود راندمان تولید را ارزیابی کرد. همچنین می‌توان اثر سیاست‌های کیفی، روی سودآوری فولادسازی را سنجید و سپس تصمیمات صحیح را اتخاذ نمود.

اما هوش کسب و کار به همینجا ختم نمی‌شود. هوش کسب و کار بدون تحلیل‌های پیش‌بینی کننده، کامل محسوب نمی‌شود و پیش‌بینی آینده، همیشه با احتمالات همراه است. اینجاست که پای علم آمار و احتمال به میان می‌آید، که در ابتدای این مقاله نیز به آن اشاره شد. نرم افزارهای هوش کسب و کار مانند نرم افزارهای مایکروسافت یا تابلو، خود قادر به تحلیل و پیش بینی هوشمندانه نیستند و اینجاست که به یک مدیر مسلط به علم احتمالات نیاز است تا با مطالعه گزارشات نرم افزار و تحلیل روندها، دست به استخراج داده‌ها و تحلیل‌های آماری جهت پیش‌بینی روندهای آتی پرداخته، بهترین تصمیمات را در شرایط عدم اطمینان اتخاذ نماید.

وقتی رویدادی رخ می‌دهد که خروجی‌های مختلف قابل ثبت داشته باشد، احتمال کمّی وجود دارد که هر کدام از این خروجی‌ها اتفاق بیافتد که به آن احتمال می‌گوییم. با کمّی کردن خروجی‌های یک رویداد و استفاده از روش‌های آماری، می‌توان این احتمالات را محاسبه کرد و به این وسیله میتوان درک بهتری از خروجی‎هایی که ممکن است اتفاق بیافتد پیدا کرد که این موضوع به تصمیمات ما در زمان حال، بر اساس احتمال وقوع رخدادهای آینده، کمک می‌کند. یک مدیر باید بتواند درک صحیحی از این روش‌های آماری داشته باشد تا بتواند تحلیل بهتری برای پیش‌بینی آینده و اخذ تصمیمات صحیح داشته باشد.

برای استفاده از علم آمار، با مفاهیم پایه‌ای جامعه آماری، نمونه، متغیر، میانگین، میانه و انحراف از معیار سر و کار داریم. احتمال وقوع یک رخداد (متغیر) به کمک تابع احتمال یا تابع توزیع احتمال محاسبه می‌گردد. انواع توزیع‌های برنولی، دو جمله‌ای، هندسی، پواسن، نمایی، چند جمله‌ای، نرمال و غیره جهت محاسبه احتمال در شرایط مختلف به کار می‌رود.

مثلا تابع پواسن برای محاسبه احتمال تعداد دفعات وقوع رخدادها در واحد زمان به کار می‌رود. مثلا برای محاسبه ظرفیت تخلیه قراضه یا آهن اسفنجی در هر ساعت، چنانچه میانگین تعداد تریلی های وارد شده به کارخانه را از داده‌های موجود سیستم هوش کسب و کار استخراج گردد و مثلا این میانگین 10 تریلی در ساعت باشد، با استفاده از تابع پواسن می‌توان احتمال ورود 12 یا 15 یا 20 تریلی را محاسبه نمود. به همین ترتیب می‌توان احتمال تعداد تماس‌های مشتریان با واحد فروش را، یا بسیاری از احتمالات دیگر را محاسبه نمود. یک مدیر می تواند بر اساس این احتمالات و محاسبه هزینه و فایده هر سناریو، تصمیم‌گیری نماید.

تابع نمایی نیز برای محاسبه احتمال فاصله زمانی بین دو رویداد به کار می‌رود. با استفاده از این تابع و با دارا بودن میانگین از داده‌های قبلی، می‌توان احتمال انتظار هر تریلی یا هر تماس مشتری را محاسبه نمود. برای این محاسبات بهترین ابزار، نرم افزار اکسل است. به این ترتیب کافی است داده‌های مورد نیاز از سیستم هوش کسب و کار استخراج گردیده و با استفاده از اکسل، تحلیل های آماری صورت گیرد.

با استفاده از اکسل، می توان توزیع نرمال داده‌ها را محاسبه نمود. با استفاده از این تابع می توان انحراف معیار استاندارد داده‌ها (سیگما) را به دست آورد. این تابع مهم‌ترین تابع آماری است که کاربرد بسیاری در صنعت و برای مدیران می‎تواند داشته باشد. یک مثال کاربردی ارائه کنیم.

فرض کنید، بر اساس مثالی که در قبل گفته شد، استراتژی سازمان، رهبری قیمت در بازار فولاد باشد. بر این اساس مدیر سازمان شاخص میزان تولید یا راندمان را به عنوان شاخص کلیدی عملکرد (KPI) تعریف می‌کند. از سیستم هوش کسب و کار، پس از حذف ذوب‌هایی که دچار توقفات تولیدی یا فنی شده‌اند از دامنه آماری، گزارش نشان می‌دهد طی بازه زمانی یک ماه گذشته، میانگین تعداد ذوب شیفت الف 14 ذوب در شیفت بوده (این یک مثال است) و شیفت ب و ج هر دو 10 ذوب در هر شیفت کاری داشته‌اند. بدیهی است که شیفت الف عملکرد بهتری داشته است و مدیر باید ترتیب و تصمیماتی اتخاذ نماید تا ضمن حفظ و بهبود عملکرد شیفت الف، شیفت‌های دیگر نیز خود را به عملکرد شیفت الف برسانند. در اینجا مدیر به گزارش استخراج شده از سیستم نگاه می‌کند و با توجه به آنکه این گزارش، میانگین تعداد ذوب‌های شیفت ب و ج را یکسان نشان می‌دهد، نمی تواند تفاوتی بین عملکرد این دو شیفت قائل شود و هر دو را به یک چشم می‌بیند. در حالیکه اگر داده‌ها را از سیستم استخراج نموده و نمودار تابع نرمال آن را رسم کند، به سرعت متوجه تفاوت ها می‌شود. تصویر 10 این نمودارها را نشان می‌دهد.

همانطور که در تصویر مشاهده می‌گردد، با وجود آنکه میانگین تعداد ذوب شیفت ب و ج یکسان است، اما توزیع آنها متفاوت است و انحراف معیار شیفت ج بسیار بیشتر از شیفت ب است. آیا مدیر برای بهبود عملکرد هر دو شیفت تصمیم یکسانی می‌گیرد؟ بدیهی است که شیفت ب از نظر عملکردی و انحراف معیار، بسیار شبیه بهترین شیفت یعنی الف است اما مسئله‌ای در عملکرد دارد که باید بررسی شود تا تفاوت‌های عملکردی آن با شیفت الف مشخص شده، بهبودهای لازم صورت گیرد. اما شیفت ج دارای بی‌نظمی بسیاری است و با وجود آنکه توانسته رکوردهای بهتری نسبت به شیفت ب داشته باشد و تا حدود 17 ذوب در شیفت هم برسد، اما از طرف دیگر ذوب‌های بسیار کمی هم داشته است. لذا مدیر در اینجا با تحلیل خود، تصمیمات متفاوتی برای بهبود عملکرد این شیفت‌ها میگیرد.

نکته دیگر که در تحلیلهای آماری باید مورد توجه قرار گیرد، اعتبار و صحت داده‌هاست. در انتخاب جامعه آماری همیشه باید درجه اعتبار و صحت داده‌ها را بررسی نمود. ممکن است داده‌ها معتبر باشند ولی نتایج صحیحی به ما ارائه نکنند که این مسئله به عواملی مثل انتخاب بخشی از داده‌هایی که منجر به نتایج جانبدارانه (bias) می‌شود یا انتخاب جامعه آماری کوچک مربوط گردد. در واقع باید با نمونه های تصادفی که از داده‌ها انتخاب می شوند با دقت متفاوتی تحلیل نمود.

هنگامی که یک جامعه‌ی آماری به عنوان نمونه و به صورت تصادفی انتخاب می‌شود و می‌خواهیم از آن نتیجه‌ای کلی در مورد کل داده‌ها بگیریم، همیشه با درجه اطمینان روبرو هستیم. مثلا فرض کنید یک نظرسنجی رضایت مشتریان را برای هزار مشتری خود ارسال میکنید و 100 مشتری به آن پاسخ می دهند. چنانچه 64 درصد مشتریان رضایت خود را اعلام کرده باشند، می توانیم بگوییم با 95% درجه اطمینان، بین 61 تا 67 درصد مشتریان راضی هستند ولی نمی‌توان رضایت 64 درصدی مشتریان را در جامعه آماری، رضایت کل هزار مشتری در نظر گرفت. در واقع عبارت صحیح توصیف این بررسی آماری این است که با درجه اطمینان صحبت کنیم. به همین ترتیب می‌توان گفت مثلا در یک بررسی آماری روی یک نمونه تصادفی، با اطمینان 95 درصدی، بین 61 تا 67 درصد ذوب ها، در مدت زمان Tap to Tap Time تعریف شده انجام شده‌اند. یا مثلا می‌توان گفت با اطمینان 95 درصدی، روی یک نمونه تصادفی، بین 61 تا 67 درصد شمش ها یا اسلب های تولیدی، مطابق آنالیز محصول تعریف شده بوده اند. حال چنانچه هدف تطابق کیفی 70 درصدی باشد، مشخص می شود که به احتمال 95 درصد، کیفیت شمش ها یا اسلب ها نامنطبق است.

با استفاده از نمودار توزیع نرمال و محاسبه انحراف معیار استاندارد (سیگما) می توان بازه‌های درجه اطمینان مورد نیاز را تعریف نمود. یک سیگما معادل درجه اطمینان 68 درصد، دو سیگما معادل درجه اطمینان 95 درصد و سه سیگما معادل درجه اطمینان 99 درصد است. تصویر 11 این بازه ها را نشان می دهد.

تصویر 11: بازه های اطمینان از 1 سیگما تا 3 سیگما

محاسبه بازه‌ها و انحراف معیار استاندارد با نرم افزار اکسل و توابع از پیش تعریف شده آن به آسانی صورت می‌گیرد. این روش توصیف آمار اهمیت بسیاری در تحلیل و درک بهتر موضوعات دارد. در اغلب موارد نمی‌توان صرفا از روی میانگین درک صحیحی از داده‌ها پیدا کرد. مثلا هنگامی که یک فولادساز قصد تعریف بازه وزنی شمش یا اسلب خود را، جهت اعلام به مشتریان دارد، 200 عدد شمش یا اسلب را توزین می‌کند و وزن میانگین آنها را 251 کیلوگرم محاسبه می‌کند (این یک مثال است). اعلام وزن 251 کیلوگرم به مشتریان می تواند گمراه کننده باشد و یک توصیف علمی از وزن شمش یا اسلب نیست. چنانچه اگر انحراف معیار استاندارد این نمونه های تصادفی 22 کیلوگرم باشد، میتوان گفت با اطمینان 95 درصد وزن شمش ها یا اسلب ها بین 248 تا 254 کیلوگرم است و با اطمینان 99 درصد، وزن آنها بین 247 تا 255 کیلوگرم است.

موضوع دیگری که در تحلیل آماری اهمیت دارد، تعداد نمونه‌های تصادفی جهت تحلیل است. فرض کنید یک فولادساز قصد دارد تعداد شمش‌هایی که باید توزین شوند تا بتواند با اطمینان 95 درصدی بگوید خطای وزنی آنها 2 کیلوگرم است را مشخص کند. پس از توزین 80 عدد شمش، به میانگین 210 کیلوگرم (این یک مثال است) و انحراف معیار استاندارد 16 کیلوگرم دست می یابد. بر این اساس با استفاده از اکسل، می‌توان محاسبه نمود که تعداد شمش بیشتری که باید توزین شوند 166 عدد شمش است. یعنی برای اینکه بگوییم با اطمینان 95 درصد، خطای وزنی شمش ها 2 کیلوگرم است به 246 عدد شمش جهت توزین نیاز داریم.

تحلیل‌های آماری به این موضوعات محدود نمی‌گردد. مسائلی چون تست فرضیه ها، رگرسیون و مدلهای پیش بینی نیز در ادامه این مباحث اهمیت دارند. در این مقاله سعی شد با شرحی مختصر و ساده، ضرورت درک صحیح مدیران از مدیریت داده‌ها و هوش کسب و کار تشریح گردد. در صورت عدم آشنایی یا تسلط یک مدیر به این مباحث، استخدام متخصصان یا ایجاد واحدهای سازمانی که این تحلیل‌ها را انجام دهند، کمکی به پیشبرد اهداف استراتژیک سازمانها نمی‌کند چرا که این مدیران هستند که خط مشی حرکت سازمانها را تعیین می‌کنند. هوشمندی سازمان مستلزم استفاده از داده‌ها و تحلیل علمی و صحیح آنهاست و در دنیای امروز بدون داده کاوی و تحلیل داده‌ها، استراتژی‌ها به ثمر نمی‌نشینند.

در سازمان‌ها چند محور کاری از هم مجزا و به هم مرتبط‌اند. نخست حوزه مدیریت استراتژیک که تشکیل واحد مدیریت استراتژیک را ضروری می‌کند. همچنین حوزه هوشمندی کسب و کار (BI) که می‌تواند واحد سازمانی به همین نام داشته باشد. حوزه مدیریت فرایندهای کسب و کار (BPM) نیز یک حوزه دیگر است که می‌تواند اسامی‌ای مثل سیستم‌ها و روش‌ها یا اسامی مشابه داشته باشد و همچنین حوزه مدیریت تکنولوژی اطلاعات (IT) که به مدیریت زیرساخت و تکنولوژی‌های نرم‌افزاری و سخت‌افزاری مرتبط با حوزه‌های دیگر بپردازد. یک سازمان می‌تواند حسب اندازه‌اش، این واحدها را به صورت مجزا یا تلفیقی و با هر عنوان دلخواه داشته باشد اما وظایف تخصصی آن‌ها نباید مغفول بماند. در عین حال که یک مدیر ارشد باید به همه این حوزه‌ها مسلط بوده، توانایی خط‌دهی و هماهنگی این حوزه‌ها را داشته باشد. همه حوزه‌های فعالیت دیگر، اعم از مدیریت سرمایه‌های انسانی، آموزش، مدیریت تحقیق و توسعه، مدیریت تکنولوژی، مدیریت برنامه‌ریزی، مدیریت تامین و لجستیک، مدیریت تولید، مدیریت نگهداری و تعمیرات، مدیریت بازاریابی و فروش و غیره، ذیل این کلان حوزه‌ها قرار می‌گیرند چراکه این 4 حوزه که نام برده شد، پایه حرکت و سمت و سوی سازمان را مشخص ایجاد می‌کنند و در واقع بستری برای فعالیت‌های دیگر سازمان هستند. تصویر 12 نمایی از ارتباط این حوزه ها و مدیریت یک سازمان را نشان می‌دهد.

تصویر 12: ارتباط مدیریت ارشد با 4 حوزه پایه‌ای مدیریت کلان و ارتباط این حوزه‌ها با هم

در حوزه استراتژی، استراتژی‌ها و مدل‌های استراتژیک، به همراه شاخص‌های کلیدی عملکردی (KPI) و نتیجه‌ای (KRI) در همه حوزه‌های زیرمجموعه (از سرمایه انسانی تا فروش که به آن‌ها اشاره شد) تعریف و به طور پیوسته پایش می‌شوند. برای این پایش، در حوزه تکنولوژی اطلاعات (IT) سیستم‌های سخت‌افزاری و نرم‌افزاری مناسب، در راستای نیازهای سازمان ایجاد و مدیریت می‌شوند، در حوزه مدیریت هوشمندی کسب و کار به پایش شاخص‌ها و تهیه گزارشات و تحلیل‌ها پرداخته می‌شود (که موضوع این مقاله بود) و در حوزه مدیریت فرایندهای سازمانی، به طراحی فرایندهای جامع، که پشتیبانی کننده استراتژی‌ها و هوشمندی کسب و کار باشد پرداخته می‌شود. این معماری سازمانی، از دید نگارنده، تضمین کننده موفقیت یک سازمان است و مستلزم تسلط و مهارت مدیریت ارشد بر این حوزه‌ها.