מערכת דוחות שאוספת נתונים BI מול מערכת ניתוח BA

מנהלי הארגונים בעידן האחרון מובלים ע"י אופנה עכשווית הרצון לקבל מידע, הם אינם ממוקדים בהובלת מערכות מובנות לניתוח הנתונים ותחזיות להתנהגות שוק עתידית. האופנה האחרונה בתחום המחשוב ב"שוק ההון" היא BI (ר"ת Business Intelligence) האם זה מה שהארגון באמת צריך - בינה עסקית? בעסקים צריך לנתח את הנתונים והביצועים של הארגון צריך למדוד את רמת החשיפה והסיכון של הארגון צריך להכין תוכניות עתידיות ולקבל תחזיות בנוגע לרמת החשיפה שאליה נתון הארגון. לדעת אנשי מקצוע רבים בעולם יש לעבור ל BA (ר"ת Business Analytics) אנליטיקה איכותית תהיה יעילה יותר ממודיעין לביצועי הארגון. תפיסת ה BI מיושנת אינה מביאה לתוצאות ומציגה בד"כ רק שעונים על ביצועים היסטוריים. תפיסת BA מביאה תוצאות הנמדדות בשטח. תפיסת ה BA מאפשרת טוב יותר לחזות את העתיד – יתרון חשוב בימים של משבר כלכלי.

מערכות BI מאופיינות בפיתוח ארוך ויקר, צריך לאסוף מידע מכלל המערכות בארגון ולהביאו למסך המשתמש. התממשקות למערכות שונות מסורבלת, יקרה וזללנית משאבים. כך שגם אחרי שהמוצר פותח הוא יהיה יקר לתפעול ותחזוקה ויספק נתוני היסטוריה. בשלב קבלת החלטה על מערכת BI בדרך כלל לא מוצגת העובדה שמערכות BI הן זללניות גדולות של משאבים וזקוקות לכוח עיבוד ו I/O גדולים מאוד.

במערכות המבוססות על BA מתקבלות תוצאות מהירות ואפקטיביות, תוצאות מהירות אינן מחייבות רדידות, כמובן. להיפך, תפיסת המערכות הם עתירי עומק, ניתוחי עומק והתמחות סקטוריאלית. כלומר, יש לראות ב BA את העתיד אליו צועדים המשתמשים הנבונים במחשוב הארגוני, כי העתיד אינו יותר ב BI.
הסיבה העיקרית לחולשתה של תפיסת BI, מקורה בשני גורמים עיקריים הראשון הוא השאלות שהיא מנסה לענות עליהן - כולן שאלות שמתייחסות לעבר, לתיאור מצבה של החברה בעבר, המתבסס, כמובן, על נתונים היסטוריים שהגיעו ממחסני הנתונים השונים בחברה. כך, מתקבלות בהנהלה החלטות של תגובה בלבד על מצבים שקרו. זה לא משפר לא את השורה התחתונה (הרווחים) בחברה. ה BI נעשה לכלי לשיפור היצרנות האישית, השני מערכות המידע מכילות מידע עצום שאינו רלוונטי לקבלת החלטות מערכות אלו אוספות כמות עצומה של מידע מיותר וחסר רלוונטיות שאפילו עלול לעוות את הנתונים המוצגים, כמו כלי אחר הנפוץ ביותר בעולם, הלא הוא הדואר האלקטרוני. אי אפשר בלעדיו, אך הוא עמוס בהרבה מידע מיותר וגם אי אפשר איתו לשפר ביצועים עסקיים.

אז מה הגדרתה שלBA ? היא מכילה ארבעה רכיבים שהם גם שלבים בשימוש בה: שילוב נתונים, אנליטיקה, דיווח וקבלת החלטות. המהות כוללת שערוכים ואנליזות, סביב ניתוחי רגישות חזקים ותרחישי "מה אם ?" מעמיקים. הפתרונות השונים הקיימים היום בשוק אכן עונים במידה רבה על דרישות אלו ומאפשרים, למנהלים בדרגות השונות לקבל החלטות יזומות ולא מגיבות, חוזות עתיד ולא מוטות עבר ומבוססות על נתונים נכונים שיכולים להוביל את המנהלים בארגון לקבלת החלטות מבוססות. בימים אלה חייבים תמורה מהירה להשקעה. מערכות המדף שיש היום בשוק גמישות יותר מבעבר ומאפשרת כניסה הדרגתית עד להרחבת השימוש המלא. כמובן שבמהלך הזמן, המסגרת הופכת לפלטפורמה של הארגון.

כשהמנהלים בארגון משתמשים ומבינים את הניתוחים המתקבלים ממערכות BA ושואלים את השאלות הנכונות, "איך אני הופך מידע לפעולה ?" "איך אני יודע את ההשפעה של כל פעולה ?" ומקבלים על בסיס ניתוחים אלו החלטות נכונות לארגון, החזר ההשקעה על מערכות אלו הופך להיות מהיר ואפקטיבי, לשם כך דרושה מערכת אנליטית חכמה.

הביקורת על מידת היישומיות של BA יכולה להיות כזו המטילה ספק ביכולת המשתמשים לנהל נכון את האנלטיקה, שהרי ל BAצריך מומחים - אנשים שמבינים את הניתוח, בעוד שב BI מספיק לקרוא את השעונים. כאשר רוצים להניע את הערך העסקי צעד לפני המתחרים אנו זקוקים למערכות ניתוח משוכללות ומשתמשים חכמים שיתפעלו אותן.

Bibliography

[1] Ron Kohavi and Foster Provost. Applications of data mining to electronic commerce. Data Mining and

Knowledge Discovery, 5(1/2), 2001. http://robotics.stanford.edu/users/ronnyk/ecommerce-dm

[2] Ron Kohavi, Carla Brodley, Brian Frasca, Llew Mason, and Zijian Zheng. KDD-Cup 2000 organizers' report: Peeling the onion. SIGKDD Explorations, 2(2):86-98, 2000. http://www.ecn.purdue.edu/KDDCUP P .

[3] Ralph Kimball and Richard Merz. The Data Webhouse Toolkit: Building the Web-Enabled Data Warehouse. John Wiley & Sons, 2000.

[4] Michael J. A. Berry and Gordon S. Linoff. Mastering Data Mining. John Wiley & Sons, Inc, 2000.

[5] Usama M. Fayyad, Gregory Piatetsky-Shapiro, and Padhraic Smyth. From data mining to knowledge discovery: An overview. In Advances in Knowledge Discovery and Data Mining, chapter 1, pages 1-34. AAAI Press and the MIT Press, 1996.

[6] Barry Becker, Ron Kohavi, and Dan Sommerfield. Visualizing the simple Bayesian classifier. In Information Visualization in Data Mining and Knowledge Discovery, chapter 18, pages 237-249. Morgan Kaufmann Publishers, San Francisco, 2001.

[7] Kurt Thearling, Barry Becker, Dennis DeCoste, Bill Mawby, Michel Pilote, and Dan Sommerfield. Visualizing data mining models. In Information Visualization in Data Mining and Knowledge Discovery. Morgan Kaufmann Publishers, San Francisco, 2001.

[8] Juhnyoung Lee, Mark Podlaseck, and Edith Schonberg and Robert Hoch. Visualization and analysis of clickstream data of online stores for understanding web merchandising. Data Mining and Knowledge Discovery,

5(1/2), 2001.

[9] Randy Souza, Harley Manning, and Katharine M. Gardiner. How to measure what matters. The Forrester

Report, May 2001.