از هوش تجاری (BI) طی سال ها برای کمک به یک کمپانی در جهت حل و فصل این قبیل مشکلات استفاده شده است، زیرا هوش تجاری (BI) می تواند مقادیر بزرگی از داده ها را برای تحلیل های فراگیر به کار گیرد.

 هوش تجاری (BI)
هوش تجاری در برگیرندۀ طیف گسترده ای از کاربرد ها برای تحلیل، جمع آوری، ذخیره سازی و دسترسی آسان به داده ها برای ایجاد فرایند های تجاری بهتر می باشد. یک تعریف خوب از هوش تجاری (BI) باید شامل هدف تجاری و کاربرد پذیری فنـّـــی باشد. ابزار های هوش تجاری (BI) که به طور گسترده مورد استفاده قرار دارند عبارتند از Data Warehouse، Data Mining، Extraction Transformation Load (ETL) و پردازش تحلیلی آنلاین یا OLAP
 انبار داده Data Warehouse
انبار داده یک مجموعه تلفیقی از داده های تاریخی و خلاصه شده می باشد که توسط محیط تار عنکبوتی از منابع داده های درونی و بیرونی جمع آوری شده است. انبار داده حالت user-friendly دارد که این خاصیت به ویژه در مورد مدیر و تحلیلگر تجاری مشهود است. انبار داده، داده های مرتبط را مخـــــزنی جمع آوری می کند که در ان جا ارزیابی شده و به منظور قرار گرفتن در خدمت اهداف تصمیم گیری سازماندهی می گردد. ترجمه  itrans.ir 

بارگیری انتقال استخراجی (ETL)

استخراج، انتقال و بارگیری- مجموعه ای از اعمال هستند که از طریق آنها داده از دیتابیس های متعدد، برنامه ها و سیستم های گوناگون استخراج گردیده، به عنوان موارد گرفته شده انتقال می یابد و در دیتابیس هدف بارگذاری می شوند- این موارد شامل انبار های داده، مراکز داده ، اپلیکیشن های تحلیل و غیر بوده اما صرفا محدود به این موارد نمی باشند.  (سیارک)  

هوش تجاری /بخش اول

پردازش تحلیلی آنلاین (OLAP)

تکنولوژی (OLAP) به کاربران امکان می دهد تا مقادیر بازرگی از داده ها را مورد کنکاش و تحلیل قرار دهند که در برگیرندۀ محاسبات پیچیده و روابط فی ما بین آن ها می باشد. ابزار های ‏OLAP ترکیبی از واسط گرافیکی کاربر (GUI) و رویه های پردازشی می باشند که منجر به تولید یک نتیجه بصری در دیدگاه های مختلفی از کاربران می گردد.

 مدیریت دانش

مدیریت دانش (KM) در واقع جمع آوری فرایند هایی است که بر خلق، انتشار و کاربرد دانش حاکم می باشند. مدیریت دانش همانطور که از نام ان پیداست شامل قدرتی برای بکارگیری دانش و آگاهی مناسبی است که در اختیار افراد مناسب قرار دارد. این مقوله مربوط به اطمینان از این نکته است که یک سازمان می تواند چیزی را یاد بگیرد و این که این سازمان قادر به بازیابی و بکارگیری دانش تحصیل شده در کاربرد های جاری در هنگام لزوم می باشد. در مقاله پیتر دراکر، او مدیریت دانش (KM) را به عنوان هماهنگی و بهره گیری از منابع دانش سازمانی برای خلق منفعت و ایجاد مزیت رقابتی تعریف می نماید.

مدیریت دانش همواره مربوط به تکنولوژی نمی باشد، بلکه با درک نحوه کار مردم، هجوم افکار به ذهن، شناسایی گروه هایی از مردم که با یکدیگر کار می کنند و نحوه تشریک و یادگیری آن ها از یکدیگر و در نهایت یادگیری سازمانی در مورد تجربیات کارکنان و در مورد رهبری سازمان نیز در ارتباط است.

محققان اظهار می دارند که مدیریت دانش روشی است برای ایجاد ارزش عملکردی به اطلاعات از دانش ضمنی به دانش آشکار از طریق ذخیره سازی، فیلترینگ، بازیابی و انتشار دانش آشکار و همچنین از طریق تست کردن و خلق دانش جدید. (سیارک)  

مدیریت دانش منجر به ایجاد همکاری خارق العاده و مشارکت در کار می گردد. مدیریت دانش باعث می شود تا ارزش اطلاعات و دانش به حداکثر رسیده و به ساکنان آن منطقه کمک می کند تا از خلاقیت و مهارت های خود بهتر استفاده نمایند، که این نیز به نوبه خود منجر به ارتقا اثربخشی و افزایش نوآوری می گردد. ترجمه  itrans.ir

 بکارگیری هوش تجاری (BI) به عنوان ابزارهای مدیریت دانش (KM)

برای اجرای هوش تجاری به عنوان یک ابزار از مدیریت دانش در جهت ارائه مشاوره مالی، بسیاری از ابزار های BI را می توان ارزشمند دانست. در ادامه برخی از این موارد به عنوان نمونه ذکر گشته اند.
1. ابزار های BI بنگاه اقتصادی
2. ابزار های BI بسته بندی یا دیتابیس ها
3. ابزار های کشف داده های بصری
4. ابزار های گزارشی محض
بسیاری از سازمان ها، چه خصوصی و چه عمومی، در حال حاضر در حال ارزیابی یا استفاده از ابزار های هوش مصنوعی (Open Source (OS BI مانند JasperSoft، Pentaho یا SpagoBI. این سه مجموعه هوش تجاری open source طیف گسترده ای از قابلیت های هوش تجاری را ارائه می دهند که از ETL تا تحلیل تک منظوره و گزارش را شامل می شوند.

هوش تجاری بخش دوم

هوش تجاری /بخش اول

 محدودیت هوش تجاری (BI) و مدیریت دانش (KM)

کاسلان در سال 2011 سعی داشت تا برخی محدودیت ها را در سیستم های هوش تجاری در کمپانی های کوچک مطرح نماید که دلایل آن به شرح زیر می باشند:
1. قیمت ابتدایی سیستم گزاف است که حتی می تواند برای کمپانی های بزرگ به یک میلیون یورو نیز برسد.
2. ابزار های داده کاوی از ابزار های پیچیده ای استفاده می کنند و کمپانی را وادار می سازند تا اموزش های اضافی ارائه نموده و حتی مشاوران خارجی را استخدام نماید که این منجر به افزایش هزینه های اجرا می گردد.
3. زمان اجرا طولانی بوده (از شش ماه تا چندین سال). برای کمپانی هایی که دارایی های مالی محدودی دارند منجر به بروز مشکلاتی می گردد.
4. عدم قطعیت در موفقیت اجرا. تحقیقات گارتنر نشان داد که از میان 2000 پروژه انبار داده ها فقط 20% موفقیت آمیز بوده اند.
5. کیفیت اندک داده های منبع منجر به هدر رفتن زمان و هزینه ها حین اجرا می گردد. این بدان خاطر است که کمپانی های کوچک سیستم های اطلاعات استاندارد منسوخ شده ای دارند.

بخش مالی

بخش مالی  یک شرکت تجاری را اداره می کنند و خدمات مالی را به مشتریان و بازرگانان ارائه می نمایند. بخش مالی دربرگیرندۀ کمپانی های بیمه، معاملات املاک بانک ها و سرمایه ها می باشد. علاوه بر این، خدمات مالی بهترین عملکرد را در شرایط نرخ بهره اندک دارا می باشند در حالی که به طور کلی، نیاز های این بخش درآمدی را از وام ها و رهن ها حاصل می نماید. علاوه بر این وقتی تجارت پا برجا باشد، این بخش از سرمایه گذاری های مضاعف نیز سود می برد.(سیارک) 
چالش های موجود در خدمات مالی عبارتند از:
1. محیط های تنظیم کنندۀ متغیر و در حال تحول
2. تمرکز مداوم بر مدیریت ریسک
3. توسعه محصولات و خدمات
4. جهت دهی به هزینه ها و تجدید ساختار
5. تداوم حفظ ریسک سپرده و ریسک محرمانه
6. اطمینان از بی عیب بودن داده ها و مدیریت صحیح آن
7. مدلسازی مدیریت ریسک
8. اصلاح مشتقات
9. ایجاد تعادل در جبران مشوق (incentive)
وال استریت، فلیت استریت و مین استریت: تمامیت شرکت بر سر یک چندراهی، یک تحقیق جدید از صنعت خدمات مالی در انگلستان و ایالات متحده خطاکاری هایی را در صنعت مالی بر ملا کرده است. از جمله یافته های اصلی می توان به این موارد اشاره نمود:
1. 26% از پاسخ دهندگان اظهار داشته اند که خودشان شاهد خطاکاری در محیط کار بوده اند یا اطلاعات دست اولی در این مورد دارند.
2. 16% از پاسخ دهندگان گفته اند که اگر بتوانند جرمی را (در تجارت) انجام دهند و عواقبی متوجه ان ها نشود از این کار چشم پوشی نخواهند کرد.
3. 24% 24% از پاسخ دهندگان اعتقاد دارند که متخصص خدمات مالی باید برای رسیدن به موفقیت وارد فعالیت های نامشروع گردد.

ادامه دارد........... ترجمه  itrans.ir

تجزیه و تحلیل گروهی یکی از روش های پایه است که معمولا در تحلیل مجموعه های عظیم اطلاعاتی از آن استفاده می شود. بیشتر الگوریتم های تجزیه و تحلیل گروهی که منشا آن ها در علم آمار است، در اصل برای مجموعه های کوچک اطلاعات ایجاد شده اند. در سال های گذشته، الگوریتم های گروهی گسترده تر شده اند تا برای کار با مجموعه های بزرگ تر اطلاعاتی مناسب شوند. آنها همچنین قادر به دسته بندی گروهی بردار های چند وجهی هستند 
تجزیه و تحلیل درختی تصمیم گیری، روش داده کاوی محبوب دیگری است که می توان از آن در اکثر فعالیت های آماری استفاده کرد.

روند داده کاوی

داده کاوی، تکنیک های فراگیری ماشینی را با شناسایی الگو، آمار، نظریه پایگاه اطلاعت و نمودار ترکیب می کند تا به صورت خودکار مفاهیم و رابطه ی درونی مفاهیم و همچنین الگو های جالب را از پایگاه داده ها استخراج کند. اولین هدف آن استخراج اطلاعات به منظور کمک به روند تصمیم گیری است. داده کاوی دو وظیفه ی اصلی دارد: 1. پیش بینی، که شامل پیدا کردن مقادیر، روابط، الگو های ناشناخته است.2. توصیف، که به تفسیر پایگاه اطلاعاتی بزرگ می پردازد.
به طور کلی روند داده کاوی شامل مراحل زیر است:
مرحله 1: بدست آوردن اطلاعات. مرحله اول انتخاب نوع داده برای استفاده است. اگرچه در برخی از برنامه ها، مجموعه ای از داده های هدف به منظور کشف به وجود آمده اند ، اما داده کاوی می تواند بر روی نمونه هایی از زیر مجموعه های متغیر اطلاعات در پایگاه های بزرگتر کار کند.
مرحله 2: پیش پردازش اطلاعات. زمانی که داده های هدف تعیین شدند، این داده ها پیش پردازش می شوند تا قسمت های اضافی و به درد نخور آنها از بین برود و برای کشف موثر اطلاعات از درون آنها، اصلاح می گردند. در طی این مرحله ی پردازشی، ارتقا دهندگان پارازیت ها و ناهماهنگی ها را حذف می کنند و در صورت نیاز راجع به داده های مفقود شده با استفاده از ترتیب زمانی داده ها و تغییرات مشخص، تصمیم می گیرند. علاوه بر این ها، معمولا داده ها را از نوعی به نوع دیگر تبدیل می کنند تا تعداد متغیر های در نظر گرفته شدن را کاهش دهند( به عنوان مثال،تبدیل مقادیر مطلق به مقادیر عددی) و یا ممکن ویژگی های جدیدی از داده ها بیرون بکشند ( از طریق عملیات های ریاضی و استدلالی).
مرحله 3: کشف اطلاعات و مدل سازی. سومین مرحله ی داده کاوی (DM)، مربوط به مجموعه ای از فعالیت ها برای تصمیم گیری راجع به نوع عملیات داده کاوی، انتخاب روش داده کاوی، انتخاب الگوریتم داده کاوی و در آخر، داده کاوی است. ابتدا باید نوع عملیات داده کاوی انتخاب شود.

عملیات داده کاوی شامل:

رده بندی، رگرسیون، تقسیم بندی، تجزیه و تحلیل پیوسته و شناسایی انحراف است . بر اساس عملیات انتخاب شده برای کاربرد مورد نظر، تکنیک داده کاوی مناسب نیز انتخاب می شود. زمانی که تکنیک داده کاوی انتخاب می شود ، گام بعدی انتخاب الگوریتمی خاص در درون آن تکنیک است. انتخاب الگوریتم داده کاوی، دربردارنده ی روشی برای جست و جوی الگو در اطلاعات است، مثل تصمیم راجع به اینکه کدام مدل و پارامتر ها با توجه به هدف کلی داده کاوی، برای تکنیک خاصی از داده کاوی مناسب است. پس از انتخاب الگوریتم مناسب، اطلاعات بلاخره کاویده می شوند و از الگوریتم برای استخراج الگو های جدید پنهان شده در پایگاه های اطلاعاتی استفاده می گردد.
مرحله 4: تفسیر و ارزیابی. چهارمین مرحله در روند داده کاوی، تفسیر و ارزیابی الگو های کشف شده است. این کار شامل فیلتر کردن اطلاعات برای از بین بردن الگو های اضافی و بی ربط است و همچنین الگو های مفید را به صورت گرافیکی و منطقی به تصویر می کشد و آنها را به مفاهیم قابل استفاده برای کاربران ترجمه می کند. در تفسیر نتایج، با توجه به اطلاعاتی که از پیش داریم، هرگونه تناقض را مشخص و رفع می کنیم یا تمامی مراحل را دوباره انجام می دهیم.همچنین اطلاعات استخراج شده را از نظر مفید بودن در تصمیم گیری و هدف تجاری ارزیابی می کنند. سپس از اطلاعات بدست آمده برای حمایت از تصمیم گیری انسان، مثل پیش بینی و توضیح وقایع مشاهده شده استفاده می شود. نباید روند 4 مرحله ای کشف اطلاعات را خطی پنداشت، چرا که روندی متقابل و مکرر است.

عملیات های داده کاوی

با فرض این که شما مجموعه ای از داده ها را برای داده کاوی آماده کرده اید، شما باید مقیاس مطالعه ی خود را تعریف کنید و موضوع مطالعه را انتخاب نمایید. که به آن انتخاب عملیات داده کاوی می گویند.
عملیات داده کاوی 5 نوع است: رده بندی، رگرسیون، تقسیم بندی، تجزیه و تحلیل پیوسته و شناسایی انحراف. رده بندی و رگرسیون در پیش بینی کاربرد دارند در حالی که از تجزیه و تحلیل پیوسته، تقسیم بندی و شناسایی انحراف به منظور توصیف الگوهای موجود در اطلاعات استفاده می شود. استفاده از داده کاوی معمولا نیازمند ترکیبی از دو یا چند عملیات داده کاوی است.

رده بندی

هدف از رده بندی ایجاد مدلی است که جایگاه اطلاعات را در یکی از چند رده ی از پیش تعیین شده، نشان می دهد. زمانی که مدل ایجاد شود از آن برای رده بندی نمونه ی جدید استفاده می شود. مثال ها شامل رده بندی الگوهای ورشکستگی بر اساس سهام مالی شرکت و الگو های خرید مشتری بر اساس اطلاعات آمارگیری نفوس می باشد که به منظور تبلیغ برای یافتن مشتریان مناسب و فروش موثر انجام می شود.

رگرسیون

این عملیات مدلی می سازد که داده ها را به صورت متغیر های واقعی پیش بینی شده نشان می دهد. مدل ها با استفاده از روش های مرسوم آماری مثل رگرسیون خطی و لوجستیک ایجاد می شوند. از رده بندی و رگرسیون برای پیش بینی استفاده می شود. وجه تمایز این دو مدل این است که متغیر خروجی رده بندی به صورت مطلق است، در حالی که متغیر خروجی رگرسیون، عددی و متوالی است. موارد ذیل از مثال های رگرسیون می باشد: پیش بینی تغییر بین ین ژاپن و بازار وابسته دولت؛ میزان جرم در شهر بر اساس توصیف متغیر های ورودی مختلف مثل جمعیت، میانگین سطح درآمد و سواد.

تجزیه و تحلیل پیوسته

از تجزیه و تحلیل پیوسته در ایجاد ارتباط بین اطلاعات ثبت شده در پایگاه اطلاعاتی استفاده می شود. معمولا کاربرد آن در تجزیه و تحلیل سبد خرید است. که از این تکنیک در تجزیه و تحلیل اطلاعات تراکنش بازار ها استفاده می شود تا وابستگی های محصول شناسایی شود. فروشگاه های خرده فروشی معمولا به فروختن اجناس به همراه اجناس دیگر علاقه دارند( مثل پوشک بچه و شیر خشک)، بنابراین این تکنیک می تواند به منظور بازاریابی موثر، فروش محصول ها باهم را تعیین کند. کاربرد دیگر می تواند روابط بین عمل های پزشکی را با تحلیل کردن فرم های درخواست ارائه شده به شرکت بیمه ،پیدا کند. تجزیه و تحلیل پیوسته معمولا در رابطه با تقسیم بندی پایگاه اطلاعات به کار گرفته می شود.

تقسیم بندی

هدف از تقسیم ،بندی، یافتن گروهی از اطلاعات است که رفتار و ویژگی های نهفته مشابهی دارند. گروه ها ممکن است متقابلا منحصر به فرد و جامع باشند و یا ممکن است مثالی از طبقه بندی های سلسه مراتبی یا اشتراکی باشند. مثال ها شامل کشف گروه مشابهی از مشتریان در پایگاه اطلاعاتی بازاری و تقسیم بندی اطلاعات ثبت شده در طی فروش روز مادر و روز پدر، می باشد. معمولا وقتی که اطلاعات تقسیم بندی شوند، از تجزیه و تحلیل پیوسته در هر قسمت استفاده می شود تا وابستگی بین اطلاعات در هر گروه را شناسایی گردد.( سیارک)

شناسایی انحراف

این عملیات بر کشف انحرافات جالب توجه متمرکز است. 4 نوع انحراف وجود دارد:
*الگوهای همیشگی که با طبقه بندی های از قبل اندازه گیری شده یا عددی هم خوانی ندارند.
*تغییرات چشمگیر در اطلاعات در طی بازه های زمانی مختلف
*اطلاعات دور افتاده در مجموعه ی داده ها( اطلاعات ثبت شده ای که به هیچ یک از گروه ها تعلق ندارند.
*اختلاف بین مشاهده و مرجع.

شناسایی انحراف معمولا پس از تقسیم بندی پایگاه اطلاعاتی انجام می شود تا اختلالات یا خسارات غیر عادی را شناسایی کند. شناسایی انحراف معمولا منبع اصلی اکتشاف است ،چرا که انحراف نشان دهنده ی نامتعارفی نسبت به انتظارات و معیار های شناخته شده است.این مقاله ادامه دارد............ ترجمه  itrans.ir

نگرش زیرساخت به برنامه ریزی استراتژیک فناوری اطلاعاتفناوری اطلاعات در سازمان ها (2016)

برنامه ریزی استراتژیک به معنای برنامه ریزی آتی یک سازمان می باشد. به عبارت دیگر، به مسیری اشاره می کند که سازمان می خواهد به سمت آن حرکت کند. برنامه ریزی استراتژیک فناوری اطلاعات برای هر سازمانی گواه این است که معماری اطلاعاتی سازمان در پرتوی ملاحظات استراتژیک مانند ماموریت، اهداف و اولویت های سازمان، مشهود و ظاهر می شود و هم چنین برنامه ی اجرایی لازم برای رسیدن به سیستم ها را تعیین می کند. به علاوه، پایگاه های داده ی اطلاعات در سطح سازمانی را شکل می دهد. به عبارتی دیگر، برنامه ریزی استراتژیک منشور فناوری اطلاعات و ماکروبرنامه در زمینه ی سیستم های اطلاعاتی عموماَ به عنوان فناوری اطلاعات در نظر گرفته می شوند. رویکردهای متفاوت برای برنامه ریزی مورد استفاده قرار می گیرند.در حال حاضر، رویکرد حاکم بر توسعه ی برنامه ی طولانی مدت یا بربرنامه ی اصلی ICT فناوری اطلاعات، رویکرد معماری سازمانی یا معماری فناوری اطلاعات می باشد. هدف این تحقیق معرفی مقدماتی رویکرد معماری سازمانی با استفاده از برنامه ریزی استراتژیک سیستم های اطلاعاتی می باشد.

برنامه ریزی استراتژیک برای خدمات داده ی تحقیقاتی در 2016

کتابخانه ها به صورت فزاینده ای با درخواست فراهم سازی انواع مختلف حمایت مدیریت داده روبه رو می شوند. بدون یک فرایند یکتا یا یک فرایند استاندارد، هر موسسه می بایست یک برنامه ی استراتژیکی برای حمایت مدیریت داده به منظور نیازهای محلی فراهم کند. یک برنامه ی استراتژیک کمک می کند تا مهارت ها و خدمات موجود با نیازهای کاربران هم تراز شوند و هم چنین حمایت پراهمیتی فراهم می کند. برنامه ریزی باید با تحقیق در زمینه ی نیاز های کاربران و هر گونه اطلاعات محلی منحصر به فرد مربوطه آغاز شود. براساس یک نیاز صریح، برنامه باید با استفاده از منابع معین برای یک مدت زمان مشخص چشم اندازی برای خدمات داده مشخص کند. تحلیل قوت ها، ضعف ها، فرصت ها و تهدیدها ( SEOT) می تواند به شناسایی عوامل داخلی و خارجی که باید مورد توجه قرار گیرند، کمک کند. اهداف عملی و معقول باید شکل داده شوند و مشخص شوند. برنامه ی استراتژیک می بایست سهام داران را تحریک کند که هماهنگ باهم کار کنند، معیارهای نتیجه را شامل کنند و هر چند سال یکبار به روز شوند.

پردازش ابری و استراتژی فناوری اطلاعات 2013

پردازش ابری مدل جدیدی را ارائه می دهد که مدل پردازش همگانی را فعال می سازد. در این مدل، منابع پردازش به عنوان سرویس بر حسب تقاضا، پرداخت به هنگام استفاده ، در یک مدل شبیه به مدل برق ارائه و مصرف می شوند. هدف این کار شناسایی تهدیدها و فرصت های مدل پردازش ابری و تاثیر آن بر استراتژی شرکت هایی است که از فناوری اطلاعات استفاده می کنند. برای انجام چنین کاری، یک تحقیق با مدیران ارشد آی تی از 64 شرکت متوسط و بزرگ در برزیل انجام گرفت. ما متوجه تاثیر پردازش ابری بر تغییر تمرکز دپارتمان های آی تی شرکت به سمت مدیریت خدمات و قراردادها شدیم.این تغییر باعث درخواست افراد حرفه ای به همراه تحلیل گر آی تی و پروفایل های تجاری می شود.
برنامه ریزی استراتژیک سیستم اطلاعات / فناوری اطلاعات در استراتژی توسعه فناوری اطلاعات ترتیبی با استفاده از روش تحقیق TOGAF (چارچوب معماری گروه باز) در دستیابی به کلاس جهانی، دانشگاه در ساتیا. دانشگاه واکانا 2013
سیستم های اطلاعاتی و فناوری اطلاعات (IS/IT) نقش مهمی در حمایت از سازمان برای اجرای فرایندهای تجاری خود، ایفا می کنند. این تحقیق در دانشگاه ساتایا دانشگاه مسیحی واکانا (SWCU) اجرا گردید. فرآیندهای تجاری در خط مشی موجود SWCU در استفاده از IS/IT در سازمان بهینه نمی باشند. فرایند برنامه ریزی / آی تی در همه ی واحدهای تجاری انجام نشده است و SWCU سیستم اطلاعاتی اجرایی ندارد تا بتواند در فرایند تصمیم گیری از آن کمک بگیرد. فرایند برنامه ریزی استراتژیک سیستم های اطلاعات و فناوری اطلاعات با استفاده از چارچوب معماری گروه باز (TOGAF) چندروش برنامه ریزی استراتژیک را گرد آورده است. نتایج به دست آمده از مطالعه ی نیازهای IS/IT در SWCU تولید کننده ی نمونه کارهای برنامه های کاربردی ، در موسسه اجرا خواهند شد.

استراتژی تجارت دیجیتال : به سمت نسل بعدی بینش ها 2013

در طول سه دهه ی گذشته، دیدگاه غالب استراتژی فناوری اطلاعات این بوده است که این استراتژی در سطح کاربردی است که می بایست با استراتژی تجارت انتخاب شده ی شرکت هم تراز باشد. حتی در داخل این دیدگاهِ به اصطلاح هم ترازی ، استراتژی تجارت به هدایت استراتژی آی تی پرداخت. در طول دهه ی گذشته، زیرساخت تجاری، دیجیتالی شده است و رابطه ی بین محصولات، فرایندها و خدمات افزایش یافته اند. در میان بسیاری از شرکت های موجود در گستره ی صنایع و بخش های مختلف ، فناوریهای دیجیتال ( در نظر گرفته شده به عنوان ترکیب هایی از فناوریهای اطلاعات، محاسبات ، تعاملات و اتصلات ) اساساَ در حال تحول بخشیدن به استراتژی های تجاری ، فرایندهای تجاری، قابلیت های شرکت ، محصولات و خدمات و روابط کلیدی بین شرکتی در شبکه های بسط داده شده ی کسب و کار می باشند. بر این اساس، ما بحث می کنیم که زمان برای دوباره اندیشیدن درباره ی نقش استراتژی آی تی ، از یک استراتژی در سطح کاربردی – که با استراتژی تجاری هم تراز است ولی همیشه فرمانبردار آن است – به نقشی که منعکس کننده ی ادغام استراتژی آی تی و استراتژی تجاری می باشد، مناسب است.
ما چهار موضوع کلیدی برای راهنمایی تفکر خودمان درمورد استراتژی کسب و کار دیجیتال شناسایی می کنیم وآن ها به ما کمک می کنند تا چارچوبی برای تعریف نسل بعدی بینش ها فراهم کنیم. این چهار موضوع عبارتند از : (1) دامنه ی استراتژی کسب و کار دیجیتال . (2) مقیاس استراتژی دیجیتال کسب و کار. (3) سرعت استراتژی دیجیتال کسب و کار و (4) منابع ایجاد و کسب ارزش کسب و کار در استراتژی دیجیتال کسب و کار. بعد از ارزیابی هرکدام از این چهار موضوع، ما معیارهای موفقیت و پیامدهای عملکرد بالقوه ی دنبال کردن استراتژی دیجیتال کسب و کار را بحث می کنیم. هم چنین، ما نشان می دهیم که چگونه مقالات در این مساله ی خاص موضوع استراتژی های دیجیتال را روشن می کنند و مسیرهایی برای بهبود بینش ها و شکل دادن به تحقیقات آینده را پیشنهاد می دهند.
هم ترازکردن استراتژی سیستم های اطلاعات با استراتژی کسب و کار در محیط بانکی آفریقای جنوبی 2014
اگرچه تاریخچه ی تحقیقات نشان می دهد که هم ترازی سیستم های اطلاعاتی با استراتژی های کسب و کار برای عملکرد سازمان ها اهمیت بسیاری دارد، اما هیچ گونه چارچوب استانداردی برای راهنمایی در زمینه ی چگونگی بهبود بخشیدن به این هم ترازی ، به ویژه در محیط بانکی، وجود ندارد. بانک های آفریقای جنوبی تمایل دارند که دستاوردها و ادراکات ترکیبی در مورد سرمایه گذاری های سیستم های اطلاعاتی داشته باشند، و این مقاله بحث می کند که این موضوع در درجه ی اول به خاطر عدم هم ترازی بین استراتژی سیستم های اطلاعات و استراتژی کسب و کار می باشد. به نظر می رسد که پروژه های سیستم های اطلاعات آن چه را که باید، ارائه نمی دهند ؛مدیران سیستم های کسب و کار و اطلاعات فهم روشنی از محیط یک دیگر ندارند، و در نتیجه، منابع لازم به صورت نامناسب اختصاص داده می شوند. این مقاله به روش هایی می پردازد که از طریق آنها بانک آفریقای جنوبی ممکن است که هم ترازی سیستم های اطلاعات و استراتژی های کسب و کار را بهبود ببخشد. با دنبال کردن نمونه ی مقاله ی تفسیری، مدل هم ترازی استراتژیک به عنوان یک چارچوب برای یک مطالعه ی موردی انجام شده در یکی از بانک های اصلی آفریقای جنوبی استفاده شد. با استفاده از شواهد تجربی، این مقاله با یک چارچوب مفهومی برای هم ترازی بهبود یافته ی استراتژی سیستم های اطلاعاتی و استراتژی کسب و کار ، در یک محیط بانکی، به پایان می رسد.

ابهامی که استراتژی اطلاعات را احاطه می کند 2016

مفهوم استراتژی اطلاعات مفهومی است که در بسیاری از زمینه های کسب و کار و سازمان ها فراگیر می باشد. به ویژه، حوزه ی آموزش عالی با توجه به دخالت تاریخی آن با تدوین استراتژی اطلاعات مورد تمرکز این تحقیق بوده است . فرض اساسی ،مربوط به استراتژی اطلاعات، همانند یک مکانیسم برای مدیریت اطلاعات می باشد. با توجه به این که اطلاعات بخش مهمی از کسب و کار و عملیات های سازمانی می باشد، ، استال  بحث می کند که " اطلاعات بیشتر و بهتر اغلب به عنوان شرط اولیه برای اجرای بهتر مدیریت می باشد "؛ مفهوم مدیریت اطلاعات از طریق استراتژی اطلاعات به نظر قدمی منطقی می باشد. متاسفانه، واقعیت و فرضیه تا حدی با هم همخوانی ندارند. این مقاله مفهوم استراتژی اطلاعات را از سه دیدگاه متمایز مورد بحث قرار می دهد که عبارتند از: سیستم های اطلاعات (IS)، علم کتابخانه و اطلاعات ( LIS)، و اصطلاحی که مولف مدیریت عمومی ( GM) می نامد که بربنیان های نظری تمرکز می کند. در حالی که ، یافته های مورد توجه ی این تحقیق واقعیت آن چه که سازمان ها در حال انجام دادن در مورد تدوین استراتژی اطلاعات می باشند، را پیشنهاد می دهند. هدف متمرکز شدن بر استفاده ی فراگیر استراتژی اطلاعات و ابهامی که آن را احاطه کرده است، می باشد. تدوین استراتژی اطلاعات امری ساده یا بدون ارزش- هدف نمی باشد. بلکه نوعی تدوین است که نیازمند تامل، بحث و درک می باشد اگر می خواهد به موفقیت برسد. (سیارک)

یکی از وظایف حسابرس اینست که مطمئن شود حساب های کارمند بلافاصله بعد از اینکه شخصی از سازمان جدا می شود بسته شده است.

برای انجام این کار حسابرس IT ممکن است به فهرستی از پرسنل فعلی منابع انسانی نیاز داشته باشد. رویکرد دیگر می تواند بدست آوردن یک راهنمای تلفن کنونی و مقایسه اسم ها با آن اسامی باشد که در فهرست نویسی حساب های کاربری هستند. حسابرسان IT باید به لیست کاربران نگاه کنند تا ببیند که آیا هر نوع شناسه تخصیص داده شده از گروه وجود دارد یا نه. مثلا ممکن است یک ID با نام AP_Clerk وجود داشته باشد. گاهی اوقات مدیران وقتی تغییرات شخصی اعمال می کنند تصمیم به صدور این IDها می گیرند تا کاغذبازی یا تشریفات اداری را کاهش دهند. ولی این نوع ID مانع از اختصاص مسئولیت ها به یک فرد می-شود. اگر از یکی از کارمندان AP خطایی سربزند یا مرتکب تقلبی گردد استفاده از ID گروه ممکن است شناسائی حساب های قابل پرداخت کارمندان مسئول را دشوار کند. حسابرس ID می تواند نسخه های چاپی از پایگاه داده و مستندات نرم افزار را چشمی بررسی نماید تا صحت کاربران، مناسبت کلمات عبور و موقعیت شناسه های گروه را بررسی کند. ولی انواعی از ابزارهای نرم افزار حسابرسی وجود دارند که کار را کارآمدتر می سازند. مثلا چنین نرم افزارهایی ممکن است زمان ورود به داخل سیستم را بازرسی کنند . اگر کاربری بمدت چند ماه وارد سیستم نشده باشد آن حساب کاربری احتمالا باید حذف گردد. ورود کاربران به داخل سیستم در ساعت های نامعلوم هم ممکن است اطلاعاتی در اختیار قرار دهد که می توانند کاملاً درست نباشند. همانطور که در فصل قبلی اشاره کردیم این شرایط استثناءها یا بی نظمی هایی است که حسابرس IT می خواهد آنها را شناسائی کند.

حسابرسی مستمر

تعدادی از ابزارهای حسابرسی می توانند در سیستم اطلاعاتی خود نصب گردند تا حسابرسی مستمر یا تضمین بلادرنگ را اجرا کنند. اهمیت حسابرسی مستمر پیوسته رو به افزایش است چرا که ما در حال حرکت به سمت گزارشگری مالی بلادرنگ هستیم. همچنین فشار روی کاهش فاصله زمانی بین ایجاد اطلاعات مالی و حسابرسی اطلاعات که بعنوان چرخه حسابرسی شناخته می شود افزایش رو به رشدی دارد. سهامداران می خواهند اطلاعات سریعاً مورد رسیدگی قرار بگیرند چون چارچوب های زمانی تصمیم-گیری کوتاهتر می شوند. شرکت های زیادی اطلاعات مالی خود را از طریق اینترنت گزارش می کنند و بسیاری دیگر هم به احتمال زیاد به همین نحو عمل می کنند زیرا XBRL این شکل از گزارشگری را تقویت می کند. پنج رویکرد ویژه برای حسابرسی مستمر عبارتند از: 1- ماژول های جاسازی شده حسابرسی و قلاب های حسابرسی 2- گزارشگری موارد خاص 3- علامتگذاری معاملات 4- تکنیک نسخه برداری فوری 5- شبیه سازی مداوم و متناوب
این ابزارها رسیدگی به امور حسابرسی را حتی زمانی که حسابرس حضور ندارد میسر می سازند. با نرم افزارهای جاسازی شده حسابرسی، برنامه زیرروال ها داده ها را برای اهداف حسابرسی ضبط می کنند. این داده ها و اطلاعات معمولاً به یک قسمت پرخطر تعلق دارند. مثلا یک برنامه کاربردی برای لیست حقوق-بگیران یا کل دستمزدها کدی دارد که سبب می شود معیارهای تعیین شده برخورد تراکنش ها به صورت لگاریتم خاصی نوشته شوند. معامله های احتمالی که ممکن است در یک لگاریتم ضبط و ثبت شوند شامل آن معامله هایی است که حسابهای غیرفعال، انحراف از سیاست های شرکت یا کاهش ارزش موجودی ها را تحت تاثیر قرار می دهند. در مورد برنامه کل دستمزدها این تراکنش ها می توانند منعکس کننده موقعیت یا شرایطی باشند که برای نمونه کارمندان بیش از تعداد ساعات تعیین شده از قبل کار کرده اند. مثال دیگر می تواند ثبت تراکنش ها مرتبطی باشد که در یک توالی بخصوصی اتفاق می افتند.
کار گزارشگری موارد خاص هم شکلی از حسابرسی مستمر محسوب می شود. اگر سیستم اطلاعات دارای مکانیسم هایی است که تراکنش های خاصی را که خارج از ویژگی های تعریف شده اند (مانند چک خیلی هنگفت فروشنده) رد می کند پس گزارشگری مداوم تراکنش های استثناء به سیستم اجازه می دهد که خود را پیوسته کنترل و تنظیم کند.
با بکارگیری علامتگذاری تراکنش ها حسابرسان می توانند تراکنش های ویژه ای را با یک تعیین کننده مخصوص علامت گذاری یا نشانگذاری کنند. بنحوی که وقتی از سیستم اطلاعات عبور می کنند می توانند ثبت و ضبط شوند. بعنوان نمونه یک تعداد مشخصی از کارمندان می توانند برچسب هایی داشته باشند که اسناد معاملات خود را ضمیمه آنها کردند به نحوی که یک حسابرس می تواند منطق پردازش را در سیستم دستمزد راستیابی کند. در این مثال علامت گذاری موثر بودن عملکرد کنترل را هم در داخل سیستم مورد رسیدگی قرار می دهد. فرض کنید که یک روش کنترل مستلزم رد تراکنش کل دستمزدها است بشرطی که تعداد ساعت های کاری در طی یک دوره پرداخت خیلی زیاد باشد. حسابرسان می توانند تراکنش های نشاندار شده را مرور یا بازبینی کنند تا مطمئن شوند که این روش کنترل به شکل درستی کار می کند.
تکنیک نسخه برداری فوری روشی را بررسی میکند که طی آن تراکنش ها پردازش می شوند. با کد مخصوصی تراکنش های انتخابی علامتگذاری می شوند که سبب راه اندازی روال این تکنیک می گردد. ماژول های حسابرسی در برنامه کامپیوتر این تراکنش ها و اسناد فایل اصلی آنها را قبل و بعد از فعالیت های پردازش ضبط می کنند. داده های بدست آمده از تکنیک نسخه برداری فوری در فایل ویژه ای نگه داشته می-شود و توسط حسابرس مورد بازبینی قرار می گیرد تا درست بودن اجرای کلیه مراحل پرادزش را تـأیید کند.
شبیه سازی مستمر و متناوب (CIS) یک ماژول (قطعه کدهای برنامه نویسی شده) حسابرسی را در یک سیستم مدیریت پایگاه داده (DBMS) جاسازی می کند. ماژول CIS همه تراکنش ها را که DBMS بروز رسانی می کند به دقت بررسی می نماید. اگر یک تراکنش اهمیت ویژه ای از نظر حسابرسی داشته باشد ماژول حسابرسی داده ها را مستقلا پردازش (به طریقی مشابه شبیه سازی موازی)، نتایج را ثبت و با نتایجی که توسط DBMS بدست آمدند مقایسه می کند. اگر هر گونه اختلافی وجود داشته باشد، جزئیات این اختلافات برای بررسی های بعدی روی یک لگاریتم سیستم حسابرسی نوشته می شود. اگر اختلافات اساسی مشخص شوند CIS ممکن است DBMS را از اجرای فرایند بروزرسانی منع کند. یک چالش برای حسابرسی پیوسته اینست که داده ها در تشکیلات و سازمان های پیچیده تر ممکن است در چندین DBMS قرار گرفته باشند. برای اینکه تضمین بلادرنگ به شکل موثری هدایت شود حسابرسان امکان دارد که به یک داده گاه یا زیرمجموعه ای از انبار داده و اختصاصاً برای اهداف حسابرسی نیاز داشته باشند.