هوش تجاری و مدیریت دانش در بخش مالی

در


هوش تجاری مقبولیتی را در بخش های مالی کسب کرده، گرچه که تعاریف بسیار متعددی از هوش تجاری وجود دارد، با این حال مدیریت دانش دارای پاسخی تلفیقی می باشد. مفهوم مدیریت دانش در سازمان دچار مشکلاتی است زیرا آن ها مکررا سعی در اعمال پروژه های مدیریت دانش در سطح وسیعی از بنگاه های اقتصادی نموده اند که با شکست مواجه شده است. پیچیدگی نیز مزید بر علت شد تا اجرا با شکست مواجه شود.
تحقیقات نشان می دهد که بازار و رقابت انحصاری و شدید در عملیات بانکی که توسط مراجع متعدد ملی و بین المللی تنظیم گشته اند که انتظار نظارت دقیق و دائمی و گزارشاتی را برای اطمینان از ثبات سهامداران و سرپرستان دارا می باشند.  همچنین مدیریت روابط مشتری و هوش تجاری  نشان می دهد که برای ارتباط با ارباب رجوع و منابع انسانی، هوش تجاری و مدیریت فرایند تجاری با کارمندان مورد نیاز است.
جهانی شدن، تلفیق شرکت ها ، خصوصی سازی و اعطای مالکیت، رقابت موسسات غیر مالی و نوآوری های فناوری باعث می شود که کمپانی همواره در مورد راهبرد تجاری خود تجدید نظر نماید. در این مورد، خدمات مالی باید جریان های درامدی جدیدی را ایجاد کرده، وارد بازار های جدید گشته، سهمی از بازار کسب نموده و هزینه های عملیاتی را کاهش داده و همچنین باید به انتظارات مشتریان نیز پاسخگو باشد.
بکارگیری هوش تجاری در بانک ها را می توان به این شکل خلاصه نمود:
عملکرد بانکی: این فرایند با تحلیل داده های قبلی از موسسه برای تصمیم گیری در مورد آینده در ارتباط است. نشانگر های عملکرد عبارتند از سپرده، اعتبار، سود، درامد، شعبه ها و کارمندان.
بازاریابی: بازاریابی پر کاربرد ترین مورد برای داده کاوی در صنعت بانکداری می باشد. معمولا از بازاریابی برای تحلیل مشتریان بر حسب کالاها و خدمات مورد علاقه انها استفاده می شود.
مدیریت ریسک: با توجه به بازار نامشخص و متغیر، شرایط مالی نیز تحت تاثیر قرار م یگیرند. عدم آگاهی ممکن است ریسک زیادی را متوجه مشتریان آینده نماید. به ویژه که در بانک ها ریسک غفلت، فریب و اختلاص در پرداخت و ریسک های عملیاتی مرتبط با رویه های داخلی و فرایند های درونی نیز وجود دارد.
تقسیم بندی مشتریان: اغلب فعالیت های تجاری بر مشتریان تمرکز یافته اند. تمامی فعالیت های تجاری باید مشتریان خود را بشناسند. تقسیم بندی روشی است از گروه بندی مشتریان بر اساس شخصیت یا الگوهای آنان که به سازمان ها کمک می کند تا هدف گذاری مناسبی برای کالاهای خود داشته باشند.
کشف فریبکاری: طبق نظر دکــــر، دو رویکرد برای کشف فریبکاری وجود دارد. اول، بانک از انبار داده های یک شخص ثالث بهره برداری نموده و از داده کاوی برای شناسایی استفاده می نماید. دوم، استفاده از اطلاعات درونی بانک ها.
طرح ریزی بودجه: سعی کنید نشانگر های عملکرد را از یک حیطه خاص درک نموده و محاسباتی را بر اساس اطلاعات موجود حاصل از سیستم انجام دهید.
 در یک هوش تجاری سنتی، سیستم باید قابلیت هایی را از قبیل مدیریت فرایند تجاری، پورتال همکاری و نرم افزار ها، پورتال ها و سیستم های مدیریت محتوا را برای طراحی تجاری ایجاد نماید و بتواند تامین به موقع داده ها را پشتیبانی نماید.
به منظور حمایت از تمامی فعالیت های اصلی مالی و حسابداری، اغلب موسسات مالی از نرم افزار استفاده کرده اند. نرم افزار مدیریت ارتباط با مشتری و مدیریت تامین کننده قوی ترین سیستم هایی هستند که به رویه ای در مدیریت روابط با مشتریان و تامین کنندگان تبدیل شده است. با این وجود، هدف اصلی این سیستم ها ثبت، سازماندهی و بازیابی اطلاعاتی است که در دیتابیس های مختص انان وجود دارد. اما، این سیستم ها به عنوان ابزارهای تحلیلی ایجاد نگشته اند.
گرچه برخی سیستم ها ویژگی های تحلیلی محدودی را ارائه می دهند، اما این ویژگی ها صرفا دیتابیس اپلیکیشن های خود را پوشش داده و نمی توان از ان ها با سایر سیستم های موجود در کمپانی استفاده نمود. متعاقبا، دسترسی به اطلاعات خلاصه و تشریحی از طریق واسط کاربر منفرد بسیار دشوار است. بنابر این، افرادی که مسئول سیستم های عملیاتی مختلف می باشند باید موارد زیادی را به صورت نگارش، حفظ و پرینت گزارشات خود برای مدیریت انجام دهند. این یکی از دلایل کلافگی کنونی بسیاری از مدیران و تحلیلگران در شرکت ها می باشد.
برخی محدودیت ها و مسائل در تصمیم گیری بر اساس گزارشات استاتیک از سیستم های مختلف وجود دارد:
1. اضافه بار اطلاعاتی،
2. فقدان اطلاعات
3. عدم قابلیت تعامل
4. فقدان ابزار های تحلیلی متحد بر اساس دیتابیس های متقاطع
اجرای یک انبار داده با نرم افزار مدرن هوش تجاری می تواند راه حلی برای مشکل محیط های تحلیلی ضعیف در یک کمپانی باشد. محیط های ضعیف از نظر تحلیلی دارای چندین منبع دیتا و گزارش نویسان مختلف می باشند و فاقد ابزار های تحلیلی هستند.
در هنایت امکان اجرای انبار های داده برای موسسات مالی فراهم گشته که قابلیت بروزرسانی را دارا بوده و با مورد مربوطه از طریق بکارگیری ETL مدرن در ارتباط می باشند.
در نتیجه یک مخزن داده متداول ایجاد می شود که امکانات نامحدودی را برای بررسی و متغیر های تحلیلی، رویه ها و انتظارات در اختیار افراد تصمیم گیرنده قرار می دهد. از ان جا که یک راه حل هوش تجاری مدرن از یک انبار داده تغذیه می کند که دربردارندۀ اطلاعات جزئی می باشد. این مورد به ابزاری برای تمامی افراد در سازمان یا افراد مرتبط با آن تبدیل شده که احتیاج به دسترسی آسان و سریع به اطلاعات خلاصه یا تشریحی از کل دیتابیس کمپانی دارند و البته برای مدیران اجرایی نیز به چیزی بیش از یک ابزار مبدل می گردد.
برخی ویژگی های کلیدی وجود دارد که از طریق بسیاری از ابزار های هوش تجاری ارائه می شوند. این موارد عبارتند از:
1. Drill-Down
2. نمودارهای و درختچه ها
3. برجسته نمودن استثنائات
4. ردیف ها و ستون های محوری
5. کشیدن و رها کردن ابعاد در دید فعلی یا در پس زمینه
6. محاسبات سفارشی
7. پرسش ها
8. نظرات
9. دیدگاه های ترکیبی
10. داشبوردها
11. هوش تجاری و پرتال های وب
12 توزیع مکعبات و گزارش ها
13 سایر ویزگی های تحلیلی پرکاربرد (رتبه بندی، فیلترینگ، مرتب نمودن و غیره)
اغلب مدیران مالی دشواری هایی را برای جستجوی داده های جدید از یک یا چند سیستم اطلاعات شرکتی برای دپارتمان سیستم اطلاعات (SI) دارا می باشند. چرا که بازخورد معمولا آن چیزی که مدیران مالی انتظار دارند نمی باشد. هرگز تمام افراد در دپارتمان سیستم اطلاعات (SI) همه چیز را در مورد مسائل مالی از قبیل تفاوت بین بدهی و اعتبار ، یا تراز سال به روز (YTD) یا دوره ای درک نمی کنند.
در برخی از سازمان های پیشرو، آن ها برخی از کارکنان سیستم اطلاعات خود را از طریق استخدام پرسنل سیستم اطلاعات در دپارتمان حسابداری برای تعامل با این دشواری ها بخ صورت تخصصی در می آورند. این یک راه حل پرهزینه است و لزوما منجر به حل مشکل نمی گردد.
به منظور رسیدگی به درخواست های نامتناهی برای اطلاعات مالی بیشتر، رویکرد پیش دستانه برای دپارتمان مالی ظاهرا باید به خودکفایی رسیده و برای این کار باید از اطلاعات مالی به موقع و کیفیت بهتر در داده ها استفاده شود.
طی چند سال اخیر، کمپانی های متعددی وجود دارند که بهخ طور موفقیت امیز رویکرد های پیش دستانه ای را با ایجاد انبار داده خلق کرده اند که میزبانی دیتا را از منابع پراکنده بر عهده گرفته و ان ها را از طریق Excel، مرورگر اینترنت و OLAP یا ابزار های مدیریت شدۀ پرسشی در اختیار کاربر قرار می دهند.
به طور خلاصه، این مقاله نحوه ایفای نقش هوش تجاری را به عنوان یک ابزار مدیریت دانش در بخش مالی توصیف م یکند که مزایایی را برای بخش مالی در پی دارد که همواره شاهد بازارهای متغیر و مقادیر گسترده ای از دیتا در آن ها بوده ایم. هوش تجاری نقشی را در استخراج الگو های مخفی و اطلاعات ارزشمند از منابع داده های داخلی و خارجی داشته است. علاوه بر این، مدیریت دانش نقشی را در پوشش دانش ضمنی و آشکار در سازمان ها بر عهده دارد که منجر به ارتقا عملکرد ان می گردد. می توان گفت که هوش تجاری باعث شده تا مدیریت دانش عملکرد مالی سازمان ها را حفظ نموده و ارتقا دهد.
تعدیل هوش مصنوعی به عنوان یک ابزار مدیریت دانش می تواند مزیت های رقابتی را برای مشاوره مالی ایجاد نماید. به همین دلیل، راه حل هوش تجاری به مشاوران کمک می کند تا خدمات حرفه ای را برای بخش مالی به ارمغان آورند. راه حل هوش تجاری می تواند به شکل همکاری بین هر یک از ابزار ها و مفاهیم هوش تجاری نمود پیدا کند. بنابر این، مشاور باید یک مزیت رقابتی داشته باشد تا در بازار جهانی که دائما در حال تغییر است به بقای خود ادامه دهد.

نظرات

در ادامه بخوانید...

هوش تجاری

در


هدف اصلی این مقاله تشریح این نکته است که هوش تجاری (BI) به عنوان یک ابزار مدیریت دانش چطور می تواند مشاوران را در ارائه خدمات مشاوره به بخش مالی یاری دهد. راه حل هوش تجاری (BI) می تواند یک مزیت رقابتی برای مشاوران باشد مشروط بر این که آن ها توانایی بکارگیری ابزار های هوش تجاری و فناوری مانند انبار دیتا (Data Warehouse)، داده کاوی، پردازش تحلیلی انلاین (OLAP) و بارگیری انتقالی استخراج (ETL) را داشته باشند. مشاوران می توانند از راه حل هوش تجاری برای تحلیل داده های سازمان از قبیل ساختار ها و فرایند های تجاری موسسۀ مالی استفاده نمایند. از طریق تحلیل داده های سازمانی، موسسه مالی می تواند به نحوی بهتر به ارتقا کارایی های عملکردی پرداخته تا نه تنها از این طریق میزان فروش خود را افزایش داده بلکه راهبرد های بازریابی را نیز بهبود بخشیده و برنامه خدمات مشتری را به نحوه بهتری ارتقا دهد، همچنین می تواند میزان ریسک را از طریق توسعۀ هرچه بیشتر اقدامات مدیریت ریسک تقلیل دهد. به طور خلاصه، مشاوران با برخورداری از این مزیت رقابتی قادر خواهند بود تا در بازاری که دائما در حال تغییر و تحول است به بقای خود ادامه دهند.
در سال 2008، هوش تجاری اولین اولویت فناوری برای سومین سال پیاپی بود. این مقوله به عنوان حوزۀ برتر در حیطه مدیریت اطلاعات در سازمان ها شناخته شد زیرا هوش تجاری (BI) می تواند تاثیر مستقیم و مثبتی بر عملکرد تجاری یک بنگاه اقتصادی داشته باشد. قابلیت تکمیل یک وظیفه از طریق اتخاذ تصمیمات شفاف تر در تمامی سطوح تجرات یکی دیگر از موارد اهمیتی است که می تواند حاکی از قابلیت هوش تجاری در ارتقا موارد مختلف باشد.
اغلب شرکت های پیشرو از پرسنل خود در تمامی حیطه ها انتظار دارند تا روش های تازه و هوشمندانه ای را برای ارتقا عملکرد، افزایش اثربخشی کارمندان و تقویت روابط با مشتریان در پیش گیرند. به منظور دستیابی به این انتظارات، هوش تجاری (BI) را می توان به عنوان پاسخی برای دستیابی به اهداف در نظر گرفت. پشتیبانی از رایند تصمیم گیری در تمامی سطوح، تعدیل مدیران، عوامل اجرائی و عاملان دانش برای اتخاذ اثربخش ترین اقدامات در موقعیت های مورد نظر از جمله دلایلی هستند که بر اساس آن اغلب سازمان های پیشرو به هوش تجاری (BI) به عنوان یک عنصر ضروری نیاز دارند. (سیارک
راهبرد هوش تجاری (BI) باید در راستای اهداف سازمان بوده، منجر به پیشرفت تجارت و ارتقاء مدیریت دانش گردد. راهبرد هوش تجاری (BI) به سازمان ها در خلق بهترین شیوۀ کاربرد اطلاعات از طریق تصمیم گیری عملیاتی، راهبردی و تاکتیکی کمک می نماید.
به طور کلی، استفاده از هوش تجاری (BI) در خدمات مالـــی منجر به ایجاد ارزش گشته است. طی تحقیقی که توسط Gartner Inc صورت گرفت مشخص شد که بیش از 95 درصد از پاسخدهندگان بانکدار با این مساله موافق بوده اند که هوش تجاری (BI) یک گام اولیۀ راهبردی است که توسط مدیریت ارشد برداشته می شود. پاسخدهنگان از بانک ها، شرکت های بیمه و تجارت خانه های غیر مالی بوده اند. گارتنر همچنین دریافت که بیش از 90 درصد بر سر این مساله توافق داشته اند که ارزش مورد انتظار را از سرمایه گذاری در هوش تجاری دریافت نموده اند.
امروزه اغلب موسسات مالی به هوش تجاری (BI) وابسته می باشند. خدمات مالی شامل بانکداری (سپرده ها و وام ها، بانک های تجاری، بانک های رهنی، اتحادیه های اعتباری)، وثیقه ها و بورس (دلالی، بانک های سرمایه گذاری، مشاوران سرمایه) و امور مالی بین المللی می باشند. موسسه مالی می تواند از هوش تجاری (BI) به عنوان یک مزیت رقابتی استفاده نماید.
در دوران اوج رقابت در بازار، بخش های مالی باید راهبرد هایی را برای ابقاء خود اتخاذ نمایند. به طور کلی، یک بخش مالی دارای مقادیر زیادی از داده هایی است که به طور روزانه مورد پردازش قرار می دهند و در سیستم پیچیدۀ آن ها ذخیره می گردد. تحلیل کارامد این داده ها بسیار مهم بوده و تعیین کنندۀ موفقیت صنعت مالی می باشد. نحوۀ تحلیل فریب، ریسک و رفتار مصرف کننده در موسسه مالی بسیار حیاتی می باشد.(سیارک

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 

نظرات

در ادامه بخوانید...

هوش تجاری بخش دوم

در


داده کاوی فرایندی است از کشف الگو هاف همبستگی ها و رویه ها از طریق ایجاد اصلاحاتی در میان مقادیر زیادی از داده ها که در انبار ذخیره شده اند. تکنولوژی های تشخیصی، تکنیک های اماری و ریاضیاتی معمولا در تکنولوژی داده کاوی مورد استفاده قرار می گیرند.

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

 

نظرات

در ادامه بخوانید...

هوش تجاری بخش سوم

در

 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

نظرات

در ادامه بخوانید...

مقایسه هوش تجاری و مدیریت دانش

در


به طور اساسی، هوش تجاری و مدیریت دانش دارای اهداف مشترکی می باشند. دستیابی به بهترین درجه از همفکری و ملاحظات مربوطه که قابلیت مطرح شدن را داشته باشند یا منجر به تاخیر پیشرفت به سوی یک هدف می گردند که این یکی از اهداف مدیریت دانش می باشد. مهم نیست که این اصل چطور در مورد ایدۀ هوش تجاری به کار بسته می شود. حمایت از تصمیم گیری راهبردی، رشد تجارت و نظارت بر رقبای سازمان به عنوان هدف اجرای هوش تجاری شناخته می شوند. بدون شک، سباهت های قطعی بین مدیریت دانش و همچنین هوش تجاری وجود دارد.
مدیریت دانش و هوش تجاری بر اساس فناوری اطلاعات بنا نهاده شده اند. آن ها به اینترنت، سخت افزار، نرم افزار، و تکنولوژی ذخیره سازی پایگاه داده ها اتکا دارند. علاوه بر این، بکارگیری آن ها در فرایند های تجاری هم شامل تجمیع، تلفیق، تعامل و استفاده از اطلاعات و دانش می باشد. علاوه بر این، هر دوی این موارد عملکرد های خود را بر اساس اطلاعات و دانش محقق می سازند. بدون شک می توان گفت که مدیریت دانش و هوش تجاری مکمل و متمم یکدیگر می باشند.
به طور کلی، تمرکز مدیریت دانش بر ادراک (شناخت) است. مدیریت دانش به طور خاص در مورد مردمی است که از درکی خوب و رفتاری فرهنگی برخوردار می باشند. این مقوله همچنین بر اهمیت نواوری دانش تاکید داشته و میزان نظام یافتگی ان را بررسی می کند. به همین ترتیب، هوش تجاری در وهله اول بر تکنولوژی و دیتا تمرکز دارد، که تاثیر کاربردی ان در حقیقت ارتباط تنگاتنگی با مهارت های کاربر به عنوان افرادی دارد که معمولا از تحلیل کمّی تخصص فنی برای حل مسائل تجاری با کمک سیستم هوش تجاری در ارتباط می باشد.
تفاوت های اساسی نیز وجود دارد، در حالی که هر دو مفهوم هوش تجاری و مدیریت دانش دارای اهداف مشابهی در سطوح بالا می باشند. این تفاوت ها را باید در نحوه بکارگیری آن ها به منظور دستیابی به اهداف مشاهده کرد. در حالی که ارزش هوش تجاری و محصولات آن، یعنی همان تحلیل فرصت را می توان در کارایی آ« به عنوان یک ابزار تصمیم گیری مشاهده نمود، ارزش مدیریت دانش در قابلیت سازمان برای شناسایی، تحصیل و استفاده مجدد از دانش بوده که بهترین حالت آن را می توان در بهترین روش ها مشاهده کرد به نحوی که می تواند منجر به صرفه‏جوئی در زمان، تلاش و منابع یک سازمان گردد.
تفاوت دیگر بین مدیریت دانش و هوش تجاری شدت آن هاست. هوش تجاری به طور تدریجی از طریق سیستم های خدمات مبادلاتی توسعه یافته است، همانند سیستم های ادارۀ اطلاعات، سیستم های مدیریت اطلاعات و سیستم های پشتیبانی از تصمیمات. مدیریت دانش در واقع همان روش ها و ایده های مدیریتی در دوره توسعۀ اقتصاد علمی می باشد. این مقوله تاکید دارد که دانش پر اهمیت ترین منبع و سرمایه راهبردی بوده، مزیت رقابتی شرکت ها بر خلق دانش، انتشار و کاربرد ان اتکا دارد.
علاوه بر معانی ضمنی، هر دو مورد از لحاظ کانون تمرکز متفاوت می باشند. هوش تجاری اغلب با منابع دیتا در ارتباط است. از ان جا که هدف آن مرتب نمودن و ساختار بخشیدن به منابع اطلاعاتی می باشد، کل فرایند هوش تجاری نسبتا بسته و مستقل می باشد. هوش تجاری همچنین بر تلفیق و ادغام ریخت شناسی بیرونی اطلاعات تمرکز دارد. از طرف دیگر، سیستم مدیریت دانش با منابع دانش در ارتباط است، اشتراک دانش و نوآوری نیز اهداف اولیه ان به شمار می روند. برای سازمان، در حالی که هوش تجاری به مدیریت اطلاعات عینی در عالم واقع می پردازد، سیستم مدیریت دانش به دنبال اقدامات فراگیر و دانش فردی است.
در نهایت، تفاوت بین هوش تجاری و مدیریت دانش در تکنولوژی اصلی است. تکنولوژی اصلی مدیریت دانش همچنین در مدیریت اسناد، علوم مهندسی گروه افزار ها، متن کاوی، تکنولوژی بازیابی، پرتال های دانش مشاغل و مواردی از این قبیل وجود دارد، از طرف دیگر، هوش تجاری معانی بیشتری را به تحلیل داده ها افزوده و تکنولوژی های اصلی ان متشکل از انبار داده، پردازش تحلیلی آنلاین، داده کاوی و پرتال های مشاغل می باشد. ترجمه  itrans.ir

نظرات

در ادامه بخوانید...