هوش تجاری و مدیریت دانش در بخش مالی
طاهره مصطفویدر۱۴۰۳/۲/۱۸
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.