راهکارهای BPM و تحلیل داده های عظیم

داده‌های عظیم یا Big Data مفهوم در حال تحولی است که مقدار زیادی داده‌ی ساختار یافته، نیمه ساختار یافته و یا بدون ساختار را توصیف می‌نماید که قابلیت استخراج به عنوان اطلاعات را دارند.

بعبارت دیگر در بحث کلان داده، ما نیاز داریم که داده ها را به منظور استخراج اطلاعات، کشف دانش و در نهایت تصمیم‌گیری در خصوص مسائل مختلف کاربردی به صورت صحیح مدیریت کنیم.

این مفهوم می‌تواند بر اساس مشخصه‌های زیر تعریف گردد:

• حجم (Volume): مقدار داده‌های تولید شده در این زمینه بسیار مهم است. در واقع با توجه به حجم داده است که می‌توان گفتBig data محسوب می‌شود یا خیر.
• تنوع (Variety): دومین مشخصه‌ی با اهمیت Big Data، تنوع می‌باشد. در حقیقت همین تنوع است که باعث تحلیل بهتر داده‌ها و حمایت کاربران از Big Data می‌شود. از طرفی همین مشخصه باعث می‌شود که داده‌ها به راحتی قابل ادغام با یکدیگر نباشند.
• نرخ تولید (Velocity): واژه‌ی «نرخ تولید» در این بحث به سرعت تولید و پردازش داده‌ها اشاره دارد.

بعبارت ساده‌تر، مسئله واقعی این نیست که مقدار زیادی داده به دست آورید؛ بلکه مسئله این است که با آن چه می‌کنید. دیدگاه خوشبینانه این است که سازمان‌ها قادر به تحصیل داده از هر منبعی بوده و بتوانند داده‌های مرتبط را تهیه کرده و آن را تحلیل کنند تا پاسخ سؤالاتی را بیابند که ۱) کاهش هزینه‌ها، ۲) کاهش زمان ۳) توسعه محصولات جدید و پیشنهادات جدید  و ۴) تصمیم‌گیری هوشمندانه‌تر کسب‌وکار را برایشان مقدور سازد. برای مثال، با ترکیب Big Data و تحلیل‌های قوی با استفاده از راهکارهایی نظیر BPM، این امکان وجود دارد تا:

• علت‌های اصلی شکست‌ها، مسائل و نقوص را بصورت لحظه‌ای و آنی تعیین کنند و از این طریق سالانه تا میلیاردها ریال در هزینه‌های سازمان صرفه‌جویی کنند
• مسیر وسیله‌های حمل بسته‌های تحویلی را زمانی که هنوز در جاده هستند، بهینه کنند.
• سریعاً مشتریانی که بیشترین اهمیت را دارند، شناسایی کنند.
• و…

بنابراین می‌توان گفت راهکارهای BPM، زمینه ایده‌آل برای مدیریت تصمیم می‌باشند. چرا که بیشتر این راهکارها قابلیت جمع‌آوری داده‌های مرتبط با فرآیندها در طول اجرای آنها را دارند. همینطور تعداد کثیری از این راهکارها، شکلی ابتدایی از تجزیه و تحلیل داده را فراهم می‌کنند که ذینفعان فرآیند از آن برای درک و آگاهی بیشتر فرآیند استفاده می‌کنند. بطور مثال:

• اضافه یا کم کردن منابع مربوط به یک فعالیت خاص
• مطالعه تاثیر اضافه شدن فعالیت جدید
• مطالعه تاثیر تغییر قوانین کسب و کار

بنابراین، راهکارهای BPM و تحلیل داده با یکدیگر غریبه نبوده و این یکی از دلایل کلیدی حرکت بسوی این راهکارها می‌باشد. داده‌های فرآیند محور برای تحلیل‌های پیش‌بینانه مورد استفاده قرار می‌گیرند تا فرآیند وضع موجود، بهبود یافته و تاثیر تغییرات بر فرایند در طول زمان به درستی ارزیابی شود.

با تعدد فرآیندهای در جریان در سازمان، حجم بسیار زیادی از داده انباشته می‌شود که در برخی موارد نیاز به موتور تحلیل جداگانه و متصل به پایگاه داده فرآیند را ایجاب می‌کند. این موتور تحلیل جداگانه می‌تواند منتهی به دید عمیق‌تری در مقایسه با تحلیل ابتدایی فراهم شده در خود محصول شود. البته لازم به ذکر است که پیچیدگی و عمق تحلیل‌ها برای برندهای مختلف متفاوت است.

 در همه سازمان‌ها نرم‌افزارهای زیادی در جریان هستند که از داده‌های مشترک (بطور مثال اطلاعات مشتریان و یا تامین‌کنندگان) استفاده می‌کنند. بنابراین نیاز به همگام‌سازی این داده‌ها میان سیستم‌های مختلف، امری حیاتی می‌باشد که متاسفانه در بسیاری از موارد به درستی انجام نمی‌شود. در این مورد نیز BPM می‌تواند به منظورهای زیر استفاده شود:

• استخراج داده‌های مرتبط از برنامه‌های مختلف
• بروزرسانی و بهبود کیفیت داده‌های استخراج شده در طول فرآیندها
• دریچه و درگاه ورودی به پایگاه داده مرکزی است

حال با توجه به موارد فوق می‌توان ادعا نمود که نرم‌افزارهای تحلیل‌گر بر روی پایگاه داده مرکزی با داده‌های تمیز کار می‌کنند.

 هم‌افزایی میان BPM و Big Data اغلب در سازمان‌های کوچک تا متوسط که معمولا یک یا دو برنامه مرکزی اصلی دارند به راحتی بدست می‌آید. با توجه به رشد سریع کسب و کارها، این سازمان‌ها ابزارهای BPM را به دلیل انعطاف‌پذیری و چرخه کوتاه‌تر پیاده‌سازی انتخاب می‌کنند.

[۱] Theo Priestley (VP & Chief Evangelist, opinionated industry influencer, the d’Artagnan of marketing and PR)