حمایت شرکت فولادمبارکه از شیوه نامه ساماندهی عرضه و تقاضای زنجیره فولاد
آذر ۴, ۱۳۹۹
مجری طرح توسعه معدن مس درآلو عنوان کرد:پیشرفت ۷۰ درصدی معدن مس درآلو
آذر ۴, ۱۳۹۹
ضرورت برخورداری از دانش مدیریت داده‌ها و هوشمندی کسب و کار (BI) برای مدیران صنعت فولاد
(با مطالعه موردی فولادساز روسی Evraz)-قسمت دوم
حسام ادیب
رئیس هیات‌مدیره گروه دانش‌بنیان پاترون
یک مطالعه موردی در استفاده از نرم‌افزارهای هوش تجاری مثل تابلو، نشان می‌دهد که شرکت Evraz، غول فولادسازی روسی، در کارخانجات خود در امریکا، در سال ۲۰۱۴ از این سیستم‌ها استفاده نمود. چالش‌هایی که تا قبل از استفاده از سیستمی مثل تابلو در این سازمان وجود داشت مسائلی بودند از قبیل اینکه: گزارشات مورد نیاز بایستی توسط برنامه‌نویسان کامپیوتری که مدیریت نرم‌افزارهای مختلف را بر عهده داشتند ساخته می‌شد که بسیار زمان‌بر بود. همچنین پس از استفاده از هر داده‌ای جهت تهیه یک گزارش، از داده‌ها استفاده مجدد نمی‌گردید. همچنین هر واحد گزارشات مستقل خود را می‌ساخت و همه داده‌ها یکپارچه نبودند. با پیاده‌سازی نرم‌افزار تابلو کاربران قادر شدند گزارشات مختلفی را به سرعت ایجاد کنند.
سیستم قبلی به این ترتیب بود که از کارخانه‌های متعدد این شرکت و از سیستم‌های عملیاتی متعدد آن، داده‌هایی در چند انبار داده (کانادا، تولید و کیفیت) ذخیره میگردید و گزارش‌های مجزایی هم از سیستم‌ها و نرم‌افزارهایی که بعضا نیاز به برنامه‌نویسی داشتند تولید میگردید. فرض بگیرید یک گزارش جدید را بخواهید در نرم‌افزار حسابداری و انبارتان ایجاد کنید، طبیعتا در این حالت به برنامه‌نویسی توسط شرکتی که آن را طراحی نموده نیاز دارید که این کار بسیار زمان‌بر و پرهزینه خواهد بود. برخی گزارشات مستقیم از داده‌های کارخانه ها به کمک اکسل تهیه می‌شدند و برخی از انبارهای داده‌ها به کمک اکسل یا نرم‌افزارهای برنامه نویسی شده (مثل فاکس پرو) و برخی هم گزارشاتی را به کمک نرم‌افزارهای برنامه‌نویسی شده، مستقیما از داده‌ها ایجاد می‌کردند.
مشکل استفاده از اکسل در گزارش‌سازی چیست؟ مراحل آماده‌سازی یک گزارش اکسلی به طور معمول به این صورت است که پس از استخراج داده‌ها از انبار داده، ابتدا بایستی فرمت داده‌ها یا نام‌ها یکسان‌سازی شوند. مثل واحدهای وزن همه یکسان شوند و یا فرمت تاریخ‌ها یکسان‌سازی گردند. سپس باید دسته‌بندی داده‌ها بر اساس رویکرد کسب و کار صورت گیرد. سپس لازم است داده‌ها یکپارچه‌سازی گردند و جهت مقایسه و محاسبه، داده‌های برنامه‌ها، اقدامات و پیش‌بینی‌ها بر اساس موضوعاتی مثل فروش، تولید، تحویل و غیره یکپارچه‌سازی و برقراری نسبت در جداول اکسل مرتب شوند. در نهایت بایستی شاخص هایی مثل انحراف معیار از برنامه، سودآوری و غیره ایجاد و محاسبه گردند تا بتوانیم به یک گزارش و داشبورد مدیریتی دست یابیم.
هدف از استفاده از نرم‌افزارهای هوش تجاری این است که مراحلی که تا قبل از ایجاد داشبوردهای مدیریتی باید طی شود به صورت خودکار و همیشه قابل استفاده مجدد باشند و داشبوردهای مدیریتی استانداردسازی گردند. در شرکت Evraz نیز چنین طراحی ساختاری داده‌ای انجام شد: داده‌ها از کارخانه‌های مختلف این شرکت در یک انبار داده ذخیره می‌شوند و این انبار داده می‌تواند به داده‌های فضای ابری نیز متصل باشد. سپس سیستم هوش کسب و کار می‌تواند خروجی‌ها و گزارشات مختلفی را از قبیل گزارشات موردی، داشبوردهای مدیریتی، تصویرسازیِ داده و آنالیزهای پیش‌بینانه ارائه کند. به کمک این سیستم هوش‌مصنوعی، میتوان از بیگ‌دیتا یا کلان‌داده‌ها نیز استفاده نمود. کلان‌داده‌ها، داده‌هایی هستند که دارای حجم زیاد، سرعت تولید زیاد و تنوع زیاد هستند. تصور کنید در یک سیکل ذوب در واحد فولادسازی، داده‌های بسیار زیادی از قبیل نام پرسنل شیفت، مقدار مواداولیه، مصرفی و افزودنی (که دارای تعدد و تنوع زیادی هستند)، پارامترهای کوره (برقی، هیدرولیکی، مکانیکی و نسوز)، آنالیز ذوب (که دارای عناصر زیاد است)، گرید فولاد تولیدی، پارامترهای پاتیل، پارامترهای ریخته‌گری و پارامترهای کیفی، تولید می‌گردند که میتوانند صدها ستون داده باشند و در یک شبانه‌روز، مثلا با ۱۵ سیکل ذوب، ۱۵ برابر و در طی یک سال، ۳۶۵ برابر می‌شوند. داده‌های نگهداری و تعمیرات، نیروی انسانی، آموزش، خرید، لجستیک، فروش و مالی را هم به این مجموعه اضافه کنید. حال فرض کنید این کارخانه دو یا چند کوره داشته باشد یا بخشی از یک مجموعه بزرگتر با چند کارخانه باشد. مشخصا در یک کارخانه فولاد کلان‌داده‌هایی وجود دارند که همه به هم مرتبط و متصل هستند.
به کمک سیستم هوش کسب و کار ایجاد شده، مدیران قادر خواهند بود گزارشات مدیریتی مورد نیاز را به صورت لحظه‌ای مشاهده کنند. حتی در این سیستم، شرکت Evraz قادر گردید در صورت تولید یک لوله گاز بی‌کیفیت، عامل عدم‌کیفیت را نیز ردیابی کند که مثلا آیا ناشی از فرایند نورد یا ریخته‌گری اسلب یا فولادسازی بوده و یا ناشی از نقص فرایندی یا غیره بوده است. با سیستم گزارشات هوش کسب و کار ساخته شده، این شرکت قادر خواهد بود در هر لحظه به سوالات کلیدی خود، مثلا اینکه آیا مواد کافی جهت تولید محصولات سفارش داده شده موجود است، یا اینکه هزینه‌های تولید روزانه چقدر بوده و آیا در بازه استاندارد هزینه بوده یا خیر و یا اینکه آیا در هر روز به اهداف تعریف شده تولید و سودآوری دست یافته‌اند یا خیر، پاسخ دهد. در این سیستم بنا به سطح دسترسی و داشبوردهای طراحی شده برای مدیران ارشد، میانی و عملیاتی، انواع گزارش قابل مشاهده است.
به این فرایند تبدیل داده‌های خام به اطلاعات کسب و کار مدیریتی، هوش کسب و کار یا Business Intelligence (BI) گفته می‌شود. هوش کسب و کار، با کمک ساده‌سازی تحلیل اطلاعات، به مدیران سازمان کمک می‌کند تصمیمات خود را سریع‌تر و با کیفیت بهتری اتخاذ کنند و بر اساس اطلاعات صحیح، عملکرد صحیحی داشته باشند. همانطور که شرح داده شد، برخورداری از هوش کسب و کار، مستلزم استفاده از نرم‌افزارهای مربوطه است. به کمک این سیستم، میتوان استراتژی‌های سازمان را بر اساس شاخص‌های عملکردی و شاخص‌های کلیدی عملکردی (KPI) تعریف نمود و به صورت روزانه آنها را پایش نمود.
فرض کنید استراتژی یک شرکت فولادساز رهبری قیمت در بازار باشد. بر این اساس این شرکت بایستی در مقیاسی که در آن قرار گرفته، قیمت خرید مواداولیه و هزینه‌های تولید و سربار خود را کنترل و رقابتی کند و در این راه، یکی از شاخص‌های کلیدی عملکردی، افزایش تولید یا راندمان تعریف می‌گردد تا به این واسطه سهم هزینه‌های سربار کاهش یابد. لذا شاخص راندمان تولید با معیارهای آن تعریف می‌گردد و سپس در داشبورد مدیریتیِ مدیران مربوطه قرار داده می‌شود تا به صورت روزانه کنترل شود. یک مدیر به کمک این داشبورد می‌تواند تحلیل کند که چه عواملی بر روی کاهش راندمان تاثیرگذار بوده، چه زیرشاخص‌هایی را باید کنترل نماید تا به هدف خود دست یابد. سیستم نرم‌افزاری هوش کسب و کار، این امکان را به مدیر می‌دهد تا در شاخص‌ها جستجو کند و گزارش‌های مناسب خود را به سرعت بسازد و بتواند با تعریف حدود بالا و پایین هر شاخص، مجموعه‌ای از شاخص‌ها را کنترل نماید تا به هدف خود برسد.
به طور معمول یک مدیر با مشاهده یک گزارش خوب، متوجه نکاتی می‌شود که به او در امر تصمیم‌گیری کمک می‌کند. این به بحثی که در ابتدای این مقاله گفته شد بر می‌گردد: یک مدیر داده‌ها را می‌سازد، یعنی سیستمی ایجاد می‌کند که داده‌ها در آن جمع‌آوری و سپس تبدیل به گزارش گردند و آنگاه، داده‌ها، در واقع گزارشات، مدیر را می‌سازند، یعنی به مدیریت او کمک می‌کنند تا بهترین تصمیمات را اخذ کند.
به کمک یک سیستم هوش‌مصنوعی، با ایجاد گزارشات مناسب، میتوان به بررسی اثر تصمیمات قبلی پرداخت. چنانچه در مثال‌های ابتدای این مقاله نیز آمد، میتوان اثر پرداخت پاداش نوبت‌های قبل روی عملکرد و بهبود راندمان تولید را ارزیابی کرد. همچنین میتوان اثر سیاست‌های کیفی، روی سودآوری فولادسازی را سنجید و سپس تصمیمات صحیح را اتخاذ نمود.
اما هوش کسب و کار به همین‌جا ختم نمی‌شود. هوش کسب و کار بدون تحلیل‌های پیش‌بینی کننده، کامل محسوب نمی‌شود و پیش‌بینی آینده، همیشه با احتمالات همراه است. اینجاست که پای علم آمار و احتمال به میان می‌آید، که در ابتدای این مقاله نیز به آن اشاره شد. نرم‌افزارهای هوش کسب و کار مانند نرم‌افزارهای مایکروسافت یا تابلو، خود قادر به تحلیل و پیش‌بینی هوشمندانه نیستند و اینجاست که به یک مدیر مسلط به علم احتمالات نیاز است تا با مطالعه گزارشات نرم‌افزار و تحلیل روندها، دست به استخراج داده‌ها و تحلیل‌های آماری جهت پیش‌بینی روندهای آتی پرداخته، بهترین تصمیمات را در شرایط عدم‌اطمینان اتخاذ نماید.
وقتی رویدادی رخ می‌دهد که خروجی‌های مختلف قابل ثبت داشته باشد، احتمال کمّی وجود دارد که هر کدام از این خروجی‌ها اتفاق بیافتد که به آن احتمال می‌گوییم. با کمّی‌کردن خروجی‌های یک رویداد و استفاده از روش‌های آماری، میتوان این احتمالات را محاسبه کرد و به این وسیله میتوان درک بهتری از خروجیهایی که ممکن است اتفاق بیافتد پیدا کرد که این موضوع به تصمیمات ما در زمان حال، بر اساس احتمال وقوع رخدادهای آینده، کمک می‌کند. یک مدیر باید بتواند درک صحیحی از این روش‌های آماری داشته باشد تا بتواند تحلیل بهتری برای پیش‌بینی آینده و اخذ تصمیمات صحیح داشته باشد.
برای استفاده از علم آمار، با مفاهیم پایه‌ای جامعه آماری، نمونه، متغیر، میانگین، میانه و انحراف از معیار سر و کار داریم. احتمال وقوع یک رخداد (متغیر) به کمک تابع احتمال یا تابع توزیع احتمال محاسبه می‌گردد. انواع توزیع‌های برنولی، دو جمله‌ای، هندسی، پواسن، نمایی، چند جمله‌ای، نرمال و غیره جهت محاسبه احتمال در شرایط مختلف به کار می‌رود.
مثلا تابع پواسن برای محاسبه احتمال تعداد دفعات وقوع رخدادها در واحد زمان به کار می‌رود. مثلا برای محاسبه ظرفیت تخلیه قراضه یا آهن‌اسفنجی در هر ساعت، چنانچه میانگین تعداد تریلی های وارد شده به کارخانه را از داده‌های موجود سیستم هوش کسب و کار استخراج گردد و مثلا این میانگین ۱۰ تریلی در ساعت باشد، با استفاده از تابع پواسن میتوان احتمال ورود ۱۲ یا ۱۵ یا ۲۰ تریلی را محاسبه نمود. به همین ترتیب میتوان احتمال تعداد تماس‌های مشتریان با واحد فروش را، یا بسیاری از احتمالات دیگر را محاسبه نمود. یک مدیر می‌تواند بر اساس این احتمالات و محاسبه هزینه و فایده هر سناریو، تصمیم‌گیری نماید.
تابع نمایی نیز برای محاسبه احتمال فاصله زمانی بین دو رویداد به کار می‌رود. با استفاده از این تابع و با دارا بودن میانگین از داده‌های قبلی، میتوان احتمال انتظار هر تریلی یا هر تماس مشتری را محاسبه نمود. برای این محاسبات بهترین ابزار، نرم‌افزار اکسل است. به این ترتیب کافی است داده‌های مورد نیاز از سیستم هوش کسب و کار استخراج گردیده و با استفاده از اکسل، تحلیل‌های آماری صورت گیرد.
با استفاده از اکسل، میتوان توزیع نرمال داده‌ها را محاسبه نمود. با استفاده از این تابع میتوان انحراف‌معیار استاندارد داده‌ها (سیگما) را به دست آورد. این تابع مهم‌ترین تابع آماری است که کاربرد بسیاری در صنعت و برای مدیران می‌تواند داشته باشد. یک مثال کاربردی ارائه کنیم.
محاسبه بازه‌ها و انحراف معیار استاندارد با نرم‌افزار اکسل و توابع از پیش تعریف شده آن به آسانی صورت می‌گیرد. این روش توصیف آمار اهمیت بسیاری در تحلیل و درک بهتر موضوعات دارد. در اغلب موارد نمی‌توان صرفا از روی میانگین درک صحیحی از داده‌ها پیدا کرد. مثلا هنگامی که یک فولادساز قصد تعریف بازه وزنی شمش یا اسلب خود را، جهت اعلام به مشتریان دارد، ۲۰۰ عدد شمش یا اسلب را توزین می‌کند و وزن میانگین آنها را ۲۵۱ کیلوگرم محاسبه می‌کند (این یک مثال است). اعلام وزن ۲۵۱ کیلوگرم به مشتریان می‌تواند گمراه کننده باشد و یک توصیف علمی از وزن شمش یا اسلب نیست. چنانچه اگر انحراف معیار استاندارد این نمونه های تصادفی ۲۲ کیلوگرم باشد، میتوان گفت با اطمینان ۹۵ درصد وزن شمش‌ها یا اسلب‌ها بین ۲۴۸ تا ۲۵۴ کیلوگرم است و با اطمینان ۹۹ درصد، وزن آنها بین ۲۴۷ تا ۲۵۵ کیلوگرم است.
موضوع دیگری که در تحلیل‌آماری اهمیت دارد، تعداد نمونه‌های تصادفی جهت تحلیل است. فرض کنید یک فولادساز قصد دارد تعداد شمش‌هایی که باید توزین شوند تا بتواند با اطمینان ۹۵ درصدی بگوید خطای وزنی آنها دو کیلوگرم است را مشخص کند. پس از توزین ۸۰ عدد شمش، به میانگین ۲۱۰ کیلوگرم (این یک مثال است) و انحراف‌معیار استاندارد ۱۶ کیلوگرم دست می‌یابد. بر این اساس با استفاده از اکسل، میتوان محاسبه نمود که تعداد شمش بیشتری که باید توزین شوند ۱۶۶ عدد شمش است. یعنی برای اینکه بگوییم با اطمینان ۹۵ درصد، خطای وزنی شمش ها دو کیلوگرم است به ۲۴۶ عدد شمش جهت توزین نیاز داریم.
تحلیل‌های آماری به این موضوعات محدود نمی‌گردد. مسائلی چون تست فرضیه ها، رگرسیون و مدل‌های پیش‌بینی نیز در ادامه این مباحث اهمیت دارند. در این مقاله سعی شد با شرحی مختصر و ساده، ضرورت درک صحیح مدیران از مدیریت داده‌ها و هوش کسب و کار تشریح گردد. در صورت عدم آشنایی یا تسلط یک مدیر به این مباحث، استخدام متخصصان یا ایجاد واحدهای سازمانی که این تحلیل‌ها را انجام دهند، کمکی به پیشبرد اهداف استراتژیک سازمان‌ها نمی‌کند چرا که این مدیران هستند که خط‌مشی حرکت سازمان‌ها را تعیین می‌کنند. هوشمندی سازمان مستلزم استفاده از داده‌ها و تحلیل علمی و صحیح آنهاست و در دنیای امروز بدون داده‌کاوی و تحلیل داده‌ها، استراتژی‌ها به ثمر نمی‌نشینند.
در سازمان‌ها چند محور کاری از هم مجزا و به هم مرتبط‌اند. نخست حوزه مدیریت استراتژیک که تشکیل واحد مدیریت استراتژیک را ضروری می‌کند. همچنین حوزه هوشمندی کسب و کار (BI) که می‌تواند واحد سازمانی به همین نام داشته باشد. حوزه مدیریت فرایندهای کسب و کار (BPM) نیز یک حوزه دیگر است که می‌تواند اسامی‌ای مثل سیستم‌ها و روش‌ها یا اسامی مشابه داشته باشد و همچنین حوزه مدیریت تکنولوژی اطلاعات (IT) که به مدیریت زیرساخت و تکنولوژی‌های نرم‌افزاری و سخت‌افزاری مرتبط با حوزه‌های دیگر بپردازد. یک سازمان می‌تواند حسب اندازه‌اش، این واحدها را به صورت مجزا یا تلفیقی و با هر عنوان دلخواه داشته باشد اما وظایف تخصصی آنها نباید مغفول بماند. در عین حال که یک مدیر ارشد باید به همه این حوزه‌ها مسلط بوده، توانایی خط‌دهی و هماهنگی این حوزه‌ها را داشته باشد. همه حوزه‌های فعالیت دیگر، اعم از مدیریت سرمایه‌های انسانی، آموزش، مدیریت تحقیق و توسعه، مدیریت تکنولوژی، مدیریت برنامه‌ریزی، مدیریت تامین و لجستیک، مدیریت تولید، مدیریت نگهداری و تعمیرات، مدیریت بازاریابی و فروش و غیره، ذیل این کلان‌حوزه‌ها قرار می‌گیرند چراکه این چهار حوزه که نام برده شد، پایه حرکت و سمت و سوی سازمان را مشخص ایجاد می‌کنند و در واقع بستری برای فعالیت‌های دیگر سازمان هستند. تصویر (۱) نمایی از ارتباط این حوزه ها و مدیریت یک سازمان را نشان می‌دهد.
در حوزه استراتژی، استراتژی‌ها و مدل‌های استراتژیک، به همراه شاخص‌های کلیدی عملکردی (KPI) و نتیجه‌ای (KRI) در همه حوزه‌های زیرمجموعه (از سرمایه‌انسانی تا فروش که به آنها اشاره شد) تعریف و به‌طور پیوسته پایش می‌شوند. برای این پایش، در حوزه تکنولوژی اطلاعات (IT) سیستم‌های سخت‌افزاری و نرم‌افزاری مناسب، در راستای نیازهای سازمان ایجاد و مدیریت می‌شوند، در حوزه مدیریت هوشمندی کسب و کار به پایش شاخص‌ها و تهیه گزارشات و تحلیل‌ها پرداخته می‌شود (که موضوع این مقاله بود) و در حوزه مدیریت فرایندهای سازمانی، به طراحی فرایندهای جامع، که پشتیبانی کننده استراتژی‌ها و هوشمندی کسب و کار باشد پرداخته می‌شود. این معماری سازمانی، از دید نگارنده، تضمین کننده موفقیت یک سازمان است و مستلزم تسلط و مهارت مدیریت ارشد بر این حوزه‌ها.
