مارا دنبال کنید : 

CAST

توضیحات
این تابع یک datatype را به datatype دیگر تبدیل می‌کند.
دستور
تابع CAST به صورت زیر نوشته می‌شود:
1
CAST ( { expr | ( subquery ) | MULTISET ( subquery ) } AS type_name )

مثال
مثال‌هایی از خروجی تابع CAST را مشاهده می‌کنیم:
1
2
select CAST( '22-Aug-2003' AS varchar2(30) )
from dual;

TO_CHAR

توضیحات

این تابع یک عدد یا تاریخ را به مقدار رشته آن تبدیل می‌کند.

دستور

تابع TO_CHARبه صورت زیر نوشته می‌شود:

1
TO_CHAR( value [, format_mask] [, nls_language] )

.
format_mask: گزینه‌ای اختیاری است، نشان دهنده فرمتی است که مقدار به رشته تبدیل شود.
nls_language: گزینه‌ای اختیاری است، نشان‌دهنده نوع nls_lang است.

 


مثال

مثال‌های عددی از خروجی تابع TO_CHAR را مشاهده می‌کنیم:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
TO_CHAR(1210.73, '9999.9')
Result: ' 1210.7'
 
TO_CHAR(-1210.73, '9999.9')
Result: '-1210.7'
 
TO_CHAR(1210.73, '9,999.99')
Result: ' 1,210.73'
 
TO_CHAR(1210.73, '$9,999.00')
Result: ' $1,210.73'
 
TO_CHAR(21, '000099')
Result: ' 000021'

مثال

مثال‌های تاریخی از خروجی تابع  TO_CHAR را مشاهده می‌کنیم:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
TO_CHAR(sysdate, 'yyyy/mm/dd')
Result: '2003/07/09'
 
TO_CHAR(sysdate, 'Month DD, YYYY')
Result: 'July 09, 2003'
 
TO_CHAR(sysdate, 'FMMonth DD, YYYY')
Result: 'July 9, 2003'
 
TO_CHAR(sysdate, 'MON DDth, YYYY')
Result: 'JUL 09TH, 2003'
 
TO_CHAR(sysdate, 'FMMON DDth, YYYY')
Result: 'JUL 9TH, 2003'
 
TO_CHAR(sysdate, 'FMMon ddth, YYYY')
Result: 'Jul 9th, 2003'

TO_TIMESTAMP

توضیحات
این تابع یک رشته را به TIMESTAMP تبدیل می‌کند.
دستور
تابع  TIMESTAMPبه صورت زیر نوشته می‌شود:
1
TO_TIMESTAMP( string1 [, format_mask] ['nlsparam'] )
format_mask: گزینه‌ای اختیاری است، نشان دهنده فرمتی است که رشته به TIMESTAMP تبدیل شود. فرمت‌های تبدیل رشته به TIMESTAMP .
مثال
مثال‌های عددی از خروجی تابع TIMESTAMP را مشاهده می‌کنیم:
1
2
3
4
5
TO_TIMESTAMP('2003/12/13 10:13:18', 'YYYY/MM/DD HH:MI:SS')
'13-DEC-03 10.13.18.000000000 AM'
TO_TIMESTAMP('2003/DEC/13 10:13:18', 'YYYY/MON/DD HH:MI:SS')
'13-DEC-03 10.13.18.000000000 AM'

اینترنت اشیا چیست؟ (IOT)

اینترنت اشیا

  • تحول دیجیتال؛
  • یادگیری ماشین؛
  • دستگاه های هوشمند مرتبط با اینترنت؛
  • دستگاه های هوشمند.

در این مقاله به توضیح اینترنت اشیا می پردازیم. اینترنت اشیا (IOT)، شبکه ای گسترده از سنسورهای ارتباطی و وسایل اکترونیک هوشمند است که با تحلیل های پیشرفته داده ها ترکیب شده اند. تحلیل داده های تولید شده توسط این وسایل، بینش و درک مناسبی را به وجود می آورد تا خدمات بهتر و ارزیابی  مانیتورینگ بیشتری بر روی آن ها صورت گیرد. دستگاه های هوشمند شامل وسایل پوشیدنی، مکانیزم های خانه هوشمند (مانند کنترل کردن ترموستات و روشنایی)، ارتباط با ماشین ها و تجهیزات صنعتی. رشد اینترنت اشیا در جهان نرخ 20 درصدی را در پیش گرفته است و کارشناسان پیش بینی می کنند، تعداد دستگاه های مجهز به اینترنت اشیا، تا سال 2020 به پنجاه میلیارد واحد برسد. برخی از این دستگاه ها برای پردازش الاعات به پایگاه داده های اصلی متصل هستند و برخی دیگر مانند دِرون ها، روبات ها و ماشین های خودران، میتوانند به صورت محلی پردازش کنند. سازندگان دستگاه های مبتنی بر اینترنت اشیا، صرفاً سازنده و سرهم کننده قطعات نیستند بلکه ارتباطی منحصر به فرد با مشتریان برقرار کرده و به درک درستی از مشتریان خود میرسند. موانع بالقوه سر راه اینترنت اشیا، شامل نگرانی هایی در خصوص  موارد زیر است:

  • امنیت داده ها؛
  • امکان کارکردن در میان پیچیدگی بین دستگاه ها و سیستم ها؛
  • هزینه؛
  • دشوار بودن یکپارچه سازی عملیات موجود و جدید با یکدیگر.
  • با این حال، تقریبا هر صنعتی در حال بررسی فرصت های جدید برای سرمایه گذاری در IoT است.

اینترنت اشیا چگونه کار میکند:

  • سنسورها و دستگاه های که به عنوان کالای مصرفی ساخته شده اند (مانند ترموستات ها) و تجهیزات صنعتی (مانند توربین های گازی، داده هایی را در مورد محیط اطرفشان و چگونگی عملکردشان جمع آوری میکنند.
  • کلود یا فضای ابری شبکه های هستند که این داده ها را برای پردازش به موتورهای تحلیلی متصل می کنند. در واقع از این طریق داده های متربط با افراد و دستگاه با سایر پایگاه های داده ترکیب شده و از طریق داده کاوی ترجمه و تفسیر میشوند.

سارمان ها از اینترنت اشیا برای موارد زیر استفاده میکنند:

  • به دست آوردن و به وجود آوردن اطلاعات برای کسب و کار و مشتریانشان؛
  • ارزیابی و مانیتورینگ عملکرد تجهیزات به منظور بهبود تعمیرات و نگهداری، مدیریت و تصمیم گیری؛
  • کاهش هدر رفت و هزینه مواد؛
  • افزایش بهره وری کارکنان؛
  • گسترش محصولات و خدمات ارائه شده (برای مثال، سازندگان تجهیزات و وسایل می توانند با اضافه کردن اینترنت اشیا، ارزیابی کنند که چه زمانی وسیله مورد نظر نیاز به تعمیر دارد)
  • گسترش ارتباط با مشتریان؛
  • برقرار کردن همکاری با صنایعی که میتوانند فرصت ساز باشند؛
  • انجام ارزیابی های نزدیک منبع داده (به طور مثال؛ ارزیابی در لحظه تجربه مشتریان در یک فروشگاه یا مانیتورینگ بیماران بیمارستان)؛
  • سیستم های اتوماتیک؛

صنایعی که بیشترین سرمایه گذاری را در اینترنت اشیا انجام داده اند:

  • خودرو سازان در حال رقابت بر توسعه امکانات و قابلیت های برنامه های کاربردی اینترنت اشیا هستند مانند سیستم های اتومات رانندگی.
  • شرکت های مخابراتی، خدماتی را به منظور حفظ امنیت شبکه متصل به دستگاه ها ارائه می کنند. خدماتی مانند مانیتورینگ بیماران بیمارستان یا کنترل کیفیت در کارخانجات؛
  • پلتفرم های ارائه کننده خدمات موبایلی مانند اپل، گوگل و سامسونگ، درصدد ارتقا فناوری های هوشند خانه، ساعت های هوشمند و دیگر فناوری های مصرفی هستند.

منابع

Blum, Herbert, Darren Jackson, Velu Sinha, and Paul Smith. “Close to the Core: Telcos’ Competitive Advantage in the Internet of Things.” Bain.com, February 24, 2017.

Bosche, Ann, David Crawford, Darren Jackson, Michael Schallehn, and Paul Smith. “Defining the Battlegrounds of the Internet of Things.” Bain.com, April 27, 2016.

Brynjolfsson, Erik, and Andrew McAfee. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W. W. Norton & Company, 2014.

Chou, Timothy. Precision: Principles, Practices and Solutions for the Internet of Things. CrowdStory Publishing, 2016.

Rossman, John and Greg Shaw. The Amazon Way on IoT: 10 Principles for Every Leader from the World’s Leading Internet of Things Strategies (Volume 2). Self-published, 2016.

Sinclair, Bruce. IoT IncHow Your Company Can Use the Internet of Things to Win in the Outcome Economy. Business Books, 2017

برنامه و بودجه با داده کاوی

  • پایش و کنترل هزینه و برنامه
  • پیش‌بینی، تخمین و مدل‌سازی
  • پیشی‌بینی مالی برای بودجه‌بندی و برنامه‌ریزی
  • تخمین هزینه و دآرمد
  • مقایسه ارقام بودجه‌بندی شده با نتایج واقعی عملیات
بودجه‌بندی نیازمند برنامه‌ریزی و برنامه‌ریزی نیازمند پیش‌بینی و کنترل است. پس از بودجه‌بندی نیز برنامه طرح شده باید بودجه را با اقدامات واقعی مقایسه کند. برای بررسی بهره‌وری اجرای برنامه‌ها، نیاز به ارتباط برنامه با بودجه تعیین شده است؛ لذا لازم است تا با بودجه‌ریزی صحیح ارتباط مناسب و درستی بین برنامه‌های عملیاتی و بودجه تعیین شده برقرار ساخت. برای این منظور برنامه بودجه باید تحلیل شود. این کار نیازمند تخمین درست نیازمندی‌ها، منابع موجود و تخصیص آن‌ها است. در این جا، تحلیل کردن جریانات بودجه و عملیات کاری دشوار است و روش‌های داده کاوی با تحلیل سری‌های زمانی، پیش‌بینی جریان‌های هزینه و درآمد، عرضه و تقاضا و … قدرت تصمیم گیری مبتنی بر واقعیات را در اختیار مدیران قرار میدهد. روش های داده کاوی با ارائه نتایج احتمالی به مدیران سازمان کمک می کند تا بودجه ریزی سازمان را مبتنی بر پیش بینی انجام دهند و در هنگام اجرای عملیات نیز انحراف از مسیر برنامه ریزی شده به خوبی مشخص گردد. برای انجام اقدامات مبتنی بر داده کاوی، طراحی و پیاده سازی انبار داده جامع سازمانی امری ضروری است. راهکارهای ویونا برای تحلیل برنامه بودجه به شرح زیر خواهد بود:
  • رسیدن به یک بینش مالی با درک روندهای گذشته سازمان و پیش بینی روند آینده؛
  • سرعت دادن به تصمیم گیری و برنامه ریزی با مشاهده گزارش های تصویری و ساده؛
  • رصد و پایش اقدامات و عملیات در مسیر برنامه وضع شده؛
  • ارائه گزارش های مناسب مالی مبتنی بر بودجه بندی برای تمام سطوح درگیر در برنامه بودجه.

تحلیل سفر مشتری

تحلیل سفر مشتری (Customer Journey Analysis)

  • شاخص خالص مروجان
  • تحلیل های پیشرفته
  • حفظ مشتری
  • نقشه تجربه مشتری

تحلیل مسیر مشتری به سازمان کمک می کند تا محصولات و خدمات را از دید مشتریان ببینند.

مسیر حرکت مشتری مجموعه ای از تمام تجربه های مشتری است، زمانی که با سازمان یا برند در تعامل است. این مسیر می تواند ترسیم شود و سپس تمام مفاهیم آن تحلیل گردد. این تحلیل بینشی را به سازمان میدهد که می توانند به کمک آن محصولات و خدمات خود را طراحی کنند. این کار به مشتریان کمک می کند تا آن چه را که مد نظرشان هست موثر و کارآمد به دست آورند.

در واقع تحلیل سفر مشتری مشتریان یعنی اینکه چگونه یک مشتری برای قصد یا انجام خرید در میان کانال‌های مختلف -جستجوی آنلاین، ارتباط با مرکز تماس، رفتن حضوری به یک فروشگاه، خرید آنلاین- حرکت می‌کند؛ به بیان دیگر یعنی یک مشتری برای اینکه خرید خود را انجام دهد، از ابتدا تا انتها به چه صورت عمل می‌کند. این اطلاعات ارزشمند ممکن است برای طراحی مسیر انجام خرید مهم باشد؛ اما مهمتر از آن به چالش کشیدن این اطلاعات برای به دست آوردن مشتریان بیشتر است. پژوهشگران خبره برای درک تجربه حقیقی مشتریان به سازمان ها کمک میکنند.

امروزه تحلیل سفر مشتریان با کمک داده های عظیم مربوط به سوابق مشتریان، الگوهای پیچیده سفر مشتریان را شناسایی میکند. این تحلیل ها به طور فزاینده ای پیش بینی های مطمئنتری را ارائه میدهند. داده ها باید به هنگام باشند تا بتوان اقدامات لازم را برای بهبود آنی تجربه مشتریان انجام داد. تحلیل تجربه کارکنان میتواند به بهبود سطح خدمات کمک کند.

تحلیل سفر مشتری چه کاری انجام میدهد:

  • تحلیل تمام گام ها و جنبه های فعل و انفعالات مشتری
  • ترکیب داده های هرگونه فعل و انفعالی با اطلاعات موثر بر رضایت و وفاداری مشتری و جریان های اقتصادی کسب و کار؛
  • به منظور نشان دادن اینکه چگونه یک مشتری از ابتدا تا انتها یک خدمت را تجربه میکند، معیارهای عملکردی را که در گذشته توسط واحدهای تجاری جداگانه انجام می گرفتند، به یکدیگر متصل میکند.
  • بهبود تفسیر داده های به دست آمده از تجربه مشتری با متصل کردن بخش های مختلف پازل به یکدیگر و در نظر گرفتن ارزش ادراک شده مشتری

جایی را که ممکن است زمان مشتری هدر رود روشن میسازد. در واقع از طریق تحلیل سفر مشتری متوجه میشویم در چه نقاطی از سفر مشتریان، فرآیندهایی وجود دارد که منجر به هدر رفت زمان مشتری می شود. به ویژه در سراسر کانال های توزیع فرصتی را فراهم می کند تا در خدمت رسانی مشتری هزینه ها کاهش یابد و همچنین فضایی را که منجر به بهبود تجربه مشتری میشود نشان میدهد.

شرکت های از تجربه سفر مشتری برای موارد زیر استفاده میکنند:

  • درک هدف مشتری و اینکه در چه سطح رضایت مشتری جلب میشود یا مشتری نا امید میشود.
  • شناسایی گپ های بین اینکه چه چیزی یک کسب و کار در ارائه خدمات به آن فکر میکند با آنچه که مشتری به طور حقیق تجربه میکند.
  • بهبود ارتباطات بین مشتری و شرکت
  • به دست آوردن بینش لازم برای یافتن روندهایی که منجر به نظر مثبت یا برعکس نارضایتی مشتری میشود.
  • کاهش شکایات نرخ برگشت مشتری
  • تعریف عملکردهای موفق
  • افزایش کارایی، ابتدا با انجام درست آنچه که برای مشتری ارزش بیشتری دارد و سپس با مرتبط کردن هر کدام از مراحل به گونه ای که مسیر را راحتتر و کند
  • حذف هزینه های با کاهش موارد غیر ضروری زمان خرید.

هوش تجاری
و رشد کسب‌وکار

شرکت ها وابسته به مشتری هستند. مسلما برای جذب مشتریان نیاز به تبلیغ است. در حال حاضر توجه و تمرکز شرکت ها بر روی تبلیغ و نحوه انجام آن است. هر چند در تبلیغات خود مسر هستند تا رفتار مشتریان خود را پیش بینی کنند؛ اما بدون تجلیل داده های کلان این امر امکان پذیر نیست. برای داشتن ترجیحات و بینش مشتریان خود نیاز به شناسایی تمام داده های سازمان، یافتن داده های اصلی، یکپارچه سازی، تمیز کردن، خلاصه سازی و در نهایت انبار کردن داده های اساسی است. پس از آن با بهره گیری از روش های داده کاوی و هوش تجاری فرآیند تبدیل داده به اطلاعات/ دانش و خرد مدیریتی و تجارتی است. هوش تجاری اجتمای ترکیبی از رویکردهای شبکه اجتماعی با نرم افزارهایی مانند تهیه گزارش، داشبورد، کارت امتیاز متوازن است که برای بررسی عملکرد کلی و شفاف شدن شاخص های کلیدی (KPI) مورد استفاده قرار میگیرد. هوش تجاری اجتماعی از این نتایج به دست آمده از شبکه های اجتماعی برای رسیدن به یک بینش در مشتری استفاده میکند. این روش برای کسب و کارهای کوچک و متوسط که بودجه کافی برای فعالیت خارج از شبکه های اجتماعی ندارند مناسب است. یکی از نرم افزارهای تحلیل شبکه اجتماعی نرم افزار SBI از شرکت IBM است. این نرم افزار به بازاریابان در تشکیل کمپین های بازاریابی و تشخیص ترجیحات مخاطبان کمک میکند. هوش تجاری بیشترین کمک را به بازاریابی هدفمند می کند تا جایی که قسمتی از زمان کارشناس های شرکت های بزرگ، پیرامون فعالیت در راستای BI است. کلان داده ها اجازه می دهد تا برند سازی شکل بگیرد و با ایجاد کمپین های بزرگ شخصی سازی شرکت ها تکامل یافته و به طور فزاینده ای پیشرفت داشته باشند. همه فروشندگان و بازاریابان یاد می گیرند که چگونه از داده ها استفاده کنند و به آنها دسترسی داشته باشند.   نتجه بهره یری از هوش تجاریف گرفتن تصمیم های آگاهانه تر است. تحلیل شرایط فعلی دیگر مزیت نیست، ابزاری میتواند موثر باشد که با آن بتوان آینده را با دقت بیشتری پیش بینی کرد. تحلیل کلان داده ها به سازمانها کمک می کند تا داده های خود را به کار بگیرند و از آنها برای شناسایی فرصت های جدید استفاده کنند. علاوه بر این به تجارتی هوشمندانه تر، عملیات های مفید تر، سود بیشتر و مشتریان راضی تر کمک شایانی می کند. تا سال ۲۰۲۰ تخمین زده میشود، تحلیل کلان داده ها مهمترین عامل در کشف فرصت برای شرکت ها و سرمایه گذاران بدل خواهد شد. زمانی که داده ها در فرآیند تصمیم گیری مورد استفاده قرار می گیرند، مدیران به طور چشمگیری شانس موفقیت خود را افزایش می دهند. شرکت های جهانی طی سه سال گذشته پیشرفت هایی با تخمین ۲۶ درصدی در افزایش برآیند مثبت خود داشته اند تا جایی که برخی از مدیران فناوری اطلاعات تخمین ۴۱ درصد پیشرفت شرکت ها پیشرو در زمینه استفاده از کلان داده ها را در طول سه سال آینده را پیش بینی می کنند. در هر ثانیه داده ها در حال تغییر و افزایش حجم هستند و شرکت هایی که دانش و تخصص خود را با دانش داده ها ترکیب می کنند، همیشه در رقابت با رقیبان خود، موفق عمل می کنند. شرکت ها باید یاد بگیرند که با اقدامات به موقع، از این مجموعه داده ها بهره کافی را ببرند.

از هوشمندی کسب و کار تا علم داده

هوشمندی کسب و کار چاشنی از تحلیل ها است

هوشمندی کسب و کار ابزاری اساسی برای درک اینکه چه چیزی در کسب و کار اتفاق میفتد است. با وجود ظهور فناوری های نوظهور و جدید که هوشمندی کسب و کار نیز تحت تاثیر قرار داده اند، باز هم هوشمندی کسب و کار ریشه های گسترده تری، فراتر از گزارشگیری و داشبورد مدیریتی برای کسب و کار دارد.

هوشمندی کسب و کار و فناوری های نوظهور مانند پلتفرم های علم داده، بر مبنای تحلیل داده ها، بینش عمیقی را به کسب و کارها می دهند. وظیفه اصلی ابزارهای هوشمندی کسب و کار این است که با بررسی داده های تاریخی کسب و کار و مقایسه اطلاعات در طول زمان، با ارزیابی اطلاعات مربوط به رویدادهای مختلف، تأثیر جنبه های مختلف کسب و کار را بر یکدیگر بسنجد و از روندهای گذشته برای تصمیم گیری دقیق تر استفاده شود. از سوی دیگر ابزارهای یادگیری ماشینی و علم داده با بهره گیری از الکوریتم های متنوع برای درک و پیش بینی عملکرد کسب و کار استفاده می کنند.

نوع تجزیه و تحلیل ارائه شده توسط ابزارهای BI اغلب به عنوان تحلیل های توصیفی نامیده میشوند. به این معنا که این ابزارها، آنچه را که در کسب و کار اتفاق افتاده است توصیف می کند. به بیان دیگر هوشمندی کسب و کار به تنهایی بخشی از تحلیل اطلاعات را در بر میگیرد. امروزه هوشمندی کسب و کار به عنوان یکی از اجزای زنجیره تحلیل اطلاعات است، هرچند متفاوت از ابزارهای تحلیل کننده آماری مانند داده کاوی است اما مکمل یکدیگر هستند.

از توصیفی تا تجویزی

علاوه بر تجزیه و تحلیل توصیفی، چندین نوع تجزیه و تحلیل دیگر نیز وجود دارد. به عنوان مثال تحلیل های تشخیصی تلاش میکنند تا کسب و کار متوجه شود که ” چرا چنین چیزی اتفاق افتاده است”. تحلیل های پیش بینی برای استفاده از مدل های آماری و تکنیک های پیش بینی برای پاسخ به این سوال است که ” چه چیزی میتواند رخ دهد؟”

نوع دیگر تحلیل ها از نوع تجویزی هستند. این نوع ابزار از الگورتیم های بهینه سازی و شبیه سازی برای هدایت کسب و کار بهره میبرد. این ابزار برای رسیدن به جواب این سوال است که “چه کاری باید انجام شود؟”

این تکنولوژی که کسب و کار ما باید “چه کاری انجام دهد؟” هنوز در حال ظهور است و میتواند بسیار پیچیده و گیج کننده باشد.

هوش تجاری، مدیریت دانش و داده کاوی

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. 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. به طور کلی، تمرکز مدیریت دانش بر ادراک (شناخت) است. 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. 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. اما داده کاوی: داده‌کاوی به مفهوم استخراج اطلاعات نهان و یا الگوها و روابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است. هدف نهایی داده کاوی، استخراج دانش معتبر و سودمند از پایگاه‌های دادگان عظیم است. از این رو، داده کاوی ممکن است نقشی فعال برای ایجاد دانش داشته باشد. دانشی که می‌تواند، برای بهبود تصمیم‌گیری‌ها استفاده شود.

چه موقع و كجا داده‌كاوي نياز است؟
  • مسئله ای پيچيده و ناساخت يافته و يا نيمه ساخت يافته وجود داشته باشد.
  • داده‌های مرتبط وجود داشته باشند و به آنها دسترسی داشت.
  • داده ها در يكجا مجتمع شده و انباره داده ها ايجاد شود.
  • توانايی كامپيوترها امكان استفاده از نرم افزارهای مرتبط با داده كاوی را به ما بدهند.
  • مديران نياز به استفاده از دانش استخراج شده از داده ها را حس كرده باشند.

اعتبار سنجی مشتریان با استفاده از هوش تجاری و پاکسازی داده

از دغدغه‌های اصلی در حوزه بانکداری تعیین وضعیت و میزان اعتبار مشتریان است. بانک‌ها در خصوص ارائه خدمات متنوع مانند ارائه دسته چک، اعطای وام، صدور ضمانتنامه‌های بانکی و دیگر خدمات خود، نیازمند تهیه گزارشی در خصوص عملکرد مشتریان هستند.
این عملکرد می تواند ارائه گزارشی از تعداد چک های برگشتی، میزان و تعداد ضمانتنامه‌‌های صادر شده و یا حتی میانگین گردش حساب مشتری در بازه‌های زمانی انتخابی باشد.چرا؟
به این خاطر که لازمه تهیه و ارائه این گزارش‌ها در برخی از موارد می‌تواند طی کردن پروسه‌های اداری طولانی و هزینه بر باشد. همینطور این گزارش‌ها نیازمند برقراری ارتباط با خارج از سیستم داخلی بانک بوده و پیچیدگی کار را بیشتر می‌کند.
اما چطور می‌توان برای تهیه این ارزیابی ها سرعت را بالا برد و هزینه ها را کاهش داد؟
برای این کار لازم است اطلاعات را در یک سامانه واحد تجمیع نمود. بخش زیادی از این اطلاعات در سامانه‌های موجود در بانک وجود دارد. اپراتور بانک می‌تواند با مراجعه به هریک از این سامانه‌ها اقدام به تهیه گزارش نماید؛ اما  در اکثر موارد لازم است، برای تهیه این گزارش به سامانه‌های مختلف بانکی مراجعه نمود. ضمن اینکه ممکن است سامانه‌های بانکی نتوانند خروجی مورد نظر شما را به دست دهند.
سوال اینجاست که چه می‌توان کرد؟
با استفاده از داشبوردهای مدیریتی و قابلیت اتصال این داشبوردها به سامانه‌های مختلف، می‌توان در زمان کمتر و صرف هزینه حداقل، اقدام به استخراج داده‌های مورد نیاز نمود.
 اما گرفتن داده به تنهایی نمی‌تواند برای شما تبدیل به گزارش شود. ضمن اینکه این گزارش‌ها باید دید تحلیلی داشته باشند تا بتوان سریعتر و بهتر تصمیم‌گیری کرد. پس شما به گزارش‌هایی آماده نیاز دارید تا زمان ارائه خدمات به مشتریان و اعتبارسنجی آنها را سرعت بخشید.
بنابراین ضمن ساختن داشبوردهای مدیریتی باید اقدامات دیگری نیز صورت پذیرد. داشبوردهای مدیریتی می توانند با اتصال به سامانه های مختلف و تجمیع اطلاعات و تبدیل آن‌ها به اطلاعات مورد نیاز از طریق فرآیند پاکسازی داده‌ها، کمک شایانی در تهیه این نوع گزارش‌ها و اعتبارسنجی‌ها در سیستم بانکی ایفا نمایند. در اینجا نیاز است در حین طراحی داشبوردهای مدیریتی به تعیین شاخص های اعتبارسنجی و واکشی داده‌ها پرداخته شود. همانطور که گفته شد ابتدا با روش های پاکسازی داده، داده ها بر اساس الگوهای دقیق جمع آوری می‌شوند و پس از تجمیع داده‌ها در داشبودرهای مدیریتی، با روش‌های هوش تجاری مرحله آخر یعنی، تهیه گزارش‌های مصور و در لحظه برای تصمیم‌گیری بهتر انجام می‌پذیرد.
با استفاده از ابزارهای هوش تجاری و پاکسازی داده و مشخص نمودن فرمول محاسبه و امتیازدهی هر شاخص، می‌توان صلاحیت اختصاص خدمت مورد نظر به مشتری را مشخص نمود و درصورتی که بستر طراحی این نوع داشبوردها با توجه به داده ها مورد تظر وجود داشته باشد ارائه این خدمت می تواند با صرف اندک زمان و هزینه میسر باشد.