top of page
  • תמונת הסופר/תד"ר מוריה לוי

Business Intelligence- A Managerial Approach - סיכום ספר

עודכן: 9 בינו׳


עטיפת הספר

ספר זה, העוסק בבינה עסקית, נכתב על ידי אפריים טורבן, ראמש שארדה, ג'יי ארונסון ודיויד קינג בשנת 2008. הוא מהווה מדריך מקיף למושגים, תפיסות ובעיקר, לפתרונות בינה עסקית. הוא כולל הרבה דוגמאות מחד, והרבה הפניות מאידך למקורות אקדמיים ועסקיים נוספים. הוא ערוך כספר לימוד שיכול לשמש גם כבסיס לקורסים אקדמיים, וזאת על פי ההפניה למקורות, התרגילים והסיכומים המלווים אותו.

הספר מיועד לאנשים המבקשים ללמוד את נושא הבינה העסקית לרוחבו, אם ברמה אקדמית ראשונית ואם ברמה מעשית, בעיקר כמבוא. למרות שמו (בינה עסקית- הסתכלות ניהולית) הוא אינו מיועד לטעמי למנהלים בכירים, אלא לאנשים המתכננים פיתוח בינה עסקית בארגונם ונדרשים להכרת מגוון הכלים, המתודולוגיות, התוכנות ובצידם להכרת הפוטנציאל מחד והקשיים האפשרים מאידך.


להלן מפת נושאי הספר:


בנוסף למידע הרב ישנו נספח הכולל סיפורי מקרה לפי ארגון, מגזר, פתרון בינה עסקית ותוכנה מיישמת.

שווה להציץ ולראות ארגונים הדומים לאלו של הקוראים, כדי ללמוד מה אחרים כבר עשו וקידמו.

קריאה מהנה.


מפת הספר

מבוא

הצורך כלים מכלים שונים המסייעים בפעילות בינה עסקית קיימים כבר עשרות בשנים. אולם, רק בחמש השנים האחרונות לערך, מוכר המונח "בינה עסקית" כמונח מפתח, ועצם קיום מונח זה אינו רק צו אופנתי אלא גם מייצג שינוי ברמת הצורך המובילים לפתרונות בינה עסקית. הצרכים העיקריים המשפיעים על ארגונים בשנים האחרונות, שבינה עסקית יכולה לסייע בהם, כוללים:

  • גורמים שיווקיים: תחרות מתחזקת; שווקים גלובאליים מתפתחים; שווקים אלקטרוניים באינטרנט; שיטות שיווק חדשניות; הזדמנויות ל- Outsourcing; הצורך בטרנזקציות זמן אמת משתנות.

  • דרישות לקוחות: רוצים התאמות ומגוון מוצרים ומהירות אספקה; הכוח אצלם והם פחות נאמנים.

  • טכנולוגיה: חדשנית יותר; מוצרים ושירותים רבים; מתיישנת במהירות; ההיצף במידע גואה.

  • גורמים חברתיים: רגולציות ממשלתיות; ביטחון ותנועות טרור; SOX; אחריות חברתית גוברת.

בינה עסקית אינה פתרון יחיד. היא משתלבת ותומכת גידול בחדשנות, תכנון ואסטרטגיה, שיפור בתהליכי קבלת החלטות ועוד אמצעים ניהוליים המנסים לתת מענה לצרכים אלו.


הגדרת בינה עסקית

בינה עסקית הנה מטריה לפתרונות תשתית, כלים, מסדי נתונים, יישומים ומתודולוגיות.

אנשים שונים מייחסים לו הסברים שונים. מטרתו המרכזית לאפשר גישה אינטראקטיבית לנתונים, עיבודם של אלו ומתן מנהלים עסקיים ומומחים אפשרות לבצע ניתוח הולם. באמצעות ניתוח זה, יוכלו מקבלי החלטות לקבל תובנות משמעותיות ולבסס עליהן החלטות טובות יותר.

בינה עסקית עוסקת בהעברת נתונים למידע, העברת מידע להחלטות והחלטות למעשים.


מרכיבים מרכזיים (על פיהם גם מאורגן סיכום הספר):

  1. מחסן הנתונים. Data Warehouse. נתוני המקור.

  2. אנליטיקה עסקית. Business Analytics. אוסף כלים לעיבוד וניתוח נתוני מחסן הנתונים (לרבות כריית נתונים).

  3. ניהול ביצועים עסקיים .Business Performance Management . ניטור וניתוח ביצועים.

  4. ממשק משתמש. User Interface.

יתרונות מרכזיים (על פי סקר שבוצע ב- 510 ארגונים). מפורט מהגבוה לנמוך:

  • חיסכון בזמן.

  • גרסת אמת יחידה.

  • אסטרטגיה ותכנון משופרים.

  • החלטות טקטיות משופרות.

  • ייעול תהליכים.

  • חסכון בעלויות.

חזרה

מחסני נתונים

מחסן נתונים הנו מאגר נתונים המיוצר לתמוך בקבלת החלטות.


מאפיינים מרכזיים:

  1. נבנה סביב נושאים ארגוניים/עסקיים.

  2. משולב (מקורות שונים, בסיסי נתונים שונים).

  3. מנוהל זמן; כולל גם מידע היסטורי.

  4. לא בר עדכון; לקריאה בלבד.

הקונספט עליו מבוססים מחסני נתונים:

  1. מקורות מידע- תפעוליים וחיצוניים.

  2. חילוץ נתונים- בתוכניות אישיות או תוך שימוש בתוכנות מסחריות (ETL).

  3. טעינת נתונים- כולל גם העברות וטיוב (ETL). העברת הנתונים לסביבת יעד.

  4. מסד נתונים- הכולל מידע מסוכם ומפורט.

  5. נתוני על- Metadata.

  6. כלי Middleware.

שיקולים ארכיטקטוניים בהקמת מחסן הנתונים:

  • הפרדה או חיבור בחומרה אחת של שרת נתונים, שרת יישום ושרת WEB.

  • מסד טבלאי כללי או ייעודי.

  • מימוש טבלאי או מימוש כוכב- Star schema (עובדות וממדים).

  • מחסנונים מקומיים (Data Marts) ו/או מחסן מרכזי (Data Warehouse); מחסן גדול בהיקפו (Enterprise Data Warehouse) המשלב את כלל המחסנים הארגוניים הקיימים. אפשרות של עבודה ללא מחסן ושליפה ישירות ממסדי המקור התפעוליים והאחרים.

השיקולים המרכזיים המשפיעים על בחירת הארכיטקטורה:

  1. רמת אי תלות בין היחידות העסקיות.

  2. צרכי ההנהלה הבכירה.

  3. דחיפות הצורך במחסן הנתונים.

  4. אופי משימות משתמשי הקצה.

  5. אילוצים הקשורים במשאבים.

  6. הסתכלות אסטרטגית על מחסן הנתונים טרם הקמתו.

  7. תאימות למערכות קיימות.

  8. יכולות מוקדמות של צוות המחשוב.

  9. סוגיות טכניות.

  10. מניעים פוליטיים ארגוניים.

הבאת הנתונים מתאפשרת ע"י אחת מארבע תפיסות:

1. וEAI Enterprise Application Interface- הבאת פונקציונאליות למחסן הנתונים ע"י מערכות מקור.

2. וSOAService Oriented Architecture- כנ"ל אך ברמה בדידה של פריט מסוים.

3. וEIIEnterprise Information Interface- הבאת נתונים בזמן אמת ממסדי המקור.

4. וETLExtract, Transform, Load- תוכנות קלאסיות לשליפה, עיבוד, טיוב, העברה וטעינת המידע.


השוואה מעמיקה יותר של תפיסת מחסן הנתונים (Data Warehouse) אל מול המחסנונים (Data Marts):

מחסנונים

מחסן נתונים מרכזי

היבט

Kimball

Inmon


אבי התפיסה


Bottom up


Top down


הסתכלות כוללת


נמוכה יחסית


גבוהה


מורכבות


פשוטה. מבוססת על מודל טבלאי


ספיראלית


מתודולוגיית הקמה


מועט

רב

העיסוק בתכנון הפיזי


על פי תהליכים


על פי נושאים


ארגון הנתונים


גבוהה

נמוכה

נגישות המשתמש


משתמשי קצה


אנשי מחשוב


לקוחות ראשיים


קשור למערכות תפעוליות


מרכזי; מטה


מיקום ארגוני


ניהול הסיכונים

ישנם סיכונים רבים הקשורים בהקמת מחסן נתונים או תחזוקתו. יש להכירם כדי להיערך למניעתם/ניהולם:


בעל חסות חלש או לא גבוה דיו.


אין משימה ייעודית או מטרה מוגדרת.


אוריינות מחשוב לא גבוהה.


רמת נקיון מידע המקור לא ברורה.


בעיות פוליטיות.


כישורים לא מספקים.


ציפיות לא ריאליות של משתמשים/מנהלים.


תקציב לא מספק.


סיכונים ארכיטקטונים ותכנוניים.


חסר בתוכנות תמיכה.


תיחום והגדרת דרישות.


נתוני המקור לא מובנים.


ריבוי פלטפורמות.


ספקים לא מנוהלים.


איבוד בעל חסות.


אנשי מפתח העוזבים את הפרויקט.


צורך בתיקון המערכת התפעולית.


יותר מידי טכנולוגיה חדשה.


צוות מבוזר גיאוגרפית ותרבותי.


סביבה מפוזרת גיאוגרפית.


תובנות מניהול מחסני נתונים:

  1. על הפרויקט להתאים לאסטרטגיה הארגונית ויעדיה.

  2. יש להקדים בקבלת מחוייבות מכל רמות ההנהלה.

  3. מומלץ לבנות את מחסן הנתונים באופן מדורג.

  4. מומלץ להבנות יכולות שינוי במחסן הנתונים.

  5. יש לנהל את הפרוייקט בשיתוף של אנשי מחשוב ומומחים עסקיים.

  6. טענו רק מידע ונתונים מטוייבים.

  7. לא לוותר על דרישות הדרכה.

  8. תמיד- מודעות פוליטית.

למחשבה: ניהול Active Data Warehouse הנקרא גם Real time Data Warehouse – מחסן נתונים המתעדכן (כמעט) בזמן אמת ומרחיב את תחום השימוש והמשתמשים.

חזרה


אנליטיקה עסקית Business Analytics

אנליטיקה עסקית הנה קטגוריה רחבה של יישומים וטכניקות לאיסוף, שמירה, ניתוח ומתן גישה לנתונים, כדי לסייע למשתמשי הארגון לקבל החלטות עסקיות ואסטרטגיות טובות יותר. רבים עושים בשימוש בינה עסקית, כשם נרדף לאותה משמעות.


פתרונות האנליטיקה העסקית ניתנים במספר רמות:

  1. גילוי מידע וידע: באמצעות OLAP, שאילתות ודו"חות אד-הוק, כריית נתונים, כריית מידע (טקסט), כריית WEB ומנועי חיפוש. הכרייה מתוארת בפרק הפרד.

  2. מערכות תומכות החלטה: מחוללי דו"חות, מערכות תומכות החלטות צוות, מערכות תומכות החלטות הנהלה וארגון, כלי ניתוח WEB, ניהול מדי וניתוח סטטיסטי, כריית נתונים המשולבת בחיזוי אנליטי, בינה מלאכותית שימושית, מדידה, וניהול ביצועים.

כולל גם מערכות החלטה אוטומטית.

  1. מערכות היוצרות החזייה (Visualization)- מתואר בפרק נפרד. הרציונאל בהתייחסות למערכות אלו לא רק כרובד נוסף אלא מערכות אנליטיות בפני עצמן- עצם ההחזיה מאפשרת הבנה וקבלת החלטות טובה יותר.

הפעולות העיקריות של כלי בינה עסקית: דו"חות (קבועים ואד-הוק), שאילתות וניתוחים.

מענים של מערכות בינה עסקית עבור מנהלים:


ניהול CSF (גורמי הצלחה קריטיים)


Drill Down


דו"חות סטטוס


ניהול מדדי ביצועים KPI's


ניתוח אד-הוק


ניתוח מגמות


הסתכלות בהיבטים שונים על הנתונים Slice & Dice


דו"חות חריגים



עקרונות לבחירת כלי OLAP (על פי Codd):


שקיפות מבנה המסד למשתמש


תפיסה רב ממדית לשאילתות

ביצועי דו"חות עקביים


נגישות נוחה מקוונת ו- batch


ממדים כלליים


גישה למקורות מרוחקים


פעולות לא מוגבלות חוצי ממדים


תמיכה בהרבה משתמשים בו זמנית


עיבוד נתונים אינטואיטיבי


ניהול מטריצות דלילות


אין מגבלה לרמות ממדים ולסכימה.


דיווח גמיש


בבינה עסקית עוסקים על פי רוב, בצד הטבלאות, בקוביות רב ממדיות (הממומשות במגוון שיטות החל ממסדים ייעודיים, דרך מסדים טבלאיים וכלה בשילובים שונים של השניים).

כלי אנליטיקה עסקית מתקדמים: כריית נתונים ומידע (מתואר בפרק נפרד) וכלי חיזוי אנליטיים. כלי החיזוי האנליטיים מבוססים על משתנה הנבחן לפרט או ישות כדי לחזות התנהגות עתידית.

ישנם כלים ייעודיים המתמחים בחיזוי אנליטי מסוגים שונים. ישנם כלים ייעודיים לתמיכה בקבלת החלטות אוטומטיות ותת-תחום ייעודי לבינה עסקית בזמן אמת.

חזרה


כריית נתונים ומידע Data and Text Mining

כריית נתונים הנו מונח המתאר גילוי מידע וידע מתוך בסיסי נתונים. בשנים האחרונות, על בסיס אלגוריתמים לכריית נתונים, פותח תחום כריית המידע Text Mining, המנתח טקסטים ארגוניים ולאחרונה הצטרף אליו תחום חדש- WEB Mining, גילוי מידע וידע על בסיס פעילות באתר החברה. כריית נתונים הנה תהליך המתבסס על כלים ושיטות מתחום הסטטיסטיקה, המתמטיקה, הבינה המלאכותית ותחום המערכות הלומדות, לחילוץ וזיהוי מידע וידע מבסיסי נתונים גדולים. במקור הייחוס היה דווקא לתבניות שזוהו על בסיס הנתונים, אולם כיום כולל המונח את כלל תחומי הבינה האנליטית האוטומטית.


מאפייני התחום:

  • הנתונים קבורים במסדי נתונים גדולים.

  • כלי החזייה (Visualization) מסייעים בתהליך הניתוח וההבנה.

  • הכורה הוא לרוב משתמש קצה, ללא יכולות תכנות, הנעזר ב- drill down ושאילתות אד-הוק לתחקור.

  • כדי להצליח יש לעלות על מידע וידע שלא היו ידועים או אפילו צפויים; מחייב חשיבה יצירתית.

  • רוב הכלים מאפשרים העברת התוצאות לגיליונות עבודה (Excel) או כלים אחרים להמשך ניתוח.

  • בגלל היקפי הנתונים הגדולים מבוצעים תהליכי הכרייה על פי רוב תוך הפעלת מקביליות עבודה.

מונחים מרכזיים בתחום:

  • וClassification- הפעילות השכיחה ביותר בבינה עסקית. ניתוח מידע היסטורי ויצירת מודל לחיזוי התנהגות עתידית על בסיסו. כלים מקובלים מסייעים: רשתות עצביות, עצי החלטה ועוד.

  • וClustering- סיווג תכני מסד נתונים לקבוצות שחברי כל קבוצה חולקים איכויות דומות. בניגוד ל- Classification תיחום הקבוצות לא מוגדר מראש ונבנה תוך כדי התהליך.

  • וAssociation- איתור קשרים בין פריטים הנמצאים ברשומה משותפת (דוגמת- פריטים בסל קניות).

  • וSequence Discovery- זיהוי ה-Associations לאורך זמן.

  • וVisualization- התובנות המתקבלות מהמחשת הנתונים והמידע באמצעים גראפיים שונים.

  • וRegression- כלי סטטיסטי מקובל שמטרתו למפות מידע לערך צפוי.

  • וForecasting- חיזוי ערכים עתידיים על פי תבניות שנבנו על בסיס ידע ונתונים קיימים.

ישנם יישומים רבים בהם נעשה שימוש בכריית נתונים. אלו כוללים:


מכירות

קמעונאות

בנקאות

שיווק

מחשוב

ביטוח

מסחר בורסאי

ייצור

טלוויזיה/ רדיו

בריאות

חברות תעופה

ממשל והגנה

לחימה בטרור

משטרה

הכלים המתמטיים העיקריים כוללים כלים סטטיסטיים, עצי החלטה, CBR (Case Based Reasoning), רשתות עצביות, סוכנים חכמים, אלגוריתמים גנטיים ועוד.

שגיאות נפוצות בפרוייקטי כריית נתונים:

  1. בחירת בעיה לא מתאימה לתחום.

  2. התעלמות ממה שבעל החסות חושב לגבי מהות כריית הנתונים, יכולותיו ומגבלותיו.

  3. תכנון שלא מותיר די זמן להכנה מקדמת של הנתונים לפני הכרייה.

  4. הסתכלות רק על נתונים סיכומיים ולא על נתונים פרטניים.

  5. אי תיעוד ושימור תהליכי הכרייה ותוצאות הביניים.

  6. התעלמות מנתונים מחשידים והזדרזות להמשיך הלאה.

  7. הרצה חוזרת ונשנית של אותם אלגוריתמים, בלי התאמתם מחדש בכל פעם לתנאים.

  8. להאמין לכל מה שאומרים לגבי הנתונים.

  9. להאמין לכל מה שנאמר על הניתוח העסקי והכרייה שבוצעה בארגון.

  10. למדוד את התוצאות אחרת ממה שמודד אותם בעל החסות.

תובנות נוספות (שבירת מיתוסים):

  • כריית נתונים הנה תהליך רב-שלבי המחייב תכנון ושימוש פרו-אקטיביים.

  • הטכנולוגיה הקיימת כיום יכולה להתאים לסביבות רבות מאד של עסקים.

  • עם התקדמות והתפתחות מסדי הנתונים, לא נדרש מסד ייעודי, אם כי יתכן וזה עדיף.

  • הכלים החדשים מאפשרים למנהלים מרמות שונות לכרות את הנתונים.

  • אם הנתונים משקפים במדויק את העסק או לקוחותיו, הארגון יכול לעשות שימוש בכריית נתונים.

כריית מידע:

כפי שכבר הוסבר לעיל, התחום עוסק בכריית ממקורות שאינם טבלאיים אלא טקסטואליים. בעיקר מסייע ל-

  • איתור מידע חבוי במסמכים.

  • קישור מסמכים בחטיבות שונות.

  • הקבצת מסמכים על פי מאפיינים משותפים.

דוגמאות לשימוש: 1) ניתוח מסמכי קורות חיים. 2) איתור תקלות חוזרות במערכות לטיפול בתקלות.


כריית אתרי WEB:

כולל ניתוח תכני אתר, ניתוח מבנה אתר (וקשרים בין דפים ובין אתרים) וניתוח פעילות באתרים.

חזרה

ניהול ביצועים עסקיים Business Performance Management

ניהול ביצועים עסקיים מייצג את הדור הבא של מערכות תומכות החלטה, שהתפתחו למערכות מידע למנהלים (EIS), ולבינה עסקית. למעשה, מדובר בתחום הקיים כבר 25 שנים, וכולל בצד הטכנולוגיות גם מתודולוגיות, מדדים ויישומים שמטרתם להניע את הביצועים התפעוליים והכספיים בארגון. תחום ניהול ביצועיים עסקיים מוגדר כמסגרת לארגון, מיכון וניתוח מתודולוגיות עסקיות, מדדים, תהליכים ומערכות כדי לקדם את ביצועי הארגון.


ניהול ביצועים עסקיים מגדיר מעגל הקושר אסטרטגיה > לתכנון > לניטור > לפעולות והתאמות.

כדי ליישמו אל נכון, נדרש לעיתים להגדיר את האסטרטגיה, לבצע את התכנון, להגדיר את היעדים לתהליכי העבודה שונים אותם ננטר, ולבחון כיצד להביא את כל אלו לפעולה והתאמות, וחוזר חלילה לאסטרטגיה.


מחקרים שונים שבוצעו מלמדים כי חברות מובילות ברמה עולמית הנן יעילות במידה ניכרת אל מול עמיתיהן בניהול ההוצאות, במיקוד במצוינות תפעולית, ביישום אסטרטגיות מורכבות (פנימיות וחיצוניות) ובהתאמת אסטרטגיות ותכנון טקטיקות במשולב.


תובנות למדידת ביצועים:

  • יש להתמקד במדידה של גורמי מפתח.

  • יש לשלב מדידה של עבר, הווה ועתיד.

  • על המדדים לשלב אינטרסים של בעלי מניות, עובדים, שותפים, ספקים וגורמי מפתח נוספים.

  • על המדדים להתחיל מרמת על אסטרטגית ולהגיע עד הרמה הטקטית הנמוכה.

  • יש להגדיר את יעדי המדדים על בסיס מחקר ומציאות ולא לקבעם באופן שרירותי.

הכלים המרכזי להצגת נתוני הביצועים העסקיים הנם באמצעות Balanced Scorecard (BSC) או Dashboard.

וBSC מציג בדף משולב את המדד, וצבע/סמן המציין את מצבו ביחס לרצוי. בדרך זו קל לראות איפה יש עמידה נאה ביעד, היכן סביר והיכן יש קשיים ובעיות.

וDashboard מתמקד בהצגת מידע רב בדף פיזי נתון (באמצעות חלוניות משולבות), כאשר המידע המוצג הנו בעיקרו גראפי, ומאפשר drill down/drill-through לקבלת פירוט נוסף.

ישנן שיטות שונות לניהול ובחינת הביצועים, אחת המוכרות בהן היא שיטת ה- Six Sigma.

יישומים עיקריים:

תקציב, תכנון וחיזוי; בניית ואופטימיזציה של מודל רווחיות; יישומי Scorecard; האחדה פיננסית; דיווח פיננסי וסטטוטורי.


חזרה

ממשק משתמש Visualization

ממשק המשתמש מטרתו להביא את הנתונים והמידע למשתמש. אך מטרה זו שונה מאשר המוכר והמקובל במערכות מידע תפעוליות. ממשק המשתמש מהווה גם כלי החזיה (Visualization) האמור לתת בידע המשתמש כלים להבנה טובה יותר של הנתונים בזכות הדרך בה הובאו בפניו, ולקבלת החלטות טובה יותר בזכות זאת. בשנים האחרונות ישנה התקדמות ניכרת בממשקי המשתמש המוצעים. אלו כוללים שני סוגים עיקריים:

  1. גליונות עבודה Spreadsheets דמויי Excel. ה- Excel הנו כלי פשוט ונוח לרבים מהמשתמשים.

  2. וDashboards המוצגים בפורטלים (מבוססי חלוניות).

לאחרונה מתפתח סוג נוסף-

  1. החזייה מבוססת נתונים גיאוגרפיים, באמצעות מערכות GIS או אמצעים פשוטים יותר.

תחת המטריה רחבה זו קיימים סוגים רבים מאד של אמצעי גראפיים הממחישים את מהות הנתונים ומקדמים במידה ניכרת את הבנתם בפועל.

למעשה ההמחשה משרתת את כלל המשתמשים, אולם אנו רואים יישומים עיקריים שלה לטובת:

  1. וScorecards ו- Dashboards למנהלים.

  2. כלי עבודה לאנשי כספים.

  3. כלי לקבלת החלטות בעת ניהול סיכונים, למנהלים ולכל העוסק בתחום.

חזרה

נספח ספורי מקרה Case Studies


פירוט

תוכנות

פתרון בינה עסקית

מגזר

ארגון

שרשרת אספקה

מכירות

מסד ORACLE

Hyperion

Data Warehouse +

Dashboards

תעשיית רכב

Toyota Motor Sales USA

תמחור אוטומטי


SAS

Automated Decision Support

קמעונאות

Longs Drug Stores

שיפור גביית מיסים

SPSS

Data Mining

ממשל

מדינת Texas

שיפור מיצוי ה- BI ואחידות פתרונות


Business Objects


BICC

טל-קום


France Telecom


תחזיות- שרשרת אספקה


Teradata

Dashboard

תחבורה

BNSF רכבות


ניהול חשבונאי

CRM

תפעול צוותים ושכר

אבטחה והונאות

תפעול טיסות

Teradata

Real-time DW


תחבורה


Continental Airlines


ניהול מבוסס לקוחות


VISION

Data Warehouse


בנקאות

First America's Corporation


ניהול מבוסס לקוחות;

ייעול תהליכים


Teradata

Integrated EDW


בנקאות

Bank of America


תהליכי מכירה

מלאי וחריגים

Teradata

Data warehouse + Analytics

קמעונאות

Hokuriku Coca Cola Bottling Company


האחדת data marts להבנת תמונה כוללת

(לא מצוין)

Integrated Data Warehouse

היי-טק (חומרה)

HP

ניהול מבוסס לקוחות

​Sun, Oracle, SAS

Near real-time data access

בנקאות (מקוונת)

Egg Plc

דוחות תפעוליים

ניהול מבצעי שיווק

Teradata

Sunopsis

Real-time Data Warehouse + Analytics

קמעונאות (מקוונת)

Overstock.com

ניהול מכירות

Microstrategy

Business Analytics

היי-טק (חומרה)

Lexmark

ניהול צריכה

​Oracle DW

Business Analytics

מזון

Ben& Jerry's

Cross-selling

Informatica

OLAP, דוחות, Data Mining

בנקאות

TCF Financial Corp.

חיזוי עומסי תחבורה

תוכנות ואלגוריתמים ייעודיים

Business Analytics + GIS

היי-טק

Inrix

גרפים לסוכנים לשימוש עצמי או שיתוף עם הלקוחות

(לא מצוין)

Data Visualization

שירותים (פיננסיים)

Merrill Lynch

ניתוח התנהגות צרכנים לצרכי פרסום וגידול מכירות

(כללי)

Web Analytics

​קמעונאות (מקוונת)

​ׁ(כללי)

קבלת החלטות יעילות בהיבטי תכנון + סיוע למידע גיאוגרפי בכלל

Oracle

מידע גיאוגרפי

ממשל

Arkansas State Government


פירוט

תוכנות

פתרון בינה עסקית

מגזר

ארגון

חיזוי אוכלוסיות סיכון, טיפול רפואי יעיל ועוד

(לא מצוין)

Data Mining

מידע (רפואי)

Highmark

שירות לקוחות

(לא מצוין)


Data Mining


שירותים רפואיים

First Health Group

ניתוח גורמי תאונה ונהגים מועדים


(לא מצוין)


Data Mining


ממשל

תחבורה

National Safety Highway Traffic Administration

חיזוי תגובות לתרופות והתאמת טיפול מיטבי

IBM

Data Mining

רפואה

Mayo Clinic

זיהוי תקצוב פעילות טרור;

זיהוי קשרים בין קבוצות

(לא מצוין)

Data Mining +

Text Mining + Web Analytics

ממשל

ביטחון

Department of Homeland Security

ניתוח דוחות תאונות ותקלות


Megaputer

Text Mining

תעופה

Aer Lingus

קשרי לקוחות

ושיפור מכירות

Temtec, SAS

Text mining

היי-טק (חומרה)

HP

ניהול מדדים תלויי אסטרטגיה

(לא מצוין)


Business Performance Management

היי-טק (חומרה)

Cisco

עמידה ביעדים


(לא מצוין)


Business Performance Management

בידור

Euro Disney

ניהול מדדי ביצוע


Hyperion

KPI Portal


תעשייה (רכב)


International Truck and Engine Corporation

מדדי ביצוע לניהול מרפאות רפואה דחופה ולסגל רפואי

Business Objects


Dashboard

רפואה

Emergency Medical Associates

ניהול מדדים תפעוליים: התרעות, אירועי חריגה ביצועיים, אירועים תפעוליים

(לא מצוין)


Business Activity Monitoring

ממשל

City of Albuquerque

ניהול מדדי ביצועים

(לא מצוין)

Dashboard

היי-טק (חומרה)

Western Digital


Comments


bottom of page