ارتباط فرآیندهای کسب و کار با داده ، یک مفهوم جدید نیست ولی با توجه به جایگاه استراتژیک فرآیندها و داده در عملیات یک سازمان و انتظارات متقابل هر یک از دیگری،  لازم است از زاویه ای دیگر به این موضوع نگاه شود و ارتباط فرآیندها با بسیاری از موضوعات داغ در حوزه مدیریت داده بررسی گردد . ارتباط فرآیندهای کسب و کار به منظور حمایت از داده امری حیاتی است . در این مطلب به دنبال این موضوع هستیم که نشان دهیم چگونه فرآیندهای کسب و کار دارای یک نقش اساسی در برنامه های مختلف مدیریت داده نظیر مدیریت داده master یا MDM (برگرفته شده از Master Data Management ) ، حاکمیت داده (Data Governance ) ، کیفیت داده و تجزیه و تحلیل کلان داده ها می باشند.

 مدیریت داده master  
سیستم های اطلاعاتی پیشرفته از چهار گروه داده شامل داده master، داده تراکنشی ، متا دیتا و داده مرجع استفاده می کنند. داده master ، داده ئی است که موجودیت ها را به صورت مستقل و اساسی برای عملیات یک سازمان تشریح می نماید و می توان آن را به منزله اسامی (nouns) در دستور زبان مدیریت داده و اطلاعات در نظر گرفت . این نوع داده ها مواردی نظیر اشخاص ، مکان و چیزهایی  که برای عملیات یک سازمان جنبه حیاتی دارند را تشریح می نمایند. مشتریان ، محصولات ، کارکنان ، مواد ، تامین کنندگان ، سرویس، ذینفعان و تجهیزات نمونه هایی در این زمینه می باشند . این که چه چیزی را می توان به عنوان داده master در نظرگرفت به دیدگاه و نگرش یک سازمان بستگی دارد. اگر داده master را به عنوان اسامی در دستور زبان داده و اطلاعات در نظر بگیریم، داده تراکنشی را می توان به منزله افعالی (verbs)  در نظر گرفت که بیانگر عملیاتی در فعالیت های روزانه یک سازمان نظیر فروش یک محصول و یا پذیرش یک بیمار در یک بیمارستان می باشند . شکل 1 ، انواع داده در سیستم های اطلاعاتی پیشرفته و ارتباط آنها با یکدیگر را نشان می دهد .


مدیریت داده master ، تلاش جهت به دست آوردن یک نسخه از حقیقت یا SVOT (برگرفته شده از Single Version Of the Truth ) برای موجودیت های اساسی کسب و کار نظیر مشتری ، محصول ، تامین کننده و ... است . با این که هر بخش کسب و کار دارای نگرش مختص به خود نسبت به موجودیت های اساسی  نظیر مشتری است، ولی مهم این است که بتوان نسخه ای از اطلاعات مربوط به مشتری را ذخیره و نگهداری کرد که از هر زاویه و یا بخشی که به آن نگاه شود ، مشابه باشد . به عنوان نمونه ، آدرس مشتری به عنوان یک فیلد در موجودیت مشتری دارای یک مقدار مشابه باشد که بتوان به آن اعتماد کرد و آن را در اختیار تمامی سیستم ها و یا فرآیندهای پایین دستی قرار داد . حقیقت موجودیتی با نام مشتری چیزی فراتر از نگاه به مشتری از پشت لنز یک سیستم عملیاتی و یا تحلیلی بخصوص است . این موضوع دقیقا مشابه حکایت لمس بخش های مختلف فیل در تاریکی است . علی رغم این که ممکن است هر یک از افراد بخشی از حقیقت را در خصوص فیل بگویند ولی قطعا تمامی حقیقت گفته نمی شود .در شکل 2 ، مفهوم مدیریت داده master در خصوص موجودیت مشتری در سیستم های عملیاتی مختلف یک سازمان نشان داده شده است .


به منظور آشنایی با اهمیت فرآیندهای کسب و کار در حوزه مدیریت داده master، موجودیت محصول یا product را در نظر می گیریم. با این که یک دید جامع از محصول به همراه مجموعه ای از خصلت ها وجود دارد که از چندین گروه کاربران در سازمان حمایت می کند ، ولی هر گروه  دارای دید مختص به خود از محصول است (اقلام اطلاعاتی محصول و نحوه استفاده از آن ) . به عنوان مثال، گروه کاربران زنجیره تامین ممکن است قادر به مشاهده ، ایجاد ، ویرایش و یا حذف بخش هایی خاص از اطلاعاتی باشند که مفهوم product را ایجاد می نماید . برای اجرای موفقیت آمیز یک برنامه مدیریت داده master، لازم است هر گروه از ذینفعان شناسایی گردند و از طریق طرح پرسش هایی نسبت به نیازها و نوع استفاده آنها در حوزه داده آشنا گردید .
استفاده از یک مدل فرآیندی که به عناصرداده نگاشت می گردد ، می تواند یک ابزار خوب برای پاسخ به بسیاری از پرسش ها و ابهامات در خصوص نوع و نحوه نگرش گروه کاربران مختلف نسبت به یک موجودیت در حوزه داده باشد . در شکل 3، زیر مجموعه ای از یک نمونه فرآیند کسب و کار برای ایجاد محصول نشان داده شده است . با استفاده از دیاگرام های BPMN به سبک swimlane ، ذینفعان در ستون چپ و فعالیت های کلیدی هر یک درون swimlane نمایش داده شده است . در این مجموعه کوچک، یک چرخه حیات فرضی برای ایجاد محصول نشان داده شده است( ایجاد محصول ، قیمت گذاری محصول و تست بازار ).


 در مثال فوق ، مالکیت جنبه های خاصی از داده محصول بطور صریح توسط یک گروه از ذینفعان مشخص شده است . به عنوان نمونه ، تیم ایجاد محصول ، مسئول تعریف اجزاء محصول و دستورالعمل های مونتاژ را  برعهده دارد . زمانی که کار به قیمت گذاری می رسد ، با این که ممکن است قیمت اولیه توسط تیم زنجیره تامین مشخص گردد ولی در ادامه این احتمال وجود دارد که توسط تیم بازاریابی و در مرحله تست بازار تغییر داده شود . تیم بازاریابی مسئول نام گذاری محصول و تشریح شکل ظاهری نمایش آن در کاتالوگ می باشد .
برای پیگیری استفاده و چرخه حیات اجزاء داده ، از ماتریس های CRUD ( بیانگر چهار فعالیت پایه در خصوص یک موجودیت است : ایجاد ، خواندن ، بهنگام سازی و حذف ) استفاده می گردد تا مشخص شود چه کاربری مجاز به انجام چه فرآیندی (ایجاد ، خواندن، بهنگام سازی یا حذف) در ارتباط با یک موجودیت (در این مثال بخصوص Product ) است . شکل 4، نحوه بکارگیری ماتریس CRUD را نشان می دهد .


در مواردی که اطلاعات توسط بیش از یک گروه از کاربران تغییر داده می شود،لازم است یک جریان کاری و حاکمیتی ایجاد گردد. به عنوان مثال، در خصوص قیمت گذاری محصول ، این احتمال وجود دارد که هم تیم زنجیره تامین و هم تیم بازاریابی بر این باور باشند که مالک اطلاعات هستند و این حق را برای خود قائل هستند که نسبت به تعیین قیمت یک محصول اقدام نمایند . با نگاشت شفاف جریان کاری و چرخه حیات داده نقش هر یک از گروه ذینفعان و همچنین پیاده کنندگان مدیریت داده master به دقت مشخص می گردد و هر یک نسبت به مسئولیت های خود در قبال داده ، قوانین کسب و کار و قواعد امنیتی آگاه می گردند . در بسیاری موارد ، افزونگی ها و ناکارآمدی موجود در فرآیندها می تواند توسط راه حل های مدیریت داده master شناسایی گردد تا در عمل  کارآیی MDM  به عنوان ابزار بهینه سازی فرآیندهای کسب و کار نیز نشان داده شود .

 حاکمیت داده
حاکمیت داده از جمله اصطلاحات استفاده شده درحوزه مدیریت داده است که تاکنون برای آن تعاریف مختلفی ارایه شده است . یکی از کوتاه ترین و عمیق ترین تعاریف در خصوص حاکمیت داده را می توان مدیریت فعال داده به منظور حمایت از کسب و کار جهت نیل به استراتژی و چشم انداز عنوان کرد . حاکمیت داده حوزه ای از مدیریت داده است که بطور تخصصی به موضوع افراد و فرآیندها در ارتباط با داده می پردازد . زمانی که از زاویه فوق به حاکمیت داده نگاه  می شود ، بکارگیری یک مدل فرآیندی ساختیافته در این رابطه می تواند بسیار مفید و کارساز واقع شود . حاکمیت داده یک بخش اساسی از یک برنامه مدیریت اطلاعات سازمانی موثر است که  با ایجاد قواعد، فرآیندها ، استانداردها ، راه حل ها ، آموزش و ساختار سازمانی به دنبال مدیریت داده است . در شکل 5 ، به جایگاه حاکمیت داده در ارتباط با برخی حوزه های مدیریت داده اشاره شده است . 


همانگونه که در مثال قبل مشاهده گردید ، شناسایی نحوه استفاده از داده در طول فرآیندهای کسب و کار و این که چه کاربری مجاز به انجام چه فعالیتی  بر روی داده است ، می تواند تکلیف ناظرین و مالکین داده را تعیین کند . زمانی که در خصوص داده شاهد تعارضات و تناقضاتی باشیم ( نوع فعالیت های مجاز بر روی داده ، افراد مجاز به انجام یک فعالیت بخصوص ) ، بکارگیری  یک مدل فرآیندی ساختیافته می تواند به خوبی این نوع مشکلات و  چالش ها را برطرف نماید . مثلا در خصوص تعیین قیمت محصول ، هم زنجیره تامین و هم بازاریابی برای تعیین قیمت محصول اقدام می نمایند ولی در مراحل مختلف چرخه حیات محصول . نگاه به داده از لنز فرآیندهای کسب وکار می تواند برای تدوین مدل داده و طراحی نیز مفید وموثر واقع شود. مثلا، آیا لازم است با اضافه کردن یک ویژگی جدید امکان ثبت قیمت اولیه(نظری) را  در اختیار زنجیره تامین گذاشت و تعیین قیمت نهایی را بر اساس پارامترهای بازار به تیم بازاریابی واگذار کرد؟ و یا آیا می بایست پتانسیل ثبت قیمت یک کالا را بر اساس پارامترهای منطقه ای  و در بازه های زمانی خاصی فراهم کرد ؟  بررسی داده در ظرف فرآیندهای کسب و کار دنیای واقعی می تواند وضعیت مالکیت و استفاده از داده در سازمان را شفاف نماید .

کیفیت داده
کیفیت داده ، یکی دیگر از حوزه های مدیریت داده است که فرآیندهای کسب و کار دارای یک نقش اساسی در رابطه با آن می باشند. برای تمیزکاری ، اعتبارسنجی و غنی سازی  داده از ابزارها و روش های مختلفی به منظور ارتقاء سطح کیفی داده  استفاده می گردد. استفاده از روش های کیفیت داده بدون درگیر کردن فرآیندهای کسب و کار و آگاهی از نحوه عملکرد آنها در عمل عدم موفقیت برنامه های مدیریت کیفیت داده را به دنبال خواهد داشت . فرض کنید رودخانه ای به دلایل مختلف توسط مواد شیمیایی سمی ، آلوده شده باشد . کارشناسان محیط  زیست و سایر کارشناسان مرتبط می توانند با بکارگیری روش های مختلف اقدام به تمیزکردن آب رودخانه نمایند ولی اگر در این مسیر به علل اصلی آلودگی رودخانه توجه نشود و با آن برخورد مناسب صورت نگیرد ، بهبود کیفیت آب رودخانه عمر کوتاهی خواهد داشت و پس از مدت زمان کوتاهی مجددا شرایط اولیه تکرار می گردد .
وضعیت فوق در خصوص داده نیز صادق است . در صورتی که فرآیندهای بالادستی پاسخگو نباشند ، تلاش های انجام شده به منظور ارتقاء کیفیت داده در عمل راه به جایی نخواهد برد. در بسیاری از سازمان ها برنامه های مدیریت کیفیت داده متعددی  را با تاکید بر فیلدهای اطلاعاتی مرتبط با موجودیت مشتری نظیر نام ، آدرس و اطلاعات تماس و ... انجام می دهند .در این چنین برنامه هایی قبل از هر چیز لازم است بدانیم که اطلاعات مشتری در آغاز از چه نقطه ای ایجاد می شوند و بر اساس چه فرآیندی وارد سیستم می شوند و یا بهنگام می گردند (توجه به چرخه حیات فرآیند کسب و کار ) . در شکل 6 به کمک مدل فرآیند کسب و کار نشان داده شده است که اطلاعات مشتری در آغاز توسط تیم بازاریابی و در زمان انجام یک کمپین جمع آوری شده است .
 

زمانی که یک مشتری اقدام به خرید کالا می نماید ، اطلاعات مشابهی توسط واحد فروش جمع آوری و یا بهنگام می گردد . در صورتی که خریدار در خصوص استفاده از محصول دارای مشکلات و مسایلی گردد  ، با بخش خدمات مشتریان تماس می گیرد و مجددا اطلاعات مشتری اخذ و در سیستم خدمات پشتیبانی مشتریان ثبت می گردد . پرسشی که مطرح می گردد این است که آیا سه دپارتمان فوق ( بخش های بازاریابی ، فروش و خدمات مشتریان ) از اطلاعات مشابهی در خصوص مشتریان استفاده می کنند ؟ و یا منابع داده جزیره ای و غیرمرتبط با یکدیگر وجود دارد؟ هیچ چیزی عذاب آور تر از این موضوع نیست که یک مشتری مجبور باشد به دفعات اطلاعات خود را ارایه نماید . در صورتی که سه دپارتمان اشاره شده از منابع داده مشابه استفاده می نمایند ، آیا یک برنامه حاکمیتی شفاف وجود دارد؟  و آیا مشخص شده است که چه دپارتمانی مالکیت چه بخشی از اطلاعات مشتری را برعهده دارد؟ و یا چه دپارتمانی مسئول تامین اولیه اطلاعات و یا بهنگام سازی اطلاعات مشتری را برعهده دارد؟ آیا کارکنان یک سازمان دارای انگیزه های لازم جهت درج صحیح اطلاعات اولیه مشتری می باشند ؟ ایجاد انگیزه لازم برای درج صحیح اطلاعات توسط کارکنان یک سازمان در مبادی ورودی اطلاعات بسیار حیاتی است و می بایست با فرآیندهای کسب وکار مرتبط با داده گره زده شود .
 
تجزیه و تحلیل کلان داده
تجزیه و تحلیل کلان داده می تواند اطلاعات ارزشمندی را در اختیار ذینفعان مختلف قرار دهد . به عنوان مثال در خصوص داده مشتری می توان از تحلیل احساسات رسانه اجتماعی ، الگوهای خرید و موارد مشابه  برای ایجاد یک دیدگاه 360 درجه ای نسبت به مشتری استفاده کرد . انجام این نوع تحلیل ها بدون در نظر گرفتن بسیاری از پارامترها و شرایط در عمل نمی تواند مفید واقع شود . به عنوان نمونه ، اگر دارای اطلاعاتی در خصوص احساسات مشتری می باشیم ، مهم است بدانیم این احساسات در کدام مرحله از چرخه حیات محصول ارایه شده است . آیا مشتری اخیرا" محصولی را خریداری کرده است ؟ آیا مشتری دارای مشکل با بخش خدمات و پشتیبانی است ؟ آیا مشتری کالای خریداری شده را برگشت داده است ؟ گره زدن احساس مشتری با مراحل مختلف چرخه حیات محصول بسیار حیاتی است چراکه باعث شناخت بهتر وعمیق تر تجربه مشتری در طول سفر مشتری می گردد . از نقشه های سفر مشتری  به منظور کمک در شناخت چرخه حیات مشتری و این که چگونه داده در هر یک از این مراحل تاثیرگذار بوده است، استفاده می گردد . ارزش تجزیه و تحلیل کلان داده ها با گره زدن سرنوشت آنها با فرآیندهای کسب و کار دوچندان می گردد .

خلاصه
داده تنها زمانی ارزشمند است که به درستی در ظرف خود قرار گیرد .فرآیندهای کسب و کار شکل و ماهیت ظروفی که قرار است داده در آنها قرار بگیرد را مشخص می نمایند تا در گام بعد مشخص گردد داده در کجا و توسط چه کسی می تواند استفاده گردد . این موضوع دارای تاثیری شفاف بر روی مدیریت داده master ، حاکمیت داده ، کیفیت داده ، تجزیه و تحلیل کلان داده و سایر فعالیت های مرتبط با مدیریت داده است .  و مهم تر از همه ، باعث تسهیل در تعیین اولویت های کسب و کار می گردد . مدیریت تمامی اطلاعات در یک سازمان و اولویت بندی داده حیاتی کسب و کار یک گام مهم در هر برنامه مدیریت داده است . به کمک فرآیندهای کسب و کار زمینه های کاربری لازم به به منظور تعیین اولویت ها ایجاد می گردند . به عنوان مثال ، آیا این داده از چرخه فروش که باعث ایجاد درآمد می شود ، حمایت می نماید ؟آیا این داده توسط فرآیندهای متعددی در طول سازمان استفاده می گردد ؟ آیا این اطلاعات باعث می شود که اثربخشی زنجیره تامین بیش تر شود ؟ پاسخ مثبت به سوالاتی این چنین ، کمک می نماید تا بتوان داده های حیاتی که دارای سهم بزرگی در موفقیت کسب و کار می باشند را به خوبی شناسایی کرد . در یک محیط کسب و کار که همواره تحت الاشعاع هزینه – فایده  است ، استفاده از مدل های فرآیند که به خوبی استفاده از داده را درک کرده باشند ، باعث  شناخت بهتر نسبت به مزایا و حرکت به سمت کارآمدی بیش تر و در نتیجه کاهش قیمت ها می گردد . توجه به فرآیندهای کسب وکار و استفاده از آنها در برنامه های مختلف مدیریت داده می تواند بسیار موثر و ارزشمند باشد و احتمال موفقیت برنامه های مدیریت داده در هر یک از حوزه های مربوطه را به شدت افزایش دهد . 

 منابع  :