#BIprojects_Fail
✳️دلایل شکست پروژه های BI و راهکارهای اجتناب از آن (1)

🔹تحویل شدنی های پروژه مبهم بوده و تضاد منافع وجود دارد:
بسیاری از پروژه های هوش تجاری (BI) به دلیل فقدان اهداف و نتایج صریح با شکست مواجه می شوند. کارفرمایان لزوماً در مورد نیاز خود روشن نیستند و تحلیلگران باید مواظب باشند در فضای مبهم قرار نگیرند.

راه حل:
▪️نتایج مورد نظر کسب و کار را شناسایی کنید.
▪️با اهداف استراتژیک سطح بالا همسو شوید.
▪️تحویل شدنی های پروژه را SMART تعریف کنید.

🔹یکپارچه سازی ضعیف داده ها:
داده های ناقص و نادرست هرگز منجر به بینش دقیق و مفید نمی شوند. داشبوردهای شما فقط به اندازه داده هایی هستند که آنها را تغذیه می کند.

راه حل:
ممکن است باهوش ترین افراد، بهترین فناوری و روشن ترین چشم انداز را داشته باشیم ولی باید دقت نماییم که داده های جاری، دقیق و کامل بوده تا احتمال صحت تحلیل های صورت گرفته افزایش پیدا کند.

🏫 @DataScience_School
🌐Http://dsstalent.com
#BIprojects_Fail
✳️دلایل شکست پروژه های BI و راهکارهای اجتناب از آن (1)

🔹نداشتن رویکرد چابک:
در اکثر پروژه های BI، مشتری به سادگی نمی داند به چه چیزی نیاز دارد و یا چگونه آن را بدست آورد، بنابراین به یک رویکرد منعطف، تجربی و مبتنی بر دانش نیاز است.

راه حل:
▪️مفهوم: تعریف و ایجاد اولین خروجی پایلوت در کارگاه های تعاملی با مشتری در اسرع وقت.
▪️آغاز: بر اساس بازخور مشتری در مورد فایل پایلوت، یک داشبورد نمونه اولیه با استفاده از داده‌های واقعی (کامل یا جزئی) طراحی نمایید.
▪️ساخت محصول: از طریق تست، بازنگری، ایجاد و مجددا تست، نمونه اولیه مورد نیاز مشتری را بررسی نمایید.
▪️انتشار: محصول را همراه با آموزش، به کاربران مهم کسب و کار مشتری، ارسال نمایید.
▪️تولید:‌ در این مرحله، یک مکانیسم بازخور ساده برای تسهیل بهبود مستمر و مداوم ایجاد نمایید.


🏫 @DataScience_School
🌐Http://dsstalent.com