وبلاگ vdash

اخبار و مقالات مربوط به vdash، نرم افزار آنالیز اطلاعات و ساخت داشبورد مدیریتی

مصورسازی اطلاعات کسب و کار – بخش اول: آنالیز فروش

مقدمه:

در این سری از مقالات تلاش می کنم تا راه و روش هایی را که می توان با کمک مصورسازی و آنالیز اطلاعات، و داشبوردهای مدیریتی کسب و کار رو بهتر مدیریت کرد به اشتراک بگذارم. برای این کار از داده ها و مثال های ساده ای استفاده کرده و سعی می کنم بیشتر روی نحوه مصورسازی اطلاعات تمرکز داشته باشم.

هرگونه اظهار نظر سازنده شما مورد تشکر و قدردانی قرار خواهد گرفت.

درباره ابزار:

من برای همه مثال ها از ابزار مصورسازی اطلاعات vdash استفاده می کنم. در صورت تمایل شما می توانید از طریق آدرس http://online.vdash.ir به صورت رایگان ثبت نام کنید و همه مثال ها را خودتان امتحان کنید. یا اینکه از هر ابزاری که مورد پسندتان است استفاده کنید.

درباره داده ها:

داده هایی که از آنها در مثال ها استفاده می شود، مربوط به یک کارخانه فرضی به نام AdventureWorks است که دوچرخه و لوازم جانبی آن را تولید و به 6 کشور دنیا به صورت اینترنتی و از طریق نمایندگی می فروشد. داده های فرضی ما همه انگلیسی بوده و ما بیشتر آن را ترجمه کردیم. در این مقاله از داده های فروش اینترنتی در همه مثال ها استفاده می کنیم و بقیه داده ها را در مقاله های بعدی. ریز داده های ما به شکل جدول زیر است:

adventure-works-vdash-1

البته جزئیات داده ها در هر ستون کمی پیچیده تر است. مثلا اطلاعات مربوط به مشتری یا محصول به مراتب کامل تر از نام آن است. یا موقعیت جغرافیایی شامل نام کشور و شهر و ... می شود. در سایر مثال ها از این خصوصیات برای آنالیز بهتر داده ها استفاده می کنیم.

مرحله اول: مشاهده روند فروش با کمک سری های زمانی

در اولین مثال ببینیم چگونه می توانیم با کمک سری های زمانی روند فروش محصولات خود را آنالیز کنیم. برای این کار از منوی چارت نمودار خطی را انتخاب کرده و داده های فروش اینترنتی را کلیک می کنم.

adventure-works-vdash-3

adventure-works-vdash-5

adventure-works-vdash-7

همانطور که مشاهده می کنید، سال 1386 سال پر فروشی برای ما بوده است. همچنین روند فروش ما تا سال 1386 با شیب خوبی رو به افزایش بوده ولی در سال 1387 افت شدیدی داشته و حتی از سال 1385 هم کمتر شده است. حال کمی ریزتر می شویم تا شاید دید بهتری نسبت به این افت شدید پیدا کنیم.

نمودار را فیلتر کرده تا فقط داده های سال 1386 و 1387 را نمایش دهد.

adventure-works-vdash-9

با تنظیم کردن نمودار، روند را به جای سالیانه، به صورت ماهیانه مشاهده می کنیم.

adventure-works-vdash-11

در نگاه اول متوجه می شویم که علت اصلی اختلاف فروش در سال 1387 و 1386 قطع فروش در مرداد ماه بوده است. یعنی در سال 1387 فقط 5 ماه فروش داشته ایم و مقایسه آن با 12 ماه فروش سال 1386 اشتباه است. علاوه بر آن در ماه های تیر و مرداد نیز افت قابل توجهی در میزان فروش مشاهده می کنیم. برای اینکه دقیق تر ببینیم، روی نقطه مربوط به تیر 1387 دوبار کلیک می کنیم تا به عمق داده های آن نفوذ کنیم.

adventure-works-vdash-13

اکنون دید واضح تری داریم. چون می دانیم که در تیر ماه 1387 فقط 10 روز فروش کرده ایم و بقیه روزها مبالغ ناچیزی فروخته ایم. برای مشاهده جزئیات بیشتر می توانید روی هر کدام از نقاط کلیک کنید تا ریز فروش آن روز را نمایش دهد.

adventure-works-vdash-15

حال باز می گردیم تا مقایسه اشتباه خود را اصلاح کنیم. این بار فقط 5 ماهه اول را در سال های مختلف با هم مقایسه می کنیم. برای این کار می توانیم از نمودار خطی یا میله ای استفاده نماییم. من هر دوی آنها را کنار هم قرار می دهم.

adventure-works-vdash-17

اکنون با داستان متفاوتی روبرو هستیم. نه تنها سال 1387 افت فروش نداشتیم، بلکه در مقایسه با نقطه مشابه در سال های گذشته رشد خیلی خوبی هم داشته ایم. همچنین سال 1386 که گل سرسبد فروش سالانه ما بود، در 5 ماهه اول، با سال قبل از خود تفاوت چشمگیری ندارد. این مساله احتمالا به دلیل الگوی فروش فصلی می باشد. یعنی احتمالا در ماه های آخر سال فروش بالاتر از ماه های ابتدای سال است. برای اینکه از این مساله مطمئن شویم، دو سال 1385 و 1386 را که 12 ماه فروش کامل داشته ایم با هم مقایسه می کنیم.

adventure-works-vdash-19

مقایسه سال های 1385 و 1386 به ما نشان می دهد که چرا فروش 5 ماهه اول سال در آنها تقریبا برابر بوده است. ولی از شهریور ماه به بعد، فروش در سال 1386 با رشد خوب و در سال 1385 با افت ملایمی روبرو بوده است. و این اختلاف علت اصلی قله بودن سال 1386 در نمودار اول است.

با این تفاسیر، چگونه می توان روند فروش را در طول چهار سال گذشته ارزیابی کرد؟ پاسخ ساده است. بهترین پاسخ به این سوال نمایش روند به صورت ماهانه یا فصلی در طول 4 سال گذشته است با فعال کردن گزینه روند نمودار، به وضوح رشد صعودی فروش را مشاهده خواهیم کرد. ولی هنوز افت شدید فروش در تابستان 1387 نیاز به تحقیق و عارضه یابی دارد.

adventure-works-vdash-21

نتایج آنالیز روند فروش:

  1. فروش محصولات تا اواسط سال 1385 با چالش هایی روبرو بوده و فراز نشیب داشته است
  2. از پاییز 1385 تا پایان بهار 1387 روند رو به رشد پایدار و با شیب خیلی خوب بوده است
  3. به دلایل قابل بررسی ای، فروش در تابستان 1387 به شدت افت کرده و متوقف شده است. این امر ممکن است به خاطر داده های نادرست نیز باشد.
  4. فروش سالانه ما از الگوی فروش فصلی پیروی نمی کند. بلکه به صورت پایدار با رشد مواجه بوده است.
  5. روند کلی فروش خوب و رو به رشد است و در صورت حل مشکل تابستان 1387، پیش بینی می شود این رشد ادامه یابد.

ساخت اولین داشبورد مدیریتی با vdash online

ساخت اولین داشبورد مدیریتی در vdash online

زمانی که

در vdash online انجام گرفت میتوانید با خیال راحت به قسمت جذاب ساخت داشبورد مدیریتی بروید و اطلاعات نامفهوم و خشن خود را در قالب نمودارها و گراف های جذاب و قابل فهم مشاهده و ملاحظه نمایید.

هنگامی که نام کاربری و رمز عبور خود را وارد می نمایید (شکل1)

dashboard

شکل 1

وارد صفحه شروع می شوید که در این بخش با انتخاب شروع یک داشبورد وارد مرحله مهیج ساخت داشبورد مدیریتی توسط خودتان و بدون کمک از هیچ کارشناسی می شوید (شکل 2).

dashboard

شکل 2

در شکل 3 میبینید که می توانید با انتخاب داده ها و چارت از روی نوارآبی داشبوردتان را ایجاد کنید.

dashboard

شکل 3

فرض کنید میخواهید اطلاعاتتان را با جزئیاتشان ببینید، برای این منظور لیست می تواند گزینه مناسبی باشد که از منوی چارت مدل مورد نظر و دادگان مد نظر و یا فایل آپلود شده (شکل 4) و در نهایت از پنجره نحوه نمایش لیست ساده را انتخاب کنید.(شکل5)

dashboard

شکل 4

dashboardNamayesh

شکل 5

و برای داده هایی که مدنظرتان است جدول اطلاعات آن نمایش داده میشود (شکل6).

dashboard

شکل 6

میبینید که کمتر از کسری از ثانیه توانستید جدول اطلاعات (مشتری) را مشاهده کنید. 

یکی از نمودارهای ساده و جذاب برای آنالیز اطلاعات نمودار میله ای می باشد که در مدت زمان کم اطلاعات مفیدی را درباره کسب و کارتان به شما ارائه می دهد. خب برای اینکه انواع نمودار را در داشبوردتان داشته باشید منوی چارت را باز کنید و برای شروع کار با نمودار میله ای کار کنید.

به این ترتیب که از قسمت چارت دادگان مدل اطلاعاتی مورد نظر خود را انتخاب نمایید (شکل 7) و در نحوه نمایش  نمودار میله ای را انتخاب کنید تا vdash online نمودار آن را برایتان رسم کند (شکل 8).

dashboard

شکل 7

dashboard

شکل 8

حتی با یک نگاه سطحی هم به نمودار میله ای ، اطلاعات زیادی نصیبمان میشود. برای مثال در مثال ما، به سهولت قابل برداشت است که میزان فروش دوچرخه از بقیه محصولات به مراتب بیشتر است (شکل 9).

dashboard

شکل 9

من برای اینکه صفحه نمایش زیاد شلوغ نباشد، جدولی را که با هم ایجاد کردیم را می بندم، برای این کار موس را روی جدول می برم و علامت ضربدر را می زنم.

در این نمودار می توانید دسته بندی،سری، فیلدهای محاسباتی و تغییرات دیگری ایجاد نمایید. میخواهم از میزان فروش برای مشتریان زن و مرد مطلع شوم، پنل تنظیمات نمودار را باز میکنم و از قسمت دسته بندی، مشتری جنسیت را انتخاب می کنم (شکل 10).

dashboard

شکل 10

اکنون می خواهیم فاکتوری را نسبت به مدت زمانی خاص بسنجیم ، نمودار خطی می تواند از بهترین گزینه های انتخابی باشد . که از منوی چارت مطابق موارد بالا انتخاب شده و برای دادگان رسم میگردد (شکل 11).

dashboard

شکل 11

میزان فروش محصولات را در سال های 1384تا 1387 می توانیم مورد ازریابی قرار دهیم ، با توجه به نمودار خطی بالا.

فرض کنید از شما خواسته شده که میزان فروش برای محصولاتی که رنگ مشکی دارند را بیان کنید. کار ساده ای است، در مثال قبل میزان فروش محصولات در سالهای مختلف نشان داده شده و برای نمایش دادن محصولات مشکی رنگ تنها کافی است در منوی فیلترها، محصول»رنگ و در نهایت مشکی را علامت بزنید(شکل 12).

dashboard

شکل 12

به همین ترتیب می توانیم هر نمودار یا گیج که برای آنالیز اطلاعاتمان نیاز داریم را به داشبورد اضافه نماییم (شکل 13).

dashboard

شکل 13

به عنوان خاتمه کار ساخت داشبورد مدیریتی می بایست عمل ذخیره سازی را انجام دهیم که این کار توسط آیکن مربوط به ذخیره، روی نوار آبی انجام میگیرد (شکل 14)که داشبورد ایجاد شده را با یک نام دلخواه و مناسب ذخیره می نمایید (شکل 15) و ملاحظه کردید که با چه سرعتی و چه سهولتی خودتان به تنهایی یک داشبورد ساختید.

dashboard

شکل 14

dashboard

شکل 15



تعریف و ایجاد فیلدهای محاسباتی در vdash

فیلدهای محاسباتی یا متریک ها آن دسته از متغیر ها یا فیلدهایی هستند که قابلیت سنجش واندازه گیری و محاسبه شدن دارند و برای مدیریت کسب و کار می توانیم از آن ها استفاده کنیم.

متریک ها می توانند به صورت تک متغ��ره مانند میزان فروش و تعداد مشتریان در موجودیت اطلاعاتی فروش باشند و حتی می توانند ترکیبی از فیلدها را شامل شوند مثلا سود حاصل از فروش را درنظر بگیرید که از تفریق فروش و هزینه ها بدست می آید.

در مقاله قبل به طراحی مدل اطلاعاتی پرداخته شد و حال می خواهیم به تعریف فیلدهای محاسباتی که بخشی از طراحی مدل می باشند بپردازیم.

برای دسترسی به فیلدهای محاسباتی کافیست در قسمت مدل ها ، مدل مورد نظر را انتخاب کرده و سپس طراحی مدل اطلاعاتی از منوی بالای جدول را کلیک کنیم(شکل1) .

انتخاب مدل

شکل 1

در این مرحله می توانیم فیلد های محاسباتی را تعریف کنیم به شکلی که به سربرگ فیلدهای محاسباتی رفته و موجودیت مورد نظر که در مقاله "طراحی مدل اطلاعاتی" آموزش داده شده است را انتخاب می نماییم و در نهایت بر روی اضافه کردن فیلد محاسباتی کلیک می کنیم. (شکل2)

اضافه کردن فیلد

شکل 2

هر فیلد محاسباتی به صورت زیر معرفی می گردد:

  • نام : نامی که برای فیلد محاسباتی در سیستم ذخیره می گردد که باید انگلیسی باشد.
  • عنوان نمایشی: نام نمایشی برای کاربر نهایی که با نمودارها و گراف ها کار می کند.
  • فرمول : نحوه محاسبه فیلد در این قسمت نوشته می شود.
  • نحوه جمع بندی :عملیاتی که بر روی فرمول اعمال می شود.
  • نوع داده نمایشی : جنس خروجی حاصل از فرمول را تعیین می کند.
  • پیش فرض : تعیین کننده فیلد محاسباتی ای که به طور پیش فرض در هنگام رسم نمودار نشان داده می شود.

فرمول نویسی

زمانی که روی Expr کلیک می کنیم، پنجره فرمول نویسی نمایش داده می شود که در سمت راست موجودیت های ما قرار دارند و در سمت چپ کادر مخصوص فرمول نویسی (شکل3). جلوتر بیشتر درباره فرمول نویسی توضیح می دهیم.

فرمول

شکل 3

نحوه جمع بندی

همان طور که قبلا گفتیم استفاده از vdash به سادگی آب خوردن است و الان با هم این ویژگی را در قسمت نحوه جمع بندی می بینیم.

پیش تر گفتیم که در فیلدهای محاسباتی متغیر های قابل اندازه گیری قرار می گیرند که معمولا از نوع عددی و یا واحد پول می باشند.هدف محاسبه این مقادیر هست ، حال محاسبه به چند طریق می تواند انجام شود و بدون نوشتن هیچ گونه کد برنامه نویسی و تنها با یک کلیک آسان (شکل 4).

نحوه جمعبندی

شکل4

استفاده می شود. برای شمارش به کار برده میشوند و معمولا برای تعداد اشخاص (مانند مشتریان و یا پرسنل) Count :
برای جمع بستن مقادیر یک فیلد استفاده می شود(مانند فروش یک فصل ) Sum :
برای میانگین گیری به کار برده می شود.(مثلا میخواهی از نمرات معدل گیری کنیم) Average :
تعیین مینیمم یک فیلد Minimum :
تعیین ماکزیمم یک فیلد Maximum:
هر زمان که در فرمول از توابع جمع و شمارشی استفاده شود "باید" در بخش جمع بندی این گزینه را انتخاب نماییم. No Aggregation :

نوع داده نمایشی

نوع و جنس فیلد و خروجی جمع بندی آن را در این قسمت باسد تعیین کنیم(شکل5).

نوع داده نمایشی

شکل5

برای فیلدهایی که اعداد صحیح هستند از Integer Numeric استفاده می کنیم.

برای فیلدها و متغیر های اعشاری از Decimal Numeric استفاده میکنیم.

برای فیلدهای مالی و پولی از Money or Currency استفاده می نماییم.

برای فیلدهایی که درصد آنها اهمیت دارد از Percentage استفاده می کنیم.

با تعیین هر کدام از فیلدها به عنوان پیش فرض ، در هنگام رسم نمودار آن فیلد به عنوان فیلد محاسباتی نمایش داده می شود .

مثال 1 » تعداد پرسنل

پرسنل را از موجودیت ها انتخاب می کنیم و سپس در سربرگ فیلدهای محاسباتی ، بر اضافه کردن فیلد کلیک می کنیم و فیلد محاسباتی تعداد پرسنل را ایجاد می نماییم. پس از وارد کردن نام سیستمی و نام نمایشی آن به طور دلخواه، فرمول محاسباتی آن را می نویسیم.

تعداد پرسنل در واقع با Count(*) یا بهتر از آن Count(EmployeeKey) که بیانگر تعداد کدهای منحصر به فرد پرسنل است، محاسبه می شود. بنابراین در پنجره فرمول نویسی مانند شکل 6، روی فیلد کد پرسنل کلیک می کنیم تا به صورت خودکار سیستم نام سیستمی فیلد را که EmployeeKey است، به فرمول ما اضافه کند.

تعداد پرسنل

شکل6

تعداد یا Count در نحوه جمعبندی تعیین می شود که با انتخاب گزینه Count از لیست مربوطه (شکل 7) می توانیم به نتیجه دلخواه که همان Count(EmployeeKey) است برسیم.

جمع پرسنل

شکل7

نوع داده نمایشی تعداد پرسنل : مسلما از نوع اعداد صحیح می باشد ، پس از قسمت نوع داده نمایشی، Integer Numeric را انتخاب می کنیم.

مثال 2 » فیلد محاسباتی ساعات مرخصی

پس از اضافه کردن این فیلد به عنوان فیلد محاسباتی و تعیین نام مراحل زیر را انجام می دهیم :

نوشتن فرمول

ساعات مرخصی پرسنل از مجموع دو فیلد مرخصی استعلاجی و مرخصی استحقاقی بدست می آید. پس برای نوشتن فرمول ساعات مرخصی ابتدا فیلد مرخصی استحقاقی را از فیلدهای موجودیت انتخاب می کنیم که نام سیستمی آن به صورت خود کار به فرمول اضافه می شود م تا به صورت خودکار سیستم نام سیستمی فیلد را که (VacationHours) سپس از عملگر جمع (+) استفاده می نماییم و در نهایت مرخصی استعلاجی را از فیلدهای موجودیت با نام سیستمی م تا به صورت خودکار سیستم نام سیستمی فیلد را که (SickLeaveHours) را به فرمول می افزاییم (شکل 8).

نوع داده جمع پرسنل

شکل8

نحوه جمع بندی ساعات مرخصی یعنی مجموع کل ساعات پس نحوه جمع بندی آن Sum می باشد که از لیست نحوه جمع بندی انتخاب می نماییم و چون حاصل جمع عدد صحیح می باشد Integer Numeric را انتخاب می کنیم (شکل9).

انوع ساعات

شکل9

مثال 3 » میانگین ساعات مرخصی

برای این فیلد مخاسباتی نیز مانند مثال های قبل پس از اضافه کردن به لیست فیلدهای محاسباتی و تعیین نام نوبت به نوشتن فرمول آن می شود.

برای محاسبه میانگین ساعات مرخصی کافی است از مجموع ساعات مرخصی (مرخصی استحقاقی + مرخصی استعلاجی) که در مثال قبل فرمول آن را نوشتیم میانگین (Average) گرفته شود. برای این کار کافی است در قسمت فرمول مانند مثال قبل عمل کنیم و در بخش نحوه جمع بندی Average را انتخاب نماییم. (شکل10)

جمع ساعات

شکل10

مثال 4 » درصد از کل ساعات مرخصی

حالا می خواهیم درصد از کل ساعات مرخصی محاسبه کنیم.

درصد از کل ساعات مرخصی از رابطه مجموع ساعات مرخصی تقسیم بر(مجموع کل ساعات مرخصی) حساب می شود که در پایگاه داده ما به شکل زیر تعریف میشود(شکل11) :

فرمول درصد کل

شکل11

حالا باید نحوه جمع بندی را مشخص کنیم و چون در فرمول نویسی از تابع SUMاستفاده کرده ایم، نحوه جمع بندی را No Aggregation قرار می دهیم که به این معناست که از هیچ تابع جمع یا شمارشی استفاده نشود(شکل 12).

نحوه جمع بندی بدون تابع

شکل12

توجه داشته باشید که اگر در فرمول نویسی بخش فیلدهای محاسباتی از توابع شمارشی یا جمع استفاده می کنید دیگر در نحوه جمع بندی از هیچ یک از این توابع نباید استفاده کرد. عکس این قضیه نیز صادق است.

آنچه که در مقاله بعد میخوانید » تعریف KPI در vdash

نحوه اتصال vdash به پایگاه داده

در مقاله گذشته("نحوه مدلسازی vdash") با ایجاد مدل به طور کامل آشنا شدیم و در اینجا نحوه اتصال vdash پایگاه داده را با هم بررسی می کنیم.

هر مدل را می توانیم به یک یا چندین پایگاه داده متصل کنیم. برای این کار+New Data Source را انتخاب می کنیم (شکل 1).

ایجاد پایگاه داده

شکل 1

نام پایگاه داده را در قسمت Data Source Name وارد کرده(شکل 2)در اینجا برای مثال نام پایگاه داده را AdventureWorksDWPersian گذاشتیم که مربوط به اطلاعات یک واحد تولیدی می باشد.

پایگاه داده

شکل 2

سپس نوع پایگاه داده را مشخص میکنیم یعنی اطلاعات ما در چه قالبی قرار دارند یا با کدام پایگاه داده طراحی شده اند، که می تواند

پایگاه داده ای است که به My SQL متصل می گردد My SQL Data Provider :
پپایگاه داده ای که به OLAP متصل می گردد. Microsoft SSAS(OLAP):
پایگاه داده ای که به فایل هایی با فرمت اکسل و یا اکسس وصل می شود. OLDBE(Excel,Access):
پپایگاه داده ای که به Oracle طراحی شده و به vdash متصل می گردد. Oracle Data Provider:
: برای اتصال به پایگاه داده های PostgreSQL PostgreSQL:
پایگاه داده ای که به SQL Server متصل می گردد. Microsoft SQL Server:

باشند(شکل 3).

انتخاب دیتاسورس

شکل 3

در مقالات آتی تک تک این موارد بررسی میگردد. در مثال واحد تولیدی نوع Data Source ، Microsoft SQL Serverمی باشد.

حال باید در کادر مربوط به Connection Stringدستور اتصال AdventureWorksDWPersianبه vdashرا بنویسیم.

data source = localhost ; initial catalog = AdventureWorksDWPersian ; integrated security = true ;

(شکل 4) .کوچکترین اشتباهی در نوستن دستور اتصال شما را با خطا مواجه میکند.برای اطمینان و تست اینکه آیا پایگاه داده ما به vdash متصل شده است یا نه از Test Connection استفاده می کنیم و هنگامی که عملیات با موفقیت انجام شده با شد با پیغام "برقراری ارتباط با موفقیت انجام شد" مواجه می شویم. اگر در قسمت connection string اطلاعات بیشتری نیاز دارید به http://connectionstrings.com/ مراجعه فرمایید.

چک کردن اتصال

شکل 4

 آنچه در مقاله بعد می خوانید » تعریف و ایجاد بعد در vdash

نحوه مدل سازی اطلاعات در vdash

برای اینکه بتوانیم داده هایمان را در vdash به تصویر بکشیم و آنها را آنالیز نماییم، ابتدا می بایست آنها را مدل سازی نماییم. مدل سازی یعنی اینکه ساختار خشن و غیر قابل درک پایگاه داده را به شکل مدلی ساده و قابل فهم برای مدیران اجرایی و غیر فنی تبدیل کنیم. در واقع مدل سازی ترجمه ساختار پایگاه داده است به زبان آنالیز. این مدل از اجزای زیر تشکیل شده است که ما همه آنها را به تفکیک شرح خواهیم داد:

  • دادگان یا data set
  • بعد یا dimension
  • مدل اطلاعاتی

در واقع یک مدل اطلاعاتی مجموعه ای از چند بعد و دادگان مرتبط تشکیل شده است. برای ایجاد یک مدل، مراحل زیر را طی می کنیم:

  1. ساخت یک مدل خالی جدید
  2. اتصال مدل به پایگاه های داده مورد نظر
  3. ایجاد دادگان ها
  4. ایجاد بعد های مورد نظر
  5. اتصال بعدها به دادگان ها
  6. تعریف متریک ها یا فیلدهای محاسباتی و شاخص های کلیدی عملکرد

برای دسترسی به ساخت مدل، از منوی تنظیمات به کنترل پنل می رویم(شکل 1) و روی آیکن مدل ها کلیک می کنیم (شکل 2).

کنترل پنل

شکل 1

شکل 2

مرحله اول » ایجاد مدل خالی جدید

در صفحه مدل های اطلاعاتی روی گزینه ایجاد مدل جدید کلیک کنید تا یک مدل خالی جدید برای شما ایجاد شود. (شکل 3) مدل ها

شکل 3

در صفحه اصلی فیلدهای مربوطه را به این صورت پر کنید(شکل4):

Template Name: نام سیستمی مدل باید حتما انگلیسی و بدون فاصله باشد

Display Name: نام نمایشی که کاربر آن را می بیند

Description (Optional): توضیحات مربوطه به صورت اختیاری

انتخاب مدل

شکل 4

مرحله دوم » اتصال مدل به پایگاه های داده

در اینجا برای سادگی کار، ما مدل را به یک پایگاه داده فرضی با نام AdventureWorks مربوط به یک واحد تولیدی دوچرخه و لوازم جانبی آن متصل می کنیم. برای آشنایی بیشتر با این پایگاه داده به آدرس زیر مراجعه کنید:

http://msftdbprodsamples.codeplex.com/

روی لینک + New کنار پنل Data Sources کلیک کنید تا یک منبع اطلاعاتی جدید به مدل اضافه شود. مشخصات منبع اطلاعاتی را به این شکل تکمیل نمایید:

Data Source Name: نام سیستمی منبع داده به انگلیسی “AdventureWorks”

Data Source Type: نوع پایگاه داده ای که می خواهیم به آن وصل شویم “SQL Server”

Connection String: دستور اتصال به پایگاه داده

“Data Source = localhost ; Initial Catalog = AdventureWorksDWPersian; Integrated Security = true“

برای اطمینان از برقراری ارتباط Test Connection استفاده می کنیم(شکل 5).

ایجاد مدل جدید

شکل 5

مرحله سوم » ایجاد دادگان ها

دادگان یا موجودیت اطلاعاتی مجموعه ای از فیلدهای مورد نیاز از پایگاه داده است.

برای مثال در اینجا دادگان مربوط به فروش اینترنتی را ایجاد می کنیم. در این دادگان موارد محصول، تاریخ سفارش، منطقه جغرافیایی، قیمت واحد و تعداد مد نظر ما است، دستور ایجاد آن به شکل زیر خواهد بود:

“SELECT ProductKey, OrderDateKey, SalesTerritoryKey, OrderQuantity, UnitPrice FROM dbo.FactInternetSales”

برای ایجاد دادگان مورد نظر، روی لینک + New کنار پنل Data Sets کلیک کرده و نام سیستمی و نام نمایشی دادگان را وارد نمایید. (شکل 6)

اتثال به پایگاه داده

شکل 6

سپس روی سربرگ Query کلیک کنید تا بتوانید دستور مورد نظر را وارد کنید. قبل از اجرای دستور، نوع منبع اطلاعاتی یا Source Name که در مرحله قبل ساخته اید را انتخاب نمایید. (شکل 7)

ایجاد دادگان

شکل 7

روی دکمه Execute Query کلیک کنید تا دستور شما اجرا و فیلدهای دادگان اضافه شوند. در سربرگ فیلدها، عنوان فارسی هر فیلد را در ستون Display Name وارد نمایید. (شکل 8)

کوئری

شکل 8

مرحله چهارم » ایجاد بعدها

بعدها یا Dimensions آیتم هایی هستند که برای مقایسه کردن یا فیلتر کردن اطلاعات به کار می روند. برای مثال وقتی میزان فروش را در ماه های مختلف سال مقایسه می کنیم، در واقع بعد زمان برای ما کاربرد دارد. یا وقتی فروش محصولات مختلف را در سال گذشته بررسی می کنیم، بعد زمان و محصول هر دو تاثیر گذارند. با توجه به دادگان هایی که در مدل تعریف می شوند، بعدهای مختلفی مورد نیاز خواهد بود.

برای تعریف بعد روی لینک + New کنار پنل Dimensions کلیک کرده، نام سیستمی و نام نمایشی بعد را وارد نمایید. (شکل 9)

فیلدها

شکل 9

در سربرگ Query مانند کاری که در دادگان انجام دادید، عمل کرده و دستور فراخوانی بعد مورد نظر را بنویسید. در اینجا برای مثال ما بعد زمان را از جدول dimdatepersian فراخوانی می کنیم:

“SELECT datekey, alternatedate, persiandate, dayofweeknumber, dayofweekname, dayofmonthnumber, monthofyear, monthofyearname, monthkey, monthname, quarterofyearnumber, quarterofyearname, quartername, quarterkey,year FROM dbo.DimDatePersian”

ایجاد بعد

شکل 10

با کلیک کردن روی دکمه Execute Query و پیش نمایش داده های بعد، خصوصیات یا Attribute های بعد اضافه خواهند شد. خصوصیات بعد، تقریبا متناظر با فیلدهای دادگان بوده و توضیحات بیشتر در مقاله های تخصصی آنها داده خواهد شد.

کوئری بعد

شکل 11

در سربرگ Advanced لطفا مراحل زیر را انجام دهید. توضیحات مربوطه در مقاله مربوط به تعریف بعدها ارائه خواهد شد.

Key Attribute: روز

Hierarchy: از بالا به پایین  سال / فصل / ماه / روز

مرحله پنجم » اتصال بعدها به دادگان ها

مجددا به دادگان فروش اینترنتی رفته و در سربرگ مربوط به Dimensions، بعدی را که ایجاد کردیم، می افزاییم (شکل 12).

انتخاب بعد

شکل 12

مرحله ششم » تعریف متریک ها و شاخص ها

بعد از تکمیل مرحله مدلسازی مدل را ذخیره کرده و روی گزینه Business Design در نوار ابزار بالای صفحه کلیک کنید. شما به فضای جدید منتقل می شوید که در آنجا به طراحی غیر فنی مدل اطلاعاتی می پردازیم. در این قسمت معیارها و خواسته های سازمان پیاده سازی می شود. در واقع در این قسمت فیلدهایی که قرار به محاسبه آنها هست و همچنین تعریف شاخص ها صورت می گیرد. برای مثال اگر بخواهیم برای فروش اینترنتی میزان فروش و یا درصد سود را محاسبه کنیم باید در قسمت مربوط به فیلدهای محاسباتی این دو را با ذکر فرمول و نحوه محاسبه تعریف نماییم(شکل 13).

فیلد مخاسباتی

شکل 13

اکنون مدل ما آماده رسم انواع گراف ها و چارت های متنوع است. مدل را ذخیره کرده و به صفحه اصلی برگردید. داشبورد جدید را کلیک کنید و از منوی نمودار، گزینه نمودار میله ای عمودی را انتخاب نمایید. با انتخاب دادگان فروش اینترنتی، نمودار برای شما رسم خواهد شد. (شکل 14)

رسم نمودار

شکل 14

در مقاله بعدی با نحوه اتصال vdashبه پایگاه داده آشنا خواهید شد.

از 0 تا 100 ساخت اولین داشبورد مدیریتی vdash

امروزه شناسایی و تحلیل عوامل موفقیت در کسب و کار سازمان ها بحثی است که در بسیاری از سازمان های بزرگ و کوچک مورد توجه ویژه ای قرار گرفته است.برای این منظور از ابزارهای مختلفی استفاده می شود که vdash نیز یکی از شاخص ترین آن هاست و به کمک آن می توان آنالیز اطلاعات به همراه نمایش گرافیکی اطلاعات انجام داد .

در اینجا می خواهیم نحوه کار کردن vdash را بررسی کنیم.

با وارد کردن نام کاربری و رمز عبور وارد صفحه شروع به کار می شویم .

ورود

شکل 1

vdash نرم افزار آنالیز اطلاعات است ، این اطلاعات از کجا می آیند و چه بر سرشان می آید تا ما داشبورد شسته و رفته ای داشته باشیم همه آن چیزی هست که در این مقاله و مقالات آتی به آن می پردازیم.vdash نرم افزار آنالیز اطلاعات است ، این اطلاعات از کجا می آیند و چه بر سرشان می آید تا ما داشبورد شسته و رفته ای داشته باشیم همه آن چیزی هست که در این مقاله و مقالات آتی به آن می پردازیم.

قبل از هر چیز هدف از استفاده از را یاد آور می شویم ، به بیان خیلی ساده vdash قصد دارد اطلاعات خام را به شکلی قابل درک برای ما مدل سازی کند . این اطلاعات همان داده های خام موجود در سازمان است و منظور از مدل سازی اتصال منابع اطلاعاتی و همچنین انتقال ساختار آن ها به vdash می باشد.

پس قدم اول در استفاده از vdash آماده سازی داده های خام برای مدلسازی اطلاعات است که خود شامل اتصال به پایگاه داده (ها)،تعریف بعد(ها)، تعریف دادگان و در نهایت طراحی مدل کسب و کار می باشد.

برای این منظور از پنل تنظیمات وارد کنترل پنل می شویم (شکل 2)و مدل ها را انتخاب می کنیم(شکل 3).

کنترل پنل

شکل 2

مدل

شکل 3

اگر بخواهیم مدلی ایجاد کنیم و یا مدلی که قبلا ایجاد شده را آپلود کنیم و یا ویرایشی روی مدل ایجاد شده انجام دهیم " مدل ها " را انتخاب می کنیم. در آینده به هر یک از این موارد پرداخته خواهد شد.

مدل ها

شکل 4

هر مدلی که ایجاد شود به همراه اطلاعاتی اعم از نام مدل و سازنده مدل و تاریخ ایجاد مدل و نیز تاریخ ویرایش در این قسمت ثبت می شود و قابل مشاهده است.

بدیهی است برای ایجاد یک مدل داشتن یک پایگاه داده ضروریست در واقع باید اطلاعاتی وجود داشته باشد تا بخواهیم برای آن اطلاعات مدلی ایجاد نماییم .

لازم است که برای مدل اطلاعاتی نام مناسب انتخاب کنیم(شکل 5) و پس از آن باید مشخص کنیم که اطلاعات ما در کدام پایگاه داده قرار دارد (Data Sources) و از کجا فراخوانی می شود(شکل 6) .

مدل تولیدی

شکل 5

مدل تولیدی به پایگاه

شکل 6

در ادامه با دو مفهوم Dimensions (ابعاد)، Data Sets (دادگان) سر و کار داریم.

خوب است که در اینجا منظور از استفاده این دو مفهموم را با هم مرور کنیم.

منظور از data set (دادگان) در واقع همان fact ها یا موجودیت های اصلی در کسب و کار است . پایگاه داده یک واحد تولیدی را در نظر بگیرید مواردی مانند فروش، تولید، سفارشات و ... همان دادگان های ما هستند. و در ادامه این صحبت مفهوم بعد (Dimension) مطرح می گردد که منظور از آن زاویه دید به دادگان مورد نظر است .مثلا در همین واحد تولیدی می توانیم بعد زمان تعریف کنیم یعنی به فروش مان از زاویه زمان نگاه کنیم ، حال خود زمان میتواند شامل سال،فصل،ماه، هفته و حتی روز باشد و یا سفارش ها را در موقعیت های جغرافیایی از قبیل کشور ،استان، شهر و کد پستی مورد بررسی قرار دهیم.

بنابراین ابتدا به ایجاد Data Set مورد نظر می پردازیم . تمامی مراحل و از جمله ایجاد دادگان جدید نیاز به نام گذاری مناسب دارد(شکل 7) و پس از آن باید دستور خواندن اطلاعاتی که قرار است بعدا در مدلسازی و آنالیز قرار گیرند را از پایگاه داده دهیم که این دستورات بنا به ساختار و زبان پایگاه داده متفاوت است و در قسمت Query نوشته می شود. بعد از نوشتن Query فیلد هارا تعیین می کنیم.

دادگان نگاه کلی

شکل 7

سپس به قسمت Dimensions رفته و با انتخاب نام مناسب برای بعد مورد نظر (شکل 8)و نیزتعیین پایگاه داده و نوشتن کوئری برای آن، قسمت Attributes را نیز متناسب با Query نوشته شده تنظیم می کنیم.

مجدد به قسمت Data Set رفته و در بخش Dimension ، بعدی را که ایجاد کردیم اضافه میکنیم(شکل 9).

بعد نگاه کلی

شکل 8

هم اکنون باید به طراحی مدل اطلاعاتی (Business Design) بپردازیم(شکل 10).این مرحله بسته به نیاز های شما در سازمانتان متغیر است. در صفحه مربوط به طراحی مدل اطلاعاتی با انتخاب دادگان مورد نظر به تعریف فیلد های محاسباتی که درواقع فاکتورهایی که نیاز به اندازه گیری و یا مقایسه آن ها دارید هستندو همچنین پیش فرض سطر ها و ستون های نمودارهایی که قرار به رسم آن ها هست و بعد از آن به معرفی فیلدهای محاسباتی که در واقع فاکتورهای مهمی هستند که میخواهیم مورد آنالیز قرار دهیم و در نهایت به معرفی شاخص هایی که برای سازمان حائز اهمیت می باشد می پردازیم.

بعدهای نگاه کلی

شکل 9

پس از اتمام طراحی مدل اطلاعاتی نوبت به آنالیز اطلاعاتی که به vdash متصل کردیم ،و ساخت داشبورد مدیریتی میر سد. و در این مرحله می توانیم اطلاعات خام و غیر قابل تفسیر را به راحتی برای تحلیل به نمایش بگذاریم.

به صفحه Home برگشته و شروع یک داشبورد جدید را انتخاب می کنیم.

سپس با کمک هر یک از آیتم هایی که نیاز داریم می توانیم به آنالیز اطلاعاتمان بپردازیم ، برای مثال از منوی نمودار میله ای عمودی را انتخاب میکنیم(شکل 11)، و برای موجودیت اطلاعاتی مدنظر (مشتریان)(شکل 12) نمودار میله عمودی رسم می گردد(شکل 13).

فیل ها مخاسباتی

شکل 10

انتخاب موجودیت

شکل 11

نمودار اول

شکل 12

و همین روال را می توانیم با آیتم های مختلف ادامه دهیم تا داشبورد مورد نظرمان ایجاد گردد.

نمودار نهایی

شکل 13

آنچه بعد میخوانید » نحوه مدل سازی اطلاعات در vdash

»نحوه اتصال vdash به پایگاه داده

»تعریف و ایجاد بعد در vdash

»تعریف و ایجاد دادگان

»طراحی مدل اطلاعاتی

»تعریف و ایجاد فیلدهای محاسباتی در vdash

شما چقدر با تکنولوژی همگام هستید؟

تحقیقات نشان می دهد که 2015 یک نقطه عطف بوده است . 86 درصد از مدیران امروز بر این باورند که توجه به تکنولوژی و بهره بری از آن یک نیاز مهم است. میزان اهمیت مدیران به تکنولوژی در 3 سال گذشته افزایش یافته است به این صورت که در سال 2013 ، 57 درصد از آن ها از این مورد بهره می بردند ، در سال 2014، 71 درصد و امسال 73 درصد از مدیران در تصمیم های مدیریتی خود بهره گیری از تکنولوژی را جزء اولویت ها در نظر می گیرند .

تکنولوژی برای کسب و کار امروز

با وجود تب بازار ، شرکت ها برای گسترش صنعت خود و یا دیگران برای تکنولوژی سرمایه گذاری نمی کنند . آنها به صورت کامل بر به کارگیری تکنولوژی برای ارتقا مدل کسب و کاری خود و به دست آوردن بینشی دقیق تر تمرکز کرده اند. 

در حالی که سازمان ها به صورت گسترده بر تکنولوژی دیجیتال سرمایه گذاری می کنند و مصرف کنندگان ، کارمندان ، همکاران تجاری و سهام داران توقعات بیشتری نسبت به گذشته دارند ، مدیران مجبورند که تا جایی که امکان دارد تصمیم های درستی برای سرمایه گذاری اخذ کنند تا به طور قطع نتیجه مطلوب حاصل شود . ما عقیده داریم که مدیران باید بینش دقیقی از وضعیت تکنولوژی در کسب و کارهای رقیب و به طور کلی در دنیای تجارت داشته باشند . 

در حالی که بیشتر افراد فکر می کنند تکنولوژی برای کسب و کار عملی مرتبط با ایجاد نوآوری و تغییر است ، دیگران بر این باورند که تکنولوژی کسب و کار در واقع همان IT  است . این نوع دیدگاه در خاورمیانه بیشتر از مناطق دیگر دنیا شایع است. امروزه با وجود مدیریت مختص به اطلاعات CIO  درسازمان ها این نگاه در حال تغییر است.

این مسئله که مدیران با هوش دیجیتال و تکنولوژی دو برابر دیگر مدیران درحوزه کسب و کار باعث موفقیت و سودآوری می شوند ،واقعیتی است که امروز باید پذیرفته شود.

آیا مصرف کننده به راحتی اطلاعات شخصی خود را در اختیار شما می گذارد ؟

مسئله مهم احساس مشتریان درباره جمع آوری  اطلاعات و داده هایشان توسط شرکت ها است . مدیران ارشد در یک تحقیق جهانی اظهار کردند که مشتریان 50 درصد بیشتر نسبت به گذشته برای به اشتراک گذاری داده های خود تمایل دارند . 

اما ایا این آمار درست است ؟ در یک نظرسنجی که فقط مصرف کنندگان را مورد پرسش قرار داده است ، فقط 21 درصد از افراد مورد مطالعه تمایل به اشتراک گذاری داده های شخصی خود را اظهار کردند . و 24 درصد از آنها به دلیل عدم اطمینان به توانایی شرکت برای نگه داری و محافظت از داده های آنلاین آنها و یا احتمال سوء استفاده تمایلی به در اختیار گذاشتن داده های خود ندارند . 

احتمال حملات سایبری به شرکت ها و دزدی داده ها وجود دارد . هرچه میزان اطلاعات شخصی شرکت از مصرف کنندگان جمع آوری می کند بیشتر باشد ، باید تلاش بیشتری در زمینه اعتماد سازی انجام دهد. 

هرچه داده ها توسط شرکت با ارزش تر تلقی شوند، برای مصرف کنندگان سوال مطرح می شود که چرا، دقیقا باید قسمتی از هویت دیجیتال خود را در اختیار دیگران بگذارند. 

در فضای داده محور امروزی سازمان ها برای کشف ترجیحات و علاقه مندی های شما تخفیف ها و پیشنهادهایی ارائه می دهند . برای استفاده از این تخفیف ها شما باید قسمتی از داده های شخصی مثل ترجیحات خود را در اختیار آنها بگذارید. گاهی این داده ها برای اهدافی استفاده می شود که مشتری هیچ کنترلی روی آن ندارد. و در نتیجه شاید شاید بخواهد تمام اطلاعات مربوط به خود را از منابع شرکت حذف کند. 




دنیایی را تصور کنید که داده های فروشنده در اصل به داده های مشتری تبدیل شود . به این معنا که مشتریان از داده های شخصی خود برای رسیدن به اهدافشان استفاده کنند . این مسئله می تواند در اقتصاد و ایجاد مدل های کسب و کاری جدید موثر باشد . بانک های داده ای قابل اعتماد که ارزش داده ها را مدیریت در آینده ای نزدیک کارکردی همچون مشاوران مالی خواهند داشت . مصرف کننده شاید برای پاسخگویی به نیازها و اهدافش چندین بانک اطلاعاتی در زمینه های مختلف از جمله : سلامتی ، پول ، خانه و ... داشته باشد . و در هر زمانی که بخواهد بتواند اطلاعات شخصی خود را از بانک بیرون بیاورد ( یا حذف کند ) . این سناریو با سناریو امروزی که داده های شخصی افراد به صورت متمرکز نیستند، به قدری متفاوت است . در این دنیای دیجیتال ، افراد دو حق اساسی دارند : 1. حق فراموش شدن ( توانایی حذف داده های شخصی خود ) 2.حق تجمیع ( هر فرد یک بانک قابل اعتماد از داده های شخصی خود دارد که فقط برای اهدافی مورد استفاده قرار می گیرند که مصرف کننده در جریان است و اجازه ی آن مورد را صادر کرده است . ) 

در نهایت، روشی که در آن شرکت ها  اطلاعات شخصی را مدیریت و از آن محافظت می کنند ،تبدیل به یک آزمون بزرگ شفافیت و صحت، و یک منبع اعتماد بسیار مورد نیاز و ضروری  است.

شرکت های هوشمند از داده های شخصی به روشی موثر برای به وجود آوردن ارزش برای مصرف کننده استفاده می کنند . این ارزش می تواند در یک حیطه مشخص مثل خدمات مشتریان ، یا طراحی خدمات جدید مثل خدمات پزشکی و پیشنهادهای سلامتی از طریق تکنولوژی های پوشیدنی ( مثل ساعت های هوشمند ) باشد . شرکت هایی که مشتریان و اطلاعات آن ها را نادیده می گیرند در دنیای آنلاین و اجتماعی امروز موفق نخواهند بود .ایجاد اعتماد توسط شرکت برای مصرف کننده ، در دنیایی مملوء از اطلاعات شخصی ، بسیار حائز اهمیت است.

اطلاعات مصرف کنندگان ، دارایی های استراتژیک کسب و کارهای موفق

یک چالش بزرگ برای CEO ها، به دست آوردن یک بینش یکپارچه از داده های شخصی مشتریانشان برای به کارگیری در کسب و کار است. در حال حاضر ، داده های شخصی بیشتر در موارد ارتباط نزدیک با مشتریان مثل ارائه خدمات (85 درصد از مدیران عامل همیشه یا اغلب با استفاده از داده های مشتری این مورد را بهبود می بخشند ) خرید و فروش (84٪) و بازاریابی (81٪) مورد استفاده قرار می گیرد. این موضوع تنها می تواند به سودهای کوتاه مدت یا صرفه جویی در هزینه ها و بهبود فروش، همچنین آگاهی از فرصت های  استراتژیک دیگر موثر باشد.



به دلیل آن است که بسیاری از سازمان ها هنوز اطلاعات و داده جمع آوری نمی کنند و یا اینکه مدیران ارشد اعتقادی به بررسی کسب و کار از طریق بررسی وضعیت مشتریان ندارند، داده مشتریان هنوز در قسمت های کلیدی کسب و کار مورد استفاده قرار نمی گیرد. مدیران اجرائی می گویند که اطلاعات شخصی برای منابع انسانی، تدارکات و منابع مورد استفاده قرار نمی گیرد.

چاش های داده ها و اطلاعات انبوه برای سازمان ها : 

حجم زیاد داده ها : 
داده های انبوه تقریبا غیر قابل درکی جمع آوری می شوند . سازمان ها چگونه در مورد زمان جمع آوری داده ها تصمیم گیری می کنند ؟ به یاد داشته باشیم که داده انبوه به معنی بینش زیاد و دقیق نیست. 

پارازیت و بینش شفاف :

استخراج ارزش از داده های انبوه مثل پیدا کردن سوزن در یک انبار کاه است . سازمان ها چگونه پارازیت را از بینش دقیق تشخیص می دهند ؟ 

داده های متفاوت ( ساختاریافته و بدون ساختار ) :

سازمان ها چگونه  داده های ساختار یافته ثبتی و بدون ساختار شبکه های اجتماعی مربوط به یک مشتری را معنی دار کرده و آنها را تبدیل به یک بینش یکپارچه می کنند  ؟ 

داده های ناقص : 

طبیعتا خطا و مشکلات کیفیتی داده غیر قابل اجتناب است . سازمان ها چگونه خطا ها را شناسایی می کنند ؟

مشکلات رو به افزایش در زمینه پیش بینی:

اطلاعاتی که امروز جمع آوری می شود ، لزوما جواب نیازها و خواسته ها و سوالات فردای مشتریان نیست . 


آنالیز اطلاعات منابع انسانی و استخدام

انتخاب های بهتر در هنگام استخدام، فارق از شاخص های متداول مثل نمره و یا رشته تحصیلی، با استفاده از فاکتورهای جدیدی که حقیقتا موفقیت را تضمین می کنند .




چالش امروز : 

استراتژی استخدام معمولا بسیار ذهنی است . به معنای آنکه این فرآیند بسیار به نظر شخصی فرد مصاحبه کننده بستگی دارد.  به همین دلیل هم معمولا نتیجه با آنچه انتظار می رفته است ، فاصله دارد . در حالی که واقع گرایی به ما کمک می کند که حقیقت را در شاخص های مرتبط بررسی کنیم بدون آنکه نظر شخصی و یا خوشایند خود را در آن دخیل نماییم. در هنگام تصمیم گیری های مهم ، ادراک یک جانبه یا اریبی باعث می شود که کل تصویر نادیده گرفته  شود ، که در نتیجه به اشتباهاتی هزینه و زمان  بر منجر خواهد شد. 

تاثیر آنالیز اطلاعات : 

مدیران استخدام باید اطلاعات جامعی از رفتار و شخصیت افرادی که برای شرکت سودمند خواهند بود ، داشته باشند . آن ها باید اطلاعات افراد مصاحبه شونده را با استانداردهای از پیش تعیین شده دقیق ، مقایسه نمایند و بهترین تصمیم را اخذ نمایند . 

نتیجه گیری : 

استخدام افراد درست باعث افزایش درآمد ، بهبود بهره وری ، و کاهش هزینه های آموزش و دیگر هزینه های جانبی خواهد شد.