
منتشر شده در towardsdatascience به تاریخ ۲۳ جولای ۲۰۲۱
لینک منبع Finding the right Data Analytics Strategy
در اصل KPI مخفف شاخص عملکرد کلیدی است. این اصطلاح به ارقام کلیدی اشاره دارد که میتوانند ما را در تعیین عملکرد فعالیتها در شرکتها یاری کنند. که KPI ها باید برای اندازهگیری موفقیت یا شکست در نظر گرفته شوند به اهداف شرکت بستگی دارد [ ۱ ]. این KPI ها را می توان همراه با دیگر حقایق و ارقام روی داشبورد به نمایش گذاشت. ابزارهای BI سطح بالا (سلفسرویس) مانند مایکروسافت پاور BI، گوگل دیتا استودیو یا Tableau میتوانند برای این منظور مورد استفاده قرار گیرند. در مقاله زیر من توضیح خواهم داد که چگونه به صورت استراتژیک چنین KPI ها و داشبوردها را توسعه دهیم و دو رویکرد برای انجام این کار چه هستند.
مدیران عامل و سایر کارشناسان، KPI هایی را تعریف میکنند که از بالا برای آنها منطقی است. سپس این KPI ها و داشبوردها با توجه به مشخصات دقیق اجرا میشوند و سپس باید به شبه استاندارد برای شرکت تبدیل شوند.

جنبه مثبت: فرآیند و اعداد استاندارد شدهاند-بنابراین شما میدانید که اعداد از کجا میآیند و میتوانند آنها را شفاف و قابلفهم سازند. همچنین بخشها، مناطق و کشورها را قابلمقایسه میسازد.
جنبه منفی: الزامات و شرایط خاص منطقهای نمیتوانند یا نباید نقشهبرداری شوند.
واحدهای کسبوکار بخش IT را با ساخت KPI ها با کمک ابزارهای BI سلفسرویس اختصاص میدهند یا خودشان از آنها استفاده میکنند.

اینها از بالا تعیین نمیشوند، بلکه به طور تکراری توسط نیازهای خود فرد توسعه مییابند.
جنبه مثبت: بخشها و مناطق منحصر مجزا میتوانند داشبوردها را به طور کامل با توجه به نیازهایشان بسازند.
جنبه منفی: تامین ممکن است وقت گیر باشد، به عنوان مثال، ممکن است نیاز باشد دادههای اضافی فراهم شود. علاوه بر این، قابلیت مقایسه دشوار است زیرا بخشهایی از یکپارچهسازی دادهها، به خصوص ایجاد داشبورد، استاندارد نشده اند. این امر همچنین میتواند منجر به نگهداری پیچیدهتر شود.

هر دو رویکرد اغلب به صورت همزمان در شرکتها رخ میدهند. البته معایب رویکرد پایین به بالا را می توان با استانداردسازی KPI های ایجاد شده در دپارتمانها و تبدیل آنها به شرکت جبران کرد. چالشهایی که در اینجا وجود دارد این است که طرفین درگیر باید بر سر یک استاندارد به توافق برسند، اما زمانی که این امر به دست آید، این احتمال وجود دارد که نتیجه در راستای نیازهای عملیاتی واقعی بیشتر از حالت رویکرد بالا به پایین باشد. با این حال، یک چیز روشن است-شرط لازم برای ساخت یک پلتفرم داده مقیاس پذیر و آسان برای استفاده است. که با چنین تحلیلهایی می توان در وهله اول ساخته شود.
این متن با استفاده از ربات ترجمه مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه میتواند دارای برخی اشکالات ترجمه باشد.
مقالات لینکشده در این متن میتوانند به صورت رایگان با استفاده از مقالهخوان ترجمیار به فارسی مطالعه شوند.