سال‌هاست سازمان‌ها برای تصمیم‌گیری بهتر روی Business Intelligence سرمایه‌گذاری می‌کنند. داده‌های فروش، مالی، قراردادها و پروژه‌ها در Power BI به داشبوردهایی تبدیل می‌شوند که تصویری روشن از عملکرد کسب‌وکار ارائه می‌دهند. اما حتی حرفه‌ای‌ترین داشبوردها نیز معمولاً برای پاسخ به مجموعه‌ای از سؤالات از پیش مشخص‌شده طراحی شده‌اند.
حالا تصور کنیم مدیر به‌جای جست‌وجو میان گزارش‌ها، مستقیماً از سیستم بپرسد: «پروژه‌هایی را که در شش ماه گذشته بیشترین کاهش سودآوری داشته‌اند بررسی کن، با سال قبل مقایسه کن و بگو چه الگوهای مشترکی میان آن‌ها وجود دارد.»
سیستم داده‌های مرتبط را پیدا کند، تحلیل لازم را انجام دهد و نتیجه را به زبانی قابل فهم ارائه دهد. این همان تجربه‌ای است که Conversational BI به معماری هوش تجاری اضافه می‌کند؛ حرکت از مشاهده گزارش‌ها به سمت گفت‌وگو با داده‌های سازمان.
Conversational BI چیست؟
Conversational BI یا هوش تجاری مکالمه‌ای، امکان تحلیل داده‌ها با زبان طبیعی را فراهم می‌کند. در این رویکرد، مدیر به‌جای انتخاب دستی گزارش‌ها و فیلترها، سؤال خود را مطرح می‌کند و سیستم تلاش می‌کند پاسخ را از منابع معتبر سازمان استخراج کند.
برای مثال، Power BI نشان می‌دهد فروش یک گروه از مشتریان کاهش یافته است. مدیر می‌پرسد: «این کاهش بیشتر مربوط به کدام محصولات بوده؟» و سپس درخواست می‌کند مشتریان جدید از تحلیل حذف شوند یا نتیجه با دوره مشابه سال قبل مقایسه شود.
داشبورد برای پایش عملکرد مناسب است؛ Conversational BI برای کشف، مقایسه و تحلیل عمیق‌تر. این دو جایگزین یکدیگر نیستند، بلکه تجربه مدیریتی کامل‌تری ایجاد می‌کنند.
از Data به Information و Knowledge
BI سنتی داده‌های خام را به اطلاعات قابل فهم تبدیل می‌کند؛ مثلاً هزاران تراکنش فروش به نمودار درآمد ماهانه یا حاشیه سود محصولات تبدیل می‌شوند. اما اینکه چرا سود کاهش یافته یا چه عواملی بر آن اثر گذاشته‌اند، همچنان به تحلیل نیاز دارد.
مسیر بلوغ داده را می‌توان چنین دید:
هوش مصنوعی می‌تواند در این مسیر، مقایسه‌های جدید انجام دهد، الگوهای غیرعادی را شناسایی کند و فرضیه‌های قابل بررسی پیشنهاد دهد. البته کشف یک ارتباط آماری لزوماً به معنای اثبات علت نیست و نتایج مهم باید اعتبارسنجی شوند.
Conversational BI با هوش مصنوعی لوکال
برای پیاده‌سازی این تجربه الزاماً نیازی به ارسال داده‌های سازمان به سرویس‌های عمومی ابری نیست. می‌توان یک مدل زبانی را روی سرور داخلی اجرا کرد و آن را از طریق یک لایه امن به SQL Server، Data Warehouse یا سایر منابع تحلیلی متصل ساخت.
این معماری برای سازمان‌هایی که از Dynamics 365، Power BI Report Server و زیرساخت داخلی استفاده می‌کنند، می‌تواند گزینه جذابی باشد. با این حال، مدل AI نباید دسترسی مستقیم و نامحدود به پایگاه‌های داده داشته باشد.
در اینجا Query Manager نقش مهمی پیدا می‌کند؛ لایه‌ای که درخواست مدیر را به پرس‌وجوی معتبر تبدیل می‌کند، سطح دسترسی را بررسی می‌کند، اجرای Query را کنترل می‌کند و داده مناسب را برای تحلیل در اختیار AI قرار می‌دهد.
معماری مفهومی به این صورت است:
Power BI نیز می‌تواند در کنار این لایه، گزارش‌ها و داشبوردهای استاندارد سازمان را ارائه دهد.
یک مثال کاربردی؛ تحلیل مناقصات
فرض کنیم اطلاعات مناقصات سازمان شامل مبلغ، صنعت، کارفرما، زمان آماده‌سازی و نتیجه در سیستم ثبت شده است. در Power BI می‌توان نرخ موفقیت و ارزش قراردادهای برنده‌شده را مشاهده کرد.
اما مدیر ممکن است بپرسد:
«مناقصات دو سال گذشته را بررسی کن، موارد زیر ۳۰ میلیارد تومان را حذف کن و نرخ موفقیت را بر اساس نوع کارفرما مقایسه کن.»
سپس ادامه دهد: «اگر مناقصاتی را که کمتر از ده روز برای آماده‌سازی آن‌ها زمان داشتیم حذف کنیم، نتیجه چه تغییری می‌کند؟»
Conversational BI می‌تواند این تحلیل را بدون طراحی گزارش جدید انجام دهد و الگوهای قابل توجه را برای بررسی مدیریتی ارائه کند.
چرا معماری داده از مدل AI مهم‌تر است؟
اتصال یک مدل زبانی به Database، به‌تنهایی تحلیل قابل اعتماد ایجاد نمی‌کند. سیستم باید بداند «فروش خالص»، «سود پروژه» یا «مشتری فعال» دقیقاً چگونه تعریف می‌شوند و هر کاربر مجاز به مشاهده چه اطلاعاتی است.
به همین دلیل، کیفیت Semantic Model، تعریف KPIها، اعتبارسنجی Queryها و کنترل امنیتی اهمیت زیادی دارند. بهتر است پاسخ AI نیز همراه با منبع داده، بازه زمانی و منطق محاسبه ارائه شود تا مدیر بتواند به آن اعتماد کند.
در واقع هوش مصنوعی جای معماری BI را نمی‌گیرد؛ ارزش یک معماری BI مناسب را افزایش می‌دهد.
آینده BI؛ از گزارش‌گیری تا دستیار تحلیل
مرحله بعدی زمانی است که سیستم علاوه بر پاسخ به سؤال، بتواند تغییرات مهم را نیز شناسایی کند؛ مثلاً افزایش غیرعادی هزینه خدمات یک گروه از مشتریان را تشخیص دهد و پیشنهاد بررسی دقیق‌تر ارائه کند.
با اتصال این قابلیت به AI Agentها، حتی می‌توان فرآیندهایی مانند آماده‌سازی گزارش، ایجاد فعالیت پیگیری یا ارجاع موضوع به مدیر مسئول را نیز با کنترل و تأیید مناسب اجرا کرد.
در چنین شرایطی، BI از یک ابزار گزارش‌گیری به بخشی از سیستم تصمیم‌یار سازمان تبدیل می‌شود.
جمع‌بندی
آینده Power BI الزاماً در ساخت داشبوردهای بیشتر نیست. Conversational BI می‌تواند لایه‌ای هوشمند به معماری داده اضافه کند تا مدیران به‌جای محدود شدن به گزارش‌های آماده، مستقیماً با اطلاعات سازمان گفت‌وگو کنند.
این تجربه با هوش مصنوعی لوکال نیز قابل پیاده‌سازی است؛ به شرط آنکه Data Warehouse، Semantic Layer، Query Manager و کنترل‌های امنیتی به‌درستی طراحی شده باشند.
از نگاه من، ارزش اصلی این تحول در انتخاب یک مدل زبانی خاص نیست؛ بلکه در ساختن پلی قابل اعتماد میان زبان مدیر و منطق واقعی داده‌های سازمان است.
شاید در آینده مدیر کمتر بپرسد «این گزارش کجاست؟» و بیشتر بگوید:
«این مسئله را از چند زاویه بررسی کن، با دوره‌های گذشته مقایسه کن و بگو برای تصمیم‌گیری چه نکاتی اهمیت دارند.»
و این، آغاز حرکت از گزارش‌گیری به تحلیل هوشمند داده است.