طراحی و پیاده‌سازی سیستم هوش تجاری برای مدیریت نقدینگی و تصمیم‌گیری تولید در شرکت‌های تجهیزات پزشکی: مطالعه موردی آبادیس

چکیده

بی‌ثباتی اقتصادی، نوسانات جریان نقدینگی و تأخیر طولانی‌مدت در وصول مطالبات بیمارستانی، از مهم‌ترین چالش‌های شرکت‌های فعال در حوزه تجهیزات پزشکی در ایران محسوب می‌شود. هدف این پژوهش، طراحی و پیاده‌سازی یک سیستم هوش تجاری (Business Intelligence) جهت ارتقای مدیریت نقدینگی، بهبود تصمیم‌گیری تولید و افزایش تاب‌آوری عملیاتی در شرکت دانش‌بنیان آبادیس است. در این مطالعه، داده‌های عملیاتی شامل فروش، تولید، موجودی، هزینه‌ها و چرخه نقدینگی در قالب یک انبار داده متمرکز یکپارچه‌سازی شده و مجموعه‌ای از داشبوردهای مدیریتی مبتنی بر Power BI توسعه یافته است. از مدل‌های تحلیلی پیشرفته همچون تحلیل DSO/DPO، بخش‌بندی RFM مشتریان بیمارستانی، تحلیل و برنامه‌ریزی تولید، و مدل‌سازی پیش‌بینی برای برآورد تقاضا استفاده شده است. نتایج نشان می‌دهد که سیستم طراحی‌شده موجب بهبود ۲۳ درصدی عملکرد نقدینگی، کاهش ۱۸ درصدی موجودی راکد، و افزایش ۱۵ درصدی دقت برنامه‌ریزی تولید شده است. یافته‌ها بیانگر آن است که بهره‌گیری از هوش تجاری می‌تواند نقش اساسی در ارتقای کارایی مالی و عملیاتی شرکت‌های تجهیزات پزشکی در محیط اقتصاد متلاطم ایران ایفا کند.

واژگان كليدي: هوش تجاری؛ بهینه‌سازی جریان نقدینگی؛ تحلیل و برنامه‌ریزی تولید؛ انبار داده؛ مدل‌سازی پیش‌بینی؛ تحلیل DSO/DPO؛ بخش‌بندی RFM؛ تصمیم‌گیری مدیریتی؛ تاب‌آوری عملیاتی

مقدمه

بی‌ثباتی‌های اقتصاد کلان، نوسانات نرخ ارز، محدودیت‌های زنجیره تأمین و تأخیرهای طولانی‌مدت در پرداخت مطالبات بیمارستانی طی سال‌های اخیر، محیطی پرریسک و غیرقابل پیش‌بینی برای شرکت‌های فعال در صنعت تجهیزات پزشکی ایران ایجاد کرده است. این صنعت، به دلیل وابستگی بالا به مواد اولیه وارداتی، تغییرات سریع سیاست‌های دولتی در خرید تجهیزات، و حساسیت استانداردهای بهداشتی، بیش از بسیاری از صنایع دیگر تحت‌تأثیر اختلالات محیطی قرار می‌گیرد. در چنین فضایی، مدیریت نقدینگی برای شرکت‌های تولیدی نه‌تنها یک وظیفه مالی، بلکه یک موضوع راهبردی برای بقا و رشد است. گزارش‌های مالی داخلی و مطالعات دانشگاهی نشان داده‌اند که تأخیر در پرداخت مطالبات بیمارستان‌ها، اغلب بین ۹۰ تا ۱۸۰ روز متغیر است و همین موضوع فشار شدیدی بر جریان نقدینگی شرکت‌های تولیدکننده تجهیزات پزشکی وارد می‌کند (Khazaei & Hajizadeh, 2017).

از سوی دیگر، تصمیم‌گیری تولید در صنعت تجهیزات پزشکی، تحت‌تأثیر عوامل متعدد از جمله نوسان تقاضا، محدودیت مواد اولیه، حجم موجودی‌ها، و ظرفیت تولید قرار دارد. شرکت‌ها معمولاً برای پیش‌بینی صحیح تقاضا و تنظیم تولید، به گزارش‌هایی از داده‌های تاریخی اتکا می‌کنند که این گزارش‌ها در بسیاری موارد دستی، پراکنده و غیریکپارچه هستند. اتکا به چنین داده‌هایی نه‌تنها خطاپذیر است، بلکه سرعت تصمیم‌گیری را نیز کاهش می‌دهد. پژوهش‌های معتبر جهانی نشان می‌دهد که در چنین شرایطی استفاده از سیستم‌های هوش تجاری (Business Intelligence) نقش اساسی در افزایش دقت پیش‌بینی و ارتقای کیفیت تصمیم‌گیری دارد (Wixom & Watson, 2010). BI با یکپارچه‌سازی داده‌های مالی، تولیدی، فروش و انبار، تصویری واحد و قابل‌اعتماد از عملکرد شرکت ارائه می‌دهد و به مدیران امکان می‌دهد روندهای پنهان در داده‌ها را شناسایی کرده و اقدامات اصلاحی مناسب را اتخاذ کنند (Chen et al., 2012).

هوش تجاری صرفاً یک ابزار گزارش‌دهی نیست، بلکه یک سیستم تصمیم‌یار است که از طریق تحلیل داده‌ها و ارائه شاخص‌های کلیدی عملکرد (KPIs)، سازمان را نسبت به فرصت‌ها و تهدیدهای پیش‌رو آگاه می‌سازد. در بسیاری از صنایع تولیدی، BI توانسته است دقت پیش‌بینی تقاضا را افزایش دهد، میزان موجودی‌های بلااستفاده را کاهش دهد، زمان توقف تولید را کم کند و هزینه‌های عملیاتی را بهینه سازد (Hofmann & Rüsch, 2017). در صنعت تجهیزات پزشکی، مطالعات بین‌المللی نشان داده‌اند که استفاده از مدل‌های پیش‌بینی و تحلیل داده، موجب کاهش خطای برنامه‌ریزی تولید شده و ریسک کمبود محصول در بیمارستان‌ها را کاهش می‌دهد (Verma & Amin, 2019).

شرکت دانش‌بنیان مخازن طبی آبادیس به‌عنوان یکی از تولیدکنندگان پیشرو کیسه‌های ساکشن یک‌بارمصرف و فیلترهای کنترل عفونت، مثال روشنی از چالش‌هایی است که شرکت‌های فعال در این حوزه با آن مواجه‌اند. آبادیس با وجود داشتن سهم قابل‌توجهی از بازار داخلی، با مشکلات جدی در مدیریت نقدینگی روبه‌رو بود؛ از جمله تأخیر ۳ تا ۶ ماهه در وصول مطالبات بیمارستانی، نوسانات تقاضای فصلی، توقف‌های دوره‌ای تولید ناشی از کمبود مواد اولیه، و عدم‌یکپارچگی داده‌های فروش و تولید. وجود داده‌های پراکنده در سیستم‌های مختلف، نبود داشبوردهای مدیریتی و اتکای سازمان به گزارش‌های اکسل، باعث تصمیم‌گیری‌های دیرهنگام یا نادقیق می‌شد و برنامه‌ریزی تولید را با چالش مواجه می‌کرد.

با توجه به این چالش‌ها، ضرورت طراحی و پیاده‌سازی یک سیستم هوش تجاری اختصاصی برای آبادیس مطرح شد که بتواند داده‌های شرکت را در یک انبار داده منسجم تجمیع کرده و داشبوردهای مدیریتی دقیق، قابل‌فهم و لحظه‌ای برای تحلیل نقدینگی، فروش، تولید، رفتار مشتریان و موجودی ارائه دهد. این سیستم باید به‌گونه‌ای باشد که مدیران شرکت بتوانند بر اساس داده‌های واقعی، روندهای مالی را پیش‌بینی کرده، رفتار پرداخت مشتریان را تحلیل کنند، ظرفیت تولید را تنظیم نمایند و برنامه‌ریزی خرید مواد اولیه را بهینه کنند. از آنجا که در صنعت تجهیزات پزشکی امکان خطا در برنامه‌ریزی بسیار محدود است، استفاده از یک سیستم BI نه‌تنها یک انتخاب، بلکه یک ضرورت محسوب می‌شود.

مسئله اصلی این پژوهش چنین مطرح می‌شود:
چگونه می‌توان با پیاده‌سازی یک سیستم هوش تجاری، مدیریت نقدینگی و تصمیم‌گیری تولید را در شرکت آبادیس بهبود داد؟

این پژوهش به‌طور خاص چهار هدف را دنبال می‌کند:

1. طراحی معماری هوش تجاری و انبار داده شرکت آبادیس؛
2. ایجاد داشبوردهای مدیریتی برای تحلیل نقدینگی، فروش، تولید و رفتار مشتریان؛
3. به‌کارگیری مدل‌های تحلیلی واقعی شامل DSO/DPO، RFM و Forecasting؛
4. ارزیابی اثر سیستم BI بر شاخص‌های کلیدی عملکرد آبادیس.

این مقاله یک مطالعه موردی واقعی است که شکاف موجود در پژوهش‌های داخلی را در حوزه کاربرد عملی BI در صنعت تجهیزات پزشکی پوشش می‌دهد و مدلی بومی و قابل‌تعمیم ارائه می‌کند.

پیشینه پژوهش / ادبیات موضوع

1. مفهوم و جایگاه هوش تجاری

هوش تجاری (Business Intelligence) به‌عنوان یکی از مهم‌ترین ابزارهای تحلیل داده و تصمیم‌گیری سازمانی در دهه‌های اخیر مطرح شده است. این مفهوم مجموعه‌ای از فناوری‌ها، روش‌ها و فرآیندهاست که داده‌های خام را به اطلاعات و دانش قابل‌استفاده برای مدیران تبدیل می‌کند (Wixom & Watson, 2010). BI با یکپارچه‌سازی داده‌های پراکنده در سراسر سازمان، تحلیل روندها، شناسایی الگوها و ارائه شاخص‌های کلیدی عملکرد، نقش مهمی در افزایش دقت تصمیم‌گیری، کاهش عدم‌قطعیت و ارتقای بهره‌وری سازمان دارد.

Chen، Chiang و Storey (2012) در یکی از مقالات بنیادین حوزه BI، تأکید می‌کنند که سازمان‌های مجهز به سیستم‌های هوش تجاری قادرند از داده‌های عملیاتی، مالی و زنجیره‌تأمین خود ارزش خلق کنند و محیط تصمیم‌گیری را مبتنی بر تحلیل‌های واقعی شکل دهند. این توانمندی به‌ویژه در صنایع تولیدی که با تغییرات سریع بازار مواجه‌اند، اهمیت بیشتری پیدا می‌کند.

2. معماری سیستم‌های هوش تجاری

معماری BI معمولاً شامل چهار جزء اصلی است:

• منابع داده فروش، تولید، انبار، مالی، مشتریان
• فرآیندهای ETL برای استخراج، پاک‌سازی و تبدیل داده‌ها،
• انبار داده (Data Warehouse) برای ذخیره یکپارچه اطلاعات،
• ابزارهای تحلیل و داشبوردهای مدیریتی.

Hsinchun Chen (2014) بیان می‌کند که وجود یک انبار داده ساختاریافته، شرط لازم برای موفقیت پروژه‌های BI است، زیرا انحراف داده، گزارش‌های ناسازگار و خطاهای تصمیم‌گیری را کاهش می‌دهد و امکان هم‌راستایی عملیات و استراتژی را فراهم می‌سازد.

در پژوهش طاهری و فاضلی (1397) نیز تأکید شده که در سازمان‌های تولیدی ایران، نبود یک انبار داده منسجم، بزرگ‌ترین مانع در اجرای BI است و اغلب داده‌ها در سیستم‌های جزیره‌ای ذخیره می‌شوند.

3. هوش تجاری و تصمیم‌گیری مدیریتی

مطالعات معتبر نشان می‌دهد BI تأثیر چشمگیری بر بهبود تصمیم‌گیری سازمانی دارد.
Wixom & Watson (2010) نشان دادند سازمان‌هایی که BI را اجرا کرده‌اند، در شاخص‌های «سرعت تصمیم‌گیری»، «کیفیت تحلیل»، «کاهش خطا» و «پاسخگویی به تغییرات محیطی» عملکرد بالاتری دارند.

در ایران نیز آزادی و رنجبر (1398) در پژوهشی تجربی بیان کردند که استفاده از داشبوردهای تحلیلی، فهم مدیریتی از عملکرد سازمان را افزایش داده و امکان تشخیص سریع مشکلات عملیاتی را فراهم می‌کند.

بنابراین، BI نه‌تنها یک ابزار فناوری، بلکه یک سرمایه استراتژیک برای شرکت‌ها محسوب می‌شود.

4. هوش تجاری در مدیریت نقدینگی (DSO/DPO)

مدیریت نقدینگی برای شرکت‌های تولیدی به‌ویژه آن‌هایی که با مشتریان دولتی سروکار دارند بسیار حیاتی است. مطالعات مالی نشان داده‌اند که BI می‌تواند شاخص‌های مهم نقدینگی شامل DSO (مدت وصول مطالبات) و DPO (مدت پرداخت بدهی‌ها) را بهبود دهد (Verma & Amin, 2019).

در پژوهش خزایی و حاجی‌زاده (1396) تأکید شده است که تحلیل داده‌های مالی با ابزارهای هوش تجاری، باعث شفافیت گردش وجوه، کاهش مطالبات معوق و بهینه‌سازی جریان نقدی می‌شود.

مطالعه Hofmann & Rüsch (2017) نیز نشان می‌دهد که یکپارچه‌سازی داده‌های مالی و تولیدی در داشبوردهای BI، به شرکت‌ها در پیش‌بینی کمبود منابع مالی و جلوگیری از بحران نقدینگی کمک می‌کند.

5. هوش تجاری در برنامه‌ریزی تولید

برنامه‌ریزی تولید یکی از پیچیده‌ترین فرآیندهای مدیریتی است که تحت‌تأثیر عوامل متعددی همچون ظرفیت تولید، محدودیت مواد اولیه، فصل‌پذیری فروش و تقاضای بیمارستان‌ها قرار دارد.
BI با ارائه داده‌های دقیق و به‌روز، امکان مدل‌سازی سناریوهای تولید، شناسایی گلوگاه‌ها، کاهش ضایعات و افزایش دقت پیش‌بینی تقاضا را فراهم می‌کند (Koumanakos, 2008).

در پژوهش کریمی و ساسان‌پور (1395) نیز نشان داده شده که استفاده از تحلیل داده در برنامه‌ریزی تولید، موجب کاهش هزینه‌های انبارداری و جلوگیری از توقف خط تولید می‌شود.

افزون بر این، مطالعات Industry 4.0 نظیر پژوهش Hofmann & Rüsch (2017) ثابت کرده‌اند که ترکیب BI و تحلیل داده‌های عملیاتی، دقت برنامه‌ریزی تولید را به شکل قابل‌توجهی افزایش می‌دهد.

6. پیشینه پژوهش در صنعت تجهیزات پزشکی

مطالعات جهانی اندکی به‌طور خاص به BI در صنعت تجهیزات پزشکی پرداخته‌اند. با این حال، چند پژوهش نشان داده‌اند که شرکت‌های فعال در این صنعت به‌شدت وابسته به داده‌های دقیق برای مدیریت تولید، کنترل کیفیت و مدیریت نقدینگی هستند.

در ایران نیز با وجود توسعه صنایع تجهیزات پزشکی، پژوهش‌های اندکی پیرامون استفاده عملی BI در این صنعت انجام شده است. اکثر مطالعات داخلی بیشتر به مباحث نظری پرداخته‌اند و فاقد مطالعات موردی واقعی (Case Study) هستند.

بنابراین، شکاف پژوهشی مهمی وجود دارد:
عدم وجود مدل کاربردی، واقعی و بومی برای پیاده‌سازی BI در شرکت‌های تجهیزات پزشکی.

7. جمع‌بندی ادبیات و شکاف پژوهش

مرور ادبیات نشان می‌دهد:

• BI نقش کلیدی در تحلیل نقدینگی، پیش‌بینی تقاضا و برنامه‌ریزی تولید دارد.
• مطالعات معتبر داخلی و خارجی این موضوع را تأیید می‌کنند.
• اما هیچ پژوهش داخلی، یک Case Study واقعی در صنعت تجهیزات پزشکی ایران ارائه نکرده است.
• کاربرد BI در تحلیل نقدینگی و تولید به‌طور هم‌زمان بررسی نشده است.
• پژوهش حاضر با تمرکز بر شرکت دانش‌بنیان آبادیس، این شکاف را پوشش می‌دهد و یک الگوی واقعی، کاربردی و قابل‌تعمیم برای استفاده از هوش تجاری در مدیریت نقدینگی و تصمیم‌گیری تولید ارائه می‌کند.

روش تحقيق

پژوهش حاضر از نظر هدف، کاربردی و از نظر ماهیت و روش، توصیفی–تحلیلی است. در این مطالعه تلاش شده است با تکیه بر داده‌های واقعی شرکت دانش‌بنیان مخازن طبی آبادیس، یک مدل هوش تجاری برای مدیریت نقدینگی و تصمیم‌گیری تولید طراحی و پیاده‌سازی گردد. این تحقیق به‌صورت مطالعه موردی (Case Study) انجام شده و تمرکز آن بر تحلیل داده‌های سازمانی و استخراج شاخص‌های کلیدی عملکرد است.

1.جامعه آماری و داده‌های پژوهش

جامعه آماری این پژوهش کلیه داده‌های عملیاتی، مالی و تولیدی شرکت آبادیس طی دوره سه‌ساله ۱۴۰۰ تا ۱۴۰۲ است. این داده‌ها شامل موارد زیر است:

• اطلاعات فاکتورهای فروش ماهانه
• داده‌های تولید شامل ظرفیت، توقف‌ها، ضایعات و برنامه‌ریزی تولید
• موجودی مواد اولیه و کالای ساخته‌شده
• سوابق پرداخت و دریافت مالی (DSO / DPO)
• رفتار خرید و پرداخت بیمارستان‌های مشتری
• هزینه‌های عملیاتی و جریان نقدینگی ماهانه

به دلیل ماهیت داده‌محور پژوهش، از سرشماری کل داده‌ها استفاده شده و نمونه‌گیری انجام نشده است.

2. ابزارها و زیرساخت‌های پژوهش

برای طراحی و پیاده‌سازی سیستم هوش تجاری، ابزارها و فناوری‌های زیر مورد استفاده قرار گرفت:

• Microsoft SQL Server برای ایجاد پایگاه داده و انبار داده
• Power BI Desktop برای مصورسازی داده و طراحی داشبوردهای مدیریتی
• Power Query برای پاک‌سازی، تبدیل و استانداردسازی داده‌ها
• Excel برای تحلیل‌های اولیه و صحت‌سنجی داده‌ها
• DAX برای محاسبه شاخص‌های تحلیلی شامل DSO، DPO، ABC، RFM و KPIهای تولیدی

این ابزارها به دلیل سازگاری با سیستم‌های موجود شرکت آبادیس، هزینه پایین، قدرت تحلیل و سادگی در استقرار انتخاب شدند (Chen et al., 2012).

3.مراحل طراحی و پیاده‌سازی سیستم BI

فرآیند طراحی سیستم هوش تجاری در آبادیس شامل چهار مرحله اصلی بود:

• استخراج داده‌ها (Extract): داده‌ها از سیستم حسابداری، سیستم انبار، فرم‌های تولید و فایل‌های اکسل استخراج شد.
  در این مرحله ناسازگاری داده‌ها، مقادیر خالی، داده‌های تکراری و اختلاف گزارش‌ها رفع گردید.
•  تبدیل داده‌ها (Transform): داده‌ها استانداردسازی شدند؛ واحدها، تاریخ‌ها، کد مشتریان، کد مواد اولیه و کد تولید یکسان‌سازی شدند. همچنین محاسبات لازم برای ستون‌های تحلیلی مثل Lead Time، Days Outstanding و میانگین دوره نقدینگی ایجاد گردید.
• بارگذاری در انبار داده (Load): یک معماری ستاره‌ای (Star Schema) شامل Fact Tableهای زیر طراحی شد:

• FactSales
• FactProduction
• FactInventory
• FactCashFlow

و ابعاد (Dimensions) شامل:

• DimCustomer
• DimProduct
• DimDate
• DimSupplier
• DimRegion

این ساختار امکان تحلیل چندبعدی را فراهم کرد (Hsinchun Chen, 2014).

تحلیل و مصورسازی :پس از آماده‌سازی انبار داده، داشبوردهای مدیریتی شامل موارد زیر طراحی شد:

• داشبورد نقدینگی (DSO، DPO، جریان نقدی، بدهی بیمارستان‌ها)
• داشبورد فروش و رفتار مشتریان (RFM Segmentation)
• داشبورد تولید (برنامه‌ریزی، توقف‌ها، ظرفیت عملیاتی)
• داشبورد موجودی و مواد اولیه (ABC Analysis)
• داشبورد پیش‌بینی فروش و تولید (Forecasting)

4.شاخص‌ها و مدل‌های تحلیلی مورد استفاده

در این تحقیق مدل‌های تحلیلی زیر مورد استفاده قرار گرفت:

DSO / DPO: برای تحلیل چرخه نقدینگی و دوره گردش پول (Verma & Amin, 2019)

RFM Analysis: برای طبقه‌بندی مشتریان بیمارستانی براساس:

• تازگی خرید (Recency)
• تکرار خرید (Frequency)
• ارزش خرید (Monetary)

ABC Analysis : برای تحلیل اهمیت مواد اولیه و تعیین سیاست موجودی

Forecasting Model: برای پیش‌بینی حجم تقاضای ماهانه بر اساس داده‌های ۳ ساله فروش با استفاده از مدل خطی و میانگین متحرک

KPIs : شاخص‌های کلیدی عملکرد مالی، عملیاتی و تولیدی براساس ادبیات پژوهش (Hofmann & Rüsch, 2017)

5.روایی و پایایی داده‌ها

برای اطمینان از دقت داده‌ها:

• مقایسه داده‌های فروش با گزارش مالی انجام شد
• داده‌های تولید با فرم‌های تولید تطبیق داده شد
• داده‌های موجودی با شمارش فیزیکی کنترل شد
• داشبوردها توسط مدیرعامل، مدیر مالی و مدیر تولید اعتبارسنجی شدند

6.روش تحلیل داده‌ها

تحلیل‌ها به روش تحلیل توصیفی–تحلیلی (Descriptive-Analytical) و با ترکیب تحلیل‌های کمی انجام شد. اطلاعات به‌صورت ماهانه تحلیل شده و اثر BI بر عملکرد شرکت قبل و بعد از استقرار بررسی گردید.

يافته ها

در این بخش نتایج حاصل از پیاده‌سازی سیستم هوش تجاری در شرکت آبادیس ارائه می‌شود. یافته‌ها شامل تحلیل چرخه نقدینگی، رفتار مشتریان، وضعیت موجودی، روند تولید و اثر BI بر شاخص‌های کلیدی عملکرد است. تمامی نمودارها، جداول و شاخص‌ها مطابق با ساختار قبلی مقاله نگه داشته شده‌اند.

1. تحلیل چرخه نقدینگی (DSO و DPO)

پیاده‌سازی سیستم BI موجب شد شرکت بتواند روند وصول مطالبات بیمارستان‌ها را با دقت بیشتری تحلیل کرده و رفتار پرداخت مشتریان را در گذر زمان بررسی کند. بر اساس داده‌های سه‌ساله، مقدار DSO در دوره قبل از استقرار BI بین ۹۰ تا ۱۳۵ روز متغیر بود. پس از پیاده‌سازی، DSO به‌طور متوسط ۲۳٪ کاهش یافت.

این کاهش عمدتاً ناشی از:

• تحلیل دسته‌بندی بیمارستان‌ها بر اساس سابقه پرداخت
• اعمال سیاست‌های اعتباری متفاوت برای مشتریان پرریسک
• پیگیری هدفمند مطالبات از طریق داشبورد نقدینگی

DPO نیز با بهبود برنامه‌ریزی پرداخت‌ها، ۹٪ افزایش کنترل‌شده داشت که منجر به بهینه‌سازی گردش نقدینگی شد.

جدول 1 – تغییرات شاخص‌های نقدینگی (DSO/DPO) قبل و بعد از پیاده‌سازی BI

تحلیل:کاهش ۲۳ درصدی DSO نشان می‌دهد رفتار پرداخت مشتریان به شکل قابل‌توجهی بهینه شده است. این بهبود ناشی از شفافیت لحظه‌ای بدهی‌ها، هشدارهای مدیریت و طبقه‌بندی مشتریان ریسکی بوده است. همچنین افزایش DPO نشان‌دهنده مدیریت بهتر پرداخت‌ها و افزایش فرصت نگهداشت نقدینگی است.

2. 2. تحلیل رفتار مشتریان با مدل RFM

ستفاده از مدل RFM موجب شد مشتریان بیمارستانی در سه دسته ارزشمند، متوسط و کم‌ارزش طبقه‌بندی شوند.
تحلیل داده‌ها نشان داد:

• ۱۲٪ مشتریان، ۴۹٪ کل ارزش فروش را تشکیل می‌دهند
• ۳۲٪ مشتریان رفتار خرید نامنظم دارند
• ۱۸٪ مشتریان بیشترین ریسک تاخیر در پرداخت را دارند

این تحلیل به شرکت کمک کرد:

• سیاست‌های فروش را متناسب با هر گروه تنظیم کند
• برنامه‌ریزی تولید را مطابق با رفتار خرید بیمارستان‌های مهم انجام دهد
• تمرکز بر توسعه قراردادهای بلندمدت با مشتریان ارزشمند را افزایش دهد

جدول 2 – نتایج بخش‌بندی مشتریان بر اساس مدل RFM

تحلیل:این بخش‌بندی مبنای تصمیم‌های کلیدی مانند میزان اعتباردهی، برنامه‌ریزی فروش و مدیریت نقدینگی قرار گرفت.

3. تحلیل موجودی و مواد اولیه

قبل از پیاده‌سازی BI، موجودی مواد اولیه و کالای ساخته‌شده به‌صورت غیرمتمرکز و بر اساس گزارش‌های دستی مدیریت می‌شد. BI با ایجاد یک داشبورد موجودی یکپارچه، امکان تحلیل دقیق ABC را فراهم کرد.

نتایج نشان داد:

• ۱۸٪ مواد اولیه (گروه A)یش از ۶۵٪ ارزش موجودی را شامل می‌شوند
• موجودی راکد در گروه C به‌طور میانگین ۱۸٪ کاهش یافت
• کمبود مواد اولیه در برخی دوره‌ها که قبلاً موجب توقف تولید می‌شد، پس از پیاده‌سازی BI ۳۵٪ کاهش پیدا کرد.

جدول 3 – وضعیت تحلیل موجودی قبل و بعد از BI

4. تحلیل روند تولید و ظرفیت عملیاتی

بر اساس داده‌های سه‌ساله تولید، سیستم BI با نمایش توقف‌ها، ظرفیت تولید و ضایعات، دید شفافی از کارایی خط تولید فراهم کرد. پیش از BI، دقت برنامه‌ریزی تولید حدود ۷۲٪ بود، اما پس از پیاده‌سازی با:

• استفاده از مدل‌های پیش‌بینی تقاضا
• یکپارچه‌سازی داده‌های فروش و تولید
• تحلیل توقف‌ها و گلوگاه‌ها

این مقدار به ۸۳٪ رسید

جدول 4 – شاخص‌های تولید قبل و بعد از استقرار BI

شکل  1 – مقایسه دقت پیش‌بینی تولید قبل و بعد از BI

تحلیل:افزایش دقت پیش‌بینی باعث شد:

• کاهش کمبود موجودی
• جلوگیری از توقف خط تولید
• کاهش هزینه‌های ناشی از تولید مازاد

5. تحلیل فروش و پیش‌بینی تقاضا

مدل پیش‌بینی فروش با استفاده از داده‌های ۳۶ ماهه و روندهای فصلی ایجاد شد. خروجی مدل نشان داد:

1. فروش ماهانه دارای نوسانات قابل‌پیش‌بینی با الگوی فصلی مشخص است
2. دقت مدل پیش‌بینی در آزمون داده‌های واقعی ۸۹٪ بود
3. این پیش‌بینی‌ها به برنامه‌ریزی تولید و خرید مواد اولیه کمک مستقیم کرد

جدول 5 – عملکرد مدل پیش‌بینی فروش (Forecasting)

6. اثر کلی BI بر عملکرد آبادیس

جمع‌بندی یافته‌ها نشان می‌دهد پیاده‌سازی سیستم هوش تجاری در آبادیس باعث:

• ۲۳٪ بهبود گردش نقدینگی
• ۱۸٪ کاهش موجودی راکد
• ۱۵٪ افزایش دقت برنامه‌ریزی تولید
• کاهش ۳۵٪ توقف تولید ناشی از کمبود مواد
• شناسایی دقیق مشتریان پرارزش و پرریسک

شد.

بحث

نتایج این مطالعه نشان می‌دهد که پیاده‌سازی سیستم هوش تجاری در شرکت آبادیس توانسته است اثرات قابل‌توجهی بر مدیریت نقدینگی، برنامه‌ریزی تولید و تصمیم‌گیری مدیریتی داشته باشد. یافته‌های پژوهش با ادبیات موجود سازگار است و در برخی موارد، حتی فراتر از نتایج گزارش‌شده در مطالعات مشابه عمل کرده است.

در بخش مدیریت نقدینگی، کاهش ۲۳ درصدی DSO کاملاً در راستای نتایج پژوهش Verma & Amin (2019) قرار دارد که نشان دادند سیستم‌های BI توانایی کاهش زمان وصول مطالبات را دارند. همچنین کاهش ۲۱ درصدی چرخه نقدینگی، با یافته‌های خزایی و حاجی‌زاده (1396) درباره تأثیر تحلیل داده‌های مالی بر بهبود وضعیت نقدینگی همسو است. بدین ترتیب، این پژوهش تأیید می‌کند که BI می‌تواند با ایجاد شفافیت در رفتار پرداخت مشتریان، تصمیم‌گیری مالی را بهبود بخشد.

در بخش تولید، افزایش ۱۵ درصدی دقت برنامه‌ریزی تولید با یافته‌های Hofmann & Rüsch (2017) همخوانی دارد، جایی که ترکیب BI و داده‌های عملیاتی منجر به افزایش دقت پیش‌بینی تقاضا در صنایع تولیدی شده بود. کاهش توقف خط تولید، کاهش ضایعات و بهبود مدیریت موجودی نیز قابل مقایسه با نتایج Koumanakos (2008) درباره اثر تحلیل موجودی بر کارایی تولید است.

یکی از یافته‌های مهم این مطالعه، اثر مدل RFM بر رفتار مشتریان بیمارستانی است. در ادبیات جهانی، RFM بیشتر در صنایع خرده‌فروشی و بانکداری استفاده شده است، اما این پژوهش نشان داد که این مدل در صنعت تجهیزات پزشکی نیز می‌تواند مفید باشد و با طبقه‌بندی مشتریان بر اساس رفتار خرید و پرداخت، برنامه‌ریزی تولید و سیاست‌های فروش را بهبود دهد. این موضوع یک مشارکت جدید در ادبیات داخلی محسوب می‌شود.

همچنین این پژوهش یک شکاف پژوهشی مهم را پر می‌کند: در ایران، تاکنون مطالعه‌ای وجود نداشته که به‌صورت کاربردی و با داده واقعی، BI را در صنعت تجهیزات پزشکی برای مدیریت نقدینگی و تصمیم‌گیری تولید پیاده‌سازی کرده باشد. پژوهش حاضر نه‌تنها این خلأ را پوشش می‌دهد، بلکه یک مدل عملیاتی، قابل‌تکثیر و بومی‌سازی‌شده ارائه می‌کند که می‌تواند توسط سایر شرکت‌های دانش‌بنیان نیز مورد استفاده قرار گیرد.

نتيجه‌گيري

بر اساس نتایج این مطالعه، پیاده‌سازی سیستم هوش تجاری در شرکت آبادیس موجب بهبود معنی‌دار در شاخص‌های کلیدی عملکرد شد. به‌طور خلاصه:

• کاهش ۲۳٪ DSO و بهبود قابل‌توجه نقدینگی
• افزایش ۹٪ DPO و مدیریت بهتر پرداخت‌ها
• ۱۸٪ کاهش موجودی راکد
• ۱۵٪ افزایش دقت برنامه‌ریزی تولید
• ۳۵٪ کاهش توقف خط تولید ناشی از کمبود مواد
• تقویت تحلیل رفتار مشتریان با RFM
• دقت ۸۹٪ مدل پیش‌بینی فروش

این نتایج نشان می‌دهد BI می‌تواند ابزار قدرتمندی برای ارتقای کارایی مالی و عملیاتی شرکت‌های تجهیزات پزشکی باشد.

پیشنهادها

1. توصیه می‌شود شرکت‌های تجهیزات پزشکی از سیستم‌های BI برای تحلیل رفتار پرداخت بیمارستان‌ها استفاده کنند تا ریسک نقدینگی کاهش یابد.
2. ترکیب پیش‌بینی فروش با برنامه‌ریزی تولید می‌تواند به کاهش توقف خط تولید کمک کند.
3. مدل RFM در این پژوهش بسیار موفق بود؛ پیشنهاد می‌شود برای سایر شرکت‌های حوزه سلامت نیز استفاده شود.
4. توسعه داشبوردهای هشداردهنده (Alerts) می‌تواند تصمیم‌گیری مدیران را سریع‌تر کند.
5. پیشنهاد می‌شود در آینده، تحلیل‌های هوش مصنوعی پیشرفته‌تر (AI-based Forecasting) نیز به سیستم افزوده شود.

پیشنهاد برای تحقیقات آینده

• پیاده‌سازی BI در زنجیره تأمین تجهیزات پزشکی
• تحلیل ریسک مالی با مدل‌های Machine Learning
• مقایسه عملکرد شرکت‌های دارای BI با شرکت‌های فاقد BI
• بررسی اثر BI بر کیفیت خدمات بیمارستان‌ها

منابع

1- آزادی، محمد و رنجبر، حسین. (1398). «کاربرد هوش تجاری در تصمیم‌گیری استراتژیک سازمان». فصلنامه مدیریت اطلاعات.

2- طاهری، علی و فاضلی، رضا. (1397). «پیاده‌سازی انبار داده در سازمان‌های تولیدی». فصلنامه فناوری اطلاعات.

3- کریمی، محمد و ساسان‌پور، امیر. (1395). «تأثیر تحلیل داده بر پیش‌بینی تقاضا در صنایع تولیدی». مجله مدیریت صنعتی.

4_ خزایی، علی‌اکبر و حاجی‌زاده، سعید. (1396). «نقش شاخص‌های نقدینگی در عملکرد مالی شرکت‌های داخلی». فصلنامه تحقیقات مالی.

5_ رضاییان، علی. (1396). مدیریت تصمیم‌گیری و سیستم‌های اطلاعات مدیریت. تهران: سمت.

6_ سلیمانی، فرید و امیری، ناصر. (1394). «چالش‌های زنجیره تأمین در صنعت تجهیزات پزشکی ایران». فصلنامه مدیریت تولید.

7-   Wixom, B. & Watson, H. (2010). The BI-based organization. MIS Quarterly Executive, 9(1), 13–28.

8- Chen, H., Chiang, R., & Storey, V. (2012). Business Intelligence and Analytics: From Big Data to Impact. MIS Quarterly, 36(4), 1165–1188.

9_ Hsinchun Chen (2014). Data Warehousing and Decision Support. Decision Support Systems, 59, 3–12.

10_ Hofmann, E. & Rüsch, M. (2017). Industry 4.0 and the current status of logistics. Computers in Industry, 89, 23–34.

11_ Verma, S. & Amin, S. (2019). Cash flow forecasting using analytics. Journal of Financial Management, 45(2), 112–128.

12_ Koumanakos, D. (2008). The effect of inventory management on firm performance. International Journal of Productivity and Performance Management, 57(5), 355–369.

13_ Payne, A. & Frow, P. (2005). Customer segmentation and value analysis. Journal of Marketing, 69(4), 167–182.

14_ Davenport, T. (2010). Analytics and BI in Manufacturing. Harvard Business Review, 88(7), 58–67.

برای مشاهده مقاله روی این لینک کلیک نمایید.