بعد از تکمیل انبار داده، موفقیت ‌به این بستگی دارد که انبار داده برای سازمان چگونه رونمایی خواهد شد. بسیاری از شرکت‌ها در این گام مشکل دارند و معمولاً این باعث می‌شود که استقرار انبار داده به شکست بینجامد. اصلی‌ترین دلیل که به نظر می‌رسد، فقدان آموزش‌های کافی از سوی شرکت برای کاربران است. بجای آموزش آن‌ ها با جزئیات دقیق، به یک مرور اجمالی اکتفا می‌کنند. هنگامی که کاربران شروع به استفاده از انبار داده می‌کنند با رویارویی با نتایج غلط ناامید می‌شوند و در نهایت نیز استفاده از آن را متوقف می‌کنند. انبار داده یک ابزار بسیار قوی است و باید افرادی از آن استفاده کنند که پیش‌زمینه و آموزش کافی در رابطه با آن دارند. برخی از شرکت‌ها تصمیم می‌گیرند که به تعداد محدودی ‌از کارمندان اجازه دسترسی به انبار داده دهند. در این صورت این کارمندان با درخواست‌های متعدد احاطه خواهند شد و در پاسخ‌گویی به تمام آن‌ ها با مشکل مواجه خواهند شد. بجای این کار باید یک رویکرد لایه‌ای مد نظر قرار گیرد. لایه‌های مختلف باید دارای تحلیل‌گرانی باشد که در زمینه انبار داده دارای آموزش هستند. سایر کاربران نیز باید از مارت دیتاها و ابزارهای کاربر نهایی نظیر داشبوردها استفاده کنند(مشبکی و دیگران، ۱۳۹۰).

بعد از این که انبار داده اولیه ساخته شد، به نظر می‌رسد که کار تمام شده است. معمولاً مرحله بعد که همکاری با کاربران تجاری برای مشخص کردن یک طرح برای استفاده از داده های درون انبار داده است، فراموش می‌شود. بعد از کسب این اطلاعات توصیه می‌شود که برای تسهیل انجام وظایف کاربران نسبت به ساخت همبسته‌ها یا مارت دیتاها اقدام شود. یک همبسته عناصر اطلاعاتی مشخصی را با هم ترکیب می‌کند و آن‌ ها را در یک قالب ساده شده ارائه می‌کند. این داده ها هم می‌تواند در یک رابطه یک به یک باشد و هم می‌تواند داده های خلاصه شده باشد. ‌به این ترتیب بجای این که کاربران با پیوندهای پیچیده در میان تعداد زیاد جداول کار کنند، اطلاعات مورد نیازشان را مشخص می‌کنند و توسعه‌دهنده یک همبسته برای آن ها ایجاد می‌کند، در نتیجه کاربران می‌توانند به اطلاعات مورد نیازشان به راحتی و با سرعت دسترسی داشته باشند. مارت دیتاها علاوه بر این می‌توانند برای ساخت یک مدل بسیار ساده‌شده‌تر از داده ها به کار روند. مارت دیتا می‌تواند دارای خلاصه‌سازی‌ها، محاسبات و تغییر نام داده ها باشد، به نحوی که کاربران راحت‌تر بتوانند به اطلاعات مورد نیازشان دسترسی داشته باشند. از ساختارهای متداول برای مارت دیتا مدل ستاره‌ای و دانه‌برفی است(غضنفری و دیگران، ۱۳۸۷).

از دلایل دیگر استقرار ناموفق هوش تجاری در سازمان‌ها انتخاب ابزار نامناسب می‌باشد. برای کاربردهای مختلف انواع ابزارهای متفاوت زیادی در اختیار است. می‌توان به عنوان مثال به ابزارهای ETL، گزارش‌گیری، داده‌کاوی، OLAP و ابزارهای مبتنی بر وب نظیر داشبوردها اشاره کرد. نکته مهم این است که باید با دقت و بررسی در نیازهای کاربران، مجموعه ابزاری انتخاب شود که به عنوان یک مکمل در انجام کارها استفاده داشته باشد. با توجه ‌به این که اکثر ابزارها چند عملکرد را با هم ارائه می‌کنند، اهمیت دارد که هر ابزار برای اطمینان از برآورده سازی نیازهای کاربران گزینش شود. در این رابطه نباید فقط به اظهارات تولیدکننده اکتفا کرد، بهتر است در محیط گزینش شود و از توانایی‌های آن اطمینان به عمل آید. اغلب اوقات مشاهده می‌شود که مشتریان تصمیم به استفاده از یک ابزار به خصوص می‌گیرند و علی‌رغم عدم تطابق با نیازمندی‌های شرکت به استفاده از آن ادامه می‌دهند. در صورتی که بعد از انتخاب یک ابزار مشخص شد که آن ابزار به درد سازمان نمی‌خورد، باید بدون هیچ تردیدی آن را کنار گذاشت و ابزار دیگری انتخاب کرد(انصاری و دیگران، ۱۳۸۹).

بارها و بارها مشاهده شده است که شرکت‌ها مبادرت به آغاز یک پروژه عظیم هوش تجاری می‌کنند و بعد از هزینه کردن مبالغ هنگفت، بعد از چند سال آن را در قفسه نگهداری کرده و هیچ بهره‌ای از آن نمی‌برند. بجای آغاز پروژه‌ای که سال‌ها به طول خواهند انجامید، بهتر است یک زیرمجموعه کوچک از اطلاعاتی که برای کاربران مفید خواهد بود انتخاب گردد و سعی بر ایجاد و عملیاتی کردن آن قسمت از انبار داده داشت. کاربران بعد از مشاهده نتیجه کار و استفاده از آن در یک مقیاس کوچک، می‌توانند بازخوردهای ارزشمندی برای طراحی کلی فراهم آورند. هرگز نباید قبل از ارائه راهکار به سازمان و دریافت بازخورد آن، منابع و زمان زیادی را هزینه کرد. رعایت این اصل در یک حالت تکراری و چرخشی برای موفقیت ضروری است(حقیقت و رضایی، ۱۳۹۰).

برای استقرار هوش تجاری در سازمان نباید پایانی در نظر گرفت، برخلاف کشیدن یک نقاشی که فرایند آن دارای یک آغاز و پایان است. در اسقرار هوش تجاری اتمام لایه اول به مثابه آغاز کار است. بعد از شروع کاربران به استفاده از راهکار ارائه شده، ممکن است مورد پسندشان واقع نشود و آن را کنار بگذارند و نیز ممکن است که آن را بپسندند و خواهان کاربردهای بیشتری شوند. در هر دو حالت باید با توجه به گام‌های قبلی و بررسی کارهای انجام شده، تغییرات و اصلاحات لازم طوری به عمل آید که تمام کاربران خواهان استفاده از آن شوند. همان طور که این راهکار تکامل پیدا می‌کند، می‌تواند یک بخش ضروری از کسب‌وکار گردد. نمی‌توان اطمینان داشت که در اولین نگارش از راهکار تمام نیازمندی‌های یک شرکت را برآورده ساخت، باید همگام با سازمان رشد و تکامل یابد(لاجوردی، ۱۳۹۱).

۲-۵-۱ کیفیت سیستم هوش تجاری و نحوه استفاده از اطلاعات:

سازمان نیاز به جمع‌ آوری داده های موجود در پاسگا های داده رابطه ای موجود در سازمان در یک انبار داده دارد که اطلاعات تاریخی سازمان را جمع‌ آوری و طبقه بندی نماید. این فرایند به کاربران سازمان فدرت زیادی در تجزیه و تحلیل و استخراج اطلاعات مورد نیاز را خواهد داد(سارین و همکاران، ۲۰۰۹). پردازشهای تحلیلی آنلاین و موتور های تجزیه و تحلیل اطلاعات: نرم افزارهای پردازشهای تحلیلی آنلاین یک لایه جداساز بین انبارهای داده مختلف سازمان و کاربران نهایی سیستم ایجاد می‌کنند و امکان دستیابی به امکانات زیادی را برای کاربران فراهم می‌کنند(نیکومران، ۱۳۹۱).

چالش عمده سازمان ها در استقرار هوش تجاری، بحث یکپارچگی و تجمیع داده های سازمان در قالب انبار داده است. معمولا داده ها در یک سازمان توسط نرم افزارها و سیستم های اطلاعاتی مختلفی جمع‌ آوری می‌شوند و همین موضوع باعث مشکل شدن کار تجمیع داده ها می شود. ۹۰٪ از پرژه های انبار داده در سازمان ها که با شکست مواجه شده اند، از همین مشکل رنج میبرده اند(انصاری و دیگران، ۱۳۸۹).

وقتی انبار داده مورد نظر سازمان به تمام زیر سیستم ها و نرم افزارهای سازمان وابسته باشد، در صورت بروز مشکل در یک سیستم، کل پروژه دچار و شکست خواهد شد و این اصلا ریسک مناسبی در اجرای پروژه نمیباشد. ‌بنابرین‏ راه حل مناسب، شکستن برنامه های بزرگ وابسته به قطعات کوچکتر مستقل است، با این روش، شکست یک عنصر، منجر به شکست کل برنامه نمیشود. برای سازمان های بزرگ با منابع داده و سیستم های اطلاعاتی مختلف، مدل زیر پیشنهاد می‌گردد: