论文部分内容阅读
企业级BI系统的构建是一个系统工程,它有三个层次,从低到高依次是商业模型设计、数据的集成和数据的分析,需要一步一步地完成。
企业信息化在中国发展了20多年,先后经过了以财务软件为核心的企业电算化阶段和以企业进销存计划和控制为核心的ERP阶段,如今已经进入了以企业数据智能分析为核心的企业精细管理信息化阶段。事实上,这三个发展阶段也是和中国企业本身的发展需求相适应的,也就是说中国企业已经从粗放式管理的做大模式逐渐过渡到精细化管理的做强模式,而BI(Business Intelligence)正好可以满足企业精细化管理的需要。
BI,即商务智能,是用来帮助企业更好地利用数据提高决策质量的技术集合,是从大量的数据中钻取信息与知识的过程。从技术角度说,BI 是一种运用了数据仓库、在线分析和数据挖掘等技术来处理和分析数据的技术,目的是为企业决策者提供决策支持。但技术并不是BI的全部,BI是管理手段和信息技术的融合。
企业级商业智能的构建是一个系统工程,它有三个层次,需要一步一步建设。第一个层次Business i-Mode是整个BI工程的基础,第二个层次Business Integration 是整个BI工程的技术实现基础,第三个层次Business Intelligence才是真正意义上的商业智能的软件实现。这三个层次相辅相成,缺少任何一个层次,企业都没有办法形成完整的BI体系。希望中国的企业在实践中结合BI的三个层次理论来完成整个企业级商业智能体系的建设。
第一层:
企业商业模型设计
企业级BI系统的第一个层次是Business i-Mode。i-mode(Information-Mode)是指基于信息系统的企业商业模型设计,这是BI的基础。在做商业智能分析之前,我们要了解为谁分析和分析什么。比如: 企业要确定战略,就要有历史数据支撑其决策,我们需要先知道需要什么决策信息,这些决策信息要通过什么商业模型才能得到。接下来再从信息系统中挖掘这些数据,并通过模型计算得到这些决策信息。这个基于BI的系统,叫DSS(数据决策支持系统)。DSS为管理层提供不同模式下的商业价值分析。比如,在人力资源系统中企业需要找到与战略相匹配的人才,就需要先建立人才筛选模型,确定战略人才有什么特征然后通过数据挖掘,把企业的战略人才找出来。
再比如,在销售管理系统中企业要找到有价值的客户群,就需要建立客户价值模型,再根据高价值客户的特征,通过数据挖掘,筛选出企业的高价值客户,并针对这些高价值客户进行有针对性的精准营销和交叉销售。沃尔玛曾经对超市一年多原始交易数字进行详细地智能分析,发现了尿布和啤酒神奇的组合。它把尿布和啤酒摆在一起出售,使得尿布和啤酒的销量双双增加。沃尔玛商业智能分析的基础就是他们建立的交叉销售预测模型。
因为各个企业的运营模式不一样,需要的模型也不一样,很难有现成的软件去解决企业个性化的模型需求。正因为如此,管理咨询公司结合BI的软件厂商共同为企业提供整体解决方案将成为BI市场的主流。
第二层:
不同系统的数据整合
第二个层次的BI是Business Integration,即不同信息系统的数据整合,这是BI的技术实现基础。因为随信息系统在企业的普及,一个企业里一般存在大量不同类型的管理软件,如ERP、CRM、EIP、OA、CAD、CAPP、PDM等。每个管理软件都会产生自己的管理数据,BI需要从不同的系统和数据库中挖掘这些数据,这就需要全企业数据规则的统一。
现在主流ETL数据处理技术解决了这个问题,ETL是数据抽取和转换的中枢,ETL架构的目标是提供一个长期的框架和基础,允许企业在业务需求改变和扩展的过程中对数据进行维护,而充分利用ETL工具会帮助企业建立一个易于支持和维护的数据流水线处理流程。ETL工具从源系统中取得数据,然后存储到数据代理层,并依据需要转换的数据格进行排序、去重、验证、标准化、清理、编码译码、检查、进行数据业务转换和整合。在把不同的软件系统的数据整合完成后,真正的数据智能分析才可以真正开始。
第三层:
数据的智能分析
第三个层次的BI是Business Intelligence,也就是数据的智能分析,这才是现在我们真正意义上的BI。BI软件将各业务单位的数据通过整合,建成数据仓库,然后采用商业智能手段为集团统一视角把控、分析生产经营情况和决策提供信息化辅助手段。BI是计算机技术(包括数据仓库、数据集市技术、数据挖掘技术)和企业管理技术(包括统计、预测等运筹学方法)的综合。BI可以在数据管理功能(从多个数据源为特定应用领域的信息系统进行联机事务处理)、数据分析功能(具备联机分析处理等多种数据分析功能、终端信息查询和报表生成能力、数据可视化能力)、知识发现功能(从大型数据库的数据中提取人们感兴趣的知识的能力)、企业优化功能(企业决策者可以根据从BI系统中得到的决策支持信息,增强企业的竞争能力)等方面为企业提供管理帮助。
链接
部署BI的7个原则
1. 确保BI系统所用的数据是高质量的。在数据的输入、维护、处理以及存储过程中都有可能引起数据的错误,而低质量的数据会导致分析结果的错误,也使得最终决策缺乏科学的依据。数据质量保证是一个改善数据质量的有效办法,数据质量保证不仅涉及到查找并修复丢失或错误的数据,还意味着保证不论数据来自哪个应用程序、用于什么用途,都能为业务提供全面、一致而且适时的数据。
2. 对用户进行必要的培训。不仅在BI项目开始之前要对用户进行培训,后期也应该定期开展培训。因为随着时间的推移,可能有新的使用者加入,而且对一些关键词汇的定义也可能发生变化。
3. 迅速部署,然后在使用过程中根据需求逐步调整。不要花太多时间来开发看似“完美”的报表,因为需求会随着业务的发展而演变。初期只要能提供最关键的报表和分析功能就可以上线,然后在应用中逐步完善。
4. 从一开始就采取统一的综合性的措施来建立数据仓库。数据是BI的基础和灵魂,数据的抽取和清洗是建立数据仓库时的基础性工作。通常数据仓库会有多个数据源,真正进行数据的抽取和转化之前需要认真规划。
5. 在项目开始之前定义明确的投资回报率。要明确期望达到的目标,然后每季度或半年检查一次是否实现了这个目标、需要做出什么调整。
6. 专注于一些重点业务目标,而不要太分散,这样可以集中力量达成目标。
7. 永远不要因为你认为需要BI就购买BI软件。不要先购买了BI软件再去考虑哪些地方可能需要,而应该是已经明确在哪些地方需要应用BI后再去购买和部署。这个顺序不能颠倒。
企业信息化在中国发展了20多年,先后经过了以财务软件为核心的企业电算化阶段和以企业进销存计划和控制为核心的ERP阶段,如今已经进入了以企业数据智能分析为核心的企业精细管理信息化阶段。事实上,这三个发展阶段也是和中国企业本身的发展需求相适应的,也就是说中国企业已经从粗放式管理的做大模式逐渐过渡到精细化管理的做强模式,而BI(Business Intelligence)正好可以满足企业精细化管理的需要。
BI,即商务智能,是用来帮助企业更好地利用数据提高决策质量的技术集合,是从大量的数据中钻取信息与知识的过程。从技术角度说,BI 是一种运用了数据仓库、在线分析和数据挖掘等技术来处理和分析数据的技术,目的是为企业决策者提供决策支持。但技术并不是BI的全部,BI是管理手段和信息技术的融合。
企业级商业智能的构建是一个系统工程,它有三个层次,需要一步一步建设。第一个层次Business i-Mode是整个BI工程的基础,第二个层次Business Integration 是整个BI工程的技术实现基础,第三个层次Business Intelligence才是真正意义上的商业智能的软件实现。这三个层次相辅相成,缺少任何一个层次,企业都没有办法形成完整的BI体系。希望中国的企业在实践中结合BI的三个层次理论来完成整个企业级商业智能体系的建设。
第一层:
企业商业模型设计
企业级BI系统的第一个层次是Business i-Mode。i-mode(Information-Mode)是指基于信息系统的企业商业模型设计,这是BI的基础。在做商业智能分析之前,我们要了解为谁分析和分析什么。比如: 企业要确定战略,就要有历史数据支撑其决策,我们需要先知道需要什么决策信息,这些决策信息要通过什么商业模型才能得到。接下来再从信息系统中挖掘这些数据,并通过模型计算得到这些决策信息。这个基于BI的系统,叫DSS(数据决策支持系统)。DSS为管理层提供不同模式下的商业价值分析。比如,在人力资源系统中企业需要找到与战略相匹配的人才,就需要先建立人才筛选模型,确定战略人才有什么特征然后通过数据挖掘,把企业的战略人才找出来。
再比如,在销售管理系统中企业要找到有价值的客户群,就需要建立客户价值模型,再根据高价值客户的特征,通过数据挖掘,筛选出企业的高价值客户,并针对这些高价值客户进行有针对性的精准营销和交叉销售。沃尔玛曾经对超市一年多原始交易数字进行详细地智能分析,发现了尿布和啤酒神奇的组合。它把尿布和啤酒摆在一起出售,使得尿布和啤酒的销量双双增加。沃尔玛商业智能分析的基础就是他们建立的交叉销售预测模型。
因为各个企业的运营模式不一样,需要的模型也不一样,很难有现成的软件去解决企业个性化的模型需求。正因为如此,管理咨询公司结合BI的软件厂商共同为企业提供整体解决方案将成为BI市场的主流。
第二层:
不同系统的数据整合
第二个层次的BI是Business Integration,即不同信息系统的数据整合,这是BI的技术实现基础。因为随信息系统在企业的普及,一个企业里一般存在大量不同类型的管理软件,如ERP、CRM、EIP、OA、CAD、CAPP、PDM等。每个管理软件都会产生自己的管理数据,BI需要从不同的系统和数据库中挖掘这些数据,这就需要全企业数据规则的统一。
现在主流ETL数据处理技术解决了这个问题,ETL是数据抽取和转换的中枢,ETL架构的目标是提供一个长期的框架和基础,允许企业在业务需求改变和扩展的过程中对数据进行维护,而充分利用ETL工具会帮助企业建立一个易于支持和维护的数据流水线处理流程。ETL工具从源系统中取得数据,然后存储到数据代理层,并依据需要转换的数据格进行排序、去重、验证、标准化、清理、编码译码、检查、进行数据业务转换和整合。在把不同的软件系统的数据整合完成后,真正的数据智能分析才可以真正开始。
第三层:
数据的智能分析
第三个层次的BI是Business Intelligence,也就是数据的智能分析,这才是现在我们真正意义上的BI。BI软件将各业务单位的数据通过整合,建成数据仓库,然后采用商业智能手段为集团统一视角把控、分析生产经营情况和决策提供信息化辅助手段。BI是计算机技术(包括数据仓库、数据集市技术、数据挖掘技术)和企业管理技术(包括统计、预测等运筹学方法)的综合。BI可以在数据管理功能(从多个数据源为特定应用领域的信息系统进行联机事务处理)、数据分析功能(具备联机分析处理等多种数据分析功能、终端信息查询和报表生成能力、数据可视化能力)、知识发现功能(从大型数据库的数据中提取人们感兴趣的知识的能力)、企业优化功能(企业决策者可以根据从BI系统中得到的决策支持信息,增强企业的竞争能力)等方面为企业提供管理帮助。
链接
部署BI的7个原则
1. 确保BI系统所用的数据是高质量的。在数据的输入、维护、处理以及存储过程中都有可能引起数据的错误,而低质量的数据会导致分析结果的错误,也使得最终决策缺乏科学的依据。数据质量保证是一个改善数据质量的有效办法,数据质量保证不仅涉及到查找并修复丢失或错误的数据,还意味着保证不论数据来自哪个应用程序、用于什么用途,都能为业务提供全面、一致而且适时的数据。
2. 对用户进行必要的培训。不仅在BI项目开始之前要对用户进行培训,后期也应该定期开展培训。因为随着时间的推移,可能有新的使用者加入,而且对一些关键词汇的定义也可能发生变化。
3. 迅速部署,然后在使用过程中根据需求逐步调整。不要花太多时间来开发看似“完美”的报表,因为需求会随着业务的发展而演变。初期只要能提供最关键的报表和分析功能就可以上线,然后在应用中逐步完善。
4. 从一开始就采取统一的综合性的措施来建立数据仓库。数据是BI的基础和灵魂,数据的抽取和清洗是建立数据仓库时的基础性工作。通常数据仓库会有多个数据源,真正进行数据的抽取和转化之前需要认真规划。
5. 在项目开始之前定义明确的投资回报率。要明确期望达到的目标,然后每季度或半年检查一次是否实现了这个目标、需要做出什么调整。
6. 专注于一些重点业务目标,而不要太分散,这样可以集中力量达成目标。
7. 永远不要因为你认为需要BI就购买BI软件。不要先购买了BI软件再去考虑哪些地方可能需要,而应该是已经明确在哪些地方需要应用BI后再去购买和部署。这个顺序不能颠倒。