商业智能在现代企业中的应用研究

商业智能在现代企业中的应用研究： 1 引 言

商业智能(Business Intelligence，简称BI)被人们称为“混沌世界中的智能”。它代表为提高企业运营性能而采用的一系列方法、技术和软件，它能够从传统业务系统中获取各类客户数据和业务数据，曲此建立多层次的分析体系，并将其转化成有商业意义的信息。

商业智能把先进的信息技术应用到整个企业，不仅为企业提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势。商业智能系统对于企业发现市场新机会、创造竞争新优势的作用是显而易见的，但企业在真正实施商业智能过程中，并不都是一帆风顺，很多企业在商业智能方面进行了巨额的软硬件及人力投资，却并没有给企业带来预期的管理效率。

商业智能在现代企业中的应用研究： 2 商业智能技术体系框架

商业智能的概念最早是Gartner Group于1996年提出来的。当时将商业智能定义为一类由数据仓库(或数据集市)、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。商业智能所涉及的技术与应用，在Gartner Group命名之前就有，起初被称为经理信息系统(EIS)，在演化成商业智能之前叫决策支持系统(DSS)。

目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里的数据包括来自企业业务系统的订单、库存、交易账目、客户和供给商资料，来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。

为了将数据转化为知识，需要利用数据仓库、联机分析处理(Online Analytical Processing，简称OLAP)工具和数据挖掘等技术。因此，从技术层面上讲，商业智能技术并不是基础技术或者产品技术，它是数据仓库、OLAP和数据挖掘等相关技术走向商业应用后形成的一种应用技术。与一般的信息系统不同的是，商业智能在处理海量数据、数据分析和信息展现等多个方面都具有突出性能。

商业智能系统(如图1所示)主要包括数据预处理、建立数据仓库、数据分析及数据展现四个主要阶段。数据预处理是整合企业原始数据的一步，它包括数据的抽取、转换和装载三个过程。建立数据仓库则是处理海量数据的基础。数据分析是体现系统智能的关键，一般采用联机分析处理和数据挖掘两大技术。

联机分析处理不仅进行数据汇总／聚集，同时还提供切片、切块、下钻、上卷和旋转等数据分析功能，用户可以方便地对海量数据进行多维分析。数据挖掘的目标则是挖掘数据背后隐藏的知识，通过关联分析、聚类和分类等方法建立分析模型。预测企业未来发展趋势和将要面临的问题。在海量数据和分析手段增多的情况下，数据展现则主要保障系统分析结果的可视化。

图1 商业智能技术体系框架

商业智能在现代企业中的应用研究： 3 商业智能应用现状和存在的问题

2006年1月Gartner Group公布的对1400位CIO访谈结果显示，商业智能被CIO们列为企业优先考虑的十大技术之首。2006年9月，由商务周刊(Business Week)发起的对商业智能价值调查的结果显示，绝大多数的公司都认为他们大规模的或战略性的商业智能实施正在为公司带来预期的回报。从全球范围来看，商业智能已经成为最具有前景的信息化领域，是当前企业最为关注的技术热点，是ERP后最有发展前景的信息技术。

从国内来看，商业智能也是企业信息化中最需要的组成部分，越来越多的企业提出他们对商业智能的需求，把商业智能作为一种帮助企业达到经营目标的一种有效手段。据ChinaBI(中国商业智能网)统计，2007年中国大陆地区(不含港、澳、台)的商业智能市场份额约为20亿元人民币，比2006年增长35％，其中商业智能产品许可汪约为9亿元人民币；商业智能系统集成(不包括许可证)约为11亿元人民币。

在未来几年内商业智能市场需求旺盛，市场规模增长迅速。商业智能无疑是当前企业管理中最为前沿的实践应用，但商业智能实施成功的概率却不容乐观，有统计数字显示，在国外，投资建设商业智能的企业有60％～70％以失败告终，而在中国，这个数据可能会更岛。也就是说，对于大多数企业而言，信息至今仍是一笔未被充分挖掘的资产，大多数企业还没有从花费巨资所构建的BI系统中享受到应有的益处。具体来说，企业在部署BI的过程中，常常存在以下问题和误区：

3.1 系统需求不明确，与业务割裂

许多企业对BI系统的应用需求不明确，往往在启动BI项目的最初目标比较单纯，只是为r吸引企业领导能够多使用系统(而使用的方式，大都局限于信息查询或报表查询)，企业决策层对BI系统的用途及如何得到投资回报也并很不清楚。在系统实施前，没有专门的咨询顾同，甚至没有专门人员对系统需求进行调研和细化。以至直接导致在系统实施过程中，实施人员在系统设计时对使用人员的需求考虑不够全面，如：只是单纯地进行数据抽取和报袁统计，没有充分考虑到分析的重点和分析意义；单纯的报表和数据罗列，未考虑到结果展示的重要性和使用便捷性等等。

所建立起来的BI系统里尽管也是满满当当的数据和报表，也可支持数据的抽取和查看，但系统并不适合使用。究其根本原因很简单，就是企业在实施BI系统时与业务之间是断裂的，系统对于经营分析缺少考虑。

3.2 系统贪大求全

企业贪大求全的心态是阻碍BI系统成功最直接的诱因。BI在企业的应用中是多层次的，其庞大程度超过任何一个业务处理系统。许多企业上BI之前，都会先建一个庞大的数据仓库，但是如果企业数据存储容量未达10 TB，建立数据仓库不但耗费资源，还会带来种种问题。

3.3 无法提供高质量的数据

无法提供高质量的数据也是BI部署中常见的问题。比如由于数据仓库的数据来自于多个数据源，有的数据库中信息有几千万条，但是因为标准不统一，所以数据的一致性很难得到保证，因此这些信息需要专业的工具来清洗和改良。此外，根据企业政策的不同，有时很难得到所有必要的数据元素，有些数据可能包含机密信息或者高明感度的细节。再则有些数据可能来自于合作伙伴，他们的数据源可能并不是完全开放。

3.4 系统的易用性较差

据美国《信息周刊》的调查表明：针对非技术员工的易用性问题是妨碍BI方案部署的首要障碍，也就是说，对于非技术人员而言，系统操作的简便程度如何，很可能成为能否普及刚的一大关键。另据凋查，企业中只有15％的人员在实际工作中采用了商业智能的工具，而且，除非厂商在简化用户界面方面取得突出的进步，否则这种情形很难改变。最终用户希望简捷、自动地获取信息，而不足被迫学习和认知一个全新的环境，或者依赖于IT部门的帮助。

商业智能在现代企业中的应用研究： 4 成功实施商业智能的对策

基于上述对BI系统应用现状和问题的分析，可以看到，BI系统不成功的主要原因在于系统与业务脱节、实施者存在贪大求全的错误思想、企业对基础信息的不重视以及操作复杂等的方面，针对这些具体问题，建议进行以下几个方面的改进：

4.1 关注核心，避免与业务脱节

企业实施商业智能项目，并不是分析工具和分析引擎越多越好，应筛选对企业最适用的模块并加以定制化。商业智能要想大做小，从最迫切的业务入手。先把最紧要的业务管理起来，以便迅速响应市场需求，做出最佳决策。积累了一定经验后，再逐渐增加商业智能系统继续对其他业务进行决策分析，这样可以在一定程度上规避风险。

避免商业智能与业务脱节是保证商业智能成功实施并获得良好应用的关键所在。商业智能项目应以业务驱动而非IT驱动，也就是说应该由业务部门的需求主导软件的设计和开发，商业智能项口的设计、规划和实施应当从了解商业、商业流程，理解商业运行模式开始。但在实际项目实施过程中，由于业务人员的水平经常不足以达到提出企业未来的管理模型架构，因此，若出于这样的同题，企业应该给予IT部门绝对的权威，让它有权要求业务部门配合IT部门共同协商提出需求模型，以尽量准确地把握企业的业务发展方向。

而对于IT人员，则可以考虑以F建议去更好的了解和适应终端用户的真实需求：其一，选择灵活的、动态的商业智能技术，以应对业务环境不断变化的挑战；其二，参考商业智能厂商的行业模版，从中获得同类企业的应用信息；第三，基于统一的灵活的平台进行二次开发；第四，确保获得干净的、准确的原始数据。

4.2 独立业务规则模决，构建业务规则引擎

业务规则(Business Rules)是所有绩效管理系统(Performance Management System)和商业智能项目的核心基础。在业务规则的基础上，报告生成系统能够自动解释数据，为特定目标设定关键绩效指标(KPIs)，并为解决问题提供建议。

在很多前期的商业智能系统中，业务规则通常是设定在数据仓库的ETL过程中，或是在设计一些特定的报表时被编码在商业橱能工具里了，也就是说，业务规则是包含在应用程序内的业务逻辑中的。每当需要更改规则的时候，这种嵌入了规则应用程序都需要修改应用程序代码，这就加大了定制和扩展的难度。而如果将业务规则从应用程序中独立出来，可以使分析员能够描述独立于应用程序逻辑的处理规则。

这种独立规则模块的方法其优点主要体现在四个方面：首先，业务规则对使用者是透明的，有利于使用者更好地理解尚无规则并发现问题；其次，便于在商业智能设计、实施和使用过程中进行业务规则的不断修正；第三，能避免大量的冗余，以及更新过程中大星的复制工作；第四，能够实现跨部门的、企业层的管理和使用，各部门能够实现对业务规则的统一定义，避免歧义，从而提高效率。

在独立规则模块的基础上，进一步考虑构建业务规则引擎。业务规则引擎足业务规则的一个独立的业务逻辑构件，它能捕获商业活动或者业务流程中的一些重要的知识，并能把这些知识应用到实际业务中；或者也可以看作是“专家系统”，可使用业务规则引擎来分析一个数据集，从中得出某个(些)论断。业务规则引擎在功能上的主要好处在于：首先，在可变性情况下业务策略或规则的客观化，这种情况下将业务规则标注插入应用程序代码或业务流程流中；其次，规则引擎用于以一种直观的方式表达规则的语言；第三，规则引擎用于运行规则的执行环境；最后，它允许用户创建和修改业务规则的工具。

4.3 整合结构化与非结构化数据

以往，商业智能主要是关注那砦比较容易获取的数据，即以流程为核心的结构化信息——存储在内部数据库中的数据和文本。而现在，越来越多的企业已经意识到，还有更多的业务信息存在于非结构化的数据源中，例如像客户呼叫记录、分析报告等信息都存在于ERP、CRM和财务软件之中。

据META Group估计，平均70％的企业信息资产是非结构化的形式，这些数据对企业发展非常有价值的信息，比如市场的整体表现以及竞争对手的表现等。由于非结构化数据的形式与结构化数据集成难度很大，使得非结构化数据的使用价值受到限制。因此，企业越来越需要一种统一的商业智能平台来挖掘、分析和利用所有这些信息，解决各种非结构化或者半结构化的数据信息的采集、管理、利用、传递和增值，并将它们有机地整合纠结构化数据的商业智能环境中，以此来实现企业内容价值链的最优化。

4.4 增强数据可视化功能

商业智能市场的火热反映出企业对有价值信息的渴求，而其实本质上，企业需要商业智能做的是透过数据提供出对市场环境和企业运营管理的一种洞察力，一种基于对过去历史数据分析的预测能力。当前，数据可视化需求的呼声日益高涨，其主要原因在于，一方面是业务与IT的日益结合带来的非IT人员理解、应用IT的需求；另一方面是数据可视化技术本身可以带来的智能分析和调查的高效率。

数据的可视化功能应能以图形的方式对数据和数据间的关联进行描述和展现，并运用关联分析、网络分析、路径分析、时间序列分析、空间分析等图形分析方法发现和揭示数据中隐含的公共要素和关联，帮助客户将大量、未知质量、低关联、低价值的信息转化成少量、易理解、高关联性、可操作的洞察力。

4.5 重视非技术因素和策略

商业智能实施的成功与否，除了技术层面的因素外，还需要重视非技术层面的因素和策略。

首先，要明确系统需求，确定系统目标。企业在准备应用商业智能系统之前，需要理智地进行立项分析：企业是不是到了该应用商业智能系统的阶段？企业当前最迫切需要解决的问题是什么，商业智能系统是否能够解决？商业智能系统的投资回报率或投资效益的分析？在财力上企业能小能支持商业智能的实施？实施商业智能的目的所在，到底为什么，系统到底能够解决哪些问题和达到哪些目标？基础管理工作有没有理顺？同时，将分析结果写成需求分析和投资效益分析正式书面报告，从而做出是否实施商业智能项目的正确决策。

其次，要完善企业信息基础和项目管理体系。商业智能本身是企业在信息化具备一定基础的条件下出现的一种管理方法。企业的信息基础是商业智能导入后的正常运作的前提，只有做好了信息的基础工作，商业智能才有了基本的运行平台，如果企业的数据库等基础工作没有到位，商业智能方面的投资再大，其结果也只能是徒劳。另外，企业在商业智能应用过程中还必须从系统工程和科学管理的角度出发，建立健全工程项目管理体系和运作机制，主要包括：制订明确、量化的商业智能应用目标，进行商业智能等现代管理知识的培训教育，引入企业管理咨询，进行商业智能项目需求分析，开展企业管理创新，实行业务流程重组，实行商业智能项目监理制和实行商业智能项目评价制等。

第三，要加强培训，提高认识。培训也是成功实施商业智能系统的重要因素。商业智能项目培训的目的是为了增加人们对商业智能相关知识的了解和规范管理人员的行为方式。通过培训不仅要让用户的各级管理人员明确什么是商业智能，商业智能的实施将给企业带来哪些变化，同时还要他们明确实施商业智能后各个岗位的人员如何进行新的工作方式。

商业智能在现代企业中的应用研究： 5 结 语

实践证实，商业智能系统正逐步成为现代企业管理中一把面向未来竞争的利剑，推动着企业管理实现数字化、精细化、科学化。同时，商业智能也是一个年轻而充满希望的研究领域，商业利益的强大驱动力将会不停地促进它的发展，每年都会有新的商业智能的理论和应用问世，随着商业智能应用的不断深入，企业还将面临着更多的问题和挑战，等待我们去深入探索和研究。