商业智能是一面镜子，会使用它的人可以看到自己的不足和发展的方向，不会使用它的人则望而却步。
商业智能是一个新鲜的词汇，有人甚至将其与人工智能相提并论。还有人认为只有大型企业或垄断企业才能升级到使用商业智能的阶段。
剥去“炫耀”外衣
商业智能其实就是一种数据分析，将数据转化为信息，最终为企业决策者使用。商业智能包含的内容比较丰富，比如数据仓库、多维分析、预测、数据挖掘等。很多中小型企业通过自身的信息化，积累了几年的历史数据，而商业智能的主要用途就是分析这些历史数据，从历史数据中找到企业新的发展方向和市场机会。
从这点来看，商业智能的使用不是取决于企业规模的大小，而企业对数据的积累是否达到一定层次。这个阶段总的来说分为三个特征:
第一，企业是否有连续的数据积累下来，少则1年，多则5年;第二，企业的数据是否完整;第三，企业决策者是否养成以数据说话的习惯。只要具有以上特征的企业，都可以进入商业智能领域。三者都缺少的企业，无论规模如何，都无法将商业智能成功上线。
在中国，企业希望部署商业智能，但是无从下手，即不知道商业智能是什么，也不知道上了商业智能后企业能得到什么，所以大部分企业都是雾里看花。所以BI厂商必须对企业进行推广培训，让企业清楚的看到商业智能的本质，并且使用了商业智能后所带来的效果会是什么样。有些企业参与了厂商体验式培训后，马上决定并实施商业智能的项目。
积累数据 关注现代管理
商业智能的基础是数据，而不是系统。ERP只是采集数据的一种方式，与其相似的系统有CRM（客户关系管理系统），HRMS（人力资源系统），EOS（网上订单系统）等。
例如有一家企业，由于所要分析的数据不是来自企业内部，而是来自于市场，所以这家企业是将各类市场数据输入到Excel报表里，再定期通过邮件发回到总部，通过数据抽取工具导入数据仓库中，并实现最终的数据分析。这个项目很成功，也很有效果。企业的老总可以在3张报表中看到客观的市场表现。这个例子说明，只要拥有数据的积累和决策者的关注，就能发挥商业智能的特长。
商业智能是一种工具，它只给那些关注、关心、强调数据的人去看的。
如果企业的各个部门都十分看重企业日常经营所产生的数据，那么商业智能就可以为这些部门提供各自的帮助。反正，如果每个部门都安于现状，缺少企业主人翁意识，那么到头来商业智能只能服务于企业的高层。更有甚者，企业的决策者对数据也不关心，那么结果可想而知。
商业智能不同于一般的报表制作工作，它所描述是一套系统的、完整的客观现实。对于即将踏入商业智能领域的企业，务必要清楚商业智能的用途，过分强调数据的展现格式会导致商业智能项目的范围不清、目的不明，最终以失败告终。所以，厂商的培训与宣传可以让企业真正的了解商业智能的用途，知道它能干什么，不适合干什么。
商业智能三阶段
商业智能是一个过程，它体现了企业决策者对数据的认识过程。一个新上任的领导，第一步是了解企业内部的各种数据:员工多少人，经营额多少，有没有外债，产品的定价，库存还有多少等等，这些都是数据，但数据都存在于不同的部门之中。所以第二步就是实现各部门各环节的数据共享。有了这些基础数据，经加工，就可以得到企业是否在赚钱，赚哪几个产品的钱，利润率是多少，最大的成本是哪几部分组成。于是，企业的自身竞争力就体现出来了，然后就是对市场的分析，对竞争对手的分析，这就是第三阶段。所以，商业智能的平民化可以通过越来越多的人去接触它、体验它来达到。
商业智能不是万能的
员工和领导的关注点是不一样的。同样，商业智能不是万能的，它不能使企业中的每个员工都成为数据分析大师。我们所提倡的“以数据来讲话”的意识，这是由企业文化所决定的。
举个例子，如果你问我今天天气怎么样，我会回答:“挺热的，有点风”。如果是一位犹太人回答此问题，他会说:“今天气温达到了32度，阵风3级。”这说明我们对数据的意识很模糊。
商业智能不能让每位员工都能作决策，举个例子，企业总部对每位市场人员都有一套考核的方法，但并不是十全十美，而一位员工通过不同类型的报表向总部提出了自己的看法，认为自己的工作是非常好的，应该得到相应的奖金。最终，这位员工的提议取得了总经理的认可，并且修改了绩效考核的方法。
可以说，商业智能是一面镜子，会使用它的人可以看到自己的不足和发展的方向，不会使用它的人则望而却步。
小企业的BI之道
小企业利用实施商业智能系统的同时，为企业创造一条“完整数据链”，作为企业决策者关注的信息有数据可查、有规则可依。随着市场竞争多样化，小企业需要更快了解企业内部信息与市场的动向，通过“快鱼吃慢鱼”的方式逐渐成长。
同时，在企业内部培养“数据意识”，学会积累各项数据，保证数据的真实性，学会以数据讲话。
对于小规则企业来讲，使用商业智能就是规范企业的重要手段。
链 接 商业智能的技术走向
目前，无论在商业智能技术的理论研究中还是在产品实现中，联机分析处理与资料挖掘两大技术是分离的。
在理论研究上，OLAP技术的研究人员主要来自数据库界，重点研究CUBE压缩与计算、实体化视图的选择与维护、多维资料的索引和多维查询处理等技术，以便能够在海量资料上提供秒级的分析请求响应时间。资料挖掘技术的研究人员来自人工智能、统计、数据库界，其研究主要集中在各种挖掘算法和评价方法上，研究可伸缩的资料挖掘方法、基于约束的挖掘方法、复杂数据类型的挖掘等。
1
2
下一页>>
