商业智能：拒绝拍脑门办事

    历史的时钟指向二十一世纪，人类社会在高速运转，企业的规模也在不断扩张，市场竞争也更加激烈。如何提高企业的分析决策能力，提高市场响应速度是企业兴衰成败的关键。由于企业积累的数据和信息海量增长，正确的分析和决策不是通过拍拍脑门就能解决问题的，企业需要的是决策智能化和管理信息化。“数据仓库之父”WilliamH.Inmon，最初定义数据仓库为支持管理决策过程的、面向主题的、集成的、随时间而变的、持久的数据集合。而今，各种与数据有着密切关联的领域已经从中感受到了数据仓库技术所产生的巨大效益。商业智能（Business Intelligence，BI）便是其中之一。随着愈来愈多企业开始实施和应用，商业智能逐渐成为继ERP应用之后的企业信息化亮点。

　　2003年12月23日,对于IBM大中华区软件部DB2信息管理总经理——尹丹岭来说，应该是值得纪念的一天。第100个国内商业智能用户——山东联通的诞生，无异于是尹丹岭在圣诞节前收到的最好礼物。同时，这也是IBM第一次为国内电信业客户提供集软件产品、商业智能咨询服务和项目集成服务于一体的整体智能系统解决方案。

　　商业智能是出现在20世纪90年代的新名词，它是基于信息技术构件的智能化管理工具，帮助管理者正确认识企业和市场，做出正确的决策。BO、Cognos、Hyperion、MicroStrategy、SAS是经过市场的不断淘汰而筛选出来的少数几家代表厂商。伴随着国内商用企业管理软件逐渐成熟，商业智能成为日益升温的领域。虽然商业智能市场至今没有出现爆炸式的增长，但却在持续不断地发展壮大，全世界30%的用户企业都引进了商业智能产品。随着时间的推移，商业智能的概念更加宽泛了。尤其是数据仓库和商业智能技术的日渐成熟，使得NCR Teradata、IBM、SYBASE、Oracle、Microsoft等传统数据仓库厂商也将目光转向了商业智能。现如今，商业智能的概念已经不仅仅是软件产品和工具，而是整体应用的解决方案，甚至升华成为一种管理思想。

　　SAS中国区总经理戴江洪说：“商业智能体现的是一种理性的经营管理决策的能力，即全面、准确、及时、深入地分析和处理数据与信息的能力。”Hyperion 中国区销售总监王善越则认为，商业智能是指通过对数据的收集、管理、分析以及转化，使数据成为可用信息，从而获得必要的洞察力和理解力，更好地辅助决策和指导行动。

　　据IDC估计，商业智能软件全球市场价值已逾70亿美元，预计到2006年会增长一倍。此外，Forrester Research 还指出44%以上的公司将在今年采用商业智能软件。

　　外延大脑需要培育

　　SYBASE商业智能总监廖钢城表示，数据库应用的成熟，使得企业数据库里承载的数据越来越多。但数据的增多，随之而来的问题就是如何从海量的数据中抽取出具有决策意义的信息（有用的数据），更好地服务于企业当前的业务，这就需要商业智能。因此，业务的需求，用户应用的需求，是促进商业智能应用的关键因素。

　　作为Cognos的成功用户，平安保险技术人员在谈到公司的需求时表示，随着企业的不断发展壮大，面临市场更加激烈的竞争，企业需要解决的急迫问题就是提高反应速度和决策的准确性。然而，企业往往会遇到内部不同口径提供的数据不一致的现象，给企业的决策带来困惑。企业不得不考虑使用商业智能系统来满足企业发展的需要。

　　用友软件高级财务应用专家丘创指出：“对商业智能的需求，来自企业自然的发展。”企业信息化要经历3个阶段，最初是业务处理阶段，建设ERP、CRM等。然后是短期决策，相应的企业发展到集团化规模，需要进行报表的汇总和合并。最高层是企业的长期战略决策，需要对数据进行细致分析并帮助决策。

　　FirstBI技术总监胡海峰博士认为，国内多数企业还处于企业数据分散阶段，即使有的企业通过ERP实施后积累了一定规模的资料信息，但企业更渴望获得整体经营战略成功，这就需要使用商业智能工具分析和理解这些不断增长的资料，从而及时准确地制定决策。

　　中国加入WTO以后，随着市场的逐步开放，国外企业会大量涌入国内来争夺市场。对于国内企业来说，激烈的竞争将是难以避免的，如果继续拍脑门做决策必将使企业陷入被动境地。BO大中华区董事总经理杨君霈指出，虽然国内企业经过了几年的数据积累，但是根据统计，企业实际利用的数据只占所有数据的1/8。以前，企业决策层在很大程度上都是凭着对行业的认识与理解做出决策。这显然已经不利于企业自身的发展。商业智能的出现，可谓应时而生。

　　其实，国内许多企业已经进行了数据的整合，基础设施在近几年得到了进一步完善。Cognos中国地区代理优信佳公司总经理龚智敏认为，国内用户BI应用参差不齐，目前的商业智能应用主要集中在银行、保险、通信、证券等领域。到目前为止，应用需求仍然集中在简单的报表展现方面，但随着我国经济建设的发展，这种报表的应用会从生产型报表、简单的统计分析报表到OLAP报表和KPI报表，从BI到EBI的过程实现企业和政府的绩校管理及宏观决策支持。

　　NCR Teradata中国区数据仓库事业部副总经理王闯舟则表示，随着数据的积累，数据挖掘方面的深层次需求会更多一些。毕竟，报表的价值在于改造企业内部运作的流程，提高内部效率。（报表的价值在于体现企业的运作状况）如果从给企业带来的直接效益方面考虑，报表的贡献并不明显。在预测性分析方面，商业智能却可以带来直接的经济效益。比如，防止客户的流失或者帮助企业争夺客户，就可以带来直接经济效益。商业智能能够帮助企业的管理层及相关员工实现“知其然（报表），知其所以然（数据挖掘），甚至是知其将来然（商业智能）”，这也就是数据到信息、到知识、再到智能的过程，企业通过BI能更好地提高其运作效率，实现利润最大化。

　　光大银行信息科技部陈敏介绍，实施商业智能前，光大银行已实现了数据集中。应用商业智能的目的是让数据很好地发挥作用，把数据变为信息，给业务部门和领导展现更多有效信息，充分发挥大集中的优势。

　　从字面上看，商业智能只适应用企业，但实际上对于政府机构，商业智能也是必要的。商业智能是一种永远存在的社会性需求。政府机构也需要理性的经营管理决策能力。广州菲奈特融通CEO邓新平指出，商业智能应用的动力，来自于管理上的需求，是企业竞争的需要。比如企业需要对客户资源进行分析，找出最有价值的用户，通过设计一种模型来分析出对销售最有贡献的客户，保证企业的市场行为有的放矢。但是这不代表政府机构不需要商业智能，相反，目前的商业智能主要的热点应用大多汇集在政府相关部门。比如，非典的流行对各地经济产生了不小的影响，但是，这种影响到底有多大，使用传统分析手段是无法得到的，通过商业智能就能够快速得到准确结果。

　　别和ERP套近乎

　　现如今各家ERP厂商喊出了实现商业智能的口号，并推出了自家的商业智能产品或在ERP系统中增添了商业智能前端工具。这使得人们提起商业智能，就很容易地把它与ERP联系在一起，更有甚者认为商业智能是在ERP基础上提出来的。这些都是错误的观点。虽然，在企业信息化的过程中，ERP、CRM、SCM等信息系统扮演了举足轻重地角色。同时，由于这些信息系统的存在，使商业智能的实施过程变得更加简单。但是，对于商业智能来说，ERP并不是必需的。也就是说，企业实施商业智能，不是必须要上ERP的。

　　戴江洪认为，商业智能是通过理性的管理决策，帮企业提升效率，使它的成本结构得到优化，市场销售行为更为有效，从而保障利润的实现并规避风险。（BI是管理层面的）ERP属于操作层面的，让企业像机器一样，按照某种约定的规律进行运转。商业智能要解决的问题是ERP的体系之外的东西。商业智能就能够帮助经营和决策者发现企业本身的问题和不足，并且给他们提供一种后果的设想，帮助他们选择最佳的方案和渠道，来影响执行层面的行为。一旦企业发展壮大到大量的数据和信息成为天文数字，经营者在时间、空间和经验上难以正常管理，这时候就需要商业智能的支持。因此，企业在上马ERP之前实现商业智能也是必要的。对于聪明的决策者来讲，只要企业的业务超越了个人时间、经验和精力可管理的范畴，就会正确选择平台、工具和方法，找出商业的价值。

　　江苏省利息拉链信息主管王觉有亲身的感受。他认为，ERP系统给出的查询、报表等功能相对比较呆板，人性化不强。而商业智能则能够帮助他们实现灵活的多维分析，给公司经营者的经营决策提供了方便。

　　博科软件高级副总裁付勇说，“商业智能能通过数据仓库、联机分析、数据挖掘等技术，对企业数据进行集中存储，通过业务模型寻找出数据间的关系，以及这些数据关系所反映的管理问题。对于规模较大，或者管理要求较高的企业，应用效果非常明显。相反，小型和微型企业应用效果不明显。”

　　不可否认的是，实现商业智能，必须要有企业的数据和信息作为基础。如果企业没有任何信息系统，甚至没有像样的数据库系统，直接实施商业智能会有很大的难度，最终也不可能取得良好的应用效果。毕竟，各种统计分析都要建立在大量的企业数据的基础之上。实现商业智能的应用首先要有数据基础，不意味着必须将所有的OLTP系统或其它应用系统上线后才能实施商业智能。

　　需求、规划和产品决定成败

　　商业智能虽然在国外已经有了良好的应用，但是在国内，真正意识到实施商业智能必要性的企业仍然是少数，尤其是成功应用商业智能的企业更是凤毛麟角。总结这些企业的成功经验，主要还是集中在准确的需求定位、合理的实施规划以及适合企业自身业务特点的商务智能软件产品或解决方案。

　　关于企业商业智能的建设，需求的定位很重要，并且应该进行有步骤的规划，否则就会带来很多风险。一旦最终用户对于商业智能系统功能出现折扣，项目进展过程中风险就会很大，用户甚至有可能会失去信心和耐心。因此，用户的需求不明确，期望值过高，都会对项目实施造成很多困扰。

　　谈到成功实施商业智能的经验，平安保险的技术人员首先介绍了公司的商业智能详细规划。他们的规划包括总体构建、建设推广、自动分析、高效报表四个阶段，最终达到业务数据的全面集成，能够及时地有针对性地完成报告。他认为，只有切合实际的项目规划，才能保证商业智能的最终的成功应用。这是平安保险经过“几起几落”后磨练出来的。另外，项目进行过程中用户需求的不确定性和多变性，会给商业智能的实现带来一定的风险。技术方面，国内商业智能市场和国外相差并不大。商业智能对于企业来说很大程度上只是锦上添花，因此，商业智能实施过程必须积极引导最终用户的使用需求，引导经营者和业务人员正确理解和使用系统的功能。

　　龚智敏表示，国内很多企业贪大求全，没有明确的目标，甚至有的企业实施商业智能只是为了进行无谓的攀比，而不是立足于企业的发展需要。这不但难以保证项目成功建设，甚至功亏一篑，也给商业智能提供厂商带来很大的实施难度。企业实施商业智能项目时，首先应该考虑到数据的采集和集中，实施过程应该有一定的梯度，呈螺旋式上升。因为用户的需求是发展变化的，而且每个时期的经济指标可能是不同的，所以用户和商业智能供应商不能只顾眼前，而应该用发展的眼光看待项目的实际需求。

　　商业智能的实施是一个不断完善的过程，必须整体规划，分步实施。商业智能要围绕客户的经营目标和业务目标，确定要做的方方面面，安排好步骤并分步实施。值得注意的是，随着业务的发展，企业客户可能发生一定的变动，而企业自身的业务也在不断变化。因此，商业智能项目实施过程中应该能够及时应对市场的变化，完善内部管理，提高企业的经营效率。SAS中国区解决方案总监杨涛强调，商业智能项目不能规划得过于空泛，也不能过于强调细节而不切实际。项目规划必须根据需求，要有高瞻远瞩的战略眼光。最好能够让用户看到明确的企业投资回报，收效在哪里，然后向前推进，这一点对于中国的企业尤其重要。王善越表达了类似的看法，“商业智能如果是一个大的数据仓库项目，在国外有着‘222’的概念，那就是2000万美元的投资，2年的实施周期，20%成功。因此，对于商业智能而言，良好的顾问咨询及行业经验是非常需要的。当然，另一种模式是‘Start Small’，从小到大地建设自己的商业智能系统，也是屏蔽风险的一个好的方式。”

　　当然，对于商业智能的建设，软件技术也是非常重要的。国内商业智能市场上，比较成熟的商业智能软件产品和解决方案大多都是来自于国际厂商，国内商业智能提供商大多在代理国外产品或者只是开发简单的商业智能工具。中国网通预算主管李昊对此表示担忧，他认为国内商业智能技术仍然没有完善，市场上具备全面商业智能知识的复合型人才太少。但在谈到如何建设商业智能时，他还是毫不犹豫地指出，国内企业还是应该选择本地化的产品和服务。

　　付勇认为，商业智能的实施风险主要是软件技术风险和实施应用风险。由于商业智能软件的功能，大部分是通过业务模型来展现，企业所采用的业务模型是否适合企业需要，与企业的内部治理环境、外部经济环境，以及其他人文环境都息息相关。这就要求企业实施应用的商业智能软件，其业务模型符合企业的诸多环境，否则商业智能实施失败的风险较大。

　　企业应用商业智能，一个重要的工作，就是选择适合企业业务发展特点的软件产品和解决方案。但是，商业智能软件产品或解决方案的性能指标没有标准和规范，因此没有量化的指标，每一种产品特点不同，很难把所有的需求都概括。用户应该根据企业需求的侧重点来选择供应商。解决方案选择上要考虑TCO（总体拥有成本）与ROI（整体投资回报率），任何产品都有其优势的一面，企业应该量体裁衣，选择最适合自己的产品。龚智敏特别强调，商业智能系统应该通俗易用，让不懂计算机的业务人员也能够使用，因为商业智能的使用者，包括企业的经营者和业务部门的工作人员一般都不是计算机技术的专业人员。另一方面，商业智能提供商必须能够提供完善的售后服务，让系统得到长期有效应用。

　　“山东联通作为国内五大电信运营商之一，其业务系统的建设直接关系到现有的用户和网络规模的建设。我们为此用了一年多的时间对解决方案提供商在技术、服务等方面的综合考察。”山东联通信息部经理张洪磊在介绍商业智能项目时说：“最终选用IBM DB2商业智能系统解决方案，不仅仅是看好IBM DB2在产品技术上的特色，更重要的是，IBM有能力为此提供咨询服务及系统集成为一体的整体服务——从项目初始阶段，IBM就派遣工程技术人员入驻山东联通，了解联通各部门的需求，并据此设计出仅适用于山东联通的个性化系统。在最终的实施过程中，也完全由IBM负责，避免了设计与实施脱节造成的人力、物力的浪费。”

　　由于处于不同的行业，同为用户的平安保险技术人员和利息拉链的王觉在选择厂商和产品时有着不同的考虑。前者认为，选择厂商和产品要有针对性，能够解决银行“报表满天飞”的问题。产品要具备灵活性和扩展性，多维分析的能力要强；厂商应该具有能够提供优秀的售后服务能力。王觉则认为，选择商业智能产品和解决方案要根据具体项目而定，首先要考虑企业的扩容资金和项目预算，然后就是此产品是否具有价格优势，还有就是产品是否符合企业的业务流程。

　　用友公司丘创从技术角度分析了商业智能产品和解决方案的选择原则。“用户在选择BI软件时，要考察软件仅仅只提供了数据展现工具，还是提供了相应的模型以供进行数据挖掘？”他还认为，这类软件中还需要包含专家的经验。因为，管理是一门艺术，信息的挖掘和分析的过程也是一门艺术，没有通用的科学模型可言。专家的经验将是商业智能系统中重要的一环。

　　人是决定性因素

　　目前，在国内，很多人认为商业智能是“老板工程”，仅仅是为了方便经营者了解企业的种种数据和信息，做出各种决策。事实上，这种看法是非常片面的，商业智能高效的统计分析功能的确可以为经营者分析和决策提供科学依据，但是其主要的“功效”却是利用分类技术信息将信息消费者使用的决策支持对象分门别类，帮助业务人员解决业务运转可能出现的各种主要问题，提高业务人员的工作效率，从而提高企业的核心竞争力。因此，商业智能的建设需要包括经营者在内的所有业务人员的关注和参与，尤其是经营者。

　　戴江洪表示，对于企业的经营者来讲，商业智能是帮助他们建立一个理性的外脑。商业智能可以理解成是对“一把手”的大脑的延伸，借鉴历史数据，建立标准的分析和决策模型，并能够对未来做出正确的预测。王闯舟强调了业务人员参与商业智能建设的必要性，他认为商业智能建设不仅是技术部门的事情。业务部门应该积极理解和参与，并争取在项目建设过程中就能够熟悉和使用商业智能的各种工具和功能。商业智能最终解决的是业务问题，在企业中是IT部门来实施，业务部门使用。两者处于不同的角度，难以在业务目标上达到共识，高层的介入和支持，有助于项目的顺利完成。如果没有高层协调和监管的话，项目很容易变成“烂尾工程”，或偏离当初所设计的业务目标，各业务部门也不容易协调一致，往往导致失败。

　　虽然光大银行现今已经在两个业务部门成功应用商业智能，但是谈到实施过程遇到的困难时，陈敏专门提到了面向业务人员的“思想工作”。首先是，帮助业务部门量身定做系统需求分析。一般情况下，业务部门在项目建设之初不能感受，商业智能为管理决策提供的便利，他们也不能提出合适的需求。也就是说让业务部门很快理解商务智能或从他们那儿获取需求是挺难的。另外一方面，光大银行根据自身特点，引导用户使用工具，而不仅仅是固化报表，然而这种灵活的操作模式却让业务人员有点无所适从。鉴于这种情况，在测试过程中，项目组就让业务人员参与其中，共同讨论数据分析维度的选取，检验数据的准确性。通过这些工作，业务人员在应用过程中便得心应手了。

　　光大银行的领导对项目的支持非常坚决，并要求项目组立足于培养技术人才，因为专业人才的缺乏也是阻碍国内商业智能成功应用的绊脚石之一。当然，人才问题是目前各行各业老生常谈的话题。在商业智能这个新兴领域，问题更加明显。王闯舟介绍，对于企业来说，并不需要有太多专业金字塔上的人。但是能够对企业和行业的业务熟悉，对信息系统的构架熟悉的复合型人才不够多，Power User(分析型人员)应用水平有待提高。王善越的看法和前者不尽相同，他认为，国内数据分析师太少，既了解商业智能产品又了解行业经验的人不多，因此商业智能往往停留在报表及查询这一级别，不能更好地为企业服务。

　　从市场的角度分析，现在国内市场的需求迫切。市场需求越多，将来的项目也会越多，因此，人才需求就会更多。但是，国内商业智能领域的专业人才远远难以满足市场的需求。人才缺乏已经成为商业智能应用的薄弱环节。

　　

　　

　　2000～2005年全球商业智能市场预测分析

　　相关知识：商务智能技术

　　商务智能技术是包括数据仓库Data Warehousing、联机分析处理On－line Analytical Processing，OLAP、数据挖掘（Data Mining）在内的用于统计和分析商务数据的先进的信息技术。

　　数据仓库是一个面向主题的、集成的、随时间变化的、非易失的、主要用于决策支持的数据的集合。利用数据仓库技术可以动态将异构系统中的数据抽取集成到一起，进行清洗、转换等处理之后加载到数据仓库中，通过周期性的刷新，为用户提供一个统一的干净的数据视图，为数据分析提供一个高质量的数据源。

　　对于数据仓库中的数据，可以使用一些增强的查询和报表工具进行复杂的查询和即时的报表制作，可以利用OLAP技术从多种角度对业务数据进行多方面的汇总统计计算，还可以利用数据挖掘技术发现其中的有用信息。

　　数据挖掘又称知识发现（Knowledge Discovery in Database，简称KDD），是从大量数据中抽取有意义的、隐含的、以前未知的并有潜在使用价值的知识的过程。数据挖掘是一个多学科交叉性学科，它涉及统计学、机器学习、数据库、模式识别、可视化以及高性能计算等多个学科。利用数据挖掘技术可以分析各种类型的数据，例如结构化数据、半结构化数据以及非结构化数据、静态的历史数据和动态数据流数据等。无论要分析的数据对象的类型如何，常用的数据挖掘技术包括关联分析、序列分析、分类、预测、聚类分析以及时间序列分析等。