
商业智能和商业应用系统的持续融合
在过去的20年间,商业应用系统和商业智能(BI)发展为相对分开的和独特的市场。原因有很多。首先,商业应用系统一直未能交付如它们所承诺的那种优质管理信息,所以用户不得不转向其他系统和供应商。第二,IT企业将商业项目划分成碎片的最佳实践导致在技术上职责之间的逻辑分离。因此,商业应用系统的结果,在很大程度上,成为一种业务处理的系统,只有一小部分利用一些嵌入的分析做为决策的支持。商业智能(BI)基本上成为一种无限制的分析工具箱,相对独立于商业流程。这使得用户在已经发生的事情上建立报表,但在某种程度上那是商业流程的一种分离。
这导致了两个结果:商业智能(BI)在企业经理人员当中的使用渗透率不高,而商业应用系统的分析能力却带给这些人越来越多的挫折。高管们不得不依靠数据提取和电子表格的混合来获取大量信息,他们原以为IT说过可以从商业智能(BI)和商业应用系统中获取这些信息。随着分析系统日渐增长的采用,这一状况正在改变,尤其是绩效管理的应用软件,消除了这些鸿沟,并为商业用户的需要提供了正确的解决方案。然而,许多IT企业还未意识到这一点,并且继续延续着商业智能(BI)与商业应用系统之间的分离。
什么是绩效管理,IT是如何互补商业智能(BI)和商业应用系统的?
绩效管理的成功不仅仅是提供技术和应用。成功的绩效管理体现在它的使用、接纳、适用性以及传递于企业的各个层面。绩效管理的主要目标之一是将经营活动与商业策略连接起来。指标是关键,因为,如果指标是精心挑选的,他们就能对战略目标的成功与否做出合理的权衡。
应用系统,工具和基础设施是专门用于支持绩效管理的技术。尽管有可能会尝试在没有技术支持之下实施绩效管理 (通过专注于绩效管理的方法),但要真正成功地实施绩效管理,它必须有一组分析软件的支持,而这些分析软件的组合就构成了部分的商业智能(BI)和绩效管理策略。大多数的大中型企业是如此的复杂,试着用手动处理的平衡计分卡和电子表格等这样的方法来管理他们,总是不能有效地将绩效管理的理念与直接提升商业流程和嵌入在员工的日常活动中的策略连接起来。
最后,绩效管理项目必须观察企业之外的合作伙伴、供应商、客户、采购供应商,甚至是市场竞争者。
商业智能(BI)与商业应用系统是如何融合的?
分析应用软件套装商业智能(BI)的性能专为某一特定领域或商业问题。分析应用软件包含预定义的数据和过程中的工作流,和一套预制模型、分析和交付的性能。分析应用软件可以作为一种可配置的解决方案从不同的供应商那里购买,也可以由内部的团队建立(或由咨询公司第三方建立)。绩效管理应用系统是特种的分析应用系统,应该在管理和治理方式上与其他重要的商业流程套餐和事务处理系统(例如,企业资源规划(
ERP)或客户关系管理(CRM))相似。这些应用系统有工作流管理的性能可以对管理流进行管理。
所有这些分析应用系统在许多层面为商业用户增添了价值。他们消除了商业智能(BI)与商业应用系统两个系统之间的隔阂,因为他们为商业智能(BI)补充了商业的内容,而在商业应用系统中提供了必需的分析能力。绩效管理应用系统具有高度的分析属性,但会以套件的形式出售,并且支持商业流程。所以,从管理和治理的角度来看,他们喜欢“传统”的商业应用系统更甚于商业智能(BI)。这意味着企业现在必须将两个“世界”放在一起考虑,而不是把他们当作商业的两个方面来分别对待。
商业应用系统供应商正在更多地关注“嵌入式分析”,这种分析性能作为他们整体商业应用软件解决方案的一部分提供给用户。但是,在商业应用软件的嵌入上也有不同的程度, 而且高德纳公司已发现三种风格鲜明的嵌入:
在查询点上的嵌入(附带的流程):这是一种通用的分析并不只针对任何特定商业流程。他们需要用户初始化一个分析活动和决定需要采取什么行动。嵌入很简单,例如,当它通过门户网站呈现。比如说:
一个销售人员在一个单一的查询角度里,从一个客户关系管理(CRM)系统上观察客户的主数据和从一个财务系统上观察支付历史记录。
在决策点上的嵌入(流程中的人为干预):
这些分析是针对于一种商业流程而且内容是源自于流程中一个特定的决策点。仍然需要人为的干预来阐明合理的行动。比如说:用户正在处理一个销售订单,分析提供了事务处理过程之内的内容并显示客户的付款历史和其他数据,然后用户可以决定是暂停订单还是履行订单。
在流程中的嵌入(自动化处理):这些是针对 流程中具体的决策点。分析是嵌入在流程执行应用软件中,而且系统会自动推荐下一个最佳的行动。理想的情况下,系统会基于企业的目标自动优化决策。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10