京公网安备 11010802034615号
经营许可证编号:京B2-20210330
商业智能技术存在那些弊端
BI的真正价值主要体现BI系统能够变丰富的行业经验为我所用。发挥着业务理解、客户分类和特点分析、改善关系、市场营销策略分析、经营成本与收入分析、欺诈行为分析和预防等作用。商业智能引导我们进入一个新时代,对于分析、报表和绩效管理,企业用户拥有更多控制权。企业用户不再依赖IT部门支持每一项需求,从而获得了更快更好的决策。但是还是有一部分企业对商业智能存在不同程度的误解,主要表现在以下几个方面:
1.商业智能没有定位于战略层次
如果企业把商业智能和数据仓库看成是战略性的问题而不是一般性或不重要的问题,就有可能增加这些项目成功的可能性。企业必须认识到商业智能在任何企业的成功都不是一个偶然事故,它所需要的也不只是技术,战略、组织、方法论、架构和技能等问题在其中扮演着重要的角色,因而必须走到前台来。企业的商业智能项目的战略失败主要在于:未能认识到商业智能项目是跨部门的商务计划,未能理解商业智能不同于那些孤立的解决方案,从而缺乏积极参与的支持者或者支持者在企业中没有权威;缺乏来自业务部门的代表或来的代表不够主动和积极;缺乏有技能、有实践的员工或者对这样的员工的利用不充分;缺乏分工以及循环型的软件开发方法和相关方法论;缺乏商务分析或活动标准,对“劣质数据影响一切”缺乏认知和对策;对元数据的必要性和使用缺乏理解,过分依赖分散的方法和工具。
2.商业智能愿景和路线图模糊和分割
商业智能计划必须要有一个整体而清晰的愿景和路线图,否则,就很难统一起来。在更细节化的层面建立逻辑化、系统化的方法对于项目成功是至关重要的。BI对于一个企业系统的建设来说,是一个循序渐进的过程。对大部分需要构建BI系统的企业而言,不仅需要充足的预算资金、周密的项目规 划,而且需要多年的历史数据积累,条件才算成熟。企业需要对自身的生产经营管理系统的数据进行有效整合,否则实施方很难构建出辅助企业决策管理的应用模型以及所需要实现的数据分析应用。在一些金融行业的IT规划中,由于自身系统相对于其他行业较为完善和先进,历史数据储备也比较理想,通常在规划新项目的时候,会把BI系统和新增加的应用系统同时设计。
3.商业智能所有潜在收益的非理性认识
商业智能项目还必须考虑如何为项目所需要的巨大成本提供正当理由,找出商业智能的所有潜在收益。商业智能项目的成本当中有些是很明显的,有些很微妙,通常被忽视。企业只有认识到这些成本的驱动因素,建立有效的商业价值框架才能设定适当的期望值并有效地管理这方面的投资,从而不但收回成本,而且将价值最大化。其次,企业在进行商业智能项目的时候,还要考虑如何利用现成的商业智能软件包,认清商业智能软件厂商的造势当中哪些是虚的,哪些是实的。现在有很多商业智能软件公司都推出许多很吸引人的“仪表板”和关键指标的视觉化工具,但是,这些工具往往是实用性不够,企业透过外表理解用于计算这些指标的管理方法论才是更重要的。随着越来越多的企业要部署绩效管理系统,商业智能软件的作用会进一步增长,这要求企业把商业智能软件纳人企业软件管理的整体战略之中。
4.商业智能建构方法多元性的缺乏
在进行商业智能的过程中,企业可以采取的架构方法多种多样。这些方法没有高下之分,只要能够把商务用户所需要的信息及时地传递给他们,这种方法就应该被认为是正确的。方法之间的区别就像是实用价值的工具标准。在考虑商业智能的架构的同时,还必须理解和确保各种技术组成部分相互吻合,加起来能提供最大的长期价值,而且要有一定的灵活性和敏捷性。
5.商业智能技术市场缺乏理解和警惕
商业智能数据库管理系统、查询、报告和提取、转换、装载等技术工具市场并不稳定,厂商合并和技术合流的现象时有发生,有些弱小的厂商就会面临强大的市场压力和被兼并的风险。因而企业在选择各种软件的时候,不得不考虑软件厂商的稳定性和生存率。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14