
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
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