京公网安备 11010802034615号
经营许可证编号:京B2-20210330
对商业智能(BI)投资回报率的测量
商业智能(BI)的品质与商业智能(BI)投资回报率(ROI)是不同的概念。一个商业智能(BI)项目或系统是设计来提供特定的信息。在大多数情况下,商业智能(BI)的品质是对商业智能项目的结果的基于IT方面的评估。商业智能(BI)投资回报率的测量包括物流基础:获得正确的信息在需要的时候传递给正确的人,并且符合为商业智能(BI)系统规定的商业目标。因此,商业智能(BI)的质量取决于以下几方面评估:
数据的正确性和完整性。
将数据转换成可用的信息。
信息交付的速度和格式。
信息的能否很好地满足最初设计的设计标准和业务需求。(用户对信息满意吗)?
另一方面,商业智能(BI)的投资回报率(ROI)是一个商业管理的问题。对企业来说,投资回报率(ROI)的评估或许更重要。然而,没有行业标准来测量商业智能(BI)所带来的好处。但是将他们列于“无形”已不再是一个可接受的答案。
我们能为商业智能(BI)计算投资回报率(ROI)吗?
要将商业智能(BI)置于有形的价值只会让人沮丧。在大多数情况下,企业已经不得不接受一种直觉和信念,认为商业智能(BI)是值得投入的,而不在这方面投资所造成的风险太大。如果你的竞争对手正将他们所有的数据转换成一些了不起的信息让他们获得优势,该如何?
我们可以从商业智能(BI)拥有者的总成本开始,总成本的计算具有某种程度的合理的准确性。决定什么应该被包含在这些成本中则是各不相同。然而,可以有一些标准和相对明确的决策来进行项目与项目间的比较和综合资源的估算。这些成本包括那些为数据仓库、信息展现、数据采集与管理和所有相关的基础设施、软件、工具和支持资源的投入。
此外,商业智能(BI)项目的开发、管理和交付成本,包括基础设施,都是成本计算中的一部分。在当前的成本计算中最有可能不被考虑到的是,那些作为商业智能(BI)产品的关键组成部分的有关人员,包括对这些人的培训和经验积累。决定什么应该被包含在商业智能(BI)的投资成本中可能存在一定的主观性,但是所有这些成本都可以被计算,或者至少被确认,分配和估算。
更难的是对获取的利益给出一个价值。我们如何利用这些信息来作出更好的业务决定?有一些测量标准,诸如对之前和之后的运作效率进行比较,这有些最简单的商业智能(BI)系统的相对标准。然而,对回报进行有形价值的预测和计算,特别是在更复杂的商业智能(BI)投资方面,不是简单的事。这个过程可能会让你感到沮丧,经常让你感到似乎是不可能的,也许根本毫无意义。但是如果我们可以评估这些好处,并提供一些有形的评级,我们就可以为企业提供一个商业智能(BI)投资的管理决策制定的基础。
可以这么想:
好的商业智能(BI)是正确的信息,正确的时间,正确的格式,和正确的人以及/或系统资源的融合。如果我们希望改善商业智能(BI),我们问这样一些问题:
当人们(或智能系统)做决定时,他们在需要的时候有需要的信息吗?
那些人在有益于企业的工作中,有最佳使用这些信息该有的专业知识、培训及态度吗?
因为这些信息的承现,他们的工作完成的是不是更好了?
那些信息改变了他们多少?
对商业智能(BI)的效益审计
评估商业智能(BI)的好处的最有效方法问相关人士。我们可以用问卷调查,并给予定期调查。这是一个简单又直接的方法。然而,这样的一个效益审计也必须对商业智能(BI)项目、商业智能(BI)系统(特定的BI群组)和整个企业对商业智能(BI)投资的相对效益能严谨和结构化地给出有形的、实际的评估。
使用正规的,结构完善的度量标准和模式,我们可以为企业把专业人士的观点转化成值得信赖的商业智能(BI)的效益评估。所谓专业人士是那些使用信息的人和对使用信息的人的表现进行日常评估的管理者。我们也可能希望加进竞争对手的分析和来自客户、营销团队和顾问公司的意见。如此,我们可以把专家的评价转化成对管理来说可行的、有意义的评价工具。
这样一个效益审计中可以得出一些价值特征。我们可以:
对商业智能(BI)的资源承诺做出更好的决策。商业智能(BI)项目的相对价值在项目开发之前就可以确定。机会成本和风险可以预先评估。
在战略和战术层面改善管理规划。有关法律和法规的要求可以更容易进行评估和计划,并可以降低相关的风险。
激励更好的决策制定。
通过对结果的更好理解提升商业智能(BI)和商业智能(BI)项目的质量。我们将能够把结果反馈到商业智能(BI)设计、开发和使用流程中。
通过对商业智能(BI)的整合和信息交流的意识的增强,企业的文化得以发展和提高。
为企业员工提供激励和支持。进行这样的审计将传递一种信息,表明企业关心,尊重他们的意见,并且欢迎新的创意。
通过重视和相关的教育,培训和意识培养,鼓励创造性和广泛地使用商业智能(BI)
商业智能(BI)的效益审计过程, 提出的问题及其方试都将为那些制定和实施审计者以及所有参与者提供更多的知识、理解和训练。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19