京公网安备 11010802034615号
经营许可证编号:京B2-20210330
BI项目需要做哪些准备工作
BI系统可以说是企业信息化管理中末端产品。为此在上BI项目之前,企业需要先梳理一下企业的现状,做好相关的准备工作。只有如此才能够提高系统的成功率和效果。那么具体需要做哪些准备工作呢?且听笔者一一道来。
一、电子文档数据的整理
BI项目的主要功能就是数据的分析与挖掘。巧妇难为无米之炊。如果没有充足的数据,那么即使再好的BI系统也无用武之地。为此企业在做BI系统之前,比较关键的一个步骤就是电子文档数据的整理,特别是如果企业有多种格式的电子文档数据,如有Excel表格、又有数据库系统的,此时需要进行一一梳理。如果以前还有书面的数据,如一些检验单据等等,那么最好也需要先转化为电子文档的数据。
在这里不少企业会有一个误区。认为这些数据等到BI项目开始时再整理也来得及。其实这是不对的。因为对于BI项目来说,时间就是金钱。现在不少BI实施顾问都是按时间来进行收费的。如果让实施顾问来帮助企业整理这些基础数据,那么企业BI项目的实施成本会像夏季的温度一样,很快的往上涨。为此这些基本型的基础数据的整理,最好还是在BI项目开始之前就做好。
BI项目开始时,实施顾问只需要检验这些数据的合理性。然后对不合理的地方进行调整即可。也就是说,这个基础数据的整理,不能够占据过多的项目时间。当然这并不是否认基础数据的重要性。这些基础数据对于BI系统来说,就好像是血液。没有他们,BI系统将无用武之地。但是这里需要强调的是,基础数据的整理相对来说是比较简单的,企业一般可以自主的完成。如果让实施顾问将时间花在这个上面,有点不值。
二、分析结果的梳理
在上BI系统之前,企业还应该对需要得到的分析结果进行确认。简单的说,就是让BI系统能够产生哪些分析结果。如存货周转率分析、交货及时率分析、不良品率分析等等。在系统上线之前,将这些需要的分析结果梳理出来,有很多好处。
1、便于整理电子文档的数据
这些结果都不是凭空而来的,而是需要基础数据的支持。如需要分析存货周转率,那么可能还需要上一年的数据。因为前后两年指标的对比,才可以发现背后的问题。总之只要涉及到前后数据的对比,那么企业准备的就不只是本年的数据,对于上一年的基础数据也需要进行整理。如果前后两年的数据格式不一致,还需要进行调整等等。笔者再次强调一次,巧妇难为无米之炊。在上BI项目之前,需要先确认目标。然后根据目标来整理所需要的基础数据。这同时也可以缩小基础数据的整理范围。
2、便于后续软件选型
什么样的软件适合企业的情况呢?或者说哪个系统能够基本上实现企业的现有需求,而不需要进行过多的二次开发呢?要回答这个问题,企业必须先对自己的需要有一个清晰的认识。简单的说,就是对自己需要得到的结果有一个明确的判断。然后在后续系统选型时,就可以将这些问题抛给BI系统的售前咨询顾问,看看他们能否结果。从减少项目成本与降低项目风险的角度讲,在后续项目实施时应该尽可能的减少系统的二次开发的数量。而要达到这个目标的话,最好就是要在选型时尽量选择哪些具有现成分析模型的系统。[page]
3、便于对项目组与供应商进行考核
是否软件顺利上线,便是项目的成功呢?笔者认为不能够这么片面的认识。BI系统的成功,需要看预计的结果有没有实现。因为很多企业虽然BI系统已经上线了,但是很多预期想要得到的结果仍然很难从BI系统中准确的得到。在这种情况下,能够说这个BI项目成功了吗?恐怕不能。那么在后续的项目中,企业管理者如何对项目小组以及供应商实施团队进行考核呢?这就需要企业有预期的目标。后续考核时,只要将这些目标进行一一核对即可。
那么企业该如何来收集自己需要的结果呢?笔者认为,可以从如下几个角度出发。
1、根据企业现在的工作
如不少企业都有周例会、月度年度总结会议等等。在这些会议上,各个部门都需要得出一些报表。如到货及时率分析报表、成本控制报表等等。这些就是现成的需求。以前是手工在操作,现在需要BI系统能够自己完成。如果是年度报表的话,可能还有最近几年销售的变化情况分析报表等等。这些日常工作中需要用到的分析报表,就是我们在BI系统实施之前需要确认的目标。不过这些是最基本的目标。因为依靠手工可以完成的工作,在BI系统中可以说是小菜一碟,是最基本功能。这些需求的确认难度也并不是很大。
2、需要收集企业想实现、但是依靠手工需求却很难实现的内容
如有些企业,可能认为原材料市场波动比较大,对成本的影响也很大。以前由于工作量的限制,采用的都是先进先出或者月加权的成本计算原则,而没有采用移动加权平均。从计算量来说,前面两个成本的计算原则要比后一个计算量少的多。但是从精确度的角度讲,移动加权平均精确度更高,特别是在原材料市场价格波动比较大的情况下。在手工计算下,很少有企业采用移动加权成本计算原则。
现在企业有了BI系统,企业可能希望在成本分析采用的是移动加权平均的机制。企业要收集这些需求可能有一定的难度。因为这些需求以前没有实现过,可能还存在于理论上。不过实现这些需求才能够体现BI系统的价值。故企业对于这些需求,也需要细心整理。不过在整理时,需要兼顾实现的可能性。不要过度的理论化,而在现实中根本无法实现。否则的话,就太虚了。
三、显示格式的确认
同样一句话,在不同的人口中说出来可能会有不同的结果。同样,BI系统中相同的分析数据,如果以不同的格式显示出来,也会有不同的效果。为此在BI系统开始之前,还需要确认预计需要显示的格式。注意,并不是所有的BI系统都可能够以丰富多彩的格式来显示相关的内容。
根据笔者的了解,很多企业倾向于Excle表格中的那些图表。如饼图、条形图等等。
所以在BI系统中,这些是最基本的结果显示方式。企业管理者需要整理出哪些分析结果需要以那种方式来进行显示。这主要根据自己的习惯来确定。而不能够让对方的顾问牵着鼻子走。当然,如果经过比较,对方顾问提出的方式可能更加的合理,此时企业也需要转变自己的观念。笔者这里强调的是,在项目实施过程中,企业应该掌握着主动权。
另外需要特别强调两个方面的内容。一是仪表盘。如企业可能有销售业绩的考核。有一个目标值,有一个实际值,然后通过仪表盘来直观的显示出来。这个显示方式企业以前可能没有用到过。不过在实际工作中确实很好用。不过并不是所有的BI系统都可以实现的。在选型时需要注意这方面的内容。二是图表的钻取功能。即从年度报表中可以钻取到各个月份的数据、然后从各个月份的数据中也可以钻取到每周的数据等等。钻取功能可以方便用户查询更加具体的数据,直到最基本的原始数据。从而方便用户的使用。
从以上的分析中可以看出,BI系统在实施之前有比较多的准备工作要做。笔者的建议是,在做这些准备工作时千万不能够偷懒。准备工作没做好,供应商高兴,企业头疼。准备工作做的好,供应商头疼,企业高兴。
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