
浅析商务分析产生的背景
商务分析产生的背景
1、客户需要分析应用的内容,而不是工具:
现在的大部分商务智能项目实施方法论还是利用如上的方法,所以,每次当商务智能厂商给企业的管理层汇报的时候,企业管理层最关心的是你们在哪些同行业的大公司实施过商务智能项目,这些公司都做了哪些应用?他们关心哪些KPI指标?分析哪些相关的内容?但是一般的商务智能厂商是工具供应商,项目的实施是由合作伙伴完成的,至于客户做了什么,一般很难拿到分析应用的结果,加之实施合作伙伴和客户签过保密协议,一般不能将竞争对手所作的系统或者分析内容展现给客户。所以只能给客户讲实施方法论,客户听完,认为他们需要的不是实施方法论,而是需要分析应用产品。
2、传统商务智能项目实施周期比较长,成功的几率低:
由于对客户的业务和需求了解不够,客户需要什么也不完全清楚,加之项目实施往往是一些技术专家,所以不了解企业高管层需要什么,即使做高层访谈,由于和高层关心的问题不一致或者使用的是技术语言,管理层听不懂,导致对高层的需求把握的不到位,所以往往做出来的分析应用和KPI,不是管理层所关心的,其结果是不得不在试运行阶段,将需求做大量的调整和需求变化,导致项目的延期或者不成功。其实需求的改变,将会产生数据模型的重新设计,这样原来的项目可能会前功尽弃。
3、客户希望了解最佳实践:
实施的公司做过不少的项目,有了不少的经验,可是厂商很难得到客户企业的应用,在卖产品时要么就是请实施合作伙伴一起去汇报,要么就是讲实施方法论,客户最需要的是这个行业应该关注哪些问题,应该做哪些行业指标来进行行业对标。可是由于商务智能是工具,所以不得不给客户一些演示,目的是让客户了解商务智能能解决什么问题。但这些指标不一定是这个行业的,加之演示仅仅是一些界面的演示,不是整个行业的真正应用,也就是说,这些演示仅仅满足客户的很小一部分需求,是用来做需求时的抛砖引玉作用的。
4、商务智能项目实施周期比较长
由于每个客户都要进行调研,从头设计数据模型和应用,导致商务智能项目实施比较长,一般需要至少数月的时间。有些数据仓库和商务智能供应商已有自己的数据模型,但是也不一定是产品,即便是产品,也缺少行业分析应用的产品。
5、商务智能项目实施的成本比较高
商务智能项目不但需要购买硬件、软件工具,还需要进行大量的实施、维护,一般情况下成本比较高,成功实施的风险还比较大。
由于以上的原因,企业非常希望有一个行业分析应用,而且能满足企业最少大部分需求的行业商务智能分析产品,而不是一套工具。这样就是商务分析产生由原。
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