在ERP、PDM、CRM和分销软件等业务系统项目陆续实施之后，企业对更深层次的、跨系统的数据分析和报表查询逐渐上升为主要需求，商业智能软件实施也就成为了企业信息化建设后续阶段的重点项目。商业智能套件的建设成本和ERP相比并不高，然而，成功实施商业智能系统，难度却不一定比实施ERP低多少。如何确保商业智能系统的建设成功，就是本文要阐述的主要内容。

　　选型篇：

　　一个完整的商业智能系统，无外乎是ETL数据抽取转换工具 + DW数据仓库 + OLAP联机分析工具三部分构成，有的还可能包括针对复杂格式报表需求的报表解决方案。

　　对于业务部门来说，无论是国内还是国外公司的产品，在功能的实现上，往往区别并不大。而重点需要考察的，是分析功能的易用性。包括对某个分析主题的分析维度选择的方便性，图表展现的丰富程度，以及一些简单的分析功能例如排序、特定数据格式改变（如变成红字突出显示）、向下钻取的方式等。对于商业智能前端分析的标准功能，比如向上向下钻取、多维度分析、多种图表展现等，属于商业智能套件基本功能，选型过程中业务部门人员可以不必过多关注。需要注意的是，如果有些企业需要业务部门自己开发高级报表和分析主题，那么，自定义报表功能的易用性也将是业务部门所需要关注的。这里的易用性包括源数据字段的自定义和查找、报表的表头拖拽和维度组合，以及数据选择条件的选取三个方面。选型的主要工作是IT部门来承担的。商业智能软件的实施项目和其它信息系统相比，涉及到系统接口和数据建模，往往需要比较大的开发量。对于一个完整的商业智能解决方案，需要结合企业现有业务系统的实际情况，考虑它每一部份组件的技术架构实现。上文中已经提到，商业智能的解决方案是由三部分构成的。对于ETL部分，即数据抽取转换工具，它将业务系统中的数据抽取出来，经过数据格式转换以及清洗、合并等加工工作，最终装载到企业数据仓库DW中，是商业智能系统和其它业务系统的数据接口。对于ETL的选择，重点要关注的是企业现有系统的情况。如果业务系统数据结构比较简单，可以采用直接导入数据仓库的方式，或者使用SQL Server的DTC等免费工具完成，成本较低。对于复杂一些的业务系统，比如SAP R/3、OracleEBS等，由于其底层数据结构比较复杂，直接抽取数据库的方式难度较大，往往抽取不完全或者数据不对，采用应用层接口的方式比较可取。当然这种接口需要开发、或者单独购买解决方案。如果对时效性要求不高，也可以使用数据文件批量导入的方式，每隔一段时间从系统中导出数据文件，然后用ETL工具装载到数据仓库中，这跟使用应用层接口的方式相比成本较低。ETL方案中还需要考虑的是现有系统的分布。有些大型企业，ERP系统分别部署在各地的工厂中，从这些地方抽取数据还要考虑到网络传输的问题。此外现有系统的数据质量、是否要进行数据清洗也是需要考虑的因素。总之，免费的ETL可以节省投资，但对于复杂异构系统的集成，专业的ETL工具还是首选方案。业务系统的数据通过ETL处理，最终被装载到数据仓库中。对于希望节省投资、缩短实施周期的企业，可能会考虑不建立数据仓库，直接从业务系统抽取数据，进行OLAP分析或者报表查询。尽管现在大多OLAP和报表工具都有缓存功能，然而，在报表生成的漫长等待过程中，直接抽取数据会给业务系统的运行造成很大压力，更重要的是数据更新不能及时反映、可自定义能力差。随着业务系统数据量的增加，以及报表和分析主题的增加，数据仓库迟早要建立起来才能满足业务需求。而项目初期建立起来的系统生命周期也将结束，投资很难得到保护。因此，在条件允许的情况下，商业智能项目初期就建立数据仓库，还是比较可取的。OLAP和报表工具这一部分，IT人员更多的关注其技术架构。OLAP的实现不外乎有ROLAP、MOLAP和介于两者之间的HOLAP。ROLAP方式需要的内存大，而磁盘空间要求小，对于数据量较大的、较简单的数据分析来说，比较适合。MOLAP需要建立数据立方体，因此对磁盘空间要求比较高，但是从性能和灵活性上来讲要略胜一筹。具体的选择哪一种，需要企业按照实际情况而定。需要注意的是，对于一般的企业，任何一种实现方式基本上都可以满足要求，因此争论哪种技术更为先进可能并没有太大的意义。对于报表工具，大多商业智能软件提供商都是作为独立的组件分开报价的，因此，IT部门应该评估业务部门对报表的需求，如果报表没有非常严格的格式要求，OLAP工具的分析结果就足够用了，报表组件没有必要再去购买。

　　实施篇

　　商业智能系统的实施和其它IT项目建设一样，需要有明确的项目范围、项目目标和项目实施方法。首先是项目范围。商业智能系统的实施，并不涉及到业务操作流程，它所提供的总结分析、趋势预测，基本上都是为管理上的要求和提升而服务的。在企业内部呼声很高、决定上马商业智能项目的时候，往往各部门都对其寄予了很高的期望，要求其能解决大量的甚至全部的管理需求，然而这些需求基本上没有一致的。例如，在一个分销类型的企业中，产品研发部门想知道各种种类、规格或者价格的产品卖的怎么样、产品的利润率如何，以指导研发方向；运营和生产部门想知道库存周转、生产成本的变动，以及质量控制的情况，改善低效环节，提高生产和运营管理水平；销售部门则更多的关注于各地区的销售业绩完成情况，关注客户的购买行为分析；此外还有财务部门等，都对项目有很多的要求。对于金融、电信类的企业，其需求往往更为复杂。因而在企业内部发起项目的时候，往往开始就存在项目范围过大、难以实施和控制的风险。项目范围的确定，必须要遵循合理规划、分步实施、急用先行的原则。从公司战略角度出发，对于企业的核心竞争能力环节，以及管理比较规范、业务数据有积累的业务部门开始，在实施成功后，有计划的推广到其它部门和领域。在确定项目范围的过程中，还要考虑到业务数据获取的难易程度。在一些企业中，很多的业务活动根本没有系统支撑，只有手工填报的报表，这样的数据一方面很难导入，另一方面数据存在不准确、质量差的隐患，因此不应列入优先考虑的范围。项目范围确定后，在本范围内的目标也需要确定。即使在一个部门内部，高级管理层、运营层以及业务人员的需求也存在不一致。具体的，在销售部门，总监关注销售计划的总体完成情况、费用使用情况，以及重点客户的销售推进，以及部门的KPI完成情况；产品线经理和区域销售经理则分别关注相关产品或者相关区域的运营；对于销售员，可能只关心自己的销售业绩完成情况，以及自己在部门内的业绩排名。细节关注的层次直接影响到商业智能数据仓库的数据抽取和模型建立。首先是粒度。要追究到每个销售员每一单的销售明细，和最多关注到每个办事处每天的销售额，数据仓库的数据处理量就会相差很多。另一个方面是维度。商业智能系统的主要功能实现就是多维度分析，比如分析某种产品在某个地区某个时间的销量，在这个模型中，产品、地区、时间就构成了分析维度。有些业务部门，尤其是产品研发部门，往往希望能考虑尽可能多的维度，比如在刚提到的销量分析模型中，除了常规的产品维度，产品部门还想看到颜色、品类等因素对消费者购买行为的影响，而这些维度的分析能否在商业智能系统中实现取决于两个方面：①这些维度的信息是否在业务系统中已经录入和存在？如果不存在，那么就没有实现的可能，商业智能系统不能产生业务数据，只能分析业务数据；②维度直接影响数据模型的建立和IT基础设施的建设要求，每增加一个分析维度，模型更为复杂，给系统增加的复杂性是几何级数，这意味着原来4小时可以完成的数据处理可能就要延长到6-8小时才可以完成。然而，难以解决的是企业缺乏对生意影响因素的分析。实际上，目前企业都还没有很完善的业务模型，某个因素对做决策的影响到底有多大，以什么样的方式影响，说不清楚。 如果在商业逻辑上都没有解释清楚，很难建立有说服力的模型。因此，在项目开始的时候，通过讨论，使业务部门明确可以解决的问题有哪些、可以解决到什么程度，是保证用户满意度、项目实施成功的前提条件。商业智能系统不存在大量的业务流程，因而不会带来巨大的企业变革风险，因此实施方法相对容易。商业智能的实施过程重点，一个是用户需求的调研，另一方面是数据质量保证。需求调研和分析在项目实施过程中占到了约40%的工作量。在项目范围和项目目标明晰之后，用户需求分析的难度就降低了不少。有行业经验的实施顾问会清楚业务领域的商业逻辑，将行业经验和用户具体需求结合，将会提高需求分析的速度、快速建立模型。IT项目的实施过程中，用户需求的不确定性很大，模型的建立肯定是一个反复沟通和修改的过程。

　　提高篇

　　商业智能项目的建设是一个长期的过程。随着企业业务的变化，导致业务部门用户需求的变化，甚至是业务系统的升级，都会对商业智能系统的建设造成影响。如何提高商业智能的应用水平呢？主要包括以下两点：

　　建立企业数据管理机制，有数据定义和数据收集、变更的规范制度。在很多企业中往往出现这样一种状况，业务系统有了、商业智能系统上了，却发现有些模型分析出来的数据跟实际偏差很大，不能使用，还要手工去改。原因可能就处在数据管理机制上。首先是数据定义的问题。一方面，同一个字段，不同的填报人员或者不同的业务系统统计口径不一致。比如销售额，有些地方填报的是批发给渠道的口径，而有些地方则可能理解为是渠道最终卖出到最终消费者的口径，不同口径的数据进行合并、排序和其它分析，结果肯定是错误的。另一方面，同一个字段，录入格式没有统一定义。举个极端的例子，一条订单记录里是“北京某某公司”订购了多少东西，而另一条记录里同一个客户，名字却变成了“某某有限公司”，“北京”两字不见了，却又多了个“有限”，同一个客户的销售订单数据商业智能系统无法合并、分析，只能是经营分析人员手工完成。要解决这个问题，企业必须建立数据字典，明确在不同系统、不同报表之上的全局字段定义，避免口径不一致；同时规范每个字段的格式，避免无法合并的情况。还要建立起数据变更的规范制度，保证数据的安全，最终为商业智能的数据质量做保证。数据管理机制，还包括数据收集的体系。对于大多数企业来说，很多的业务数据还是手工填报的形式收集上来的。很多企业的经营分析人员把大量的时间用在催缴数据、统一数据格式上，这是十分低效的做法。事实证明，在业务系统支撑有限的情况下，建立起完善的数据收集体系是提高数据收集效率、减少错误的最佳方法。一个完整的数据收集体系，包括数据收集的模版制作和管理、数据收集的流程、以及数据收集的绩效考核机制。2有明晰的商业分析逻辑模型。一方面，现代企业的管理，追求以绩效考核的方式驱动企业战略目标和计划的达成，从而引出了企业绩效管理EPM的概念。企业的战略目标，可能最终都分解到了每一个部门和每一名员工相关的KPI上。而企业、部门和员工的KPI的完成情况，直接关系到企业战略目标的实现。商业智能系统有能力进行KPI的分析和计算；管理驾驶舱的概念，最早就是商业智能系统实现的。然而，要想使KPI真正有效，商业智能系统真正发挥作用，KPI指标就是必须可以衡量和可以逐层分解的。比如评价客户满意度，就只需要关注订单执行效率和订单处理速度，而订单执行效率的达成则跟及时交付、数量精确度和退货率有关，而衡量这三个因素的量化指标则是及时交付订单率、精确数量订单数、退货率，而这些的指标，是可以在商业智能系统中实现的。这样，抽象的客户满意度指标就可以衡量了。建立可衡量的企业战略目标和KPI体系，在商业智能系统的辅助下，可以动态监测，及时处理异常，保障企业战略目标的实现，从而发挥更大的价值。

　　另一方面，除了回顾，商业智能还要担负预测和决策支持的角色。大部门商业智能系统都声称提供了数据挖掘和预测的能力。然而，数据挖掘和预测都需要相关的数学模型做支持。比如销售预测、客户流失预测等。预测的模型往往企业多年的积累，以及需要考虑各种因素。因此数据挖掘和预测，需要商业智能实施至少两年左右的时间后，有一定的数据积累，同时数据质量稳定的情况下，由业务人员和行业专家共同搭建模型，最终在商业智能系统上实现。

（责编：韩雨彤）