从零开始实施BI应该如何找准切入点？

随着信息化的普及与发展，信息技术在企业中的应用逐步得到了重视，尤其是在金融危机以后，企业对于信息技术在企业中的力度开始进一步增加，无论是企业的领导层还是业务层，对于信息系统的依赖性越来越强，同时，市场竞争的加剧，进一步加剧了企业对于管理效益的提升的迫切性。从现状来看，企业的信息化水平正在提高，以ERP为例，据调查显示，国内ERP的普及率已经达到52.4%，随着ERPR的普及以及各种信息系统的应用，这些系统产生了大量的数据，但这些数据对于企业的实际应用是没有多大的价值和意义的，因此，如何把这些数据转化有价值的信息，成为现阶段CIO以及企业领导关注的热点，在这样一个背景下，BI（商业智能）随需而出。

关于BI，从技术的角度来看BI的技术正在走向成熟，处于一个发展的阶段，但它促使了BI的应用在成本方面开始逐步的降低，越来越多的企业在BI应用方面取得了成功。从实施的角度来出发，实施商业智能系统是一项复杂的系统工程，整个项目涉及企业管理，运作管理，信息系统，数据仓库，数据挖掘，统计分析等众多门类的知识. 因此用户除了要选择合适的商业智能软件工具外还必须按照正确的实施方法才能保证项目得以成功。

资料显示，现阶段BI比较难解决的事情，一向习惯于拍脑袋做决策的管理者很难理解BI的真正涵义。所以，多数的企业用户把BI做成了装饰工程。领导想看到实时的某某数据，IT部门接到这个指令后马上想到了商业智能。厂商的宣传把商业智能夸成了一朵花，国际上最先进的管理理念，能把企业打造成智能化企业。一片赞美之声下，一个轰轰烈烈的“面子工程”上马了。几个简单的应用被冠以商业智能的名头，领导初时很满意，自己的企业和国际接轨了。渐渐地，化重金买来的软件，只能起到一点点作用。

虽然BI的局部应用逐渐增多，越来越多的企业尝到了BI的甜头。但对“平民化”的正确理解是商业智能能否最终真正实现“平民化”的重要因素之一。无论对国际厂商还是国内厂商，急功近利将会使资源大量流失，真正适合于本土的模型和解决方案才是企业之所需，而对于中小企业来讲，商业智能的“平民化”是必然的选择。但“平民化”并不是很简单，据笔者的了解，国内现阶段BI的应用现状：

1、国内BI的失败率达到七成以上

2、目前，国产的商务智能(BI)系统在功能上还很不完善，与国外软件相比有较大的差距。而国外软件在价格上普遍较高

3、国内的成熟、专业的商务智能(BI)实施顾问较少

4、销售渠道的建立。目前，多数商务智能(BI)厂商是通过分公司或办事处来销售的，而未来国内制造业企业多数需要本地化服务，这种模式必将改变，但商务智能(BI)的销售、服务要求代理商要有很强的能力，如何选择、培养、发展这些代理商将是国内商务智能(BI)厂商面临的一个问题

5、商务智能(BI)系统最昂贵的地方不是平台，而是模型，但目前由于国内市场应用BI的企业并不多，应用深入的更少，应用基础也比较薄弱，即使拿来国外先进的商业模型也不一定运转起来，所以尽快建立各种适合国内企业特色的模型是各商务智能(BI)厂商未来要投入大力解决的。商务智能(BI)要想在国内制造业中大规模的普及，必须要解决好以上问题。

找准BI的切入点

从现状我们可以看出，目前企业的BI应用失败率居高不下，有数据统计，现阶段的是BI应用失败率达到60%~70%，高失败率的BI让CIO充满了困惑，究竟如何才能做好BI应用，找到BI的方向、入手点显得至关重要。我们知道，虽然找对BI的应用切入点并不是整个BI项目成功的关键，但对于整个项目来讲，如果找不着BI的切入点，那么必然给整个BI和应用带来阻碍。

应用BI，首先要理清楚BI应用的思路究竟想要达到什么样的目的和目标，如果无法确定最终的目标，那么，对于BI项目来讲，当CIO实施BI项目以后，未来会出现“两张皮”的现象，即业务人员对于BI不满意，企业的领导层对于BI不满意，在以后的绩效考核中形成“败笔”。因此，做BI，首先CIO要有一个充分的认识，有一个理性的规划。

从横向角度来看，据笔者的了解，北京东方中科集成科技股份有限公司信息技术部经理金春姬，就在企业BI中的切入点表示，BI应用主要有几个层次。首先是单一系统的数据报表，一般企业的信息系统都或多或少的有数据报表。其次是跨业务系统的数据仓库建设。数据仓库可以将不同的应用系统的关键数据进行整理分析，然后汇总，为后续数据分析做准备。最后就是商业智能。想达到智能的程度，首先要有分析模型，然后数据中挖掘潜在的商机。例如东方中科科技仪器的租赁业务，如果通过以前的租赁订单中的租金、租期、成本等数据建立一个出租量、租期、租金的关系模型，那么当业务员得到一个租赁的销售机会时，他就可以利用这个模型进行租金的定价。租10台12个月，和租120台1个月，在租金定价上应进行什么样的调整给出演算结果。当企业有多个信息系统，先做好每个信息系统的数据分析，再谈数据整合比较好。整理每个信息系统数据的过程，都是对数据与信息的分析过程。

不同于业务管理类的信息系统，BI系统上马对企业信息化本身提出了更高的要求。比如业务数据。如果没有基础业务系统收集到足够的数据，绩效管理无法确定。通过BI系统的上马和完善，可以使绩效报表也日益完善、全面。BI另外最大的变化是指标考核频率的增加。BI系统的实时分析，更多是成本分析指导下的各种指标考核。

从纵向角度来看，早期的BI应用更多偏向于管理决策层，但从已经应用BI的企业中了解到，领导决策层BI应用的效果并不是很好，而且大部分BI最终的结果未必能达到预期的结果，这就导致了BI真正给领导层带来的实效并不是很大。当失败的案例骤增时，还没有应用或者正准备应用BI的企业CIO开始考虑，现阶段的BI究竟是企业老板而服务，还是为企业的业务而服务？只有把这些需求想明白了，才能做好BI，从笔者接触的企业中了解到，现阶段大部分的BI应用在领导层的决策失败的居多，而真正在在应用操作型的BI相对来讲比较多一些，基于此，作为CIO一方面在梳理BI横向的同时还需要梳理BI纵向应用，只有从两个纬度都弄清楚了，BI才有可能成功。从现状来看，以业务为基础，充分结合业务中的实际情况，BI成功的可能性更大。

BI的关键因素

作为CIO是BI项目成功的关键，从实施的角度来看，CIO在做BI时需要考虑几个方面：

1. 选择合适的管理人员来管理数据部门

管理数据并非一定得以CIO来管理，或者说作为CIO未必能做好数据的管理，因此，CIO需要一个懂数据、懂管理的人员，来帮助把企业的数据进一步的优化，梳理出相应类别与架构，以保证BI系统的应用。

2. 建立数据管治和管理部门，并授权

从现状来看，企业负责IT的大部分称之为信息部或者IT部门，如果是中小企业，自身的业务并不是很大，一个IT部门就已经全部解决了企业所有的IT问题，但随着企业的不断扩大，IT部门不在是一个“打杂”的部门，将会更加专业，它会把一些IT部门的业务划分为不同的子部门，如IT部门下属安全部门等，这样做的目的就是为了“术业有专攻”，同样，对于BI应用项目来讲，CIO所处一的IT部门需要成立一个数据管理部门，用以专人、专事来做数据的工作。同时，要对这个部门充分的授权。

3. 确保BI组件都能在BI战略解决

BI是一个很大范畴的应用，所以，前期规划的时候，需要涉定一个目标，当达到一个目标以后，在开展下一个目标，如果贪“大而全”，以目前的现状来看，BI全面应用的成功率非常低。因此，无论是产品，还是实施的过程，都需要CIO充分考虑BI是不是在企业自身的掌控之中，争取到BI的积极主动权。

4. 选择具备实施背景系统集成商

BI因企业的业务发展需求而生，作为CIO并不是万能的，因此，对于BI系统如果只是实现报表型的BI，那么,CIO可结合实际的工作开发一套产品，但适应企业所有的业务及管理层，那么就需求借助外界的力量，现在BI产品虽然欠缺，但满足企业部分的功能还是可以实现的，这就要求CIO要选择合适的产品及业务口碑良好的系统集成商作为伙伴,同时，要具备BI战略与实施背景。

总体业看，选择一个高价值、低成本、低复杂度的目标作为入手点，这样易于达成，并能为后续目标增添动力。BI的应用与行业成熟度、企业成熟度密切相关，已经有大量的案例证明了BI应用可以有效的提升企业的运营效率，提高企业的绩效。

关于BI:

BI 商业智能也称作BI是英文单词Business Intelligence的缩写。商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等来自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。

商业智能的概念最早在1996年提出。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。