商业智能 (或 bi) 是公司用来分析其数据和创建影响公司绩效的可操作外卖的过程。通常, 此过程包括将公司数据收集到数据仓库或其他存储库中, 并使用专门设计的工具来分析数据。例如, 您可以查看客户在线购物习惯、运营成本或区域销售信息。或者, 您可以将业务运营与基准标准进行比较。商业智能对于组织在竞争激烈的商业环境中的生存至关重要。通常, bi 应用程序使用从数据仓库收集的数据, 公司通常使用 etl (提取、转换和加载) 工具将来自组织不同部分的数据获取到数据仓库中。将一个好的 etl 解决方案与一个好的商业智能工具相匹配, 可以让您的商业游戏突飞猛进。核心研究公司的一项研究表明, 商业智能分析每花费1美元, 就能得到 1 3. 0 1 的回报。
为什么商业智能很重要？
查看和理解当前数据、了解公司强项和弱项的大局以及预测未来趋势或需求的能力, 都是企业的重要命脉, 也是包括企业在内的一组活动之一情报。
下面的列表显示了一些常见的商业智能活动:
- 报告。定期向组织内的关键决策者提供汇总数据, 以支持他们做出业务决策的能力。
- 分析。涉及查找和了解可用于做出业务决策的数据中的模式的活动。
- 数据挖掘。涉及在大型数据集中查找模式的活动。
- 复杂的事件处理。复杂事件处理 (cep) 是对流数据的实时分析。流数据通常是不断更新的数据, 如股市源、交通报告、带有传感器的电网等。
- 业务绩效管理。这是一组分析过程, 旨在分析和衡量组织为自己定义的特定绩效目标 (或一组目标)。例如, 企业可能会设定由按时发货和客户满意度定义的卓越运营目标, 并创建分析来衡量这一点。
- 基准测试。这是一组分析过程, 它们试图收集组织的性能指标, 并将其与为特定行业定义的最佳实践进行比较。
- 预测分析。预测分析包括一系列统计技术, 如数据挖掘、机器学习和预测建模, 用于分析历史数据以预测未来模式。
常见的商业智能挑战
数据质量
获取高质量数据对于实现良好的业务分析至关重要。错误的数据会导致糟糕的商业智能。数据质量是一个挑战, 原因有几个:
- 数据已经过时。在大型复杂的组织中, 数据很容易过时。
- 公司没有花时间来实践良好的数据卫生。为了保持高质量的数据, 公司需要采取措施定期清理和规范数据。
有关数据质量的详细信息, 请参阅什么是数据质量？
关键数据被埋在不同的系统中
当数据位于不同的系统中, 而其他系统无法访问时, 它被称为商业智能工具的另一个挑战是, 它们可能需要大量的专业知识才能使用它们。这意味着组织中只有少数关键人员具备有效使用商业智能工具的技能, 从而造成瓶颈。
商业智能工具
商业智能工具通常分为三类: 内部部署、开源和基于云的工具。正确的工具取决于您的环境和商业智能软件的目标。
预置工具
一些流行的内部部署工具包括microsoft power bi、 tableau和黄鳍。内部部署工具设计为在组织的基础结构上运行, 通常用于也在本地运行的传统数据仓库。但是, 与云解决方案相比, 它们的鲁棒性和可扩展性可能更低。
开源工具
开源选项具有成本效益, 如果它们基于云, 还可以节省基础架构成本。但它们仍然需要一定程度的知识和手工编码才能有效使用。一些流行的开源工具包括apache hive 和 bird 项目。
基于云的工具
基于云的商业智能工具特别擅长处理流数据和大量数据。它们还具有极高的成本效益, 因为维护环境所需的基础设施和专门知识由供应商处理。基于云的工具包括oracle netsuite、 birst、 gooddata和自适应洞察。