亿信华辰

连续3年稳坐商务智能应用榜首
与此同时,亿信华辰在数据治理领域荣登五强
首页行业资讯商业智能

我们应该如何正确理解商业智能BI的价值?

时间:2019-02-14来源:亿信华辰浏览数:49

商业智能

商业智能BI要解决的问题

商业智能BI(Business Intelligence)简单来说就是一套由数据仓库、查询报表、数据分析等组成的数据类技术解决方案,将企业中不同业务系统(ERP、CRM、OA、BPM等,包括自己开发的业务系统软件)中的数据进行有效的整合,并利用合适的查询和分析工具快速并且准确的为企业提供报表展现与分析,为企业提供决策支持。


商业智能概述

商业智能BI的核心主线是什么?主线就是通过构建数据仓库平台,有效的整合数据并组织起来为分析决策提供支持并实现其价值。还有一种解释就是:将数据转变为信息,信息支撑决策,决策产生价值。

对于商业智能BI大家在质疑什么?

接触过很多的客户,对于商业智能BI他们有这样的一种普遍看法:商业智能BI是如何产生价值的,价值在哪里,我并没有看到?为什么在我的企业中我们IT部门或者业务部门完全沦为了做做报表,能体现的价值只是节省了我们做报表的工作量,仅此而已。


数据可视化分析报表

这种质疑带有很大的普遍性,就如同之前有参加各种企业沙龙活动,有现场听众直接问到:你不用讲那么多,你直接告诉我这个东西有什么用,能解决我们什么问题,能不能帮我们企业赚钱....。有来自业务线的、技术线的、管理层的不同的听众,每一层他们关注的点实际上都各不相同。包括每个人、每家企业对数据的认知程度也决定了他们对商业智能BI的理解和认可程度。但这样的问题也不是不能解决,比如我们就不聊技术,我们就聊聊一些业务场景,最后发现效果就会好很多。

在这里我们尝试用一种可能大家都能够理解的、非技术与专业的方式让大家理解一下商业智能BI的价值到底如何体现的。我们在此探讨一下在我们眼中商业智能BI的三个分析层次,或许我们对商业智能BI的认知可能有所改观。为了便于理解,文章中不提及任何专业的名词与解释。

商业智能BI的三个分析层次

第一个层次是报表的常规呈现。所谓常规呈现指的是使用柱状图、饼状图、折线图、二维表格等图形可视化的方式将企业日常的业务数据(财务、供应链、人力、运营等)全面呈现出来,再通过各种维度(看数据的角度)筛选、关联、跳转、钻透等方式查看各类分析指标,业务分析图表按照主题划分,图表之间存在一定的逻辑关系。

数据BI可视化图表之间的钻取、联动等效果

这些分析展现内容基本上是围绕各个业务部门日常工作展开,这里面有很多的业务分析内容可能需要复杂的计算规则,需要从不同的系统取数据,从业务系统软件中这些都是很难直观看到的。这个层次的报表分析就是一种呈现,让报表用户对日常的业务有一个清晰、直接、准确的认知,其次解放了他们自己手工通过EXCEL通过各种函数做汇总分析、制图的工作。

比如,财务部门会关心今年的营业收入、目标完成率、营业毛利润率、净资产收益率等;销售部门会关心销售金额、订单数量、销售毛利、回款率等;采购部门会关心采购入库金额、退货情况、应付账款等等。

第二个层次是数据的“异常”分析。我们通常所认为的“异常”就是指不好的东西,那么在这里我们对“异常”的解释是:通过可视化报表呈现,我们发现了一些数据指标反映出来的情况超出了我们的日常经验判断。例如,正常情况下每个月的平均用户注册量是10万左右。但是通过报表我们发现在今年的8月份,会员注册量达到了23万,这就是一种“异常”,远远超过我们的经验判断和预期。再比如在今年的1-9月份,产品销售毛利率稳定在30%-40%之间,突然到了10月份,整体的毛利率下降到了20%不到,这也是一种“异常”。这两种异常数据,一种是我们所追求的的正向“异常”,一种是我们极力避免的负向“异常”。

商业智能BI是先通过第一层的报表呈现,将很多业务运营情况直观的反映出来,让用户可以直观的看到在我们经验之外的数据表现情况。商业智能BI在这里体现的价值就是要对这些“异常”数据进行有目的的分析,通过相关联的维度、指标使用钻透、关联等分析方式探索出可能存在的原因。

第三个层次是业务建模分析。业务建模分析通常是由精通业务的用户提出,通过合理的建模找出业务中可能存在的问题,将其反映出来并最后要回归到业务,形成决策并不断优化的一个过程。业务建模可简单,可由一个或多个图表组成,也可复杂,通过一组或多组数据图表支撑。业务建模简单来说也可以理解为一种业务分析的逻辑思维模型,只是用数据、图表化的方式将它们有效组织起来去验证我们对业务分析的逻辑判断。

业务建模分析区别于第一层的全面数据呈现和第二层的异常分析和被动分析,它是一种更深层次的业务数据的主动设计和探索分析。这层分析的提出更加深入业务,围绕一个一个业务分析场景展开,对业务的认知要足够深。

首保回店率的分析

    比如一个用户做精品车保养,一年1.5次,一次平均贡献3000元,1.5次就是4500元的收入。再加上每年的保险例如6000元,可能潜在的维修在1500元左右,一年可能产生1.2万的收入贡献。如果像2016年的回店率只有55%,流失的客户数是174。如果能够提升到90%的水平,就意味着可能的销售收入贡献能够达到351*1.2万=421万,比现在要多出160万的收入。如果把新车基数扩大10倍呢,一年要多出1600万的各类收入,所以提升首保回店率就变得非常的重要。

    同时,也要对首保回店率低的原因做出分析:是因为车卖给了外地,还是因为新车用户对4S店的维修保养环境、服务质量不信任,我们应该从哪些方面进行改善。所以实际上,业务分析模型的提出围绕的是一个一个非常具体的业务场景,回答的是一个又一个业务的问题,而这些问题的发现与企业的业务经营水平、管理水平可能有很大的关系。

    譬如其中的一个改善环节就是在新车用户提完车之后,带领新车用户参观维修保养区域,了解其规范性,透明的展示保养的整个过程和专业性,不会出现维修师傅在保养过程中偷油、少换零件、以次充好以建立信任;或者通过一些促销小手段极大可能的留下新车用户;或者通过系统在不同的时间点关怀用户,提前提醒新车用户回店保养等等。

    当然,实际上各家4S店的首保回店率正常情况下都能保证在95%以上或者更高的水平,这里只是通过一个例子来说明数据和业务是如何产生关联性的。

    所以,为了达到这样的目标实际上需要去从业务上解决问题,找出业务环节中的不足来提升业务指标。

    类似于这样的业务分析模型还有很多,但这样的分析场景很难由专业的BI开发人员提出来。业务分析建模需要由专业的业务人员且具备数据分析思维意识的人员来推进和主导,再辅助合适的数据分析、挖掘或统计工具,这样商业智能BI的价值才能得到充分的发挥,数据的价值也才会得到充分的体现。

对商业智能BI的总结

    所以我最终想表达的一个观点是:我们不应该质疑商业智能BI本身,我们质疑的应该是在这个过程中,我们的个人、企业对于商业智能BI的认知和推进到了哪一个层次,推进到哪个层次,商业智能BI的价值就会体现在哪个层次。如何有效和成功的推进商业智能BI的建设与落地,这才是我们BI服务提供商和客户一起共同要面对的问题。

    最后看看我们对商业智能BI的认知是不是这样理解才更加合理:商业智能BI的表象是可视化分析报表的呈现,但它的本质还是业务问题、管理问题。商业智能BI数据分析来源于业务,通过数据呈现发现业务问题(好的或不好的,经验之内或之外的)再次回到业务优化业务提升业务运营的一个过程,这就是在商业智能BI中数据到信息、信息产生决策、决策产生价值的真正内涵。



快乐分享
© 2019 ESENSOFT 北京亿信华辰软件有限责任公司| 版权所有:京ICP备07017321号 京公网安备11010802016281号|免责声明

联系
电话

您好,商务咨询请联系

咨询热线:400-0011-866转0

手机咨询:137-0121-6790

技术
支持

您好,技术支持请联系

QQ:400-0011-866

(工作日9:00-18:00)