商业智能发展及现状

商业智能，又称商务智能，英文为Business Intelligence，简写为BI。百度百科中介绍，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。

商业智能的概念于1996年最早由加特纳集团（Gartner Group）提出，加特纳集团将商业智能定义为：商业智能描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。商业智能技术提供使企业迅速分析数据的技术和方法，包括收集、管理和分析数据，将这些数据转化为有用的信息，然后分发到企业各处。

虽说几乎每个中国的企业都需要商务智能，但大规模的分析主要集中在竞争激烈的生活消费品行业、零售业以及金融服务业（如银行、保险等）。由于国内的生活消费品行业和零售业利润薄，信息化程度低，资金实力不强，因而没有足够能力实施。被商务智能软件厂商们看好的反而是电信、金融、航空等行业，因为这些行业的信息化程度偏高，并且这些行业从某种意义上讲都是服务业，客户的需求扮演着重要角色，准确、科学地把握客户的需求是身处这些行业的企业决策者们孜孜以求的。

从企业需求的角度来看，部署一个商业智能项目之所以失败，其中复杂的原因有很多，但是首先应该想到的一个原因就是“规划”。很多时候，决策人员只是出于一时的兴奋就部署了BI解决方案，之后才了解到公司并没有人需要使用它，它也不能满足相应的业务需求。

从技术的角度来看，商业智能中的数据质量问题依旧是困扰大多数人的话题。一个BI系统会从所有的相关业务中抽取数据。如果这些数据是不好的，那么BI系统得出的结果也必然不好，垃圾数据得出垃圾结果。不良数据应该被过滤掉，事实上，完成这一操作也并不难，数据仓库的抽取、转换、加载(ETL)就可以实现。

从国内商业智能的应用来看，商业智能也是企业信息化中最需要的组成部分，越来越多的企业提出他们对商业智能的需求，把商业智能作为一种帮助企业达到经营目标的一种有效手段。在未来几年内商业智能市场需求旺盛，市场规模增长迅速。商业智能无疑是当前企业管理中最为前沿的实践应用，但商业智能实施成功的概率却不容乐观。有统计数字显示，在国外，投资建设商业智能的企业有60%～70%以失败告终，而在中国，这个数据可能会更岛。也就是说，对于大多数企业而言，信息至今仍是一笔未被充分挖掘的资产，大多数企业还没有从花费巨资所构建的BI系统中享受到应有的益处。

从用户角度看，实施智能分析的内在动力来自于企业决策层的预见性、长远性、危机感、责任感。外在动力来自于行业竞争的压力。中小企业使用智能分析特别适合那种产品多、客户多、市场变化快，原料种类多、生产工艺复杂、同行多、竞争激烈，领导意识强的用户。

 商业智能成功率不高的主因

在企业实际的应用过程当中，商业智能的失败率达到70%，这又是什么原因呢？对于此，复旦大学软件学院副教授赵卫东认为，商务智能在国内实施成功率不高主要以下几个方面的原因：

1、起步晚，很多人对商业智能了解不多，意识不强、参与度不高

商业智能1996年最早由加特纳集团（Gartner Group）提出，据今也有十几年的历史，但最早起步于国外，国外成熟的信息系统以及管理理念比较成熟，所以，对于商业智能的理解以及价值非常认可， 而国内则不同，由于国内信息化起步比较晚，导致了商业智能的建设要比国外的商业智能建设晚，很多人对于商业智能并不是很了解，现在一直处于报表的阶段，同时也无法正确理解商业智能的价值，从而导致了商业智能这种老技术一直不能得到大规模的普及。

国内对于商业智能的需求更多的是老板所提出的，但老板对于商业智能的期望值一般比较高，而商业智能无论是在技术方面、还是在产品方面还存在一定的不足，导致了现阶段企业并不是非常信任商业智能。

2、技术不成熟，目前只有报表、OLAP、仪表盘和统计分析等用的比较成功，而其他方面的 应用还处于研发、摸索阶段。例如非结构化数据的处理、数据质量不高的数据处理， 目前还缺少有效地实用工具。

不在创新中爆发,就在沉默中死亡！数据显示，目前在商业智能的业务中70%是在做报表，25%做多维分析，只有不到5%做数据挖掘。报表是商业智能套件中应用最为广泛的产品，在几乎所有的业务系统中都能看到报表工具应用的影子，报表工具在经历了最早的条带式报表、流式报表到目前的类excel报表发展历程，已经日渐成熟。

数据挖掘也不是什么新鲜的技术了，其挖掘算法基本稳定了，机器学习技术也逐步成熟，但是数据挖掘也面临着如何处理日益庞大的数据量，如何提高挖掘的智能水平的问题。

3、目前在中高端市场，国外商务智能解决方案提供商垄断市场，但其业务模型与国内企业不完全适应，国内的商务智能解决方案提供商无论从产品的完整性和实施能力上也没有多大优势。

IBM收购Cognos、SAP收购Sybase等等一系列的并购加大了对于商业智能市场的垄断，有观点认为ERP的普及波过后，未来商业智能将会成为市场的主导，从商业智能市场来看，目前国外的的商业智能服务商无论是在产品还是在技术方面都具有一定的优势，但国外的产品明显具有国外的特点，在业务模式方面与国内企业的模式并不能完全适应，所以，国外的商业智能产品如何 与国内企业业务模式相互融合，将成为CIO关心的一个焦点。

从国内商业智能服务来看， 虽然具备本土化的优势，但总体的实力不足，在创新方面还要略逊色于国外的服务商，因此，种种因素导致了在商务智能市场上，现在还是国外的商务智能服务商“说了算”，商业智能在短时间内难以形成“气候”。

4、缺乏既懂商业智能技术，又熟悉企业业务的人员，在商务智能市场逐年有很大增长的情况下，无论从数量上还是质量上都无法满足企业的需求。

21世纪最重要的是人才！没错，如果没有人，那么什么也做不好。 从现状来看， 虽然做IT的人员多了，但既懂商业智能技术又懂企业业务人员的人员确非常少， 正如企业信息化的建设一样，商业智能缺得是复合型人才，而不是单一的技术或者业务人员。

企业需要复合型的人才，目前这类人才确非常奇缺，一方面培养人才的成本较高，另一方面相应的人才风险也比较大，导致了企业对于商业智能的人才更多的是希望可以直接接手项目的人员，而不是从底层做起，这也就阻碍商业智能的前进因素之一，有产品没有人会实施，那么只能失败。

5、商业智能项目的软硬件和实施费用很高，风险也比较大。

当前，商业智能的主要服务商几乎都是国外的，相对于国内的商业智能产品来讲，国外的商业智能产品费用较高，企业在实施一套商业智能系统所需要的软硬件成本较高，在加上目前的成功率并不是很高， 因此，给企业带来的风险也是很大。

国内的商业智能产品虽然在价格以及本地化具有很大的优势，但也存在很多的不足，比如产品方面在逊色于国外的产品，同时对于大量的数据处理，更多的依靠第三方所提供的工具。对于大型企业来讲，国内的商业智能很难满足其需求，因此，对于企业来讲，上一套商业智能的风险不亚于上一套ERP的风险，所以， 在这方面投资还是比较谨慎。 高风险未必能带来高回报，所以，归其一点还是要帮助企业降低风险，才能更好的推动商业智能的普及。

6、商业智能项目的需求比一般应用系统复杂，难以把握。

把握市场动向，提高销售利润是企业的最终目标。在企业管理日趋科学化的今天，如何准确及时地进行生产经营决策是企业老总面临的严峻问题。这要求决策者准确及时地捕捉到销售信息，分析销售情况，随时根据历史的销售情况，对下一步的生产经营科学地进行决策。销售分析需要的基础数据涉及到的模块有销售、库存、财务和人事，能够围绕销售合同，从人员绩效、应收款、财务、库存等多角度进行分析，并给出如销售趋势、产品需求趋势等辅助决策信息。

商业智能系统根据企业需要解决的问题，帮助企业建立相应的分析主题和分析指标，从业务系统的基础数据库中抽取需要的数据，按预先建立的业务模型进行分析决策，分析结果显示直观、形象。

理论上来看，比较简单，但在实际的应用过程中， 由于业务的不断变化，企业的商业智能项目很难在短时间内随着业务的变化而及时调整，这就导致了商业智能项目的需求要比OA等一般的应用系统复杂。 如果没有专业、并且具备多年实施运维的BI人才，很难把控整个BI项目。

总结发现，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。

商业智能系统的建设是一项长期的任务，不能一蹴而就。应该在“边建设，边应用，边见效”的思想指导下，从业务部门的实际需求出发，选择统计报表作为项目的第一阶段目标。从数据分析到数据挖掘，逐步完成从信息到知识的转变，最终得到竞争优势和实实在在的利润。