在我以前的帖子,我说过,商业智能的目的是建立一个商业模型,其目的是恢复所需的用于评估业务性能的KPI以及预测这些性能在内部决定和外部扰动下可能不同的反应。 在这个项目上我有一些私人的讨论观点,我相信至关重要,这让我觉得需要澄清。 我还记得,在第一个决策支持系统中,一些BI厂商把他们的cube称之为模型。当时我们是含蓄地意识到我们构建的数学模型的描述了一部分业务。 甚至在一个简单的报表中的比较销售额和目标的数据都是建立在正在使用中的商业智能系统的数学定义的结果。其实,在我以前的文章观点里，KPI是被相当松散地用来命名从一个商业模型中抽取出来的数字，并且代表着对业务控制目的有意义的某些东西。 输出看起来和从科学调查模型中获得的不同，这是因为业务总是以更简单和图形化的方式展现。 建模的过程和使用的工具也不同，因为业务需要更高的易用性和不断的更新。 然而,有一系列把原始数据和结果链接起来的数学规则,。我认为我们都同意这一点。 往往被忽略的关键一点是,真正有效的,必须包含尽可能多的业务流程,确定链接的数学规则。如果我们把公司看成由流程链接而成的主体，其中一个流程变化就会给其他流程造成改变。当我可以用数值评估这些依赖值时，BI的真正的能力就被释放出来了。 自从我生产了100个小部件并且出售了50个,我的股票就上涨了,我的资产也上涨了,应收账户及银行账户也变化了,客户购买部件的数量也增加了,这一产品的销售支持电话来电数量也在上涨,由于我在日本进行销售，我第一次不得不雇佣一些日本员工，付的工资因此发生了变化，带动我的信用额度发生了变化…… 一旦这些依赖项被评估，一系列的业务数学模型被确定,我们最终就能对管理决策造成的结果的可能性或是外部条件变化的影响进行评估。每一个内部项目可能是估计它的影响的一个加权的因素,从而减少企业管理中的直觉主观因素。很长一段时间我都被经理要求去建造这样的东西，并且计划和预算模型可适用的应用程。这就是为什么我一直在BI的绩效管理中，因为这是它的自然延伸。 如果我们把这一观点与传统BI的观点“在正确的时间为正确的人提供正确的数据”作比较,我们可以看到后者是非常简单和天真。 在所有这一切中大数据技术扮演的角色是什么呢?他们只是提供新的输入和新的处理能力,可以用更低的成本使模型更准确。 数据科学家在所有的角色是什么呢?她是设计模型并用工程方法实现模型的有价值的人。 导致这样一个集成业务愿景的道路通常是一个长期和艰苦的过程。在我的职业生涯中,我没有超过两个客户做到这一点：一个一致的商业模式。然而,结果是明媚。他们可以用更少的现金运行其业务,他们削减所有的业务枯枝，并且所有的新举措都准确地被评估，所以没有再产生更多的资金浪费。这是基于证据的管理最好的状态。 【了解更多商业智能行业资讯，商业智能解决方案以及商业智能软件下载请访问FineBI商业智能官网www.finebi.com】
| 
发表于 2015-3-8 10:15:14
