在這個充滿波動性、不確定性、復雜性和模糊性的商業環境中，最有力的競爭優勢是信息。隨著數字化轉型成為各類企業的追求，從數據中獲取情報的能力將是獲勝的關鍵。

在大多數情況下，這些問題既是技術問題，也是文化問題。信息孤島、不愿共享、缺乏分析技能以及業務用戶難以查找和獲取數據，這些都是阻礙企業真正以數據為中心的因素。

大量數據表明，由數據驅動的決策可以使企業更加靈活、高效和響應迅速。低成本、可大規模擴展的數據庫和云端分析工具的出現，降低了獲取和使用數據的障礙，但許多企業受到傳統技術的束縛，無法滿足日益增長的用戶需求。

01數據對企業具有重要價值

商業應用研究中心(BARC)的一項調查發現，三分之二的組織認為信息在現在或將來的決策中非常重要。然而，58%的受訪者表示，他們公司的管理決策至少有一半是基于直覺或經驗的。在被BARC定性為“落后”的組織中，這一數字為70%。

據Gartner估計，87%的組織在商業智能和分析的成熟度方面水平較低。他們傾向于使用電子表格進行分析，并在沒有經過統籌的獨立項目中提取個人數據。根據該研究公司的說法，這些信息孤島限制了BI現代化。對于大多數組織來說，問題在于傳統BI工具的泛濫，再加上數據治理流程將太多的責任集中到了稀缺的數據管理人員手中。數據驅動意味著將數據以可用的格式及時地傳遞給需要它的人。然而，在很多組織中，僅僅是將數據轉換成可用的形式就浪費了太多時間。

當今的商業環境中，數據是競爭優勢的最關鍵來源，低效的數據處理越來越難以維持。企業可以將許多非核心競爭力的操作和基礎設施外包出去。事實上，新型的純網絡企業幾乎沒有任何基礎設施。這些公司所擁有的是圍繞數據使用的文化和組織的嚴謹性。

數據是大多數公司各個層面做出明智決策的關鍵，今天，這些決策可能延伸到收銀員、酒店管家和工廠車間里的工人。一家運營良好的公司在管理層制定戰略，并將其轉交給對應的管理者，由他們將其轉化為有數據支持的流程和舉措。這些數據可以是戰略性的(用于對新的倡議作出決定)，戰術性的(用于決定如何執行個別倡議)和操作性的(用于支持正在進行的進程)。

不幸的是，許多組織中的數據流受到了一系列技術限制，這些限制圍繞查找、清理、加載和協調數據源等任務，而這些任務又被糟糕的數據治理實踐放大了。用戶可以自己承擔的任務最終集中在技術人員身上。其結果是，高優先級的項目得到了關注，而小項目的“長尾”則被分流到了一邊。這些低優先級的請求加在一起，將會對底層業務產生重大影響。

舉一個真實的例子：一家被稱為數據分析領域領導者的大型零售商。像許多同行一樣，該公司投入了大量的工作，為假日購物季的促銷活動、定價、庫存和人員配置做準備。但是，對于公司內部的一些小組來說，一年中最繁忙的時間是在圣誕節之后。這些部門主要是處理售后工作以及節假日后的商品庫存，這是增加銷售機會和改善客戶關系的一個重要渠道。部門經理對他們無法獲得客戶行為數據和節后購買的歷史記錄感到沮喪，這些數據在預測需求方面是很有用的。但是他們的需求被認為是次要的，因為要為假期激增的訂單做好準備。而最終結果是節假日后儲物箱等物資短缺，客戶服務臺排長隊，庫存計劃和供應鏈管理中斷。這種對最關鍵的業務問題的關注，留下了一長串未處理的項目，而這些項目合起來可能產生重大的業務影響。

根據杜德定律，價值=為什么/怎么做。價值的增長要么是通過探索原因，要么是通過減少方法。在分配資源時，組織通常會過度關注分子而不是分母，認為更大的解決方案會帶來更大的紅利。復雜的優先級計劃總是忽略了減少“如何”可以對業務產生同樣大的影響。

02商業智能(BI)技術束縛了企業決策過程

商業智能是一個成熟的市場，可以追溯到20世紀90年代，有數百種可用的產品。許多遺留系統是基于客戶機-服務器架構，這種架構中數據駐留在服務器上，客戶機需要進行大部分處理。這種過時的方法需要強大的服務器處理能力和大量的文件傳輸到客戶端的PC。許多工具甚至將數據存儲在本地電腦上，造成安全漏洞。而且，在智能手機和移動電話發明之前建立的系統也是如此。目前只有平板電腦努力在向人們現在最常使用的上網設備提供報告。

大多數傳統的商業智能系統需要提取數據庫、匯總數據集或數據倉庫，這些都是存放源數據的更新副本。企業內部的數據倉庫很昂貴，所以存放在其中的數據量需要嚴格控制。獲取和清理數據所需的ETL過程也是費力的，而且很耗時，有時需要一個數據科學家花費數周的時間。不同的數據源使用不同的格式，從CSV文件到關系表等。用戶需要創建自定義查詢，以便從每個來源提取和清理數據。IDC估計，一個典型的分析團隊80%的時間花在數據發現、準備和保護上，只有20%花在分析上。

提取數據庫在創建的時候已經過時了，因為數據不能實時獲取，而且沒有一個固定的模式。當用戶看到他們請求的報告時，數據可能是幾周前的。檢索更新的數據可能需要與數據科學團隊創建一個新的需求。因此，傳統工具阻礙了快速自動化決策的制定。

用于數據集成、ETL、數據倉庫、提取數據庫和BI前端的工具之間的不兼容，進一步復雜化數據提取。傳統商業智能系統協作能力有限，對業務用戶來說是一個黑箱，需要數據科學家和工程師猜測他們的業務方客戶想要什么，而業務用戶只需要簡單的提交任務更改請求單。這種解決方案浪費了時間，使資源進一步集中在少數高度優先的任務上。

03企業使用商業智能(BI)效率低下

許多組織用來管理商業智能數據流的工作流程是過時的和低效的。太多的責任集中在數據專業人員的手中，而終端用戶的責任太少。這是有原因的，傳統的工具使用起來很麻煩，需要復雜的模式和專業的背景知識，企業還需要對敏感信息的獲取進行監管。然而，現代軟件已經簡化了許多技術問題，良好的治理和訪問管理實踐可以解決大部分控制問題，而不會阻礙人們獲得需要的數據。

數據科學家和工程師的成本和稀缺性也造成了一個重要的瓶頸。在美國，數據科學家的平均基本工資超過11.3萬美元，而IBM估計今年將有超過270萬個需要數據科學技能的工作崗位發布。商業智能只是數據科學家和工程師支持的任務之一，而且往往不是他們的最高優先事項。

由于技術資源是寶貴的，公司往往不得不制定嚴格的程序來規范其使用，從而造成效率低下，而組織上的孤島又加劇了效率問題。用戶請求必須進入隊列進行評估和排序。由于缺乏時間和協作工具，與技術團隊的互動受到限制。工程師們可能對用戶的需求知之甚少，他們只能對要使用的源數據和需解決的業務問題做出有根據的猜測。用戶往往被排除在關于如何計算和顯示報告的小決策之外。如果在報告交付后出現了新的數據源，用戶必須提出新的請求，整個過程又要重新開始。

04企業如何提高商業智能(BI)的價值?

增加商業智能對組織的價值需要在技術和人員兩方面進行投資。然而，技術投資的第一個階段往往是撤資。組織需要先對正在使用的BI工具進行分析評估，并對那些應該被淘汰的工具做出一些艱難的決定。這種評估不僅要考慮基礎設施成本，還要考慮維持該工具特有的技能組合對組織的影響。管理者也應該對人們的影響保持敏感，并讓他們參與選擇新的解決方案。工具越少越好，只要它們能夠滿足組織的大部分探索和報告需求。

在技術方面，一些最大的優勢來自于平臺的整合和現代化，BI工具應該向云方向發展。傳統的企業內部解決方案維護費用昂貴，而且可能帶來安全風險。大數據分析正在轉向云，商業智能也在隨之發展。基于云的解決方案將成本從資本預算轉移到基于使用的運營費用。云計算儀表盤讓管理員能夠了解工具的使用情況，而傳統的內部平臺則無法做到這一點。

更重要的是，企業獲得了無限規模、持續更新和訪問內外部數據所帶來的靈活性。他們可以嘗試使用不同種類的關系型和非關系型數據存儲，還可以結合流分析和各種開發、可視化和機器學習工具。在許多情況下，這些技術可以免費試用，或按月訂閱。

現代云原生應用程序也利用應用程序編程接口(API)來整合系統并實現無縫數據交換。API是應用集成的一個巨大進步。它們允許開發者以安全且可審計的方式有選擇地公開服務和數據。它們還可以創建全新的數據視圖，如結合數據的儀表盤。連接器可以使數據集成變得很簡單，甚至非技術性的企業用戶也可以在幾分鐘內完成配置，嘗試使用不同的連接器，而不需要做長期的購買承諾。

有四種方法可以利用這些綜合技能組合來提高BI的價值：

雇用具有商業技能的工程師。即使在最好的情況下，這也是很難做到的，在低失業率的情況下更加困難。讓專業技術人員掌握適合企業需求的技能需要數年時間，即使他們有能力，但是有些工程師就是不感興趣。

為每個業務部門雇用專門的工程師。這是一個更快發展業務的方法，但可能非常昂貴。這也產生了風險：失去一個精通業務的工程師會對部門造成毀滅性打擊。

提升業務人員的技能。這種方法與雇用具有商業技能的工程師有一些相同的缺點。雖然在技術上是可行的，但經理們可能會拒絕讓他們的員工脫離商業流程進行必要的培訓，而要找到具有強烈技術傾向的業務人員，也是困難的。

使用一個平臺，讓企業用戶在技術上有更多控制權，同時讓工程師更接近業務。這是成本最低且最具擴展性的方法。評估你的技術團隊現在執行的任務，哪些可以安全地轉移到業務用戶手中而不需要大量的技術培訓。可能包括查詢、格式化、可視化，這些操作不會修改底層數據。同時，工程師可以與一個或多個業務部門更緊密地聯系，以從事類似的項目，加強他們對業務的理解。

05使用自助式商業智能(BI)

自助式BI的概念已經被廣泛使用，這個詞的廣泛使用已經淡化了它的意義，就像對Gartner等權威機構的聲明的誤讀一樣，即商業智能用戶已經比數據科學家產生了更多的分析。事實上，仔細看看Gartner的研究就會發現，該公司并不主張將BI的責任從IT部門全盤移交給業務同事。自助式BI將業務用戶的專業知識和見解與數據科學家和工程師的專業知識相結合，以確定要問的正確問題，從而找到正確的數據源并準備必要的數據集。數據質量很重要，BI系統本身也必須得到維護和更新。

自助服務不應該與自給自足混為一談。比如快餐店里的汽水機，許多商家為顧客提供了飲料自助，但這并不能讓顧客完全獨立。在幕后，需要工作人員確保提供足夠的碳酸和糖漿，將原料調整混合以達到正確的味道，并為食客提供用餐需要的杯子、蓋子和吸管。飲水機也必須得到維護、修理和清潔，以滿足衛生要求。類似的，允許業務用戶從BI工具中自由發布信息，并不意味著不需要專業人員確保使用了適當的數據源、清理了數據、打了補丁并更新了軟件。

雖然過多的控制會令人窒息，但過多的靈活性也會導致魯莽，需要數據科學家來幫助用戶做出明智的決定。例如，相關性和因果關系很容易被混淆。用一個流行的例子來說，冰淇淋的銷售和游泳死亡的比率同時上升和下降，并不意味著冰淇淋導致溺水。相反，這兩種趨勢有一個共同的相關性，那就是夏天。需要數據科學家建立保護機制，防止他們的業務同事對數據理解不足做出錯誤的決定。

06自助式商業智能(BI)的優點

實現資源的正確平衡，一種行之有效的方法是建立小型團隊，這些人擁有與他們業務職能相關的數據子集。該團隊負責確保使用正確的數據，保持最新的數據，并應用于正確的問題。如果有不準確的地方，團隊的工作就是修復它們。協作是必不可少的，組織使用的任何商業智能工具都應該具有共享、評論和基于每個團隊成員的工作的內置功能。

BI平臺應該有足夠的靈活性，以應對未知的需求，并使組織的所有部門都能建立自己的模型，這樣技術人員就可以專注于最重要的問題。隨著用戶的嘗試和發現新的機會，他們可以競標技術資源來開發它們。

配置設置和用戶輸入應該驅動用戶可以根據需要更改的算法。在定義治理政策時，應假定人們可以在他們可以訪問的數據域內自由地進行試驗。良好的治理，結合強大的安全和審計控制，可以保護敏感數據，同時給予用戶更大的自由來滿足好奇心。

傳統的商業智能系統，特別是那些基于客戶-服務器模型的系統，由于難以監控PC終端上的活動，限制了組織的數據治理能力。組織的反應通常是嚴格限制在服務器層面上的數據訪問。更好的應對措施是釋放數據，并使用審計和訪問控制來規范誰使用數據以及如何使用數據。

現代基于云的解決方案如虹科Domo可以將處理轉移到一個可擴展的服務器上，并給管理員提供工具，以實現數據訪問和安全性之間的平衡。他們可以看到數據如何一直在管道中流動的可視化表示，以及登錄嘗試、數據使用、用戶活動和實時數據集的狀態。可以設置警報，以在檢測到異常或數據問題時觸發。管理員可以創建授權策略，管理個人和團體對數據集中特定數據的訪問。他們可以為管理員、特權用戶、編輯和參與者使用預定義的安全配置文件，或創建自己的安全配置文件。企業可以選擇最適合他們的安全模式，包括零信任和最小特權，與單點登錄和認證相結合，以減少用戶的不便。

07結語

2017年，《經濟學人》宣布：“世界上最有價值的資源不再是石油，而是數據。”這個比喻很貼切，因為今天的企業沒有信息就無法運作，就像一個世紀前的工業巨頭沒有石油就無法運轉一樣。數據實際上比石油更有價值，但與石油不同，數據可以被重復使用，以創新的方式組合，并在組織或世界范圍內共享。

創新的數據管理不僅是幾乎所有市場競爭優勢的主要來源，而且是重塑零售業、運輸業和酒店等行業網絡規模公司的命脈。限制人們利用數據潛力的傳統技術和流程威脅著整個實體的健康。云計算已經釋放了人們的潛力，以之前無法想象的方式將成千上萬的數據源結合起來。現在是時候重新審視商業智能，使其成為一種新的靈活且響應迅速的組織的能量來源。

審核編輯：湯梓紅