2022 年的 6 大商业智能挑战

BI 解决方案的重要性正变得无可争辩。 统计数据显示，26% 的公司已经采用了 BI，大约 33% 的公司将在 2023 年之前实施。然而，尽管趋势快速增长，但利用其价值的道路上并没有铺满玫瑰花瓣。 大量商业智能挑战源于系统的局限性、复杂的业务需求、人为因素等等。

在跨行业和业务级别实施 BI 解决方案方面的深厚专业知识使我们能够解释商业智能问题并提供解决这些问题的改变游戏规则的技巧。

步入行动时代伴随着某些 BI 挑战

商业智能不再局限于大人物。 各种规模的公司现在都可以将不同的数据转化为行动计划。 然而，面向行动的数据分析以多个前身为前提，每一个都是早期 BI 采用者的潜在挑战。

1. 整合来自不同源系统的数据

只有当 BI 能够整理和分析来自多个来源的数据，从而为最终用户提供一些坚实的见解基础时，BI 才有意义。 否则，有什么意义呢？ 然而，BI 软件必须连接的众多数据源——从大量的数据库和业务应用程序到大数据系统——增加了讲错故事的风险。

从一开始，只要内置的 ETL 流程允许现成的 BI 平台直接连接到各种数据源并转换数据以供自己使用，这似乎不是问题。 听起来既快又有吸引力，内置的 ETL 并不是杂食性的。 尽管一些专门的连接器不断为新的源系统最终确定，但如果中型到大型组织专门使用 Power BI 数据流作为 ETL 工具和 DWH 存储，它们将在某些时候面临扩展、性能和维护问题。

首先，使用原始的非结构化数据会增加数据集的复杂性和数量，从而使报告更加耗时。 如果报表集成了来自不同来源的数据，则无法将相同的逻辑轻松应用于另一个数据集。 其次，由于不同数据集的真实情况有多个版本，报告系统中出现差异的可能性很高。 第三，如果您的数据量达到数百万行，内置的 ETL 将无法处理，导致报表响应速度变慢。

在这种情况下，最合理的解决方案似乎是建立一个单一的存储库，其中数据将被预先聚合并以结构化的方式存储——数据仓库。 消除数据中的混乱有助于创建单一版本的事实。 中央存储库带来的其他重要好处包括历史数据分析和更快的报告准备的可能性。 数据仓库技术允许处理不断增长的数据源，而不会让您在 BI 工具维护上花费更多。

2.数据质量问题

数据质量是商业智能的主要挑战之一，也是实现 BI 目标（即做出正确、有价值的决策）的绊脚石。 人为错误、重复和无效数据以及不一致的数据格式不允许您获得任何有价值的见解，并可能在此基础上引发错误的行动。

适当的数据管理策略有助于解决数据质量问题。 简而言之，它处理公司收集或生成的数据，以确保更好的决策。

数据架构是一个重要的数据管理组件，在提供高质量信息方面起着至关重要的作用。 假设一家公司有多个销售渠道，在数据仓库级别合并它们生成的所有信息是一个不错的主意，在通过业务规则定义的某些清除算法后，这些信息可以进一步分发到不同的报告中。

在尝试使您的数据符合分析条件时，数据建模是您不能忽视的另一件事。 例如，您网站的访问者、您进行的调查的参与者以及您的客户可以是一个人。 但是，您可能会让它们在不同系统中以不同的角色出现，即使它是同一个实体。 这就是为什么为了避免数据冗余，应该决定将该实体分配给哪个系统（CRM、ERP 等）。

数据管理策略主要是一种管理活动。 同时，构建适当的、经过深思熟虑的解决方案架构的技术部分也不容小觑。 战略工作应从公司所有数据流的图表开始。 确定您拥有的源系统、数据在哪里生成和使用、您拥有哪些实体以及它们存储在哪里，然后决定如何在技术上实现它。

— *instinctools BI 部门负责人 Alex Obolensky

3.缺乏数据人才

技能短缺是阻碍数据分析工作的其他常见商业智能问题之一。 2020 年，美国面临数据科学人才短缺的问题——公司未能填补大约 250,000 个职位。 2022 年技术招聘调查还将数据科学定义为一种需求远远超过供应的技能。

整个招聘市场迫在眉睫的人才危机、不断变化的人口结构和“大辞职”加剧了这种情况，这可能是另一场经济衰退。 如果没有专门的技能，公司就无法有效地利用 BI 分析、为基线信息建立数据仓库或建立所需的数据素养水平。

为了应对人才紧缩，公司倾向于利用外包的专业知识。 专门的 BI 团队组成一整套内部数据专家，帮助企业快速验证他们的数据计划，没有招聘麻烦。

4.糟糕的数据可视化

您的数据和分析过程的质量往往会偷走所有的荣耀。 但是，BI 仪表板的设计对于将复杂数据传达给决策者并将关键见解转化为行动同样重要。

如果数据没有以令人信服的方式呈现和论证，它就会被忽略，或者被意见压倒。 永远不应低估争论和制作故事组件的价值。

— Qlik 市场情报高级总监 Dan Sommer

缺乏交互性、无法获取近乎实时的数据、死板的模板，甚至错误的颜色选择都可能导致仪表板实施中的潜在挑战。 为了强调适当的数据价值，公司应采用具有广泛个性化功能的高度可定制的仪表板，以满足组织的独特需求。

仪表板类型的正确选择还可以使您的 BI 管理更加完善。 分析仪表板提供关键数据的全面概览，而操作仪表板包括与特定部门相关的实时更新。 战略类型向高管提供基本 KPI 的概要。

5. 选择合适的软件

在应对商业智能实施挑战时，选择正确的 BI 工具是成功的一半。 据 TrustRadius 称，Tableau、Qlik Sense 和 Microsoft Power BI 是市场份额最大的领先商业智能平台。 但是哪一个符合您的独特需求？ 让我们谈谈这三者之间的主要区别。

正如您从表中看到的，在这三种工具之间进行选择就像在奥迪、宝马和梅赛德斯之间进行选择一样，将大致相同的质量包装在略有不同的外观中。

然而，在大规模采用的情况下，即使是细微的差异也开始发挥作用。 必须考虑许可证类型、角色和权限、折扣分配和其他因素，以优化您的 BI 体验。

此外，通用商业解决方案可能无法始终满足您的可视化需求。 例如，由于分析需求高且没有许可负担，B2C 初创公司更适合使用开源 BI 解决方案。 在某些情况下，公司选择定制 BI 工具进行品牌设计。

6. BI在员工中的采用率低

在您为分析软件投入了所有金钱、时间和精力之后，它可能仍然无法正常工作，因为用户不会接受它。 组织内的低采用率仍然是主要的 BI 问题之一。 如果您希望新部署的 BI 工具不仅可供分析师或数据科学家使用，请确保它是用户友好的，而不是令人生畏的。

此外，从员工的角度来看，员工经常对新软件表现出合理的抵制。 这种对商业智能的厌恶是完全可以理解的，因为主要任务是手动整合公司分析的人担心报告自动化会使他们失业。 这就是为什么他们需要被说服。 能够接受商业智能挑战和机遇的员工将成为公司更有价值的资产，因为他们不再需要浪费大量时间处理数字或担心犯错的风险。 相反，他们将从上到下分析信息，并将分析结果传达给他们的经理。

处理与 BI 实施和思维方式转换实践相关的管理问题的微妙艺术需要在 Excel 中更加精确。 人们对这个工具的忠诚度不容忽视。 数字往往胜于雄辩。 使用它们向您的员工展示 BI 工具在节省时间方面的益处。 例如，财务总监需要一到两天的时间来处理临时请求，三五天的时间来准备每月的会议，以及大约三周的时间来总结一年的结果。 使用 BI 系统，只需单击一个按钮即可自动完成所有报告。

主要目标是向人们展示如何使用仪表板来回答他们的问题并快速有效地探索可用数据。 当数据被充分可视化而不是分散在电子表格中时，趋势更容易被发现。

是的，我们知道 Excel 不仅仅是表格，您也可以在其中构建图表，但您无法在现场与它们进行交互。 在仪表板中，您可以单击单个段并立即查看您需要的信息，而在 Excel 中，您将需要更多时间来做同样的事情。

*instinctools BI 部门负责人 Alex Obolensky

应对商业智能实施挑战的有效方法和旨在缓解用户痛苦的适当变更管理的重要组成部分是员工培训。 这就是为什么用户不应该在系统部署后陷入困境。 寻找 BI 实施合作伙伴，他们将准备有关新流程的文档并安排范围广泛的培训，这些培训不仅旨在教授如何使用软件，而且还旨在提高一般技术素养。

导航商业智能的路径

数据科学项目的失败率高达 87%。 它证明了一个事实，即一个可靠的数据分析和可视化架构不能凭直觉制定战略，除非你想得到零星和不完整的见解。 意识、计划和专业知识将帮助您避免大多数 BI 问题。 下面，我们将探讨成功的商业智能战略的三大支柱。

定义你想要解决的问题

商业智能的应用领域非常广泛，几乎涵盖了所有业务运营。 因此，您应该从小处着手，确定分析范围并将其与相关指标和报告联系起来。 反过来，这些报告应围绕特定选择的内部或外部 KPI 进行，以衡量和分析组织的数据并对其进行改进。 BI 咨询合作伙伴可以就相关指标为您提供建议并验证您的分析范围。

通过适当的变革管理转变组织的思维方式

当用户从零散的工具转向集成的 BI 系统时，您应该采用正确的转换方法来消除惯性并提高系统接受度。 建立稳定透明的沟通流程，将不同领域的领导者聚集在一起，举办研讨会和培训，以培养协作数据流和无缝知识共享，以获得准确的业务洞察力。

选择可靠的咨询合作伙伴

单一的统一数据仓库和一致的数据策略为快速准确的数据分析奠定了基础。 如果没有这些前兆，您的洞察力将被孤立在数据孤岛中，被锁定在部门内，错失良机。 为避免数据故障，请确保经验丰富的 BI 咨询团队建立强大的数据基础架构、管理数据治理并将您的数据仓库与正确的 BI 工具连接起来。

用商业智能打击薪酬

数据驱动的决策不再是一种选择； 这是企业长寿和竞争力的使命。 商业智能孕育了一种数据驱动的方法，并允许公司将他们的数据转化为行动。

支持 BI 的警惕性是正确的数据策略、统一的 IT 架构和一致的采用节奏的共同结果。 如果您的 BI 难题中缺少一件，您的公司将在数据方面目光短浅，无法做出正确的决定。 获得数据和 BI 专业人员的支持将帮助您拼凑难题并克服常见的商业智能挑战。

这篇文章最初发表在这里。