
BI项目需要做哪些准备工作
BI系统可以说是企业信息化管理中末端产品。为此在上BI项目之前,企业需要先梳理一下企业的现状,做好相关的准备工作。只有如此才能够提高系统的成功率和效果。那么具体需要做哪些准备工作呢?且听笔者一一道来。
一、电子文档数据的整理
BI项目的主要功能就是数据的分析与挖掘。巧妇难为无米之炊。如果没有充足的数据,那么即使再好的BI系统也无用武之地。为此企业在做BI系统之前,比较关键的一个步骤就是电子文档数据的整理,特别是如果企业有多种格式的电子文档数据,如有Excel表格、又有数据库系统的,此时需要进行一一梳理。如果以前还有书面的数据,如一些检验单据等等,那么最好也需要先转化为电子文档的数据。
在这里不少企业会有一个误区。认为这些数据等到BI项目开始时再整理也来得及。其实这是不对的。因为对于BI项目来说,时间就是金钱。现在不少BI实施顾问都是按时间来进行收费的。如果让实施顾问来帮助企业整理这些基础数据,那么企业BI项目的实施成本会像夏季的温度一样,很快的往上涨。为此这些基本型的基础数据的整理,最好还是在BI项目开始之前就做好。
BI项目开始时,实施顾问只需要检验这些数据的合理性。然后对不合理的地方进行调整即可。也就是说,这个基础数据的整理,不能够占据过多的项目时间。当然这并不是否认基础数据的重要性。这些基础数据对于BI系统来说,就好像是血液。没有他们,BI系统将无用武之地。但是这里需要强调的是,基础数据的整理相对来说是比较简单的,企业一般可以自主的完成。如果让实施顾问将时间花在这个上面,有点不值。
二、分析结果的梳理
在上BI系统之前,企业还应该对需要得到的分析结果进行确认。简单的说,就是让BI系统能够产生哪些分析结果。如存货周转率分析、交货及时率分析、不良品率分析等等。在系统上线之前,将这些需要的分析结果梳理出来,有很多好处。
1、便于整理电子文档的数据
这些结果都不是凭空而来的,而是需要基础数据的支持。如需要分析存货周转率,那么可能还需要上一年的数据。因为前后两年指标的对比,才可以发现背后的问题。总之只要涉及到前后数据的对比,那么企业准备的就不只是本年的数据,对于上一年的基础数据也需要进行整理。如果前后两年的数据格式不一致,还需要进行调整等等。笔者再次强调一次,巧妇难为无米之炊。在上BI项目之前,需要先确认目标。然后根据目标来整理所需要的基础数据。这同时也可以缩小基础数据的整理范围。
2、便于后续软件选型
什么样的软件适合企业的情况呢?或者说哪个系统能够基本上实现企业的现有需求,而不需要进行过多的二次开发呢?要回答这个问题,企业必须先对自己的需要有一个清晰的认识。简单的说,就是对自己需要得到的结果有一个明确的判断。然后在后续系统选型时,就可以将这些问题抛给BI系统的售前咨询顾问,看看他们能否结果。从减少项目成本与降低项目风险的角度讲,在后续项目实施时应该尽可能的减少系统的二次开发的数量。而要达到这个目标的话,最好就是要在选型时尽量选择哪些具有现成分析模型的系统。[page]
3、便于对项目组与供应商进行考核
是否软件顺利上线,便是项目的成功呢?笔者认为不能够这么片面的认识。BI系统的成功,需要看预计的结果有没有实现。因为很多企业虽然BI系统已经上线了,但是很多预期想要得到的结果仍然很难从BI系统中准确的得到。在这种情况下,能够说这个BI项目成功了吗?恐怕不能。那么在后续的项目中,企业管理者如何对项目小组以及供应商实施团队进行考核呢?这就需要企业有预期的目标。后续考核时,只要将这些目标进行一一核对即可。
那么企业该如何来收集自己需要的结果呢?笔者认为,可以从如下几个角度出发。
1、根据企业现在的工作
如不少企业都有周例会、月度年度总结会议等等。在这些会议上,各个部门都需要得出一些报表。如到货及时率分析报表、成本控制报表等等。这些就是现成的需求。以前是手工在操作,现在需要BI系统能够自己完成。如果是年度报表的话,可能还有最近几年销售的变化情况分析报表等等。这些日常工作中需要用到的分析报表,就是我们在BI系统实施之前需要确认的目标。不过这些是最基本的目标。因为依靠手工可以完成的工作,在BI系统中可以说是小菜一碟,是最基本功能。这些需求的确认难度也并不是很大。
2、需要收集企业想实现、但是依靠手工需求却很难实现的内容
如有些企业,可能认为原材料市场波动比较大,对成本的影响也很大。以前由于工作量的限制,采用的都是先进先出或者月加权的成本计算原则,而没有采用移动加权平均。从计算量来说,前面两个成本的计算原则要比后一个计算量少的多。但是从精确度的角度讲,移动加权平均精确度更高,特别是在原材料市场价格波动比较大的情况下。在手工计算下,很少有企业采用移动加权成本计算原则。
现在企业有了BI系统,企业可能希望在成本分析采用的是移动加权平均的机制。企业要收集这些需求可能有一定的难度。因为这些需求以前没有实现过,可能还存在于理论上。不过实现这些需求才能够体现BI系统的价值。故企业对于这些需求,也需要细心整理。不过在整理时,需要兼顾实现的可能性。不要过度的理论化,而在现实中根本无法实现。否则的话,就太虚了。
三、显示格式的确认
同样一句话,在不同的人口中说出来可能会有不同的结果。同样,BI系统中相同的分析数据,如果以不同的格式显示出来,也会有不同的效果。为此在BI系统开始之前,还需要确认预计需要显示的格式。注意,并不是所有的BI系统都可能够以丰富多彩的格式来显示相关的内容。
根据笔者的了解,很多企业倾向于Excle表格中的那些图表。如饼图、条形图等等。
所以在BI系统中,这些是最基本的结果显示方式。企业管理者需要整理出哪些分析结果需要以那种方式来进行显示。这主要根据自己的习惯来确定。而不能够让对方的顾问牵着鼻子走。当然,如果经过比较,对方顾问提出的方式可能更加的合理,此时企业也需要转变自己的观念。笔者这里强调的是,在项目实施过程中,企业应该掌握着主动权。
另外需要特别强调两个方面的内容。一是仪表盘。如企业可能有销售业绩的考核。有一个目标值,有一个实际值,然后通过仪表盘来直观的显示出来。这个显示方式企业以前可能没有用到过。不过在实际工作中确实很好用。不过并不是所有的BI系统都可以实现的。在选型时需要注意这方面的内容。二是图表的钻取功能。即从年度报表中可以钻取到各个月份的数据、然后从各个月份的数据中也可以钻取到每周的数据等等。钻取功能可以方便用户查询更加具体的数据,直到最基本的原始数据。从而方便用户的使用。
从以上的分析中可以看出,BI系统在实施之前有比较多的准备工作要做。笔者的建议是,在做这些准备工作时千万不能够偷懒。准备工作没做好,供应商高兴,企业头疼。准备工作做的好,供应商头疼,企业高兴。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19