我們應該如何正確理解商業智能 BI 的價值 ？
商業智能 BI 要解決的問題
商業智能 BI ( Business Intelligence) 簡單來說就是一套由數據倉庫、查詢報表、數據分析等組成的數據類技術解決方案，將企業中不同業務系統（ ERP、CRM、OA、BPM 等，包括自己開發的業務系統軟件）中的數據進行有效的整合，並利用合適的查詢和分析工具快速並且準確的爲企業提供報表展現與分析，爲企業提供決策支持。
商業智能概述
商業智能 BI 的核心主線是什麼？ 主線就是通過構建數據倉庫平臺，有效的整合數據並組織起來爲分析決策提供支持並實現其價值。還有一種解釋就是：將數據轉變爲信息，信息支撐決策，決策產生價值。
對於商業智能 BI 大家在質疑什麼？
接觸過很多的客戶，對於商業智能 BI 他們有這樣的一種普遍看法：商業智能 BI 是如何產生價值的，價值在哪裏，我並沒有看到？ 爲什麼在我的企業中我們 IT 部門或者業務部門完全淪爲了做做報表，能體現的價值只是節省了我們做報表的工作量，僅此而已。
派可數據可視化分析報表
這種質疑帶有很大的普遍性，就如同之前有參加各種企業沙龍活動，有現場聽衆直接問到：你不用講那麼多，你直接告訴我這個東西有什麼用，能解決我們什麼問題，能不能幫我們企業賺錢....。有來自業務線的、技術線的、管理層的不同的聽衆，每一層他們關注的點實際上都各不相同。包括每個人、每家企業對數據的認知程度也決定了他們對商業智能 BI 的理解和認可程度。但這樣的問題也不是不能解決，比如我們就不聊技術，我們就聊聊一些業務場景，最後發現效果就會好很多。
在這裏我們嘗試用一種可能大家都能夠理解的、非技術與專業的方式讓大家理解一下商業智能 BI 的價值到底如何體現的。我們在此探討一下在我們眼中商業智能 BI 的三個分析層次，或許我們對商業智能 BI 的認知可能有所改觀。 爲了便於理解，文章中不提及任何專業的名詞與解釋。
商業智能 BI 的三個分析層次
第一個層次是報表的常規呈現。所謂常規呈現指的是使用柱狀圖、餅狀圖、折線圖、二維表格等圖形可視化的方式將企業日常的業務數據（財務、供應鏈、人力、運營等）全面呈現出來，再通過各種維度（看數據的角度）篩選、關聯、跳轉、鑽透等方式查看各類分析指標，業務分析圖表按照主題劃分，圖表之間存在一定的邏輯關係。
派可數據 BI 可視化圖表之間的鑽取、聯動等效果
這些分析展現內容基本上是圍繞各個業務部門日常工作展開，這裏面有很多的業務分析內容可能需要複雜的計算規則，需要從不同的系統取數據，從業務系統軟件中這些都是很難直觀看到的。這個層次的報表分析就是一種呈現，讓報表用戶對日常的業務有一個清晰、直接、準確的認知，其次解放了他們自己手工通過 EXCEL 通過各種函數做彙總分析、製圖的工作。
比如，財務部門會關心今年的營業收入、目標完成率、營業毛利潤率、淨資產收益率等；銷售部門會關心銷售金額、訂單數量、銷售毛利、回款率等；採購部門會關心採購入庫金額、退貨情況、應付賬款等等。
派可數據汽車4S集團財務分析部分案例
因此，達到第一個層次的目標就是：通過可視化分析報表直觀、全面的呈現企業日常經營、業務的情況。可以從集團層次出發，也可以從業務線或者部門出發。
實際上，很多企業在落地商業智能 BI 的過程中也就停留在這個階段，或者還沒有完全達到這個程度，比如上面所提到的 「全面的呈現企業日常經營、業務的情況」，有的企業可能只是做到了「部分呈現」。因此，商業智能 BI 的價值在這個階段就顯得非常有限，數據的作用僅僅是從另外的一個"可視化"的角度對業務做出了另一種形式的解讀，用戶僅僅是被動的接收來自可視化報表上傳遞的信息。
第二個層次是數據的"異常"分析。我們通常所認爲的 "異常" 就是指不好的東西，那麼在這裏我們對 「異常」的解釋是：通過可視化報表呈現，我們發現了一些數據指標反映出來的情況超出了我們的日常經驗判斷。例如，正常情況下每個月的平均用戶註冊量是10萬左右。但是通過報表我們發現在今年的 8 月份，會員註冊量達到了 23 萬，這就是一種 "異常"，遠遠超過我們的經驗判斷和預期。再比如在今年的 1-9 月份，產品銷售毛利率穩定在 30%-40% 之間，突然到了10月份，整體的毛利率下降到了 20% 不到，這也是一種 "異常"。這兩種異常數據，一種是我們所追求的的正向"異常"，一種是我們極力避免的負向「異常」。
商業智能 BI 是先通過第一層的報表呈現，將很多業務運營情況直觀的反映出來，讓用戶可以直觀的看到在我們經驗之外的數據表現情況。商業智能 BI 在這裏體現的價值就是要對這些 "異常" 數據進行有目的的分析，通過相關聯的維度、指標使用鑽透、關聯等分析方式探索出可能存在的原因。
派可數據可視化分析案例
比如會員註冊的問題，有哪些因素可能導致會員註冊的大幅度增加的可能？是不是最近採取了一系列的線上降價促銷、開放式的註冊、相關營銷活動等，這些支撐分析的數據是否都存在，如果都存在，它們的報表呈現情況如何，促銷投入的力度和用戶增長的關係等等。
在這個層次中，可視化報表的分析是帶着問題找問題的，通過一次或者多次的維度和指標圖表構建，逐步形成了一種比較可靠的、固化的分析模型。這個階段的用戶不再是被動接受來自圖表中反映的信息，而是通過"異常"數據來定位到背後的一個業務問題，數據和業務在這個層次開始有了聯繫，數據圖表之間的邏輯性更強。
例如，通過分析發現在三種線上促銷方式中，促銷方式一的投入產出最高，因此迴歸到業務場景中，這種促銷方式以後應該要堅持，它可以有效的提升用戶註冊增長率。
第三個層次是業務建模分析。業務建模分析通常是由精通業務的用戶提出，通過合理的建模找出業務中可能存在的問題，將其反映出來並最後要回歸到業務，形成決策並不斷優化的一個過程。業務建模可簡單，可由一個或多個圖表組成，也可複雜，通過一組或多組數據圖表支撐。業務建模簡單來說也可以理解爲一種業務分析的邏輯思維模型，只是用數據、圖表化的方式將它們有效組織起來去驗證我們對業務分析的邏輯判斷。
業務建模分析區別於第一層的全面數據呈現和第二層的異常分析和被動分析，它是一種更深層次的業務數據的主動設計和探索分析。這層分析的提出更加深入業務，圍繞一個一個業務分析場景展開，對業務的認知要足夠深。
例如下面是一個有關 4S 店首保回店率的分析，通過一個很簡單的建模（維度：年份，分析指標：新車銷售數量、首保回店數、首保回店率）分析每年首保用戶的留存情況。
首保回店率的分析
通過分析發現，2015、2017、2018 年首保回店率在 90% 左右，2016 年的首保回店率只有 55%。從汽車 4S 店的實際業務出發，汽車銷售實際上是不賺錢的，真正賺錢的在售後服務上，例如：保險、保養、維修等等。而首保回店率在很大程度上決定了購買新車的用戶在提完車之後會不會經常回店的可能。因爲新車用戶在提車之後在第一次的保養都不選擇原店，就意味着這個客戶在後續的保養可能也不再回來，一年、兩年、三年，這位用戶可能就會永遠的流失掉，也就意味着以後的保養、延保、事故車維修可能也不會回來。
首保回店率的分析
比如一個用戶做精品車保養，一年 1.5 次，一次平均貢獻 3000 元，1.5 次就是 4500元的收入。再加上每年的保險例如 6000 元，可能潛在的維修在1500 元左右，一年可能產生 1.2 萬的收入貢獻。如果像2016 年的回店率只有 55%，流失的客戶數是 174。如果能夠提升到 90%的水平，就意味着可能的銷售收入貢獻能夠達到 351 * 1.2 萬 = 421 萬，比現在要多出 160 萬的收入。如果把新車基數擴大 10 倍呢，一年要多出 1600 萬的各類收入，所以提升首保回店率就變得非常的重要。
同時，也要對首保回店率低的原因做出分析：是因爲車賣給了外地，還是因爲新車用戶對4S 店的維修保養環境、服務質量不信任，我們應該從哪些方面進行改善。所以實際上，業務分析模型的提出圍繞的是一個一個非常具體的業務場景，回答的是一個又一個業務的問題，而這些問題的發現與企業的業務經營水平、管理水平可能有很大的關係。
譬如其中的一個改善環節就是在新車用戶提完車之後，帶領新車用戶參觀維修保養區域，瞭解其規範性，透明的展示保養的整個過程和專業性，不會出現維修師傅在保養過程中偷油、少換零件、以次充好以建立信任；或者通過一些促銷小手段極大可能的留下新車用戶；或者通過系統在不同的時間點關懷用戶，提前提醒新車用戶回店保養等等。
當然，實際上各家 4S 店的首保回店率正常情況下都能保證在 95% 以上或者更高的水平，這裏只是通過一個例子來說明數據和業務是如何產生關聯性的。
所以，爲了達到這樣的目標實際上需要去從業務上解決問題，找出業務環節中的不足來提升業務指標。
類似於這樣的業務分析模型還有很多，但這樣的分析場景很難由專業的 BI 開發人員提出來。業務分析建模需要由專業的業務人員且具備數據分析思維意識的人員來推進和主導，再輔助合適的數據分析、挖掘或統計工具，這樣商業智能 BI 的價值才能得到充分的發揮，數據的價值也纔會得到充分的體現。
對商業智能 BI 的總結
所以我最終想表達的一個觀點是：我們不應該質疑商業智能 BI 本身，我們質疑的應該是在這個過程中，我們的個人、企業對於商業智能 BI 的認知和推進到了哪一個層次，推進到哪個層次，商業智能 BI 的價值就會體現在哪個層次。如何有效和成功的推進商業智能 BI 的建設與落地，這纔是我們 BI 服務提供商和客戶一起共同要面對的問題。
最後看看我們對商業智能 BI 的認知是不是這樣理解才更加合理：商業智能 BI 的表象是可視化分析報表的呈現，但它的本質還是業務問題、管理問題。商業智能 BI 數據分析來源於業務，通過數據呈現發現業務問題（好的或不好的，經驗之內或之外的 ）再次回到業務優化業務提升業務運營的一個過程，這就是在商業智能 BI 中數據到信息、信息產生決策、決策產生價值的真正內涵。
【免責聲明:原文出處品略圖書館:http://www.pinlue.com/article/2019/05/0709/038877469043.html；版權歸原作者所有】