木头人刷钻商业智能 BI ( Business Intelligence) 简单来说就是一套由数据仓库、查询报表、数据分析等组成的数据类技术解决方案，将企业中不同业务系统（ ERP、CRM、OA、BPM 等，包括自己开发的业务系统软件）中的数据进行有效的整合，并利用合适的查询和分析工具快速并且准确的为企业提供报表展现与分析，为企业提供决策支持。

　　商业智能 BI 的核心主线是什么？主线就是通过构建数据仓库平台，有效的整合数据并组织起来为分析决策提供支持并实现其价值。还有一种解释就是：将数据转变为信息，信息支撑决策，决策产生价值。

　　很多人对于商业智能 BI 有这样的一种普遍看法：”商业智能 BI 是如何产生价值的，价值在哪里，我并没有看到？ 为什么在我的企业中我们 IT 部门或者业务部门完全沦为了做做报表，能体现的价值只是节省了我们做报表的工作量，仅此而已。“

　　这种质疑带有很大的普遍性：”你不用讲那么多，你直接告诉我这个东西有什么用，能解决我们什么问题，能不能帮我们企业赚钱....。“有来自业务线的、技术线的、管理层的不同的听众，每一层他们关注的点实际上都各不相同。包括每个人、每家企业对数据的认知程度也决定了他们对商业智能 BI 的理解和认可程度。

　　我们不聊技术，从一些业务场景作为切入点，让大家理解一下商业智能 BI 的价值到底如何体现的。我们在此探讨一下在我们眼中商业智能 BI 的三个分析层次，或许我们对商业智能 BI 的认知可能有所改观。为了便于理解，文章中不提及任何专业的名词与解释。

　　第一个层次是报表的常规呈现。所谓常规呈现指的是使用柱状图、饼状图、折线图、二维表格等图形可视化的方式将企业日常的业务数据（财务、供应链、人力、运营等）全面呈现出来，再通过各种维度（看数据的角度）筛选、关联、跳转、钻透等方式查看各类分析指标，业务分析图表按照主题划分，图表之间存在一定的逻辑关系。

　　这些分析展现内容基本上是围绕各个业务部门日常工作展开，这里面有很多的业务分析内容可能需要复杂的计算规则，需要从不同的系统取数据，从业务系统软件中这些都是很难直观看到的。这个层次的报表分析就是一种呈现，让报表用户对日常的业务有一个清晰、直接、准确的认知，其次解放了他们自己手工通过 EXCEL 通过各种函数做汇总分析、制图的工作。

　　比如，财务部门会关心今年的营业收入、目标完成率、营业毛利润率、净资产收益率等；销售部门会关心销售金额、订单数量、销售毛利、回款率等；采购部门会关心采购入库金额、退货情况、应付账款等等。

　　因此，达到第一个层次的目标就是：通过可视化分析报表直观、全面的呈现企业日常经营、业务的情况。可以从集团层次出发，也可以从业务线或者部门出发。

　　实际上，很多企业在落地商业智能 BI 的过程中也就停留在这个阶段，或者还没有完全达到这个程度，比如上面所提到的 “全面的呈现企业日常经营、业务的情况”，有的企业可能只是做到了“部分呈现”。因此，商业智能 BI 的价值在这个阶段就显得非常有限，数据的作用仅仅是从另外的一个可视化的角度对业务做出了另一种形式的解读，用户仅仅是被动的接收来自可视化报表上传递的信息。

　　第二个层次是数据的异常分析。我们通常所认为的 异常 就是指不好的东西，那么在这里我们对 “异常”的解释是：通过可视化报表呈现，我们发现了一些数据指标反映出来的情况超出了我们的日常经验判断。例如，正常情况下每个月的平均用户注册量是10万左右。但是通过报表我们发现在今年的 8 月份，会员注册量达到了 23 万，这就是一种 异常，远远超过我们的经验判断和预期。再比如在今年的 1-9 月份，产品销售毛利率稳定在 30%-40% 之间，突然到了10月份，整体的毛利率下降到了 20% 不到，这也是一种 异常。这两种异常数据，一种是我们所追求的的正向异常，一种是我们极力避免的负向“异常”。

　　商业智能 BI 是先通过第一层的报表呈现，将很多业务运营情况直观的反映出来，让用户可以直观的看到在我们经验之外的数据表现情况。商业智能BI 在这里体现的价值就是要对这些 异常 数据进行有目的的分析，通过相关联的维度、指标使用钻透、关联等分析方式探索出可能存在的原因。

　　比如会员注册的问题，有哪些因素可能导致会员注册的大幅度增加的可能？是不是最近采取了一系列的线上降价促销、开放式的注册、相关营销活动等，这些支撑分析的数据是否都存在，如果都存在，它们的报表呈现情况如何，促销投入的力度和用户增长的关系等等。

　　在这个层次中，可视化报表的分析是带着问题找问题的，通过一次或者多次的维度和指标图表构建，逐步形成了一种比较可靠的、固化的分析模型。这个阶段的用户不再是被动接受来自图表中反映的信息，而是通过异常数据来定位到背后的一个业务问题，数据和业务在这个层次开始有了联系，数据图表之间的逻辑性更强。

　　例如，通过分析发现在三种线上促销方式中，促销方式一的投入产出最高，因此回归到业务场景中，这种促销方式以后应该要坚持，它可以有效的提升用户注册增长率。

　　第三个层次是业务建模分析。业务建模分析通常是由精通业务的用户提出，通过合理的建模找出业务中可能存在的问题，将其反映出来并最后要回归到业务，形成决策并不断优化的一个过程。业务建模可简单，可由一个或多个图表组成，也可复杂，通过一组或多组数据图表支撑。业务建模简单来说也可以理解为一种业务分析的逻辑思维模型，只是用数据、图表化的方式将它们有效组织起来去验证我们对业务分析的逻辑判断。

　　业务建模分析区别于第一层的全面数据呈现和第二层的异常分析和被动分析，它是一种更深层次的业务数据的主动设计和探索分析。这层分析的提出更加深入业务，围绕一个一个业务分析场景展开，对业务的认知要足够深。

　　例如下面是一个有关 4S 店首保回店率的分析，通过一个很简单的建模（维度：年份，分析指标：新车销售数量、首保回店数、首保回店率）分析每年首保用户的留存情况。

　　通过分析发现，2015、2017、2018 年首保回店率在 90% 左右，2016 年的首保回店率只有 55%。从汽车 4S 店的实际业务出发，汽车销售实际上是不赚钱的，真正赚钱的在售后服务上，例如：保险、保养、维修等等。而首保回店率在很大程度上决定了购买新车的用户在提完车之后会不会经常回店的可能。因为新车用户在提车之后在第一次的保养都不选择原店，就意味着这个客户在后续的保养可能也不再回来，一年、两年、三年，这位用户可能就会永远的流失掉，也就意味着以后的保养、延保、事故车维修可能也不会回来。

　　比如一个用户做精品车保养，一年 1.5 次，一次平均贡献 3000 元，1.5 次就是 4500元的收入。再加上每年的保险例如 6000 元，可能潜在的维修在1500 元左右，一年可能产生 1.2 万的收入贡献。如果像2016 年的回店率只有 55%，流失的客户数是 174。如果能够提升到 90%的水平，就意味着可能的销售收入贡献能够达到 351 * 1.2 万 = 421 万，比现在要多出 160 万的收入。如果把新车基数扩大 10 倍呢，一年要多出 1600 万的各类收入，所以提升首保回店率就变得非常的重要。

　　同时，也要对首保回店率低的原因做出分析：是因为车卖给了外地，还是因为新车用户对4S 店的维修保养环境、服务质量不信任，我们应该从哪些方面进行改善。所以实际上，业务分析模型的提出围绕的是一个一个非常具体的业务场景，回答的是一个又一个业务的问题，而这些问题的发现与企业的业务经营水平、管理水平可能有很大的关系。

　　譬如其中的一个改善环节就是在新车用户提完车之后，带领新车用户参观维修保养区域，了解其规范性，透明的展示保养的整个过程和专业性，不会出现维修师傅在保养过程中偷油、少换零件、以次充好以建立信任；或者通过一些促销小手段极大可能的留下新车用户；或者通过系统在不同的时间点关怀用户，提前提醒新车用户回店保养等等。

　　当然，实际上各家 4S 店的首保回店率正常情况下都能保证在 95% 以上或者更高的水平，这里只是通过一个例子来说明数据和业务是如何产生关联性的。

　　所以，为了达到这样的目标实际上需要去从业务上解决问题，找出业务环节中的不足来提升业务指标。

　　类似于这样的业务分析模型还有很多，但这样的分析场景很难由专业的 BI 开发人员提出来。业务分析建模需要由专业的业务人员且具备数据分析思维意识的人员来推进和主导，再辅助合适的数据分析、挖掘或统计工具，这样商业智能 BI 的价值才能得到充分的发挥，数据的价值也才会得到充分的体现。

　　我们不应该质疑商业智能 BI 本身，我们质疑的应该是在这个过程中，我们的个人、企业对于商业智能 BI 的认知和推进到了哪一个层次，推进到哪个层次，商业智能 BI 的价值就会体现在哪个层次。如何有效和成功的推进商业智能 BI 的建设与落地，这才是 BI 服务提供商和客户一起共同要面对的问题。

　　最后看看我们对商业智能 BI 的认知是不是这样理解才更加合理：商业智能 BI 的表象是可视化分析报表的呈现，但它的本质还是业务问题、管理问题。商业智能 BI 数据分析来源于业务，通过数据呈现发现业务问题（好的或不好的，经验之内或之外的 ）再次回到业务优化业务提升业务运营的一个过程，这就是在商业智能 BI 中数据到信息、信息产生决策、决策产生价值的真正内涵。