[原创]BI难以成功的6宗罪（续）

罪三：数据不准 ，相关者爱恨交织，BI让人不能心安

实施BI，最容易出现的问题即是数据不准。看着BI生成的报表，业务方面的经理们很容易说，“嘿，数据是错的”，从此对BI数据的使用怀有阴影。或者他们会指出BI系统和其它操作型系统对同一个指标的数值不一致，我究竟敢用哪一个数据？主管技术的信息部门面对此种指责与怀疑更是羞愧不安。好不容易抽取完数据，花子大量时间验证数据的一致性，又花大力气构建了数据仓库，本以为前端对数据展示就可以收工了，殊不知竟然基于数据在界面上被别人逮个正着，又得回到数据检查错误来源了。真是又爱又恨

确实，数据质量控制对于BI成功非常关键。据《商业周刊》去年的研究显示，43%的商业人士不能确信他们企业内部的信息是否准确，77%的被访者表示他们因为缺乏可信的信息而做出过失败的决策。这其中，数据的质量存在很大的问题。举例来说银行数据库中的信息少则几千万条，多则几亿条。如此庞大的数据量质量却不一定好。同名账户、废弃账户，一个人有多个账户，这些信息需要专业的工具来清洗和改良。对于数据输入时质量控制更是得及早预防和改善。

笔者从事的BI项目中，同名不同义，同义不同名的字段名称的一致化就耗时甚长。对于那种字段类型不一致的也是非常之多。有时一个指标的数据发生错误，但是却要花费不少精力来查出错误的源头。在某个数据进入ODS区域，再进入数据仓库，数据集市后，技术人员往往不知道该数据是如何被利用以及数据的利用路径。实施现场的技术人员尚且如此，更何况做维护的工程师了。

异构系统通常是原始数据脏的原因。从原始数据整合起，数据的抽取、转换、清洗和加载过程属于技术过程。一般来说ETL工具保证了某些部分的数据质量，例如剔除那些有空白字段的信息、找出小数点明显点错的数据等，但是目前的数据集成与转换工具大多集中在数据的抽取、转换和加载方面的功能，对数据质量保证不够重视。这是因为相关确保数据质量的工具比较缺少，因此在目前的大多数BI项目中缺少从技术角度去确保数据质量这个环节。

数据质量控制是BI实施中极其困难的一个环节。对原有异构数据一致化的困难过程，对源头上新数据的质量控制的新制度约束艰难，都是当前BI难以成功完成目标的重要障碍，也成为大多数复杂BI项目最容易受人责难的焦点之一。

除了开发人员的经验和细心尽责之外，高效能的数据质量工具是解决上述问题的重点。

上表列出的BI产品是各厂家的强项所在。近来，上表中的部分厂家开始了向上和向下一体化的步伐。以数据库为拳头产品的厂家通过收购或自我开发的方式，向下进一步挖掘与开发元数据管理产品、主数据管理产品，向上开始注重前端展示类产品、把报表与展示类的产品收归麾下。如以DB2为基石的IBM即收购了alphablox作为BI数据利用的前端展示；在前端展示市场占有率极高的BO，现在开始提倡BO的数据质量、数据管理和数据利用为一体。主数据管理是其强调的优势。又如做统计分析很牛的SAS，其分析、统计预测的能力，行业内首屈一指。SAS现在宣称其拥有从数据源到数据仓库再到数据利用的全线产品。

从尊重历史的角度实事求是地讲，各厂家由于有某项强项产品，才得以在竞争中生存。不可否认在较短的时间内一定有能力开发出其上下游的产品，但是市场能否相信该产品的成熟度，市场能否接受呢？如果是收购或兼并，必然或多或少也要涉及软件之间的整合问题。确实不易。

罪六：工具不全，手工操作之处不少，既降低开发效率又影响应用效果

全程不通，讲的是BI现有的全程产品主要由拼凑而得，总体上还缺乏一套成熟的全程产品。工具不全，描述各个环节产品还存有工具不全的罪状，特别是在数据层面和应用层面。

在数据层面，当前的元数据管理工具似乎并不能面面俱到。元数据管理，管理着技术元数据、业务元数据。技术元数据，主要包括对数据仓库的数据源数据、目标数据的描述以及它们间的抽取、转换、清洗规则，以及数据仓库的维护和数据更新策略。业务元数据向业务用户提供了访问数据仓库或数据集市的导航数据，通过业务元数据，业务用户可以清晰地理解数据的含义及相关的处理（基于统一的业务术语），因此业务人员可用此来作其操作的导航，以保持分析结果的一致性。举技术元数据的例子，当前的工具难以监测到某个数据的生命周期或者说利用过程。比如，技术员得知业务人员发现报表中某个数据出错后，需要花费比较长的时间来寻找该数据的来龙去脉。如果有强撼的元数据管理工具还需要如此费力么？

在应用层面，也就是BI的数据利用层面，现有的工具在帮助客户解决问题方面仍有不足。笔者认为支撑应用的BI工具有7类：描述性统计工具、报表与展示工具、经济预测方法与模型、经营技术与工具、OLAP分析及专家系统工具、决策方法与模型来实现。7类工具各自又含有自己的类别工具。另一方面，当前的应用支撑工具还不能将工具与应用串起业，也未能将工具和应用与别的工具和应用，按业务逻辑的方式串起来。因此，在应用层面，当前的BI工具还有待发展。

当前大型企业在实施BI后，通常建立了专们的BI分析团队。据报道，神州数码的所有员工都已不同程度地成为“初级BI分析师”。宝钢实施了SAS的BI后，在企业内部有100名左右的专职分析师。试想，如此庞大的队伍，如果不能利用完善的工具，其成功率、效率与成本值得考察。实际上，并不是所有企业都能培养专职的分析师队伍，普通员工操作着部分且不一定能有效的工具，如OLAP分析工具，花了大量的时间并不能解决其设计的问题，岂不是怨言满天而阻碍了BI的进一步发展？

六宗罪源于当前BI的先天缺陷和后天不足

BI六宗罪源于BI环节的肥瘦不均、先天缺陷和后天不足难以保证结果而又期望过高，导致差距过大。如下图所示。

首先，理念层在体系和BI方向上的认知不一致，容易被误导或者出现混乱，从而在项目洽谈前就埋下了先天缺陷。这种缺陷客观存在，基于BI的发展历程或者说大家对BI认识也渐进过程。先行者为此缺陷埋单位！或者说不自觉地为完善对BI的认识付出了昂贵的成本和精力。理念层面环节是当前BI最为虚胖的环节，隐性地制约了BI的真正发展。

其次，基础层面不牢靠，支撑不力也是项目洽谈前的先天缺陷。合理选型有意识地规避了部分基础层的风险，它通过一定的提前措施尽量减少了不足。但是从整体来看，仍然是在缺陷中减少缺陷的方法，只能是在缺陷中将风险压制到最小或可以接受的程度。该环节也是BI比较虚胖之处。

由于甲乙双方在项目认知的冲突，或者甲乙双方一致但双方与BI正确方向和体系的冲突，并且由于工具方面的缺陷，特别容易导致项目实施时的后天不足。因此执行层在面对异构数据时，由于工具和数据质量等客观原因及其它主观因素，导致数据不准；而双方对项目认知的不妥，致使项目难以协调，而导致最终开发结果华而不实，没有实际价值。可见，由于BI先天的虚胖，加之于后天的困难则更多，导致BI实施失败的可能大大增加。

从实施BI的角度，在当前并非落实BI最佳时刻的客观环境下，BI厂商、用户和集成商应该清醒地统一认知，谨慎地规划与工具相匹配的应用。酌情而作，应是上策。

从BI发展的角度来看，BI应该在理念层、执行层和基础层协调配合，以理念层为指引，引导基础层和执行层。