商务智能
  •  商业智能(BI)需要掌握什么知识,以及发展前景   一、  什么是商业智能? 商业智能=商业+智能 商业和智能的关系,如图1:智能技术根据商业知识,出报表和建立分析模型,并且运用商业知识检验和解释报表和模型准确与否,而根据出来的报表和分析/挖掘模型结果,又能对商业运作提供数据与决策参考。 图1      商业智能=商业+智能 首先是商业检验智能技术。商业目标以及商务流程,限定了你能选用的分析方法,比如客户分类问题,就不能用聚 类算法解决;商务流程上无法给样本本身打上标签,就很难用分类算法训练模型。忘掉啤酒和尿布吧,那只是个号称刊登在《哈佛商业评论》上的传说,这种业务上 很难解释的事件被传得神乎其神,如果是真的,早被广泛应用了。所以模型一定要在商业上解释得通,通常一两个小概率小范围事件对整体是不会有很大影响的。好 比看起来不错的创新点子,不可能将其实现就产生赚钱的产业链,而是要考虑方方面面的因素以及有效的执行。 其次是智能技术指导商业行为。比如埃森哲 利用数据挖掘对市场/客户进行细分,针对不同行为特征的客户,推荐/制定产品,以期更贴近客户的需求,利用技术指导商业。这是一个考验执行力的过程。目前 许多案例往往是不成功的,其中一个原因在于市场部处于一线经营,主导地位,其话语权通常大于技术部。假设你是一线经营人员,有自己的立场、观点、人脉、营 销模式,甚至讳莫如深的自身利益。让业务人员从工作习惯上去改变,尚且不易,更不用说触碰到他们的利益线了。所以国内很多大型国有企业做出来的BI系统, 很多是做表面文章,耗资百万的系统做好了却闲置。 抛开立场、自身利益因素不谈,国内BI就做得很好了么?答案当然是否定的,这是因为, 业务人员不懂技术,技术人员不懂业务。笔者曾经见过一个在移动内部,做了七八年的技术人员,因为有较长的从业经验,跟业务人员沟通比较多,只要业务人员提 需求,他就能在极短时间内给出数据,甚至能引导迷糊的业务员理清思路。但他的经验,很难复制,毕竟出了学校,培养一名商业智能从业者应该只有少于1年的时 间。 那么让我们从商业和智能的角度,来看看知识分解吧,可以供初学者参考,也可以供高手拍砖,如图2   二、 数据和数据仓库 数据是数据分析的基础,数据库是数据的承载,数据仓库是有主题的数据库。 效率高的数据仓库不那么容易设计出来的,多大数据量使用范式设计,多大使用反范式设计,为什么使用反范式设计(空间换时间),哪些表在业务上使用频繁需要分割,哪些字段需要合并成一张常用表等等。 涉 及到数据分析的一个问题是数据质量。数据质量又可以分成两大块,“脏”数据的处理和数据来源口径的追溯。前面举的啤酒尿布例子,得到不符合常理的结果后, 应该首先检查数据质量是否有问题。若数据质量有问题,那么后面的分析必然不准确,所谓garbage...

    商业智能(BI)需要掌握什么知识,以及发展前景(转载)

     商业智能(BI)需要掌握什么知识,以及发展前景   一、  什么是商业智能? 商业智能=商业+智能 商业和智能的关系,如图1:智能技术根据商业知识,出报表和建立分析模型,并且运用商业知识检验和解释报表和模型准确与否,而根据出来的报表和分析/挖掘模型结果,又能对商业运作提供数据与决策参考。 图1      商业智能=商业+智能 首先是商业检验智能技术。商业目标以及商务流程,限定了你能选用的分析方法,比如客户分类问题,就不能用聚 类算法解决;商务流程上无法给样本本身打上标签,就很难用分类算法训练模型。忘掉啤酒和尿布吧,那只是个号称刊登在《哈佛商业评论》上的传说,这种业务上 很难解释的事件被传得神乎其神,如果是真的,早被广泛应用了。所以模型一定要在商业上解释得通,通常一两个小概率小范围事件对整体是不会有很大影响的。好 比看起来不错的创新点子,不可能将其实现就产生赚钱的产业链,而是要考虑方方面面的因素以及有效的执行。 其次是智能技术指导商业行为。比如埃森哲 利用数据挖掘对市场/客户进行细分,针对不同行为特征的客户,推荐/制定产品,以期更贴近客户的需求,利用技术指导商业。这是一个考验执行力的过程。目前 许多案例往往是不成功的,其中一个原因在于市场部处于一线经营,主导地位,其话语权通常大于技术部。假设你是一线经营人员,有自己的立场、观点、人脉、营 销模式,甚至讳莫如深的自身利益。让业务人员从工作习惯上去改变,尚且不易,更不用说触碰到他们的利益线了。所以国内很多大型国有企业做出来的BI系统, 很多是做表面文章,耗资百万的系统做好了却闲置。 抛开立场、自身利益因素不谈,国内BI就做得很好了么?答案当然是否定的,这是因为, 业务人员不懂技术,技术人员不懂业务。笔者曾经见过一个在移动内部,做了七八年的技术人员,因为有较长的从业经验,跟业务人员沟通比较多,只要业务人员提 需求,他就能在极短时间内给出数据,甚至能引导迷糊的业务员理清思路。但他的经验,很难复制,毕竟出了学校,培养一名商业智能从业者应该只有少于1年的时 间。 那么让我们从商业和智能的角度,来看看知识分解吧,可以供初学者参考,也可以供高手拍砖,如图2   二、 数据和数据仓库 数据是数据分析的基础,数据库是数据的承载,数据仓库是有主题的数据库。 效率高的数据仓库不那么容易设计出来的,多大数据量使用范式设计,多大使用反范式设计,为什么使用反范式设计(空间换时间),哪些表在业务上使用频繁需要分割,哪些字段需要合并成一张常用表等等。 涉 及到数据分析的一个问题是数据质量。数据质量又可以分成两大块,“脏”数据的处理和数据来源口径的追溯。前面举的啤酒尿布例子,得到不符合常理的结果后, 应该首先检查数据质量是否有问题。若数据质量有问题,那么后面的分析必然不准确,所谓garbage…

  •   随着大数据时代的来临,商业智能这个词在国外企业界出现,其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业,不仅为企业提供信息获取能力,而且通过对信息的开发,将其转变为企业的竞争优势,也有人称之为混沌世界中的智能。因此,越来越多的企业提出他们对BI的需求,把BI作为一种帮助企业达到经营目标的一种有效手段。 目前,商业智能通常被理解为将企业中现有的数据转化为知识,帮助企业做出明智的业务经营决策的工具。为了将数据转化为知识,需要利用数据仓库、线上分析处理(OLAP)工具和数据挖掘等技术。因此,从技术层面上讲,商业智能不是什么新技术,它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。 商业智能(BI)厂商正在寻求从大量的资料来源,新的先进的数据可视化功能,以帮助企业应对日益庞大的数据集。商业智能(BI)厂商都在寻求新的先进的数据可视化功能,以帮助企业解决这个问题。下面我们来看一下目前在商业智能比较领先的系统平台:   一、蓝色巨人IBM最全面的BI产品 蓝色巨人IBM有一个最全面的商业智能(BI)产品,它结合了软件,硬件和服务。在今年早些时候,Cognos增加了基于桌面的高级数据可视化与的洞察力分析。 Cognos是在BI核心平台之上,以服务为导向进行架构,是唯一可以通过单一产品和在单一可靠架构上提供完整业务智能功能的解决方案,它可以提供无缝密合的报表、分析、记分卡、仪表盘等解决方案,通过提供所有的系统和资料资源,以简化公司各员工处理资讯的方法。作为一个全面、灵活的产品,Cognos业务智能解决方案可以容易地整合到现有的多系统和数据源架构中。   二、 数据分析市场后期之秀Information Builders Information Builders是世界上最出名的大规模部署BI的公司。通过它的WebFOCUS平台为企业用户提供先进的数据分析。WebFOCUS是一功能强大、高度集成、具有高性能和高延展性的企业商务智能套件,是目前业界中可用性(Usable)、散播性(Deployable)和延展性(Scalable)最佳的实时信息传递解决方案。从标准报表、自助式报表到即席查询、OLAP分析、动态排程或预警分发,WebFOCUS提供了所有的特征和功能,可满足企业内外用户各种各样的信息需求。 此外,WebFOCUS的强大功能可访问企业现有的所有数据源,从遗留数据到数据仓库,也是无以匹敌的。目前,每天都有数百万用户通过企业内、外部网络或互连网络使用WebFOCUS所开发的应用系统。   三、 微软 微软可以说是数据分析可视化市场上的后期之秀。 Microsoft BI 通过三个层面或工作负载交付:数据仓库、报表与分析以及绩效管理。所有这一切都旨在提供整合的、全面的数据源和工具,以帮助改进决策制订。在我们看来,Microsoft BI 的承诺就是:帮助组织内所有层面的决策者对其决策所支持的企业目标与计划充满信心。   四、 MicroStrategy MicroStrategy公司是专门从事运行在大型企业级上的BI部署数据仓库,提供直观地浏览数据的能力,并使用可视化数据分析工具生成的见解。 MicroStrategy能够协助各公司开发各种大型数据库以及个人用户的分析软件允许各公司通过电话、传真、电子邮件以及互联网向用户传送各种定制的、个性化的信息。用户也可以根据自己的情况决定何时或者以和种方式等来收看各公司的信息。   五、...

    九大商业智能分析平台你选哪个?

      随着大数据时代的来临,商业智能这个词在国外企业界出现,其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业,不仅为企业提供信息获取能力,而且通过对信息的开发,将其转变为企业的竞争优势,也有人称之为混沌世界中的智能。因此,越来越多的企业提出他们对BI的需求,把BI作为一种帮助企业达到经营目标的一种有效手段。 目前,商业智能通常被理解为将企业中现有的数据转化为知识,帮助企业做出明智的业务经营决策的工具。为了将数据转化为知识,需要利用数据仓库、线上分析处理(OLAP)工具和数据挖掘等技术。因此,从技术层面上讲,商业智能不是什么新技术,它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。 商业智能(BI)厂商正在寻求从大量的资料来源,新的先进的数据可视化功能,以帮助企业应对日益庞大的数据集。商业智能(BI)厂商都在寻求新的先进的数据可视化功能,以帮助企业解决这个问题。下面我们来看一下目前在商业智能比较领先的系统平台:   一、蓝色巨人IBM最全面的BI产品 蓝色巨人IBM有一个最全面的商业智能(BI)产品,它结合了软件,硬件和服务。在今年早些时候,Cognos增加了基于桌面的高级数据可视化与的洞察力分析。 Cognos是在BI核心平台之上,以服务为导向进行架构,是唯一可以通过单一产品和在单一可靠架构上提供完整业务智能功能的解决方案,它可以提供无缝密合的报表、分析、记分卡、仪表盘等解决方案,通过提供所有的系统和资料资源,以简化公司各员工处理资讯的方法。作为一个全面、灵活的产品,Cognos业务智能解决方案可以容易地整合到现有的多系统和数据源架构中。   二、 数据分析市场后期之秀Information Builders Information Builders是世界上最出名的大规模部署BI的公司。通过它的WebFOCUS平台为企业用户提供先进的数据分析。WebFOCUS是一功能强大、高度集成、具有高性能和高延展性的企业商务智能套件,是目前业界中可用性(Usable)、散播性(Deployable)和延展性(Scalable)最佳的实时信息传递解决方案。从标准报表、自助式报表到即席查询、OLAP分析、动态排程或预警分发,WebFOCUS提供了所有的特征和功能,可满足企业内外用户各种各样的信息需求。 此外,WebFOCUS的强大功能可访问企业现有的所有数据源,从遗留数据到数据仓库,也是无以匹敌的。目前,每天都有数百万用户通过企业内、外部网络或互连网络使用WebFOCUS所开发的应用系统。   三、 微软 微软可以说是数据分析可视化市场上的后期之秀。 Microsoft BI 通过三个层面或工作负载交付:数据仓库、报表与分析以及绩效管理。所有这一切都旨在提供整合的、全面的数据源和工具,以帮助改进决策制订。在我们看来,Microsoft BI 的承诺就是:帮助组织内所有层面的决策者对其决策所支持的企业目标与计划充满信心。   四、 MicroStrategy MicroStrategy公司是专门从事运行在大型企业级上的BI部署数据仓库,提供直观地浏览数据的能力,并使用可视化数据分析工具生成的见解。 MicroStrategy能够协助各公司开发各种大型数据库以及个人用户的分析软件允许各公司通过电话、传真、电子邮件以及互联网向用户传送各种定制的、个性化的信息。用户也可以根据自己的情况决定何时或者以和种方式等来收看各公司的信息。   五、…

  • 随着大数据、云计算、社交媒体的高速发展,业务分析成为商业智能市场最具活力的创新区域,2011年涌现出大量充满活力的创业公司。IDC在报告《值得关注的1亿美元以下的创新业务分析公司》中,指出企业在业务分析市场的创新呈现三大趋势: 1、 协作式决策管理。越来越多的企业开始倾向使用那些能够支持决策流程文档、提供情景式协作的业务分析软件,这样不但可以分享信息,更重要的是还可以分享经验,更有助于做出决策; 2、 云分析(Cloud-based Analytics)。企业对基于云计算的分析工具的兴趣与日俱增。云分析工具简化了分析流程的实施,同时还提供了很多传统内部软件开发所没能实现的功能; 3、 移动分析。飞速增长的移动市场非常渴望分析工具,主要是可以部署在移动设备中的仪表盘等组件。移动员工将能从与工作岗位相关的分析决策支持中受益,尤其是在业务流程的情景中这一点更加明显; 以下是IDC推荐的六家值得关注的业务分析创业公司,排名不分先后: 一、Carrier IQ。 它的移动智能平台能帮助移动运营商和设备制造商解决网络或设备的开发与部署生命周期中出现的各种业务和技术问题。该平台还能向运营商或设备制造商提供与服务质量和设备工作状况有关的重要情报分析。(当然,这最后也导致了非常著名的隐私事件) 二、FirstRain。提供一个商业监测引擎,其语义分析技术能对消费者的web内容进行归类,,提供商业web的相关情报。该技术通过算法寻求发现并收集最有价值的商业web内容,FirstRain使用的算法调用了多种组件,包括匹配程度、源认证、原创度、覆盖度、新鲜度和业务相关性等。 三、Glassbeam。帮助计算机技术领域的制造商分析海量半结构化的产品运营数据,例如智能设备中的日志数据。通过可扩展支持Terabytes级别数据的分析技术,Glassbeam将这些日志数据转化成可供决策使用的信息情报。 四、Infegy。提供一个基于云计算服务的社会化雷达平台,能对社交媒体进行智能监测和web分析。能帮企业发现并分析web和社交网站中的信息含义。Social Radar的专利分析和算法能基于历史背景判断内容的倾向性。企业能通过其分析结果制定营销策略,改进产品和服务。 五、Q-Sensei。一个企业搜索平台,面向互联网、企业内网、个人电脑、个人数据库和手持设备中不断增长的结构化和非结构化信息。Q-Sensei的多维度搜索和索引引擎能帮助用户在海量数据中“大海捞针”。 六、River Logic。一个企业优化平台,包含三个核心产品:成本规划器(Cost-to-Planner),可以分析那些客户和产品最为重要,并且决定相应的成本;第二个产品是业务计划器(Business Planner),可通过与财务系统的集成提升销售和运营规划质量,对利润进行分析;第三个产品是展会效益优化器(Trade Promotion Optimization Planner),可以帮助提高展会投入产出比。 以下是入围IBM在纽约举办的SmartCamp大数据创业企业大赛决赛的创业企业,包括EnvEve、Envirolytics、Localytics、MediaFunnel和Examvile,Localytics最终获得了冠军。 七、Localytics。提供实时分析服务,能够帮助移动电话和平板电脑的应用开发商更好地理解用户。Localytics能分析用户倾向性数据,例如程序使用时间来帮助企业开发成功的移动应用,Localytics还能分析程序错误和崩溃等数据。 八、EnvEve。通过一个无线传感器网络和定制化的分析方案来向企业提供关于环境和物理基础设施的实时信息。例如,通过传感器和分析,该解决方案能帮助市政管理者了解泥石流的发生几率,河流毒化程度、农田中的氮肥含量以及高速公路的实时路况。 九、MediaFunnel。具备社交媒体防火墙和仪表盘功能。能够帮助企业分析和监测品牌民意,保护品牌,并与客户实时互动。该方案的另一个主要功能是确保有损品牌的信息不会被泄露到企业外部,同时帮助企业密切关注并及时介入互联网和社交网络中有损企业品牌的信息和事件。 十、Examville。该企业提供基于web的全球教育内容和服务平台,学生、教育者和内容提供者能够在这个平台上进行协作。该服务通过协作式学习工具、用户互相点评和推荐来发掘集体智慧,从中用户可以获得个性化的学习体验。  

    最值得关注的十大业务分析创业公司

    随着大数据、云计算、社交媒体的高速发展,业务分析成为商业智能市场最具活力的创新区域,2011年涌现出大量充满活力的创业公司。IDC在报告《值得关注的1亿美元以下的创新业务分析公司》中,指出企业在业务分析市场的创新呈现三大趋势: 1、 协作式决策管理。越来越多的企业开始倾向使用那些能够支持决策流程文档、提供情景式协作的业务分析软件,这样不但可以分享信息,更重要的是还可以分享经验,更有助于做出决策; 2、 云分析(Cloud-based Analytics)。企业对基于云计算的分析工具的兴趣与日俱增。云分析工具简化了分析流程的实施,同时还提供了很多传统内部软件开发所没能实现的功能; 3、 移动分析。飞速增长的移动市场非常渴望分析工具,主要是可以部署在移动设备中的仪表盘等组件。移动员工将能从与工作岗位相关的分析决策支持中受益,尤其是在业务流程的情景中这一点更加明显; 以下是IDC推荐的六家值得关注的业务分析创业公司,排名不分先后: 一、Carrier IQ。 它的移动智能平台能帮助移动运营商和设备制造商解决网络或设备的开发与部署生命周期中出现的各种业务和技术问题。该平台还能向运营商或设备制造商提供与服务质量和设备工作状况有关的重要情报分析。(当然,这最后也导致了非常著名的隐私事件) 二、FirstRain。提供一个商业监测引擎,其语义分析技术能对消费者的web内容进行归类,,提供商业web的相关情报。该技术通过算法寻求发现并收集最有价值的商业web内容,FirstRain使用的算法调用了多种组件,包括匹配程度、源认证、原创度、覆盖度、新鲜度和业务相关性等。 三、Glassbeam。帮助计算机技术领域的制造商分析海量半结构化的产品运营数据,例如智能设备中的日志数据。通过可扩展支持Terabytes级别数据的分析技术,Glassbeam将这些日志数据转化成可供决策使用的信息情报。 四、Infegy。提供一个基于云计算服务的社会化雷达平台,能对社交媒体进行智能监测和web分析。能帮企业发现并分析web和社交网站中的信息含义。Social Radar的专利分析和算法能基于历史背景判断内容的倾向性。企业能通过其分析结果制定营销策略,改进产品和服务。 五、Q-Sensei。一个企业搜索平台,面向互联网、企业内网、个人电脑、个人数据库和手持设备中不断增长的结构化和非结构化信息。Q-Sensei的多维度搜索和索引引擎能帮助用户在海量数据中“大海捞针”。 六、River Logic。一个企业优化平台,包含三个核心产品:成本规划器(Cost-to-Planner),可以分析那些客户和产品最为重要,并且决定相应的成本;第二个产品是业务计划器(Business Planner),可通过与财务系统的集成提升销售和运营规划质量,对利润进行分析;第三个产品是展会效益优化器(Trade Promotion Optimization Planner),可以帮助提高展会投入产出比。 以下是入围IBM在纽约举办的SmartCamp大数据创业企业大赛决赛的创业企业,包括EnvEve、Envirolytics、Localytics、MediaFunnel和Examvile,Localytics最终获得了冠军。 七、Localytics。提供实时分析服务,能够帮助移动电话和平板电脑的应用开发商更好地理解用户。Localytics能分析用户倾向性数据,例如程序使用时间来帮助企业开发成功的移动应用,Localytics还能分析程序错误和崩溃等数据。 八、EnvEve。通过一个无线传感器网络和定制化的分析方案来向企业提供关于环境和物理基础设施的实时信息。例如,通过传感器和分析,该解决方案能帮助市政管理者了解泥石流的发生几率,河流毒化程度、农田中的氮肥含量以及高速公路的实时路况。 九、MediaFunnel。具备社交媒体防火墙和仪表盘功能。能够帮助企业分析和监测品牌民意,保护品牌,并与客户实时互动。该方案的另一个主要功能是确保有损品牌的信息不会被泄露到企业外部,同时帮助企业密切关注并及时介入互联网和社交网络中有损企业品牌的信息和事件。 十、Examville。该企业提供基于web的全球教育内容和服务平台,学生、教育者和内容提供者能够在这个平台上进行协作。该服务通过协作式学习工具、用户互相点评和推荐来发掘集体智慧,从中用户可以获得个性化的学习体验。  

商业智慧
  • 一提到“数据”,可能经常会想到“数字”、“图表”、“模型”、“方程”等容易让人怯步的词语。其实“数据”的真正意义,是躲在背后的那些“人”。 在营销学中,市场的根本在于需求,需求由人而生。因此,我们不应该就数字而数字,就算法而算法,应该自始自终关注“人”,市场研究则更是如此。 有人也许会说,“人”可不好说,有时说谎,有时偏私,真真假假。但,不是有种更简单的想法吗?我们自己本身就是“人”。作为市场研究者,大可不必将自己完完全全剥离在“人”这个概念以外,顶着看似客观的立场,作困兽之斗。 这个时候,也许有人会质疑,如果加入更多自己的想法,你的研究还客观吗? 没错,作为市场研究者,必须客观地看待事实,呈现事实。但事实是什么,如果总把自己孤立在另一边,恐怕这个所谓的事实,也不过是披着云雾的谜团。 在这里,我必须强调,事实的重要性,正是为了看清事实,我们必须“有方法”地在某些情况下,将自己看成是同一边的“人”,某些情况下,将自己独立为另一边的旁观者。 这个“方法”,正是这篇文章试图总结的东西。 1. 在用户没有表达任何观点,或,还不清楚用户的观点之前,不要有任何想法。 我们不妨恶俗地将自己比喻成“蛔虫”,主人都还没有想法,就算你是肚子里的蛔虫,也不可能会知道些什么。 所以,我们需要开放式问卷,引诱我们的主人试着讲他们的想法,哪怕只是一点点。这就是所谓的定性阶段。 2. 拿着用户的文字反馈,尝试读懂这个“人”,而不是这些“字”。 当问卷回收了,我们“看到”主人们用“文字”写下来的话。这就有两个问题: 一是,开放式问卷数量很多,意味着主人很多,口味各不相同; 二是,文字的运用可能基于主人们的不同背景或个性有所不同(写的不同),而由于有自己的背景,我们“看”的方式与主人们的表达方式也有所不同(看的不同),结果必然导致信息传递的缺失(最形象的比喻是,接力比划游戏,结果往往啼笑皆非)。 这个时候,我们作为同一边的“人”,可以出现了。 看着那些留在卷面上的文字,试想一下,那个“你”到底想说什么?这个时候仿佛可以读懂些什么。但必须说明,这个时候的“你”只能是文字背后可能的那个人,而不应该有任何你的自我存在影响着判断。 举个简单的例子,有两个玩家同时说,你的游戏太耗钱了。请好好看看他们的等级,他们的角色,他们的收入/职业等背景信息,你可能会发现一位是中级,一位是高级,一位是肉盾,一位是魔法师,一位是学生,一位是蓝领。 我们试着代入,如果你是中级肉盾,在这个游戏中会面临怎样的情境?因为游戏规则,你常常与高级玩家PK,结果是PK时常常输掉(挫败感过强),归根到底是因为你的角色只是中级,然后会想“如果我练到高级了,就不怕跟高级玩家PK。”最终,频繁花钱练级,花了钱,却发现永远不可能追上高级,那时正好有个问卷弹出来,你毫不犹豫地说“这个游戏太耗钱了”。 另一个角色,如果你是高级魔法师,因为你等级高,攻击力强,很多人组你打副本,副本对你而言很简单,但手机端的页面总是复杂而庞大,一晚下来,流量用了一半。第三晚开始,队友喊你,你就得用套餐外流量去参与同盟军。两个礼拜之后,月结日发现话费用了100块在超出的流量上,这时你收到一个问卷,你义愤填膺地说“这个游戏太耗钱了”。 上面的例子是想说明,当你读懂了文字背后的那个人,你会发现前者的“耗钱”根源很可能是玩法的成就感缺失,后者的“耗钱”根源很可能是页面的联网响应,二者讲的可能完全不是同一回事。 3. 倾听着用户的话语,与其跟他说话,不如听懂他的话。 有人可能会细心地看到,上面我用了“可能”下结论,说白了,这种代入只是“猜”,你没有任何证据证明这个假设是对的。 没错,不记得哪位名家讲过“大胆假设,小心求证”。如果说前面是如何用“代入”来大胆假设,后面则是如何用“代入”来小心求证。 有了一些粗糙的想法后,作为市场研究者,内心充满了激动和好奇,没有人比我们更想知道自己的假设或想法,到底对不对。这个时候,千万注意,收起我们的激动和好奇。这种先入为主的情绪会成为我们发现事实的障碍。 前面只有文字接触,接下来不妨亲自与用户对话,形式是多样的,电话,面访,现场测试等等。用近乎苛刻的连环追问(这里有技巧,追问的代价绝不能是用户厌烦),让用户自己把自己挖透彻,这个过程可能是痛苦而艰难的,所以你的“代入”变得很重要。只有让用户感觉到,作为同一边的“人”的你存在,他才会愿意做挖掘自己这种艰难的活儿。 案例分享:桌面上放着几款不同品牌的,容量相同材质不同的奶瓶。 请一位中低收入家庭的全职妈妈在挑选的两个中最终选出一个,并且说出原因。两个备选的奶瓶分别是:高端品牌PP材质、一般品牌玻璃材质。最终她选择了一般品牌玻璃材质。她告诉我们,PP材质不知道对小孩好不好,而且自己是全职妈妈,可以照料玻璃材质的,玻璃更安全。...

    解读数据?解读“人”!

    一提到“数据”,可能经常会想到“数字”、“图表”、“模型”、“方程”等容易让人怯步的词语。其实“数据”的真正意义,是躲在背后的那些“人”。 在营销学中,市场的根本在于需求,需求由人而生。因此,我们不应该就数字而数字,就算法而算法,应该自始自终关注“人”,市场研究则更是如此。 有人也许会说,“人”可不好说,有时说谎,有时偏私,真真假假。但,不是有种更简单的想法吗?我们自己本身就是“人”。作为市场研究者,大可不必将自己完完全全剥离在“人”这个概念以外,顶着看似客观的立场,作困兽之斗。 这个时候,也许有人会质疑,如果加入更多自己的想法,你的研究还客观吗? 没错,作为市场研究者,必须客观地看待事实,呈现事实。但事实是什么,如果总把自己孤立在另一边,恐怕这个所谓的事实,也不过是披着云雾的谜团。 在这里,我必须强调,事实的重要性,正是为了看清事实,我们必须“有方法”地在某些情况下,将自己看成是同一边的“人”,某些情况下,将自己独立为另一边的旁观者。 这个“方法”,正是这篇文章试图总结的东西。 1. 在用户没有表达任何观点,或,还不清楚用户的观点之前,不要有任何想法。 我们不妨恶俗地将自己比喻成“蛔虫”,主人都还没有想法,就算你是肚子里的蛔虫,也不可能会知道些什么。 所以,我们需要开放式问卷,引诱我们的主人试着讲他们的想法,哪怕只是一点点。这就是所谓的定性阶段。 2. 拿着用户的文字反馈,尝试读懂这个“人”,而不是这些“字”。 当问卷回收了,我们“看到”主人们用“文字”写下来的话。这就有两个问题: 一是,开放式问卷数量很多,意味着主人很多,口味各不相同; 二是,文字的运用可能基于主人们的不同背景或个性有所不同(写的不同),而由于有自己的背景,我们“看”的方式与主人们的表达方式也有所不同(看的不同),结果必然导致信息传递的缺失(最形象的比喻是,接力比划游戏,结果往往啼笑皆非)。 这个时候,我们作为同一边的“人”,可以出现了。 看着那些留在卷面上的文字,试想一下,那个“你”到底想说什么?这个时候仿佛可以读懂些什么。但必须说明,这个时候的“你”只能是文字背后可能的那个人,而不应该有任何你的自我存在影响着判断。 举个简单的例子,有两个玩家同时说,你的游戏太耗钱了。请好好看看他们的等级,他们的角色,他们的收入/职业等背景信息,你可能会发现一位是中级,一位是高级,一位是肉盾,一位是魔法师,一位是学生,一位是蓝领。 我们试着代入,如果你是中级肉盾,在这个游戏中会面临怎样的情境?因为游戏规则,你常常与高级玩家PK,结果是PK时常常输掉(挫败感过强),归根到底是因为你的角色只是中级,然后会想“如果我练到高级了,就不怕跟高级玩家PK。”最终,频繁花钱练级,花了钱,却发现永远不可能追上高级,那时正好有个问卷弹出来,你毫不犹豫地说“这个游戏太耗钱了”。 另一个角色,如果你是高级魔法师,因为你等级高,攻击力强,很多人组你打副本,副本对你而言很简单,但手机端的页面总是复杂而庞大,一晚下来,流量用了一半。第三晚开始,队友喊你,你就得用套餐外流量去参与同盟军。两个礼拜之后,月结日发现话费用了100块在超出的流量上,这时你收到一个问卷,你义愤填膺地说“这个游戏太耗钱了”。 上面的例子是想说明,当你读懂了文字背后的那个人,你会发现前者的“耗钱”根源很可能是玩法的成就感缺失,后者的“耗钱”根源很可能是页面的联网响应,二者讲的可能完全不是同一回事。 3. 倾听着用户的话语,与其跟他说话,不如听懂他的话。 有人可能会细心地看到,上面我用了“可能”下结论,说白了,这种代入只是“猜”,你没有任何证据证明这个假设是对的。 没错,不记得哪位名家讲过“大胆假设,小心求证”。如果说前面是如何用“代入”来大胆假设,后面则是如何用“代入”来小心求证。 有了一些粗糙的想法后,作为市场研究者,内心充满了激动和好奇,没有人比我们更想知道自己的假设或想法,到底对不对。这个时候,千万注意,收起我们的激动和好奇。这种先入为主的情绪会成为我们发现事实的障碍。 前面只有文字接触,接下来不妨亲自与用户对话,形式是多样的,电话,面访,现场测试等等。用近乎苛刻的连环追问(这里有技巧,追问的代价绝不能是用户厌烦),让用户自己把自己挖透彻,这个过程可能是痛苦而艰难的,所以你的“代入”变得很重要。只有让用户感觉到,作为同一边的“人”的你存在,他才会愿意做挖掘自己这种艰难的活儿。 案例分享:桌面上放着几款不同品牌的,容量相同材质不同的奶瓶。 请一位中低收入家庭的全职妈妈在挑选的两个中最终选出一个,并且说出原因。两个备选的奶瓶分别是:高端品牌PP材质、一般品牌玻璃材质。最终她选择了一般品牌玻璃材质。她告诉我们,PP材质不知道对小孩好不好,而且自己是全职妈妈,可以照料玻璃材质的,玻璃更安全。…

  •   一、  关于决策支持的相关问题——什么是数据,什么信息,什么知识,什么智慧? 1.1    数据是一组经验观察值和事实,尤其是当它们被组织起来做随后的分析的时候。数据作为事实的记录。 例如:电子商城昨天的访次数是 123次; 1.2  信息是被用来思考和做出决策或者得出结论的一组事实和观察。信息作为数据和意义的整合。 例如:电子商城昨天的访次数相对于前天访次数减少了10%; 1.3  知识是从经验和学习中得到的熟悉、认知以及理解。知识就是解决问题的技能,针对这一问题公司应对的策略是什么? 例如:对于电子商城访问次数的减少,我们可以进行不同形式的市场推广活动——网络广告,搜索引擎营销和优化,软文,SNS等等。。。 1.4   智慧是辨别和判断什么是真的、什么是对的、什么可持续的能力,表现为洞察力、常识以及良好的判断能力。智慧就是知识的选择应对的行动方案可能有多种,但(战略)选择哪个靠智慧。条条大路通罗马,但是最近的并且最适合你的可能就只有一条。 例如:对于运营中的电子商城来说,需要根据自身的实际情况和可执行的目标确定一个行动方案,当然,行动方案执行之后则又会产生新的反馈,可以对方案相关的评估和修正;   二、               关于电子商城的决策支持系统的组成和结构 电子商务的决策支持系统,需要将运营管理中的对象最为研究和优化的对象,通过系统化,体系化和规范化的指标体系来指导实际的业务操作。主要包括以下几个重要对象和方面:  2.1   市场营销推广渠道——通过市场活动的效果评估和优化,确定整体的市场渠道推广组合: 基于流量数据的市场营销活动的效果评估:花了多少钱?来了多少人?下了多少单?(广告公司的虚假流量)。 基于销量数据的市场营销活动的效果评估:花了多少钱?来了多少人?下了多少单?付了多少款?退货多少?并且有多少是回购用户和订单? 2.2    电子商务的访客/客户:分析和评估电子商城整体客户的活跃度,忠诚度和贡献度,以实现客户关系管理,以及个性化营销。 Recency——最近一次访问,而非最近一次消费,其主要体现为电子商城用户的“活跃度”的指标。 Frequency——访问频率,而非消费频率,其主要体现为电子商城用户的“忠诚度”的指标。 Monetary——消费金额,其主要体现为电子商城用户价值的“贡献度”指标。...

    关于电子商城建立数据驱动运营(商务智能)的相关思考

      一、  关于决策支持的相关问题——什么是数据,什么信息,什么知识,什么智慧? 1.1    数据是一组经验观察值和事实,尤其是当它们被组织起来做随后的分析的时候。数据作为事实的记录。 例如:电子商城昨天的访次数是 123次; 1.2  信息是被用来思考和做出决策或者得出结论的一组事实和观察。信息作为数据和意义的整合。 例如:电子商城昨天的访次数相对于前天访次数减少了10%; 1.3  知识是从经验和学习中得到的熟悉、认知以及理解。知识就是解决问题的技能,针对这一问题公司应对的策略是什么? 例如:对于电子商城访问次数的减少,我们可以进行不同形式的市场推广活动——网络广告,搜索引擎营销和优化,软文,SNS等等。。。 1.4   智慧是辨别和判断什么是真的、什么是对的、什么可持续的能力,表现为洞察力、常识以及良好的判断能力。智慧就是知识的选择应对的行动方案可能有多种,但(战略)选择哪个靠智慧。条条大路通罗马,但是最近的并且最适合你的可能就只有一条。 例如:对于运营中的电子商城来说,需要根据自身的实际情况和可执行的目标确定一个行动方案,当然,行动方案执行之后则又会产生新的反馈,可以对方案相关的评估和修正;   二、               关于电子商城的决策支持系统的组成和结构 电子商务的决策支持系统,需要将运营管理中的对象最为研究和优化的对象,通过系统化,体系化和规范化的指标体系来指导实际的业务操作。主要包括以下几个重要对象和方面:  2.1   市场营销推广渠道——通过市场活动的效果评估和优化,确定整体的市场渠道推广组合: 基于流量数据的市场营销活动的效果评估:花了多少钱?来了多少人?下了多少单?(广告公司的虚假流量)。 基于销量数据的市场营销活动的效果评估:花了多少钱?来了多少人?下了多少单?付了多少款?退货多少?并且有多少是回购用户和订单? 2.2    电子商务的访客/客户:分析和评估电子商城整体客户的活跃度,忠诚度和贡献度,以实现客户关系管理,以及个性化营销。 Recency——最近一次访问,而非最近一次消费,其主要体现为电子商城用户的“活跃度”的指标。 Frequency——访问频率,而非消费频率,其主要体现为电子商城用户的“忠诚度”的指标。 Monetary——消费金额,其主要体现为电子商城用户价值的“贡献度”指标。…

  •   一、        商业分析概述(Business Analysis) Business analysis is the discipline of identifying business needs and determining solutions to business problems. Solutions often include a systems development component, but may also consist...

    商业分析(Business Analysis)

      一、        商业分析概述(Business Analysis) Business analysis is the discipline of identifying business needs and determining solutions to business problems. Solutions often include a systems development component, but may also consist…

最新文章
0

商业智能(BI)需要掌握什么知识,以及发展前景(转载)

 商业智能(BI)需要掌握什么知识,以及发展前景

 

一、  什么是商业智能?

商业智能=商业+智能
商业和智能的关系,如图1:智能技术根据商业知识,出报表和建立分析模型,并且运用商业知识检验和解释报表和模型准确与否,而根据出来的报表和分析/挖掘模型结果,又能对商业运作提供数据与决策参考。

图1      商业智能=商业+智能

首先是商业检验智能技术。商业目标以及商务流程,限定了你能选用的分析方法,比如客户分类问题,就不能用聚 类算法解决;商务流程上无法给样本本身打上标签,就很难用分类算法训练模型。忘掉啤酒和尿布吧,那只是个号称刊登在《哈佛商业评论》上的传说,这种业务上 很难解释的事件被传得神乎其神,如果是真的,早被广泛应用了。所以模型一定要在商业上解释得通,通常一两个小概率小范围事件对整体是不会有很大影响的。好 比看起来不错的创新点子,不可能将其实现就产生赚钱的产业链,而是要考虑方方面面的因素以及有效的执行。

其次是智能技术指导商业行为。比如埃森哲 利用数据挖掘对市场/客户进行细分,针对不同行为特征的客户,推荐/制定产品,以期更贴近客户的需求,利用技术指导商业。这是一个考验执行力的过程。目前 许多案例往往是不成功的,其中一个原因在于市场部处于一线经营,主导地位,其话语权通常大于技术部。假设你是一线经营人员,有自己的立场、观点、人脉、营 销模式,甚至讳莫如深的自身利益。让业务人员从工作习惯上去改变,尚且不易,更不用说触碰到他们的利益线了。所以国内很多大型国有企业做出来的BI系统, 很多是做表面文章,耗资百万的系统做好了却闲置。

抛开立场、自身利益因素不谈,国内BI就做得很好了么?答案当然是否定的,这是因为, 业务人员不懂技术,技术人员不懂业务。笔者曾经见过一个在移动内部,做了七八年的技术人员,因为有较长的从业经验,跟业务人员沟通比较多,只要业务人员提 需求,他就能在极短时间内给出数据,甚至能引导迷糊的业务员理清思路。但他的经验,很难复制,毕竟出了学校,培养一名商业智能从业者应该只有少于1年的时 间。

那么让我们从商业和智能的角度,来看看知识分解吧,可以供初学者参考,也可以供高手拍砖,如图2

 

二、 数据和数据仓库

数据是数据分析的基础,数据库是数据的承载,数据仓库是有主题的数据库。
效率高的数据仓库不那么容易设计出来的,多大数据量使用范式设计,多大使用反范式设计,为什么使用反范式设计(空间换时间),哪些表在业务上使用频繁需要分割,哪些字段需要合并成一张常用表等等。
涉 及到数据分析的一个问题是数据质量。数据质量又可以分成两大块,“脏”数据的处理和数据来源口径的追溯。前面举的啤酒尿布例子,得到不符合常理的结果后, 应该首先检查数据质量是否有问题。若数据质量有问题,那么后面的分析必然不准确,所谓garbage in garbage out!

三、报表


报 表这种原始的BI方式有时候是简单有效,但要做一张优秀的报表似乎又要考虑很多问题。首先是确定报表的目的,这样才能定下报表是清单级还是汇总级;其次选 择字段,个人认为应该符合MECE(Mutually Exclusive Collectively Exhaustive),信息不全或者信息冗余,对分析都会形成干扰;再次是对字段做维度聚类,并做重要性排序,重要的,能做分析思路索引的,要排在前 面。当然一张优秀的报表绝不应拘泥于以上,需要在工作中多思考和体会了。

四、数据挖掘


数据挖掘讲了很多了。如果往简单来说,可以有 BI=图表+数据挖掘的理解,虽然不甚全面。数据挖掘作为报表这种非智能性BI的一种补充,理论上应该属于机器学习的一种,存在着那么一点儿让计算机自学 的能力。按算法来分类也就预测、分类、聚类、关联那么几种,大多都封装好的,使用起来很方便,普通应用只需要知道怎么读数据挖掘软件给出的报告即可,关键 点是紧扣商业理解,难点和被忽视的地方会在接下来的算法知识块提到。至于SAS, SPSS,Modeler, R, MATLAB这些挖掘工具之争,那就见仁见智了。但有一点我很肯定,如果你初学数据挖掘,那么推荐Modeler,简单的操作界面和轻松的DEMO,大大 降低了数据挖掘的入门难度。

五、算法


随着面向对象(Orient Object)编程方法兴起,“程序=数据结构+算法”【1】的光荣时代似乎已经一去不复返。如今许多分析人员也不曾听过Knuth【2】和他的The Art of Computer Programming。有一种观点是,在各工具将算法封装得很好的情况下,深入了解算法似乎是没必要的——Just run it。的确,如果你只想做到中级分析师,可以不去理会。但是要成为一名高级分析师,那肯定得有一定深度的研究。一是为了知道针对特定的数据集,选用什么样 的算法,如何抽取样本,抽取多大量的样本(样本出问题,整个项目都完蛋),算法适用条件是什么,比如线性回归的:独立性、常方差、正态性,怎么理解,哪些 必须满足。这些使用如果不熟悉的话,很容易导致分析出问题。一些做这方面工作的BIer,不求甚解,做出来的东西是错的,做分析最可怕的是错了还没意识! 二是客户问到一些问题,知道如何去解释,比如用决策树计算出来的得分,为什么很多样本得分是一样的?客户细分中,有没有算法可以使得同一个客户细分至两个 不同的客户群?没有的话,如何用现有算法解决该客户既有A群属性又有B群属性的问题?三是你能写出针对特定问题的算法,现实中许多问题拥有其他问题一样的 共性,也有它自己的个性,某些时候针对个性的东西越强,分析效果越好,这就需要你手写算法解决。获得Netflix 100万推荐算法大奖的绝不可能是封装好的现成算法不是么。另外还有一类商业智能问题,是封装算法解决不了的,这类问题大多见于与地理结合的GIS决策系 统,这类系统就要求分析人员有图形算法功底。可见如果你想成为顶级的数据分析师,算法与数据结构的知识必不可少。搜索,排序,树,图之所以经典,是因为它 们简单有效而且通用。如果你能把这些算法在数据库里实现,那么你分析技术这方面,确实达到很高的境界了。

六、统计学与其中的分析逻辑问题


商 业分析中应用统计学的好处在于,你可以不知道两者的因果而只分析两者的联系,并且在环境没有太多改变的情况下,分析结果都是适用的(更复杂的需要使用微分 方程或其他,但提升度未必高)。关于逻辑,我们来看一个例子:据科学家研究,肥胖的人在社交关系上会聚集在一起。如图3,如果你的朋友肥胖,则你肥胖的概 率比别人高45%(紫柱),如果你朋友的朋友肥胖,则比平均高出25%(红柱),如果你朋友的朋友的朋友肥胖,则比平均高出10%(橙柱)。事实上,这些 都是数据和统计,只能说明肥胖的人可能会聚集到一块儿,因为从数据上你无法分辨出你们是因为肥胖而成为朋友(比如因肥胖到健身房认识)还是因为成为朋友而 肥胖(吃货朋友一起去吃东西),或者互为因果。实际分析中,我们经常发现两样事物是互为因果互相加强的,“事物有普遍联系”和“作用与反作用”的哲学原理 在此体现得淋漓尽致。业务经验在此时显得尤为重要!它能告诉我们哪件因素更重要,一般对于业务人员来说更好实现的过程,更好掌控的因素,就是原因,是我们 后续操作的引线和突破口。

图3 相关关系 VS 因果关系(编者注)

 关于商业,笔者是技术出身,也处于摸爬阶段。但可以推荐两本书,这两本书是都是国外的,较厚易懂:菲利普科特勒《市场营销》,斯蒂 芬鲁宾斯的《管理学》【3】。商业与技术是存在联系的。其实细心的读者会发现,光是有上面的知识还是不够的,纸上得来终觉浅,绝知要做项目呀:)

增值知识

作为分析师宽广的知识面必不可少,没事看看心理学、历史、地理、人口统计学(demography),浏览一下知乎,FT中文网什么的,也是不错的。
很多优秀的数据信息图、资料、报告只有英文的,例如:
数据信息图:  http://infosthetics.com/http://flowingdata.com/http://visual.ly/
资料: http://radar.oreilly.com/http://www.businessinsider.com/
报告: http://vdisk.weibo.com/s/2YJeC
国外在数据规划使用展现比我们前行更远,这点是确认无疑的。所以英文阅读流畅的能力对于一个想当优秀分析师的人来说非常重要。我也曾经想过把一些比较不错的文档翻译过来,但因为相当耗时耗力,只能作罢。与其等待别人翻译,不如自己看。

总结一下:商业智能,是利用计算机对数据大量快速处理的特点,对众多商业数据做图与表的展现分析,并通过统计学的方法对数据进行智能学习和挖掘,辅助商业决 策。商业智能的优势就在于它对海量数据的处理,以及可规则化逻辑化(这点部分继承了数学的DNA),这些杂乱的数据让人去处理和挖掘有用信息,基本是不可 能的。

商业智能目前处于初始阶段,数据仓库准备、跨行业经验整合、商业及技术知识储备、人才培养模式都还刚刚起步。国内BI也还处于积累阶段,都是一些有钱的企业在做试验案例,成败不一。BI从业人员有混生计的,也有认真积累的;有先行者,也有后起之秀。
总之,BI离爆发还有一段路要走,没有量的积累,就没有质的飞跃!要想飞跃,你必须完成爬行、站立、走、跑等一系列动作,辛苦甚至痛苦,但这些,在飞跃的那一刻,都会化为喜悦。

 

备注:

【1】语出尼克劳斯·沃思(Niklaus Wirth),图灵奖获得者,Pascal发明人。
【2】斯坦福大学计算机程序设计艺术的荣誉退休教授,算法和程序设计技术的先驱者。1974年获美国计算机协会图灵奖,1979年美国前总统卡特授予的科学金奖以及1996年11月由于发明先进技术荣获的极受尊重的京都奖。
【3】两本经典,购买链接:

《市场营销》:http://www.amazon.cn/%E8%90%A5%E9%94%80%E7%AE%A1%E7%90%86-%E8%8F%B2%E5%88%A9%E6%99%AE%C2%B7%E7%A7%91%E7%89%B9%E5%8B%92/dp/B002V1HN38

《管理学》:http://www.amazon.cn/%E7%AE%A1%E7%90%86%E5%AD%A6-%E6%96%AF%E8%92%82%E8%8A%AC%C2%B7P-%E7%BD%97%E5%AE%BE%E6%96%AF/dp/B001ORFTWW

0

九大商业智能分析平台你选哪个?

 

随着大数据时代的来临,商业智能这个词在国外企业界出现,其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业,不仅为企业提供信息获取能力,而且通过对信息的开发,将其转变为企业的竞争优势,也有人称之为混沌世界中的智能。因此,越来越多的企业提出他们对BI的需求,把BI作为一种帮助企业达到经营目标的一种有效手段。

目前,商业智能通常被理解为将企业中现有的数据转化为知识,帮助企业做出明智的业务经营决策的工具。为了将数据转化为知识,需要利用数据仓库、线上分析处理(OLAP)工具和数据挖掘等技术。因此,从技术层面上讲,商业智能不是什么新技术,它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。

商业智能(BI)厂商正在寻求从大量的资料来源,新的先进的数据可视化功能,以帮助企业应对日益庞大的数据集。商业智能(BI)厂商都在寻求新的先进的数据可视化功能,以帮助企业解决这个问题。下面我们来看一下目前在商业智能比较领先的系统平台:

 

一、蓝色巨人IBM最全面的BI产品

蓝色巨人IBM有一个最全面的商业智能(BI)产品,它结合了软件,硬件和服务。在今年早些时候,Cognos增加了基于桌面的高级数据可视化与的洞察力分析。

Cognos是在BI核心平台之上,以服务为导向进行架构,是唯一可以通过单一产品和在单一可靠架构上提供完整业务智能功能的解决方案,它可以提供无缝密合的报表、分析、记分卡、仪表盘等解决方案,通过提供所有的系统和资料资源,以简化公司各员工处理资讯的方法。作为一个全面、灵活的产品,Cognos业务智能解决方案可以容易地整合到现有的多系统和数据源架构中。

 

二、 数据分析市场后期之秀Information Builders

Information Builders是世界上最出名的大规模部署BI的公司。通过它的WebFOCUS平台为企业用户提供先进的数据分析。WebFOCUS是一功能强大、高度集成、具有高性能和高延展性的企业商务智能套件,是目前业界中可用性(Usable)、散播性(Deployable)和延展性(Scalable)最佳的实时信息传递解决方案。从标准报表、自助式报表到即席查询、OLAP分析、动态排程或预警分发,WebFOCUS提供了所有的特征和功能,可满足企业内外用户各种各样的信息需求。

此外,WebFOCUS的强大功能可访问企业现有的所有数据源,从遗留数据到数据仓库,也是无以匹敌的。目前,每天都有数百万用户通过企业内、外部网络或互连网络使用WebFOCUS所开发的应用系统。

 

三、 微软

微软可以说是数据分析可视化市场上的后期之秀。 Microsoft BI 通过三个层面或工作负载交付:数据仓库、报表与分析以及绩效管理。所有这一切都旨在提供整合的、全面的数据源和工具,以帮助改进决策制订。在我们看来,Microsoft BI 的承诺就是:帮助组织内所有层面的决策者对其决策所支持的企业目标与计划充满信心。

 

四、 MicroStrategy

MicroStrategy公司是专门从事运行在大型企业级上的BI部署数据仓库,提供直观地浏览数据的能力,并使用可视化数据分析工具生成的见解。

MicroStrategy能够协助各公司开发各种大型数据库以及个人用户的分析软件允许各公司通过电话、传真、电子邮件以及互联网向用户传送各种定制的、个性化的信息。用户也可以根据自己的情况决定何时或者以和种方式等来收看各公司的信息。

 

五、 甲骨文是商业智能中领军者Oracle

很多企业都将甲骨文作为商业智能方面的竞争对手,甲骨文的解决方案得到了广泛应用。Oracle商务智能企业版(OBIEE)最早是由一组经验丰富的商务智能和数据仓库专家从1997年开始设计、开发的新一代商务智能平台。整个平台针对百分百Web架构来设计,从一开始就引入了很多全新的思想-希望能给尽可能多的企业员工提供全面的商务智能能力,尽可能的让商务智能直观易懂、便于使用和充满交互,从而让整个组织架构中的每个人都能从中得益。

 

六、  QlikTech

QlikTech是全球增长最快的商业智能(BI)公司,其旗舰产品 QlikView 提供即时商业答案,使用户能够轻松自如、无限制地挖掘自己的数据。与传统商业智能不同的是,QlikView能够为用户迅速创造价值,其投资回报期仅为数天或数周,而不是数月、数年或永远收不回投资。它是唯一一款能够在经营场所、云计算平台、笔记本电脑或者移动装置上部署的产品,适用于任何企业,从单个用户到大型国际企业。

 

七、 SAP

SAP BusinessObjects是全球领先的商务智能(BI)软件公司的产品套件,Business Objects XI 为报表、查询和分析、绩效管理以及数据集成提供了最完善、最可靠的平台。

以SAP BusinessObjects现有成功产品组合为坚实基础,这项全新解决方案使得企业可以集中精力改进其在经济、社会和环保方面的绩效,而无需将大量时间花费在收集相关数据和编写报告上。SAP BusinessObjects可持续发展绩效管理解决方案能够为企业提供可持续性指标的整体视图,通过简单易用的界面来简化内部和外部报告流程。

 

八、 SAS为很多企业解决业务问题SAS

SAS企业级商业智能已经为很多企业解决了复杂的业务问题,特别是对那些需要先进的分析方法,对大型非结构化数据源的企业的共同选择。

SAS商业分析框架包括行业和业务线解决方案,以及分析、数据管理、查询和报表技术。公司可首先解决最重要的关键业务问题,然后随着时间的推移逐渐添加新功能,以支持持续的绩效改进。

 

九、  Tableau

Tableau是桌面系统中最简单的商业智能工具软件,Tableau没有强迫用户编写自定义代码,新的控制台也可完全自定义配置。在控制台上,不仅能够监测信息,而且还提供完整的分析能力。Tableau控制台灵活,具有高度的动态性。

Tableau公司将数据运算与美观的图表完美地嫁接在一起。它的程序很容易上手,各公司可以用它将大量数据拖放到数字“画布”上,转眼间就能创建好各种图表。这一软件的理念是,界面上的数据越容易操控,公司对自己在所在业务领域里的所作所为到底是正确还是错误,就能了解得越透彻。

总结:商业智能作为企业业务驱动的决策支持系统,其发展是以较为完善企业的信息系统和稳定的业务系统为基础的。商业智能未来的应用与行业内信息化的基础状况密切相关,如何切实了解自身需求、选择具有优势的厂商产品,将是企业实施商业智能成功的关键。

 

0

解读数据?解读“人”!

一提到“数据”,可能经常会想到“数字”、“图表”、“模型”、“方程”等容易让人怯步的词语。其实“数据”的真正意义,是躲在背后的那些“人”。

在营销学中,市场的根本在于需求,需求由人而生。因此,我们不应该就数字而数字,就算法而算法,应该自始自终关注“人”,市场研究则更是如此。

有人也许会说,“人”可不好说,有时说谎,有时偏私,真真假假。但,不是有种更简单的想法吗?我们自己本身就是“人”。作为市场研究者,大可不必将自己完完全全剥离在“人”这个概念以外,顶着看似客观的立场,作困兽之斗。

这个时候,也许有人会质疑,如果加入更多自己的想法,你的研究还客观吗?

没错,作为市场研究者,必须客观地看待事实,呈现事实。但事实是什么,如果总把自己孤立在另一边,恐怕这个所谓的事实,也不过是披着云雾的谜团。

在这里,我必须强调,事实的重要性,正是为了看清事实,我们必须“有方法”地在某些情况下,将自己看成是同一边的“人”,某些情况下,将自己独立为另一边的旁观者。

这个“方法”,正是这篇文章试图总结的东西。

1. 在用户没有表达任何观点,或,还不清楚用户的观点之前,不要有任何想法。

我们不妨恶俗地将自己比喻成“蛔虫”,主人都还没有想法,就算你是肚子里的蛔虫,也不可能会知道些什么。
所以,我们需要开放式问卷,引诱我们的主人试着讲他们的想法,哪怕只是一点点。这就是所谓的定性阶段。

2. 拿着用户的文字反馈,尝试读懂这个“人”,而不是这些“字”。

当问卷回收了,我们“看到”主人们用“文字”写下来的话。这就有两个问题:
一是,开放式问卷数量很多,意味着主人很多,口味各不相同;
二是,文字的运用可能基于主人们的不同背景或个性有所不同(写的不同),而由于有自己的背景,我们“看”的方式与主人们的表达方式也有所不同(看的不同),结果必然导致信息传递的缺失(最形象的比喻是,接力比划游戏,结果往往啼笑皆非)。

这个时候,我们作为同一边的“人”,可以出现了。
看着那些留在卷面上的文字,试想一下,那个“你”到底想说什么?这个时候仿佛可以读懂些什么。但必须说明,这个时候的“你”只能是文字背后可能的那个人,而不应该有任何你的自我存在影响着判断。

举个简单的例子,有两个玩家同时说,你的游戏太耗钱了。请好好看看他们的等级,他们的角色,他们的收入/职业等背景信息,你可能会发现一位是中级,一位是高级,一位是肉盾,一位是魔法师,一位是学生,一位是蓝领。

我们试着代入,如果你是中级肉盾,在这个游戏中会面临怎样的情境?因为游戏规则,你常常与高级玩家PK,结果是PK时常常输掉(挫败感过强),归根到底是因为你的角色只是中级,然后会想“如果我练到高级了,就不怕跟高级玩家PK。”最终,频繁花钱练级,花了钱,却发现永远不可能追上高级,那时正好有个问卷弹出来,你毫不犹豫地说“这个游戏太耗钱了”。

另一个角色,如果你是高级魔法师,因为你等级高,攻击力强,很多人组你打副本,副本对你而言很简单,但手机端的页面总是复杂而庞大,一晚下来,流量用了一半。第三晚开始,队友喊你,你就得用套餐外流量去参与同盟军。两个礼拜之后,月结日发现话费用了100块在超出的流量上,这时你收到一个问卷,你义愤填膺地说“这个游戏太耗钱了”。

上面的例子是想说明,当你读懂了文字背后的那个人,你会发现前者的“耗钱”根源很可能是玩法的成就感缺失,后者的“耗钱”根源很可能是页面的联网响应,二者讲的可能完全不是同一回事。

3. 倾听着用户的话语,与其跟他说话,不如听懂他的话。

有人可能会细心地看到,上面我用了“可能”下结论,说白了,这种代入只是“猜”,你没有任何证据证明这个假设是对的。

没错,不记得哪位名家讲过“大胆假设,小心求证”。如果说前面是如何用“代入”来大胆假设,后面则是如何用“代入”来小心求证。

有了一些粗糙的想法后,作为市场研究者,内心充满了激动和好奇,没有人比我们更想知道自己的假设或想法,到底对不对。这个时候,千万注意,收起我们的激动和好奇。这种先入为主的情绪会成为我们发现事实的障碍。

前面只有文字接触,接下来不妨亲自与用户对话,形式是多样的,电话,面访,现场测试等等。用近乎苛刻的连环追问(这里有技巧,追问的代价绝不能是用户厌烦),让用户自己把自己挖透彻,这个过程可能是痛苦而艰难的,所以你的“代入”变得很重要。只有让用户感觉到,作为同一边的“人”的你存在,他才会愿意做挖掘自己这种艰难的活儿。

案例分享:桌面上放着几款不同品牌的,容量相同材质不同的奶瓶。

请一位中低收入家庭的全职妈妈在挑选的两个中最终选出一个,并且说出原因。两个备选的奶瓶分别是:高端品牌PP材质、一般品牌玻璃材质。最终她选择了一般品牌玻璃材质。她告诉我们,PP材质不知道对小孩好不好,而且自己是全职妈妈,可以照料玻璃材质的,玻璃更安全。
几个环节之后,我们加入这样的内容“为了感谢您,我们额外送您一个赠品,请你随便挑一个带走吧。”结果,她选择了高端品牌PP材质。
这时,你试着代入中低收入家庭的全职妈妈角色,似乎更能读懂她的行为,这个高端品牌可能还是值得信任的,根源可能不在材质上,而在价格上。

有了这个想法,追问她“送人吗?还是BB用?送人我给你包装一下,BB用的话可能加个把手好一些。”
这时她告诉我,“谢谢你,那帮我加个把手吧,高端品牌就是讲究啊,我也给BB试试看。”(表情轻松愉悦)
“试过如果好的话,可以回头光顾哦!”
她稍微用力眨了一下眼睛,扬起了嘴角“呵呵,好,我们先试试~~~”。说到这里,你懂的了。
(话说回来,真诚建议市场研究人员也不妨修炼一下表情动作的心理投射)

4. 与其单独看每个数字,不如串起来读下去,完整地读出一个“人”。

从开放式问卷的广度,到与用户对话的深度,我们一直在拼凑和补充材料,“代入”除了帮我们读懂“人”以外,也帮我们描绘了可能存在的问题,可以通俗地理解为“准备上桌的菜”。这个菜到底能上不能上,材料是不是最终做出这个菜,还得继续“小心求证”。

来到定量问卷阶段,将你的材料组织好,送到用户面前,让他们决定,他们想要什么。用户反馈回来之后,我们进入数据清洗、分析、解读阶段。

这里说一下“解读”。

送到我们面前的是一堆数字,一堆图表,我们任务不是告诉大家这个数字是多少,而是数字代表什么。

第一件要做的事是,将自己每种假设的相关数字聚集起来,考察它们是否可以串成链条(俗称“证据链”),如果可以,很好,假设成立。如果不可以,研究一下,假设的漏洞在哪里,也许会发现一个新的结论。

第二件事是,将用户视角下的诸如行为路径、态度轨迹、需求满足过程等链条相关的数字串联起来,看看是否能完整描绘出“人”的形象。如果可以,很好,又一个结论浮现了,如果不可以,检查一下矛盾或缺漏点在哪里,也许会发现用户分类方法不对,另外一个细分维度可能更有效。

举个简单的例子,你有用户对皮肤的元素、颜色、风格、主题的偏好,串联起来,加上一个合适的细分维度对比分析,会发现年龄不同的用户,社会沉浸经历不同,总体风格偏好也存在差异。再类推延伸一下,会发现社会沉浸经历可能会投射在更多其他领域的偏好上。

有人可能会问,这里好像没看见“代入”。其实,在你做的两件事里面,就已经有“代入”。组织证据链、剖绘形象人这两件工作,需要很好地读懂选项占比以及填选项的人,才能做好。

无觅相关文章插件,快速提升流量