高质量数据是商业智能战略成功的重点

　商业智能主动帮助企业理解无数的数据点、将众多数据库字段转化为用于推动业务的可行信息。但是，并不是每个BI战略都能如想象中那么成功——往往因为没有从高质量的数据入手。

　　不一致的数据可以有许多形式。你可能有一些数据阶层，就像在威斯敏斯特学院里我们一些数据的案例那样。当你剥开层你会发现，可以根据随时间推移而造成的信息变化方式，确定组织历史上的关键时刻。在分析我们的筹款数据里，我们追溯到13年前并发现约4个不同的层的数据。在每一层中数据是完全不同的，就跟不同的副总裁来了又离开了一样。

　　对于正在进行的报告和智能需求，这是一个远离理想的情况，有可能损坏决策。这里有各种解决方案。

　　创建转换矩阵

　　幸运的是，即使有四套不同的代码和数据层，每一层内的所有数据是一致的。因此，创建一个转换矩阵从各个单独的层进行数据映射，使报告和情报系统使用一个共同的、易于理解的数据集。所以一些集成数据仓库的BI系统可以作为配置的一部分。

　　当然，用这种方法有潜在的缺陷：您可能会在每一层内遇到前后矛盾的代码，但你也许可以建立转换矩阵条目来处理这些缺陷，或者你可以在每一层内重新编写不一致的代码。

　　清理历史数据

　　一个潜在的更清楚——但非常困难——处理不一致数据的方式是回查历史数据，并进行数据清理，以便数据从开始到结束都是一致的。这是一个一次性的努力成果，可以简化正在进行的报告和智能工作。然而，历史数据的清理也是一项艰巨的任务，必须格外小心。作为这种努力成果的一部分，你很有可能一直需要在某个地方创建一个转换矩阵。

　　在威斯敏斯特，我们已经结合了这些方法。由于严重的数据质量问题、正在进行报告的困难和业务流程的挑战，我们迁移到了一个新的筹款信息系统，最终目标是重新编码并且使我们历史筹款的所有信息一致。我们的BI战略包括创建转换矩阵，并且已经使我们筹款数据标准化。我们现在与其他地区的校园一起享受更好的整合机会，带来改进以及更有效的业务流程和报告结果。

　　缺少高质量的数据

　　许多BI工作有多种用途。你通常要为当前的环境提供一个一目了然洞察能力，可能需要根据历史表现，排列当前运营。你也想建立预测模型，它可以帮助你更好地根据实际历史表现衡量未来工作的成果。每个目标都需要历史数据和当前数据。当前数据很容易收集——只要它在某个地方能被捕获。如果没有，你需要确定一个数据位置或者创建一个字段，并制定信息捕获的流程，然后你必须走出去并捕获到它。这很容易做到。

　　然而，历史数据的缺乏对你的BI战略来说是一个严重的问题。

　　的确只有两个办法可以解决缺少历史数据。对于大多数的统计模型，在得出任何一种合理的推论之前，都至少需要有三个一致的有充足质量的数据点——例如，具有三年价值的信息的。如果必要的信息存在，但尚未成为你可操作数据库的一部分，做一个审核——追溯过去并将信息送入适当的位置。

　　我们现在在威斯敏斯特有一个BI工具可以根据我们选择的任何因素。帮助我们预测学生的成功——保留。我们愿意考虑参与活动，只要我们发现有可能在某些活动和学生的成功之间可能存在一个正相关关系。我们有一些学生活动的纸质记录，但这些活动还没有成为学生电子记录的一部分。为了作为一个标准来使用，我们要追溯具有三年价值的纸质档案，并将信息输入数据库，然后为BI策略工具创建数据点。

　　伺机而动的BI策略

　　另外，如果不能创造历史数据，我们可以简单地等待，直到我们有足够开始绘制基于信息结论的数据点。这是一个低技术要求的解决方案，将极大地依赖于必须的时间框架来收集一靠的样本数据集。

　　虽然这不是没有高质量数据，BI工作中任何十二都可能出错的详尽清单，请大包记住：许多数据质量问题是可以调整的，无论是通过大量的手动工作或只是在等待收集达到你标准的高质量数据。

（编辑：ASP站长网）