商业智能BI真正能智能

本文探讨了OLAP在商业智能领域的应用难点,包括行业业务建模的复杂性、多表查询的困难以及面对快速变化的业务需求时的局限性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

OLAP 是当前比较热门的BI 方法,但其实成功实施率并不高,用户花了不少钱分析建模设计购买前端工具,结果却常常都不理想。

其实道理也很简单。

OLAP 的实施需要对行业业务进行分析建模,事先造好数据立方体,然后才能做查询分析。对于未能想到的需求,没有相应的立方体可用时,OLAP 也是无能为力的。比如我们问一下某机构五年中有连续三年被评为先进工作者的职工,一般的人事数据库中肯定有这些信息,但如果没有建好这个数据立方体时,用OLAP 也没法回答这个人事机构很容易问出且毫无歧义的问题,还是需要技术部门编一段程序或写个复杂的SQL 才能做出。

事实上,OLAP 的模型原理只能去处理已经立方体化的数据,也就是仅解决了单表的查询变换问题,而现实应用中难以对付的的大多是多表查询,单表查询怎么都容易处理。OLAP 则最困难的多表变单表工作转嫁给了建模工作,这需要有业务经验的人来完成,而且门槛高效低,所以这个 也就很难 了。

然而对于国内的业务,即使这样做,仍然不行。中国政治经济规则正处于不断的变革之中,我们即不能直接照搬美国现在的模式(那就有人要造反起义了),也不能停着不改(那我国肯定要被开除球籍了),只能一步步地改革。这种情况下很难有严格意义的行业专家,无法预测可能出现的变革,建出来的模型基本上毫无稳定性而言,刚弄好就又变了。而OLAP 的实施又严重依赖于行业建模,这么一来,采用OLAP 方案,这个干脆就没法 了。

其实不光BI 是这样,业务系统也是这样,国内的应用系统常常从建好上线那一天起就开始维护打补丁,二三年后又推倒重来,不是开发商能力差,就是业务变化快需求无法预测,有过做项目经验的同仁们必都有同感。而美国不同,业务相对稳定,许多行业至今在用几十年前用COBOL 语言写的系统。适用于美国的BI 到了中国就必然地屡战屡败。

可怜的商业智能,何时才能智能起来?

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值