分析什么是关键
数据挖掘本身并不产生价值，实施数据挖掘后产生的结果才有价值。实际上，数据挖掘只能找出数据上的关联，还不能把这种数据关联关系当成因果关系。例如挖掘发现，“大多数车祸出现在中等行驶速度当中，极少的事故出在高于150公里/小时的速度上。”人们当然不能认为“高速行驶比较安全”，它的真实原因在于“多数人是以中速行驶，因此多数车祸出在中速行驶的车辆上”。
因此，在数据挖掘和分析中，如何确定战略目标尤为关键。企业CEO一般对预测模型的建立都比较感兴趣，预测的目标也比较好确定，比如要预测客户流失，那么“客户是否流失”就是目标变量;要预测股票涨跌，那么“收市价是否上升”就是目标变量。但确定哪些变量作为自变量则颇费周折，换句话说，要确定哪些因素与目标变量有关系，往往是双方各执一词。
数据挖掘的成功要求CEO对期望解决问题的领域有深刻的理解，理解数据，理解其过程，才能对数据挖掘的结果找出合理的解释。拿啤酒和尿布这一经典例子来说，如何去解释这种现象，是应该将两者放在一起还是分开销售?需要摸透消费者的心理才能做出决定，而无法靠数据挖掘得出结论。
数据挖掘的结果是不确定的，要和专业知识相结合才能对其做出判断。说白了，数据挖掘只是一个工具，它可以发现一些潜在的用户，但不会告诉使用者为什么，也不能保证这些潜在的用户成为现实。
不少CIO认为，商业智能就是数据处理，怎么样去分析，分析什么才是最重要的。因为每个企业的情况都不一样，当前战略是什么，所属地区的特点，这些都和商业智能密切相关。商业智能是通过数据建模的方式，而建模是依赖于领导的思路。如果领导的思路不清晰，模型没法去建。
一位制造业的CIO说，“商业智能要实现起来不是太容易，技术上没问题，问题是IT人员和领导的思路不合。因为数据本身就存在，需要的只是加工整理。其关键问题是IT的实施人员不知道领导想什么。要是知道领导想要什么，不用BI也可以。”
鲁花集团信息中心主任姜波的观点是如此，他认为BI的发展不深入主要是因为人为因素的影响。别的信息系统只涉及到流程与业务，或是底层实现自动化，影响不会过大。但BI针对和影响的都是高层，做为信息价值链的顶端，高层领导者的思想尤其重要。
一般的业务系统是满足某一个部门的需求，BI涉及到整个公司的层面。领导只有明确了自己的思路，才能落实到下面。部门需求相对简单，整体公司的未来发展和人的思想有关系。其中，CIO和CEO的语言缺乏翻译也是一个大问题。
CIO的最大困难是不知道领导的要求是怎么形成的。例如市场饱和了，企业要转型，这些都是领导考虑的问题。即使领导提出了需求，CIO也很难实现。
“商业智能我知道很多人想做，但是不知道怎么做，主要是不知道要做什么。”长安铃木汽车有限公司技术管理所产品数据系系长张凯说。
厂商关于商业智能的介绍资料也写得很虚，数据分析是主观意识很强的。因为即便是同样的数据，不同的分析方法，得到的数据也不一样。对企业而言，需要的是要量身定做，要了解企业需求，同行业的不同企业之间的需求也不一样。
张凯介绍，长安铃木有一些报表级别的应用，包括生产的质量分析等。数据库里会出一些固定的报表，什么时候哪些零件会出问题，在什么情况下故障率会高。
“2000年就开始做这种报表，这种报表是战术，不是战略。这些只要自己开发一个简单的工具就可以了，没有提高到战略的程度。如果应用到明年要推出一款什么样的车，这个才是BI。” 张凯说。
一般来说，BI应用的初级阶段是报表级别的应用，或者是为了满足领导某一方面需求的“面子工程”，对企业实际的作用并不大。张凯所说真正的BI要结合企业战略制定，这样的BI应用才达到了最高标准。
BI是一把手大脑的延伸
目前在国内，很多企业把商业智能做成了“老板工程”“面子工程”，仅仅是为了方便经营者了解企业的种种数据和信息。事实上，这种看法是非常片面的，商业智能高效的统计分析功能的确可以为经营者分析和决策提供科学依据，但是其主要的“功效”却是利用分类技术信息将信息消费者使用的决策支持对象分门别类，帮助业务人员解决业务运转可能出现的各种主要问题，提高业务人员的工作效率，从而提高企业的核心竞争力。因此，商业智能的建设需要包括经营者在内的所有业务人员的关注和参与，尤其是经营者。
对于企业的经营者来讲，商业智能是帮助他们建立一个理性的外脑。商业智能可以理解成是对“一把手”的大脑的延伸，借鉴历史数据，建立标准的分析和决策模型，并能够对未来做出正确的预测。
对于BI市场，贾娟认为商业智能的市场虽然规模不是很大，但始终是在增长的。2008年，商业智能的应用开始从面子问题到肚子问题，原来很多企业的应用是跟潮流，主要是为了满足领导想实时了解一些数据的需求，把商业智能做成了面子工程或者装饰工程。而现在是真正有了一些需求，发现商业智能真的可以帮助企业，做一些实事。
“以前大家对BI的期望太高了，认为BI什么都能做，把它看得太高，导致期望越大失望越大。做商业智能应该先从基础数据整理开始，数据分析，数据挖掘，循序渐进地开始。如果基础数据质量很差，想挖掘出有价值的情况很难。应该从数据质量最好的应用下手，先从小处得到一些大家看得见的收益。”贾娟说。
对于如何开拓这个市场，“慢慢来吧，要循序渐进。要知道自身企业的情况，深度上做到哪一步，广度上知道哪些业务需要用到BI。既要培养CIO对业务的了解，也需要了解行业的咨询顾问。我觉得这个东西还是有用的，难的是具体怎么用。”
商业银行向BI迈进
银行是信息化程度比较高的用户，也是在各方面和国外接轨较多的用户。在商业智能方面，银行用户也是走得比较前端的。
凌晨1点，一个用户想从荷兰银行(ABN Amro)的ATM机提取100元现金，但其账户余额只有28元，他的请求遭到了ATM机的拒绝。因为，银行从其数据仓库中调出他的有关信息并分析后发现，他是个高风险用户，之前有过延期还款记录，而且该用户所提款的ATM机位于某娱乐场所旁。
而另一位用户却从ATM机上取到了400元现金，尽管当时，他的银行卡余额仅为128元。原因是银行经后台商业智能(BI)系统分析后发现，他没有任何违约记录，个人信誉很好，并且他所取款的ATM机靠近医院，系统分析认为该用户可能因为家人住院急需用钱。
这是银行为客户提供的真实服务，商业智能为业务一线的服务能达到如此精准的程度。
对于信息化程度高的四大行，早就实施了商业智能。如今，对于中小银行来说，BI的诱惑也在慢慢增大。
“商业智能我们一直想做，早在2、3年前就想做了，当时觉得不是时机。现在准备得差不多了，我们准备明年开始这方面的尝试。”温州市商业银行科技信息部主任文忠说。
之前，由于国内厂商的模型不是特别成熟，用国外的模型汉化，又不是很合适。最近几年，随着国内银行监管慢慢向国外看齐，这些情况都有所改善，直接应用国外的系统模型成为可能。
说到商业智能在银行业实施的难点，吴文忠认为以前国内银行系统重点在做交易，对管理要求不是特别高，数据的颗粒度比较大，不够细。其次，能够比较熟练使用BI工具的员工，熟悉银行经营的人也比较少。另外，有一些银行3、4年换一套信息系统，有的5、6年要换一个。由于银行管理变化很快，不断出台新的政策，引进新的管理理念，系统也要调整，更换核心系统的概率特别高。影响到可用的核心数据，5、6年前做的系统，不是以客户为中心，数据倾向也不一样。
此外，还有一些应用环境和国外不同。比如上面荷兰银行的故事，在中国就不太可能实现。因为国内的个人征信体系还不是很完善，银行可以进行手工连接到人民银行的网站上查询，但人民银行还没有开放系统自动查询。必须由银行柜员打开网站，手工输入用户号，才能登陆希望，进行查询。所以，这种商业智能的应用在国内是不太可能实现的。
2008年，关注商业智能领域的人开始多了起来，应用积累也更多。国外厂商培养了一些本地的服务商，积累了一些应用模型。
“我们银行小一点，自己去摸索不太可能。随着厂商实施经验的增多，国内银行和国外银行的管理差距也逐渐变小。都要遵循一些国际的法律协议，模型的适合度加大。虽然实施商业智能不是一帆风顺，但是早点做，对数据要求会更清楚，知道该怎么去改。早一步进入这个状态，起步也不会太低。”
啤酒加尿布
在美国沃尔玛连锁超市里，尿布和啤酒被摆在一起出售。原来，美国的妇女们经常会嘱咐她们的丈夫下班后为孩子买尿布。而丈夫在买完尿布后又要顺手买回自己爱喝的啤酒，因此啤酒和尿布在一起被购买的机会很多。这个举措使尿布和啤酒的销量双双增加，并一直被誉为商业智能的经典案例。
