充分利用数据指示器可以为企业带来巨大的商业价值，使用过程中关键在于整体规划和用户体验。 数据指示器软件已经存在很多年了，许多企业可能认为，现在指示器的实现是全自动的，无需人为干涉。但他们错了，这种观点可能会带来严重的问题。 有了如今的可视化商业智能软件，快速建立一个数据指示器对业务团队来说越来越简单，但如果企业对指示器的使用没有章法，那对指示器的投入可能会收效甚微，甚至会给企业带来一定的损失。 咨询公司BI Brainz的联合创始人兼首席执行官Mico Yuk，阐释了企业如何从数据指示器软件投资中获得最大化的收益。Yuk说，虽然技术本身比较简单，但用户需要在开发过程中保持对目标的时刻关注，以确保指示器对业务产生积极影响，从而得到相应的投资回报。 在开发数据指示器时，企业可能犯的最严重错误是什么? Mico Yuk: 大多数企业所犯的第一个错误就是没有花足够的时间来确定指示器的数据来源。大多数企业采用如下两种方法中的一种。第一个方法是将他们的Excel扩展表上传到一个流行的BI工具中，然后开始构建图表，这通常会导致有太多KPI需要显示。 另一种方法是摸着石头过河，逐渐开展数据探索，以期望发现合适的数据来源。但这么做又容易产生缺乏规划的问题，这就是为什么要讨论指示器数据源问题，你需要找到正确的KPI和度量，这是非常重要的。 这是典型的80/20规则。80%花在计划上，而20%的精力集中在执行上。但在商业智能领域，这可能完全行不通。指示器效率低下，十有八九是因为用户并不清楚要用指示器来做什么。 一个企业如何才能让相关人员尽快适应数据指示器? Yuk: 让更多的人参与进来。如今，大量的需求收集会议实际上收集的东西连公司所需的1%都达不到。随着技术的使用，在收集需求的时候，企业应该专注于包容性而不是排他性。 推广指示器的第二个关键因素是确保高层的支持，不一定是C字头高管，副总裁一级的就可以，要确保这些高管对数据指示器有信心。没有什么比自上而下的推广更容易的了。 推广的第三个关键点是要保证所有终端设备上都有可用的指示器和报告。你可能会认为这一点毋庸置疑，但如今很多大公司仍然只重视台式机设备，在某些情况下，有的企业更倾向于ipad。由于屏幕尺寸的限制，手机端被忽略了，除非他们所使用工具有对应手机应用程序，企业才会考虑在手机上显示数据指示器。如果你让其在手机上可用，那么这将帮助你提升20%的软件使用率。你必须清楚用户的大部分时间花费在哪种设备上，毫无疑问，是手机。 最后，持续性也是非常重要的。如果你只是启动指示器，然后置之不理，那你的推广就很难成功。大多数指示器在刚启动时，使用率很可观，但要保持这种势头，需要持续的推广、培训，要对用户需求做出迅速反应。持续性比单纯的部署软件更为重要，它也是大多数企业做的不是很成功的地方。 与其他组件相比，企业应该花多少时间来完善指示器的视觉吸引力? Yuk: 拥有一个外观好看的指示器对其最初的成功很重要，但是整体的用户体验更为关键。现在很多企业花了大量时间和精力在美学设计和视觉感受上，而并没有足够的时间去提升整体用户体验。 我们将需求划分为三个不同的部分。有设计要求，功能需求和数据要求。当你和用户一起工作时，如果你开始构建指示器，并试图同时满足设计、功能和数据需求，那你可能会手忙脚乱。同时处理这三个问题十分困难，你需要按部就班。 首先，我们要做的是让他们确认设计要求。然后添加相应功能，交由他们确认，然后，我们添加真实的数据，这个步骤同样重要。我们将这三个步骤解耦，然后按顺序完成它们。我们发现这种方法可以将范围和需求收集减少到40%。它所做的是让我们有时间专注于可视化本身，而非其他非重要方面。把这些需求分成三个部分，可以节约时间，你会有更多的精力专注于到每个需要关注的领域。 记住，人们花很多时间在视觉层面的根本原因在于，他们做事的顺序从一开始就是错误的，或者他们试图同时完成上面所述的三个步骤。你想讨论图表的颜色，有人说数值是错的，然后你谈论数值，又有人说图表是错的，然后你坐下来讨论两者，他们告诉你下拉菜单功能不正常。经过几百次这样的过程，我们终于把各个方面都解耦了，但这往往需要大家通宵达旦。 如今，由于大数据发展，企业可以获得更多的数据来源，而在BI的早期，他们并没有这么做。这些数据中有多少应该被数据指示器所显示呢? Yuk: 这又回到了我们前面的指示器数据源问题。通常推荐的KPI数量应该是3到5个。如果你可以关注3到5个KPI，这会限制数据源的数量。分清主次往往能解决很多问题。首先，关注这三到五个指标一般就会给你满意的结果，很多情况下，这并不需要大量的数据源。 如果你基于可用数据来构建KPI，那么可用的数据源将会十分广泛。但是，如果你是基于公司的任务和实际目标来构建KPI，并将其付诸实践，那么数据源也就会变得非常具体，大多数情况下，都不需要大量的数据源。 你已经谈到将机器学习引入BI和自动化数据发现过程。你觉得在数据指示器中机器学习扮演什么角色? Yuk: 你有了KPI，数据趋势，然后才会行动。我的理论是，你可以利用人类的智慧来获得KPI，然后使用机器学习来告诉你如何达到目的，或者告诉你一个KPI高于或低于其目标的原因。你还可以使用机器学习来判断哪些方面需要调整或更改以实现KPI目标。机器学习算法应该能够访问您的数据源，协助你更改现有的度量，并帮助你重新排序或调整，以确保它们与业务的相关性和同步性。 我有理由认为，公司的时间通常浪费在下面这些情况中，他们去开会，用公司0.1%的智能知识储备，创建一个完整的KPI数据故事，然而不久之后，有了新的需求，这些步骤又不得不重做一遍。我认为机器学习可以让KPI保持相关性，这样他们就能试用于各种业务逻辑。 在这种情况下，BI与机器学习的融合似乎有些迟缓。你认为其原因是什么? Yuk: 我认为这源于企业的坏习惯。人们倾向于做他们所熟悉的事情。现在面对一个新需求，一般流程是项目主管和工作人员开会协商，确定需求，最后实施。我认为一些业务相关人士有些墨守成规。 这会导致工作缺乏创新，而要对机器建立信任。目前，当一台机器告诉你某件事情的缘由时，你的第一反应还是选择怀疑，这表明人和机器之间缺乏必要的信任。