用Google的“手气不错”单一答案选项来比喻商业智能系统的魅力是再恰当不过了。如果查询返回的是一个并且是惟一正确的答案，你会觉得手气特好，因为说实话，任何BI问题很少只有一个正确答案。 出色的BI仅仅为你指对了方向。设想一下：选择灰裤子的消费者中有52%同时选择白衬衫，但如果蓝色毛线衫也可供选择，那么只有31%的人会选择白衬衫。因此如果你是一名销售商，想销售大量的衬衫，在得到这一信息后，就会想办法确保蓝色毛线衫不会出现在消费者的视线内。不过就算如此，你能卖出一件白衬衫的机会也只有一半多一点。
要是衬衫销售商知道如果衬衫是蓝色的，则购买的消费者比例可以从52%提高到67%，它会怎么样做呢？如果这样，他一定会大量生产蓝衬衫。但要是他又知道如果向消费者推销蓝色毛线衫，买衬衫的比例就会突然下滑到14%，又会怎样呢？这下他犯难了，如果他没法控制毛线衫数量，就更是如此。
如果他孤注一掷，就会把赌注押在蓝衬衫上，同时希望毛线衫数量有限。但如果他比较保守，那么做出决定之前，他需要更多信息。衬衫和毛线衫销售的重叠部分在哪里？毛线衫颜色有关系吗？每天的时间段有关系吗？所在地区呢？保守的BI用户会不断查询系统，直到最佳方案出现在面前。
这种办法似乎很合理，因为你知道得越多，就能做出越明智的决策。果真如此吗？未必。确切地说，我倒赞同德国哲学家歌德的一句话：“知识越广，怀疑越多。”
不过，大多数最终用户的想法恰恰相反。他们期望直接简单的答案。如果能够像Google的“手气不错”那样，得到惟一、正确的答案，就再好不过了。倘若不走运，最终用户有可能对BI的好处感到恼火、困惑甚至怀疑。
当BI仅由专家使用时，这不是大问题，因为专家知道如何运用BI软件统计的精确性。但正如“BI走向平民化”一文所述，BI工具现在已经被越来越多的员工所采用，而他们并不是统计学专家。
言归正传，大众并不知道怀疑的重要性。不过，BI是通过产生怀疑才真正为商业应用服务的。BI迫使我们怀疑得出的结论、回到初步阶段、重新设定假定和条件。它促使我们思考，而不是给出事实。
BI可以让你从不同视角查询一系列相关数据，以便在一组既定条件下更进一步接近事实，这离提供事实相距甚远。大批最终用户在开始使用BI之前必须明白这一点，否则就有可能做出许多错误的决策，从而导致公司遭受惨重损失。
因此，最终用户必须接受BI培训。不仅仅是培训员工如何使用工具，还要让他们了解为什么要用BI：你需要BI工具帮助做出最佳决策，而不是正确决策。
我们常常因为要获得针对某一问题的正确答案而深入分析太多的信息，但经常遇到的情况是：我们查询得到的信息越多，就越不走运。
莫什·鲁宾斯坦和艾丽丝·菲尔斯滕贝格在《大脑型组织》一书中写道，17世纪的一位欧洲绅士“一生中所接触的信息量还不如现在的一份日报。”这恐怕可以说明为何当时的那些绅士们对自己的世界观如此坚信不疑，从而导致一些毫无意义的举动：发动战争以及在假发上撒白粉。正是因为他们知道的不够多，所以才不会怀疑自己的想法。
在我看来，这正是BI工具的精髓：它不是让你相信自己所知道的，而是促使你去思考更多的问题和疑惑。
出色的BI仅仅为你指对了方向。设想一下：选择灰裤子的消费者中有52%同时选择白衬衫，但如果蓝色毛线衫也可供选择，那么只有31%的人会选择白衬衫。因此如果你是一名销售商，想销售大量的衬衫，在得到这一信息后，就会想办法确保蓝色毛线衫不会出现在消费者的视线内。不过就算如此，你能卖出一件白衬衫的机会也只有一半多一点。
要是衬衫销售商知道如果衬衫是蓝色的，则购买的消费者比例可以从52%提高到67%，它会怎么样做呢？如果这样，他一定会大量生产蓝衬衫。但要是他又知道如果向消费者推销蓝色毛线衫，买衬衫的比例就会突然下滑到14%，又会怎样呢？这下他犯难了，如果他没法控制毛线衫数量，就更是如此。
如果他孤注一掷，就会把赌注押在蓝衬衫上，同时希望毛线衫数量有限。但如果他比较保守，那么做出决定之前，他需要更多信息。衬衫和毛线衫销售的重叠部分在哪里？毛线衫颜色有关系吗？每天的时间段有关系吗？所在地区呢？保守的BI用户会不断查询系统，直到最佳方案出现在面前。
这种办法似乎很合理，因为你知道得越多，就能做出越明智的决策。果真如此吗？未必。确切地说，我倒赞同德国哲学家歌德的一句话：“知识越广，怀疑越多。”
不过，大多数最终用户的想法恰恰相反。他们期望直接简单的答案。如果能够像Google的“手气不错”那样，得到惟一、正确的答案，就再好不过了。倘若不走运，最终用户有可能对BI的好处感到恼火、困惑甚至怀疑。
当BI仅由专家使用时，这不是大问题，因为专家知道如何运用BI软件统计的精确性。但正如“BI走向平民化”一文所述，BI工具现在已经被越来越多的员工所采用，而他们并不是统计学专家。
言归正传，大众并不知道怀疑的重要性。不过，BI是通过产生怀疑才真正为商业应用服务的。BI迫使我们怀疑得出的结论、回到初步阶段、重新设定假定和条件。它促使我们思考，而不是给出事实。
BI可以让你从不同视角查询一系列相关数据，以便在一组既定条件下更进一步接近事实，这离提供事实相距甚远。大批最终用户在开始使用BI之前必须明白这一点，否则就有可能做出许多错误的决策，从而导致公司遭受惨重损失。
因此，最终用户必须接受BI培训。不仅仅是培训员工如何使用工具，还要让他们了解为什么要用BI：你需要BI工具帮助做出最佳决策，而不是正确决策。
我们常常因为要获得针对某一问题的正确答案而深入分析太多的信息，但经常遇到的情况是：我们查询得到的信息越多，就越不走运。
莫什·鲁宾斯坦和艾丽丝·菲尔斯滕贝格在《大脑型组织》一书中写道，17世纪的一位欧洲绅士“一生中所接触的信息量还不如现在的一份日报。”这恐怕可以说明为何当时的那些绅士们对自己的世界观如此坚信不疑，从而导致一些毫无意义的举动：发动战争以及在假发上撒白粉。正是因为他们知道的不够多，所以才不会怀疑自己的想法。
在我看来，这正是BI工具的精髓：它不是让你相信自己所知道的，而是促使你去思考更多的问题和疑惑。
出色的BI仅仅为你指对了方向。设想一下：选择灰裤子的消费者中有52%同时选择白衬衫，但如果蓝色毛线衫也可供选择，那么只有31%的人会选择白衬衫。因此如果你是一名销售商，想销售大量的衬衫，在得到这一信息后，就会想办法确保蓝色毛线衫不会出现在消费者的视线内。不过就算如此，你能卖出一件白衬衫的机会也只有一半多一点。
要是衬衫销售商知道如果衬衫是蓝色的，则购买的消费者比例可以从52%提高到67%，它会怎么样做呢？如果这样，他一定会大量生产蓝衬衫。但要是他又知道如果向消费者推销蓝色毛线衫，买衬衫的比例就会突然下滑到14%，又会怎样呢？这下他犯难了，如果他没法控制毛线衫数量，就更是如此。
如果他孤注一掷，就会把赌注押在蓝衬衫上，同时希望毛线衫数量有限。但如果他比较保守，那么做出决定之前，他需要更多信息。衬衫和毛线衫销售的重叠部分在哪里？毛线衫颜色有关系吗？每天的时间段有关系吗？所在地区呢？保守的BI用户会不断查询系统，直到最佳方案出现在面前。
这种办法似乎很合理，因为你知道得越多，就能做出越明智的决策。果真如此吗？未必。确切地说，我倒赞同德国哲学家歌德的一句话：“知识越广，怀疑越多。”
不过，大多数最终用户的想法恰恰相反。他们期望直接简单的答案。如果能够像Google的“手气不错”那样，得到惟一、正确的答案，就再好不过了。倘若不走运，最终用户有可能对BI的好处感到恼火、困惑甚至怀疑。
当BI仅由专家使用时，这不是大问题，因为专家知道如何运用BI软件统计的精确性。但正如“BI走向平民化”一文所述，BI工具现在已经被越来越多的员工所采用，而他们并不是统计学专家。
言归正传，大众并不知道怀疑的重要性。不过，BI是通过产生怀疑才真正为商业应用服务的。BI迫使我们怀疑得出的结论、回到初步阶段、重新设定假定和条件。它促使我们思考，而不是给出事实。
BI可以让你从不同视角查询一系列相关数据，以便在一组既定条件下更进一步接近事实，这离提供事实相距甚远。大批最终用户在开始使用BI之前必须明白这一点，否则就有可能做出许多错误的决策，从而导致公司遭受惨重损失。
因此，最终用户必须接受BI培训。不仅仅是培训员工如何使用工具，还要让他们了解为什么要用BI：你需要BI工具帮助做出最佳决策，而不是正确决策。
我们常常因为要获得针对某一问题的正确答案而深入分析太多的信息，但经常遇到的情况是：我们查询得到的信息越多，就越不走运。
莫什·鲁宾斯坦和艾丽丝·菲尔斯滕贝格在《大脑型组织》一书中写道，17世纪的一位欧洲绅士“一生中所接触的信息量还不如现在的一份日报。”这恐怕可以说明为何当时的那些绅士们对自己的世界观如此坚信不疑，从而导致一些毫无意义的举动：发动战争以及在假发上撒白粉。正是因为他们知道的不够多，所以才不会怀疑自己的想法。
在我看来，这正是BI工具的精髓：它不是让你相信自己所知道的，而是促使你去思考更多的问题和疑惑。
