在当今的商业环境中，高效的竞争者认识到需要使用 BI 及其提供的分析。但是，真正可以脱颖而出的是那些能比竞争对手更快地做出反应、更好地做出决定的企业。

　　自动化决策制定为企业加速并减少错误。

　　企业面临着随处涌现的新竞争者的威胁。在既定行业，旧的竞争对手消失后总会产生新的竞争对手。突然之间，电话公司要同电缆公司甚至电力公司大动干戈。也许很快，银行会发现沃尔玛竟成了他们的对手。

　　有些竞争者拥有的最大资产和优势是，他们是新来者——他们不必受 30、50 甚至 100 年之久的运营基础设施的拖累。出于需要，他们以 21世纪的模式改造企业的运营端，并引入21世纪的IT基础设施提供支持。当然，既有的、成熟的公司也会是有力的竞争对手——但是，只有那些不断改进运营环境的公司才能获得成功。即使在那些不易出现新的竞争者的行业(例如钢铁或汽车行业)，能完善其运营基础设施和 IT 基础设施的公司才会拥有显著的竞争优势。

　　运营的改造通常由流线化(streamlining)和自动化(automation)这两种方式相结合来达成。通过增加系统速度，可以减少动作与反应之间的时延，从而提高效率。而用自动化响应替代需要人为干预的重复的流程和决策环，可以降低成本，并且使得动作更加一致，减少出错。通过流线化臃肿的流程和支持它们的 IT 系统，可以获得竞争优势。

　　运营分析

　　全自动决策支持(如图 1 所示)结合使用了业务规则引擎、规则驱动工作流引擎和自定义代码，它完全剔除了商业智能(BI)的探索-分析-行动(exploration-insight-action)周期中的人员因素。通过这样做，公司可以使行动更快、更一致、更少出错，从而提高效率。

　　图 1. 全自动决策支持

　　嵌入式分析可以实现BI尚未实现的一个重要承诺——用户分析。组成传统 BI 环境的用户使用的功能非常有限，即从依赖于报表、电子表格和其它基本工具的临时用户(casual user)，到依赖于诸如 SAS 之类分析引擎的高级用户(power user)。 但是，对于每时每刻钟都与客户打交道的群体，又当如何呢?在这些交互中，嵌入式分析可以从根本上革新 BI 的使用方式。正是用户的不可见性使得嵌入式分析如此强大。

　　考虑一家信用卡公司的客户服务场景。当客户打电话请求调整利率或增加信用额度时，公司通常将电话转给一个信用专家，以确定客户的信用值和总价值。但是，如果只需按一下按钮，就可以把这些数据点，包括最新的信用报告、客户价值积分和相关的业务规则，提供给客户服务代表(CSR)，会怎样呢?CSR 接收请求，将它输入到系统中，很快就可以看到弹出的回答。这样一来，事务处理的成本更低，业务规则也总得到遵循，并且客户通常会感到更愉快。客户服务代表只需知道按哪个按钮就行了。

　　实时和运营分析

　　实时压力源于多种业务需求，其中很多需要与客户面对面。例如，银行柜员在接待一个客户时，需要知道该客户已经打过客户服务电话，电话的内容以及结果。但是，在另外一些情况下，实时数据可能令人费解，或者明显有误。某些类型的分析(例如保险案例研究)需要某段时间段的静态数据集。

　　要成功地改造企业，还需要实现自动化。自动化很大程度上与实时的概念联系在一起。BI 领域的挑战就在于精确地界定实时对于公司的意义。下面这些问题有助于公司确定需求：

　　哪些业务需要实现实时，哪些业务可以实现实时，哪些业务必须保持暂时静态?在传统环境中，实时就意味着 —— 按下一个按钮，然后这个动作立即反映到系统中。但是，在分析中，实时很少真正意味着即时。在某些行业，被当作实时的事务可能有着多达15分钟的延迟。在分析系统的上下文中，术语实时通常意味着比每夜批处理加载更加频繁的那些事务。

　　实时对于每个应用程序来说意味着什么?一个应用程序需要实时数据，这并不意味着运行系统能够提供它。如果一个应用程序要求在一分钟内得到数据，但是5分钟后数据仍未就位，那么就需要做出决定：是改变运营系统，还是改变需求?

　　当前运营环境如何为分析需求提供最好的支持?对于不同的需求和实时定义，数据时效(也就是说，对于一个特定的应用程序，数据必须具备怎样的时效)成为关键所在。如果一个欺骗检测应用程序需要的数据延迟不能超过1分钟，而风险分析部门需要的相同或相关的数据必须在24小时内保持静态，那么就出现了时效冲突。虽然具有不同需求的相同数据的概念在BI中并不陌生，但具有不同时效性需求的相关数据的概念还相当新颖。如果没有认识到并解决这个问题，就可能导致完全错误的报告。

　　冲突需求会导致怎样的数据时效性问题，如何解决这些问题?有些 BI 应用程序需要从运营系统获得近实时的原始数据(例如当前销售额)。该数据可能需要与几个不同的运营系统源进行整合。另有一些 BI 应用程序可能需要分析不同时期的销售模式和趋势，以及历史完整性。解决这种需求的最好方法也许是使用企业数据仓库。而且，可能有些应用程序需要一个完整的、360 度的客户视图或定制的客户配置文件，以管理客户变动和损失。来自几个来源的原始的当前销售数据完全不同于具有历史完整性的销售数据，后者完全不同于包含销售数据的当前的 360 度客户视图或配置文件。两者都提供了销售信息，但是它们各自代表完全不同的完整性、质量和时效性需求。仅仅维护一种形式的数据不足以解决所有三个 BI 需求。传统的数据仓库可以解决历史信息，但不能解决实时信息或当前信息。运营数据存储可以提供当前信息，但不能解决历史需求或提供 360 度的视图。因此，为了满足现代企业的所有 BI 需求，需要采用其它一些非传统的技术和方法。

　　自动化决策支持

　　BI 系统由两种基本类型的分析组成：独特分析和可重复分析。如今的 BI 系统，大部分需要人为参与才能将这两种分析化为行动。虽然独特的分析通常需要依靠人的智能来做出决定，但是，即使是独特的分析也很可能出现重复，并变为普通分析。例如，当某种特定的情况第一次发生时，可能需要有人来决定如何处理。但是，如果某种情况发生了足够多的次数，那么大家就都知道如何对它作出适当响应了。将这种机械的决策流程交给人员处理，不仅成本增加，速度变慢，也更容易出错。

　　很多分析介于完全独特与完全为人所知这两个极端之间。下面就以银行欺骗为例。对于明显的欺骗交易，系统会自动立即暂停受影响的账户，但是，如果有银行雇员卷入到这样的交易中，那么就需要高级欺骗分析师立即参与处理该交易。在那样的环境中，基于规则的工作流引擎不可或缺。

　　基于规则的工作流引擎由来已久，并且已发展成熟。但是它们很少直接与 BI 环境集成。这些工作流规则引擎可以确保尽可能有效地处理每种情况，从而实现更加顺畅的流程，同时，无论需要多大程度的人为干预，都需遵循业务规则。

　　实现日常的高级 BI

　　在当今的商业环境中，高效的竞争者认识到需要使用 BI 及其提供的分析。但是，真正可以脱颖而出的是那些能比竞争对手更快地做出反应、更好地做出决定的企业。

　　虽然一个精心实现的 BI 环境可以提供令人惊讶的 ROI，但是要想完全实现 BI 的承诺，关键在于运营分析。运营分析涉及到从全自动响应(用 Gartner 的话说就是零延时环境)到日常计算机应用中的嵌入式分析等各种系统。