引言
　　商业智能(Business Intelligence)正在象旋风一样席卷国内。面对激烈的市场竞争，企业高层们必须能迅速了解企业业务经营的全貌，以便在重大问题上作出正确的决策，才能灵活应对客户需求和竞争环境的变化。如今企业迫切希望用于决策和监控企业绩效的信息直接和企业的业务流程相集成。这种业务流程和集成是未来绩效管理的一个核心要素。另一方面，随着越来越多的BI和BPM(BusinesPro.5业务流程管理)软件商认识到了两者之间集成的重要价值，“流程到数据”的解决方案将逐渐流行。Fore就公司的首席分析师Keith认为企业正在寻找一个更好的方式把决策流程和现有的工作流结合起来，以便改进企业绩效: 要做到这一点，BI(CorPorateorBus主nessperfo。如nagement，企业绩效管理)解决方案必须包括一个连贯的机制来定义和使用预设的流程，同时B限也必须包含有分析和报告企业绩效的机制。BI和BPM软件的市场发展变化情况也促使两者之间建立更为紧密的联系。
1.BI和BPM的市场动向
(1) BI的市场趋势
　　BI是一类由数据仓库或数据集市、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的，以帮助企业决策为目的的技术及其应用。激烈的竞争和不断变化的商业环境使Bl 不再被认为只是一套技术工具，而是用来描述整个企业中使用数据、分析信息、制定决策和管理绩效的规则。IDC的报告显示，2004年亚太区(不含日本) Bl软件市场规模为2332 亿美元，预计该市场将以12.3%的年复合增长率迅猛增长，到2009年市场规模将达4.173亿美元。在美国，2007年2月Gartner的一份调查报告中，BI被列为207年CIO们优先考虑的十大技术之首。
　　(2) BPM的市场趋势
　　同样在Gartner的报告中，BPM被CIO们关注的程度仅次于BI。业界也逐渐意识到BPM抽解决方案不仅局限子建模以及流程监控、管理和优化方面的自动化。随着对BI和BPM 的兴趣日渐增加，人们开始考虑将两种技术相结合以便获得更多的商业价值。BI和BPM的结合能帮助公司更精确地调整和优化流程，对各种事件更迅速地作出反应，从而避免问题的扩大或者能更快地发现市场机会，提高客户的满意度。
2.BI和BPM的集成方式
　　BI和BPM集成的方式有三种：BI在流程之上、BI内嵌于流程之中以及事件驱动的BI。这三种方式对应的情况分别是BI把流程作为数据源、流程作为BI的消费者以及BI使用流程来增加提供给用户的价值。下面分别讨论这三种方式。
　　(l)BI在流程之上
　　通常对于流程中发生的事很难有清楚的了解，如在某一步骤中事务的数量、它们的价值以及在流程的各步骤间事务处理的时间。通过及时发现流程中的瓶颈(特别是高价值或高成本的地方)，管理层可以调整资源的分配来改善流程流和企业绩效。管理层不应只关注流程中的事务，而必须放在整个企业的大背景下来监控和管理流程，并且仔细考虑任何针对流程的决策可能对整个企业的影响。例如管理层可发现在流程的某个环节急需增加人手，但如果不知道这些人的工资成本等信息，管理层就无法了解增加人手后对成本的影响。可见对于流程的理解、监控和管理都必须考虑到企业管理大环境。要做到这点，建立针对流程内外数据的单一的元数据模型是十分必要的。这个单一的元数据模型让用户拥有报表、专门的查询、记分卡、分析和事件处理的能力，以便能有效管理联结着企业其他信息源的流程，获得一个完整的概貌;用户因此可以在Bl 中聚合流程信息和公司信息。按照这种方法，管理层就可以知道单位人员、单位时间所能处理的事务量，结合人力资源信息，就能了解每个事务的成本。有的流程可能跨越很多独立的系统，此时进入特定事务或特定流程的数据就有一定的困难。这种情况下的解决方案是对流程的关键步骤抽象出一个模型然后通过适配器来获取需要的信息。BI能帮助获取这些数据，从而为流程提供了可见性。使用BPM作为数据源满足了市场趋势，即把B的应用遍布企业的各方面以及各种数据源，以便于监控、管理和优化业务流程使其符合企业的整体利益。企业可以通过记分卡来协调操作层面的运作使其符合企业战略:仪表板和事件管理软件可以监控和管理流程，并能迅速作出响应;报表和分析软件则帮助优化流程，提高企业绩效。
　　(2)BI内嵌于流程之中
　　BPM中包含大量流程相关的事务信息。但外部的信息很少，这降低了在流程中决策的效率和质量。用户往往没有足够的信息来支持决策，只能向企业的其他部门请求信息并等待，这就减缓了流程的运行并给他人增加了负担:甚至由于种种原因还不能这样做用户就只有在没有全面了解情况下作出决策。例如，在不了解盈利能力、风险、库存情况以及客户的消费历史等就作出了打折促销的决定.在 班 解 决方案的架构下，可以把Bl 作为流程的一部分，根据用户的角色和需求来推动信息的流向。对于内容高度集中和可以预先定义的信息请求，大多数情况下都可以取得很好的效果;对于更偏管理型的流程，实际的信息需求可能不易说明。此时更好的方案是提供一系列提示性的报告、特别的查询或分析能力给用户，引导他们自行发掘出所需要的信息。一些B 即生产商在其解决方案中提供了内容管理的能力，可以存储决策中使用的Bl 内容。这些内容可以用于审查流程、理解信息需求以及改进流程，推动信息流向合适的环节。把流程作为BI 的消费者满足了优化流程的需求，使BI能得到更广泛的应用。决策者因此可以更好、更快地决策，需处理的异常或返工会变得更少。同时，也更便于审查流程，找出决策制定的依据。
　　(3)事件驱动的BI
　　流程帮助企业和个人以一致的、可重复的方法来处理任务。BI的使用和流程不同的地方在于其内容是定期提供的而不是针对某种特定的事件。BI中的事件驱动是利用现有印的平台，结合新兴的通讯技术，按照事件类型的不同，将不同的信息主动地发送给不同的用户，使用户在恰当的时刻拥有恰当的信息。这种事件管理的能力可以使Bl 的用户更加关注于应优先处理的事情。当某种重要事件发生后，BI的内容会被提供给有关人员以便作出响应。例如在对某供应商的监测告瞥的时候启动供应商检查而不是固定的每月一次，这就会提高效率和更加灵活。当不同的事件发生后，系统会通过电子邮件、报表、短信以及动态门户消息把相关信息提供给不同的用户:在某些情况下，甚至可能会自动更新其他系统。在事件生命周期的不同阶段用户会需要不同的信息，通过事件管理可以把事件、人和信息动态绑定在一起。企业利用事件管理技术可以帮助个人更加关注相关的事件，掌握的信息也更全面。这将会缩短响应和解决问题的时间，使决策者及时获得帮助信息，并提供一致的、可重复的处理方法。
3. 结论
　　利用商业智能来管理和优化业务流程可以帮助决策者在考虑企业的整体伏况下更快、更科学地决策，避免孤立地管理流程。而决策者置身于流程之中并以一致的方式来处理事务又可以帮助商业智能的用户更加关注于应优先处理的事情。
文章来源：计世网

• 实现技术及原创程度
　　国外产品中 StyleReport 是纯 JAVA 的，而常见的 Crystalreport （水晶报表）、BO都不是纯 JAVA 的。
　　除了采用的技术外，其技术的原创程度也是个较重要的指标，它能够在某种程度上体现公司的研发能力以及产品的后续升级能力。手中不掌握原创技术的厂商无法对产品有完全的控制，其产品发展将严重受制于人，显然不适合与之长期合作。
  所有国外产品都是原创技术的，国内产品中的润乾报表、用友华表、中创 InforReport也都有原创技术，可以放心长期应用。
• 绘制方案
　　从绘制方案上分一般有 网格式 和 控件拖拽式 两种，前者采用和 EXCEL 类似的方案，用网格线围出报表；而后者则是用矩形框等元素拼出报表。
　　国内报表对样式要求非常复杂而且严格，绘制方案是报表工具相当重要的指标，它决定了报表样式的复杂度和绘制效率，以及导出Excel的能力（这是用户很强调的功能）。
　　网格式在这方面有明显的优势，能够画出样式很复杂的报表，绘制效率也比控件拖拽式高出 10 倍以上，而且导出 Excel 时格式上不会失真。相反，控件拖拽式则显得非常笨拙，表格线需要靠矩形边框重合摆放拼接出来，常见的复杂多层表头画起来非常繁琐，数据区某些纵向合并格甚至无法绘制出来，拼出的格线还与分辨率相关，屏幕上对齐的表在打印时或在 WEB 上显示时又可能不整齐，生成Excel时经常丧失格式或导致格线太多太细而无法应用，读入Excel格式则更是完全不可能有的功能。
　　国外产品中除 Actuate 中提供的 SpreadSheet 是采用网格式外，其它全部采用控件拖拽式（从另一侧面能反映国外产品对国内需求的不适应）。国内产品中润乾、用友华表、中创 InforReport 、杰表、采用网格式，而博易智软、和勤、如意报表、数巨报表则采用控件拖拽式。
• 报表打印方案
　　打印是个非常重要的展现环节，一般会有 HTML 打印 、 控件打印 、 JavaApplet 打印 和 生成 Excel/PDF 打印 几种方式。 HTML 打印不够精确，一般用于信息输出是可以，但很难用作正式格式的文件；控件和 JavaApplet 都能够实现精确打印，与控件相比， JavaApplet 从协议上没有安全问题，但又不能一次下载，若不大还可接受，否则也很不方便；生成 Excel/PDF 再打印能保证精确度，但要求客户端事先安装好相应程序，解决方案也不一致，有时也不是很方便。
         所有的纯 JAVA 产品（无论国内外的）都提供了JavaApplet 打印机制；国内产品中润乾报表提供控件展现和打印报表的方式，可以满足国内所有对报表展现和打印的需求。
　　每个厂家往往都说它自己的软件是最易用和强劲的，所有这些报表工具都号称自己比竞争者更擅长对付中国报表，而实际上每个产品都有优点和缺点，都有自己擅长的领域，关键是根据你的需求选择最适合的软件。
　　在目前国内报表千差万别的情况下，选择一个报表工具，除最直接的价格与服务因素外，产品本身的品质更是相当重要的指标。未来报表组件产品还将保持稳定的市场规模，而报表插件市场还将持续快速增长。为适应新的竞争形势，在报表工具的开发上，尽可能做到简单化与人性化。目前，包括润乾报表、用友华表在内的许多国产报表软件已经广泛应用到财务、电信、医疗、农业、军队等领域，并深受用户好评。这些成功案例证明，具有自主知识产权的国产报表软件产品已经可以满足目前客户的需求。随着用户认知程度的提升，市场需求将进一步明确，国产软件厂商将在这一过程中逐步确立并巩固领先的位置。但是，今天的企业已经不满足于对数据的简单存放和处理以及展现，而对数据的内在价值提出了更高的要求。因此具有数据挖掘和分析的报表功能或平台将会更符合用户的青睐，期待国内报表厂商有更好的表现。

       开放源代码软件（open source software，简称：Oss或开源软件）是一种源代码公开的软件，这种“公开”正是促使人们使用它的原因，因为这意味着用户可以自由的使用、复制、散发以及修改源码（补充漏洞，按具体需求定制功能）。
优点：
        之一：不用花钱
        之二：JAVA报表共同的优点
        之三：有源代码，自己可以随心所欲
开源报表工具缺点也很明显：
        缺点之一：功能有限。这些开源工具普遍功能弱于哪怕是很初级的JAVA报表产品。
        缺点之二：没有支持。虽然有社区、资料，但这和厂商的支持是根本没法比的。在论坛里，像“请教高手某某问题如何解决”这类的帖子比比皆是，发问者往往也是在线等答复。问题如果有解也就罢了，无非是有答案的人什么时候给答案。如果碰到的正好是个没解的问题呢？或许会有热心观众参与讨论，解决办法还得自己想。掰着指头算算，花在这问题上的时间、人工成本，够不够买一个收费的工具？
        缺点之三：学习、使用成本高。虽然不用花钱，但要投入大量的学习成本，这还可以算是一次性的。更重要的是，如果使用起来，由于其功能的不足和存在的缺陷，要在报表的设计、部署等方面持续花大量的时间，这种使用成本，除非只是做极少量的报表，否则根本没省下钱来。
        价值评估：开源报表工具，对于学习应该说是非常有用的。但是如果作为商业应用，则完全不应去考虑。
        如果一个开放源码产品不能很好地满足一个组织的需求，而另外的一个私有软件却可以，并且得到一个满足特性的私有软件的成本比再开发修改一个开放源码产品的成本高的话，最好不使用开放源码软件。
        从社会的分工的趋势来看，工作一定是越做越专业，分工一定是越来越细致。就报表行业看，最理想的情况应该是：专业报表厂商应该是开发商的一个外围研发中心，每家开发商出一些钱（在项目中使用报表工具）给报表厂商，而厂商则专注于为各家合作伙伴解决报表问题。
        那买一个报表工具的成本要多少？
        3000 元的报表工具，纯 JAVA 的，还有专门的支持和培训，运气好的时候还能赶上促销赠送，有兴趣的可以试一试快逸。
        所以，再碰上选择报表工具的时候，一定不要怕跟老板倾诉：报表制作其实是很专业的的活，花钱买一个工具比用开源工具划算，这跟你的开发能力无关，你要做好的是你的业务系统。

企业就如同一辆汽车，领导者把握方向盘，驾驶驰骋的同时，需要从海量的数据中看出端倪，洞察商机。而其间曾经被认为是“旁门左道”的商业智能(BI)已经跨入“主流社会”，承担起企业提升数据价值的重任。
明确商业智能的价值
BI通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智业务经营决策的工具。它所能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的。明智的经营决策不等于正确的决策，BI工具的精髓在于促使企业去思考更多的问题与疑惑。商业智能到底该为企业解决哪些问题?SAP&BO咨询师高云龙认为，第一是了解过去; 第二是发现问题分析原因; 第三是预见未来; 第四是实时商业智能; 第五就是让机器自动做决策。
了解过去，就是让领导和企业的管理层和决策层了解到企业当前的运行状态是什么，发生了什么事情。以前通过纸质报表来体现的，现在有更好的形式，比如液晶大屏幕显示墙，通过这种模式，让企业领导一目了然地看到企业所有的指标。如果发现有异常存在，可以通过多维分析工具或者机器查询工具分析原因。当某些事件发生时，通过数据分析对市场各方面运营会产生什么样的影响，这就是一种数据挖掘的预测。根据过去五年来，企业或者市场的发展情况，预测未来一年的销量，决策如何投放资源和力量则是传统预测。实时商业智能是一种较高的智能境界，在行业竞争激烈的态势下，对信息的时效性要求更高、更准，例如有些厂家促销活动半天后，立刻需要知道促销效果。这样就需要将历史数据与ERP系统或者业务支撑系统里面来的实时数据结合起来。
最重要的就是业务战略执行，这是最高境界，也是BI的最大挑战。在这一过程中，机器能够自动做一些决策。例如在保质期与价格的管理上，面包店保质期为三天，第一天卖10元，第二天卖8元，第三天卖3元。如何让机器自动调整价格，做出决策都是BI应该自动执行的。
实现数据图形化
心理学家在测试中发现,绝大数人对图形的认知能力远远超过对数字的认知。如何能够让海量的枯燥数据更易被接受?如何能让企业得到更好的数据应用效果?如何提高业务数据分析的效率?为此，某些商业智能软件公司推出了数据图形化产品，利用图形的先天优势再加上后天技术，让用户不再为数据头疼。
动态图形化数据的制作简单便捷，通过Excel建立数据模型，后将Excel数据模型通过专门软件工具导入到它的环境里，再通过一个个简单拖拽和设置建立它的关联，最后导出到PPT，或者PDF、Flash等格式文件，四步便完成了操作。
中国石化北京石油财务部马力强日常工作中分析的数据，有从公司ERP软件中获取的，有从手工报表中获取的，基本有七八十张报表。马力强介绍，报表数据要求在120分钟的时间内清楚明确地呈现给领导，这是财务部进行数据整理的一大目标。传统方式的数据展现已经不能满足需要，而动态的图形化数据有着引人入胜的展现方式。
马力强介绍: “在对上百项费用分析中，数据图形化首先对费用进行归类，把所有的费用根据部门的需要、实际情况与领导关心的内容，分为十大类，再把所有东西放在一张表上，这样所有费用所占比重都一目了然。此外，图表还有针对不同变动状况和趋势的分析。动态表格中提供趋势增减图，绿色代表增长，红色代表下降。不仅每项费用的变动趋势，而且每项费用的增减状态都能直观看到。预算对比状况中，如果哪一项费用超了预算，可以找到各个中心。因为组织架构是按照各个中心来设计的，有销售、直售、材料批发等，因为什么原因超了，可以进一步向下钻取，进一步向下进行细分。”
进行数据整合
企业从数据源抽取出所需的数据，经过抽取、转换和装载，即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图。为获得准确数据，打通应用系统间的有效沟通，ETL的重要性不言而喻。
首钢第二耐火材料厂ERP工程师陈冲介绍，首钢在行政规划上面分成各个不同的分厂，包括耐火材料厂、热轧厂、冷轧厂、炼钢厂等。每个分厂在不同时期建立业务系统、生产系统，不同系统在不同时期由不同厂家完成，必然其技术接口、数据形成的标准都不相一致。数据的来源也不一致，例如导灌站使用ERP 系统的数据，捶压使用国内集成商的系统。为此首钢使用了数据集成理论方案来进行数据的整合，在短时间内完成首钢的需求分析以及真实的设计、制作等。
如何保障ETL的大量进行呢?博易智讯公司咨询师柴岳强认为，在完成大数据量的数据存储交换中，系统升级和迁移的时候，必须有稳定性能高的引擎支撑来保证老系统和新系统之间的平稳交互，并且在新老系统同时运行时，要高效地将老系统数据一次性导入新系统。数据接口从各个不同分离的数据源里抽取数据，具有多种数据接口即意味着联通性越高。
整合商业智能平台
建立商业智能的标准构架，可以节约成本。充分利用资源，通过统一平台、统一界面、统一培训从而提交深层次的商业分析与决策，这是BI服务中的一大课题。将企业内部所有方方面面，不同部门的数据，整合在整个应用平台上。在这个共同开放的应用平台上，不同的人通过不同的权限了解到最准确、最及时的数据，这样来帮助企业不同部门的决策层，做出精确的判断和分析，为企业带来最佳的绩效展现。
高云龙介绍，商业智能平台功能包含数据报表与分发共享，而更多隐性的平台功能不常被用户所发现，例如保障数据来源以及可靠性的数据仓库、贯彻企业经营管理的数据分析与模型、提供精确影响所用关键指标的数据挖掘以及常备的数据备份和恢复等。
北京首都机场规划部俞勇表示，在首都机场的BI平台建设中一直遵循这样的规则: “首先，统筹规划，化零为整。现代化的机场已具备大量相对专业和相对能满足局部功能的系统，但缺乏完全的统筹规划。因此，所有的单独系统必须按照统一的标准构架来进行规划。其次，统一标准，化整为零。在化零为整的基础上，把所有数据全收在这一平台上。因为个性化的满足放在大的系统构架平台中将很难满足业务要求，因此在建设中，都将通过整个平台进入数据中心，这样各个用户的要求也可以在这个平台上完成。第三，分工协作，有机互补。各种系统和平台的建立，使平台间相互重叠和相互交叉，在找出众多平台与系统的共同点后，做成一个单独的系统平台，每个有需要的人都可以在这个平台上查找出所需的数据。”
http://www.chinabi.net/Article/binews/200807/1127.html

BI领域始终存在着建设数据仓库还是建设数据集市、自上而下还是自下而上的争论，而在实际建设中，自然不会有人完全按照某种理念去做，比如在电信公司的数据集市建设中，地市公司的特殊情况与总部规范之间的博弈就成了一大难题。

　　自上而下 VS自下而上

　　刚进入BI领域的时候，感觉到处都在说、都在做“数据仓库”，而现在，很多地方又开始说建设“数据集市”了。只是，如何对数据仓库和数据集市两者做出一个明晰的区分，却始终是个问题。

　　从字义上看， “仓库”可以想像成一所大房子，高高的货架，合理的出入路线，是一种集中存储货物的地方，一般顾客是不来参观访问的； 而说到“集市”，就容易联想到空旷的场地，川流不息，大小商户摆出摊子，卖衣物的、卖烧饼及卖艺的，是让顾客来消费的地方。具体来说，数据仓库仅仅是提供存储的，提供一种面向数据管理的服务，不面向最终分析用户；而数据集市是面向分析应用的，面向最终用户。

　　如此理解比较简易，但是用这样的比喻来定义数据仓库和数据集市之间的区别却未免过于浅陋。比如数据仓库也可以被直接访问，而数据集市也提供存储，而且这样区分似乎就表明，数据仓库和集市必须都存在才能为最终用户所用。事实则并非如此。那么，这样看起来，它们的区别似乎仅在于规模大小不同了。但如此一来，又有问题了，比如多大才算大，多小才算小呢？这也得相对而言，譬如电信公司的数据集市恐怕就比一个玩具厂的数据仓库大出几千倍。

　　其实，换个角度来看的话，这两者之间的区别正是自上而下和自下而上辩论的产物，也就是Inmon和Kimball两派在产品应用中的具体体现。

　　理想的“自上而下”，即一个企业建立唯一的数据中心，就像一个数据的仓库，其中数据是经过整合、经过清洗、去掉脏数据的、标准的，能够提供统一的视图。要建立这样的数据仓库，并不从它需要支持那些应用入手，而是要从整个企业的环境入手，分析其中的概念，应该有什么样的数据，达成概念完整性。理想状况下，数据仓库建成以后，因为数据是标准的，没有太多冗余，数据质量得以保证。因此，报表、OLAP以及其他任何统计分析应用都可以从中获取需要的数据。然而，这仅仅是理想，多少有点形而上的做法，有些过于追求事物的本质。

　　而“自下而上”的做法，则是强调应用决定数据，有什么应用就获取什么数据。理想状况下，一项分析应用只需要刚刚好的数据。例如人力资源部门的数据集市，就不需要市场推广的数据，那么这些数据将不被纳入该集市中。很明显，这也是理想化的，因为需求是不断变化的，今天人力资源可能不需要市场推广数据，但是如果哪一天需要分析员工做市场推广的成本收益，恐怕就需要这些数据了。

　　当然，在实际项目的建设过程中，谁都不会傻呵呵地完全按照绝对的自上而下或是自下而上的方法去做。

　　就国外成熟数据仓库厂商的理念而言，大多是以自上而下为主，采用Bill Inmon的方法，先建立一套完美的EDW（企业数据仓库），并且他们通常针对行业已经设计出抽象程度比较高的概念模型，可以根据实际环境生成逻辑模型和物理模型。在构建完美的数据仓库的时候，设计者会考虑最终有哪些应用，根据应用做取舍。一般来说，数据仓库是分阶段的，譬如第一阶段主要服务于市场部门作市场分析，那么，建设者就很可能“偷工减料”，像员工信息、财务数据反正也没人用，便舍弃它们。由此，一套完美的EDW真正落实下来，往往因为受到项目周期、人员经验所限，最终会变得面目全非。

　　与国外相反，国内集成商的做法大多是自下而上。其中一部分原因在于周期和人员的原因，老板要求尽快上线，客户要求尽快看到结果，而这个时候恰好就是Kimball方法的用武之地。建设者会针对应用快速建立数据仓库（注意，这里仍然叫做数据仓库，似乎大家也不愿意叫做数据集市，可能那样显得有些小气吧）。实际上，如果比较采用两种不同理念完成的第一版本，我们会发现，这两种交付版本竟是如此相像。

　　数据集市的建设难题

　　从前几年电信行业的经营分析系统建设可以看出来：无论移动或是联通，都不会将经营分析系统称为是数据集市系统。可在一开始，这些系统恐怕都仅仅是服务于少数部门的。

　　几年前，中国移动开始在全国少数几个地市开始数据集市的试点，这才算真正有了个“数据集市”项目。之所以有这种项目，是因为经营分析系统不能满足地市公司分析的需要。当然，也不排除厂商、集成商在其中煽风点火的作用。

　　其实，这对移动公司来说，几乎可以算是一件很令人恼火的事情了！本来，建了几年的数据仓库，是要将数据集中起来，提供分析功能、辅助决策。可后来却发现，数据量太大不说，地市公司人员访问也不方便，甚至还绕开数据仓库，直接去生产系统里面取数据。此时，原来忽悠数据仓库的那批厂商集成商又上门，开始忽悠起数据集市了。三年前，他们说，“数据要集中，提供唯一的数据视图”，三年后，他们又讲，“数据要分布，便于用户的访问”。

　　那么，到底该怎么看这个问题呢？事实上，如果辨证地来看，如此两种看上去截然不同的言论也确实能找出一些“交集”。说集中，三年前有的省分公司已经达到BOSS系统的集中了；说分布，不是有逻辑和物理数据集市之分吗！所谓逻辑，就是在现有数据仓库中建立一些视图或表，专门给地市使用；而物理，就是将硬件、软件放到地市，让地市公司自己玩儿。总之，以前好不容易将数据从地市抽上来，如今经营分析系统里转了一圈，再还给他们，移动公司还真得仔细想想这是否值得。

　　从实际建设情况来看，有的地市有钱，就建设独立的数据集市，有独立的硬件、软件；有的地市没钱，那就和其他差不多级别的地市联合起来，共用一个数据集市，建设所谓联合型数据集市。招都想绝了，以至于差不多都忘了数据集市究竟是干吗的了。而对于地市公司的员工来说，他们本来就不是对技术很熟悉的人，好容易学会了从BOSS系统里面用SQL统计点数，经营分析系统来了，于是重新学习从经分取数；如今，数据集市又开始建设了，新一轮学习当然是少不了的。在具体应用上，如果这个集市能够提取相应的数据当然好了，可就怕和经分一样，想提取数据，告之要等两个星期，那样，数据集市还是没有作用。

　　数据集市的另一重要功用是分析应用。虽然目前已经规划出名目繁多的专题，诸如离网预警、竞争对手等，可要将它们在不同的地市用起来，问题就大了。专题的应用重在流程，和具体的组织结构要关联起来，但各个地市公司情况并不一样。比如有的地市市场部比较强势，在数据分析中占据领导地位，而有的地市则是IT支撑比较强势；有的地市会为某个专题设定相应的组织结构，有的则不重视，因为那个专题要解决的问题根本不是自己最关注的，更谈不上耗费宝贵的人力在它上面。

　　不管移动或是联通，都是总部出规范。如今，移动新的经营分析规范、数据集市规范都已出台，这些规范都是挺大挺全，可并不完全适合所有的省分和地市公司。虽然让省分公司自己去搞经营分析系统、省分公司让地市公司自己做数据集市都存在难以控制的风险，但是，如果考虑到经营压力和急迫的分析需求，地方公司的意见无疑正在越发得到重视。

        需求不断扩大、厂商重点投入、用户理解加深，商业智能(BI)软件应用的“躁动”日渐强烈，它已成为企业必备的关键工具，同时在企业中的需求也迅速增长。
　　据调查，BI将不再被视为一种独立应用在企业里实施，它将与现有各种的复杂架构相融合。例如一些企业用户渴望BI能成为他们工作的一部分，与公司门户和企业搜索紧密集成，并且内嵌到企业业务流程及其它应用中，最后通过移动设备来访问。
　　但在企业实践过程中，CIO们发现BI很难应对多种应用、平台和数据源，不能进行及时有效的管理，因此他们认为最好的方法就是SOA来简化集成BI。
　　专家说，SOA架构所独有的特点能充分满足企业在BI解决方案上高效、可靠，灵活的需求，可以协助企业挖掘出BI部署的价值。针对SOA的特点，专家具体分析如下：
　　1.利用SOA基于标准的开放式架构集成BI解决方案和其他程序
　　SOA是基于标准兼开放的，他们为企业提供了BI解决方案所需的灵活性，协助他们调整现有的IT基础架构，避免了功能重复。一套基于SOA的BI解决方案可以在任何网络服务器上运行，并与现有的路由器和防火墙相匹配。统一的API也确保了解决方案能够轻松与其它程序集成。
　　2.SOA架构灵活、位置透明 符合BI数据和用户分散的特点
　　企业通过SOA可随时调整现有的基础架构，可以在现有的硬件、数据库和应用服务器上运行任何基于SOA的软件。同时，SOA也具备了位置透明的特点，即能够在网络上的任意位置定位服务。这类灵活性完全符合BI数据与用户的分散属性。譬如IT人员打算紧靠大型数据中心来提供查询服务，以避免在处理请求时所产生的延时。而通过位置透明的服务，IT人员就能采取最有效的部署战略，根据用户、数据与基础架构的具体情况来优化解决方案的绩效。
　　3.SOA的点对点与松耦合性使BI数据集成
　　企业在部署了SOA架构后，任何一种服务都能进行完整的容错，任何要求均可通过系统服务器上的同类服务来处理。在解决了单点故障问题后，IT人员会对BI部署更具信心，继而在用户社区建立信任，并由此扩大BI的过渡范围。
　　这种点对点服务具有松耦合的属性，即无需了解其它服务在做什么，运行在哪里。商业逻辑被剥离到底部架构之外，从而保障了数据源的轻松集成。比如那些打算在数据处理高峰期保持稳定与可靠性的IT人员可以根据点对点服务来调整开发与测试环境，在满足服务等级承诺的同时，无需投资额外的硬件。
　　4.基于界面与粗粒度服务使SOA和BI完美结合
　　基于界面的SOA能让各服务之间进行通讯。通过使用SOAP和XML来进行服务互动，交换数据、参数与处理结果。随着从移动设备到企业搜索工具等对BI访问能力要求的不断提高，通讯协议的可用性和开放式API的重要性也在逐步抬升。
　　粗粒度服务也是SOA与BI一拍即合的主要原因，它将服务定义在了商业层面，而非应用层面。这有效降低了网络流量，并简化了集成。粗粒度服务允许跨越各种流程和应用对这些服务进行循环使用，因此它是有效部署解决方案的关键要素。
　　此外，粗粒度服务对BI的信息访问方式也有着举足轻重的作用。对用户而言，他们需要的是以最快的速度获取解答，不管该解答是来自于标准报表还是特殊查询，也不管信息是通过BI应用、移动设备，还是其它应用来访问。因此，在相应的层面建立通用服务是实现这一点的关键，这样就可避免在服务之间进行多次传递而提高延时。
　　粗粒度服务同样也是企业BI灵活性的一大保障，为了在多种环境中提供广泛的BI访问能力，并让所有用户可用，就需要部署一套能对变革做出快速反应的架构。
　　通过针对所有基于目的的BI功能建立一套常规的粗粒度服务，BI解决方案就可以对新需求做出快速反应。部署得当的SOA基架能确保新技术的快速可用，而无需作为一种单独的解决方案来进行建立及维护。
　　该技术专家说，企业应当将基于SOA的BI解决方案视作为成功的重要条件。借助SOA基于标准、点对点和统一、开放式API的特点来让IT充分利用现有的平台、操作系统、硬件和安全控制。这种开放性也意味着需要部署及维护的活动组件将会减少，从而为公司营造一套有效、可靠，兼灵活的绩效解决方案。
　　对IT人员而言，SOA所带来的高效可转化为易于部署、维护和变革。而对企业来说，用户可以在多种平台上访问数据源，基础架构的变更不会严重影响到他们获取信息的能力。解决方案可以更快地建立并运行，商业用户可以访问更多的信息，同时不会受到后台变更的制约。
来源：IT专家网

        电信行业目前主要的数据来自于计费系统和网管数据。随着各电信运营企业不断加快业务运营支撑系统(BOSS)、网管系统、财务系统、办公自动化系统(OA)和客户服务系统等企业IT支持系统的建设步伐，企业内部积累了大量的客户行为和企业运营的历史数据，这些海量数据在原有的操作型数据库系统中难以提炼并升华为有用的信息，使得信息资源无法在更大更深的范围内共享和利用。数据中蕴涵着丰富的信息，从中可以了解企业在电信市场经营过程中所处的态势、竞争对手的经营形势、客户群的分布状况、消费特征、企业经营发展的趋势等。电信运营企业信息化建设需要跨越各个业务运营系统，建立综合的信息资源平台，利用数据仓库技术，深层次地挖掘、分析当前和历史的生产业务数据以及相关环境数据，自动快速获取其中有用的决策信息，为企业提供快速、准确和便捷的决策支持。
基于数据仓库的应用设计
       从系统结构看，电信行业数据仓库解决方案系统一般包括应用系统部分、中央数据仓库系统部分，数据源系统部分三大部分。如图：

        电信行业数据仓库解决方案数据源主要来自电信各业务系统，包括计费系统、营业系统、客服系统、财务系统、结算系统、网管系统、112系统、114系统、电信网络资源管理系统以及其它系统，此外数据源还有来自电信系统外的数据，如人口统计、社会各企业的财务数据、银行数据等。
        中央数据仓库系统主要解决如下问题：建立企业统一的业务视图，建立一个高效、线性可扩展的基础平台，建立一套自动的数据抽取、转换、加载流程，建立一个符合业务需求、可扩展的数据模型，建立一套高可靠的安全管理机制。
数据仓库系统在电信行业的应用
  1．整合企业信息
        从技术的角度考虑，以传统的操作型数据库为基础的运营支撑联机事务处理系统不能满足联机分析处理系统的复杂的，大数据量的、突发查询的能力和扩展能力要求。数据仓库系统具有高可扩展能力，支持大容量，TB级的数据存储能力，高效的查询响应能力和并行处理能力，适合于整合企业业务系统的数据，使企业对客户信息的了解达到完整性和一致性，提升企业运营数据的内在价值。
  2．客户关系治理
        客户关系治理（CRM）的目标是以更好的服务留住有利润的客户，提高通话量和利用率，用比竞争对手更低的成本争取到新客户，扩大市场份额；放弃无利润和信用差的客户，降低运营成本和风险。为了实现这个目标，企业就需要尽可能收集顾客的信息，利用数据挖掘技术/数据仓库和复杂的分析功能，透过无序的、表层的信息挖掘出内在的知识和规律，从而尽可能地了解客户的行为。企业可以根据这些规律或用这些信息设计数学模型，对未发生行为做出结果猜测，为企业的综合经营决策、市场策划提供依据。具体内容包括：利用用户资料和一切可能有助于进行客户分析治理的资料进行客户概况分析、客户忠诚度分析、客户群体的构成、客户消费层次、贡献最大的客户、信誉较好或差的客户、客户的地理分布、客户的消费习惯、潜在的消费需求等。通过对这些数据的分析，提供既能留住老客户又能吸引新客户的决策信息。只有树立以客户为中心的理念，充分了解客户，了解不同客户的不同消费模式，针对不同的用户采取不同的策略以达到个性化服务的目标，电信运营企业才能为客户提供优质服务。
  3．市场、营销治理分析
        市场情况分析的主要内容是面向与电信运营企业市场活动密切相关市场活动、市场环境、以及其他业务相关情况的分析。通过对提供的产品和服务的使用情况，网络资源的使用情况进行综合统计、分析、猜测和预警。能对产品和服务的使用情况、网络资源的使用情况进行综合统计，给出业务品牌和业务种类在不同时段、不同地区的分布，从而对新业务的推出和资费优惠政策提供依据；对竞争对手所推出的市场品牌与服务、不同的营销策略、不同的市场行为对企业收入的影响进行分析等等。当某些要害指标出现异常时，系统能自动报警，分析人员对异常指标进行深入分析后，采取相应的市场对策。在营销治理分析方面，数据仓库对各渠道的客户发展情况、收入情况、业务量情况以及渠道成本如应付酬金总额等指标进行不同角度和层次的分析，能够从不同的层面和角度对所有渠道进行全面考察，为制定合理有效的宣传促销及推广提供决策依据。
  5．帐务分析
        财务帐务分析主要从财务的角度，对结算、财务、帐务进行分析，通过对财务帐务的分析，可以清楚地把握目前运营收入与支出情况；可以对投资与收益进行具体的分析，包括收益的主要来源、发展趋势、各种运营项目对总收益的比重、过去的决策和政策对收益的影响、各期工程实施后收益的变化、需投资的地区及设备、投资的利用率、回报率等。
  6．欠费和动态防欺诈行为分析
        欠费和动态防欺诈行为分析就是在总结各种骗费、欠费行为的内在规律后，在数据仓库的基础上建立一套欺骗行为和欠费行为规则库，当用户的话费行为与该库中规则吻合或相似就发出告警，同时该系统还可以在此规则库的基础上分析各种欺骗和欠费行为，从而演绎出可能的欺骗和欠费行为，加以论证后自动加入规则库。另外欠费和动态防欺诈行为分析不仅仅是被动式的预防分析，它可以主动地进行统计分析。欠费和动态防欺诈行为分析能及时预警各种骗费、欠费，使企业损失尽量减少。同时通过用户的缴费销账情况、社会类别、占用资源等，分析用户的信誉度，对不同信誉度用户给予不同的服务及优惠。
  7．网络治理和网络优化分析
        网络治理和网络优化分析就是对目前网络治理中大量的数据进行分析，从而为提高全网质量、优化网络结构、进行网络规划提供可靠的保证。网络治理和优化分析将在以下三个方面对现行系统进行扩展：扩大并细化数据源；增加数据量；丰富统计分析类型。对移动通信运营商来说，可以提供对网络的熟悉，例如话务最忙的小区、投诉最多的小区、覆盖较差的地区等，从而指导网络优化工作。
        据统计,全球500大企业中至少有50%的企业已经实施数据仓库或部门级数据集市，在电信、银行、零售业、航空、铁路运输、邮政等行业的全球领导厂商都已采用数据仓库作为决策支持。在以服务取胜，竞争激烈的电信市场环境中，电信运营企业只有利用数据仓库和数据挖掘技术发现企业运营数据中有价值的趋势，为市场经营和决策人员制定客户服务、业务发展和市场竞争等策略提供科学、准确、及时的依据，建立和增强与用户的关系，才能在市场竞争中取得胜利。

高效实现数据仓库的七个步骤

　　数据仓库和我们常见的RDBMS系统有些亲缘关系，但它又有所不同。如果你没有实施过数据仓库，那么从设定目标到给出设计，从创建数据结构到编写数据分析程序，再到面对挑剔的用户的评估，整个过程都会带给你一种与以往的项目完全不同的体验。一句话，如果你试图以旧有的方式创建数据仓库，那你所面对的不是预算超支就是所建立的数据仓库无法良好运作。

　　在处理一个数据仓库项目时需要注意的问题很多，但同时也有很多有建设性的参考可以帮助你更顺利的完成任务。开放思维，不断尝试新的途径，对于找到一种可行的数据仓库实现方法来说也是必需的。

　　1. 配备一个全职的项目经理或你自己全面负责项目管理

　　在通常情况下，项目经理都会同时负责多个项目的实施。这么做完全是出于资金和IT资源方面的考虑。但是对于数据仓库项目的管理，绝对不能出现一人身兼数个项目的情况。由于你所处的领域是你和你的团队之前没有进入过的领域，有关数据仓库的一切－数据分析、设计、编程、测试、修改、维护－全都是崭新的，因此你或者你指派的项目经理如果能全心投入，对于项目的成功会有很大帮助。

　　2. 将项目管理职责推给别的项目经理

　　由于数据仓库实现过程实在是太困难了，为了避免自虐，你可以在当前阶段的项目完成后就将项目管理职责推给别的项目经理。当然，这个新的项目经理一定要复合第一条所说的具有全职性。为什么要这么做呢？首先，从项目经理的角度看，数据仓库实施过程的任何一个阶段都足以让人身心疲惫。从物理存储设备的开发到Extract-Transform-Load的实现，从设计开发模型到OLAP，所有阶段都明显的比以前接触的项目更加困难。每个阶段不但需要新的处理方法、新的管理方法，还需要创新性的观点。所以将管理职责推给别的项目经理不但不会对项目有损害，还可以起到帮助作用。

　　3.与用户进行沟通

　　这里所讲的内容远比一篇文章本身要重要的多。你必须明白，在数据仓库的设计阶段，那些潜在用户自己也不清楚他们到底需要数据仓库为他们做什么。他们在不断的探索和发现自己的需求，而你的开发团队也在和客户的接触中做着同样的事情。更加频繁的与客户接触，多做记录，并让你的团队更关注于项目需求讨论的结果而不是讨论的过程本身。

　　既然你和客户的交流是为了了解存储的数据是何种类型以及如何有效存储数据，你也许需要（和你的用户一起）采用一种新的方法观察数据，而不是直接处理数据。你可以尝试从中找出隐藏的信息，比如在一段时期内的数字涨落等。不要试图追寻项目需求的答案，而是要让答案找上门来。

　　4. 以技术/信息库作为领导

　　由于数据仓库实施的各个阶段都有很大不同，因此你需要有人能起到维持整个项目的连续进行的作用，不过这个职责并不需要那种全职性。项目实施有三个重要方面：架构、技术和业务。将架构作为重点可以保证在整个项目中，数据仓库的架构从物理层往上，都会受到良好的维护。而我们应该将技术作为重点，因为开发团队和关键用户都在使用他们以前从未用过的工具，必须有人监督开发过程以及工具使用的一致性。

　　最后，在数据仓库的应用过程中浮现出来的业务需求必须被详细分析和记录，以促机开发过程持续下去。如果用户不能很好的开发人员以及其它用户沟通，那么数据分析和度量方面的开发进程就会延期，所以必须有人关注业务方面的开发，推动开发进入更高级别。

　　5. 跳出反复修改程序的陷阱

　　第一次实现的数据仓库肯定不会是最终交付的版本。为什么呢？实际上在真正见到产品前，你无法确定的知道自己的目标是什么。或者说，最终用户只有在使用数据仓库产品一段时间后，才能明确告诉你这个产品是不是他所希望的。与你以往处理的项目不同，业务智能还处于发展的初期，每个公司对业务智能都有不同的解释，因此你的项目决不会一次成功。

　　为了以正确的格式获得数据，你需要在不断变化的状况中摸索前进。BI具有很强的个性，不同的环境、不同的市场以及不同的企业都有不同的BI。这又代表什么呢？这表示你需要把数据库管理员放在一个消息相对封闭的环境中，不要让他知道数据仓库的数据结构以及ETL程序在不断的改变。对此没有别的办法。这样可以减轻你和DBA所承受的压力。

　　6. 对大量的前端资源进行数据源分析

　　在数据仓库实现过程中，你不得不在旧有的数据中艰难跋涉，这些数据来自老的数据库、老的磁带机以及远程的数据。它们中的大部分都凌乱不堪，并且难以获取。你要对这些数据进行大量处理，并且还要设计ETL程序来寻找其中的有用信息。如果你希望整个项目做起来比较顺利，并且找到一种方法能够一次成功，那就需要你的开发人员必须花费足够的时间来充分研究这些旧有数据，将凌乱的数据规则化，并尽力设计和实现强壮的数据采集和转换过程。数据仓库的ETL部分会占用整个项目资源的百分之八十，所以一定要确定你的资源都用在刀刃上了。

　　7. 将人际关系处理放在首位

　　在数据仓库实现过程中真正的地狱不是来自技术或者开发方面，而是来自你周围的人。你也许会遇到一个对项目并不乐观而又没时间听你陈述的领导。你也许会遇到一些开发人员将进度拖延太长时间还抱怨为什么不能用老方法实施。你也许还会遇到一些抱有不切实际的幻想的用户，他们希望轻点鼠标就能实现想象中的功能，但却不愿在他们那边多做些智力投资，更好的培训他们自己的员工。而你也已经疲惫不堪，鼓励投资，以及在开发团队和用户（甚至老板）中推广新的开发技巧。

　　总之你要保持微笑。当一切搞定，你的烦恼也就一扫而空了，笑到最后才笑得最轻松。

　　数据仓库开发过程中的七个禁忌

　　过去我们一直使用的OLTP技术也许隐藏着许多严重的缺陷。数据仓库的实现并不是一个简单的任务，你会发现以前积累下来的丰富经验，并不适合处理每个数据仓库的独特需求。

　　下面列出的条款是你在实现数据仓库过程中一定会面对的问题，其中一些看起来并没有想象中那么严重，但是你还是应该尽量避免出现类似问题。数据仓库并不是一个事务处理系统，它没有一定的标准也不会实现某个特定的应用，但它本质上是非常有组织性的。总之，每个公司所建立的数据仓库都是唯一的，并且每一次数据仓库的实现方法都不是一成不变的。在实现数据仓库时需要注意的不单是”应该如何作”，更要注意”不该如何做”。下面就是我们总结的七点”不该如何作”。

　　1.不要编写自己无法快速修改的代码

　　你所要编写的程序主要用于数据分析，而不是处理事务。而你的用户也并不真正知道他们自己真正想要一个什么样的程序。因此你不得不反复修改代码好几次，才会明白用户到底需要一个什么样的程序。如果你编写的程序具有良好的结构和灵活性，就算需要修改也不会太浪费力气。反之，你会被自己累死。

　　2. 不要使用无法修改的数据库访问API

　　在过去，你的数据库可以为大量的客户提供稳定的数据查询服务。而如今，你的程序必须能够应付更多的数据查询。这使得重新改写程序以使得每个查询请求能得到最大的数据量成为势在必行的工作，而一般来说这种代码修改都不会一次成功，所以只有选择合适的可以修改的API，才能使程序尽快适应新的需求。

　　3. 不要设计任何无法扩展的东西

　　在联机处理过程（OLTP）应用中，数据分析并不是一个真正的应用程序。实际上，数据分析的关键是获取大量旧的数据，从中提取数据模型，并以此模型推断出新的信息。而你所编写的访问潜在信息的代码应该具有可扩展性，可以附加新的数据。千万别在支持数据分析的代码中假定数据都是固定格式的。

4. 不要附加不必要的功能

　　一个仓库要做的是恰到好处的服务，用户走进仓库，从货架上取得自己所需得信息，仅此而已。由于业务智能、分析以及规律性的问题都有各自的处理程序，因此你的客户唯一的需要就是获取信息。他们需要一种应用环境，可以让他们快速的从数据仓库中取得分析过程所需的数据，而不论这个数据是什么样子的。也许你想帮助他们精炼一下获得的数据，但最好不要这么做。一定要记住，不要给客户的数据分析程序添加任何会影响数据访问性能的功能。

　　5. 不要简化数据清除和数据源分析的步骤

　　在实现数据仓库过程中最应该注意的地方就是为Extract-Transform-Load机制分析数据源，以及为优化负载而清除数据。安全的做法是假设项目经理在这个阶段会需要整个项目资源的一半以上。相反，如果你在这方面进行了简化，稍后肯定会后悔。所以就算系统工作缓慢，也不要简化清理旧的数据的过程。

　　6. 不要避免颗粒度和分区问题

　　在数据仓库设计过程中有两个最大的数据存储问题，第一是如何给转换数据定位一个恰当的颗粒度等级，第二是如何将数据绝对的分区。为什么这两点问题如此重要呢？因为整个数据仓库的响应能力受颗粒度影响，并且数据访问的效率直接与数据分区性能有关。因此这是具有关键性的工作，不要试图避免面对这些问题。

　　7.不要在没考虑业务问题前就使用OLAP

　　用户在亲眼见到程序前通常都不知道自己到底想要个什么样的程序。因此他们的观点有不少错误，比如他们希望分析结果会忠实反应性能度量，或者希望程序会使他们部门或公司的业务工作有所不同。而你必须跳出自己的职责范围，从IT管理者的角度考虑用户部门直至整个企业的运行方式，才能在开发过程中避免这类问题。在通常的OLTP开发中，你可以比较方便的理解业务流程。而在联机分析处理（OLAP）领域，任何事情都需要亲自考察，而在你周围工作的人也许并不会发现你对业务方面存在的误解。因此，不要自以为已经了解了足够的信息。不断的询问才能使你真正了解”业务智能”中的”业务”到底是什么样子的。

　　顺利开发数据仓库的七种思路

　　对于大多数IT顾问来说，实现一个数据仓库的难度比以前做过的任何项目难度都要大。考虑到不同的数据结构、用途以及应用程序开发方法，以前所积累的经验和技巧大部分都无用武之地了。但是只要在你的前进道路上稍加修正，你就会发现实现一个数据仓库并不是难事，就算你是第一次实现数据仓库也没问题。

　　下面列出了数据仓库实施过程需要考虑的步骤，有一些你可能从来没有意识到，而另一些可能已经在实施过程中使用到了，但是重新思考一番也许你会有更多的领悟。开放思维，不断尝试新的途径，找到一种可行的数据仓库实现方法。

　　1. 再三考虑应用程序的实现方法

　　数据仓库并不涉及事务处理，并且在报表方面也仅占一小部分。而数据仓库应用程序的本质是分析，尤其是针对业务智能的分析。BI并不是通常所说的数据：它是一种从旧有数据中,模型化得到的新的数据。那么如何才能从旧有数据中挖出这些新数据呢？事实上，这个工作不是让你来完成的，而是你的客户所要完成的。从项目主管的角度看，应该有一个经验丰富的数据表格设计师与你合作，进而决定如何将各类程序融合在一起。其中所遇到的最主要的挑战将是如何用新的方法观察数据，这也是你的客户正在试图使用的方法。

　　2.创建抽象的、良好部署的数据库访问组件

　　在过去你接触过的数据库项目和现在的数据仓库之间，有一点绝对不同，那就是：在Online Transaction Processing （OLTP）环境中，用户数量非常大，但使用到的数据却比较少；而在Online Analytical Processing （OLAP）环境中情况却正好相反，少量的用户在使用大量的数据。而你的工作就是编写一个应用程序来优化这种不同。这里有一个线索：在你所有的分析程序中，都要能抓取连续的数据项，这样在以后建立和访问的数据结构中才能存放与原数据物理结构类似的数据。具体如何实现呢？首先不要规格化数据。第二将其放入数组中最小化读取请求数。按照这种方法，DBA会很乐意与你合作。

　　3.保持松散

　　现在回头看看第一步，你应该可以理解定义一个分析程序不是件简单事了，而且一般情况下，很难在第一次就实现符合要求的最终产品。而在你将要进行分析的数据结构上同样存在这种问题。一句话，实现过程会有很多变数，你需要不断的改动你的程序。通常我们都希望将改动次数降到最低。在一个数据仓库实现过程中，本质是要分析过程毫无差错，这也需要DBA的参与。不要死抓住你的程序设计、代码、框图，或你建立的其它什么东西不放手，要根据这种变化而不断进行调整。

　　4.将管理放在首位

　　在分析数据源方面你做的如何呢？你是否认为清理垃圾数据的工作非常困难？并不是只有你一个人这样想，做过类似工作的人都有这种看法。在一个一般规模的机构中，作为数据仓库实现过程的一部分，会有大量的旧有数据必须进行一致性处理。所以分析数据源并花费数个小时编写转换程序将旧有数据导入数据仓库是整个数据仓库实现过程中最艰难的一部分。并且这也是整个项目中最重要的一环，可以占到整个项目周期和预算的四分之三。所以一定要小心对待。

　　5.从字里行间发现问题

　　与用户交流是个很麻烦的事情，为什么这么说呢？因为很多用户在见到最终产品前都不知道自己想要什么样的产品。定义数据仓库应用程序是一个探索的过程，而且这个过程要反复进行。记住所谓的”业务智能”是用户自己定义的，他们按照自己的理解来处理业务流程。因此这些用户就是连接数据和业务处理过程间的桥梁。他们所要的并不是数据本身，而是隐藏在数据后面的智能性。你可以让他们讨论、思考并给出建设性的意见。但千万不要让他们解决或让他们任意想象和发表那些”有可能”的观点。最后，一定要随时留意用户得出的结论。

　　6. 保持领先

　　数据仓库看起来没有传统的OLTP模式根深蒂固，事实如此。虽然很多人投身数据仓库的开发中，但由于其框架与以前的系统大相径庭，因此在开始的一段时间数据仓库的实现看上去相当混乱。但是坚持下去是很重要的。它具有两方面重要的作用。

　　第一，技术的领先性。它可以跟踪项目中任何阶段的软件工具的部署和正确使用，以及开发过程。如果这复合你的背景，你可以对此多加留意。

　　第二，体系结构的领先性。它使得项目在各个阶段转换时，数据仓库和它所支持的系统的物理以及逻辑架构都具有持续性，不会发生改变。这也是你能提供的。

　　7. 发出警告

　　最后你要记住，你并不是唯一登上新大陆的人。你周围的每一个人都会有下面一点或几点问题：不现实的期望、对技术的误解、旧习惯或坏习惯、竞争行为，或缺乏对项目的信任度。虽然交流沟通等任务应该是项目经理负责的，但实际上你也要担负起相同的责任。那么作为技术总监你该怎么作呢？首先当然是要真诚的对待周围的人，但一定要竖立威信，适当的发出警告。当你发现项目进度缓慢、资源流失，或者员工失去目标，就要直言不讳的说出来。快速明确的给予警告在大部分情况下都是明智之举。匆忙上马的数据仓库项目也许会出轨，但不要让失败的项目把你拉下马。

语 句 功 能
–数据操作
　　SELECT –从数据库表中检索数据行和列
　　INSERT –向数据库表添加新数据行
　　DELETE –从数据库表中删除数据行
　　UPDATE –更新数据库表中的数据
–数据定义
　　CREATE TABLE –创建一个数据库表
　　DROP TABLE –从数据库中删除表
　　ALTER TABLE –修改数据库表结构
　　CREATE VIEW –创建一个视图
　　DROP VIEW –从数据库中删除视图
　　CREATE INDEX –为数据库表创建一个索引
　　DROP INDEX –从数据库中删除索引
　　CREATE PROCEDURE –创建一个存储过程
　　DROP PROCEDURE –从数据库中删除存储过程
　　CREATE TRIGGER –创建一个触发器
　　DROP TRIGGER –从数据库中删除触发器
　　CREATE SCHEMA –向数据库添加一个新模式
　　DROP SCHEMA –从数据库中删除一个模式
　　CREATE DOMAIN –创建一个数据值域
　　ALTER DOMAIN –改变域定义
　　DROP DOMAIN –从数据库中删除一个域
–数据控制
　　GRANT –授予用户访问权限
　　DENY –拒绝用户访问
　　REVOKE –解除用户访问权限
–事务控制
　　COMMIT –结束当前事务
　　ROLLBACK –中止当前事务
　　SET TRANSACTION –定义当前事务数据访问特征
–程序化SQL
　　DECLARE –为查询设定游标
　　EXPLAN –为查询描述数据访问计划
　　OPEN –检索查询结果打开一个游标
　　FETCH –检索一行查询结果
　　CLOSE –关闭游标
　　PREPARE –为动态执行准备SQL 语句
　　EXECUTE –动态地执行SQL 语句
　　DESCRIBE –描述准备好的查询
—局部变量
　　declare @id char(10)
　　–set @id = ‘10010001′
　　select @id = ‘10010001′
—全局变量
　　—必须以@@开头
　　–IF ELSE　　
declare @x int @y int @z int
　　select @x = 1 @y = 2 @z=3
　　if @x > @y
　　print ‘x > y’ –打印字符串’x > y’
　　else if @y > @z
　　print ‘y > z’
　　else print ‘z > y’
　　–CASE　　
use pangu
　　update employee
　　set e_wage =
　　case
　　when job_level = ’1’ then e_wage*1.08
　　when job_level = ’2’ then e_wage*1.07
　　when job_level = ’3’ then e_wage*1.06
　　else e_wage*1.05
　　end
　　–WHILE CONTINUE BREAK　　
declare @x int @y int @c int
　　select @x = 1 @y=1
　　while @x < 3
　　begin
　　print @x –打印变量x 的值
　　while @y < 3
　　begin
　　select @c = 100*@x + @y
　　print @c –打印变量c 的值
　　select @y = @y + 1
　　end
　　select @x = @x + 1
　　select @y = 1
　　end
–WAITFOR
　　–例 等待1 小时2 分零3 秒后才执行SELECT 语句　
waitfor delay ’01:02:03’
　　select * from employee
　　–例 等到晚上11 点零8 分后才执行SELECT 语句　　
waitfor time ’23:08:00’
　　select * from employee
　　***SELECT***　
select *(列名) from table_name(表名) where column_name operator value
　　ex:(宿主)
　　select * from stock_information where stockid = str(nid)
　　stockname = ’str_name’
　　stockname like ‘% find this %’
　　stockname like ‘[a-zA-Z]%’ ——— ([]指定值的范围)
　　stockname like ‘[^F-M]%’ ——— (^排除指定范围)
　　——— 只能在使用like关键字的where子句中使用通配符)
　　or stockpath = ’stock_path’
　　or stocknumber < 1000
　　and stockindex = 24
　　not stock*** = ‘man’
　　stocknumber between 20 and 100
　　stocknumber in(10,20,30)
　　order by stockid desc(asc) ——— 排序，desc-降序，asc-升序
　　order by 1,2 ——— by列号
　　stockname = (select stockname from stock_information where stockid = 4)
　　——— 子查询
　　——— 除非能确保内层select只返回一个行的值，
　　——— 否则应在外层where子句中用一个in限定符　
select distinct column_name form table_name ——— distinct指定检索独有的列值，不重复
　　select stocknumber ,stocknumber + 10 = stocknumber + 10 from table_name
　　select stockname , stocknumber = count(*) from table_name group by stockname
　　——— group by 将表按行分组,指定列中有相同的值　　
having count(*) = 2 ——— having选定指定的组
　　select *
　　from table1, table2
　　where table1.id *= table2.id ——– 左外部连接，table1中有的而table2中没有得以null表示
　　table1.id =* table2.id ——– 右外部连接
　　select stockname from table1
　　union [all] —– union合并查询结果集，all-保留重复行
　　select stockname from table2
***insert***　　
insert into table_name (Stock_name,Stock_number) value (xxx,xxxx)
　　value (select Stockname , Stocknumber from Stock_table2)—value为select语句
　　***update***　　
update table_name set Stockname = xxx [where Stockid = 3]
　　Stockname = default
　　Stockname = null
　　Stocknumber = Stockname + 4
***delete***　　
        delete from table_name where Stockid = 3
　　truncate table_name ———– 删除表中所有行，仍保持表的完整性
　　drop table table_name ————— 完全删除表
***alter table*** — 修改数据库表结构　　
        alter table database.owner.table_name add column_name char(2) null …..
　　sp_help table_name —- 显示表已有特征
　　create table table_name (name char(20), age smallint, lname varchar(30))
　　insert into table_name select ……… —– 实现删除列的方法(创建新表)
　　alter table table_name drop constraint Stockname_default —- 删除Stockname的default约束
***function(/*常用函数*/)***
　　—-统计函数—-
　　***G –求平均值
　　COUNT –统计数目
　　MAX –求最大值
　　MIN –求最小值
　　SUM –求和
　　–***G　
use pangu
　　select avg(e_wage) as dept_avgWage
　　from employee
　　group by dept_id
–MAX
　　–求工资最高的员工姓名
use pangu
　　select e_name
　　from employee
　　where e_wage =
　　(select max(e_wage)
　　from employee)
　　–STDEV()
　　–STDEV()函数返回表达式中所有数据的标准差
　　–STDEVP()
　　–STDEVP()函数返回总体标准差
　　–VAR()
　　–VAR()函数返回表达式中所有值的统计变异数
　　–VARP()
　　–VARP()函数返回总体变异数
　　—-算术函数—-
　　/***三角函数***/
　　SIN(float_expression) –返回以弧度表示的角的正弦
　　COS(float_expression) –返回以弧度表示的角的余弦
　　TAN(float_expression) –返回以弧度表示的角的正切
　　COT(float_expression) –返回以弧度表示的角的余切
/***反三角函数***/
　　ASIN(float_expression) –返回正弦是FLOAT 值的以弧度表示的角
　　ACOS(float_expression) –返回余弦是FLOAT 值的以弧度表示的角
　　ATAN(float_expression) –返回正切是FLOAT 值的以弧度表示的角
　　ATAN2(float_expression1,float_expression2)
　　–返回正切是float_expression1 /float_expres-sion2的以弧度表示的角
　　DEGREES(numeric_expression)
　　–把弧度转换为角度返回与表达式相同的数据类型可为
　　–INTEGER/MONEY/REAL/FLOAT 类型
　　RADIANS(numeric_expression) –把角度转换为弧度返回与表达式相同的数据类型可为
　　–INTEGER/MONEY/REAL/FLOAT 类型
　　EXP(float_expression) –返回表达式的指数值
　　LOG(float_expression) –返回表达式的自然对数值
　　LOG10(float_expression)–返回表达式的以10 为底的对数值
　　SQRT(float_expression) –返回表达式的平方根
　　/***取近似值函数***/
　　CEILING(numeric_expression) –返回>=表达式的最小整数返回的数据类型与表达式相同可为
　　–INTEGER/MONEY/REAL/FLOAT 类型
　　FLOOR(numeric_expression) –返回<=表达式的最小整数返回的数据类型与表达式相同可为
　　–INTEGER/MONEY/REAL/FLOAT 类型
　　ROUND(numeric_expression) –返回以integer_expression 为精度的四舍五入值返回的数据
　　–类型与表达式相同可为INTEGER/MONEY/REAL/FLOAT 类型
　　ABS(numeric_expression) –返回表达式的绝对值返回的数据类型与表达式相同可为
　　–INTEGER/MONEY/REAL/FLOAT 类型
　　SIGN(numeric_expression) –测试参数的正负号返回0 零值1 正数或-1 负数返回的数据类型
　　–与表达式相同可为INTEGER/MONEY/REAL/FLOAT 类型
　　PI() –返回值为π 即3.1415926535897936
　　RAND([integer_expression]) –用任选的[integer_expression]做种子值得出0-1 间的随机浮点数
—-字符串函数—-
　　ASCII() –函数返回字符表达式最左端字符的ASCII 码值
　　CHAR() –函数用于将ASCII 码转换为字符
　　–如果没有输入0 ~ 255 之间的ASCII 码值CHAR 函数会返回一个NULL 值
　　LOWER() –函数把字符串全部转换为小写
　　UPPER() –函数把字符串全部转换为大写
　　STR() –函数把数值型数据转换为字符型数据
　　LTRIM() –函数把字符串头部的空格去掉
　　RTRIM() –函数把字符串尾部的空格去掉
　　LEFT(),RIGHT(),SUBSTRING() –函数返回部分字符串
　　CHARINDEX(),PATINDEX() –函数返回字符串中某个指定的子串出现的开始位置
　　SOUNDEX() –函数返回一个四位字符码
　　–SOUNDEX函数可用来查找声音相似的字符串但SOUNDEX函数对数字和汉字均只返回0 值
　　DIFFERENCE() –函数返回由SOUNDEX 函数返回的两个字符表达式的值的差异
　　–0 两个SOUNDEX 函数返回值的第一个字符不同
　　–1 两个SOUNDEX 函数返回值的第一个字符相同
　　–2 两个SOUNDEX 函数返回值的第一二个字符相同
　　–3 两个SOUNDEX 函数返回值的第一二三个字符相同
　　–4 两个SOUNDEX 函数返回值完全相同
QUOTENAME() –函数返回被特定字符括起来的字符串　
select quotename(’abc’, ‘{’) quotename(’abc’)
　　运行结果如下
　　———————————-{
　　{abc} [abc]*/
　　REPLICATE() –函数返回一个重复character_expression 指定次数的字符串
　　以下是引用片段：　
select replicate(’abc’, 3) replicate( ‘abc’, -2)
　　运行结果如下
　　———– ———–
　　abcabcabc NULL*/
　　REVERSE() –函数将指定的字符串的字符排列顺序颠倒
　　REPLACE() –函数返回被替换了指定子串的字符串
　　/*select replace(’abc123g’, ‘123′, ‘def’)
　　运行结果如下
　　———– ———–
　　abcdefg*/
　　SPACE() –函数返回一个有指定长度的空白字符串
　　STUFF() –函数用另一子串替换字符串指定位置长度的子串
　—-数据类型转换函数—-
　　CAST() 函数语法如下　
CAST() ( AS [ length ])
　　CONVERT() 函数语法如下　
CONVERT() ([ length ], [, style])
　
select cast(100+99 as char) convert(varchar(12), getdate())
　　运行结果如下
　　—————————— ————
　　199 Jan 15 2000
　　—-日期函数—-
　　DAY() –函数返回date_expression 中的日期值
　　MONTH() –函数返回date_expression 中的月份值
　　YEAR() –函数返回date_expression 中的年份值
　　DATEADD( , ,)
　　–函数返回指定日期date 加上指定的额外日期间隔number 产生的新日期
　　DATEDIFF( , ,)
　　–函数返回两个指定日期在datepart 方面的不同之处
　　DATENAME( , ) –函数以字符串的形式返回日期的指定部分
　　DATEPART( , ) –函数以整数值的形式返回日期的指定部分
　　GETDATE() –函数以DATETIME 的缺省格式返回系统当前的日期和时间
—-系统函数—-
　　APP_NAME() –函数返回当前执行的应用程序的名称
　　COALESCE() –函数返回众多表达式中第一个非NULL 表达式的值
　　COL_LENGTH(<’table_name’>, <’column_name’>) –函数返回表中指定字段的长度值
　　COL_NAME(, ) –函数返回表中指定字段的名称即列名
　　DATALENGTH() –函数返回数据表达式的数据的实际长度
　　DB_ID([’database_name’]) –函数返回数据库的编号
　　DB_NAME(database_id) –函数返回数据库的名称
　　HOST_ID() –函数返回服务器端计算机的名称
　　HOST_NAME() –函数返回服务器端计算机的名称
　　IDENTITY([, seed increment]) [AS column_name])
　　–IDENTITY() 函数只在SELECT INTO 语句中使用用于插入一个identity column列到新表中　
/*select identity(int, 1, 1) as column_name
　　into newtable
　　from oldtable*/
　　ISDATE() –函数判断所给定的表达式是否为合理日期
　　ISNULL(, ) –函数将表达式中的NULL 值用指定值替换
　　ISNUMERIC() –函数判断所给定的表达式是否为合理的数值
　　NEWID() –函数返回一个UNIQUEIDENTIFIER 类型的数值
　　NULLIF(, )
　　–NULLIF 函数在expression1 与expression2 相等时返回NULL 值若不相等时则返回expression1 的值
sql中的保留字
　　action add aggregate all
　　alter after and as
　　asc avg avg_row_length auto_increment
　　between bigint bit binary
　　blob bool both by
　　cascade case char character
　　change check checksum column
　　columns comment constraint create
　　cross current_date current_time current_timestamp
　　data database databases date
　　datetime day day_hour day_minute
　　day_second dayofmonth dayofweek dayofyear
　　dec decimal default delayed
　　delay_key_write delete desc describe
　　distinct distinctrow double drop
　　end else escape escaped
　　enclosed enum explain exists
　　fields file first float
　　float4 float8 flush foreign
　　from for full function
　　global grant grants group
　　having heap high_priority hour
　　hour_minute hour_second hosts identified
　　ignore in index infile
　　inner insert insert_id int
　　integer interval int1 int2
　　int3 int4 int8 into
　　if is isam join
　　key keys kill last_insert_id
　　leading left length like
　　lines limit load local
　　lock logs long longblob
　　longtext low_priority max max_rows
　　match mediumblob mediumtext mediumint
　　middleint min_rows minute minute_second
　　modify month monthname myisam
natural numeric no not
　　null on optimize option
　　optionally or order outer
　　outfile pack_keys partial password
　　precision primary procedure process
　　processlist privileges read real
　　references reload regexp rename
　　replace restrict returns revoke
　　rlike row rows second
　　select set show shutdown
　　smallint soname sql_big_tables sql_big_selects
　　sql_low_priority_updates sql_log_off sql_log_update sql_select_limit
　　sql_small_result sql_big_result sql_warnings straight_join
　　starting status string table
　　tables temporary terminated text
　　then time timestamp tinyblob
　　tinytext tinyint trailing to
　　type use using unique
　　unlock unsigned update usage
　　values varchar variables varying
　　varbinary with write when
　　where year year_month zerofill

北京大学企业绩效中心主任蔡剑在2008CFO年会上做了《世界级企业绩效管理》的演讲，全文如下：       

        各位领导、各位嘉宾、各位朋友大家上午好。今天我讨论的话题是走向世界级企业绩效管理，另外还有我们如何面临2008年这一场中国企业绩效管理这一问题。

　　那么在经济增长方式的转变中，为什么有的企业创造了高绩效而其他企业却濒临灭绝。

　　我们讲2008年是个多事之秋，但同时也证明了一个理论，就是中华民族的发展是不可遏制的，在过去30年中国的改革开放取得了长期稳定的发展，创造了世界经济的奇迹，今后的中国也会沿着这条路继续发展。30年只是弹指一挥间，我们来看300年，如果不出大的问题，政治环境能够顺利发展的话，我们应该回到康乾时期所占全世界的比例，那就是30%的比例。为什么中国在现今受到世界的重视，因为只有中国的GDP是持续上涨的，而其他国家地区都在下滑，包括欧盟。那么中华民族这样一个美好的途径如何实现呢？就需要各位企业家在企业中实现高的绩效。

　　下面看一下各国GDP在过去30年中GDP的发展。前苏联国家由于采用了休克疗法，使GDP5年没有发展，但应验了我们那句老话，叫欲速则不达，而中国采用了摸着石头过河的方式，而实现了一个稳定的增长，就是下面这条黄线，而其他等等，像越南这样的国家，跟随着中国也实现了类似稳定的发展。但我们国家的GDP的总量依然跟世界一些发达国家存在一定差距，但目前是一个转机，这时候我们处于一个能否保持长期发展的观点，而他们处在是不是要下降的拐点。

　　我们做了连续两年企业绩效的排行，很有意思，我们排名之后，我们把排名按照不同的行业来区分，04年和06年存在明显的差异，在04年我们发现排在前面依次是采掘、交通运输、文化传播，而06年的排名是文化传播、农业、社会服务。这个怎么去解释呢？这说明政府大力推动文化产业的发展和新农村建设的中央一号文件发挥了一定的作用，这是中国目前资本市场不得不考虑到靠天吃饭的问题，而不能完全依靠市场的现状。

　　我们对比一下，尽管中国资本市场在07年之前如火如荼，发展的非常好，但我们依然存在很大的差距，就是从企业绩效定义来讲我们跟国际上存在着很大的判断差别。如果说我们的企业有进入世界500强的，这些企业尽管进入了世界500强，还是处于资源密集型、政府垄断性的行列当中，但在国际企业之间的价值判断之中没有被列为绩效最好的当中去，因为现在判断企业价值已经不单纯以规模作为判断标准了。

　　我们做一下对比，中国企业跟国际企业差距在哪里？一家是国内企业，一家纯美国公司。一家叫Google，一家公司叫盛大。他们在第一年资本市场的表现非常相似，但在之后两家公司的股价发生了巨大变化，之后再没有合并。 Google公司的市盈率PE已经到了40-50之间了，而盛大现在是15左右。一家是中国的市场，一家是全球市场，为什么差距如此显著呢？我们只能解释什么呢？公司的业务范围可能是一样的，但公司的价值是不同的，这个价值反映在创新能力上。为什么呢？我们对比一下全球最具创新的25家企业的排名，这里面没有中国企业，很遗憾，这里面有一家公司叫三星，他在今年明显超越了一家竞争对手叫SONY。另外还有IDAO这样一家创意设计公司，他在全球创新领域具有很好的品牌，为什么？因为最早的一只鼠标是他设计的，包括Iphone。这样的企业在中国除了华为、联想、奇瑞等等这样的有创新意念的公司，往往都达不到这样一个量级。这样来看，中国企业跟国际企业的业务模式和管理本质上存在着一个差距。

　　　　08年这样的趋势越来越明显了，广东现在正在开各种各样的论坛，广东省提出来广东要提高整合经济发展的水平，必须要靠创新。这样一种经济模式，在我们看来很正常，但西方看来很奇怪，他认为这不像工厂，而很像监狱，这样是很难造就国 际化的公司的，尽管效益很高，但在投资者眼中价值很难体现。　　服务业增长速度超过工业增长速度的时间是在进入工业化后期之时，而不是在工业化完成之后，我们发现目前中国经济现象跟60年代的日本非常相似，第一，当时的日元增值压力非常大，第二，当时的石油涨价，当时出现了全球的油荒，日本当时是怎么应对的？他只有一条路，就是提高企业的创新能力，以此来提高企业的绩效。

　　这个时候很多企业就逐渐意识到整个中国目前的问题，包括很多CFO也逐渐意识到实际上是整个企业大潮流的问题，我们应该因势而动，中国目前主要存在的问题，主要是两个要素之间的不匹配问题，一个是我们的资本累计速度很快，但我们人力资本的累计速度很慢，我们今天的企业把利润挣取了，但我们企业的工人没有提高自己的价值，还是以手工方式获取自己的价值。所以这个时候企业要重视资本回报和人力资源回报的平衡。

　　怎么做呢？我们发现在中国的企业存在两种不同的战略发展模式，甚至在同一个企业存在两种声音，存在很多争论。第一种叫价格竞争战略，就是还在停留在拼价格这种方式，不断把自己降到能够发挥自己的地区和业务，这是以资本回报为目的的。同时他还比较重视浅层比较发展优势，另外它默认市场是一种零和游戏，同时是一种短期策略。而另外更重要的是一些企业用价值创新的思想，实际上这是另外一个方面，他说是创造顾客为目的，德鲁克说顾客是企业生存的根本，他开发的是深层比较优势，重视的是物质资本和人力资本协调发展，强调分工合作，更看重长期战略，而这种方式的目标是长期可持续发展的。

　　而我们预测，在以后这两种战略的比例原来都是有效的，但以前价格是占优势的，确实负责我们的整个宏观经济环境，但之后逐渐的价值创新战略会占优势，凡是采用这种战略的，会比较容易取得高的绩效。

　　从理论上解释是这样的，因为我是做创新研究的，创新其实分很多层次，很多企业为什么创新出了问题呢？可能是他们把创新的顺序搞错了，创新实际上在中国30年里面分三步走。第一步叫制度创新，最大的创新设计师是邓小平。之后企业只要依靠资本制度，这时候企业通过进行管理创新。然后最后把这个金字塔顶到顶端用技术创新把它搭高。我们是用这种制度来保证实现了中国价格，人民币汇率实际上是由中央财经工作小组几个主要的领导他们所看的方向走的，那个东西你控制不了，知道顺势而为，由于我们这种汇率的差距使我们的产品获得了中国价格，这个方向是对的，但这种方向如果不改变是不可能发展的，因为未来逐渐就会到中国价值这个层级，这个层级就不能完全靠政府的制度创新了，因为政府的制度创新是有限的，这时候就把重担转移到企业家、企业身上。

　　但中国存在几种不同的模式，第一种，沃尔玛模式，既有制度又有制度创新，也有高科技的技术创新。还有国美模式，不投入高科技，直到我具有实力之后。另外是五粮液模式，五粮液的一个传闻，要投资建立芯片产业，这种模式是非常巧妙、非常危险，他自以为有可能实现的，但是是一种反向操作的模式，这种模式往往企业禁不住诱惑希望尝试，他觉得别人做不到的东西我可以做到，具有很强的自我实现的目标。而真正的高绩效体系实际上是美国硅谷的绩效体系，中国目前还不具备这种绩效体系，这类似于做金字塔各个领域里面都适合，适合做技术领导创新的会填补中间这个位置的创新，高等院校、企业等等会各司其职、物尽其用，而不像现在中国的企业、高校出现了资源匹配不优化的问题。

　　所以我们总结一下未来的大企业高绩效模式来自何方，就来自我们用科学的方式，而不是盲目的为了创新而创新，这样才能提高企业的价值。企业在未来它的价值要依靠于创新，创新包括几个方面。第一条，要理解什么是科学发展观和企业创新的原理，否则的话就不要轻易尝试创新；第二，注重物质资本和人力资本协调发展，我们要注意关注我们的同胞、员工的精神生活；第三，选择和企业所有制匹配的自主创新模式；第四，要关注本土市场，创造新本土客户价值；然后是重视产品设计和自主品牌建设，同时能够不断提高企业在国际上的形象；最后，要善于做庄，中国企业不能再重复原来的模式，给国际企业打工了，要整合利用全球资源形成高效率的禅学先合作模式。只有那些能够持续创造价值的企业才能够长期的发展。

　　最后我用两个理论证明我的观点。第一个是Herbert Simon，他说一个组织的生命能够维持发展，关键是保持“价值和贡献”的均衡。价值来源于组织目标的实现，贡献来源于利益相关者目标的实现，这两个必须要平衡，否则就会出现一些问题，而中国 的一些企业确实出现了这样的不平衡问题。第二个，我最近的一本书《从中国价格到中国价值》，中国目前到了奥运会，以奥运会为界限，前奥运时代后奥运时代，现在已经到了一个需要关注并提升革命价值新的发展阶段。

　　同时我们自己身体力行，我们谈走向世界级的学术绩效管理，我们成立了一个北京大学长信研究院，为建设创新型国家付出我们应有的学术贡献。最后总结一下我的发言，用一句话跟各位CFO共勉！我们讲获得世界级的企业绩效靠的是用中国思想、美国技术、日本品质，创造全社会的卓越价值。这个时候我们要敢于抱着一种开放的态度，聚全球的资源为自己所有，能够抱着自主创新的理念不断的去提升我们企业的价值，都提高以后我们国家的价值就不可能不提高，谢谢大家！（和讯财经原创）