BI商业智能因素相关性

在BI中实现因素分析的过程中，商业智能一定需要注意因素的相关性。也就是说，某一个因素变化之后，可能会导致其它因素发生连锁反应。这直接导致最后的结果与这个因素之间没有成比例的变化。这就直接增加了因素分析的复杂性。如上面这个案例，销售价格提高了10%，企业收入并没有成比例的提高10。因为销售价格的提高会降低企业的销售量。BI所以最后企业的销售收入是否会增加，这还是一个未知数。

那么在BI系统中还如何反映这种相关性呢？笔者认为可以从如下几个方面出发。

一是假设某个因素不变。商业智能分析这是一种简化了的分析模型。如收入=价格*销售量这个模型中。当价格增加时，我们假设销售量没有变化。此时收入的增加就等于价格的增长率。或则和说，当价格降低时，我们假设销售量也没有提升，此时的收入与数量就有一种成比例的关系。这是一种比较早的分析思路。这种分析方法，得到的结果并不是很科学。在Bi系统中，为了满足部分用户的需求，仍然有这种方法。商业智能软件不过在使用这个方法时，还是要谨慎。因为其最终得到的价格，与实际结果可能有比较大的误差。

二是采用连环替代法。这中方法无论是在BI系统中，还是在实际工作中，用到的都比较广泛。如上图所示，企业的净利润可能与库存、价格、成本三个因素相关。我们在分析时，往往将一个分析指标M是由相互联系的A、B、C三个因素相乘得到，即M=A*B*C。并将这个指标分为预期指标（M0）与实际指标（M1）。然后采用连环替代的方法（这种方法的工作原理，请大家参考相关的经济管理书籍），可以到达某个因素的变化对指标的影响。即价格变化对利润有多大的影响、企业成本降低1个百分点对企业的利润有多少的贡献等结果。

通过采用连环替代的方法，就可以知道各个因素的变动对于某个指标的影响。如上图所示，用户可能需要知道价格、库存、成本的变化对于最后的利润或者销量的影响。此时用户可以分别在上面三个指标上移动指针来设置预期的变化值。然后系统就会根据连环替代法的工作原理，分析出其可能的预计数量。在实际操作中，我们可以看到当价格下降了10%之后，销售数量并没有成比例的增加或者销售收入并没有成比例的降低。从这里就可以知道，其在分析最后的结果时考虑了多个因素变化的可能性。并根据一定的运算规则计算出可能的结果。