为业务分析确定数据项优先级：框架和

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Prioritising data items for business analytics: Framework and
  application to human resources》
---
作者：
Tom Pape
---
最新提交年份：
2020
---
英文摘要：
  The popularity of business intelligence (BI) systems to support business analytics has tremendously increased in the last decade. The determination of data items that should be stored in the BI system is vital to ensure the success of an organisation\'s business analytic strategy. Expanding conventional BI systems often leads to high costs of internally generating, cleansing and maintaining new data items whilst the additional data storage costs are in many cases of minor concern -- what is a conceptual difference to big data systems. Thus, potential additional insights resulting from a new data item in the BI system need to be balanced with the often high costs of data creation. While the literature acknowledges this decision problem, no model-based approach to inform this decision has hitherto been proposed. The present research describes a prescriptive framework to prioritise data items for business analytics and applies it to human resources. To achieve this goal, the proposed framework captures core business activities in a comprehensive process map and assesses their relative importance and possible data support with multi-criteria decision analysis.
---
中文摘要：
在过去的十年里，支持商业分析的商业智能（BI）系统的普及程度显著提高。确定应存储在BI系统中的数据项对于确保组织业务分析战略的成功至关重要。扩展传统的BI系统通常会导致内部生成、清理和维护新数据项的高成本，而在许多情况下，额外的数据存储成本是次要问题——这与大数据系统在概念上有什么区别。因此，BI系统中新数据项产生的潜在额外见解需要与通常较高的数据创建成本相平衡。虽然文献承认这个决策问题，但迄今为止还没有提出基于模型的方法来通知这个决策。目前的研究描述了一个规定性的框架，以确定业务分析数据项的优先级，并将其应用于人力资源。为了实现这一目标，提出的框架在一个全面的流程图中捕获核心业务活动，并通过多标准决策分析评估其相对重要性和可能的数据支持。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Prioritising_data_items_for_business_analytics:_Framework_and_application_to_hum.pdf (1.04 MB)

2022-4-28 15:19:13 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：业务分析 优先级 Quantitative Intelligence Organisation

1优先考虑商业分析的数据项：人力资源框架和应用Tom Pape*a，b a，伦敦大学学院数学系，4 Taviton Street，伦敦WC1H 0BT，英国b Concentra咨询有限公司，泰晤士大厦，18 Park Street，London SE1 9EQ，英国摘要：在过去十年中，支持商业分析的商业智能（BI）系统的普及程度显著提高。确定应存储在BI系统中的数据项对于确保组织业务分析战略的成功至关重要。扩展传统BI系统通常会导致内部生成、清理和维护新数据项的高成本，而在许多情况下，额外的数据存储成本是次要问题——这与大数据系统在概念上有什么区别。因此，BI系统中新数据项产生的潜在额外见解需要与通常较高的数据创建成本相平衡。虽然文献承认这个决策问题，但迄今为止还没有提出基于模型的方法来通知这个决策。目前的研究描述了一个规定性的框架，以确定业务分析数据项的优先级，并将其应用于人力资源。为了实现这一目标，提出的框架在综合流程图中捕捉核心业务活动，并通过多标准决策分析评估其相对重要性和可能的数据支持。关键词：商业分析、商业智能、数据需求、人力资源、多标准决策分析1简介客户服务、人力资源（HR）、IT、法律支持、市场营销、采购、生产、项目交付、研发和销售等商业功能可以利用广泛使用的商业智能（BI）系统解决方案。

BI系统可以被视为进行商业分析的技术基础（Chiang等人，2012年，Lim等人，2012年）。Liberatore和Luo（2010）将商业分析定义为一组方法，通过生成组织决策的目标，将原始数据转化为行动。例如，了解到年轻女性更可能购买价格更高的某款产品，有助于营销人员正确定位广告。商业分析的一个广泛认可的代表观察到，组织从使用描述性定量数据分析来解释目前正在发生的事情，到预测分析来估计未来会发生什么，再到使用管理科学工具进行规范性分析，以帮助决定下一步要做什么（Delen&Demirkan 2013，Liberatore&Luo 2011，Lustig et al.2010）。所有现代BI系统都提供了高效的数据存储，允许使用聚合和分组命令使用描述性统计进行数据分解，并在有吸引力的管理仪表板上显示结果。此外，更先进的BI系统拥有现成的预测性数据挖掘工具。规定性分析通常需要BI系统的高度专业化附加组件（例如定价和库存管理工具）。运筹学技术以多种方式支持BI系统的开发（Mortenson等人，2015）。跟踪和可视化关键绩效指标（KPI）是BI系统的传统功能，运筹学已被用于开发和构建此类KPI（Fortuin 1988，Smith&Goddard 2002）。优化方法在数据挖掘中发挥着重要作用，而数据挖掘又常用于BI系统（Corne et al.2012，Olafsson et al.2008）“软”或已应用于新BI系统的设计（例如，Martínez等人，2013年，Sorensen等人。

2010年），决策分析为BI系统的评估提供了依据（例如，林等人2009年，鲁哈尼等人2012年）。最后，在BI系统之上实施了运筹学方法，如预测、情景分析和模拟，以增强组织的业务分析能力（例如，Negash&Gray，2008年，Telhada等人，2013年）。*电邮：t。pape@surrey.ac.uk.2这项研究解决了业务功能应存储在其BI系统中以进行业务分析的数据项的决策问题。由于大多数BI数据都是内部创建的，因此扩展BI数据库会导致生成、清理和维护新数据项的管理成本较高，而数据存储成本通常要低得多——这与大数据系统在概念上有所不同。数据创建的高成本要求业务功能具有选择性。我们提出了一个基于多标准决策分析的规定性框架，以帮助业务职能部门做出选择决策，即帮助业务职能部门在分析策略中决定“下一步要做什么”，以使用上述分类的语言。为了证明该框架的有效性，我们将其应用于人力资源。人力资源分析仍处于起步阶段，主要关注描述性分析（如Infohrm 2010、Smith 2013）、预测分析的一些应用（如Cascio&Boudreau 2011、Fitz-enz 2010），而对规范性分析的研究很少（如Bordoloi&Matsuo 2001、Canós&Liern 2008）。然而，在过去几年中，许多人力资源部门对商业分析的兴趣大幅增长（Aral等人，2012年，Levenson 2011年）。Fusion、OrgVue、SuccessFactor和WorkDay等几个人力资源BI系统的推出反映了这一发展。

本文的组织结构如下：第2节强调了基于文献综述和我们的经验对数据项进行优先排序的框架的实际相关性。第3节详细描述了该框架。第4节专门讨论该框架在人力资源方面的应用。第5节总结了本研究。2实际相关性选择应在BI系统中获取和管理的数据项以进行业务分析是一项重大挑战（例如，巴卢和塔伊1999年、基尔希和哈尼2006年、律师和乔杜里2004年、勒布等人1998年、马奇和赫夫纳2007年、米什拉等人2013年、萨海和兰扬2008年、森和森2005年、沃森等人2004年）。最终，任何BI系统的成功都依赖于可用数据（Ramakrishnan等人，2012年）。尽管对业务数据的无数分析（或度量）在专业和学术文献中流传，但业务职能部门应该在BI系统中定期收集的原始数据问题却出人意料地没有得到充分探讨。然而，由于四个原因，这个问题具有高度的实际意义。首先，并非所有数据项都同样有用。业务功能通常可以利用一些支持多种分析的多用途数据项，而其他数据项仅用于一种特定的分析。毫不奇怪，根据我们的经验，从业者往往会认为多用途数据项更具相关性，因此更频繁地收集（见第4.3节）。其次，从遗留系统和外部源清理数据项以将其传输到新BI系统的提取-转换-加载（ETL）过程通常占BI项目时间和成本的50%以上（Davenport et al.2001，Shen et al.2012，Wang et al.2012）。

第三，在一项对中小企业（SME）的研究中，20家中小企业中有13家提到，缺乏现有的商业分析数据项是其分析战略成功的主要障碍（Olszak&Ziemba 2012，另见Marx et al.2011）。这一观察结果与我们与实践者交谈或合作时的经验相符。然而，创建这些缺失的数据项比从现有数据库中清理和传输它们更加耗时和昂贵。第四，具有最新数据的BI系统的持续更新可能导致高重复成本（Choudhury&Sampler 1997、Eppler&Helfert 2004、Even等人2007、Gilad&Gilad 1985、Morrison 2015）。2015年8月，使用Google Scholar功能进行的系统文献搜索为本节的示例提供了信息。信息系统协会（2012年）列出的86种信息系统期刊被选为来源。这份名单还包括几本管理和管理科学期刊。全文搜索术语（“商业分析”或“商业智能”或“数据仓库”）和（“数据要求”或“信息要求”或“数据选择”或“数据优先化”或“数据优先化”）。所有讨论BI系统数据选择问题的理论和实践方面或在案例研究中解决该问题的出版物都会被考虑（纳入标准）。搜索确定了261份出版物，其中189份根据标题和摘要排除在外，54份经过全文审查。其余18份符合纳入标准的出版物在参考列表中用星号标出，并在本文第2节中引用。

通过使用谷歌学者（Google Scholar）进行非系统的文献搜索，并通过查阅选定论文的书目，进一步确定了相关出版物。3此类成本包括管理员监控数据输入是否最新的时间、收集客户意见的时间、专有市场数据的许可费、集中收集数据项的软件包的许可和培训费用，以及员工键入项目里程碑细节的时间。因此，在BI系统中加载数据可能会带来高昂的成本，因此业务功能必须明智地处理它们所包含的数据项。Drucker（1995）和March and Hevner（2007）指出，管理者应该能够从BI系统的数据中生成内部和外部信息。他们认为内部信息包括会计和财务指标、生产力指标、与组织核心能力和竞争优势相关的指标，以及与组织稀缺资源分配相关的指标。另一方面，他们认为外部信息包括对市场、客户、技术、全球金融数据和世界经济变化的分析。生成这种内部和外部信息所需的精确数据项通常来自简单的调查、非结构化访谈和定性需求模型。Beynon Davies（2004）、Gilad和Gilad（1985）、Kim和Gilbertson（2007）、Loeb等人（1998）、Loshin（2012）和Shanks和Darke（1999）在案例研究中使用调查和管理者访谈来了解用户的分析需求。

定性数据需求模型旨在将现有数据源的选择集成到BI系统中（供应驱动方法），系统地探索用户的数据需求（需求驱动方法），或以有意义的方式将这两种方法结合起来。Dori等人（2008年）、Romero和Abelló（2010b）以及Takecian等人（2013年）开发了供应驱动的方法，从作战数据库的概念模型中导出数据项的初始选择。Prakash和Gosain（2008）构建了一个需求驱动的数据需求模型，将组织的目标分解为具体的决策，这些决策由简化的SQL查询提供信息（另见Romero&Abelló2010a）。Paim和Castro（2003）的需求驱动方法采用用例系统建模语言来探索最终用户可能如何与BI系统交互，从而得出所需数据项的列表。Giorgini et al.（2008）、Matéet al.（2014）和Mazón and Trujillo（2009）应用了广泛使用的方法*  系统建模语言，用于组织利益相关者（作为数据供应商）的行为和管理者（作为数据需求的用户）的目标导向决策的结构，允许获得BI系统潜在有用数据项的概述。Matéand Trujillo（2012年）和Mazón等人（2007年）也旨在通过使用高级建模语言，将现有数据库的数据供应与最终用户表示的数据需求联系起来。所有提到的模型都涉及（i）探索对BI系统可能有用的数据项，以及（ii）从BI系统体系结构的角度构建数据项。这些模型没有就如何系统地评估数据项的相关性提供指导。

根据Wetherbe（1991）的说法，根据决策分析和“软”或文献（如Phillips&Phillips 1993、Rosenhead&Mingers 2001），研讨会中对数据要求的讨论往往会带来更好的结果，因为知识基础更广，视野更广，尤其是有机会相互学习决策问题。Ormerod（1995年、1996年、1998年、2005年）关于混合“软”或技术以开发信息系统策略的工作，以及Checkland（1988年，Checkland&Holwell 1997年，Winter等人1995年）关于软系统方法和信息系统之间联系的工作，为参与车间设计提供了很好的例子；然而，这些研究人员并没有明确解决选择数据项的问题。此外，即使将研讨会作为一种独立的方法，无论是允许最终用户创建他们的愿望清单，还是给他们一份准备好的选择清单，通常也不会带来完全令人满意的结果。当允许最终用户创建他们希望的数据项列表时，许多BI系统最初无法满足管理者的期望，因为管理者通常不知道他们需要什么样的数据和分析（Jenkins等人，1984年，Lederer&Prasad 1993年，Romero4&Abelló2010b）。在之前推出的BI系统中添加经过清理和测试的缺失数据集通常会导致成本大幅上升（Wetherbe 1991），通常每个数据集需要三个月的时间（Eckerson 2005）。或者，当向管理者提供潜在分析和所需数据项的选择列表时，他们通常想要所有这些（Eckerson 2010，Judd et al.1981）。很明显，让经理参与讨论他们在BI系统中需要的数据项是必要的，但这还不够。

为业务分析确定数据项优先级的决策模型将极大地为此类讨论提供信息。我们对年文献的系统搜索表明，迄今为止，似乎还没有发布一个正式的模型来对商业分析的数据项进行优先级排序。本研究解决了文献中的这一差距。最后，应该指出的是，本研究中描述的问题主要适用于传统的BI系统，而不是大数据系统。传统的BI系统是基于用户知道他们希望回答什么问题（或假设）以及进行什么样的分析的准digm。此类BI系统允许用户使用其业务背景知识，在结构良好的关系数据库上进行分析，并管理数据项。因此，由用户决定特定数据项的相关性，以回答特定问题——在访问数据之前做出决定。创建新数据通常与某种成本有关。在传统的BI系统中，组织通常是新数据的生产者（Chen等人，2012年），因此必须承担数据创建成本。虽然一些数据项的创建对于组织的运营至关重要（例如，财务账户、客户地址和交付状态），但还有许多其他数据项的创建是可选的。示例包括对交付货物质量的评级（采购）、调查费用索赔的原因（财务）、客户拜访的次数和时间（销售）、为单个客户电话提供的问题解决方案的类型（客户服务）以及由内部律师管理的案件组合（法律支持）。传统BI系统中积累大量数据的主要限制是内部数据创建（包括ETL）的高成本。