BzInsight

คราวที่แล้วเอาสรุปของผลสำรวจการใช้ระบบ BI ในองค์กรธุรกิจขนาดกลาง มาให้ดู ตอนนี้รายงานฉบับเต็มเปิดให้ดาวน์โหลดแล้ว ดาวน์โหลดได้ที่นี่เลยครับ (pdf 1.7 mb, ภาษาอังกฤษ)

wordle เป็นเว็บที่ใช้สร้าง word cloud หรือ text cloud ตามคำต่างๆ ที่กำหนดให้ ในลักษณะเดียวกับที่เราเห็นกันตาม web 2.0 หรือตามบล็อกทั่วไป ที่แตกต่างกันก็คือ wordle ให้คุณสามารถเลือกปรับแต่งได้ ไม่ว่าจะเป็นฟอนต์ สี การวางเลย์เอา ทำให้ภาพที่ได้สวยกว่า word cloud ทั่วๆ ไป

ถึงแม้ว่าจะสวยงาม แต่ก็ยังเป็นได้แค่ของเล่นเท่านั้น เพราะยังมีข้อจำกัดอยู่หลายอย่าง เช่น

• ผลลัพธ์ที่ได้เป็นแค่ภาพที่สวยงามเท่านั้น ผู้ใช้ไม่สามารถคลิ้กที่คำแต่ละคำได้
• การตัดคำภาษาไทย ถึงแม้ว่าจะมีฟีเจอร์ตัดคำทั่วไปของหลายๆ ภาษา แต่เห็นได้ชัดว่ายังไม่สามารถตัดคำภาษาไทยได้ ทำให้เราเห็นคำว่า “อม” เป็นคำที่สำคัญที่สุดในบล็อกนี้ไปได้

ส่วนที่น่าสนใจนอกเหนือไปจากการเป็นของเล่นแล้ว wordle ยังแสดงให้เห็นความสามารถพื้นฐานของสิ่งที่เรียกว่า text analytics ซึ่งโดยการหลักแล้วคล้ายคลึงกัน คือการอ่านข้อมูลตัวอักษร แยกคำต่างๆ ออกจากกัน แล้ววิเคราะห์หาความสำคัญและความสัมพันธ์ของคำต่างๆ เหล่านั้น ในขณะที่ wordle หรือ word cloud ทั่วไปกำหนดความสำคัญอยู่เพียงแค่ “จำนวน” ครั้งที่คำๆ หนึ่งปรากฎอยู่ในเว็บไซต์ เครื่องมือ text analytics มีความก้าวหน้ามากกว่านั้น โดยที่สามารถรวมกลุ่มคำที่มีความหมายใกล้เคียงกัน และคำที่มีความสัมพันธ์กัน เพื่อสร้างให้เกิด intelligence จากข้อมูลที่มีอยู่ได้

Teradata โชว์ต้นแบบการนำ SSD หรือ Solid-State Disk มาใช้ในงาน data warehouse เพื่อเพิ่มความเร็วในการอ่านข้อมูลได้สูงขึ้นถึงสองเท่า ลดโอกาสที่จะเกิดความผิดพลาดของ I/O เพราะไม่มีชิ้นส่วนกลไกที่ต้องเคลื่อนไหว และยังใช้พลังงานน้อยกว่าเทคโนโลยีฮาร์ดดิสก์แบบเดิมถึงครึ่งหนึ่ง

ได้มีการคาดการณ์ว่า SSD จะเข้ามามีบทบาทสำคัญในการใช้งานเชิงธุรกิจ (หลังจากที่เริ่มบุกตลาด consumer ผ่านทาง netbook มาแล้ว) ในปี 2011 แต่ทาง Teradata คาดว่าจะพร้อมนำ SSD มาใช้ใน Data warehouse appliance ในภายในปี 2009 ที่จะถึงนี้ ขึ้นอยู่กับราคาและประสิทธิภาพในตลาดของเทคโนโลยี SSD

อย่างไรก็ดี Teradata ก็ไม่ได้ทิ้งเทคโนโลยีฮาร์ดดิสก์เสียทีเดียว ระบบสถาปัตยกรรม Teradata Virtual Storage จะช่วยให้ลูกค้าสามารถเลือกใช้เทคโนโลยีการเก็บข้อมูลที่เหมาะสมกับความต้องการได้ ไม่ว่าจะเป็นฮาร์ดดิสก์ล้วน SSD ล้วน หรือจะผสมกันก็ได้ โดยหากเป็นระบบผสม จะสามารถกำหนดให้ข้อมูลที่ต้องการใช้บ่อยหรือ hot data ถูกเก็บไว้ใน SSD และข้อมูลอื่นที่ใช้น้อยกว่าเก็บไว้ในฮาร์ดดิสก์

ที่มา : Teradata Labs Unveils Innovative Data Warehouse Concept ผ่านทาง Teradata Partners - Spinning Solid State Disks

Data Warehouse หรือระบบคลังข้อมูล ถือเป็นองค์ประกอบที่สำคัญมากๆ ในงาน Business Intelligence ถึงแม้โดยพื้นฐานแล้ว data warehouse ก็ถือเป็น database หรือฐานข้อมูลประเภทหนึ่งเหมือนกัน แต่เนื่องจากวัตถุประสงค์ของการใช้งานแตกต่างออกไป ทำให้มีลักษณะสำคัญหลายอย่าง ที่แตกต่างจากระบบฐานข้อมูลที่ใช้ในการดำเนินธุรกรรมทางธุรกิจโดยทั่วไป

วัตถุประสงค์หลักของระบบคลังข้อมูล คือ “ช่วยสนับสนุนการตัดสิืนใจ“ ซึ่งแตกต่างจากวัตถุประสงค์ของระบบฐานข้อมูลในระบบงานคอมพิวเตอร์พื้นฐาน ที่มีเป้าหมายเพื่อเพิ่มประสิทธิภาพในการปฎิบัติงานอย่างใดอย่างหนึ่ง

ลักษณะสำคัญของ Data Warehouse ประกอบด้วย

• Integrated ระบบคลังข้อมูลจะเป็นการรวบรวมข้อมูลการดำเนินธุรกรรมจากหลายๆ แหล่งเข้ามาไว้ภายใต้โครงสร้างเดียวกัน ในขณะที่ฐานข้อมูลในระบบคอมพิวเตอร์โดยทั่วไป มักจะถูกออกแบบมาให้มีประสิทธิภาพสูงสุดในการดำเนินกิจกรรมอย่างใดอย่างหนึ่ง เช่น ระบบบัญชี ก็เน้นประสิทธิภาพสูงสุดในการบันทึกบัญชี ระบบงานขาย หรือระบบวางแผนการผลิตก็เช่นเดียวกัน และบ่อยครั้งที่ในบริษัทเดียวกัน มีการเลือกใช้ระบบงานแตกต่างกัน เช่นใช้ระบบบัญชีของ SAP แต่ใช้ระบบ CRM ของ Siebel เป็นต้น Data Warehouse จะทำหน้าที่ผสานรวมข้อมูลของสองระบบนี้เข้าไว้ด้วยกัน
• Subject-Oriented ลักษณะโครงสร้างของ DW จะจัดหมวดหมู่ตาม “เนื้อหา” ในขณะที่ฐานข้อมูลในระบบงาน OLTP (Online Transaction Processing) จะจัดหมวดหมู่ตาม “กระบวนการทำงาน” (Process-oriented) ตัวอย่างเช่น คลังข้อมูลที่มีข้อมูลการขาย แต่เกิดจากการรวบรวมข้อมูลจากระบบงานที่มีหลายขั้นตอน ตั้งแต่การรับออร์เดอร์ การตรวจสอบเครดิตลูกค้า การตรวจสอบสต็อกสินค้า การจัดเตรียมสินค้า พิมพ์อินวอยซ์ จัดส่ง วางบิล เก็บเงิน รับสินค้าคืนในกรณีที่เสียหายหรือผิดพลาด รวมไปจนถึงการบันทึกบัญชีลูกหนี้ เป็นต้น จะเห็นได้ว่าในหนึ่งเรื่องแค่การขายอย่างเดียว มีกระบวนการที่เกี่ยวข้องด้วยมากมาย แต่เนื้อหายังคงอยู่ในหมวดการขายทั้งสิ้น
• Non-Volatile ข้อมูลที่จะถูกจัดเก็บในคล้งข้อมูล จะมีลักษณะที่ “ไม่เปลี่ยนแปลง” หรือถ้าจะมีการเปลี่ยนแปลงบ้างก็น้อยมาก จนเรียกได้ว่าเป็นกรณียกเว้นเลยทีเดียว เมื่อข้อมูลถูกนำเข้าไปใส่ไว้ในระบบ data warehouse แล้ว การใช้งานโดยส่วนใหญ่ มากกว่า 99% จะเป็นการ “อ่าน” ข้อมูลเพื่อใช้ในการวิเคราะห์และสนับสนุนการตัดสินใจในรูปแบบต่างๆ น้อยมากที่ข้อมูลในคลังข้อมูลจะต้องทำการ “แก้ไข หรือเปลี่ยนแปลง”  แต่ถ้าเปรียบเทียบกับระบบปฎิบัติงานทั่วไปแบบ OLTP อาทิเช่นระบบรับคำสั่งซื้อ หรือระบบบริการลูกค้าทาง call center ข้อมูลใบสั่งซื้อหรือข้อมูลการติดต่อกับลูกค้าแต่ละรายการ จะถูกเปลี่ยนแปลงไปอยู่ตลอดเวลา เพื่อให้สามารถสะท้อนถึงสถานะปัจจุบันของกิจกรรมนั้นๆ ได้ในลักษณะ realtime เช่น คำสั่งซื้อนี้อยู่ในขั้นตอนการตรวจสอบเครดิต ณ เวลานี้ แต่ในอีก 2 นาทีข้างหน้าจะถูกเปลี่ยนสถานะเป็น จัดเตรียมสินค้า เป็นต้น
• Time-Variant โดยมากการตัดสินใจทางธุรกิจ จะต้องใช้ข้อมูลของสิ่งที่เกิดขึ้นในอดีตมาเป็นฐานประกอบการตัดสินใจ ดังนั้นระบบคลังข้อมูลจึงเน้นความสำคัญที่ “การจัดเก็บข้อมูลตามห้วงเวลา” หรือการเก็บรายละเิอียดข้อมูลในอดีตไว้เป็นจำนวนมาก ตัวอย่างเช่น ข้อมูลยอดขายของสินค้ารายการหนึ่ง อาจจะถูกเก็บใน data warehouse ย้อนหลังไป 3 ปี 5 ปี หรืออาจจะตั้งแต่เริ่มจำหน่ายสินค้านั้นเลยก็เป็นได้ เพื่อใ้ห้สามารถวิเคราะห์ถึงแนวโน้มในอดีต และพยากรณ์แนวโน้มในอนาคตต่อไปได้ แต่ถ้าเปรียบเทียบกับระบบสั่งซื้อสินค้า ซึ่งมีวัตถุประสงค์หลักคือเพื่อรับคำสั่งซื้อ ดังนั้นข้อมูลประวัติยอดขายในอดีต จึงมีความสำคัญไม่มากนัก โดยส่วนใหญ่แล้ว มักจะเก็บข้อมูลไว้เพียงแค่ 1-2 รอบทำการ (อาจจะวันหรือเป็นเดือนก็ได้) เมื่อมีการประมวลผลสิ้นวันหรือสิ้นเดือนแล้ว ก็จะทำการ purge ข้อมูลเก่าทิ้งไป เพื่อให้ระบบมีึความคล่องตัว และสามารถประมวลผลคำสั่งซื้อใหม่ๆ ได้อย่างรวดเร็ว

ด้วยลักษณะดังกล่าว ทำให้โดยทั่วไปแล้ว data warehouse มักจะมีขนาดใหญ่ ยิ่งหน่วยงานธุรกิจมีขนาดใหญ่ กระบวนการทำงานซับซ้อน ข้อมูลหลากหลาย ขนาดของ DW ในองค์กรก็จะใหญ่และซับซ้อนตามไปด้วย อย่างไรก็ตาม “ขนาด” ไม่ได้เป็นลักษณะสำคัญโดยเฉพาะ ฐานข้อมูล OLTP ก็สามารถมีขนาดใหญ่ได้ โดยไม่จำเป็นต้องเป็น data warehouse

คนที่เคยสงสัยคำว่า OLAP (OnLine Analytical Processing) มันมีความหมายว่าอย่างไร มีหลักการพื้นฐานที่สำคัญอย่างไรบ้าง ลองไปอ่านที่ OLAP Workshop : Basic Overview of OLAP Concepts ดูนะครับ เพราะอธิบายหลักการ และความหมายของคำสำคัญๆ ที่ใช้ในงาน OLAP ไว้ได้ดี มีรูปประกอบด้วย บทความชุดนี้มีหลายตอน แต่ผมคิดว่าจะค่อยๆ ทยอยแปลมาเป็นภาษาไทยทีละส่วน น่าจะได้ประโยชน์เพิ่มมากขึ้นกับคนที่ไม่สะดวกอ่านภาษาอังกฤษ

น้องชายส่ง fwd mail มาให้ เป็นเรื่องเล่าเกี่ยวกับการมีทัศนคติที่ดี เลยทำเป็น slideshare จะได้อ่านกันได้ง่ายๆ

ความจริงแล้วเรื่อง positive attitude หรือการมองโลกในแง่บวก เป็นอะไรที่เราคงได้ยินกันบ่อยๆ อยู่แล้ว โดยส่วนตัวผมเองก็เชื่อว่า วิธีการที่เรามองเรื่องราวต่างๆ ส่งผลมากต่อการดำเนินชีวิตของเรา เคยได้ยินมาว่า เหตุการณ์ต่างๆ ที่เกิดขึ้นในชีวิต 10% เท่านั้นที่เกิดจากสิ่งที่มา “กระทบกับเรา” จากภายนอก ส่วนอีก 90% เกิดจากผลการกระทำของเราเอง ที่ตอบสนองต่อเหตุการณ์ที่เข้ามากระทบนั้น และแน่นอน ทัศนคติ มีผลต่อการตอบสนองของเราเป็นอย่างยิ่ง

ก้อนหินที่แข็งและแหลมคม เมื่อเราเอาผ้านุ่มๆ วางทับลงไปแล้ว สามารถนั่งหรือวางเท้าได้สบายและรู้สึกเหมือนว่าก้อนหินนั้นนุ่ม

วาจาที่แข็งกร้าวของผู้อื่น มีบ่อยครั้งที่เราสามารถเอาชนะได้ด้วยวาจาที่นุ่มนวลของเรา ถ้าใช้เมตตาซึ่งเป็นเสมือนผ้านุ่มวางทับลงไปก่อน ก็อาจพูดให้เขาเชื่อฟังได้โดยง่าย เราจะได้ทั้งไมตรีและความเคารพเลื่อมใสจากเขา ลองฝึกดูเถิดจะเห็นเอง

ทีมงานในโครงการด้าน BI ที่ผมทำงานด้วยนี่จัดกลุ่มไว้เป็นสามกลุ่ม ตามความพร้อมแต่ละด้าน คือ ด้าน technical, user และ client  ทีมงานด้านเทคนิคคือฝ่าย IT ที่ดูแลงานออกแบบและสร้างระบบ ผู้นำด้านผู้ใช้จะเป็นตัวแทนด้าน business requirements หรือการปรับเปลี่ยนกระบวนการทำงานต่างๆ (work processes) เพื่อให้การนำระบบงานเข้าไปใช้ให้เกิดประโยชน์สูงสุด ส่วนกลุ่มที่ติดต่อกับผู้บริหารก็ทำหน้าที่ผู้จัดการโครงการโดยทั่วไป คอยสื่อสารกับผู้บริการและผู้เกี่ยวข้องอื่นๆ

หนึ่งในงานชิ้นใหญ่เลยคือการเตรียมข้อมูลอ้างอิง หรือ master data ซึ่งจากที่เคยคุยให้ฟังแล้วว่า การสำรวจความพร้อมของ master data ถือเป็นเรื่องจำเป็นสำหรับการทำระบบ Business Intelligence เนื้องานกว่าครึ่งในโครงการ BI จะเกี่ยวข้องกับการจัดเตรียมข้อมูลอ้างอิง (ไม่นับรวมกับการพัฒนาระบบนะครับ)

ผมสังเกตเห็นว่า โดยมากแล้วคนในโปรเจ็คจะมองว่างานด้านข้อมูล เป็นงานเชิงเทคนิค การจัดการข้อมูล หาข้อมูลอ้างอิงที่ซ้ำซ้อนกัน เอามาทำความสะอาดแล้วก็อัพโหลดเข้าไปในระบบ เพื่อให้รายงานออกมาอ้างอิงอยู่บน master data ที่ถูกต้องครบถ้วนก็ใช้ได้แล้ว ดังนั้นเลยกลายเป็นว่า ใช้ให้คนแผนกไอทีเป็นคนทำ แล้วเลยกลายเป็นว่า master data readiness กลายเป็นหนึ่งในปัจจัยเชิงเทคนิคไปเสียได้

ทั้งๆ ที่ในความคิดของผมแล้ว ผลลัพธ์คุณภาพของข้อมูลอ้างอิง กว่า 80 เปอร์เซ็นต์เป็นเรื่องของบุคคลากรในองค์กร และกระบวนการทำงานครับ ที่เห็นประจำมีสองข้อคือ

1. นิยามของข้อมูลอ้างอิงที่ไม่ชัดเจน หรือไม่สอดคล้องกัน อย่างข้อมูลเกี่ยวกับลูกค้า อาจจะมี attribute หนึ่งที่บอกว่าลูกค้ารายนี้เป็นลูกค้าชั้นดีหรือไม่ ซึ่งในแง่เทคนิคแล้วง่ายมาก ถ้าเป็นลูกค้าชั้นดี attribute top_customer มีค่าเป็น Y ถ้ามีค่าอื่นแสดงว่าไม่ใช่ลูกค้าชั้นดี ปัญหาส่วนใหญ่จะอยู่ที่ หัวหน้าแต่ละแผนก ให้นิยามของลูกค้าชั้นดีแตกต่างกัน ฝ่ายขายอาจจะดูที่ยอดขาย ในขณะที่ฝ่ายการเงินดูที่ประวัติการชำระเงิน
2. ขั้นตอนการทำงานในการ CRUD (Create-Read-Update-Delete) ของข้อมูลอ้างอิง ไม่ได้มีการกำหนดไว้อย่างชัดเจน ลูกค้าอาจจะแค่เปลี่ยนชื่อบริษัท (แต่ยังเป็นลูกค้ารายเดิม) ก็กลายเป็นว่ามีการสร้าง customer id รายใหม่เข้ามาในระบบ ทั้งนี้เพราะเซลล์ซึ่งดูแลลูกค้ารายนี้ ไม่ได้แจ้งกับเจ้าหน้าที่ที่ทำหน้าที่บันทึกข้อมูล ว่าลูกค้ารายนี้มีประวัติอยู่ก่อนแล้ว

เอาแค่สองข้อนี้ ก็คงพอจะเห็นแล้วนะครับว่า ความพร้อมด้านข้อมูลอ้างอิง ไม่ได้ดูจากตัวข้อมูลเอง แต่ดูจาก “นิยาม” และ “กระบวนการจัดการข้อมูล” ที่ชัดเจนและสอดคล้องกัน ซึ่งเป็นหน้าที่ของทางฝ่ายธุรกิจ ที่จะต้องผลักดันให้เกิดความเข้าใจที่ตรงกันและมีขั้นตอนการทำงานที่เหมือนกัน ฝ่ายไอทีเพียงแต่เป็นผู้ลงมือปฎิบัติ หรือสร้างเครื่องมือช่วยให้การปฎิบัติงานสะดวกมากขึ้นเท่านั้นเอง

เว็บไซต์ Oracle Management Excellence มี resource ในหลายรูปแบบ เน้นไปที่ EPM หรือ Enterprise Performance Management ซึ่งผมถือว่าเป็นการนำ business intelligence ไปใช้งานกลุ่มเฉพาะที่เน้นไปที่การเพิ่มความสามารถในการบริหาร “ผลประกอบการ” ขององค์กร

ภายในเว็บก็จะมี podcast มี presentation รวมถึงบันทึกการบรรยายทางเว็บหรือที่เรียกว่า webcast ที่เราสามารถดาวน์โหลดมาศึกษาเองได้ หรือถ้าใครสนใจ ก็สามารถสมัครเข้าฟังบรรยายสดได้ฟรี โดยลงทะเบียนผ่านทางเว็บได้เลย เนื้อหาก็ไม่ลงรายละเอียดมากนัก ไปทาง strategy, concept, case study กับ demo ความสามารถของผลิตภัณฑ์ oracle (แน่อยู่แล้ว)

ผมสังเกตว่า Oracle เริ่มปรับทิศทางด้าน BI มาชัดเจนมากขึ้น หลังจากการซื้อ Hyperion มาเมื่อปีที่แล้ัว แต่ก็ยังเห็นความเหลื่อมๆ กันอยู่บ้างระหว่างผลิตภัณฑ์ที่พัฒนามาเอง กับที่เพิ่งซื้อเข้ามา (รวมถึง Siebel Analytics/Dashboard ที่ซื้อมาก่อนหน้านี้ด้วย)

ฟัง podcast ช่างคุย ในตอนที่ 100 เรื่อง 4 wired articles แล้วให้สะดุดใจ ในเรื่องของรถไฟฟ้ากับแนวคิดการสร้างเครือข่ายพลังงานแบตเตอรี่ คุณ @hongsyok พูดไว้ประโยคหนึ่งที่ผมคิดว่าน่าสนใจมาก นั่นคือ ความพร้อมในการ ‘Commercialize’ หรือพัฒนาให้เกิดผลในเชิงพาณิชย์ได้ของนวัตกรรมใดๆ จะต้องมีองค์ประกอบสามด้านเสมอ นั่นคือความพร้อมทางด้านเทคโนโลยี ทางด้านผู้ับริโภค และทางด้านโครงสร้างพื้นฐาน แวบนั้นผมนึกไปถึงเจ้าเครื่อง Segway ซึ่งเป็นสิ่งประดิษฐืที่มีความพร้อมทางด้านเทคโนโลยี แต่อาจจะยังขาดความพร้อมทั้งทางด้านผู้ใช้ (ที่มีกำลังซื้อ) และที่แน่ๆ คือ infrastructure ไม่เอื้ออำนวย นอกเสียจากจะรื้อแล้วทำทางเดินเท้าใหม่ทั้งหมด ก็เข้าข่ายเดียวกันกับรถไฟฟ้า

กลับมาเข้าเรื่อง Business intelligence กันบ้าง ผมมองว่า ไม่ต่่างกันมากนัก การจะนำ BI เข้ามาใช้ในองค์กรให้ประสบความสำเร็จ ต้องมีองค์ประกอบสามด้านเช่นกัน ที่แตกต่างกันก็คือ ผมมองโครงสร้างพื้นฐาน (network bandwidth, computing power) เป็นส่วนหนึ่งของความพร้อมทางด้านเทคนิค ส่วนที่เพิ่มเข้ามาคือความพร้อม Client ซึ่งในที่นี้หมายถึง ผู้บริหารที่ตัดสินใจจะนำ BI เข้ามาใช้เพิ่มประสิทธิภาพการทำงานในองค์กรนั่นเอง เพราะในงาน BI คนจ่ายตังค์กับคนใช้ มักจะเป็นคนละกลุ่มกัน

บ่อยครั้งที่การตัดสินใจพัฒนา และนำระบบ BI เข้ามาใช้ มีพื้นฐานมาจากความพร้อมทางเทคนิคเพียงอย่างเดียว แต่ละเลยความสำคัญในอีกสองส่วนไป ทำ้ให้เกิดปัญหาทำ report บ้าง ทำ cube บ้างมาเยอะแยะ แล้วก็ไม่มีคนใช้ หรือไม่ก็ใช้ไปๆ ก็เลิกใช้เสียยังงั้นแหละ

ลองมาดูกันบ้างว่า คำถามประเภทไหน ที่น่าจะถามเพื่อวัดถึงความพร้อมในแต่ละด้าน อันนี้เป็นแค่ตัวอย่างนะครับ

Technical Readiness - ความพร้อมทางด้านเทคนิค

• ระบบทำงานได้ถูกต้องและแม่นยำ มีอาการ แฮงค์ ตัวเลขแปลกๆ เพี้ยนๆ บ้างหรือไม่
• ความนำเชื่อถือ หรือ reliability ของระบบ Daily updates ตอนเช้าให้รายงานล่าสุดสม่ำเสมอหรือไม่ หรือว่ารายงานออกช้าเป็นประจำ job failed วันเว้นวัน
• การสนับสนุนทางเทคนิค พร้อมหรือไม่ ใครรับสายจากผู้ใช้ ถ้ามีปัญหา call center รู้หรือไม่ว่าจะตามหาใคร

User Readiness - ความพร้อมด้านผู้ใช้

• ใช้งานระบบใหม่เป็นหรือยัง ผ่านการอบรมมาหรือไม่ รู้หรือไม่ว่าเมื่อไหร่ควรเปิดใช้ cube A แทนที่จะเป็น cube B
• ถ้ามีปัญหา ทราบหรือไม่ว่าต้องติดต่อใคร ไม่ว่าจะเป็นปัญหาเกี่ยวกับตัวระบบ หรือปัญหาเกี่ยวกับข้อมูลที่แสดงให้เห็น
• ทราบหรือไม่ว่า “ความคาดหวัง” ที่เปลี่ยนไปหลังจากใช้ระบบเป็นอย่างไร กระบวนการทำงานบางอย่างจะเปลี่ยนแปลงไปจากเดิมอย่างไรบ้าง รายงานหรือข้ือมูลบางฉบับควรจะถูกยกเลิก หลังจากที่ BI ถูกนำมาใช้

Client Readiness - ความพร้อมด้านผู้บริหาร

• พร้อมที่จะให้งบประมาณ ทรัพยากรบุคคล และการสนับสนุนเพื่อให้ระบบ BI สามารถทำงานได้สำเร็จหรือไม่
• เข้าใจถึง “ต้นทุน” ในระหว่างการติดตั้ง และในระหว่างดำเนินการหรือไม่ ไม่เฉพาะแค่รายจ่ายเป็นตัวเิงิน แต่รวมถึง TCO: Total Cost of Ownership อาิทิเช่น การเปลี่ยนแปลงกระบวนการทำงาน การควบคุมคุณภาพของข้อมูล เป็นต้น
• เข้าใจถึงวิธีการที่จะวัด “ประสิทธิภาพ” ที่เพิ่มขึ้นจากการนำ BI มาใช้งาน