商业智能主动帮助企业理解无数的数据点、将众多数据库字段转化为用于推动业务的可行信息。但是，并不是每个BI战略都能如想象中那么成功——往往因为没有从高质量的数据入手。

　　不一致的数据可以有许多形式。你可能有一些数据阶层，就像在威斯敏斯特学院里我们一些数据的案例那样。当你剥开层你会发现，可以根据随时间推移而造成的信息变化方式，确定组织历史上的关键时刻。在分析我们的筹款数据里，我们追溯到13年前并发现约4个不同的层的数据。在每一层中数据是完全不同的，就跟不同的副总裁来了又离开了一样。

　　对于正在进行的报告和智能需求，这是一个远离理想的情况，有可能损坏决策。这里有各种解决方案。

　　创建转换矩阵

　　幸运的是，即使有四套不同的代码和数据层，每一层内的所有数据是一致的。因此，创建一个转换矩阵从各个单独的层进行数据映射，使报告和情报系统使用一个共同的、易于理解的数据集。所以一些集成数据仓库的BI系统可以作为配置的一部分。

　　当然，用这种方法有潜在的缺陷：您可能会在每一层内遇到前后矛盾的代码，但你也许可以建立转换矩阵条目来处理这些缺陷，或者你可以在每一层内重新编写不一致的代码。

　　清理历史数据

　　一个潜在的更清楚——但非常困难——处理不一致数据的方式是回查历史数据，并进行数据清理，以便数据从开始到结束都是一致的。这是一个一次性的努力成果，可以简化正在进行的报告和智能工作。然而，历史数据的清理也是一项艰巨的任务，必须格外小心。作为这种努力成果的一部分，你很有可能一直需要在某个地方创建一个转换矩阵。

　　在威斯敏斯特，我们已经结合了这些方法。由于严重的数据质量问题、正在进行报告的困难和业务流程的挑战，我们迁移到了一个新的筹款信息系统，最终目标是重新编码并且使我们历史筹款的所有信息一致。我们的BI战略包括创建转换矩阵，并且已经使我们筹款数据标准化。我们现在与其他地区的校园一起享受更好的整合机会，带来改进以及更有效的业务流程和报告结果。