為什么要在多維數據庫里面存一些半成品呢？由于BI的數據分析量是非常大的，如果直接在原始數據庫里面做分析，速度會非常慢。BI系統用多維數據庫就是要把這種數據量很多的計算，利用平時的時間先做成半成品，然后放到多維數據庫里面，在使用BI展現工具的時候效率就會高很多倍。
對于大企業來講，BI系統一般不會作為eHR的主要部分去建立。BI平臺不能直接跟eHR數據庫連接，會極大地影響其運作效率。因為，從BI的體系結構來看，其數據源既有eHR系統，也會包括其他系統，多數據源的數據集成到BI數據庫里面去形成一個數據倉庫，再以圖形和報表兩種方式輸出分析結果。因此，指標分析系統不只是把數據提取出來，關鍵更是在于分析，難就難在指標模型的建立。
要做HR-BI體系的第一步是關鍵指標的識別。比如，做一個保險項目，要給人力資源部門提取多個人力資源的關鍵指標，可以分成狀態指標和經營指標，狀態指標是eHR系統完全可以提取的，比如說總量及分布、人員類型分布、增員情況、離職情況及培訓情況等。而人力資源的經營指標是和業務關聯在一起的，營業收入、利潤、市場占有率其他指標，但是這些指標都和人又關聯在一起。讓系統用戶(很可能不是人力資源管理人員，而是每個機構的老總)去填，然后提取大家都感興趣的一些關鍵指標做到系統里面，當然還包括一些不會在這個系統實現的指標。這就是第一步叫指標識別，相對來講比較容易，因為對這個指標的定義只是一個比較粗淺的框架性的定義。
第二步是要對指標的詳細內容進行定義。比如說總人數，這個指標看起來很簡單，但實際上，不同機構對總人數的定義可能差別會很大，要在一個企業里形成某一項指標的統計口徑、統計緯度的規范和標準。另外，指標里面涉及到的一些參數的數據來源都要提前定義清楚。不把數據源定義清楚，IT根本沒法實現。
還有一些細節，要先對指標進行類型劃分，類型劃分完后它的展現形式自然就定義出來了。不同類型的指標有不同的表現形式，總量型的指標可能是一張表，趨勢性的指標可能是一個趨勢，結構性的指標可能是餅圖等。
另外，每一個指標都要定義它的關聯指標。因為，單一指標不能反映問題的全貌，一組指標才有分析的價值。指標定義需要企業內反復的討論、研究哪一組指標放在一起能夠反映什么問題。
接下來就是指標的基準定義。以離職率為例，離職率為5%，只是一個數字，對決策者而言能說明什么？對于企業來說，對每個決策指標都給出定義基準非常重要。這個基準的定義往往基于兩方面，一是參考外部標桿，二是分析內部經營狀況。一般來講，在建立基準的時候不是一個基準，按照慣例往往是3個基準，一個叫做低分位值，一個叫中分位值，一個叫高分位值，分別代表著這個指標略差、平均和較好的情況將表現出是怎樣的數值。這3個值定義好后就產生4個區間。有這4個區間之后，看企業通過BI提取的指標的絕對值落在哪個區間，就能得出其代表什么含義。這有點像我們在醫院做B超的時候，醫生在檢查者身上掃一圈，然后那個電腦上就自動出現一段話說這個檢查者有什么毛病。雖然，這種決策支持、人工智能還是有些人工干涉，但是已經省了很多事，因為它已經定義好落在不同的區間代表什么含義，已經有相應的分析來描述。