为什么要在多维数据库里面存一些半成品呢？由于BI的数据分析量是非常大的，如果直接在原始数据库里面做分析，速度会非常慢。BI系统用多维数据库就是要把这种数据量很多的计算，利用平时的时间先做成半成品，然后放到多维数据库里面，在使用BI展现工具的时候效率就会高很多倍。
对于大企业来讲，BI系统一般不会作为eHR的主要部分去建立。BI平台不能直接跟eHR数据库连接，会极大地影响其运作效率。因为，从BI的体系结构来看，其数据源既有eHR系统，也会包括其他系统，多数据源的数据集成到BI数据库里面去形成一个数据仓库，再以图形和报表两种方式输出分析结果。因此，指标分析系统不只是把数据提取出来，关键更是在于分析，难就难在指标模型的建立。
要做HR-BI体系的第一步是关键指标的识别。比如，做一个保险项目，要给人力资源部门提取多个人力资源的关键指标，可以分成状态指标和经营指标，状态指标是eHR系统完全可以提取的，比如说总量及分布、人员类型分布、增员情况、离职情况及培训情况等。而人力资源的经营指标是和业务关联在一起的，营业收入、利润、市场占有率其他指标，但是这些指标都和人又关联在一起。让系统用户(很可能不是人力资源管理人员，而是每个机构的老总)去填，然后提取大家都感兴趣的一些关键指标做到系统里面，当然还包括一些不会在这个系统实现的指标。这就是第一步叫指标识别，相对来讲比较容易，因为对这个指标的定义只是一个比较粗浅的框架性的定义。
第二步是要对指标的详细内容进行定义。比如说总人数，这个指标看起来很简单，但实际上，不同机构对总人数的定义可能差别会很大，要在一个企业里形成某一项指标的统计口径、统计纬度的规范和标准。另外，指标里面涉及到的一些参数的数据来源都要提前定义清楚。不把数据源定义清楚，IT根本没法实现。
还有一些细节，要先对指标进行类型划分，类型划分完后它的展现形式自然就定义出来了。不同类型的指标有不同的表现形式，总量型的指标可能是一张表，趋势性的指标可能是一个趋势，结构性的指标可能是饼图等。
另外，每一个指标都要定义它的关联指标。因为，单一指标不能反映问题的全貌，一组指标才有分析的价值。指标定义需要企业内反复的讨论、研究哪一组指标放在一起能够反映什么问题。
接下来就是指标的基准定义。以离职率为例，离职率为5%，只是一个数字，对决策者而言能说明什么？对于企业来说，对每个决策指标都给出定义基准非常重要。这个基准的定义往往基于两方面，一是参考外部标杆，二是分析内部经营状况。一般来讲，在建立基准的时候不是一个基准，按照惯例往往是3个基准，一个叫做低分位值，一个叫中分位值，一个叫高分位值，分别代表着这个指标略差、平均和较好的情况将表现出是怎样的数值。这3个值定义好后就产生4个区间。有这4个区间之后，看企业通过BI提取的指标的绝对值落在哪个区间，就能得出其代表什么含义。这有点像我们在医院做B超的时候，医生在检查者身上扫一圈，然后那个电脑上就自动出现一段话说这个检查者有什么毛病。虽然，这种决策支持、人工智能还是有些人工干涉，但是已经省了很多事，因为它已经定义好落在不同的区间代表什么含义，已经有相应的分析来描述。