商業智能及其應用分析

摘 要：介紹了商業智能的基本概念，商業智能的三個核心技術，分析了當今商業智能的幾個關鍵應用領域，最后簡單的介紹了商業智能的發展趨勢。

關鍵詞：商業智能；數據倉庫；聯機分析處理；數據挖掘

中圖分類號：F272文獻標識碼：A文章編號：1672-3198（2008）02-0138-02

1 商業智能概述

商業智能（Business Intelligence，簡稱BI）是為提高企業運營性能和提高企業決策能力而采用的一系列方法、技術和軟件的集合。其主要目標是將企業所掌握的信息轉換成競爭優勢，提高企業決策能力、決策效率、決策準確性。

BI的關鍵是從許多來自不同的企業運作系統的數據中，提取出有用的數據，進行清理以保證數據的正確性，然后經過抽取（Extraction）、轉換（Transformation）和裝載（Load），即ETL過程，合并到一個企業級的數據倉庫里，從而得到企業數據的一個全局視圖，在此基礎上利用合適的查詢和分析工具、數據挖掘工具、OLAP工具等對其進行分析和處理（這時信息變為輔助決策的知識），最后將知識呈現給管理者，為管理者的決策過程提供支持。商業智能的這個基本過程如圖1所示。

2 商業智能核心技術

商業智能的核心技術包括數據倉庫（Data Warehousing）、聯機分析處理（On－line Analytical Processing，OLAP）、數據挖掘（Data Mining）在內的用于統計和分析商務數據的先進的信息技術。

2.1 數據倉庫

數據倉庫（Data Warehouse）是一個面向主題的、集成的、隨時間變化的、非易失的、主要用于決策支持的數據的集合。利用數據倉庫技術可以動態將異構系統中的數據抽取集成到一起，按照單一的模式進行存儲，并通常將這些信息駐留在單個站點。其通過數據清理、數據變換、數據集成、數據裝入處理之后加載到數據倉庫中，通過定期數據刷新來構造其內容。為用戶提供一個統一的干凈的數據視圖，為數據分析提供一個高質量的數據源。數據倉庫收集了整個企業的主題信息，因此它是企業范圍的數據存儲。對于數據倉庫中的數據，可以使用一些增強的查詢和報表工具進行復雜的查詢和即時的報表制作，可以利用聯機分析處理（OLAP）技術從多種角度對業務數據進行多方面的匯總統計計算，還可以利用數據挖掘技術發現其中的有用信息。

2.2 聯機分析處理

聯機分析處理(Online Analytical Processing，簡稱OLAP)是使分析人員、管理人員或執行人員能夠從多種角度對從原始數據中轉化出來的、能夠真正為用戶所理解的、并真實反映企業維度特性的信息進行快速、一致、交互地存取，從而獲得對數據的更深入了解的一類軟件技術。它的技術核心是“維”這個概念，因此OLAP也可以說是多維數據分析工具的集合。數據倉庫建立之后，即可以利用OLAP復雜的查詢能力、數據對比、數據抽取和報表來進行探測式數據分析了。用戶在選擇相關數據后，通過切片、切塊、上鉆、下鉆、旋轉等操作，可以在不同的粒度上對數據進行分析嘗試，得到不同形式的知識和結果。OLAP側重于與用戶的交互、快速的響應速度及提供數據的多維視圖。

2.3 數據挖掘

數據挖掘（Data Mining）又稱知識發現（Knowledge Discovery in Database，簡稱KDD），是從大量數據中抽取有意義的、隱含的、以前未知的并有潛在使用價值的知識的過程。

在數據挖掘技術中常用的數據模型有:①分類模型，是根據商業數據的屬性將數據分派到不同的組中；

②關聯模型，主要描述一組數據項目的密切度和關系；

③順序模型，主要用于分析數據倉庫中的某類同時間相關的數據，并發現某一時間段內數據的相關處理模型；

④聚簇模型，當要分析的數據缺乏描述信息，或者是無法組織成任何分類模式時，可以采用聚簇模型。聚簇模型是按照某種相近程度度量方法將用戶數據分成互不相同的一些分組。組中的數據相近，組之間的數據相差較大。

數據挖掘注重自動發現隱藏在數據中的模式和有用信息，盡管允許用戶指導這一過程。OLAP的分析結果可以給數據挖掘提供分析信息作為挖掘的依據，數據挖掘可以拓展OLAP分析的深度，可以發現OLAP所不能發現的更為復雜、細致的信息。

3 商業智能的典型應用

商業智能作為一種企業信息集成解決方案，為企業不同的應用系統。如企業資源規劃(ERP)、客戶關系管理(CRM)、供應鏈管理(SCM)、辦公自動化(OA)、電子商務(E-Commerce)以及外部環境掃描（Environmental Scanning）等系統之間架起了互通的橋梁。同時，這些信息化系統也為商業智能提供了數據源。商業智能的典型應用包括經營分析，戰略決策支持，績效管理， 異常處理等。

3.1 經營分析

經營分析包括經營指標分析、經營業績分析和財務分析三部分。經營指標分析是指對企業不同的業務流程和業務環節的指標（利潤率、銷售率、庫存量、單品銷售情況及所占營業比例、風險采購和庫存評價指標等）進行搜集和分析。利用商業智能管理技術可以對這些指標進行科學的組織和分析，形成一個能反映企業整體情況的數學模型。這樣通過觀察總指標并設置告警，能獲得整個企業的經營狀況。

經營業績分析是指對各部門的營業額、銷售量等進行統計，在此基礎上進行同期比較分析、應收分析、盈虧分析、各種商品的風險度分析等。經營業績分析有利于企業實時掌握自身的發展和經營情況，有利于企業及時調整經營業務、化解經營風險。

財務分析是指對企業財務數據中的利潤、費用支出、資金占用及其他具體經濟指標進行有效分析。通過財務分析，可以及時掌握企業在資金使用方面的實際情況，為及時調整和降低企業成本提供數據依據。

3.2 戰略決策支持

在經營分析的基礎上，將各類數據、信息進行高度的概括和總結，然后形成供高級決策者進行戰略決策時參考的企業經營狀況分析報告是商業智能的優勢所在。商業智能對戰略決策的支持，表現在以下幾個方面：

①在公司戰略決策支持層面上，可以根據公司各戰略業務單元的經營業績和經營定位，選擇一種合理的投資組合戰略；

②在業務戰略決策支持層面上，由于商業智能系統中集成了更多的外部數據，如外部環境和行業信息，各戰略業務單元可據此分別制定自身的競爭戰略；

③在職能戰略決策支持層面上，由于來自于企業內部的各種信息，源源不斷地輸入進來，相應地可以提供營銷、生產、財務、人力資源等決策支持。

3.3 績效管理

商業智能技術能夠從企業各種應用系統中提取出各種基礎績效指標與關鍵績效指標(KPI， Key Performance Indicator)。為了考核員工的績效，企業可以先將希望員工要做的工作進行量化，然后借助商業智能工具，管理人員可以追蹤、衡量和評價員工的工作績效，引導員工的思想方向和行動與企業的整體目標保持一致。

3.4 異常處理

它是商業智能數據挖掘應用的典型事例，通過發展曲線企業及時發現市場和顧客異常情況，快速采取措施，降低企業風險提高企業收益。如信用卡分析，銀行、保險等行業的欺詐監測等。

4 商業智能的發展趨勢

隨著商業智能市場的日益成熟，2007年商業智能領域，仍然是上升的趨勢。在所有發展中有三個發展趨勢將對未來技術產生巨大的影響。

4.1 BI公司的合并

目前，人們不得不面對商業智能市場的劇烈震蕩，每個商業智能公司都狼吞虎咽般的收購小公司，這些收購可以分為三類：

①數據質量廠商被收購。②企業信息集成廠商也被收購或者成為其它BI供應商的戰略聯盟。③小廠商在出名前已經被收購。

這些收購使得BI廠商鞏固了商業智能解決方案，讓實施變得更簡單。一個廠商的界面讓人更容易接受。這是毫無疑問的“一站式”方案。

4.2 從戰略型的BI到操作型或者實時型的BI

目前，企業日益要求減少從發現問題到采取行動的反應延遲，這大大推動了BI分析應用的發展。根據決策專家的觀點，這種反應的延遲有三個組成部分。數據準備的延遲（獲取要分析的數據的時間），分析延遲（通過分析得到結果的時間），決策延遲（理解分析結果并且采取行動的時間）。對于操作型的BI這三種延遲幾乎可以減少到忽略不計，是非常有意義的。

為了減少數據準備的延遲，可以采用EII技術開發虛擬BI組件，包括虛擬操作數據存儲（ODS）和數據集市。

為了減少分析的延遲，操作型分析引擎中的企業活動監控（BAM）能及時的讓業務人員看到分析結果，并且超出值域時發出報警。

關鍵績效指標（KPI），每隔幾個小時或者更頻繁的發送給業務人員，整理當前的操作型結果并且在企業門戶以儀表盤的形勢展現出來，給業務人員深入分析關鍵事件的機會。

分析和展現操作型數據是非常有意義的，但是商業智能中不是所有數據都要包括。所以應該非常仔細的評估實時分析的數據。完全理解業務需求，才能找出海量數據中真正需要的那一小部分。

4.3 更成熟的數據分析和展現技術

起初，BI只有簡單的報表和查詢，然后有了多維分析。現在有了更復雜的方向，那就是使用數據挖掘進行深入分析，支持自定義查詢的統計方法和技術，不規則的查詢。

這些技術提升了預測分析和決策能力，并且可以嵌入到操作流程中。目前有些公司能夠實施操作型或者實時BI，給前臺人員訪問分析結果的能力，他們的日常業務都可以與數據的分析相結合。

但是值得我們注意的是，在實施過程中應該采取企業級的BI架構和技術，否則一定會遇到混亂。操作型的BI也需要徹底的理解業務流程以及變化，離開了這些需求，BI實施就不可能深入到最有價值的地方。

參考文獻

［1］李澤海，孫吉貴，趙君.商業智能技術與應用分析［J］.吉林大學學報，2003.

［2］黃偉峰. 商業智能技術及行業應用分析［J］. 計算機工程與設計.2003，（6）.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。