商業智能在連鎖餐飲業的應用

劉靜，吳陳

（江蘇科技大學 江蘇 鎮江 212003）

隨著信息技術的飛速發展及其在商業領域的廣泛應用，連鎖餐飲業的數據庫系統中積累了大量業務數據。海量數據沒有得到有效利用，使得企業的決策過程變得日漸復雜，出現了“數據泛濫、知識貧乏”的局面。如何從歷史數據中獲取有用的信息，以挖掘潛在的商機、降低企業的運作成本；如何通過歷史經營情況歸納出成功的經驗和失敗的教訓，并用數據、信息來預測未來的企業發展趨勢，快速準確地把握風云變幻的市場脈搏，已成為企業界和IT界共同關注的熱點。因此，商業智能（Business Intelligence，BI）在連鎖餐飲業的應用，是市場發展的要求，也是企業信息化發展到一定程度的必然結果。

BI系統的目標就是要為企業提供一個統一的數據分析平臺，充分利用運營系統中積累的海量數據，對其進行深層次的知識挖掘，從不同的維度去分析企業的各種業務指標并構建業務知識模型。多年來，困擾連鎖餐飲業高層主管的一個重要問題就是如何將多年來積累的海量數據提取成為有商業價值的信息，從而解決決策層日益關注的如何培育忠誠的消費群體和發掘潛在的消費群體、如何應用商業智能系統為企業的經營提供決策指導的問題。

1 商業智能的概念及主要技術介紹

商業智能的概念最早是由Gartner Group于1996年提出來的，定義為：商業智能技術提供使企業迅速分析數據的技術和方法，包括收集、管理和分析數據，將這些數據轉化為有用的信息，然后再分發到企業各處，輔助商業決策的制定。商業智能是商業數據海洋中的指南針，它從歷史數據中提取信息，通過對信息的分析獲取對經營決策有價值的知識，從而幫助用戶對自身的業務經營做出正確而明智的決策，提升企業競爭力。比如，通過商業智能可以解決客戶在不同地域的分布情況，可以對客戶進行各個角度的分類，還可以把客戶和訂單聯系起來，找出其變化趨勢。

從業務角度看，商業智能是探討通過技術手段對分散在不同系統的數據進行有效整合，從數據中獲取有用的信息，再將這些信息轉換為知識，用于商業決策。商業智能（Business Intelligence，BI） 主 要 是 通 過 數 據 倉 庫 （Data Warehouse，DW）、ETL（數據抽取、轉換、加載）、聯機分析處理（OLAP）和數據挖掘（Data Mining，DM）等技術，對數據進行處理分析，以實現商業價值。

1.1 數據倉庫（DW）

數據倉庫之父Bill Inmon在1991年出版的《Building the Data Warehouse》一書中所提出的數據倉庫定義為：數據倉 庫 （Data Warehouse） 是 一 個 面 向 主 題 的 （Subject Oriented）、集成的（Integrated）、相 對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，主要用于支持管理決策（Decision Making Support）。“面向主題”是指一個數據倉庫包含的內容通常是一個領域內的知識，在數據進入數據倉庫之前，必然要經過加工和集成，將原始數據結構從面向應用轉為面向主題；“集成”是指將來自于多個異種數據源的數據經過抽取、轉換、導入過程集成到一個數據倉庫中；相對穩定是指數據被放入到數據倉庫中后，將被長期保留，很少會變動：反應歷史變化是指數據倉庫中的數據記錄了企業從開始使用數據倉庫到目前的各個階段的信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。

1.2 ETL 技術（Extract、Transform、Load）

ETL是數據抽取、轉換、加載的過程，是數據倉庫的重要步驟，是商業智能的核心和靈魂。用戶從數據源抽取出所需的數據，經數據清洗，最終按照預先定義好的數據倉庫模型，將數據加載到數據倉庫中去。如果說數據倉庫的模型設計是一座大廈的設計藍圖，數據是磚瓦的話，那么ETL就是建設大廈的過程。在整個項目中最難部分就是用戶需求分析和模型設計，而ETL規則設計和實施則是工作量最大的，約占整個項目的60%～80%。

1.3 聯機分析處理（OLAP）

聯機分析處理（OLAP）是共享多維信息的、針對特定問題的聯機數據訪問和分析的快速軟件技術。OLAP支持復雜的分析操作，側重決策支持，并且提供直觀易懂的查詢結果，使分析人員能夠快速、一致、交互地從各個維度查詢信息。OLAP數據被組織到多維數據集（Cube）中，Cube中的基本單元稱為度量值（Measure），記錄著經過處理、計算的OLTP系統中的數據。由于Measure中的數據是經過處理計算的，并且Cube可以有多個維度，因此非常便于查詢、分析。OLAP是數據倉庫的主要應用，支持復雜的分析操作，側重決策支持，并且提供直觀易懂的查詢結果。

1.4 數據挖掘（Data Mining）

數據挖掘（Data Mining）也被稱為數據庫中的知識發現，就是從既有的大量的實際應用數據中，發掘出蘊藏在其中的、不為人肉眼所見的、同時又具有潛在價值的知識的過程。數據挖掘是一種決策支持過程，它主要基于人工智能、機器學習、統計學等技術，高度自動化地分析企業原有的數據，做出歸納性的推理，從中挖掘出潛在的模式和隱含的有用信息，幫助決策者做出正確的決策。數據挖掘的對象不僅可以是數據庫，也可以是文件系統，或其它任何組織在一起的數據集合。數據挖掘中常見的算法包括關聯、聚類、決策樹、時間序列、序列聚類等。

2 連鎖餐飲業商業智能系統的實現

2.1 系統基本結構

從系統的角度來看，連鎖業商業智能系統由四部分組成：數據處理、數據倉庫、聯機分析處理和數據挖掘。系統結構圖如下圖所示。

圖1 商業智能系統基本結構圖Fig．1 BI system basic structure

2.2 數據處理

近年來，連鎖餐飲業在信息化建設中，積累了大量紛繁復雜的數據，包括形式各異的數據表，數據庫，以及各種數據文件等。由于異構數據源種類多而且復雜，數據源形式多種多樣，獲取數據的途徑不同，必然會引起數據的千差萬別，以及各種形式的臟數據的產生，因此在保證數據源的準確、可靠統一性，數據質量的可提取性問題等方面就顯得比較必要。所以必須先對數據進行預處理，才能導入到數據倉庫系統中，也就是通常所說的ETL。ETL的建設在整個數據倉庫建設中起著至關重要的作用，是整個數據倉庫建設的靈魂。

2.3 數據倉庫

針對連鎖餐飲業的需求與特點，數據倉庫按照如下方式建立：

事實表有2個，分別為：

表1 事實表Tab.1 Fact table

維度表共有16個，分別為：

表2 維度表Tab.2 Dimension table

除此之外，還有一些表和視圖，輔助后續的數據挖掘工作。

2.4 在線分析處理（OLAP）

本文項目中，為了查詢方便，根據數據倉庫的結構，在OLAP服務器上建立了10個共享維度，建立的Cube視圖如下圖。

2.5 數據挖掘

圖2 Cube視圖Fig.2 Cube view

圖3 挖掘模型設置項視圖Fig.3 DM model settings view

圖4 數據挖掘模型Fig.4 DM model view

圖5 數據挖掘圖例視圖Fig.5 DM legend view

市場部想提高客戶滿意度和客戶保有率，于是希望通過實行相關的市場手段來達到這些目標。于是對原有的會員卡方案重新進行定義，以便更好地為客戶提供服務并且使所提供的服務能夠更加密切地滿足客戶的期望。市場部想分析當前銷售事務并找出客戶人口統計信息（婚姻狀況、年收入和擁有子女數等）和所申請卡之間的模式，然后根據這些信息和申請會員卡的客戶的特征重新定義會員卡。

以前的會員卡有4種，分別是普卡、銅卡、銀卡和金卡，還有一些客戶沒有辦會員卡，在銷售業務數據中，每一個客戶的個人信息和其所擁有的卡類型都存儲在DimCustomer表中，表中除了“member_card”字段代表擁有會員卡的類型外，還有分別表示“性別”、“擁有子女數”、“教育程度”和“是否有房”等一系列信息，那么這些信息中哪個與客戶擁有會員卡的類型關聯最大，以及影響客戶會員級別的因素有哪些，這是市場部經理迫切需要知道的。

圖6 數據挖掘模型和圖例視圖（1）Fig.6 DM model&legend view（1）

圖7 數據挖掘模型和圖例視圖（2）Fig.7 DM model&legend view（2）

本文通過SSAS數據挖掘組件進行數據挖掘，SSAS包含了決策樹模型、時間序列模型、聚類分析模型等，挖掘的結構可以通過Analysis Service數據挖掘組件瀏覽查詢和分析。如圖3，即為挖掘模型的設置項。

設置其背景為“golden”，顯示級別為3，則在決策樹顯示窗格中會顯示如圖4所示的決策樹，即對客戶數據進行挖掘的結果。同時，在整個工作窗口的右下角有如圖5所示的“挖掘圖例”窗格，單擊決策樹上的不同分支，不同類型的卡在這個分支上出現的概率和相應的顏色都在窗格中標識出來了。

在決策樹顯示區域中，顏色代表滿足相關條件的客戶的密度。顏色越深則節點中包含的客戶就越多。從圖6可以發現，“Yearly Income=$150K+”這一節點的密度高于其他任何節點，代表符合“Yearly Income=$150K+”這一條件的金卡客戶是最多的。

根據決策樹上的“全部”節點，“挖掘圖例”窗格會有如圖5所示的顯示數據，這表明總共抽樣的數據有7197條，其中銅卡用戶最多，占了55.79%。

圖8 數據挖掘依賴網絡模型視圖Fig.8 Miningmodel dependency network view

樹的第一個級別由“yearly income”屬性決定。樹的組織由算法決定，其基礎是該屬性在輸出中的重要性。這意味著“yearly income”屬性是最重要的因素，它將決定客戶可能選擇的會員卡的類型。如圖5.9所示，選擇 “Yearly Income=$150K+”節點。該特性窗格顯示收入較多的客戶中，46.16%的客戶可能會選擇金卡。這個百分比要比“全部”節點中的（11.48%）高得多。

另外打開“Yearly Income=?$150K+”節點，如圖7所示。選擇顏色很深的“Marital Status not=S”節點，在“挖掘圖例”窗格中，可以看到收入高于150000美元且已婚的客戶中，較高百分比 （82.72%）的客戶可能會選擇金卡。而同時“Marital Status＝S”節點的顏色非常淺，這意味著這些客戶選擇金卡的可能性非常小。

將挖掘模型查看器切換到“依賴關系網絡”選項卡，可以看到如圖8所示的界面，這是和“Member Card”的屬性關聯的客戶屬性依賴圖，通過拖動左邊的滑塊，可以發現，“Yearly Income”的確是影響會員卡類型的最重要的因素。

有了以上信息，市場部就可以確定最可能選擇某種類型卡的客戶的特征。根據這些特征（收入、子女數和婚姻狀況等），可以重新定義會員卡的服務和方案以便更好地適應其客戶。

4 結束語

本文主要介紹了商業智能技術，包括數據倉庫、ETL、在線分析處理、數據挖掘技術的應用。從客戶的基本信息中分析、挖掘出可以協助重新定義會員卡服務和方案的價值信息，以便采取措施提高老客戶的忠誠度和挖掘新客戶。本文課題仍然存在著很多值得改進的方面，例如，可以充分利用SQL Server 2012數據挖掘算法可擴充的特性，將更多適合連鎖餐飲業挖掘具體信息的算法應用到系統中。相信隨著技術的日趨完善，商業智能將在各行業中發揮更大的作用。

[1]謝壹.商業智能在互聯網業務分析中的研究與應用[J].微計算機信息，2006，22（4-3）:199-200.XIE Yi.Application and research of business intelligence in internet business analysis[J].Micro Computer Information，2006，22（4-3）:199-200.

[2]孟海洋，薛紅.數據倉庫和Web技術在超市商業智能系統中的應用[J].北京工商大學學報：自然科學版，2008，26（3）:40-42.MENG Hai-yang，XUE Hong.Application of data Warehouse and web technology in supermarket business intelligence[J].Journal of Beijing Technology and Business University：Natural Science Edition，2008，26（3）:40-42.

[3]崔凱.零售業商業智能系統的應用研究[D].青島:青島科技大學，2011.CUI Kai.The research of business intelligence system in retail industry[D].Qingdao University of Science and Technology，2011.

[4]米天勝.商業智能與企業競爭力的提升[J].中國管理信息化，2006，9（7）:14-17.MITian-sheng.Promotion ofbusiness and enterprise competitiveness[J].China Management Informationization，2006，9（7）:14-17.

[5]WilliamH.inmon.Building the Data Warehosue[M].北京：機械工業出版社，2006.

[6]Erik Thomsen.OLAP Solutions:Building Multidimensional Information System[M].北京:電子工業出版社，2004:110-120.