商业智能软件的主要功能

用于商业智能的数据存储
数据存在于整个组织的多个系统中。为了进行最准确的分析，公司应确保这些系统中每个系统的数据类型之间的格式标准化。例如，大型企业可以在其客户关系管理（CRM）应用程序中获得有关其客户的信息，并在其企业资源计划（ERP）应用程序中获得财务数据。这些单独的程序可能对数据进行不同的标记和分类，并且需要在分析之前对数据进行标准化。

一些商业智能软件程序通过本地API连接或webhook直接从源应用程序中提取数据进行分析。其他商业智能系统需要使用数据存储系统来在公共位置聚合各种数据集。小型企业，单个部门或单个用户可能会发现本地连接有效，但是大型公司，企业公司和生成大型数据集的公司将需要更全面的商业智能设置。

如果他们选择集中式存储解决方案，则企业可以使用数据仓库或数据集市来存储其业务信息，并购买提取，转换和加载（ETL）软件来促进其数据存储。或者，他们可以使用像Hadoop这样的数据存储框架来管理其数据。

数据仓库
商业智能通过构建数据仓库将不同的数据源组合到一个数据库中。数据仓库充当其他BI应用程序要查询和分析的数据的中央存储库。数据仓库使用提取，转换和加载方法，汇总了整个组织中的数据，并使其他应用程序更容易快速访问它们。

分析和报告工具仍然可以在没有数据仓库的情况下运行，但是通过CRM软件甚至销售点（POS）软件运行报告不仅限制了智能的重点，而且还负面影响了这些应用程序的性能。而且，这些系统中的数据以不同的格式存在，因此在不将数据重构为通用格式并将其存储在通用区域的情况下，很难得出结论和确定模式。

存储在数据仓库中的数据采用维度或事实的形式，这些维度或事实是从产生数据的系统中提取的。事实代表特定操作（例如小部件的销售）的数字。维度通过添加日期和位置为事实提供上下文，也称为元数据。例如，尺寸可以使小部件的销售分散数月或数年，从而使查询更易于执行。

数据集市
从本质上来说，数据仓库是更简单，更狭窄的版本，数据集市专注于特定的数据子集，而不是存储整个公司的数据。他们可能存储更频繁使用的数据，或仅一个部门使用的数据。公司会发现，实施数据集市要比数据仓库便宜，而且它们可以通过限制数据库的复杂性为非IT员工提供更好的用户体验。

提取，转换和加载（ETL）软件
ETL应用程序以将数据传输到数据仓库中的过程命名，可以在中央位置标准化数据。公司可以购买ETL软件，数据仓库软件或作为附加应用程序。让我们检查一下ETL流程的每个部分：

提取：数据提取是从其原始系统中检索数据的过程。通常是流程中最困难的方面，从其源系统（例如，ERP或CRM系统）提取数据的成功程度会影响其余流程的成功。非结构化数据的格式不适合插入行和列，这使得在将数据存储在数据仓库中之后进行分析变得更加困难。用元数据标记非结构化数据，例如有关作者，内容类型和其他识别因素的信息，可以帮助团队在将数据存储在数据仓库中并最终加载到BI软件中时找到正确的数据。
转换：从原始应用程序中提取数据后，必须对数据进行规范化，然后才能将其存储在数据仓库中以备将来使用。为了使商务智能系统中的分析正常工作，来自不同来源应用程序的数据必须以相同的格式存在，否则查询将不准确。
加载：现在已经从数据源系统中提取了数据并在转换阶段对其进行了规范化，现在可以将其加载到中央数据库（最常见的是数据仓库）中了。负载频率将因组织而异。一些企业可能每周输入一次新数据，而其他企业则每天都会输入。
Hadoop的
Hadoop是流行的数据存储框架，是用于存储和处理大量数据的基础架构。尽管Hadoop存储数据，但与传统数据仓库的存储方式却有所不同。Hadoop使用群集系统-Hadoop分布式文件系统或HDFS-允许用户将文件存储在多个服务器中。

Hadoop的基础设施为管理和产生大量数据以及非常大的数据文件的企业提供了一个出色的框架。由于其集群框架，Hadoop还可以充当备份机制：如果一台服务器出现故障，企业就不会失去对所有数据的访问权限。Hadoop不适合像普通数据仓库这样的即席查询，对于不熟悉JavaScript的用户而言，Hadoop可能会非常复杂。

使用商业智能软件分析大数据
无论企业是选择将其数据存储在数据仓库中还是在源系统上运行查询，数据分析以及由此产生的见解都使该领域吸引了业务用户。分析技术在复杂性方面有所不同，但是组合大量规范化数据以识别模式的通用方法在各个平台之间仍然保持一致。

数据挖掘
数据挖掘也称为“数据发现”，涉及对数据集的自动和半自动分析，以发现模式和不一致之处。从数据挖掘中得出的常见相关性包括对特定的数据集进行分组，在数据中查找异常值以及从不同的数据集中绘制连接或依存关系。

数据挖掘通常会发现更复杂的分析中使用的模式，例如预测建模，这使其成为BI流程的重要组成部分。

在数据挖掘执行的标准过程中，关联规则学习带来了最大的好处。通过检查数据以绘制依存关系并构建关联，关联规则可以帮助企业更好地了解客户与网站互动的方式，甚至是影响他们购买行为的因素。

最初引入关联规则学习是为了发现超市销售点系统中记录的购买数据之间的联系。例如，如果客户购买了番茄酱和奶酪，则关联规则可能会发现该客户也购买了汉堡包肉。尽管这是一个简单的示例，但它试图说明一种分析类型，该分析现在将各种行业中极其复杂的事件链连接起来，并帮助用户找到本来可以隐藏的关联。

使用商务智能软件进行数据分析
预测分析应用程序可能是BI最令人兴奋的方面之一，它是数据挖掘的高级子集。顾名思义，预测分析根据当前和历史数据预测未来事件。通过绘制数据集之间的连接，这些软件应用程序可以预测未来事件的可能性，这可以为企业带来巨大的竞争优势。

预测分析涉及详细的建模，甚至涉足机器学习领域，其中软件实际上是从过去的事件中学习以预测未来的结果。为了我们的目的，让我们关注预测分析的三种主要形式：

预测建模
这种最著名的预测分析领域是这种软件，其名称含义是：它可以进行预测，尤其是在涉及单个元素时。预测模型在特定的测量单位和与该单位有关的至少一个或多个特征之间寻找相关性。目标是在不同数据集之间找到相同的相关性。

描述性建模
预测模型搜索单位与其功能之间的单个相关性（例如，为了预测客户更换保险提供商的可能性），描述性模型试图将数据缩减为可管理的大小和分组。描述性分析非常适合用于汇总信息，例如唯一的页面浏览量或社交媒体提及。

决策分析
决策分析考虑了与离散决策相关的所有因素。决策分析预测动作将在决策中涉及的所有变量中产生级联效应。换句话说，决策分析为企业提供了预测结果并采取行动所需的具体信息。

自然语言处理
数据以三种主要形式出现：结构化，半结构化和非结构化。非结构化数据是最常见的数据，包括文本文档和其他类型的文件，这些文件以计算机无法轻松读取的格式存在。

非结构化数据无法存储在行或列中，这使得传统数据挖掘软件无法进行分析。但是，这些数据通常对于理解业务成果至关重要。由于存在大量非结构化数据，因此文本分析应该是寻找最佳商务智能软件时的主要考虑因素。