一文详解商业智能及其核心技术

引言

企业资源规划(ERP)、销售终端(POS)、市场调查、供应商、客户、网络、政府部门等都在不断地往我们的桌面上添加信息，实际上平均每18个月信息量就翻一番，但是能分析的数据究竟有多少呢?有些项目专家估计目前被利用的数据只有5％—10％，并且我们能分析的数据仅限于数据库中的数据。那么怎样才能把大量的数据转换成可靠的、商用的信息以增加利润和市场份额，这已成为商业IT界关注的问题。由此，商业智能技术应运而生。

商业智能的概念及出现背景

2.1 商业智能的出现背景

(1)门企业的“数据监狱”(Data Jail)现象。

商务活动从办公自动化出现的早期开始就在其运作过程中收集大量的数据，包括销售、成本、质量控制、库存、客户服务等各方面息息相关的企业数据，分别存储于数据库、数据集市、数据仓库、多维数据库、第三方的应用或其它文件中。因此对大部分企业来说数据处理的问题不是数据缺乏，而是大量的数据冗余和数据不一致。庞大的数据量和传统数据管理方法的缺陷，使大部分企业出现了“数据拥挤”(数据监狱)现象，既不利于企业的管理也不利于信息的有效利用。因此，如何解决数据拥挤，同时又能使这些数据充分地发挥作用这已成为企业商务发展的一个热点问题。

(2)“数据＝资产”新企业观念的建立。

在企业界，数据资产的观念正在进入企业的资源规划(ERP)系统中，而把数据转换为资产的方法和技术也正在成为企业投资IT的热点。因为目前大部分大中规模的企业都是信息丰富的组织，而一个信息丰富的组织的绩效不仅仅依赖于产品、服务或地点等因素，而更重要的是依赖知识。而从数据一信息一知识是一个并不简单的过程。商业智能的本质正是把数据转化为知识，致力于知识发现和挖掘，使企业的数据资产能带来明显的经济效益，减少不确定性因素的影响，使企业取得新的竞争优势。

(3)企业运营模式的变化。

电子商务正在改变着全球商务活动的方式，信息在经济活动中越来越占据着重要的地位。对企业来说信息包括生产、销售、市场、顾客和竞争对手的信息，信息是企业竞争的战略性资源。建立在Internet之上的企业经营模式电子商务：电子邮件、电子数据交换、电子支付系统、电子营销等技术的发展和应用为商业智能系统提供了市场和生存环境。

(4)数据库和人工智能技术的发展。

商业智能的发展也得益于相关技术的发展，并行处理系统、廉价数据存储、新数据挖掘算法、神经网络技术、人工智能技术、决策支持技术、从大量数据中发现其后潜藏的商业机会等等技术的发展，使企业能以更低的成本投资商业智能，并取得更高的盯投资回报率。

2.2 商业智能理念

商业智能这一术语1989年由Gartner Group的Howard Dresner首次提出，它描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。商业智能技术提供使企业迅速分析数据的技术和方法，包括收集、管理和分析数据，将这些数据转化为有用的信息，然后分发到企业各处。

商业智能系统从企业运作的日常数据中开发出结论性的、基于事实的和具有可实施性的信息，使企业能够更快更容易的做出更好的商业决策。使企业管理者和决策者以一种更清晰的角度看待业务数据，提高企业运转效率、增加利润并建立良好的客户关系，使企业以最短的时间发现商业机会捕捉商业机遇。如何时何地进入何市场，如何选择和管理大客户联系，以及如何选择和有效地推出商品优惠策略等。同时通过提供决策分析能力，使企业更有效地实现了财务分析、风险管理、诈骗检测、分销和后勤管理，以及销售状况分析等。

商业智能系统可以说是一个智能决策支持系统，它不是一种产品或服务，从某种意义上商业智能是一种概念或者说是一种商业理念，它是在企业数据仓库的基础上，利用数据挖掘和信息挖掘工具获取商业信息、以辅助和支持商业决策的全过程。通过商业智能技术，用户更充分地了解他们的产品、服务、客户以及销售趋势。目前在国外商业智能软件与Office办公软件、浏览器一起已经成为企业必不可少的桌面办公软件之一。商业智能在我国尚处于起步阶段，商业智能系统适合应用的行业依次是：零售、保险、银行、通信、离散制造、政府、医疗、分销、流程制造、教育。然而，从各种资料上看，商业智能、数据仓库和客户关系管理在我国只在少数的银行、保险、电信行业有实施的案例。

商业智能体系结构及构建过程

所谓体系结构(Axchitecture)是指一整套的规则和结构，为一个系统或产品的整体设计提供主框架。而一个商业智能的体系结构是指通过识别和理解数据在系统中的流动过程和数据在企业中的应用过程来提供商业智能系统应用的主框架。商业智能的体系结构指导商业智能系统的建立，其建立步骤为：

(1)识别和确定数据源。

商业智能的数据来自于多种数据源，包括电子商务数据、交易处理数据以及相关的外部数据等。如从交易处理应用软件中获取订单信息、顾客信息和产品信启、，从电子商务网站中获取访问和点击信息，还可以从账务系统中获得账务信息，从市场部门获得市场信息等。

(2)进行数据集成和存储管理。

数据集成可以分为“懒散型”数据集成和“急切型”数据集成。懒散型数据集成一般应用在数据库系统中，其显著特征是集成发生在查询产生之后。用户提出一个查询后，系统确定查询所需的数据来源，为每一个来源产生子查询和命令，然后从数据源中获取信息，执行一定的转换、过滤和合并后把最终结果返回给用户或客户系统。数据在查询出现后才从原始资料中提取。急切型数据集成通常出现在数据仓库技术中，它提前预测用户的需求，把可能会被用到的数据提前从数据源系统中抽取出来，经过变换、过滤及与其它相关信息的合并，然后存储在集中的仓库中。当一个查询出现后，直接在仓库中运行，不需要进入最初的数据源系统中去。这种急切型的数据集成方法使数据仓库中存储着大量经过预先计算的总计数据和累加数据，在查询时能显著加快查询速度，满足用户对响应时间的需求。

(3)数据分析和建模。

商业智能建立的本质目的是获得高的投资回报率(ROI)，投资回报主要体现在商业智能的应用状况上。通过数据分析和建模将数据转化为信息，通常由数据分析工具负责完成。在商业智能系统中，交互式信息分析、挖掘工具、数据分析软件、商业智能工具与商业运营规则相结合对数据的模式和趋势进行分析，提供给用户企业商务的方方面面的详细信息，以辅助商务活动决策获得更高的ROI和利润。

商业智能核心技术

商业智能实质上是数据转化为信息的过程(图2)，这一过程也可称为信息供应链，其目的是把初始的操作型数据变成决策所使用的商务信息。在这一过程中，数据集成工具执行源数据的清洗、格式转化和合并计算等功能；数据存储过程建立数据存储模型，存储企业统一的数据视图，为商业智能系统的应用提供基础数据；数据分析工具一般包括OLAP(联机分析处理)、数据挖掘工具、统计分析工具、其它人工智能工具等，这些工具结合商业处理规则为决策者提供决策辅助信息。

从商业智能系统建立的技术角度来看，构建一个完整的商业智能系统涉及到以下几种核心技术：

(1)数据仓库技术。

出现在20世纪80年代中期，数据仓库创始人之一W．H．Inmon定义为：“数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合，它用于支持管理中的决策制定过程”。有些文献把数据仓库当作商业智能的代替词。实际上，数据仓库系统是对数据的处理技术的集成，而商业智能系统的核心是解决商业问题，它把数据处理技术与商务规则相结合以提高商业利润减少市场运营风险，是数据仓库技术、决策处理技术和商业运营规则的结合：

数据仓库与传统数据库存储的最大区别在于数据库用于企业日常事务处理，而数据仓库用于商务分析处理。数据仓库建立的目的在于在不影响日常操作处理的前提下对业务信息进行分析以辅助企业决策，为决策支持系统提供应用基础。因此数据仓库与数据库是应用于企业营运不同目的的两种数据管理系统。

数据的存储技术是数据仓库技术的核心，在数据仓库中被集成的数据通常以星型模式，即事实表一维表结构来组织数据。事实表也称为主表，包括商务活动的定量的或实际的数据，这种数据是可以用数字度量的，由多行和多列组成；而维表又称为辅助表，一般比较小，是反映商业某个维的描述性数据。事实表和维表通过关系进行连接。图3是一个以星型结构存储的销售数据仓库。产品销售作为一个商务事件的事实组成事实表，而产品、市场、时间是事件的属性指标，也称为事件的维，形成维表，事实表和维表之间通过关键字进行联系。这样的组织方式称为多维数据存储的星型模式。在扩展的星型模式中，维表本身还可以包括维表，这样组成数据仓库中商务事实的物理存储模式。

(2)数据挖掘技术。

它主要用于从大量的数据中发现隐藏于其后的规律或数据间的关系，它通常采用机器自动识别的方式，不需要更多的人工干预。采用数据挖掘技术，可以为用户的决策分析提供智能的、自动化的辅助手段，在零售业、金融保险业、医疗行业等多个领域都可以有很好的应用。

在数据挖掘技术中常用的数据模型有：①分类模型，是根据商业数据的属性将数据分派到不同的组中。②关联模型，主要描述一组数据项目的密切度和关系；③顺序模型，主要用于分析数据仓库中的某类同时间相关的数据，并发现某一时间段内数据的相关处理模型。顺序模型可以看成是一种特定的关联模型，它在关联模型中增加了时间属性。④聚簇模型，当要分析的数据缺乏描述信息，或者是无法组织成任何分类模式时，可以采用聚簇模型。聚簇模型是按照某种相近程度度量方法将用户数据分成互不相同的一些分组。组中的数据相近，组之间的数据相差较大。聚簇模型的核心就是将某些明显的相近程度测量方法转换成定量测试方法。

(3)联机分析处理(OLAP)。

它主要通过多维的方式来对数据进行分析、查询和报表处理。它不同于传统的OLTP应用。OLTP应用主要用来完成用户的事务处理，如民航订票系统、银行储蓄系统等，通常要进行大量的更新操作，同时对响应时间要求比较高。而OLAP应用主要是对用户当前及历史数据进行分析，辅助领导决策。其典型的应用有对银行信用卡风险的分析与预测、公司市场营销策略的制定等，主要是进行大量的查询操作，对时间的要求不太严格。在数据仓库应用中，OLAP应用一般是数据仓库应用的前端工具，同时OLAP工具还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。

商业智能典型应用

(1)产品销售管理。

它包括产品的销售策略、销售量分析，影响产品销售的因素分析，以及产品销售的改进方案的预测。通过系统存储的产品销售信息建立销售模型，分总体销售模型和区域、部门销售模型。对产生不同结果的销售模型分析其销售量和销售策略，进行销售影响的因素分析和评估，根据不同的销售环境对相应的产品销售方案进行改进和创新，及时进行产品上架和下架计划，提高企业营销额。通过对历史数据的分析还可以建立提高销售量的预测模型。

(2)顾客关系管理。

顾客是企业生存的“上帝”，对企业来说进行客户关系管理(CRM)是一项重要的工作。通过顾客关系管理子系统，使企业可以分析顾客购买习惯和购买倾向，调查顾客满意度，进而采取相应对策增强顾客保持力，培养忠实顾客，维持良好的顾客关系。&

(3)产品创新和推广。

新产品促进企业的发展，然而新产品的开发和推广必须建立在一定的市场基础上。良好的企业历史信息可用来预测市场需求趋势；了解哪种产品需要更新，是否需要开展某种广告运动；广告运动针对何种用户；具备哪些条件的用户最有可能是企业的潜在客户，针对这样的客户进行直接的广告策略必能胜过无的放矢的收获；预先预测项目的未来收益等。

(4)异常处理等。

它是商业智能数据挖掘应用的典型事例，通过发展曲线企业及时发现市场和顾客异常情况，快速采取措施，降低企业风险提高企业收益。如信用卡分析，银行、保险等行业的欺诈监测等。

结束语

计算机技术及其应用的智能化正在逐渐地应用在各行各业，商业智能是企业信息处理技术发展的必然趋势，商业智能系统的发展得益于计算机技术、人工智能技术和数据处理技术的发展。商业智能系统和企业日常事务处理系统—起服务于商业事务，不同的是日常事务处理服务于操作型员工，而商业智能系统服务对象是企业决策层和管理层人员。这两种系统都是企业竞争和发展的必备条件，可以预见未来的商业社会是依赖于信息和时间的社会，谁抢占到先机，他就定然会得到更大的成功机会。