導語：如何才能寫好一篇商業智能，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

1946年，人類歷史上第一臺馮?諾伊曼式電子計算機問世。僅一年之后，卡內基梅隆大學的赫伯特-西蒙(Herbert Simon)教授出版了《行政組織的決策過程》一書。在這本被后世喻為經典的著作里，他提出，如果能利用存貯在計算機里的信息來輔助決策，人類理性的范圍將會大大擴大。后來，這位天才科學家又提出，在后工業時代，人類社會的中心問題將從如何提高生產率轉變為如何利用信息輔助決策。

赫伯特?西蒙將畢生的精力都傾注在對信息和決策的研究上。他是芝加哥大學畢業的政治學博士，更是地道的“卡內基梅隆”人，不僅因為他在這所大學工作了50多年，更因為在他的整個學術生涯里都浸潤著卡內基梅隆學派倡導的“交叉性”研究方法。他將不同學科之間的“交叉性”應用得爐火純青，也碩果累累。1973年，因為對人工智能輔助決策的貢獻，他獲得了計算機學界的最高獎項，圖靈獎；1978年，他又因為對“商業決策過程”的出色研究戴上了諾貝爾經濟學獎的桂冠。

追本溯源，學界已公認，赫伯特?西蒙對決策支持系統的研究，是現代商業智能概念最早的源頭和起點。但西蒙教授可能沒有想到，他播下的種子，半個世紀以后，結出了“商業智能”的果實，并成為知識經濟時代的一道奇葩。

從決策支持系統到商業智能，名字變了，但新瓶裝的還是舊酒。現代商業智能技術回答的還是決策支持系統面對的老問題：如何將數據轉化為知識，輔助決策。

從數據到知識，這個跨越，人類用了半個多世紀。

在半個多世紀的漫長過程中，決策支持系統曾經一度因為缺乏有效的數據組織方式而徘徊不前。直到上世紀90年代，由于若干新技術的出現，打破了瓶頸，“商業智能”才浮出水面。隨后，其發展取得了前所未有的加速度，并在本世紀第一個十年蓬勃成長。今天，回頭考察這些新技術的一一出現，我們可以清楚地看到商業智能的產業鏈條不斷向前延伸的軌跡。

1970年，IBM的研究員埃德加?科德(EdgarCodd)發明了關系型數據庫。關系型數據庫具有結構化高、冗余度低、獨立性強等優點，解決了此前網絡型數據庫結構復雜多變，不易開發的困難，埃德加-科德也因此獲得圖靈獎。關系型數據庫使軟件開發人員取得了前所未有的自由度，此后，大型信息系統的應用一日千里、遍地開花。

這些信息系統的建立和運行，使人類從繁雜的重復性勞動當中解放出來，大大地提高了商業效率。但這些信息系統，都是針對特定的業務過程、處理離散事務的“運營式”信息系統。數據在其中的作用，是連接貫穿一個個商務流程的記錄，數據不斷累積的結果，僅僅限于查詢，而不是分析。面對各行各業數據紀錄的激增，管理大師彼得?德魯克(PeterDrucker)曾發出概嘆：迄今為止，我們的信息技術產生的還僅僅是數據，而不是信息、更不是知識。

怎樣從商務流程的數據紀錄中提取對決策過程有參考價值的信息，從而實現從數據到信息、從信息到知識、從知識到利潤的轉化?這個要求，在西方發達國家先后進入了后工業社會之后，變得更加迫切。企業的規模越來越龐大、組織越來越復雜，市場更加多變、競爭更加激烈。那么如何做出正確、明智、及時的大小決策，對組織的興衰存亡影響越來越大，一步走錯，可能滿盤皆輸。

因為實業界的這些迫切需要，決策支持系統的舊問題又重新占據了頂尖科學家的大腦。

商業智能的“幽靈”開始徘徊……

結蛹：千呼萬喚始出來之數據倉庫

決策支持系統面臨的“瓶頸式”難題，是如何有機的聚集整合多個不同運營信息系統產生的數據。對這個問題的關注起源于美國計算機科學研究的另一所重鎮：麻省理工學院。和卡內基梅隆大學一起，這兩所大學先后為現代商業智能的發展奠定了基石。20世紀70年代，麻省理工學院的研究人員第一次提出，決策支持系統和運營系統截然不同，必須分開，這意味著決策支持系統要采用單獨的數據存儲結構和設計方法。但受限于當時的數據存儲能力，該研究在確立了這一論點后便停滯不前。

麻省理工學院的這個研究如燈塔般為實業界指明了方向。1979年，一家以決策支持系統為已任、致力于構建單獨的數據存儲結構的公司Teradata誕生了。Tera，是萬億的意思，Teradata的命名表明了公司處理海量運營數據的決心。1983年，該公司利用并行處理技術為美國富國銀行(Wells FargoBank)建立了第一個決策支持系統。這種先發優勢令Teradata至今一直雄居數據行業的龍頭榜首。

另一家信息技術的巨頭，IBM也在為集成企業不同的運營系統大傷腦筋。越來越多的IBM客戶要面對多個分立系統的數據整合問題，這些處理不同事務的系統，由于不同的編碼方式和數據結構，如信息孤島，處于老死不相往來的狀態。1988年，為解決企業集成問題，I BM公司的研究員BarryDevlin和Paul Murphy創造性的提出了一個新的術語：數據倉庫(Data Warehouse)。

一聲驚雷，似乎宣告了數據倉庫的誕生。可惜的是IBM在首創這個概念之后，也停步不前，只把它當作一個花哨的新概念用于市場宣傳，而沒有趁勝追擊、進一步提出實際的架構和設計。IBM很快在這個領域喪失其領先地位，2008年，IBM甚至通過兼并Cognos才使自己在商業智能的市場上重占一席之地，這是后話。

但這之后，更多的IT廠商垂涎于數據倉庫的“第一桶金”，紛紛開始嘗試搭建實驗性的數據倉庫。

又是幾年過去。1992年，塵埃終于落定。比爾?恩門(Bill Inmon)出版了《如何構建數據倉庫》一書，第一次給出了數據倉庫的清晰定義和操作性極強的指導意見，拉開了數據倉庫真正得以大規模應用的序幕。比爾?恩門不僅是長期活躍在這個領域的研究人員，還是一名企業家，他的江湖地位也因此得以確定，被譽為“數據倉庫”之父。

比爾?恩門所提出的定義至今仍被廣泛接受：數據倉庫是一個面向主題的(SuNect 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，用于支持管理中的決策制定。

但江山代有才人出，各領數百年。比爾?恩門一統江湖沒多久，風頭又被拉爾夫?金博爾(Ralph Kimball)搶了去。1993年，這位畢業于斯坦福計算機系的博士，也出版了一本書：《數據倉庫的工具》(The Data Warehouse Toolkit)，拉爾夫?金博爾在書里認同了比爾?恩門對于數據倉庫的定義，但卻在具體的構建方法上和他分庭抗禮。

比爾?恩門主張的是由頂至底的構建方法，強調數據的一致性，一上來，就要先創建企業級的數據倉庫。拉爾夫?金博爾卻說：不!務實的數據倉庫 應該由下往上，從部門到企業，并把部門級的數據倉庫叫做“數據集市”(Data Mart)。兩人針鋒相對，各自的追隨者也唇舌相向，很快形成了明顯對立的兩派。

兩派的異同，就好比華山劍法的氣宗和劍宗。主張練“氣”的著眼全面和長遠，耗資大，見效慢；主張練“劍”的強調短、平、快，效果立竿見影。

兩人華山論劍的結果不難猜測，拉爾夫?金博爾“從易到難”的架構迎合了人類的普遍心理，大受歡迎，商業界隨即掀起了一陣創建數據集市的狂潮。“吃螃蟹”的結果，有大面積的企業碰壁撞墻、也有不少企業嘗到了甜頭，攢了個盆滿缽滿。潮起潮落中，兩派又有新的融合和紛爭，油燈越撥越亮，道理越辯越明，數據倉庫的技術，也不斷地得以豐富，到2000年，已經全面成熟。

如蠶之蛹，數據倉庫是商業智能的依托，是對海量數據進行分析的核心物理構架。它可以形象的理解為一種語義格式和一致的多源數據存儲中心，數據源可以是來自多種不同平臺的系統，如企業內部的客戶關系管理系統、供應鏈管理系統、企業資源規劃系統，也可以是企業外部的系統和零散數據。這些不同形式、分布在不同地方的數據，將以統一定義的格式從各個系統提取出來，再通過清洗、轉換、集成，最后百流如海，加載進入數據倉庫。這個提取、轉換、裝載的主要過程，可以通過專門的ETL(Extraction，Transformation，Load)工具來實現，這種工具，如今已是數據倉庫領域的主打產品。

ETL工具和數據倉庫理論的成熟，突破了決策支持系統的瓶頸，從此，商業智能的發展走上了順風順水的“快車道”，接下來，好戲連臺上演。

蠶動：聯機分析之驚艷

數據倉庫出現以后，活躍在前沿的科學家一下子找到了自己的專屬“陣地”，商業智能的下一個產業鏈：聯機分析，如水到渠成般迅速形成。數據倉庫開始散發真正的魅力。

聯機分析(Online Analytical Processing)，也稱多維分析，本意是把分立的數據庫“相聯”，進行多維度的分析。

“維”是聯機分析的核心概念，指的是人們觀察數據的特定角度。以跨國零售商沃爾瑪為例，如果要分析自己的銷售量，它可以按地區國別分析、時間序列分析、商品門類分析；也可以按供貨渠道分析、客戶群類分析，這些不同的分析角度，就叫“維度”。

其實，早在60年代，決策支持系統的先行者就開始探索多維分析的方法。1970年，第一個多維分析的產品就已經問世。它通過建立一個復雜的、中介性的“數據綜合引擎”，把分布在不同系統的數據庫聯接起來，實現了多維分析，因而得名“聯機分析”。1994年，發明關系數據庫的埃德加?科德再立新功，他立足數據倉庫的新基礎，詳盡的闡述了構建聯機分析的十二條原則。同時，因為有了數據倉庫，多維分析的實現已經不再需要不同數據庫之間的人為“聯機”，因此，他將該項技術更形象的命名為“多維分析”。但“聯機分析”已經深入人心，也就一直延用。

多維分析技術的驚艷之美在于用戶可以根據自己的需要創建“萬維”動態報表。報表，一直是將數據轉化為信息和知識最主要的手段之一。在多維分析技術出現之前，報表是由軟件開發人員事先定制的，基于一、兩個維度的分析，是簡單報表；交叉的維度越多，報表就越復雜，而且不同維度的組合將產生不同的報表，IT部門無法全部定制。因此，當時的報表是靜態的、固定的，殘缺的，怎么也滿足不了決策分析的全部需要。

多維分析技術預先為用戶創建多維的數據立方體，一旦多維立方體建模完成，用戶可以快速地從各個分析維度獲取數據，也可以動態的在各個維度之間來回切換或者進行多維度的綜合分析。通過從不同的維度、不同的粒度，立體地對數據進行分析，從而獲得有嚴密推證關系的信息。曾在IBM工作過的吉姆?格雷(Jim Gary)因其在多維立方體的構建和運算方面的貢獻，于1998年獲得了圖靈獎。

因為數據倉庫，多維分析找到了真正的用武之地，如有源之水，活力四射。任何復雜的報表都可以通過鼠標的點擊拖拉在瞬間之內從用戶的指尖彈出，如玲瓏剔透的水晶體，數據盡在手中，任意橫切豎割，流暢的美感令人嘆為觀止。破繭：數據挖掘一智能生命的真正產生

隨著數據倉庫，聯機分析技術的發展和成熟，商業智能的框架基本形成，但真正給商業智能賦予“智能”生命的是它的下一個產業鏈：數據挖掘。

數據挖掘是指通過分析大量的數據來揭示數據之間隱藏的關系、模式和趨勢，從而為決策者提供新的知識。之所以稱之為“挖掘”，是比喻在海量數據中尋找知識，就象從沙里淘金一樣困難。

數據挖掘是數據量快速增長的直接產物。80年代，它曾一度被專業人士稱之為“基于數據庫的知識發現”(KDD，Knowledge discovery indatabase)。數據倉庫產生以后，如“巧婦”走進了“米倉”，數據挖掘如虎添翼，在實業界不斷產生化腐朽為神奇的故事，其中，最為膾炙人口的當屬啤酒和尿布。

話說沃爾瑪擁有世界上最大的數據倉庫，在一次購物籃分析之后，研究人員發現跟尿布一起搭配購買最多的商品竟是風馬牛不相及的啤酒!這是對歷史數據進行“挖掘”和深層次分析的結果，反映的數據層面的規律。但這是一個有用的知識嗎?沃爾瑪的分析人員也不敢妄下結論。經過大量的跟蹤調查，終于發現事出有因：在美國，一些年輕的父親經常要被妻子“派”到超市去購買嬰兒尿布，有30％到40％的新生爸爸會順便買點啤酒犒勞自己。沃爾瑪隨后對啤酒和尿布進行了捆綁銷售，不出意料之外，銷售量雙雙增加。

這種點“數”成金的能力，是商業智能真正的“靈魂”和魅力所在。

1989年，可謂數據挖掘技術興起的元年。這一年，圖靈獎的主辦單位計算機協會(ACM，Association of Computing Machinery)下屬的知識發現和數據挖掘小組(SIGKDD)舉辦了第一屆學術年會、出版了專門期刊。此后，數據挖掘被一直追捧，成為炙手可熱的話題，并如火如荼的發展，甚至成為一門獨立的學科走進了大學課堂，不少大學，還先后設立了專門的數據挖掘碩士學位。

也正是1989年，Gartner在業界提出了商業智能的概念和定義，商業智能，指的是一系列以數據為支持、輔助商業決策的技術和方法。商業智能在這個時候完全破繭而出，不是歷史的巧合，因為正是數據挖掘這種新技術的出現，商業智能才真正有了“智能”內涵，這也標志著其完整產業鏈的形成。

如果說聯機分析是對數據的一種透視性的探測，數據挖掘則是利用計算機算法對數據進行挖山鑿礦式的開采。它的主要目的，一是要發現潛藏在數據表面以下的知識，二是對未來進行預測，前者稱為描述性分析，后者稱為預測性分析。沃爾瑪發現的啤酒和尿布的銷售關聯性就是一種典型的描述性分析；考察所有歷史數據，以特定的算法對下個月 啤酒的銷售量進行估計以確定進貨量，則是一種預測性分析。

化蝶：可視化信息的華麗上演

隨著數據倉庫、聯機分析和數據挖掘技術的不斷完善，業界都認為，商業智能系統已經功德圓滿，很好的完成了智能分析的使命，因此早期商業智能的產業鏈條只含有這三塊。

但技術無止境。

進入21世紀以來，風生水起，新的技術浪潮又使商業智能的產業鏈條向前延伸了一大步：信息可視化。

所謂信息可視化(Information Visualization)是指以圖形、圖像、動畫等更為生動、易為理解的方式來展現和詮釋數據之間的復雜關系和發展趨勢，以便更好地利用數據分析結果。

傳統意義上的報表，格式單一，枯燥乏味，令人沒有閱讀的欲望。信息可視化主張，人的創造力不僅取決于邏輯思維，而且還取決于形象思維。數據如果能變成圖像，就能在邏輯思維的基礎上進一步激發人的形象思維，幫助用戶理解數據之間隱藏的規律，為決策提供最優的支持。

信息可視化的專家因此宣布，他們要讓數據“動”起來、“舞”起來!讓數據變得“性感”!

從最早的點線圖、直方圖、餅圖、網狀圖等簡單圖表，發展到以監控商務績效為主的儀表盤、記分板，到今天的三維地圖、交互式圖像、動態模擬、動畫技術等等更加直覺化、趣味化的表現方法，短短的十年間，信息可視化已經發展成了一個獨立的產業，其產品數不勝數，可謂絢麗多彩。

信息可視化把美學創造的藝術元素帶進商業智能，給它錦上添花。一幅好的數據圖像不僅能有效地傳達數據背后的知識和思想，而且華美精致，如一只只振動翅膀的彩蝶，栩栩如生，刺激視覺神經，調動美學意識，令人過目不忘。

今年2月初，《華盛頓郵報》對奧巴馬政府新鮮出爐的2010年度預算進行了分析報道，它正是利用信息可視化的技術，抓住了讀者的眼球。圖形以各項收支的粗細不同表明了金額大小，形象貼切，左邊是收，右邊是支，中間的紅色部分是赤字缺口，奧巴馬收了多少錢，要辦哪些事，各項支出的輕重緩急，一目了然。

作為一個新興產業，信息可視化的發展潛力不容小覷。最近，谷歌的首席經濟學家哈爾?瓦里安教授(Hal Varian)就一直在多種場合強調，下一個十年，最誘人的工作將是數據工程師，其中一種，正是數據可視化工程師。

磨礪中的競爭利器

可視化技術的出現，使商業智能的產業鏈形成了一個從數據整合、經數據分析、數據挖掘、到最后數據展示的完整閉環。商業智能的這四個產業鏈，獨立性都很強，具體到特定的商業智能產品，也不是每一環節都缺一不可的。但隨著數據量的增大，每一環節都可能變得相當的復雜。

篇2

中圖分類號：F2 文獻標識碼：A 文章編號：1672-3198（2007）08-0087-02

1 引言

隨著競爭的加劇，POS系統在零售企業中得到了廣泛的應用。POS系統和聯機電子秤等極大地提高了前臺銷售和盤存的速度，并可以隨時打印各項報表，使得零售企業的日常管理實現了信息化，為企業積累了豐富的、比較完整的能反映企業經營過程的數據。為了充分利用大量歷史數據，各零售企業開始建設數據倉庫系統，在商品分析、銷售分析、庫存分析、客戶分析等方面取得了一定的成功。但是目前零售企業的數據分析存在一定缺陷：

（1）對客戶的分析有一定的片面性。我國零售業（超市）的客戶多數是居民，超市POS系統可以記錄居民的姓名、年齡、地址、電話、職業、受教育程度等基本信息。客戶信息記錄的是會員個人的信息，但使用會員卡的可能是家庭的任何成員。目前的POS系統中沒有記錄這些家庭信息，從而導致客戶分析的不準確。

（2）貨架分析。目前的POS系統記錄了每一筆銷售，但沒有記錄商品銷售前所擺放的貨架。需要分析商品在不同貨架的銷售情況時因為缺少這個信息而無法進行。

（3）目前零售業的數據分析系統一般采用DW+OLAP+DM的結構，主要以C/S的模式實現，一般要求用戶對數據和模型比較熟悉，主要供數據分析人員使用，而企業經營決策者因為對數據和模型不熟悉而不能自如使用這個系統。

綜上所述，對原POS系統的數據庫進行適當修改以適應數據分析的需求，用商業智能系統對DW、OLAP、DM進行整合并利用商業智能門戶向使用者提供統一的界面有十分重要的現實意義。

2 商業智能的概念

商業智能(Business Intelligence ，簡稱 BI)的概念最早是GartnerGroup 的Howard Dresner于1996年提出來的。當時將商業智能定義為一類由數據倉庫（或數據集市）、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以幫助企業決策為目的技術及其應用。商業智能可以說是提高企業市場競爭力的一種技術手段或方法論，一般包含數據倉庫、聯機分析處理、數據挖掘三個部件。

3 數據倉庫設計

3.1 超市數據倉庫的主題分析

根據前面的分析，我們可以確定以下幾個主題：

（1）銷售主題：對銷售情況進行多維分析,以發現銷售數據的異常變化并追溯原因。

（2）商品主題：對商品的進銷存及退貨進行分析，為超市進行商品品種和品牌調整分析提供數據。

（3）客戶主題：對客戶的購買情況進行多維分析，以分析客戶的購買習慣、計算客戶的價值、進行客戶流失預測等。

（4）貨架主題：位置不同，貨架的租金也不相同。通過分析不同類別在不同貨架的銷售及利潤，為超市調整商品而已提供支持。

3.2 超市數據倉庫邏輯結構

確定了數據倉庫的主題后，就要根據主題設計主題的邏輯結構。在上述主題中，銷售主題、客戶主題和商品主題可以設計成雪花結構，而供應商主題、貨架主題可以設計成星型結構。這些模型通過公共維度表形成星座模型。

4 對源系統數據庫的修改

如前所述，目前POS系統提供的數據與實現數據倉庫各主題所需的數據相比存在一定差距，這是因為POS系統中數據定義不全面造成的。但POS系統是一種典型的OLTP系統，高效準確地處理銷售事務是它最重要的功能，它不會為了滿足分析處理的要求而增加額外的功能從而降低系統運行效率，而企業也不必要為了滿足分析環境的需要就廢除現有的系統重新開發或者購買新的POS系統。一個折衷的辦法是對現有系統的數據庫進行修改以適應分析環境的需要。

4.1 客戶信息的補充

OLTP系統一般是通過存儲過程實現對數據表記錄的追加，可以直接修改表的結構和存儲過程實現客戶信息的補充。某POS系統的客戶信息表包含以下字段：編號、名稱、電話、傳真、地址、郵編、聯系人、開戶銀行、帳號、備注；其增加客戶記錄的存儲過程：INSERT INTO會員表(會員卡號,姓名,折扣,累計金額,性別,生日,身份證號,電話,地址,郵編,備注,換算金額)VALUES (@P1,@P2,@P3,@P4,@P5,@P6,@P7,@P8,@P9,@P10,@P11,@P12)上面的SQL語句完整地以參數形式給出了添加的數據項以及對應的字段，因此給客戶表增加字段不會影響該語句的功能。同樣對查詢、更新、刪除客戶信息的存儲過程進行分析，發現只要不刪除表中現有字段及改變字段定義，給表添加字段不會影響現有功能的使用。

為了增加客戶分析的全面性，滿足客戶主題分析的需求，可在數據表中增加所需要的字段：教育程度、家庭人口、與超市距離等；另外增加一個存儲過程以向數據庫的客戶表寫入客戶的這些補充信息，并在后臺增加一個程序界面以調用該存儲過程實現新客戶信息的錄入功能。

4.2 貨架數據的補充

如果POS系統沒有貨架信息，就必須先在數據庫中建立貨架信息表，并給商品表中每種商品加上所處貨架字段一般而言，同一種品牌的同一個類（系列）商品是擺放在一個貨架上的，所以只需要在商品類別表中加上貨架信息，通過類別表與商品表之間一對多的關聯與以及類別表與貨架表之間的多對一關系就可以為商品和貨架之間建立聯系。

在商品入庫時設置好商品的分類，當調整貨架后，在商品類別表中更新貨架信息。將數據加載到數據倉庫時，不僅要加載每一筆銷售業務，也需要根據類別表將每件銷售出去的商品的貨架信息寫入數據倉庫，作為外鍵與貨架維度表相關聯。

5 OLAP及挖掘模型的建立

根據前面主題分析的結果，本系統建立了商品、銷售、客戶、貨架等四個OLAP模型。

本系統采用SQL Server 2005+Microsoft Visual Studio 2005開發。用SQL Server Business Intelligence Development Studio建立多維數據集和數據挖掘模型，用Reporting services展示數據。SQL Server 2005 Reporting Services（SSRS）是一種基于服務器的解決方案，用于生成從多種關系數據源和多維數據源提取內容的企業報表，能以各種格式查看的報表，以及集中管理安全性和訂閱。它可以從多維數據集中動態取得數據，支持切片、下鉆、上卷等多維操作，并能以圖形方式展示結果數據；此外它還為開發人員提供了若干編程接口。

在數據挖掘方面，使用Microsoft SQL Server 2005 Analysis Services (SSAS) 提供的關聯算法對交易清單進行挖掘；用聚類算法對客戶進行劃分；用線性回歸算法分析商品銷售隨季節變化的規律，并依此規律評價促銷效果；用決策樹算法對客戶購買習慣進行分析。

在信息展示方面，利用商業智能門戶提供了一個統一的展示平臺，將數據挖掘的結果、聯機分析處理的操作及結果在簡潔的門戶站點中顯示出來，這個門戶還支持數據報表的與獲取。

6 結束語

本文提出的模型主要是供企業內部經營管理人員和決策人員使用。由于該模型采用模式，只在加強對使用者的身份驗證，對與供應商和客戶相關的數據和模型進行適當調整，該模型也可以通過Internet向企業的供應商和客戶開放。

參考文獻

篇3

當年，蘇寧靠著連鎖商業模式，走出南京，跑馬圈地。隨后，在一場信息化引發的企業革命中，蘇寧率先嘗試，并不斷升級、優化后臺，為其前臺提供了強有力的支持。連鎖商業模式和信息化如今是蘇寧的軀體與神經，早已深度融合，無法剝離。

“所謂信息化，就是使復雜問題簡單化、離散問題結構化、人為因素客觀化。規范化和標準化只能帶來效率的提高，但要追求卓越，還得個性化，既要有大公司的規模效應，還得有士多店的靈活。如果能做到這樣，我們可以說信息化就是成功的，也只有信息化后才有可能實現大的規模和小的靈活！”埃森哲大中華區副總裁鄧洪鑒如此理解信息化。

那么，蘇寧的核心競爭力與其信息化有著怎樣的關系？蘇寧信息化的最終指向是什么？為此，《新營銷》記者采訪了中國連鎖經營協會會長郭戈平和用友管理軟件學院常務副院長朱春燕。

郭戈平：回歸零售本質

《新營銷》：目前，中國家電零售連鎖行業面臨的最大問題是什么？

郭戈平（中國連鎖經營協會會長）：2010年中國家電零售市場規模突破了萬億大關。目前家電零售行業呈現出全國性家電連鎖、地方性家電連鎖并存，百貨、超市、專賣店等多業態共生的格局。

我覺得家電零售連鎖行業面臨的最大問題是規模化、現代化程度不夠，專業化分工不夠，中國家電行業制造商與零售商之間的分工不明晰，社會效益沒有最大化地發揮出來。這樣既不利于制造商、零售商，更不利于消費者，最終影響行業的長遠發展。

另外，科技應用水平有待提高，IT技術對零售行業來說至關重要，國內零售企業的IT應用水平仍較低。

再者，零售專業人才欠缺，培訓機制不健全，人才流失率高等問題明顯。

《新營銷》：你如何評價蘇寧的家電連鎖模式和信息化？

郭戈平：首先是模式上，從專業店到綜合家電賣場的轉變。其次是標準化，使蘇寧得以快速復制發展，標準也體現在店面環境、服務規范等方面。最后是強化后臺建設保障前臺高速發展，包括信息化、物流等。

蘇寧的發展過程中，一直堅持“強后臺，練內功”，保證前后臺和諧發展。店面數量對零售企業固然重要，但店面質量也不可或缺，就像放風箏，飛得越高，能否保證這根線牢固，是很關鍵的。蘇寧較早意識到這一點，大力建設物流基地、投入巨資開發信息系統、持續有效地培育零售人才等等，這些后臺能力的發展，保證了前臺的可持續發展，放風箏的線不會斷，風箏越飛越好。

另一方面，零售企業承上啟下，關系到生產、消費兩大環節，服務好制造商和消費者是零售企業可持續發展的關鍵。蘇寧一直保持良好的廠商關系，強調“服務是唯一的產品”，由這樣的理念延伸出來服務社會的大服務意識，積極承擔對投資者、社會、自然環境等方面的責任，承擔起企業社會責任，這也是其可持續發展的關鍵所在。

《新營銷》：蘇寧作為中國最大的家電零售連鎖企業，如何在速度、規模、效益之間取得平衡？

郭戈平：在連鎖企業的發展過程中，在不同的階段對這三者的追求不一樣，這需要企業決策者充分把握好內外部環境。在這三者的權衡中，要把握好協調性，在保持競爭優勢的同時，確保可持續發展的能力。

《新營銷》：蘇寧的下一個發力點是什么？

郭戈平：中國家電零售經過多年發展，正在從外延式擴張向內涵式擴張轉變，精細化是重要要求。對于蘇寧，希望它堅持創新，在消費細分方面實現突破。比如三、四級市場的增長潛力是巨大的，如何針對這部分消費者，如何從服務細節提高客戶體驗。比如網購消費者，如何滿足傳統消費者的同時，兼顧網購這個日漸龐大的市場。

另外，國際化可能是蘇寧未來的一個發展方向。中國企業一直在探索國際化的路子，像蘇寧這樣的渠道連鎖企業走國際化之路，更有優勢。假如蘇寧的國際化做好了，一是拓展了自己的生存空間；另一方面可以把中國制造的產品輸送出去。這是一個多方受益的事情，政府應該給予支持鼓勵。

《新營銷》：零售企業已經從規模、數量轉向追求效益和效率，蘇寧作為中國零售企業的代表，有哪些地方需要注意？

郭戈平：與發達國家零售企業相比，中國連鎖企業的單店效益差距明顯。終端門店作為直接面向消費者的一環，意義非凡。蘇寧要強化每個門店的能力，以門店為單位提升整體效益。比如增強對消費者需求的研究和滿足能力，提升購物舒適度，真正實現從產品導向向消費者導向的轉變，這包含了店面陳列、促銷方式、服務人員素質等很多細節，需要一個較長的時期。

同時，當蘇寧的規模越來越大，如何調整組織架構，避免大企業病，保證企業創立初期的高效率，充分發揮每個人的力量，對于未來蘇寧的發展是很重要的。

《新營銷》：你如何看待蘇寧開展電子商務？

郭戈平：隨著互聯網經濟的到來，電子商務給消費者帶來了便捷、實惠。線下消費者更注重產品的購物體驗和購買過程中的安全保障。二者互補共存，都將根據消費者的不同需求而存在。

但從根本上講，電子商務仍然是零售的一種形式，不論實體還是網絡，零售的核心永遠是產品、物流和服務，尤其是強大的物流配送網絡和售后服務網絡給消費者帶來的優質服務，是電子商務的本質和核心競爭力。從這個角度說，虛實結合的發展模式是未來電子商務的發展方向之一。

朱春燕：

信息化是營銷的

驅動力

《新營銷》：你認為蘇寧的信息化為其帶來的幸福指數有多高？幸福感主要體現在哪些方面？

朱春燕（用友管理軟件學院常務副院長）：如何通過IT創建幸福企業，這是企業CIO的使命；如何在企業運營中體現IT的最大價值，這是CEO和CIO必須共同關注的。

據我了解，蘇寧的信息化實踐是比較早的，在20世紀90年代中期就率先在空調行業建立了第一套完整的售后服務管理系統；2000年下半年，蘇寧的ERP管理系統成功上線；后來隨著業務的發展和規模的擴大，換成了國際廠商的信息化系統。到現在它的信息化進程已經持續了十幾年。IT帶給蘇寧的變化是巨大的，而它的幸福指數一定是隨著其發展階段和對幸福訴求的變化而變化的。

在我看來，蘇寧幸福指數的高低取決于IT帶給整個企業的運營效率、創新機制和社會責任三個方面量化的提升。比如，產生一個多維度的庫存管理報表所需的時間節省了多少？實現無紙化辦公每年能為企業節省多少費用？營業收入增長了多少？這些具體的數字也許最能說明問題，所以這個幸福指數可能最有資格來評估信息化企業的CEO、CIO以及他們的員工和客戶。

目前蘇寧有1000多家零售終端門店，供應商數量非常多，供應鏈運作相當復雜。以前供應商只能在月度或季度對賬時才能了解產品的銷售情況，造成的直接結果是，熱銷的產品缺貨時往往得不到及時補貨，而滯銷的產品只能在庫房中慢慢貶值。而現在，供應商可以隨時進入蘇寧的ERP系統查看自己產品的銷售進度和庫存情況，同時，利用蘇寧與消費者直接接觸得來的市場信息，供應商可以更快地清除庫存，生產適銷對路的產品。

所以，內部管理效率的提升使得蘇寧最終發展成為大規模連鎖化的零售組織。

《新營銷》：在連鎖行業，信息化的主要表現形式有哪些？

朱春燕：我認為應用比較廣泛的是電子商務。過去蘇寧主要通過連鎖零售實體店進行業務經營，目前，蘇寧成立了由上市公司控股的獨立的電子商務運營體系―蘇寧易購商城。蘇寧從線下走到線上，開辟了一條新的營銷渠道，同時涉足圖書、醫療、戶外用品、百貨等業務，拓展了收入來源和盈利渠道。從某種程度上說，蘇寧是在借助信息化實現轉型。

《新營銷》：與沃爾瑪等國際巨頭的信息化相比，蘇寧的信息化有哪些異同？

朱春燕：蘇寧和沃爾瑪的企業形態整體來說有很多類似之處，都屬于連鎖零售，所以對信息化的需求有相同之處。每逢節假日甚至每隔幾天蘇寧與沃爾瑪就會有優惠促銷活動，在國慶等大型節日，全國范圍內上千家連鎖店同時做促銷，其實這對庫存的補充（時間和數量）、財務的結算、客戶信息的統計、物流的統一調配等提出了很高的要求，需要快速反應才能給予支持，這其實是蘇寧背后“看不見的手”在起作用。

從業務形態上說，它們也有不同之處。蘇寧是電器零售連鎖，沃爾瑪除了電器還有很多日常用品，沃爾瑪的一些商品保質時間短、庫存周期短、種類更多、品牌更多，從這個角度看，沃爾瑪對信息化的要求比蘇寧要高，管理更敏捷。

《新營銷》：信息化給蘇寧帶來了核心競爭力，你認為蘇寧未來會向何處去？

朱春燕：企業的發展戰略一定會直接影響到其信息化戰略，蘇寧未來的信息化之路怎么走取決于蘇寧未來的規劃和視野，同時，在這個進程中企業和信息化的磨合過程也是至關重要的。

從我對國內家電零售企業的理解來看，它們未來的營銷模式一定是在一個統一的平臺上進行科學的營銷，而所有決策的依據都來自于這個統一平臺上的數據。無論是市場范圍的拓展還是業務線的延長，都要深入研究市場，這時就可以通過數據挖掘和商業智能幫助企業管理者做出決策。

《新營銷》：信息化雖然讓企業受益頗多，但其中充滿了風險。中國企業的信息化發展，應該如何做？

朱春燕：很多企業通過使用管理軟件或是其他信息化手段提高了效率、優化了流程、節約了成本。同時，一些企業由于系統選型不當、時機把握不準確、缺乏合適的信息化人才等，最終勞財傷神。

所以，成熟的企業，希望并最終能夠“幸福”的企業，我認為有三個方面是要重視的：

一是先有企業戰略后有信息化戰略。企業不要跟風盲目上ERP，因為信息化系統改變的不僅僅是員工的工作方式，更重要的是它徹底改變了企業原有的管理模式和運營模式。所以企業一定是有了未來的發展藍圖之后，比如地域上如何擴展、業務鏈如何開拓等等，再根據企業的實際情況和行業的發展趨勢考慮是否上信息化，上什么樣的信息化。企業的戰略決策一定會直接影響到信息化戰略。

二是要做好長期提升和優化信息化系統的準備。如果要想讓信息化系統實實在在發揮最大的價值，就一定要把它當成長期的工作，根據業務的發展和規模的擴大不斷改進、升級系統模塊功能，以便更好地優化復雜的業務流程。

三是要有信息化專業人才。其實，信息化最終能不能成功，能不能持續改進，為企業流程優化做貢獻，人才是關鍵。這里的人才指的是專業的信息化人才，對于他們的能力要求不僅僅是操作軟件，更需要的是懂管理、懂企業、懂軟件的復合型人才，他們能從實際業務出發考慮問題、發現問題，通過信息系統解決問題，提高企業運營效率。

蘇寧的做法值得借鑒。當時上ERP項目，蘇寧從不同的部門抽調了400名開發人員和2000名培訓講師，再加上IBM的實施顧問、SAP的軟件人員，一共有2500人在為信息化項目工作。不難看出，蘇寧下了很大的決心。

《新營銷》：信息技術的發展日新月異，企業如何與時俱進，不斷升級信息化系統？

篇4

業內人士普遍認為，目前很多百貨店關閉的根本原因是經營不佳，運營成本不斷攀升，利潤上漲幅度遠小于員工工資及房租上漲的幅度。此外，電子商務對傳統百貨業帶來的沖擊不容忽視。

那么，百貨業該如何轉型？是轉向集購物、休閑、娛樂、餐飲等為一體的綜合性購物商場，還是嫁接電子商務？IT又該如何為百貨業轉型助力？金鷹國際集團（以下簡稱金鷹）的嘗試頗值得借鑒。

百貨業轉型

金鷹是知名的商業地產和百貨集團。金鷹旗下的專注發展高級時尚百貨連鎖零售業務的金鷹商貿集團曾被摩根士丹利評為中國最好的百貨集團之一，目前已在江蘇、上海、安徽、云南、陜西等地開出22家連鎖店。其中，南京新街口店單店業績突破40億元，揚州文昌店、徐州彭城廣場店業績也超過20億元。

雖然當前發展形勢很好，但轉型提升一直是金鷹的發展戰略。通過IT更合理地調配集團資源，構建電子商務銷售渠道，提升客戶體驗……都在金鷹的計劃中。金鷹國際集團董事長王恒介紹，2011年開始，金鷹將以每年3~5家新店的速度擴張，預計3年內，連鎖店數量將突破50家，集團業績有望突破600億元。快速擴張給金鷹帶來的管理壓力也不小，打造一個智能化的企業信息平臺迫在眉睫。因此，金鷹引入IBM全球企業咨詢服務部（GBS）作為合作伙伴，用IT助力業務創新與轉型。

“在傳統的百貨零售模式中，零售企業不善于掌握和分析商品和客戶的信息，直接造成了傳統百貨零售企業對顧客消費行為方式缺乏深刻認知，阻礙了服務體驗的提升。”IBM全球企業咨詢服務部工商事業部華東華中區總經理葉國輝表示。

智能商業為金鷹轉型護航

葉國輝介紹，此次金鷹的智能商業項目將包含ERP、BI、供應鏈管理、CRM、電子商務等多個具體項目，打造一個可以幫助金鷹將前端的門店銷售系統與后端的供應鏈管理系統、人力資源管理系統、財務管理系統等無縫鏈接的智能信息管理平臺，從而形成整合的業務鏈，提升整體運營效率。

“更重要的是，該平臺可以將金鷹所有在售的單品信息及顧客的購買信息進行有效分類、存儲、分析，從而幫助金鷹的領導、運營團隊及時了解各種產品的銷售情況，并準確掌握不同顧客群的購買狀態，以便于及時調整經營戰略，并針對不同人群提供最恰當的服務、產品和信息。”葉國輝說。

同時，該管理平臺還將為金鷹開拓電子商務的新平臺。結合對顧客消費行為的深入分析，依靠智能商業平臺，金鷹有望直接將最有效的產品信息與服務帶給顧客，實現全新的營銷與服務模式。

“智能商業項目與過去的系統相比有一個根本的區別，那就是對顧客購買行為深度的分析。”IBM全球業務咨詢部零售行業咨詢總監高銳評價說。

篇5

那么，到2021年BI發展將呈何態勢，筆者做出如下預測。

新數據源分析將打破傳統商業模式

以司機保險為例，遠程信息處理技術的廣泛應用意味著基于保險精算表格的共享風險模式的終結，因為司機這個群體從整個人口中消失了，保險是基于對實際駕駛行為的分析來進行收費。醫療保險據此也不會太遠，而且這可能正成為公共醫療系統的現實――重新將精力集中在主動式的醫療保健而不是被動地響應疾病的治療。進一步的，越來越多的像審計師這樣的白領正期待分析自動化時代的到來。這是腦力勞動機械化的一個邏輯延續――我們已經忘記了不久前“電腦”和“計算器”還曾是人們的職位名稱。

決策者將廣泛使用共享、沉浸式的分析體驗

BI的發展一直專注在小型設備上，但是現在將轉為專注于非常大（像一面墻那么大）的觸屏設備上。這使得整個團隊可以共同對數據進行實時探索并由此做出決策。在2015年，有39%的人表示，影響決策制定的三大原因之一是與同事的意見不一致，而到2021年，我們所有人都會一起在數據中工作。

BI將會支持更廣泛、完全的人類學習模式

2015年，數據得以可視化。但并不是所有使用數據的人都能夠獲得同等的視覺導向。人類運用個體的感官輸入進行學習，這通常有三種模式――聽覺型、閱讀型以及視覺型或動態型。

到2021年，商業智能將利用信息傳遞手段使用所有學習模式，比如對于聽覺型的學習者，會自動生成口頭或書面的敘述形式來描述所選數據的形狀或者圖表內容。與此類似，3D打印圖表繪制對于動態型的學習者而言無疑是扮演了一個重要角色，這使他們能夠親身感受到誰工作得最好。當然，對于視覺導向的學習者來說，他們面臨的選擇將會增加，利用大量高分辨率顯示器實現大量數據集的展現甚至虛擬現實的體驗。

對數據的解讀能力將大大提高

毫無疑問，在未來五年里，人們對各種形式的數據可視化將更為熟悉，將會更容易從圖表中讀取和利用其中的深刻洞見。（這與人們對電影的解讀非常相似。隨著時間的推移，人們逐漸熟悉膠片的“語言”并把對電影的解讀作為人類的第二天性）也許更重要的是，教育系統將會加入更多商業分析和其他課程。領先的公司將會對員工進行數據讀寫能力的培訓，因為他們意識到員工的數據解讀能力將為企業增加競爭優勢。當然，更多有數據學習經驗的人對于數據的要求也會更多。

個人分析能力成為基本要求

我們看到的一些自我量化的行動也許現在看來非常讓人厭惡，但是隨著服務和設備產生更多的數據，這些行為很快就會成為一種慣例。因為，這些對“我的數據”進行個人分析會成為自我改善的一種方式。

不僅如此，人們還會越來越多的在家庭生活以及社交生活（無論是地理上的還是興趣分享上的）中使用分析。對于軟件供應商來說，這是一個有趣的暗示，它代表了另一個消費趨勢，個人喜好終將會導致“攜帶個人化的分析工具”時代的到來。

更多人將會利用預測分析

雖然許多企業都會安排一些人做更為復雜的統計預測，但是這并不普遍。行業分析師的數據顯示，僅不到20%的人在廣泛使用預測分析（作為他們BI項目的一部分）。要克服這一障礙有兩個至關重要的驅動力。首先是使用技術，通過自動向他們展示未來趨勢來推動那些非統計專業的人士使用預測分析工具。比如，使用最佳模式來預測三個時期的支出情況的線形圖，用敘述的形式告訴用戶，KPI將會在某個日子掉落到一個不可接受的范圍，或者在分析應用里使用蒙特卡羅模擬算法。第二個驅動力是讓工具變得更廣泛可用，從而支持預測性模型。過去，技術和知識是不對稱地分布在少數專家手中的。到2021年，這種持續還不到20年（通過開源R統計語言）的現象就將會完成古騰堡為了寫作所做的統計概率分析。

分析歷史數據變得更簡單

數據存儲花費的急劇下降意味著，到2021年，各機構將擁有可訪問的可讀形式的數據（沒有磁帶備份），可以及時回溯。這將實現算法識別和深度模式的分析，分析過去的數據，證明分析周期超過經濟周期是有用的。這還將幫助機構不要重蹈覆轍。以上次經濟蕭條為例，由于數據已經無法回溯，企業因此不能學到教訓，這在2021年就不會發生了。

智能決策自動化（IDA）將隨著機器更智能而采用更多商務決策

在2016年，IDA只能處理簡單的戰術（例如單個客戶/狀態）決策，但是由于AI在學習和模型中的應用更為廣泛，IDA將會有更廣泛的選擇而不僅僅是決策樹形圖的展現。像谷歌這樣的先行者讓它的機器學習軟件（TensorFlow）開源化的舉措，只會增加AI在決策中的使用，但這是有局限性的。

更多機構將會進行決策回顧

根據Qlik收集的數據顯示，2015年只有23%的機構會例行查看商務決策的結果。鑒于此，投入BI的理由常常是“提高決策能力”。到2021年，更多機構將會塑造更多決策。“決策”因此也會成為BI元數據類型，因此也是可以分析的。我們可以看到機構是否做出了正確的決策，輸入和輸出是什么，或許還可以看到哪個團隊做出了最佳決策。

混合的啟發式/算法管理以及決策制定將會在一些機構內形成

理想的管理團隊能夠匯集人們學習經驗中的積極元素，并通過啟發式的決策以及算法計算表達出來。這讓每一個會議桌前的人都可以發聲。這是主觀和客觀的混合體――試想柯克船長和斯波克博士――依據數據和其他內容一起做出決策。到了2021年，這種混合的情況將會以自動生成的數據故事的形式來啟發和延展人們的觀點，除了這以外誰知道還會發生什么呢？由電腦產生出來的阿凡達可展現數據和提供輸入語言，這應該不斷太牽強。

以上僅是筆者對BI未來的幾點預測，當然也可能過于樂觀或過于消極，其未來發展趨勢或許也會因外部突發事件而帶來變化。

相關鏈接

建立科學決策分析模型

第一步，為數據驅動決策打下基礎。 企業需要將各類數據源連接在一起，以便每個業務團隊都可在語境中查看數據，這個過程應確保每個人都能基于同一組數據開展業務。

第二步，了解準確度量的標準。企業通過對歷史數據的分析創建新的業務指標，進一步驅動業務營銷。這些指標包括識別關鍵價值的指標，各部門將其轉化為與整個業務相關的項目。

篇6

[關鍵詞] 商業智能 數據挖掘 ETL OLAP

一、商業智能概念提出的背景和定義

商業智能（Business Intelligence ，簡稱BI）的概念最早是 Gartner Group 于 1996 年提出來的。當時將商業智能定義為一類由數據倉庫（或數據集市）、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以幫助企業決策為目的技術及其應用。目前，商業智能通常被理解為將企業中現有的數據轉化為知識，幫助企業做出明智的業務經營決策的工具。這里所談的數據包括來自企業業務系統的訂單、庫存、交易賬目、客戶和供應商資料來自企業所處行業和競爭對手的數據，以及來自企業所處的其他外部環境中的各種數據。而商業智能能夠輔助的業務經營決策，既可以是操作層的，也可以是戰術層和戰略層的決策。為了將數據轉化為知識，需要利用數據倉庫、聯機分析處理（OLAP)工具和數據挖掘等技術。因此，從技術層面上講，商業智能不是什么新技術，它只是數據倉庫、OLAP和數據挖掘等技術的綜合運用。

為此，把商業智能看成是一種解決方案應該比較恰當。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。因此，BI是涉及一個很寬領域的，集收集、合并、分析和提供信息存取功能為一身的解決方案，包括 ETL 軟件、數據倉庫、數據集市、數據查詢和報告、多維/聯機數據分析、數據挖掘和可視化工具。 圖1是一個典型的商業智能系統。

圖1 商業智能系統構圖

二、商業智能的技術構成

商業智能所要解決的問題不同，其應用到的技術也不盡相同，一般地講包括以下的部分（不同的體系，劃分的方法可能有些差別，但本質相同）。

1.ETL：即數據的抽取/轉換/加載。也就是將原來不同形式、分布在不同地方的數據，轉換到一個整理好、統一的存放數據的地方(數據倉庫)。ETL可以通過專門的工具來實現，也可以通過任何編程或類似的技術來實現。

2.數據倉庫：一個標準的定義是：數據倉庫是一個面向主題、集成、時變、非易失的數據集合，是支持管理部門的決策過程。簡單地說，數據倉庫就是儲存數據的地方。它既可能是原始的業務數據庫，也可能是另外生成的。既可能是標準的關系型數據庫，也可能是包括了一些特定面向分析特性的專門產品。

3.查詢：找出所需要的數據。由于需求的多樣性和復雜程度的差異，查詢可能是最簡單的從一張表中找出“所有姓張的人”，到基于非常復雜的條件、對關系非常復雜的數據進行查找和生成復雜的結果。

4.報表分析：以預先定義好的或隨時定義的形式查看結果和分析數據。將人工或自動查詢出來的數據，以所需要的形式(包括進行各種計算、比較，生成各種展現格式，生成各種圖表等)展現給用戶，甚至讓用戶可以進一步逐層深入鉆取這些數據，乃至靈活地按照各種需求進行新的分析并查看其結果。在這個領域，報表已經由原來狹義的做好固定報表發展為靈活地按業務要求隨時制作各種報表、進行各種分析和數據研究處理。

5.OLAP分析：多維數據分析，從多個不同的角度立體地同時對數據進行分析。理解OLAP分析，最簡單的例子是Excel中的數據透視表。需要指出的是，OLAP有廣義與狹義之分，廣義的OLAP是相對OLTP而言，可以說包括了查詢、報表分析、OLAP分析和數據挖掘，但真正大家所講的實際是狹義的OLAP，即多維數據分析。OLAP分析一般講應該是通過建模和建立立方體(CUBE)來實現，但現在也有一些簡單的OLAP工具可以不建模即進行小數據量、低復雜度的分析(EXCEL的數據透視表即是一例)。

6.數據挖掘：一種在大型數據庫中尋找你感興趣或是有價值信息的過程。相比于上面幾個部分，數據挖掘是最不確定的。如果理解它與查詢的區別，似乎是數據如果容易查出來，就是查詢。如果費很大勁才能找出來，就是挖掘。

上面這若干部分，并不是每一部分都必不可少，而是要根據應用的實際情況，具體問題具體分析。一般地講，數據倉庫(這里是廣義的，其中相當一部分情況就是指標準的關系型數據庫)和查詢、報表分析是必不可少的，而其他一些功能則視應用的需要可能有不同程度的應用。

除了上面所講的這些實質性、技術性的組成部分外，與商業智能相關的還有很多應用層面的概念，如EPM(企業績效管理)、DashBoard(儀表盤)、預警、決策支持等等。這些概念在應用上有很大意義，也有一些相關的輔助技術，但本質上還是基于上述的幾個組成部分。

三、實施商業智能的步驟

實施商業智能系統是一項復雜的系統工程，整個項目涉及企業管理、運作管理、信息系統、數據倉庫、數據挖掘、統計分析等眾多門類的知識。因此用戶除了要選擇合適的商業智能軟件工具外還必須按照正確的實施方法才能保證項目得以成功。商業智能項目的實施步驟可分為：

1.商業需求分析/整理商業需求確認/修正： 需求分析是商業智能實施的第一步，在其他活動開展之前必須明確的定義企業對商業智能的期望和需求，包括需要分析的主題，各主題可能查看的角度(維度)；需要發現企業那些方面的規律，用戶的需求必須明確。對比規劃的商業需求滿足現有業務需求的程度，通過對比，修正并確認用戶對BI的需求。包括報表的需求、分析模式的需求。

2.數據倉庫建模：通過對企業需求的分析， 建立企業數據倉庫的邏輯模型和物理模型，并規劃好系統的應用架構，將企業各類數據按照分析主題進行組織和歸類。

(1)制定數據ETL（抽取、轉換、上載）的規則;(2)制定有利于布置、分析效率的DW存儲模式;(3)物理實現。

3.數據抽取:數據倉庫建立后必須將數據從業務系統中抽取到數據倉庫中，在抽取的過程中還必須將數據進行轉換，清洗，以適應分析的需要。

4.建立商業智能分析報表:商業智能分析報表需要專業人員按照用戶制訂的格式進行開發，用戶也可自行開發(開發方式簡單，快捷)。

5.用戶培訓和數據模擬測試:對于開發－使用分離型的商業智能系統，最終用戶的使用是相當簡單的，只需要點擊操作就可針對特定的商業問題進行分析。

6.系統改進和完善:任何系統的實施都必須是不斷完善的，商業智能系統更是如此，在用戶使用一段時間后可能會提出更多的，更具體的要求，這時需要再按照上述步驟對系統進行重構或完善。

四、商業智能的發展趨勢

商業職能與DSS、EIS系統相比，具有更美好的發展前景。近些年來，商業智能市場持續增長。IDC預測，到2005年，BI市場將達到118億美元，平均年增長率為27%（Information Access Tools Market Forecast and Analysis：2001-2005，IDC#24779， June 2001）。隨著企業CRM、ERP、SCM等應用系統的引入，企業不停留在事務處理過程而注重有效利用企業的數據為準確和更快的決策提供支持的需求越來越強烈，由此帶動的對商業智能的需求將是巨大的。

商業智能的發展趨勢可以歸納為以下幾點：

1.功能上具有可配置性、靈活性、可變化性。BI系統的范圍從為部門的特定用戶服務擴展到為整個企業所有用戶服務。同時，由于企業用戶在職權、需求上的差異，BI系統提供廣泛的、具有針對性的功能。從簡單的數據獲取，到利用WEB和局域網、廣域網進行豐富的交互、決策信息和知識的分析和使用。

解決方案更開放、可擴展、可按用戶定制，在保證核心技術的同時，提供客戶化的界面針對不同企業的獨特的需求，BI系統在提供核心技術的同時，使系統又具個性化，即在原有方案基礎上加入自己的代碼和解決方案，增強客戶化的接口和擴展特性；可為企業提供基于商業智能平臺的定制的工具，使系統具有更大的靈活性和使用范圍。

2.從單獨的商業智能向嵌入式商業智能發展。這是目前商業智能應用的一大趨勢，即在企業現有的應用系統中，如財務、人力、銷售等系統中嵌入商業智能組件，使普遍意義上的事務處理系統具有商業智能的特性。考慮BI系統的某個組件而不是整個BI系統并非一件簡單的事，比如將OLAP技術應用到某一個應用系統，一個相對完整的商業智能開發過程，如企業問題分析、方案設計、原型系統開發、系統應用等過程是不可缺少的。

3.從傳統功能向增強型功能轉變。增強型的商業智能功能是相對于早期的用SQL工具實現查詢的商業智能功能。目前應用中的BI系統除實現傳統的BI系統功能之外，大多數已實現了數據分析層的功能。而數據挖掘、企業建模是BI系統應該加強的應用，以更好地提高系統性能。

4.應用領域更加寬廣。2006年，商業智能在中國的應用主要集中在金融、電信、保險、能源、制造、零售、政府等行業，應用比例見下圖2：

圖2 2006年中國BI市場各行業所占比例

隨著商業智能在13個行業成功的應用案例，商業智能的應用領域越來越廣闊。這13個行業是：衛生行業（廣州藥業）、空調行業（上海雙菱）、電子行業（西門子A&D集團）、鋼鐵行業（寶鋼）、制藥行業（廣藥）、保險行業（泰康人壽）、電信行業（天津聯通）、啤酒行業（珠江啤酒）、證券行業（上海證交所）、金融行業（光大銀行）、煙草行業（重慶煙草）、政府部門（國稅總局）、汽車行業（上海汽車銷售總公司）。

參考文獻：

[1]（美）Michael J.A.BerryGordon S.Linoff著，別榮芳尹靜鄧六愛譯：數據挖掘技術：市場營銷、銷售與客戶關系管理領域應用[M].北京：機械工業出版社，2006年7月第1版第1次印刷

[2]利:數據挖掘與商業智能完全解決方案[M].北京：電子工業出版社，2007年10月第1次印刷

[3]張蓉:數據倉庫與數據挖掘技術在銀行客戶關系管理(CRM)系統中的應用，來源于省略/lanmuyd.asp?id=1920

篇7

在大家翹首以待蘋果新品時，智能電視領域開始了一場無聲的戰爭。傳統電視廠商方面，康佳自去年智能云電視后又低價了智能電視，海信超高清智能電視新品，TCL攜手愛奇藝聯合了“TV+”，創維和阿里巴巴共同酷開電視等；而繼樂視推出超級電視，成為第一家進入電視領域的互聯網公司之后，小米公司也了3D智能電視。

如今的智能電視戰場，已形成IT企業、互聯網企業跨界“入侵”，傳統電視廠商積極求變的混戰局面。市面上的智能電視琳瑯滿目，可謂一場“高端大氣上檔次”的盛宴，而在這場盛宴的背后，其實是商業模式的較量。

這些智能電視雖然在硬件配置上各有千秋，但它們有著很多共同點：性能強勁、內容豐富、服務多樣化。與傳統電視相比，智能電視除了能滿足用戶觀看電視節目的需求，還提供更多娛樂休閑的服務。極速的下載體驗、豐富的視頻資源、各具特色的應用商店以及語音交互、動作感應等別具一格的功能，都表示電視逐步高端化。

智能電視正成為繼PC、平板電腦和智能手機之后第四種信息訪問終端。習慣了在四五英寸的手機、十三四英寸的PC上瀏覽網頁、玩游戲的人們，可以在40英寸～55英寸的大屏幕上實現手機、電腦和電視的很多功能，還可以自由選擇第三方服務商提供的軟件、游戲等，甚至可以自己動手開發相關應用，而大屏幕超高清的視頻，無疑會給消費者帶來全新的使用體驗。

隨著智能電視異軍突起，中國彩電領域正經歷著一場革命。智能電視的商業模式不斷創新，也逐漸從傳統電視的硬件盈利模式向“硬件+內容+服務”的模式轉變。

目前，智能電視的盈利模式主要有兩種。一是生態鏈模式。它是企業通過自主研發，整合上下游資源，將硬件、軟件、內容、核心應用進行融合的完整生產鏈模式。樂視以視頻資源優勢為依托，將生產等業務外包出去，只通過內容和服務盈利。小米電視延續了手機的盈利模式，依托MIUI、米聯等服務，在硬件上與上游供應商合作。康佳則依靠完整售后系統和物流體系的優勢，和內容提供商、應用開發商合作，形成完整的生態鏈。這種封閉的生態鏈模式難免給人“胡子眉毛一把抓”的感覺，但其盈利能力不容小覷。

篇8

關鍵詞:商業智能系統;BI;數據庫的規劃

中圖分類號:TN915.5文獻標識碼:A文章編號:1007-9599 (2010) 11-0000-03

The Planning of Business Intelligence System Database

Jiang Shifeng

(Guangzhou Ke Teng Information Technology Co.,Ltd.Guangzhou528231,China)

Abstract:Information technology in China has experienced several decades of development,the enterprises already have the basis different types of information systems mature,these systems are called online business systems,and now an urgent need for the development according to their own enterprises have entered the business intelligence (BI) information analysis phase,business intelligence problems to be solved:how to take advantage of these scattered in various basic system information to help businesses better management and decision-making and provide personalized customer service.Business intelligence systems and online business system is different,first of all the problems are:the amount of data the rapid growth of online business systems has,however,online business systems,the usual practice:regularly clean up data,and data warehouse systems which are usually kept for at least a few years of data,so the expansion of data to be stored in a data repository,such as the financial sector in terms of natural law:40% annual increase in the data,how to design and planning of these background data,a business intelligence system,the core of the design problems.The proposed database business intelligence system is planning.

Keywords:Business intelligence system;BI;Database programming

一、基本規劃

商業智能系統數據庫的規劃是一件較為復雜的綜合性的工作,需要對系統做全方位的分析和規劃。同時也需要較深厚的數據庫管理經驗與設計的知識,還要著眼于未來數據庫中的數據量的不斷增長或者用戶數的激增,下面簡要地介紹一下規劃的一些因素以及一些原理:

(一)數據庫的選擇。關系數據庫從理論的提出,到做成數據庫產品發展到今天,已經是一個非常巨大,非常復雜,功能非常強大的成熟系統,尤其是一些商業數據庫例如Oracle,Db2等對數據倉庫提供了非常好的支持,當我們選擇這些商業數據庫的時候,一般選擇較新的版本,較新的版本提供了更多更強大的功能,而且操作也相當簡便,例如Db2 V9.1,DB2 V9.5就提供了自動內存調整,數據壓縮及其它新功能(詳細請咨詢相關廠商)

(二)良好的存儲I/O設計。必需有足夠的磁盤設備來確保充分的I/O并行性,以支持大量的并發事物。對于中等工作負載而言,每個CPU至少應當有5到10個磁盤,對于高I/O OLTP工作負載而言,至少要有20個磁盤。操作系統(包括調頁空間)、日志和表空間應當有各自的專用磁盤。應當有多個磁盤用于日志、表和索引。

估計良好性能所需的I/O處理能力的正確方式,實際上是制作事務日志原型并找出每個事務需要多少I/O,以及每秒需要處理多少事務。然后找出磁盤控制器和磁盤子系統的I/O速率,以幫助確定需要多少控制器和磁盤。

(三)有足夠的物理資源并且能合理使用。如果一個系統配置充足的CPU、內存、高速硬盤和有足夠的網絡帶寬,那這個系統就能很好的保證我們應用的系統。同時,在物理資源一定的情況下,如何合理使用它們也是性能調整的一個方面。例如,使用異步I/O,使用裸設備和使用并發I/O(CIO)等。

(四)合理的數據庫配置參數。數據庫配置參數影響數據庫資源分配,合理的數據庫配置參數可以充分發揮資源優勢。使數據庫可以在最合理最優的情況下運行。

(五)空間的規劃。數據庫存儲空間有日志空間及表空間,表空間又分系統表空間,數據表空間等,將這些空間放到不同的存儲設備,從而可以實現存儲的并發訪問,大大提高系統的性能。

此外一些重要的數據要單獨劃分表空間,可以針對這些空間單獨進行備份和恢復以減少風險的發生。歷史數據的表空間可以按一定的算法(比如取模)保證每年使用固定的表空間,這樣每年維護固定空間的數據,大大減輕了維護的工作量。

另外,在一般情況下,系統處理數據的流程是:從分散的系統抽取數據到數據倉庫,再在數據倉庫數據的基礎上加工為供業務人員分析的數據,對這兩種類型的數據可以分別存儲在不同的表空間,提供不同的管理和維護,而且萬一發生故障的時候,二者不會相互影響。

(六)表物理空間壓縮。DB2 V9新增了可用來壓縮數據對象的基于字典的行壓縮功能｡在壓縮數據時,通過使用較少的數據庫頁來表示相同數據,從而達到節省磁盤存儲空間的目的｡對于那些行中包含重復模式的大型表,將能從此功能中受益｡數據行壓縮(COMPRESS子句)可與現有的空間值壓縮(VALUE COMPRESS子句)一起使用｡對于使用行壓縮的表,查詢性能可能有所提高｡可能需要更少的I/O操作來訪問壓縮數據,并且在壓縮后,可以將更多數據高速緩存在緩沖池中｡由于用戶數據壓縮在日志記錄內,因此日志記錄可能會變小｡對于UPDATE 日志記錄,則可能不會出現這種情況｡與行壓縮關聯的成本取決于壓縮和解壓縮數據所需的額外CPU周期｡在訪問行中的數據時,壓縮和解壓縮是以行為單位執行的｡要評估使用行壓縮后存儲器的節省情況,可使用DB2 INSPECT聯機實用程序的ROWCOMPESTIMATE選項｡在啟用了表的COMPRESS屬性并創建了壓縮字典之后,才可壓縮行｡可通過CREATE或ALTER TABLE語句來設置COMPRESS屬性｡可使用REORG TABLE 命令來創建壓縮字典｡在處理REORG 命令時,現有的所有表行都要被壓縮｡數據行壓縮不適用于索引､LOB､LF或XML對象。

Db2V9前的版本支持有三種方式的壓縮,分別是空間值壓縮(VALUE COMPRESS子句)､索引壓縮(MDC技術)和數據庫備份壓縮, DB2 V9新增了可用來壓縮數據對象的基于字典的行壓縮功能。

實踐證明,數據庫表壓縮中僅行壓縮就可以節省超過50%的存儲量,同時數據以壓縮的方式傳進內存,縮短了IO傳送時間。

(七)多維聚集類(MDC)。MDC是在 DB2 Version 8 中引入的,通過它可以在物理上將在多個維上具有類似值的行聚合在一起放在磁盤上。這種聚合能為常見分析性查詢提供高效的 I/O。對應MDC表中索引相同的所有行,可以將它們存儲在相同的存儲位置,即所謂的塊(block)。在 CREATE table 語句中定義維的時候,就為每種值的組合預留了存儲空間。實際上,MDC 是一個能最大化查詢性能的特性,對于數據倉庫中常用的查詢更是如此。

MDC 對性能的貢獻在于提高檢索數據的效率。在多個維上具有近似值的數據存儲在相同的位置,這使得I/O操作變得更高效,而I/O操作正是數據倉庫中一個常見的瓶頸。而且,MDC 特性還包括塊索引,在塊索引中,對于每個塊的數據(而不是每一行的數據)都有一個條目。這使得執行索引操作時有更高的效率。為了發揮它潛在的性能,必須為MDC 表設計一組最佳的(或者至少是夠好的)維。MDC只對那些包括維列的查詢有好處。MDC 對于查詢是完全透明的。

(八)全量快速清除大表數據。在全量抽取的Job利用自定義快速清除大表的存儲過程,縮短Job批量運行的時間,提高整個批量的效率,例:clear_glsfr(‘表名’,‘標識’)。

(九)數據庫日志空間監控。商業智能系統最核心的功能是數據處理,數據處理一般以數據庫為主,數據庫稍有異常,導致整個批量及后續報表異常,影響整個系統。監控功能主要是監控數據庫的資源使用情況等,特別是監控數據庫的日志空間,在這樣的 系統中一般涉及到的數據量都比較大,因此容易出現數據庫日志空間不足的問題,當有了日志監控等功能后,可以查看某個時間點數據庫日志空間變動情況,再結合數據批量控制(規定了源數據的抽取順序)的日志(記錄每張表在什么時間點做了什么工作,什么時間點數據庫在運行哪個存儲過程等)就可以找到系統哪些地方出現了大事務及沒有及時提交的事物,從而保證系統數據的正常處理。

以下如下圖日志監控的數據主要有:

1.日志生產時間(TIMESTAMP)。2.輔助日志空間最大值(SEC_TOP)。3.總日志最大值(TOTAL_TOP)。4.輔助日志空間當前值(SEC_CURRENT_USED)。5.總日志當前值(|CURRENT_USED)。6.剩余總日志空間(TOTAL_FREE)。

數據庫性能檢測圖:

通過這個監控,結合系統日志,很好發現了系統中異常的處理,可以迅速定位到問題發生的地方。

現在國外的企業,大部分已經進入了中端BI,叫做數據分析。有一些企業已經開始進入高端BI,叫做數據挖掘。而我國的企業,目前大部分還停留在報表階段數據報表、數據分析、數據挖掘是BI的三個層面。我們相信未來幾年的趨勢是:越來越多的企業在數據報表的基礎上,會進入數據分析與數據挖掘的領域。商業智能所帶來的決策支持功能,會給我們帶來越來越明顯的效益。

參考文獻:

篇9

關鍵詞：Cognos；OLAP；商業智能；Business Intelligence；高速公路

前言

貴州高速公路開發總公司為推進高速公路建設、運營和養護管理的現代化、信息化、標準化，先后實施了工程項目管理、運營管理和養護管理等信息系統。隨著系統成功實施，取得了很不錯的應用效果，但同時又引發了新的需求和問題：各業務系統相互獨立，導致數據分散、多樣，無法迅速、直觀明了的查看企業整體運營狀況；數據太多、信息太少，數據之間缺乏關聯，數據無法轉化為知識，無法支持和輔助企業科學決策。貴州高速公路開發總公司構建的商業智能平臺采用IBM的Cognos工具，解決了上述數據分析和知識展現問題。

1．Cognos功能結構圖

圖 1 Cognos功能結構圖

Cognos Framework Manager: 用來組織和元數據模型；

Cognos Connection: Cognos8的Web門戶，包含進入各操作模塊的入口和報表保存的空間；

Cognos Query Studio: 用來創建基本的自助式即席報表；

Cognos Analysis Studio: 用來管理和展示多維數據，執行從簡單到復雜的數據分析和比較；

Cognos Report Studio: 用來創建高級和專業報表；

Cognos Envent Studio: 用來通知用戶可能對業務造成影響的關鍵業務或績效事件；

Cognos Metric Studio: 用來管理平衡記分、績效考核等；

Cognos Administration: 用來組織管理門戶、權限設定、包的導入和導出等。

2. 商業智能平臺的整體設計

貴州省高速公路商業智能平臺，通過構建數據倉庫（DW--Data Warehousing），采用微軟的SSIS(Microsoft SQL Server 2005 Integration Services)工具，按主題對工程項目管理、運營管理、養護管理等系統中的數據以及外部文檔數據進行抽取、轉換、清洗、過濾、裝載；然后采用IBM的Cognos工具，進行聯機分析處理（OLAP--On-Line Analytical Processing）和報表制作；最后基于.Net平臺，采用AJAX技術和B/S架構，把Cognos制作的報表、儀表盤、電子地圖等嵌入web頁面展現給用戶。

3. 基于Cognos的商業智能平臺實現

篇10

關鍵詞： 商業智能；高校智能；可行性；體系

中圖分類號：TP399 文獻標識碼：A 文章編號：1006-4311（2014）05-0199-02

1 國內外研究開發現狀和發展趨勢

我國的高等教育研究從20世紀90年代到現在，經過了信息時代開始走向一個新的階段，更加的國際化，在教育研究方面表現出越來越多的技術化和專業化。現在的高等教育研究越來越多的使用到互聯網和數據庫，這就是研究技術化的集中體現。一些大學從很早的時候就開始基于計算機化和網絡化開展各項事務，比如學生注冊選課系統、交費系統、工資系統、財務系統等，這對于高等教育研究來說是前進的一大步。而且在大學管理的很多個領域都可以應用到這些理論和模式，比如規劃研究、學生事務的研究、財政狀況的研究、教師事務的研究等。這也是目前美國院校研究所涵蓋的六個主要研究內容。

我國的商業智能技術要遠遠的落后于一些發達國家。與此有關的一些研究報告顯示，在2006年，世界上的商業智能系統的市場規模已經達到了140億美元。這個商業智能系統在國外被應用的比較廣，而且很成功，比如借助了商業智能系統的cadbury巧克力公司，它的市場份額就在很短的時間內提升了2%等，還有很多這樣成功的應用商業智能系統的案例。

現階段我國的高等教育信息化主要體現在三個方面：一是包括檔案、人事考勤等在內的行政管理類；二是包括教務系統、就業管理、新生入學管理等在內的教學教輔類；三是包括水電繳費、上機管理、門禁管理、校園網繳費在內的一卡通應用類。并且這每個系統之間都是一個獨立的個體，它們的結構、分布情況都是不一樣的，這無疑會給信息的整理工作帶來很多的挑戰。如果高校的領導想整體的了解一下高校的狀況，沒有的一個直接的途徑，必須先進入每個系統，然后再通過手工整理每個系統中的信息和數據，最后匯總起來才可以。所以，現在很多的高校開始把各種應用系統整合在一起，建立一種統一的信息門戶，實行單點登錄，只有這樣，數據的整合工作才能變得方便和快捷。

總之，雖然采用商業智能技術對高校的信息整合工作很有益處，但是現階段在我國的普及面還不是很廣，甚至一些高校還僅僅處在起步階段。所以以高等教育院校積極的普及這種商業智能系統，為更多的用戶提供決策支持。

2 項目研究內容、關鍵技術和研發目標

2.1 研究內容

2.1.1 學生事物的研究 按系部或二級學院按班級對學生個人全部信息，學生每學期所選課程，學生每學期各門功課考試成績。

2.1.2 教師事物的研究 按系部或二級學院對教師個人信息，教師工資和課時費，教師每學期所上的課程，課程名稱和課時，教師每年的科研項目，。

2.2 關鍵技術

2.2.1 數據倉庫建立 數據倉庫實際上是一個“以大型數據管理信息系統為基礎、附加在這個數據庫系統之上地、存儲了從企業所有業務數據庫中獲取的綜合數據的、并能利用這些綜合數據為用戶提供經過處理后的有用信息的應用系統”，它絕不僅僅是一個簡單的信息庫。

ETL （ExtractionTransformationLoading） 就是抽取、清洗、轉換、裝載，是數據倉庫在實現過程中，將數據由數據源系統并向數據倉庫系統加載的主要過程。ETL過程關系勤數據地質量，這是非常重要的一個環節，它是數據整合的解決方案，也是建立數據倉庫系統的關鍵一環。用戶從數據源抽取出所需的數據以后，經過對數據清洗，最終按照預先定義好的數據倉庫的模型，將數據加載到數據倉庫中去。

2.2.2 聯機分析處理 1993年關系數據庫之父（EECodd）首先提出了聯機分析處理（on-LineAnalytiealProcessing，oLAp），這是一種能夠為準確定義多維模型、操縱多維立方體提供技術基礎。這項技術是孕育用戶分析大型數據庫對數據包含信息深入洞察的技術。OLAP具有匯總、合并和聚集的功能，它還能夠從不同的角度觀察信息，它是一種分析技術。但是在采用OLAP的工具的時候需要其他分析工具的輔助，它雖然支持多維分析和決策，也可以進行深層次的分析，但只是靠OLAP是不能的。

2.2.3 數據挖掘 通過分析和分類大量的歷史和存儲數據，可以發現有效的數據模式與關系的過程就是數據挖掘（DataMining，DM），其中還包括過去和預測未來趨勢的有用信息。數據挖掘是一門涉及面很廣的交叉性學科，包括機器學習、數理統計、神經網絡、數據庫、模式識別、粗糙集、模糊數學等相關技術，同時它也是一種發掘型的工具、是一種決策支持的過程。數據挖掘可以做到聯機分析處理所不能做到的工作，它可以發現復雜精細的答案。

數據挖掘能夠作為一種依據，利用預定的規則，它可以幫助挖掘和分析數據庫和數據倉庫中的已有數據，然后識別與抽取出隱含的模式和有趣的知識，決策者在決策時往往會參考此項數據。從數據中發現模式是數據挖掘的目的，模式按照功能的不同可以被分成兩大類：預測型（Predictive）模式、描述型（Deseriptive）模式。

2.3 研發目標 在高等院校的校園網站上，根據用戶的不同需求，可以直接抽取原始數據，生成相關的數據報表或者是數據分析圖。

項目將采用商業智能將高校信息系統中的數據轉化為知識，幫助學校高層領導做出一些重要決策。

3 技術方案及創新點

3.1 技術方案 本項目的研究工作主要包括商業智能理論分析，商業智能活動圖如圖1所示，商業智能架構圖如圖2所示。實現商業智能的步驟是建立數據倉庫、根據主題建立數學模型，數據挖掘及產生數據分析結果。

①在進行商業智能系統的總體架構設計前，需要先進行需求分析。

②在數據倉庫設計的過程中，應該注意一些問題。比如分析不同用戶的主題時，應該先分析同類數據源和異類數據源的不同，并對用戶的需求進行一個充分的掌握；建立面向主題的數據倉庫時，應選擇MicrosoftSQLServer2005數據庫管理系統；海量的數據可能會對數據倉庫的應用和性能帶來一定的影響，這時可以采取分區表技術解決。

③設計ETL程序包應該以SQLServer2005的5515服務為基礎，然后創建一個中間數據庫，對多個業務系統數據源進行抽取、清洗、轉換、加載，在這個過程中也應該考慮到ETL程序包的執行效率優化的問題。

④研究相關的OLAM相應理論，在數據倉庫的基礎上，利用SQLserver2005的SSAS服務，創建了面對主題的多維分析模型，并對其進行了分析；以sQL server2005數據挖掘的流程為指導，在多維分析模型的基礎上創建了挖掘模型，面對探討的問題，討論了基于MierosoftsQLserver2005的決策樹算法，實現了基于OLAM技術的各類指標的查詢、分析與挖掘。

⑤要想展現數據的多樣化，那么系統前端數據展現平臺應該采用SQLServer2005 Reportserviees。

3.2 創新點

①提出將商業智能應用于高校信息系統。目前商業智能系統已經隨著高校校園信息化進程的推進而得到了廣泛的應用，但是各應用系統的數據是分布的、異構的、彼此獨立的，信息不能互通。本項目研究有效解決各種應用系統的數據整合問題。

②本項目提出了以數據倉庫技術為核心、以聯機分析處理技術和數據挖掘技術為手段的商業智能解決方案。它可以滿足各種不同用戶的需求，最終形在報表和統計分析圖，也可以用于指導學校高層領導的重要決策。

參考文獻：

[1]蔣萌.中職學校數字化校園建設的實踐探索[J].浙江現代教育技術，2009（01）.