当前位置:首页 > 生活小百科

生活小百科

什么是bi(带你两秒看透这里的秘密)

分类:生活小百科 2021-12-29
什么是bi(带你两秒看透这里的秘密)

什么bi(带你两秒看透这里故事)

最近在网上看到一篇关于各种数据仓库架构的帖子,转载录了下来。
总之,如果没有最好的架构,就要根据业务需求选择合适的架构,才能达到效果,才能让客户满意。
杰罗姆20061210
最近,关于数据仓库架构的讨论越来越多。我在这里简单整理一些架构。目的是给大家定一个目标,大家看完这篇文章可以批评补充。
我把听过的所有结构放在一起,分成六类,其中很多解释都是我个人的理解,不一定正确,要多给指导。
1.独立数据集市架构(独立数据集市架构)
独立数据集市架构有时也叫独立数据仓库架构,应该是最早的架构模式,也是非常常见的一种。尤其是对于中小型企业和中小型开发公司,为了成本和快速的结果,将采用这种架构。这个架构大家肯定都很熟悉。
这种架构的缺点很明显,因为它不是企业中一致的数据,导致信息孤岛。当然,我的企业很小,所以只有一个系统,不需要集成。如果一个数据集市就足够了,那么采用这种方法也是可以的。提前做个小投入,让企业看到效果,然后考虑开发后重新建立数据仓库。
2.联邦数据仓库架构(联邦数据仓库架构)
我之前写过这个架构的简介。当然这个架构我不熟悉,介绍也比较乱。我觉得应该是由于企业发展初期建立了几个独立的数据集市架构。后来发现这样不行,数据没有整合。要解决信息孤岛,必须想办法。拆改好,但是投资太大,以前的数据集市还想用。我该怎么办?因此,我们想出了另一种方法,在独立的数据集市之间建立一些比较表,并在不推倒它们的情况下交换数据。后来慢慢发现,如果考虑整合策略的话,直接建一个数据仓库是可以的。为此,提出了区域联邦和功能联邦的概念。
联邦架构的缺点也很明显。除非在建立之初采用类似总线架构的方法实现数据一致性,否则很容易出现数据不一致,导致集成不完整。如果一开始考虑的好,和总线架构没有太大区别。当然,联邦架构对于暂时解决企业原有的独立数据集市的数据交换问题还是起到了一定的作用。
3.集中式架构(集中式架构)
集中式架构的出现,意味着数据仓库架构进入了成熟期。他的架构是建立一个物理EDW,也就是一个中央数据仓库,数据集中在其中,应用和分析程序在EDW访问,数据在整个企业中是一致的。随着ROLAP的发展,在这种集中式架构下构建ROLAP已经很流行。微战略公司的常见解决方案是在EDW建立ROLAP。ROLAP单独创建表保存元数据,只保存维度模型的关系,不保存维度模型的数据,由MicroStrategy应用解析,应用服务器作为缓存,速度还可以。
这种方法也有一些缺点,例如可扩展性差,对EDW所在的关系数据库管理系统要求太高,并且随着数据量和分析的逐渐增长,数据必须再次分离。如果在EDW的基础上分离数据,并为不同的应用程序分别建立数据集市或挖掘仓库,那么集中式结构将演变为中心星型架构。
4.星型架构
其实我更愿意直接叫它企业信息工厂架构。轮毂轮辐式建筑听起来很别扭,声音也不大。企业信息工厂应该是这种架构的最佳代表。从名字上我们可以猜的差不多。EDW中央数据仓库从各种源系统收集数据,并向各种数据集市和采矿仓库提供数据。它的功能类似hub,所以叫Hub。画的话,可能会更生动。在EDW和每个源数据库、数据集市和挖掘仓库之间有一条线,看起来像一个轮子。这些线条像车轮的辐条,所以叫辐条。这种将数据与EDW的中央数据仓库集成,然后将其分发到各种数据集市来使用数据的方式被称为中心星型架构。
当然,这种架构也有缺点。虽然数据集市是建立在EDW综合中心数据仓库上的,但这些数据集市之间的数据交换仍然是不可能的,每个人建立的方法和ETL程序也会不同,各种数据集市之间的数据可能不一致。而且,这个架构开始变得复杂。
5.总线架构(总线架构)
总线架构和毂辐架构最大的区别是维度建模的原子层和一致维度的建立。由于预先建立了总线架构和一致性维度,这种架构可以在逐步建立数据集市的过程中保证企业数据的一致性。总线架构是数据仓库架构从复杂到简单的一步,它将数据仓库的原子层与数据集市集成在一起。第一层可以构建数据仓库,支持各种数据集市分析应用。
当然,总线架构也有缺点。中央数据仓库存储在维度模型中,这对于特殊的非维度分析应用具有局限性和较差的支持。
6.复合架构(复合架构)
复合架构是我自己起的名字。当然,它可能有自己的名字,但我不知道。欢迎指导。这种架构模式是综合考虑星型架构和总线架构得到的一种架构模式。嗯,创新511可能更有发言权,CDW架构应该就是这种架构方式的代表。
  复合式架构的缺点也是很明显,架构过于复杂,(比CIF还要复杂),企业内数据量大的话,每一次搬动都会非常麻烦。
  ?
  呵呵,简单的整理的各种架构,也大略谈了一些缺点,至于那种架构好,那种不好,我不想和大家争论,我想它们都有自己的适用范围吧。欢迎大家对我文章中的错误和描述不清的地方进行指导。
  ?
  土包子 20061210
  innovate511 20061211
  觉得还是和具体情况有关吧。
  有多大规模的项目、企业期望(包括期望的生命周期)、企业投资等都有关系。当然,正如前面分析到的,目前已上项目中,各种架构都尝试过了,优缺点都很明显。
  不过复合式架构的缺点,我觉得并非搬动麻烦,而是整体要求很高,无论是EDW数据整合,还是类似HUB的CDW建设,再到数据集市,接口很多,对设计要求高,而对开发和测试的要求也很高,任何一步没走好,都可能导致项目濒临失败。这也是90年代很多想模仿CDW思想的项目失败的重要原因。但是效果也是很明显的,即使数万计的最终用户,各个部门世界各地的分公司的四大BI需求全部能满足,由于所有复杂数据转换问题都在后台已经完成了,BI工具可以更稳定更快速地实现BI。同时由于非常灵活,也能满足更多数据源和业务的加入,实现系统长期使用,避免重复投资带来的资金投入过大、稳定性降低、一致性在重复上项目后不能保证、前期项目维护问题太多导致最终用户不满等缺点。
  至于数据搬动问题,我觉得不是大问题,因为没一步也可以看成一个独立的整体,只要按照流程移植,是不存在风险的,包括利用Kimball的思想进行DMR(Data Mart Restructure),数据集市也可以不断扩大或者拆分来满足更复杂BI整体需求,在这些灵活度方面我还是很有信心的。
  ?
  Qing 20061211
  这两天关于数据仓库架构的讨论甚欢,看了jerome、innovate的介绍,有些东西清晰了不少。Jerome提出六种架构,Innovate提出架构面临的四种需求,以及四级架构抽象级别。下面我就充当主持人的角色,再归纳一下这个六、四、四,各位还请继续探讨。
  六种架构(Jerome提出):
  1、独立数据集市:如果你对构建一个大型数据仓库没把握,可以从独立的数据集市入手;
  2、联邦式:如果你已经有若干数据集市,但又不想建立一个物理集中的数据仓库,可以考虑联邦式的;
  3、集中式:针对不同数据源,建立物理集中的数据仓库,任何分析都从中取数;
  4、CIF式:如果你有决心要构建一个大大的数据仓库,充分规划好这个信息工厂。建立物理集中数据仓库,并且为专门应用建立数据集市;
  5、总线式:如果你想快一点看到效果,又不想向独立数据集市那样,可能浪费投资,采用总线架构;统一规划,尽快实施。
  6、复合式:综合CIF,偏向数据的用CIF,偏向应用的用总线架构。
  我想,对于电信行业的经营分析系统来说,大部分是比较符合”集中式”的,因为它从不同数据源物理集中了数据,并且没有单独构建数据集市,大多只是在数据仓库架构里面划出一层DM层出来(不知道算不算)。当然,也有可能是使用总线架构的,毕竟这个见效快一点,在目前这个阶段,”快”还是一个优先考虑的因素。
  架构四种需求(Innovate提出):
  1、对数据的整合需求;
  2、对业务的分解需求;
  3、对数据的效率需求;
  4、对需求变化的需求;
  Innovate对这四种需求并没有多说,为什么分成这4种,是否还有别的类别看起来业务的分解和需求变化都是指业务需求(可能只是前者是现有业务的功能分解,后者是业务需求的变化吧)。如果要对需求进行分类,还得看看都是什么角色提出这些需求的。处理数据的人,希望架构能够方便自己,使用数据的,希望能够快速、安全地访问……我想这就是需求分类的依据。
  架构的四层抽象级别(Innovate提出):
  1、整体IT架构;诸如硬件、网络体系,或SOA等等;
  2、数据仓库架构;诸如前面介绍的总线式、CIF架构等;
  3、功能架构;如何支撑ETL、OLAP、报表展现、Portal等等功能;
  4、应用架构;如何支撑具体的业务,例如对客户通话行为的分析,这是电信行业相关的。
  将架构分成不同的抽象级别,这是显而易见的。例如SOA肯定是比J2EE更加抽象的,J2EE也许不适合数据仓库系统的架构,但SOA却能适合。到了第三层架构,至少都是能够适合不同行业的数据仓库项目的,但到了第四层,便只是服务于专门的行业了。
  ?
[email protected] 20061212
  请教一个电子政务方面的案例:如何对已经自成体系的垂直系统进行数据整合?
  在市区的电子政务中,要对市级的各个部门进行数据整合。因为这些部门多数都是自上而下的系统,是由国家中央、省到地方市区的。比如公安、税务、人民银行都是自成体系的业务系统。再如国家统计局各个专业指标(人口,工业,农业等等)的信息系统也都是自成体系的,从中央推向地方区镇,而要想得到市区一级的综合统计指标(人均纯收入,GDP,社会消费零售额等),就必须对各个专业指标进行整合,它们都是异构的数据库和数据标准(叫数据集市),而整合形成的数据平台叫数据仓库是形成一个中间件式统一规划的数据标准还是做接口表呢如果要想横向协同利用各个局的数据,比如市区政府想利用这些数据,应该采取上述的哪种方案呢我想虽然我们应用目标的出发点不一样,但是碰到的数据整合问题应该是相通的吧。
  ?
  goldenfish 20061213
  这种情况下数据整合的挑战首先来源于管理模式。市区政府想要利用这些数据,但这些数据的所有权并不直接属于市区政府。以前遇到的情况是,市长办公会请各部门一把手去,专门讨论如何给数据的问题。每个部门都说自己的明细数据机密性很高,搞不好就引起社会问题,不愿意给,能不能只给报表如果给的话,能不能给去年的数据或者给的话,只给一次要想动态实时的拿到这些数据,更是不可能的任务。大的国企也有这个问题,法人层级太多,总部想要下面的数据也是被推三阻四,软磨硬泡的不给。
  其次,市区一级的综合统计指标体系如何建立。从一个市区的角度自定义一套综合统计指标体系,有点勉为其难。与国家统计局的统计口径是否保持一致如果全然一致,为什么不从本市的统计局直接取当然,统计局可能走的是一套自己的统计方法、例如抽样;自己的频度,例如一季一次;可能只向上级统计机构负责,而不向平级下级负责等等,以至于统计局的数据很难直接使用。统计指标体系的建立要把各主要业务部门的核心指标汇聚到一起,剔除重叠和不一致,有些需对跨部门的数据进行合并。这个指标体系的建立也是很大的挑战。
  最后才是技术架构如何建立的问题。没有通用的或绝对正确的技术架构。它是解决具体问题的,随着实际状况的不同而调整。由于上述管理的和安全的原因,从源系统直接取数恐怕是很难实现的,退而求其次,只能要接口表或接口文件。如果不能从源系统的数据直接导出,可能还要定义接口格式,由开发系统的厂商提供。接口表(或接口文件)放置到从接口缓冲区转移到一个集中的场地(服务器)进行数据整合。统一规划的数据标准很难约束到每个部门的业务系统,毕竟都是垂直条线下来的;现实一点,只能约束接口标准。在设计中还要考虑数据如何存储(数据结构)、取数的频度、数据保留多久、整合后数据是否有需要回流到源系统等问题。此外,还要考虑有部分数据很难取到原始明细,要有人工补录的手段。
  ?
  Qing 20061213
  看到这个问题,头脑中首先碰出来的一个想法是――”可以用联邦式数据仓库的架构”。因为对于已经自成体系的系统,将数据整合到一个物理数据仓库是否现实后来看到goldenfish的回复,提到首要的挑战在于”管理模式”。应该就是这个道理吧。管理的整合比数据整合要难,何不避难从简
  当然,由于对电子政务中的系统不甚了解,不管此处说得是否合理,能够对思路有所开拓就足够了。
  为什么当初的第一反映是”联邦式数据仓库”呢,如此问自己也许正是余山老师提到了自成体系的系统,这些系统由不同开发商完成,也没有什么统一的标准,系统的设计思想、编码肯定是千奇百怪,而且涉及到安全性的问题。所以我想,可能用一种虚拟的数据仓库更加合适,即实际的数据都还是位于各自的系统当中,而所谓数据整合,是建立一个可以容纳所有这些系统(现实一点,可能是这些系统的交集部分)的框架,框架里面放置的是类似”数据指针”那样的东西,这是虚拟的,当你需要查询什么数据的时候,其实这个框架是将查询定位给具体的系统了。比如要查询某个人的信贷、犯罪、税务情况,好似从一个统一的平台输入了ID号,返回以上若干信息,但数据都还是存放在金融、公安和税务的系统里面的。
  由此深入思考,我认为与其说这个案例是”数据的整合”,不如说是”应用的整合”。所以,根本也用不上上面提到的数据仓库架构,也不是什么”联邦式架构”,可能应该在面向服务架构(SOA)中寻找答案。
  建立一个数据仓库,不如建立一些标准,可以将每个独立系统想象成为一个服务提供者,它可以提供什么服务,是经过注册的。比如金融系统可以根据一个个人ID给出此人的帐户、贷款、信用等信息,可以根据一个公司的代码,给出公司的信息,或者可以提供年度的统计指标等等。当然,这些信息的提取应该是基于金融系统内部的数据仓库的,总不能从业务系统去取。此处关键的就是如何定义这些”服务提供者”提供的服务,也就是标准。输入什么、输出什么、甚至是输入输出的规格标准化(例如身份ID的要求,输出数据中,性别的编码规则)、权限控制、如何注册这些服务等等。
  有这样的标准,具体的实现交给独立系统的实现厂商。而至于基于这些服务能够作甚么用途,那得具体看应用而定。
  ?
  goldenfish3 20061213
  数据整合和应用整合有些区别。通常,应用整合指EAI,现在已经转向以SOA的理念实现EAI。数据整合通常指通过数据整合层或数据集成平台、EDW等进行的数据集成(Integration)/整合(Consolidation)/融合(Mediation)。广义的应用整合包含业务应用间的数据集成,即A的数据送往B,例如保险营业系统中的保单收费送往财务系统入帐。但应用整合更多是指A系统要求B完成一个操作,B完成后返回一个确认,以及这样的多步操作形成一个流程,流程集成是应用整合(集成)的高级应用。数据整合往往是为分析目的完成的。不同系统的数据送往一个集成平台,进行数据清洗和整合,为了实现分析应用。两者结合起来,可以称之为企业整合(EI)。
  如上所述,两者是有交叉的。特别是SOA与主数据管理相结合之后,主数据集成通过SOA实现,主数据为业务系统形成统一的视图(在电信里已经有SID的应用)。这种理念的出现体现了SOA对传统业务系统架构的冲击,也是应用整合的一个发展方向。但主数据管理并不能替代数据集成,不能替代数据的清洗整合。两者服务于不同的目的,有不同(尽管可能有所重叠)的范围。倒是EII的出现对传统的数据整合架构有所冲击。EII体现了一种实时数据集成的理念,来自不同源系统的数据不集中存储,而是使用的时候边传输边集成。但显然,目前EII的实现不能隔离对业务系统数据库的访问压力,对于大量数据很难有效处理。
[email protected] 20061213
  感谢诸位赐教。如上所言,管理的整合很难。但正是管理的界限形成了数据统一规划的界限,异构系统就是这样形成的。对于一个企业来说,消除部门的异构数据还可以通过统一规划的方法来达到共享,而对于像市级的各个专业局就是难以实现了。
  就我目前调研的情况看,在市区一级的??系统,联合审批(所谓阳光政务),还有财政局因为要对其它部门实现统一国库支付(两千以上的采购),这些系统的横向协同比较紧密,好像可以进行统一的数据规划整合。
  刘庆最后的应用整合提法令我很开窍,打个比喻,是否如同XML网络消除异构的方法,不是在文字的存储编码上去统一整合,而是在显示界面的语言上统一整合这样就能与操作系统,数据库,字符数据的储存标准都无关从而达到统一。
  ?
  火焰 20061220
  个人认为总线机制的发展前景更好些,扩展性比较好,可以在大型的企业中依此建立多级的数据仓库以及BI应用,至于缺点中所说的内容,窃以为不是大问题,每个数据仓库都会有特殊的应用,每个总线上的组件总是会有组件自身的特色,只要这种应用所使用的标准是统一的,或者使用的范围不广,不会对整个总线的架构产生很大的影响。
  收藏
  查看我的收藏
  0
  有用+1
  已投票
  0
  编辑
  锁定
  讨论
  上传视频
  同义词
  BI(商业智能)一般指商业智能
  本词条由“科普中国”科学百科词条编写与应用工作项目
  审核
  。
  商业智能(Business Intelligence,简称:BI),又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。商业智能的概念在1996年最早由加特纳集团(Gartner Group)提出,加特纳集团将商业智能定义为:商业智能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。
  中文名
  商业智能
  外文名
  Business Intelligence
  别 名
  商务智能
  英文简称
  BI
  应 用
  建立信息中心
  知名厂商
  微软、IBM、SAP、帆软
  [1]
  主要市场
  制造业、金融、电信、零售
  1
  来源
  2
  相关定义
  3
  数据质量
  4
  功能综述
  ?
  读取数据
  ?
  分析功能
  ?
  丰富画面
  ?
  数据输出
  ?
  定型处理
  5
  架构
  6
  相关应用
  ?
  与业务分析
  ?
  与决策管理
  7
  应用范围
  8
  实施步骤
  9
  处理流程
  10
  企业导入优点
  11
  企业效益
  12
  市场分析
  13
  发展趋势
  14
  问题
  15
  软件厂商
  ?
  IBM
  ?
  微软
  ?
  Arcplan
  ?
  微策略
  ?
  帆软
  16
  增值服务商
  ?
  帆软
  17
  发展趋势
  编辑
  商业智能又名商务智能,英文为Business Intelligence,简写为BI。提到“商业智能”这个词,网上普遍认为是Gartner机构在1996年第一次提出来的,但事实上IBM的研究员Hans Peter Luhn早在1958年就用到了这一概念。他将“智能”定义为“对事物相互关系的一种理解能力,并依靠这种能力去指导决策,以达到预期的目标。”在1989年,Howard Dresner将商业智能描述为“使用基于事实的决策支持系统,来改善业务决策的一套理论与方法。”
  [2]
  商业智能通常被理解为将企业中现有的数据转化为知识,帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等来自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策,既可以是操作层的,也可以是战术层和战略层的决策。为了将数据转化为知识,需要利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等技术。因此,从技术层面上讲,商业智能不是什么新技术,它只是数据仓库、OLAP和数据挖掘等技术的综合运用。可以认为,商业智能是对商业信息的搜集、管理和分析过程,目的是使企业的各级决策者获得知识或洞察力(insight),促使他们做出对企业更有利的决策。商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。商业智能的实现涉及到软件、硬件、咨询服务及应用,其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。因此,把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理,以保证数据的正确性,然后经过抽取(Extraction)、转换(Transformation)和装载(Load),即ETL过程,合并到一个企业级的数据仓库里,从而得到企业数据的一个全局视图,在此基础上利用合适的查询和分析工具、数据挖掘工具(大数据魔镜)、OLAP工具等对其进行分析和处理(这时信息变为辅助决策的知识),最后将知识呈现给管理者,为管理者的决策过程提供支持。提供商业智能解决方案的著名IT厂商包括微软、IBM、Oracle、SAP、Informatica、Microstrategy、SAS、Royalsoft、帆软
  [1]
  等。
  编辑
  定义为下列软件工具的集合终端用户查询和报告工具。专门用来支持初级用户的原始数据访问,不包括适应于专业人士的成品报告生成工具。OLAP工具。提供多维数据管理环境,其典型的应用是对商业问题的建模与商业数据分析。OLAP也被称为多维分析。数据挖掘(Data Mining)软件。使用诸如神经网络、规则归纳等技术,用来发现数据之间的关系,做出基于数据的推断。数据仓库(Data Warehouse)和数据集市(Data Mart)产品。包括数据转换、管理和存取等方面的预配置软件,通常还包括一些业务模型,如财务分析模型。联机分析处理 (OLAP) 的概念最早是由关系数据库之父E.F.Codd于1993年提出的,他同时提出了关于OLAP的12条准则。OLAP的提出引起了很大的反响,OLAP作为一类产品同联机事务处理(OLTP) 明显区分开来。当今的数据处理大致可以分成两大类:联机事务处理OLTP(On-Line Transaction Processing)、联机分析处理OLAP(On-Line Analytical Processing)。OLTP是传统的关系型数据库的主要应用,主要是基本的、日常的事务处理,例如银行交易。OLAP是数据仓库系统的主要应用,支持复杂的分析操作,侧重决策支持,并且提供直观易懂的查询结果。OLAP是使分析人员、管理人员或执行人员能够从多角度对信息进行快速、一致、交互地存取,从而获得对数据的更深入了解的一类软件技术。OLAP的目标是满足决策支持或者满足在多维环境下特定的查询和报表需求,它的技术核心是”维”这个概念。“维”是人们观察客观世界的角度,是一种高层次的类型划分。“维”一般包含着层次关系,这种层次关系有时会相当复杂。通过把一个实体的多项重要的属性定义为多个维(dimension),使用户能对不同维上的数据进行比较。因此OLAP也可以说是多维数据分析工具的集合。OLAP的基本多维分析操作有钻取(roll up和drill down)、切片(slice)和切块(dice)、以及旋转(pivot)、drill across、drill through等。钻取是改变维的层次,变换分析的粒度。它包括向上钻取(roll up)和向下钻取(drill down)。roll up是在某一维上将低层次的细节数据概括到高层次的汇总数据,或者减少维数;而drill down则相反,它从汇总数据深入到细节数据进行观察或增加新维。切片和切块是在一部分维上选定值后,关心度量数据在剩余维上的分布。如果剩余的维只有两个,则是切片;如果有三个,则是切块。
  商业智能
  旋转是变换维的方向,即在表格中重新安排维的放置(例如行列互换)。OLAP有多种实现方法,根据存储数据的方式不同可以分为ROLAP、MOLAP、HOLAP。ROLAP表示基于关系数据库的OLAP实现(Relational OLAP)。以关系数据库为核心,以关系型结构进行多维数据的表示和存储。ROLAP将多维数据库的多维结构划分为两类表:一类是事实表,用来存储数据和维关键字;另一类是维表,即对每个维至少使用一个表来存放维的层次、成员类别等维的描述信息。维表和事实表通过主关键字和外关键字联系在一起,形成了“星型模式”。对于层次复杂的维,为避免冗余数据占用过大的存储空间,可以使用多个表来描述,这种星型模式的扩展称为“雪花模式”。MOLAP表示基于多维数据组织的OLAP实现(Multidimensional OLAP)。以多维数据组织方式为核心,也就是说,MOLAP使用多维数组存储数据。多维数据在存储中将形成“立方块(Cube)”的结构,在MOLAP中对“立方块”的“旋转”、“切块”、“切片”是产生多维数据报表的主要技术。HOLAP表示基于混合数据组织的OLAP实现(Hybrid OLAP)。如低层是关系型的,高层是多维矩阵型的。这种方式具有更好的灵活性。还有其他的一些实现OLAP的方法,如提供一个专用的SQL Server,对某些存储模式(如星型、雪片型)提供对SQL查询的特殊支持。OLAP工具是针对特定问题的联机数据访问与分析。它通过多维的方式对数据进行分析、查询和报表。维是人们观察数据的特定角度。例如,一个企业在考虑产品的销售情况时,通常从时间、地区和产品的不同角度来深入观察产品的销售情况。这里的时间、地区和产品就是维。而这些维的不同组合和所考察的度量指标构成的多维数组则是OLAP分析的基础,可形式化表示为(维1,维2,……,维n,度量指标),如(地区、时间、产品、销售额)。多维分析是指对以多维形式组织起来的数据采取切片(Slice)、切块(Dice)、钻取(Drill-down和Roll-up)、旋转(Pivot)等各种分析动作,以求剖析数据,使用户能从多个角度、多侧面地观察数据库中的数据,从而深入理解包含在数据中的信息。主流的商业智能工具包括 Style Intelligence(思达商业智能)
  [3]
  、FineBI商业智能软件、BO、COGNOS、BRIO。一些国内的软件工具平台如KCOM也集成了一些基本的商业智能工具。根据综合性数据的组织方式的不同,目常见的OLAP主要有基于多维数据库的MOLAP及基于关系数据库的ROLAP两种。MOLAP是以多维的方式组织和存储数据,ROLAP则利用现有的关系数据库技术来模拟多维数据。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。补充定义商业智能(Business Intelligence,简称:BI),又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。商业智能作为一个工具,是用来处理企业中现有数据,并将其转换成知识、分析和结论,辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术,包含了从数据仓库到分析型系统等。
  编辑
  数据质量与商业智能数据质量角色对于增强数据资产准确度和价值而言,将数据质量规则与活动(探查、清洗和监测)和MDM流程相集成显得十分关键。在启动任何MDM项目之前,您都需要了解源数据的内容、质量和结构。在数据源进行的数据探查使数据管理员和数据仓库管理员能够在数据进入MDM系统之前,快速发现和分析跨所有数据源的所有数据异常。此流程可极大加快从MDM实施中获取价值。由于数据清洗增强了数据的准确度,带来了数据完整性,并从源头增进了数据的可信度,因此数据清洗改善了MDM系统中的数据一致性。一旦源数据进入MDM系统,它将接受数据质量处理,其中包括验证、更正和标准化。MDM系统存储了在数据清洗前后的整个历史记录,从而开发人员不必再跟踪数据仓库中的数据沿袭。最后,数据质量度量标准使数据仓库管理员能够更好地监控参考数据的质量,并确保可以长期持续使用高质量的数据。因此,从技术角度看,实施MDM和Informatica Data Quality,作为数据仓库中主数据的确定来源,可以从提取、转换和加载(ETL)流程中简化数据集成。此方法可极大减低与数据仓库有关的整个开发和维护工作。通过建立数据质量度量标准和定义数据质量目标,数据仓库管理员和数据管理员能够更好地监控参考数据的质量,并确保随着时间的推移能够跨企业持续使用高质量的数据。MDM简化了对数据仓库维度更新的处理,因为用于确定更改内容的所有逻辑均封装在MDM系统中。此外,MDM系统可以卸除大多数数据仓库的历史记录跟踪负担,使数据仓库仅管理它需要为进行聚合而应跟踪的变更。此系统可带来更小的数据仓库维度以及对负荷和查询性能的重大改进。运用MDM和Informatica Data Quality将最终降低数据集成的工作量,提高从商业智能和报表推导的洞察分析的质量,确保能够从为商业智能增效的数据仓库方案中获得预期的价值和投资回报。数据质量水平与商业智能的关系当无法通过商业智能系统和报告系统提供准确的数据时,业务总体上都会受到影响。以下是为创建报表的商业智能系统提供不可靠数据所造成的一些后果:业务负责人:不准确的管理报告导致决策不够明智。合规主管:合规性法案要求公司能为其财务和合规报表提供一定的透明度和可审计性。业务分析师:如果业务分析师花费过多时间在多个商业智能系统间手动搜索和整理信息以更新和修正报表,则业务分析师的生产率会受到影响。此低效的工作会直接影响成本和营利能力。这些业务问题的根源在于没有关于客户、产品、渠道合作伙伴和供应商的唯一真实版本。由于在处理每个业务流程的不同系统间收集、存储和管理这些数据(亦称之为参考数据或主数据),因此,需要正确地解析重叠和冲突的参考数据,以获得唯一真实版本,从而带来宝贵而可操作的洞察力。许多组织拥有数十或数百数据库,并且在这些数据库中有维护相同核心参考对象的数十个(有时为数百个)不同的应用程序,而这些核心参考对象还具有重叠的属性。商业智能系统的用途是以中立的视角报告取自多个系统的现有数据。商业智能系统可以为维度分析进行一些累积工作,但是设计或配备商业智能系统并非为了创建唯一的真实版本。在取自应用程序孤岛的客户或产品数据中存在的不一致会对数据仓库中运行的分析可靠性产生消极的影响。总而言之,企业的商业智能只会与企业的数据质量水平相当。数据质量与五种形式的商业智能。商业智能已经发展成为多种形式,旨在满足企业不断增长的要求和任务关键型活动日益增长的水平。这些形式都有其自己的一套数据质量要求。仪表板记分卡和仪表板正被广泛采用,越来越多的用户利用它们获取财务,业务和绩效监控的鸟瞰图。通过可视化的图形、图标和计量表,这些传输机制帮助跟踪性能指标并向员工通知相关趋势和可能需要的决策。提供集成视图所需的数据元素通常跨越多个部门和学科,需要绝对最新才能有效。数据质量会影响记分卡和仪表板用户,因此这些用户必须能够:1. 使用仪表板中计量表和刻度盘上的完整数据,并迅速采取措施。2. 获取集成视图并使用标准化数据进行协作。3. 利用具有一致数据的正式记分卡方法。4. 向下钻取以查看组或个人级别绩效的准确数据。5. 找到能够生成明显趋势且重复数据最少的业务流程。6. 推导关联性并通过验证的数据执行交叉影响分析。企业报告企业报告为所有级别的个人提供来自企业资源规划(ERP)、客户关系管理(CRM)、合作伙伴关系管理(PRM)、发票和帐单系统,以及整个企业内其他源系统的各种运营报告和其他业务报告。这些报告分布广泛,而薪酬和其他激励计划通常与报告的结果有关。数据质量会影响组织报告,因为组织必须:1. 浏览多个报告,将它们显示到从不同来源聚合数据的多个表单中。2. 选择各种参数并通过标准化数据为用户定制报告。3. 利用各种性能指标的协调数据呈现多个表格和图表。4. 使业务用户能够利用高精准数据创建自己的报告,无需IT部门参与。5. 通过清洗和匹配的数据减少合规性管理的人工检查和审计。6. 利用完整财务数据直接从商业智能报告开具发票和帐单。OLAP分析OLAP使用户能够即时以交互方式对相关数据子集进行“切片和切块”。同时,OLAP功能,比如向上钻取、向下钻取、或任意挖掘(跨业务维度)、透视、排序、筛选、以及翻阅,可用于提供关于绩效的基本详细信息。最为重要的是它能够回答存在的任何业务问题。这意味着调查深入到单个或多个数据仓库中可用的最原子级别的详细信息。数据质量会影响OLAP分析,因为用户和组织需要:1. 通过对目标数据的完全访问在所有维度中任意钻取以进行深入调查。2. 通过设置好格式的一致数据将OLAP轻松应用于任何维度子集。3. 利用一致的基本数据对象最大限地减少冲突报告,确保交互性。4. 利用多个维度的正确数据执行用户驱动的适时分析。5. 提供更新的同步数据来处理事务级数据分析。预测分析高级和预测分析使富有经验的用户能够充分调查和发现特定业务绩效背后的详细信息并使用该信息预测远期效果。此方法可能涉及高级统计分析和数据挖掘功能。为了推动积极决策和改进对潜在商业威胁的姿态,预测分析可能包括假设测试,客户流失预测,供应和需求预测,以及客户评分。预测建模可用于预测各种业务活动及相关效果。数据质量会影响高级和预测分析,因为用户会寻求:1. 为可定制报告创建跨越任何数据元素的报告过滤标准。2. 为标准化数据格式搜索模式和预测洞察力以促进积极决策。3. 通过一致数据获得信心,找出相互依存的趋势和预期成果。4. 对准确数据采用多变量复原和其他技术,以实现更好的预测。5. 在无数据重复的前提下定制数据分组,最大限度减少冲突。6. 使用经认证的数据检验假设并使用统计、财务和数字函数。通知警报使用电子邮件、浏览器、网络服务器和打印机、PDA或门户网站时,通过通知和警报在广泛的用户触点间主动共享信息。通过及时交付目标信息,关键相关人士和决策者可以识别潜在的机会领域并发现要采取措施的问题领域。这种“一线”BI传输机制使组织能够保持协调一致,与业务风险和机会并进,同时事件仍将保持新鲜和有意义以保证响应。在此领域,数据质量会影响组织,因为组织会努力:1. 从任何和所有数据源向最广泛的用户接触点发布警报。2. 确保标准化及非冲突数据集上各种订阅类型的高吞吐量。3. 使用户能够打开附件或点击链接,同时呈现一致、集成的数据。4. 通过预先评定并核准的数据质量来降低发布错误警报和通知的风险。5. 允许在多个事件数据符合特定阙值时实时触发警报。6. 利用经验证的数据进行内容个性化和组关联。
  编辑
  很多厂商活跃在商业智能(下面称BI)领域。事实上,能够满足用户需要的BI产品和方案必须建立在稳定、整合的平台之上,该平台需要提供用户管理、安全性控制、连接数据源以及访问、分析和共享信息的功能。BI平台的标准化也非常重要,因为这关系到与企业多种应用系统的兼容问题,解决不了兼容问题,BI系统就不能发挥出应有效果。这里我们通过对一个实验室的BI系统模型(我们将其称为D系统)进行功能解剖,来介绍BI系统。D系统是一个面向终端使用者,直接访问业务数据,能够使管理者从各个角度出发分析利用商业数据,及时地掌握组织的运营现状,作出科学的经营决策的系统。D系统可实现从简单的标准报表浏览到高级的数据分析,满足组织内部人员的需求。D系统涵盖了常规意义上商业智能(BI)系统的功能,主要构架包括以下几个方面。
  D系统可读取多种格式(如Excel、Access、以Tab分割的txt和固定长的txt等)的文件,同时可读取关系型数据库 (对应ODBC)中的数据。在读取文本和数据的基础上,D系统还可以完成:连接文本 把2个CSV文件中的共同项目作为键(Key),将所需的数据合并到一个文件,这样可以象操作数据库一样方便,但无须用户编程即可实现。设置项目类型作为数据的项目类型,除按钮(button)(文字项目)、数值项目以外,还可以设置日期表示形式的日期数据项目、多媒体项目和不需要生成按钮但在列表显示中能够浏览的参照项目。期间设置 日期项目数据可以根据年度或季度等组合后生成新的期间项目。同样,时间项目数据可以根据上午、下午或时间带等组合后生成新的时间项目。设置等级 对于数值项目,可以任意设置等级,生成与之相对应的按钮。例如,可以生成与年龄项目中的20岁年龄段、30岁年龄段的等级相对应的按钮。
  相关书籍
  关联/限定 关联分析主要用于发现不同事件之间的关联性,即一个事件发生的同时,另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是,事件发生的概率和条件概率应该符合一定的统计意义。D系统把这种关联的分析设计成按钮的形式,通过选择有/无关联,同时/相反的关联。对于结构化的数据,以客户的购买习惯数据为例,利用D系统的关联分析,可以发现客户的关联购买需要。例如,一个开设储蓄账户的客户很可能同时进行债券交易和股票交易。利用这种知识可以采取积极的营销策略,扩展客户购买的产品范围,吸引更多的客户。显示数值比例/指示显示顺序 D系统可使数值项目的数据之间的比例关系通过按钮的大小来呈现,并显示其构成比,还可以改变数值项目数据的排列顺序等。选择按钮后,动态显示不断发生变化。这样能够获得直观的数据比较效果,并能够凸显差异,便于深入分析现象背后的本质。监视功能 预先设置条件,使符合条件的按钮显示报警(红)、注意(黄)信号,使问题所在一目了然。比如说:上季度营业额少于100万元的店警告(黄色标出),少于50万元的报警(红色标出)。执行后,D系统就把以店名命名的按钮用相应的颜色表示出来。按钮增值功能 可将多个按钮组合,形成新的按钮。比如:把[4月]、[5月]、[6月]三个按钮组合后得到新的按钮[第2季度]。记录选择功能 从大量数据中选择按钮,取出必要的数据。挑出来的数据可重新构成同样的操作环境。这样用户可以把精力集中在所关心的数据上。多媒体情报表示功能 由数码相机拍摄的照片或影像文件、通过扫描仪输入的图形等多媒体文件、文字处理或者电子表格软件做成的报告书、HTML等标准形式保存的文件等,可以通过按钮进行查找。分割按钮功能 在分割特定按钮类的情况下,只需切换被分割的个别按钮,便可连接不断实行已登录过的定型处理。程序调用功能 把通过按钮查找抽取出的数据,传给其他的软件或用户原有的程序,并执行这些程序。查找按钮名称功能 通过按钮名查找按钮,可以指定精确和模糊两种查找方法。另外,其他的按钮类也可以对查找结果相关的数据进行限定。
  列表画面 可以用and/or改变查找条件,可以进行统计/排序。统计对象只针对数值项目,统计方法分三种:合计、件数、平均,而且可以按照12种方式改变数值的显示格式。视图画面 提供切换视角和变换视图功能,通过变换与设置条件相应的数值(单元格)的颜色表示强调。依次变换视角可进行多方面的数据分析。视图的统计对象只针对数值项目,统计方法有合计、平均、构成比(纵向、横向)、累计(纵向、横向)、加权平均、最大、最小、最新和绝对值等12种。数值项目切换 通过按钮类的阶层化(行和列最多可分别设置8层),由整体到局部,一边分层向下挖掘,一边分析数据,可以更加明确探讨问题所在。图表画面 D系统使用自己开发的图形库,提供柱形图、折线图、饼图、面积图、柱形+折线五大类35种。在图表画面上,也可以像在阶层视图一样,自由地对层次进行挖掘和返回等操作。
  打印统计列表和图表画面等,可将统计分析好的数据输出给其他的应用程序使用,或者以HTML格式保存。
  所需要的输出被显示出来时,进行定型登录,可以自动生成定型处理按钮。以后,只需按此按钮,即使很复杂的操作,也都可以将所要的列表、视图和图表显示出来。
  编辑
  企业要实现业务信息智慧洞察的目标,必须使用适当的技术架构平台来支持业务数据分析系统。该平台不仅要为各种用户(无论其身处何处)提供分析和协作功能,还要充分利用现有基础结构,并维持低成本。它必须是可扩展的并具有高性能,以满足任意组织的发展需求。适当的架构可以为系统成功铺平道路,并最终带领组织取得成功。开放的商业智能架构应该能同时满足IT和业务用户的需求。对IT用户而言,商业智能软件需要满足如下条件才能向用户交付更高价值,具体包括:能轻松地与组织的基础架构集成;支持当前的技术和标准;能根据不断发展的需求方便地进行调整;整合组织中的所有数据;能随着用户需求的发展不断进行扩展;可靠地执行;能在不增加预算和人力资源的情况下加以管理。对于业务用户,商业智能软件必须与用户的众多角色、技能集和需求相匹配;为用户提供多种不同格式的信息,包括常规报表、特别查询、记分卡、仪表板等;易于使用,以使业务用户愿意采用并信任其提供的信息。企业级商业智能架构具有几项共同特征和价值。这些需求是将在组织内部广泛部署的商业智能系统的基础。所有这些特质都将通过底层架构来体现。IBM Cognos商业智能平台以面向服务的开放式架构为基础设计和构建,与那些只会把来自Web服务的多个架构中的旧式“客户机-服务器”组件简单打包的商业智能解决方案不同,它能够在三个不同的层面上交付所有的商业智能功能:即演示层,可处理Web环境中的所有用户交互;应用层,包含用于执行所有BI处理的专用服务;数据层,可用于访问各种数据源。
  编辑
  通过了解各种受众以及相关利益方的独特分析需求,可以发挥商业智能解决方案的全部潜能。企业所需的分析功能应该能够访问几乎所有企业数据源,而不受平台限制;同时可以为所有用户提供便于理解的详细信息视图,而不受用户角色或所在位置的影响。这些解决方案应具有创新的工具,以帮助这些不同的业务用户组轻松地通过台式机或移动设备分析信息。企业需要广泛的分析功能,但不同的分析工具、信息壁垒、多种平台,以及过度依赖于电子表格,让企业难以准确地分析信息。企业使用的分析解决方案必须能够满足所有业务用户的需求,从一线员工到部门主管,一直到高级分析员。这些用户希望能够自己分析数据,而无需等待部门提供所请求的信息,从而做出更出色、更智慧的业务决策。需要说明的是,业务分析并非放之四海而皆准。用户需求可能会有很大的不同。通过了解不同类型的分析需求,并将其与组织中的特定角色相联系,企业可以从中受益。
  决策管理是用来优化并自动化业务决策的一种卓有成效的方法。它通过预测分析让组织能够在制定决策以前有所行动,以便预测哪些行动在未来最有可能获得成功。从广义角度来看,主要存在三种组织决策类型,即战略型、业务型和战术型。其中,战略决策通常为组织设定长远方向。其制定者是C级主管人员、副总裁、业务线经理;业务决策通常包括策略或流程的制定。它们专注于在战术级别上执行特定项目或目标,其制定者为业务经理、系统经理和业务分析师;战术决策通常是将策略、流程或规则应用到具体事例的“前线”行动。这些类型的决策适用于自动化,使结果更具一致性和可预测性。其制定者包括消费者服务代表、财务服务代表、分支经理、销售人员,以及网站推荐引擎等自动化系统。决策管理使改进成为可能。它使用决策流程框架和分析来优化并自动化决策、优化成果,并解决特定的业务问题。决策管理通常专注于大批量决策,并使用基于规则和基于分析模型的应用程序实现决策。因此,虽然决策管理相对较新,但是它受到已经证实技术的支撑。了解了组织中的决策类型和可用的决策管理选择后,就可以着手建立决策管理基础架构了。业务经理首先应该在影响他们决策的范围内定义其业务挑战。然后通过为特定业务问题开发的以决策为中心的应用程序,利用决策管理优化目标决策。这些应用程序展现了业务人员熟悉的相关信息,并在影响问题的决策范围内加入了预测分析。
  编辑
  商业智能系统可辅助建立信息中心,如产生各种工作报表和分析报表。用作以下分析:销售分析主要分析各项销售指标,例如毛利、毛利率、交叉比、销进比、盈利能力、周转率、同比、环比等等;而分析维又可从管理架构、类别品牌、日期、时段等角度观察,这些分析维又采用多级钻取,从而获得相当透彻的分析思路;同时根据海量数据产生预测信息、报警信息等分析数据;还可根据各种销售指标产生新的透视表。
  商业智能
  商品分析 商品分析的主要数据来自销售数据和商品基础数据,从而产生以分析结构为主线的分析思路。主要分析数据有商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等,从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标。通过D系统对这些指标的分析来指导企业商品结构的调整,加强所营商品的竞争能力和合理配置。人员分析通过D系统对公司的人员指标进行分析,特别是对销售人员指标(销售指标为主,毛利指标为辅)和采购人员指标(销售额、毛利、供应商更换、购销商品数、代销商品数、资金占用、资金周转等)的分析,以达到考核员工业绩,提高员工积极性,并为人力资源的合理利用提供科学依据。主要分析的主题有,员工的人员构成、销售人员的人均销售额、对于销售的个人销售业绩、各管理架构的人均销售额、毛利贡献、采购人员分管商品的进货多少、购销代销的比例、引进的商品销量如何等等。
  编辑
  实施商业智能系统是一项复杂的系统工程,整个项目涉及企业管理,运作管理,信息系统,数据仓库,数据挖掘,统计分析等众多门类的知识. 因此用户除了要选择合适的商业智能软件工具外还必须按照正确的实施方法才能保证项目得以成功. 商业智能项目的实施步骤可分为:(1)需求分析: 需求分析是商业智能实施的第一步,在其他活动开展之前必须明确的定义企业对商业智能的期望和需求,包括需要分析的主题,各主题可能查看的角度(维度); 需要发现企业那些方面的规律. 用户的需求必须明确.(2) 数据仓库建模:通过对企业需求的分析,建立企业数据仓库的逻辑模型和物理模型,并规划好系统的应用架构,将企业各类数据按照分析主题进行组织和归类.(3)数据抽取: 数据仓库建立后必须将数据从业务系统中抽取到数据仓库中,在抽取的过程中还必须将数据进行转换,清洗,以适应分析的需要.(4) 建立商业智能分析报表:商业智能分析报表需要专业人员按照用户制订的格式进行开发,用户也可自行开发(开发方式简单,快捷) .(5) 用户培训和数据模拟测试: 对于开发―使用分离型的商业智能系统,最终用户的使用是相当简单的,只需要点击操作就可针对特定的商业问题进行分析.(6) 系统改进和完善:任何系统的实施都必须是不断完善的. 商业智能系统更是如此,在用户使用一段时间后可能会提出更多的,更具体的要求,这时需要再按照上述步骤对系统进行重构或完善。
  编辑
  商业智能(BI)作为一个概念,描述与业务紧密结合,并且根据需要进行相关特性展示和数据处理的过程。为了让数据“活”起来,往往需要利用数据仓库、数据挖掘、报表设计与展示、联机在线分析(OLAP)等技术。数据或者数据源包含的种类繁多,例如存储在关系型数据库中的,在外围数据文件中的,在业务流中实时产生存储在内存中的等等。而商业智能最终能够辅助的业务经营决策,既可以是操作层的,也可以是战术层和战略层的决策。这些分析有财务管理、点击流分析(Clickstream)、供应链管理、关键绩效指标(Key Performance Indicators, KPI)、客户分析等。商业智能关注的是,从各种渠道(软件,系统,人,等等)发掘可执行的战略信息。商业智能用的工具有抽取(Extraction)、转换(Transformation)和加载(Load)软件(搜集数据,建立标准的数据结构,然后把这些数据存在另外的数据库中)、数据挖掘和在线分析(Online Analytical Processing,允许用户容易地从多个角度选取和察看数据)等 。
  编辑
  1.随机查询动态报表2.掌握指标管理3.随时线上分析处理4.视觉化之企业仪表版5.协助预测规划
  [4]
  编辑
  商业智能帮助企业的管理层进行快速,准确的决策,迅速的发现企业中的问题,提示管理人员加以解决. 但商业智能软件系统不能代替管理人员进行决策,不能自动处理企业运行过程中遇到的问题.因此商业智能系统并不能为企业带来直接的经济效益,但必须看到,商业智能为企业带来的是一种经过科学武装的管理思维,给整个企业带来的是决策的快速性和准确性,发现问题的及时性,以及发现那些对手未发现的潜在的知识和规律,而这些信息是企业产生经济效益的基础,不能快速,准确地指定决策方针等于将市场送给对手,不能及时发现业务中的潜在信息等于浪费自己的资源.比如:通过对销售数据的分析可发现各类客户的特征和喜欢购买商品之间的联系,这样就可进行更有针对性的精确的促销活动或向客户提供更具有个性的服务等,这都会为企业带来直接的经济效益.
  编辑
  制造业是商业智能的重要市场
  商业智能
  Manufacturing Insights(IDC 公司附属公司)的报告显示,2004年亚太区(不含日本)制造业IT市场规模为137亿美元,预计该市场将以 11.4% 的年复合增长率平稳增长,到2008年市场规模将达210亿美元。2004年底,亚太区(不含日本)制造业IT支出共137亿美元,其中离散制造占78.6%,流程制造占22.4%。由于市场全球化和自由化带来了更加激烈的竞争和复杂性,亚太区(不含日本)的许多制造商继续对IT进行投资,以提高运营效率,更好地控制不断增长的业务成本。随着越来越多的制造商在华建立了生产基地,降低成本并占领巨大的国内市场,这些制造商需要对主要的IT基础架构 、应用和服务进行投资以使其运营能够健康平稳地发展,并获得领先优势。这将继续促进中国和海外制造商的制造业IT投资。在对基础架构投入大量资金的同时,在中国和印度这样的新兴大型市场的许多制造商将继续对企业资源管理(ERM)和商务智能(BI)解决方案进行投资,从而为更好的内部协作和决策制定提供基础平台。IDC的报告显示,2004年亚太区(不含日本)商务智能(BI)工具软件市场规模为2.332亿美元,预计该市场将以12.3%的年复合增长率迅猛增长,到2009年市场规模将达4.173亿美元,增长预计主要源于中国和印度日益发展的经济。这两国近几年更加健康的经济环境和不断增多的应用系统部署为未来5年BI工具的采用打下了基础。有关专家指出,随着互联网的普及,在决策支持系统基础上发展商业智能已成为必然。随着基于互联网的各种信息系统在企业中的应用,企业将收集越来越多的关于客户、产品及销售情况在内的各种信息,这些信息能帮助企业更好地预测和把握未来。所以,电子商务的发展也推动了商业智能的进一步应用。从行业发展来看,商业智能作为业务驱动的决策支持系统,其发展是以较为完善企业的信息系统和稳定的业务系统为基础的。商业智能未来的应用与行业内信息化的基础状况密切相关,以制造型企业为主,其次是流通企业,这两个领域将是商业智能不可忽视的新市场。企业随着信息化水平的提高,商业智能产品将会与ERP和CRM等管理软件进一步融合,很多ERP厂商都把商业智能嵌入到相应的ERP系统内,比如SAP的ERP就嵌套了BO公司的商业智能产品,AD 也与和勤软件进行了类似的合作。当然,商业智能如ERP一样,实施中存在着一定的风险,企业首先要认清自身的需求情况,在选择合作伙伴的同时也要进行充分的了解。各主流厂商都有各自的优势,比如SAS的数据挖掘、Hyperion的预算与报表合并、BO的数据分析与报告等。而商业智能产品的发展趋势必将是整合平台基础上的集成化应用。如何切实了解自身需求、选择具有优势的厂商产品,将是企业实施商业智能成功的关键。
  编辑
  与DSS、EIS系统相比,商业智能具有更美好的发展前景。近些年来,商业智能市场持续增长。IDC预测,到2005年,BI市场将达到118亿$,平均年增长率为27%(Information Access Tools Market Forecast and Analysis: 2001-2005,IDC#24779,June 2001)。随着企业CRM、ERP、SCM等应用系统的引入,企业不停留在事务处理过程而注重有效利用企业的数据为准确和更快的决策提供支持的需求越来越强烈,由此带动的对商业智能的需求将是巨大的。商业智能的发展趋势可以归纳为以下几点:功能上具有可配置性、灵活性、可变化性BI系统的范围从为部门的特定用户服务扩展到为整个企业所有用户服务。同时,由于企业用户在职权、需求上的差异,BI系统提供广泛的、具有针对性的功能。从简单的数据获取,到利用WEB和局域网、广域网进行丰富的交互、决策信息和知识的分析和使用。解决方案更开放、可扩展、可按用户定制,在保证核心技术的同时,提供客户化的界面针对不同企业的独特的需求,BI系统在提供核心技术的同时,使系统又具个性化,即在原有方案基础上加入自己的代码和解决方案,增强客户化的接口和扩展特性;可为企业提供基于商业智能平台的定制的工具,使系统具有更大的灵活性和使用范围。从单独的商业智能向嵌入式商业智能发展这是商业智能应用的一大趋势,即在企业现有的应用系统中,如财务、人力、销售等系统中嵌入商业智能组件,使普遍意义上的事务处理系统具有商业智能的特性。考虑BI系统的某个组件而不是整个BI系统并非一件简单的事,比如将OLAP技术应用到某一个应用系统,一个相对完整的商业智能开发过程,如企业问题分析、方案设计、原型系统开发、系统应用等过程是不可缺少的。从传统功能向增强型功能转变增强型的商业智能功能是相对于早期的用SQL工具实现查询的商业智能功能。前应用中的BI系统除实现传统的BI系统功能之外,大多数已实现了图2中数据分析层的功能。而数据挖掘、企业建模是BI系统应该加强的应用,以更好地提高系统性能。市场增长强势不减BI软件市场在最近几年得到了迅速增长。在2000年,即使是经济不景气的一年,BI软件市场仍然增加了22%,达到了36亿美元。IDC预测,到2005年,这个市场将以27%的年平均增长率发展,届时将会达到118亿美元。在这个市场中,终端用户查询、报告和OLAP工具占绝对主流,达到65%。用户希望从他们的企业资源规划(ERP)、客户关系管理(CRM)、供应链管理(SCM)和遗留系统中发掘他们的数据资产,因此对BI软件的需求正在不断增加。这些需求推广来看,说明企业正逐渐摆脱单纯依赖于软件来处理日常事务,而是明确要利用软件来帮助自己,依据企业数据做出更好、更快的决策。此外,对分析应用需求的增加将持续刺激对商业智能软件的需求。这些软件主要用来进行复杂的预测,得出相对直接的执行报告,另外也包括以多维分析工具为基础的客户分类应用。商业智能解决方案走向完整正当国内企业级用户对基于世界先进商业智能技术的本地化解决方案的需求日益高涨与迫切时,IBM(中国)公司日前在北京发布大型IBM商业智能解决方案,来自海内外技术专家的精彩演示,淋漓尽致地展示了IBM商业智能解决方案的先进技术、强大功能和完善的服务支持,为基于新一代IBM数据仓库与智能挖掘的商业智能应用方案在国内的广阔应用前景绘出了精彩蓝图。作为第一个进入中国市场的完整的、本地化的商业智能解决方案,IBM商业智能解决方案的推出标志着国内用户利用商业智能技术开展电子商务的时机更加成熟,国内企业因此能够借助世界最先进的信息技术,更好地了解客户,更有效地开展客户关系管理,进而获得更有利的竞争优势。所谓商业智能(BusinessIntelligent),就是将企业中的现有数据转化为知识的过程。企业在开展业务的同时,获得了大量数据,来自国外的统计结果表明,全球企业的信息量平均每1.5年翻一番,而仅仅利用了全部信息数据的7%。随着知识经济时代的来临,记录客户与市场数据的信息和信息利用能力已经成为决定企业生死存亡的关键因素,越来越多的国内外企业已经根据信息流和数据分析技术进行企业重整,传统的数据记录方式无疑被更先进的商业智能技术所代替。据美国PaloAlto管理集团预测,到2001年,全球商业智能市场将达到700亿美元。 在商业智能解决方案的帮助下,企业级用户可以通过充分挖掘现有的数据资源,捕获信息、分析信息、沟通信息,发现许多过去缺乏认识或未被认识的数据关系,帮助企业管理者做出更好的商业决策,例如开拓什么市场、吸引哪些客户、促销何种产品等等。商业智能还能够通过财务分析、风险管理、欺诈分析、销售分析等过程帮助企业降低运营成本,进而获得更高的经营效益。根据世界权威性的IDC公司的调查结果表明,企业用于商业智能的投资回报率平均2.3年高达400%。数据仓库是商业智能解决方案的基础,一项来自美国MetaGroup的市场分析指出,92%的企业将在今后3年内使用数据仓库,到2000年,全球数据仓库的使用者就将达到1000万,数据库访问因特网和企业内部网所带来的投资回报率达68%。
  编辑
  经过几年的积累,大部分中大型的企事业单位已经建立了比较完善的CRM、ERP、OA等基础信息化系统。这些系统的统一特点都是:通过业务人员或者用户的操作,最终对数据库进行增加、修改、删除等操作。上述系统可统一称为OLTP(Online Transaction Process,在线事务处理),指的就是系统运行了一段时间以后,必然帮助企事业单位收集大量的历史数据。但是,在数据库中分散、独立存在的大量数据对于业务人员来说,只是一些无法看懂的天书。业务人员所需要的是信息,是他们能够看懂、理解并从中受益的抽象信息。此时,如何把数据转化为信息,使得业务人员(包括管理者)能够充分掌握、利用这些信息,并且辅助决策,就是商业智能主要解决的问题。如何把数据库中存在的数据转变为业务人员需要的信息?大部分的答案是报表系统。简单说,报表系统已经可以称作是BI了,它是BI的低端实现。国外的企业,大部分已经进入了中端BI,叫做数据分析。有一些企业已经开始进入高端BI,叫做数据挖掘。而中国的企业,大部分还停留在报表阶段。数据报表不可取代传统的报表系统技术上已经相当成熟,大家熟悉的Excel、水晶报表、FineReport、Reporting Service等都已经被广泛使用。但是,随着数据的增多,需求的提高,传统报表系统面临的挑战也越来越多。1. 数据太多,信息太少密密麻麻的表格堆砌了大量数据,到底有多少业务人员仔细看每一个数据?到底这些数据代表了什么信息、什么趋势?级别越高的领导,越需要简明的信息。如果我是董事长,我可能只需要一句话:我们的情况是好、中还是差2. 难以交互分析、了解各种组合定制好的报表过于死板。例如,我们可以在一张表中列出不同地区、不同产品的销量,另一张表中列出不同地区、不同年龄段顾客的销量。但是,这两张表无法回答诸如“华北地区中青年顾客购买数码相机类型产品的情况”等问题。业务问题经常需要多个角度的交互分析。3. 难以挖掘出潜在的规则报表系统列出的往往是表面上的数据信息,但是海量数据深处潜在含有哪些规则呢?什么客户对我们价值最大,产品之间相互关联的程度如何?越是深层的规则,对于决策支持的价值越大,但是,也越难挖掘出来。4. 难以追溯历史,数据形成孤岛业务系统很多,数据存在于不同地方。太旧的数据(例如以前的数据)往往被业务系统备份出去,导致宏观分析、长期历史分析难度很大。因此,随着时代的发展,传统报表系统已经不能满足日益增长的业务需求了,企业期待着新的技术。数据分析和数据挖掘的时代正在来临。值得注意的是,数据分析和数据挖掘系统的目的是带给我们更多的决策支持价值,并不是取代数据报表。报表系统依然有其不可取代的优势,并且将会长期与数据分析、挖掘系统一起并存下去。八维以上的数据分析如果说OLTP侧重于对数据库进行增加、修改、删除等日常事务操作,OLAP(Online Analytics Process,在线分析系统)则侧重于针对宏观问题,全面分析数据,获得有价值的信息。为了达到OLAP的目的,传统的关系型数据库已经不够了,需要一种新的技术叫做多维数据库。多维数据库的概念并不复杂。举一个例子,我们想描述2003年4月份可乐在北部地区销售额10万元时,牵扯到几个角度:时间、产品、地区。这些叫做维度。至于销售额,叫做度量值。当然,还有成本、利润等。除了时间、产品和地区,我们还可以有很多维度,例如客户的性别、职业、销售部门、促销方式等等。实际上,使用中的多维数据库可能是一个8维或者15维的立方体。虽然结构上15维的立方体很复杂,但是概念上非常简单。数据分析系统的总体架构分为四个部分:源系统、数据仓库、多维数据库、客户端。源系统:包括现有的所有OLTP系统,搭建BI系统并不需要更改现有系统。数据仓库:数据大集中,通过数据抽取,把数据从源系统源源不断地抽取出来,可能每天一次,或者每3个小时一次,当然是自动的。数据仓库依然建立在关系型数据库上,往往符合叫做“星型结构”的模型。
  商业智能
  多维数据库:数据仓库的数据经过多维建模,形成了立方体结构。每一个立方体描述了一个业务主题,例如销售、库存或者财务。客户端:好的客户端软件可以把多维立方体中的信息丰富多彩地展现给用户。数据分析案例:在实际的案例中,我们利用Oracle 9i搭建了数据仓库,Microsoft Analysis Service 2000搭建了多维数据库,ProClarity 6.0 作为客户端分析软件。分解树好像一个组织图。分解树在回答以下问题时很有效:在指定的产品组内,哪种产品有最高的销售额在特定的产品种类内,各种产品间的销售额分布如何哪个销售人员完成了最高百分比的销售额数据挖掘看穿你的需求广义上说,任何从数据库中挖掘信息的过程都叫做数据挖掘。从这点看来,数据挖掘就是BI。但从技术术语上说,数据挖掘(Data Mining)特指的是:源数据经过清洗和转换等成为适合于挖掘的数据集。数据挖掘在这种具有固定形式的数据集上完成知识的提炼,最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上,我们可以定义:数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题,选择一种或者多种挖掘算法,找到数据下面隐藏的规律,这些规律往往被用来预测、支持决策。关联销售案例:美国的超市有这样的系统:当你采购了一车商品结账时,售货员小姐扫描完了你的产品后,计算机上会显示出一些信息,然后售货员会友好地问你:我们有一种一次性纸杯正在促销,位于F6货架上,您要购买吗这句话决不是一般的促销。因为计算机系统早就算好了,如果你的购物车中有餐巾纸、大瓶可乐和沙拉,则86%的可能性你要买一次性纸杯。结果是,你说,啊,谢谢你,我刚才一直没找到纸杯。这不是什么神奇的科学算命,而是利用数据挖掘中的关联规则算法实现的系统。每天,新的销售数据会进入挖掘模型,与过去N天的历史数据一起,被挖掘模型处理,得到当前最有价值的关联规则。同样的算法,分析网上书店的销售业绩,计算机可以发现产品之间的关联以及关联的强弱。数据报表、数据分析、数据挖掘是BI的三个层面。我们相信未来几年的趋势是:越来越多的企业在数据报表的基础上,会进入数据分析与数据挖掘的领域。商业智能所带来的决策支持功能,会给我们带来越来越明显的效益。
  编辑
  国内市场主要商业智能软件厂商有:国云数据(大数据魔镜)、IBM Cognos
  [5]
  、Informatica、Power-BI、ORACLE(甲骨文)、SAP Business Objects、Arcplan(阿普兰)、Microstrategy (微策略)、SAS、Sybase、Analyzer、思迈特Smartbi、金蝶、用友华表
  [6]
  、久其、帆软FineBI商业智能软件、思达商业智能平台 Style Intelligence
  [3]
  、微软、和勤、上海泽信(医院BI)、毕盛商业智能(BizSmart BI)
  [7]
  、QlikView
  [8]
  、润乾、GrapeCity
  [9]
  、永洪科技等。其中,与选软件网合作在线试用的厂商有:新中大、金算盘、奥威智动、科脉、一汽启明、浪潮、百胜、大掌柜等。
  IBM提供了全面的商业智能解决方案,包括前端工具、在线分析处理工具、数据挖掘工具、企业数据仓库、数据仓库管理器和数据预处理工具等。结合行业用户的业务需要,IBM还向用户提供面向政府、电力、金融、电信、石油、医疗行业的商业智能解决方案。IBM Cognos商业智能解决方案基于已经验证的技术平台而构建的,旨在针对最广泛的部署进行无缝升级和经济有效的扩展,能满足各类型用户的不同信息需求。Cognos10扩展了传统商业智能的功能领域,通过规划、场景建模、实时监控和预测性分析提供革命性的用户体验。该软件已将报表、分析、积分卡和仪表板汇集在一起,并支持用户在微软Office等桌面应用程序中分发商业智能数据,以及向移动智能终端(例如iPhone、iPad、安卓手机、BlackBerry等)交付相关信息。
  商业智能工具能帮助您分析业务流程,找出需要改进之处,并迅速根据条件的更改做出调整。Microsoft Dynamics CRM
  [10]
  能够提供可视化工具和报告,帮助您根据所了解的情况采取行动。在整个企业和供应链范围内采集信息,并在集中统一的位置进行编辑;使用直观易用的仪表板实时查看重要的绩效指标;将 CRM 功能映射到特定模型上,如精益生产和准时制 (JIT)库存策略;将MicrosoftDynamics CRM 解决方案与ERP、车间控制、存货、财务及销售订单处理等用户现有的系统进行整合;提供关于客户报价、订单以及服务查询的实时更新。
  arcplan–世界领先的纯第三方专业商业智能分析软件提供商arcplan是分析型报表和信息编辑技术开创者;以业界最好的前端展现和集成的分析,最突出的仪表盘驾驶舱、地图钻取分析,以面向对象的最方便简捷的“信息编辑器”著称,是全球最为专业的纯第三方BI软件平台。? 最新一期BI Survey再次将全球针对SAP BW 与Cognos TM1的最佳第三方BI前端展现工具称号授予arcplan? 用户商业目标成功率:arcplan 名列榜首? arcplan 同时凭借其所拥有的对于众多数据源的API接口广受好评。
  Microstrategy(微策略)商业智能Microstrategy 一直是GartnerMagicQuadrant评鉴中列为领先的前五大BI工具和服务厂家。主要在以下各方面获得客户高度的肯定 :a) 企业级BI : 适合企业级的BI运用, 基于数据仓库理论的概念而设计,拥有很高的运行效能,能支持大的客户数据量。美国最大的数据仓库公司也选择MSTR做为其战略伙伴,可见其处理大数据量的能力。b) 年度最佳移动BI :支持移动终端如Ipad 和Iphone. 可以让客户灵活的自己设计需要的仪表盘,轻松做好管理驾驶舱的项目,是这个领域的最佳BI厂家。c) 重视用户的体验 :能保证开发人员的效率和生产力, 主要是因为参数化的报表开发范例和面向对象的开发环境。d) 开放独立的平台 : 全部产品自行研发, 有机成长, 持续的从客户体验角度做改善, 兼顾整合性、易用性、灵活性和弹性的特点。e) 最强的多维分析 : 强大的Olap分析能力, 拥有世界最强最快的Olap分析引擎,能与自行开发的Dashboard产品完美整合使用。f) OEM支持:完整的SDK支持,提供超过4000个API接口,许多ISV或SI 在项目中,以MSTR作为中间件,为应用作最佳的组合和搭配。g) 良好的产品售后服务和技术支持能力。
  在IDC公布的2019上半年国内BI市场占比的数据中,帆软的市场占有率为14.9%
  [1]
  。帆软的人数已经突破了1000人大关,来到了1050人。其中,98%的人都是90后
  [1]
  。帆软的付费企业客户已经突破了10000家
  [1]
  。帆软的生态体系涉及伙伴生态、用户生态、客户生态、交付生态这四个模块,而每个模块又根据出发点不同而自成体系。以用户生态为例,帆软目前有4个平台一共积累了30万用户,光一个社区平台就积累了20万铁粉。同时生态体系还支持用户利用帮助文档和在线讲堂学习各种技术问题,用户学成后还可以去考帆软认证的工程师证书,并利用证书去获得帆软配套提供的工作机会
  [1]
  。
  编辑
  在商业智能工具的组合上,帆软推出了两款核心产品:FineReport + FineBI。帆软的商业智能产品组合正满足了”双模IT”下的BI分析需求:1、FineReport 专注于固定式数据展现,主要面向IT人员,帮助企业快速构建报表平台,服务于企业日常管理,快速响应管理需求。2、FineBI则专注于探索式的数据分析,主要面向业务人员或数据分析师,帮助他们开展以问题为导向的数据探索
  [1]
  。
  编辑
  第三点:自助分析服务依然是优先的BI工具以及特殊的报表工具
  [11]
  在2012以及2013年,自助分析将会依然是一种趋势。在过去的几年中,大型企业的IT部门看好即将到来的商业需求,将不会支持手动。工作人员经常要求信息以一种即时和随机应变的方式来更有效的支持商业决策。在这种情况下,BI厂商需要保持平衡的自助服务功能,来允许信息工作者构建和发布他们自己的BI应用程序,同时允许IT部门来控制完整的使用平台。第二点:企业将会继续使用多个BI工具代替单一的平台世界领先级的Forrester咨询公司也提到了了2012年的另一个预测,在近几年图表依然排在前十之内,每个企业不会致力于一个或是所有的BI工具。将会朝更加灵活的框架发展,这里的灵活是使用很多的BI工具,而不是一个使用一个固定的使用平台。更加重要的是,很多的企业意识到整个和几种现有的BI工具已经不再是一个全球化的解决方案,所以说这种趋势将会持续到2013年。第一点:无处不在的移动平台的传播不再是一个创新。要求和必须满足任何类型的BI工具或是平台,除了自助服务和个性化的BI。移动客户端的速度将会快速的增涨,同时网页商业标准准备用HTML5技术堆栈来支配现有的移动本地化应用程序框架。Ipads、 iphones、 androids以及各种各样的的全球化消费化将会使得企业所有的平台,使得这个标准变成了更加复杂的任务。根据Forrester的研究报告,企业级别上的24%已经使用了移动BI应用程序在试点项目上,37%的已经在考虑z在未来采用。要求所有的BI工具需要支持可用的移动平台来保持竞争力,因为人们不会放弃ipads对于来自的PC风格的简单工作方式,尤其是在操作和执行层面上。
  词条图册
  更多图册
  参考资料
  1.
  帆软:布局完整而克制的生态,在商业智能主赛道上坚持奔跑–产经频道–人民网
  .人民网[引用日期2020-11-06]
  2.
  如何定义商业智能
  .TechTarget数据库[引用日期2015-09-24]
  3.
  思达商业智能平台
  .思达商业智能软件 Style Intelligence |商业智能平台|思达报表软件|报表工具 Style Report 官网.2011-2-12[引用日期2013-07-23]
  4.
  王飞 ,刘国峰 .商业智能深入浅出:机械工业出版社,2012
  5.
  Cognos 商业智能和财务绩效管理
  .IBM中国网站[引用日期2012-09-05]
  6.
  用友商业分析
  .用友华表官网[引用日期2012-09-05]
  7.
  商业智能与业务分析
  .毕盛商业智能官网[引用日期2012-09-05]
  8.
  Business intelligence for everyone
  .QlikView中国官网[引用日期2012-09-05]
  9.
  商业智能解决方案
  .gcpowertools[引用日期2013-02-05]
  10.
  商业智能
  .微软CRM制造业解决方案 – Microsoft Dynamics[引用日期2012-10-17]
  11.
  前端商业智能BI 2013发展趋势分析
  .慧都控件网[引用日期2013-04-24]
  展开全部
  收起

本文地址:http://www.miaowen123.com/baike/3237.html