商业智能系统相关技术的研究
1 商业智能
1.1商业智能概念的定义
商业智能的概念最早是Gartner Group于1996年提出来的。商业智能是由数据仓库、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。商业智能所涉及的技术与应用,在Gartner Group命名之前就有,起初被称为经理信息系统(E IS) ,在演化成商业智能之前叫决策支持系统(DSS)。商业智能是数据库技术、OLAP（联机分析处理Online Analytical Processing,简称OLAP)）技术、数据采集和迁移技术、网络技术、GUI 技术、查询报表技术、统计学、人工智能、知识发现技术等理论和技术的综合运用，其核心内容是从许多来自企业不同的业务处理系统的数据中，提取出有用的数据，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E几过程，整合到一个企业级的数据仓库里，从而得到企业信息的一个全局视图，利用合适的查询和分析工具、数据挖掘工具等对数据仓库里的数据进行分析和处理，形成信息，把信息提炼出辅助决策的知识，最后把知识呈现给管理者，为管理者的决策过程提供支持。
1.2正确理解商业智能
商业智能应该是帮助企业提高决策能力和运营能力的概念、方法、过程以及软件的集合。对该定义的正确解释, 可以从四个层面展开。信息系统层面: 称为商业智能系统( BI Sys-t em) 的物理基础。表现为具有强大决策分析功能的单独的软件工具和面向特定应用领域的信息系统平台, 如SCM、CRM、ERP。与事务型的MIS 不同, 商业智能系统能提供分析、趋势预测等决策分析功能。数据分析层面: 是一系列算法、工具或模型。首先获取与所关心主题有关的高质量的数据或信息, 然后自动或人工参与使用具有分析功能的算法、工具或模型, 帮助人们分析信息、得出结论、形成假设、验证假设。知识发现层面: 与数据分析层面一样, 是一系列算法、工具或模型。将数据转变成信息, 而后通过发现, 将信息转变成知识; 或者直接将信息转变成知识。战略层面: 将信息或知识应用在提高决策能力和运营能力上; 企业建模等。商业智能的战略层面是利用多个数据源的信息以及应用经验和假设来提高企业决策能力的一组概念、方法和过程的集合。它通过对数据的获取、管理和分析, 为贯穿企业组织的各种人员提供信息, 以提高企业战略决策和战术决策能力。总之, 商业智能的目标是将企业所掌握的信息转换成竞争优势, 提高企业决策能力、决策效率、决策准确性。为完成这一目标, 商业智能必须具有实现数据分析到知识发现的算法、模型和过程, 决策的主题具有广泛的普遍性。
2商业智能系统
商业智能的整个系统被划分为4个层面，简单的说就是主要包括数据预处理、建立数据仓库、数据分析及数据展现四个主要阶段。从数据源经过抽取（Extra，E）、转换（Transform，T）、装载（Load，L）过程加载到中央数据仓库，再从数
据仓库经过分类加工放到数据集市（Data Market，DM），或者将数据集市中的数据进一步存放到多维数据库（Multi-dimension Database，MDD），这都属于数据分析的问题，从中间层到终端用户或从多维数据库到终端用户可将其划归为前端应用实现（数据展现）的问题。而贯穿整个体系数据处理环节的，是系统的流程调度控制和元数据管理，其结构如下图所示。
商业智能系统（体系结构）
数据分析是体现系统智能的关键,一般采用联机分析处理和数据挖掘两大技术。联机分析处理不仅进行数据汇总/聚集,同时还提供切片、切块、下钻、上卷和旋转等数据分析功能,用户可以方便地对海量数据进行多维分析。数据挖掘的目标则是挖掘数据背后隐藏的知识,通过关联分析、聚类和分类等方法建立分析模型,预测企业未来发展趋势和将要面临的问题。在海量数据和分析手段增多的情况下,数据展现则主要保障系统分析结果的可视化。
3商业智能系统的研究内容
商业智能系统是以现代管理理论为指导，信息技术为支撑核心的集成系统。近年来，它的研究热点主要集中在三大方面：支撑技术的研究、体系结构的研究、应用系统的研究。
（1）支撑技术的研究
技术研究确切地讲，BI 并不是一项新技术，它将数据仓库(DW)、联机分析处理(OLAP)、数据挖掘(DM ) 等技术与CRM、ERP等系统结合起来应用于商业活动实际过程当中，实现了技术服务于决策的目的。商业智能的支撑技术主要包括两方面。一是计算机技术。包括：数据仓库、数据集市技术；数据挖掘技术；OLTP、OLAP、Legacy等分析技术；数据可视化技术；计算机网络与WEB技术。二是现代管理技术，包括：统计、预测等运筹学方法；客户管理、供应链管理、企业资源计划等管理理论和方法；企业建模方法。支撑技术的研究主要围绕两部分展开：决策支持工具研究和企业建模方法研究。企业建模是为解决如何建立特定企业模式的辅助工具。IDEF(ICAM Definition method, ICAM--Integrated Computer Aided Manufacturing) 等研究方法是较程式化的企业建模方法，比较新的建模方
法包括基于UML(Unified Modeling Language)的企业建模等方法。数据挖掘算法的研究是目前计算机界研究的热点之一，它逐渐成为一个跨越人工智能、数据统计等多学科的研究领域。决策分析工具的研究还包括各种分析方法的研究。
（2）体系结构的研究
(a)体系结构的研究所谓体系结构(Architecture)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。
①BI基础结构
下图(a)描述了一个基本的商业智能体系结构。根据不同的商业需求可以得到与之相应改进的体系结构，使之更好地解决商务问题。例如，根据主题和数据分析的需要设计不同的数据仓库，选择合适的中间软件和决策分析工具，我们可以看出要预留不同的应用程序接口，以便后续的各种方案的比较与操作。
②网络环境下BI体系结构
网络环境下的商业智能系统建立在基于流程的扁平化组织基础上，可以改变内部传统的基于职能的多字塔式的“科层制”组织模式，提高对市场及客户的反映速度，降低运营成本，实现物流、资金流、信息流的集成统一，实现事前、事中的集中计划与管理控制。网络环境下的商业智能系统模型如图(b)所示。
图(a) BI基础结构
图(b) 网络环境下BI体系结构
（3）应用系统的研究
对应用系统的研究的重点在于对各个应用领域所面临的决策问题的分析。根据对各类问题的解决方式和解决方案来决定商业智能系统应该提供的功能以及具体实现方法。目前，商业智能被广泛应用于与企业运营过程相关的各个领域，并且在很多领域已经形成其特有体系。具有代表性的应用领域包括：企业资源计划（ERP）、客户关系管理（CRM）、企业性能管理（BPM）、人力资源管理（HRM）、供应链管理（SCM）、电子商务（E-business）
4商业智能的实施过程
商业智能的实现是一个循环的螺旋式上升的过程。商业智能实施一般可分为5个阶段:确定目标阶段(targeting)、数据收集与预处理阶段(Tracking)、信息发送阶段(Routing)、数据解释建模阶段(interpreting)及基于知识的行动阶段(Action)。
(1)确定目标阶段。商业智能所解决的一般都是一个客户面临的关键问题,如何确定和理解问题就成为商业智能实施的起点和成功的关键。问题的确定方法可以有多种,如了解客户当前新业务推广、客户流失及信用欺诈等。但关键一点是确定问题的商业价值,简单来说,客户在商业智能系统上的投入,通过问题的解决,能带来确定的收益,否则这个项目从开始就是失败的。
(2)数据收集与预处理阶段。数据的收集难度和客户的实际情况有较大的关
系,如果客户已经拥有自己规范和完整的数据存储,收集工作较容易,反之,就很有可能把多种介质多种规格的数据通过清洗、构造、集成和格式化转化成所需要的数据。
(3)信息发送阶段。信息的价值不在于拥有,而在于如何恰当利用,因为有更多的人共享同样的信息,就可以更好地相互理解和沟通,做出更好的决策。因此,信息价值与获取,分析该信息的用户人数及用户所属商业领域数量的函数关系可表示为:价值(信息)=用户数2×所属商业领域数量。
(4)数据解释与建模阶段。这一阶段是商业智能实施的核心部分。但是,到目前为止对商业智能模型训练结果的优劣并没有绝对的衡量标准,在一定程度上给建模人员和分析系统的产品化带来了困难。针对确定的数据和问题,采用多种算法比较、分割数据集验证及调整参数比较等方式找到相对优的模型。模型建立后,应该对模型训练结果及建立过程等进行评估,以便做出是否调整模型和完成的决定。
(5)基于知识的行动阶段。通过对模型训练的结果来决定是否采取行动,如果模型被证明是客观和有意义的,那么就可以根据模型训练的结果采取相应的企业策略。
5商业智能系统实施注意的问题
人的精力是有限的，不可能一天24小时盯着系统看。在这种情况下，应该给BI系统装一只“眼睛”，让系统帮忙盯着业务。当业务有异常时，要在第一时间通知用户，以便于相关人员在第一时间采取补救措施。亡羊补牢也来得及。对于报警这块内容，在实施时需要关注如下问题。
（1）规划需要报警的内容
一般来说，需要对报警的内容进行合理的规划。范围设置的太小，报警信息会有很多。管理员无法对这些数据进行疑义甄别。范围设置的太宽，则也会漏掉有价值的信息。故这个范围的设置，直接关系到报警功能的使用价值。通常如下这些信息需要设置报警功能。
（a）在价格分析中，一些异常的价格需要报警。如销售订单价格低于规定的价格或者说采购订单价格高于规定的最好价格。如订单数量比较多或者让供应商赶货，价格会存在一些异常的情况。BI系统在数据分析时，要及时的告知相关人员，便于他们确认相关的事项。
（b）在库存数据分析时，当实际库存低于所规定的安全库存时，系统要能够进行报警。通常情况下，企业为了保证正常的生产计划，会在企业仓库中预备一定的库存数量。而在BI 库存数据分析时，会将库存数据与安全库存的要求进行比对。
（c）基础数据的更新。BIS的运转需要有基础数据的支持。现在大部分的BIS，可以设置自动在某个时间从某个系统导入基础数据，然后进行分析。如果这些数据是采用无人值守的方式进行的，则有可能在数据导入的过程中，遇到一些意外情况，而无法成功导入或者导入不完全。如果遇到这种情况的话，那么系统要能够及时的将这种异常信息发送给管理员。
（2）规划报警的手段
报警的对象确定好之后，接下去要考虑的就是报警的手段。现在BIS一般有三种报警方式。分别为邮件报警、即时消息报警和手机短信报警。这三种方式也各有优劣。一般对于一些比较重要且紧急的消息，可以采用手机短信的方式进行
通知。不过手机短信也有一个不足的地方。简单的说，就是手机短信由于信息有限，收到的内容不够详细。如不能够详细说明哪些数据因为哪些原因而导入不成功。通常的做法是，手机短信是一个提醒的功能。相关的信息还是要通过电子邮件等信息来传达。手机短信中只包含一些简短的信息。如果管理员意识到问题的严重，需要查看更加详细的内容，就需要登陆邮箱来查看。从这个层面来说，手机短信报警工具并不市独立存在的。而往往是跟其他手段，如电子邮件或者即时信息结合使用。
（3）定时对报警的有效性进行验证
报警措施设置好之后，还需要定时的对报警的有效性进行验证。因为由于环境的变化，原先的报警设置可能会失效，或者说不符合企业的实际情况。此时就需要对此进行调整。
（a）需要定时抽查原先的报警设置是否有效。如当数据导入发生异常时系统有没有正常发生手机短信通知，一般来说，如果发生意外的话，都会在系统中留下记录。如在系统日志中会留下错误信息。管理员可以根据这些内容，来判断原先的设置是否有效。如果发现无效的话，要即使分析问题的原因，并及时采取相应的补救措施。
（b）判断相关的参数设置是否符合企业最新的实际情况。报警的实质就是看数据是否
违反了即定的规则，这些规则往往是管理者根据当时的情况制定的。如果情况发生了变化，那么参数也需要进行适当的调整。
（4）分类对报警信息进行管理
在报警信息设置时，会给每个报警信息附带一个编号。这就好像系统错误信息中的错误代码一样，就看错误代码就可以知道错误信息的种类。在BI系统中的报警信息管理中，也需要对报警的代码进行编码，这有利于用户对信息进行分类的管理，如将跟库存相关的警告信息，发送给仓库管理人员，而不发给销售相关人员。
分类管理可以提高报警信息的针对性，主要是对警告信息的编码进行合理的规划。如采用6位数字编码，那么前面两位可以是类别代码，表示是哪个作业或者哪张分析报表产生的警告信息。而后面四位表示流水码。有经验的用户，一看前面两个代码，就能够判断是在哪个报表上出现了问题。有时为了阅读的方便，前面两位类码还可以使用拼音或者英文单词的简写来代替，理解起来更加的方便。如安全库存报表，就采用AK表示分类代码等等。无论采用什么样的编码方式，都要遵循一个简单的原则：简明易懂。而且在后续分析时，也可以根据这个代码类别来统计，某一段时间内发送警告的数量。如12月份基础数据导入出错的次数。如果只是一两次，那么可能是一些意外的情况所造成的。如果同一个错误出现了多次，那么就有可能导入规则不符合企业的实际情况，或者说相关措施没有落实到位。
6结束语
过去,统领市场者一定是资本最雄厚的企业,而未来则是掌握资讯最多及反应最快的企业。任何细微的市场信号,都可能蕴藏着一种市场潮流与新的商机。在商品日益同质化的今天,企业之间的技术差别正在缩小,决定企业命运的关键是看谁能在第一时间获得市场资讯,并以最快的速度提供顾客所需要的服务,而商业智能技术正是企业把握市场脉搏、决胜未来及获得竞争优势的利器,可以预见商业智能是企业信息处理技术发展的必然趋势。
商业智能（BI）项目 第一章、商业智能(BI)项目总体介绍 第一节、项目名称 商业智能（BI）项目 第二节、商业智能（BI）概念 商业智能又名商务智能，英文为Business Intelligence，简写为BI。 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。 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、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。
睿思BI商业智能V3.0 技术白皮书 北京睿思科技有限公司 版权所有 2015年4月
目录 引言 (3) 简介 (3) 系统作用 (3) 基本概念 (4) 系统架构 (5) 数据仓库架构 (5) ETL架构 (6) 数据源 (7) 数据导入 (8) 数据转换 (9) 任务管理 (10) 任务日志 (11) 系统功能 (12) 数据建模 (12) 多维分析 (14) 表格 (15) 图形 (16) 钻取 (17) 聚合 (19) 时间偏移 (19) 筛选及排序 (20) 其他功能 (21) 睿思报表 (22) 报表设计器 (22) 报表页面 (27) 报告 (28) 仪表盘 (29) 仪表盘定制 (29) 选择数据 (30) 选择组件 (30) 编辑组件数据 (31) 配置组件属性 (32) 决策者视图 (32) 移动BI (33) 系统技术特点 (34) 系统性能 (36)
引言 简介 企业在经营过程中每天都会产生大量的业务数据，比如销售、采购、库存、客户、营销等数据，随着规模的不断扩大，数据越来越多，管理成本也越来越大，如何充分利用业务数据，让管理者看到数据背后的危机与机遇，提高决策准确性，降低管理成本是现阶段急需解决的问题。另一方面，管理者对企业经营分析的要求越来越高，以前简单的报表系统已经不能满足需要，管理者需要功能更加强大的在线分析系统来帮助分析，以支持决策。 睿思BI-商业智能V3.0解决方案以数据仓库技术为依托，采用ETL抽取企业在经营过程中产生的业务数据并集中于总部数据中心，利用数据仪表盘、多维分析、数据挖掘等技术构建商业智能平台，为管理者提供及时、准确、科学的决策依据，降低管理成本，助力客户构建智慧型企业。 系统作用 1. 整合业务数据 在各业务系统中，数据不流通，形成信息孤岛，商业智能解决方案建立统一数据仓库，整合业务数据，给管理者提供统一视图，统一决策界面。 2. 支撑决策 从数据中分析企业发展趋势，挖掘新的商业机会，根据数据决策，提高决策的及时性及准确率。 3. 降低运营成本，提高利润 基于系统分析内容，管理者能了解产品结构、分销渠道、工作流程和服务方式，通过优化企业资源及流程，从而降低运营成本，提高利润，增强企业在市场上的竞争能力。
几种典型的商业智能(BI)系统架构分析 1、简单的BI架构这是目前比较常用的商务智能架构，所有的数据集中管理，集中分析，最大的优点是容易管理和部署，系统结构简单，容易维护，适用于小型商务智能系统。缺点是对于跨地域部署比较困难，数据实时性差，可扩展性差。 2、联合的BI架构（Federated BI Architecture）这种架构比较符合实际的需求，能够集成自定义的数据仓库，外包的数据仓库，架构化的数据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。特点是适用于加速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的Metrics度量和维度；需要提供统一的标准，拥有企业级的ETL工具和集成的元数据；需要贯穿于整个团队的沟通。联合的BI架构包括：集中逆向商务智能架构，分布逆向商务智能架构，集中顺序商务智能架构，分布顺序商务智能架构及混合架构等。 2、1 集中逆向BI架构（Centralized Upstream BI Architecture）·通常用于中小组织·需要良好的保管者的沟通·需要高级执行者买进·受限于逆向成功惯例（成功的变化是与任何单一实体的进行尝试是成反比的） 2、2 分布式逆向BI架构（Distributed Upstream BI Architecture）·中小组织和大型组织都适用·是大多数从下
至上注重实效表现的逼近系统·更多的考虑多数人意见·更多的限制于大多数人意见·实施团队需要良好的沟通 2、3 集中式的顺序BI架构（Centralized Downstream BI Architecture）·适用于长期数据仓库项目·用于紧密配合多管道的在巨大组织中到处存在的DW/DM系统·经常目标设定为特殊功能组织或行政中心·需要高层在所有的拥有者进行决策·需要为已有系统在实施团队和支持团队建进行良好的沟通 2、4 分布式顺序BI架构（Distributed Downstream BI Architecture）·适用于大型多元化组织·容易适应各种不同的冲突·容易转换到不同的环境·需要为已有系统在实施团队和支持团队间进行良好的沟通 2、5 混合型BI架构（Hybrid BI Architecture）·比任何理想化模型更接近现实情况·更适应自然的联盟·元数据集成更具有挑战性
几种典型的商业智能（BI）系统架构分析 目前，随着商务智能理论的不断发展，商务智能的系统架构已经从单一的理论衍生出多种架构，如分布式商务智能架构，联合商务智能架构等。下图是前BO公司定义的商务智能的基本架构，它是一种开放式的系统架构，可以分布式集成现有的系统。从这个架构中，我们可以比较清楚的看出目前商务智能架构的模式。包括数据层、业务层和应用层三部分。数据层基本上就是ETL过程。业务层主要是OLAP和Data Mining的过程。在应用层里主要包括数据的展示，结果分析和性能分析等过程。在实际应用中，由于每个公司的规模和组织架构的不同，在实施商务智能选择系统架构的时候要结合公司的特点，选者最合适的架构。下面就介绍几种现实系统中的几种BI架构。 BO公司定义的BI架构 1、简单的BI架构 这是目前比较常用的商务智能架构，所有的数据集中管理，集中分析，最大的优点是容易管理和部署，系统结构简单，容易维护，适用于小型商务智能系统。缺点是对于跨地域部署比较困难，数据实时性差，可扩展性差。
2、联合的BI架构（Federated BI Architecture） 这种架构比较符合实际的需求，能够集成自定义的数据仓库，外包的数据仓库，架构化的数据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。特点是适用于加速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的Metrics度量和维度；需要提供统一的标准，拥有企业级的ETL工具和集成的元数据；需要贯穿于整个团队的沟通。联合的BI架构包括：集中逆向商务智能架构，分布逆向商务智能架构，集中顺序商务智能架构，分布顺序商务智能架构及混合架构等。 2.1 集中逆向BI架构（Centralized Upstream BI Architecture） ·通常用于中小组织 ·需要良好的保管者的沟通 ·需要高级执行者买进 ·受限于逆向成功惯例（成功的变化是与任何单一实体的进行尝试是成反比的）
第1章 商业智能：数据分析基础 本章目标： ●理解商业智能系统的用途和结构 ●理解多维数据分析的概念 ●学习如何使用数据仓库实现维度数据模型 ●学习如何使用分析服务实现维度数据模型 1.1 商业智能简介 商业智能(Business Intelligence，BI)是从一个公司的运行系统或外部资源所包含的数据中获得的信息。商业智能有助于我们更好更快地做出决策。假设你现在是一家新创公司的总经理，公司名为Adventure Works Cycles(下文简称AWC公司)，面向北美、欧洲以及亚洲制造和销售自行车、自行车部件、运动服饰和相关配件。AWC公司需要发展，可目前有限的资源无法支撑其壮大。但是为了公司的发展你必须做出决策，而为了做出合理的决策，你需要一些特殊的信息。你可能会阅读《华尔街日报》来把握最新的商业趋势，或者在收藏夹中保存https://www.doczj.com/doc/7e15318560.html,网站的书签。所有这些信息以及你积累的经验会让你做出一个主观的、凭直觉的(gut-feeling)决策。但事实上，你可能希望自己的决定是客观的、有数据支撑的。需要的数据包括公司的订单处理、会计报表、人力资源以及其他的商业系统。同时还需要一个由第三方提供的市场预测数据和汇率信息。这时，需要一个能将所有这些信息汇总起来供今后使用的工具，这个工具就是商业智能系统。商业智能系统是一种解决方案，它能从多个数据源收集数据，将各种数据进行转化使之一致并能存储在同一个位置，为你进行分析和制定决策提供数据支持。 商业智能系统至多由以下五层组成： (1) 数据源层 (2) 数据转换层 (3) 数据存取层 (4) 分析层 (5) 表示层 数据源层包含的数据有：①维护公司日常运作的系统中的数据，包括文本文件、Excel电子表格文件或Access数据库文件中的数据；②从外部源中获取的数据。由于这些数据从不同的数据源中获得，因此很难直接利用它们创建报表和进行分析。数据转换层用于从不同数
商业智能可视化分析系统 数据可视化是商业智能系统的前端，负责与决策者进行交互，是实现数据呈现和分析操作功能的可视化交互工具。可视化系统对于决策者获取决策依据、进行科学的数据分析、辅助决策人员进行科学决策显得十分重要。因此商业智能的可视化系统对于提升组织决策的判断力、整合优化企业信息资源和服务、提高决策人员的工作效率等具有重要的意义。 数字冰雹的商业智能可视化系统具备以下功能： 一、多视图整合、交互联动 基于多种形式的可视化视图，展示数据在不同维度下呈现的数据背后的规律。在任一视图当中，点击数据区块、图例，全部数据视图都会按照相同的筛选条件显示各自统计指标的数据分析结果。 实现了最简单直观的操作模式，实现了全局数据联动筛选分析；帮助用户快速了解全部数据指标在不同维度下的的走势、比例、关系；使用户可以全方位了解企业运行态势，并快速把握数据背后的规律，达到洞悉数据价值的目的 二、支持数据上卷下钻
数字冰雹可视化平台，可以面向上到全球乃至宇宙空间的全局态势数据，下至某一设备传感器的任意时点数据记录，逐级数据的上卷下钻，呈现数据整体与局部的关系。 三、科学专业的交互分析手段 平台提供了一套科学专业的统计数据分析方法和丰富多样的数据显示、交互功能，针对海量数据繁多的指标与维度，按主题、成体系、有针对性的呈现复杂数据背后的联系。包括： ?数据历史回放?数据预警报警?实时监控?推演仿真?数据筛选查询?信息标绘功能 四、超高分辨率、多屏联动、触控交互支持 ?平台可实现高达五千万像素的超清单机输出，并且具备优异的显示加速性能；?系统架构支持主从屏联动、多屏联动、自动翻屏、指定页面输出的屏幕等大屏展示功能，并且提供优异触控交互支持。 ?充分体现用户在信息化建设、大数据分析应用领域的高水准。
数据仓库与数据挖掘论文题目BI技术应用现状及相应软件工具介绍评语： 学院计算机工程学院班级计算1314 姓名 __苏帅豪___ 学号 201321121109 成绩指导老师曾勇进 2016年 6 月 12 日
BI技术应用现状及相应软件工具介绍 [摘要] 商业智能是从大量的数据和信息中发掘有用的知识，并用于决策以增加商业利润，是一个从数据到信息到知识的处理过程。本文从当前商业智能实际出发，清晰阐述了商业智能的概念，总结和分析了商业智能发展的现状,并对商业智能今后的发展做出了展望。与此同时,客观分析了目前我国商业智能发展的状况,介绍了BI工具的情况。使我们能够认清形势,更好地发展。 [关键词] 商业智能、cognos、数据仓库、查询与报表 [正文] 1.商业智能概念： 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。”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，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、转换和装载，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、联机分析处理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。
从这个变迁，回应刚才的我对商业智能的分拆，我们看到了一个很明显的趋势，就是目前商业智能需求的重点逐渐从“智能”转向“商业”，同时也因为这种我们和我们的客户对商业智能的理解的变迁，直接地影响了商业智能的需求形态，也必然对商业智能需求分析工作者提出了与时俱进，不断调整和修改需求分析方法的要求。 在技术驱动的时代，商业智能的需求分析更多地是侧重在bi工具的应用，例如用报表工具来实现一些管理性的报表，用olap来实现一些经常性的数据统计与分析，用etl工具来替代手工编写代码方式的数据迁移。这个阶段的需求分析过程有非常明显的技术倾向性，这种项目往往有个前提，就是目标技术平台往往在项目启动之初已经敲定，需求分析师首先要非常了解目标技术平台的各项技术指标，并且非常小心地把目标用户的需求引导并且框定在这个目标技术平台的能力范围之内，这个逻辑是很自然的，也是无可厚非的。 在业务驱动的时代，需求分析师首先需要非常熟悉目标用户的日常业务，商业智能系统比传统业务系统相比，需求的把握与定义是非常困难的，传统业务系统的流程是非常清晰的，类似银行业务的核心业务系统，诸如储蓄业务，对公业务，国际业务即使种类很多，而对于落实到具体业务的需求的时候，起码同一家银行是有一个标准的业务操作的流程的，不论流程多么复杂，所对应的需求总是明确的，可见的，用程序化的方式来表达也是简单的，而且作为生产系统，早日投产比完善往往是更具价值，在这个大前提是，花繁为简，稳定压倒一切是甲乙双方都认同的。而作为以辅助业务中战术决策的商业智能系统，首先要迈过的一个关口就是，在战术智慧上，系统的决策水平要起码高明于一个中等层次的业务人员的商业智慧，这样他才会觉得系统对他是有帮助的，回应刚才我所提出的，对商业智能需求的定义和控制过程事实上就变成了对人脑的控制过程，需求分析师如果不是一位该业务领域的专家，所能形成的需求分析结果能一次性地获得业务人员的真心拥护和认可无疑是天方夜谭，而在目前的bi界中，完全是从业务成长起来的bi需求分析工作人员凤毛麟角，实际情况往往是，一群技术功底还不错，脑子又转得比较快，能给客户一个良好形象的技术人员出身的人充当了bi需求分析师的角色，我就是一个非常典型的例子，这些人如果心态正确的话，会抱着一种对业务无知的谦卑感虚心地向自己的客户请教，并且仗着客户对技术莫测高深的敬畏，迅速地把需求结果框定为一个个本来就是客户手工在做的报表，当然也不排除通过向客户的需求学习，初步掌握了一些业务上的规律，把客户的需求提炼成灵活查询或者多维分析的模型。不幸地，就是这种需求分析方式也造成了我的报告开头所形成的需求怪圈，可以说，这种不幸的局面是先天性的，在东西没有实际做出来以前，无论是客户还是我们的需求分析师，双方所沟通的都是对方头脑里的想象，然后把这种想象用稍微直观一点的方式描述出来，这种表达的效果不管花了多少的细致周到的努力，实质上还只是一种纸上谈兵，或者俗称画饼，饼的模样是画出来了，饼的味道是无论如何也画不出来的，然而时间是不会等人的，工程师们迅速地照饼样动手施工，力求早日让客户吃上称心可口的美味，然而，交付的时刻往往是令人悲哀的，当用户第一口咬下去以后，能一口咬定就收货的用户几乎是不可能的，因为本来就是“学生”做出来的东西，有这样的结局是不足为怪的，于是就有接下来的不断的用户抱怨，不断的需求“变更”，不断的“优化”，不断的“补丁”，不断的忧虑和烦恼…… 目前，针对这种情况，一些大公司仗着自己的影响力，组织了一群技术专家经过多年的类似项目经验沉淀后，形成了一套所谓的模板，一则让bi需求分析师对于业务思考模式的学习和理解可以从客户现场退回到自己的公司内部，避免了露短的尴尬，二则，也试图用既成事实的行业标准的做法迅速而直接的影响用户的思维，业界内俗称，给客户“洗脑”，然
商业智能定义和解决方案 什么是商业智能？ 商业智能，或 ，是一种统称，泛指用于对一个企业的原始数据进行分析的各种各样的软件系统。商业智能（ ）是由若干相关的活动组成的领域，包括 数据挖掘，在线分析处理，查询和报表。 企业用商业智能（ ）来提高决策制定，降低成本和识别新的商机。商业智能（ ）不仅仅只是公司的报表或从企业系统中引导出信息的一套工具。信息主管通过商业智能（ ）来发现企业内低效的，需要改进的商业流程。 利用现在的商业智能（ ）工具，商业人士可以随时自己开始对数据进行分析，而不要等待 来运行一个复杂的报表。这样民主化的信息访问让用户在做商业决策时有了硬性数据的支持，否则就只能基于直觉来做出决策。 虽然商业智能（ ）有光明的前景，但它的安装启用却受到技术和企业文化挑战的困扰。高管们必须确认在商业智能（ ）系统中所用的数据是干净与一致的，所以用户才会信任它。 什么样的企业会使用 系统？ 象 ， ， 和 这样的连锁餐馆业大量地使用着商业智能（ ）软件。他们用商业智能（ ）做出战略决策，诸如在菜单上添加什么新品，哪一种菜式要被删 除和哪一个业绩欠佳的店要被关闭。他们还用商业智能（ ）来决定战术的事项，象与食品供应商重新谈判合同和找到改进低效率流程的
机会。因为连锁餐馆深受 日常商务运作的驱动，而商业智能（ ）对他们经营上的帮助是如此的重要，所以他们成为所有行业中使用 的中坚力量，而真正地从这些 系统中得到实际 价值。 的关键组件之一 业务分析 是在各种行业中成为一个成功企业所必不可少的，在专业的体育团队像波士顿的 ，奥克兰的 和新英格兰的 中，业务分析就更加的必不可少。 利用一种分析的方法， 在四年中赢得了三次美国橄榄球超级杯大赛。这个球队在很多方面都用到了 数据和分析模型，无论是在场内还是场外。深入的分析帮助这个球队在全美橄榄球联盟（ ）的薪资上限之下选择球员。 的教练与球员对比赛 录相和统计资料的研究是出了名的，教练 阅读由经济学者写的关于足球赛结果的统计概率的学术文章。在场外，这只球队利用详细的分析评价和改进 全体球迷体验 。在每一场主场比 赛，举例来说，会特别安排 至 人进行定量测定体育场的食物、停车、人员、浴室整洁和其他因素。 在零售业，沃尔玛（ ）利用大量的数据和分类分析来帮助它占领市场。 在赌博业 的竞争中改变了它的基调，从建立大型赌场转向分析周边客户的忠诚度和服务上。亚马逊（ ）和雅虎（ ）不仅仅是电子商务网站，他们忙于 分析和遵循一种 测试和学习 的方法转变商业。 一年要做 多次的实验来鉴定理想的客户和为信用卡定价。 谁应该起到领导的作用？
开源商业智能分析工具和报表工具介绍
在大数据和开放数据的重要性日益增长的经济体中，为了以精确和可读的格式分析和呈现数据，企业应当采用什么工具？ 此文涵盖了有助于解决此问题的一些工具，包括顶级的开源商业智能（BI）工具以及报表工具。如有其它同类优秀项目，欢迎回复补充。 01BIRT BIRT 是一个开源技术平台，用于创建可视化数据和报表。它源自开源的Eclipse 项目，于2004 年首次发布。 BIRT 由多个组件组成，主要组件包括报表设计器和BIRT 运行时。另外还提供三个额外的组件：报表引擎、报表设计器和报表阅读器。使用这些组件，可以作为独立解决方案来进行开发和发布报表。 BIRT 是用Java 编写的，根据EPL 许可证授权，最新的版本可在Windows、Linux 和Mac 上运行。
02JasperReport JasperReport 是广为流行的开源报表工具之一，在数十万个生产环境中使用，分社区和商业支持版本。JasperReport 同样由多个组件组成，包括JasperReport Library、JasperReport Studio 和JasperReport Server。ETL、OLAP 和服务器组件为JasperReport 提供了良好的企业环境，使其更容易与现有的IT 体系结构集成。 JasperReport 有优秀的文档、wiki 和一些其他资源的支持，以Java 编写，可运行在Windows、Linux 和Mac 上，根据AGPL 许可证授权。
03Pentaho Pentaho 是一个完整的商业智能套件，涵盖从报告到数据挖掘的各种用例。Pentaho BI 套件包含多个开源项目，Pentaho Reporting 就是其中之一。像其他工具一样，Pentaho Reporting 具有丰富的功能集，可以在企业组织中使用。 Pentaho BI 套件还包含Pentaho BI 服务器。这是一个J2EE 应用程序，通过基于Web 的用户界面提供运行和查看报告的基础架构。
BI商业智能系统
随着企业各种信息系统的建设和完善，企业所拥有的数据越来越多。决策者面对的问题已经不再是缺少信息，而是如何得到正确的信息以帮助制定决策。典型的公司拥有数十乃至上百个应用，但是却难于从中提取、综合、使用这些系统的数据，继而从数据中提取有用的信息，发掘并提升数据的价值。 商业智能(Business Intelligence，简称BI)提供了提取数据、处理加工、信息访问的技术手段。经过多年发展，其运用范围逐渐由支撑特定业务过程的战术性决策发展到在企业范围内系统化地创造价值。因此，越来越多的企业已将其视为战略性的企业应用。 商业智能通过将分散在企业各系统中的数据进行整合，使得繁琐的信息获取过程变得简便易行。任何用户都能够容易的运用这些技术进行决策，业务执行、业务管理、企业管理各个层次上的用户都能够使用不同的工具和技术做出明智的决策，全方位
的提高企业的竞争力。 信息技术在企业中的地位正在由业务支撑工具逐步走向中心性地位，在很大程度上影响着企业如何开展业务和创造新的价值。企业要求IT系统不仅要能够支撑特定业务的执行，而且还要能够创造出新的价值。 由于IT在业务中逐步走向中心地位，对这些信息的访问也需要扩展到原来创建系统所服务的对象之外。系统之间越来越需要广泛的互相连接，以及扩展连接到客户和合作伙伴的系统。 与此同时，由于系统是业务的载体，所以必须要能够跟随业务变化而变化，成为快速革新的助推器而不是障碍。作为企业的关键资产，IT不仅被期望是一个运行良好的成本中心，而且是企业成长和扩张的贡献力量。 业务对IT要求的多种重要能力： 广泛互联的能力：连接客户、合作伙伴，赋予员工新的能力。通过将内部员工、合作伙伴和客户的数据进行整合，并进行加工和提炼后再提供出来供内部员工、合作伙伴和客户使用，商业智能系统提升了三者业务上互相联接的能力 适应变化的能力：随着业务的发展而变化，促进而非阻碍业务发展。 创造价值的能力：在业务的各个不同层面上创造价值。商业智能系统为企业各个不同层面的人提供合适的工具和信息，使得获取准确信息和做出明智决策的能力不仅仅局限于决策层，而是
亿信华辰商业智能数据分析平台 BI@Report功能篇 亿信华辰软件
?产品功能篇 ?强大的一体化分析引擎 BI@Report是一体化的BI平台，它将多维分析引擎、报表服务引擎、图形引擎等多种独立的分析挖掘技术核心组件有机融合在一个产品中，而不需要用户为不同的功能单独购买安装，用户只需将BI@Report部署一次，即可满足用户任意的数据统计分析与挖掘的要求。 图4-2 ?拖拽式多维分析模式 BI@Report采用纯WEB的方式实现多维分析，通过简单的拖拉拽方式生成报表，并可以保存、导出报表数据，同时也可以将报表保存成报表模板，固化分析形态。 多维分析中支持多种统计函数，轻松实现增幅、占比、平均值、TopN、Top%等统计方法。 多维分析中支持行列旋转、指标间运算、合计行、过滤条件、统计图，也可以设置预警条件和多种预警方式。 多维分析中支持层级维的钻取、展开，同时也支持切片和钻透功能。 亿信华辰软件
图4-3 ?强大的报表设计工具 BI@Report作为一款成熟的面向业务用户的商业智能平台，在报表设计上有着非常出色的表现。BI@Report的设计器基于WEB技术实现，业务用户可以在浏览器中进行分析表、统计图、业务分析报告等等业务分析功能的设计开发，所见即所得。 为最大程度降低用户的学习难度，设计器在操作模式上与Excel一脉相承，用户上手十分容易。几乎不需要写任何代码，也不需要技术人员的参与，甚至只需要用鼠标点击，便可设计出丰富多样的分析模版。 图4-4 亿信华辰软件
图4-5 ?美观丰富的图形模板库 丰富的图形库保证了BI@Report具有极其美观的数据展现能力。在BI@Report中内置了多种图形模版，包括常见的柱状图、线状图、面积图、仪表盘之外，还包括了散点图、气泡图、雷达图等类型的统计图。 图4-6 ?完美的领导驾驶舱设计 通常情况下，管理决策层需要大量的数据支持，而这些数据可能来自不同的业务主题甚至他们之间是毫无关联的。传统的分析工具在一个界面上展示的结果要具备一定的关联，否则处理起来十分的麻烦。而在BI@Report中，用户可以将任意的业务指标放置在一个界面中统一展现，并可以实现统计图的钻取、切片等操作。 设计的过程依然无需任何编码即可完成。 亿信华辰软件
商业智能分析服务平台 产品概述
目录 产品简介产品概述 (3) 产品优势 (4) 自服务数据准备 (4) 全面 HTML5 (4) 拖拉拽式操作 (4) 丰富图表展示能力 (4) 交互式探索分析 (4) 丰富主题风格和门户首页 (4) 嵌入集成第三方系统 (4) 产品功能 (5) 基础版 (5) 企业版 (5) 应用场景 (6) 数据即时分析与决策 (6) 报表与自有系统集成 (6) 大屏可视化展示 (6)
产品简介 产品概述 19-11-26 19:49:51 腾讯云商业智能分析 BI，整合永洪科技的产品能力，为您提供自服务数据准备、探索式多维分析、企业级管控和报表展现能力，是新一代敏捷自助型 SaaS BI 服务平台。您可通过拖拽式自服务操作进行交互式分析，几分钟完成一套数据可视化报表，快速获得数据分析结果，挖掘数据潜在价值。 腾讯云提供两种版本的商业智能分析来满足不同级别的用户对数据分析可视化的需求场景。 基础版：为入门级用户提供简单易用的数据分析可视化服务。功能包括多数据源接入、多数据类型支持、本地文件上传、数据表自动建模、制作图表和表格等。 企业版：为中高级用户提供强大丰富的数据分析可视化服务。功能除包括基础版的所有功能外，还提供交互式探索联动分析、数据门户、多风格主题、定时邮件推送和分享仪表盘、报表嵌入第三方系统等企业级应用。
19-07-24 10:20:41 自服务数据准备 用户可快速完成异构数据源关联、异常数据过滤、维度度量扩展、缺失值填充、去重、拆分列、范围分组、格式转化等数据预处理功能。 全面 HTML5 采用 HTML5 前端框架，优化交互使用流程，易用性提升，页面响应更迅捷。 拖拉拽式操作 通过拖拉拽方式对任意数据探索、分析、交互，满足用户个性化、临时性的报表统计需求。 丰富图表展示能力 提供柱图、饼图、线图、盒须图、雷达图等20余种图表，同时支持通过 URL 嵌入任意第三方组件，更加方便地将外部信息载入报告。 交互式探索分析 通过笔刷和缩放两种联动方式，即可灵活对数据进行多维分析、探索式分析，释放数据的价值。 丰富主题风格和门户首页 内置颜色风格各异的主题供用户选择。同时用户基于网格、标签和堆栈三种组件，即可灵活地定制企业门户首页。 嵌入集成第三方系统 支持以 URL 方式快速嵌入第三方系统。
几种典型的商业智能（BI ）系统架构分析 目前，随着商务智能理论的不断发展， 商务智能的系统架构已经从单一的理论衍生岀多种架 构，如分布式商务智能架构，联合商务智能架构等。下图是前 BO 公司定义的商务智能的基本架 构，它是一种开放式的系统架构，可以分布式集成现有的系统。 从这个架构中，我们可以比较清 楚的看岀目前商务智能架构的模式。包括数据层、业务层和应用层三部分。数据层基本上就是 ETL 过程。业务层主要是 OLAP 和Data Mining 的过程。在应用层里主要包括数据的展示，结果分 析和性能分析等过程。 在实际应用中，由于每个公司的规模和组织架构的不同， 在实施商务智能 选择系统架构的时候要结合公司的特点， 选者最合适的架构。下面就介绍几种现实系统中的几种 BI 架构。 BO 公司定义的BI 架构 1、简单的BI 架构 这是目前比较常用的商务智能架构， 所有的数据集中管理， 集中分析，最大的优点是容易管 理和部署，系统结构简单，容易维护，适用于小型商务智能系统。 缺点是对于跨地域部署比较困 难，数据实时性差，可扩展性差。 fl: FTL 14 FLL 育 一 H 屮 iirlHig Infrastructure 1 — Intetgradcn Qijer^ 叭 別FS 毎 wr ffi*. WM. sew L 粹磚舸tn 砒餌51心1血 ；K3i 0^4 T 4.; Fit
2、联合的 BI 架构(Federated BI Architecture ) 这种架构比较符合实际的需求， 能够集成自定义的数据仓库， 夕卜包的数据仓库， 架构化的数 据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。 特点是适用于加 速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的 Metrics 度量和维 度；需要提供统一的标准，拥有企业级的ETL 工具和集成的元数据；需要贯穿于整个团队的沟通。 联合的BI 架构包括：集中逆向商务智能架构， 分布逆向商务智能架构， 集中顺序商务智能架构， 分布顺序商务智能架构及混合架构等。 12 Soppily Cho3ln Or-a-cle Fliuiidal^ Sl&fcel C RIM Mud! Party 2.1 集中逆向 BI 架构 (Centralized Upstream BI Architecture ) ?通常用于中小组织 ?需要良好的保管者的沟通 ?需要高级执行者买进 ?受限于逆向成功惯例(成功的变化是与任何单一实体的进行尝试是成反比的) Infoinwrl A at! |o 15
商业智能系统相关技术的研究 1 商业智能 1.1商业智能概念的定义 商业智能的概念最早是Gartner Group于1996年提出来的。商业智能是由数据仓库、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。商业智能所涉及的技术与应用,在Gartner Group命名之前就有,起初被称为经理信息系统(E IS) ,在演化成商业智能之前叫决策支持系统(DSS)。商业智能是数据库技术、OLAP（联机分析处理Online Analytical Processing,简称OLAP)）技术、数据采集和迁移技术、网络技术、GUI 技术、查询报表技术、统计学、人工智能、知识发现技术等理论和技术的综合运用，其核心内容是从许多来自企业不同的业务处理系统的数据中，提取出有用的数据，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E几过程，整合到一个企业级的数据仓库里，从而得到企业信息的一个全局视图，利用合适的查询和分析工具、数据挖掘工具等对数据仓库里的数据进行分析和处理，形成信息，把信息提炼出辅助决策的知识，最后把知识呈现给管理者，为管理者的决策过程提供支持。 1.2正确理解商业智能 商业智能应该是帮助企业提高决策能力和运营能力的概念、方法、过程以及软件的集合。对该定义的正确解释, 可以从四个层面展开。信息系统层面: 称为商业智能系统( BI Sys-t em) 的物理基础。表现为具有强大决策分析功能的单独的软件工具和面向特定应用领域的信息系统平台, 如SCM、CRM、ERP。与事务型的MIS 不同, 商业智能系统能提供分析、趋势预测等决策分析功能。数据分析层面: 是一系列算法、工具或模型。首先获取与所关心主题有关的高质量的数据或信息, 然后自动或人工参与使用具有分析功能的算法、工具或模型, 帮助人们分析信息、得出结论、形成假设、验证假设。知识发现层面: 与数据分析层面一样, 是一系列算法、工具或模型。将数据转变成信息, 而后通过发现, 将信息转变成知识; 或者直接将信息转变成知识。战略层面: 将信息或知识应用在提高决策能力和运营能力上; 企业建模等。商业智能的战略层面是利用多个数据源的信息以及应用经验和假设来提高企业决策能力的一组概念、方法和过程的集合。它通过对数据的获取、管理和分析, 为贯穿企业组织的各种人员提供信息, 以提高企业战略决策和战术决策能力。总之, 商业智能的目标是将企业所掌握的信息转换成竞争优势, 提高企业决策能力、决策效率、决策准确性。为完成这一目标, 商业智能必须具有实现数据分析到知识发现的算法、模型和过程, 决策的主题具有广泛的普遍性。 2商业智能系统 商业智能的整个系统被划分为4个层面，简单的说就是主要包括数据预处理、建立数据仓库、数据分析及数据展现四个主要阶段。从数据源经过抽取（Extra，E）、转换（Transform，T）、装载（Load，L）过程加载到中央数据仓库，再从数
商业智能系统(BI) 1. 项目简介 商业智能也称作BI是英文单词Business Intelligence的缩写。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。 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、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。 商业智能的基本过程如图1所示。 图1 BI 基本过程 从图1中可以知道，商业智能的体系结构主要由数据源、ETL、数据仓库和数据分析及展现等四部分构成。数据流通过外部异构数据源进入ETL过程，在ETL过程后被存入数据仓库，用OLAP类型加以分析和查询，从而得出用户所
需要的数据信息。研究商业智能系统的体系结构有助于加强商业智能系统在企业中更加普及的运用，促进商业智能的快速发展。 外部数据源的主要来源是企业各个应用系统产生的数据也可以使外部数据，选择出有代表性的数据进入系统。ETL技术是指对外部进入的数据进行抽取（Extraction）、转换（Transformation）和装载（Load）。 2. 功能需求 目前，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。这里我们介绍一下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。 2.1读取数据 BI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，BI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，这样可以像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。 时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。 2.2分析功能 2.2.1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。
深入解读《Gartner2017年商业智能和分析平台魔力象限报告》 文|帆软数据应用研究院船长 2017年2月16日，Gartner发布了2017年BI商业智能和分析平台魔力象限报告，笔者这里进行一些解读，帮助大家更好了解市场状况和趋势。 一、几家欢笑几家愁 和往年一样，Gartner的报告发布以后，处于高位者欣喜万分奔走相告，大肆宣传，恨不得买下所有广告位；而处于低位或未上榜者，则黯然神伤，甚至有些恨Gartner，把竞争差距如此清晰的反馈给读者。 好了言归正传，附上Gartner2016和2017年魔力象限图以及对比图和对照表（浅色圆点是2016年位置），看看谁上谁下，魔力象限中各厂商表现如何。（文末附有2016和2017年各年份的魔力象限图） 笔者又做了一个表格，以更清晰的展示各种升降关系。 Gartner认为，商业智能和分析平台市场的主流已经从IT主导分析报表转向业务主导分析。数据和分析领导者面临无数选择：是传统的功能封闭的BI供应商，还是作为行业破坏者的新型BI供应商。
1、领导者竞争激烈。 Microsoft、Tableau迅猛发展，仍然在第一集团军领跑，其中Microsoft在执行力上大幅度提高，已经和Tableau并驾齐驱，而企业产品前景仍超越Tableau一大截；Qlik小幅度下滑，已经跌到第一集团军边缘，岌岌可危。 2、挑战者交白卷。 在Gartner团队的标准中，继2016年报告之后，第二次数显挑战者名单空白。这说明竞争大格局开始走向稳定，一时难有黑马异军突起。 3、有远见者，冲入新鲶鱼。 传统的SAS、MicroStrategy等需要构建数据库的重型BI执行力下滑，市场影响力被撼动；SAP苦苦支撑，凭借超长的产品链条，仍然小有起色；IBM稳扎稳打，有了一定程度的影响力提升，但前景依然未变，不排除被替代风险。最耀眼的就是几条“鲶鱼”闯入：Zoomdata直接逆袭超越，迅速占领有远见者一席之地；Salesforce、ClearStory Data、Sisense都从特定领域者成功闯入有远见者行列；而TIBCO Software影响力大幅提升，已经略微超越IBM，不过前景依然不明朗；比较惨的是BeyondCore，已经完全跌出BI魔力象限，不见踪影。 4、特定领域者暗流汹涌。 Altergy从有远见者行列跌到特定领域者；Birst执行力和市场影响力大幅下滑；GoodData、DataWatch跌出特定领域者，难觅身影；惊喜的是，杀出Oracle、Thoughtspor、Datameer三家厂商，尤其是Oracle。 二、敢问路在何方 Gartner魔力象限报告之所以称为业界旗帜，旗帜指向哪里，厂商就跟向哪里，就是因为Gartner分析师们对于行业发展的精准判断，不要忘了，商业智能这个概念也是Gartner提出来的。在2017年的报告中，Gartner分析师们规划了商业智能和分析平台的3年后愿景，和去年相比，今年增加了对市场前景的判断，强调了这样几个关键词：大数据、智能、自助。详情如下： 现在已然2017年，2016年的展望中，第2、3个构想，正在或已经成为国内企业的重点突破方向，而第1个，实现“到2018年，大多数业务人员和分析师都通过自助式BI工具来准备数据，进行分析数据”还是很困难的，中国有特色的报表，有特色的信息化经验，有特色的组织架构，有特色的数据管理理念！但是，都挡不住时代潮流，笔者坚信这一天终会到来。 三、那些年我们一起追过的功能 Gartner分析师们通过一些用例或功能点，来对各个厂商打分，从而在魔力象限中排列位置。这些功能是厂商必读，是未来的主流BI的标准配置。 1、五个主要用例。 （1）敏捷集中地配置BI：