收稿日期:2003-10-14;修改日期:2003-11-18基金项目:教育部重点研究基金资助项目(02127);安徽省重点资助项目(03021057)
作者简介:刘业政(1965-),男,安徽和县人,博士,合肥工业大学教授,博士生导师.
第27卷第8期
合肥工业大学学报(自然科学版)Vol.27No.82004年8月JOURN AL OF HEFEI U NIVERSITY OF T ECH NOLOGY Aug.2004
商业智能的核心技术及体系结构研究
刘业政, 胡 剑
(合肥工业大学管理学院,安徽合肥 230009)
摘 要:商业智能是一种基于大量信息基础上的提炼和重新整合的过程,这个过程与知识共享和知识创造紧密结合,完成了从数据到信息到知识的转变。商业智能可以用来辅助商业活动作出快速反应,加快知识的获取速度,减少企业的不确定因素的影响,满足管理层和决策层对信息知识的时间性和准确性的要求。文章在商业智能的基本概念基础上,提出了商业智能体系结构,并针对此结构详细阐述了商业智能的实施过程、核心技术及典型应用。
关键词:商业智能;实施过程;体系结构;数据仓库;数据挖掘
中图分类号:C931.9 文献标识码:A 文章编号:1003-5060(2004)08-0882-04
Research on the framework and key technologies of business intelligence
LIU Ye-zheng, HU Jian
(S chool of M anagem ent,Hefei University of T echnology,Hefei 230009,China)
Abstract :Business intellig ence (BI),w hich is a strateg ic approach fo r enterprises to transform raw da-ta into insights and intelligence ,aims at developing conclusive ,fact -based and actionable inform ation fr om daily and historic data generated by the enterprise oper ating system.BI can help decision maker s to anticipate business opportunities and threats,so it is a key technology for enterprises to establish and m aintain com petitive advantag e in the era of know ledge economy.In this paper,a general overview of the framew ork and key technolog ies of BI is pr esented ,and the im plementation process and typical applicatio n of BI are also described.
Key words :business intelligence;implementation process;fram ew or k;data w arehouse;data mining 0 引 言
在竞争日益激烈的网络经济环境下,信息的及时获取已经成为企业获得竞争优势的关键所在。企业的运营离不开数据,数据的灵魂则是信息,信息造就智能,因此企业要想获得网络经济所要求的智能,并利用其对客户的忠诚度使企业盈利,就必须意识到数据的重要性。虽然企业各部门每天都在不断地往桌
面添加信息,平均18个月信息量就翻一番,但是能分析的数据估计只有7%[1],并且仅限于数据库。如
何将这些大量的数据转换成可靠有用的信息以增加利润和扩大市场份额,已经成为企业决策者普遍关注的焦点。
商业智能是对商业信息的搜集、管理和分析的过程,目的是使企业的各级决策者获得知识和洞察力,促使他们做出对企业更有利的决策[2]
。商业智能系统从企业运作的日常数据中开发出结论性、基于事实和具有可实施性的信息,使企业管理者和决策者能以一种更清晰的角度看待业务数据,提高企业运作效率,增加利润并建立良好的客户关系,从而使企业能更快更容易地做出更好的商业决策,以最短的时间发现商业机会并捕捉商业机遇。
商业智能最大限度地利用了企业资源计划(ERP)中的数据,将数据整理为信息,再升华为知识,是一个从数据到信息到知识的过程。商业智能系统实际上是一个智能决策支持系统,它不仅是一种产品或服务,从某种意义上讲商业智能是一种商业理念,通过商业智能技术,用户可以更好更充分地了解他们
的产品、服务和销售趋势[3]。1 商业智能体系结构
从系统的体系结构的角度来看,商业智能系统一般由数据仓库(或数据场)、数据分析、数据挖掘、在线分析、数据备份和恢复等部分组成。商业智能系统从不同的数据源收集的数据中提取有用的数据,对数据进行清理以保证数据的正确性,将数据进行转换、重构后存入数据仓库或数据场(这时数据变为信息),然后寻找合适的查询和分析工具、数据挖掘工具及OLAP 工具对信息进行处理(这时信息变为辅助决策的知识),最后将知识呈现于用户面前,转变为决策
[4,5]。商业智能系统体系结构,如图1
所示。图1 商业智能的体系结构
(1)商业智能应用。是针对不同行业或
应用领域,经过裁减完整的商业智能解决方
案软件包。
(2)决策支持工具。包括了从基本查询
和报表工具到先进的在线分析处理再到信息
挖掘工具的各类工具,所有工具都支持GUI
客户界面,大部分都可以在Web 界面上使
用。这些工具大多能处理数据库信息,有些能
够处理文件系统、多媒体、邮件或Web 服务
器上的复杂和非结构的信息。
(3)访问工具。包括应用接口和中间件,
使客户工具能够访问和处理数据库和文件系
统中的商业信息。数据库中间件允许客户透
明地访问后台各种异构的数据库服务器,
Web 服务器中间件允许Web 客户连接到数
据库中。数据管理部分一般采用3层信息存储,最高层次是数据仓库,数据仓库中集成了全企业的商业信息;中间级是部门数据仓库,又称数据场,这里存储了某个商业单位、用户组或部门的商业信息,这些数据场可以直接建立在企业业务操作系统的基础上;结构的最低层次存储了根据用户和应用需求经过裁剪后的信息。
(4)数据仓库模型和构造工具。这些工具用于从操作系统和外部数据源系统中捕捉数据,经过加工和转换,最后将数据装载到全局的或部门的数据仓库。
(5)元数据管理。该部分管理与整个商业智能系统有关的元数据,包括开发者和管理员使用的技术元数据及支持商业用户的商业元数据。(6)管理。该部分包括了商业智能管理的所有方面,包括安全性和验证、备份和恢复、监控和调整、操作和调度、审计和计算等。883
第8期 刘业政,等:商业智能的核心技术及体系结构研究
884 合肥工业大学学报(自然科学版) 第27卷2 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[6]。商业智能实施一般可分为5个阶段:确定目标阶段(targ eting)、数据收集/预处理阶段(T racking)、信息发送阶段(Ro uting)、数据解释/建模阶段(in-terpreting)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/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,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[7]。
(4)数据解释/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。
3 商业智能的核心技术
(1)数据仓库技术。20世纪80年代中期,数据仓库提出的目的是解决在信息技术发展中存在的拥有大量数据、然而有用信息贫乏(Data rich-Information po or)的问题[8]。文献[8]将数据仓库定义为数据仓库是一个面向主题的、集成的、稳定的及包含历史数据的数据集合,它用于支持经营管理中的决策制定过程。
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、决策支持技术和商业运营规则的结合。
(2)数据挖掘技术。数据挖掘(Data Mining),是从大量的、不完全的、有噪声的、模糊的及随机的实际应用数据中,挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则的过程。挖掘的对象主要是数据库和数据仓库,其目的是通过对数据的统计、分析、综合、归纳和推理,揭示事件间的相互关系,预测未来的发展趋势,为经营决策、市场策划及金融预测等提供依据,帮助企业的决策者调整市场策略,减少风险,做出前摄的及基于知识的决策[9]。
(3)联机分析处理技术(OLAP)。OLAP是一种多维分析工具,目标是满足决策支持或多维环境下特定的查询和报表需求,使分析人员、管理人员或执行人员能够从多个角度对从原始数据中转化出来的、能够真正为用户所理解的并真实反应企业维特性的信息进行快速、一致、交互地存取,从而获得对数据的更深入了解。它的技术核心是“维”这个概念,因此它是数据仓库中大容量数据得以有效利用的重要工具。
4 商业智能的典型应用
(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及产品销售的改进方案预测,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产品上架和下架计划,提高企业营销额。通过历史数据分析,还可以建立提高销售量的预测模型[3,9]。
(2)异常处理(M anag em ent by Exceptio n)。它是商业智能数据挖掘应用的典型事例,由于能实时而持续地计算各种绩效目标,商业智能系统可以监测其与计划目标的偏差。当偏差过大时,系统在第一时间以各种通讯方式,比如电子邮件,将偏差状况通知企业责任主管,从而降低企业风险,提高企业收益。其具体应用有信用卡分析、银行及保险等行业的欺诈监测等。
(3)事实管理(M anag em ent by Fact)。无论目标管理或例外管理,背后支持的力量皆来自于事实。维持企业营运的ERP 系统在每日的交易之中,累积了无数的事实与知识。商业智能系统将企业目标、例外与事实相结合,使管理者能够进一步分析原因或趋势,查询并探测相关信息。在信息缺乏的年代,管理层更多依靠个人经验和直觉进行管理,制定决策。而在知识经济时代,企业必须实施事实管理,不靠幻想与感觉,在了解企业每日的商务情况的基础上,利用商业智能进行科学决策。
(4)客户关系管理(CRM )。顾客是企业生存的关键因素,对企业来说进行客户关系管理(CRM )是一项重要的工作。通过商业智能的客户关系管理子系统,企业可以分析顾客消费习惯和消费倾向,提高顾客满意度,进而采取相应对策增强顾客保持力,培养忠实顾客,维持良好的客户关系。
5 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。
[参 考 文 献]
[1] Liautaud B,Hammon d M .商务智能[M ].郑晓舟,胡 睿,胡云超译.北京:电子工业出版社,2002.1-3.
[2] 曹 斌,齐剑锋,涂序彦.商业智能决策支持系统(BIDSS )[J].计算机工程与应用,2001,37(20):29-31.
[3] 余长慧,潘和平.商业智能及其核心技术[J ].计算机应用研究,2002,19(9):14-16.
[4] 曹 悦.商业智能系统[E BOL].h ttp://w w w.amteam.or g,2001-05-02.
[5] Robin son M.Bu siness intelligence infr as tru cture[EBOL ].http ://w w https://www.doczj.com/doc/ab985260.html, ,2002-05-20.
[6] Rouib ah K,Ou ld-ali S.Puzzle:A concept and prototype for linking bus ines s intellig ence to bu siness strategy[J].J ou rnal of Strate-
gic Inform ation Systems ,2002,(11):133-152.
[7] Ananthanarayan S .Data w arehous e and b usiness intelligence :Unleash th e pow er of your data [EBOL ].http ://ww w .satyam .com ,
2002-06-20.
[8] Inmon W H.Buildin g the data w arehous e[M ].Wellesley M as sachu setts :QED Tech nical Publis hing Group,1992.1-74.
[9] Heinrich s J H,Lim J S.Integrating web-based data min ing tools w ith b usiness models for kn owledge management [J]Decision S up-
port Sys tems ,2003,35:103-112.(责任编辑 吕 杰)885第8期 刘业政,等:商业智能的核心技术及体系结构研究
商务智能BI应用实例 案例一：公安领域BI产品应用解决方案 (1) 案例二：李宁集团在零售领域BI产品应用解决方案 (2) 案例三：奥克斯集团BI系统成功应用 (5) 案例四：应用商业智能提升水泥企业的管理效率 (6) 案例一：公安领域BI产品应用解决方案 应用摘要： 公安交通管理局警务的业务处理系统建设已经有一定的规模了，在日常的警务工作中，这些应用系统及相关的数据库大大提高工作效率，完成了各项任务，优势十分明显。随着城市交通日益发达，管理的相关因素显得更加错综复杂。加上原有系统在设计时是为满足某个警务工作的需要而有针对性建设的。这就造成信息的条状分布和信息系统带来新的挑战，因此，新平台系统建设将梳理信息资源，提高综合管理信息应用决策能力。 智能性处理： 作为高科技、信息化的智能交通管理的重要步骤，综合市交管局的信息，整合信息孤岛。提高信息分析的质量，有力地支持警务工作地展开。公安交通综合数据处理平台建设实现了如下目标： 通过与现场信息的连接，通过与多种不同警务处理信息关联，实现综合信息应用能力，集中警力调配，从而大大提高出警、处理、监控与分析的效率。 通过整合各种已有的警务处理、管理应用系统，形成整体信息利用能力，建立成为公安交通高科技、信息化的智能交通管理的信息平台。 系统架构： 公安交通综合数据处理平台的系统架构分为四个层次，即道路现场、终端信息处理层、信息数据处理层以及信息综合应用层，如图所示：
婷吕计I, 连匿，战本.掘孫 瞒“岸AA??* 嶋誉1W ?!? jftl flfs a tut楼蜩MA 遷?*? it* rti 笛為社甜frs-萍苯却愛aa^anta^a 案例二：李宁集团在零售领域BI产品应用解决方案 应用摘要： 随着李宁集团经营规模的不断扩大，信息化的建设也在不断的深入，从POS系统到E RP系统，从MAIL系统到OA系统，整个集团的每项工作都与信息系统密不可分，可以说是行业内信息化建设的先导者。但是随着信息系统的日益增多，面临的问题也不断涌现 （女口：信息孤岛、大量历史数据的闲置）。如何将多个信息系统的数据进行整合？如何将 大量闲置的历史数据提炼成知识？ ADM （汉端科技）根据自己的多年BI行业经验，针对这些问题提出了解决方案。通过ADM提供的商务智能BI系统项目的实施，最有力的数据挖掘、信息分析整理、数据管 理等解决方案，帮助企业梳理和制定完善的报表体系，为企业制定具有竟争力的分析模式 和模型、充分利用现有信息资源，让各个业务部门实现销售、产品规划、财务、库存等核 心业务的辅助决策。
2016年出版
正文目录 1、BI行业增长强劲，下游需求突出，竞争壁垒有抬升趋势 (4) 1.1、商业智能（BI）认可度持续提高，市场规模不断扩大 (4) 1.2、BI 产业链结构分析 (6) 1.2.1、BI 上游 (6) 1.2.2、BI 下游 (6) （1）、电信行业：大数据潜在金矿、亟待规模开发 (8) （2）、金融行业：效率与安全双轮驱动大数据应用深化 (8) （3）、电子政务：政务信息化政策利好大数据整体解决方案商用 (9) （4）、电力行业：生产信息决策与节能减排双重利好于大数据 (10) 1.3、BI 与大数据的联系与区别 (10) 2、大数据：逐步走向成熟，市场进入爆发成长期 (11) 2、从BI 到大数据4.0的演变历程 (12) 2.1、大数据核心技术不断演进，年增50% (12) 2.1.1、大数据的史前时代 (16) 2.1.2、大数据1.0 效率为先(2012-2015)：非结构化数据处理加速 (17) 2.1.3、大数据2.0 变现为王(2015-2020)：用户画像与标签 (18) 2.1.4、大数据3.0 与4.0 决策为本(2020-2030)：机器学习与洞察 (19) 2.2、大数据产业步入快速增长、国内相关企业产业布局呈哑铃型 (20) 2.2.1、从概念热炒到实际应用，大数据步入快速成长期 (20) 2.2.2、大数据产业链分工明晰，发展侧重数据采集及应用、呈现哑铃型 (21) 2.3、大数据助力产业升级创新 (22) 3、大数据主要应用分析 (23) 3.1、电信行业大数据应用 (23) 3.1.1、电信大数据爆发式增长，但运营商进入存量经营时代 (23) 3.1.2、电信运营商大数据变现具备基础 (24) 3.1.3、利用大数据，聚焦服务、创新、运行支撑 (25) 3.1.4、海外成功先例，值得借鉴 (26) （1）、全球电信运营商大数据实践 (26) （2）、法国电信：利用大数据开拓新服务领域 (28) （3）、西班牙电信大数据应用 (29) 3.2、金融行业大数据应用 (29) 3.2.1、强调大数据环境下的客户、市场、运营洞察 (29) 3.2.2、工商银行：利用大数据洞察客户心声 (31) 3.3、互联网大数据应用分析 (32) 3.3.1、大数据先行者，促进营销、信息与业务多重变革 (32) 3.3.2、BAT：领军大数据变革时代 (33) 3.3.3、亚马逊：用户行为数据分析助推个性化营销 (36) 3.4、工业大数据应用 (37) 3.4.1、借力大数据，实现设备、系统、决策智能化 (37) 3.4.2、工业大数据：中国制造2025 核心技术 (37) 3.4.3、汽车行业：“变形金刚”改变行业战斗方式 (38) 3.5、航空业大数据应用分析 (39)
商业智能FineBI行业应用解决方案 目录 商业智能银行业应用方案 (2) 商业智能地产行业应用方案 (4) 商业智能制造业应用方案 (6) 商业智能税务行业应用方案 (9) 商业智能汽车行业应用方案 (13) 商业智能电信行业应用方案 (15)
商业智能银行业应用案例 随着银行信息化的不断深入，银行积累的数据越来越多，面临着“数据爆炸”和“信息缺乏”的矛盾；另一方面，在目前复杂的商业环境中，无知或一知半解做出的决策是现代银行的最大威胁。而商业智能的最大优势就是充分利用银行在日常经营活动中搜集和积累的大量数据，并将他们转化为信息和知识来为银行找出市场发展趋势和经营上的问题，发现市场机会，帮助银行企业从数据中“挖金”。 在刚刚结束的亚太银行IT价值高峰论坛上，对于提升银行企业信息化水平，实现数据价值变现，各企业IT管理者一致认为商业智能在银行业信息化数据管理中发挥着重大作用。整合数据，统一门户 商业智能系统的建立，一来是提供一个数据分析平台，为业务部门更好的分析商业特征。比如企业领导每天查看相关的数据，比如全行的主要经济指标：存款、贷款、贴现、现金、准备金、存贷款结构占比、各网点主要任务完成情况，以及各类考核指标中完成任务较好、较差的网点和个人。这些信息的背后都涉及不同的数据源和应用系统，通过商业智能平台建立数据仓库，可将银行的所有相关数据经过ETL转换，数据清洗后放到数据仓库中，给分析者和决策者一个关于银行各方面情况的分析数据。二来，业务人员在数据分析时，会不断加深数据分析的思想，可以更大程度上提高业务分析人员的决策能力。 业务多元，灵活分析
商业智能系统最基本的价值体现在有效及时地产生有用的信息。在应用商业智能FineBI 时发现，业务人员分析的难点其实在于系统中存在着大量结构或非结构化的多维数据，简单的数据关联还行，如果需求复杂多样，就难以做到及时跟进。商业智能的便捷就在于此，由于自动建模，所有维度、指标、索引关联在一开始就建立好，做分析和查看分析都可以任意切换维度。比如，在存款账户分析中可以知道发生了那些业务，业务量和频率如何，趋势是怎样，进一步深究，可切换至哪个网点，哪个业务产品实现好的效益。 研究客户，指导营销 如今银行都意识到经营方式要从经营产品转向经营客户，因此目标客户的寻找，潜在客户的挖掘成为银行数据应用的主要方向，尤其是高端财富管理和大客户的开发。 以分析大客户为例，各银行都在采用各种手段“挖”竞争对手的优质客户，现有客户的维护和二次开发也显得尤为重要，典型的营销方式就是目标营销和交叉销售。比如对已有客户分析，可以发现具有某种特征的用户具有某种特定的偏好，从而推出针对性产品。又或者通过对优质客户群体的行为分析、忠诚度分析、构成分类进行分析，采取差异化的销售策略，提供个性化的金融产品及服务，在留住优质客户的同时，增加银行的利润增长点。 加强内管，全面发展 商业智能系统可以应用是广泛的，除了银行业务分析，还可以进行人力综合成本预算分析、人员绩效考核、平衡计分卡等。领导层通过这些分析可以更加直观地了解员工工作情况，以此采取相应地奖惩措施。 总而言之，从当前我国银行业的发展趋势来看，数据到价值的转化必将驱动商业模式与运营模式的深刻变革，企业信息化建设必须跟上步伐，及早出发，积极、理性地试水投入，才能借力实现竞争优势提升。
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。
商业智能 (-- --计算机学科前沿讲座论文) 昆明理工大学信息院 计算机应用技术 专业：计算机应用技术 2010/11
信息技术的高速发展带来了企业利用信息技术提高本身竞争力的巨大空间：信息技术不但使企业获取需要的信息，而且，促进企业对信息的再利用，以此营造企业的竞争优势。企业一直在寻找对商业智能的理解和实现的方式，以增强企业的竞争力。早在80年代，当时“商业智能”的标准是能容易地获得想要的数据和信息。90年代是商业智能真正起步的阶段。到目前为止，关于BI还没有统一的定义，不同的人只是从不同的方面表达了对“商业智能”的理解。早在90年代初，Garter Group的Howard Dresner把EUQR（终端查询和报表）、DSS、OLAP称为商业智能。企业使用这些工具使企业获得的优势也被称为商业智能。后来，出现了数据仓库、数据集市技术，以及与之相关的ETL（抽取，转换，上载）、数据清洗、数据挖掘、商业建模等，人们也将这些技术统归为商业智能的领域。 一、商业智能简介 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、客户和供应商资料及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作业层的，也可以是管理层和策略层的决策。 商业智能是对商业信息的搜集、管理和分析的过程，目的是使企业的各级决策者获得知识和洞察力，促使他们做出对企业更有利的决策。商业智能系统从企业运作的日常数据中开发出结论性、基于事实和具有可实施性的信息，使企业管理者和决策者能以一种更清晰的角度看待业务数据，提高企业运作效率，增加利润并建立良好的客户关系，从而使企业能更快更容易地做出更好的商业决策，以最短的时间发现商业机会并捕捉商业机遇。 为了将数据转化为知识，需要利用数据仓库、线上分析处理（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ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。 二、引入商业智能的目的 1.促进企业决策流程(Facilitate the Business Decision-Making Process)：BIS增进企业的资讯整合与资讯分析的能力，汇总公司内、外部的资料，整合成有效的决策资讯，让企业经理人大幅增进决策效率与改善决策品质。 2.降低整体营运成本(Power the Bottom Line)：BIS改善企业的资讯取得能力，大幅降低IT人员撰写程式、Poweruser制作报表的时间与人力成本，而弹性的模组设计介面，完全不需撰写程式的特色也让日后的维护成本大幅降低。
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。
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。
第一章绪论 什么是数据挖掘，什么是商业智能 从大型数据库中提取有趣的（非平凡的、蕴涵的、先前未知的且是潜在有用的）信息或模式。 商业智能是要在必须的时间段内，把正确有用的信息传递给适当的决策者，以便为有效决策提供信息支持。 分类算法的评价标准 召回率recall =系统检索到的相关文件数/相关文件总数 准确率precision（查准率）= 系统检索到的相关文件数/系统返回的文件总数第二章数据仓库 什么是数据仓库 是运用新信息科技所提供的大量数据存储、分析能力，将以往无法深入整理分析的客户数据建立成为一个强大的顾客关系管理系统，以协助企业制定精准的运营决策。 数据仓库的基本特征 1面向主题2整合性 3长期性 4稳定性 第三章数据挖掘简介 数据挖掘的一般功能 1分类2估计3 预测4关联分类5聚类 数据挖掘的完整步骤 1理解数据与数据所代表的含义 2获取相关知识与技术 3整合与检查数据 4取出错误或不一致的数据 5建模与假设 6数据挖掘运行 7测试与验证所挖掘的数据 8解释与使用数据 数据挖掘建模的标准 CRISP-CM 跨行业数据挖掘的标准化过程 第四章数据挖掘中的主要方法 基于SQL Server 2005 SSAS的十种数据挖掘算法是什么 1.决策树 2.聚类 3.Bayes分类 4.有序规则 5. 关联规则 6.神经网络 7.线性回归 8. Logistic回归 9. 时间序列10. 文本挖掘 第五章数据挖掘与相关领域的关系 数据挖掘与机器学习、统计分析之间的区别与联系（再看看书整理下） 32页 处理大量实际数据更具优势，并且使用数据挖掘工具无需具备专业的统计学背景。 数据分析的需求和趋势已经被许多大型数据库所实现，并且可以进行企业级别的数据挖掘应用。 相对于重视理论和方法的统计学而言，数据挖掘更强调应用，毕竟数据挖掘目的
商务智能的发展和应用 聂迪 (宝鸡文理学院计算机科学系，陕西宝鸡721016) 摘要 所为商务智能，是明显区别于商业智能的一种分析数据的技术，其内容的获取和显示方面都有终端技术。现今，商务智能已发展成不仅仅只是软件产品和工具，而是一种整体应用的解决方案，甚至升华为一种管理思想，体现的是一种理性的经营管理决策的能力，即全面、准确、及时、深入分析和处理数据与信息的能力。 关键字 商务智能；分析；管理；技术 引言 商务智能的出现是一个渐进的复杂的演变过程，而且仍在发展之中，最早的商务智能被称为决策支持系统，它经历了事务处理系统（TPS）、高级管理人员信息系统（EIS），管理信息系统（MIS）和决策支持系统（DSS）等系统，最终演变成为今天的商务智能。随着计算机应用的不断发展和深入，软件系统的大型化、复杂化，软件的开发与应用已相当的广泛。近年来，商务智能技术日趋成熟，越来越多的企业决策者意识到需要商务智能才能保持和提升企业的竞争力。在美国，500强企业里面已经有90%以上的企业利用企业管理和商务智能软件帮助管理者做出决策。国外己经有很多成功实施商务智能的案例。可在我国，商务智能还处于导入期，商务智能应用的程度和实际效果都与国外企业有很大差距。。 商务智能的定义 商务智能是指利用数据仓库、数据挖掘技术对客户数据进行系统地储存和管理，并通过各种数据统计分析工具对客户数据进行分析，提供各种分析报告，如客户价值评价、客户满意度评价、服务质量评价、营销效果评价、未来市场需求等，为企业的各种经营活动提供决策信息。它是企业利用现代信息技术收集、管理和分析结构化的商务数据和信息，创造和累计商务知识和见解，改善商务决策
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
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/ab985260.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
第七章商业智能系统 学习要点： （1）理解商业智能的内涵； （2）BI的构成与层次； （3）理解BI的实施过程； （4）BI与ERP的区别； （5）BI的核心技术及研究内容。 一、商业智能定义： 商业智能又称商务智能，英文为Business Intelligence，简写为BI。BI概念最早于1996年由加特纳集团（Gartner Group）提出，加特纳集团将商业智能定义为：由数据仓库（或数据集市）、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、帮助企业进行决策为目的技术及其应用。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。 在Gartner Group命名之前，起初被称之为经理信息系统（主管信息系统EIS，Executive Information System），后来，再羽化成商业智能之前的决策支持系统（DSS，Dec ision Support System）。 目前，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。 二、商业智能内涵： BI系统的主要内涵包括： （1）销售分析 以分析各种销售指标，如毛利、毛利率、盈利能力等，而分析又可从管理架构、类别品牌、日期和时段等角度观察，从而获得相当透彻的分析思路，并由大量的数据产生预测信息、报警信息等分析数据，也可根据销售指标产生新的透视表等。 （2）产品分析 主要数据来自销售数据和产品基础数据，从而产生以分析结构为主线的分析思路。通过BI系统对这些指标分析来引导企业产品结构的调整，加强所生产产品的竞争能力和合理配置。 （3）人员分析 对企业的人员指标进行分析，特别是对销售人员指标和采购人员指标的分析，以达到考核员工绩效，提高员工积极性，并为人力资源的合理利用提供科学依据。 三、BI的构成和层次： 1. BI构成： （1）终端用户查询和报告工具——支持初级用户的原始数据的访问； （2）OLAP工具——提供多维数据管理环境，用于商业问题的建模和商业数据分析； （3）数据挖掘——用来发现数据间关系，做出基于数据的推断； （4）数据仓库和数据集市产品——包括数据转换、管理和存取等。
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）
商业智能BI应用软件服务行业分析报告 2011年1月
目录 一、行业管理体制和有关政策 (5) 1、行业管理体制 (5) 2、行业主要法律法规及政策 (5) 二、商业智能行业概述 (8) 1、商业智能的定义 (8) 2、商业智能的产生与发展 (9) （1）商业智能的产生背景 (9) ①企业的“数据孤岛”现象 (9) ②“数据资产”新企业观念的建立 (9) ③企业运营模式的变化 (10) ④数据库和人工智能技术的发展 (10) （2）商业智能沿革 (10) 3、商业智能的核心技术体系 (13) （1）数据仓库（DW）技术 (13) （2）联机分析处理（OLAP）技术 (13) （3）前端分析展示技术 (14) （4）数据挖掘（DM）技术 (14) 4、商业智能在国内电信行业的发展 (14) 三、商业智能行业发展概况 (16) 1、软件产业发展概况 (16) 2、商业智能行业的细分领域 (17) 3、国际商业智能市场发展概况及趋势 (18) 4、我国商业智能市场发展概况及趋势 (19) 5、商业智能在各行业中的应用概况及趋势 (19) （1）商业智能在各行业应用的分布情况 (19) （2）商业智能在电信行业应用情况及趋势 (20)
（3）商业智能在非电信行业的应用前景 (22) 6、中国商业智能行业发展趋势 (25) （1）优势行业地位不减，中小企业商业智能应用逐渐普及 (25) （2）以产品为依托,增值服务成主角 (26) （3）商业智能解决方案将成为主流 (26) （4）商业智能行业前景良好，国内商业智能应用软件占比正逐年增加 (26) 7、行业上下游产业关系 (28) （1）商业智能行业与上游行业的关系 (28) （2）商业智能行业与下游行业的关系 (28) 8、行业的周期性、区域性或季节性特征 (29) 四、影响行业发展的主要因素 (30) 1、有利因素 (30) （1）国家产业政策的大力支持 (30) （2）随着电信运营商使用数据挖掘来支撑精细化管理和精细化营销理念的深入，商业智能需求将大幅增加 (30) （3）信息技术的不断升级推动了行业的持续发展 (31) 2、不利因素 (31) （1）高端人才的缺乏 (31) （2）客户对国内商业智能应用软件供应商的认同度有待提高 (32) （3）资金的缺乏 (35) （4）下游主要客户议价能力相对较强，一定程度上制约行业企业的发展 (35) 五、进入本行业的主要壁垒 (36) 1、行业准入制度 (36) 2、专业化壁垒 (37) 3、产品研发障碍 (37) 4、技术障碍 (38) 六、行业竞争状况 (39)
BI Business Intelligence 商业智能 AI Artificial Intelligence 人工智能 NN Network Node 网络结点 OLAP On-Line Analytical Processing 联机分析技术 OLTP 联机事务处理 产品案例① BI.Office是由菲奈特软件公司自行研发的商业智能平台产品，其核心技术是商业智能（Business Intelligence）相关技术，包括数据仓库/ 联机分析处理/ 数据挖掘等技术，以及报表处理、数理统计、AI、NN、经济学、管理学等，在目前国内市场的商业智能技术和产品中，处于领先水平。 BI.Office采用业内先进的Web Service技术架构，实现基于Web的分布式组件应用，保证了平台独立和较强的伸缩能力，同时最大程度地独立于软件厂商，保证了客户投资和系统升级能力。BI.Office实现了多种数据源的无缝集成，支持IBM、Microsoft、Oracle等不同类型的OLAP Server，同时支持对OLAP、OLTP和数据仓库的集成访问。【技术层次】 BI. Office 在研发过程中成功应用了XP、RUP和MSF等软件工程理论，把国外成熟的过程控制理论综合应用到了软件产品的生命周期中。【编程规范有利于软件的升级维护】 BI.OFFICE——基于Web Service架构先进的产品技术框架设计，技术架构基本上分为四层：客户端用户图形界面、Web Service Runtime层、业务逻辑层（远程组件）和数据库访问层【产
品架构】 产品功能特点 1.查询 清晰的查询结果格式预览，分离查询的格式和数据信息； 业界最流行的两种OLAP钻取方式，分别是层叠式和覆盖式； 先进的多维查询操作方式，提供三个轴的灵活定制，包括旋转、分页、切片等； 表格和图形的信息互动，多表多图可同时实现查询钻取功能； 提供自定义指标和自定义维成员等OLAP扩展功能，弥补实施过程的遗漏，同时能支持复杂的工业函数和用户扩展的分析要求；
艾瑞报告：中国商业智能行业研究报告2017（附PDF下载） 区别于能够实现海量数据的管理、简单分析与可视化的传统商业智能，艾瑞的此份商业智能报告将聚焦于人工智能技术如何用于商业智能决策，实现商业经营的智能化与自动化。本报告将通过剖析商业智能行业发展背景、技术动态、多场景应用状况等方面，对人工智能在商业落地的真实现状进行说明，凸显AI技术（不包含语音、视觉等感知智能）在现阶段真实应用的价值。 报告核心观点 1、中国企业精细化运营的需求正在爆发 2、商业智能，帮助企业实现数据驱动认知到数据驱动决策的转变 3、商业智能主要应用于金融、电商、物流、出行等领域 4、中国AI论文成果达到国际一线水平 5、技术方面，商业智能的未来将从强调单一技术，到各学科、分支、算法等融会贯通 6、技术以外，企业、技术供应商对场景的理解是产业升级的关键 7、商业智能的落地是一项系统工程，企业的工程实践能力有待增强 目录 报告摘要1 商业智能概述1.1 商业智能行业概念界定1.2 商业智能与大数据1.3 商业智能发展宏观环境分析1.4 商业智能产业图谱1.5 投融资状况分析2 商业智能核心技术剖析
2.1 机器学习2.2 知识图谱2.3 运筹学3 商业智能典型应用 3.1 广告营销3.2 电商3.3 交通出行3.4 供应链3.5 金融风控3.6 投研分析 3.7 智能投顾3.8 智能客服4 典型公司案例 4.1明略数据 4.2第四范式4.3 杉数科技4.4 百分点4.4 文因互联4.5 ZRobot5 商业智能的未来与挑战 商业智能行业概念界定商业智能的下一步，智能化与自动化商业智能（BI，Business Intelligence）概念的提出可追溯至1958年，通常将其视为把企业中现有数据转化为知识，帮助企业做出明智的业务经营决策的工具。过去的商业智能不能给出决策方案，也不能自动处理企业运行过程中遇到的问题。借助于人工智能与其他相关学科的技术进步，现代商业智能已能在特定场景中实现商业经营的智能化与自动化。因此，本报告聚焦于将人工智能技术用于商业智能决策，试图对人工智能在商业落地的真实现状进行说明，凸显AI技术（不包括智能语音、计算机视觉等感知智能）在现阶段应用的价值。商业智能与大数据大数据为商业智能的发展提供土壤互联网、移动互联网高速发展，海量、高维度且可实时接入更新的数据随之而来，为机器学习等前沿技术在各领域中的探索及落地提供可能，进一步拓展了被服务人群且显著提升服务质量。另一面，产业缺乏通用标准约束，数据在采集及流转过程中污染程度不一，数据加密不规范引致的数据泄露时有发生，数据孤岛亦成为企业业务发展的掣肘（如金融
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
我们在之前的文章中提到过，大数据的核心技术就是机器学习、数据挖掘、人工智能以及其 它大数据处理基础技术。在这篇文章中我们给大家详细地介绍一下这些内容，希望这篇文章 能能够给大家带来帮助。 首先说一下机器学习，一般数据分析师都知道，机器学习是大数据处理承上启下的关键技术，机器学习往上是深度学习、人工智能，机器学习往下是数据挖掘和统计学习。机器学习属于 计算机和统计学交叉学科，核心目标是通过函数映射、数据训练、最优化求解、模型评估等 一系列算法实现让计算机拥有对数据进行自动分类和预测的功能。这就需要我们对机器学习 有一个足够的了解。机器学习领域包括很多种类的智能处理算法，分类、聚类、回归、相关 分析等每类下面都有很多算法进行支撑，随着深度学习核心技术的突破性发展，机器学习算 法得以高速扩张。总之大数据处理要智能化，机器学习是核心的核心，深度学习、数据挖掘、商业智能、人工智能，大数据等概念的核心技术就是机器学习，机器学习用于图像处理和识 别就是机器视觉，机器学习用于模拟人类语言就是自然语言处理，机器视觉和自然语言处理 也是支撑人工智能的核心技术，机器学习用于通用的数据分析就是数据挖掘。由于在大数据 条件下图像，语音识别等领域的学习效果显著，有望成为人工智能取得突破的关键性技术， 正因为如此，我们需要重视机器学习。
然后我们说收数据挖掘，数据挖掘是一个较为宽泛的概念，大数据就是从海量数据里面挖掘 有价值有规律的信息同理。数据挖掘核心技术来自于机器学习领域，如深度学习是机器学习 中一类比较火的算法，当然也可以用于数据挖掘。还有传统的商业智能领域也包括数据挖掘，关键是技术能否真正挖掘出有用的信息，然后这些信息可以指导决策。数据挖掘的提法比机 器学习要早，应用范围要广，数据挖掘和机器学习是大数据分析的核心技术，互为支撑，为 大数据处理提供相关模型和算法，而模型和算法是大数据处理的关键，探索式交互式分析、 可视化分析、数据的采集存储和管理等都较少用到学习模型。由此可见，数据挖掘在数据分 析中都是十分重要的事情，更不用说大数据了。 由于篇幅原因我们就给大家介绍了大数据的核心技术的两个，分别是数据挖掘以及机器学习，我们在下一篇文章中给大家介绍更多有用的内容，最后感谢大家的阅读。