3.2 数据仓库设计方法论
数据仓库是商业智能分析和决策支持应用的最基本环境。正如软件开发中的系统分析和系统设计在整个开发周期中占举足轻重的地位一样，数据仓库的分析与设计在开发相关项目中同样也是十分重要的。
业务数据库和数据仓库由于两者功能的不同，设计方法必然会有很大的差异。但尽管如此，它们都是在DBMS中管理的，运用类比思维，设计数据仓库的时候，也可以从比较成熟的数据库设计方法论中找寻灵感。
实际上，在SQL Server 2005安装的两个示例数据库中，AdventureWorks就是属于操作型的数据库；而AdventureWorksDW则是分析型数据库，也就是数据仓库，其主要数据都源于AdventureWorks。微软在给出这个设计得十分精巧的数据仓库时，并没有说明此数据仓库是如何得来的，因此下面在研究数据仓库设计方法的时候，就主要以从AdventureWorks数据库到AdventureWorksDW数据仓库的过程为例来解析设计数据仓库过程中的复杂理论。
3.2.1 数据库设计与数据仓库设计
1．业务数据和分析数据使用方式的不同
普通数据库直接用于业务处理，因而需要严格约束表与表之间的关系，使数据在完整性等方面得到有效的保证。在设计这一类型的数据库的时，一般是先通过实体关系模型确定数据库中需要存储数据的表，再通过数据规范化方法（如第1、2、3范式等）改变这些表的结构，确定表的主外键，并以主外键为依据，在表之间建立起一对一或一对多的关系。图3-6即为AdventureWorks业务数据库中购买订单、买入商品运输方法和商品提供商等数据表之间的关系。从图中可以看出，对于购买订单报头这个表（PurchaseOrderHeader）而言，与供货商（Vend or）表、购买订单详情表（PurchaseOrderDetail）及运输方法表（ShipMethod）之间的关系是根据实际业务操作中应该有的关系来确定的，这样的数据库系统结构设计用于业务操作的信息化是很合适的。
图3-6 业务数据库中的表间关系示例
通过3.1节对事务处理和分析处理的比较可以得知，商务分析需要的数据库与业务数据库有很多地方不同，用于OLAP的数据应该是多维的。图3-7即为从购买地区、购买时间和产品名称等3个视角来分析购买订单时需要的一种数据立方。数据立方又称多维数据集，是使用分析数据的典型方式。
图3-7 3个视角分析购买订单时需要的数据立方
2．理解仓库中的立方体
在第2章，我们从整体上掌握了商业智能的整个应用过程，相信在此过程中已经有了对数据立方的感性认识。为了理解数据仓库设计的方法，下面从使用的角度理解数据立方。
正像在数学中用X、Y、Z坐标轴表示3个空间创建一个立方体一样，可以以不同的商业视角为维度建立一个商业智能分析用的立方体，这些维的属性是立方体的坐标轴。例如可以从客户的视角去观察商业数据，这时应该建立客户维，而客户维中有客户所在的城市这一属性，因而在立方体中会出现城市坐标轴。同样，时间维中的日期属性可以作为坐标轴，产品维中的产品名称可以作为坐标轴出。这个立方体上的1个点包含3个值：用户所在的城市、特定的产品和特定的日期，图3-7的立方体就是这样建立的。通过不同的坐标轴的灵活组合，可以构成各种各样的数据立方体。使用时间仓库时的数据立方体也不都是三维的，由于商务视角的多样性，大多数情况下数据立方是以三维以上的方式组成的。
数据立方中多个维度的值是商务需求中需要观察的目标，这个目标的值一般叫度量值。度量值来源于构成商务观察目标的事实表中。例如在图3-7的立方体中，事实表中有全部产品的销售度量，那么，可以用立方体上的某一个点度量某产品在某一时间和某一城市的销售情况。
由于商业数据在数据仓库中的这种多维特性，为分析数据提供了极大的方便。
如果保持立方体的某些坐标轴的值不变而改变另外某一个轴，便可以看到度量在不同维上的变化情况。在上面的例子中，如果保持产品的名称和日期为常量，沿客户城市坐标轴移动，便可以得到在所有客户城市某一天某一产品的全部销售值。有这种分析需求的一般是地区经理。同样，可以根据财务经理、产品经理及总经理对商务分析的不同需求来对数据立方体进行不同角度的解析，如图3-8所示。
图3-8 不同视角的数据立方分析
认识事物一般是从此事物在实践中的应用开始的。以上对业务数据和分析数据使用方式的区别及对数据立方的具体使用方法的解析是认识数据仓库的基础。正是由于其作用的不同，所以设计时数据库和数据仓库的目标也不同。
3．数据仓库的设计目标
根据前面对2种数据处理方式的对比，可以得到设计数据库和数据仓库的目标之间的差异，其结果如图3-9所示。
图3-9 数据仓库和数据库目标的差异
现在的问题是这种多维分析的需求既然不能用业务数据库的方式满足，那又应该怎样解决。
实际上，为了在商务分析时能以多个视角对某个业务事实进行操作，构建分析用的数据仓库时引入了维度概念来表示分析视角，事实概念来表示分析对象，事实的量度来表示对象的分析结果。而这些概念在数据分析阶段（本书的第5章将要论述）会得到直接使用或进行一定的改动。因此，这些对象在数据仓库中的设计如何，将直接影响后续的分析工作，而它们之间的关系则构成了整个数据仓库的架构。
3.2.2 数据仓库的架构方式及其比较
传统的关系数据库一般采用二维数表的形式来表示数据，一个维是行，另一个维是列，行和列的交叉处就是数据元素。关系数据的基础是关系数据库模型，通过标准的SQL语言来加以实现。
数据仓库是多维数据库，它扩展了关系数据库模型，以星形架构为主要结构方式的，并在它的基础上，扩展出理论雪花形架构和数据星座等方式，但不管是哪一
种架构，维度表、事实表和事实表中的量度都是必不可少的组成要素。下面解析由这些要素构成的数据仓库的架构方式。
1．星形架构
星形模型是最常用的数据仓库设计结构的实现模式，它使数据仓库形成了一个集成系统，为最终用户提供报表服务，为用户提供分析服务对象。星形模式通过使用一个包含主题的事实表和多个包含事实的非正规化描述的维度表来支持各种决策查询。星形模型可以采用关系型数据库结构，模型的核心是事实表，围绕事实表的是维度表。通过事实表将各种不同的维度表连接起来，各个维度表都连接到中央事实表。维度表中的对象通过事实表与另一维度表中的对象相关联这样就能建立各个维度表对象之间的联系。每一个维度表通过一个主键与事实表进行连接，如图3-10所示。
图3-10 星形架构示意图
事实表主要包含了描述特定商业事件的数据，即某些特定商业事件的度量值。一般情况下，事实表中的数据不允许修改，新的数据只是简单地添加进事实表中，维度表主要包含了存储在事实表中数据的特征数据。每一个维度表利用维度关键字通过事实表中的外键约束于事实表中的某一行，实现与事实表的关联，这就要求事实表中的外键不能为空，这与一般数据库中外键允许为空是不同的。这种结构使用户能够很容易地从维度表中的数据分析开始，获得维度关键字，以便连接到中心的事实表，进行查询，这样就可以减少在事实表中扫描的数据量，以提高查询性能。
在AdventureWorksDW数据仓库中，若以网络销售数据为事实表，把与网络销售相关的多个商业角度（如产品、时间、顾客、销售区域和促销手段等）作为维度来衡量销售状况，则这些表在数据仓库中的构成如图3-11所示，可见这几个表在数据仓库中是以星形模型来架构的。
星形模式虽然是一个关系模型，但是它不是一个规范化的模型。在星形模式中，维度表被故意地非规范化了，这是星形模式与OLTP系统中关系模式的基本区别。
使用星形模式主要有两方面的原因：提高查询的效率。采用星形模式设计的数据仓库的优点是由于数据的组织已经过预处理，主要数据都在庞大的事实表中，所以只要扫描事实表就可以进行查询，而不必把多个庞大的表联接起来，查询访问效率较高，同时由于维表一般都很小，甚至可以放在高速缓存中，与事实表进行连接时其速度较快，便于用户理解；对于非计算机专业的用户而言，星形模式比较直观，通过分析星形模式，很容易组合出各种查询。
图3-11 AdventureWorksDW数据仓库中部分表构成的星形架构2．雪花形架构
雪花模型是对星形模型的扩展，每一个维度都可以向外连接多个详细类别表。在这种模式中，维度表除了具有星形模型中维度表的功能外，还连接对事实表进行详细描述的详细类别表，详细类别表通过对事实表在有关维上的详细描述达到了缩小事实表和提高查询效率的目的，如图3-12所示。
雪花模型对星形模型的维度表进一步标准化，对星形模型中的维度表进行了规范化处理。雪花模型的维度表中存储了正规化的数据，这种结构通过把多个较小的标准化表（而不是星形模型中的大的非标准化表）联合在一起来改善查询性能。由于采取了标准化及维的低粒度，雪花模型提高了数据仓库应用的灵活性。
这些连接需要花费相当多的时间。一般来说，一个雪花形图表要比一个星形图表效率低。在AdventureWorksDW数据仓库中，以图3-11的架构图为基础，可以扩展出雪花模型的架构，“DimProduct”表有一个详细类别表“DimProductSubcategory”，而“DimCustomer”表也有一个表示客户地区的表“DimGeograph”表作为其详细类别表，将它们加入数据仓库后，整个数据仓库就是雪花形架构，如图3-13所示。
图3-12 雪花模型架构示意图
图3-13 AdventureWorksDW数据仓库中部分表构成的雪花形架构3．星形与雪花形架构的比较
在3.1节的讨论中可以得知，在数据仓库中表与表之间是不必满足3个范式的，也不必考虑数据冗余，相反，为了在分析型查询中获得较好的性能，数据仓库中的表还应该尽量集中同类型的数据，同时把有些常见的统计数据进行合并。按照这种思想，图3-13中的“DimProductSubcategory”表和“DimGeograph”表可以并入“DimProduct”表和“DimGeograph”表中使整个数据仓库呈现星形架构，但是微软在设计AdventureWorksDW数据仓库时并没有这样做，反而在“DimPro ductSub category”表和“DimProduct”表及“DimGeograph”表和“DimGeogra ph”表之间设计成满足一定范式要求的结构，下面将解释其原因。
标准的关系数据表不能满足数据的分析能力，所以对表进行非标准化处理以形成数据仓库中特有的星形架构方式，但这样一来，如果所有的分析维度都作为事实表的一个直接维度，数据的冗余是相当大的，比如将“DimProductSubcategory”表合并到“DimProduct”表中，的确能形成一个关于产品所有属性的维度，但要在一张表中表达产品类别属性和产品的属性，需要的存储空间是相当大的。由此可以看出，在星形架构的基础上扩展出雪花形架构，实质上是在分析查询的性能
数据集市是在构建数据仓库的时候经常用到的一个词汇。如果说数据仓库是企业范围的，收集的是关于整个组织的主题，如顾客、商品、销售、资产和人员等方面的信息，那么数据集市则是包含企业范围数据的一个子集，例如只包含销售主题的信息，这样数据集市只对特定的用户是有用的，其范围限于选定的主题。数据集市面向企业中的某个部门（或某个主题）是从数据仓库中划分出来的，这种划分可以是逻辑上的，也可以是物理上的。例如在AdventureWorksDW数据仓库中就是逻辑上划分的数据集市。
数据仓库中存放了企业的整体信息，而数据集市只存放了某个主题需要的信息，其目的是减少数据处理量，使信息的利用更加快捷和灵活。
数据仓库由于是企业范围的，能对多个相关的主题建模，所以在设计其数据构成时一般采用星系模式，AdventureWorksDW数据仓库就是这种情况。而数据集市是部门级的，具有选定的主题，可以采用星形或雪花模式。
图3-15是数据仓库、数据集市和数据立方之间的关系，通过此图可以更好地理解这3个概念。
图3-15 数据仓库、数据集市和数据立方之间的关系
3.2.3 宏观上的数据仓库设计
广义的数据仓库包括2部分，一是数据仓库数据库，用于存储数据仓库的数据；二是数据分析部分，用于对数据仓库数据库中的数据进行分析。广义的数据仓库设计应该包括数据仓库数据库的设计和数据仓库的应用设计2个方面，而数据仓
库的应用与数据仓库的设计一脉相承，共同构成了数据仓库应用的整个生命周期，这个周期包括3个阶段：数据仓库规划分析阶段、数据仓库设计实施阶段及数据仓库的使用维护阶段。对这3个阶段的分别设计就是数据仓库宏观上的设计。
3个阶段是一个不断循环、完善和提高的过程。在一般情况下数据仓库系统不可能在一个循环过程中完成，而是经过多次循环开发，每次循环都会为系统增加新的功能，使数据仓库的应用得到新的提高。图3-16表达了这个循环的运动过程。
图3-16 宏观上数据仓库的开发阶段
这一个过程将软件工程思想应用在数据仓库的设计中，主要用在大型的数据仓库工程项目中，包含了构建完整应用的全过程，因此在本章不具体讨论此过程的使用细节，本书第10章“基于SSAS的商务智能分析”将会对这个过程中的有些重要步骤进行详细讲解。
3.2.4 微观上的数据仓库设计
微观上的数据仓库设计实际上指的是数据仓库数据库的设计，亦即宏观上设计仓库设计的第1个部分。在这个层面上主要任务是进行数据建模，确定数据仓库中数据的内容及其构成关系。
在数据库的世界里面，数据建模任务通常基于3种不同的视角：概念模型、逻辑模型和物理模型。其中概念模型用来表示真实世界的情况，逻辑模型是从真实世界到数据的物理存放细节的媒介，而物理模型即表示信息存放于硬件中的细节。数据仓库数据库的设计也不例外。在数据仓库的3级数据模型中，概念模型表示现实世界的“业务信息”构成关系，用业务数据库设计中的“实体－关系”方法（E-R方法）来设计这一级的数据模型，但需要用分析主题代替传统E-R方法中的实体。在传统业务数据库设计中的逻辑模型一般采用范式规范的表及其关系，数据仓库设计中的逻辑模型也采用表来存储数据，因此也数据仓库中使用的也是关系模型，不过表与表之间不再通过3大范式的规范，而是以星形结构、雪花形结构和星座型结构等方式组成。物理模型则属于这些表的物理存储结构，比如表的索引设计等。
数据仓库的设计就是在概念模型、逻辑模型和物理模型的依次转换过程中实现的。作为数据仓库的灵魂——元数据模型则自始至终伴随着数据仓库的开发、实施与使用。数据粒度和聚合模型也在数据仓库的创建中发挥着指导的作用，指导着数据仓库的具体实现。图3-17表达了微观数据仓库设计中各种概念之间的关系。
图3-17 微观数据仓库设计中各种概念之间的关系
图3-18 数据仓库数据库设计的步骤
在图3-17的关系图中，元数据是在对企业商业智能需求分析和概念模型设计阶段就应该设计好并且一直贯穿于数据仓库应用全程的重要部分，而数据粒度和聚合的设计则是在逻辑模型的设计过程中完成的，物理模型则需要做一些存储优化方面的工作。具体而言，这3级数据模型设计的每1个阶段都有相应的详细设计步骤，图3-18即是对这些步骤的一个总结。
3.2.5 2种创建数据仓库的模式
创建数据仓库的方式，根据其出现的先后顺序，主要分为2种模式：自顶向下（T op-down），自底向上（Bottom-Up）。
1．自顶向下
这种模式首先把OLTP数据通过ETL汇集到数据仓库中，然后再把数据通过复制的方式推进各个数据集市中，其优点在于：
l 数据来源固定，可以确保数据的完整性。
l 数据格式与单位一致，可以确保跨越不同数据集市进行分析的正确性。
l 数据集市可以保证有共享的字段。因为都是从数据仓库中分离出来的。
2．自底向上
这种模式首先将OLTP数据通过ETL汇集到数据集市中，然后通过复制的方式提升到数据仓库中，其优点在于：
l 由于首先构建数据集市的工作相对简单，所以容易成功
l 这种模式也是实现快速数据传送的原型。
3.2.6 技术上需要关注的重点步骤
本章的主要任务就是完成数据仓库数据库的设计，在图3-18所给出的步骤是数据仓库设计的完整结构，在实践这一步骤的设计工作中，有5个重点步骤需要特别关注，它们是业务数据理解和需求分析、分析主题和元数据、事实及其量度和粒度、维度模式确定和数据仓库的物理存储方式。
这5个步骤贯穿了从分析到物理实现的全过程，而且一般的设计过程都是照此进行的，因此可以把它看做是设计数据仓库数据库的实践版本。这5个步骤及其与3级模型的关系可以用图3-19来表示。
图3-19 5步骤及其与3级模型的关系
从下面一节开始将分别阐述这5大步实现由业务事实到数据仓库的全过程。3.3 理解历史数据和分析需求
历史数据也就是业务数据库，它是数据仓库的数据来源，是构建数据仓库的“物质基础”。需
求在每一个工程项目中都很重要，它是数据仓库的价值体现。因此理解历史数据和分析需求是5步中的第1步。下面先从理解“用户驱动＋数据驱动”的设计理念开始。
3.3.1 “数据驱动＋用户驱动”的设计理念
数据驱动是根据当前业务数据的基础和质量情况，以数据源的分析为出发点构建数据仓库。用户驱动也叫需求驱动，是根据业务的方向性需求，从业务需要解决的具体问题出发，确定系统范围和需求框架。
数据仓库的用户一般是企业管理者，分析需求和业务需求有很大差异，因此不能把数据库设计阶段的用户需求直接用在数据仓库设计中。在设计仓库数据库之初把用户的分析需求纳入考虑范围是十分有必要的。同时，数据仓库的构建必需基于业务数据库，业务数据源的结构也是不得不考虑的问题。因此在设计数据仓库的时候，应该坚持用户驱动与数据驱动相结合的设计理念。图3-20所示的是这两种方法结合获取数据仓库设计真正需求的过程。
图3-20 用户驱动与数据驱动相结合来获取数据仓库设计真正需求
3.3.2 理解业务数据
由图3-20可知，通过对业务数据的分析，可以清楚的知道原有的数据库系统中已经有什么，对当前系统设计有什么影响等，也可以为利用已有的数据和代码提供方便。这样，在把业务数据转化为分析数据时，便于按照分析领域对数据（即数据之间的联系）重新考察，组织数据仓库的主题。
1．理解业务
需求是项目的动力，使用则是项目的根本。构建数据仓库归根到底是应用于企业数据分析，
辅助管理决策，这是设计人员应该在数据仓库的整个生命周期都牢记于心的。
理解业务数据的首要一步就是理解业务，也就是要熟悉企业生产经营流程，同时初步获取在这些流程中的分析需求，为最终确定用户需求做好意识上的准备。
例如在Adventure Works Cycles这个经营自行车及其相关配套产品的公司内部，原材料采购、生产和销售及相关的财务和管理等有既定的流程。下面以原材料采购和产品的销售两个业务领域为例进行分析。
1）原材料采购
在公司内部有采购部负责原材料采购，采购部门下设一个经理和多个采购员。一种原材料有多个供应商，一个供应商可以提供多种原材料。原材料和供应商之间是多对多的关系。每个采购员负责多种原材料的采购，一种原材料只能由一个采购员来采购。采购员和商品之间是一对多的关系。采购员只需了解原材料和供应商的联系，而采购部门经理需要管理员工，并且还需要了解原材料的仓储情况，以确定需要采购的商品并将任务分配给每个采购人员。
另外，公司为了防止产品过分依赖于原材料价格，还需要对原材料进行批量存储，因此设立仓库管理部门，专门负责原材料的存储管理，仓库管理部门管理多个仓库，下设一个经理和多个仓库管理员，每个仓库中拥有多个仓库管理员，每个管理员只能在一个仓库中进行工作。仓库管理员需要知道他所管理的仓库中存储的原材料的种类、数量、存储的时间、原材料的保值期及原材料进入仓库和离开仓库的时间等信息。一种原材料可以保存在多个仓库中，一个仓库可以保存多种原材料。
仓库管理部门经理不但需要处理仓库管理员需要的数据，而且需要知道仓库管理员的基本信息（比如仓库管理员的家庭住址和电话等）。
2）产品销售
Adventure Works Cycles的自行车及其相关产品远销北美、欧洲和亚洲市场。公司有网络销售和通过批发商销售两种销售渠道，因此，对于客户也分为两类，其一是个人，即从在线商店购买产品的消费者，其二是商店，即从Adventure Works Cycles销售代表处购买产品后进行转售的零售店或批发店。
对于销售部门，销售员关心的是商品的信息，每种商品的价格、质量、颜色和规格等，以便向顾客推销相关的产品。因此，销售员最需要的数据就是商品的信息。销售部门经理不但需要了解商品的销售情况，以便在某种商品缺货的时候通知仓库存储部门运送存储的商品，或者通知采购部门采购相应的原材料。销售部门经理还需要了解每个销售员的工作业绩，对每个销售员进行考核。因此销售部门经理需要了解商品、顾客和部门员工的情况。
从上面的分析可以看出，商务数据确实是多维的。不同部门对数据的需求不同，同一部门人员对数据需求也存在差异。如果考虑数据需求的层次问题，管理人员和不同的业务人员对数据要求的程度也各不相同。管理人员可能需要综合度较高和较为整体的数据，而业务人员需要细节数据。
在前面分析仓库中的立方体的时候，曾经讲到过要对数据立方进行不同视角的分析（图3-8），在这里可以看到，这种分析是符合业务操作的实际情况的。
同时，可以用业务构成图来表达业务理解的分析成果。对于上述的分析，可以用图3-21来表达。需要注意的是，这只是对Adventure Works Cycles公司业务分析的一个简单示例，在实际项目中情况要复杂得多，为了获取这个业务构成图，可能需要借鉴企业信息化中的其他阶段的成果，如可以把ERP构建构成的业务流程重组成果用在这里。
有了这样一个清晰表达业务结构的图，就为后面建立分析主题打下了很好的基础。
图3-21 业务构成图
2．理解业务到数据的转化
实际上，对业务的理解是信息系统建设过程都需要的，只不过在设计数据仓库的时候理解业务需要着重从业务蕴含的数据的多维性方面来分析。而业务到数据的转化这一步则主要是在构建OLTP系统时使用的。数据仓库都是以历史数据为基础的，这一步本质上是理解这些历史数据的来历。
在构建OLTP系统的过程中，一般先把业务转化为E-R图，也称为OLTP的逻辑模型图，这在许多数据库系统设计的书籍里都有详细说明，这里就不再描述。图3-22是把企业业务模型和通过E-R图这种工具转化成数据后的数据表对应起来的一种关系图。它实际上表达了从业务到数据的过程。
3．理解OLTP数据
OLTP数据是数据仓库数据库的物质基础，只有对它的内容及其构成足够熟悉，在设计数据仓库和以后对数据进行ETL过程的时候才有可能得心应手。
首先是要明确数据的结构。比如AdventureWorks数据库为了能处理Adventure Works Cycle s公司的业务数据，把这些数据分成了5个架构，分别是表示人力资源的“HumanResources”，表示人员信息的“Person”，表示产品信息的“Production”，表示采购信息的“Purchasing”和表示销售信息的“Sales”，从前面的分析可知，这些架构囊括了此公司的大部分业务。
2011-2015年中国商业智能(BI) 市场调研 及发展前景预测报告 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。 中国报告网发布的《2011-2015年中国商业智能(BI) 市场调研及发展前景预测报告》共十一章。首先介绍了中国商业智能(BI) 行业市场发展环境、中国商业智能(BI) 整体运行态势等，接着分析了中国商业智能(BI) 行业市场运行的现状，然后介绍了中国商业智能(BI) 市场竞争格局。随后，报告对中国商业智能(BI) 做了重点企业经营状况分析，最后分析了中国商业智能(BI) 行业发展趋势与投资预测。您若想对商业智能(BI) 产业有个系统的了解或者想投资商业智能(BI) 行业，本报告是您不可或缺的重要工具。 本研究报告数据主要采用国家统计数据，海关总署，问卷调查数据，商务部采集数据等数据库。其中宏观经济数据主要来自国家统计局，部分行业统计数据主要来自国家统计局及市场调研数据，企业数据主要来自于国统计局规模企业统计数据库及证券交易所等，价格数据主要来自于各类市场监测数据库。 第一章商业智能（BI）原理及商业价值创造路径分析 第一节商业智能发展阶段 第二节商业智能（BI）内涵、结构及原理 一、商业智能（BI）内涵 二、商业智能（BI）特征功能 三、商业智能（BI）层次结构 四、商业智能（BI）实现原理 第三节商业智能（BI）产业链条解构 一、BI产业链解构模型 二、BI产业链构成现状及特点 三、BI产业链关键环节现状剖析
四、BI产业链发展趋势 第四节商业智能（BI）商业价值创造路径 第二章全球商业智能(BI)产业运行动态分析 第一节全球商业智能(BI)产业运行环境分析 第二节全球商业智能(BI)产业市场透析 一、商业智能引领全球企业信息化 二、商业智能软件厂商 三、制造业是商业智能的重要市场 第三节世界各地区企业对商务智能（BI）应用状况分析 一、欧洲 二、亚太 第四节2011-2015年全球商业智能的五大预测分析 第三章中国商业智能（BI）行业发展背景分析 第一节中国商业智能（BI）行业发展历程 第二节中国商业智能（BI）行业现状特征 第三节中国商业智能（BI）行业发展的全球基调 一、信息技术促使商业模式变革 二、全球经济一体化促进商业理念的传播与变革 三、全球经济一体化促进商务贸易往来 四、全球产业分工与各国产业升级 第四节中国商业智能（BI）行业发展PEST分析 一、改革30年造就数量庞大的企业群体 二、集约化经济转型 三、国内IT技术进步与国外技术引进 四、IT创造价值观念慢慢渗透各行各业 第五节主要发达国家商业智能（BI）发展现状及价值创造启示 一、美国 二、日本
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 (-- --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。
商业智能（BusinessIntelligence）介绍 前言 2007年3月，甲骨文以33亿美元价格收购企业绩效管理软件厂商Hyperion(海波龙)，同年4月，BusinessObjects宣布收购Cartesis，BusinessObjects公司需要支付的总交易金额为2.25亿欧元(约合3亿美元)现金。10月8日，德国软件巨头SAP周日表示，将以48亿欧元(约合68亿美元)现金收购法国商业智能软件开发商博奥杰(BusinessObjects)。 商业智能并购金额如此巨大，显示必须有相应的市场规模，BI公司才会拥有如此市值。昂贵的商业智能分析软件，必然伴随着商业智能分析项目的高额软件使用许可费用和实施成本，这还不包括项目实施潜在的失败风险！ 最重要的，商业智能看似日益普及，中小企业是否可以从中受益？ 什么是商业智能呢？先让我们来看看有关权威机构是如何对商业智能定义的！ 第一部分权威机构对商业智能的定义 GartnerGroup --（全球最具权威的IT研究与顾问咨询公司。其研究范围覆盖全部IT产业，就IT的研究、发展、评估、应用、市场等领域，为客户提供客观、公正的论证报告及市场调研报告，协助客户进行市场分析、技术选择、项目论证、投资决策） l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。 2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。 IDC --（是IDG（国际数据集团）旗下子公司，全球著名的信息技术、电信行业和消费科技市场咨询、顾问和活动服务专业提供商） l商业智能是一组软件工具的集合： （1）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，不包括适用于专业人士的成品报告生成工具 （2）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 （3）数据挖掘（DataMining）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。 （4）数据集市(DataMart)和数据仓库（DataWarehouse）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。 （5）主管信息系统(EIS，ExecutiveInformationSystem) 通俗地说BI就是收集相关信息并加以分析，以帮助您做决策。成功的BI系统多采用了数据仓库技术。 AMT --（AMTGroup是国内管理理念、管理工具与信息技术领域创办时间最长、最具影响力的权
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
中国商业智能行业市场需求分析及投资价值评估报告2016-2021年 编制单位：北京智博睿投资咨询有限公司 【报告目录】 第1章：中国商业智能行业发展综述 1.1 行业定义及分类 1.1.1 行业概念及定义 1.1.2 行业产品分类 1.2 行业发展背景及意义 1.2.1 行业发展背景 1.2.2 行业发展意义 （1）提高数据有效性 （2）提升企业竞争力 1.2.3 商业智能典型应用 （1）产品销售管理 （2）顾客关系管理 （3）产品创新和推广 （4）异常处理等 1.3 报告数据说明与研究方法 1.3.1 报告数据来源说明 1.3.2 报告研究方法概述
1.4 行业供应链分析 1.4.1 行业产业链简况 1.4.2 硬件设备行业发展情况 （1）行业发展概况 （2）产品主要供给商 （3）行业发展趋势 第2章：中国商业智能行业发展环境分析 2.1 行业宏观经济环境 2.1.1 国际宏观经济环境分析 2.1.2 国内宏观经济环境分析 2.1.3 经济环境对行业的影响 2.2 行业政策环境 2.2.1 行业主管部门和监管体制 2.2.2 行业相关政策与规划 （1）行业相关政策 （2）行业相关规划 2.3 行业社会环境 2.3.1 人力成本上升 2.3.2 环保压力提升 2.3.3 信息化程度有待加强 2.3.4 行业发展的动力与数据支撑 （1）管理软件快速发展
（2）国外CIO调查 第3章：商业智能行业发展现状分析 3.1 行业发展周期分析 3.1.1 行业发展周期概述 3.1.2 国际行业所处阶段 3.2 国际行业发展现状分析 3.2.1 国际行业发展规模 3.2.2 国际行业竞争现状 3.3 国内行业发展现状分析 3.3.1 行业市场规模 3.3.2 行业市场结构 （1）通用和定制产品结构 （2）中高低端产品结构 （3）工具平台和应用产品结构 （4）行业应用分布结构 3.3.3 行业区域结构 3.3.4 行业发展特点 （1）数据基础资源充分 （2）企业需求强烈 （3）行业应用迅速扩展 3.3.5 行业竞争现状 3.3.6 行业发展主要问题
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
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。
主流商务智能解决方案的对比和分析 作者：彭潇勇软工一班2010302580155 摘要：针对市场上五种比较流行的商务智能解决方案供应商的产品进行了不同角度的分析与对比，指出了各种解决方案之间的共性和特性，并分析对比了各个产品之间的优劣势。以此作为国内企业寻找切合本企业实际利益的商务智能解决方案的一个依据。 1、引言： 商务智能，指用现代数据仓库技术、在线分析技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。 商务智能（Business Intelligence，简称BI）最早由Gartner Group于1996年提出。Gartner将BI定义为“各种不同的应用程序和技术，可用于收集、存储、分析、共享数据并提供数据访问，从而帮助企业用户做出更好的业务决策。”商务智能的基本理念便是提升业务洞察力，将数据信息转化为商务价值。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。借助这一手段，企业可以在市场更加多变、竞争更加激烈、组织越来越复杂、规模越来越庞大的商业环境下高效运营、正确决策、快速响应，从而实现从数据到信息、从信息到知识、从知识到利润的转化。因此商务智能应该被看成是一种更好的为企业制定决策提供数据支持和信息知识的解决方案。 既然是解决方案型的技术，便不是一个高下立判的问题。因此我们便有必要对一些主流BI解决方案进行有针对性的分析，提取出其中值得企业关注和投资的信息，以便为企业选择BI解决方案提供一个有针对性的依据。一下便是有关IBM、Microsoft、Oracle、SAS、SAP 这五大BI解决方案提供商的对比分析。 2、五大主流BI解决方案提供商的对比： 2.1、IBM商务智能解决方案特性： IBM 公司在数据仓库/商业智能行业处于领先地位, 根据Survey. com 的2001 报告“数据仓库解决方案”, IBM 的市场占有率将近61% 。全世界跨各行各业的公司都选择了IBM的BI解决方案来帮助他们更具有方向性、更有利润的运营。 IBM具有如此庞大的市场占有率，这与其分布于世界各地的数千名BI咨询专家，以及由在BI方面具备提供解决方案资格的IBM业务合作伙伴组成的巨大网络分不开的。借用集成了各种不同类型的BI工具的DB2，IBM公司具备了相当丰富的经验和专长来开发经济高效、全面的解决方案，可以满足不同行业的具体需求和单个客户的需求。 IBM使用DB2 Warehouse Manager 构建数据仓库。有助于简化和加速构建数据仓库原型，以及后续BI系统的开发与配置。同时，用于构建和管理数据仓库架构的IBM 工具使企业能够构建和提供与Web 数据源相集成的数据仓库, 并且能够构建稳固、可扩展的数据中心和业务应用。 2.2、Microsoft商务智能解决方案： 进入2010年以后，微软的Office 2010、SharePoint2010、SQL Server 2008 R2等重头产品相继发布，从此，微软推出了一个新的组合型商业智能解决方案。 在这个解决方案中，微软强调商务智能的平民化，即企业的每一个员工都可以很容易的上手进行数据分析挖据并得到自己想要的数据。在底层有了SQL Server做保障，用户只要精
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；
中国商业智能软件市场的现状与发展趋势随着信息化建设和应用的逐步深入，商业智能(BI，Business Intelligence)软件将成为非常重要的应用工具之一。在中国市场上，商业智能软件的应用尚处于起步阶段，但这个市场从一开始就经历了一个激烈竞争的时期:高端市场被国际大厂商所占据，低端市场是国内的BI厂商与行业的ISV及集成商在竞争。2003年，国内BI的销售额为4.6亿元，同比增长了33.33,。 BI应用的前提是企业已有了数据准备，而且对数据进行分析的需求提到了日程。在行业应用中，金融、电信是BI应用最集中的两大行业，约占70,的市场销售额。这与这两大行业信息化水平高，已经积累了一定规模的数据量密切相关。 从垂直市场来看，企业仍然是BI应用的主体，特别是面向大、中型企业的BI 销售额，占到了整个BI销售的72.9,。当然，政府部门的需求也不容忽视，比如税务部门的BI应用，已经呈现出上升的势头。 目前BI产品大致可划分为大型数据库厂商(如Oracle、Sybase、IBM等)、统计软件厂商(如SAS)的衍生产品和独立的软件产品两类。前者与数据库技术密切结合，有强大的后台数据库支持。后者则有些仅有前端展示工具，没有后端数据仓库的支持，有些属于整合的解决方案。从技术发展来看，今后的BI产品将把数据仓库建模及数据挖掘等技术实质性地应用进来。同时BI技术也将和CRM、ERP等技术实现融合，在企业决策分析中发挥更大的作用，从而拓展出更大的市场发展空间。 市场特征分析 1.查询、报告和OLAP工具占主流 通常认为，能够称得上商业智能产品的，一定要包含查询、报告和OLAP这些基本功能，否则不能称之为BI产品。但是目前的BI市场还没有形成统一的标准，有些数据仓库的供应商也称自己的产品为BI产品，因此市场上就会出现同被称为
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。
商业智能照明系统应用方案 计算机技术、通信技术、自动控制技术、总线技术、信号检测技术和微电子技术的迅速发展和相互渗透，使得照明控制技术有了很大的发展，照明进入了智能化控制的时代。实现照明控制系统智能化的主要目的有两个：一是可以提高照明系统的控制和管理水平，减少照明系统的维护成本；二是可以节约能源，减少照明系统的运营成本。随着照明系统应用场合的不断变化，应用情况也逐步复杂和丰富多彩，仅靠简单的开关控制已不能完成所需要的控制，所以要求照明控制也应随之发展和变化，以满足实际应用的需要。尤其是计算机技术、计算机网络技术、各种新型总线技术和自动化技术的发展，使得照明控制技术有了很大的改观。 利用照明智能化控制可以根据环境变化、客观要求、用户预定需求等条件而自动采集照明系统中的各种信息，并对所采集的信息进行相应的逻辑分析、推理、判断、并对分析结果按要求的形式存储、显示、传输，进行相应的工作状态信息反馈控制，以达到预期的控制效果。 智能照明系统建设的目的和意义1) 良好的节能效果带来可观的经济效益 2) 通过软启技术延长灯具寿命 3) 改善工作、生活环境，提高工作效率、提升生活档次 4) 实现多种照明效果 5) 提高管理效率减少维护成本 智能照明系统功能1、远程控制、集中控制 2、定时自动控制 3、场景功能控制 4、调光控制 5、联动控制 6、弱电开关手动控制 7、移动终端控制 8、强大的可扩展接口
9、物联网平台综合管理系统分区设计智能照明系统采用分区式集中管理控制，将系统按功能、以及物理位置，划分为多个区域，每个区域根据自身的功能定位，配置不同功能模块，同时，根据项目本身环境、功能特性，设置相应的实现效果，例如： 办公区域：通过主控模块对总线上的接口单灯控制器（具备调光接口电子镇流器）进行操作控制。再结合照度感应器，根据室内实际照度，照明系统单灯自动调光控制，保持室内恒定的照度值。即满足室内办公光环境需要，又最大限度节约能源。同时配合场景定时功能，设置各种工作模式，对照明系统采用一键式控制，以及自动控制。 公共区域：照明配合时间管理与感应器起到有人灯亮，无人灯灭的节能效果。并且给来访者或员工以人性化的照明感受。（如走廊、电梯厅、停车场等） 迎宾区域：对于有些迎宾的重要场所（如酒店大堂），本身灯具的选择已经足够全面齐全了，那对灯光系统的控制，也需要是完善和人性化，调光控制是必不可少的，整个大堂的照明由系统自动管理，系统根据大堂运行时间自动调整照明效果。大堂接待区安装可编程控制触摸场景面板，根据各个区域各种功能特点和不同的时间段，可预设多种照明场景；同时，工作人员也可进行手动编程，能方便地选择或修改照明场景。如设置，早晨、中午、傍晚、工作、假日、离开等场景模式，通过各个回路不同的排列组合，最终实现，在灯具开启数量最优化的同时实现照明环境美化与实用功能的最大化。 就餐区域：设置多种就餐模式，营造不同的营造氛围，迎宾场景：仅需在触摸屏上按一个按键，欢快，喜悦的灯光色彩，用灯光的语言与客人进行第一次的沟通……门厅处，大吊灯100%亮起。门厅处灯带100%亮起。通道处，灯光80%亮度。餐厅最深处，吊灯关闭，射灯70%亮度。形成一个逐级递进的，层层朦胧的欢迎气氛。西餐场景：一个按键，立刻全场气氛变换为，浪漫、柔和的灯光色调。照桌射灯100%亮度，照亮桌面；照壁射灯80%亮度烘托餐厅主体轮廓；壁灯，亮度50%；吊灯亮度40%；筒灯全关。等候场景：一个按键，餐厅整体呈现肃穆庄重的气氛。吊灯，80%亮度，为主光源；筒灯100%亮度，照亮通道，白色光源显现冷色调；其他灯光全关。庆典场景：壁灯40%亮度，其他灯光全部熄灭。舞台灯光亮起，音乐响起……
商业智能及其在制造业的应用 1商务智能的定义 商业智能（Business Intelligence，简称BI）的概念最早是Gartner Group的Howard Dresner于1996年提出。当时人们将商业智能定义为一类由数据仓库（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、以帮助企业决策为目的的技术及其应用。2007年在芝加哥举行的Gartner商业智能峰会，对BI重新定义为：商业智能是一个伞状概念，它包含分析应用、基础构架和良好的实践。目前国内外主要BI厂商对BI的定义为，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。目前，商业智能(BI)领域大致可划分为数据仓库、OLAP和报表展示、数据集成、数据挖掘和针对行业的解决方案等。 2商务智能的关键技术 商业智能，首先是基于信息的大规模生产和数据库技术的运用。从商业智能系统建立的技术角度来看，构建一个完整的商业智能系统涉及到以下几种关键技术： ●数据仓库（data warehousing） ●联机分析处理（on-line analytical processing，简称OLAP） ●数据挖掘（data mining）
数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。首先，数据仓库用于支持决策，面向分析型数据处理，他不用于企业现有的操作型数据库；其次，数据仓库是对多个异构的数据源有效的集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不修改。 联机分析技术，对数据库中的数据进行多维分析和展现，是使分析人员，管理人员或执行人员能够从多种角度对原始数据中转化出来的，能够真正为用户理解的，并真实反映企业维持性的信息进行快速、一致、交互的存取，从而获得对数据更深入了解的一项软件技术。 OLAP的一个重要特点是主要通过多维的交互式方式对数据进行分析，这与数据仓库的多维数据组织形成相互结合、相互补充的关系。这些基本多维分析操作包括切片、钻取、旋转等，便于用户从不同维度查询和分析有关数据。 数据挖掘，是在大量相关数据基础之上进行数据探索和建立相关模型的先进方法。数据挖掘主要功能有：数据总结、分类、聚类、关联分析、预测、偏差的检测。数据挖掘的主要方法有：传统统计方法，可视化技术，决策树，神经网络，遗传算法，管理规则挖掘算法等。 3商务智能的技术架构 商业智能所涉及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