下载文档原格式
商业智能（BI）咨询合同甲方（委托方）：名称：[甲方公司名称]法定代表人：[甲方代表姓名]地址：[甲方公司地址]联系电话：[甲方联系电话]乙方（受托方）：名称：[乙方咨询公司名称]法定代表人：[乙方代表姓名]地址：[乙方咨询公司地址]联系电话：[乙方联系电话]一、合同基本情况1. 项目名称：[甲方公司名称]商业智能（BI）咨询项目2. 项目背景：甲方公司在业务发展过程中，积累了大量的数据，但缺乏有效的数据分析和决策支持手段。
为了更好地利用数据驱动业务发展，提高决策效率和准确性，甲方决定委托乙方提供商业智能（BI）咨询服务。
乙方在商业智能领域具有丰富的经验和专业知识，能够为甲方提供全面的解决方案。
二、服务内容1. 业务需求分析- 与甲方公司各部门沟通，了解业务流程、业务目标和决策需求。
- 分析现有业务系统和数据来源，确定数据的可用性和质量。
- 确定商业智能（BI）系统的关键指标和分析维度，为后续的数据建模和可视化设计提供依据。
- 编写业务需求分析报告，详细阐述业务需求、数据需求和预期的分析结果。
2. 数据整合与治理- 设计数据整合方案，将来自不同系统和数据源的数据进行整合和清洗，确保数据的一致性和准确性。
- 建立数据治理框架，制定数据标准、数据质量规则和数据安全策略。
- 开发数据仓库或数据集市，用于存储和管理整合后的数据。
- 提供数据监控和维护方案，确保数据的及时性和完整性。
3. BI 系统选型与架构设计- 根据甲方公司的业务需求和技术要求，评估不同的商业智能（BI）工具和平台。
- 设计 BI 系统的架构，包括数据源层、数据存储层、数据分析层和数据展示层。
- 确定 BI 系统的技术选型，如数据库管理系统、ETL 工具、数据分析工具和可视化工具等。
- 编写 BI 系统选型与架构设计报告，详细说明系统架构、技术选型和实施计划。
4. 数据分析与建模- 运用数据分析方法和技术，对整合后的数据进行深入分析，挖掘数据中的潜在模式和趋势。
附件18：操作风险资本计量监管要求一、标准法（一）业务指标定义业务指标（BI）为利息、租赁和分红部分（I1.DC）,服务部分（SC）,金融部分（FC）之和。
业务指标构成说明见表1。
以下损益项目不纳入业务指标项目:1.保险或再保险业务的收入和支出。
2.从保险或再保险保单中获得的保费和偿付/支付。
3.管理费用，包括员工支出、非金融服务的外包支出（如物流、IT、人力资源）和其他管理费用（如IT、公用事业、通信、差旅、办公用品、邮资）。
4.管理费用的收回，包括代表客户收回的付款（如向客户征税）。
5.房产及固定资产的支出（因操作风险损失事件造成的支出除外）。
6.有形资产和无形资产的折旧/摊销（租赁资产的折旧除外）。
7.与操作风险损失事件无关的准备金/准备金转回（如为养老金、承诺和保证计提的准备金/准备金转回）。
8.按合同规定偿还股本的支出。
9.减值/减值转回（如金融资产、非金融资产、对子公司、联营公司、合营公司的投资）。
10.在利润表确认的商誉变动。
11.企业所得税（基于利润的税收，包括当期税收和递延所得税）。
12.业务活动终止，并经监管部门认可的项目。
（二）适用的内部损失乘数商业银行计量操作风险资本要求，应使用1作为内部损失乘数（I1.M）符合本部分（三）损失数据相关要求的商业银行，经银保监会验收合格后，o可采用自身损失数据自行计算内部损失乘数。
银保监会可根据商业银行的实际损失情况，要求其使用大于1的内部损失乘数。
对于自行计算内部损失乘数的商业银行，不符合损失数据相关要求的子公司在计算标准法下操作风险资本要求时，应使用1作为内部损失乘数。
银保监会可以要求该子公司使用大于1的内部损失乘数。
（三）损失数据的识别、收集和处理要求商业银行应将损失数据纳入操作风险资本要求计量。
收集的数据应是高质量、准确并完整的，以确保计算得出的操作风险资本要求与商业银行操作风险损失相匹配。
商业银行损失数据的识别、收集和处理应满足一般要求和具体要求。
BI之SSAS完整实战教程1--开篇，BI简介SSAS简介⽂章提纲商业智能（BI， Business Intelligence）基本概念SSAS（SQL Server Analysis Services）相关⼯具（开发、管理和客户端）总结⼀、商业智能（BI， Business Intelligence）基本概念商业智能的概念在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。
-- 以上摘⾃百度百科简⽽⾔之，商业智能是⼀个将数据转换为信息，进⽽发现信息中隐藏的知识，并将其应⽤于商业的过程。
以微软BI解决⽅案为例。
典型架构举例（以下⼤部分图⽚都来⾃于百度图⽚）：我们可以将BI整体系统架构归纳为四个部分：数据源（关系数据库）à 数据仓库 à OLAP à 前端展现⼯具与之对应的，BI解决⽅案的相关产品模块我们对照产品看架构⽐较直观。
可以看到，BI解决⽅案⽐传统的报表⽅案更加强⼤的就是增加了OLAP组件。
-------------------------------------------------------------------------------补充背景知识：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。
什么是BI？Business Intelligence(BI) = Data Warehouse(DW) + OLAP + Data Mining(DM)商业智能=数据仓库+联机分析+数据挖掘做BI的目的是帮助用户进行决策分析，从多维的角度来分析现状，给决策者做出正确的决策提供可靠的数据基础与背景，为企业的发展做出正确的导向。
然而在国内做BI确走入了一个误区，通常客户拿BI当报表系统来用，这有点大才小用的感觉，还有就是各个公司水平不同，常常有个别公司拿着拿着非BI系统来欺骗客户给BI蒙上了一层不好的印象，总的来说近两年BI在国内的发展还是比较顺利的，有越来越多的企业和机关来开始做自己的BI系统，比如银行、税务、保险等行业。
BI通常的架构或基本架构是：源数据->ODS->DW->OLAP->前端。
常用源数据类型：关系数据库、文本数据等。
ODS ：操作数据存储（Operation Data Storage）主要用途是将多个数据源的数据集成到一个临时缓冲区中供数据仓库使用。
一般情况下ODS的数据不会保留很长时间根据需要1个月或3个月，如果客户有查询要求的话那么ODS可能需要一直保留，通常情况下不用备份。
ODS一个好处是在数据仓库与源数据之间做了一个缓冲减轻了源系统压力，我们在用需要操作用户源系统。
比如：我们从源数据向数据仓库中加载事实表数据时，这时候我们需要进行聚合操作，如果没有ODS层，那么所有聚合操作的压力是在源系统完成的，这就会给客户源系统带来很大的压力，这是在项目实施过程中经常遇到的一个问题。
DW：数据仓库（Data Warehouse）简单说就是存储事实表和维表数据的数据库而已。
定义：数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。
Brio BI解决方案在中国银行深圳分行应用案例BI技术——银行信用卡业务高速增长的动力BI技术——信用卡市场竞争中的秘密武器随着中国加入世贸组织，国内金融市场将逐步全面向外资开放，能给银行带来巨额利润的信用卡业务成为了内资银行和外资银行的必争之地。
在这场激烈的角逐中，各家银行使出浑身解数，争夺未来信用卡市场的主导权。
在“大零售”战略思想的指导下，中国银行牢牢坚持以科技为依托，大力进行产品创新和市场拓展，实现人民币信用卡、国际信用卡发卡量和有效商户数量业内第一的目标。
2002年，截止到10月初，长城人民币准贷记卡量同业占比从年初的23%上升到27%。
同期，为了开展具有针对性的市场营销、提供个性化服务、提高品牌知名度和忠诚度、提高信用业务的市场份额和利润水平，同时降低经营风险，中国银行计划在全国各分支机构推广信用卡业务的BI（商业智能）应用，BI技术成为中国银行在这场激烈角逐中的秘密武器，其首期推广计划涵盖北京、上海、深圳、浙江四地。
深圳是中国经济最发达的城市之一，信用卡业务量较大，成长也较快，也因此较早地反映出一些服务和管理的不足。
深圳分行是中国银行效益最好的分支机构之一，建立了良好的IT基础，因此被中国银行总行选中，作为信用卡业务BI 分析系统建设的试点。
由此可见，该系统的实施不仅担负开拓本地业务的重任，还将对中国银行全国市场的业务模式产生相当的影响。
中行深圳分行十分重视供应商个性化定制的开发能力、快速响应的服务能力、以及高度的系统安全性，最终选择了在世界各大银行都有成功应用的Brio Software和具有较丰富金融应用开发经验的华际友天公司。
两家公司密切合作为深圳中行打造基于Brio Intelligence(tm)的信用卡业务分析系统，帮助深圳中行更有效地管理信用卡业务，并推动该业务持续高速增长。
争业界完整先进的BI解决方案中行深圳分行的信用卡业务分析系统面向银行管理层，以企业级数据仓库为基础，整合银行内部信用卡相关的所有重要数据，通过对数据进行快速而准确的分析和挖掘，以及提供的全方位、多层次的辅助决策支持手段，帮助银行领导在短时间内对市场变化及趋势做出更好的战略性商业决策，以挖掘重点客户、提高服务质量、减少运作成本，为银行带来有利的市场竞争优势。
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。
建立信息平台突破融资瓶颈——访美国富国银行高级副总裁、中美旧金山培训中心教授刘建民冯洁【摘要】记者:当前,宏观形势仍然复杂多变:国际金融危机影响还将持续;欧洲债务危机还在发展;美元贬值和全球性通胀趋势明显;人民币升值压力加大,通胀预期增强;中小企业生存与发展面临新的考验.融资难也成为摆在中小企业面前更为严峻的挑战.您认为,要缓解中小企业的融资压力,从金融机构、政府和中小企业角度而言,分别应怎样应对?【期刊名称】《浙江经济》【年(卷),期】2011(000)012【总页数】2页(P32-33)【作者】冯洁【作者单位】【正文语种】中文图/金川记者：当前，宏观形势仍然复杂多变：国际金融危机影响还将持续；欧洲债务危机还在发展；美元贬值和全球性通胀趋势明显；人民币升值压力加大，通胀预期增强；中小企业生存与发展面临新的考验。
融资难也成为摆在中小企业面前更为严峻的挑战。
您认为，要缓解中小企业的融资压力，从金融机构、政府和中小企业角度而言，分别应怎样应对？刘建民：我接触过很多国内的银行，尤其是一些商业银行。
在应对中小企业的融资问题时，他们普遍存在的一个问题是：中小企业信息少，可信度差，银行无法评估中小企业的信用风险。
这也在很大程度上阻碍了许多商业银行在异地复制他们的成功。
国内大部分商业银行接受的中小企业贷款，坏账率是比较低的，一般来说不到1%。
在这种情况下，如何继续扩展业务，成为他们的一大困惑。
对商业银行尤其是城市商业银行而言，由于拥有一批贷前风险管理能力较强的专业人才，他们对于当地中小企业的信贷信息往往能比较好地把握，然而，一旦扩展到其他地区，离开了这些优质的人力资源，银行在新区域就很难找到替代性的人才，规模化的步伐也由此受限。
总的来看，目前国内大部分商业银行还是劳动密集型的经营模式。
举例说，某商业银行在当地经营得不错，而这主要得益于它拥有一个20人的贷前审计团队，他们普遍拥有5-7年甚至更长的工作经验，对当地的中小企业融资情况也比较了解。
