下载掌阅APP，畅读海量书库
立即打开
（5） 是通过对商业信息的搜集、管理和分析，使企业的各级决策者获得知识或洞察力，促使他们做出有利决策的一种技术。
（5）A．客户关系管理（CRM）
B．办公自动化（OA）
C．企业资源计划（ERP）
D．商业智能（BI）
商业智能通常被理解为将组织中现有的数据转化为知识，帮助组织做出明智的业务经营决策。这里所谈的数据包括：来自组织业务系统的订单、库存、交易账目、客户和供应商等方面的数据，来自组织所处行业和竞争对手的数据以及来自组织所处的其他外部环境中的各种数据。而商业智能能够辅助组织的业务经营决策，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（On-Line AnalyticsProcess，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。
概括地说，商业智能的实现涉及软件、硬件、咨询服务及应用，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。
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来自组织的许多不同的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，合并到一个组织级的数据仓库里，从而得到组织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。
商业智能系统应具有的主要功能如下。
（1）数据仓库：高效的数据存储和访问方式。提供结构化和非结构化的数据存储，容量大，运行稳定，维护成本低，支持元数据管理，支持多种结构，例如中心式数据仓库，分布式数据仓库等。存储介质能够支持近线式和二级存储器，能够很好地支持容灾和备份方案。
（2）数据ETL：数据ETL支持多平台、多数据存储格式（多数据源、多格式数据文件、多维数据库等）的数据组织，要求能自动地根据描述或者规则进行数据查找和理解。减少海量、复杂数据与全局决策数据之间的差距。帮助形成支撑决策要求的参考内容。
（3）数据统计输出（报表）：报表能快速地完成数据统计的设计和展示，其中包括统计数据表样式和统计图展示，可以很好地输出给其他应用程序或者以Html形式表现和保存。对于自定义设计部分要提供简单易用的设计方案，支持灵活的数据填报和针对非技术人员设计的解决方案，能自动地完成输出内容的发布。
（4）分析功能：可以通过业务规则形成分析内容，并且展示样式丰富，具有一定的交互要求，例如预警或者趋势分析等。要支持多维度的OLAP，实现维度变化、旋转、数据切片和数据钻取等，以帮助做出正确的判断和决策。
商业智能的实现有三个层次，分别是数据报表，多维数据分析，数据挖掘。
（1）数据报表。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，报表系统是BI的低端实现。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、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：数据太多，信息太少；难以交互分析、了解各种组合；难以挖掘出潜在的规则；难以追溯历史，形成数据孤岛。显然，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，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。
（2）多维数据分析。如果说在线事务处理（OLTP）侧重于对数据库进行增加、修改、删除等日常事务操作，在线分析处理（OLAP）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用了，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。例如，我们想描述2010年12月份希赛教育软考学院在北京的销售额10万元时，涉及几个角度：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，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。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可分为四个部分：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，往往符合星型结构模型。
● 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。每个立方体描述一个业务主题，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。
（3）数据挖掘。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，数据挖掘是指：源数据经过清洗和转换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。
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遵循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地定义组织对商业智能的期望和需求，包括：需要分析的主题、查看各主题的角度（维度）、需要发现组织的哪些方面的规律等；
（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。
（5）D