商业智能概读二

应用范围　　

商业智能系统可辅助建立信息中心，如产生各种工作报表和分析报表。用作以下分析：

　　销售分析 主要分析各项 销售指标，例如毛利、毛利率、交叉比、销进比、盈利能力、周转率、同比、环比等等；而分析维又可从管理架构、类别品牌、日期、时段等角度观察，这些分析维又采用多级钻取，从而获得相当透彻的分析思路；同时根据 海量数据产生预测信息、报警信息等分析数据；还可根据各种销售指标产生新的透视表。

　　商品分析 商品分析的主要数据来自销售数据和商品基础数据，从而产生以分析结构为主线的分析思路。主要分析数据有商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品 、畅销商品、滞销商品、季节商品等多种指标。通过D系统对这些指标的分析来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。

　　人员分析 通过D系统对公司的人员指标进行分析，特别是对销售人员指标（销售指标为主，毛利指标为辅）和采购人员指标（销售额、毛利、供应商更换、购销商品数、代销商品数、资金占用、资金周转等）的分析，以达到考核 员工业绩，提高员工积极性，并为 人力资源的合理利用提供科学依据。主要分析的主题有，员工的人员构成、销售人员的人均销售额、对于销售的个人销售业绩、各管理架构的人均销售额、毛利贡献、采购人员分管商品的进货多少、购销代销的比例、引进的商品销量如何等等。

实施步骤

　　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按照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的定义企业对商业智能的期望和需求,包括需要分析的主题，各主题可能查看的角度(维度); 需要发现企业那些方面的规律. 用户的需求必须明确.

　　(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

企业效益

　　商业智能帮助企业的管理层进行快速，准确的决策,迅速的发现企业中的问题，提示管理人员加以解决. 但商业智能软件系统不能代替管理人员进行决策,不能自动处理企业运行过程中遇到的问题.因此商业智能系统并不能为企业带来直接的经济效益，但必须看到,商业智能为企业带来的是一种经过科学武装的 管理思维,给整个企业带来的是决策的快速性和准确性，发现问题的及时性,以及发现那些对手未发现的潜在的知识和规律，而这些信息是企业产生经济效益的基础,不能快速，准确地指定决策方针等于将市场送给对手,不能及时发现业务中的潜在信息等于浪费自己的资源.比如:通过对销售数据的分析可发现各类客户的特征和喜欢购买商品之间的联系，这样就可进行更有针对性的精确的促销活动或向客户提供更具有个性的服务等,这都会为企业带来直接的经济效益.

市场分析

　　制造业是商业智能的重要市场

　　Manufacturing Insights(IDC 公司附属公司)的报告显示，2004年亚太区(不含 日本)制造业IT市场规模为137亿美元，预计该市场将以 11.4% 的 年复合增长率平稳增长， 到2008年市场规模将达210亿美元。2004年底，亚太区(不含日本)制造业IT支出共137亿美元，其中离散制造占78.6%，流程制造占22.4%。由于市场全球化和自由化带来了更加激烈的竞争和复杂性，亚太区(不含日本)的许多制造商继续对IT进行投资，以提高运营效率，更好地控制不断增长的 业务成本。随着越来越多的制造商在华建立了生产基地，降低成本并占领巨大的国内市场，这些制造商需要对主要的IT基础架构 、应用和服务进行投资以使其运营能够健康平稳地发展，并获得领先优势。这将继续促进 中国和海外制造商的制造业IT投资。在对基础架构投入大量资金的同时，在中国和 印度这样的新兴大型市场的许多制造商将继续对企业 资源管理(ERM)和商务智能(BI)解决方案进行投资，从而为更好的内部协作和决策制定提供基础平台。

　　IDC的报告显示，2004年亚太区(不含日本)商务智能(BI) 工具软件市场规模为2.332亿美元，预计该市场将以12.3%的年复合增长率迅猛增长，到2009年市场规模将达4.173亿美元，增长预计主要源于中国和印度日益发展的经济。这两国近几年更加健康的经济环境和不断增多的应用系统部署为未来5年BI工具的采用打下了基础。有关专家指出，随着 互联网的普及，在 决策支持系统基础上发展商业智能已成为必然。随着基于互联网的各种信息系统在企业中的应用，企业将收集越来越多的关于客户、产品及销售情况在内的各种信息，这些信息能帮助企业更好地预测和把握未来。所以， 电子商务的发展也推动了商业智能的进一步应用。

　　从行业发展来看，商业智能作为业务驱动的决策支持系统，其发展是以较为完善企业的信息系统和稳定的业务系统为基础的。商业智能未来的应用与行业内信息化的基础状况密切相关，以制造型企业为主，其次是流通企业，这两个领域将是商业智能不可忽视的新市场。企业随着信息化水平的提高，商业智能产品将会与ERP和CRM等管理软件进一步融合，目前很多ERP厂商都把商业智能嵌入到相应的 ERP系统内，比如SAP的ERP就嵌套了BO公司的商业智能产品，AD 也与和勤软件进行了类似的合作。

　　当然，商业智能如ERP一样，实施中存在着一定的风险，企业首先要认清自身的需求情况，在选择合作伙伴的同时也要进行充分的了解。各主流厂商都有各自的优势，比如SAS的数据挖掘、Hyperion的预算与报表合并、BO的数据分析与报告等。而商业智能产品的发展趋势必将是整合平台基础上的集成化应用。如何切实了解自身需求、选择具有优势的厂商产品，将是企业实施商业智能成功的关键。

发展趋势

　　与DSS、EIS系统相比，商业智能具有更美好的发展前景。近些年来，商业智能市场持续增长。IDC预测，到2005年，BI市场将达到118亿$，平均年增长率为27%（Information Access Tools Market Forecast and Analysis: 2001-2005,IDC#24779,June 2001）。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。

　　商业智能的发展趋势可以归纳为以下几点：

　　功能上具有可配置性、灵活性、可变化性

　　BI系统的范围从为部门的特定用户服务扩展到为整个企业所有用户服务。同时，由于企业用户在职权、需求上的差异，BI系统提供广泛的、具有针对性的功能。从简单的 数据获取，到利用WEB和局域网、广域网进行丰富的交互、决策信息和知识的分析和使用。

　　解决方案更开放、可扩展、可按用户定制，在保证核心技术的同时，提供客户化的界面

　　针对不同企业的独特的需求，BI系统在提供核心技术的同时，使系统又具个性化，即在原有方案基础上加入自己的代码和解决方案，增强客户化的接口和扩展特性；可为企业提供基于商业智能平台的定制的工具，使系统具有更大的灵活性和使用范围。

　　从单独的商业智能向嵌入式商业智能发展

　　这是目前商业智能应用的一大趋势，即在企业现有的应用系统中，如 财务、人力、销售等系统中嵌入商业智能组件，使普遍意义上的 事务处理系统具有商业智能的特性。考虑BI系统的某个组件而不是整个BI系统并非一件简单的事，比如将OLAP技术应用到某一个应用系统，一个相对完整的商业智能开发过程，如企业问题分析、方案设计、原型系统开发、系统应用等过程是不可缺少的。

　　从传统功能向增强型功能转变

　　增强型的商业智能功能是相对于早期的用SQL工具实现查询的商业智能功能。目前应用中的BI系统除实现传统的BI系统功能之外，大多数已实现了图2中数据分析层的功能。而数据挖掘、 企业建模是BI系统应该加强的应用，以更好地提高系统性能。

商业智能解决方案走向完整

　　正当国内企业级用户对基于世界先进商业智能技术的本地化解决方案的需求日益高涨与迫切时，IBM（中国）公司日前在北京发布大型IBM商业智能解决方案，来自海内外技术专家的精彩演示，淋漓尽致地展示了IBM商业智能解决方案的先进技术、强大功能和完善的服务支持，为基于新一代IBM数据仓库与智能挖掘的商业智能应用方案在国内的广阔应用前景绘出了精彩蓝图。

　　作为第一个进入中国市场的完整的、本地化的商业智能解决方案，IBM商业智能解决方案的推出标志着国内用户利用商业智能技术开展电子商务的时机更加成熟，国内企业因此能够借助世界最先进的信息技术，更好地了解客户，更有效地开展客户关系管理，进而获得更有利的竞争优势。　

        所谓商业智能（BusinessIntelligent），就是将企业中的现有数据转化为知识的过程。企业在开展业务的同时，获得了大量数据，来自国外的统计结果表明，全球企业的信息量平均每1．5年翻一番，而目前仅仅利用了全部信息数据的7%。随着知识经济时代的来临，记录客户与市场数据的信息和信息利用能力已经成为决定企业生死存亡的关键因素，越来越多的国内外企业已经根据信息流和数据分析技术进行企业重整，传统的数据记录方式无疑被更先进的商业智能技术所代替。据美国PaloAlto管理集团预测，到2001年，全球商业智能市场将达到700亿美元。　

        在商业智能解决方案的帮助下，企业级用户可以通过充分挖掘现有的数据资源，捕获信息、分析信息、沟通信息，发现许多过去缺乏认识或未被认识的数据关系，帮助企业管理者做出更好的商业决策，例如开拓什么市场、吸引哪些客户、促销何种产品等等。商业智能还能够通过财务分析、风险管理、欺诈分析、销售分析等过程帮助企业降低运营成本，进而获得更高的经营效益。　根据世界权威性的IDC公司的调查结果表明，企业用于商业智能的投资回报率平均2．3年高达400%。数据仓库是商业智能解决方案的基础，一项来自美国MetaGroup的市场分析指出，92%的企业将在今后3年内使用数据仓库，到2000年，全球数据仓库的使用者就将达到1000万，数据库访问因特网和企业内部网所带来的投资回报率达68%。

面临的问题

　　经过几年的积累，大部分中大型的企事业单位已经建立了比较完善的CRM、ERP、OA等基础信息化系统。这些系统的统一特点都是：通过业务人员或者用户的操作，最终对数据库进行增加、修改、删除等操作。上述系统可统一称为OLTP(Online Transaction Process，在线事务处理)，指的就是系统运行了一段时间以后，必然帮助企事业单位收集大量的历史数据。但是，在数据库中分散、独立存在的大量数据对于业务人员来说，只是一些无法看懂的天书。业务人员所需要的是信息，是他们能够看懂、理解并从中受益的抽象信息。此时，如何把数据转化为信息，使得业务人员(包括管理者)能够充分掌握、利用这些信息，并且辅助决策，就是商业智能主要解决的问题。

　　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，报表系统已经可以称作是BI了，它是BI的低端实现。

　　现在国外的企业，大部分已经进入了中端BI，叫做数据分析。有一些企业已经开始进入高端BI，叫做数据挖掘。而我国的企业，目前大部分还停留在报表阶段。

　　数据报表不可取代

　　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。

　　1． 数据太多，信息太少

　　密密麻麻的表格堆砌了大量数据，到底有多少业务人员仔细看每一个数据?到底这些数据代表了什么信息、什么趋势?级别越高的领导，越需要简明的信息。如果我是董事长，我可能只需要一句话:目前我们的情况是好、中还是差

　　2． 难以交互分析、了解各种组合

　　定制好的报表过于死板。例如，我们可以在一张表中列出不同地区、不同产品的销量，另一张表中列出不同地区、不同年龄段顾客的销量。但是，这两张表无法回答诸如“华北地区中青年顾客购买数码相机类型产品的情况”等问题。业务问题经常需要多个角度的交互分析。

　　3. 难以挖掘出潜在的规则

　　报表系统列出的往往是表面上的数据信息，但是海量数据深处潜在含有哪些规则呢?什么客户对我们价值最大，产品之间相互关联的程度如何?越是深层的规则，对于决策支持的价值越大，但是，也越难挖掘出来。

　　4． 难以追溯历史，数据形成孤岛

　　业务系统很多，数据存在于不同地方。太旧的数据(例如一年前的数据)往往被业务系统备份出去，导致宏观分析、长期历史分析难度很大。

　　因此，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了，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。

　　八维以上的数据分析

　　如果说OLTP侧重于对数据库进行增加、修改、删除等日常事务操作，OLAP(Online Analytics Process，在线分析系统)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。举一个例子，我们想描述2003年4月份可乐在北部地区销售额10万元时，牵扯到几个角度：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，我们还可以有很多维度，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，往往符合叫做“星型结构”的模型。

　　 ·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。每一个立方体描述了一个业务主题，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。

　　数据分析案例：

　　在实际的案例中，我们利用Oracle 9i搭建了数据仓库，Microsoft Analysis Service 2000搭建了多维数据库，ProClarity 6.0 作为客户端分析软件。

　　分解树好像一个 组织图。分解树在回答以下问题时很有效:

　　·在指定的产品组内，哪种产品有最高的销售额

　　·在特定的产品种类内，各种产品间的销售额分布如何

　　·哪个销售人员完成了最高百分比的销售额

　　数据挖掘看穿你的需求

　　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(Data Mining)特指的是：源数据经过清洗和转换等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，我们可以定义: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。

　　关联销售案例：

　　 美国的超市有这样的系统:当你采购了一车商品结账时，售货员小姐扫描完了你的产品后， 计算机上会显示出一些信息，然后售货员会友好地问你：我们有一种一次性纸杯正在促销，位于F6货架上，您要购买吗

　　这句话决不是一般的促销。因为 计算机系统早就算好了，如果你的购物车中有餐巾纸、大瓶可乐和沙拉，则86%的可能性你要买一次性纸杯。结果是，你说，啊，谢谢你，我刚才一直没找到纸杯。

　　这不是什么神奇的科学算命，而是利用数据挖掘中的 关联规则算法实现的系统。

　　每天，新的销售数据会进入挖掘模型，与过去N天的历史数据一起，被挖掘模型处理，得到当前最有价值的关联规则。同样的算法，分析网上书店的销售业绩，计算机可以发现产品之间的关联以及关联的强弱。

　　数据报表、数据分析、数据挖掘是BI的三个层面。我们相信未来几年的趋势是:越来越多的企业在数据报表的基础上，会进入数据分析与数据挖掘的领域。商业智能所带来的决策支持功能，会给我们带来越来越明显的效益。

软件厂商

　　目前国内市场主要商业智能软件厂商有： 金蝶、用友、IBM、Informatica、Power-BI、ORACLE(甲骨文)、SAP、SAS、Sybase、Analyzer、

　　微软、菲奈特、和勤