BI 企业应用最佳模式

1       企业管理信息流程

 

 

 

 

在高度信息化的今天,对信息的处理和利用是一个成熟企业管理中重要的一部分。 TDWI 定义的最佳模式把 BI 在企业中的应用分成三个层次:

文本框: 一目了然的图表的界面,用于对KPI的监控

 
 

监控 (Monitoring)

 

文本框: 高度互动的分析界面,用于寻找问题的根源

分析 (Analysis)

 

文本框: 生成具体的报表,用来执行具体的行动

行动 (Action)

 
 
 

 

和这三个层次相对应的,是三个 BI 系统中的子系统:

监控

分析

行动

Dashboard & Scorecards

Dashboard

Operational Reporting ( 报表 )

·         仪表板

·         符号

·         图表

·         表格 ( 高亮提示 )

·         图表分析 (Visual Analysis)

·         互动数字过滤

·         时间序列分析

·         切割分析 (Slice & Dice)

·         详尽报表

·         打印及分发

·         大数据量处理及计算

以下我们对相应的使用及功能作一些简介。

2       监控 Dashboard

Dashboard 是一个不是十分清晰的名词。业内专家 Steve Few Dashboard 的定义是:


换而言之, Dashboard 有以下几个特点:

1.       一个高度汇总的界面

2.       显示最重要的一些指标

3.       通常限制在一个屏幕

4.       所监控的指标应该一目了然

下图是一个常见的 Dashboard 格式


不过近年来,这种仿真似的 Dashboard 也不断受到诟病。仪表形的 Dashboard 虽然有美观的优点,但也有很多其它的不足:

1.       仪表图占地很多,浪费了宝贵的屏幕资源。

2.       仪表的复杂背景容易吸引用户的注意,削弱了重要数据的突出性。

3.       仪表能够表达的信息量很小,远不如 Sparkline 或其它图形。

 

另一个具有代表性的 Dashboard 风格,是尽量使用占地更少,信息更丰富的控件,如下图中使用的 Sparkline 和子弹图。

 

Sparkline Tufte 倡议的一种微型曲线图。在显示一个重要指标时,如果只是显示它的当前值,用户很难对它的优劣做出很好的判断。 Sparkline 在显示当前值 ( 线的最后一点 ) 的同时,也可以把它的历史值同时显示出来。这样用户可以很容易地知道这个指标和历史值的相对关系,和总的趋势。

子弹图是 Steve Few 提出的用以取代仪表图的一种类似条形图的简单图形。


它的优势主要有两点:

1.       和仪表图相比,它占地极少。

2.       它可以显示更多的信息,比如目标值。

它们共同的特点是信息丰富,占用面积更小,从而达到把更多的信息集中的一个屏幕的目的。

 

当然还有很多其它的可能,比如仪表,图形,以及表格的混合体:


总之最重要的,还是要寻求一个合适的平衡,最好的达到客户的要求。而从 BI 工具的角度,则需要灵活,全面地支持不同需求的用法。

3       分析 Dashboard

很多人一听到分析,就自然地想到 OLAP ,或者统计软件,从而产生一种敬而远之的感觉。其实在商业应用上,直接把统计软件交给用户是不可取的。而 OLAP 则只是很多分析方法中的一种。实际上在近年里,基于图表的分析方法已经逐渐成熟,而且已经成为互动的分析方法的主流。

简单的说,图表分析就是通过一个互动的界面,由用户直接控制图表的配置和生成。而通过这个过程,来寻找问题的原因或者其它的信息。下图是 StyleScope 的互动图表界面。


对数据分析师,可以任意拖拽的界面是一个最理想的工具。但对大多数商业用户,提供一些预制的可分析的 Dashboard 会更适合。分析 Dashboard 在图形之外,还包涵了互动的功能,比如:

1.       数据的过滤 (Filtering)

2.       计算方法及指标的选择

3.       不同显示模式的选择

下图是一个用 StyleScope 制作的一个简单分析 Dashboard


4       报表

在分析结果有了之后,用户通常需要生成报表。在常用的情况下,报表包括了分析和监控过程中涉及的详尽的信息。

因为报表已经是十分成熟的产品,对它的功能就不在这里重复了。但在这个流程中,最重要的一点就是从 Dashboard 到报表的整合。但分析的过程中找到有意义的信息时,用户需要很容易地转换的相应的报表上。所以 Dashboard 和报表软件的兼容是需要提前考虑的因素。

 

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值