基于DW、OLAP和DM的商业智能

基于DW、OLAP和DM的商业智能：一、商业智能概述

商业智能(Business Intelligence，简称BI)的概念最早是Gartner Graup于1996年提出来的。当时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技术及其应用。

商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业作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r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r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。

BI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：进行清理以保证数据的正确性，然后经过抽取(Extraction)、转换(Transfarmation)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。

商业智能代表为提高企业运营性能而采用的一系列方法、技术和软件的总和。商业智能，是帮助企业提高决策能力和运营能力的概念、方法、过程以及软件的集合。对该定义的正确解释，从四个层面展开：

信息系统层面称为商业智能系统(BI Systern)的物理基础，表现为具有强大决策分析功能的单独的软件工具和面向特定应用领域的信息系统平台，如SAM、CRM、ERP。与事务型的MIS不同，商业智能系统能提供分析、趋势预测等决策分析功能。

数据分析层面是一系列算法、工具或模型。首先获取与所关心主题有关的高质量的数据或信息，然后自动或人工参与使用具有分析功能的算法、工具或模型，帮助人们分析信息、得出结论、形成假设、验证假设。

知识发现层面与数据分析层面一样，是一系列算法、工具或模型。将数据转变成信息，而后通过发现，将信息转变成知识;或者直接将信息转变成知识。

战略层面将信息或知识应用在提高决策能力和运营能力上;企业建模等。商业智能的战略层面是利用多个数据源的信息，以及应用经验和假设来提高企业决策能力的一组概念;方法和过程的集合。它通过对数据的获取、管理和分析，为贯穿企业组织的各种入员提供信息，以提高企业战略决策和战术决策能力。

总之，商业智能的目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性。为完成这一目标，商业智能必须具有实现数据分析到知识发现的算法、模型和过程，决策的主题具有广泛的普遍性。

基于DW、OLAP和DM的商业智能：二、商务智能的技术支柱

从技术角度看，商务智能的过程是企业的决策人员以企业中的数据仓库为基础，经由联机分析处理工具、数据挖掘工具加上决策规划人员的专业知识，从数据中获得有用的信息和知识，帮助企业获取利润。

从应用角度看，商务智能帮助用户对商业数据进行联机分析处理和数据挖掘，例如预测发展趋势、辅助决策、对客户进行分类、挖掘潜在客户等等。

从数据角度看，商务智能使得很多事务性的数据经过抽取、转换之后存入数据仓库，经过聚集、切片或者分类等操作之后形成有用的信息、规则，来帮助企业的决策者进行正确的决策。

在三大技术支柱中，数据仓库是商务智能的基础。数据仓库是一个用以更好地支持企业或组织的决策分析处理的数据集合，它有面向主题、集成、相对稳定、随时间不断变化四个特性。将数据仓库与传统的面向事务处理的数据库区分开来，数据仓库的关键技术包括数据的抽取、清洗、转换、加载和维护技术。

联机分析处理(OLAP)是以海量数据为基础的复杂分析技术。它支持各级管理决策人员从不同的角度、快速灵活地对数据仓库中的数据进行复杂查询和多维分析处理，并且能以直观易懂的形式将查询和分析结果展现给决策人员。

数据挖掘(Data Mining)是从海量数据中，提取隐含在其中的、人们事先不知道的但又可能有用的信息和知识的过程。数据挖掘的数据有多种来源，包括数据仓库、数据库或其他数据源。所有的数据都需要再次进行选择了具体的选择方式与任务相关。挖掘的结果需要进行评价才能最终成为有用的信息。按照评价结果的不同，数据可能需要反馈到不同的阶段，重新进行分析计算。数据挖掘的常用方法包括关联分析、分类和预测、聚类、检测离群点、趋势和演变分析等。可以说，联机分析处理和数据挖掘是数据仓库之上的增值技术。

　　三、结 语

国内数据仓库应用刚刚起步，电信、金融、证券、税务、零售业等已有大量操作型数据积累的企业都出现了迫切的应用需求，可以预计，商务智能在中国同样会有广阔的应用前景。但是另一方面，成功的数据分析与挖掘应用依赖于大量的、长期的、真实的历史数据积累，对于许多信息化建设起步较晚的企业，首先踏踏实实地做好基础数据库的建设更为重要，这也是为进一步走向商务智能打下基础。