B I

企业能否成功地应用 商业智能取决于两个因素：第一，是否有正确的数据，亦即数据是否完整、准确、一致、及时的数据；第二，是否有将数据转换为决策信息所需的工具和手段。要解 决这两个问题，需要有一定的体系结构和支撑技术。

商业智能的体系结构简述如下：

1. 数据源系统：包括前后端 OLTP （ On-Line Transaction Processing, 在线事务处理）、电子 商务系统和外部信息提供者等等。这些不仅是数据源，而且是知识和行动的操作对象。

2. 商业智能工具系统：包括数据仓库模型和构造工具、访问工具、决策支持工具 OLAP 和数据挖掘工具。

数据仓库模型和构造工具

包括 ETL （ Extract / Transformation / Load ）工具和数据仓库模板、元数据交换、联合数据仓库和数据集市系统。这些工具用于从操作系统和外部数 据源系统中捕捉数据，经过数据加工和转换，最后将数据装载进全局的或部门的数据仓库。

访问工具

包括应用接口和中间件，需求驱动 数据的获得和分析，决策引擎的模型、规则和度量等，使得客户工具能够访问和处理数据库和文件系统中的商业信息。数据库中间件允许客户透明地访问后台各种异 构的数据库服务器， Web 服务器中间件允许 Web 客户连接到数据库中。这些产品用于管理终端用户感兴趣的商业信息。一般采用三层信息存储，最高层次是 数据仓库，数据仓库中集成了全企业的商业信息；中间级是部门数据仓库，又叫做数据集市，这里存储了某个商业单位、用户组或部门的商业信息，这些数据集市可 以直接建立在企业操作系统的基础上；

结构的最低层次存储了根据用户和应用需求经过裁剪后的信息。

决策支持工具 OLAP 和数据挖掘工具

包括了从基本查询和报表工具到先进的在线分析处理再到信息挖掘工具的 各类工具。所有工具都支持 GUI 客户界面。许多也可以在 Web 界面上使用。现在，这些工具大多设计成能处理数据库产品来的结构信息，但是将来需要对文件系统、多媒 体、甚至邮件或 Web 服务器上的复杂的和非结构的信息。

3. 商业智能应用系统

包括人力资源管理、分析和报告、财务管理、客户资源管理、分析和报告 供应链管理、企业计划管理的分析和报告。这些应用是许多针对不同行业或应用领域经过裁剪的完整的商业智能解决方案软件包。很多信息管理系统构建在相对分散 的体系结构上，企业的各个部门都是一个个信息孤岛，彼此之间的信息很难共享。为了获得真正智能化的企业管理，信息结构必须与商业智能无缝集成。

4. 知识和行动应用系统

包括企业知识管理门户、商业信息和建议和知识行动。 BI 软件提供商通常提供一个单一的、基于网络的入口门户来提供报告、 OLAP （ On-Line Analysis Processing ）和数据挖掘信息。这些入口与企业信息门户 (EIP ， Enterprise Information Portal) 不同，通常是不被用户直接访问的。

通过向最流行的通用 EIP 提供连接来实现 BI 的应 用，使其成为一个企业全面信息管理中的关键组成部分。

三、商业智能的支撑技术

商业智能的支撑技术主要由数据仓 库（ＤＷ）、在线分析处理（ＯＬＡＰ）以及数据挖掘（ＤＭ）三部分组成。

1. 数据仓库

数据仓库是商业智能的基础 , 许多基本报表可以由此生成 , 但它更大 的用处是作为进一步分析的数据源。所谓数据仓库就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。多维分析和数据 挖掘是最常听到的例子 , 数据仓库能供给它们所需要的、整齐一致的数据。

为了有效地进行数据管理，企业往 往需要将各地的数据汇总到总部，并建立一个庞大的数据仓库。这种数据仓库不但能够保存历史数据、阶段性数据，并从时间上进行分析，而且能够装载外部数据， 接受大量的外部查询。

建立数据仓库的过程一般包括抽取操作数据，按要求设定自动程序以定时抽取操作数据并自动更新数据仓库，预先执行合计计算等步骤。

快速、简单、易用的查询和报告 工具能够帮助管理者充分利用企业中不同层次的数据，获取所需要的特定信息，并以合理的格式加以显示。同时，优秀的工具支持多种网络环境，允许用户在客户机 / 服务器网络、内部网络或 Internet 上传输分析结果。它们还应该有足够的灵活性，以支持各种类型的查询和报告需求，从简单的订阅、周期性的报告，到使用 SQL 和其它查询语言作随机查询。

2. 在线分析处理（ OLAP ） 在线分析处理是一种高度交互式的过程，信息分析专家可以即时进行反复分析，迅速获得所 需结果。在线分析处理同时也是对存储在多维数据库（ MDD ）或关系型数据库（ RDBMS ）中的数据进行分析、处理的过程。这种分析可以是多维在线分析处理、关系型在线分析处理，也可以是混 合在线分析处理。

3. 数据挖掘

数据挖掘是从浩瀚如海的数据和文档中发现以前未知的、可以理解的的信 息的过程。由于数据挖掘的价值在于扫描数据仓库或建立非常复杂的查询，数据和文本挖掘工具必须提供很高的吞吐量，并拥有并行处理功能，而且可以支持多种采 集技术。数据挖掘工具应该拥有良好的扩展功能，并且能够支持将来可能遇到的各种数据（或文档）和计算环境。

四、商业智能解决方案在企业经营 中的作用

商业智能技术正是一种能够帮助企业迅速地完成信息采集、分析的先进技术。它包含了决策过程中所有的查 询和报告、在线分析处理（ OLAP ）和信息采集应用程序及工具。 商业智能解决方案在企业经营中的作用主要表现在三个领域：

1 、市场营销关系（ Relationship Marketing ） : 通过有 效的交流和良好的服务维持客户对企业来讲是至关重要的。商业智能通过帮助企业完成客户划分、客户获得、交叉销售、客户保留等工作，使企业的目标、人员、商 务处理流程和基础设施集中到根据客户的需要来定制产品、服务以及 " 面对面 " 的客户交流方面。

2 、可赢利性分析：商业智能解决方案可以帮助企业分析利润的来源、各类产品对利润总额的贡献程度、广 告费用是否与销售成正比等等。

3 、减少成本：商业智能技术能够协助企业确定在哪些对业务影响最小的领域减少成本。而降低成本的决策可 基于详细的目标数据。

五、商业智能的应用

商业智能已应用于许多领域。其中部分应用列举如下：

（ 1 ） 零售业

商业智能在零售业中有如下一些 应用：

预测：对需求进行预测，根据预测结果更好地管理库存。

营销：对顾客数据进行分析，从而不仅了解卖掉了什么，同时了解“谁” 买了什么，实现由消费者“拉”动的营销。

产品销售模式：某种产品的销售特点，不同产品之间的关联关系，作为进 货和商店布局的参考。

（ 2 ）保险业

商业智能在保险业中有如下一些 应用：

理赔分析：根据险种、保单持有人、理赔类型以及其它特征分析理赔趋势，以确定准备金的数量，理赔分析可以帮助识别保险欺诈。

顾客利润率分析：分别按不同的 品种、不同的地区、不同的代理人、不同的客户群的服务的成本和所得到的收益进行量化分析，找出利润率差异的原因，以利用开发新品种、对于已有品种进行客户 化改进并识别能带来高利润率的顾客。

客户价值分析：顾客利润率不是评价顾客对于保险公司价值的唯一指标， 也许一个顾客具备在将来购买高利润率保险产品的潜力，也许会成为很好的高利润率顾客的介绍人，因此要考虑顾客在与保险公司打交道的整个过程中的价值。

客户划分：将有各种共同特征的 客户划分为不同的客户群，掌握其需求和产品的使用模式，以分别确定营销方案；分析委托人的利润率，识别机会，改进服务。

风险分析：了解引入新险种和发 展新客户的风险。识别高风险客户群和能带来机会的客户群，减少理赔频率。

（ 3 ） 金融和证券业

商业智能在金融和证券业中有如 下一些应用：

顾客利润率分析：了解各个顾客在当前的和长远的利润率。使尽量提高对于高价值顾客的销售，减少用于低价值顾客的成本。

信用管理：了解各种产品的信用 状况，建立不同顾客群的信用模式，及早帮助顾客避免信用问题的发生，预测信用政策变化所产生的影响，减少信用损失；

（ 4 ） 电信业

商业智能在电信业中有如下一些 应用：

用户划分：分析用户使用电信产品的历史数据，进行用户呼叫行为分析，提供个性化服务和有效的激励手段；

需求分析：分析用户各种产品使 用及其花费数据，深入了解顾客对于新产品和服务的需求，对于通信网络投资、定价和竞争性进行分析。

（ 5 ） 制造业

商业智能在制造业中有如下一些 应用：

市场营销：提供面向顾客的交易数据，实现由消费者“拉”动的营销；

预测：（同零售业）；

采购分析：掌握供应商的成本、供 货及时性等因素；