BI商務(wù)智能數(shù)據(jù)迷霧中

“電子技術(shù)到來(lái)以后，人延伸出（或者說(shuō)在體外建立了）一個(gè)活生生的中樞神經(jīng)系統(tǒng)?！薄溈吮R漢，《理解媒介》數(shù)據(jù)迷霧中迷茫一個(gè)平常飲料店的故事1993年前，店里賣(mài)的飲料只有啤酒、可口可樂(lè)和北冰洋汽水進(jìn)貨出貨老板在一個(gè)舊本子上記錄一個(gè)平常飲料店的故事1995年，生意大了，各處開(kāi)了分號(hào)，飲料多了，酒也多了，有幾十種。店里裝了自動(dòng)柜員機(jī)，柜員機(jī)里記的賬天天都打印出來(lái)送給老板。老板看不過(guò)來(lái)，加個(gè)總數(shù)就算了，但生意該怎么做，老板還算清楚。一個(gè)平常飲料店的故事1998年，經(jīng)營(yíng)的品種過(guò)了百，店里連了網(wǎng)，用上了財(cái)務(wù)軟件。1999年又上了互聯(lián)網(wǎng)，客人來(lái)自四面八方。賬單每天打出厚厚一堆，老板瞧著密密麻麻的數(shù)字楞神，直嚷嚷生意難做。數(shù)據(jù)迷霧鋪天蓋地美國(guó)MCI是跨國(guó)的電信公司，長(zhǎng)途電話(huà)客戶(hù)2億，電腦里數(shù)據(jù)存了5TB，每月還增加300GB。據(jù)美國(guó)加州一所大學(xué)研究，世界上每個(gè)人，不論死活，已經(jīng)產(chǎn)生或?qū)⒁a(chǎn)生250MB的數(shù)據(jù)，每年全球數(shù)據(jù)凈增2×1010GB。如何應(yīng)對(duì)？商務(wù)智能什么是商務(wù)智能商業(yè)智能是對(duì)商業(yè)信息的搜集、管理和分析過(guò)程，目的是使企業(yè)的各級(jí)決策者獲得知識(shí)或洞察力，促使他們做出對(duì)企業(yè)更有利的決策。商業(yè)智能一般由數(shù)據(jù)倉(cāng)庫(kù)（或數(shù)據(jù)場(chǎng)）、數(shù)據(jù)分析、數(shù)據(jù)挖掘、在線(xiàn)分析、數(shù)據(jù)備份和恢復(fù)等部分組成。

什么是商務(wù)智能商務(wù)智能是從累計(jì)的原始數(shù)據(jù)中提取有用信息的過(guò)程商務(wù)智能為決策者在正確的時(shí)間,地點(diǎn)提供關(guān)于企業(yè)運(yùn)營(yíng)情況的各項(xiàng)信息使之能夠做出準(zhǔn)確的決定背景商業(yè)智能（BI）的概念最早是GartnerGroup于1996年提出執(zhí)行信息系統(tǒng)（EIS）決策支持系統(tǒng)（DSS）。為什么么需要要商務(wù)務(wù)智能能促進(jìn)銷(xiāo)銷(xiāo)售加深客客戶(hù)關(guān)關(guān)系改進(jìn)產(chǎn)產(chǎn)品提供更更好的的服務(wù)務(wù)協(xié)調(diào)企企業(yè)運(yùn)運(yùn)營(yíng)降低成成本提高決決策水水平"BusinessIntelligencehelpstrackwhatreallyworksandwhatdoesn’t.””BillGates,Chairman,Microsoft通過(guò)過(guò)BI幫幫助助我我們們提高高企企業(yè)業(yè)效效益益建立立忠忠實(shí)實(shí)的的顧顧客客群群增進(jìn)進(jìn)企企業(yè)業(yè)效效率率做出出明明智智的的決決策策商務(wù)務(wù)智智能能內(nèi)內(nèi)容容產(chǎn)品品分分析析哪種種產(chǎn)產(chǎn)品品贏(yíng)贏(yíng)利利情情況況最最好好?哪種種產(chǎn)產(chǎn)品品贏(yíng)贏(yíng)利利最最差差卻卻賣(mài)賣(mài)的的最最快快?哪種種產(chǎn)產(chǎn)品品組組合合對(duì)對(duì)一一定定收收入入的的家家庭庭最最有有吸吸引引力力?商務(wù)務(wù)智智能能內(nèi)內(nèi)容容銷(xiāo)售售分分析析一家家已已開(kāi)開(kāi)張張兩兩年年的的分分店店銷(xiāo)銷(xiāo)售售趨趨勢(shì)勢(shì)如如何何?附近近地地區(qū)區(qū)是是否否存存在在競(jìng)競(jìng)爭(zhēng)爭(zhēng)者者?哪種種產(chǎn)產(chǎn)品品的的贏(yíng)贏(yíng)利利有有向向上上的的趨趨勢(shì)勢(shì)及及哪哪類(lèi)類(lèi)顧顧客客購(gòu)購(gòu)買(mǎi)買(mǎi)了了這這些些產(chǎn)產(chǎn)品品?商務(wù)務(wù)智智能能內(nèi)內(nèi)容容顧客客分分析析提供供頭頭10%利利潤(rùn)潤(rùn)的的顧顧客客有有什什么么特特點(diǎn)點(diǎn)?購(gòu)買(mǎi)買(mǎi)產(chǎn)產(chǎn)品品或或服服務(wù)務(wù)三三個(gè)個(gè)月月后后顧顧客客的的流流失失率率是是多多少少?過(guò)去去六六個(gè)個(gè)月月里里比比平平均均消消費(fèi)費(fèi)額額高高兩兩個(gè)個(gè)百百分分點(diǎn)點(diǎn)的的都都是是誰(shuí)誰(shuí)?眾多多行行業(yè)業(yè)積積極極尋尋求求BI解解決決方方案案的的零售售、、保保險(xiǎn)險(xiǎn)、、銀銀行行、、通通信信、、離離散散制制造造、、政政府府、、醫(yī)醫(yī)療療、、分分銷(xiāo)銷(xiāo)、、流流程程制制造造、、教教育育等等。。商務(wù)務(wù)智智能能如如何何工工作作數(shù)據(jù)據(jù):把把不不同同來(lái)來(lái)源源的的數(shù)數(shù)據(jù)據(jù)匯匯總總為為一一個(gè)個(gè)數(shù)數(shù)據(jù)據(jù)倉(cāng)倉(cāng)庫(kù)庫(kù)內(nèi)涵涵:商商務(wù)務(wù)智智能能工工具具通通過(guò)過(guò)分分析析這這些些數(shù)數(shù)據(jù)據(jù)來(lái)來(lái)幫幫助助人人們們更更好好地地了了解解企企業(yè)業(yè)情情況況行動(dòng)動(dòng):通通過(guò)過(guò)分分析析來(lái)來(lái)更更有有效效地地分分配配資資源源商務(wù)務(wù)智智能能系系統(tǒng)統(tǒng)結(jié)結(jié)構(gòu)構(gòu)數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)(DataWarehouse,DW)聯(lián)機(jī)分分析處處理(On-LineAnalyticalProcessing,OLAP)數(shù)據(jù)挖挖掘(DataMining,DM)數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)(DW)數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)，，是在在數(shù)據(jù)據(jù)庫(kù)已已經(jīng)大大量存存在的的情況況下，，為了了進(jìn)一一步挖挖掘數(shù)數(shù)據(jù)資資源、、為了了決策策需要要而產(chǎn)產(chǎn)生的的，它它決不不是所所謂的的“大大型數(shù)數(shù)據(jù)庫(kù)庫(kù)”。。W.H.Inmon關(guān)于于數(shù)據(jù)據(jù)倉(cāng)庫(kù)庫(kù)的定定義：：面向向主題題的、、集成成的、、與時(shí)時(shí)間相相關(guān)且且不可可修改改的數(shù)數(shù)據(jù)集集合。。面向主主題傳統(tǒng)數(shù)數(shù)據(jù)庫(kù)庫(kù)主要要是為為應(yīng)用用程序序進(jìn)行行數(shù)據(jù)據(jù)處理理，未未必按按照同同一主主題存存儲(chǔ)數(shù)數(shù)據(jù)數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)側(cè)側(cè)重于于數(shù)據(jù)據(jù)分析析工作作，是是按照照主題題存儲(chǔ)儲(chǔ)的與時(shí)間間相關(guān)關(guān)數(shù)據(jù)庫(kù)庫(kù)保存存信息息的時(shí)時(shí)候，，并不不強(qiáng)調(diào)調(diào)一定定有時(shí)時(shí)間信信息數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)則則不同同，出出于決決策的的需要要，數(shù)數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)中中的數(shù)數(shù)據(jù)都都要標(biāo)標(biāo)明時(shí)時(shí)間屬屬性不可修修改數(shù)據(jù)庫(kù)庫(kù)處理理的是是日常常事務(wù)務(wù)數(shù)據(jù)據(jù)，有有的需需要不不斷更更新數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)反反映的的是歷歷史信信息，，可可以添添加，，但不不可更更改。。數(shù)據(jù)倉(cāng)倉(cāng)庫(kù)生生成Extract,Transfer,andLoad(ETL)ModelIntegrateDataETLDatawarehouse數(shù)據(jù)展展現(xiàn)面向高高層決決策者者的主主管信信息系系統(tǒng)(EIS)面向決決策分分析者者的聯(lián)聯(lián)機(jī)分分析系系統(tǒng)(OLAP)決策者者上的的即席席查詢(xún)?cè)兿到y(tǒng)統(tǒng)(AdHoc)靈活報(bào)報(bào)表系系統(tǒng)(Reporting)數(shù)據(jù)展展現(xiàn)采采用多多種靈靈活的的方式式，比比如C/S模式式或B/S模式式聯(lián)機(jī)分分析處處理(OLAP)OLAP委委員會(huì)會(huì)的定定義：：是使使分析析人員員、管管理人人員或或執(zhí)行行人員員能夠夠從多多種角角度對(duì)對(duì)從原原始數(shù)數(shù)據(jù)中中轉(zhuǎn)化化出來(lái)來(lái)的、、能夠夠真正正為用用戶(hù)所所理解解的、、并真真實(shí)反反映企企業(yè)維維特性性的信信息進(jìn)進(jìn)行快快速、、一致致、交交互地地存取取，從從而獲獲得對(duì)對(duì)數(shù)據(jù)據(jù)的更更深入入了解解的一一類(lèi)軟軟件技技術(shù)。。OLAP的的目標(biāo)標(biāo)：是是滿(mǎn)足足決策策支持持或多多維環(huán)環(huán)境特特定的的查詢(xún)?cè)兒蛨?bào)報(bào)表需需求，，它的的技術(shù)術(shù)核心心是““維””這個(gè)個(gè)概念念，因因此OLAP也也可以以說(shuō)是是多維維數(shù)據(jù)據(jù)分析析工具具的集集合。。發(fā)展背背景60年年代，，關(guān)系系數(shù)據(jù)據(jù)庫(kù)之之父E.F.Cdd提出出了關(guān)關(guān)系模模型，，促進(jìn)進(jìn)了聯(lián)聯(lián)機(jī)事事務(wù)處處理(OLTP)的的發(fā)展展(數(shù)數(shù)據(jù)以以表格格的形形式而而非文文件方方式存存儲(chǔ))。1993年年，E.F.Cdd提出出了多多維數(shù)數(shù)據(jù)庫(kù)庫(kù)和多多維分分析的的概念念，即即OLAPOLAP多多維數(shù)數(shù)據(jù)結(jié)結(jié)構(gòu)超立方方結(jié)構(gòu)構(gòu)(Hypercube)多立方方結(jié)構(gòu)構(gòu)(Multicube)OLAP多多維數(shù)數(shù)據(jù)分分析切片和和切塊塊(SliceandDice)：在在多維維數(shù)據(jù)據(jù)結(jié)構(gòu)構(gòu)中,按二二維進(jìn)進(jìn)行切切片,按三三維進(jìn)進(jìn)行切切塊,可得得到所所需要要的數(shù)數(shù)據(jù)OLAP多多維數(shù)數(shù)據(jù)分分析鉆取(Drill)：：鉆取取包含含向下下鉆取取(Drill-down)和向向上鉆鉆取(Drill-up)/上卷卷(Roll-up)操操作OLAP多多維數(shù)數(shù)據(jù)分分析旋轉(zhuǎn)(Rotate)/轉(zhuǎn)軸軸(Pivot)：：通過(guò)過(guò)旋轉(zhuǎn)轉(zhuǎn)可以以得到到不同同視角角的數(shù)數(shù)據(jù)數(shù)據(jù)挖挖掘(DM)一方面面規(guī)模模龐大大、紛紛繁復(fù)復(fù)雜的的數(shù)據(jù)據(jù)體系系讓使使用者者漫無(wú)無(wú)頭緒緒、無(wú)無(wú)從下下手；；另一方方面在在這些些大量量數(shù)據(jù)據(jù)的背背后卻卻隱藏藏著很很多具具有決決策意意義的的有價(jià)價(jià)值的的信息息。數(shù)據(jù)挖挖掘(DM)如何發(fā)發(fā)現(xiàn)這這些有有用的的知識(shí)識(shí)，使使之為為管理理決策策和經(jīng)經(jīng)營(yíng)戰(zhàn)戰(zhàn)略發(fā)發(fā)展服服務(wù)？？數(shù)據(jù)挖挖掘（（DataMining））。DM應(yīng)應(yīng)用實(shí)實(shí)例(購(gòu)物物環(huán)境境設(shè)計(jì)計(jì))某超市市，需需要設(shè)設(shè)計(jì)一一個(gè)吸吸引客客人購(gòu)購(gòu)買(mǎi)商商品的的最佳佳環(huán)境境。通通過(guò)對(duì)對(duì)客人人的采采購(gòu)路路線(xiàn)和和消費(fèi)費(fèi)記錄錄的挖挖掘發(fā)發(fā)現(xiàn)：：美國(guó)國(guó)女性性的視視線(xiàn)高高度是是150cm左左右，，而男男性是是163cm左左右，，最適適宜的的視線(xiàn)線(xiàn)角度度是視視線(xiàn)高高度以以下15度度。因因此，，最好好的貨貨品擺擺設(shè)位位置是是在130到135厘米米之間間。按照DM找找出的的特別別信息息，該該超市市里的的主打打產(chǎn)品品，總總是擺擺在最最容易易發(fā)現(xiàn)現(xiàn)的高高度區(qū)區(qū)內(nèi)。。DM應(yīng)應(yīng)用實(shí)實(shí)例(客戶(hù)戶(hù)購(gòu)買(mǎi)買(mǎi)模式式識(shí)別別)Safeway是英英國(guó)的的第三三大連連鎖超超市，，年銷(xiāo)銷(xiāo)售額額超過(guò)過(guò)一百百億美美元運(yùn)用傳統(tǒng)的方方法—降低價(jià)價(jià)位、擴(kuò)充店店面以及增加加商品種類(lèi)，，若想在競(jìng)爭(zhēng)爭(zhēng)中取勝已經(jīng)經(jīng)越來(lái)越困難難了必須以客戶(hù)為為導(dǎo)向，了解解六百萬(wàn)客戶(hù)戶(hù)所做的每一一筆交易以及及這些交易彼彼此之間的關(guān)關(guān)聯(lián)性DM應(yīng)用實(shí)例例(客戶(hù)購(gòu)買(mǎi)買(mǎi)模式識(shí)別)Safeway首先根據(jù)據(jù)客戶(hù)的相關(guān)關(guān)資料，將客客戶(hù)分為150類(lèi)，再用用關(guān)聯(lián)（Association））的技術(shù)列出出產(chǎn)品相關(guān)度度的清單。比如：“在購(gòu)購(gòu)買(mǎi)烤肉炭的的客戶(hù)中，75%的人也也會(huì)購(gòu)買(mǎi)打火火機(jī)燃料”。。DM應(yīng)用實(shí)例例(客戶(hù)購(gòu)買(mǎi)買(mǎi)模式識(shí)別)Safeway還需要對(duì)對(duì)商品的利潤(rùn)潤(rùn)進(jìn)行細(xì)分。。例如，Safeway發(fā)現(xiàn)某一種種乳酪產(chǎn)品雖雖然銷(xiāo)售額排排名第209位，可是消消費(fèi)額最高的的客戶(hù)中有25%都常常常買(mǎi)這種乳酪酪。Safeway知道客客戶(hù)每次采購(gòu)購(gòu)時(shí)會(huì)買(mǎi)哪些些產(chǎn)品以后，，就可以利用用DataMining中的SequenceDiscovery功能能，找出長(zhǎng)期期的經(jīng)常性購(gòu)購(gòu)買(mǎi)行為，進(jìn)進(jìn)而促銷(xiāo)。數(shù)據(jù)挖掘(DM)學(xué)科背背景統(tǒng)計(jì)學(xué)計(jì)算機(jī)科學(xué)人工智能領(lǐng)域域的廣泛運(yùn)用用數(shù)據(jù)挖掘(DM)常用方方法分類(lèi)（classification）：依照所分析對(duì)對(duì)象的屬性分分門(mén)別類(lèi)、加加以定義、建建立類(lèi)組（class））。比如，將信用用卡申請(qǐng)人分分為低、中、、高風(fēng)險(xiǎn)群，，或是將顧客客分到事先定定義好的族群群。數(shù)據(jù)挖掘(DM)常用方方法估計(jì)（estimation）：根據(jù)既有的連連續(xù)性數(shù)值相相關(guān)屬性資料料，求得某一一屬性的未知知值。比如，估計(jì)家家中小孩的數(shù)數(shù)量、一個(gè)家家庭的總收入入或是不動(dòng)產(chǎn)產(chǎn)的價(jià)值。所使用的技巧巧有相關(guān)分析析、回歸分析析及類(lèi)神經(jīng)網(wǎng)網(wǎng)絡(luò)方法。數(shù)據(jù)挖掘(DM)常用方方法預(yù)測(cè)（prediction）：根據(jù)對(duì)象屬性性過(guò)去的觀(guān)察察值來(lái)估計(jì)此此屬性未來(lái)的的值。比如，預(yù)測(cè)哪哪些顧客會(huì)在在未來(lái)的半年年內(nèi)取消該公公司的服務(wù)，，或是預(yù)測(cè)哪哪些電話(huà)用戶(hù)戶(hù)會(huì)申請(qǐng)?jiān)鲋抵捣?wù)，如三三方通話(huà)、語(yǔ)語(yǔ)音信箱等。。所使用的技巧巧有回歸分析析、時(shí)間序列列分析及類(lèi)神神經(jīng)網(wǎng)絡(luò)方法法。數(shù)據(jù)挖掘(DM)常用方方法關(guān)聯(lián)分組（affinitygrouping）：從所有對(duì)象象來(lái)決定哪些些相關(guān)對(duì)象應(yīng)應(yīng)該放在一起起。比如，在超市市中，哪些物物品會(huì)一起被被購(gòu)買(mǎi)，零售售商可以利用用關(guān)聯(lián)分組來(lái)來(lái)規(guī)劃店內(nèi)商商品的擺設(shè)位位置，把會(huì)被被一起購(gòu)買(mǎi)的的商品擺在一一起。在客戶(hù)的營(yíng)銷(xiāo)銷(xiāo)系統(tǒng)上，此此種功能可用用來(lái)確認(rèn)交叉叉銷(xiāo)售（cross-selling）的機(jī)會(huì)會(huì)以設(shè)計(jì)出更更吸引人的產(chǎn)產(chǎn)品群組。聚類(lèi)、群集化化（clustering）：將不同的母母體區(qū)隔為較較具同構(gòu)型的的群組（cluster），換句話(huà)話(huà)說(shuō)，其目的的是將組與組組之間的差異異分辨出來(lái)，