淺析商業智能BI的三個層次
經過幾年的積累，大部分中大型的企事業單位已經建立了比較完善的CRM、ERP、OA等基礎信息化系統。這些系統的統一特點都是:通過業務人員或者用戶的操作，最終對數據庫進行增加、修改、刪除等操作。上述系統可統一稱為OLTP(Online Transaction Process，在線事務處理)，指的就是系統運行了一段時間以后，必然幫助企事業單位收集大量的歷史數據。但是，在數據庫中分散、獨立存在的大量數據對于業務人員來說，只是一些無法看懂的天書。業務人員所需要的是信息，是他們能夠看懂、理解并從中受益的抽象信息。此時，如何把數據轉化為信息，使得業務人員(包括管理者)能夠充分掌握、利用這些信息，并且輔助決策，就是商業智能主要解決的問題。
如何把數據庫中存在的數據轉變為業務人員需要的信息?大部分的答案是報表系統。簡單說，報表系統已經可以稱作是商業智能了，它是BI的低端實現。
現在國外的企業，大部分已經進入了中端BI，叫做數據分析。有一些企業已經開始進入高端BI，叫做數據挖掘。而我國的企業，目前大部分還停留在報表階段。
數據報表不可取代
傳統的報表系統技術上已經相當成熟，大家熟悉的Excel、水晶報表、Reporting Service等都已經被廣泛使用。但是，隨著數據的增多，需求的提高，傳統報表系統面臨的挑戰也越來越多。
1. 數據太多，信息太少
密密麻麻的表格堆砌了大量數據，到底有多少業務人員仔細看每一個數據?到底這些數據代表了什么信息、什么趨勢?級別越高的領導，越需要簡明的信息。如果我是董事長，我可能只需要一句話:目前我們的情況是好、中還是差?
2. 難以交互分析、了解各種組合
定制好的報表過于死板。例如，我們可以在一張表中列出不同地區、不同產品的銷量，另一張表中列出不同地區、不同年齡段顧客的銷量。但是，這兩張表無法回答諸如“華北地區中青年顧客購買數碼相機類型產品的情況”等問題。業務問題經常需要多個角度的交互分析。
3. 難以挖掘出潛在的規則
報表系統列出的往往是表面上的數據信息，但是海量數據深處潛在含有哪些規則呢?什么客戶對我們價值最大，產品之間相互關聯的程度如何?越是深層的規則，對于決策支持的價值越大，但是，也越難挖掘出來。
4. 難以追溯歷史，數據形成孤島
業務系統很多，數據存在于不同地方。太舊的數據(例如一年前的數據)往往被業務系統備份出去，導致宏觀分析、長期歷史分析難度很大。
因此，隨著時代的發展，傳統報表系統已經不能滿足日益增長的業務需求了，企業期待著新的技術。目前國內報表系統領先者潤乾報表的創新技術能較好的滿足繁雜的業務需求。數據分析和數據挖掘的時代正在來臨。值得注意的是，數據分析和數據挖掘系統的目的是帶給我們更多的決策支持價值，并不是取代數據報表。報表系統依然有其不可取代的優勢，并且將會長期與數據分析、挖掘系統一起并存下去。
八維以上的數據分析
如果說OLTP側重于對數據庫進行增加、修改、刪除等日常事務操作，OLAP(Online Analytics Process，在線分析系統)則側重于針對宏觀問題，全面分析數據，獲得有價值的信息。
為了達到OLAP的目的，傳統的關系型數據庫已經不夠了，需要一種新的技術叫做多維數據庫。
多維數據庫的概念并不復雜。舉一個例子，我們想描述2003年4月份可樂在北部地區銷售額10萬元時，牽扯到幾個角度:時間、產品、地區。這些叫做維度。至于銷售額，叫做度量值。當然，還有成本、利潤等。
除了時間、產品和地區，我們還可以有很多維度，例如客戶的性別、職業、銷售部門、促銷方式等等。實際上，使用中的多維數據庫可能是一個8維或者15維的立方體。
雖然結構上15維的立方體很復雜，但是概念上非常簡單。
數據分析系統的總體架構分為四個部分:源系統、數據倉庫、多維數據庫、客戶端。
◆源系統：包括現有的所有OLTP系統，搭建BI系統并不需要更改現有系統。
◆數據倉庫：數據大集中，通過數據抽取，把數據從源系統源源不斷地抽取出來，可能每天一次，或者每3個小時一次，當然是自動的。數據倉庫依然建立在關系型數據庫上，往往符合叫做“星型結構”的模型。
◆多維數據庫：數據倉庫的數據經過多維建模，形成了立方體結構。每一個立方體描述了一個業務主題，例如銷售、庫存或者財務。
◆客戶端：好的客戶端軟件可以把多維立方體中的信息豐富多彩地展現給用戶。
數據分析案例
在實際的案例中，我們利用Oracle 9i搭建了數據倉庫，Microsoft Analysis Service 2000搭建了多維數據庫，ProClarity 6.0 作為客戶端分析軟件。
分解樹好像一個組織圖。分解樹在回答以下問題時很有效:
◆在指定的產品組內，哪種產品有最高的銷售額?
◆在特定的產品種類內，各種產品間的銷售額分布如何?
◆哪個銷售人員完成了最高百分比的銷售額?
◆數據挖掘看穿你的需求
廣義上說，任何從數據庫中挖掘信息的過程都叫做數據挖掘。從這點看來，數據挖掘就是BI。但從技術術語上說，數據挖掘(Data Mining)特指的是:源數據經過清洗和轉換等成為適合于挖掘的數據集。數據挖掘在這種具有固定形式的數據集上完成知識的提煉，最后以合適的知識模式用于進一步分析決策工作。從這種狹義的觀點上，我們可以定義:數據挖掘是從特定形式的數據集中提煉知識的過程。數據挖掘往往針對特定的數據、特定的問題，選擇一種或者多種挖掘算法，找到數據下面隱藏的規律，這些規律往往被用來預測、支持決策。
關聯銷售案例
美國的超市有這樣的系統:當你采購了一車商品結賬時，售貨員小姐掃描完了你的產品后，計算機上會顯示出一些信息，然后售貨員會友好地問你:我們有一種一次性紙杯正在促銷，位于F6貨架上，您要購買嗎?
這句話決不是一般的促銷。因為計算機系統早就算好了，如果你的購物車中有餐巾紙、大瓶可樂和沙拉，則86%的可能性你要買一次性紙杯。結果是，你說，啊，謝謝你，我剛才一直沒找到紙杯。
這不是什么神奇的科學算命，而是利用數據挖掘中的關聯規則算法實現的系統。
每天，新的銷售數據會進入挖掘模型，與過去N天的歷史數據一起，被挖掘模型處理，得到當前最有價值的關聯規則。同樣的算法，分析網上書店的銷售業績，計算機可以發現產品之間的關聯以及關聯的強弱。
數據報表、數據分析、數據挖掘是商業智能BI的三個層面。我們相信未來幾年的趨勢是:越來越多的企業在數據報表的基礎上，會進入數據分析與數據挖掘的領域。商業智能所帶來的決策支持功能，會給我們帶來越來越明顯的效益。
【編輯推薦】
