商务智能复习

商务智能复习商务智能第第1 章商务智能概述1.1 商业决策需要商务智能一、数据、信息和知识1、数据：符号、事实和数字信息：有用的数据关系：信息是经过某种加工处理后的数据，是反映客观事物规律的一些数据。

数据是信息的载体, 信息是对数据的解释。

知识：对信息内容进行提炼、比较、挖掘、分析、概括、判断和推论。

2、决策离不开信息、知识①决策需要信息，更离不开知识；知识更多地表现为经验__学习的结晶；学习的过程是不断地对信息加工处理；信息的收集、加工、传输与利用贯穿着决策各阶段的工作过程。

②信息已成为企业经营中重要性仅次于人才的第二大要素。

③决策=信息+经验+冒险④商务智能是对企业信息的科学管理。

3、商务智能支持商业决策商务智能如何创造知识和价值1.2 商务智能简介商务智能这一术语1996年由Gartner 公司的分析师Howard Dresner首次提出,他提出商务智能描述了一系列的概念和方法,通过应用基于事实的支持系统来辅助商业决策的制定。

一、商务智能概念商务智能是整合了先进信息技术与创新管理理念的结合体，集成了企业内外的数据，进行加工并从中提取能够创造商业价值的信息，面向企业战略并服务于管理层、业务层，指导企业经营决策，提升企业竞争力，涉及企业战略、管理思想、业务整合和技术体系等层面，促进信息到知识再到利润的转变，从而实现更好的绩效。

①先进信息技术：商务智能是多项技术的综合应用；②集成了企业内外的数据，进行加工并从中提取能够创造商业价值的信息：商务智能的层次；③企业战略：商务智能服务于企业战略；④管理层、业务层：商务智能用户多样性；⑤更好的绩效：商务智能提升企业绩效。

二、商务智能的价值1、在商务智能背后有一些商业驱动力，如：①增加收入，减少费用和更有效地竞争的需求。

②管理和模拟当前商业环境复杂性的需求。

③减少IT 费用和利用已有公司业务信息的需求。

2、商务智能的价值①制定合适的市场营销策略；②改善顾客智能；③经营成本与收入分析；④提高风险管理能力；⑤改善业务洞察力；⑥提高市场响应能力。

1.3 商务智能系统的功能①数据集成：数据是决策分析的基础；②信息呈现：商务智能的初步功能；③经营分析：运营指标、运营业绩和财务分析；④战略决策支持：合理的投资组合。

1.4 商务智能应用领域①银行：美国银行家协会(ABA)预测数据仓库和数据挖掘技术在美国商业银行的应用增长率是14.9％。

分析客户使用分销渠道的情况和分销渠道的容量；建立利润评测模型；客户关系优化；风险控制等②电子商务：网上商品推荐；个性化网页；自适应网站… ③生物制药、基因研究：DNA 序列查询和匹配；识别基因序列的共发生性… ④电信：欺诈甄别；客户流失… ⑤保险、零售…… ⑥政府部门、教育机构、医疗机构和公用事业等。

利用商务智能的企业现在已越来越多，遍及各行各业。

第第13 章商务智能发展一、商务智能的发展事务处理系统TPS→管理信息系统MIS→主管信息系统EIS→决策支持系统DSS→智能决策支持系统IDSS 二、商务智能应用趋势①更成熟的数据分析和展现技术；②从战略型的BI 到操作型或者实时型的BI；③关注绩效、关注价值、关注数据质量。

三、商务智能在中国的发展商务智能在中国的发展尚处于起步阶段，大部分企业对商务智能仍然缺乏必要的了解。

国、内外商务智能软件企业的实施和应用水平有很大的差距，目前国外有一些企业已进入多维分析和数据挖掘阶段，而国内商务智能的发展只是近几年的事情，商务智能应用的范围和程度都与国外企业有很大差距。

绝大多数实施商务智能的企业的应用水平停留在基本的数据整合阶段和简单的统计分析阶段，真正实现深度数据分析的项目很少。

四、中国商务智能应用存在的问题①起步较晚：国内管理者想要利用商务智能解决缺乏有效信息支持决策的管理模式和操作准则越来越体现出缺乏理性的缺点。

因此国内企业管理者试图通过商务智能解决上述问题，但这种需求比国外发达国家滞后了。

②差距拉大：目前国内各行业商务智能的发展水平仍是参差不齐，商务智能在行业内也存在差距，不同规模的企业应用商务智能的差距也在拉大。

③普及有待时日：技术、观念和管理水平的相对落后，商务智能的普及还需要较长时间④供应商有待成长五、商务智能动态1、商务智能发展的特点①实时；②标准化；③嵌入式商务智能；④移动商务智能；⑤大众化趋势；⑥供应商的动向；⑦易用性。

2、2012 年商业智能的6 大预测①内存中的分析；②可视化发掘；③大数据；④移动商业智能；⑤云商业智能；⑥社交，协作的商业智能。

第第2 章商务智能系统架构 2.1 商务智能系统组成1、体系结构(Architecture)：体系结构是指一整套的规则和结构,为一个系统或产品的整体设计提供主框架。

2、商务智能的体系结构一个商务智能的体系结构是通过识别和理解数据在系统中的流动过程和数据在企业中的应用过程来提供商业智能系统应用的主框架。

商务智能系统构架（见书P27）3、商务智能系统的组成①数据源与数据提取；②数据仓库；③访问工具；④决策支持工具；⑤商务智能应用；⑥系统管理；⑦元数据管理。

2.2 数据集成数据集成是在逻辑上或物理上把不相同来源、格式、特点的数据有机地整合，从而为企业提供全面的数据共享。

目的：运用一定的技术手段把分布在异构系统中的数据按一定的规则组织成一个整体，使用户能有效地对其进行共享、分析，因此数据集成是构建数据仓库的基础。

1、数据集成的常用方法①数据联邦；②基于中间件模型；③数据仓库；④主数据管理2、主数据管理与数据仓库的关系①联系：二者相辅相成，都是减少数据冗余和不一致性的跨部门集中式系统，都依赖ETL、元数据管理等技术保证数据质量。

数据仓库系统的分析结果可以输入到主数据管理系统中。

②区别：主数据管理是为呼叫中心、电子商务和CRM 等业务系统提供联机服务，数据仓库面向分析型的应用；主数据管理涉及的数据量相对较小，在运行中对主数据的集成实时性要求比数据仓库高。

3、主数据管理与ODS 的关系实时性要求具有共性，但主数据管理系统不储存ODS 系统的交易数据。

第第3 章数据仓库3.1 从数据库到数据仓库1、企业数据处理分为：事务型处理和分析型处理2、事务型处理①即操作型处理，是指对数据库的联机操作处理OLTP。

事务型处理是用来协助企业对响应事件或事务的日常商务活动进行处理。

②它是事件驱动、面向应用的，通常是对一个或一组记录的增、删、改以及简单查询等（大量、简单、重复和例行性）。

③在事务型处理环境中，数据库要求能支持日常事务中的大量事务，用户对数据的存取操作频率高而每次操作处理的时间短。

3、分析型处理①分析型处理：用于管理人员的决策分析，例如DSS、EIS 和多维分析等。

它帮助决策者分析数据以察看趋向、判断问题。

②分析型处理经常要访问大量的历史数据，支持复杂的查询。

③分析型处理过程中经常用到外部数据，这部分数据不是由事务型处理系统产生的，而是来自于其他外部数据源。

4、事务型处理数据和分析型处理数据的区别（见书P36）5、数据库系统的局限性①数据库适于存储高度结构化的日常事务细节数据。

决策分析型数据是多维性，分析内容复杂。

②在决策分析环境中，如果事务处理的细节数据量太大一方面会严重影响分析效率，另一方面这些细节数据会分散决策者的注意力。

③当事务型处理环境和分析型处理环境在同一个数据库系统中，事务型处理对数据的存取操作频率高，操作处理的时间短，而分析型处理可能需要连续运行几个小时，从而消耗大量的系统资源。

④决策型分析数据的数据量大，这些数据有来自企业内部的，也有来自企业外部的。

来自企业外部的数据又可能来自不同的数据库系统，在分析时如果直接对这些数据操作会造成分析的混乱。

对于外部数据中的一些非结构化数据，数据库系统常常是无能为力。

6、多库系统的限制①可用性：源站点或通信网络故障将导致系统瘫痪, 源站点不能通过网络在线联入多库系统。

②响应速度：全局查询多级转换和通信传输, 延迟和低层效率影响响应速度。

③系统性能：总体性能取决于源站点中性能最低的系统, 影响系统性能的发挥; ④系统开销：每次查询要启动多个局部系统, 通信和运行开销大。

3.2 数据仓库1、数据仓库的发展①1981 年NCR 公司为Wal Mart 建立了第一个数据仓库。

②1988 年IBM 公司的研究员Barry Devlin 和Paul Murphy 创造性的提出了一个新术语¡ª¡ª数据仓库③1991 年Bill Inmon 正式出版《Building the Data 、Warehouse》，第一次给出了数据仓库的清晰定义和操作性极强的指导意见④1993 年拉尔夫.金博尔出版了《The Data Warehouse Toolkit》，在具体构建方法上提出不同意见⑤1996 年加拿大的IDC 公司调查了62 家实现了数据仓库的欧美企业，结果表明：数据仓库为企业提供了巨大的收益。

2、数据仓库(Data Warehouse) ①含义：数据仓库用来保存从多个数据库或其它信息源选取的数据, 并为上层应用提供统一用户接口，完成数据查询和分析。

支持整个企业范围的主要业务来建立的，主要特点是，包含大量面向整个企业的综合信息及导出信息。

②Bill Inmon 对数据仓库所下的定义：数据仓库是面向主题的、集成的、稳定的、随时间变化的数据集合，用以支持管理决策的过程。

3、数据仓库的技术要求①复杂分析的高性能体现：涉及大量数据的聚集、综合等，在进行复杂查询时经常会使用多表的联接、累计、分类、排序等操作。

②对提取出来的数据进行集成：数据仓库中的数据是从多个应用领域中提取出来的，在不同的应用领域和不同的数据库系统中都有不同的结构和形式，所以如何对数据进行集成也是构建数据仓库的一个重要方面。

③对进行高层决策的最终用户的界面支持：提供各种分析应用工具。

4、数据仓库结构3.7 数据仓库模型1、概念模型设计①概念模型用来表达信息世界中的信息结构，通常人们利用概念模型定义实际的数据需求。

②概念模型最常用的表示方法是实体－关系法（E-R 法），E-R 图将现实世界表示成信息世界，便于向计算机的表示形式进行转化。

③目前的数据仓库实际上是通过主题分析表示概念模型，每个主题用若干维和度量表示。

维度是人们观察世界的特定角度，度量是确定与维度分析有关的数值信息。

2、逻辑模型设计①主要工作：a 分析主题域进行概念模型到逻辑模型的转换；b 确定粒度层次划分；c 确定数据分割策略；d关系模式定义；e 定义记录系统。

3、数据仓库常用的两种基本逻辑模型：①星型模型：星型模型的核心是事实表，事实表把各种不同的维表连接起来。

②雪花模型：雪花模型是星型模型的扩展，某些维表中的数据可以进一步分解到附加的表中。