經過幾年的積累，大部分中大型的企事業(yè)單位已經建立了比較完善的CRM、ERP和OA等基礎信息化系統(tǒng)。這些系統(tǒng)的統(tǒng)一特點是：業(yè)務人員或者用戶對數據庫進行大量的增加、修改和刪除等操作，即聯機事務處理（Online Transaction Process,OLTP）。系統(tǒng)運行了一段時間以后，必然幫助企事業(yè)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(yè)務人員來說，只是一些無法看懶的天書。此時，如何把數據轉化為業(yè)務人員（包括管理者）能夠看懂的有用信息，充分掌握、利用這些信息，并且輔助決策，就是商業(yè)智能要解決的主要問題。

商業(yè)智能的實現有三個層次：數據報表、多維數據分析和數據挖掘。

　　1）數據報表

　　如何把數據庫中存在的數據轉變?yōu)闃I(yè)務人員需要的信息？大部分的答案是報表系統(tǒng)。簡單說，報表系統(tǒng)是BI的低端實現。傳統(tǒng)的報表系統(tǒng)技術上已經相當成熟，大家熟悉的Excel、水晶報表和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(tǒng)報表系統(tǒng)面臨的挑戰(zhàn)也越來越多。

　?。?）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(yè)務人員細看過每一個數據？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。

　?。?）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(qū)、不同產品的銷量，另一張表中列出不同地區(qū)、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(qū)中青年顧客購買數碼相機類型產品的情況”等問題。業(yè)務問題經常需要多個角度的交互分析。

　?。?）難以挖掘出潛在的規(guī)則。報表系統(tǒng)列出的往往是表面上的數據信息，但是海量數據深處含有哪些潛在規(guī)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(guī)則，對于決策支持的價值越大，但是，也越難挖掘出來。

　?。?）難以追溯歷史，形成數據孤島。長期運行中產生的數據往往存在于不同地方，太舊的數據（例如一年前的數據）可能已被業(yè)務系統(tǒng)備份出去，導致宏觀分析、長期歷史分析難度很大。

　　顯然，隨著時代的發(fā)展，傳統(tǒng)報表系統(tǒng)已經不能滿足日益增長的業(yè)務需求了，企業(yè)期待著新的技術。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(tǒng)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(tǒng)依然有其不呵取代的優(yōu)勢，并且將會長期與數據分析、挖掘系統(tǒng)一起并存下去。

　　2）多維數據分析

　　如果說在線事務處理（OLTP）側重于對數據庫進行增加、修改和刪除等日常事務操作，在線分析處理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(tǒng)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(qū)銷售額10萬元時，涉及到幾個角度：時間、產品和地區(qū)。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(qū)，我們還可以有很多維度，例如客戶的性別、職業(yè)、銷售部門和促銷方式等。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(tǒng)的總體架構分為4個部分：源系統(tǒng)、數據倉庫、多維數據庫和客戶端。

　　①源系統(tǒng)：包括現有的所有OLTP系統(tǒng)，搭建BI系統(tǒng)并不需要更改現有系統(tǒng)。

　?、跀祿}庫：數據大集中，通過數據抽取，把數據從源系統(tǒng)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“星型結構”模型。

　　③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(yè)務主題，例如銷售、庫存或者財務。

　?、芸蛻舳耍汉玫目蛻舳塑浖梢园讯嗑S立方體中的信息豐富多彩地展現給用戶。

　　3）數據挖掘

　　廣義上說，任何從數據庫中挖掘信息的過程都州做數據挖掘。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）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(guī)律，這些規(guī)律往往被用來預測、支持決策。

　　現舉一個關聯銷售的案例。美國的超市有這樣的系統(tǒng)：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？這句話絕不是一般的促銷。因為計算機系統(tǒng)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(guī)則算法實現的系統(tǒng)。

　　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騏規(guī)則。同樣的算法，分析網上書店的銷售業(yè)績，計算機可以發(fā)現產品之間的關聯以及關聯的強弱。

商業(yè)智能的基本概念：http://www.conferencecallsmadeeasy.com/pm/8184.html

商業(yè)智能系統(tǒng)應具有的主要功能：http://www.conferencecallsmadeeasy.com/pm/8183.html

商業(yè)智能的三個層次：http://www.conferencecallsmadeeasy.com/pm/8181.html

商業(yè)智能的軟件工具集合：http://www.conferencecallsmadeeasy.com/pm/8185.html

實施商業(yè)智能的步驟：http://www.conferencecallsmadeeasy.com/pm/8186.html