商业智能在企业信息化建设中的研究与应用

随着企业信息化管理水平的不断提高，以及越来越多的信息系统投入运营，企业积累了大量的业务数据，而各信息系统对数据仅停留在存储、查询和显示等简单的联机事务处理阶段，却忽略了数据分析的重要性，潜藏在数据背后的商业价值没有被信息系统充分挖掘和利用。同时市场经济的不断发展必然加剧市场竞争，企业所处的环境和组织结构也会日益复杂，如何保障企业高效运行、正确决策和快速响应市场变化成为企业又快又好发展的关键突破口。

基于以上2点需求，商业智能(BI)技术应运而生。商业智能的数据整合能力能够帮助决策人员快速、准确地捕获并解读所关心的数据，决策者通过把握多维度多层次数据获得知识和洞察力，提高决策的效率。借助商业智能收集、整理、分析和评估企业业务数据，将海量数据转化为稳定、可靠、多维度和直观的信息以挖掘潜在的商机，进而指导企业业务行为并进行辅助决策，已经成为企业下一步信息化建设的必然选择。

1 商业智能及其核心技术

商业智能是一个包含信息管理基础架构的平台，通过分析应用为企业的商业策略和绩效管理提供支持，并可以对人员和流程进行一定的管控。从系统的角度来看，商业智能的过程起始于不同数据源的数据收集，提取有用的数据进行加工、处理以保证数据的正确性，加工后的数据经过转换、重构存入数据仓库成为实体信息，对这些实体信息进行查询、挖掘、分析和评估等操作，使其成为辅助决策的知识并呈现在最终用户面前，转变为用户决策。可以看出，企业信息化是商业智能应用的基础，商业智能最大程度地利用了企业信息化中各应用系统的数据，将企业日常业务数据整理为信息，逐步升华为知识，从而为决策者提供最大力度的支持。

从企业商业智能系统建立的层面上来看，构建一个完整的商业智能系统涉及到以下几种核心技术：

①数据仓库(DW)。数据仓库是面向主题的、集成的、相对稳定的、连续的数据集合，用以支持经营管理中的决策制定过程，是商业智能的基础。数据仓库能够从容量庞大的业务处理型数据库中抽取数据，处理、转换为新的存储格式;

②联机分析处理(OLAP)。联机分析处理技术使分析人员、管理人员或执行人员从多种角度对从原始数据中转化出来、能够真正为用户所理解的、并真实反映企业维度特性的信息进行快速、一致、交互地存取，从而获得对数据更深入了解的一类软件技术;

③数据挖掘(DM)。数据挖掘即数据库中的知识发现，是一个在数据中提取出有效的、新颖的、有潜在实用价值和易于理解知识模式的高级过程。数据挖掘技术以企业拥有的大量数据为对象，通过抽取、转换、装载等数据处理方法，发现数据的关联与趋势，探寻出其中的业务规律和模式。

其中联机分析处理侧重于与用户的交互、快速的响应速度及提供数据的多维视图，而数据挖掘则注重自动发现隐藏在数据中的模式和有用信息。

2 系统体系结构

企业的决策层管理具有全局性、长远性、关键性和权变性等特征，从技术角度要求商业智能系统要具有良好的集成性和伸缩性，能够从企业宏观角度反映总体指标，而不是拘泥于某一具体的业务应用系统;能够剖析历史数据，并结合即时数据预测企业运营趋势;能够把握企业运营状态，有选择地关注业务关键节点;能够根据企业发展需要及时调整监控侧重点，突出重点数据。结合上述要求和商业智能的技术组成，将企业商业智能系统划分为4个层面，每个层面由不同的数据处理和应用过程环节进行连接，对应4个层面，数据的传递和操作也有4个环节，4个层面和4个环节共同组成了商业智能系统的体系结构，如图1所示。

图1 商业智能系统体系结构

商业智能系统的4个层面分别为数据源、数据仓库、数据分析处理和前端应用。数据源由所内各业务信息应用系统中的基础数据或文档资料中的业务数据组成，是商业智能系统的数据基础;数据仓库包含数据监控导入和数据存储2个部分内容，前者根据定制的规则和流程对数据源中的业务数据进行加工处理，后者对加工后的数据进行分门别类或者重新组织，将其存储在不同的数据集合中供后续处理，二者协同完成商业智能系统核心数据的存储和管理工作;数据分析处理依据数据模型进行数据的再次重组，以支持用户多维度、多层次的分析，发现数据趋势;前端应用由信息访问和决策管理2个部分组成，二者以上层的数据分析处理结果为基础，信息访问负责将数据以人性化的图形、表格等方式呈现在用户的面前，决策管理则构建知识库，形成推理机，为管理者在信息门户中决策时提供参考依据。

商业智能系统中的4个环节是对数据的动态处理过程，体现了数据在系统中流转的生命周期。期初的业务数据经过良好的设计和建模存储在各信息系统数据库中，然后对业务数据进行整合和组织形成数据仓库，接下来进入多维数据分析与挖掘阶段，最后表述、解释、转化数据分析结果为视图、报表和知识等形式。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友