|
|
|
|
|
商业智能（Business Intelligence, BI）通常被理解为将组织中现有的数据转化为知识，帮助组织作出明智的业务经营决策。其数据包括来自组织业务系统的订单、库存、交易账目、客户和供应商等方面的数据，来自组织所处行业和竞争对手的数据以及来自组织所处的其他外部环境中的各种数据。
|
|
|
|
商业智能一般由数据仓库、联机分析处理（OLAP）、数据挖掘、数据备份和恢复等部分组成。
|
|
|
|
商业智能的关键是从来自组织的许多不同的运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个组织级的数据仓库里，从而得到组织数据的一个全局视图。在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。
|
|
|
|
|
|
|
|
.数据仓库：高效的数据存储和访问方式。提供结构化和非结构化的数据存储，容量大，运行稳定，维护成本低，支持元数据管理，支持多种结构，如中心式数据仓库和分布式数据仓库等。存储介质能够支持近线式和二级存储器，能够很好地支持容灾和备份方案。
|
|
|
|
.数据ETL：支持多平台、多数据存储格式的数据组织，要求能自动地根据描述或者规则进行数据查找和理解。减少海量、复杂数据与全局决策数据之间的差距，帮助形成支撑决策要求的参考内容。
|
|
|
|
.数据统计输出（报表）：能快速地完成数据统计的设计和展示。
|
|
|
|
.分析功能：可以通过业务规则形成分析内容，并且展示样式丰富，具有一定的交互要求，例如预警或趋势分析等。
|
|
|
|
|
|
|
|
.数据报表：BI的低端实现。其不足之处是数据太多，信息太少；难以交互分析、了解各种组合；难以挖掘出潜在的规则；难以追溯历史，形成数据孤岛。
|
|
|
|
.多维数据分析：数据分析系统的总体架构由四个部分组成，包括源系统、数据仓库、多维数据库和客户端。
|
|
|
|
.数据挖掘：源数据经过抽取和转换等成为适合挖掘的数据集，数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。
|
|
|
|
|
|
|
|
|
|
.数据仓库（Data Warehouse）和数据集市（Data Mart）产品。
|
|
|
|
|
|
|
|
|
|
.OLTP（Online Transaction Processing）是联机事务处理，属于传统关系型数据库的一个主要应用，主要用于基本的、日常的事务处理，如银行交易。
|
|
|
|
.OLAP（Online Analytical Processing）是联机分析处理，是数据仓库系统的一个主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。其典型的应用是对商业问题的建模与商业数据分析，也被称为多维分析。
|
|
|
|
|
|
.ROLAP（Relational OLAP）：表示基于关系数据库的OLAP实现。以关系数据库为核心，以关系型结构进行多维数据的表示和存储。它将多维数据库的多维结构划分为两类表，一类是事实表，一类是维表。
|
|
|
|
.MOLAP（Multidimensional OLAP）：表示基于多维数据组织的OLAP实现。以多维数据组织方式为核心，多维数据在存储中将形成“立方块（Cube）”的结构，在MOLAP中对“立方块”的“旋转”“切块”和“切片”是产生多维数据报表的主要技术。
|
|
|
|
.HOLAP（Hybrid OLAP）：表示基于混合数据组织的OLAP实现。如低层是关系型的，高层是多维矩阵型的。
|
|
|
|
主流的商业智能工具包括BO、COGNOS和BRIO。一些国内的软件工具平台如KCOM也集成了一些基本的商业智能工具。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
