1 商业智能定义
商业智能(Business Intelligence,简称BI)的概念最早是Gartner Group的Howard Dresner于1996年提出来的,我国学者将之翻译为“商业智能”或“商务智能”,本文选用“商业智能”作为Business Intelligence的中文翻译。当时将商业智能定义为一类由数据仓库(或数据集市)、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。
2007年,国内国外普遍加深了对BI的理解。Gartner商业智能峰会重定义了BI,视BI为一个伞状的概念,它包括了分析应用、基础架构和平台以及良好的实践。此举印证也进一步引导BI实现着三个转折:从数据驱动转向业务驱动、从关注技术转向关注应用、从关注工具转向关注工具产生的绩效。其实质是BI以业务为驱动,根据商业策略及其所需要的分析以运用数据。认识的转变对技术的研发有着重大的指导作用。
2 商业智能的特点及核心技术
商业智能,首先是基于信息的大规模生产和数据库技术的运用。目前,商业智能具有如下特点:
1、即时性
传统手工数掘处理,从数掘收集、整理到分类、汇总,都需要经历漫长的时间过程。但是,商业智能使用的技术,可以实时地从业务系统中获得最新的数据。在对时间性敏感的决策分析中,这一点尤其重要。
2、准确性
在准确性方面,因为计算机数据处理,避免了手工操作中存在的失误,所以计算结果是绝对准确和可靠的。
当然,这其中会存在因为业务逻辑关系的缺失而导致的错误,即程序中设定的限制条件不充分而导致数据失误。所以,对待重要的决策信息,应同时建立数据核对机制,以保证建立在即时信息的准确性基础上的决策的正确。
3、自动化
商业智能,包括一个数据抽取、转换、装载(ETL)的过程,这个过程可以按照用户的要求,设定ETL的时间和周期,因此,整个基础数据的获得、数据的处理,以及数据的展现,都是一个自动化的过程,无需手工参与。使用者每同甚至每时获得的信息,都可以是最新数据。这就为决策分析信息提供者的工作带来了极大的便利。
4、灵活性
决策支持的展现方式灵活多样,充分体现了智能的特点。
对于初级阶段分析的展示,可以使用图标和图形的方式。譬如结构百分比,可以使用饼图、三维饼图的方式;对于趋势百分比、同比、定比、环比,可以使用折线图、柱状图等;对于KPI指标,可以使用仪表盘管理;其他的散点图、泡泡图等,都可以根据实际业务的需要而建立。
在图表数据方面,可以进行数据的钻取、旋转和切片操作。当需要进一步了解明细数据的时候,需要使用数据钻取功能,当需要从不同的角度观测数据以发现数据变动规律时,需要利用多维数据的旋转功能,而当需要关注特定数据的时候,可以对特定区域的数据进行切片分析。商业智能分析的灵活性,建立在分析模型设计时周全的考虑。
从商业智能系统建立的技术角度来看,构建一个完整的商业智能系统涉及到以下几种核心技术:
·数据仓库(data warehousing)
·联机分析处理(on-line analytical processing,简称OLAP)
·数据挖掘(data mining)
数据仓库主要是对分散在不同系统的数据进行收集、整理和分析,用于克服常常出现的信息孤岛问题,使机构对客户和自己内部有一个完整、准确的理解,更好地服务于客户,有效的管理内部。它是管理信息的基础工程,是企业和政府走向智能管理的关键和基石。联机分析处理和数据挖掘是数据仓库上获取两种不同的数据增值技术,将这两类技术在一定程度上融合,会使分析操作智能化,使挖掘操作目标化,从而全面提高商业智能技术的实用价值,一方面,联机分析技术可以为数据挖掘提供预期的挖掘对象和目标,避免挖掘的盲目性。另一方面,数据挖掘技术可以使联机分析处理智能化,减少分析人员的负担。把联机分析处理技术和数据挖掘技术进行融合和互补,将是商业智能技术发展的未来走向。
3 商业智能的体系结构及构建流程
商业智能所涉及的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据,以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是操作层的,也可以是战术层和战略层的决策。为了将数据转化为知识,需要利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等技术。因此,从技术层面上讲,商业智能并不是基础技术或者产品技术,它是数据仓库、联机分析处理OLAP(OnlineAnalytical Processing)和数据挖掘等相关技术走向商业应用后形成的一种应用技术,其系统架构如图1所示:
图1 商业智能系统架构图
从图中可以看到,实现商业智能应用有4个十分关键的环节,包括数据源、ETL过程、数据仓库及其应用和BI前端展现四个主要阶段。
1、数据源,数据仓库系统的数据来源主要是外部的操作性应用系统,这些数据源包括数据的业务含义和业务规则,表达业务数据的表、字段、视图、列和索引。
2、ETL过程,ETL过程即抽取(Extraction)、转换(Transformation)和装载(Load)。ETL过程负责将业务系统中各种关系型数据、外部数据、遗留数据和其他相关数据经过清洗、转化和整理后放进中心数据仓库。
3、数据仓库及其应用,数据仓库是商业智能系统的基础,是面向主题的、集成的、稳定的和随时间不断变化的数据集合。通过联机在线分析处理(OLAP)。
可以对数据仓库中多维数据的钻取、切片及旋转等分析动作,可以完成决策支持需要的查询及报表。通过数据挖掘(DM),可以挖掘数据背后隐藏的知识,通过关联分析、聚类和分类等方法建立分析模型,预测企业未来发展趋势和将要面临的问题。
4、BI前端展现,在海量数据和分析手段增多的情况下,BI前端展现主要保障系统分析结果的可视化。一般认为数据仓库、OLAP和数据挖掘技术是商业智能的三大核心技术。
最后,决策者通过正确运用商业智能,将使用结果加以反馈。通过反馈,可以暴露出潜在的问题,同时,也可以根据情况变化,表达新的需求,提高商业智能流程内在质量的提高。
4 商业智能行业应用
1、电子商务
分析商品销售,协助改善网站经营状况;实时分析客户行为、消费倾向,从而实施更具针对性和高效的商业战略;帮助决策者优化经营模式、发现新市场,提高用户忠诚度。
2、零售业
商业智能在零售业中有如下一些应用:
预测:对需求进行预测,根据预测结果更好地管理库存。
营销:对顾客数据进行分析,从而不仅了解卖掉了什么,同时了解“谁”买了什么,实现由消费者“拉”动的营销。
产品销售模式:某种产品的销售特点,不同产品之间的关联关系,作为进货和商店御局的参考。
3、保险业
商业智能在保险业中有如下一些应用:
理赔分析:根据险种、保单持有人、理赔类型以及其它特征分析理赔趋势,以确定准备金的数量,理焙分析可以帮助识别保险欺诈。
顾客利润率分析:分别按不同的品种、不同的地区、不同的代理人、不同的客户群的服务的成本和所得到的收益进行量化分析,找出利润率差异的原因,以利用开发新品种、对于已有品种进行客户化改进并识别能带来高利润率的顾客。
客户价值分析:顾客利润率不是评价顾客对于保险公司价值的唯一指标,也许一个顾客具备在将来购买高利润率保险产品的潜力,也许会成为很好的高利润率顾客的介绍人,因此要考虑顾客在与保险公司打交道的整个过程中的价值。
客户划分:将有各种共同特征的客户划分为不同的客户群,掌握其需求和产品的使用模式,以分别确定营销方案;分析委托人的利润率,识别机会,改进服务。
风险分析:了解引入新险种和发展新客户的风险。识别高风险客户群和能带来机会的客户群,减少理赔频率。
4、金融和证券业
商业智能在金融和证券业中有如下一些应用:
顾客利润率分析:了解各个顾客在当自仃的和长远的利润率。使尽量提高对于高价值顾客的销售,减少用于低价值顾客的成本。
信用管理:了解各种产品的信用状况,建立不同顾客群的信用模式,及早帮助顾客避免信用问题的发生,预测信用政策变化所产生的影响,减少信用损失;
5、电信业
商业智能在电信业中有如下一些应用:
用户划分:分析用户使用电信产品的历史数据,进行用户呼叫行为分析,提供个性化服务和有效的激励手段;
需求分析:分析用户各种产品使用及其花费数据,深入了解顾客对于新产品和服务的需求,对于通信网络投资、定价和竞争性进行分析。
6、制造业
商业智能在制造业中有如下一些应用:
市场营销:提供面向顾客的交易数据,实现由消费者“拉”动的营销;预测:(同零售业);
采购分析:掌握供应商的成本、供货及时性等因素;
5 商业智能的促进作用
1、促进ERP、SCM、CRM应用软件规范使用
对于超市里诸如销售员业绩分析、销售订单与收款对比分析,需要应用软件在设计上做出调整,以便在信息录入的过程中就记录下其间的关联关系。
又譬如,某些ERP软件中的产品成本信息只能归集到产品大类的级别,无法真实记录和归集每个产品的成本信息。在这种情况下,企业的替代做法是将大类产品成本数据,按照一个标准(如明细产品的重量或者金额)划分到每个明细产品中去。这是按照假设使用了一个可以接受的核算方法。但是,如果改进ERP软件的核算机制,完全有可能将产品成本的记录明细到单个产品上。
对于零售业的客户会员信息,企业也可以采取一些相关措施,如对真实信息实行积分奖励的办法,促进消费者提供真实的信息。
正是由于商业智能分析软件的运用,才会认识到企业应用系统中存在的问题,才会有针对性地改进和完善。
2、发现企业隐藏的问题
由于大量数据可以被及时和准确地提供,企业运营中的异常数据,即便是不使用数据挖掘技术,也可以很及时地被发现。
如超市旱的销售毛利率异常波动、库存商品呆滞期过长、应收帐款呆账需要及时处理、超过信用额度的销售发货等等,都是容易被隐藏的经营情况。
3、辅助工作人员提高工作效率
事实上,商业智能分析报表不仅仅局限于决策支持。在商业智能分析过程中,很多报表其实是为普通操作者服务的。特别是对于需要向公司领导层提供报告的操作者,需要很多企业经营方面的报表数据作为原材料。
目前的ERP系统中,查询报表很不方便,客户一旦有新的查询需求,就需要软件公司提供二次开发。
但是只要用户提供了可能的查询角度,则商业智能分析系统中就可以存在相应的查询报表,可以在用户需要的时候,只通过简单操作即可实现。
6 影响商业智能解决方案的因素
商业智能利用数据仓库技术,OLAP和数据挖掘技术不断发现新的知识,扩充到现有的企业知识中来。但就目前国内企业应用现状和算法实现上来看,制约知识发现的因素较多,同时也影响了BI的性能。
1、基础数据建设不完善
对于小企业来说,使用诸如ERP、SCM、CRM等在线交易系统的时间还不长,系统内存储的数据量还不是很大。但随着信息化的发展,中型企业基本上已经是比较成熟的ERP用户了。正是进行商业智能分析的大好时机。
一般来说,基础数据的不完善,存在着这样2方面情况:
首先,是数据之间缺乏关联关系。
譬如希望分析采购订单与收货记录,以考核交货及时率,但是系统的数据库表中并不存在采购订单与入库验收单之间的关联;希望考核销售员业绩,但是系统的数据库表中不存在销售订单与销售员之间的关联关系。这些关联关系,都是在在线交易系统使用过程中实时录入的,同后维护工作极大也不可行。
其次,是数据不真实。譬如超市对销售客户的分析。为了分析客户的购买习惯,需要按照客户的性别、年龄、家庭住址与超市的距离、家庭收入、家庭成员数等进行分类,但是,实际客户填写的资料并非是真实的。据此分析的结论显然不会真实。
2、智能决策程度不高
由于目前中小型企业在扩张过程中,往往存在管理滞后的现象,以数据支持决策的工作还没有得到成熟的阶段。所以目前阶段的商业智能分析,仍然处于收集数据、分类汇总、及时展现的初级阶段。
目前的一些大型企业的商业智能项目,其项目实现的目标并不实用,它们仅仅是实现了会计的三大报表(资产负债表、损益表、现金流量表),以及预算与实际的对比,而在预算与实际对比的系统运用中,并不如理想中的方便。有的企业的商业智能分析软件,是提供一个接口,让操作者在Excel电子表中制作相应格式的报表,然后定期导入到智能分析软件中,完全丧失了软件的自动化功能。
所以,中小企业应该以务实的念度来对待商业智能分析系统。应该通过商业智能分析,决策者看到报表数据,立刻可以决定下一步的行动计划。决策者所需要的,仅仅是及时提供数据准确的报表。
3、系统智能不能很好实现
现有数据挖掘算法大多尚不成熟,效率较低。另外,作为BI数据基础的数据仓库或数据集市中数据量一般比较大,新知识形成的速度和准确性比较低,致使现有的BI系统在知识发现方面的能力不能满足用户要求。
4、系统工具缺乏
目前大多数BI系统功能集中在数据分析方面,如数据查询、报表、OLAP、数据可视化,很少有开发商在系统中配有知识发现工具。因此,功能比较集中,更深一层次的要求无法满足。
5、用户需求不明确
大多数企业用户对商业智能的认知还比较有限,如何准确定位这些企业的需求,激发其对于商业智能应用的意识?企业决定实施商业智能的项目,需要具备多个条件。
——企业信息化的建设已有一定的基础;
——对科学决策有一定的认识和需求;
——对实施前后应该带来的变化有一个初步的预估。
然而国内的大多数企业离这些要求还有一定的距离,在认识的层次上还有待提高。随着商业智能领域的扩大,应该有效地引导新客户在这方面的需求,扩大市场范围,从长远来看有利于商业智能的发展和提高。
6、标准的不统一
目前由于商业智能应用尚处于初期,许多概念并不清晰明确。就算是商业智能这个概念本身,不同的业界人士都会有不同的解读,更不用说大多数对这个领域知之甚少的企业决策者。企业在实施商业智能项目的时候,可能会遇到由于该行业发展良莠不齐而导致的损害,企业投资却得不到应有的回报等问题。
以历史上ERP和BPR的开发应用以及大面积的失败率为鉴,商业智能领域急需未雨绸缪,建立统一的商业智能的理念和实施标准,这也是在商业智能发展路上所面临的一个巨大的挑战。
转载请注明出处:拓步ERP资讯网http://www.toberp.com/
本文标题:什么是商务智能(BI)?