商業(yè)智能的三個(gè)層次
經(jīng)過幾年的積累，大部分中大型的企事業(yè)單位已經(jīng)建立了比較完善的CRM、ERP和OA等基礎(chǔ)信息化系統(tǒng)。這些系統(tǒng)的統(tǒng)一特點(diǎn)是：業(yè)務(wù)人員或者用戶對數(shù)據(jù)庫進(jìn)行大量的增加、修改和刪除等操作，即聯(lián)機(jī)事務(wù)處理(Online Transaction Process，OLTP)。系統(tǒng)運(yùn)行了一段時(shí)間以后，必然幫助企事業(yè)單位收集大量的歷史數(shù)據(jù)。但是。在數(shù)據(jù)庫中分散、獨(dú)立存在的大量數(shù)據(jù)對于業(yè)務(wù)人員來說，只是一些無法看懶的天書。此時(shí)，如何把數(shù)據(jù)轉(zhuǎn)化為業(yè)務(wù)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(shí)現(xiàn)有三個(gè)層次：數(shù)據(jù)報(bào)表、多維數(shù)據(jù)分析和數(shù)據(jù)挖掘。
1)數(shù)據(jù)報(bào)表
如何把數(shù)據(jù)庫中存在的數(shù)據(jù)轉(zhuǎn)變?yōu)闃I(yè)務(wù)人員需要的信息？大部分的答案是報(bào)表系統(tǒng)。簡單說，報(bào)表系統(tǒng)是BI的低端實(shí)現(xiàn)。傳統(tǒng)的報(bào)表系統(tǒng)技術(shù)上已經(jīng)相當(dāng)成熟，大家熟悉的Excel、水晶報(bào)表和Reporting Service等都已經(jīng)被廣泛使用。但是，隨著數(shù)據(jù)的增多，需求的提高，傳統(tǒng)報(bào)表系統(tǒng)面臨的挑戰(zhàn)也越來越多。
(1)數(shù)據(jù)太多，信息太少。密密麻麻的表格堆砌了大量數(shù)據(jù)．到底有多少業(yè)務(wù)人員仔細(xì)看過每一個(gè)數(shù)據(jù)？到底這些數(shù)據(jù)代表了什么信息、什么趨勢？級(jí)別越高的領(lǐng)導(dǎo)，越需要簡明的信息。
(2)難以交互分析、了解各種組合。定制好的報(bào)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(chǎn)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(shù)碼相機(jī)類型產(chǎn)品的情況”等問題。業(yè)務(wù)問題經(jīng)常需要多個(gè)角度的交互分析。
(3)難以挖掘出潛在的規(guī)則。報(bào)表系統(tǒng)列出的往往是表面上的數(shù)據(jù)信息，但是海量數(shù)據(jù)深處含有哪些潛在規(guī)則呢？什么客戶對我們價(jià)值最大？產(chǎn)品之間相互關(guān)聯(lián)的程度如何'越是深層的規(guī)則，對于決策支持的價(jià)值越大，但是，也越難挖掘出來。
(4)難以追溯歷史，形成數(shù)據(jù)孤島。長期運(yùn)行中產(chǎn)生的數(shù)據(jù)往往存在于不同地方，太舊的數(shù)據(jù)（例如一年前的數(shù)據(jù)）可能已被業(yè)務(wù)系統(tǒng)備份出去，導(dǎo)致宏觀分析、長期歷史分析難度很大。
顯然，隨著時(shí)代的發(fā)展，傳統(tǒng)報(bào)表系統(tǒng)已經(jīng)不能滿足日益增長的業(yè)務(wù)需求了，企業(yè)期待著新的技術(shù)。數(shù)據(jù)分析和數(shù)據(jù)挖掘的時(shí)代正在來臨。值得注意的是，數(shù)據(jù)分析和數(shù)據(jù)挖掘系統(tǒng)的目的是帶給我們更多的決策支持價(jià)值，并不是取代數(shù)據(jù)報(bào)表。報(bào)表系統(tǒng)依然有其不呵取代的優(yōu)勢，并且將會(huì)長期與數(shù)據(jù)分析、挖掘系統(tǒng)一起并存下去。
2)多維數(shù)據(jù)分析
如果說在線事務(wù)處理(OLTP)側(cè)重于對數(shù)據(jù)庫進(jìn)行增加、修改和刪除等日常事務(wù)操作，在線分析處理則側(cè)重于針對宏觀問題全面分析數(shù)據(jù)，獲得有價(jià)值的信息。為了達(dá)到OLAP的目的，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫已經(jīng)不夠了，需要一種新的技術(shù)叫做多維數(shù)據(jù)庫。
多維數(shù)據(jù)庫的概念并不復(fù)雜。舉一個(gè)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(shí)，涉及到幾個(gè)角度：時(shí)間、產(chǎn)品和地區(qū)。這些叫做維度。至于銷售額，叫做度量值。當(dāng)然，還有成本、利潤等。
除了時(shí)間、產(chǎn)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(shí)際上，使用中的多維數(shù)據(jù)庫可能是一個(gè)8維或者15維的立方體。雖然結(jié)構(gòu)上15維的立方體很復(fù)雜，但是概念上非常簡單。
數(shù)據(jù)分析系統(tǒng)的總體架構(gòu)分為4個(gè)部分：源系統(tǒng)、數(shù)據(jù)倉庫、多維數(shù)據(jù)庫和客戶端。
①源系統(tǒng)：包括現(xiàn)有的所有OLTP系統(tǒng)，搭建BI系統(tǒng)并不需要更改現(xiàn)有系統(tǒng)。
②數(shù)據(jù)倉庫：數(shù)據(jù)大集中，通過數(shù)據(jù)抽取，把數(shù)據(jù)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(gè)小時(shí)一次，當(dāng)然是自動(dòng)的。數(shù)據(jù)倉庫依然建立在關(guān)系型數(shù)據(jù)庫上，往往符合“星型結(jié)構(gòu)”模型。
③多維數(shù)據(jù)庫：數(shù)據(jù)倉庫的數(shù)據(jù)經(jīng)過多維建模，形成了立方體結(jié)構(gòu)。每一個(gè)立方體描述了一個(gè)業(yè)務(wù)主題，例如銷售、庫存或者財(cái)務(wù)。
④客戶端：好的客戶端軟件可以把多維立方體中的信息豐富多彩地展現(xiàn)給用戶。
3)數(shù)據(jù)挖掘
廣義上說，任何從數(shù)據(jù)庫中挖掘信息的過程都州做數(shù)據(jù)挖掘。從這點(diǎn)看來，數(shù)據(jù)挖掘就是BI。但從技術(shù)術(shù)語上說，數(shù)據(jù)挖掘(Data Mining)指的是：源數(shù)據(jù)經(jīng)過清洗和轉(zhuǎn)換等成為適合于挖掘的數(shù)據(jù)集。數(shù)據(jù)挖掘在這種具有固定形式的數(shù)據(jù)集上完成知識(shí)的提煉，最后以合適的知識(shí)模式用于進(jìn)一步分析決策工作。從這種狹義的觀點(diǎn)上，我們可以定義：數(shù)據(jù)挖掘是從特定形式的數(shù)據(jù)集中提煉知識(shí)的過程。數(shù)據(jù)挖掘往往針對特定的數(shù)據(jù)、特定的問題，選擇一種或者多種挖掘算法，找到數(shù)據(jù)下面隱藏的規(guī)律，這些規(guī)律往往被用來預(yù)測、支持決策?，F(xiàn)舉一個(gè)關(guān)聯(lián)銷售的案例。美國的超市有這樣的系統(tǒng)：當(dāng)你采購了一車商品結(jié)賬時(shí)，售貨員小姐掃描完了你的產(chǎn)品后，計(jì)算機(jī)上會(huì)顯示出一些信息，然后售貨員會(huì)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?yàn)橛?jì)算機(jī)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(jié)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(xué)算命，而是利用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則算法實(shí)現(xiàn)的系統(tǒng)。每天，新的銷售數(shù)據(jù)會(huì)進(jìn)入挖掘模型，與過去N天的歷史數(shù)據(jù)一起被挖掘模型處理，得到當(dāng)前最有價(jià)值的關(guān)騏規(guī)則。同樣的算法，分析網(wǎng)上書店的銷售業(yè)績，計(jì)算機(jī)可以發(fā)現(xiàn)產(chǎn)品之間的關(guān)聯(lián)以及關(guān)聯(lián)的強(qiáng)弱。