从技术层面上讲，BI(商业智能)不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。终端用户查询和报告工具。专门用来支持初级用户的原始数据访问，不包括适应于专业人士的成品报告生成工具。

OLAP工具。提供多维数据管理环境，其典型的应用是对商业问题的建模与商业数据分析。OLAP也被称为多维分析。

数据挖掘（Data Mining）软件。使用诸如神经网络、规则归纳等技术，用来发现数据之间的关系，做出基于数据的推断。

数据仓库（Data Warehouse）和数据集市（Data Mart）产品。包括数据转换、管理和存取等方面的预配置软件，通常还包括一些业务模型，如财务分析模型。

联机分析处理 (OLAP) 的概念最早是由关系数据库之父E.F.Codd于1993年提出的，他同时提出了关于OLAP的12条准则。OLAP的提出引起了很大的反响，OLAP作为一类产品同联机事务处理 (OLTP) 明显区分开来。

当今的数据处理大致可以分成两大类：联机事务处理OLTP（On-Line Transaction Processing）、联机分析处理OLAP（On-Line Analytical Processing）。OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLAP是数据仓库系统的主要应用，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。

OLAP是使分析人员、管理人员或执行人员能够从多角度对信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。OLAP的目标是满足决策支持或者满足在多维环境下特定的查询和报表需求，它的技术核心是”维”这个概念。

“维”是人们观察客观世界的角度，是一种高层次的类型划分。“维”一般包含着层次关系,这种层次关系有时会相当复杂。通过把一个实体的多项重要的属性定义为多个维(dimension)，使用户能对不同维上的数据进行比较。因此OLAP也可以说是多维数据分析工具的集合。

OLAP的基本多维分析操作有钻取（roll up和drill down）、切片（slice）和切块（dice）、以及旋转（pivot）、drill across、drill through等。

钻取是改变维的层次，变换分析的粒度。它包括向上钻取（roll up）和向下钻取（drill down）。roll up是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；而drill down则相反，它从汇总数据深入到细节数据进行观察或增加新维。

切片和切块是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个，则是切块。
旋转是变换维的方向，即在表格中重新安排维的放置（例如行列互换）。
OLAP有多种实现方法，根据存储数据的方式不同可以分为ROLAP、MOLAP、HOLAP。

ROLAP表示基于关系数据库的OLAP实现（Relational OLAP）。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。ROLAP将多维数据库的多维结构划分为两类表：一类是事实表，用来存储数据和维关键字；另一类是维表，即对每个维至少使用一个表来存放维的层次、成员类别等维的描述信息。维表和事实表通过主关键字和外关键字联系在一起,形成了“星型模式”。对于层次复杂的维，为避免冗余数据占用过大的存储空间，可以使用多个表来描述，这种星型模式的扩展称为“雪花模式”。

MOLAP表示基于多维数据组织的OLAP实现（Multidimensional OLAP）。以多维数据组织方式为核心，也就是说，MOLAP使用多维数组存储数据。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”、“切片”是产生多维数据报表的主要技术。

HOLAP表示基于混合数据组织的OLAP实现（Hybrid OLAP）。如低层是关系型的，高层是多维矩阵型的。这种方式具有更好的灵活性。

还有其他的一些实现OLAP的方法，如提供一个专用的SQL Server，对某些存储模式（如星型、雪片型）提供对SQL查询的特殊支持。

OLAP工具是针对特定问题的联机数据访问与分析。它通过多维的方式对数据进行分析、查询和报表。维是人们观察数据的特定角度。例如，一个企业在考虑产品的销售情况时，通常从时间、地区和产品的不同角度来深入观察产品的销售情况。这里的时间、地区和产品就是维。而这些维的不同组合和所考察的度量指标构成的多维数组则是OLAP分析的基础，可形式化表示为（维1，维2，……，维n，度量指标），如（地区、时间、产品、销售额）。多维分析是指对以多维形式组织起来的数据采取切片（Slice）、切块（Dice）、钻取（Drill-down和Roll-up）、旋转（Pivot）等各种分析动作，以求剖析数据，使用户能从多个角度、多侧面地观察数据库中的数据，从而深入理解包含在数据中的信息。

根据综合性数据的组织方式的不同，目前常见的OLAP主要有基于多维数据库的MOLAP及基于关系数据库的ROLAP两种。MOLAP是以多维的方式组织和存储数据，ROLAP则利用现有的关系数据库技术来模拟多维数据。在数据仓库应用中，OLAP应用一般是数据仓库应用的前端工具，同时OLAP工具还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。

商业智能的发展趋势可以归纳为以下几点：

功能上具有可配置性、灵活性、可变化性
BI系统的范围从为部门的特定用户服务扩展到为整个企业所有用户服务。同时，由于企业用户在职权、需求上的差异，BI系统提供广泛的、具有针对性的功能。从简单的数据获取，到利用WEB和局域网、广域网进行丰富的交互、决策信息和知识的分析和使用。

解决方案更开放、可扩展、可按用户定制，在保证核心技术的同时，提供客户化的界面针对不同企业的独特的需求，BI系统在提供核心技术的同时，使系统又具个性化，即在原有方案基础上加入自己的代码和解决方案，增强客户化的接口和扩展特性；可为企业提供基于商业智能平台的定制的工具，使系统具有更大的灵活性和使用范围。

从单独的商业智能向嵌入式商业智能发展

这是目前商业智能应用的一大趋势，即在企业现有的应用系统中，如财务、人力、销售等系统中嵌入商业智能组件，使普遍意义上的事务处理系统具有商业智能的特性。考虑BI系统的某个组件而不是整个BI系统并非一件简单的事，比如将OLAP技术应用到某一个应用系统，一个相对完整的商业智能开发过程，如企业问题分析、方案设计、原型系统开发、系统应用等过程是不可缺少的。

从传统功能向增强型功能转变

增强型的商业智能功能是相对于早期的用SQL工具实现查询的商业智能功能。目前应用中的BI系统除实现传统的BI系统功能之外，大多数已实现了图2中数据分析层的功能。而数据挖掘、企业建模是BI系统应该加强的应用，以更好地提高系统性能。

实施商业智能系统（BI）是一项复杂的系统工程,整个项目涉及企业管理, 运作管理, 信息系统, 数据仓库, 数据挖掘, 统计分析等众多门类的知识. 因此用户除了要选择合适的商业智能软件工具外还必须按照正确的实施方法才能保证项目得以成功. 商业智能项目的实施步骤可分为:

(1) 需求分析: 需求分析是商业智能实施的第一步, 在其它活动开展之前必须明确的定义企业对商业智能的期望和需求, 包括需要分析的主题, 各主题可能查看的角度(维度); 需要发现企业哪些方面的规律. 用户的需求必须明确.

(2) 数据仓库建模:通过对企业需求的分析, 建立企业数据仓库的逻辑模型和物理模型,并规划好系统的应用架构,将企业各类数据按照分析主题进行组织和归类.

(3) 数据抽取: 数据仓库建立后必须将数据从业务系统中抽取到数据仓库中, 在抽取的过程中还必须将数据进行转换, 清洗, 以适应分析的需要.

(4) 建立商业智能分析报表: 商业智能分析报表需要专业人员按照用户制订的格式进行开发, 用户也可自行开发(开发方式简单,快捷) .

(5) 用户培训和数据模拟测试: 对于开发—使用分离型的商业智能系统, 最终用户的使用是相当简单的, 只需要点击操作就可针对特定的商业问题进行分析.

(6) 系统改进和完善: 任何系统的实施都必须是不断完善的. 商业智能系统（BI）更是如此, 在用户使用一段时间后可能会提出更多的,更具体的要求, 这时需要再按照上述步骤对系统进行重构或完善

商业智能帮助企业的管理层进行快速, 准确的决策, 迅速的发现企业中的问题, 提示管理人员加以解决。

但商业智能软件系统不能代替管理人员进行决策, 不能自动处理企业运行过程中遇到的问题。因此商业智能系统并不能为企业带来直接的经济效益, 但必须看到,商业智能为企业带来的是一种经过科学武装的管理思维,给整个企业带来的是决策的快速性和准确性, 发现问题的及时性, 以及发现那些对手未发现的潜在的知识和规律,而这些信息使企业产生经济效益的基础, 不能快速,准确的指定决策方针等于将市场送给对手, 不能及时发现业务中的潜在信息等于浪费自己的资源。

比如:通过对销售数据的分析可发现各类客户的特征和喜欢购买商品之间的联系,这样就可进行更有针对性的精确的促销活动或向客户提供更具有个性的服务等, 这都会为企业带来直接的经济效益.

商业智能帮助企业的管理层进行快速, 准确的决策, 迅速的发现企业中的问题, 提示管理人员加以解决。

目前，很多厂商活跃在商业智能（下面称BI）领域。事实上，能够满足用户需要的BI产品和方案必须建立在稳定、整合的平台之上，该平台需要提供用户管理、安全性控制、连接数据源以及访问、分析和共享信息的功能。BI平台的标准化也非常重要，因为这关系到与企业多种应用系统的兼容问题，解决不了兼容问题，BI系统就不能发挥出应有效果。这里我们通过对一个实验室的BI系统模型（我们将其称为D系统）进行功能解剖，来介绍BI系统。

D系统是一个面向终端使用者，直接访问业务数据，能够使管理者从各个角度出发分析利用商业数据，及时地掌握组织的运营现状，作出科学的经营决策的系统。D系统可实现从简单的标准报表浏览到高级的数据分析，满足组织内部人员的需求。D系统涵盖了常规意义上商业智能（BI）系统的功能，主要构架包括以下几个方面。

读取数据

D系统可读取多种格式（如Excel、Access、以Tab分割的txt和固定长的txt等）的文件，同时可读取关系型数据库 (对应ODBC)中的数据。在读取文本和数据的基础上，D系统还可以完成：

连接文本：把2个CSV文件中的共同项目作为键（Key），将所需的数据合并到一个文件，这样可以象操作数据库一样方便，但无须用户编程即可实现。

设置项目类型 作为数据的项目类型：除按钮(button)（文字项目）、数值项目以外，还可以设置日期表示形式的日期数据项目、多媒体项目和不需要生成按钮但在列表显示中能够浏览的参照项目。

期间设置：日期项目数据可以根据年度或季度等组合后生成新的期间项目。同样，时间项目数据可以根据上午、下午或时间带等组合后生成新的时间项目。

设置等级 对于数值项目：可以任意设置等级，生成与之相对应的按钮。例如，可以生成与年龄项目中的20岁年龄段、30岁年龄段的等级相对应的按钮。

分析功能

关联/限定：关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是，事件发生的概率和条件概率应该符合一定的统计意义。D系统把这种关联的分析设计成按钮的形式，通过选择有/无关联，同时/相反的关联。对于结构化的数据，以客户的购买习惯数据为例，利用D系统的关联分析，可以发现客户的关联购买需要。例如，一个开设储蓄账户的客户很可能同时进行债券交易和股票交易。利用这种知识可以采取积极的营销策略，扩展客户购买的产品范围，吸引更多的客户。

显示数值比例/指示显示顺序：D系统可使数值项目的数据之间的比例关系通过按钮的大小来呈现，并显示其构成比，还可以改变数值项目数据的排列顺序等。选择按钮后，动态显示不断发生变化。这样能够获得直观的数据比较效果，并能够凸显差异，便于深入分析现象背后的本质。

监视功能：预先设置条件，使符合条件的按钮显示报警（红）、注意（黄）信号，使问题所在一目了然。比如说：上季度营业额少于100万元的店警告（黄色标出），少于50万元的报警（红色标出）。执行后，D系统就把以店名命名的按钮用相应的颜色表示出来。

按钮增值功能：可将多个按钮组合，形成新的按钮。比如：把[4月]、[5月]、[6月]三个按钮组合后得到新的按钮[第2季度]。

记录选择功能：从大量数据中选择按钮，取出必要的数据。挑出来的数据可重新构成同样的操作环境。这样用户可以把精力集中在所关心的数据上。

多媒体情报表示功能：由数码相机拍摄的照片或影像文件、通过扫描仪输入的图形等多媒体文件、文字处理或者电子表格软件做成的报告书、HTML等标准形式保存的文件等，可以通过按钮进行查找。

分割按钮功能：在分割特定按钮类的情况下，只需切换被分割的个别按钮，便可连接不断实行已登录过的定型处理。

程序调用功能：把通过按钮查找抽取出的数据，传给其他的软件或用户原有的程序，并执行这些程序。

查找按钮名称功能：通过按钮名查找按钮，可以指定精确和模糊两种查找方法。另外，其他的按钮类也可以对查找结果相关的数据进行限定。

丰富的画面

列表画面：可以用and/or改变查找条件，可以进行统计/排序。统计对象只针对数值项目，统计方法分三种：合计、件数、平均，而且可以按照12种方式改变数值的显示格式。

视图画面：提供切换视角和变换视图功能，通过变换与设置条件相应的数值（单元格）的颜色表示强调。依次变换视角可进行多方面的数据分析。视图的统计对象只针对数值项目，统计方法有合计、平均、构成比（纵向、横向）、累计(纵向、横向)、加权平均、最大、最小、最新和绝对值等12种。

数值项目切换：通过按钮类的阶层化（行和列最多可分别设置8层），由整体到局部，一边分层向下挖掘，一边分析数据，可以更加明确探讨问题所在。

图表画面：D系统使用自己开发的图形库，提供柱形图、折线图、饼图、面积图、柱形+折线五大类35种。在图表画面上，也可以像在阶层视图一样，自由地对层次进行挖掘和返回等操作。

数据输出功能

打印统计列表和图表画面等，可将统计分析好的数据输出给其他的应用程序使用，或者以HTML格式保存。

定型处理

所需要的输出被显示出来时，进行定型登录，可以自动生成定型处理按钮。以后，只需按此按钮，即使很复杂的操作，也都可以将所要的列表、视图和图表显示出来。

D系统应用范围

商业智能系统可辅助建立信息中心，如产生各种工作报表和分析报表。用作以下分析：

销售分析：主要分析各项销售指标，例如毛利、毛利率、交叉比、销进比、盈利能力、周转率、同比、环比等等；而分析维又可从管理架构、类别品牌、日期、时段等角度观察，这些分析维又采用多级钻取，从而获得相当透彻的分析思路；同时根据海量数据产生预测信息、报警信息等分析数据；还可根据各种销售指标产生新的透视表。

商品分析：商品分析的主要数据来自销售数据和商品基础数据，从而产生以分析结构为主线的分析思路。主要分析数据有商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标。通过D系统对这些指标的分析来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。

人员分析：通过D系统对公司的人员指标进行分析，特别是对销售人员指标（销售指标为主，毛利指标为辅）和采购人员指标（销售额、毛利、供应商更换、购销商品数、代销商品数、资金占用、资金周转等）的分析，以达到考核员工业绩，提高员工积极性，并为人力资源的合理利用提供科学依据。主要分析的主题有，员工的人员构成、销售人员的人均销售额、对于销售的个人销售业绩、各管理架构的人均销售额、毛利贡献、采购人员分管商品的进货多少、购销代销的比例、引进的商品销量如何等等。

尽管商业智能BI的应用价值得到很多企业的认可，但一些想构建BI系统的企业还有些迷茫，那么，它们应该从何入手？在上系统之前应做好哪些准备？　　商业智能BI要想大做小，从最迫切的业务入手。先把最紧要的业务管理起来，以便迅速响应市场需求，做出最佳决策。积累了一定经验后，再逐渐增加BI系统继续对其他业务进行决策分析，这样可以在一定程度上规避风险，因为上BI也要进行流程的重整，一个部门的整顿对公司的影响要比整个公司整顿的影响小得多，就好比动小手术总要比做大手术的疼痛小一些一样。

　　以业务趋动而非IT趋动。很多企业明白这样的道理，应该由业务部门的需求主导软件的设计和开发。但由于业务人员的水平不足以达到提出未来管理模型架构，若出于这样的原因，企业应该给予IT部门绝对的权威，让它有权要求业务部门配合IT部门共同协商提出需求模型，以尽量准确地把握企业的业务发展方向。

　　要成立专门的数据分析部门。在国内，数据分析师这个职位提到的还不多，有专家建议，如果准备上BI系统的话，一定要落实相应的数据分析部门。企业对数据进行优化的目的，是要从中找出最有价值的数据，这些有价值的数据挖掘出来后，如果没有相应的人对其进行跟踪处理，它的价值也就只停留在迅速做出报表的层面了。

　　商业智能BI也是一把手工程。一把手的角度，是从提高企业业务增值的目的出发，没有一把手的大力支持，企业的业务流程调整会遇到很大阻力，甚至是难以贯彻下去。

　　因此，在决定上BI之前，企业要慎重考虑哪些业务首先需要决策支持，这项业务的内部流程是否清楚，如何对其进行内部流程重整。并要配套相应的部门来专门负责数据的跟踪和优化分析，这样企业的决策才会变得越来越理性客观。

那些能够成功地利用手中所掌握的信息资源的企业，它们必然清楚地知道信息所能带来的商业利益– 不单是提升硬件上的效率，而且在提高销售业绩、改进工作效率和增强客户满意度等软的领域获益匪浅。　　但对于大多数企业而言，信息至今仍是一笔未被充分挖掘的资产，也就是说，大多数企业还没有从花费巨资所构建的信息系统中享受到应有的益处。那么在企业部署BI的过程中，常常会遇到哪些障碍呢？

　　首先是不能提供可靠的信息。

　　据《商业周刊》去年的研究显示，43%的商业人士不能确信他们企业内部的信息是否准确，77%的被访者表示他们因为缺乏可信的信息而做出过失败的决策。这其中，数据的质量存在很大的问题。

　　比如本土银行，它们的数据库中的信息少则几千万条，多则几亿条。数量是足够庞大了，但质量如何呢？同名账户、废弃账户，一个人有多个账户，这些信息需要专业的工具来清洗和改良，还要预防质量低下的数据输入系统。外资银行在业务流程中，就特别地强调客户信息搜集的准确性，这使得它们在把握客户需求和产品创新上占得了优势。

　　其次是能否针对非技术人员设计出简便而形象的用户界面。

　　对于非技术人员而言，系统操作的简便程度如何，很可能成为能否普及BI的一大关键。也就是说，最终用户希望简捷、自动地获取信息，而不是被迫学习和认知一个全新的环境，或者依赖于IT部门的帮助。特别是，商业决策的制定从来不是靠某个人在真空的环境中完成的– 这需要用户围绕着信息数据开展协同和商讨之后才能做出，这就要求有一个易于操作的环境。

　　商业智能BI应用的部署与管理也应该简便易行，越来越多的企业用户希望找到打包的、易于实施的中端市场解决方案或者软件服务项目，这样他们可以在网上直接访问到商业智能BI的应用，不需要安装任何其他的软件程序。

　　第三是陷入贪大求全的误区。

　　无论是上哪种管理软件，几乎都会听到同样的声音：不要贪大求全，要从最迫切的业务入手，商业智能BI也不例外，它可以做成一个独立的庞大系统，把企业中所有的业务数据全部放在一个数据仓库里，进行多维分析；也可以将其嵌入到各项单独的业务数据中，进行单独的业务分析。

接着上一篇数据挖掘(DW)是什么，再描述一下数据数据挖掘(DW)所涉及的学科领域和方法很多，以下四种是非常重要的发现任务。

数据总结其目的是对数据进行浓缩，给出它的紧凑描述。数据挖掘主要关心从数据泛化的角度来讨论数据总结。数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。

分类其目的是学会一个分类函数或分类模型(也称作分类器)，该模型能把数据库的数据项映射到给定类别中的某一个。

聚类是把一组个体按照相似性归类，即”物以类聚”。它的目的是使属于同一类别的个体之间的距离尽可能地小，而不同类别的个体间的距离尽可能地大。

关联规则是形式如下的一种规则，”在购买面包和黄油的顾客中，有90％的人同时也买了牛奶”(面包+黄油+牛奶)。关联规则发现的思路还可以用于序列模式发现。用户在购买物品时，除了具有上述关联规律，还有时间或序列上的规律。

 

商业智能(Busines lnteligence)简称BI通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。

伴随数据库技术的提高和数据处理技术的发展以及各行业业务自动化的实现，商业领域产生了大量的业务数据，要从这海量数据中提取出真正有价值的信息，将数据转化为知识，以支持商业决策，需要用到能提取、存储有用信息，支持决策的数据仓库(DW)、联机分析处理(OLAP)工具和数据挖掘(DM)等技术。因此，从技术层面上讲，商业智能不是什么新技术，它是DW、OLAP和DM等技术的综合运用。

商业智能的关键是从许多来自不同的企业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)、转换和装载，即ETL过程，合并到一个企业级的数据仓库里，从而得到企业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(图1)。目前，商业智能产品及解决方案大致可分为数据仓库产品、数据抽取产品、OLAP产品、展示产品、和集成以上几种产品的针对某个应用的整体解决方案等。

数据仓库技术是为了解决拥有大量业务数据的企业能及时有效地提取经营管理决策所需要的信息而产生的，如何有效地组织大量的数据，维护数据的一致性，方便用户的访问，这只是数据仓库技术的一个方面。另一个重要方面是如何为决策人员有效地使用信息提供方便，使他们能通过使用数据仓库系统对企业的经营管理做出正确的决策，从而为企业带来经济效益。然而，数据仓库中的大部分信息是不易浏览的。要使数据仓库为最终用户的决策支持提供数据，就要借助OLAP技术，通过 OLAP技术，利用数据的多维视图，用户能多角度、多侧面、多层次地考察数据库中的数据，从而深人地了解包含在数据中的信息及其内涵。

OLAP为数据仓库提供了快速浏览、分析，若要智能化且主动地把这些数据转变为有用的信息和知识，离不开日益受到重视的数据挖掘技术。数据挖掘又称数据库中的知识发现(KDD)，是指从存放在数据库、数据仓库或其他信息库中的大量数据中自动地发现相关模式、提取有潜在价值的信息、挖掘知识的过程。从CRM 的角度，数据挖掘应用就是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并能够根据已有的信息对未来发生行为做出结果预测，为企业经营决策、市场策划提供依据。在CRM中应用的数据挖掘模式主要有以下五种:关联分析、分类、聚类分析、序列分析、孤立点分析。对于要挖掘的数据，可以是来自传统的关系数据库，也可以建立面向主题的、采用多维数据立方体组织数据的数据仓库。

数据挖掘经过确定业务对象、数据准备、建立模型、验证模型、数据挖掘、结果分析等步骤，不仅完成了对历史数据的分析，以及不同客户群体的消费数据的分析，而且将这些数据知识化，以预测企业在未来将要发生的状况，从而提高企业的收益能力和决策能力。如，商家可以在分析市场销售数据的基础上选择潜在的顾客，以便向他们推销产品，减少了开展业务的盲目性。可以通过数据挖掘技术，发现有欺诈倾向的用户，避免企业受到损失。

商业智能使用户能够认清趋势、获取洞察力和得出结论，随着用户对历史数据查询的复杂性和快速响应的需求，以及企业提高决策能力和竞争能力的需要，商业智能一定会成为许多行业的投资热点，并得到进一步的普及和发展.

 

　　先讨论一下，城市里的白领，也许没想到找一家“小资”情调的餐馆点一样自己喜欢的菜品，这些都是商业智能的分析对象。

　　比如深受白领喜爱的一茶一坐连锁餐馆，一茶一坐每月每季都设有产品销售前20名排行榜，只要在BI系统里点一下，每季和每月的销售记录就显示出来，产品是被客人持续喜爱，还是受冷遇，产品排行榜上瞬间见分晓。如果产品销售衰减，新品会立即上档顶替。

　　再说其他的销售渠道，虽然明着不打折，但一茶一坐还是有相应的让利活动。它用储值茶人卡来粘住客人，每消费10元则换算成一点，蓄入茶人卡。储到100元，可以换取礼品，权当打折。营运部门定期跟踪客人做些调查，再加工成不同的报告，放进BI系统。

　　与BI系统相呼应的是一茶一坐的简讯平台。茶人卡已聚集了7万会员，所有会员的信息都储存在简讯平台上。营运部门根据会员的年龄、收入、消费频率等数据，在简讯平台上做出报表。每逢会员过生日，一茶一坐将提前发短消息提醒。会员生日当天来，凭着茶人卡和身份证，可以吃到一份免费套餐。

　　在比如说，医生也是典型的BI用户。他们的主要任务是帮助病人恢复健康。医生的第一步工作，是确保患者得到及时的治疗。很多时候，急诊室里的一些患者会因为等待太久而转身离去。为了尽量避免这种现象发生，负责为医院和其他医疗机构提供紧急医疗服务的美国急诊医疗联盟(Emergency Medical Associates)就采用了BI，让医生和医院管理员记录患者的等待时间、就诊时间以及复诊时间，并以此为依据来了解急诊室的效率和服务质量。

　　这一切都是BI的功劳。

　　BI进入中国市场，可谓是一波三折，自从“啤酒和尿布”的故事在中国广泛流传之后，数据仓库在中国也热闹了一阵子，用户曾对它抱以极大的希望，但时隔不久数据仓库应用就进入了“冬眠期”。

　　数据仓库是为了满足人们在高度数据积累基础上进行数据分析的需要而产生的，但由于目前中国在基础数据的积累方面存在不足，导致数据仓库技术的应用没能推广开来。

　　同时，在国外市场竞争非常激烈，每个企业为了自身的生存，已经想尽了办法，很多能够被人工发现的规律早就发现了，在这种情况下，使用数据挖掘技术来解决问题是一个很正常的想法。而国内企业，正处于传统经济转向到市场经济的浪潮中，从管理者、到实施者均尚没有认识到“生存”的真正压力。

　　更为重要的是，数据挖掘工具并不能直接告诉决策者应该把啤酒和尿布摆在一起卖。实际上，数据仓库之上的数据挖掘更像一个过程，一个用户逐步认识自己、提高自己的过程，数据仓库与业务系统并不是平行的关系，它应该是基于所有业务系统之上的，对业务信息进行采集、分析、整理和发布等，应该是一个稳定的、带有时间参数的数据集合。

　　这是BI市场最难解决的事情，一向习惯于拍脑袋做决策的管理者很难理解BI的真正涵义。所以，多数的企业用户把BI做成了装饰工程。领导想看到实时的某某数据，IT部门接到这个指令后马上想到了商业智能。厂商的宣传把商业智能夸成了一朵花，国际上最先进的管理理念，能把企业打造成智能化企业。一片赞美之声下，一个轰轰烈烈的“面子工程”上马了。几个简单的应用被冠以商业智能的名头，领导初时很满意，自己的企业和国际接轨了。渐渐地，化重金买来的软件，只能起到一点点作用，原来的满意似乎不那么是滋味儿了。

　　经历了满长的等待之后，2008年随着厂商策略的改变，各大BI厂商都开始务实地走向了平民化，各个企业也开始了对BI应用的探索。于是，有人说商业智能的春天来了，这未免高兴得太早。

　　虽然BI的局部应用逐渐增多，越来越多的企业尝到了BI的甜头。但对“平民化”的正确理解是商业智能能否最终真正实现“平民化”的重要因素之一。无论对国际厂商还是国内厂商，急功近利将会使资源大量流失，真正适合于本土的模型和解决方案才是企业之所需，而对于中国这个拥有6000万中小企业的大国来讲，商业智能的“平民化”是必然的选择。

　　中国商业智能网