到目前为止，关于商业智能还没有一个准确的定义。一般认为，商业智能是一类由数据仓库（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的技术及其应用，它允许用户查询和分析数据库或数据仓库，进而得出影响商业活动的关键因素。最终帮助用户做出更好、更合理的决策。即BI是将数据转换成信息，然后通过发现将信息转化为知识并将知识应用到商业行为上的一个过程，通过该过程实现技术服务于决策的目的。商业智能的出现经历了一个渐进的、复杂的演进过程，而且仍处于发展之中，它包括事务处理系统（Transaction Processing System，TPS）、管理信息系统（Management Information System，MIS）、高级管理人员信息系统（Executive Information System，EIS）和决策支持系统（Decision Support System，DSS）等阶段，最终演变成今天的企业商业智能。

    从系统观点来看，商业智能的数据处理过程是：从各个业务数据库和其他数据源中抽取有用的数据，然后对采集来的数据进行清理和转换（以保证数据的完整性、一致性），经重构后，按照不同的分析主题存放到数据仓库或数据集市中。这样，原先存放在多个业务系统中的、反映企业局部情况的数据经过整理后就转换成反映企业整体情况的信息。从而完成了从“数据→信息”的转变。存放在数据仓库或数据集市中的信息利用合适的查询和分析工具、数据挖掘（Data Mining，DM）工具、联机分析处理（On line Analvtical Processing，OLAP）工具进行处理后，形成带有规律性的、能够对企业运营提供指导意义的知识，从而完成了从“信息→知识”的转变。企业的决策层可以利用得到的知识，制定相应的策略，并反馈到业务系统中，最终改善企业的运营。商业智能的数据处理循环过程如图1。

    图1 BI系统的数据处理循环过程

    从数据分析角度来看，商业智能是为了了解和解决商业活动中遇到的各种问题，利用各种信息系统进行高质量、有价值的信息收集、分析、处理的过程，其基本功能包括个性化的信息分析预测、辅助决策等。

    从应用观点来看，商业智能可以帮助用户对大量数据进行处理和分析，进行趋势预测，辅助决策，从而更好地实现企业的商业目的。现在BI技术应用非常广泛，涵盖了电信、保险、银行、医疗、交通等行业。例如电信业用于客户描述和定位及需求预测等方面；在保险业可根据投保品种、投保人等历史数据，合理设定储备金数额、保险金标准，进行风险分析和损益判断，提供个性化保险服务：在银行、金融和证券行业，可分析客户收益，调整市场活动，建立信贷预警机制，进行更精确的组合业务评估：在制造业可以在销售/营销方面采取更主动的行动以吸引客户。预测需求，及时订货和补货，实时了解供应商和代理商的情况，优化调度、配送和运输过程，实现低库存水平。

[page]    商业智能的体系结构及其核心支撑技术

    所谓体系结构是指一整套的规则和结构，为一个系统或产品的整体设计提供主框架。商业智能的体系结构是指通过识别和理解数据在系统中的流动过程和数据在企业中的应用过程来提供商业智能系统应用的主框架。根据图1的描述，BI的体系结构如图2。商业智能系统是以现代管理理论为指导，信息技术为支撑核心的集成系统，其支撑技术主要包括两方面：一是计算机技术，包括数据仓库技术、数据挖掘技术、联机分析处理以及数据可视化等技术：二是现代管理技术，包括统计、预测等运筹学方法、客户关系管理（CRM）、供应链管理（SCM）、企业资源计划（ERP）等管理理论和方法、企业建模方法。

    图2 BI体系结构

    BI的核心技术包括数据仓库技术、联机分析处理和数据挖掘，同时还需要灵活实用的前端展示，用于提供较好的人机操作界面。以辅助和支持商业决策的全过程。

    3.1 数据仓库技术。出现在20世纪80年代中期，美国信息工程学家、“数据仓库之父”W.H.Inmon将其定义为：“数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合。它用于支持管理中的决策制定过程”。数据仓库系统是对数据的处理技术的集成，而商业智能系统的核心是解决商业问题，它把数据处理技术与商务规则相结合，以提高商业利润，减少市场运营风险，是数据仓库技术、决策处理技术和商业运营规则的结合。

    3.2 数据挖掘技术。采用聚类分析、关联分析、决策树、神经网络、遗传算法等人工智能技术和数理统计等技术，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关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。在零售业、金融保险业、医疗行业等多个领域都可以有很好的应用。

    3.3 联机分析处理。是商业智能系统应用的前端工具，它通过多维的方式来对数据进行多角度、多层次的分析、查询和报表处理。OLAP不同于传统的OLAP（联机事务处理）应用。OLAP应用主要用来完成用户的事务处理，如民航订票系统、银行储蓄系统等，通常要进行大量的更新操作，同时对响应时间要求比较高。而OLAP应用主要是对用户当前及历史数据进行分析，辅助领导决策。其典型的应用有对银行信用卡风险的分析与预测、公司市场营销策略的制定等。OLAP主要是进行大量的查询操作，对时间的要求不太严格。在BI应用中，OLAP应用一般同时与数据挖掘工具、统计分析工具配合使用，以增强决策分析功能。
 

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。