通过几年的堆集，大部分中大型的企事业单位现已建立了比较完善的CRM、ERP、OA等根底信息化体系。这些体系的一致特色都是:通过事务人员或许用户的操作，终究对数据库进行添加、修正、删去等操作。上述体系可一致称为OLTP(Online Transaction Process，在线事务处理)，指的便是体系运行了一段时刻今后，必定协助企事业单位搜集许多的前史数据。可是，在数据库中涣散、独立存在的许多数据关于事务人员来说，仅仅一些无法看懂的天书。事务人员所需求的是信息，是他们能够看懂、了解并从中获益的笼统信息。此刻，怎么把数据转化为信息，使得事务人员(包含管理者)能够充沛把握、运用这些信息，而且辅佐决议计划，便是商业智能首要处理的问题。

怎么把数据库中存在的数据转变为事务人员需求的信息?大部分的答案是报表体系。简略说，报表体系现已能够称作是商业智能了，它是BI的低端完结。

现在国外的企业，大部分现已进入了中端BI，叫做数据剖析。有一些企业现已开端进入高端BI，叫做数据发掘。而我国的企业，现在大部分还停留在报表阶段。

数据报表不行替代

传统的报表体系技能上现已适当老练，咱们了解的Excel、水晶报表、Reporting Service等都现已被广泛运用。可是，跟着数据的增多，需求的进步，传统报表体系面对的应战也越来越多。

1. 数据太多，信息太少

鳞次栉比的表格堆砌了许多数据，究竟有多少事务人员仔细看每一个数据?究竟这些数据代表了什么信息、什么趋势?等级越高的领导，越需求简明的信息。假如我是董事长，我或许只需求一句话:现在咱们的状况是好、中仍是差?

2. 难以交互剖析、了解各种组合

定制好的报表过于呆板。例如，咱们能够在一张表中列出不同区域、不同产品的销量，另一张表中列出不同区域、不同年龄段顾客的销量。可是，这两张表无法答复比如“华北区域中青年顾客购买数码相机类型产品的状况”等问题。事务问题常常需求多个视点的交互剖析。

3. 难以发掘出潜在的规矩

报表体系列出的往往是表面上的数据信息，可是海量数据深处潜在含有哪些规矩呢?什么客户对咱们价值最大，产品之间彼此相关的程度怎么?越是深层的规矩，关于决议计划支撑的价值越大，可是，也越难发掘出来。

4. 难以追溯前史，数据构成孤岛

事务体系许多，数据存在于不同当地。太旧的数据(例如一年前的数据)往往被事务体系备份出去，导致微观剖析、长时刻前史剖析难度很大。

因而，跟着年代的开展，传统报表体系现已不能满意日益增长的事务需求了，企业期待着新的技能。现在国内报表体系领先者润乾报表的立异技能能较好的满意冗杂的事务需求。数据剖析和数据发掘的年代正在降临。值得注意的是，数据剖析和数据发掘体系的意图是带给咱们更多的决议计划支撑价值，并不是替代数据报表。报表体系仍然有其不行替代的优势，而且将会长时刻与数据剖析、发掘体系一同并存下去。

八维以上的数据剖析

假如说OLTP侧重于对数据库进行添加、修正、删去等日常事务操作，OLAP(Online Analytics Process，在线剖析体系)则侧重于针对微观问题，全面剖析数据，取得有价值的信息。

为了到达OLAP的意图，传统的联系型数据库现已不够了，需求一种新的技能叫做多维数据库。

多维数据库的概念并不杂乱。举一个比如，咱们想描绘2003年4月份可乐在北部区域出售额10万元时，牵扯到几个视点:时刻、产品、区域。这些叫做维度。至于出售额，叫做度量值。当然，还有本钱、赢利等。

除了时刻、产品和区域，咱们还能够有许多维度，例如客户的性别、作业、出售部分、促销方法等等。实践上，运用中的多维数据库或许是一个8维或许15维的立方体。

尽管结构上15维的立方体很杂乱，可是概念上十分简略。

数据剖析体系的整体架构分为四个部分:源体系、数据仓库、多维数据库、客户端。

◆源体系：包含现有的一切OLTP体系，建立BI体系并不需求更改现有体系。

◆数据仓库：数据大会集，通过数据抽取，把数据从源体系源源不断地抽取出来，或许每天一次，或许每3个小时一次，当然是主动的。数据仓库仍然建立在联系型数据库上，往往契合叫做“星型结构”的模型。

◆多维数据库：数据仓库的数据通过多维建模，构成了立方体结构。每一个立方体描绘了一个事务主题，例如出售、库存或许财政。

◆客户端：好的客户端软件能够把多维立方体中的信息五光十色地展示给用户。

数据剖析事例

在实践的事例中，咱们运用Oracle 9i建立了数据仓库，Microsoft Analysis Service 2000建立了多维数据库，ProClarity 6.0 作为客户端剖析软件。

分化树如同一个安排图。分化树在答复以下问题时很有用:

◆在指定的产品组内，哪种产品有最高的出售额?

◆在特定的产品品种内，各种产品间的出售额散布怎么?

◆哪个出售人员完结了最高百分比的出售额?

◆数据发掘看穿你的需求

广义上说，任何从数据库中发掘信息的进程都叫做数据发掘。从这点看来，数据发掘便是BI。但从技能术语上说，数据发掘(Data Mining)特指的是:源数据通过清洗和转化等成为适合于发掘的数据集。数据发掘在这种具有固定方式的数据集上完结常识的提炼，最终以适宜的常识方式用于进一步剖析决议计划作业。从这种狭义的观念上，咱们能够界说:数据发掘是从特定方式的数据会集提炼常识的进程。数据发掘往往针对特定的数据、特定的问题，挑选一种或许多种发掘算法，找到数据下面躲藏的规矩，这些规矩往往被用来猜测、支撑决议计划。

相关出售事例

美国的超市有这样的体系:当你收购了一车产品结账时，售货员小姐扫描完了你的产品后，计算机上会显示出一些信息，然后售货员会友爱地问你:咱们有一种一次性纸杯正在促销，坐落F6货架上，您要购买吗?

这句话决不是一般的促销。由于计算机体系早就算好了，假如你的购物车中有餐巾纸、大瓶可乐和沙拉，则86%的或许性你要买一次性纸杯。结果是，你说，啊，谢谢你，我方才一向没找到纸杯。

这不是什么奇特的科学算命，而是运用数据发掘中的相关规矩算法完结的体系。

每天，新的出售数据会进入发掘模型，与曩昔N天的前史数据一同，被发掘模型处理，得到当时最有价值的相关规矩。相同的算法，剖析网上书店的出售成绩，计算机能够发现产品之间的相关以及相关的强弱。

数据报表、数据剖析、数据发掘是商业智能BI的三个层面。咱们信任未来几年的趋势是:越来越多的企业在数据报表的根底上，会进入数据剖析与数据发掘的范畴。商业智能所带来的决议计划支撑功用，会给咱们带来越来越显着的效益。

【修改引荐】

1. 商务智能(BI)的四大关键技能
2. 简析商务智能体系的生命周期
3. 浅析商务智能的五品种型