商務(wù)智能入門培訓(xùn)課件

商務(wù)智能入門培訓(xùn)

BusinessIntelligence

商務(wù)智能入門培訓(xùn)

BusinessIntelligence1一、概念篇商務(wù)智能入門培訓(xùn)課件2實(shí)例：沃爾瑪?shù)匿N售部在總結(jié)歷史銷售記錄的時候發(fā)現(xiàn)，每到周末的時候，啤酒和尿布的銷量都比平時要高很多，這是一個巧合還是這個現(xiàn)象的背后隱藏著一定的必然因素？銷售人員展開了調(diào)查，結(jié)果發(fā)現(xiàn)：每到周末，有孩子的家庭主婦就會讓他們的丈夫去超市給孩子買足一周用的尿布，這些丈夫們必然會選擇一些自己愛喝的啤酒，以便周末在欣賞橄欖球賽和籃球賽的時候可以和朋友們一起慶祝。原因找到了之后，銷售部采取了措施，每到周末將超市的啤酒和尿布捆綁銷售，這樣，啤酒和尿布的銷量又同時增加了一成。什么是商務(wù)智能？實(shí)例：沃爾瑪?shù)匿N售部在總結(jié)歷史銷售記錄的時候發(fā)現(xiàn)，每到周末的3二、市場分析篇商務(wù)智能入門培訓(xùn)課件4商務(wù)智能的應(yīng)用分為縱向商務(wù)智能和橫向商務(wù)智能。縱向商務(wù)智能是指企業(yè)分別實(shí)施多個信息化系統(tǒng)，比如財(cái)務(wù)系統(tǒng)中的管理會計(jì)就是商務(wù)智能的一部分，從以前只關(guān)注運(yùn)營報(bào)表，到關(guān)注整個財(cái)務(wù)的運(yùn)作情況，像現(xiàn)金流、資產(chǎn)負(fù)債等。而人力資源系統(tǒng)可以稱為智能人力資源，關(guān)注員工的流失率，分析從什么途徑招聘的員工流失率最高，分析公司人才結(jié)構(gòu)、人才培養(yǎng)方向等?？偠灾?，企業(yè)有了核心業(yè)務(wù)系統(tǒng)、管理信息系統(tǒng)，在這些系統(tǒng)之上做智能的分析，而這些分析得到的信息完全是來自單獨(dú)的系統(tǒng)。那么橫向商務(wù)智能指的是什么呢？舉例來說，比如汽車制造廠生產(chǎn)多款不同的車型，公司老總會問，生產(chǎn)哪一款車型、生產(chǎn)多少，企業(yè)的效率能夠達(dá)到最高？這樣的問題，不能通過分析單獨(dú)的系統(tǒng)得到，因?yàn)樾б孀罡呷Q于生產(chǎn)成本、人力資源成本、市場的需求、競爭對手、市場定價等多方面的信息。而這些信息則分散在財(cái)務(wù)系統(tǒng)、人力資源系統(tǒng)、采購系統(tǒng)中，這就需要系統(tǒng)和信息有效的整合才能解決這個問題，所以稱為橫向商務(wù)智能。商業(yè)智能應(yīng)用領(lǐng)域？商務(wù)智能的應(yīng)用分為縱向商務(wù)智能和橫向商務(wù)智能。商業(yè)智能應(yīng)用領(lǐng)5商業(yè)智能是一種整體化的解決方案，他可以幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策，而依據(jù)則是企業(yè)內(nèi)部的各種數(shù)據(jù)，例如訂單、庫存、交易賬目、客戶和供應(yīng)商資料、行業(yè)數(shù)據(jù)和競爭對手信息等等。商業(yè)智能其實(shí)是一種將企業(yè)信息數(shù)據(jù)轉(zhuǎn)化為決策的重要工具。商業(yè)智能的應(yīng)用是需要一定的基礎(chǔ)的。實(shí)施商業(yè)智能的企業(yè)至少應(yīng)該具備以下幾個條件：用戶的數(shù)據(jù)已達(dá)到一定的規(guī)模；用戶面臨激烈的市場競爭：用戶在IT方面的資金能得到保障。滿足以上幾點(diǎn)的行業(yè)集中在重要的政府機(jī)構(gòu)（如財(cái)務(wù)、稅務(wù)、審計(jì)、工商、海關(guān)等）、零售業(yè)（連鎖店、網(wǎng)上零售等）、大型現(xiàn)代化的制造業(yè)（如寶鋼、上汽集團(tuán)等）、金融（包括銀行、證券、保險(xiǎn)等）、電信業(yè)（如中國電信、中國網(wǎng)通、中國移動等）、能源業(yè)（電力）、運(yùn)輸?shù)龋@也是目前國內(nèi)急需要數(shù)據(jù)倉庫和商業(yè)智能技術(shù)來提升企業(yè)競爭力的主要行業(yè)。金融、電信行業(yè)是BI應(yīng)用最集中的行業(yè)，約占40%的市場分額，保險(xiǎn)、能源、煙草、政務(wù)行業(yè)約占30%的市場份額，制造、零售行業(yè)約占30%的市場份額，是BI應(yīng)用最具潛力的行業(yè)。金融：隨著國內(nèi)五大商業(yè)銀行的信息化不斷發(fā)展，在BI領(lǐng)域投資穩(wěn)步增長，每年均有大量的BI需求，其中BI已經(jīng)不僅局限于高層管理者的決策，操作型BI應(yīng)用越來越廣泛，尤其是信貸評審領(lǐng)域。中小型銀行BI需求也不斷涌現(xiàn)，未來將是金融行業(yè)BI市場的主要增長點(diǎn)。電信：電信行業(yè)信息化程度很高，對信息化依賴很強(qiáng)，積累了大量的數(shù)據(jù)，具有實(shí)施商業(yè)智能項(xiàng)目的基礎(chǔ)條件和資金實(shí)力。電信行業(yè)對于BI深入應(yīng)用是最渴望的，在話費(fèi)套餐設(shè)置、客戶潛力分析等都需要數(shù)據(jù)挖掘技術(shù)來提供決策依據(jù)。行業(yè)現(xiàn)狀？商業(yè)智能是一種整體化的解決方案，他可以幫助企業(yè)做出明智的業(yè)務(wù)6行業(yè)市場規(guī)模？行業(yè)市場規(guī)模？7發(fā)展趨勢？發(fā)展趨勢及預(yù)測移動商業(yè)智能

商業(yè)智能系統(tǒng)會把大量數(shù)據(jù)轉(zhuǎn)變成可視化形式（如圖形和表格），以便使用者詳細(xì)深入地分析潛在商業(yè)趨勢。因此如果為這種分析賦予移動性——通常利用功能強(qiáng)大的智能終端，許多公司就能與客戶和商業(yè)合作伙伴進(jìn)行實(shí)時互動，從而改善服務(wù)、提高工作效率。SaaSBI將得到快速發(fā)展 SaaS是基于互聯(lián)網(wǎng)提供軟件服務(wù)的軟件應(yīng)用模式，企業(yè)根據(jù)實(shí)際需要，從SaaS提供商租賃軟件服務(wù)。SaaS模式在CRM領(lǐng)域獲得了成功，不論是國外還是國內(nèi)具有成熟的產(chǎn)品，并取得了不錯的收益。SAAS在BI領(lǐng)域的應(yīng)用的挑戰(zhàn)是應(yīng)用于互聯(lián)網(wǎng)上的SAAS軟件無法處理BI所需的海量數(shù)據(jù)。商業(yè)智能日漸與業(yè)務(wù)融合

業(yè)務(wù)分析作為商業(yè)智能領(lǐng)域中最貼近業(yè)務(wù)的層面，在2010年成為業(yè)界關(guān)注的重點(diǎn)，不管是SAP還是IBM，都將業(yè)務(wù)分析作為今年的業(yè)務(wù)發(fā)展重點(diǎn)。企業(yè)希望由BI系統(tǒng)帶來的透明度和洞察力能夠幫助企業(yè)降低成本，提高生產(chǎn)率和業(yè)務(wù)敏捷性。通過商業(yè)智能，企業(yè)能更清晰更深刻的了解包括公司管理、利潤分析、市場競爭、財(cái)務(wù)狀況等信息，而未來商業(yè)智能的這種特性還將繼續(xù)加強(qiáng)。操作型BI應(yīng)用得到發(fā)展

目前商業(yè)智能技術(shù)不僅僅應(yīng)用于企業(yè)高層管理者的決策分析，越來越多的商業(yè)智能分析結(jié)果正被用于普通員工的日常工作流程中，直接推動業(yè)務(wù)的執(zhí)行。例如：在家樂福購物時，收銀員已經(jīng)可以根據(jù)顧客的購物籃進(jìn)行產(chǎn)品推薦。發(fā)展趨勢？發(fā)展趨勢及預(yù)測8發(fā)展趨勢？數(shù)據(jù)集成應(yīng)用得到重視

在一些大型企業(yè)中往往有幾十個甚至幾百個信息系統(tǒng)，將這些數(shù)據(jù)整合到數(shù)據(jù)倉庫中，一般采取ETL工具抽取多個廠商數(shù)據(jù)庫的數(shù)據(jù)，有些甚至還包含非結(jié)構(gòu)化數(shù)據(jù),例如XML、EXCEL、文本等。這些數(shù)據(jù)往往需要加工和整理放入ODS（中間庫），最后以規(guī)范、標(biāo)準(zhǔn)的格式存儲到數(shù)據(jù)倉庫。在這個數(shù)據(jù)集成的過程中，要做到系統(tǒng)兼容性好、開發(fā)效率高、處理性能好，而且能夠捕捉數(shù)據(jù)的變化處理增量數(shù)據(jù)。數(shù)據(jù)集成是建立實(shí)用的數(shù)據(jù)倉庫的關(guān)鍵，而且數(shù)據(jù)集成的過程占商業(yè)智能應(yīng)用中一半以上的工作量，因此越是大型企業(yè)越是重視數(shù)據(jù)集成。中小企業(yè)BI應(yīng)用逐漸擴(kuò)大市場

份額

中國中小企業(yè)逐漸呈現(xiàn)對管理軟件旺盛的需求態(tài)勢，很多廠商發(fā)布了專門針對中小企業(yè)的BI套件，例如CognosExpress等。中小企業(yè)在實(shí)施ERP、CRM產(chǎn)品后，必將應(yīng)用商業(yè)智能，中小企業(yè)市場是BI應(yīng)用非常重要的組成部分。BI企業(yè)將在壟斷中不斷新生

中國商業(yè)智能市場兩極競爭趨勢日益加劇。在高端市場，由國際廠商壟斷與競爭的局面是2010年的主流，其中IBM、Oracle、SAP、Microsoft擁有完整的BI產(chǎn)品線，將占據(jù)70%以上的市場份額。剩余的30%市場將由其他外資企業(yè)和國內(nèi)企業(yè)分享。隨著國內(nèi)企業(yè)的成長與并購，國內(nèi)廠商的實(shí)力不斷壯大，但是主要集中于中低端市場，在2010年優(yōu)秀的國產(chǎn)BI產(chǎn)品將開始不斷向四大國際廠商發(fā)起挑戰(zhàn)，但是競爭的過程將是極其漫長的。發(fā)展趨勢？數(shù)據(jù)集成應(yīng)用得到重視91）國際BI廠商，如BO公司（SAP）、Hyperion公司(Oracle)、微軟公司、SAS公司等。這些國際廠商的品牌與規(guī)模優(yōu)勢非常突出，是國內(nèi)大部分BI廠商難以與之匹敵的。2）起步比較早的國內(nèi)BI廠商，如菲奈特(成立于1995年10月，從1997年開始進(jìn)入BI領(lǐng)域)、先進(jìn)數(shù)通公司(成立于2000年)、吉貝克公司(成立于2002年)等。這些國內(nèi)BI廠商憑借本土化的優(yōu)勢以及對國內(nèi)BI用戶所需要的應(yīng)用的獨(dú)特見解，也在國內(nèi)的BI市場上占有超過30％的市場份額。3）非專業(yè)BI廠商，主要有以下幾類：一、從事某些行業(yè)核心業(yè)務(wù)系統(tǒng)建設(shè)的公司；二、從事系統(tǒng)集成的公司；三、從事專業(yè)財(cái)務(wù)系統(tǒng)及個別ERP廠商。商務(wù)智能主要廠商有哪些？廠商產(chǎn)品及簡介IBMDB2以及Cognos、SPSS、DataStage，覆蓋BI全部領(lǐng)域。數(shù)據(jù)倉庫產(chǎn)品結(jié)合了DB2數(shù)據(jù)服務(wù)器的長處和IBM的商業(yè)智能基礎(chǔ)設(shè)施，集成了用于倉庫管理、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)挖掘以及OLAP分析和報(bào)告的核心組件，提供了一套基于可視數(shù)據(jù)倉庫的商業(yè)智能解決方案。OracleOracle、Hyperion，覆蓋BI全部領(lǐng)域，數(shù)據(jù)挖掘領(lǐng)域有待加強(qiáng)。數(shù)據(jù)倉庫解決方案包含了業(yè)界領(lǐng)先的數(shù)據(jù)庫平臺、開發(fā)工具和應(yīng)用系統(tǒng)，能夠提供一系列的數(shù)據(jù)倉庫工具集和服務(wù)，具有多用戶數(shù)據(jù)倉庫管理能力，多種分區(qū)方式，較強(qiáng)的與OLAP工具的交互能力及快速和便捷的數(shù)據(jù)移動機(jī)制等特性。SAPBusinessObjects、CrystalReports，主要是OLAP和報(bào)表領(lǐng)域。Sybase（SAP）提供了稱為WarehouseStudio的一整套覆蓋整個數(shù)據(jù)倉庫建立周期的產(chǎn)品包，包括數(shù)據(jù)倉庫的建模、數(shù)據(jù)集成和轉(zhuǎn)換、數(shù)據(jù)存儲和管理、元數(shù)據(jù)管理和數(shù)據(jù)可視化分析等產(chǎn)品。BusinessObjects（SAP）是集查詢、報(bào)表和OLAP技術(shù)為一身的智能決策支持系統(tǒng)，具有較好的查詢和報(bào)表功能，提供多維分析技術(shù)，支持多種數(shù)據(jù)庫，同時它還支持基于Web瀏覽器的查詢、報(bào)表和分析決策。MicrosoftSQLServer，覆蓋BI全部領(lǐng)域，適合中小型企業(yè)，性價比高。它提供了三大服務(wù)和一個工具來實(shí)現(xiàn)數(shù)據(jù)倉庫系統(tǒng)的整合，為用戶提供了可用于構(gòu)建典型和創(chuàng)新的分析應(yīng)用程序所需的各種特性、工具和功能，可以實(shí)現(xiàn)建模、ETL、建立查詢分析或圖表、定制KPI、建立報(bào)表和構(gòu)造數(shù)據(jù)挖掘應(yīng)用及發(fā)布等功能。TeradataTeradata，主要是數(shù)據(jù)倉庫領(lǐng)域。它提出了可擴(kuò)展數(shù)據(jù)倉庫基本架構(gòu)，包括數(shù)據(jù)裝載、數(shù)據(jù)管理和信息訪問幾個部分，是高端數(shù)據(jù)倉庫市場最有力競爭者，主要運(yùn)行在基于Unix操作系統(tǒng)平臺的NCR硬件設(shè)備上。SASSAS，數(shù)據(jù)挖掘領(lǐng)域領(lǐng)先。SAS公司的數(shù)據(jù)倉庫解決方案是一個由30多個專用模塊構(gòu)成的架構(gòu)體系，適應(yīng)于對企業(yè)級的數(shù)據(jù)進(jìn)行重新整合，支持多維、快速查詢，提供服務(wù)于OLAP操作和決策支持的數(shù)據(jù)采集、管理、處理和展現(xiàn)功能。國內(nèi)其他菲奈特（BIoffice）、和勤（Hinge）、奧威智動（Power-BI）、科加諾（QlikView）、尚南（BlueQuery），潤乾、探智（Trinity）。目前活躍在國內(nèi)BI市場上的廠商大致可分為以下三類：1）國際BI廠商，如BO公司（SAP）、Hyperion公10商務(wù)智能主要廠商產(chǎn)品鏈介紹？廠商數(shù)據(jù)庫數(shù)據(jù)倉庫設(shè)計(jì)、管理ETLOLAP數(shù)據(jù)挖掘報(bào)表IBMDB2IBMDWEDesignStudioIBMWebshpereDatastage、DecisionStream（Cognos）IBMDB2OLAPServerIBMIntelligentMiner、SPSSIBMCognosReportOracleOracleOracleWarehouseBuilderOracleWarehouseBuilderOracleExpress/DiscovererOracleDataMinerOracleReportsSAP-BusinessObjectsRapidMartsBusinessObjectsDataIntegratoinBusinessObjectsOLAPIntelligence-BusinessObjectsCrystalReportMicrosoftSQLServerSQLServerManagementStudioSQLServerIntegrationServicesSQLServerAnalysisServicesSQLServerDataMinerSQLServerReportingServicesTeradataTeradataTeradataRDBMS/TeradataMetaDataServicesTeradataETLAutomation-TeradataWarehouseMinerBTEQSybaseSybase

IQPowerDesinger/WarehouseControlCenterDataIntegratoinSuitePowerDimension-InfoMakerSAS-SASWarehouseAdministratorSASETLStudioSASOLAPServerSASEnterpriseMinerSASReportStudio商務(wù)智能主要廠商產(chǎn)品鏈介紹？廠商數(shù)據(jù)庫數(shù)據(jù)倉庫設(shè)計(jì)、管理ET11三、技術(shù)篇商務(wù)智能入門培訓(xùn)課件12商務(wù)智能總體解決方案財(cái)務(wù)信息“ETL”Extract–Transform-Load數(shù)據(jù)倉庫/數(shù)據(jù)集市/ODS商務(wù)智能平臺信息展現(xiàn)*決策者分析員管理者業(yè)務(wù)員數(shù)據(jù)查詢報(bào)表分析多維分析數(shù)據(jù)挖掘分析門戶數(shù)據(jù)整合*OracleDB2SQLServerSybaseTeraData……銷售信息庫存信息DataIntegrationRapidMart商務(wù)智能總體解決方案財(cái)務(wù)信息“ETL”數(shù)據(jù)倉庫/商務(wù)智能平臺商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一14

數(shù)據(jù)倉庫是一個面向主題的、集成的、時變的、非易失的數(shù)據(jù)集合，支持管理部門的決策過程。面向主題的（subject-oriented）：數(shù)據(jù)倉庫圍繞一些主題，如顧客、供應(yīng)商、產(chǎn)品和銷售組織。數(shù)據(jù)倉庫關(guān)注決策者的數(shù)據(jù)建模與分析，而不是集中于組織機(jī)構(gòu)的日常操作和事務(wù)處理。因此，數(shù)據(jù)倉庫排除對決策無用的數(shù)據(jù)，提供特定主題的簡明視圖。集成的（integrated）：通常，構(gòu)造數(shù)據(jù)倉庫是將多個異種數(shù)據(jù)源，如關(guān)系數(shù)據(jù)庫、一般文件和聯(lián)機(jī)事務(wù)處理記錄集成在一起。使用數(shù)據(jù)清理和數(shù)據(jù)集成技術(shù)，確保命名約定、編碼結(jié)構(gòu)和屬性度量等指標(biāo)的一致性。時變的（time-variant）：數(shù)據(jù)存儲從歷史的角度提供信息。數(shù)據(jù)倉庫中的關(guān)鍵結(jié)構(gòu)，隱式或顯式地包含時間元素。非易失的（nonvolatile）：數(shù)據(jù)倉庫的數(shù)據(jù)是有歷史保存意義的，數(shù)據(jù)倉庫的數(shù)據(jù)也只使用添加的方式，進(jìn)入了數(shù)據(jù)倉庫的數(shù)據(jù)一般情況下是不需要更新的，這樣就保證了數(shù)據(jù)的穩(wěn)定性。通常，它只需要三種數(shù)據(jù)訪問：數(shù)據(jù)的初始化裝入、數(shù)據(jù)的添加和數(shù)據(jù)查詢訪問。數(shù)據(jù)倉庫定義 數(shù)據(jù)倉庫是一個面向主題的、集成的、時變的、15事實(shí)表是用來記錄具體事件的，包含了每個事件的具體要素，以及具體發(fā)生的事情；維度表是對事實(shí)表中事件的要素的描述信息；

數(shù)據(jù)倉庫相關(guān)概念

一個事實(shí)表和多個維度表構(gòu)成一個立方體（主題），一個或者多個相關(guān)主題構(gòu)成一個數(shù)據(jù)集市，一個或者多個數(shù)據(jù)集市構(gòu)成了數(shù)據(jù)倉庫。數(shù)據(jù)倉庫的架構(gòu)模型包括了星型架構(gòu)與雪花型架構(gòu)兩種模式。星型架構(gòu)的中間為事實(shí)表，四周為維度表，類似星星；雪花型架構(gòu)的中間為事實(shí)表，兩邊的維度表可以再有其關(guān)聯(lián)子表，從而表達(dá)了清晰的維度層次關(guān)系。數(shù)據(jù)倉庫相關(guān)概念一個事實(shí)表和多個維度表構(gòu)成一個立方體16步驟一：確定主題

即確定數(shù)據(jù)分析或前端展現(xiàn)的主題。例如：我們希望分析某年某月某一地區(qū)的啤酒銷售情況，這就是一個主題。主題要體現(xiàn)出某一方面的各分析角度(維度)和統(tǒng)計(jì)數(shù)據(jù)(量度)之間的關(guān)系，確定主題時要綜合考慮。我們可以形象的將一個主題想象為一顆星星：統(tǒng)計(jì)數(shù)據(jù)(量度)存在于星星中間的事實(shí)表；分析角度(維度)是星星的各個角；我們將通過維度的組合，來考察量度。那么，“某年某月某一地區(qū)的啤酒銷售情況”這樣一個主題，就要求我們通過時間和地區(qū)兩個維度的組合，來考察銷售情況這個量度。步驟二：確定量度

在確定了主題以后，我們將考慮要分析的技術(shù)指標(biāo)，諸如年銷售額之類。它們一般為數(shù)值，稱為量度。量度是統(tǒng)計(jì)的指標(biāo)，必須事先選擇恰當(dāng)，基于不同的量度可以進(jìn)行復(fù)雜關(guān)鍵性能指標(biāo)(KPI)的設(shè)計(jì)和計(jì)算。數(shù)據(jù)倉庫構(gòu)建步驟步驟一：確定主題數(shù)據(jù)倉庫構(gòu)建步驟17步驟二：確定量度

在確定了主題以后，我們將考慮要分析的技術(shù)指標(biāo)，諸如年銷售額之類。它們一般為數(shù)值，稱為量度。量度是統(tǒng)計(jì)的指標(biāo)，必須事先選擇恰當(dāng)，基于不同的量度可以進(jìn)行復(fù)雜關(guān)鍵性能指標(biāo)(KPI)的設(shè)計(jì)和計(jì)算。步驟三：確定事實(shí)數(shù)據(jù)粒度

在確定了量度之后，我們要考慮到該量度的匯總情況和不同維度下量度的聚合情況?？紤]到量度的聚合程度不同，或采用“最小粒度原則”，即將量度的粒度設(shè)置到最小。數(shù)據(jù)倉庫構(gòu)建步驟步驟二：確定量度數(shù)據(jù)倉庫構(gòu)建步驟18步驟四：確定維度

維度是指分析的各個角度。例如我們希望按照時間，或者按照地區(qū)，或者按照產(chǎn)品進(jìn)行分析，那么這里的時間、地區(qū)、產(chǎn)品就是相應(yīng)的維度?；诓煌木S度，我們可以看到各量度的匯總情況，也可以基于所有的維度進(jìn)行交叉分析。步驟五：

創(chuàng)建事實(shí)表

在確定好事實(shí)數(shù)據(jù)和維度后，我們將考慮加載事實(shí)表。在公司的大量數(shù)據(jù)堆積如山時，我們想看看里面究竟是什么，結(jié)果發(fā)現(xiàn)里面是一筆筆生產(chǎn)記錄，一筆筆交易記錄…那么這些記錄是我們將要建立的事實(shí)表的原始數(shù)據(jù)，即關(guān)于某一主題的事實(shí)記錄表。事實(shí)表是數(shù)據(jù)倉庫的核心。數(shù)據(jù)倉庫構(gòu)建步驟步驟四：確定維度數(shù)據(jù)倉庫構(gòu)建步驟19商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一20元數(shù)據(jù)通常定義

“關(guān)于數(shù)據(jù)的數(shù)據(jù)（例如視圖，查詢SQL，事務(wù)，存儲過程）”，是描述和管理數(shù)據(jù)倉庫自身內(nèi)容對象、用來表示數(shù)據(jù)項(xiàng)的意義及其在系統(tǒng)各組成部件之間的關(guān)系的數(shù)據(jù)。元數(shù)據(jù)作用于數(shù)據(jù)倉庫的創(chuàng)建，維護(hù)，管理和使用的各個方面。是從廣義上來講，用元數(shù)據(jù)來描述數(shù)據(jù)倉庫對象的任何東西——無論是一個表、一個列、一個查詢、一個商業(yè)規(guī)則，或者是數(shù)據(jù)倉庫內(nèi)部的數(shù)據(jù)轉(zhuǎn)移。它在數(shù)據(jù)源的抽取、數(shù)據(jù)加工、訪問與使用等過程中都會存在。實(shí)現(xiàn)元數(shù)據(jù)管理的主要目標(biāo)就是使企業(yè)內(nèi)部元數(shù)據(jù)的定義標(biāo)準(zhǔn)化。數(shù)據(jù)倉庫的維護(hù)工具可以根據(jù)元數(shù)據(jù)完成數(shù)據(jù)的抽取、清洗和轉(zhuǎn)換，并做適度的匯總。數(shù)據(jù)倉庫的元數(shù)據(jù)包括：（1）數(shù)據(jù)資源：包括各個數(shù)據(jù)源的模型，描述源數(shù)據(jù)表字段屬性及業(yè)務(wù)含義，源數(shù)據(jù)到數(shù)據(jù)倉庫的映射關(guān)系；（2）數(shù)據(jù)組織：數(shù)據(jù)倉庫、數(shù)據(jù)集市表的結(jié)構(gòu)、屬性及業(yè)務(wù)含義，多維結(jié)構(gòu)等等；（3）數(shù)據(jù)應(yīng)用：查詢與報(bào)表輸出格式描述、OLAP、數(shù)據(jù)挖掘等的數(shù)據(jù)模型的信息展現(xiàn)；（4）數(shù)據(jù)管理：這里包括數(shù)據(jù)倉庫過程以及數(shù)據(jù)倉庫操作結(jié)果的模型，包括描述數(shù)據(jù)抽取和清洗規(guī)則、數(shù)據(jù)加載控制、臨時表結(jié)構(gòu)、用途和使用情況、數(shù)據(jù)匯總控制。元數(shù)據(jù)元數(shù)據(jù)通常定義元數(shù)據(jù)21分析用戶數(shù)據(jù)庫、數(shù)據(jù)倉庫我想知道今年、做得最好的5個產(chǎn)品數(shù)據(jù)倉庫中有80張數(shù)據(jù)表無語義層的工作模式分析用戶數(shù)據(jù)庫、數(shù)據(jù)倉庫我想知道今年、做得最好的5個產(chǎn)品數(shù)據(jù)22無語義層的工作模式以往的兩種主要的解決數(shù)據(jù)訪問問題的方法:TheBureauApproach:業(yè)務(wù)人員技術(shù)人員SQLTheSQLEducationApproach:業(yè)務(wù)人員技術(shù)人員SQL無語義層的工作模式以往的兩種主要的解決數(shù)據(jù)訪問問題的方法:T23透過語義層訪問數(shù)據(jù)設(shè)計(jì)語義層Universe設(shè)計(jì)數(shù)據(jù)庫和數(shù)據(jù)安全機(jī)制企業(yè)數(shù)據(jù)庫業(yè)務(wù)人員的要求業(yè)務(wù)人員可以基于語義層進(jìn)行數(shù)據(jù)查詢和分析不需要了解數(shù)據(jù)庫內(nèi)部結(jié)構(gòu)不需要學(xué)習(xí)SQL語句股票財(cái)經(jīng)銷售IT人員的要求專注于數(shù)據(jù)庫維護(hù)專注于語義層開發(fā)有語義層的工作模式透過語義層訪問數(shù)據(jù)設(shè)計(jì)語義層Universe設(shè)計(jì)數(shù)據(jù)庫和數(shù)據(jù)24商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一25商業(yè)智能的核心內(nèi)容是從許多來自企業(yè)不同的業(yè)務(wù)處理系統(tǒng)的數(shù)據(jù)（分布的、異構(gòu)的源數(shù)據(jù)）中，提取出有用的數(shù)據(jù)，進(jìn)行清理以保證數(shù)據(jù)的正確性，然后經(jīng)過抽?。‥xtraction）、轉(zhuǎn)換（Transformation）和裝載（Load），即ETL過程（本質(zhì)上是樣本提取的過程），整合到一個企業(yè)級的數(shù)據(jù)倉庫里，從而得到企業(yè)信息的一個全局視圖，在此基礎(chǔ)上利用合適的查詢和分析工具、數(shù)據(jù)挖掘工具等對數(shù)據(jù)倉庫里的數(shù)據(jù)進(jìn)行分析和處理，形成信息，甚至進(jìn)一步把信息提煉出輔助決策的知識，最后把知識呈現(xiàn)給管理者，為管理者的決策過程提供支持。ETL概念ETL特征：以串行/并行方式，從不同異構(gòu)數(shù)據(jù)源流向統(tǒng)一的目標(biāo)數(shù)據(jù)，核心在于轉(zhuǎn)換過程（關(guān)聯(lián)，聚集），而抽取和裝載一般可以作為轉(zhuǎn)換的輸入和輸出。ETL元數(shù)據(jù)主要包括每次轉(zhuǎn)換前后的數(shù)據(jù)結(jié)構(gòu)和轉(zhuǎn)換的規(guī)則。數(shù)據(jù)同步，數(shù)據(jù)ETL是經(jīng)常性的活動，按照固定周期運(yùn)行，甚至實(shí)時運(yùn)行。流程控制和數(shù)據(jù)驗(yàn)證機(jī)制。商業(yè)智能的核心內(nèi)容是從許多來自企業(yè)不同的業(yè)務(wù)處理系統(tǒng)的數(shù)據(jù)（26字段映射；映射的自動匹配；字段的拆分；多字段的混合運(yùn)算；跨異構(gòu)數(shù)據(jù)庫的關(guān)聯(lián)；自定義函數(shù)；多數(shù)據(jù)類型支持；復(fù)雜條件過濾；支持臟讀；數(shù)據(jù)的批量裝載；時間類型的轉(zhuǎn)換；對各種碼表的支持；環(huán)境變量是否可以動態(tài)修改；去重復(fù)記錄；抽取斷點(diǎn)；記錄間合并或計(jì)算；記錄拆分；抽取的字段是否可以動態(tài)修改；行、列變換；排序；統(tǒng)計(jì)；度量衡等常用的轉(zhuǎn)換函數(shù)；代理主鍵的生成；調(diào)試功能；抽取遠(yuǎn)程數(shù)據(jù)；增量抽取的處理方式；制造樣品數(shù)據(jù)；在轉(zhuǎn)換過程中是否支持?jǐn)?shù)據(jù)比較的功能；數(shù)據(jù)預(yù)覽；性能監(jiān)控；數(shù)據(jù)清洗及標(biāo)準(zhǔn)化；按行、按列的分組聚合等ETL技術(shù)功能清單字段映射；記錄拆分；ETL技術(shù)功能清單27增量數(shù)據(jù)ETL解決方案比較技術(shù)路線相關(guān)產(chǎn)品適用場合優(yōu)點(diǎn)缺點(diǎn)觸發(fā)器（Trigger）客戶自己非常熟悉自己開發(fā)的業(yè)務(wù)系統(tǒng)的數(shù)據(jù)存儲邏輯，而且數(shù)據(jù)的實(shí)時性要求非常高，整表數(shù)據(jù)量大于100萬的情況獲取增量數(shù)據(jù)實(shí)時性好；性能好；實(shí)現(xiàn)容易容易導(dǎo)致原業(yè)務(wù)系統(tǒng)不能正常工作；觸發(fā)器狀態(tài)不易監(jiān)控和管理；觸發(fā)器失效容易造成監(jiān)控期間的增量數(shù)據(jù)丟失時間戳客戶自己對業(yè)務(wù)系統(tǒng)數(shù)據(jù)存儲邏輯不是很熟，業(yè)務(wù)系統(tǒng)安全性要求很高，對增量數(shù)據(jù)的實(shí)時性要求不是很高，整表的數(shù)據(jù)量不大于100萬的情況不需要對原系統(tǒng)進(jìn)行任何修改；實(shí)現(xiàn)容易增量數(shù)據(jù)的獲取和更新機(jī)制對目的數(shù)據(jù)庫和源數(shù)據(jù)庫都存在較大性能影響。數(shù)據(jù)庫日志CDC(IBM)在不適合觸發(fā)器、時間戳的情況下，通過數(shù)據(jù)庫日志的方式通過第三方監(jiān)聽工具實(shí)現(xiàn)增量數(shù)據(jù)的同步不用對業(yè)務(wù)系統(tǒng)表結(jié)構(gòu)進(jìn)行直接修改；對數(shù)據(jù)ETL過程進(jìn)行監(jiān)控，有利于后續(xù)日常管理需要源數(shù)據(jù)庫支持日志功能，并且修改源數(shù)據(jù)庫的日志監(jiān)控選項(xiàng)；啟動日志監(jiān)控會適當(dāng)?shù)赜绊懺磾?shù)據(jù)庫的性能；購買專業(yè)的數(shù)據(jù)庫監(jiān)控軟件增加項(xiàng)目的成本。增量數(shù)據(jù)ETL解決方案比較技術(shù)路線相關(guān)產(chǎn)品適用場合優(yōu)點(diǎn)缺點(diǎn)觸28ETL技術(shù)與數(shù)據(jù)庫復(fù)制技術(shù)比較序號項(xiàng)目ETL數(shù)據(jù)庫復(fù)制1適用場合適合于數(shù)據(jù)倉庫系統(tǒng)，尤其適合于數(shù)據(jù)抽取中需要進(jìn)行數(shù)據(jù)清晰、轉(zhuǎn)換和運(yùn)算的情況適合數(shù)據(jù)庫的數(shù)據(jù)復(fù)制，可用于數(shù)據(jù)庫系統(tǒng)的備份、數(shù)據(jù)容災(zāi)、以及備份數(shù)據(jù)的再利用，在備份系統(tǒng)上開發(fā)新的業(yè)務(wù)模塊。2性能性能比較低非常高（高兩個數(shù)量級）3相關(guān)產(chǎn)品SSIS,CDC，Datastage等DSGRealsync，QUESTShareplex以及ORACLEDataGuard、HighVolumeReplicator等ETL技術(shù)與數(shù)據(jù)庫復(fù)制技術(shù)比較序號項(xiàng)目ETL數(shù)據(jù)庫復(fù)制1適用297、商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)7、商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技30聯(lián)機(jī)分析處理（OLAP）是對立方體中的數(shù)據(jù)進(jìn)行在線的分析，可以包括切片、切塊、鉆取、旋轉(zhuǎn)、鉆透等分析方法；根據(jù)數(shù)據(jù)的存儲模式不同OLAP可劃分為:MOLAP、ROLAP、HOLAP三種OLAP概念聯(lián)機(jī)分析處理（OLAP）是對立方體中的數(shù)據(jù)進(jìn)行在線的分析，可31主流的OLAP產(chǎn)品有OracleExpress/Discoverer、SQLServerAnalysisServices、DB2OLAPServer、SASOLAPServer等，這些產(chǎn)品都可以生成多維數(shù)據(jù)立方體，提供多維數(shù)據(jù)的快速分析，支持所有主流關(guān)系型數(shù)據(jù)庫如DB2，Oracle，SQLServer，Sybase等，同時可讀取關(guān)系數(shù)據(jù)庫中細(xì)節(jié)數(shù)據(jù)，實(shí)現(xiàn)混合在線分析(HOLAP)或關(guān)系型在線分析(ROLAP)商務(wù)智能核心技術(shù)-OLAP主流的OLAP產(chǎn)品有OracleExpress/Disc32旋轉(zhuǎn)、切片、鉆取、鉆透分析旋轉(zhuǎn)、切片、鉆取、鉆透分析33聯(lián)動分析聯(lián)動分析34模型預(yù)測分析模型預(yù)測分析357、商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)7、商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技36數(shù)據(jù)挖掘（DataMining）是采用數(shù)學(xué)的、統(tǒng)計(jì)的、人工智能和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的科學(xué)方法，從大量數(shù)據(jù)中挖掘出隱含的、先前未知的、對決策有潛在價值的關(guān)系、模式和趨勢，并用這些知識和規(guī)則建立用于決策支持的模型，為商業(yè)智能系統(tǒng)服務(wù)的各業(yè)務(wù)領(lǐng)域提供預(yù)測性決策支持的方法、工具和過程。數(shù)據(jù)挖掘前身是知識發(fā)現(xiàn)（KDD，KnowledgeDiscoveryinDatabases），屬于機(jī)器學(xué)習(xí)的范疇，所用技術(shù)和工具主要有統(tǒng)計(jì)分析（或數(shù)據(jù)分析）和知識發(fā)現(xiàn)。知識發(fā)現(xiàn)與數(shù)據(jù)挖掘是人工智能、機(jī)器學(xué)習(xí)與數(shù)據(jù)庫技術(shù)相結(jié)合的產(chǎn)物，是從數(shù)據(jù)中發(fā)現(xiàn)有用知識的整個過程。數(shù)據(jù)挖掘概念數(shù)據(jù)挖掘（DataMining）是采用數(shù)學(xué)的、統(tǒng)計(jì)的、人工371．?dāng)?shù)據(jù)選擇

數(shù)據(jù)選擇過程是根據(jù)用戶的挖掘目標(biāo)，交互式地完成對源數(shù)據(jù)的裁減，使生成的目標(biāo)數(shù)據(jù)只集中在與挖掘目標(biāo)相一致的數(shù)據(jù)上。目標(biāo)數(shù)據(jù)應(yīng)該以適合于挖掘的形式進(jìn)行組織，常用的是關(guān)系數(shù)據(jù)庫或多維數(shù)據(jù)立方體等形式。2．模型建立

數(shù)據(jù)特征探索、分析和預(yù)處理，消除數(shù)據(jù)中的噪聲，然后建立挖掘模型并實(shí)施對應(yīng)的算法。3．模型驗(yàn)證

不論是自己建立挖掘模型還是選取或改進(jìn)已有模型都必須要進(jìn)行驗(yàn)證。這種驗(yàn)證最常用的方法是樣本學(xué)習(xí)。先用一部分?jǐn)?shù)據(jù)建立模型，然后再用剩下的數(shù)據(jù)來測試和驗(yàn)證這個模型。

數(shù)據(jù)挖掘是一個反復(fù)的過程。通過反復(fù)的交互式執(zhí)行和驗(yàn)證才能找到解決問題的最好途徑。通過不斷地產(chǎn)生、篩選和驗(yàn)證，才能把有意義的知識集成到企業(yè)的知識庫或商業(yè)智能系統(tǒng)中去。數(shù)據(jù)挖掘三個步驟1．?dāng)?shù)據(jù)選擇數(shù)據(jù)挖掘三個步驟38分類：樣本分析貝葉斯分類

貝葉斯分類是利用貝葉斯公式，通過計(jì)算每個特征下分類的條件概率，來計(jì)算某個特征組合實(shí)例的分類概率，選取最大概率的分類作為分類結(jié)果，樸素貝葉斯分類要求各特征間是相互獨(dú)立的，對異常的反應(yīng)敏感。常見的貝葉斯分類器有NaiveBayes,TAN,BAN,GBN等方法。KNN法 KNN（K-NearestNeighbor）法即K最近鄰法，最初由Cover和Hart于1968年提出的，是一個理論上比較成熟的方法。該方法的思路非常簡單直觀：如果一個樣本在特征空間中的K個最相似（即特征空間中最鄰近）的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。該方法的不足之處是計(jì)算量較大。SVM法 SVM法即支持向量機(jī)（SupportVectorMachine）法，由Vapnik等人于1995年提出，具有相對優(yōu)良的性能指標(biāo)。該方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。通過學(xué)習(xí)算法，SVM可以自動尋找出那些對分類有較好區(qū)分能力的支持向量，由此構(gòu)造出的分類器可以最大化類與類的間隔，因而有較好的適應(yīng)能力和較高的分準(zhǔn)率。該方法只需要由各類域的邊界樣本的類別來決定最后的分類結(jié)果。數(shù)據(jù)挖掘方法分類：樣本分析數(shù)據(jù)挖掘方法39聚類分析：馬氏距離，K距離

聚類分析（Cluster）根據(jù)已知數(shù)據(jù)，計(jì)算各觀察個體或變量之間親疏關(guān)系的統(tǒng)計(jì)量（距離或相關(guān)系數(shù)）。根據(jù)某種準(zhǔn)則（最短距離法、最長距離法、中間距離法、重心法等），使同一類內(nèi)的差別較小，而類與類之間的差別較大，最終將觀察個體或變量分為若干類。

聚類分析主要用在客戶和市場細(xì)分方面。以客戶關(guān)系管理為例，利用聚類分析，根據(jù)客戶在不同特征如性別、年齡、收入水平、交易歷史、教育狀況、家庭情況等方面的相似程度，對客戶進(jìn)行分類。通過聚類分析，企業(yè)往往可以發(fā)現(xiàn)客戶的喜好或行為模式，了解客戶的共性，從而提供有針對性的客戶服務(wù)，提高企業(yè)服務(wù)成功率，如提供針對性的產(chǎn)品組合等等。關(guān)聯(lián)分析：發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，事件序列，相似性時間序列

關(guān)聯(lián)分析（Association）反映一個事件和其它事件之間的依賴或關(guān)聯(lián)。數(shù)據(jù)庫中的數(shù)據(jù)關(guān)聯(lián)是現(xiàn)實(shí)世界中事物聯(lián)系的表現(xiàn)。關(guān)聯(lián)可分為簡單關(guān)聯(lián)、時序（TimeSeries）關(guān)聯(lián)、因果關(guān)聯(lián)、數(shù)量關(guān)聯(lián)等。這些關(guān)聯(lián)并不總是事先知道的，而是通過數(shù)據(jù)庫中數(shù)據(jù)的關(guān)聯(lián)分析獲得的，因而對商業(yè)決策具有新價值。

關(guān)聯(lián)分析常被用于市場購物籃分析、交叉銷售，促銷計(jì)劃等。例如，在尋求諸如當(dāng)購買油漆時是否購買刷子一類的模式過程中，人們發(fā)現(xiàn)，如果顧客購買了油漆，有20%的可能性也會購買刷子。統(tǒng)計(jì)分析方法

非線性回歸分析（Nonlinearregression）、邏輯回歸分析、單變量分析、多變量分析、時間序列分析、最近鄰算法。數(shù)據(jù)挖掘方法聚類分析：馬氏距離，K距離數(shù)據(jù)挖掘方法40T檢驗(yàn)

假設(shè)檢驗(yàn)方法，主要用來比較兩個總體均值的差異是否顯著。方差分析（AnalysisofVariance，ANOVA）

超過兩個總體的均值檢驗(yàn)，也經(jīng)常用于實(shí)驗(yàn)設(shè)計(jì)后的檢驗(yàn)問題。主成分分析和因子分析

主成分分析（PrincipleAnalysis）和因子分析（FactorAnalysis）目標(biāo)是找出多個潛藏的變量之間的關(guān)系，主要用在消費(fèi)者行為態(tài)度等研究、價值觀態(tài)度語句的分析、市場細(xì)分之前的因子聚類等，問卷的信度和效度檢驗(yàn)等，因子分析也可算是數(shù)據(jù)的預(yù)處理技術(shù)。主成分分析與因子分析是兩種方法，要能夠區(qū)分。主成分分析可以消減變量，權(quán)重等，主成分還可以用作構(gòu)建綜合排名統(tǒng)計(jì)分析方法。時間序列分析

時間序列分析（TimeSequence）用于識別具體具有先后次序的不同時間之間的關(guān)聯(lián)性。比如，客戶一月購買了飯盒和帳篷，二月購買了旅行背包和錄像帶，三月購買了睡袋。時間序列分析查看所有記錄并返回如下規(guī)則：如果一月的購買目標(biāo)中包括飯盒，則三月購買睡袋的機(jī)率是30%。關(guān)聯(lián)分析可發(fā)現(xiàn)時間相關(guān)性?；貧w分析

回歸分析（RegressionAnalysis）是重要的認(rèn)識多變量分析的基礎(chǔ)方法，只有掌握了回歸我們才能進(jìn)入多變量分析，其它很多方法都是變種。主要用在影響研究、滿意度研究等，當(dāng)然市場研究基本上是解釋性回歸分析，也就是不注重預(yù)測而關(guān)注解釋自變量對因變量的影響。主要把握R平方、逐步回歸、標(biāo)準(zhǔn)化回歸系數(shù)（當(dāng)作權(quán)重或重要性）等；回歸也是預(yù)處理技術(shù)，缺省值處理等。數(shù)據(jù)挖掘方法T檢驗(yàn)數(shù)據(jù)挖掘方法41Logistics回歸技術(shù)

分類技術(shù)，主要針對因變量是0-1情況下的判別，該技術(shù)是我們認(rèn)識非線性關(guān)系的重要基礎(chǔ)，很多情況下，我們需要作出是與否的判斷，基礎(chǔ)模型就是它了，像客戶離網(wǎng)分析、客戶價值分析、客戶信用等都用這個模型；方差分析（AnalysisofVariance，ANOVA）。決策樹（Decisiontrees）：主要用于分類和細(xì)分，分析事件分支及概率分布。

決策樹是將特征的判別序列形成一顆樹，從樹根到葉子節(jié)點(diǎn)進(jìn)行每個節(jié)點(diǎn)的判斷，葉子節(jié)點(diǎn)處對應(yīng)某個類別標(biāo)號，就是最終的分類結(jié)果。

決策樹分類的關(guān)鍵是樹的構(gòu)造，由每個節(jié)點(diǎn)引申每個屬性的判別分支。如何選擇特征屬性的判別順序？一種方法是利用每個特征對最終分類結(jié)果的區(qū)分度（訓(xùn)練集中），常用的區(qū)分標(biāo)準(zhǔn)有卡方，信息增益，信息增益率。主要的決策樹算法有ID3,C4.5,CHAID,CART,Quest和C5.0。神經(jīng)網(wǎng)絡(luò)方法：正向傳播和反向傳播

神經(jīng)網(wǎng)絡(luò)（Neuralnetworks）方法的目標(biāo)是捕獲市場巴素（如廣告等促銷手段）與總的銷售額間的復(fù)雜關(guān)系，找出輸人量變化引起的輸出量波動之間的映射關(guān)系，通過神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型和敏感性分析可能找出重要的影響因子，此模型能夠在給定的短期預(yù)報(bào)中取得良好的性能。

反向傳播神經(jīng)網(wǎng)絡(luò)適合于每日或每周數(shù)據(jù)預(yù)報(bào).與反向傳播相比，正向傳播神經(jīng)網(wǎng)絡(luò)在速度方面更具優(yōu)勢。遺傳算法（人工生命）博弈算法數(shù)據(jù)挖掘方法Logistics回歸技術(shù)數(shù)據(jù)挖掘方法42三、實(shí)施篇商務(wù)智能入門培訓(xùn)課件43商務(wù)智能一個成功商務(wù)智能案例需要做些什么？商務(wù)智能實(shí)施商務(wù)智能一個成功商務(wù)智能案例需要做些什么？商務(wù)智能實(shí)施44三.商務(wù)智能實(shí)施方法二.商務(wù)智能實(shí)施經(jīng)驗(yàn)一.商務(wù)智能實(shí)施層次三.商務(wù)智能實(shí)施方法二.商務(wù)智能實(shí)施經(jīng)驗(yàn)一.商務(wù)智能實(shí)45一、商務(wù)智能實(shí)施層次實(shí)施商務(wù)智能一定是業(yè)務(wù)驅(qū)動，目標(biāo)導(dǎo)向。與ERP等系統(tǒng)最大的區(qū)別是，ERP是企業(yè)的運(yùn)營系統(tǒng)，管理企業(yè)的日常流程，以流程為導(dǎo)向。而商務(wù)智能是目標(biāo)導(dǎo)向，那么要做好商務(wù)智能，企業(yè)要明確解決什么問題。當(dāng)企業(yè)明確了要解決的問題后，再分析為了解決這些問題要采取哪些方式。

企業(yè)級商業(yè)智能的構(gòu)建是一個系統(tǒng)工程，它有三個層次，需要一步一步建設(shè)。

第一個層次BusinessInformation-Mode是整個BI工程的基礎(chǔ)；第二個層次BusinessIntegration是整個BI工程的技術(shù)實(shí)現(xiàn)基礎(chǔ)；第三個層次BusinessIntelligence才是真正意義上的商業(yè)智能的軟件實(shí)現(xiàn)。一、商務(wù)智能實(shí)施層次實(shí)施商務(wù)智能一定是業(yè)務(wù)驅(qū)464、商務(wù)智能實(shí)施三.商務(wù)智能實(shí)施方法一.商務(wù)智能實(shí)施層次二.商務(wù)智能實(shí)施經(jīng)驗(yàn)4、商務(wù)智能實(shí)施三.商務(wù)智能實(shí)施方法一.商務(wù)智能實(shí)施層次47二、商務(wù)智能實(shí)施經(jīng)驗(yàn)1）數(shù)據(jù)種類少、數(shù)據(jù)量大是企業(yè)實(shí)施商業(yè)智能應(yīng)用的最佳環(huán)境，因?yàn)檫@將有利于數(shù)據(jù)整合、轉(zhuǎn)換、清洗、抽取、裝載及數(shù)據(jù)模型的建立。2）先導(dǎo)入ERP有利于數(shù)據(jù)整合，減少導(dǎo)入BI系統(tǒng)的工作量，缺點(diǎn)是需要增加ERP的導(dǎo)入周期。3）首先確定企業(yè)需求，定義明確的目標(biāo)和收益率，以重點(diǎn)業(yè)務(wù)為突破口（自上而下），選擇合適的數(shù)據(jù)倉庫產(chǎn)品和系統(tǒng)架構(gòu)，迅速部署，風(fēng)險(xiǎn)控制，然后在使用中逐步調(diào)整和完善整個BI系統(tǒng)。4）從一開始就采取統(tǒng)一的綜合性的措施來建立數(shù)據(jù)倉庫，確保所用的數(shù)據(jù)是可靠的。5）與主管充分溝通（如果有同業(yè)有成功的導(dǎo)入案例，通常是取得主管支持的好方法），系統(tǒng)上線后對使用人員進(jìn)行必要的培訓(xùn)，鼓勵使用。6）設(shè)立專門的數(shù)據(jù)分析師。BI的目的是要從中找出最有價值的數(shù)據(jù)，如果沒有相應(yīng)的人對其進(jìn)行跟蹤處理，它的價值也就只停留在迅速做出報(bào)表的層面了。永遠(yuǎn)不要因?yàn)槟阏J(rèn)為需要BI就購買BI軟件。不要先購買了BI軟件再去考慮哪些地方可能需要，而應(yīng)該是已經(jīng)明確在哪些地方需要應(yīng)用BI后再去購買和部署。商業(yè)智能項(xiàng)目是一個需要不斷優(yōu)化的循環(huán)過程，而不是一個可以一步到位的結(jié)果，在整個企業(yè)發(fā)展商業(yè)智能的過程中，重復(fù)是很正常的，也是很必然的。二、商務(wù)智能實(shí)施經(jīng)驗(yàn)1）數(shù)據(jù)種類少、數(shù)據(jù)量大是企業(yè)實(shí)施商業(yè)484、商務(wù)智能實(shí)施一.商務(wù)智能實(shí)施層次二.商務(wù)智能實(shí)施經(jīng)驗(yàn)三.商務(wù)智能實(shí)施方法4、商務(wù)智能實(shí)施一.商務(wù)智能實(shí)施層次二.商務(wù)智能實(shí)施經(jīng)驗(yàn)49三、商務(wù)智能實(shí)施方法1、自上而下把數(shù)據(jù)倉庫定義為一個大系統(tǒng)，“全局考慮，全面實(shí)施”，建立適合企業(yè)信息共性需求的完整的數(shù)據(jù)模型，然后從業(yè)務(wù)運(yùn)營系統(tǒng)中提取數(shù)據(jù)，進(jìn)行數(shù)據(jù)的清洗、合并、規(guī)范化和合理化，并加載到數(shù)據(jù)倉庫中，形成企業(yè)統(tǒng)一的數(shù)據(jù)集成平臺，最后可以根據(jù)部門個性需要將數(shù)據(jù)倉庫的數(shù)據(jù)分發(fā)到面向主題的數(shù)據(jù)集市中。優(yōu)點(diǎn)：◆企業(yè)統(tǒng)一的數(shù)據(jù)集成平臺；◆集中化的控制管理；◆數(shù)據(jù)容易分發(fā)到各個數(shù)據(jù)集市中；缺點(diǎn)：◆開發(fā)過程復(fù)雜，費(fèi)用高；◆開發(fā)時間長，難以滿足快速變化的業(yè)務(wù)需求；◆需要進(jìn)行大量的業(yè)務(wù)需求分析，需要大量的資源；◆結(jié)構(gòu)比較僵化，比較難以擴(kuò)展；三、商務(wù)智能實(shí)施方法1、自上而下優(yōu)點(diǎn)：缺點(diǎn)：50三、商務(wù)智能實(shí)施方法2、自下而上大量的舊系統(tǒng)，要想在短時間內(nèi)進(jìn)行數(shù)據(jù)的合理性和完整性統(tǒng)一是相當(dāng)困難的，而市場變化和企業(yè)決策規(guī)則變化不允許花大量的時間和精力去建立一個滿足日后需求，但不滿足現(xiàn)在變化的系統(tǒng)。自下而上的開發(fā)方法就是根據(jù)特定的業(yè)務(wù)主題，“分部門考慮，分部門實(shí)施”，可以在很短的時間內(nèi)實(shí)現(xiàn)部門級的數(shù)據(jù)集市，多個數(shù)據(jù)集市組成企業(yè)聯(lián)邦制的數(shù)據(jù)倉庫。優(yōu)點(diǎn)：◆可以并行開發(fā)；◆見效快；◆分散化的資源和管理控制；缺點(diǎn)：◆很難協(xié)調(diào)各個數(shù)據(jù)集市的建設(shè)；◆可能存在著部門之間的政治斗爭和數(shù)據(jù)集市歸屬問題；◆如果采用不同的技術(shù)建立起來的數(shù)據(jù)集市，最終造成多個相互獨(dú)立、互不兼容的“煙囪式”數(shù)據(jù)集市，給維護(hù)和數(shù)據(jù)共享帶來很大的障礙；◆多種數(shù)據(jù)源采集系統(tǒng)，可能造成對業(yè)務(wù)系統(tǒng)的沖擊和數(shù)據(jù)的不一致；三、商務(wù)智能實(shí)施方法2、自下而上優(yōu)點(diǎn)：缺點(diǎn)：51三、商務(wù)智能實(shí)施方法3、元數(shù)據(jù)驅(qū)動元數(shù)據(jù)管理在商業(yè)智能項(xiàng)目開發(fā)建設(shè)中有很重要的作用。元數(shù)據(jù)驅(qū)動、螺旋上升的數(shù)據(jù)倉庫建立的過程就是“建立元數(shù)據(jù)――構(gòu)造數(shù)據(jù)倉庫/集市”的不斷循環(huán)、不斷上升的過程。優(yōu)點(diǎn)：◆建立企業(yè)數(shù)據(jù)的統(tǒng)一視圖；◆有統(tǒng)一的元數(shù)據(jù)管理；◆具有靈活可擴(kuò)展的的體系結(jié)構(gòu)；◆分步式開發(fā)，螺旋式上升，既能快速看到效果，又保證系統(tǒng)的連續(xù)性、一致性缺點(diǎn)：◆真正地實(shí)現(xiàn)元數(shù)據(jù)的驅(qū)動則不是一件容易的事情。三、商務(wù)智能實(shí)施方法3、元數(shù)據(jù)驅(qū)動優(yōu)點(diǎn)：缺點(diǎn)：52BusinessIntelligenceThankyou!THEENDBusinessIntelligenceThankyou53商務(wù)智能入門培訓(xùn)課件54樹立質(zhì)量法制觀念、提高全員質(zhì)量意識。12月-2212月-22Friday,December30,2022人生得意須盡歡，莫使金樽空對月。16:50:2616:50:2616:5012/30/20224:50:26PM安全象只弓，不拉它就松，要想保安全，常把弓弦繃。12月-2216:50:2616:50Dec-2230-Dec-22加強(qiáng)交通建設(shè)管理，確保工程建設(shè)質(zhì)量。16:50:2616:50:2616:50Friday,December30,2022安全在于心細(xì)，事故出在麻痹。12月-2212月-2216:50:2616:50:26December30,2022踏實(shí)肯干，努力奮斗。2022年12月30日4:50下午12月-2212月-22追求至善憑技術(shù)開拓市場，憑管理增創(chuàng)效益，憑服務(wù)樹立形象。30十二月20224:50:26下午16:50:2612月-22嚴(yán)格把控質(zhì)量關(guān)，讓生產(chǎn)更加有保障。十二月224:50下午12月-2216:50December30,2022作業(yè)標(biāo)準(zhǔn)記得牢，駕輕就熟除煩惱。2022/12/3016:50:2616:50:2630December2022好的事情馬上就會到來，一切都是最好的安排。4:50:26下午4:50下午16:50:2612月-22一馬當(dāng)先，全員舉績，梅開二度，業(yè)績保底。12月-2212月-2216:5016:50:2616:50:26Dec-22牢記安全之責(zé)，善謀安全之策，力務(wù)安全之實(shí)。2022/12/3016:50:26Friday,December30,2022相信相信得力量。12月-222022/12/3016:50:2612月-22謝謝大家！樹立質(zhì)量法制觀念、提高全員質(zhì)量意識。12月-2212月-2255生活中的辛苦阻撓不了我對生活的熱愛。12月-2212月-22Friday,December30,2022人生得意須盡歡，莫使金樽空對月。16:50:2616:50:2616:5012/30/20224:50:26PM做一枚螺絲釘，那里需要那里上。12月-2216:50:2616:50Dec-2230-Dec-22日復(fù)一日的努力只為成就美好的明天。16:50:2616:50:2616:50Friday,December30,2022安全放在第一位，防微杜漸。12月-2212月-2216:50:2616:50:26December30,2022加強(qiáng)自身建設(shè)，增強(qiáng)個人的休養(yǎng)。2022年12月30日4:50下午12月-2212月-22精益求精，追求卓越，因?yàn)橄嘈哦鴤ゴ蟆?0十二月20224:50:26下午16:50:2612月-22讓自己更加強(qiáng)大，更加專業(yè)，這才能讓自己更好。十二月224:50下午12月-2216:50December30,2022這些年的努力就為了得到相應(yīng)的回報(bào)。2022/12/3016:50:2616:50:2630December2022科學(xué)，你是國力的靈魂；同時又是社會發(fā)展的標(biāo)志。4:50:26下午4:50下午16:50:2612月-22每天都是美好的一天，新的一天開啟。12月-2212月-2216:5016:50:2616:50:26Dec-22相信命運(yùn)，讓自己成長，慢慢的長大。2022/12/3016:50:26Friday,December30,2022愛情，親情，友情，讓人無法割舍。12月-222022/12/3016:50:2612月-22謝謝大家！生活中的辛苦阻撓不了我對生活的熱愛。12月-2212月-2256商務(wù)智能入門培訓(xùn)

BusinessIntelligence

商務(wù)智能入門培訓(xùn)

BusinessIntelligence57一、概念篇商務(wù)智能入門培訓(xùn)課件58實(shí)例：沃爾瑪?shù)匿N售部在總結(jié)歷史銷售記錄的時候發(fā)現(xiàn)，每到周末的時候，啤酒和尿布的銷量都比平時要高很多，這是一個巧合還是這個現(xiàn)象的背后隱藏著一定的必然因素？銷售人員展開了調(diào)查，結(jié)果發(fā)現(xiàn)：每到周末，有孩子的家庭主婦就會讓他們的丈夫去超市給孩子買足一周用的尿布，這些丈夫們必然會選擇一些自己愛喝的啤酒，以便周末在欣賞橄欖球賽和籃球賽的時候可以和朋友們一起慶祝。原因找到了之后，銷售部采取了措施，每到周末將超市的啤酒和尿布捆綁銷售，這樣，啤酒和尿布的銷量又同時增加了一成。什么是商務(wù)智能？實(shí)例：沃爾瑪?shù)匿N售部在總結(jié)歷史銷售記錄的時候發(fā)現(xiàn)，每到周末的59二、市場分析篇商務(wù)智能入門培訓(xùn)課件60商務(wù)智能的應(yīng)用分為縱向商務(wù)智能和橫向商務(wù)智能。縱向商務(wù)智能是指企業(yè)分別實(shí)施多個信息化系統(tǒng)，比如財(cái)務(wù)系統(tǒng)中的管理會計(jì)就是商務(wù)智能的一部分，從以前只關(guān)注運(yùn)營報(bào)表，到關(guān)注整個財(cái)務(wù)的運(yùn)作情況，像現(xiàn)金流、資產(chǎn)負(fù)債等。而人力資源系統(tǒng)可以稱為智能人力資源，關(guān)注員工的流失率，分析從什么途徑招聘的員工流失率最高，分析公司人才結(jié)構(gòu)、人才培養(yǎng)方向等。總而言之，企業(yè)有了核心業(yè)務(wù)系統(tǒng)、管理信息系統(tǒng)，在這些系統(tǒng)之上做智能的分析，而這些分析得到的信息完全是來自單獨(dú)的系統(tǒng)。那么橫向商務(wù)智能指的是什么呢？舉例來說，比如汽車制造廠生產(chǎn)多款不同的車型，公司老總會問，生產(chǎn)哪一款車型、生產(chǎn)多少，企業(yè)的效率能夠達(dá)到最高？這樣的問題，不能通過分析單獨(dú)的系統(tǒng)得到，因?yàn)樾б孀罡呷Q于生產(chǎn)成本、人力資源成本、市場的需求、競爭對手、市場定價等多方面的信息。而這些信息則分散在財(cái)務(wù)系統(tǒng)、人力資源系統(tǒng)、采購系統(tǒng)中，這就需要系統(tǒng)和信息有效的整合才能解決這個問題，所以稱為橫向商務(wù)智能。商業(yè)智能應(yīng)用領(lǐng)域？商務(wù)智能的應(yīng)用分為縱向商務(wù)智能和橫向商務(wù)智能。商業(yè)智能應(yīng)用領(lǐng)61商業(yè)智能是一種整體化的解決方案，他可以幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策，而依據(jù)則是企業(yè)內(nèi)部的各種數(shù)據(jù)，例如訂單、庫存、交易賬目、客戶和供應(yīng)商資料、行業(yè)數(shù)據(jù)和競爭對手信息等等。商業(yè)智能其實(shí)是一種將企業(yè)信息數(shù)據(jù)轉(zhuǎn)化為決策的重要工具。商業(yè)智能的應(yīng)用是需要一定的基礎(chǔ)的。實(shí)施商業(yè)智能的企業(yè)至少應(yīng)該具備以下幾個條件：用戶的數(shù)據(jù)已達(dá)到一定的規(guī)模；用戶面臨激烈的市場競爭：用戶在IT方面的資金能得到保障。滿足以上幾點(diǎn)的行業(yè)集中在重要的政府機(jī)構(gòu)（如財(cái)務(wù)、稅務(wù)、審計(jì)、工商、海關(guān)等）、零售業(yè)（連鎖店、網(wǎng)上零售等）、大型現(xiàn)代化的制造業(yè)（如寶鋼、上汽集團(tuán)等）、金融（包括銀行、證券、保險(xiǎn)等）、電信業(yè)（如中國電信、中國網(wǎng)通、中國移動等）、能源業(yè)（電力）、運(yùn)輸?shù)龋@也是目前國內(nèi)急需要數(shù)據(jù)倉庫和商業(yè)智能技術(shù)來提升企業(yè)競爭力的主要行業(yè)。金融、電信行業(yè)是BI應(yīng)用最集中的行業(yè)，約占40%的市場分額，保險(xiǎn)、能源、煙草、政務(wù)行業(yè)約占30%的市場份額，制造、零售行業(yè)約占30%的市場份額，是BI應(yīng)用最具潛力的行業(yè)。金融：隨著國內(nèi)五大商業(yè)銀行的信息化不斷發(fā)展，在BI領(lǐng)域投資穩(wěn)步增長，每年均有大量的BI需求，其中BI已經(jīng)不僅局限于高層管理者的決策，操作型BI應(yīng)用越來越廣泛，尤其是信貸評審領(lǐng)域。中小型銀行BI需求也不斷涌現(xiàn)，未來將是金融行業(yè)BI市場的主要增長點(diǎn)。電信：電信行業(yè)信息化程度很高，對信息化依賴很強(qiáng)，積累了大量的數(shù)據(jù)，具有實(shí)施商業(yè)智能項(xiàng)目的基礎(chǔ)條件和資金實(shí)力。電信行業(yè)對于BI深入應(yīng)用是最渴望的，在話費(fèi)套餐設(shè)置、客戶潛力分析等都需要數(shù)據(jù)挖掘技術(shù)來提供決策依據(jù)。行業(yè)現(xiàn)狀？商業(yè)智能是一種整體化的解決方案，他可以幫助企業(yè)做出明智的業(yè)務(wù)62行業(yè)市場規(guī)模？行業(yè)市場規(guī)模？63發(fā)展趨勢？發(fā)展趨勢及預(yù)測移動商業(yè)智能

商業(yè)智能系統(tǒng)會把大量數(shù)據(jù)轉(zhuǎn)變成可視化形式（如圖形和表格），以便使用者詳細(xì)深入地分析潛在商業(yè)趨勢。因此如果為這種分析賦予移動性——通常利用功能強(qiáng)大的智能終端，許多公司就能與客戶和商業(yè)合作伙伴進(jìn)行實(shí)時互動，從而改善服務(wù)、提高工作效率。SaaSBI將得到快速發(fā)展 SaaS是基于互聯(lián)網(wǎng)提供軟件服務(wù)的軟件應(yīng)用模式，企業(yè)根據(jù)實(shí)際需要，從SaaS提供商租賃軟件服務(wù)。SaaS模式在CRM領(lǐng)域獲得了成功，不論是國外還是國內(nèi)具有成熟的產(chǎn)品，并取得了不錯的收益。SAAS在BI領(lǐng)域的應(yīng)用的挑戰(zhàn)是應(yīng)用于互聯(lián)網(wǎng)上的SAAS軟件無法處理BI所需的海量數(shù)據(jù)。商業(yè)智能日漸與業(yè)務(wù)融合

業(yè)務(wù)分析作為商業(yè)智能領(lǐng)域中最貼近業(yè)務(wù)的層面，在2010年成為業(yè)界關(guān)注的重點(diǎn)，不管是SAP還是IBM，都將業(yè)務(wù)分析作為今年的業(yè)務(wù)發(fā)展重點(diǎn)。企業(yè)希望由BI系統(tǒng)帶來的透明度和洞察力能夠幫助企業(yè)降低成本，提高生產(chǎn)率和業(yè)務(wù)敏捷性。通過商業(yè)智能，企業(yè)能更清晰更深刻的了解包括公司管理、利潤分析、市場競爭、財(cái)務(wù)狀況等信息，而未來商業(yè)智能的這種特性還將繼續(xù)加強(qiáng)。操作型BI應(yīng)用得到發(fā)展

目前商業(yè)智能技術(shù)不僅僅應(yīng)用于企業(yè)高層管理者的決策分析，越來越多的商業(yè)智能分析結(jié)果正被用于普通員工的日常工作流程中，直接推動業(yè)務(wù)的執(zhí)行。例如：在家樂福購物時，收銀員已經(jīng)可以根據(jù)顧客的購物籃進(jìn)行產(chǎn)品推薦。發(fā)展趨勢？發(fā)展趨勢及預(yù)測64發(fā)展趨勢？數(shù)據(jù)集成應(yīng)用得到重視

在一些大型企業(yè)中往往有幾十個甚至幾百個信息系統(tǒng)，將這些數(shù)據(jù)整合到數(shù)據(jù)倉庫中，一般采取ETL工具抽取多個廠商數(shù)據(jù)庫的數(shù)據(jù)，有些甚至還包含非結(jié)構(gòu)化數(shù)據(jù),例如XML、EXCEL、文本等。這些數(shù)據(jù)往往需要加工和整理放入ODS（中間庫），最后以規(guī)范、標(biāo)準(zhǔn)的格式存儲到數(shù)據(jù)倉庫。在這個數(shù)據(jù)集成的過程中，要做到系統(tǒng)兼容性好、開發(fā)效率高、處理性能好，而且能夠捕捉數(shù)據(jù)的變化處理增量數(shù)據(jù)。數(shù)據(jù)集成是建立實(shí)用的數(shù)據(jù)倉庫的關(guān)鍵，而且數(shù)據(jù)集成的過程占商業(yè)智能應(yīng)用中一半以上的工作量，因此越是大型企業(yè)越是重視數(shù)據(jù)集成。中小企業(yè)BI應(yīng)用逐漸擴(kuò)大市場

份額

中國中小企業(yè)逐漸呈現(xiàn)對管理軟件旺盛的需求態(tài)勢，很多廠商發(fā)布了專門針對中小企業(yè)的BI套件，例如CognosExpress等。中小企業(yè)在實(shí)施ERP、CRM產(chǎn)品后，必將應(yīng)用商業(yè)智能，中小企業(yè)市場是BI應(yīng)用非常重要的組成部分。BI企業(yè)將在壟斷中不斷新生

中國商業(yè)智能市場兩極競爭趨勢日益加劇。在高端市場，由國際廠商壟斷與競爭的局面是2010年的主流，其中IBM、Oracle、SAP、Microsoft擁有完整的BI產(chǎn)品線，將占據(jù)70%以上的市場份額。剩余的30%市場將由其他外資企業(yè)和國內(nèi)企業(yè)分享。隨著國內(nèi)企業(yè)的成長與并購，國內(nèi)廠商的實(shí)力不斷壯大，但是主要集中于中低端市場，在2010年優(yōu)秀的國產(chǎn)BI產(chǎn)品將開始不斷向四大國際廠商發(fā)起挑戰(zhàn)，但是競爭的過程將是極其漫長的。發(fā)展趨勢？數(shù)據(jù)集成應(yīng)用得到重視651）國際BI廠商，如BO公司（SAP）、Hyperion公司(Oracle)、微軟公司、SAS公司等。這些國際廠商的品牌與規(guī)模優(yōu)勢非常突出，是國內(nèi)大部分BI廠商難以與之匹敵的。2）起步比較早的國內(nèi)BI廠商，如菲奈特(成立于1995年10月，從1997年開始進(jìn)入BI領(lǐng)域)、先進(jìn)數(shù)通公司(成立于2000年)、吉貝克公司(成立于2002年)等。這些國內(nèi)BI廠商憑借本土化的優(yōu)勢以及對國內(nèi)BI用戶所需要的應(yīng)用的獨(dú)特見解，也在國內(nèi)的BI市場上占有超過30％的市場份額。3）非專業(yè)BI廠商，主要有以下幾類：一、從事某些行業(yè)核心業(yè)務(wù)系統(tǒng)建設(shè)的公司；二、從事系統(tǒng)集成的公司；三、從事專業(yè)財(cái)務(wù)系統(tǒng)及個別ERP廠商。商務(wù)智能主要廠商有哪些？廠商產(chǎn)品及簡介IBMDB2以及Cognos、SPSS、DataStage，覆蓋BI全部領(lǐng)域。數(shù)據(jù)倉庫產(chǎn)品結(jié)合了DB2數(shù)據(jù)服務(wù)器的長處和IBM的商業(yè)智能基礎(chǔ)設(shè)施，集成了用于倉庫管理、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)挖掘以及OLAP分析和報(bào)告的核心組件，提供了一套基于可視數(shù)據(jù)倉庫的商業(yè)智能解決方案。OracleOracle、Hyperion，覆蓋BI全部領(lǐng)域，數(shù)據(jù)挖掘領(lǐng)域有待加強(qiáng)。數(shù)據(jù)倉庫解決方案包含了業(yè)界領(lǐng)先的數(shù)據(jù)庫平臺、開發(fā)工具和應(yīng)用系統(tǒng)，能夠提供一系列的數(shù)據(jù)倉庫工具集和服務(wù)，具有多用戶數(shù)據(jù)倉庫管理能力，多種分區(qū)方式，較強(qiáng)的與OLAP工具的交互能力及快速和便捷的數(shù)據(jù)移動機(jī)制等特性。SAPBusinessObjects、CrystalReports，主要是OLAP和報(bào)表領(lǐng)域。Sybase（SAP）提供了稱為WarehouseStudio的一整套覆蓋整個數(shù)據(jù)倉庫建立周期的產(chǎn)品包，包括數(shù)據(jù)倉庫的建模、數(shù)據(jù)集成和轉(zhuǎn)換、數(shù)據(jù)存儲和管理、元數(shù)據(jù)管理和數(shù)據(jù)可視化分析等產(chǎn)品。BusinessObjects（SAP）是集查詢、報(bào)表和OLAP技術(shù)為一身的智能決策支持系統(tǒng)，具有較好的查詢和報(bào)表功能，提供多維分析技術(shù)，支持多種數(shù)據(jù)庫，同時它還支持基于Web瀏覽器的查詢、報(bào)表和分析決策。MicrosoftSQLServer，覆蓋BI全部領(lǐng)域，適合中小型企業(yè)，性價比高。它提供了三大服務(wù)和一個工具來實(shí)現(xiàn)數(shù)據(jù)倉庫系統(tǒng)的整合，為用戶提供了可用于構(gòu)建典型和創(chuàng)新的分析應(yīng)用程序所需的各種特性、工具和功能，可以實(shí)現(xiàn)建模、ETL、建立查詢分析或圖表、定制KPI、建立報(bào)表和構(gòu)造數(shù)據(jù)挖掘應(yīng)用及發(fā)布等功能。TeradataTeradata，主要是數(shù)據(jù)倉庫領(lǐng)域。它提出了可擴(kuò)展數(shù)據(jù)倉庫基本架構(gòu)，包括數(shù)據(jù)裝載、數(shù)據(jù)管理和信息訪問幾個部分，是高端數(shù)據(jù)倉庫市場最有力競爭者，主要運(yùn)行在基于Unix操作系統(tǒng)平臺的NCR硬件設(shè)備上。SASSAS，數(shù)據(jù)挖掘領(lǐng)域領(lǐng)先。SAS公司的數(shù)據(jù)倉庫解決方案是一個由30多個專用模塊構(gòu)成的架構(gòu)體系，適應(yīng)于對企業(yè)級的數(shù)據(jù)進(jìn)行重新整合，支持多維、快速查詢，提供服務(wù)于OLAP操作和決策支持的數(shù)據(jù)采集、管理、處理和展現(xiàn)功能。國內(nèi)其他菲奈特（BIoffice）、和勤（Hinge）、奧威智動（Power-BI）、科加諾（QlikView）、尚南（BlueQuery），潤乾、探智（Trinity）。目前活躍在國內(nèi)BI市場上的廠商大致可分為以下三類：1）國際BI廠商，如BO公司（SAP）、Hyperion公66商務(wù)智能主要廠商產(chǎn)品鏈介紹？廠商數(shù)據(jù)庫數(shù)據(jù)倉庫設(shè)計(jì)、管理ETLOLAP數(shù)據(jù)挖掘報(bào)表IBMDB2IBMDWEDesignStudioIBMWebshpereDatastage、DecisionStream（Cognos）IBMDB2OLAPServerIBMIntelligentMiner、SPSSIBMCognosReportOracleOracleOracleWarehouseBuilderOracleWarehouseBuilderOracleExpress/DiscovererOracleDataMinerOracleReportsSAP-BusinessObjectsRapidMartsBusinessObjectsDataIntegratoinBusinessObjectsOLAPIntelligence-BusinessObjectsCrystalReportMicrosoftSQLServerSQLServerManagementStudioSQLServerIntegrationServicesSQLServerAnalysisServicesSQLServerDataMinerSQLServerReportingServicesTeradataTeradataTeradataRDBMS/TeradataMetaDataServicesTeradataETLAutomation-TeradataWarehouseMinerBTEQSybaseSybase

IQPowerDesinger/WarehouseControlCenterDataIntegratoinSuitePowerDimension-InfoMakerSAS-SASWarehouseAdministratorSASETLStudioSASOLAPServerSASEnterpriseMinerSASReportStudio商務(wù)智能主要廠商產(chǎn)品鏈介紹？廠商數(shù)據(jù)庫數(shù)據(jù)倉庫設(shè)計(jì)、管理ET67三、技術(shù)篇商務(wù)智能入門培訓(xùn)課件68商務(wù)智能總體解決方案財(cái)務(wù)信息“ETL”Extract–Transform-Load數(shù)據(jù)倉庫/數(shù)據(jù)集市/ODS商務(wù)智能平臺信息展現(xiàn)*決策者分析員管理者業(yè)務(wù)員數(shù)據(jù)查詢報(bào)表分析多維分析數(shù)據(jù)挖掘分析門戶數(shù)據(jù)整合*OracleDB2SQLServerSybaseTeraData……銷售信息庫存信息DataIntegrationRapidMart商務(wù)智能總體解決方案財(cái)務(wù)信息“ETL”數(shù)據(jù)倉庫/商務(wù)智能平臺商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一70

數(shù)據(jù)倉庫是一個面向主題的、集成的、時變的、非易失的數(shù)據(jù)集合，支持管理部門的決策過程。面向主題的（subject-oriented）：數(shù)據(jù)倉庫圍繞一些主題，如顧客、供應(yīng)商、產(chǎn)品和銷售組織。數(shù)據(jù)倉庫關(guān)注決策者的數(shù)據(jù)建模與分析，而不是集中于組織機(jī)構(gòu)的日常操作和事務(wù)處理。因此，數(shù)據(jù)倉庫排除對決策無用的數(shù)據(jù)，提供特定主題的簡明視圖。集成的（integrated）：通常，構(gòu)造數(shù)據(jù)倉庫是將多個異種數(shù)據(jù)源，如關(guān)系數(shù)據(jù)庫、一般文件和聯(lián)機(jī)事務(wù)處理記錄集成在一起。使用數(shù)據(jù)清理和數(shù)據(jù)集成技術(shù)，確保命名約定、編碼結(jié)構(gòu)和屬性度量等指標(biāo)的一致性。時變的（time-variant）：數(shù)據(jù)存儲從歷史的角度提供信息。數(shù)據(jù)倉庫中的關(guān)鍵結(jié)構(gòu)，隱式或顯式地包含時間元素。非易失的（nonvolatile）：數(shù)據(jù)倉庫的數(shù)據(jù)是有歷史保存意義的，數(shù)據(jù)倉庫的數(shù)據(jù)也只使用添加的方式，進(jìn)入了數(shù)據(jù)倉庫的數(shù)據(jù)一般情況下是不需要更新的，這樣就保證了數(shù)據(jù)的穩(wěn)定性。通常，它只需要三種數(shù)據(jù)訪問：數(shù)據(jù)的初始化裝入、數(shù)據(jù)的添加和數(shù)據(jù)查詢訪問。數(shù)據(jù)倉庫定義 數(shù)據(jù)倉庫是一個面向主題的、集成的、時變的、71事實(shí)表是用來記錄具體事件的，包含了每個事件的具體要素，以及具體發(fā)生的事情；維度表是對事實(shí)表中事件的要素的描述信息；

數(shù)據(jù)倉庫相關(guān)概念

一個事實(shí)表和多個維度表構(gòu)成一個立方體（主題），一個或者多個相關(guān)主題構(gòu)成一個數(shù)據(jù)集市，一個或者多個數(shù)據(jù)集市構(gòu)成了數(shù)據(jù)倉庫。數(shù)據(jù)倉庫的架構(gòu)模型包括了星型架構(gòu)與雪花型架構(gòu)兩種模式。星型架構(gòu)的中間為事實(shí)表，四周為維度表，類似星星；雪花型架構(gòu)的中間為事實(shí)表，兩邊的維度表可以再有其關(guān)聯(lián)子表，從而表達(dá)了清晰的維度層次關(guān)系。數(shù)據(jù)倉庫相關(guān)概念一個事實(shí)表和多個維度表構(gòu)成一個立方體72步驟一：確定主題

即確定數(shù)據(jù)分析或前端展現(xiàn)的主題。例如：我們希望分析某年某月某一地區(qū)的啤酒銷售情況，這就是一個主題。主題要體現(xiàn)出某一方面的各分析角度(維度)和統(tǒng)計(jì)數(shù)據(jù)(量度)之間的關(guān)系，確定主題時要綜合考慮。我們可以形象的將一個主題想象為一顆星星：統(tǒng)計(jì)數(shù)據(jù)(量度)存在于星星中間的事實(shí)表；分析角度(維度)是星星的各個角；我們將通過維度的組合，來考察量度。那么，“某年某月某一地區(qū)的啤酒銷售情況”這樣一個主題，就要求我們通過時間和地區(qū)兩個維度的組合，來考察銷售情況這個量度。步驟二：確定量度

在確定了主題以后，我們將考慮要分析的技術(shù)指標(biāo)，諸如年銷售額之類。它們一般為數(shù)值，稱為量度。量度是統(tǒng)計(jì)的指標(biāo)，必須事先選擇恰當(dāng)，基于不同的量度可以進(jìn)行復(fù)雜關(guān)鍵性能指標(biāo)(KPI)的設(shè)計(jì)和計(jì)算。數(shù)據(jù)倉庫構(gòu)建步驟步驟一：確定主題數(shù)據(jù)倉庫構(gòu)建步驟73步驟二：確定量度

在確定了主題以后，我們將考慮要分析的技術(shù)指標(biāo)，諸如年銷售額之類。它們一般為數(shù)值，稱為量度。量度是統(tǒng)計(jì)的指標(biāo)，必須事先選擇恰當(dāng)，基于不同的量度可以進(jìn)行復(fù)雜關(guān)鍵性能指標(biāo)(KPI)的設(shè)計(jì)和計(jì)算。步驟三：確定事實(shí)數(shù)據(jù)粒度

在確定了量度之后，我們要考慮到該量度的匯總情況和不同維度下量度的聚合情況?？紤]到量度的聚合程度不同，或采用“最小粒度原則”，即將量度的粒度設(shè)置到最小。數(shù)據(jù)倉庫構(gòu)建步驟步驟二：確定量度數(shù)據(jù)倉庫構(gòu)建步驟74步驟四：確定維度

維度是指分析的各個角度。例如我們希望按照時間，或者按照地區(qū)，或者按照產(chǎn)品進(jìn)行分析，那么這里的時間、地區(qū)、產(chǎn)品就是相應(yīng)的維度。基于不同的維度，我們可以看到各量度的匯總情況，也可以基于所有的維度進(jìn)行交叉分析。步驟五：

創(chuàng)建事實(shí)表

在確定好事實(shí)數(shù)據(jù)和維度后，我們將考慮加載事實(shí)表。在公司的大量數(shù)據(jù)堆積如山時，我們想看看里面究竟是什么，結(jié)果發(fā)現(xiàn)里面是一筆筆生產(chǎn)記錄，一筆筆交易記錄…那么這些記錄是我們將要建立的事實(shí)表的原始數(shù)據(jù)，即關(guān)于某一主題的事實(shí)記錄表。事實(shí)表是數(shù)據(jù)倉庫的核心。數(shù)據(jù)倉庫構(gòu)建步驟步驟四：確定維度數(shù)據(jù)倉庫構(gòu)建步驟75商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一.數(shù)據(jù)倉庫技術(shù)四.在線聯(lián)機(jī)分析處理技術(shù)（OLAP）五.數(shù)據(jù)挖掘技術(shù)商務(wù)智能核心技術(shù)有哪些？三.ETL技術(shù)二.元數(shù)據(jù)管理技術(shù)一76元數(shù)據(jù)通常定義

“關(guān)于數(shù)據(jù)的數(shù)據(jù)（例如視圖，查詢SQL，事務(wù)，存儲過程）”，是描述和管理數(shù)據(jù)倉庫自身內(nèi)容對象、用來表示數(shù)據(jù)項(xiàng)的意義及其在系統(tǒng)各組成部件之間的關(guān)系的數(shù)據(jù)。元數(shù)據(jù)作用于數(shù)據(jù)倉庫的創(chuàng)建，維護(hù)，管理和使用的各個方面。是從廣義上來講，用元數(shù)據(jù)來描述數(shù)據(jù)倉庫對象的任何東西——無論是一個表、一個列、一個查詢、一個商業(yè)規(guī)則，或者是數(shù)據(jù)倉庫內(nèi)部的數(shù)據(jù)轉(zhuǎn)移。它在數(shù)據(jù)源的抽取、數(shù)據(jù)加工、訪問與使用等過程中都會存在。實(shí)現(xiàn)元數(shù)據(jù)管理的主要目標(biāo)就是使企業(yè)內(nèi)部元數(shù)據(jù)的定義標(biāo)準(zhǔn)化。數(shù)據(jù)倉庫的維護(hù)工具可以根據(jù)元數(shù)據(jù)完成數(shù)據(jù)的抽取、清洗和轉(zhuǎn)換，并做適度的匯總。數(shù)據(jù)倉庫的元數(shù)據(jù)包括：（1）數(shù)據(jù)資源：包括各個數(shù)據(jù)源的模型，描述源數(shù)據(jù)表字段屬性及業(yè)務(wù)含義，源數(shù)據(jù)到數(shù)據(jù)倉庫的映射關(guān)系；（2）數(shù)據(jù)組織：數(shù)據(jù)倉庫、數(shù)據(jù)集市表的結(jié)構(gòu)、屬性及業(yè)務(wù)含義，多維結(jié)構(gòu)等等；（3）數(shù)據(jù)應(yīng)用：查詢與報(bào)表輸出格式描述、OLAP、數(shù)據(jù)挖掘等的數(shù)據(jù)模型的信息展現(xiàn)；（4）數(shù)據(jù)管理：這里包括數(shù)據(jù)倉庫過程以及數(shù)據(jù)倉庫操作結(jié)果的模型，包括描述數(shù)據(jù)抽取和清洗規(guī)則、數(shù)據(jù)加載控制、臨時表結(jié)構(gòu)、用途和使用情況、數(shù)據(jù)匯總控制。元數(shù)據(jù)元數(shù)據(jù)通常定義元數(shù)據(jù)77分析用戶數(shù)據(jù)庫、數(shù)據(jù)倉庫我想知道今年、做得最好的5個產(chǎn)品數(shù)據(jù)倉庫中有80張數(shù)據(jù)表無語義層的工作模式分析用戶數(shù)據(jù)庫、數(shù)據(jù)倉庫我想知道今年、做得最好的5個產(chǎn)品數(shù)據(jù)78無語義層的工作模式以往的兩種主要的解決數(shù)據(jù)訪問問題的方法:TheBureauApproach:業(yè)務(wù)人員技術(shù)人員SQLTheSQLEducationApproach:業(yè)務(wù)人員技術(shù)人員SQL無語義層的工作模式以往的兩種主要的解決數(shù)據(jù)訪問問題的方法:T79透過語義層訪問數(shù)據(jù)設(shè)計(jì)語義層Universe設(shè)計(jì)數(shù)據(jù)庫和數(shù)據(jù)安全機(jī)制企業(yè)數(shù)據(jù)庫業(yè)務(wù)人員的要求業(yè)務(wù)人員可以基于語義層進(jìn)行數(shù)據(jù)查詢和分析不需要了解數(shù)據(jù)庫內(nèi)部結(jié)構(gòu)不需要學(xué)習(xí)SQL語句股票財(cái)經(jīng)銷售IT人員的要求專注于數(shù)據(jù)庫維護(hù)專注