商业智能解决方案的研究与实际应用

申请免费试用、咨询电话：400-8352-114

商业智能研究

1 引 言

在企业信息化的进程中，企业大多相继建立了独立的业务信息系统，如福州OA、CRM等，并积累了大量的业务及客户数据。但各业务系统中的数据彼此孤立甚至矛盾，给企业的管理和决策带来了困难。随着信息化的深入，用户已经不满足于单个福州OA、CRM等信息系统的效果，需要一种集成方案来解决业务数据“过剩”和决策所需信息贫乏之间的矛盾，并且希望能够从系统中发掘更多数据资产，因此引入商业智能（Business Intelligence，BI）成为提升企业信息化应用水平的必然之选。

商业智能是构筑在企业业务系统基础之上，以知识获取和共享为目的的解决方案。它通过对企业内外数据的整合、分析，提取出有价值的信息，帮助用户在加强管理、促进营销和企业发展方面做出及时、正确、科学的决策，并分析、发现和把握新的商机。作为一种新兴的决策支持体系，商业智能与传统的EIS，DSS相比，主要区别之一是用户不再仅仅局限于企业的领导和决策、分析人员，而是扩展到企业组织内外的各类人员。这里既有企业经理一类的高层决策者，又有企业内部各部门的职能人员，还包括客户、供应商、合作伙伴等企业外界用户。

商业智能系统不但能为企业管理者提供决策支持服务，更具有EIS，DSS所不具备的强大的数据管理、数据分析与知识发现能力。商业智能的技术体系主要由数据仓库（Data Warehouse，DW）、联机分析处理（On-line Analytical Processing，OLAP）、数据挖掘（Data Mining，DM）以及企业信息门户（Enterprise Information Portal，EIP）等几部分组成，融知识发现、知识管理和决策支持于一体，可以在现有IT基础设施上，整合企业数据资源，为用户提供创新应用和服务，帮助企业做出正确、明智的业务经营决策。

2 商业智能系统框架

商业智能是一套完整的解决方案，它是将数据仓库、联机分析处理、数据挖掘等技术结合起来，通过企业信息门户将知识以适当的方式进行展示，以实现技术服务于决策的目的。

商业智能实质上是把“操作型”数据转换为决策所需的商业信息的过程，这一过程又可称为信息供应链。商业智能提供了一个联系信息生产者和信息使用者的完整的信息供应链。在这一过程中，数据集成工具执行源数据的清洗、格式转换和汇总计算等功能；数据存储过程建立数据存储模型，存储企业统一的数据视图，为商业智能系统的应用提供基础数据；数据分析工具一般包括联机分析处理工具、数据挖掘工具、统计分析工具以及其他人工智能工具等，这些工具结合商业处理规则为决策者提供决策辅助信息。由于商业智能的用户不仅包括数据分析人员和企业高级主管，还包括客户、合作伙伴和内部员工，因此商业智能通过企业信息门户展现可以提供最大的便利。企业信息门户实现在适当的时候将适当的信息分发给适当的人，以最大限度地加强协作，提高企业竞争力。

商业智能的系统框架包括数据源、数据集成、数据存储、数据分析服务以及数据访问与展示部分，如图1所示。

图1 商业智能系统框架

3 商业智能系统设计

3.1 总体设计

本文以笔者在航运企业中的项目实践为背景研究商业智能的应用。航运业一个最大的特点就是其固定资产主要是江海上航行的船舶，船舶是否能安全、有效地运营又是企业最大的风险。由于决策者并不能随时巡视检查其船舶资产，难以掌握船舶的维护保养情况、设备完好率、备件储备的充分性与经济性、各船舶及各航线的营收状况等，因此难以做出科学的决策。商业智能应用于航运企业则意义重大。

对于航运企业来说，利用商业智能系统，通过对船舶设备的维护保养数据进行对比分析与趋势预测，对设备运行状况及维护历史做出归纳性的推理，从中挖掘出潜在的规律和设备隐患，预测需重点维护的设备及其维护周期，可以对维护保养计划进行优化。通过对以往的故障数据进行分析，可以预测某设备在将来某一时期内出现故障的概率，从而可以动态地调整维护计划或修船计划。

企业主管既可以通过信息门户获取信息，也可以直接利用数据分析工具从数据仓库中查询信息。信息门户用于发布企业信息，供使用者查看和订阅。对于紧急信息可以直接以推送方式导入到各船舶数据库或发送到目标用户的门户信箱中，以展现给船舶负责人。系统总体设计思想如图2所示。

图2 航运企业商业智能系统总体设计

3.2 分析模型设计

数据仓库的构建为商业智能准备了统一的、丰富的数据。在此基础上就可建立起企业的商业智能应用，通过知识挖掘工具提炼有价值的信息，以分析报表、信息门户等形式提供给企业主管及各级决策者，使他们能做出更科学、更有效的决策。

根据决策主题设计数据仓库结构，数据模型一般采用星型模型或雪花模型设计，在设计过程中应保证数据仓库的规范化和体系各元素的必要联系。主要有以下三个步骤：

（1）定义该主题所需各数据源的详细情况，包括所在计算机平台、拥有者、数据结构、使用该数据源的处理过程、数据仓库更新计划等。

（2）定义数据抽取原则，以便从每个数据源中抽取所需数据；定义数据如何转换、装载到主题的哪个数据表中。

（3）将各个主题细化，形成多个主题表，据此从数据仓库中选出多个数据子集，即数据集市。数据集市通常针对部门级的决策或某个特定业务需求，它开发周期短，费用低，能在较短时间内满足用户决策的需要。

根据图2的总体设计方案，商业智能系统依靠企业应用服务器提供联机分析处理和数据挖掘，而企业Web服务器提供数据展现的平台。为了提供数据分析服务，需要先建立多维数据分析模型。在本系统中，Analysis Services 以立方体（Cube）的形式来提供数据。立方体是一组以多维结构组织在一起的数据，该多维结构是由一组维度（Dimension）和量度（Measure）定义的。在构建立方体时，首先需要将数据从企业业务系统拷贝到一个数据仓库或数据集市，可以用Data Transformation Services（DTS）或第三方抽取、转换和加载（ETL）工具来简化该过程。本系统采用自编工具加动态脚本的方式，这种方式具有灵活、速度快、可控性强的特点。要创建一个立方体，需要对不同维度上的量度进行聚合（Aggregate）计算，并将数据保存起来以便以后读取和分析。

考虑到商业智能系统主要进行查询、分析操作，为了提高响应速度，本系统多维数据模型采用星型架构设计，它支持以决策者的观点定义数据实体，满足面向主题数据仓库设计的需要。

在多维模型中，数据是作为事实和维存储起来的。星型架构由一个事实数据表和链接到该事实数据表的多个维度表组成。位于星型模型中心的是事实表，存放企业的事实数据和数量数据。位于星型模型星角上的是维度表，存放描述性数据。事实表为用户的决策分析提供定量数据，而维表代表了观察数据的一个角度，可以看作一种测量尺度或立方体的一面，其作用是限制用户的查询结果，将数据过滤，使得从指标实体查询时返回较少的行，从而缩小访问范围。例如，航运企业中设备运行工况数据的多维数据集可设计为如图3所示。

图3 设备运用工况数据的多维数据集示意图