0 引言
随着企业信息化的不断深入，企业的日常业务中生成了大量的数据，但是，大部分用户除了对现有数据做一些简单的、局部的和浅层次的查询外，缺少对其全面分析。怎样才能把大量数据转换成可靠的、有用的信息，改变现有“数据泛滥，知识贫乏”的局面，以帮助企业增加利润和市场份额，已成为企业界和IT 界共同关注的问题。为此，商业智能技术应运而生。
1 商业智能的概念
商业智能(Business Intelligence，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。它充分利用现有的业务信息，借助现代信息技术，提取和组织有用信息，帮助用户在加强管理、促进营销和企业发展方面作出及时、正确的决策，把握、分析和发现新的商机和潜在的威胁，从而改进财务绩效，引导产品潮流、提高服务水平、保持竞争优势。BI的基本处理过程如下：从不同数据源收集的数据中提取有用数据，对数据进行清理以保证数据的正确性，将数据经转换、重构后装载到数据仓库或数据集市，然后利用合适的查询和分析工具、数据挖掘工具及联机分析处理(OLAP)工具等对其进行分析和处理，并且把结果呈现给管理者，为企业的决策提供支持。BI 的基本处理过程如图1 所示。
图1 BI 的基本处理过程图
因此，BI 是一个涉及很宽领域的集收集、合并、分析和提供信息存取功能为一身的解决方案，包括ETL 软件、数据仓库、数据集市、数据查询和报告、多维(联机)数据分析、数据挖掘和可视化工具。
2 BI 的核心技术
BI 一般由数据仓库(或数据集市)、OLAP、数据挖掘和前端展示工具等几部分组成。数据仓库是BI 的基础，完成对业务系统数据的整合；OLAP 对数据进行分析；数据挖掘完成知识发现；前端展示工具把分析结果呈现给最终用户。这几部分形成统一整体，互相补充能够对企业的经营状况进行全面、深入的分析。
2.1 数据仓库
数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合，用来支持管理人员的决策。数据仓库的主要特征如下：
2.1.1 面向主题的
数据仓库内的信息是按主题进行组织的，例如销售、客户、产品等。它所关注的是为决策者提供数据建模与分析，而不是集中于组织机构的日常操作和事务处理。
2.1.2 集成的
数据仓库中的数据是从多个同构或异构业务处理系统中经过加工、汇总和整理而得到的，数据仓库内的信息是关于整个企业的、一致的全局信息。
2.1.3 非易失的
一旦某个数据进入数据仓库后，一般将被长期保留(5～10年)。
2.1.4 时变的
数据仓库内所记录的信息是企业从过去某一时间(如开始应用数据仓库的时间)到目前的各个阶段的信息。
概言之，数据仓库是一种语义上一致的数据存储充当决策支持数据模型的物理实现，并存放企业战略决策所需信息。为此，也常常被看作是一种支持结构化和专门的查询、分析报告和决策制定的体系结构。
数据仓库通常是针对企业级应用，其所涉及的范围和投入的成本非常巨大，一些企业无力承担，因而其的建设也很容易形成高投入、慢进度的大项目。数据仓库中的数据量很大，若每次访问都在海量数据中进行数据检索，会降低数据处理效率。因此，可建立数据集市。数据集市是面向某一特定主题的、逻辑上或物理上从数据仓库中被划分出来的数据子集。数据集市通常针对部门级的决策或某个特定业务需求，其开发周期短、费用低 能在较短时间内满足用户决策的需要。因此，在实际开发过程中，可选择在成功建立几个数据集市后，再构建数据仓库的策略。
2.2 联机分析处理(OLAP)
OLAP 是一种多维分析工具，目标是满足决策支持或多维环境下的特定查询和报表需求，使分析人员、管理人员和执行人员能够从多个角度对从原始数据中转化出来的、能够真正为用户所理解的并真实反映企业维特性的信息进行快速、一致、交互的存取，从而获得对数据的更深入了解。它的技术核心是“维”这个概念，是使数据仓库中大量数据得以有效利用的重要工具。
OLAP 的特性有快速性、可分析性、多维性和信息性等。根据数据存储方式的不同，可以将OLAP 分为HOLAP MOLAP 和HOLAP。
HOLAP 是基于关系数据库的OLAP 实现。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。HOLAP 将多维数据库的多维结构划分为如下2 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1 个表来存放维的层次、成员类别等维描述信息。维表和事实表通过主关键字和外关键字联系在一起，形成了星型模式或雪花模式。
MOLAP 是基于多维数据组织的OLAP 实现。多维数据是决策需要的一类特殊数据，它针对不同的数据抽象层次，由所有抽象层次构成数据立方体，在其上进行旋转、切片和钻取等多维分析操作，使最终用户能从多个角度和多个侧面观察数据库中的数据，从而了解包含在数据库中的信息。
HOLAP是基于混合数据组织的OLAP 实现。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。
2.3 数据挖掘
数据挖掘是从大量的、不完全的、有噪声的、模糊的和随机的实际应用数据中，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的过程。
数据挖掘的目的是生成可以根据其所示的含义采取行动的知识，也就是建立一个现实世界的模型。根据模型功能的不同，可以把数据挖掘分成如下2 类：
①描述型数据挖掘，即根据数据的相似性把数据分组(聚集)，或对数据中存在的规则进行描述(关联分析)；②预言型数据挖掘，即根据数据值精确地确定某种结果，包括分类、回归、时间序列分析等。
数据挖掘方法主要有数学统计方法、 决策树方法、神经网络方法、遗传进化方法、基于事例的推理方法、粗集方法以及可视化技术等。运用数据挖掘进行知识发现的过程一般包括以下7 个步骤：①识别商业问题；②识别和研究数据来源，选取数据；③提取和处理数据；④对数据进行挖掘(如发现关联规则或者产生预测模型)；⑤验证数据挖掘结果；⑤在商业实际中应用挖掘模型；⑥投入产出(ROI)计算。
3 BI 在电力营销中的应用
随着电力营销管理信息系统的相继建设和投入使用，企业积累了丰富的客户信息资料和市场需求信息。采用BI 技术进行信息综合分析，可提高经济活动分析水平，加强电量电费信息管理，提高系统售电收入。分析电力公司计费数据和电网管理数据，计算出某时间段内或某地区内的用电负荷、用户数、线路损耗等数据，可以得出电力负荷走势及各地区用电量对比，以便为生产计划和任务调度制定策略；分析生产和销售数据，可辅助劳动组织管理和财务资金运筹，提高劳动生产率和企业经济效益，合理组织物资供应及调拨，降低物资消耗。
电力用户是个广泛、复杂的用户群，用户需求根据不同的时间、地域、行业，相差很大。电力企业在长期的运行过程中，已经积累了大量的用户资料和历史数据。根据这些资料和数据建立用电数据仓库，采用数据挖掘的方法进行有针对性的分析，可以得到需求模型。根据这个模型来制定电网规划和供电计划，就能够降低发电成本，提高效益。电力公司混合使用人工智能中的人工神经网络、模糊逻辑等技术，对用户的管理、消费和交易等数据进行综合处理，以欧几里得距离为判据得到分类用户模型，并用可视化的图表方式表达出来，辅助进行用户分析。按不同的特征对用户进行分析，可以挖掘到不同领域的信息。
按用户对企业的利润贡献度进行用户分析，可以得到哪些用户群体对企业的贡献比较大。对贡献大的用户，可以提供更适合他们的服务，以鼓励他们更多地消费。这对制定用电营销策略和研究销售特性都有很好的指导作用。
按用户消费的信用进行用户分析，就可以找出哪些用户的信用比较好，哪些的信用比较差。针对用户信用的不同，对他们所提供的服务的级别也应该是不同的。对信用好的用户，不但要给予更好的服务，同时也要给予他们更多的优惠。
按消费量进行分析，不但可以找出哪些用户的消费能力强，哪些的消费能力弱，而且还可以找出可能偷窃电或电表计量有问题的用户。
按服务质量和客户情况进行分析，以提高服务质量。针对客户投诉的主要原因是服务响应率低、服务质量低劣和服务价格比不平衡，使用客户描述和划分技术将客户按不同类型(如价格敏感度、消费习惯、对服务中断的反应等)进行客户群分组，针对不同客户改善相应服务。
按行业欠费和重点欠费户情况进行分析，利用OLAP 和数据挖掘技术，总结各种欠费行为的内在规律，并在数据仓库的基础上建立一套欠费行为规则库，及时预警各种欠费，尽量减少企业损失。
BI 项目在实施过程中应该能够及时应对市场的变化，完善内部管理，提高企业的经营效率。BI 的实施一般可分为如下5 个阶段： ①确定目标阶段；②数据收集和预处理阶段；③信息发送阶段；④数据解释和建模阶段；⑤基于知识的行动阶段。
4 结论
BI 是技术与业务管理紧密结合的产物，是企事业单位在信息爆炸时代使用信息技术的高级模式，其没有终止，只有不断深入的过程。电力行业商业智能为管理层提供面向企业经营决策和生产统计、分析的功能，为决策者提供最为有效和准确的数据依据，提供高层决策参考，对制定行业的战略发展目标和市场策略，促进业务发展，完善服务质量，提高客户满意度等提供支持，从而提高风险控制能力和经营决策能力，具有广阔的应用前景。
核心关注：拓步ERP系统平台是覆盖了众多的业务领域、行业应用，蕴涵了丰富的ERP管理思想，集成了ERP软件业务管理理念，功能涉及供应链、成本、制造、CRM、HR等众多业务领域的管理，全面涵盖了企业关注ERP管理系统的核心领域，是众多中小企业信息化建设首选的ERP管理软件信赖品牌。
转载请注明出处：拓步ERP资讯网http://www.toberp.com/
本文标题：商业智能BI及其在电力营销中的应用设计
本文网址：http://www.toberp.com/html/consultation/1082006028.html
相关文章
