1 商务智能的定义
商业智能（Business Intelligence，简称BI）的概念最早是Gartner Group的Howard Dresner于1996年提出。当时人们将商业智能定义为一类由数据仓库（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。2007年在芝加哥举行的Gartner商业智能峰会，对BI重新定义为：商业智能是一个伞状概念，它包含分析应用、基础构架和良好的实践。目前国内外主要BI厂商对BI的定义为，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。目前，商业智能(BI)领域大致可划分为数据仓库、OLAP和报表展示、数据集成、数据挖掘和针对行业的解决方案等。
2 商务智能的关键技术
商业智能，首先是基于信息的大规模生产和数据库技术的运用。从商业智能系统建立的技术角度来看，构建一个完整的商业智能系统涉及到以下几种关键技术：
·数据仓库（data warehousing）
·联机分析处理（on-line analytical processing，简称OLAP）
·数据挖掘（data mining）
数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。首先，数据仓库用于支持决策，面向分析型数据处理，他不用于企业现有的操作型数据库；其次，数据仓库是对多个异构的数据源有效的集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不修改。
联机分析技术，对数据库中的数据进行多维分析和展现，是使分析人员，管理人员或执行人员能够从多种角度对原始数据中转化出来的，能够真正为用户理解的，并真实反映企业维持性的信息进行快速、一致、交互的存取，从而获得对数据更深入了解的一项软件技术。OLAP的一个重要特点是主要通过多维的交互式方式对数据进行分析，这与数据仓库的多维数据组织形成相互结合、相互补充的关系。这些基本多维分析操作包括切片、钻取、旋转等，便于用户从不同维度查询和分析有关数据。
数据挖掘，是在大量相关数据基础之上进行数据探索和建立相关模型的先进方法。数据挖掘主要功能有：数据总结、分类、聚类、关联分析、预测、偏差的检测。数据挖掘的主要方法有：传统统计方法，可视化技术，决策树，神经网络，遗传算法，管理规则挖掘算法等。
3 商务智能的技术架构
商业智能所涉及的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等技术。因此，从技术层面上讲，商业智能并不是基础技术或者产品技术，它是数据仓库、联机分析处理OLAP(On-line Analytical Processing)和数据挖掘等相关技术走向商业应用后形成的一种应用技术，其技术架构如图1所示:
图1 商业智能技术架构图
4 国内制造业的商务智能应用
据Chinabi的《2009-2010年中国商业智能市场分析》称，全球范围内，商业智能已经超过ERP和CRM成为最具增长潜力的领域。据ChinaBI调查2009年中国大陆地区的商业智能市场份额约为26亿元人民币，比2008年增长18%，约占企业管理软件的市场份额的8%。
应用商业智能的行业中，金融、电信行业是BI应用最集中的行业，约占40%的市场分额，保险、能源、烟草、政务行业约占30%的市场份额，制造、零售行业约占30%的市场份额，是BI应用最具潜力的行业。
制造业的企业信息化水平参差不齐，有些大中型企业已经成功使用商业智能技术，但是大部分企业基础信息化水平仍未达到，随着这些企业的信息化水平逐步提高，建设商业智能系统的需求也会随之而来。
目前搜集的制造业应用商业智能的案例主要涉及：
1)操作现场和研制。实现技术流程与生产作业流程的有机结合。航宇五院案例。
2)售后服务。改变保修问题分析主要靠工程师手工处理的计算方式，应用整体保修分析解决系统，使工程师迅速判断保修赔偿率、是否需要特殊检查。上海通用案例。
3)决策支持。决策支持系统由数据仓库及管理系统、模型库及管理系统、知识库及管理系统、数据抽取工具、数据挖掘与知识发现工具、用户界面等模块组成，成功实现了对数据、模型、知识、交互四个部件的系统集成武钢决策支持系统。武钢智能综合决策支持系统。
4)销售情况。对日常工作情况实现流程化管理，并及时完成数据的上报。另一方面，通过完成各种复杂的报表生成和数据分析，使企业管理人员能够及时、深入、全面地了解全国各地、不同时段、不同车型的销售情况等各种信息。北京一汽车销售商。
5)办公系统。加强和完善生产管理、提高资源共享和团队协作程度，最大限度地实现公司内部资源的高效利用，提高综合统计、分析、处理数据，报表设计的效率。中国铝业氧化铝系统案例。
5 商业智能实施风险
当然，商业智能如ERP，CRM等应用系统一样，在实施中存在着一定的风险，制造企业首先要认清自身的需求情况，在选择合作伙伴的同时也要进行充分的了解。各主流厂商都有各自的优势，比如SAS的数据挖掘、Hyperion的预算与报表合并、BO的数据分析与报告等。而商业智能产品的发展趋势必将是整合平台基础上的集成化应用。如何切实了解自身需求、选择具有优势的厂商产品，将是企业实施商业智能成功的关键。
现将制造企业实施商业智能需要避免的方面总结如下：
1）信息系统提供的数据太过于明细，很难对企业宏观决策起到帮助作用；
2）信息系统提供的汇总报表只能反应某一方面的信息，而不能形成对整个业务过程的全面了解，管理人员要分析一个问题时必须同时在手上拿5、6张汇总报表或明细报表，不能进行动态的数据透视；
3）一个企业中通常同时运行着几套不同的信息系统，这些系统相互独立，数据互不联系，但从整个企业的角度来看这些信息又是相互联系的，管理者在进行决策时也必须同时使用到来源于各系统的综合数据，但各管理信息系统的相互独立造成了使用复杂，决策效率低下；
4）管理者在查看信息的时候通常需要将原始的数据通过某种数据模型运算，以计算出某种指标，如:库存周转率，资金周转率等，并以次来衡量企业的运行状况。但很多信息系统的数据无法直接应用到商业模型或数学模型上，有的信息系统即使有提供一部分数据模型，但无法进行扩展，必须要应用一种信息的算法或新的模型。
6 实施商业智能的步骤
实施商业智能系统是一项复杂的系统工程，整个项目涉及企业管理、运作管理、信息系统、数据仓库、数据挖掘、统计分析等众多门类的知识。因此用户除了要选择合适的商业智能软件工具外还必须按照正确的实施方法才能保证项目得以成功。商业智能项目的实施步骤可分为：
（1）需求分析。需求分析是商业智能实施的第一步，在其它活动开展之前必须明确地定义企业对商业智能的期望和需求，包括需要分析的主题，各主题可能查看的角度（维度）。需要发现企业那些方面的规律。用户的需求必须明确；
（2）数据仓库建模。通过对企业需求的分析，建立企业数据仓库的逻辑模型和物理模型，并规划好系统的应用架构，将企业各类数据按照分析主题进行组织和归类；
（3）数据抽取。数据仓库建立后必须将数据从业务系统中抽取到数据仓库中，在抽取的过程中还必须将数据进行转换，清洗，以适应分析的需要；
（4）建立商业智能分析报表。商业智能分析报表需要专业人员按照用户制订的格式进行开发，用户也可自行开发（开发方式简单，快捷）；
（5）用户培训和数据模拟测试。对于开发使用分离型的商业智能系统，最终用户的使用是相当简单的，只需要点——击操作就可针对特定的商业问题进行分析；
（6）系统改进和完善。任何系统的实施都必须是不断完善的。商业智能系统更是如此，在用户使用一段时间后可能会提出更多的，更具体的要求，这时需要再按照上述步骤对系统进行重构或完善。
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及其在制造业的应用
相关文章
