企业为了确定经营战略和市场战略所进行的经营活动，在BI项目的分析决策过程中，需要基于多种报告和报表进行分析。理想的市场活动展开，大多需要各个营业点的销售报表，每种商品按季节销售的业绩图表等，这就需

要大量准确的并且易于判断的数据。

然而，对于作为使用者的一般员工或者IT部门员工来说，这是一个很大的工作量负担。因为数据的分析需要先获得必要的数据信息，这就必须预先知道数据采集和数据加工计算的方法。当然，还有必要掌握数据库构成和数据存取语言的一些专门的知识。

因此这些工作以前全都是由IT部门人员用OLAP产品来完成的。信息管理部门要根据用户的要求把报表格式设计好，然后根据用户的目的，开发出应用程序以及建立数据库等来完成这项工作。

OLAP报表工具是指什么？

在报表市场上，有一个奇特的现象：IT部门的技术人员是企业所有部门中最不熟悉使用报表工具的部门人员，但报表的数据来自IT部门。IT部门往往利用OLAP的概念建设数据模型，根据数据模型来制作报表，因此对IT部门而言，报表工具是指OLAP工具中的报表展现部分，比如Crystal Report等等。

而在使用报表操作的业务人员眼里，报表工具是代表报表本身功能（排版、计算、统计、图形等）的产品，它目前只有一个产品来代表了，就是EXCEL。

OLAP报表产品最大的难点在哪里？

目前报表工具最大的难点不在于报表的样式（如斜线等），样式虽较繁琐但并非本质困难。最根本的难点在于业务部门知道报表代表的真正含义，却不知道报表的数据统计模型模型；而IT部门通过理解业务部门的描述，在数据库端进行设置数据统计模型，却对报表本身所代表的价值很难理解。

这样的现状，导致报表工具无法两者兼顾，OLAP报表工具产品一直在数据模型设计层面（OLAP层面）和报表本身功能层面做出平衡。

目前OLAP报表产品制作复杂，报表一般会有什么症状？

首先，由于IT部门创建的数据统计模型不完全适应，导致报表制作经常需要编写代码、准备数据（如几十甚至上百行的SQL或存储过程），而且动辄就要进行繁琐的子表拼接，即使这样仍有许多报表无法完成，需与用户商量改变，运算性能也很差。

其次，由于IT部门根据业务部门进行报表制作时，对报表样式理解不专业，大部分报表采用拖拽式编辑，使报表样式绘制麻烦。

最后，业务部门报表的变化很频繁，导致IT部门模型设计和报表制作的滞后，业务部门工作受限，白费时间。

因此，在目前OLAP产品的设计下，BI项目变成日常统计系统，业务模型来自于咨询专家，企业发展过程中业务模型的变化因为OLAP工具而无法快速实现，使企业丢失对BI的信心。可以毫不夸张地说，OLAP产品正在毁掉BI。

OLAP错了还是用户错了？

这是一个困惑！其实我们可以从E.F.Codd博士定义的OLAP概念中找一找这个困惑的答案。OLAP是关系数据库之父E.F.Codd于1993年提出的一种数据动态分析模型，它允许以一种称为多维数据集的多维结构，访问来自商业数据源经过聚合和组织整理的数据。以此为标准，OLAP作为单独的一类产品同联机事务处理（OLTP）得以明显区分。

说起来有点深奥，其实并不复杂，OLAP最基本的概念只有三个：多维观察、数据钻取、CUBE运算。

关于多维角度：我们在平时工作中，会遇到各种问题，在分析问题的时候，同样的现象，我们会从多个角度去分析考虑，有时我们还会从几个角度综合起来进行分析。这就是OLAP分析最基本的概念–从多个观察角度的灵活组合来观察数据，从而发现数据内在规律。

OLAP将数据分为两种特征，一种为表现特征，比如一个销售分析模型中的销售额、毛利等；还有一种为角度特征，比如销售分析中的时间周期、产品类型、销售模式、销售区域等。前者是被观察的对象，OLAP术语称之为”度量数据”，后者为观察视角，OLAP术语称之为”维数据”。

如果建立这样一个模型，我们就可以根据业务需求，从产品类型角度，去观察各个销售地区的销售额数据（以产品类型和销售地区为维、以销售额为度量）；或者我们还可以从销售模式的角度，去观察各个销售地区的销售额数据（以销售模式和销售地区为维、以销售额为度量）。

关于数据钻取：在分析过程中，我们可能需要在现有数据基础上，将数据进一步细化，以获得更为精确的认识。这就是OLAP中数据钻取的概念。

比如，在销售分析中，当我们以产品类型和销售地区为维、以销售额为度量进行分析的时候，可能希望进一步观察某类产品的不同销售模式在各个销售地区的表现，这时我们就可以在产品大类这个数据维下面，再加上一个销售模式维，从而获得相应的信息。

关于CUBE运算：OLAP分析所需的原始数据量是非常庞大的。一个分析模型，往往会涉及数百万、数千万条数据，甚至更多；而分析模型中包含多个维数据，这些维又可以由浏览者作任意的提取组合。这样的结果就是大量的实时运算导致时间的延滞。

我们可以设想，一个1000万条记录的分析模型，如果一次提取4个维度进行组合分析，那么实际的运算次数将达到4的1000次方的数量。这样的运算量将导致数十分钟乃至更长的等待时间。如果用户对维组合次序进行调整，或增加、或减少某些维度的话，又将是一个重新的计算过程。

从上面的分析中，我们可以得出结论，如果不能解决OLAP运算效率问题的话，OLAP将是一个毫无实用价值的概念。那么，一个成熟产品是如何解决这个问题的呢？这涉及到OLAP中一个非常重要的技术–数据CUBE预运算。

一个OLAP模型中，度量数据和维数据我们应该事先确定，一旦两者确定下来，我们可以对数据进行预先的处理。在正式发布之前，将数据根据维进行最大限度的聚类运算，运算中会考虑到各种维组合情况，运算结果将生成一个数据CUBE，并保存在服务器上。

这样，当最终用户在调阅这个分析模型的时候，就可以直接使用这个CUBE，在此基础上根据用户的维选择和维组合进行复运算，从而达到实时响应的效果。

从以上OLAP三点基本概念出发，我们可以在实践中发现问题的所在，OLAP概念没有错，用户也没有错，错在目前业内的OLAP产品的设计思路上！

从OLAP产品来看，由于”多维角度”的变化来自于用户部门，而IT部门采用的OLAP产品使”多维角度”转化成数据库设计，但为了实现”CUBE运算”，”度量数据”和”维数据”需要提前固化，这样限制了业务部门对”多维角度”快速变化的要求，使BI项目变成了日常统计报表项目，使OLAP分析变得无法实现。

OLAP产品需要新一代工具

新一代OLAP工具设计的思想，不应该关注报表工具本身功能：IT部门不要制作报表，仅关注OLAP的功能，不需要做OLAP的报表展现，报表完全由业务部门来实现。主要基于以下两点：

一．从桌面报表的使用能力和使用量来描述，业务部门的人员已经远远超过IT部门的人员，因此，IT部门目前不太可能提供出一个报表工具，来取代业务部门使用的桌面报表工具。

二．报表本身的含义需要业务部门用精湛的业务知识来诠释，如果报表由IT部门来制作的话，会出现知识传递过程中的误差，这是OLAP实施中最大的问题。

基于以上两点，新一代OLAP工具设计思想就是：如何使OLAP工具和Excel报表工具能够无缝交流，应该有一个”分析角度”的技术，来实现业务部门和IT部门对”多维角度”的各自表述。让业务部门自己来做”分析角度”，自己来做报表，让IT部门利用OLAP概念来设计基础数据。

选自:http://cio.ccw.com.cn/research/qiye/htm2007/20070702_280776.asp

Technorati : BI, OLAP, 分析, 商业智能, 图表, 报表, 数据

知识管理已经成为一个非常时尚的词。对于办公自动化、协同办公领域而言，可以说知识管理已经成为了必不可少的组成部分。

　　那么，什么是好的知识管理系统？

　　首先是知识内容要全面，从知识管理的内容角度，至少应该包括：

• 对信息的发布，比如直接发布各种内容
• 对文档的管理，如各类DOC、XLS、PPT等文件
• 对数据信息的管理，如各类报表等等

　　有利于充分利用知识，比如：

• 对链接的处理：在内容中可以互相链接，它是有效利用知识的非常重要的环节
• 强有力的索引能力，特别是全文检索
• 对于动态数据的强有力查询能力，比如可以根据各种条件进行查询

　　灵活的可配置性，比如：

• 对于知识目录、分类等的灵活配置
• 对于用户、权限的灵活配置
• 对于统计分析方法、报表格式的灵活配置

　　技术的先进性，比如：

• 强有力的权限控制机制
• 先进的报表设计模型
• 可靠地处理大附件的能力

　　进一步的，有一些专业的知识管理系统还提供了对知识的利用率、贡献率、生命周期等的管理，使得知识管理到了更深的层次。

本文转载自: ENOA http://www.enoa.cn/research/research_goodkm.htm

Technorati : 信息, 发布, 报, 数据, 知识管理

电厂生命周期是电厂产生、存在和消亡的过程，从工作内容来说，是电厂从规划、设计、施工、建造、安装、调试、运行、维护，直到最终退役、拆除的整个过程。现有企业信息系统的建设，大多集中在企业正常生产运行时的信息管理，而没有从企业的整个生命过程去考虑信息的管理问题，规模较小的企业数据和信息较少，容易采集和补充，因此，可以在企业正常生产运行后建立信息系统。而规模较大的企业，筹建时间很长，如一个装机容量为2×300MW的火力发电厂，从规划设计到项目竣工，大约需要三年左右的时间，这段时间所产生的信息非常复杂，包括数据、文字、图形、三维模型等多种形式，这些信息作为电厂的历史资料对今后的生产运行起着重要的作用。由于生产所依赖的大量信息来自于工程设计和建设阶段，如果不在一开始就注重信息的积累，工程竣工后，信息将会大量丢失，特别是人事变更等因素造成信息的整理非常困难。因此，有必要从生命周期的整个过程对电厂的信息进行管理。 利用计算机技术对电厂的信息进行管理出现在20世纪60年代末，到了80年代，一些软件公司开发出基于主机和字符终端的电厂管理信息系统，由于当时计算机设备昂贵，系统运行效率低，加上字符终端所显示的内容受到限制，因而没有形成规模。进入90年代，以图形为界面、网络和数据库为支撑的电厂管理信息系统逐步在电厂中推广应用，计算机技术也在电厂控制系统中得到广泛应用，过去电厂控制系统分散孤立的局面逐渐被全厂统一的计算机网络所取代，与MIS在计算机平台上实现了对接，形成了由底层实时信息和操作记录、管理层业务信息、决策层支持信息等组成的一套完整的电厂信息技术（IT）解决方案。 信息技术在电厂的应用划分为三个层次： 事务处理和运行操作层: 对应于电厂的各种业务处理和运行操作是数据采集、维护层，也是信息系统的基础。数据主要来自两方面，实时信息取自各运行和控制系统，电厂投入运行后开始积累；非实时信息取自各种事务处理和办公系统，电厂开始建设时就开始积累。 管理支持层: 对各种业务采集的基础数据进行综合加工，生成各方面管理需要的信息，帮助企业优化资源配置。 决策支持层: 通过对各种管理信息中关键指标的挖掘和分析，生成宏观决策的支持信息，为企业的决策服务。 可以看出信息技术的应用有其自身的特殊性。首先，电厂信息系统要以大量而全面的信息为基础，需要从电厂的整个发展过程去规划和考虑。另一方面，信息系统建立在数据共享基础之上，特别强调集成和一致性，因此，发达国家在信息技术应用的过程中都特别强调以数据库为核心，以网络为支撑。从国内信息技术的应用现状来看，恰恰在这两方面与国外还有很大差距。 近几年国外电厂信息技术的应用发展很快，随着CRM和ERP应用的不断深入、使用范围不断扩大，对数据、信息的要求也更为详细和准确，而这些数据和信息有很多是在工程设计及工程建设过程中产生的，因此，工厂生命期数据管理已成为国际工程管理界研究的热门话题。 电厂生命期信息管理的问题 从电厂的生命期过程来看，按照国内的管理体制可以划分为三个阶段: 规划设计阶段、工程建设阶段、运行维护阶段。若把这三个阶段与电厂的生命过程进行比较，就会发现这样的划分并没有完全涵盖一个电厂的生命周期。 在国内，电厂生命周期的三个阶段的工作分别由三方面人员负责完成：各大区的电力设计院负责电厂的规划和设计；地方电力公司负责施工、安装; 电厂或发电有限责任公司负责电厂投产后的运行维护。由于各方面在整个电厂生命期内的工作目标、责任和利益不一样，使得电厂的整体信息化工作变得十分困难，主要体现在： ● 各方面人员对信息化工作的认识不一致，重视程度不一样，对各阶段所产生的数据没有注意收集和管理，国内尚没有对电厂生命期的信息管理制定相应的标准及规定； ● 各单位的装备水平不一样，应用环境不一样，特别是工程建设单位条件较差，要做到及时采集数据还有一定的困难； ● 各阶段的数据分类和对像标识不一致，缺乏统一规划和管理，有些分类和标识在同一阶段内也有不一致和冗余的情况发生； ● 设计院、建设单位都只针对各自阶段所涉及的生产、经营和管理工作，建立各自的独立信息系统，要提取某个电厂的有用数据，需要解决一些技术问题。 在上述问题中，前两个困难会随着信息技术的发展和普及逐步得到解决，从近几年的发展趋势看，过去计算机应用较落后的建设施工单位已经基本完成了信息化工作。因此，如何解决后两个问题是讨论的重点。 电厂数据内容及相互关系 工程项目是一个复杂系统，工程项目实施过程的各个阶段，既密切相关又有着不同的规律，只有对信息进行有效管理和利用，才能够把握住转瞬即逝的控制调整时机。 工程设计是电厂建设的基础性工作，从工程的可行性研究、初步设计到最后施工图设计，都会产生大量数据。主要集中在：以工艺设计、数值分析、费用估算为主要内容的数据管理；以提交设计图纸和技术资料为对像的图档文件；以计算机三维模型为对像的模型文件及其工程数据库。从电厂整个生命周期的各阶段来看，设计过程占整个周期的5%，建设过程占11%，大量的工作是建成后的营运、维护、检修管理，但更多的非实时的基础信息仍是在设计阶段产生并保留下来的数据，约占65%，后续工作都要基于这些数据才能继续。 工程建设的主要工作是综合协调各方面的关系，将不同资源配置到适当的环境和时段，并进行动态调整，以最经济的手段达到工程预期目的。工程建设阶段的信息管理主要集中在三个方面: 以工程进度、质量、费用为对象的项目管理数据，以提交设计文件和技术资料为对象的图档数据和变更数据，以用户文件存储为对象的文件管理系统。 电厂生产运行阶段与设计阶段、工程建设阶段最大不的同在于，工作中要处理的对象或数据内容是长期性的，因而，在信息系统的建立和数据管理等方面要有较为全面的筹划和安排。数据主要分为两大类，即非实时数据和实时数据。非实时数据来自规划和建设阶段，包含以竣工设计文件和技术资料为对象的图档数据、设备制造商和供应商提供的文件和数据、项目管理过程中产生的工程质量、验收结果、实际费用等文件和数据; 实时数据来自电厂控制系统，包含各种设备的开关量、模拟量、数字量及设备状态等信息。目前电厂已建立的信息系统大多是自行开发或购置的专业系统软件，电厂内建立了很多专业的数据库，这些系统尽管在网络上联在一起，但做不到数据共享和统一存取，要使电厂的数据管理既能够满足数据分类的要求，又能满足在全厂范围内共享的需要，就必须分析电厂各阶段的数据内容和相互之间的关系，以及数据和信息的继承要求，只有这样才能够准确、及时地把基础数据采集上来。 数据的产生和利用需要有一个过程，如何使这些数据与它们所附着的对象联系起来，并能够在各阶段保持一致具有可继承性，是一个比较复杂的问题。首先，需要统一各工作阶段的数据管理和使用方式。在设计过程中，电厂的数据按卷册划分，设备和材料清册也只是按系统来确定，因此，需要在数据开始出现时，就给这个对象一个惟一的编号。另外，由于三个阶段产生信息的形式、分类方法、管理的要求都有很大差别，因而，要解决各阶段的数据收集、管理和数据继承、利用问题，就首先要对各个阶段信息管理的对像进行统一的标识，从而为构造各阶段较为稳定的数据结构奠定基础。 数据仓库与电厂生命周期 从对数据的保存和管理要求来看，电厂生命期的数据管理具有数据仓库的特征，因此，采用数据仓库对电厂生命期的数据进行管理是必然的结果。 随着计算机和信息技术的发展，以图形为界面、网络和数据库为支撑的电厂管理信息系统不断出现，对于数据共享和继承要求越来越高。 传统上，电厂IT应用程序体系结构是自底向上开发的，如设备管理系统、物资管理系统、燃料管理系统、人事管理系统等等，都是从一些独立的业务需求开始，没有一个上部统一结构框架，应用程序的体系结构都与该应用程序的功能紧密结合，应用程序体系结构无法平衡相互之间的数据。数据仓库技术在搭建应用程序体系结构时采用自顶向下、基于原则的方法，在体系结构中描述各抽象层。这样就使得整个体系结构更加灵活、易于维护，并且可以在各个应用程序之间平衡。 在电厂中引入数据仓库技术主要是作为信息集成的一种手段，实际工程中遇到的许多数据源可能千差万别，因此，数据仓库需要有相应的工具从各种数据源中抽取数据。这些工具应能够适应电厂的各种应用和物理模型。为了保证数据仓库内数据可用性和一致性，数据进入数据仓库之前，必须经过检查，消除可能存在的错误和不同数据源之间的冗余，而对数据检验、整理、加工和重新组织过程的描述，则是以数据模型和元数据的方式存放在元数据库中。 在电厂的整个生命周期中，为了减少从规划设计到工程建设、生产运行之间存在的数据截流现象，需要利用数据仓库技术进行电厂生命期的数据管理。首先，要在电厂的规划设计中采用在今后各阶段都可以使用的标识系统，对电厂设计中的对象进行标识，解决信息的可继承性问题；其次，要按照电厂在整个生命期内的多维数据模型建立适合于规划设计的部分多维结构，在此基础上，建立旨在继承规划设计部分信息的数据仓库结构，并利用数据提取和转换工具，将规划设计产生的数据和信息加载到数据仓库中。同时，在建立以工程项目为核心的建设期管理系统时，可以通过数据仓库直接利用规划设计中能够继承的数据和信息。最后，在电厂投入运行时，可以直接在已建立的数据仓库基础上，继承规划设计阶段积累的数据，通过企业报表系统对数据进行深入的分析利用。 点 评 从电厂生命期数据管理的要求出发，对电厂的管理对象进行标识，建立全厂统一、满足各阶段信息管理要求的标识系统是电厂生命期数据管理的基础工作。本文结合电厂的实际情况，根据各阶段工作对数据的要求，以电厂标识为基础，探讨了利用数据仓库技术解决电厂在各阶段工作之间存在的数据截流和数据冗余等问题，并对电厂生命期中各主要阶段产生的数据和信息进行了分析，提出了有效地管理和利用这些数据的方法，并给出了以数据仓库为基础的电厂信息管理系统新架构。 作者: 王聪生 王鹏 原文链接：电厂生命周期中的数据管理 转载自：电力信息化EI365.NET

商务智能是20世纪90年代末首先在国外企业界出现的一个术语，其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业，不仅为企业提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势，也有人称之为混沌世界中的智能。因此，越来越多的企业提出他们对BI的需求，把BI作为一种帮助企业达到经营目标的一种有效手段。

什么是商业智能

商业智能（Business Intelligence，简称BI）的概念最早是Gartner Group于1996年提出来的。当时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技术及其应用。当时，Gartner Group猜测说：到2000年，信息民主（注：指组织内信息共享的无差别性）将在具有前瞻性思维的企业中浮现。借助商业智能，员工、咨询员、客户、供给商以及公众能够有效地运用信息。其实，商业智能所涉及的技术与应用，在Gartner Group命名之前就有，起初被称为经理信息系统（EIS），在羽化成商业智能之前叫决策支持系统（DSS）。

目前，商业智能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。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供给商资料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，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。

为此，把商业智能看成是一种解决方案应该比较恰当。BI的要害是从许多来自不同的企业运作系统的数据中，提取出有用的数据，进行清理以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给治理者，为治理者的决策过程提供支持。商业智能的这个基本过程如图所示。

因此，BI是涉及一个很宽领域的，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。

商业智能的典型应用

经营分析

经营分析包括经营指标分析、经营业绩分析和财务分析三部分。

经营指标分析是指对企业不同的业务流程和业务环节的指标，如：利润率、应收率、销售率、库存量、单品销售情况及所占营业比例、风险采购和库存评价指标等进行搜集和分析。但这些指标只能反映局部的经营状况。为了解企业的整体经营状况，还需对这些指标进行科学的组织和分析，利用智能治理技术，形成一个能反映企业整体情况的数学模型。这样通过观察总指标并设置告警，才能获得整个企业的经营状况。

经营业绩分析是指对各部门的营业额、销售量等进行统计，在此基础上，进行同期比较分析、应收分析、盈亏分析、各种商品的风险度分析等等。经营业绩分析有利于企业实时把握自身的发展和经营情况，有利于企业及时调整经营业务、化解经营风险。

财务分析是指对企业财务数据中的利润、费用支出、资金占用及其他具体经济指标进行有效分析。通过财务分析，可以及时把握企业在资金使用方面的实际情况，为及时调整和降低企业成本提供数据依据。

战略决策支持

在经营分析的基础上，将各类数据、信息进行高度的概括和总结，然后形成供高级决策者进行战略决策时参考的企业经营状况分析报告，是商业智能的优势所在。

商业智能对战略决策的支持，分别表现在对公司战略、业务战略和职能战略的支持上。在公司战略决策支持层面上，可以根据公司各战略业务单元的经营业绩和经营定位，选择一种合理的投资组合战略；在业务战略决策支持层面上，由于商业智能系统中集成了更多的外部数据，如外部环境和行业信息，各战略业务单元可据此分别制定自身的竞争战略；在职能战略决策支持层面上，由于来自于企业内部的各种信息，源源不断地输入进来，相应地可以提供营销、生产、财务、人力资源等决策支持。

绩效治理

商业智能技术能够从企业各种应用系统中提取出各种基础绩效指标与要害绩效指标(KPI, Key Performance Indicator)。为了考核员工的绩效，企业可以先将希望员工要做的工作进行量化，然后借助商业智能工具，治理人员可以追踪、衡量和评价员工的工作绩效，引导员工的思想方向和行动与企业的整体目标保持一致。

与各种企业信息化系统的关系

商业智能作为一种企业信息集成解决方案，为企业不同的应用系统，如企业资源规划(ERP)、客户关系治理(CRM)、供给链治理(SCM)、办公自动化(OA)、电子商务(E-Commerce)以及外部环境扫描（Environmental Scanning）等系统之间架起了互通的桥梁。同时，这些信息化系统也为商业智能提供了数据源，离开了它们，商业智能就会成为无源之水，无本之木。但商业智能的价值又在这些系统之上，因为它可以发现数据背后隐藏的商机或威胁，获得洞察力，了解企业和市场的现状，把握趋势，识别异常情况，理解企业业务的推动力量，认清正在对企业的业务产生影响的行为及影响程度如何等。

商业智能的应用实施

企业在实施商业智能技术时，有两种方法可供选择。一种较稳妥的方法是从企业中某一个局部的商业需求开始，尝试着进行商业智能的实施。这种方法轻易实现，回报快，三年ROI（投资回报率）较高。另一种方法则是在企业所有领域全面实施商业智能，以支持企业的所有业务过程，满足跨企业的决策支持。这种方法较前一种方法更具挑战性，三年ROI较低，收回投资的平均年限也较长。

无论采用哪一种方法，企业要建立自己的商业智能系统，都需要经历商业智能系统分析、系统设计和系统维护与治理三个阶段。

商业智能系统分析

商业智能系统分析，又可分为企业需求分析、信息来源分析、逻辑信息模型设计、商业智能系统结构设计等步骤。

企业需求分析可包含CRM分析、经营分析、产品组合分析、产品促销推广分析、财务风险分析与电子商务分析等等。

信息来源分析要对可能的信息来源进行调查，包括从顾客服务、商品销售、存货采购、会计财务、人力资源、推广促销、市场调查与电子商务等相关系统中考察可以收集的信息源。

逻辑信息模型设计主要的工作是从已经联机的信息系统中，找寻可用于信息分析的相关资料档案，并且与企业各项业务分析中的系统需求功能相比照，设计与汇集可符合企业需要的逻辑信息模型。

商业智能系统结构设计包括确定硬件与软件组成，设计信息从来源系统到商业智能系统数据库的处理流程。通常采用OLAP与数据挖掘工具进行分析猜测，使终端用户存取数据更有效率。

商业智能系统设计

商业智能系统设计，包括实体数据模型设计、ETL（抽取、转换和装载）设计、数据挖掘方法设计、终端程序设计（OLAP或EIS）等步骤。

实体数据模型设计就是数据抽取 (Extraction)、转换(Transformation)与装载（Loading）的功能设计。商业智能系统必须具备抽取各种类型信息的能力，并且依照资料的特性与决策者的需求，能够自动、定时地到来源数据库中抽取信息。数据转换则是将不一致的数据，根据规则转换为具有一致性的数据。装载则在商业智能的转换程序服务器上自动进行。装载程序需要考虑自上一次资料抽取之后，来源数据库内发生改变的项目，并对装载时产生的错误进行处理。数据挖掘方法设计即根据系统数据的特点，选择适用的挖掘算法，如可采用货篮分析、时间序列分析、聚类分析、决策树方法、遗传算法等。终端用户应用系统设计用于确定以何种形式将联机分析处理、数据挖掘分析的结果呈现给用户。

商业智能系统维护与治理

商业智能系统维护与治理，包括商业智能整合性系统建立、数据库治理、安全治理与效率治理等步骤。这里涉及两个层面，第一是维持与治理商业智能系统与其支持结构（数据库治理、安全治理、效能治理）所需的基本功能。第二是从技术及商业的角度来探讨商业智能系统配置是否达到最佳。从技术的角度而言，包括检查逻辑与实体数据库设计，以及所需工作效率调整是否合适。从商业的角度而言，包括数据库稽核，亦即访问商业使用者，以考察他们的需求是否获得满足，以及获得的投资报酬。

为了使商业智能系统获得成功，组建数据库治理小组是要害。数据库治理小组要负责建立实体数据模型、数据存储的DBMS以及备份与恢复程序，还要负责安全治理和效率治理。

北京燕莎望京购物中心商业智能的应用

零售企业的信息系统天天会产生大量的数据。假如采用商业智能系统对这些数据进行分析，不仅可以获得商品的关联关系，还可以获得有关商品结构、销售状况、库存状况、供给商和顾客等决策支持所需的珍贵信息。1999年11月，燕莎望京购物中心对原计算机系统进行了改造升级，开始实施商业智能。新系统重新整合和规范了北京燕莎望京购物中心的原有业务流程，使得在治理上更加规范和通畅。2001年，燕莎望京购物中心在原基础业务治理系统基础上导入了商业智能系统。该系统基于IBM公司的DB2数据库，并采用了一系列新的开发思想。

燕莎望京实施的BI运用了数据仓库、在线分析和数据挖掘技术来处理和分析数据，进行数据抽取、清洗、聚类、挖掘、猜测等处理，针对不同的”维”进行上下钻取、左右拖动及纵横旋转，通过连续的立体动态表来产生可透析的各种展示数据，直观地显示分析者所要探询的某种经营属性或市场规律。

该BI系统分为商业计划、商品配置、采购技术、销售技术 、库存技术、资金分析 、顾客分析 、人员绩效八大模块，采用三维（时间维、经营活动维、指标维）模型进行全方位的分析，从而得出科学准确的结论。具体来说，对于时间维，可以选择从一年到一天甚至可以精确到某一小时，几乎可以对任意时段的同比和环比指标进行分析比较；对于经营活动维，既可以按照商品的类别如品牌、产地、新商品、淘汰品、促销品、账期品、组包品、多包装品摆放位置、柜组、楼面、占用面积和体积、价格带、毛利带等划分，又可以按照角色如买手、供给商、CEO、部门经理、营业员、收银员、一般消费者、贵宾客户进行划分；对于经营指标维，则可以从进货、销售、调配、库存（毛利、毛利率、动销率、周转率、交叉比率）、资金占用比、库存数量、金额、客人数、客单价等多个角度进行具体的统计与分析。

燕莎望京启用商业智能分析系统之后，有效地解决了原来存在于企业中的内外部矛盾。通过对供给商在特定时间段内的各项指标，包括订货量、订货额、进货量、进货额、到货时间、库存量、库存额、退换量、退换额、销售量、销售额、所供商品毛利率、周转率、交叉比率等进行的分析，为供给商的引进、储备、淘汰（或淘汰其部分品种）及供给商库存商品的处理提供了可靠的分析依据。比如，在分析的过程中，可能会发现某些供给商所提供的商品销售一直不错，某个时间段里的结款也非常稳定，而这个供给商的结算方式是代销。分析显示出，既然这个供给商所供商品销售风险较小，在资金不紧张的情况下，为什么不考虑将他们改为购销来降低经营成本呢？

通过采用商业智能分析系统，燕莎望京确定了以分析结构为主线的分析思路，进而指导了购物中心商品结构的调整，增强了所营商品的竞争能力，商品配置也更加趋于合理，并为及时调整商品的品类和价格定位、调整和监控供给商的经营行为、及时订货补货等提供了科学的依据。通过顾客分析，可以了解到燕莎望京的商圈里消费者的居住区域、文化层次、年龄段、平均月收入等，为燕莎望京总体的定位提供强有力的说服性数据。

作者：李艳
出处：www.chinabi.net

Technorati : BI, 决策支持, 商业智能, 经营分析, 绩效