商业智能及其在制造业的应用.docx

商业智能及其在制造业的应用
     
 
 
 
 
 
     
     
 
 
 
 
 
     
 
 
 
 
    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