1、 “電子技術(shù)到來(lái)以后，人延伸出（或者說(shuō)在體外建立了）一個(gè)活生生的中樞神經(jīng)系統(tǒng)。麥克盧漢，理解媒介1數(shù)據(jù)迷霧中迷茫2一個(gè)平常飲料店的故事 1993年前，店里賣(mài)的飲料只有啤酒、可口可樂(lè)和北冰洋汽水 進(jìn)貨出貨老板在一個(gè)舊本子上記錄一個(gè)平常飲料店的故事1995年，生意大了，各處開(kāi)了分號(hào)，飲料多了，酒也多了，有幾十種。店里裝了自動(dòng)柜員機(jī)，柜員機(jī)里記的賬天天都打印出來(lái)送給老板。老板看不過(guò)來(lái)，加個(gè)總數(shù)就算了，但生意該怎么做，老板還算清楚。 一個(gè)平常飲料店的故事1998年，經(jīng)營(yíng)的品種過(guò)了百，店里連了網(wǎng)，用上了財(cái)務(wù)軟件。1999年又上了互聯(lián)網(wǎng)，客人來(lái)自四面八方。賬單每天打出厚厚一堆，老板瞧著密密麻麻的數(shù)字楞神，

2、直嚷嚷生意難做。 數(shù)據(jù)迷霧鋪天蓋地美國(guó)MCI是跨國(guó)的電信公司，長(zhǎng)途電話(huà)客戶(hù)2億，電腦里數(shù)據(jù)存了5TB，每月還增加300GB。據(jù)美國(guó)加州一所大學(xué)研究，世界上每個(gè)人，不管死活，已經(jīng)產(chǎn)生或?qū)⒁a(chǎn)生250MB的數(shù)據(jù)，每年全球數(shù)據(jù)凈增21010GB。 如何應(yīng)對(duì)？商務(wù)智能7什么是商務(wù)智能商業(yè)智能是對(duì)商業(yè)信息的搜集、管理和分析過(guò)程，目的是使企業(yè)的各級(jí)決策者獲得知識(shí)或洞察力，促使他們做出對(duì)企業(yè)更有利的決策。 商業(yè)智能一般由數(shù)據(jù)倉(cāng)庫(kù)（或數(shù)據(jù)場(chǎng)）、數(shù)據(jù)分析、數(shù)據(jù)挖掘、在線分析、數(shù)據(jù)備份和恢復(fù)等局部組成。 什么是商務(wù)智能商務(wù)智能是從累計(jì)的原始數(shù)據(jù)中提取有用信息的過(guò)程 商務(wù)智能為決策者在正確的時(shí)間, 地點(diǎn)提供關(guān)于企業(yè)

3、運(yùn)營(yíng)情況的各項(xiàng)信息使之能夠做出準(zhǔn)確的決定背景商業(yè)智能（BI）的概念最早是Gartner Group于1996年提出 執(zhí)行信息系統(tǒng)（EIS）決策支持系統(tǒng)（DSS）。 為什么需要商務(wù)智能 促進(jìn)銷(xiāo)售 加深客戶(hù)關(guān)系 改進(jìn)產(chǎn)品 提供更好的效勞 協(xié)調(diào)企業(yè)運(yùn)營(yíng) 降低本錢(qián) 提高決策水平Business Intelligence helps track what really works and what doesnt. Bill Gates, Chairman, Microsoft通過(guò)BI幫助我們提高企業(yè)效益 建立忠實(shí)的顧客群 增進(jìn)企業(yè)效率 做出明智的決策 商務(wù)智能內(nèi)容產(chǎn)品分析 哪種產(chǎn)品贏利情況最好? 哪種產(chǎn)

4、品贏利最差卻賣(mài)的最快? 哪種產(chǎn)品組合對(duì)一定收入的家庭最有吸引力? 商務(wù)智能內(nèi)容銷(xiāo)售分析 一家已開(kāi)張兩年的分店銷(xiāo)售趨勢(shì)如何? 附近地區(qū)是否存在競(jìng)爭(zhēng)者? 哪種產(chǎn)品的贏利有向上的趨勢(shì)及哪類(lèi)顧客購(gòu)置了這些產(chǎn)品? 商務(wù)智能內(nèi)容顧客分析 提供頭10%利潤(rùn)的顧客有什么特點(diǎn)? 購(gòu)置產(chǎn)品或效勞三個(gè)月后顧客的流失率是多少? 過(guò)去六個(gè)月里比平均消費(fèi)額高兩個(gè)百分點(diǎn)的都是誰(shuí)? 眾多行業(yè)積極尋求BI解決方案的零售、保險(xiǎn)、銀行、通信、離散制造、政府、醫(yī)療、分銷(xiāo)、流程制造、教育等。 商務(wù)智能如何工作 數(shù)據(jù): 把不同來(lái)源的數(shù)據(jù)匯總為一個(gè)數(shù)據(jù)倉(cāng)庫(kù) 內(nèi)涵: 商務(wù)智能工具通過(guò)分析這些數(shù)據(jù)來(lái)幫助人們更好地了解企業(yè)情況 行動(dòng): 通過(guò)分析

5、來(lái)更有效地分配資源 商務(wù)智能系統(tǒng)結(jié)構(gòu)數(shù)據(jù)倉(cāng)庫(kù)(Data Warehouse, DW)聯(lián)機(jī)分析處理(On-Line Analytical Processing, OLAP)數(shù)據(jù)挖掘(Data Mining, DM)數(shù)據(jù)倉(cāng)庫(kù)(DW)數(shù)據(jù)倉(cāng)庫(kù)，是在數(shù)據(jù)庫(kù)已經(jīng)大量存在的情況下，為了進(jìn)一步挖掘數(shù)據(jù)資源、為了決策需要而產(chǎn)生的，它決不是所謂的“大型數(shù)據(jù)庫(kù)。 W.H.Inmon關(guān)于數(shù)據(jù)倉(cāng)庫(kù)的定義：面向主題的、集成的、與時(shí)間相關(guān)且不可修改的數(shù)據(jù)集合。 面向主題 傳統(tǒng)數(shù)據(jù)庫(kù)主要是為應(yīng)用程序進(jìn)行數(shù)據(jù)處理，未必按照同一主題存儲(chǔ)數(shù)據(jù)數(shù)據(jù)倉(cāng)庫(kù)側(cè)重于數(shù)據(jù)分析工作，是按照主題存儲(chǔ)的 與時(shí)間相關(guān) 數(shù)據(jù)庫(kù)保存信息的時(shí)候，并不強(qiáng)調(diào)

6、一定有時(shí)間信息 數(shù)據(jù)倉(cāng)庫(kù)則不同，出于決策的需要，數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)都要標(biāo)明時(shí)間屬性不可修改 數(shù)據(jù)庫(kù)處理的是日常事務(wù)數(shù)據(jù)，有的需要不斷更新數(shù)據(jù)倉(cāng)庫(kù)反映的是歷史信息 ，可以添加，但不可更改。數(shù)據(jù)倉(cāng)庫(kù)生成 Extract, Transfer, and Load (ETL)ModelIntegrateDataETLData warehouse數(shù)據(jù)展現(xiàn) 面向高層決策者的主管信息系統(tǒng)(EIS)面向決策分析者的聯(lián)機(jī)分析系統(tǒng)(OLAP)決策者上的即席查詢(xún)系統(tǒng)(Ad Hoc)靈活報(bào)表系統(tǒng)(Reporting)數(shù)據(jù)展現(xiàn)采用多種靈活的方式，比方C/S模式或B/S模式 聯(lián)機(jī)分析處理(OLAP)OLAP委員會(huì)的定義：是使

7、分析人員、管理人員或執(zhí)行人員能夠從多種角度對(duì)從原始數(shù)據(jù)中轉(zhuǎn)化出來(lái)的、能夠真正為用戶(hù)所理解的、并真實(shí)反映企業(yè)維特性的信息進(jìn)行快速、一致、交互地存取，從而獲得對(duì)數(shù)據(jù)的更深入了解的一類(lèi)軟件技術(shù)。OLAP的目標(biāo)：是滿(mǎn)足決策支持或多維環(huán)境特定的查詢(xún)和報(bào)表需求，它的技術(shù)核心是“維這個(gè)概念，因此OLAP也可以說(shuō)是多維數(shù)據(jù)分析工具的集合。開(kāi)展背景60年代，關(guān)系數(shù)據(jù)庫(kù)之父E.F.Cdd提出了關(guān)系模型，促進(jìn)了聯(lián)機(jī)事務(wù)處理(OLTP)的開(kāi)展(數(shù)據(jù)以表格的形式而非文件方式存儲(chǔ))。1993年，E.F.Cdd提出了多維數(shù)據(jù)庫(kù)和多維分析的概念，即OLAP OLAP多維數(shù)據(jù)結(jié)構(gòu) 超立方結(jié)構(gòu)(Hypercube) 多立方結(jié)構(gòu)(

8、Multicube) OLAP多維數(shù)據(jù)分析 切片和切塊(Slice and Dice)：在多維數(shù)據(jù)結(jié)構(gòu)中,按二維進(jìn)行切片,按三維進(jìn)行切塊,可得到所需要的數(shù)據(jù) OLAP多維數(shù)據(jù)分析鉆取(Drill) ：鉆取包含向下鉆取(Drill-down)和向上鉆取(Drill-up)/上卷(Roll-up)操作 OLAP多維數(shù)據(jù)分析旋轉(zhuǎn)(Rotate)/轉(zhuǎn)軸(Pivot)：通過(guò)旋轉(zhuǎn)可以得到不同視角的數(shù)據(jù) 數(shù)據(jù)挖掘(DM)一方面規(guī)模龐大、紛繁復(fù)雜的數(shù)據(jù)體系讓使用者漫無(wú)頭緒、無(wú)從下手；另一方面在這些大量數(shù)據(jù)的背后卻隱藏著很多具有決策意義的有價(jià)值的信息。數(shù)據(jù)挖掘(DM)如何發(fā)現(xiàn)這些有用的知識(shí)，使之為管理決策和經(jīng)營(yíng)

9、戰(zhàn)略開(kāi)展效勞？數(shù)據(jù)挖掘（Data Mining）。 DM應(yīng)用實(shí)例(購(gòu)物環(huán)境設(shè)計(jì)) 某超市，需要設(shè)計(jì)一個(gè)吸引客人購(gòu)置商品的最正確環(huán)境。通過(guò)對(duì)客人的采購(gòu)路線和消費(fèi)記錄的挖掘發(fā)現(xiàn)：美國(guó)女性的視線高度是150cm左右，而男性是163cm左右，最適宜的視線角度是視線高度以下15度。因此，最好的貨品擺設(shè)位置是在130到135厘米之間。按照DM找出的特別信息，該超市里的主打產(chǎn)品，總是擺在最容易發(fā)現(xiàn)的高度區(qū)內(nèi)。 DM應(yīng)用實(shí)例(客戶(hù)購(gòu)置模式識(shí)別 )Safeway是英國(guó)的第三大連鎖超市，年銷(xiāo)售額超過(guò)一百億美元 運(yùn)用傳統(tǒng)的方法降低價(jià)位、擴(kuò)充店面以及增加商品種類(lèi)，若想在競(jìng)爭(zhēng)中取勝已經(jīng)越來(lái)越困難了 必須以客戶(hù)為導(dǎo)向，了

10、解六百萬(wàn)客戶(hù)所做的每一筆交易以及這些交易彼此之間的關(guān)聯(lián)性 DM應(yīng)用實(shí)例(客戶(hù)購(gòu)置模式識(shí)別 )Safeway首先根據(jù)客戶(hù)的相關(guān)資料，將客戶(hù)分為150類(lèi)，再用關(guān)聯(lián)（Association）的技術(shù)列出產(chǎn)品相關(guān)度的清單。比方：“在購(gòu)置烤肉炭的客戶(hù)中，75%的人也會(huì)購(gòu)置打火機(jī)燃料 。DM應(yīng)用實(shí)例(客戶(hù)購(gòu)置模式識(shí)別 )Safeway還需要對(duì)商品的利潤(rùn)進(jìn)行細(xì)分。例如，Safeway發(fā)現(xiàn)某一種乳酪產(chǎn)品雖然銷(xiāo)售額排名第209位，可是消費(fèi)額最高的客戶(hù)中有25%都常常買(mǎi)這種乳酪。Safeway 知道客戶(hù)每次采購(gòu)時(shí)會(huì)買(mǎi)哪些產(chǎn)品以后，就可以利用Data Mining中的 Sequence Discovery 功能，找出

11、長(zhǎng)期的經(jīng)常性購(gòu)置行為，進(jìn)而促銷(xiāo)。數(shù)據(jù)挖掘(DM)學(xué)科背景統(tǒng)計(jì)學(xué)計(jì)算機(jī)科學(xué)人工智能領(lǐng)域的廣泛運(yùn)用數(shù)據(jù)挖掘(DM)常用方法分類(lèi)（classification）：依照所分析對(duì)象的屬性分門(mén)別類(lèi)、加以定義、建立類(lèi)組（class）。比方，將信用卡申請(qǐng)人分為低、中、高風(fēng)險(xiǎn)群，或是將顧客分到事先定義好的族群。 數(shù)據(jù)挖掘(DM)常用方法估計(jì)（estimation）：根據(jù)既有的連續(xù)性數(shù)值相關(guān)屬性資料，求得某一屬性的未知值。比方，估計(jì)家中小孩的數(shù)量、一個(gè)家庭的總收入或是不動(dòng)產(chǎn)的價(jià)值。所使用的技巧有相關(guān)分析、回歸分析及類(lèi)神經(jīng)網(wǎng)絡(luò)方法。數(shù)據(jù)挖掘(DM)常用方法預(yù)測(cè)（prediction）：根據(jù)對(duì)象屬性過(guò)去的觀察值來(lái)估計(jì)

12、此屬性未來(lái)的值。比方，預(yù)測(cè)哪些顧客會(huì)在未來(lái)的半年內(nèi)取消該公司的效勞，或是預(yù)測(cè)哪些電話(huà)用戶(hù)會(huì)申請(qǐng)?jiān)鲋敌?，如三方通?huà)、語(yǔ)音信箱等。所使用的技巧有回歸分析、時(shí)間序列分析及類(lèi)神經(jīng)網(wǎng)絡(luò)方法。 數(shù)據(jù)挖掘(DM)常用方法關(guān)聯(lián)分組（affinity grouping）：從所有對(duì)象來(lái)決定哪些相關(guān)對(duì)象應(yīng)該放在一起。比方，在超市中，哪些物品會(huì)一起被購(gòu)置，零售商可以利用關(guān)聯(lián)分組來(lái)規(guī)劃店內(nèi)商品的擺設(shè)位置，把會(huì)被一起購(gòu)置的商品擺在一起。在客戶(hù)的營(yíng)銷(xiāo)系統(tǒng)上，此種功能可用來(lái)確認(rèn)交叉銷(xiāo)售（cross-selling）的時(shí)機(jī)以設(shè)計(jì)出更吸引人的產(chǎn)品群組。 聚類(lèi)、群集化（clustering）：將不同的母體區(qū)隔為較具同構(gòu)型的群組（

13、cluster），換句話(huà)說(shuō)，其目的是將組與組之間的差異分辨出來(lái)，并對(duì)個(gè)別組內(nèi)的相似樣本進(jìn)行挑選。在群集化技術(shù)中，沒(méi)有預(yù)先定義好的類(lèi)別和訓(xùn)練樣本存在，所有紀(jì)錄都根據(jù)彼此相似程度來(lái)加以歸類(lèi)。比方，在市場(chǎng)營(yíng)銷(xiāo)調(diào)查前，先將顧客群集化，再來(lái)分析每群顧客最喜歡哪一類(lèi)促銷(xiāo)，而不是對(duì)每個(gè)顧客都用相同的標(biāo)準(zhǔn)規(guī)則來(lái)分析。所使用的技巧有k-means法及agglomeration法。 SCORING &MODELINGPORTALSDSSEISANALYSESQUERIESSCORESAPPLICATIONSDATA HANDLEDATASTORESLOADTRANSFORMEXTRACTSTANDARD TEMPLATEOLAPAgentDMWAREHOUSECRM ERP SCM Policy F&A O