CH1-商业智能简介

《CH1-商业智能简介》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、本课程如何上授课30学时+上机16学时实用案例、背景介绍理论讲解实验实践实用技能与经验讨论CH1商业智能简介聚焦商业智能1什么是商业智能商业智能不是通常的业务处理。它的目标是如何更快、更容易地做更好的决策。BI将信息转换为知识。商业智能是在正确的时间将正确的信息交给正确的用户以支持决策过程的应用。1.2商业智能系统的演化(1)当描述商业智能系统的目标时，第一个无法回避的问题是：“数据仓库和商业智能系统是否有着一样的目标并且提供相同的功能？”。事实上，当数据仓库技术刚刚被引入时人们问了一个同样的问题

2、“数据仓库和我们以前建立的企业信息系统、信息中心是否相同？”。1.2商业智能系统的演化(2)数据仓库与企业信息系统、信息中心有着重要的区别；同样地，商务智能系统和数据仓库之间也有着重要的区别。1.2.1第一代：基于主机的查询与报表早期的商务信息系统使用批处理应用程序为商业用户提供它们所需的信息。第一代：面向专家第一代的商务信息系统只能被诸如业务分析人员之类的熟悉数据且有相当计算机经验的人员使用。管理人员很少能够使用这些早期的系统，他们必须依靠信息提供者来解答他们的问题，并给他们所需要的信息。1.2

3、.2第二代:数据仓库第二代信息系统应用了数据仓库技术。从而使性能有了一个飞跃。与第一代的系统相比，数据仓库有着以下一些优点：数据仓库被设计用来满足业务用户的需求，而不是每天的操作型应用。数据仓库中的信息是干净的、一致的，并且这些信息以业务用户能理解的形式储存。数据仓库与操作型系统的不同点：操作型系统中只有具体的当前数据；数据仓库则既可以提供历史数据，又可以提供汇总信息；客户机/服务器工作模式的使用为数据仓库的使用者提供了用户接口和更强大的决策支持工具。1.2.3第三代：商业智能数据仓库仍然不能完

4、全解决商业用户的需求问题。数据仓库解决方案的缺点（1）许多数据仓库解决方案共同的一个缺点就是系统的开发者总是专注于软件技术，而不是商业解决方案。因此，尽管他们所提供的产品能够很好地构建和访问数据仓库，但这些产品实施起来相当复杂。数据仓库产品通常很少针对特定的产业、应用领域提供解决特定的业务问题的软件包。企业所需要的是应用程序和商务解决方案，而不仅仅是技术。数据仓库解决方案的缺点（2）数据仓库解决方案的另一个问题是：人们仍然过多地关心如何建立数据仓库，而不是如何对它进行访问。许多企业似乎觉得他们只需

5、要建立起数据仓库并为用户提供合适的工具，问题就解决了。事实上，这只是个开始而已。商业智能系统有以下三个主要的优点：作为第三代的业务信息系统：商业智能系统不仅支持最新的IT技术，同时也提供了打包的应用解决方案。商业智能系统着眼于终端用户对业务数据的访问和业务数据的传送，它同时为信息提供者和信息消费者提供了支持。商业智能系统支持对所有格式商务信息的访问，而不仅仅是那些存储在数据仓库中的信息。举例：IBM商业智能结构1.3商业智能的商业驱动力在商业智能背后有一些商业驱动力，如：增加收入，减少费用和更有效

6、地竞争的需求；管理和模拟当前商业环境复杂性的需求；减少IT费用和利用已有公司业务信息的需求1.4.1操作型数据库操作型数据库是面向细节数据的数据库，用于满足公司内的非常复杂的处理。在数据库中，数据高度范式化，从而避免了数据冗余。1.4主要的商业智能术语1.4.2OLAPOLAP是针对特定问题的联机数据访问和分析。通过对信息（这些信息已经从原始的数据进行了转换，以反映用户所能理解的企业的真实的“维”）的很多可能的观察形式进行快速、稳定一致和交互性的存取，允许管理决策人员对数据进行深入观察。1.4.2

7、.1维（Dimension）维是人们观察数据的特定角度。例如，企业常常关心产品销售随着时间推移而产生的变化的情况，这时他是从时间的角度来观察产品的销售，所以时间就是一个维（时间维）。企业也常常关心自己的产品在不同地区的销售分布情况，这时他是从地理分布的角度来观察产品的销售，所以地理分布也是一个维（地理维）。1.4.2.2维的层次人们观察数据的某个特定角度（即某个维）还可以存在细节程度不同的多个描述方面，我们称这个描述方面为维的层次。一个维往往具有多个层次，例如:描述时间维时，可以从日期、月份、季度

8、、年等不同层次来描述，那么日期、月份、季度、年等就是时间维的层次；同样，城市、地区、国家就构成了一个地理维的多个层次。1.4.2.3维成员(1)维的一个取值就称为该维的一个维成员。如果一个维是多层次的，那么该维的维成员就是不同维层次的取值的组合。例如，考虑时间维具有日期、月份、年这三个层次，分别在日期、月份、年上各取一个值组合起来，就得到时间维的一个维成员，即“某年某月某日”。1.4.2.3维成员(2)一个维成员并不一定要在每个维层次上都取值，例如“某年某月”、“某月某日”、“某年