
商务智能的基础架构:数据仓库
商务智能架构
商务智能是深化企业信息化的重要工具,它的出现为企业决策层提供了决策分析与风险规避的工具,为企业提供了资源优化与价值评价的平台,为企业信息化提供了从运营层向决策层发展的支撑。面向企业建立商务智能,要开发或者选择适合企业的商务智能平台。
1 商务智能的架构过程
数据获取与管理。从不同的数据源获取有用的数据,对数据进行清理以保证数据的正确性,将数据经过转换、重构后存入数据仓库或数据场(这时数据变为信息);
数据整理与分析。通过合适的查询和分析工具、数据挖掘工具,对信息进行处理(这时信息变为辅助决策的知识);信息展现与表示。将管理与决策所需知识呈现于用户面前,支持管理与决策。
2商务智能的基础架构:数据仓库
商务智能系统的主要技术基础是近几年逐渐成熟起来的数据仓库(Data ware House)技术。通过数据仓库,商务智能系统可以获取原始资料,并以Portal形式为企业主管提供分析与查询信息。
资料来源可能在企业内部应用系统,亦可能来自外部。当载入异类系统资料时,通常需对资料进行格式转换,以合并入单一数据库。数据库本身需能管理大量数据,并能以高效能处理复杂查询。
数据库记录元数据资料(metadata)于贮藏库中(repository),以商业视角(business view)方式将原始资料经过整理后解释成对高级主管有意义的信息。数据分析与查询可应用各种先进技术,如随意查询(ad-hoc query)、多维度分析(multidimensional analysis),假设性问题分析(what-ifan alysis)等。
3 商务智能的展现平台:商务智能门户
商务智能着眼将企业信息化管理后所产生的营运数据,予以转化增值为辅助决策的信息,进而累积成为企业的知识资产。通过引入门户的概念而形成的商务智能门户(Business Intelligence Portal)可以从三个方面对商务智能进行提升与补充:使用方便与个人化。从使用者界面来看,BI的使用者通常需要经过长时间训练,才能掌握如何使用BI工具。执行官、财务主管等不同高级主管进行管理与决策所需的信息不尽相同,并且都有各自的KPI。即使许多BI解决方案都已Web化,但事实上,仍无法完全满足方便性、个人化及安全性的需求。但在BI环境中,他们看到的可能都是相同的应用程序与企业内部资料,缺乏个性化机制的BI工具,只能兼顾一般性的决策需求。
内外信息结合。除了企业内部资料之外,高级主管往往还需要大量的外部信息,如公司实时殷价、竞争对手的财务报告、垂直行业别的产业信息。在单纯的BI环境中,高级主管只能看到BI工具存取企业内部资料而产出的一般性报表,但在与Portal环境整合之后,高级主管可在经过个人化的单一工作环境中,集中得到进行决策所需的所有信息:除了既有的BI报表之外,还包括许多非结构性资料与企业外部信息。
结构与非结构性资料。在信息存取方面,BI只能处理结构性资料,但在企业环境中,存在于文件、电子表格、电子邮件、互联网等环境的非结构性资料,所占比例其实远高于结构性资料,当然也是进行决策时不可或缺的要素。Portal工具在这一方面更有其难以替代的优势。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10