商务智能在物流操作中的应用

    随着我国经济发展及对外交流加强，现代物流作为现代经济的重要组成部分得到迅猛发展。物流管理不仅表现为实物流动，更表现为对计划、控制等蕴含于物流过程中无形管理的组织效率和技术创新。“物流管理，信息先行”已经成为全球物流企业共识。一方面，物流质量取决于信息，物流服务依靠信息，商务智能通过对数据的采集、整理、挖掘和分析，为物流企业组织内的各层次人员提供信息，提高企业的决策能力，加快决策速度，确保决策准确性，同时实现企业内部的远程管理。另一方面，也为企业外部用户提供有效信息，共同分享销售、库存等商业数据，共同进行品类分析和管理，提升了对外服务水平。商务智能作为一项新兴技术已成为物流管理中最有利的工具之一。

    一、商务智能

    1.1商务智能的含义

    商务智能英文是Business intelligence,最早由美国加特纳公司的分析师霍华德·德莱斯纳 （Howard Dresner）提出。商务智能在国外已经日趋成熟，但在中国仍处于初步发展阶段。对商务智能的研究不乏专家学者，关于商务智能的含义，不同的学者根据自身的理解给予不同看法，主要有以下几种：

    （1）商务智能是指通过数据的收集、管理、分析及转化，使数据成为可用信息，从而获得必要的洞察力和理解力，更好地辅助决策和指导行为。

    （2）商务智能是运用了数据仓库、联机分析和数据挖掘技术来处理和分析数据的技术，用户可以无障碍的直接查询和分析数据库和数据仓库，找出影响商业活动的关键因素，最终帮助用户做出更好、更合理的决策。

    （3）商务智能是应用于internet上的集查询、报表、分析为一体的联机分析处理工具，企业用户在客户端可对数据进行深层次的挖掘、钻取、切片等分析处理，轻松完成数据的分析处理、报表统计工作。

    （4）商务智能是企业利用现代信息技术收集、管理和分析结构化和非结构化的商务数据和信息，创造和累计商务知识，改善商务决策水平，采取有效的商务行动，完善各种商务流程，增强企业的综合竞争力。

    （5）商务智能是通过利用多个数据源的信息以及应用经验和假设，促进对企业动态特性的准确理解，以便提高企业的决策能力的一组概念、方法和过程的集合。它通过数据的获取、管理和分析，为企业组织的各种人员提供信息，以提高企业的战略和战术决策能力。

    （6） 根 据 国 际 数 据 公 司（International Data Company,IDC）的定义，商务智能是对商业信息的搜集、加工、管理和分析的过程，目的是使企业各级决策者获得知识或洞察力，促使他们更快地做出对企业更有利的决策。

    总之，商务智能是利用计算机、通信等现代科学技术，针对的是企业如何收集、整理、分析和分享信息的流程，可以为企业提供信息，扩大信息受众范围，增加信息价值，为及时、准确进行决策提供服务。其基本功能包括个性化的信息分析、预测发展趋势和辅助决策。

    1.2 商务智能的结构

    商务智能体系结构一般为：源数据层、数据转换层、数据仓库 （数据集市）层、OLAP及数据挖掘层、用户展现层。数据仓库（Data Warehouse DW）、联机分析处理 （On Line Analytical Processing,OLAP）和数据挖掘 （Data  Mining ,DM）是商务智能的三大技术支柱。DW是商务智能系统的基础，是面向主题的、集成的、稳定的和随时间不断变化的数据集合。OLAP技术的核心是 “维”,通过对多维数据的钻取、切片及旋转等分析动作，来完成决策支持和多维环境下的查询及报表。DM是从海量数据中提取隐含在其中的、人们事先不知道的但又可能有用的信息和知识的过程。挖掘的数据有多种来源，包括数据仓库、数据库或其他数据源。所有的数据都需要再次进行选择，具体的选择方式与任务相关。挖掘的结果需要进行评价才能最终成为有用的信息。按照评价结果的不同，数据可能需要反馈到不同的阶段，重新进行分析计算。数据挖掘的常用方法包括关联分析、分类和预测、聚类、检测离群点、趋势和演变分析等。

    数据仓库（Data Warehouse DW）、联机分析处理 （On Line Analytical Processing,OLAP）和数据挖掘 （Data  Mining ,DM）是商务智能的三大技术支柱，其中数据仓库是商务智能的基础。数据仓库是一个更好地支持企业或组织的决策分析处理的数据集合，它有面向主题、集成、相对稳定、随时间不断变化四个特性。联机分析处理是以海量数据为基础的复杂分析技术。数据挖掘是从海量数据中，提取隐含在其中的、人们事先不知道的但又可能有用的信息和知识的过程。

   1.2.1数据仓库

    对于数据仓库概念有各种不同的版本，数据仓库之父比尔。恩门 （Bill Inmom）给予如下描述：数据仓库是 一 个 集 成 的 （Integrated）、 具 有 主 题 导 向 的（Subject Oriented）、相对稳定的（Non-updatable）、随时间变化的 （Time Variant）的数据集合，用于支持管理决策和商务智能。

    在数据仓库里，数据是在对不同来源的数据抽取、清理的基础上经过系统加工、汇总和整理得到的一个紧密的整体；数据所提供的信息是关于某一特别的主题而不是关于一个公司的日常运营；数据仓库在构建之初就明确其主题，即确定决策涉及的范围和所要解决的问题。数据仓库的一个重要作用是为决策者提供必要的智能，促进决策者更好的理解商务危机、商务机会和运营状况。在决策支持过程中，数据仓库主要有四个流程：整合，执行，智能和创新，如图1所示

  数据仓库在决策支持中的流程 数据仓库在决策支持中的流程

   1.2.2数据挖掘

    数据挖掘一词，来源于英文Data  Mining ,还有一些相近的术语，如知识发现 （Knowledge Discovery inDatabase）数据分析 （Data Analyzing）、数据融合（Data Fusion）等。在 《数据挖掘─概念与技术》一书中这样描述：数据挖掘技术就像从矿石中采矿一样，可以从这些数据的 “矿山”中抽取出知识的 “金子”来。数据挖掘是指从大量数据中发现潜在的、有价值的及未知的关系、模式和趋势，并以易被理解的方式表示出来。通过数据挖掘可以发现数据之间的复杂联系以及这种联系对决策的影响。在数据仓库基础上挖掘的知识通常以图表、可视化等形式表示出来，但所挖掘的知识并不都是有意义的，必须进行评价、筛选和验证，把有意义的知识放到知识库中，随着时间的推移将积累更多的知识。

    （1）关联分析。即利用关联规则进行数据挖掘，而关联规则是描述事物之间同时出现的规律的知识模式，关联分析的目的是挖掘出隐藏在数据间的相互关系。

    （2）序列模式分析。序列模式分析和关联分析相似，他把数据之间的关联性与时间性联系起来，为了发现序列模式，小仅需要知道事件是否发生，而且需要确定事件发生的时间。其目的也是为了挖掘数据之间的联系，但序列模式分析的侧重点在于分析数据间的前后或因果关系。

    （3）分类分析。分类分析就是分析示例数据库中的数据。为每个类别做出准确的描述建立分析模型或挖掘出分类规则。这些类别描述可以给新记录加上标签，以确定其所属类别。

    （4）聚类分析。与分类分析小同，聚类分析法的输入集是一组未标定的记录，也就是说此时输入的记录还没有进行任何分类。其目的是根据一定的规则，介理地划分记录集介，使组之间的差别尽可能大，组内的差别尽可能小。实际应用有市场划分、寻找相关群体等。