商务智能的意义，以及构成

一、商务智能的意义——决策支持系统（Decision Support System）

管理大师彼得?德鲁克(Peter Drucker)曾发出概叹：迄今为止，我们的信息技术产生还仅仅是数据，而不是信息、更不是知识！怎样从商务流程的数据纪录中提取对决策过程有参考价值的信息，从而实现从数据到信息、从信息到知识、从知识到利润的转化？这个要求，在西方发达国家先后进入了后工业社会之后，变得更加迫切。企业的规模越来越庞大、组织越来越复杂，市场更加多变、竞争更加激烈，如何做出正确、明智、及时的大小决策，对组织的兴衰存亡影响越来越大，一步走错，可能满盘皆输。

二、商务智能——数据仓库

决策支持系统面临的“瓶颈式”难题，是如何有机的聚集整合多个不同运营信息系统产生的数据。对这个问题的关注起源于美国计算机科学研究的另一所重镇：麻省理工学院。和卡内基梅隆大学一起，这两所大学先后为现代商务智能的发展奠定了基石。20世纪70年代，麻省理工学院的研究人员第一次提出，决策支持系统和运营系统截然不同，必须分开，这意味着决策支持系统要采用单独的数据存储结构和设计方法。但受限于当时的数据存储能力，该研究在确立了这一论点后便停滞不前。

如蚕之蛹，数据仓库是商务智能的依托，是对海量数据进行分析的核心物理构架。它可以形象的理解为一种语义格式一致的多源数据存储中心，数据源可以是来自多种不同平台的系统，如企业内部的客户关系管理系统、供应链管理系统、企业资源规划系统，也可以是企业外部的系统和零散数据。这些不同形式、分布在不同地方的数据，将以统一定义的格式从各个系统提取出来，再通过清洗、转换、集成，最后百流如海，加载进入数据仓库。这个提取、转换、装载的主要过程，可以通过专门的ETL(Extraction, Transformation, Load)工具来实现，这种工具，如今已是数据仓库领域的主打产品。

三、商务智能——联机分析

联机分析(Online Analytical Processing), 也称多维分析，本意是把分立的数据库“相联”，进行多维度的分析。

“维”是联机分析的核心概念，指的是人们观察数据的特定角度, 举个例子，跨国零售商沃尔马如果要分析自己的销售量，它可以按地区国别分析、时间序列分析、商品门类分析；也可以按供货渠道分析、客户群类分析，这些不同的分析角度，就叫“维度”。

多维分析技术预先为用户创建多维的数据立方体（Cube），一旦多维立方体建模完成，用户可以快速地从各个分析维度获取数据，也可以动态的在各个维度之间来回切换或者进行多维度的综合分析。通过从不同的维度、不同的粒度、立体地对数据进行分析，从而获得有严密推证关系的信息。

四、商务智能——数据挖掘

数据挖掘是指通过分析大量的数据来揭示数据之间隐藏的关系、模式和趋势，从而为决策者提供新的知识。之所以称之为“挖掘”，是比喻在海量数据中寻找知识，就象从沙里淘金一样困难。这种点“数”成金的能力，是商务智能真正的“灵魂”和魅力所在。

如果说联机分析是对数据的一种透视性的探测，数据挖掘则是利用计算机算法对数据进行挖山凿矿式的开采。它的主要目的，一是要发现潜藏在数据表面以下的知识，二是对未来进行预测，前者称为描述性分析，后者称为预测性分析。沃尔玛发现的啤酒和尿布的销售关联性就是一种典型的描述性分析；考察所有历史数据，以特定的算法对下个月啤酒的销售量进行估计以确定进货量，则是一种预测性分析。

五、商务智能——数据的可视化

所谓信息可视化（Information Visualization）是指以图形、图像、动画等更为生动、易为理解的方式来展现和诠释数据之间的复杂关系和发展趋势，以便更好地利用数据分析结果。

传统意义上的报表，格式单一，枯燥乏味，令人没有阅读的欲望。信息可视化主张，人的创造力不仅取决于逻辑思维，而且还取决于形象思维。数据如果能变成图像，就能在逻辑思维的基础上进一步激发人的形象思维，帮助用户理解数据之间隐藏的规律，为决策提供最优的支持。信息可视化的专家因此宣布，他们要让数据 “动”起来、“舞”起来！让数据变得“性感”！

从最早的点线图、直方图、饼图、网状图等简单图表，发展到以监控商务绩效为主的仪表盘、记分板，到今天的三维地图、交互式图像、动态模拟、动画技术等等更加直觉化、趣味化的表现方法，短短的十年间，信息可视化已经发展成了一个独立的产业，其产品数不胜数，可谓绚丽多彩。

信息可视化把美学创造的艺术原素带进了商务智能，给它锦上添花。一幅好的数据图像不仅能有效地传达数据背后的知识和思想，而且华美精致，如一只只振动翅膀的彩蝶，栩栩如生，刺激视觉神经、调动美学意识，令人过目不忘。

可视化技术的出现，使商务智能的产业链形成了一个从数据整合、经数据分析、数据挖掘、到最后数据展示的完整闭环。商务智能的这四个产业链，独立性都很强，具体到特定的商务智能产品，也不是每一环节都缺一不可的。但随着数据量的增大，每一环节都可能变得相当的复杂。