商业智能（BI）：企业竞争力提升与信息技术融合的新趋势

aizixun8

商业智能 （BI） 是国外商业和软件开发界受到广泛关注的研究方向。有两点可以用来总结这个研究热点出现的原因：第一，信息技术的快速发展给企业利用信息技术提高竞争力带来了巨大的空间：信息技术不仅使企业能够获得所需的信息，还促进了企业对信息的再利用， 从而创造企业的竞争优势;其次，许多提供软件平台和工具平台的 IT 行业大公司，通过多年与企业的沟通，意识到了对商业智能的迫切需求，纷纷加入到商业智能的研发中来。IBM 建立了专门从事 BI 程序设计的研究中心， 等公司推出了支持 BI 开发和应用的软件系统，有的直接进入了 BI 开发领域。

由于 BI 仍处于从起步阶段到开发阶段的过渡期，因此很多人对 BI 的理解存在一定的偏差。很多人认为 BI 只是一个用于数据分析的软件包，而一些比较悲观的人则认为 BI 存在于理想主义者的脑海中，企业永远无法触及。本文首先系统阐述了 BI 的概念，从多个方面总结了 BI 的功能，然后分析了 BI 的研究内容和发展趋势。为了让读者更清楚地区分 BI 和 MIS 系统，本文讨论了 BI 和 DSS（决策支持系统）和 EIS（管理者执行系统）之间的主要区别。最后，本文分析了制约BI健康发展的一些因素。

1. 商业智能概述

商业智能并不是一个新术语。多年来，企业一直在寻找了解和实施商业智能的方法，以提高其竞争力。早在 80 年代，“商业智能”的标准是能够轻松获取所需的数据和信息。90 年代是商业智能真正起步的时候。到目前为止，BI 还没有统一的定义，不同的人只是从不同的方面表达了他们对 BI 的理解。早在 90 年代初，名为 EUQR（终端查询和报告）、DSS 和 OLAP 商业智能的小组。企业通过使用这些工具获得的优势也称为商业智能。后来，出现了数据仓库、数据集市技术，以及相关的 ETL（提取、转换、上传）、数据清洗、数据挖掘、业务建模等，人们也将这些技术归类为商业智能领域。目前，人们倾向于将商业智能等同于数据仓库和基于数据仓库的分析方法。

事实上，商业智能代表了用于提高企业运营绩效的方法、技术和软件的总和。商业智能是帮助企业提高决策和运营能力的概念、方法、流程和软件的集合。对这个定义的正确解释体现在四个层面上：

信息系统级别：称为商业智能系统 （BI） 的物理基础。这体现在具有强大决策分析能力的单个软件工具和特定于应用程序的信息系统平台（如 SCM、CRM、ERP）中。与事务性 MIS 不同，商业智能系统可以提供分析和趋势预测等决策和分析功能。

数据分析级别：它是一系列算法、工具或模型。首先，获得与感兴趣主题相关的高质量数据或信息，然后自动或手动参与具有分析功能的算法、工具或模型，以帮助人们分析信息、得出结论、形成假设和检验假设。

知识发现级别：与数据分析级别一样，它是一系列的算法、工具或模型。将数据转化为信息，然后通过发现，将信息转化为知识;或者直接将信息转化为知识。

战略层面：应用信息或知识来提高决策和运营能力;企业建模等。商业智能的战略维度是概念、方法和流程的集合，它们利用来自多个数据源的信息并应用经验和假设来改进业务决策。通过数据的获取、管理和分析，它为整个企业组织中的各种人员提供信息，以提高企业的战略和战术决策能力。

简而言之，商业智能的目标是将企业持有的信息转化为竞争优势，提高企业的决策能力、决策效率和决策准确性。为了实现这一点，商业智能必须具有能够将数据分析转化为知识发现的算法、模型和流程，并且决策的主题必须具有广泛的通用性。在本文中，商业智能的定义中应特别强调此功能。

基于上述定义的商业智能应具备以下功能：

数据管理功能：

来自多个数据源的 ETL（提取、转换、存储）数据、数据清理和数据集成功能;高效存储和维护大量数据。

数据分析功能

具有 OLAP 和其他数据分析功能;终端信息查询和报表生成能力;数据可视化功能

知识发现功能

从大型数据库中的数据中提取感兴趣的知识的能力。这些知识是隐含的、以前未知的、可能有用的信息，提取的知识以概念 （）、规则 （rules）、规则 （） 、模式 （） 的形式表示。

企业优化功能

能够协助企业建模。

2.BI 研究内容和发展趋势

商业智能为更好的策略和决策提供了良好的环境，并为特定的应用系统（如 CRM、SCM 和 ERP）提供数据环境和决策分析支持。当涉及到特定应用程序的特定策略和决策问题时，商业智能从数据准备开始，建立或虚拟化集成的数据环境。除了集成数据环境之外，还使用科学决策和分析工具，通过数据分析、知识发现和其他流程来支持战略制定和决策。归根结底，这是一个如何解释和执行分析和结果的问题。在整个过程中，集成的数据环境和决策工具非常重要且不可或缺。

使用数据仓库和数据集市构建集成数据环境是一种成熟且理想的方法。数据仓库提供数据存储环境，是面向主题的决策支持环境。来自各种数据源的数据由主题进行清理、ETL（提取、转换、上传）和存储。数据集市是针对特定主题的小型数据仓库，解决了企业级数据仓库因存储数据量大而导致的构建周期长、成本高、扩展性差等缺点。

OLAP 是一种基于数据仓库环境的数据分析工具。用户首先提出自己的假设，然后使用 OLAP 工具检索查询以验证或反驳假设。OLAP 解决了基于 OLTP 的分析效率低、无法进行多维分析的缺点。相比之下，知识发现（大多数人也称为数据挖掘）更难理解，它是一种主动的自动发现方法，使用知识发现工具来挖掘以前未知且可能有用的知识。图 2 是本文中总结的商业智能系统框架。

2.1. 研究内容

商业智能是利用当今计算机前沿技术为支撑，利用现代管理技术为指导的应用系统，其研究热点集中在三个方面：配套技术的研究、建筑学的研究、应用系统的研究。

2.1.1. 支撑技术研究

商业智能作为 90 年代后期兴起的跨学科新兴领域，必须借鉴两项先进成果，一是计算机技术的前沿技术，二是企业管理的新理论和新视角。企业管理的新理论和新视角，为战略制定和决策提供了先进的管理模式，帮助企业更好地运营;先进的计算机技术是提高系统性能的有力手段。

商业智能的支撑技术包括以下几点：一是计算机技术，包括：数据仓库和数据集市技术;数据挖掘技术;OLTP、OLAP 和其他分析技术;数据可视化技术;计算机网络和网络技术。二是企业管理，包括：统计、预测等运筹学方法;客户管理、供应链管理、企业资源规划等管理理论和方法;企业建模方法。

支撑技术的研究主要集中在决策支持工具的研究和企业建模方法的研究两部分。企业建模有助于建立特定的企业模型。研究方法（如 IDEF）是更具编程性的企业建模方法，而较新的建模方法包括基于 UML 的企业建模方法。数据挖掘算法的研究是计算机行业的热点之一，逐渐成为跨越人工智能、数据统计等的多学科研究领域。决策分析工具的研究还包括对各种分析方法的研究。

2.1.2. 架构研究

图 2 描述了一个典型的商业智能架构。将针对特定应用程序提供相应的改进架构，以实现良好的业务绩效，例如：确定数据存储和数据模型如何很好地支持主题和数据分析以及知识发现的需求;决策分析工具的选择，包括选择要实施的任务以及用于完成此类任务的工具的选择;将使用什么样的界面来分析和发现信息和知识，以触达需要它的用户等。

2.1.3. 应用系统研究

应用系统研究的重点是分析各个应用领域面临的决策问题。根据对各种问题的解决方案和解决，确定了商业智能系统应该提供的功能以及如何实现它。目前，商业智能被广泛应用于与企业运营过程相关的各个领域，并在许多领域形成了自己独特的系统。目前，代表性应用领域包括：企业资源规划（ERP）、客户关系管理（CRM）、企业绩效管理（BPM）、人力资源管理（HRM）、供应链管理（SCM）和电子商务（E-）。

2.2. 发展趋势

与DSS和EIS系统相比，商业智能具有更好的发展前景。近年来，商业智能市场持续增长。IDC 预测，到 2005 年，BI 市场将达到 118 亿美元，年均增长率为 27%（“工具和：2001-2005”，IDC#24779,2001 年 6 月）。随着企业 CRM、ERP、SCM 等应用系统的引入，由于企业需要专注于有效利用企业数据来支持准确、快速的决策，因此对商业智能的需求将是巨大的。

商业智能的发展趋势可以概括为以下几点：

功能可配置、灵活且可变

BI 系统的范围从服务部门中的特定用户扩展到服务整个企业中的所有用户。同时，由于企业用户的权限和需求存在差异，BI 系统提供了广泛的针对性功能。从简单的数据采集到分析和使用丰富的交互、决策信息和知识，使用 WEB、局域网和广域网。

该解决方案更加开放、可扩展和可定制，在保证核心技术的同时提供定制界面

根据不同企业的独特需求，BI 系统不仅提供核心技术，还使系统个性化，即在原有方案的基础上添加自己的代码和方案，增强定制化的接口和扩展特性;它可以为企业提供基于商业智能平台的定制工具，使系统具有更大的灵活性和使用范围。

从独立 BI 发展为嵌入式 BI

这是当前商业智能应用的一大趋势，即将商业智能组件嵌入到企业现有的应用系统中，如财务、人力资源、销售等系统，使一般意义上的事务处理系统具有商业智能的特点。例如，将 OLAP 技术应用于某个应用系统是必不可少的，如企业问题分析、方案设计、原型系统开发、系统应用等过程。

从传统功能转变为增强功能

增强的商业智能功能是相对于早期用于使用 SQL 工具实现查询的商业智能功能而言的。除了传统的 BI 系统功能外，当前应用中的大部分 BI 系统都实现了图 2 中数据分析层的功能。数据挖掘和企业建模是 BI 系统中应该加强的应用程序，以更好地提高系统性能。

3.BI 与 DSS 和 EIS 的比较

商业智能作为一种新兴的决策支持系统，与传统的 DSS 和 EIS 相比，在以下几个方面具有明显的优势。

3.1. 使用范围

商业智能的使用不再局限于像 DSS 和 EIS 这样的企业领导者、决策者和分析师，而是延伸到企业组织内外的各类人员，为他们提供决策支持服务，包括企业领导者和企业管理者等高层决策者，以及企业内部各部门的职能人员， 以及外部用户，例如客户、供应商和合作伙伴。

3.2. 功能

从以上分析可以看出，商业智能具有传统 DSS 和 EIS 所不具备的强大的数据管理、数据分析和知识发现能力。

3.3. 知识库状态

传统 DSS 和 EIS 中的知识库是在已建立的系统中建立的，数据库中的知识很少发生变化。即使有变化，也会通过定期手动更新的方法进行修改。而 BI 系统是一个具有闭环的动态系统。图 2 中的数据源部分基于来自各种应用系统的反馈，数据挖掘可以从现有的数据仓库或数据集市中发现新的知识，并随时自动更正知识库中的内容，因此 BI 中的知识库是一个动态结构。

但商业智能也存在不足。与 DSS 一样，商业智能的目标是提高业务决策的效率和准确性。但是，BI 通过数据分析和知识发现工具提供有价值的决策信息和知识，用户必须利用现有的企业知识和经验来做出判断，并根据这些信息和知识做出决策，很少有人有能力做出明智的决策。它不像专门的决策支持系统那样提供程序生成、程序协调和程序评估等功能，也不具备进行群体决策的能力。

4. 影响 BI 性能的因素

商业智能使用数据挖掘不断发现新知识并扩展到现有的企业知识。但是，就企业应用和算法实现的现状而言，制约知识发现的因素很多，这也影响了 BI 的性能。

4.1. 系统智能没有得到很好的实现

现有的数据挖掘算法大多不成熟且效率低下。此外，作为 BI 数据基础的数据仓库或数据集市中的数据量通常较大，新知识形成的速度和准确性相对较低，导致现有 BI 系统在知识发现方面的能力无法满足用户的要求。

4.2. 缺少系统工具

目前，BI 系统功能大多集中在数据分析上，比如数据查询、报表、OLAP、数据可视化等，很少有开发者在系统中拥有知识发现工具。所以功能比较集中，无法满足更深层次的要求。

5. 总结

目前，中国 BI 的研发还处于起步阶段。突出的问题是数据分析、知识发现能力、效率低下或缺乏知识发现更像是一个操作应用程序系统。在决策支持方面，很难扮演 BI 应有的角色。首先，我们应该认清 BI 发展和应用的总体趋势，其次，更多地借鉴国外 BI 的成熟技术和方法，开发或持续改进真正意义上的 BI 系统。