简介
商业智能（BI, Business Intelligence），是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营策略。
由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成、以帮助企业决策为目的的技术及其应用。
商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。
把商业智能看成一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供数据支持。商业智能产品及解决方案大致可分为数据仓库产品、数据抽取产品、OLAP产品、展示产品、和集成以上几种产品的针对某个应用的整体解决方案等。
功能
主要架构
- 读取数据
- 分析功能
- 丰富的画面
- 数据输出功能
- 定型处理
应用范围
-
销售分析
主要分析各项销售指标，例如毛利、毛利率、交叉比、销进比、盈利能力、周转率、同比、环比等等；而分析维又可从管理架构、类别品牌、日期、时段等角度观察，这些分析维又采用多级钻取，从而获得相当透彻的分析思路；同时根据海量数据产生预测信息、报警信息等分析数据；还可根据各种销售指标产生新的透视表。
-
商品分析
商品分析的主要数据来自销售数据和商品基础数据，从而产生以分析结构为主线的分析思路。主要分析数据有商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标。通过D系统对这些指标的分析来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。
-
人员分析
人员指标进行分析，特别是对销售人员指标（销售指标为主，毛利指标、换购销商品数、代销商品数、资金占用、资金周转等）的分析，以达到考核员工业绩，提高员工积极性，并为人力资源的合理利用提供科学依据。主要分析的主题有，员工的人员构成、销售人员的人均销售额、对于销售的个人销售业绩、各管理架构的人均销售额、毛利贡献、采购人员分管商品的进货多少、购销代销的比例、引进的商品销量情况等等
应用科学
终端用户查询与报告工具
- 专门用来支持初级用户的原始数据访问，不包括应用于专业人士的成品报告生成工具。
- OLAP 工具，提供多为数据管理的环境，其典型的应用是对商业问的建模与商业数据分析。OLAP 也被称为多维分析。
数据挖掘（Data Mining）软件
使用诸如神经网络、规则归纳等技术，用来发现数据之间的关系，做出基于数据的推断
数据仓库（Data Warehouse）和数据集市（Data Mart）产品
包括数据转换、管理和存取等方面的预配置软件，通常还包括一些业务模型，如财务分析模型
联机分析处理（OLAP）12条准则 作为一类产品同联机事务处理（OLTP）明显区分开来
当今的数据处理大致可以分为两大类：
- 联机事务处理 OLTP（On-Line Transacation Processing）是传统的关系型数据库的主要应用，主要是基本的、日常的事物处理
- 联机分析处理 OLAP（On-Line Analytical Processing）是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果
OLAP 是使分析人员、管理人员或者执行人员能够从多角度对信息进行快速、一直、交互的存取，从而获得对数据的更深入了解的一类软件技术。OLAP 的目标是满足决策支持或者满足多维环境下特定的查询和报表需求，它的技术核心是“维”这个概念。
“维”是人们观察客观世界的角度，是一种高层次的类型划分。“维”一般包含着层次关系,这种层次关系有时会相当复杂。通过把一个实体的多项重要的属性定义为多个维(dimension)，使用户能对不同维上的数据进行比较。因此OLAP也可以说是多维数据分析工具的集合。
OLAP 的基本多维分析有：
-
钻取（roll up 和 drill down）改变维的层次，变换分析的粒度。
roll up 是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维度；
drill down 从汇总数据深入到细节数据进行观察或者增加新维
切片（slice）和切块（dice）在一部分维上选定值后，关心度量数据在剩余维的分布。如果剩余的维度只有两个，则是切片；如果有三个，则是切块。
旋转（pivot）变换维的方向，即在表格中重新安排维的放置（如行列互换）。
drill across
drill through
OLAP 根据存储的方式可以分为：
-
ROLAP：基于关系型数据库的 OLAP 实现（Relational OLAP）。
以关系数据库为核心，以关系型结构进行多维数据的表示和存储。ROLAP将多维数据库的多维结构划分为两类表：一类是事实表，用来存储数据和维关键字；另一类是维表，即对每个维至少使用一个表来存放维的层次、成员类别等维的描述信息。维表和事实表通过主关键字和外关键字联系在一起,形成了“星型模式”。对于层次复杂的维，为避免冗余数据占用过大的存储空间，可以使用多个表来描述，这种星型模式的扩展称为“雪花模式”
MOLAP表示基于多维数据组织的OLAP实现（Multidimensional OLAP）。以多维数据组织方式为核心，也就是说，MOLAP使用多维数组存储数据。多维数据在存储中将形成“立方块（Cube）”的结构，在MOLAP中对“立方块”的“旋转”、“切块”、“切片”是产生多维数据报表的主要技术
HOLAP表示基于混合数据组织的OLAP实现的。这种方式具有更好的灵活性
根据综合性数据的组织方式的不同，常见的OLAP主要有基于多维数据库的MOLAP及基于关系数据库的ROLAP两种。MOLAP是以多维的方式组织和存储数据，ROLAP则利用现有的关系数据库技术来模拟多维数据。在数据仓库应用中，OLAP应用一般是数据仓库应用的前端工具，同时OLAP工具还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。
三个层次
BI 的三个层次
- 低端 BI：报表系统
- 中断 BI：数据分析
- 高端 BI：数据挖掘
传统报表面临的挑战
- 数据太多，信息太少。
- 难以交互分析、了解各种组合
- 难以挖掘出潜在的规则
- 难以追溯历史，数据形成孤岛
多维数据库
多维数据库的概念并不复杂。举一个例子，我们想描述2003年4月份可乐在北部地区销售额10万元时，牵扯到几个角度:时间、产品、地区。这些叫做维度。至于销售额，叫做度量值。当然，还有成本、利润等。
数据分析系统的总体架构分为四个部分:
- 源系统：包括现有的所有 OLTP 系统，搭建 BI 系统并不需要更改现有系统
- 数据仓库：数据大集中，通过数据抽取，把数据从源系统源源不断地抽取出来，可能每天一次，或者每3个小时一次，当然是自动的。数据仓库依然建立在关系型数据库上，往往符合叫做“星型结构”的模型
- 多维数据库：数据仓库的数据经过多维建模，形成了立方体结构。每一个立方体描述了一个业务主题，例如销售、库存或者财务
- 客户端：好的客户端软件可以把多维立方体中的信息丰富多彩地展现给用户
数据挖掘看穿你的需求
广义上说，任何从数据库中挖掘信息的过程都叫做数据挖掘。从这点看来，数据挖掘就是BI。但从技术术语上说，数据挖掘(Data Mining)特指的是:源数据经过清洗和转换等成为适合于挖掘的数据集。数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上，我们可以定义:数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。
