智能数据分析在企业中的应用研究范本

1浙江工业大学成人教育学院毕业设计（论文）学生姓名： 学 号： 专 业： 设计（论文）题目： 指导教师： XXXX 年 XX 月 XX 日2智能数据分析在企业中的应用研究姓 名： 班 级： 指导教师： 随着各种信息化建设的不断发展，海量数据的处理以及如何实现从数据到信息、从信息到知识、从知识到利润的转化，成为当前企业面临的巨大的课题，因此智能数据分析系统正应运而生。本论文主要就智能数据分析的内涵、产生必然性、相关应用等进行阐述，并且着重分析了在现阶段智能数据分析在我国的现状，同时提出了符合我国国情的建议。关键词 智能数据分析 企业应用 大数据 企业分析决策3目 录1 引言 41.1 本文研究背景 41.2 智能数据分析发展历程 51.3 智能数据分析意义及产生的必然性 62 智能数据分析的概述 72.1 智能数据分析的含义 72.2 智能数据分析的主要技术 82.2.1 数据 仓库 82.2.2 联机分析处理(OLAP) 82.2.3 数据挖掘(DM) 82.2.4 数据可视化技术 92.3 智能数据分析适用行业分析 92.4 智能数据分析（BI）与 CRM 和 ERP 的联系 103 智能数据分析在企业职能中的应用 103.1 供应流程分析 113.2 经营分析 113.3 决策支持 123.4 绩效管理 124 我国智能数据分析现状及存在的问题 134.1 我国智能数据分析现状 134.1.1 我国智能数据分析总体状况 134.1.2 我国制造业中智能数据分析应用现状 134.2 我国智能数据分析存在的问题及原因分析 144.2.1 BI 市场混乱，建立良好销售渠道较难 144.2.2 产品实施与服务的问题 154.2.3 缺乏 BI 规范 154.2.4 采用 BI 分析系统的积极性较低 154.2.5 缺乏专业 BI 人才 1545 完善国内智能数据分析的建议 165.1 规范国内 BI 市场，建立国家 BI 标准 165.2 发展 BI 的支撑产业 165.3 对 BI 进行规范化整合 165.4 扶持国内 BI 厂商，建立 BI 人才培养机制 17结 论 17致 谢 18参 考 文 献 1951 引言1.1 本文研究背景随着信息化时代的来临，经济全球化的发展，企业数据正在以惊人的速度增长，这虽然告别了以往缺乏事实数据的尴尬，但是如何更好的利用这些数据成为了新时代摆在各个企业眼前的难题。面对浩如烟海的数据，企业更渴望从庞杂的数据中得到适度的、有效的信息，并可以将其转化为知识，从而获得有效快捷的决策。然而，传统的分析工具早已满足不了众多企业的要求，其显现出来的问题日渐增多：整合能力有限，时效性和流动性差，对问题的解答不彻底。正是针对这样的需求，智能数据分析随之产生。它使信息化从管理深化到决策，让企业管理者和决策者以一种更清晰的角度看待业务数据，提高企业运转效率、增加利润并建立良好的客户关系，并使企业以最短的时间发现商业机会、捕捉商业机遇。目前，智能数据分析越来越受到全世界政府、企业的青睐，而我国的智能数据分析的发展起步较晚，地区之间发展较不平衡，因此智能数据分析的应用仍然存在着诸多不完善。本论文结合了我国智能数据分析应用及国内外智能数据分析发展现状，主要论述了智能数据分析的发展历程、含义、主要技术等，分析了我国智能数据分析存在的问题，从而提出适合我国国情的智能数据分析的完善建议。1.2 智能数据分析发展历程智能数据分析起源于赫伯特西蒙对决策支持系统的研究。在半个多世纪的漫长过程中，决策支持系统曾经一度因为缺乏有效的数据组织方式而徘徊不前。直到上世纪 90 年代，若干新技术的出现，打破瓶颈，“智能数据分析”才浮出水面。随后，其取得了前所未有的发展，并在本世纪第一个十年蓬勃成长。回顾这些新技术的出现，可以清楚的看到智能数据分析的产业链条不断向前延伸的轨迹。1970 年，IBM 的研究员埃德加科德发明了关系型数据库，使大型信息系统的应用遍地开花。但这些信息系统，都是针对特定的业务过程、处理离散事务的“运营式”信息系统。数据在其中仅仅限于查询，而不是分析。管理大师彼得 德鲁克曾发出感叹：迄今为止，我们的信息技术产生还仅仅是数据，而不6是信息、更不是知识！如何实现从数据到信息、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。1988 年，IBM 公司的研究员 Barry Devlin 和 Paul Murphy 创造性的提出了一个新的术语：数据仓库。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，并且数据源可以是来自多种不同平台的系统。数据仓库是智能数据分析的依托，是对海量数据进行分析的核心物理构架。智能数据分析的下一个产业链：联机分析，如水到渠成般迅速形成，其将分立的数据库“相联”，通过建立一个复杂的、中介性的“数据综合引擎” ，把分布在不同系统的数据库联结起来，实现了多维分析。并且因为有了数据仓库，多维分析的实现已经不再需要不同数据库之间的人为“联机”。随着数据仓库、联机分析技术的发展和成熟，智能数据分析的框架基本形成。但数据挖掘这个新技术的出现，才使智能数据分析真正有了“智能”内涵。数据挖掘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。同时，其也标志着智能数据分析完整产业链的形成。1.3 智能数据分析意义及产生的必然性智能数据分析经历了一个渐进、复杂的演进过程且仍处于发展之中，它的各个产业环节，都有不断丰富扩大的趋势。当今全球企业竞争异常激烈，如何充分利用这些隐藏着巨大商业价值的数据资产，提炼出有价值的信息、知识，对提高企业的智能至关重要，依赖直觉制定决策使企业管理水平远远落后于投资智能数据分析的领先企业。前 GE 首席执行官 Jack Welch 说：“一个组织获取知识以及把知识快速转化为行动的能力决定其最终的竞争优势”。智能数据分析已成为领先企业与传统企业产生差异化的重要因素，而且智能数据分析开始扩展到业务运营中将使这种差异更加明显。在这种背景下，智能数据分析逐渐得到了学术界和企业界的重视，它被认为是企业信息化发展的必然过程，其产生必然性概括起来包括以下几个方面：（1）企业运营模式的变化。电子商务正在改变着全球商务活动的方式，信息在经济活动中越来越占据着重要的地位。对企业来说，生产、销售、市场、7顾客和竞争对手的信息，是企业竞争的战略性资源。建立在 Internet 之上的企业经营模式电子商务、电子邮件、电子数据交换、电子支付系统、电子营销等技术的发展和应用为智能数据分析系统提供了市场和生存环境。（2）新企业观念的建立。在企业界，数据资产的观念正在进入企业的资源规划系统中，而把数据转换为资产的方法和技术也正在成为企业关注的热点。因为目前大部分大中规模的企业都是信息丰富的组织，而一个信息丰富的组织的绩效不仅仅依赖于产品、服务或地点等因素，而更重要的是依赖知识。而从数据信息知识是一个并不简单的过程。智能数据分析的本质正是把数据转化为知识，致力于知识发现和挖掘，使企业的数据资产能带来明显的经济效益，减少不确定性因素的影响，使企业取得新的竞争优势。（3）传统分析工具的整合能力有限。为解决企业信息化建设留下的“信息孤岛”问题，客户化的查询、报告功能、标准的电子表格、关系数据库和图形应用被越来越多地运用于分析目的。然而，这些解决方案大都是由技术部门设计和修改的，往往很难理解用户的特殊需求，不能给最终用户，特别是给那些非技术的商业用户提供一个经过整合的，功能强大的分析工具。所以，传统系统不能满足商务层面的分析需要。（4）信息技术的推动。计算机、网络技术、数据库技术的发展使得分销商、供应商、商业伙伴、零售商和生产者之间的数据访问和共享成为可能，现代信息技术的发展与应用，为企业实施智能数据分析提供了坚强的技术后盾，从客观上支持了智能数据分析的发展。综上所述，智能数据分析的兴起并非偶然，是企业对社会环境变化的反应、技术进步的拉动以及经营理念发展的结果。面对激烈的竞争，只有掌握并保持核心竞争力的企业才能生存和发展，而现代信息技术的飞速发展使得智能数据分析提供了坚实的基础，新的经营理念则为企业实施智能数据分析提供了理论和方法论上的支持。2 智能数据分析的概述2.1 智能数据分析的含义智能数据分析，又称商业智能，英文为 Business Intelligence，简写为BI， 是 20 世纪末在国外企业界出现的一个术语。其概念最早由加特纳集团8（Gartner Group）提出，他们将商业智能定义为：一系列以数据为支持、辅助商业决策的技术和方法。到目前为止，学术界对商业智能的定义并不统一，有人称商业智能就是决策支持系统（Decision Support System-DSS）；有的认为是数据仓库（Data Warehouse-DW）；有的认为其属于数据挖掘（Data Mining-DM）；还有些人认为是指从数据库中发现知识（Knowledge Discovery in Data Base-KDD）。IBM 认为智能数据分析是指利用已有的数据资源做出更好的商业决策。运用相关的信息技术来处理和分析商业数据，并提供针对不同行业特点或特定应用领域的解决方案来协助用户解决在商务活动中所遇到的复杂问题，从而帮助企业决策者面对商业环境的快速变化做出敏捷的反应和更好、更合理的商业决策的系统。其主要目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性，它可以从根本上帮助企业管理者和决策者把公司的运营数据转化为高质量的可以获取的信息或知识，并且在适当的时候通过适当的方式把恰当的信息传递给恰当的人。2.2 智能数据分析的主要技术智能数据分析工具的作用就是要把数据变成知识，把潜在的知识变成可以为工作所用的知识，帮助我们在业务管理和发展上及时做出正确的判断，采取明智的行动。如何将数据有效的转化为信息、知识和智慧，是 BI 的核心问题，它涉及 4 项主要的技术：数据仓库（Data Warehousing，DW）技术、联机分析处理（Online Analytical Processing，OLAP ）技术、数据挖掘（Data Mining，DM）技术和数据可视化（DataVisualization，DV）技术。2.2.1 数据仓库数据仓库是智能数据分析的基础和核心，是一个用以更好地支持企业或组织的决策分析处理的数据集合，它有着面向主题、集成、相对稳定、随时间不断变化四个特性，其关键技术包括数据的抽取、清洗、转换、加载和维护。数据仓库完成了数据的收集、集成、存储、管理等工作，为智能数据分析撷取或载入大量原始信息，归并各种数据源的数据，用于支持企业管理和商业决策。智能数据分析要充分发挥潜力，就必须和数据仓库的发展结合起来。92.2.2 联机分析处理(OLAP)OLAP 是以海量数据为基础的复杂分析技术，属于数据仓库应用。它支持各级管理决策人员针对某个特定的主题从不同的角度、快速灵活地对数据仓库中的数据进行复杂查询和多维分析处理，并且以直观易懂的形式将查询和分析结果展现给决策人员，具有快速性、可分析性、多维性、信息性等特点。包括多维在线分析处理、关系型在线分析处理和混合在线分析处理。这个过程一般包括三种可供选择的方案：预先计算、即时计算和存储、随时计算。该技术可用于多个领域，例如市场利润分析、后勤分析、经济预算和预测、税收计划、成本、会计等。2.2.3 数据挖掘(DM)DM 是指从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。其价值在于扫描数据仓库或建立非常复杂的查询，拥有并行处理功能，而且可以支持多种采集技术，数据挖掘工具拥有良好的扩展功能，并且能够支持将来可能遇到的各种数据( 或文档) 和计算环境。数据挖掘可进行关联分析、分类与预测分析、聚类分析、异类分析、演化分析，可以帮助获得决策所需的各种知识。数据挖掘可以发现复杂或精细的答案，而这些是联机分析处理所不能做到的。2.2.4 数据可视化技术DV 是选用计算机图形学和图像处理技术，将数据转换为图形或图像在屏幕上显示出来，并进行交互处理的理论、方法和技术。它具有交互性、多维性和可视性等特点。信息可视化不仅用图像来显示多维的非空间数据，使用户加深对数据含义的理解，而且用形象直观的图像来指引检索过程，加快检索速度。数据挖掘数据可视化技术结合，使分析人员对数据有更深刻更直观的理解。联机分析处理和数据挖掘是在数据仓库的基础上获取两种不同目标的数据增值技术，数据可视化则将数据展示成直观的图形图像。这三种技术如果能够在一定程度上进行融合，会使得分析操作智能化，挖掘操作日标化，展示平台人性化，从而全面提升智能数据分析技术的实用价值。2.3 智能数据分析适用行业分析从智能数据分析的定义与技术分析可以看出，智能数据分析的适用领域非10常的广泛，典型的有电信、银行、保险、医疗、零售、政府等，以及所有创建了数据仓库的用户。它最大的特点是能从庞大而又繁杂的业务数据中提炼出有规律的信息、知识。因此，BI 适合的行业特点包括：(1)企业规模大，如电信、银行、证券、保险、航空、石化等。这些行业中的企业往往是航母型的，企业运营资本高，员工多，有众多的分、子公司分布在不同地区，甚至不同国家。每日产生的业务数据、往来数据量大、多、杂，员工变动和绩效管理非常重要。(2)产品线规模大，如制造、零售、物流等。这些行业牵涉到的上下游产业链