永洪产品应用分析白皮书.docx

永洪科技产品应用分析白皮书 2012 Yonghong Technology CO.,Ltd 永洪科技产品应用分析白皮书Table of Contents1YONGHONG Z-SUITE应用32数据库42.1关系数据库42.2其他数据库42.3分布式文件系统53ERP与BI63.1ERP与BI整合的可行性63.2ERP与BI整合的重要性63.3ERP与BI整合的迫切性74CRM与BI84.1获得客户信赖84.2改善企业效益84.3帮助企业决策9Abbreviations and DefinitionsAbbreviationDefinitionERPEnterprise Resource Planning (企业资源计划)CRMCustomer Relationship Management (即客户关系管理)1 Yonghong Z-Suite应用Yonghong Z-Suite主要是用于帮助用户提高数据挖掘，寻找数据后面的各种趋势，为管理层制定决策提供数据支持。所有应用的前提就是数据，如何与数据库系统相连接，如何将原始数据转换成为可处理的系统数据，如何存储经过处理的数据，这些都将会是Yonghong Z-Suite要面对的问题。现在很多公司又已经应用了ERP系统用于日常的生产，工作和日常管理，如何将Yonghong Z-Suite与ERP系统整合，也是未来BI系统发展的一个主要的问题。在如何管理客户方面，CRM成为大家的首选，但是它并不能做到具体的数据分析，因此BI系统作为深度数据挖掘方面的专家，也会帮助CRM更好的管理客户关系，帮助企业制定客户方面的决策。 因此本章节就是详细讲述Yonghong Z-Suite与数据库系统，ERP和CRM之间的关系。2 数据库数据库（Database）是按照数据结构来组织、存储和管理数据的仓库，它产生于距今五十年前，随着信息技术和市场的发展，特别是二十世纪九十年代以后，数据管理不再仅仅是存储和管理数据，而转变成用户所需要的各种数据管理的方式。数据库有很多种类型，从最简单的存储有各种数据的表格到能够进行海量数据存储的大型数据库系统都在各个方面得到了广泛的应用。2.1 关系数据库现实世界中的各种实体以及实体之间的各种联系均用关系模型来表示。关系模型就是指二维表格模型,因而一个关系型数据库就是由二维表及其之间的联系组成的一个数据组织。关系数据库是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据，是目前数据库存储类型中的常用类型。主流的关系型数据库有ORACLE, DB2, SQLSERVER. MYSQL, DERBY, INFOMIX, SYBASE, ACCESS, POSTGRESQL, INFOBANK等。Yonghong Z-Suite对于传统关系型数据库有很好的支持，通过ODBC和JDBC直接与后台关系型数据库关联，目前主流数据存储类型都可以支持。当原始数据类型通过Z-Data Modeler接入到系统以后，系统会将它们转换成可以被处理的数据并保存在特定的文件系统里面。通过特有数据转换和分析，Yonghong Z-Suite可以很好地与关系型数据库系统进行无缝的链接。2.2 其他数据库随着互联网web2.0网站的兴起，非关系型的数据库现在成了一个极其热门的新领域，非关系数据库产品的发展非常迅速。而传统的关系数据库在应付web2.0网站，特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心，暴露了很多难以克服的问题，例如，对数据库高并发读写的需求，对海量数据的高效率存储和访问的需求和对数据库的高可扩展性和高可用性的需求。关系数据库应付上万次SQL查询还勉强顶得住，但是应付上万次SQL写数据请求，硬盘IO就已经无法承受了。对于关系数据库来说，在一张2.5亿条记录的表里面进行SQL查询，效率是极其低下乃至不可忍受的。再例如大型web网站的用户登录系统，例如腾讯，盛大，动辄数以亿计的帐号，关系数据库也很难应付。关系数据库遇到了难以克服的障碍，很多主要特性却往往无用武之地。因此为了解决这类问题的非关系数据库应运而生，各种各样非关系数据库在不断地蓬勃发展。Yonghong Z-Suite对于这类非关系型的数据库有很好的支持，通过Accelerator可以直接与后台非关系型数据库关联，直接将大数据导入到系统里面，通过自由的数据处理机制，Yonghong Z-Suite可以很好地支持这种未来数据库系统，方便用户进行系统扩展和升级。2.3 分布式文件系统分布式文件系统（Distributed File System）是指文件系统管理的物理存储资源不一定直接连接在本地节点上，而是通过计算机网络与节点相连。分布式文件系统的设计基于客户机/服务器模式。一个典型的网络可能包括多个供多用户访问的服务器。另外，对等特性允许一些系统扮演客户机和服务器的双重角色。例如，用户可以“发表”一个允许其他客户机访问的目录，一旦被访问，这个目录对客户机来说就象使用本地驱动器一样。在基于web的架构当中，数据库是最难进行横向扩展的，当一个应用系统的用户量和访问量与日俱增的时候，你的数据库却没有办法像web server和app server那样简单的通过添加更多的硬件和服务节点来扩展性能和负载能力，只能通过不断的添加服务器节点来实现扩展，形成大型的分布式数据存储系统。基于Hadoop开发的Yonghong Z-Suite从系统架构上彻底解决了目前BI系统与大数据之间的矛盾。分布式系统架构，列存储技术，文件型数据管理模式将会使得Z-Suite成为大数据的朋友，而不是瓶颈。数据分析引擎将会加快数据处理和及时响应，使得对于时间非常敏感的用户感觉不到大数据和远程通信所带来的延迟效应。 3 ERP与BI企业资源计划 Enterprise Resource Planning (ERP) ,它利用计算机技术，把企业的物流、人流、资金流、信息流统一起来进行管理，把客户需要和企业内部的生产经营活动以及供应商的资源整合在一起，为企业决策层提供解决企业产品成本问题、提高作业效率、及资金的运营情况一系列动作问题，使之成为能完全按用户需求进行经营管理的一种全新的行之有效的管理方法。 它是一个以管理会计为核心的信息系统，识别和规划企业资源，从而获取客户订单，完成加工和交付，最后得到客户付款。是综合客户机和服务体系系统、关系数据库结构、面向对象技术、图形用户界面、第四代语言、网络通讯等信息产业成果，以ERP为管理思想的软件产品。在企业中，一般的管理主要包括三方面的内容：生产控制（计划、制造）、物流管理（分销、采购、库存管理）和财务管理（会计核算、财务管理）。这三大系统本身就是集成体，它们互相之间有相应的接口，能够很好的整合在一起来对企业进行管理。另外，要特别一提的是，随着企业对人力资源管理重视的加强，已经有越来越多的ERP厂商将人力资源管理纳入了ERP系统的一个重要组成部分。3.1 ERP与BI整合的可行性在BI和ERP整合方面，已经有一些相关探讨和研究，如基于ERP系统的数据仓库体系结构，ERP系统与数据仓库的集成，面向ERP的数据挖掘，商务智能工具的设计和实现等等，这些足以证明，ERP与BI整合并不是空穴来风，现从三方面具体阐述：1.数据基础。BI从不同的数据源中提取有用的数据，并对这些数据进行一系列的处理后，使数据变为辅助决策的知识。在长年的业务处理中，ERP系统产生大量实时的、细节的、面向应用的数据，只是这些数据缺少对历史数据的积累和便于分析访问的有效结构。由此可见，ERP系统可为BI分析提供数据源;同时，ERP也可以利用BI工具对原来没有利用的数据进行分析，形成计划执行分析决策调整的不断优化过程，构成决策和执行的闭环系统，帮助企业将数据变为信息和知识。2.资源互补。如果直接利用ERP数据库中现有的数据进行决策的分析和推理，将影响ERP系统的效率，并造成繁忙的网络数据传输。数据仓库面向主题的数据存储方式提高了分析和查询的效率。这样，以数据仓库为纽带，将ERP与BI整合应用能以较合理的代价取得有效的决策支持，充分的利用了数据资源。3.技术基础。数据仓库、数据挖掘和OLAP技术的发展为ERP与BI的整合应用带来了机会。对ERP系统来说，数据仓库可以容纳其长期的大量的数据，并对这些数据进行有效的组织;对BI来说，数据仓库能够为它提供集中的、丰富的数据源，增强数据的完整性和安全性;OLAP、数据挖掘等分析技术，能够验证、发掘大量的来自企业ERP的数据之间的关联，发现潜在的商机，预测未来的趋势，为企业决策提供支持。3.2 ERP与BI整合的重要性将ERP系统与BI相整合，可使企业不仅在一个集成的环境下，有一个合理、严格的流程控制，完成企业业务作业，产生大量准确的数据，同时将这些操作型数据变为分析型数据，从分析型数据中提炼决策信息，对于协助企业决策者做出正确的决策，促进企业对信息的再利用都具有重大的意义。1.企业实施的ERP系统与商业智能中的数据仓库技术整合后，可以为生产管理模块带来：存储更加全面和完善的数据资料，对不同工艺路线、原料和外部环境条件、车间作业、生产流程规范等进行分类，为企业合理安排生产、有效进行生产控制贡献力量;为物料管理模块带来：为对物料的存储、传送、数量和状态的变化等信息的管理提供更为详尽的历史资料;为销售管理模块带来：记录企业在不同时期、不同地区销售记录，记录企业的客户资料、信息情况和付款情况，为提高销售额、优化策略服务。为财务管理模块带来：记录企业的财务资料，为企业成本分析、资金周转分析服务，有利于降低运营成本、优化财务决策、提高资金周转效率等。2.数据挖掘可以协助实施ERP的企业从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们实现未知的，但又是潜在有用的，最终可理解的信息和知识。ERP在整合了数据挖掘以后，就找到了解决当今时代所面临的数据爆炸而信息贫乏问题的一种有效方法。3. ERP整合决策支持系统，就能为生产过程的计划和控制、需求管理、物料管理、库存管理、订货的计划和方式提供决策支持; 就能为为企业了解市场、分析市场趋势制定出科学的销售策略; 就能为企业分析财务状况、明确成本构成、衡量企业收益，进而帮助企业预测财务趋势、制定财务计划。3.3 ERP与BI整合的迫切性自从ERP系统被广泛应用以来，企业对信息化的依赖性增强，需求加大，要求也越来越高，仅使用现有的ERP系统，只能满足为企业提供大量所需信息的需求，而要借助实施ERP顺利开展企业的业务过滤、处理和数据分析确实有一定困难。BI可以为企业处理大量的信息，然后找出企业产品市场前景、优化的业务流程等，以此来解决企业信息化难题。ERP系统的功能模块里集成了少部分的决策支持，能为企业提供浅层次的服务，但这些支持功能不够强大，不能有效弥补企业决策层自身能力的欠缺。企业的决策支持功能对企业的战略规划来说具备举足轻重的作用，急需加强。而BI应用系统所提供的商业建模和量化的分析指标能够提供企业内部关键问题的解决方案，主要包括商业建模、即席查询、多维分析、假设性问题分析、KPI等技术;而且，通过在企业各种应用系统中集成商业智能技术，使得企业的运作流程与决策信息形成回路，能够帮助分析和改进企业内部或企业之间的沟通和交流，所有功能可以协同ERP以完成企业的整体目标，并能够及早发现企业的运营瓶颈，系统更具弹性，企业更容易及时地做出正确的决策。4 CRM与BICRM（Customer Relationship Management）即客户关系管理。从字面上来看，是指企业用CRM来管理与客户之间的关系。在不同场合下，CRM可能是一个管理学术语，可能是一个软件系统，而通常所指的CRM，是指用计算机自动化分析销售、市场营销、客户服务以及应用支持等流程的软件系统。它的目标是缩减销售周期和销售成本、增加收入、寻找扩展业务所需的新的市场和渠道以及提高客户的价值、满意度、赢利性和忠实度。CRM是选择和管理有价值客户及其关系的一种商业策略，CRM要求以客户为中心的企业文化来支持有效的市场营销、销售与服务流程。商业智能是一个迅速发展的学科，而且是面向应用，应用于CRM会提高企业的商业智能，与CRM的结合将是全方面的，即销售、营销和客户服务都可以从数据挖掘中获得决策支持。数据挖掘的发起人Gordon S.Linoff认为：“数据挖掘通过整合企业的数据，将正确的信息传到每一个客户。数据挖掘是CRM的必备组件之一”。4.1 获得客户信赖企业的发展和壮大需要不断的获得新的客户。新的客户包括以前没有听过你产品的人，以前不需要你产品的人，以及以前你的竞争对手的客户。无论你希望得到的是哪一类客户，数据挖掘都能够帮助你辨别这些潜在客户群，并提高市场活动的响应率。商业智能可以帮助企业利用现有的客户记录和资料找出客户的一些共同特征，由此深入了解客户，还可以通过分类或聚类分析对客户进行群分后，再由模式分析预测哪些人可能成为其客户，以帮助销售人员找到正确的对象用BI对交叉销售做分析时应包括三个步骤。一是分析现有客户的购买行为和消费习惯数据，然后用BI的一些算法对不同的销售方式的个体行为进行建模；二是用建立的预测模型对客户将来的消费行为进行预测分析，对每一种销售方式进行评价；三是用建立的分析模型对新的客户数据进行分析，以决定向客户提供哪一种交叉销售服务最合适。留住客户的竞争越来越激烈，公司获得新客户的成本也在不断地上升，因此保持原有客户对企业来说就显得越来越重要。数据挖掘可以把信息系统中的大量客户分成不同的类，针对不同的类提供不同的个性化服务来提高客户的满意度，从而留住客户。利用商业智能技术，例如决策树算法，就可以通过挖掘大量的客户信息来构建预测模型，较准确的找出容易流失的客户群，并指定相应的方案，最大程度的保持住老客户。4.2 改善企业效益CRM是一种管理技术，商业智能是一种数据处理和分析技术。后者是前者的运用工具，为其提供数据基础平台和技术支持。数据挖掘技术可以帮助CRM完成对大量客户信息的处理，挖掘出隐含的、先前未知的、对企业决策有潜在价值的知识和规则，包括客户特征、“黄金客户”、客户关注点以及客户忠诚度等等，并能够根据已有的信息对未来发生行为做出结果预测，科学确定各种业务的实施方案，为企业提供全方位的管理视角，完善企业的客户交流能力，最大化客户和企业的收益率。对一个公司来讲，如果不知道客户的经营情况，就很难做出合适的市场策略。很显然，不同客户对于公司来讲，其价值是不同的。商业智能技术可以用来分析和预测不同市场活动情况下客户盈利能力的变化，识别最有价值的客户以及这些客户过去的状态变迁，帮助公司制定适合的市场策略。利用数据挖掘对公司信息管理系统中大量的数据进行分析和处理，可采用神经网络算法建立模型，然后对现有客户进行测试，探查出具有诈骗倾向的客户；也可采用数据挖掘中的孤立点