商业智能的发展和应用.ppt

,商业智能的发展和应用,目录,商业智能基本概况,商业智能市场概况,商业智能关键技术,商业智能行业应用,前言商业智能定义商业智能发展历程分析的八个阶段BI应用示例商业智能价值评估,行业现状及发展趋势,企业BI实施、推广策略,CEO调查,未来3年中，对全球CEO来说（83%），提高公司业绩的重点关注领域是收入增长CEO仍然密切关注削减成本，68%的CEO在回答中指出削减成本是其第二大关注领域当问及你是否认为你的公司有能力对不断变化的业务环境做出反应时，只有13%的CEO认为他们的组织有这样的能力全球有40%的CEO认为迅速的反应能力极为重要有52%的CEO认为差异化产品非常重要当问及在未来3年里技术要素是否会带来最大的冲击，大多数CEO对适应新技术（76%）和技术冲击（62%）表示关心超过60%以上的CEO认为，未来三年收入增长的最佳机会在于提供新产品或者服务50%以上的CEO认为在于开拓新市场；40%以上的CEO认为是提高客户关系；近30%的CEO认为来自于新渠道；近20%的CEO认为体现在多元化等,对财务人员的调查状况,财务人员感觉很辛苦,财务部的平均成本在过去10年间从收入的3%降到1%（最好的公司是0.6%)我们减少工作了吗?没有.甚至我们的工作比以前更辛苦.而且我们的压力变的越来越大。在2010年，62%的财务人员表示他们在“大”或“非常大”的压力下工作，68%的人员反映他们的压力比早两年更大（63%的人员反映压力正在影响他们的健康）在美国，2002年至2004年间，500个CFO中有225个辞去工作。2005年在英国，有50%的CFO辞职。“财务总监辞职年年有，然而今年特别多”。,我们为什么不满?,但高层管理者也不高兴,90%的财务经理对花5个月和20%的工作时间来做年计划/预算很不满意。每月要花11天做月报表，14天时间做预测。仅有37%的决策者认为财务具有决策支持能力（有21%的经理认为财务具有预测能力；仅19%的经理认为财务具有风险管理能力）。高级经理平均每月要看140指标。很多CEO不得不处理跌宕起伏的利润以及会计处理的重新调整。,我们为什么不满?,我们为什么不满?,问题是财务做了太多低价值的工作,太多的对帐和月结工作太多的指标太多的不相关报表太多的明细预算、目标和差异报表。太多的记分卡太多的从不同IT系统出来的表格太多的手工处理太多的无价值会议,我们为什么不满?,和没有足够多的高价值工作,了解价值驱动因子了解哪里能创造价值，哪里不能创造价值（产品、渠道、和客户是值得做的）提供更多的相关预测和趋势分析来提高可见度帮助管理者更好的进行风险评估与调整。提供外部数据实现内部核查（参照同行、竞争者和基准决定我们怎样做？）通过系统的整合实现持续计划和资源优劣排序以支持最好的投资机会。通过措施与行动的统一来帮助管理者执行他们的策略,如何改变现状,财务新视角,创造时间,简化、标准化、和授权,从明细的、复杂的组织中释放出来（包括预算、目标、和更多的措施/报表与项目）自动的、集中的、标准的（可能是外部资源）处理日常工作。将计划编制和最终决策分散到与客户密切联系的团队（利用统一的整合系统）,发展技能,组织和IT平台,建立高效的财务团队，提供有效的决策支持和表现洞察力（例如价值驱动因子和趋势报表）。利用整合的系统(商业智能系统,数据仓库“singleversionoftruth”)迅速传递相关信息，建立每天传递的模型而不是每周或每月传递。,成为商业合作伙伴,信赖的、增值的合作伙伴,了解业务洞查其表现（价值驱动因子、趋势分析、相关措施）独立公正的意见。,增加价值,超越预算,通过KPI、滚动预测支持从年度预算转移到持续循环计划，从而能使相关人员快速反应，经理人通过参照同行，标准数据集中持续提高。精益思想是衡量整个流程表现而不是个人的任务或功能。仅仅用很少的措施方案就可帮管理者学习、提高（避免了把措施变为目标或协议）和运用趋势报表。支持公开的、透明的信息系统。,CIO调查,商业智能的本质正是把数据转化为知识，致力于知识发现和挖掘，减少数据孤岛、适应新兴技术、实现数据资产化,商业智能的定义,-1989年Gartner首次提出商业智能概念,综合各种理解的核心，商业智能是指从数据中发现有价值的规律、模式，将数据转化为知识，支持企业的决策、营销、服务的一系列软件、技术、方法的集合。,商务智能的发展历程,第一阶段信息管理提供基本、静态信息固定格式、时间、内容,第一阶段信息管理建立数据仓库存储业务数据建立数据集市解决特定的专题分析提供OLAP应用,第一阶段信息管理建立客户为中心的数据仓库和数据集市集成复杂的管理工具（OLAP、数据挖掘和业务评估）数据分析影响业务模式集成客户交流渠道,第一阶段信息管理软件到服务（SaaSBI）具有可配置型、灵活性及变化性更强的功能可视化和模型化嵌入式BI实时BI,业务报表,数据仓库,分析与优化,灵活和可视化,更有效的智能化管理,商务智能发展,欧美BI市场开始进入成熟期，主要处于分析优化阶段我国BI市场已经走出导入期，开始进入成长期，BI软件在我国的认知程度和接受程度达到55%和15%以上，在大型企业，这个比例高达95%和53%。计世咨询预测，我国BI市场的成长期将持续8年，于2018年左右进入成熟期,发现-业务问题,发现被动决策,发现主动决策,Source（SAS）,商业智能的价值,传递更高的业务价值,案例1：工行数据仓库应用实例,案例2-如何避免高校学生客户在毕业后开始流失,案例3：信用卡套现分析,案例4：虚假按揭分析,案例5：国外某银行ATM交叉销售（1）,案例5：国外某银行ATM交叉销售（2）,案例5：国外某银行ATM交叉销售（3）,商业智能价值体系概述,商业智能价值体系分析方法与模型概述,数据仓库成熟度评估模型的引入补充价值分析的“漏洞”,数据仓库成熟度评估模型,数据仓库成熟度评估-评分标准示例,寻找和最佳实践的缺口就是下一次改进的机会,目录,商业智能基本概况,商业智能市场介绍,商业智能关键技术,商业智能行业应用,市场概况市场并购市场规模市场结构主要供应商,行业现状及发展趋势,企业BI实施、推广策略,国内商业智能的潜在需求,国内BI市场规模,MagicQuadrantforBusinessIntelligencePlatfroms,财务绩效和战略管理应用软件预算编制、财务报表合并、盈利分析、战略管理,客户关系管理分析应用软件销售、客户服务、呼叫中心、市场、网站分析、价格优化,查询、报表和分析工具软件仪表盘、报表生成、联机分析、即席查询,高级分析工具软件数据挖掘与统计,内容分析工具软件,空间信息分析工具软件,供应链分析应用软件采购、物流、库存、生产,服务运营分析应用软件金融服务、教育、政府、医疗、通讯服务等等,生产计划分析应用软件需求、供给和生产计划,人力资源分析应用软件,数据仓库管理软件,数据仓库生成软件数据抽取、转换、载入；数据质量,数据仓库管理平台,绩效管理和分析应用软件,商业智能工具软件,目录,商业智能基本概况,商业智能市场介绍,商业智能关键技术,商业智能行业应用,体系架构ETL数据仓库（DW）元数据（Metadata）数据挖掘（DM）联机分析技术（OLAP）,行业现状及发展趋势,企业BI实施、推广策略,基本体系架构,源系统层,ETL层,ODS+DW,ETL层,数据集市层,应用层,展现层,转换,转换,报表模型,查询模型,战略决策模型,经营分析模型,数据挖掘模型,企业报表,即席查询,多维分析,电子地图,监控预警,计量统计,经济分析,数据挖掘,虚拟雇员,基础业务信息数据库,操作型数据存储,系统管理平台,数据源元数据管理,技术元数据,商业元数据管理,运维管理平台,应用安全管理,系统监控管理,洗漱,合并,总部系统,地产板块系统,房托板块系统,交通板块系统,金融板块系统,其他板块系统,系统技术架构,外部数据,补录数据区,关键技术-ETL,ETL特征以串行/并行方式，从不同异构数据数据源流向统一的目标数据，核心在于转换过程（关联、聚集），而抽取和装载一般可以作为转换的输入和输出。ETL元数据主要包括每次转换前后的数据结构和转换的规则。数据同步，数据ETL是经常性的活动，按照固定周期运行，甚至实施运行。庞大的数据量，需要ETL工具具有良好的伸缩性。流程控制和数据验证机制。,关键技术数据仓库（DW）,DW定义按照W.H.Inmon这位数据仓库权威的说法，“数据仓库（DataWarehouse）是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。”面向主题的（subject-oriented）：数据仓库围绕一些主题，如顾客、供应商、产品和销售组织。数据仓库关注决策者的数据建模与分析，而不是集中于组织机构的日常操作和事物处理。因此，数据仓库排除对决策无用的数据，提供特定主题的简明视图。集成的（integrated）：通常，构造数据仓库是将多个异种数据源，如关系数据库、一般文件和联机事务处理记录集成在一起。使用数据清理和数据集成技术，确保命名约定、编码结构和属性度量等指标的一致性。时变的：数据存储从历史的角度提供信息。数据仓库中的关键结构，隐式或显式地包含时间元素。非易失的（nonvolatile）：数据仓库的数据是有历史保存意义的，数据仓库的数据也只使用添加的方式，进入数据仓库的数据一般情况下是不需要更新的，这样就保证了数据的稳定性。通常，它只需要三种数据访问：数据的初始化装入、数据的添加和数据的查询访问。,关键技术元数据(MetaData）,元数据定义元数据通常定义为“关于数据的数据（例如：视图，查询SQL，事务，存储过程）”，是描述和管理数据仓库自身内容对象、用来表示数据项的意义及其在系统各组成部件之间的关系的数据。元数据作用于数据仓库的创建，维护，管理和使用各个方面。是从广义上讲，用元数据来描述数据仓库对象的任何东西无论是一个表、一个列、一个查询、一个商业规则、或者是数据仓库内部的数据转移。它在数据源的抽取，数据加工，访问和使用等过程中都会存在。实现元数据管理的主要目标就是使企业内部元数据的定义标准化。数据仓库的维护工具可以根据元数据完成数据的抽取、清洗和转换、并做适度的汇总。数据仓库的元数据包括1）数据资源：包括各个数据源的模型，描述源数据表字段属性及业务含义，源数据到数据仓库的映射关系；2）数据组织：数据仓库、数据集市表的结构、属性及业务含义，多维结构等等；3）数据应用：查询与报表输出格式描述、OLAP、数据挖掘等的数据模型的信息展现；4）数据管理：包括数据仓库过程以及数据仓库操作结果的模型，包括描述数据抽取和清洗规则、数据加载控制、临时表结构、用途和使用情况、数据汇总控制。,关键技术数据挖掘,数据挖掘定义数据挖掘（DataMining）是采用数学的、统计的、人工智能（人工生命、数篇论文）和神经网络等领域的科学方法，从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，为商业智能系统服务的各业务领域提供预测性决策支持的方法、工具和过程。数据挖掘前身是知识发现（KDD，KnowledgeDiscoveryinDatabases），属于机器学习的范畴，所用技术和工具主要有统计分析（或数据分析）和知识发现。知识发现与数据挖掘是人工智能、机器学习与数据库技术相结合的产物，是从数据中发现有用知识的整个过程。,常见的业务问题及数据挖掘模型,数据挖掘方法论,关键技术联机分析处理技术（OLAP）,联机分析处理技术是独立于数据仓库的一种技术，它通过快速、一致、交互地访问各种可能的信息视图，帮助数据分析人员、管理人员、决策人员掌握数据之间的规律。OLAP是多维分析工具，它具有：快捷、可分析性、共享性、多维性和信息性等特点。在OLAP中，信息被抽象为一个数据立方体（cube），一个立方体由维（Dimension）和度量（Measure）构成。维是相同数据的集合（产品，时间，地区，财务指标），度量是个定量的值。这个多维的数据模型是OLAP的核心，也是商务智能的支柱。OLAP的目的是帮助用户完成维度之间各种组合的汇总。,目录,商业智能基本概况,商业智能市场介绍,商业智能关键技术,商业智能行业应用,应用领域银行BI应用电信BI应用航空BI应用企业BI应用,行业现状及发展趋势,企业BI实施、推广策略,商务智能的应用领域,商务智能的应用划分为纵向商务智能和横向商务智能纵向商务智能：比如财务系统中的管理会计就是商务智能的一部分，从以前关注运营报表，到关注整个财务的运作情况，像现金流、资产负债等。人力资源系统可以称为智能人力资源，关注员工的流失率，分析从什么途径招聘的员工流失率最高，分析公司人才结构、人才培养方向等。横向商务智能：举例来说，比如汽车制造厂生产多款不同的车型，公司老总会问，生产哪一款车型、生产多少，企业的效率能够达到最高？这样的问题，不能通过分析单独的系统，因为效益最高取决于生产成本、人力资源成本、市场的需求、竞争对手、市场定价等多方面的信息。而这些信息则分散在财务系统、人力资源系统、采购系统中，这就需要系统和信息有效的整合才能解决这个问题，所以称为横向商务智能。,金融业商业智能应用,电信业商业智能应用,航空业商业智能应用,客户分析,客户的分布状态和数量,了解客户资源的变化情况,现有、潜在、综合价值分析，贡献度构成与排名,分析销售渠道的销量和客户数的变化情况,分析客户的交易构成对交易次数、交易频率、交易额等排序,客户变动分析,客户价值分析,销售渠道分析,客户交易分析,客户分布分析,客户的响应程度和流失分析,衡量客户关系,分析客户的购买特点和变化趋势,客户满意度和忠诚度分析,客户特征分析,客户响应和流失分析,市场分析,销售分析,合同、报价、定单分析,销售计划分析,销售分析,销售业绩分析,从多个维度分析众多指标；多级钻取；排名、分布、构成、占比、对比、同比、环比、趋势等分析。,销售过程分析,衡量销售计划和费用的执行效果。,分析各阶段的执行情况；对异常情况进行预警；形成经验累积。,分析执行情况；找出最有利可图的销售合同、报价、定单。,服务分析,产品分析,合作伙伴分析,合作伙伴价值分析,合作伙伴的维护分析,合作伙伴分析,合作伙伴交易情况分析,绩效分析,区域,业务员,部门,绩效分析,报表,绩效指标分析,绩效考核,财务分析,可以用于预算、决算、成本控制、财务规划等关键的财务数据分析和报告。可以从各种总帐系统中得到数据并且具有简单易用的分析界面。项目、分析和预算经理们可以通过该系统进行成本控制、分析利润、评估商业机会、并规划未来的发展方向。,目录,商业智能基本概况,商业智能市场介绍,商业智能关键技术,商业智能行业应用,行业现状及发展趋势,企业BI实施、推广策略,行业现状分析,金融、电信行业是BI应用最集中的行业，约占40%的市场分额，保险、能源、烟草、政务行业约占30%的市场份额，制造、零售行业约占30%的市场份额，是BI应用最具潜力的行业。金融：随着国内五大商业银行的信息化不断发展，在BI领域投资稳步增长，每年均有大量的BI需求，其中BI已经不仅局限于高层管理者的决策，操作型BI应用越来越广泛，尤其是信贷评审领域。中小型银行BI需求也不断涌现，未来将是金融行业BI市场的主要增长点。在未来5年时间里，BI应用在金融行业仍将高速发展。电信：电信行业信息化程度很高，对信息化依赖很强，积累了大量的数据，具有实施商业智能项目的基础条件和资金实力。