智能物流教学课件.ppt

第四章商业智能，学习要点，商业智能概念，商业智能核心技术，商业智能在智能物流中的应用趋势，目录，4.5摘要，4.4商业智能在智能物流中的应用，4.3商业智能决策分析技术，4.2商业智能系统，4.1商业智能概念，试题，商业智能概念建议。GartnerGroup在1996年首次提出了商业智能的概念。它描述了通过应用基于事实的支持系统来辅助商业决策的一系列概念和方法。2003年，奥伦特齐奥尼打算从西雅图乘飞机去洛杉矶参加他哥哥的婚礼。他知道机票订得越早，越便宜，所以他在大日子前几个月就在网上订了一张去洛杉矶的机票。在飞机上，Ezioni好奇地问坐在他旁边的乘客，他们在飞机票上花了多少钱。当他得知虽然票买得比他晚，但价格却便宜得多时，他非常生气。因此，他问了其他几个乘客，结果发现所有的票都比他的便宜。对大多数人来说，这种被欺骗的感觉可能会随着他们下飞机而消失。然而，埃齐奥尼是美国最著名的计算机专家之一。由于他是华盛顿大学人工智能项目的负责人，他创建了许多如今看起来非常典型的大数据公司。2008年，Ezioni计划将这项技术应用到其他领域，如酒店预订和二手车购买。只要这些领域的产品之间没有太大的差异，并且存在很大的价格差异和大量的适用数据，就可以应用该技术。到2012年，远东系统已经使用了近1万亿的价格记录来帮助预测美国国内航班的价格。远东票价预测准确率已高达75%。使用Farecast票价预测工具的乘客平均每张机票可以节省50美元。4.1.1商业智能的定义，商业智能技术将企业现有的数据，通过管理分析等手段提取有用的信息，然后转化为知识，为企业做出明智的商业决策提供工具。目前，学术界对商业智能没有统一的定义。商业智能通常被理解为收集、管理和分析商业信息的过程。目的是使企业各级决策者能够通过表面的数据获取潜在的知识，从而为企业做出更有利的商业决策。商业智能的定义(续)概述：商业智能(bi)是一种智能系统，它通过数据仓库、在线分析处理、数据挖掘和其他技术收集、管理和分析企业的内部和外部数据，并通过应用基于事实的支持系统为企业提供决策支持以增强其综合竞争力。4.1.1商业智能的定义，为企业提供决策支持的智能系统，4.1.2商业智能的背景和主要特征，商业智能的背景传统：新的报告系统：商业智能系统被取代的原因：数据“拥挤”现象：大量数据的不规则列表和不一致的数据。数据的内在价值被埋没了：在将数据转化为信息和知识的过程中存在困难。企业经营模式的变化：从传统形式向电子商务的转变和大量电子数据的产生。数据库和人工智能技术的发展：新技术使企业能够以更低的成本获得更高的信息技术投资回报。商业智能是企业利用现代信息技术收集、管理和分析结构化和非结构化商业数据和信息，创造和积累商业知识和见解，提高商业决策水平，采取有效的商业行动，改进各种商业流程，提高各方面的商业绩效和增强整体竞争力的智慧和能力。因此，随着企业信息化的深入，商业智能逐渐成为企业决策者的重要工具。4.1.2商务智能的背景和主要特征，商务智能的主要特征，商务智能技术提高企业效率，减少人力收集和数据分析时间，增加核心决策时间，4.1.3商务智能提高智能物流，商务智能从四个方面提高智能物流系统1更合理的数据存储方法2更灵活的分析方法和手段3实现各级专题分析4提高综合决策能力。4.1.3商务智能向智能物流的提升4.2.1系统的组成和运行商务智能系统商务智能系统是一个基于商务智能技术的过程，通过搜索数据，了解系统中的数据流，发现数据在企业中的应用。源数据层，即初始数据，收集内部数据，包括财务系统、销售系统、库存系统、客户服务等。以及外部数据，包括竞争对手信息和其他外部环境。常用软件：大型应用软件SAP、ORACLE、中型软件用友、金蝶等。商业智能系统的结构，4.2.1系统的组成和操作，数据集成，即数据转换层负责从分布式和异构数据源中提取数据，如关系数据和平面数据文件，到临时中间层进行提取、转换、加载，最后加载到数据仓库或数据集市中，成为在线分析处理和数据挖掘的基础。数据处理方法：简单转换；数据格式转换；数据集成。通用软件：微软2005年版的SSIS工具，信息，数据等。数据仓库是一种面向主题的、集成的、稳定的、时变的数据集，用于支持运营和管理中的决策过程。数据仓库可以为多维分析和数据挖掘分析工具提供所需的、整洁的和一致的数据。常用软件：SQLSever、Oracle、Sybase等。4.2.1系统的组成和运行，在线分析处理(OLAP)它帮助分析人员和管理人员从各种角度(维度)从原始数据(当前和历史数据)中，真正能够被用户所理解，并反映数据信息的真实性，快速，一致，交互式的访问，使决策者能够获得对数据更深层次的理解。常用软件：SQLSeverAnalysisServices、HyperionEssbase等。数据挖掘负责数据收集、概念描述、分类、聚类、相关性分析、偏差分析、进化分析、建模、预测等。常用软件：SAS、SPSS等。信息显示(Information Display，Display)负责通过图形、图表、图像、模拟和其他易于识别的方式显示原始数据之间的复杂关系、潜在信息和发展趋势，以便决策者能够更好地利用他们所掌握的信息资源。通用软件：微软的报告服务、水晶报告工具、商业对象等。另一个是OLAP演示工具，包括微软的SSAS或Excel。4.2.1系统组成和操作，4.2.2系统对象和系统优势，商务智能系统对象决策的初级阶段(操作层面)，商务智能系统决策的中级阶段(战术层面)，决策的高级阶段(战略层面)，各级工作场景，4.2.2系统对象和系统优势，决策初级阶段决策所需的信息是对原始数据进行分类、汇总和排序，从而获得对商务活动的直观印象。数据：销售、市场、财务、运营等。决策的中间阶段是中间阶段。它是对分类汇总数据中的详细数据和相关关键绩效指标(KPI)的展现，以及从不同角度对相关详细数据的交叉观察，从而获得数据所反映的业务结果的原因探究。关键关键绩效指标：财务分析指数；反映客户管理的指标；反映过程管理的指标；反映人力资源的指标。在决策的高级阶段，企业根据数据对未来做出趋势判断，或者根据特定数学模型获得的分类信息预测未来市场，为行动提供指导。趋势预测分析：指数平滑分析，时间序列回归分析4.2.2系统对象和系统优势，3级决策支持，4.2.2系统对象和系统优势，商业智能系统的目的商业智能系统的目的是获得高投资回报。应用程度越高，体验越深，投资回报就越丰富。商业智能系统的应用为企业的智能决策提供了完善的技术支持，也使决策更加快速、准确和科学。商业智能价值体现，4.2.2系统对象和系统优势，案例分析公司：雅戈尔集团行业：服装转型原因：市场从买方市场转向买方市场，利润下降，按订单安排生产计划的模式不能及时满足市场需求，库存积压，物流成本飙升。转型模式：产业结构向信息化方向调整，建立自己的供应链和物流管理体系。使用软件：IBMCognos软件改进效果：订单响应能力和生产周期缩短50%，库存周转率提高两倍，缺货损失减少30%，工厂准时交货率达到99%以上，4.3.1数据仓库技术(DW)，数据仓库技术数据仓库(DW)是存储和管理数据的地方。这些数据来自各种数据源，并被提取、转换、加载、处理和汇总。它是一个面向主题的、集成的、非易失的和时变的数据集，用于支持管理决策。数据仓库的优势是提取、转换、加载、处理和总结源数据，从而提高所用数据的价值。经整理的数据是针对某一主题专门筛选的一组数据，以满足决策的不同目标和要求。克服了查询受限、数据易重复和数据库利用率低的缺点。4.3.1数据仓库。与传统的操作数据库相比，数据仓库具有面向主题、集成、相对稳定和反映历史变化的特点。数据仓库和数据库的区别，以及数据仓库和数据集市的优势：数据量大、信息丰富全面等。缺点：查询速度慢，针对性弱。一种由数据集市为数据仓库的缺陷而创建的数据存储结构。它属于数据仓库。为部门或企业提供相应目的或适用范围的数据。提高查询效率和准确性。4.3.1数据仓库(DW)是数据仓库和数据集市的区别，联机事务处理(OLTP)是联机分析处理技术的背景，在1993年以前被广泛用于处理日常业务。在线分析处理(OLAP)是由数据库之父E.F.Cold在1993年提出的，以满足日益增长的数据处理需求。4 . 3 . 2 OnLineAnalyticProcessing(OLAP)，代之以理由：数据存储量小，数据的查询和分析能力不能满足需求，只能提供简单的查询结果，OLTP与OLAP的区别在于，4 . 3 . 2 OnLineAnalyticProcessing(OLAP)，OLAP的“维度”概念是从多个角度分析数据，进一步理解数据，传统的关系数据库不能满足要求，需要一种新的技术称为多维数据库。维度是在线分析处理的核心概念。这是我们对世界的看法，也是对类型的高级分类。“维度”可以表示属性，例如，时间属性可以称为时间维度，地点属性可以称为地点维度，等等。4 . 3 . 2 OnLineAnalyticsProcessing(OLAP)，OLAP的定义OLAP委员会将其定义为一种软件技术，它使分析师、经理或高管能够快速、一致、交互地从不同角度访问从原始数据转换而来的信息，这些信息能够被用户真正理解，并真正反映企业维度的特征，从而获得对数据的更深理解。它满足了多维环境和复杂结构下决策者的特定需求，对数据进行各种操作以获得查询结果，并以报表的形式显示出来，侧重于决策支持。E.冷描述了OLAP系统的12个标准，4.3.2联机分析处理(OLAP)，OLAP的功能特征，4.3.2联机分析处理(OLAP)，OLAP OLAP多维分析的多维分析方法，是指对以多维形式组织的数据采取各种分析行动来分析数据，使最终用户能够从多个角度和侧面观察数据，从而深入理解数据中的信息和内涵。多维分析方法包括切片：将多维数据中的任意两个维度视为观察角度。原则：放弃一些维度，集中精力分析二维数据。骰子：选择多维数据中的任意三维作为观察角度。原则：放弃一些维度，集中精力分析三维数据。透视：更改维度的方向，以便用户可以从不同角度分析数据。原则：交换行和列，或将行维度更改为列维度。追溯：减少某个维度的度量单位，更具体地理解数据。原则：从汇总数据到详细数据。向上钻取：将某个维度中的低级明细数据汇总为高级汇总数据的原理：向下钻取以降低维度的逆过程。4.3.3数据挖掘(DM)，数据挖掘(DM)的定义，也称为知识发现(KDD)，是一个从巨大的数据集发现新规则或模式的过程。过程中使用了人工智能、机器学习、统计分析、数据库系统等工具。数据挖掘的目标是为特定的数据和特定的问题选择一种或多种挖掘算法，以发现有价值的和未知的关系和趋势，提取有效的信息，提炼知识，并最终以适当的知识模式显示以供决策者进一步分析。4.3.3数据挖掘(DM)，数据挖掘方法分类(Classification):分析数据库中的样本数据，对每个类别进行相应的描述，并挖掘分类规则。当遇到新数据时，在已经描述的类别中找到匹配的数据，从而确定新数据的类别。聚类):聚类也被称为聚类，其输入集是未分类的数据。目的是按照一定的规则合理地划分记录集，使组之间的差异尽可能大，组内部的差异尽可能小，如市场划分等。序列规则关联：分析两个事物同时出现的规律。序列分析：发现事物的发生规律与时间的关系。投影预测的回归分析：包括主成分分析和相关分析。它使用一系列现有值来预测连续值的可能值。时间序列：使用现有值来预测未来值。分析的数值