BI商务智能数据迷雾中_第1页
BI商务智能数据迷雾中_第2页
BI商务智能数据迷雾中_第3页
BI商务智能数据迷雾中_第4页
BI商务智能数据迷雾中_第5页
已阅读5页,还剩42页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

“电子技术到来以后,人延伸出(或者说在体外建立了)一个活生生的中枢神经系统。”——麦克卢汉,《理解媒介》数据迷雾中迷茫一个平常饮料店的故事1993年前,店里卖的饮料只有啤酒、可口可乐和北冰洋汽水进货出货老板在一个旧本子上记录一个平常饮料店的故事1995年,生意大了,各处开了分号,饮料多了,酒也多了,有几十种。店里装了自动柜员机,柜员机里记的账天天都打印出来送给老板。老板看不过来,加个总数就算了,但生意该怎么做,老板还算清楚。一个平常饮料店的故事1998年,经营的品种过了百,店里连了网,用上了财务软件。1999年又上了互联网,客人来自四面八方。账单每天打出厚厚一堆,老板瞧着密密麻麻的数字楞神,直嚷嚷生意难做。数据迷雾铺天盖地美国MCI是跨国的电信公司,长途电话客户2亿,电脑里数据存了5TB,每月还增加300GB。据美国加州一所大学研究,世界上每个人,不论死活,已经产生或将要产生250MB的数据,每年全球数据净增2×1010GB。如何应对?商务智能什么是商务智能商业智能是对商业信息的搜集、管理和分析过程,目的是使企业的各级决策者获得知识或洞察力,促使他们做出对企业更有利的决策。商业智能一般由数据仓库(或数据场)、数据分析、数据挖掘、在线分析、数据备份和恢复等部分组成。

什么是商务智能商务智能是从累计的原始数据中提取有用信息的过程商务智能为决策者在正确的时间,地点提供关于企业运营情况的各项信息使之能够做出准确的决定背景商业智能(BI)的概念最早是GartnerGroup于1996年提出执行信息系统(EIS)决策支持系统(DSS)。为什么么需要要商务务智能能促进销销售加深客客户关关系改进产产品提供更更好的的服务务协调企企业运运营降低成成本提高决决策水水平"BusinessIntelligencehelpstrackwhatreallyworksandwhatdoesn’t.””BillGates,Chairman,Microsoft通过过BI帮帮助助我我们们提高高企企业业效效益益建立立忠忠实实的的顾顾客客群群增进进企企业业效效率率做出出明明智智的的决决策策商务务智智能能内内容容产品品分分析析哪种种产产品品赢赢利利情情况况最最好好?哪种种产产品品赢赢利利最最差差却却卖卖的的最最快快?哪种种产产品品组组合合对对一一定定收收入入的的家家庭庭最最有有吸吸引引力力?商务务智智能能内内容容销售售分分析析一家家已已开开张张两两年年的的分分店店销销售售趋趋势势如如何何?附近近地地区区是是否否存存在在竞竞争争者者?哪种种产产品品的的赢赢利利有有向向上上的的趋趋势势及及哪哪类类顾顾客客购购买买了了这这些些产产品品?商务务智智能能内内容容顾客客分分析析提供供头头10%利利润润的的顾顾客客有有什什么么特特点点?购买买产产品品或或服服务务三三个个月月后后顾顾客客的的流流失失率率是是多多少少?过去去六六个个月月里里比比平平均均消消费费额额高高两两个个百百分分点点的的都都是是谁谁?众多多行行业业积积极极寻寻求求BI解解决决方方案案的的零售售、、保保险险、、银银行行、、通通信信、、离离散散制制造造、、政政府府、、医医疗疗、、分分销销、、流流程程制制造造、、教教育育等等。。商务务智智能能如如何何工工作作数据据:把把不不同同来来源源的的数数据据汇汇总总为为一一个个数数据据仓仓库库内涵涵:商商务务智智能能工工具具通通过过分分析析这这些些数数据据来来帮帮助助人人们们更更好好地地了了解解企企业业情情况况行动动:通通过过分分析析来来更更有有效效地地分分配配资资源源商务务智智能能系系统统结结构构数据仓仓库(DataWarehouse,DW)联机分分析处处理(On-LineAnalyticalProcessing,OLAP)数据挖挖掘(DataMining,DM)数据仓仓库(DW)数据仓仓库,,是在在数据据库已已经大大量存存在的的情况况下,,为了了进一一步挖挖掘数数据资资源、、为了了决策策需要要而产产生的的,它它决不不是所所谓的的“大大型数数据库库”。。W.H.Inmon关于于数据据仓库库的定定义::面向向主题题的、、集成成的、、与时时间相相关且且不可可修改改的数数据集集合。。面向主主题传统数数据库库主要要是为为应用用程序序进行行数据据处理理,未未必按按照同同一主主题存存储数数据数据仓仓库侧侧重于于数据据分析析工作作,是是按照照主题题存储储的与时间间相关关数据库库保存存信息息的时时候,,并不不强调调一定定有时时间信信息数据仓仓库则则不同同,出出于决决策的的需要要,数数据仓仓库中中的数数据都都要标标明时时间属属性不可修修改数据库库处理理的是是日常常事务务数据据,有有的需需要不不断更更新数据仓仓库反反映的的是历历史信信息,,可可以添添加,,但不不可更更改。。数据仓仓库生生成Extract,Transfer,andLoad(ETL)ModelIntegrateDataETLDatawarehouse数据展展现面向高高层决决策者者的主主管信信息系系统(EIS)面向决决策分分析者者的联联机分分析系系统(OLAP)决策者者上的的即席席查询询系统统(AdHoc)灵活报报表系系统(Reporting)数据展展现采采用多多种灵灵活的的方式式,比比如C/S模式式或B/S模式式联机分分析处处理(OLAP)OLAP委委员会会的定定义::是使使分析析人员员、管管理人人员或或执行行人员员能够够从多多种角角度对对从原原始数数据中中转化化出来来的、、能够够真正正为用用户所所理解解的、、并真真实反反映企企业维维特性性的信信息进进行快快速、、一致致、交交互地地存取取,从从而获获得对对数据据的更更深入入了解解的一一类软软件技技术。。OLAP的的目标标:是是满足足决策策支持持或多多维环环境特特定的的查询询和报报表需需求,,它的的技术术核心心是““维””这个个概念念,因因此OLAP也也可以以说是是多维维数据据分析析工具具的集集合。。发展背背景60年年代,,关系系数据据库之之父E.F.Cdd提出出了关关系模模型,,促进进了联联机事事务处处理(OLTP)的的发展展(数数据以以表格格的形形式而而非文文件方方式存存储)。1993年年,E.F.Cdd提出出了多多维数数据库库和多多维分分析的的概念念,即即OLAPOLAP多多维数数据结结构超立方方结构构(Hypercube)多立方方结构构(Multicube)OLAP多多维数数据分分析切片和和切块块(SliceandDice):在在多维维数据据结构构中,按二二维进进行切切片,按三三维进进行切切块,可得得到所所需要要的数数据OLAP多多维数数据分分析钻取(Drill)::钻取取包含含向下下钻取取(Drill-down)和向向上钻钻取(Drill-up)/上卷卷(Roll-up)操操作OLAP多多维数数据分分析旋转(Rotate)/转轴轴(Pivot)::通过过旋转转可以以得到到不同同视角角的数数据数据挖挖掘(DM)一方面面规模模庞大大、纷纷繁复复杂的的数据据体系系让使使用者者漫无无头绪绪、无无从下下手;;另一方方面在在这些些大量量数据据的背背后却却隐藏藏着很很多具具有决决策意意义的的有价价值的的信息息。数据挖挖掘(DM)如何发发现这这些有有用的的知识识,使使之为为管理理决策策和经经营战战略发发展服服务??数据挖挖掘((DataMining))。DM应应用实实例(购物物环境境设计计)某超市市,需需要设设计一一个吸吸引客客人购购买商商品的的最佳佳环境境。通通过对对客人人的采采购路路线和和消费费记录录的挖挖掘发发现::美国国女性性的视视线高高度是是150cm左左右,,而男男性是是163cm左左右,,最适适宜的的视线线角度度是视视线高高度以以下15度度。因因此,,最好好的货货品摆摆设位位置是是在130到135厘米米之间间。按照DM找找出的的特别别信息息,该该超市市里的的主打打产品品,总总是摆摆在最最容易易发现现的高高度区区内。。DM应应用实实例(客户户购买买模式式识别别)Safeway是英英国的的第三三大连连锁超超市,,年销销售额额超过过一百百亿美美元运用传统的方方法—降低价价位、扩充店店面以及增加加商品种类,,若想在竞争争中取胜已经经越来越困难难了必须以客户为为导向,了解解六百万客户户所做的每一一笔交易以及及这些交易彼彼此之间的关关联性DM应用实例例(客户购买买模式识别)Safeway首先根据据客户的相关关资料,将客客户分为150类,再用用关联(Association))的技术列出出产品相关度度的清单。比如:“在购购买烤肉炭的的客户中,75%的人也也会购买打火火机燃料”。。DM应用实例例(客户购买买模式识别)Safeway还需要对对商品的利润润进行细分。。例如,Safeway发现某一种种乳酪产品虽虽然销售额排排名第209位,可是消消费额最高的的客户中有25%都常常常买这种乳酪酪。Safeway知道客客户每次采购购时会买哪些些产品以后,,就可以利用用DataMining中的SequenceDiscovery功能能,找出长期期的经常性购购买行为,进进而促销。数据挖掘(DM)学科背背景统计学计算机科学人工智能领域域的广泛运用用数据挖掘(DM)常用方方法分类(classification):依照所分析对对象的属性分分门别类、加加以定义、建建立类组(class))。比如,将信用用卡申请人分分为低、中、、高风险群,,或是将顾客客分到事先定定义好的族群群。数据挖掘(DM)常用方方法估计(estimation):根据既有的连连续性数值相相关属性资料料,求得某一一属性的未知知值。比如,估计家家中小孩的数数量、一个家家庭的总收入入或是不动产产的价值。所使用的技巧巧有相关分析析、回归分析析及类神经网网络方法。数据挖掘(DM)常用方方法预测(prediction):根据对象属性性过去的观察察值来估计此此属性未来的的值。比如,预测哪哪些顾客会在在未来的半年年内取消该公公司的服务,,或是预测哪哪些电话用户户会申请增值值服务,如三三方通话、语语音信箱等。。所使用的技巧巧有回归分析析、时间序列列分析及类神神经网络方法法。数据挖掘(DM)常用方方法关联分组(affinitygrouping):从所有对象象来决定哪些些相关对象应应该放在一起起。比如,在超市市中,哪些物物品会一起被被购买,零售售商可以利用用关联分组来来规划店内商商品的摆设位位置,把会被被一起购买的的商品摆在一一起。在客户的营销销系统上,此此种功能可用用来确认交叉叉销售(cross-selling)的机会会以设计出更更吸引人的产产品群组。聚类、群集化化(clustering):将不同的母母体区隔为较较具同构型的的群组(cluster),换句话话说,其目的的是将组与组组之间的差异异分辨出来,

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论