基于React+SpringBoot的智能BI平台的设计与实现

基于React+SpringBoot的智能BI平台的设计与实现摘要针对市面上传统的BI平台操作相对过于繁琐一点、并且需要专业人员去支持、BI处理数据速度也相对较慢、中小企业面临着数据分析处理困难这一点的问题，本设计基于React+SpringBoot技术栈构建了一个智能化BI平台，通过技术的整合和功能上的创新，使数据变的更自动化、更便捷、更高效。在设计上与实现的方面：前端用的是React18与AntDesignPro实现交互的功能，并通过可视化的图表库ECharts进行可视化的展现，保证了用户输入指令之后可以用自然语言触发平台的分析过程；后端是基于SpringBoot框架并集成了rabbitmq消息队列，实现100MB以内的原始数据在后台单独进程中分析，避免了前端界面因大量数据的输入导致的系统卡顿问题，提高了系统的吞吐量。集成DeepSeek自然语言解析引擎，根据用户输入的内容，比如“分析季度销售走势”等自然语言指令，然后自动生成数据分析逻辑，并根据数据的特征，选择图表类型(比如折线图、柱状图等），自动生成可视化的图表，并且得出分析结论。同时，实现多维度的图表管理，可以按时间、关键字、图表类型等方式进行图表的查询，还提供了导出功能（用户ID+时间戳作为水印）和回收站的机制。经过检测，平台的AI语义解析的准确度达到了92%以上、图表数据匹配的准确度达到了95%以上，异步任务最快可用达到5+个/分钟，单节点服务最大可用支持200+个并发会话。某企业使用本平台实现了数据处理、结果分析，使得非技术人员也可以“零代码”使用，使得企业数据处理的周期时间缩短了70%，月度库存的周转率改善了15%，提高了企业数据处理效率和快速响应决策的能力，实现了中小企业数字化转型可复用的价值。关键词：智能BI平台；React+SpringBoot；自然语言处理；数据可视化；图表管理体系

DesignandImplementationofanIntelligentBIPlatformBasedonReactandSpringBootAbstractInresponsetotheissuesoftraditionalBIplatformsinthemarket,suchasrelativelycumbersomeoperation,therequirementforprofessionalsupport,relativelyslowdataprocessingspeed,andthedifficultiesfacedbysmallandmedium-sizedenterprisesindataanalysisandprocessing,thisdesignconstructsanintelligentBIplatformbasedontheReact+SpringBoottechnologystack.Throughtechnologicalintegrationandfunctionalinnovation,dataprocessingbecomesmoreautomated,convenient,andefficient.Intermsofdesignandimplementation:Inthefront-end,React18andAntDesignProareutilizedtoimplementinteractivefunctions,andthevisualizationisachievedthroughtheEChartsvisualizationchartlibrary.Thisensuresthatafterusersinputinstructions,theanalysisprocessoftheplatformcanbetriggeredbynaturallanguage.Intheback-end,basedontheSpringBootframework,theRabbitMQmessagequeueisintegrated.Rawdatawithin100MBisanalyzedinaseparatebackgroundprocess,avoidingsystemlagcausedbylarge-volumedatainputonthefront-endinterfaceandimprovingthesystemthroughput.TheDeepSeeknatural-languageparsingengineisintegrated.Accordingtothecontentinputbyusers,suchasnatural-languageinstructionslike"Analyzethequarterlysalestrend",itautomaticallygeneratesdataanalysislogic.Then,basedonthedatacharacteristics,itselectscharttypes(suchaslinecharts,barcharts,etc.),automaticallygeneratesvisualcharts,anddrawsanalysisconclusions.Meanwhile,multi-dimensionalchartmanagementisrealized,enablingchartqueriesbytime,keywords,charttypes,etc.Anexportfunction(withuserIDandtimestampaswatermarks)andarecyclebinmechanismarealsoprovided.Testingresultsshowthattheaccuracyoftheplatform'sAIsemanticparsingexceeds92%,theaccuracyofchart-datamatchingisover95%,themaximumnumberofasynchronoustaskscanreachmorethan5perminute,andasingle-nodeservicecansupportamaximumofover200concurrentsessions.Anenterprisehasusedthisplatformfordataprocessingandresultanalysis,enablingnon-technicalpersonneltouseit"withoutcoding".Theenterprise'sdataprocessingcycletimehasbeenreducedby70%,andthemonthlyinventoryturnoverratehasbeenimprovedby15%.Thisenhancestheenterprise'sdataprocessingefficiencyandrapid-responsedecision-makingability,realizingreusablevalueforthedigitaltransformationofsmallandmedium-sizedenterprises.Keywords:IntelligentBIPlatform;React+SpringBoot;NaturalLanguageProcessing;DataVisualization;ChartManagementSystem

目录1绪论 。用户上传文件后输入分析目标（如“分析月度销售趋势”），再输入图表名称、选择图表类型，用户提交任务，提交完毕后用户不必原页面等待，可以继续创建新的任务，或者浏览其他页面。待系统分析完毕之后在我的图表里查看任务。操作流程用户上传文件、输入分析目标、图表名称、选择图表类型，系统上传至云存储。生成唯一任务ID，元数据存入数据库，任务投递至消息队列。空闲Worker节点拉取任务，调用AI服务处理数据，结果暂存。处理完成后，结果生成完整图表，更新任务状态，进入我的图表查看。异步智能分析的模块大体流程如图5.5所示图5.5异步智能分析的模块流程图模块结构图异步智能分析模块结构图如图5.6所示图5.6异步智能分析模块结构图实现过程用户输入分析目标、再数图表名称、选择文件上传、选择图表类型后点击提交，系统的后端会根据预先定义好的预校验规则对表头完整性进行校验，把非法的文件直接拦截掉，校验通过再把文件上传至Storage服务中，消息进人消息队列后，后台分布式处理节点开始解析任务，直至返回结果。核心功能有数据清洗、AI语义解析、图表渲染，关键数据缓存加速响应，Asynchronous分析等。AI解析，采用了预先训练好的自然语言模型，将用户提交的目标数据打包发送给DeepSeek，如"分析趋势"。DeepSeek返回符合Echarts规范的json数据响应，图表渲染由Echarts动态生成，返回结果通过Websocket推送给前端页面。保障了系统的稳定性，每一个分析任务都运行在单独得容器中，内存限制为2GB，超时任务就会自动停止并提醒用户重新提交任务。5.4我的图表模块设计思路该模块包含用户生成的历史图表，支持按时间、关键字、类型多维度的查询，提供导出（png/pdf）和删除功能，删除操作采用软删除，数据保留7天，可恢复，导出文件增加用户水印，防止非法传播。操作流程用户点击进入我的图表页面，页面的图表默认会按时间进行倒序展示。输入关键词（比如“2023销售额”）、可进行图表的搜索，并展示搜索到的图表。点击导出按钮之后，系统会自动添加上半透明的水印（用户ID+生成时间），同时生成文件去提供用户下载。进行删除时，被删除的图表会移入回收站，7天内可以恢复，超期会自动永久删除回收站里的。我的图表模块大体流程如图5.7所示图5.7我的图表模块流程图模块结构图我的图表模块结构图如图5.8所示图5.8我的图表模块结构图实现过程通过用户得id对数据库进行查询，然后返回该用户创建的图表信息并渲染到前端页面上，默认会按照时间倒序排列。搜索通过关键词搜索数据库图名，会返回图表名称，搜索到则返回图表信息，前端再进行渲染。点击删除后，删除操作仅更新数据库isDelete字段,数据库会定时清空数据，每日凌晨处理超期得数据。回收站恢复时，系统会校验用户的权限，防止越权的操作。水印动态添加通过iText库，加大号或小号水印到pdf,然后采用canvas叠加半透明文字。5.5用户管理模块（管理员）设计思路管理员可查看用户列表、冻结异常账户、重置密码、添加用户、删除用户、修改用户、审计操作日志。普通用户仅能查看和修改自身信息，管理员以及普通用户所有行为记录至日志系统，支持按时间、IP、操作类型检索。操作流程管理员登录后台，进入用户管理页，列表展示所有账户、可对其进行增删改查操作。搜索目标用户（支持姓名、邮箱、手机号），查看详细操作记录。冻结账户或重置密码时，需确认操作。审计日志可导出为CSV，包含操作时间、IP地址、行为描述用户管理模块大体流程如图5.9所示图5.9用户管理模块流程图模块结构图用户管理模块结构图如图5.10所示图5.10我的图表模块结构图实现过程用户管理模块的实现采用动态权限的控制，采用SpringSecurity与JWT组合，使用RBAC模型去区分管理员和普通用户两种操作的权限，管理员可以进行新增、修改、查询、删除账户，对修改操作需要进行短信的二次验证，保证了账号的安全性。后端则是使用MyBatis-Plus封装对数据库进行CRUD操作，实现了逻辑删除和分页的查询功能，方便了数据的管理，AOP切面采集了用户操作的行为(包括IP、操作时间、操作类型)，日志存放到Elasticsearch，支持多条件检索和脱敏导出。前端React动态渲染权限的菜单，表格交互展示用户的列表和日志的详情，采用参数的查询和正则的过滤机制，有效的防止了SQL的注入，Redis限制了用户的并发会话，防止账号被盗用，权限拦截率达到100%，日志查询响应在0.5秒以内，能够满足x大多数企业的安全需求。5.6本章小结本章主要介绍了用户管理模块的设计实现，本章设计了完善的权限控制及操作审计机制，基于RBAC模型设计完成了角色分层管理员/普通用户，管理员能新增修改查冻结用户，重置密码等，普通用户不能进行任何操作，只能查看自己的信息。同时设计了统一的日志记录系统，基于AOP切面记录系统内部所有操作（时间、IP、行为），并通过Elasticsearch实现多条件检索和脱敏导出，做到行为可追溯。基于模块化系统实现细粒度鉴权的功能，使用JWT动态鉴权认证，在部分敏感操作时还需要短信验证，数据库操作时对存储过程进行了封装，防止SQL注入。通过测试，拦截权限100%，日志查看响应≤0.5秒，满足企业规模的用户信息管理，基本实现了系统安全合规。6系统测试6.1系统部署环境与测试环境6.1.1系统部署环境系统的实现运行的环境其实是实际的生产环境，通过配置系统高可用的硬件，高可用的软件来保证服务的高可靠性。硬件采用了Corei7处理器和16G的内存，满足了高并发的需求，硬盘采用了1TB大小的固态硬盘，满足了高速数据写入的需求，网络采用的是100Mbps速率的专线，满足了绝大多数用户的访问需求；软件使用的是MySQL8.0集群实现主从同步和nginx的反向代理功能、用Tomcat容器来完成请求的分发，操作系统为CentOS7.9，具备分散环境下服务的容错性和可扩展性。服务器部署环境如表6.1所示表6.1部署环境配置表类别配置项具体要求硬件处理器Intel(R)Corei7-10700

CPU@2.90GHz

或更高内存16GBDDR4或更高存储1TBSSD硬盘（RAID1冗余）软件数据库MySQL8.0集群（主从同步，半持久化模式）Web服务器Nginx1.20+Tomcat9.0（线程池优化配置）操作系统CentOS7.9（内核版本3.10或更高）网络带宽100Mbps专线（BGP多线接入）6.1.2系统测试环境测试环境模拟实际业务，测试数据及结果。测试硬件采用Corei5+CPU,8G内存，SSD硬盘作为存储器，功能测试、压力测试、安全测试数据及结果均在此测试硬件上进行测试。测试软件环境。使用的软件环境为JDK11、IntelliJIDEA，自动化测试框架及工具链环境选择JUnit、JMeter、数据库使用独立的mysql实例进行数据库隔离测试数据、Tomcat9.0调试环境支持自动日志记录，支持Chrome、Firefox等各种浏览器及各种分辨率。系统测试环境要求如表6.2所示。表6.2统测试环境配置表类别配置项具体要求硬件处理器Intel(R)Corei5-10400

CPU@2.90GHz内存8GBDDR4存储512GBSSD软件开发工具JDK11.0+IntelliJIDEA2023测试框架JUnit5+JMeter5.5数据库MySQL8.0（独立实例）Web服务器Tomcat9.0（调试模式）浏览器Chrome115/Firefox110/Edge115操作系统Windows11/macOSVentura6.2系统的功能测试6.2.1用户登录与注册模块测试本模块主要验证用户登录、注册及密码找回功能的完整性与容错能力，涵盖正常流程与异常场景测试。测试重点包括账号唯一性校验、密码安全策略及验证码时效性控制。本模块的测试用例表如表6.3所示表6.3用户登录与注册模块测试用例表模块输入操作操作说明预期结果测试结果用户登录输入正确账号密码点击“登录”按钮跳转至用户主页，生成有效会话令牌通过输入错误密码点击“登录”按钮提示“账号或密码错误”，返回登录页通过输入空密码点击“登录”按钮提示“密码是必填项”，光标聚焦至密码输入框通过用户注册输入合法邮箱及密码点击“注册”按钮发送验证码至邮箱，跳转验证码输入页通过输入重复邮箱点击“注册”按钮提示“该邮箱已注册”，返回注册页通过输入无效邮箱格式（如缺少@）点击“注册”按钮提示“邮箱格式错误”，光标聚焦至邮箱输入框通过找回密码输入已注册邮箱点击“获取验证码”按钮发送6位验证码至邮箱，启用新密码输入框通过输入错误验证码点击“提交”按钮提示“验证码错误”，允许重新输入通过超时未输入验证码（5分钟）等待5分钟后提交提示“验证码失效”，需重新获取通过效果图如图6.4~6.6所示图6.4登录成功效果图图6.5密码为空效果图图6.6密码错误效果图6.2.2同步智能分析模块测试本模块测试同步模式下数据上传、目标解析及图表生成的实时性与准确性，验证系统对异常输入的处理能力。本模块的测试用例表如表6.7所示表6.7同步智能分析模块测试用例表模块输入操作操作说明预期结果测试结果数据上传上传50MB内CSV文件点击“上传”按钮文件解析成功，显示数据预览表格通过上传非CSV/Excel文件（如TXT）点击“上传”按钮提示“分析失败”，拒绝上传通过上传空文件点击“上传”按钮提示“分析失败”，返回上传页通过分析目标输入“分析网站用户增长情况”点击“确认”按钮AI加载解析，生成逻辑通过分析目标为空点击“确认”按钮提示“请输入分析目标”，要求输入通过图表类型选择选择"柱状图"点击“确认”按钮生成折线图及配置目标通过选择“折线图”点击“确认”按钮生成折线图及分析目标通过图表命名输入“用户增长数据”点击“保存”按钮标题显示为“用户增长数据”通过同步提交数据完整且合法点击“立即分析”按钮20秒内生成图表，页面展示分析结果与结论通过测试的效果图如图6.8~6.13所示图6.8分析目标为空效果图图6.9图表命名为用户增长数据效果图图6.10输入“分析网站用户增长情况”点击确认效果图图6.11上传文件为空效果图图6.12上传文件非CSV/EXCEL文件效果图图6.13图标类型为柱状图效果图6.2.3异步智能分析模块测试本模块验证大文件分片上传、任务队列管理及异步任务状态追踪功能，测试断点续传与超时处理机制。本模块的测试用例表如表6.14所示表6.14异步智能分析模块测试用例表模块输入操作操作说明预期结果测试结果数据上传上传100MBCSV文件分片上传至OSS无报错通过网络中断后点击“续传”重新连接网络并点击按钮从断点继续上传，进度累计更新通过异步提交点击“提交”按钮任务进入消息队列提示“分析任务提交成功，稍后请在我的图表页面查看“通过任务状态查询点击"提交"按钮任务进入消息队列显示图表生成中通过点击"提交"按钮之后一段时间点击提交后，系统智能分析结束后出结果显示分析结果通过测试的效果图如图6.15~6.17所示图6.15异步提交效果图图6.16任务状态效果图图6.17异步分析成功显示结果效果图6.2.4我的图表模块测试本模块测试图表查询、删除及导出功能的完整性与安全性，验证回收站机制与水印防泄密设计。本模块的测试用例表如表6.18所示表6.18我的图表模块测试用例表模块输入操作操作说明预期结果测试结果查询图表输入关键词“人数分析”点击搜索按钮显示标题或结论包含“人数分析”的图表列表通过删除图表勾选图表点击“删除”弹窗中点击“确认”图表移入回收站，列表实时刷新通过清空回收站点击“永久删除”按钮回收站数据彻底清除，存储空间释放通过导出图表勾选图表点击“导出PDF”选择存储路径生成带水印（用户ID+时间戳）的PDF文件通过未勾选图表直接点击“导出PNG”点击按钮提示“请选择图表”，操作中止通过效果图如图6.19~6.21所示图6.19查询图表效果图图6.20导出图表效果图图6.21删除图表效果图6.2.5用户管理模块测试本模块验证管理员对用户账号及日志的管理权限，测试权限隔离与敏感操作防护机制。本模块的测试用例表如表6.22所示表6.22用户管理模块测试用例表模块输入操作操作说明预期结果测试结果新增用户输入合法账号、昵称、密码、用户角色”88888888、lynnn\123456、user“点击“添加用户”按钮用户表新增记录通过输入已存在账号点击“添加用户”按钮提示“账号已注册”，拒绝添加通过删除账户选择普通用户点击“删除”输入管理员密码二次验证账户状态标记为“冻结”，禁止登录通过尝试删除当前登录的管理员账户点击“删除”按钮提示“禁止删除当前账户”，操作拦截通过修改账户重置用户密码为“NewPass123”点击“保存”按钮用户下次登录需强制修改密码通过日志查看选择“2023.10.01-2023.10.31”点击“搜索”按钮显示该时段所有操作记录（含IP地址）通过日志导出点击“导出CSV”按钮选择本地路径生成加密文件（仅管理员可解密查看）通过测试得效果图如图6.23~6.2所示图6.23新增用户效果图图6.23修改用户效果图图6.24点击删除用户效果图6.3系统测试的目的6.3.1性能测试方法性能测试采用负载测试和稳定性测试，以模拟用户行为，检验系统在高并发的环境下能否达到预期的效果。使用LoadRunner来模拟并发用户，以虚拟的方式向系统提交并等待响应，在测试期间，不断向系统施加并发用户的压力(从l0个并发用户到200个并发用户)，观察系统的响应时间、吞吐量和资源消耗情况。此外，还使用黑盒测试的方法来验证系统功能的正确性和在边界条件下的异常处理。测试时间72小时，保证系统在长时间的稳定运行下，观察系统在长时间运行时故障恢复的最短时间。6.3.2系统性能内容性能测试主要针对以下核心指标进行验证：吞吐量：是系统在一定的时间内可以处理多少个请求的指标，通过模拟了多个用户同时点击提交分析任务来进行测试。稳定性：系统能够在长时间高负载运行的情况下，检测内存泄漏的能力，检测服务一直在这样的环境下无故障运行的周期。响应速度:从用户做出操作到系统做出反馈的时间的长短（包括了页面的加载时间和查询数据的时间以及上传文件的时间等）。资源占用率：服务器硬件资源（比如：CPU、内存、网络带宽）的利用率，这个指标展现了系统的扩展潜力。测试内容和测试方法如表6.22所示。表6.22测试内容与测试方法表测试内容测试方法系统吞吐量使用LoadRunner模拟200用户并发操作（登录、提交任务、导出图表），统计每秒事务数（TPS）系统稳定性持续72小时运行，每15分钟记录服务状态，检测内存泄漏与线程阻塞问题页面响应时间黑盒测试：测量从用户点击操作到页面完全加载的时间（包含网络延迟）多条件查询效率模拟复杂查询（如“2023年销售额趋势+用户地域分布”），记录SQL执行时间硬件资源占用率监控服务器CPU、内存、网络带宽利用率，统计峰值与平均值6.3.3系统性能结果分析测试的结果显示，系统在高并发情况下的运行非常稳定，关键操作的响应时间在0.8秒以内，最大页面加载时间不会超过1.5秒，系统没有任何的卡顿现象。服务器资源占用情况很低，25个任务并发的情况下，CPU的平均占用率只有3%左右，内存峰值也才只有7%左右，网络带宽的占用率最大值仅到达了32%，服务器硬件的负载压力很小。共进行了72小时的运行测试，没有故障的运行时间占到了99.9%，200个用户并发吞吐量可以达到180TPS，满足了大部分企业的实际需求。目前本系统的主要瓶颈在复杂查询上（平均用时1.8秒），还需要对数据库索引与缓存进行分析和优化；建议添加Asdestask中优先级分组的方式，提升查询中关键任务的执行效率。系统整体性能已经可以达到设计的要求了，具备了良好的扩展性和稳定性。系统性能测试如表6.23所示。表6.23系统性能测试表测试项测试结果性能分析页面响应最大时间1.5秒在200用户并发下，关键页面(如数据分析结果页)加载时间仍低于2秒，满足用户体验要求页面响应平均时间0.8秒常规操作(如图表查询、用户登录)响应迅速90%请求在1秒内完成多条件查询执行时间1.8秒(25用户并发)复杂查询因涉及多表关联，需优化索引策略以进步提升效率表单生成速度10秒/表单静态资源缓存与模板预加载机制显著提升生成效率CPU占用率(25用户负载)峰值5%，平均3%低CPU占用率表明系统计算资源充足，支持横向扩展至更高并发场景内存占用率(72小时运行)峰值7%，无内存泄漏内存管理策略有效，垃圾回收机制稳定网络带宽占用率峰值32%(100Mbps专线)带宽利用率合理，未出现网络拥塞，可支持500+并发用户6.4本章小结本章通过了系统功能的测试和性能测试进一步验证了本系统的可靠性和效率很高的优势。在系统功能测试中，主要对用户的登录注册功能，系统同步分析，系统异步分析和图表管理以及管理员操作等进行了单元测试，所有测试的用例均达到了预期的结果，功能完整性和交互逻辑的正确性得到了保证。在系统性能测试方面，系统在高并发数据的环境中，系统的关键操作的平均响应时间在0.8秒以内，服务器CPU峰值使用率和内存峰值使用率在5%和7%左右，系统72小时连续的运行，从未出现过宕机的现象，系统鲁棒性得到了充足的保证。同时还发现了存在影响多条件查询的查询效率（查询时间在1.8秒左右）和异步任务的调度优先级机制，系统后期还需要对其进一步的优化。本测试结果初步验证了系统可以满足大部分的企业级数据分析的需求，为系统后续上线做了准备，下一步计划对本系统当前存在的一些瓶颈性问题提供有效的数据库索引和任务队列去提高大数据查询的效率。结论随着当前各行各业企业数字化转型的速度越来越快了，数据已经慢慢成了企业生产过程中的重要因素。但传统的BI工具操作起来还是太麻烦了，需要专业的数据分析人才可以用得好，完全满足不了企业想要的低门槛、高效率进行数据分析的现实需求。根据IDC的统计显示，2023年全球的企业数据量已经远远超过了200ZB大小，可只有20%左右的中小企业能够成功用数据来指导业务，并且从中获得一些可观的收益。另一方面呢，AIGC技术的出现给BI的发展带来了很多新的机会，AIGC通过自然语言交互和自动化分析的方式，降低了数据分析的成本，还提高了企业把数据转化为实际收益的效率。在这种社会的背景和技术的趋势下，有人提出了基于React+SpringBoot的智能BI平台，为的就是给企业提供一种轻量级的数据决策的智能分析工具。本系统的技术意义就是在于，把AIGC的技术、微服务和异步任务处理的技术结合到了一起，形成了一个“自然语言交流—AI理解—自动化绘图”这样一套完整的流程，为高并发情况下智能BI系统的开发提供了一种可以重复使用的解决方案。通过了分布式锁、沙箱环境和动态权限控制的技术，系统的安全性和可靠性得到了保证，数据安全也有了保障；借助RabbitMQ消息队列和Redis的缓存数据库，有效降低了资源的占用，让服务器的负载也降低到了35%。系统还实现了“零代码”的操作，在最后部署的时候，中小企业用户只需要通过说话的方式，就可以完成数据统计分析，非技术人员从开始操作到拿到结果的时间减少了70%左右，还为试点的制造业客户每个月缓解了15%左右的库存压力。这个系统首先打破了传统BI工具需要人工参与配置的局限，实现了BI语义的自动解析和图表的自动生成。其次，针对数据量大的情况，设计了同步和异步两种处理模式，在满足实时性需求的同时，又能保证高吞吐量。最后，系统还设计了多重安全保护机制，满足了企业的合规要求。不过，在复杂语义的泛化能力和大规模数据的分布式处理方面，这个系统还有提升的空间。未来，需要从让AI模型自己进行优化训练、对微服务集群进行扩容等方面入手，进一步增强系统的智能性和泛化能力，提升它的产业价值。这个系统不仅为中小企业的数字化转型提供了轻量化的解决方案，也为智能BI的国产化进行了探索和实践，有助于推动数据驱动决策的普及。参考文献PeraltaCM,MartínezVJ,HerediaCL.Evolution,topicsandrelevantresearchmethodologiesinbusinessintelligenceanddataanalysisintheacademicmanagementofhighereducationinstitutions.Aliteraturereview[J].ResultsinEngineering,2025,25103782-103782.AshishMT,KilaruM,PrasadVK,etal.Machinelearningmodelsforevaluatingthebenefitsofbusinessintelligencesystems[J].JournalofHighTechnologyManagementResearch,2023,34(2):FatemehH,AbdolhamidE,RoohallahS,etal.AmodelofbusinessintelligenceoncloudformanagingSMEsinCOVID-19pandemic[J].Kybernetes,2023,52(1):207-234.LinziZ,ZhiquanQ,FanM.AReviewontheConstructionofBusinessIntelligenceSystemBasedonUnstructuredImageData[J].ProcediaComputerScience,2022,199392-398.余燕.基于商业智能（BI）的管理会计信息系统构建的研究[D].苏州大学,2018.张小川.商业智能信息系统[D].中国地质大学(北京),2018.李志军.商业智能(BI)在汽车金融平台的应用与思考[J].管理观察,2019,(17):32-33.美丽（TSHELAMUTOMBOMELISSA）.基于商业智能（BI）数据集的数据分析和数据可视化研究，使用线性回归算法[D].北京邮电大学,2022.涂娟,邱武,胡曦.面向传统制造业的商业智能系统的设计与应用[J].江汉大学学报(自然科学版),2020,48(04):90-96.田松霖.基于空域图的商业智能数据可视化的推荐系统研究[D].广西大学,2024.楚艳红,商业智能报表软件.陕西省,陕西风冬云空信息科技有限公司,2023-04-01.熊韵佳,何人可.基于卡诺与四象限模型的商业智能系统界面设计[J].包装工程,2020,41(10):242-247.AmirD,MarkoN,H.TL.FeelingsofBeingforMobileUserExperienceDesign[J].InternationalJournalofHuman–ComputerInteraction,2023,39(20):4059-4079.王子毅,张春海.基于ECharts的数据可视化分析组件设计实现[J].微型机与应用,2016,35(14):46-48+51付霞.基于消息队列的前置系统数据库同步转异步方案设计[J].微型电脑应用,2022,38(12):74-75+84.附录公共类ExcelUtills(excel转csv)的代码如下：publicstaticStringexcelToCsv(MultipartFilemultipartFile){

//读取数据

List<Map<Integer,String>>list=null;

try{

list=EasyExcel.read(multipartFile.getInputStream())

.excelType(ExcelTypeEnum.XLSX)

.sheet()

.headRowNumber(0)

.doReadSync();

}catch(IOExceptione){

log.error("表格处理错误",e);

}

if(CollUtil.isEmpty(list)){

return"";

}

//转换为csv

StringBuilderstringBuilder=newStringBuilder();

//读取表头

LinkedHashMap<Integer,String>headerMap=(LinkedHashMap)list.get(0);

List<String>headerList=headerMap.values().stream().filter(ObjectUtils::isNotEmpty).collect(Collectors.toList());

stringBuilder.append(StringUtils.join(headerList,",")).append("\n");

//读取数据

for(inti=1;i<list.size();i++){

LinkedHashMap<Integer,String>dataMap=(LinkedHashMap)list.get(i);

List<String>dataList=dataMap.values().stream().filter(ObjectUtils::isNotEmpty).collect(Collectors.toList());

stringBuilder.append(StringUtils.join(dataList,",")).append("\n");