商务智能：新一代决策支持领域__五金资讯_五金机电网
最新公告：
·························
···············
商务智能：新一代决策支持领域
来源：佳工网&&日期：&&点击：13
商务智能（Business Intelfigence，BI）是目前在国外企业界和软件开发界受到广泛关注的一个研究方向，它把先进的信息技术应用到整个企业，不仅为其提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势。因此越来越多的企业提出他们对BI的需求，把BI作为一种帮助企业达到经营目标的一种 有效乎段另一方面卜计算机界很多著名公司已经认识到BI巨大的发展潜力，纷纷加入到从事BI研究和软件开发的行列，比如：IBM建立了专门从事BI方案设计的研究中心，Oracle、Microsoft等著名的软件厂商纷纷推出支持BI开发与应用的软件系统可以看出，BI无论对于企业界还是对于计算机界，都是一个非常具有吸引力的方向。
目前，由于BI正处于由起步阶段向发展阶段的转变时期人们对于BI的理解还不是很深刻很多人误认为BI仅仅是个进行数据分析的软件包。为了能够更好地解释BI这个事务，本文从BI的定义、功能及应用领域、BI系统的开发过程及体系结构、BI的技术支律与研究热点、BI目前发展状况以及存在的缺陷、BI未来的发展趋势等多个方面对BI进行分析，同时将它与传统的决策支持系统DSS和领导信息系统HIS（Executive Information System）进行对比，使大家对BI有一个全面的了解。在本文的最后，针对找国目前计算机技术在企业的应用现状，提出在找国开展BI研究与开发的若干设想。
2、商务智能
2.1 BI的定义、功能、应用领域
商务智能是90年代末首先在国外企业界出现的一个术语代表为提高企业运营性能而采用的一系列方法、技术和软件到目前为止关于BI还没有一个准确的定义，不同的人从不同的方面给出对BI不同的解释，但总的来讲，可以从以下几个方面解释BI：
·方论沦的观点
BI是通过利用多个数据源的信息以及应用经验和假设来促进对企业动态特性的准确理解，以便提高企业决策能力的一组概念、方法和过程的集合。它通过对数据的获取、管理和分析，为贯穿企业组织的各种人员提供信息，以提高企业战略决策和战术决策能力。
·数据分析的观点
BI是通过获取与各个主题相关的高质量和有意义的信息来帮助人们分析信息、得出结论、形成假设的过程。
·信息系统的观点
BI是为用户提供OLAP和其他对企业问题进行分析、预侧趋势功能的信息系统。
·知识论的观点
BI是将数据转变成信息，而后通过发现，将信息转变成知识的过程。
从以上多个定义可以看出，BI实际上是帮助企业提高决策能力和运营能力的概念、方法、过程以及软件的集合其主要目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性我们可以把它看成是继决策支持系统DSS、领导信息系统EIS后发展起来的又一个决策支持领域。
作为一种新兴的决策支持体系，它与传统的EIS、DSS相比，主要区别之一是用户不再仅仅局限于企业的领导和决策、分析人员，而是扩展到企业组织内外的各类人员，这里既有企业经理一类的企业领导和高层决策者，又有企业内部各部门的职能人员，还包括客户、供应商、合作伙伴等企业外界用户。因此，BI的功能不仅仅局限于为企业管理者提供决策支持服务更具有HIS、DSS所不具备的强大的数据管理、数据分析与知识发现能力。
BI的功能可以归纳成以下几点：①数据管理方面：数据的获取、选择、转换、集成能力；从原有数据中发现新知识的能力；大量数据高效存储与维护能力。②数据分析方面：具备OLAP、OLTP、Legacy等多种数据分析能力；终端信息查询和报告生成能力；数据可视化功能。③决策支持方面：数据对比分析与趋势预测能力。④企业优化方面：辅助企业建模。
由于BI同时具备数据分析系统和决策支持系统的功能因此象传统的DSS、EIS一样，被广泛应用在与企业运营过程相关的各个领域，并且在很多领域已经形成其特有体系目前具有代表性的应用领域包括：企业资源规划（ERP）；客户关系管理（CRM）企业性能管理（BPM）；人力资源管理（HRM）；供应链管理（SCM）；电子商务（E-business）。
2.2 BI的开发过程和体系结构
与所有企业应用系统的开发一样，BI系统的开发过程需要经理企业问题分析、方案设计、原型系统开发、系统应用等步骤。但BI作为一个为企业组织内外部各类用户提供多种功能的大型集成应用系统，一个好的开发方法对干它的成功至关重要，因为它可以降低开发风险，降低开发成本并排除潜在的障碍。在各个BI研究机构与开发商提出的方法体系中，最具代表性的是IBM公司提出的“Business Intelligence Methods”，其示意图如图1所示。
图1 IBM的BI开发方法论日前各个著名的BI研究机构和开发商提出的解决方案与推出的软件产品，为了能够为用户提供更准确的信息以及分析结果，在体系结构上与以往的DSS、EIS有很大区别，典型结构如图2所示。从图中可以看出：
图2 BI系统典型体系结构·信息结构方面
传统的DSS、EIS的数据分析主要是基于系统内部的数据库和知识库，这种数据库和知识库往往只存储与某类决策问题相关的数据、知识，数据量较少，导致分析依据不充分。日前的BI系统为了提高分析结果的准确率，均采用数据仓库或数据集市作为数据存储机制。由于数据仓库要存储大量数据而带来的建设周期长、造价高、可扩展性差等缺陷，目前大多数的BI系统采用面向主题的数据集市形式作为数据库。
传统的DSS、EIS中的知识库是在建立系统时设置好的，库中的知识很少发生变化，一般采用定期人为修改方式对知识库进行更新，而BI系统由于具备数据挖掘能力，可以从现有的数据仓库或数据集市中发现新知识，随时对知识库中的内容进行自动修正，所以BI中的知识库是一种动态结构。BI中的知识库可以单独设立，也可以作为数据仓库或数据集市的一部分。
·系统工具
如前所述，BI系统具有广泛的应用领域，不同领域所要处理的问题各不相同，因此对BI的功能具有不同的需求，要求提供适合本领域的分析与辅助决策工具。另一方面，BI的用户不再玻局限于企业领导和决策人员，而是被扩大到企业内外部所有与企业运营有关的各类人员，这样虽然可以从整体上提高企业运营性能，但不同的用户具有不同的职贵和不同的权限，因此BI系统所提供的工具也要因人而异。基于以上原因，BI系统提供的工具范围更广，不再局限于统计分析、预测一类的普通的决策支持工具，而是为各个应用领域的各类用户提供定制的应用工具。例如：对于部门内部的普通用户，提供OLTP工具，提高他们进行事务处理的速度；对于企业领导，提供OLAP、趋势分析一类的决策支持工具；对于客户等企业外部用户，则提供信息查询和发展趋势预测工具。
2.3 BI的技术支撑与研究热点
BI作为个在90年代末期出现的跨学科新兴领域，在技术支撑方面不仅要充分利用当今计算机技术的前沿成果，以便取得最好的系统性能，而且要跟踪企业管理方面的新理论、新观点，为用户提供先进的管理模式帮助企业更好地运营。作为BI技术支律的技术包括以下几项：一是计算机技术，包括：数据仓库、数据集市技术；数据挖掘技术；OLTP、OLAP、Legacy等分析技术；数据可视化技术；网络与Web技术。二是企业管理，包括：统计、预测等运筹学方法；客户管理、供应链管理、企业资源规划等管理理论和方法；企业建模方法。
BI是利用当今计算机前沿技术作支撑、运用现代管理技术进行指导的应用系统，它的研究热点集中在三个方面：支撑技术的研究、BI体系结构的研究、应用系统的研究。
·支撑技术的研究
注重跟踪相关技术的最新发展对各项技术在理论上进行研究，譬如：数据仓库系统的各种分析方法、各种数据挖掘算法、各类企业建模方法等都属于这个方面。这些工作一般是由专门的研究人员来做。
·BI体系结构的研究
关心采用什么样的体系结构才能使BI系统具有良好的性能，譬如：通过对数据仓库和数据集市的分析，决定采用哪种方式和结构存储数据；通过对各类分析方法的比较，决定在系统中提供哪些分析工具；根据用户的情况决定各类用户的接口等等。
·应用系统的研究
对于应用系统的研究重点放在对各个应用领域所面临的决策问题的分析，根据对各类问题的解决方式和解决方案来决定BI系统应该提供的功能，以及具体实现方法。目前BI在很多应用领域的作用己得到公认，且已经开发出很多应用软件，如ERP软件、SCM软件、E-business系统等。
2.4 BI目前发展状况以及存在的缺陷
由于BI美好的发展前景，很多著名计算机公司己经投入到BI系统的研究和软件的开发行列，在BI开发商的名单上，可以看到Microsoft、IBM、Informix、Sun等著名公司的名字。现在BI己经变成个新兴产业，这些计算机企业参与BI的方式基本上可以归纳为三类：
·提供核心技术
这类企业的典型代表是Microsoft公司。Microsoft公司的SQL Server 7.0本身具备OLAP功能，用户可以用以实现对企业数据的各种分析。
·提供咨询服务
这类企业的典型代表是IBM公司。IBM公司为企业提供企归题分折和解决这些问题的BI应用方案、对企收进行BI生命周期的指导，内容包括企业方案规划、系统体系结构设计、系统建立过程指导和系统运行保证服务。例如：IBM为了提供对大型BI应用的支持，建立了4个分别基干IBM S/390、RS/6000、AS/400、Netftnity操作平台的IERAPLEX集成中心，为客户和合作伙伴提供设备、人员；对集成的高端BI方案进行测试；系统、专业方法对BI项目进行选择、管理、指导等服务。IBM还推出以DB2 UDB for AS/400为基础的数据库方案，作为企业BI系统的数据库基础。
·专门的BI软件开发公司
这类的典型代表是COGNOS公司。COGNOS公司作为BI产品的士要开发商，采取独立开发或与其他著名计算机公司合作开发方式，不断推出具有各种功能的BI产品。例如：它采用由著名企业管理专家Robert Kaplat和David Noron提出的企业性能管理方法论平衡记分牌（Balanced Scorcard），开发了一套分布式Scorecard方案，包括专门的报告生成软件IMPROMPTU、数据分析软件POWERPLAY、数据查询软件QUERY、数据可视化软件VISUALIZER等。
尽管和很多应用系统相比，BI系统具有更广的应用范围、更强大的功能、更多的用户，但在某些力面BI还存在以下缺陷：
·在辅助决策方面
虽然BI的目标与DSS一样，是为了提高企业决策的效率和准确性，但BI的决策支持功能主要是通过所提供的数据分析、趋势顶测功能体现出来的，不象专门的决策支持系统那样提供方案生成、方案协调，方案评估等功能，更不具备群体决策和智能决策的能力当BI的用户需要决策支持服务时用户自己必须根据各种数据分析结果，运用现有的企业知识和经验进行判晰、做出决定。与DSS相比，BI的决策支持功能比较弱，从这点讲BI更像个分析系统。
·在系统智能性方面
尽管BI系统可以利用数据挖掘技术从数据库中发现新知识，用它来增加用户对企业信息的理解，扩充现有的企业知识，以帮助企业决策人员做出正确决策、及时把握机遇。但由干现有数据挖掘算法大多尚不成熟，效率较低加上作为BI数据基础的数据仓库或数据集市中数据量一般比较大，新知识形成的速度和准确性比较低，因此，现有的BI系统在知识发现方面的能力尚不能满足用户要求。此外，由于目前大多数BI系统功能集中在分析方面，对系统的智能性不够重视，很少有开发商在系统中配备推理工具，导致BI系统中虽然有知识，却没有充分发挥知识的作用。
·系统工具方面
目前的BI系统在理论上是种可以为企业内外部所有用户提供查询、分析、决策支持服务的系统，可以提供的工具以数据查询、报告、OLAP、OLTP、数据可视化等分析工具为主，功能比较集中，用户更高的要求尚不能满足。例如：目前大多数BI系统无法提供WHAT-IF分析、智能决策、企业优化工具。
2.5 BI的发展趋势
鉴于BI的功能和其广泛的应用领域，BI逐渐受到越来越多的人的关注。目前《财富》杂志排行前500家企业中，有超过一半的企业正在将BI技术应用到企业运营过程中。同时，很多专业计算机公司己投入到BI软件的开发中，专门以BI为士的公司也已诞生，从这些现象中我们可以得出结论：与DSS、FIS等系统相比，BI具有更美好的发展前景。BI的发展趋势可以归结为以下几点：
·功能上具有可配置性、灵活性、可变化性
BI系统的范围从为部门的特定用户服务扩展到为整个企业所有用户服务。因此，BI的开发商应该为企业提供可以满足所有用户需求的可配置的、可扩展的、可变化的系统方案。同时，由于企业用户在职权、需求上的差异，BI系统应该提供更大范围的功能，从简单的数据获取到利用Web和局域网、广域网进行丰富的交互和报告生成。
·解决方案更开放、可扩展、可按用户定制，在保证核心技术的同时，提供客户化的界面
由于每个企业有其独特的需求，BI系统需要变得更开放、扩展性更好。当令的企业希望能够根据企业实际情况，对开发商提供的软件进行企业化，即在原有方案基础上加入自己的代码和解决方案，以实现特定的企业目标。尽管如此，企业并不希望对整个方案做很大修改，因此开发商必须在提供核心技术的同时，增强客户化的接口和扩展特性，可以象FMS一样，作到根据用户要求为其提供定制的工具，从而使系统具有更大的灵活性，具有更广的使用范围。
·从单独的BI向嵌入式BI发展，对现有系统作及小改动
在引入BI方案之前，大多数企业己经建立了诸如财务、市场、销售、人力资源等应用系统现有的单独的BI系统很难融入其中。因此，BI开发商必须面临将BI核心技术融入现有应用系统的挑战。
·从传统功能向增强型功能转变
随着企业优化趋势的来临，BI用户不仅仅需要用SQL工具进行信息的获取，还需要那些能够提高企业性能、帮助企业进行优化的强大功能。这意味着传统的BI必须向能够进行What-If分析预测、资源分配与重组、数据挖掘、企业建模等方向发展，此外，随着网络应用的扩大支持Web平台的应用也是BI努力的方向。
3、商务智能在我国的开展
到目前为止，我国对BI的研究与开发工作尚处于起步阶段，大多教的研究机构和应用软件开发商仅仅将重点放在对单个应用系统的研究与开发上，缺乏对企业全局运行状况的分析。所开发的应用系统只能对企业运营过程的局部进行管理，缺乏提高企业整体性能的有效手段。针对这种现状本文对找国开展BI研究与开发提出以下几点建议：
1）尽量将己经成熟的BI核心技术引入到现有应用系统中，提高现有系统的技术含量，提高对企业数据利用的有效性，从而提高现有系统的能力；
2）新系统的研制应注重对企业全局动态性能的分析、评价，不再局限于仅仅作静态数据分析和事务处理；
3）强调应用系统集成的重要性，使数据在企业组织内外顺利流动。
商务智能（BI）作为提高企业整体运行性能的有效手段，正逐步受到企业界和计算机界人士的广泛关注有着巨大的发展潜力。本文通过对BI定义与功能、BI开发过程与体系结构、BI发展前景等各个方面的介绍，同时将其与传统决策支持系统进行对比使大家对BI有个全面了解。同时，针对目前BI在我国开展现状提出了对我国开展BI研究与开发的若干建议，希望有助于BI在我国的开展。(end)
&&&&&发表评论
&&&&&相关文章
··········
版权所有 Copyright
技术支持：【图文】第10章
商务智能与决策支持_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
商务智能与决策支持
上传于|0|0|暂无简介
大小：2.42MB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢商务智能的意义，以及构成
我的图书馆
商务智能的意义，以及构成
一、& 商务智能的意义——决策支持系统（Decision Support System）
&&&&&&&& 管理大师彼得?德鲁克(Peter Drucker)曾发出概叹：迄今为止，我们的信息技术产生还仅仅是数据，而不是信息、更不是知识！怎样从商务流程的数据纪录中提取对决策过程有参考价值的信息，从而实现从数据到信息、从信息到知识、从知识到利润的转化？这个要求，在西方发达国家先后进入了后工业社会之后，变得更加迫切。企业的规模越来越庞大、组织越来越复杂，市场更加多变、竞争更加激烈，如何做出正确、明智、及时的大小决策，对组织的兴衰存亡影响越来越大，一步走错，可能满盘皆输。
二、& 商务智能——数据仓库
&&&&&&& 决策支持系统面临的“瓶颈式”难题，是如何有机的聚集整合多个不同运营信息系统产生的数据。对这个问题的关注起源于美国计算机科学研究的另一所重镇：麻省理工学院。和卡内基梅隆大学一起，这两所大学先后为现代商务智能的发展奠定了基石。20世纪70年代，麻省理工学院的研究人员第一次提出，决策支持系统和运营系统截然不同，必须分开，这意味着决策支持系统要采用单独的数据存储结构和设计方法。但受限于当时的数据存储能力，该研究在确立了这一论点后便停滞不前。
&&&&&&&& 如蚕之蛹，数据仓库是商务智能的依托，是对海量数据进行分析的核心物理构架。它可以形象的理解为一种语义格式一致的多源数据存储中心，数据源可以是来自多种不同平台的系统，如企业内部的客户关系管理系统、供应链管理系统、企业资源规划系统，也可以是企业外部的系统和零散数据。这些不同形式、分布在不同地方的数据，将以统一定义的格式从各个系统提取出来，再通过清洗、转换、集成，最后百流如海，加载进入数据仓库。这个提取、转换、装载的主要过程，可以通过专门的ETL(Extraction, Transformation, Load)工具来实现，这种工具，如今已是数据仓库领域的主打产品。
三、 商务智能——联机分析
&&&&&&&&& 联机分析(Online Analytical Processing), 也称多维分析，本意是把分立的数据库“相联”，进行多维度的分析。
&&&&&&&& “维”是联机分析的核心概念，指的是人们观察数据的特定角度, 举个例子，跨国零售商沃尔马如果要分析自己的销售量，它可以按地区国别分析、时间序列分析、商品门类分析；也可以按供货渠道分析、客户群类分析，这些不同的分析角度，就叫“维度”。
&&&&&&&&& 多维分析技术预先为用户创建多维的数据立方体（Cube），一旦多维立方体建模完成，用户可以快速地从各个分析维度获取数据，也可以动态的在各个维度之间来回切换或者进行多维度的综合分析。通过从不同的维度、不同的粒度、立体地对数据进行分析，从而获得有严密推证关系的信息。
四、& 商务智能——数据挖掘
&&&&&&&&&& 数据挖掘是指通过分析大量的数据来揭示数据之间隐藏的关系、模式和趋势，从而为决策者提供新的知识。之所以称之为“挖掘”，是比喻在海量数据中寻找知识，就象从沙里淘金一样困难。这种点“数”成金的能力，是商务智能真正的“灵魂”和魅力所在。
如果说联机分析是对数据的一种透视性的探测，数据挖掘则是利用计算机算法对数据进行挖山凿矿式的开采。它的主要目的，一是要发现潜藏在数据表面以下的知识，二是对未来进行预测，前者称为描述性分析，后者称为预测性分析。沃尔玛发现的啤酒和尿布的销售关联性就是一种典型的描述性分析；考察所有历史数据，以特定的算法对下个月啤酒的销售量进行估计以确定进货量，则是一种预测性分析。
五、& 商务智能——数据的可视化
&&&&&&&& 所谓信息可视化（Information Visualization）是指以图形、图像、动画等更为生动、易为理解的方式来展现和诠释数据之间的复杂关系和发展趋势，以便更好地利用数据分析结果。
&&&&&&&& 传统意义上的报表，格式单一，枯燥乏味，令人没有阅读的欲望。信息可视化主张，人的创造力不仅取决于逻辑思维，而且还取决于形象思维。数据如果能变成图像，就能在逻辑思维的基础上进一步激发人的形象思维，帮助用户理解数据之间隐藏的规律，为决策提供最优的支持。信息可视化的专家因此宣布，他们要让数据 “动”起来、“舞”起来！让数据变得“性感”！
&&&&&&&& 从最早的点线图、直方图、饼图、网状图等简单图表，发展到以监控商务绩效为主的仪表盘、记分板，到今天的三维地图、交互式图像、动态模拟、动画技术等等更加直觉化、趣味化的表现方法，短短的十年间，信息可视化已经发展成了一个独立的产业，其产品数不胜数，可谓绚丽多彩。
&&&&&&&& 信息可视化把美学创造的艺术原素带进了商务智能，给它锦上添花。一幅好的数据图像不仅能有效地传达数据背后的知识和思想，而且华美精致，如一只只振动翅膀的彩蝶，栩栩如生，刺激视觉神经、调动美学意识，令人过目不忘。
&&&&&&&& 可视化技术的出现，使商务智能的产业链形成了一个从数据整合、经数据分析、数据挖掘、到最后数据展示的完整闭环。商务智能的这四个产业链，独立性都很强，具体到特定的商务智能产品，也不是每一环节都缺一不可的。但随着数据量的增大，每一环节都可能变得相当的复杂。
您可能也喜欢：
TA的最新馆藏[转]&[转]&基于商务智能(BI)的决策支持系统_仪器仪表_中国百科网
基于商务智能(BI)的决策支持系统
    全球商务智能软件市场在最近几年得到了迅速发展，企业用户已不再仅仅满足于用软件来处理日常的事务，而是希望从ERP、CRM、SCM、0A以及原有的软件系统中挖掘有用的数据资产信息，来帮助企业进行决策。随着我国加入WT0，我国在许多领域，如金融、保险等领域将逐步对外开放，这就意味着许多企业将面临来自国际大型跨国公司的巨大竞争压力，许多企业都把数据看成宝贵的财富，纷纷利用商务智能发现其中隐藏的信息，借此获得巨额的回报。该系统正是基于此种环境下进行设计开发的，系统以数据挖掘为主，结合数据仓库、在线分析处理技术，通过先进的模型库及方法库对数据进行处理，从而达到帮助企业进行有效决策的目的。一、技术背景1.数据仓库系统数据仓库系统是利用计算机和数据库技术的最新发展，把整个企业的数据，无论其地理位置、格式和通信要求统统集成在一起，并能把当前使用的业务信息分离出来，保证关键任务的OLTP应用的安全性和完整性，同时可以访问各种各样的数据库。数据仓库不是单一的产品，而是由软硬件技术组成的环境。它把各种数据库(源数据库)集成为一个统一的数据仓库(目标数据库)，并且把各种数据转换成面向主题(SubjectOriented)的格式，能从异构的数据源中定期抽取、转换和集成所需要的数据，便于最终用户访问，并能从历史的角度进行分析，最后做出战略决策。2.在线分析处理系统在线分析处理系统中使用的OLAP分析(联机事务处理分析)可以根据用户的需要，从不同的角度，对数据进行切片分析。每个不同的角度，代表了数据分析中的一个“维”，因此也称“多维分析”。另一方面，OLAP分析也可以提供钻取功能，能够将某一点的数据直接读取出来。OLAP分析比传统的统计报表系统有了很大的发展，能够提供更多、更丰富的报表和视图，用户使用更方便，编程也更容易。在邮政系统建立了数据仓库之后，就可以进行OLAP分析，为管理人员掌握各种业务情况，提供技术手段的支持。在采用OLAPService中的数据挖掘功能时，其中提供的两类算法分别是基于决策树的分类和基于决策树的聚类，例如针对市场部门的聚类算法将客户根据费用情况加以聚集，以期发现处于同一消费水平的客户的共同特征，便于制定政策，吸引客户。这方面的努力我们将会进一步持续进行，以保证有足够的海量数据而发现其中的规律。3.数据挖掘系统数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术，目的是帮助决策者寻找数据间潜在的关联，发现被忽略的要素，而这些信息对预测趋势和决策行为也许是十分有用的。数据挖掘技术涉及数据库、人工智能(AI)、机器学习和统计分析等多种技术。数据挖掘分类涉及的学科领域和方法很多，有多种分类方法。根据开采对象分，有关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据库、多媒体数据库、异质数据库、遗产数据库及环球网Web。根据开采方法分，可粗略地分为：机器学习方法、统计方法、神经网络方法和数据库方法。在机器学习中可细分为：归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。本文讨论的对高速数据链的挖掘就是一种基于决策树的方法。根据开采目标分，可分为：数据处理、预测、回归、分类、连接(关联分析)、模型可视化、探索性数据分析等。应该注意的是，具有不同的目标的不同方法可能会被相继应用。例如，为了确定哪些顾客喜欢购买新产品，商务分析员可能会首先利用聚类方法来划分顾客数据库，然后应用回归方法对每个划分簇预测购买行为。系统数据挖掘模式有很多种，按功能可分有两大类：预测型(Predictive)模式和描述型(Descrip―tive)模式。二、系统实现1.系统主要内容该系统是一个决策支持过程系统，它主要基于AI、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。系统的主要特点：(1)基于数据仓库和新型的元数据管理，按照主题创建数据仓库，并通过元数据进行管理和维护；(2)数据的抽取、转换、装载等预处理方便，支持多维数据在线分析处理(OLAP)；(3)提供决策树、支持向量机、粗糙集、模糊聚类、基于范例推理、统计方法、神经计算等多种数据挖掘算法，支持特征抽取、分类、聚类、预测、关联规则发现、统计分析等数据挖掘功能，并支持高层次的决策分析功能；(4)挖掘平台利用扩展数据仓库某些功能和特征的数据库管理系统(如SQLServer,Sybase,Oracle,Informix)作后台，可以与现有的系统无缝的连接，从关系型数据库、文本、万维网等外部数据源中抽取数据费用低，周期短；(5)实现了可视化的任务编辑环境，以及功能强大的任务处理引擎，能够快捷有效地实现各种数据转换和数据挖掘任务；(6)可扩展性好。转换规则和挖掘算法是封装的、模块化的，系统提供了一个开放的、灵活通用的接口，使用户能够加入新的规则和算法。2.模型库与方法库企业经营活动是复杂的和多元化的，不可能采用一个或几个模型或方法就能够为企业提供有效的分析与决策支持，因此系统构建用户化的模型库与方法库，就成为企业数据发掘与决策支持的重要数据基础，没有符合企业实际情况的模型与方法，就不能进行准确的分析与挖掘。(1)聚类模式聚类模式把数据划分到不同的组中，组之间的差别尽可能大，组内的差别尽可能小。与分类模式不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪一(几)个数据项来定义组。一般来说，业务知识丰富的人应该可以理解这些组的含义，如果产生的模式无法理解或不可用，则该模式可能是无意义的，需要回到上阶段重新组织数据。主要算法包括：BIRCH算法、CURE算法、DBSCAN算法、K-pototypes算法、CLARANS算法、CLQUE算法等。例如，一家银行希望找到基于所开账户类型的客户细分。聚类分析后得出如下图所示的三个分组，不同的彩色段代表不同分段内客户所开的不同账户类型的百分比。第一个分段所开的所有账户具有相等的百分比，这类用户用“一般用户”(GeneralCustomers)表示。第二个分段抵押(monrtagages)、投资账户(investmentaccounts)、家庭改善性贷款(homeimprovementloans)和存单(CDS)类账号的比例比较高，这一类用户称为“长期用户”(Long-tremCustomers)。第三个分段支票账户(checkingaccounts)、储蓄账户(savingaccounts)和个人贷款(personalloans)的比例较高，这类用户称为“短期用户”(Short-termCustomers)。这样银行可以发现不同分段间的其他行为差异，尤其是消耗(attrition)，然后根据这些特点对不同的分段区分处理。(2)回归模式回归模式的函数定义与分类模式相似，它们的差别在于分类模式的预测值是离散的，回归模式的预测值是连续的。如给出某种动物的特征，可以用分类模式判定这种动物是哺乳动物还是鸟类；给出某个人的教育情况、工作经验，可以用回归模式判定这个人的年工资在哪个范围内。虽然许多商业模型都不是线性的，但可以通过对数的转换来把它变成线性的。如下图所示的销售力量大小对收入对数的关系。也可以用非线性回归对模型进行评估。(3)关联分析模式相关分析模式是对两个变量之间关系的测度。例如，购买干酪和饼干的高度相关性表示这些产品最有可能在一起销售。相关可能是正的，也可能是负的。正相关表示一个变量在相关变量取高值时也取高值。负相关表示一个变量在相关变量取低值时反而取高值。正相关对发现趋于一起购买的产品非常有用。负相关可用于产品的多样化。(4)因子分析模式因子分析模式是另一种数据简化技术。但是，不同于聚类分析，因子分析从数据中建立一个模型。集中技术可以发现潜在的因子，又称“隐含变量”，并为这些因子建立基于数据中变量的模型。假设您进行一次市场研究调查来发现9种产品特性的重要性，并假设您发现3个因子。载荷(load)高于这些因子的变量会为您提供一些关于这些因子可能是什么的信息。例如，三种特性(如技术支持、客户服务和培训课程的实用性)的载荷都高于一个因子，这个因子叫做“服务”。这种技术非常有助于发现重要的隐含特征，这些特征可能未被观察，但是可能由被观察的变量发现。因子分析的另一个应用是基于相似购买方式的产品分组归类。应用因子分析，可以找出交叉和捆绑销售的机会。在这个例子中，因子分析告诉我们产品被分成4个不同的组，然后建立一个如上图所示的表格。这个表格列出所有产品，并显示每种产品属于哪个因子(或组)。图中对因子的检查表明这些因子有概念上的意义。三、结语综上所述要实现一个智能的、高效的决策支持的综合数据处理系统，它需要基于AI、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。系统不能单单靠几个模型或方法就能够为企业提供有效的分析与决策支持，因此，系统必须构建于用户化的模型库与方法库之上，这个模型库与方法库是企业数据发掘与决策支持的重要数据基础，没有符合企业实际情况的模型与方法，就不能进行准确的分析与挖掘。本系统正是建立在模型库与方法库之上实现了一个基于商务智能的高效的决策支持系统。
收录时间:日 21:57:53 来源:佳工机电网 作者:王晓燕
上一篇： &(&&)
创建分享人
喜欢此文章的还喜欢
Copyright by ；All rights reserved. 联系：QQ：