智能物流-电子教案-张翼英 智能物流 第04章

《智能物流-电子教案-张翼英 智能物流 第04章》由会员分享，可在线阅读，更多相关《智能物流-电子教案-张翼英 智能物流 第04章（42页珍藏版）》请在金锄头文库上搜索。

1、第4章 商业智能,学习要点,商业智能的概念 商业智能的核心技术 商业智能在智能物流中的应用趋势,目录,4.5小结,4.4商业智能的智能物流应用,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,思考题,4.1.1 商业智能的定义,商业智能概念的提出 1996年，加特纳集团（Gartner Group）首次提出商业智能概念。它描述了一系列的 概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。 商业智能技术 将企业现有的数据，经过管理分析等手段，提取有用信息，进而转化为知识，为企业 做出明智的业务经营决策的工具。 商业智能的定义 目前，学术界对商业智能的定义并不统一。

2、商业智能通常被理解为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透过数据表面获得潜在知识，使他们做出对企业更为有利的业务经营决策。,商业智能的定义（续） 总结：商业智能（BI, Business Intelligence）是通过数据仓库、联机分析处理、 数据挖掘等技术，通过应用基于事实的支持系统，对企业内部及外部数据的搜集、管 理和分析，为企业提供决策支持以增强其综合竞争力的智能系统。,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点,商业智能的背景 传统：报表系统 新型：商业智能系统 被替代原因： 数据“拥挤”现象：大量数据的无规则

3、罗列和数据的不一致。 数据内在价值被埋没：数据转化为信息及知识的过程存在困难。 企业运营模式变化：传统形式向电子商务转型，大量电子数据的生成。 数据库和人工智能技术发展：新技术使企业用更低的成本获得更高的IT投资回报率。 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的商业数据和 信息，创造和累积商务知识和见解，改善商务决策水平，采取有效的商务行动，完善 各种商务流程，提升各方面商务绩效，增强综合竞争力的智慧和能力。 因此，随着企业信息化的不断深化，商业智能逐渐成为企业决策者的重要工具。,4.1.2商业智能的背景和主要特点,商业智能的主要特点,商业智能技术提升企业效率 减少人力

4、收集、分析数据时间 增加核心决策时间,4.1.3商业智能对智能物流的完善,商业智能从四方面完善智能物流系统,4.1.3商业智能对智能物流的完善,4.2.1系统的构成及运作,商业智能系统 商业智能系统是一个基于商业智能技术，通过搜取数据，理解数据在系统中的流动， 发现数据在企业中的应用的过程。 源数据层，即初始数据 它收集了包括由财务系统、销售系统、库存系统、客户服务等在内的企业内部数据以及包括竞争对手信息、其他外部环境在内的外部数据。 常用的软件：大型应用软件SAP、ORACLE，中型软件用友、金蝶等。,商业智能系统结构,4.2.1系统的构成及运作,数据集成，即数据转换层 它负责将分布的、异构

5、数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行抽取、转换、装载，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。 数据处理方法：简单变换；数据形式转换；数据集成。 常用的软件：微软的SQLSever2005中的SSIS工具，还有Informatica、Datastage等。 数据仓库（Data Warehouse, DW） 它面向主题的、集成的、稳定的、随时间不断变化的数据集合，用以支持经营管理中的决策制定过程。数据仓库能为多维分析和数据挖掘等分析工具提供所需要的、整齐一致的数据。 常用的软件： SQLSever、Oracle、Sybase等。,4.2.1系统

6、的构成及运作,联机分析处理（On Line Analytical Processing, OLAP） 它帮助分析人员、管理人员从多种角度（维度）把从原始数据（当前及历史数据）中转化出来、能够真正被用户所理解的、并反映数据真实性的信息，进行快速、一致、交互地访问，从而使决策者获得对数据的更深入了解。 常用的软件： SQLSever Analysis Services 和 Hyperion Essbase等。 数据挖掘（Data Mining, DM） 它负责进行数据汇总、概念描述、分类、聚类、相关性分析、偏差分析、演变分析、建模、预测等。 常用的软件：SAS, SPSS等。 信息展示（Displ

7、ay） 它负责通过图形、图表、图像、模拟仿真等易于人们所辨识的方式展现原始数据间的复杂关系、潜在信息及发展趋势，以便决策者能够更好地利用所掌握的信息资源。 常用的软件：微软的ReportingServices, CrystalReport工具，BusinessObjects等；另一类为OLAP展现工具，包括微软的SSAS或者 Excel等。,4.2.1系统的构成及运作,商业智能系统体系结构,4.2.2系统对象和系统优势,商业智能系统的对象 决策的初级阶段（操作层） 决策的中级阶段（战术层） 决策的高级阶段（战略层）,各层级的工作场景,4.2.2系统对象和系统优势,决策的初级阶段 决策所需要的信

8、息是对原始数据的分类、汇总、排序，以获得对经营活动的直观印象。 数据：销售、市场、财务、运营等方面。 决策的中级阶段 在中级阶段，是对分类汇总数据中的明细数据和相关关键绩效指标（Key Performance Indicator, KPI）的展现，以及对相关联的明细数据，从不同角度进行的交叉观测，以获得对数据反映出的商业结果的原因探索。 主要KPI：财务分析指标；反映客户管理的指标；反映流程管理的指标；反映人力资源方面的指标。 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，对未来市场进行预测，为行动提供指南。 趋势预测分析法：指数平滑分析、时间序列回归分析

9、等方法，以及数据挖掘技术和运筹规划中的其他方法等等。,4.2.2系统对象和系统优势,决策支持的 三个层次,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的投资回报率，应用程度越高、体会越深，投资回报也 会越丰厚。商业智能系统的应用，为企业决策智能化提供了完善的技术支持，也使决 策更加快速、准确、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： 市场由买方市场转为买方市场，利润减少 根据订货安排生产计划的模式不能及时满足市场需求 库存积压，物流成本激增 转型方式：使产业结构向信息化调整，建立自己的供应链和物流

10、管理系统。 使用软件：IBM Cognos软件 改进效果： 订单反应能力及生产周期缩短50% 库存周转率提高1倍以上 缺货损失减少30%以上 工厂准时交货率达到99%以上,4.3.1数据仓库技术（Data Warehouse, DW）,数据仓库技术 数据仓库(Data Warehouse， DW)是储存和管理数据的地方，这些数据是来自各种数 据源，经过抽取、转换、装载并经过加工和汇总得到的数据。 它是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的 （Non-Volatile）、反映历史变（Time Variant）的数据集合，用于支持管理决 策（

11、Decision Making Support）。 数据仓库优点 将源数据进行抽取、转换、装载加工和汇总，提高利用数据价值。 经由整理的数据是关于某一主题所特定筛选的数据集合，满足决策的不同目标和要求。 克服了数据库的有限查询、数据易重复、利用率低的缺点。,4.3.1数据仓库技术（Data Warehouse, DW）,数据仓库与数据库 与传统操作型数据库相比，数据仓库具有面向主题、集成的、相对稳定的、反映历史 变化的特点。,数据仓库与数据库的区别,4.3.1数据仓库技术（Data Warehouse, DW）,数据仓库与数据集市 数据仓库 优点：数据量大，信息丰富、全面等。 缺点：查询速度缓

12、慢，针对性不强。 数据集市 针对数据仓库的缺陷而产生的数据存储结构。 它隶属于数据仓库。 为某个部门或某项业务提供对应目的或应用范围的数据。 提高查询效率及准确性。,数据仓库与数据集市的区别,4.3.2联机分析处理技术（On Line Analytical Processing，OLAP）,联机分析处理技术出现的背景 联机事物处理（On Line Transaction Processing, OLTP）在1993年前被普遍使用，以处理日常业务。 联机分析处理技术（On Line Analytical Processing, OLAP）在1993年由数据库之父 E. F. Cold 提出， 满

13、足日益增长的数据处理需求。 被替代原因： 数据存储量小 对数据的查询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,4.3.2联机分析处理技术（On Line Analytical Processing，OLAP）,“维”的概念 OLAP是从多角度分析，对数据进行进一步了解，传统的关系型数据库不能满足 要求，需要一种新的技术叫做多维数据库。 维(Dimension),是联机分析处理的核心概念，是我们观察世界的角度，是一种高层次 的类型划分。“维”可以表示属性，例如时间属性可称为时间维，地点属性称为地点 维等。,4.3.2联机分析处理技术（On Line Analytic

14、al Processing，OLAP）,OLAP的定义 OLAP 委员会对其定义：使分析人员、管理人员或执行人能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。它满足决策者在多维环境、复杂结构下的特定要求，对数据进行各种操作以得到查询结果，并以报表形式展示，侧重决策支持。 E. F. Cold 描述OLAP系统的12条准则,4.3.2联机分析处理技术（On Line Analytical Processing，OLAP）,OLAP的功能特征,4.3.2联机分析处理技术（On Line

15、Analytical Processing，OLAP）,OLAP 的多维分析方法 OLAP 中的多维分析是指对以多维形式组织起来的数据采取各种分析动作，剖析数据 ，使最终用户能从多角度、多侧面观察数据，从而深入地了解数据中的信息、内涵。 多维分析方法包括： 切片（Slice）：对多维数据中的任意二维作为观察角度。 原理：舍弃部分维度，集中分析二维数据。 切块（Dice）：选定多维数据中的任意三维作为观察角度。 原理：舍弃部分维度，集中分析三维数据。 旋转（Pivot）：改变维的方向，使用户从不同角度来分析数据。 原理：交换行和列，或者把某一行维变成列维。 下钻（Drill down）：将某一维

16、度的衡量单位缩小，进而更加具体的了解数据。 原理：从汇总数据深入到细节数据。 上卷（Drill up）：在某一维上将低层次的细节数据概括到高层次的汇总数据 原理：下钻的逆过程，减少维数。,4.3.3数据挖掘技术(Data Mining, DM),数据挖掘的定义 数据挖掘（Data Mining, DM）也叫知识发现（Knowledge Discovery in Database, KDD），是从庞大的数据集合中发现新的规律或模式的过程。过程中使用人工智能、 机器学习、统计分析、数据库系统等工具。数据挖掘的目标是针对特定的数据、特定 的问题，选择一种或者多种挖掘算法，找到有价值的、未知的关系、趋势，提取有效 信息，对知识进行提炼，最后以合适的知识模式展示出来，用于进一步分析决策工。,4.3.3数据挖掘技术(Data Mining, DM),数据挖掘方法 分类区隔 分类（Classification）:对数据库中的示例数据进行分析，对每个类别做出对应描述，挖掘分类规则。当遇到新数据时，在已被描述的类别中找到与自己相匹配的，从而确定新数据的类别。 分群（Cluster