商业智能范文第1篇

1946年，人类历史上第一台冯・诺伊曼式电子计算机问世。仅一年之后，卡内基梅隆大学的赫伯特-西蒙(Herbert Simon)教授出版了《行政组织的决策过程》一书。在这本被后世喻为经典的著作里，他提出，如果能利用存贮在计算机里的信息来辅助决策，人类理性的范围将会大大扩大。后来，这位天才科学家又提出，在后工业时代，人类社会的中心问题将从如何提高生产率转变为如何利用信息辅助决策。

赫伯特・西蒙将毕生的精力都倾注在对信息和决策的研究上。他是芝加哥大学毕业的政治学博士，更是地道的“卡内基梅隆”人，不仅因为他在这所大学工作了50多年，更因为在他的整个学术生涯里都浸润着卡内基梅隆学派倡导的“交叉性”研究方法。他将不同学科之间的“交叉性”应用得炉火纯青，也硕果累累。1973年，因为对人工智能辅助决策的贡献，他获得了计算机学界的最高奖项，图灵奖；1978年，他又因为对“商业决策过程”的出色研究戴上了诺贝尔经济学奖的桂冠。

追本溯源，学界已公认，赫伯特・西蒙对决策支持系统的研究，是现代商业智能概念最早的源头和起点。但西蒙教授可能没有想到，他播下的种子，半个世纪以后，结出了“商业智能”的果实，并成为知识经济时代的一道奇葩。

从决策支持系统到商业智能，名字变了，但新瓶装的还是旧酒。现代商业智能技术回答的还是决策支持系统面对的老问题：如何将数据转化为知识，辅助决策。

从数据到知识，这个跨越，人类用了半个多世纪。

在半个多世纪的漫长过程中，决策支持系统曾经一度因为缺乏有效的数据组织方式而徘徊不前。直到上世纪90年代，由于若干新技术的出现，打破了瓶颈，“商业智能”才浮出水面。随后，其发展取得了前所未有的加速度，并在本世纪第一个十年蓬勃成长。今天，回头考察这些新技术的一一出现，我们可以清楚地看到商业智能的产业链条不断向前延伸的轨迹。

1970年，IBM的研究员埃德加・科德(EdgarCodd)发明了关系型数据库。关系型数据库具有结构化高、冗余度低、独立性强等优点，解决了此前网络型数据库结构复杂多变，不易开发的困难，埃德加-科德也因此获得图灵奖。关系型数据库使软件开发人员取得了前所未有的自由度，此后，大型信息系统的应用一日千里、遍地开花。

这些信息系统的建立和运行，使人类从繁杂的重复性劳动当中解放出来，大大地提高了商业效率。但这些信息系统，都是针对特定的业务过程、处理离散事务的“运营式”信息系统。数据在其中的作用，是连接贯穿一个个商务流程的记录，数据不断累积的结果，仅仅限于查询，而不是分析。面对各行各业数据纪录的激增，管理大师彼得・德鲁克(PeterDrucker)曾发出概叹：迄今为止，我们的信息技术产生的还仅仅是数据，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。那么如何做出正确、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。

因为实业界的这些迫切需要，决策支持系统的旧问题又重新占据了顶尖科学家的大脑。

商业智能的“幽灵”开始徘徊……

结蛹：千呼万唤始出来之数据仓库

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业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。

麻省理工学院的这个研究如灯塔般为实业界指明了方向。1979年，一家以决策支持系统为已任、致力于构建单独的数据存储结构的公司Teradata诞生了。Tera，是万亿的意思，Teradata的命名表明了公司处理海量运营数据的决心。1983年，该公司利用并行处理技术为美国富国银行(Wells FargoBank)建立了第一个决策支持系统。这种先发优势令Teradata至今一直雄居数据行业的龙头榜首。

另一家信息技术的巨头，IBM也在为集成企业不同的运营系统大伤脑筋。越来越多的IBM客户要面对多个分立系统的数据整合问题，这些处理不同事务的系统，由于不同的编码方式和数据结构，如信息孤岛，处于老死不相往来的状态。1988年，为解决企业集成问题，I BM公司的研究员BarryDevlin和Paul Murphy创造性的提出了一个新的术语：数据仓库(Data Warehouse)。

一声惊雷，似乎宣告了数据仓库的诞生。可惜的是IBM在首创这个概念之后，也停步不前，只把它当作一个花哨的新概念用于市场宣传，而没有趁胜追击、进一步提出实际的架构和设计。IBM很快在这个领域丧失其领先地位，2008年，IBM甚至通过兼并Cognos才使自己在商业智能的市场上重占一席之地，这是后话。

但这之后，更多的IT厂商垂涎于数据仓库的“第一桶金”，纷纷开始尝试搭建实验性的数据仓库。

又是几年过去。1992年，尘埃终于落定。比尔・恩门(Bill Inmon)出版了《如何构建数据仓库》一书，第一次给出了数据仓库的清晰定义和操作性极强的指导意见，拉开了数据仓库真正得以大规模应用的序幕。比尔・恩门不仅是长期活跃在这个领域的研究人员，还是一名企业家，他的江湖地位也因此得以确定，被誉为“数据仓库”之父。

比尔・恩门所提出的定义至今仍被广泛接受：数据仓库是一个面向主题的(SuNect Oriented)、集成的(Integrated)，相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合，用于支持管理中的决策制定。

但江山代有才人出，各领数百年。比尔・恩门一统江湖没多久，风头又被拉尔夫・金博尔(Ralph Kimball)抢了去。1993年，这位毕业于斯坦福计算机系的博士，也出版了一本书：《数据仓库的工具》(The Data Warehouse Toolkit)，拉尔夫・金博尔在书里认同了比尔・恩门对于数据仓库的定义，但却在具体的构建方法上和他分庭抗礼。

比尔・恩门主张的是由顶至底的构建方法，强调数据的一致性，一上来，就要先创建企业级的数据仓库。拉尔夫・金博尔却说：不!务实的数据仓库 应该由下往上，从部门到企业，并把部门级的数据仓库叫做“数据集市”(Data Mart)。两人针锋相对，各自的追随者也唇舌相向，很快形成了明显对立的两派。

两派的异同，就好比华山剑法的气宗和剑宗。主张练“气”的着眼全面和长远，耗资大，见效慢；主张练“剑”的强调短、平、快，效果立竿见影。

两人华山论剑的结果不难猜测，拉尔夫・金博尔“从易到难”的架构迎合了人类的普遍心理，大受欢迎，商业界随即掀起了一阵创建数据集市的狂潮。“吃螃蟹”的结果，有大面积的企业碰壁撞墙、也有不少企业尝到了甜头，攒了个盆满钵满。潮起潮落中，两派又有新的融合和纷争，油灯越拨越亮，道理越辩越明，数据仓库的技术，也不断地得以丰富，到2000年，已经全面成熟。

如蚕之蛹，数据仓库是商业智能的依托，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和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。

ETL工具和数据仓库理论的成熟，突破了决策支持系统的瓶颈，从此，商业智能的发展走上了顺风顺水的“快车道”，接下来，好戏连台上演。

蚕动：联机分析之惊艳

数据仓库出现以后，活跃在前沿的科学家一下子找到了自己的专属“阵地”，商业智能的下一个产业链：联机分析，如水到渠成般迅速形成。数据仓库开始散发真正的魅力。

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。以跨国零售商沃尔玛为例，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”。

其实，早在60年代，决策支持系统的先行者就开始探索多维分析的方法。1970年，第一个多维分析的产品就已经问世。它通过建立一个复杂的、中介性的“数据综合引擎”，把分布在不同系统的数据库联接起来，实现了多维分析，因而得名“联机分析”。1994年，发明关系数据库的埃德加・科德再立新功，他立足数据仓库的新基础，详尽的阐述了构建联机分析的十二条原则。同时，因为有了数据仓库，多维分析的实现已经不再需要不同数据库之间的人为“联机”，因此，他将该项技术更形象的命名为“多维分析”。但“联机分析”已经深入人心，也就一直延用。

多维分析技术的惊艳之美在于用户可以根据自己的需要创建“万维”动态报表。报表，一直是将数据转化为信息和知识最主要的手段之一。在多维分析技术出现之前，报表是由软件开发人员事先定制的，基于一、两个维度的分析，是简单报表；交叉的维度越多，报表就越复杂，而且不同维度的组合将产生不同的报表，IT部门无法全部定制。因此，当时的报表是静态的、固定的，残缺的，怎么也满足不了决策分析的全部需要。

多维分析技术预先为用户创建多维的数据立方体，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。曾在IBM工作过的吉姆・格雷(Jim Gary)因其在多维立方体的构建和运算方面的贡献，于1998年获得了图灵奖。

因为数据仓库，多维分析找到了真正的用武之地，如有源之水，活力四射。任何复杂的报表都可以通过鼠标的点击拖拉在瞬间之内从用户的指尖弹出，如玲珑剔透的水晶体，数据尽在手中，任意横切竖割，流畅的美感令人叹为观止。破茧：数据挖掘一智能生命的真正产生

随着数据仓库，联机分析技术的发展和成熟，商业智能的框架基本形成，但真正给商业智能赋予“智能”生命的是它的下一个产业链：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。

数据挖掘是数据量快速增长的直接产物。80年代，它曾一度被专业人士称之为“基于数据库的知识发现”(KDD，Knowledge discovery indatabase)。数据仓库产生以后，如“巧妇”走进了“米仓”，数据挖掘如虎添翼，在实业界不断产生化腐朽为神奇的故事，其中，最为脍炙人口的当属啤酒和尿布。

话说沃尔玛拥有世界上最大的数据仓库，在一次购物篮分析之后，研究人员发现跟尿布一起搭配购买最多的商品竟是风马牛不相及的啤酒!这是对历史数据进行“挖掘”和深层次分析的结果，反映的数据层面的规律。但这是一个有用的知识吗・沃尔玛的分析人员也不敢妄下结论。经过大量的跟踪调查，终于发现事出有因：在美国，一些年轻的父亲经常要被妻子“派”到超市去购买婴儿尿布，有30％到40％的新生爸爸会顺便买点啤酒犒劳自己。沃尔玛随后对啤酒和尿布进行了捆绑销售，不出意料之外，销售量双双增加。

这种点“数”成金的能力，是商业智能真正的“灵魂”和魅力所在。

1989年，可谓数据挖掘技术兴起的元年。这一年，图灵奖的主办单位计算机协会(ACM，Association of Computing Machinery)下属的知识发现和数据挖掘小组(SIGKDD)举办了第一届学术年会、出版了专门期刊。此后，数据挖掘被一直追捧，成为炙手可热的话题，并如火如荼的发展，甚至成为一门独立的学科走进了大学课堂，不少大学，还先后设立了专门的数据挖掘硕士学位。

也正是1989年，Gartner在业界提出了商业智能的概念和定义，商业智能，指的是一系列以数据为支持、辅助商业决策的技术和方法。商业智能在这个时候完全破茧而出，不是历史的巧合，因为正是数据挖掘这种新技术的出现，商业智能才真正有了“智能”内涵，这也标志着其完整产业链的形成。

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。

化蝶：可视化信息的华丽上演

随着数据仓库、联机分析和数据挖掘技术的不断完善，业界都认为，商业智能系统已经功德圆满，很好的完成了智能分析的使命，因此早期商业智能的产业链条只含有这三块。

但技术无止境。

进入21世纪以来，风生水起，新的技术浪潮又使商业智能的产业链条向前延伸了一大步：信息可视化。

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元素带进商业智能，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。

今年2月初，《华盛顿邮报》对奥巴马政府新鲜出炉的2010年度预算进行了分析报道，它正是利用信息可视化的技术，抓住了读者的眼球。图形以各项收支的粗细不同表明了金额大小，形象贴切，左边是收，右边是支，中间的红色部分是赤字缺口，奥巴马收了多少钱，要办哪些事，各项支出的轻重缓急，一目了然。

作为一个新兴产业，信息可视化的发展潜力不容小觑。最近，谷歌的首席经济学家哈尔・瓦里安教授(Hal Varian)就一直在多种场合强调，下一个十年，最诱人的工作将是数据工程师，其中一种，正是数据可视化工程师。

磨砺中的竞争利器

可视化技术的出现，使商业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。商业智能的这四个产业链，独立性都很强，具体到特定的商业智能产品，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。

商业智能范文第2篇

IBM

就在今年四月，IBM刚刚了其下一代的商业智能战略Dynamic Warehousing。Dynamic Warehousing将满足那些成长型的企业对商业智能的需要，并可以帮助各种规模的企业从业务数据和信息（包括结构化和非结构化）中获取实时的价值。

IBM全新的动态仓库战略允许用户使用分析能力作为实时业务流程的一部分，并挖掘隐藏在非结构化信息中的数据（包括文本、电子邮件、音频文件、网页等）。此外，这种方法还可实现在处于执行的状态中，无论是客户支持、处理投诉还是进行交易等，都可以即时访问可靠的信息。

与传统的数据仓库只关注查询和报告来了解信息不同，新一代的动态仓库试图通过像联机分析处理（OLAP）和用于历史分析的数据挖掘这样的技术来了解原因，并在今后的工作中提出建议，包括战略和战术的计划。动态仓库还可以按需提供并分析信息，以帮助用户优化每一次交易。

IBM商业智能产品功能和特性如下:

1.数据存储和管理: 用于商业智能的DB2解决方案提供了集成的、易于使用的数据仓库、数据分析和数据管理软件，通过易用的工具迅速建立和管理数据仓库。

2.数据处理: 一旦数据仓库准备就绪，DB2 Warehouse Manager可以提供灵活易用的工具，使数据仓库可以被访问，并能够对使用情况进行管理和跟踪。

3.在线分析: DB2 OLAP Server无需任何查询语言方面的知识，只需要最基本的编程经验，DB2 OLAP服务器就可以使用户迅速地设计和管理应用程序。

4.数据挖掘: DB2 Intelligent Miner将从数据仓库中帮助用户发现以前不知道的并可用于指导决策的信息。当用户的数据积累到一定的数量时，这些数据的某些潜在联系、分类、推导结果和潜在价值就隐藏其中，可以使用数据发掘工具来发现这些有价值的数据。

SAS

SAS提出了高于传统商业智能的企业级智能平台（EIP，Enterprise Intelligence Platform）的概念，其中包含了数据整合（抽取、转换和加载）、智能存储、传统商业智能和分析智能等功能。SAS还在此平台的基础上开发出了其他的商业解决方案，比如支持企业级智能、客户智能、金融智能、供应链智能的产品，还有支持各类垂直市场所需的解决方案。

无论企业是需要网络报告，并通过网络端口或无线上网设备递交内容的互动式问询，还是通过电子邮件和订阅频道内容，无论何时何地，SAS商业智能都可提供有价值的信息和答案。

利用可定制的开发环境，SAS提供了一个灵活的、可扩展的界面和支持服务，并提供软件包。SAS商业智能为端到端智能生成和传递过程提供的主要组件如下：

1．易于访问、质量稳定的企业数据；

2．对于业务用户使用在线分析处理（OLAP）快速、有效的访问全球的高度汇总数据；

3．强大的分析型、交互式数据探索；

4．基于网络的报告和分析；

5．通过网络端口订阅频道和无线设备传递内容；

6．开放的开发环境，使程序员可以从其他编程语言和程序接入到SAS BI。

NCR

NCR已经宣布将其数据仓库事业部门Teradata分离出来，可见其对商业智能市场的决心，而Teradata的动态数据仓库主要分为四层：

第一层是整个商业智能解决方案的基础设施，通过统一的数据模型集成各个业务系统的数据，并建立统一的信息视图；

第二层是在基础设施之上逐步实施以多维分析、动态分析、预定义报表为主的基本应用，可以为市场业务部门提供定制/动态报表、相关性多维分析、基本客户细分和辅助营销策略的制定等；

第三层是引入了以客户流失模型、客户价值模型、客户信用模型等数据挖掘为主的高级应用，为企业增加了预测预警等功能；

第四层是进一步实施闭环式客户关系管理、欺诈管理、绩效管理、营收确保等以应用产品为主导的增值应用，深入挖掘和扩展BI的业务价值。

Sybase

Sybase的数据仓库方法从根本上不同于其他的关系型数据库，可以说Sybase开发了一个新的关系型数据库――逆向关系型数据库，它使用了一个传统的关系型结构以及类似的非常熟悉的术语，但是却是基于列的，而非基于行的。

Sybase的商业智能产品Sybase IQ主要有以下三个特点：

1．架构

不同于传统的关系型数据库，Sybase IQ其数据在表中不是按行存储的，而是通过表中的列来存储与访问数据的。尽管这种方式很明显不太适合于交易环境，因为在交易环境中，一个事务是与一行数据有效对应的; 但是在查询进程环境中，则是基于特定的列来选择的。

2．索引

Sybase IQ的关键在于其索引，随着Sybase的用户发现了新的分析需求，Sybase可以简捷地建立新的索引以满足这些需求。这种方法可以为数据仓库增加新的索引，而几乎不会影响到数据仓库的架构和使用仓库的分析型应用。在实时企业与闭环应用领域，Sybase将索引视为在TB数量级甚至PB数量级数据仓库中获得更高查询性能的关键。

3．Multiplex

Sybase IQ的Multiplex组件增加了在单一的Sybase IQ环境中支持多个SMP机器节点的功能。在每个节点上，Sybase IQ使用轻量级的位于每个进程之下的操作系统线程，多线程明显地减轻了进程与内存的负担。

BO

Business Objects Enterprise是BO的一项商业智能平台产品，它将最终用户的深入洞察力与单一BI标准灵活的系统管理有机地融合了起来，使用户能够放心地部署BI产品，并实施标准化。

Business Objects Enterprise为用户提供了以下帮助：

1．可扩展的、自适应的和基于服务的架构

BI平台是企业总体IT基础设施中的关键组成部分，它为企业信息的访问和决策提供了关键的支持系统，用户可以依靠该平台来确保对业务信息的跟踪、了解和管理。这样就需要部署一种具备高度可用性的有效结构，以便对关键信息及其分析工作进行处理、管理，并提供给广大的用户群。Business Objects Enterprise的解决方案具有充足的灵活性，同时还能够随着需求变化而不断扩展该方案的部署。

2．最终用户的洞察力

Business Objects Enterprise能够为员工提供可靠的信息，并可以直接集成到门户网、外部网、桌面应用或绩效管理应用系统中；并可以按照自己喜欢的方式随时随地提出问题，使最终用户依据事实情况做出准确和及时的判断，从而制定决策。而百科全书（Encyclopedia）和流程跟踪器（Process Tracker）等创新工具使最终用户能够在整个决策的过程中，利用直观、基于Web的界面来进行跟踪、管理和协作。

3．易于部署和管理的解决方案

Business Objects Enterprise XI可以实现快速的部署，并具备引导安装、全面的导入和升级支持，以及灵活的部署等特性。

Cognos

Cognos的商业智能产品主要提供了报表、分析、计分卡、仪表盘、企业事件管理和数据集成等功能，其主要特点是易于集成、部署和使用。Cognos BI提供了一种简化的BI环境，这可以提高用户的接受度，提高决策的水平，并可以作为企业级绩效管理的基础。

1．报表 Cognos商业智能是一个能够在体系结构上提供完整BI功能的产品，可以让用户访问适合任何数据源的各种自助式报表类型，从单一元数据层进行操作，例如多语言报表等。

2．分析 分析可以对与所有业务维度相关的信息进行向导式探察和分析，无需考虑数据的存储位置，这其中包括报告联机分析处理(OLAP)和维度化关系型数据源。

3．计分卡 计分卡可以帮助用户将团队、战术和战略协调起来，对目标进行一致的沟通并对相对于目标的绩效状况进行监视。

4．仪表盘 业务仪表盘可以快速传达复杂的信息，它们可以将来自企业各种IT系统中的数据和信息转换为丰富的图形并进行展现，例如量表、地图、图表和其他图形，一起显示多种结果。

5．企业事件管理 Cognos BI业务事件管理可以对需要引起注意的重大事件进行跟踪，它可以对这些事件进行监视，并可以通过使用决策流程和业务流程自动化减少采取行动和决定的时间。

6．数据集成 Cognos数据集成是一个可用于高绩效商业智能的企业级ETL解决方案，它可以优化数据合并、抽取、转换和维度管理，提供适用于企业报表和分析的数据仓库。

微软

商业智能的核心议题是为员工提供正确的信息，使他们能够在合适的时间完成一个特殊的目标。微软商业智能解决方案就是为了帮助企业实现这样的目标，其具有以下几个特点：

1．集成的平台 建立在SQL Server 7.0和SQL Server 2000之上，SQL Server 2005带来了一个端到端的商业智能平台，这个平台集成了包括在线分析处理(OLAP)、数据挖掘、数据抽取、转换和装载(ETL)等工具、数据仓库以及报表功能在内的分析能力。

2．改善决策制定 针对现有商业智能功能的进步，比如在线分析处理(OLAP)和数据挖掘，新的报表服务器为企业提供了在任何规模条件下，无论是针对信息工作者还是CEO，都能将信息转化为更好的商业决策的能力。

3．安全性和可用性 可伸缩性、可用性和安全性的增强，有助于为用户提供对商业智能应用系统和报表的不间断访问。

4．企业范围的分析能力 改进的ETL工具使企业能够更容易地从多个异构信息源中集成和分析数据。经过贯穿一系列运行系统的数据分析，企业就可以通过对业务信息的全盘理解来提升企业的竞争力。

Oracle

Oracle商业智能套件企业版10g第三版是在今年二月份上市的，新版软件增加了大量的新功能，为了进一步在整个企业范围内实现商业智能，以做到全员BI，为此增强了可用性，并能够更紧密地与Oracle应用产品、Oracle融合中间件以及Oracle数据库集成，并以“热插拔”的方式支持更广泛的非Oracle数据源。

Oracle商业智能套件可以帮助那些需要优化商业流程、做出更好的决策并采取更恰当的行动的企业，用商业智能软件从已有应用和数据源中提取有用的信息，并将这些信息广泛到企业的每一个角落，以实现优化流程、更好决策和恰当行动的目标。除了提供全面的商业智能功能，Oracle商业智能套件企业版平台还以面向Web服务架构为基础，提供了众多的下一代商业智能功能。

Oracle商业智能产品功能和特性如下：

1.集成的商业智能工具，它是下一代商业智能基础设施。

商业智能范文第3篇

最近，有关各种新兴科技的新闻不绝于耳。

一方面是人机大战，AlphaGo方兴未艾，德州扑克大战又来。虽然人们对于这些人机大战的细节并不熟稔，甚至对德州扑克和围棋的规则都所知有限，但是并不妨碍对比赛结果的关心。是人胜利了，还是机器更厉害？

另一方面是VR大潮涌动，虚拟现实进入快速增长期，各种VR/AR产品粉墨登场。可是繁华过后，智能商业时代似乎还未到来，实现盈利的企业和项目屈指可数。当新一代信息技术不断推动产业发展，这些技术创新究竟能够从哪些方面，改变企业的经营形态和商业模式？

总体而言，未来智能商业的价值创造形态将呈现三个重要的特征：小前端、大平台、生态圈。从1G到5G，随着互联网基础设施的成熟和完善，“入口”和“平台”成为构建商业生态的关键要素。首先，小前端的优势在于建立用户联系，在员工方面，海尔做“小微”、恒大招聘兼职销售员，都是在做“小前端”，强化与用户的联系，更好更快地发现用户需求。在界面方面，移动终端尤其是手机成为关键的用户入口。同时，VR正在成为新兴的用户入口，不同之处在于电视屏幕挂在墙上、手机屏幕拿在手中，而VR直接把屏幕戴在眼睛上。这也是此起彼伏的VR大战的潜在动力，目标还是争夺用户入口。

然而，决定这些入口所提供的内容和体验的关键在于“云平台”，利用大数据进行决策，人工智能的水准非常关键。通过发展人机交互、深度学习、自然语言理解、机器人等核心技术，利用算法进行决策，人工智能能够精准匹配用户需求。只有围绕入口和平台，企业所构建的商业生态系统才具备用户价值，才能创造出具有黏性的用户体验。这种生态，未必要像BAT那么大而全，关键在于各元素间的协同性，以及关键的连接点。比如小米，用手机将各类智能小家电串联、并联，打造出一个智能家居的小生态。

围绕人工智能，产生了物理和数字世界互动技术、数字化与智能化服务技术、信息化与云端迁移技术、增强信用安全技术等。这些关联性技术形成了一个重要的技术生态圈，互促共荣，并产生良性的化学反应。此外，新一代信息技术还改变了传统制造业的生产方式和产业组织模式。云计算、智能终端等成为基础设施，以算法和决策为特征的数据成为生产要素，围绕商业生态系统实施大规模协作与共享，提升产业组织的效率。

以汽车制造行业为例，互联网汽车虽然饱受“PPT造车”的诟病，一直不为外界看好，但随着蔚来汽车、车合家等企业的崛起，产业组织变革正在发生。因为制造范式的改变，传统汽工业的大规模生产模式将面临更大挑战。

商业智能范文第4篇

2007年秋，“经济学人智库”(EconomistIntelligence Unit)对154名全球CEO、COO、CFO级别的企业高管做的一项调查显示，只有不到10％的企业高管人员认为他们拥有做出关键决策所需的信息，这表明市场对商业智能与洞察力具有更大的需求。

过去很多企业往往依靠管理人员的直觉和经验做出决策，然而有时候这种直觉和经验却不一定是正确的。全球经济衰退形势引发了人们各种各样的担忧，由此也产生了很多来源复杂的信息，这些都使企业用户越来越重视获得值得信赖的信息，确保所有企业客户、产品、供应链以及销售数据能够准确、及时，并易于获取的关键。从上世纪60年代末开始，研究人员就开始探索利用IT技术实现以数据为导向的决策，其中BI软件扮演的角色越来越受到重视。

BI软件的基本原则之一是，正确的决策依赖于可靠的数据而不是直觉或片面的信息。现代BI软件使组织能够像处理其他任何业务流程一样处理决策，即可以进行评估和持续改进。在此过程中，公司将会赢得短期和长期的巨大收益。BI软件具有强大的跟踪记录功能，可以帮助公司将业务规则应用到数据集中，以实现重复或经常性决策的自动化。

为了迅速有效地应对瞬息万变的商业形势，人们把商业智能、信息管理、企业绩效管理以及GRC(公司治理、风险管理和法规遵从)等传统上各自孤立的商业规则整合起来，提高洞察力。这种数据整合的方法将帮助人们制定出影响整个企业的更明智的决策――从供应链优化到确保法规遵从、结账以及利润率分析。

举个例子，全球最大的运输企业之一――新加坡东方海皇集团(NOL)日前应用了BusinessObjects(简称BO)的商务智能、企业绩效管理以及GRC解决方案。BO解决方案所提供的信息将使NOL能够不间断地测量和监测业务绩效，根据实时提供的信息制定决策，缩小策略制定与具体执行之间的差距，解决运输企业所面临的行业问题，如基础设施拥堵、燃油成本上升、客户需求增加、贸易失衡和供应链安全性等问题。

商业智能范文第5篇

犹他州奥格登警察局局长Jon Greiner最近把手下的犯罪分析员队伍由1人扩大到了11人，不过没有招聘一名新的警员。

Greiner给现有的警力八名副队长和两名局长助理配备了新型、易于使用、基于Web的商业智能工具，这样资深警员就能够混合来自逮捕记录、法庭卷宗、缓刑记录、辖区地图及其他来源的数据，从而确认犯罪模式、准确列出案件多发地区，以防止犯罪发生。

Greiner解释: “手下的警察比我年轻30岁，他们爱玩游戏; 我认为，要是能把界面友好的工具交到他们手里，他们应该会干好犯罪分析工作。”如今，这些警察使用新的商业智能工具来描绘犯罪地理画像，并分析警察数据，“只要短短几秒钟”。而以前，警察局的一名犯罪分析员交出分析报告可能需要好几天才能完成。另一个好处是，街头值勤经验丰富的资深警察现在能够把掌握的第一手信息运用于犯罪分析。

商业智能的Web 2.0世界

在商业智能2.0世界中，商业智能最初的一个重要承诺终于得到了兑现: 一类更广泛的普通商业用户（而不是以前的统计人员或者数据分析员）正在利用创新的技术和基于Web的商业智能功能。警察、医生、会计师和销售员都在混合及分析来自各个来源的结构化和非结构化数据，而获得的这些数据是他们最关心的。

Gartner公司的分析师Kurt Schlegel说: “所有这些新技术旨在简化构建及使用分析应用程序。”他强调，如今许多公司经常提到最终用户和开发人员缺乏技能是部署传统商业智能应用系统时面临的一大障碍。有关数据表明: 在大多数组织，经常使用报表、即席查询和联机分析处理等工具的最多不超过20%。

相反，大多数公司依靠早已不堪重负的IT部门或者内部的商业智能专家团队来满足用户对报表、分析和预测的要求，这个过程至少需要持续好几周。然后，决策者终于接到报表后，他们又常常不全信，因为数据失去了相关性或者时效性。

不过，这一幕正开始出现急剧变化，这归功于高度直观、更易使用、基于Web的用户界面，以及更好的数据管理和访问模式（如面向服务的数据架构），它们让用户能够混合处理来自众多来源的所用格式日益标准化的数据。

IDC公司的分析师Dan Vesset说: “我们看到了这一幕: 混合技术、地理信息系统（GIS）地图技术以及按需商业智能解决方案，让用户可以把自己的数据与来自外部来源的数据合并起来，并加以显示。目的就是，让IT人员摆脱开发用户界面和报表的工作，让他们更专注地投入到数据质量和数据集成方面。这就是这些技术带来的最大附加值。”

Vesset强调: “另一个很大的变化就是许多公司的业务管理部门认识到了商业智能具有的潜力。业务人员看到了分析工具的真正价值。许多组织正在开始设立隶属业务部门的信息管理小组和商业智能研发中心。”

一种新思路

一个例子就是马萨诸塞住房金融局。该部门的商业智能团队把地理地图功能（包括MapInfo软件具有的位置智能功能）集成到了Cognos商业智能仪表板当中，从而让整个部门的用户可以访问采用地理格式的信息。商业智能项目经理Carl Richardson表示，以前只有12名超级用户才能访问地理工具。而现在，该部门的300名员工都可以访问及处理采用地理格式的商业智能数据。

Richardson说: “我们期望更多的人能够进行分析。这有望让普通用户也能访问及分析地理数据。他们可以根据数据构建专题地图和点状地图，这项功能对每个报表部门的人来说都很重要。”

一个例子就是结合住房部、贷款和公共交通等方面的数据，以便随后可以分析，并且采用地图格式来显示，表明该部门的几个住房部位置靠近公共交通系统。

Richardson说: “能够处理采用图形格式的这些数据，而不是把这些数据放在数据库中，这大大提高了我们的反应速度。”

眼下，地图工具可能是最流行的商业智能混合应用; 专家们表示，这个领域的前景几乎不可限量。集成式搜索和内存中分析等技术将便于为数量众多的结构化数据编制索引，并便于根据越来越庞大的数据集构建高性能的分析应用程序。它们还有望让用户能够用新的方式来探究数据、发掘新的宝贵信息。

在Excellus BlueCross BlueShield这家健康保险公司，企业架构师Mike Axelrod正使用JustSystems公司的XFY软件，试着把理赔数据和健康计划数据结合起来，以便员工可以分析不同计划和福利的成本效益。Axelrod谈到未来时表示，预计会出现这种场景: 在健身房锻炼的人可以利用健身器材，把数据上传到基于Web的健康日志。然后，用户可以把该数据与其他信息结合起来，分析个人总的健康状况以及实现个人目标方面的进度。

Axelrod说，混合技术“解决了由来已久的数据孤立问题。”

Axelrod表示，Excellus还在其客户服务呼叫中心使用JustSystems的混合技术，以便在一块屏幕上显示众多数据，而这些数据可能位于多个系统上，包括绿屏终端以及基于Web的应用程序。

使用Excellus现有的面向服务架构界面，JustSystems软件可以从理赔应用程序获取信息，然后通过浏览器把该信息展示给客户服务代表。如果该服务代表还需要来自保险单应用程序的数据，该软件也会获取并加以显示，不过理赔信息仍会停留在屏幕上。

跟踪及负责制

另一个用户汤姆森金融公司（Thomson Financial）在使用Serena Software公司的MashUp Composer，以便把来自该公司的应用程序的信息与有关其各种产品的信息结合起来，让销售员能够在短短三分钟时间内，针对特定客户提出定制的销售方案。然后，经理们就可以通过销售流程来跟踪这些方案，包括批准及延长销售员提供给客户的产品试用期。

John Hastings-Kimball是这家公司负责工作流解决方案的前任副总裁，最近离开了汤姆森公司，转投Serena公司。他说: “从集成的角度来看，这并不过于复杂，但大大增加了价值。”

他说: “以前，高层管理班子极少负有相应责任; 销售员可随意为客户延长产品试用期。在一些情况下，我们的客户居然试用了一年多产品。如今，要是产品试用期延长后超过了某段期限，就会引发警报; 销售员就要赶到副总裁办公室，说明情况。”

使用商业智能混合技术的结果就是，汤姆森公司把旨在吸引客户过来的产品试用期从平均75天缩短到了36天至40天。

虽然用户友好的商业智能和商业智能混合技术可能具有显著的商业效益，但不是说它们就没有难题了。专家们表明，正如整体的传统商业智能和数据集成一样，数据质量至关重要。