商業智能BI三層結構：數據報表、數據分析、數據挖掘

經過幾年的積累，大部分中大型的企事業單位已經建立了比較完善的CRM、ERP、OA等基礎信息化系統。這些系統的統一特點都是:通過業務人員或者用戶的操作，最終對數據庫進行增加、修改、刪除等操作。上述系統可統一稱為OLTP(Online Transaction Process，在線事務處理)，指的就是系統運行了一段時間以后，必然幫助企事業單位收集大量的歷史數據。但是，在數據庫中分散、獨立存在的大量數據對于業務人員來說，只是一些無法看懂的天書。業務人員所需要的是信息，是他們能夠看懂、理解并從中受益的抽象信息。此時，如何把數據轉化為信息，使得業務人員(包括管理者)能夠充分掌握、利用這些信息，并且輔助決策，就是商業智能主要解決的問題。

如何把數據庫中存在的數據轉變為業務人員需要的信息？大部分的答案是報表系統。簡單說，報表系統已經可以稱作是BI了，它是BI的低端實現?，F在國外的企業，大部分已經進入了中端BI，叫做數據分析。有一些企業已經開始進入高端BI，叫做數據挖掘。而我國的企業，目前大部分還停留在報表階段。

數據報表不可取代

傳統的報表系統技術上已經相當成熟，大家熟悉的Excel、水晶報表、Reporting Service等都已經被廣泛使用。但是，隨著數據的增多，需求的提高，傳統報表系統面臨的挑戰也越來越多。

1. 數據太多，信息太少

密密麻麻的表格堆砌了大量數據，到底有多少業務人員仔細看每一個數據？到底這些數據代表了什么信息、什么趨勢？級別越高的領導，越需要簡明的信息。如果我是董事長，我可能只需要一句話：目前我們的情況是好、中還是差？

2. 難以交互分析、了解各種組合

定制好的報表過于死板。例如，我們可以在一張表中列出不同地區、不同產品的銷量，另一張表中列出不同地區、不同年齡段顧客的銷量。但是，這兩張表無法回答諸如“華北地區中青年顧客購買數碼相機類型產品的情況”等問題。業務問題經常需要多個角度的交互分析。

3. 難以挖掘出潛在的規則

報表系統列出的往往是表面上的數據信息，但是海量數據深處潛在含有哪些規則呢？什么客戶對我們價值最大，產品之間相互關聯的程度如何？越是深層的規則，對于決策支持的價值越大，但是，也越難挖掘出來。

4. 難以追溯歷史，數據形成孤島

業務系統很多，數據存在于不同地方。太舊的數據（例如一年前的數據）往往被業務系統備份出去，導致宏觀分析、長期歷史分析難度很大。因此，隨著時代的發展，傳統報表系統已經不能滿足日益增長的業務需求了，企業期待著新的技術。

數據分析和數據挖掘的時代正在來臨。值得注意的是，數據分析和數據挖掘系統的目的是帶給我們更多的決策支持價值，并不是取代數據報表。報表系統依然有其不可取代的優勢，并且將會長期與數據分析、挖掘系統一起并存下去。

數據挖掘看穿你的需求

廣義上說，任何從數據庫中挖掘信息的過程都叫做數據挖掘。從這點看來，數據挖掘就是BI。但從技術術語上說，數據挖掘（Data Mining）特指的是：源數據經過清洗和轉換等成為適合于挖掘的數據集。數據挖掘在這種具有固定形式的數據集上完成知識的提煉，最后以合適的知識模式用于進一步分析決策工作。從這種狹義的觀點上，我們可以定義：數據挖掘是從特定形式的數據集中提煉知識的過程。數據挖掘往往針對特定的數據、特定的問題，選擇一種或者多種挖掘算法，找到數據下面隱藏的規律，這些規律往往被用來預測、支持決策。

關聯銷售案例：

美國的超市有這樣的系統：當你采購了一車商品結賬時，售貨員小姐掃描完了你的產品后，計算機上會顯示出一些信息，然后售貨員會友好地問你：我們有一種一次性紙杯正在促銷，位于F6貨架上，您要購買嗎？

這句話決不是一般的促銷。因為計算機系統早就算好了，如果你的購物車中有餐巾紙、大瓶可樂和沙拉，則86%的可能性你要買一次性紙杯。結果是，你說，啊，謝謝你，我剛才一直沒找到紙杯。這不是什么神奇的科學算命，而是利用數據挖掘中的關聯規則算法實現的系統。

每天，新的銷售數據會進入挖掘模型，與過去N天的歷史數據一起，被挖掘模型處理，得到當前最有價值的關聯規則。同樣的算法，分析網上書店的銷售業績，計算機可以發現產品之間的關聯以及關聯的強弱。

數據報表、數據分析、數據挖掘是BI的三個層面。我們相信未來幾年的趨勢是：越來越多的企業在數據報表的基礎上，會進入數據分析與數據挖掘的領域。商業智能所帶來的決策支持功能，會給我們帶來越來越明顯的效益。