商務智能在物流操作中的應用

    隨著我國經濟發展及對外交流加強，現代物流作為現代經濟的重要組成部分得到迅猛發展。物流管理不僅表現為實物流動，更表現為對計劃、控制等蘊含于物流過程中無形管理的組織效率和技術創新?！拔锪鞴芾?，信息先行”已經成為全球物流企業共識。一方面，物流質量取決于信息，物流服務依靠信息，商務智能通過對數據的采集、整理、挖掘和分析，為物流企業組織內的各層次人員提供信息，提高企業的決策能力，加快決策速度，確保決策準確性，同時實現企業內部的遠程管理。另一方面，也為企業外部用戶提供有效信息，共同分享銷售、庫存等商業數據，共同進行品類分析和管理，提升了對外服務水平。商務智能作為一項新興技術已成為物流管理中最有利的工具之一。

    一、商務智能

    1.1商務智能的含義

    商務智能英文是Business intelligence,最早由美國加特納公司的分析師霍華德·德萊斯納 （Howard Dresner）提出。商務智能在國外已經日趨成熟，但在中國仍處于初步發展階段。對商務智能的研究不乏專家學者，關于商務智能的含義，不同的學者根據自身的理解給予不同看法，主要有以下幾種：

    （1）商務智能是指通過數據的收集、管理、分析及轉化，使數據成為可用信息，從而獲得必要的洞察力和理解力，更好地輔助決策和指導行為。

    （2）商務智能是運用了數據倉庫、聯機分析和數據挖掘技術來處理和分析數據的技術，用戶可以無障礙的直接查詢和分析數據庫和數據倉庫，找出影響商業活動的關鍵因素，最終幫助用戶做出更好、更合理的決策。

    （3）商務智能是應用于internet上的集查詢、報表、分析為一體的聯機分析處理工具，企業用戶在客戶端可對數據進行深層次的挖掘、鉆取、切片等分析處理，輕松完成數據的分析處理、報表統計工作。

    （4）商務智能是企業利用現代信息技術收集、管理和分析結構化和非結構化的商務數據和信息，創造和累計商務知識，改善商務決策水平，采取有效的商務行動，完善各種商務流程，增強企業的綜合競爭力。

    （5）商務智能是通過利用多個數據源的信息以及應用經驗和假設，促進對企業動態特性的準確理解，以便提高企業的決策能力的一組概念、方法和過程的集合。它通過數據的獲取、管理和分析，為企業組織的各種人員提供信息，以提高企業的戰略和戰術決策能力。

    （6） 根 據 國 際 數 據 公 司（International Data Company,IDC）的定義，商務智能是對商業信息的搜集、加工、管理和分析的過程，目的是使企業各級決策者獲得知識或洞察力，促使他們更快地做出對企業更有利的決策。

    總之，商務智能是利用計算機、通信等現代科學技術，針對的是企業如何收集、整理、分析和分享信息的流程，可以為企業提供信息，擴大信息受眾范圍，增加信息價值，為及時、準確進行決策提供服務。其基本功能包括個性化的信息分析、預測發展趨勢和輔助決策。

    1.2 商務智能的結構

    商務智能體系結構一般為：源數據層、數據轉換層、數據倉庫 （數據集市）層、OLAP及數據挖掘層、用戶展現層。數據倉庫（Data Warehouse DW）、聯機分析處理 （On Line Analytical Processing,OLAP）和數據挖掘 （Data  Mining ,DM）是商務智能的三大技術支柱。DW是商務智能系統的基礎，是面向主題的、集成的、穩定的和隨時間不斷變化的數據集合。OLAP技術的核心是 “維”,通過對多維數據的鉆取、切片及旋轉等分析動作，來完成決策支持和多維環境下的查詢及報表。DM是從海量數據中提取隱含在其中的、人們事先不知道的但又可能有用的信息和知識的過程。挖掘的數據有多種來源，包括數據倉庫、數據庫或其他數據源。所有的數據都需要再次進行選擇，具體的選擇方式與任務相關。挖掘的結果需要進行評價才能最終成為有用的信息。按照評價結果的不同，數據可能需要反饋到不同的階段，重新進行分析計算。數據挖掘的常用方法包括關聯分析、分類和預測、聚類、檢測離群點、趨勢和演變分析等。

    數據倉庫（Data Warehouse DW）、聯機分析處理 （On Line Analytical Processing,OLAP）和數據挖掘 （Data  Mining ,DM）是商務智能的三大技術支柱，其中數據倉庫是商務智能的基礎。數據倉庫是一個更好地支持企業或組織的決策分析處理的數據集合，它有面向主題、集成、相對穩定、隨時間不斷變化四個特性。聯機分析處理是以海量數據為基礎的復雜分析技術。數據挖掘是從海量數據中，提取隱含在其中的、人們事先不知道的但又可能有用的信息和知識的過程。

   1.2.1數據倉庫

    對于數據倉庫概念有各種不同的版本，數據倉庫之父比爾。恩門 （Bill Inmom）給予如下描述：數據倉庫是 一 個 集 成 的 （Integrated）、 具 有 主 題 導 向 的（Subject Oriented）、相對穩定的（Non-updatable）、隨時間變化的 （Time Variant）的數據集合，用于支持管理決策和商務智能。

    在數據倉庫里，數據是在對不同來源的數據抽取、清理的基礎上經過系統加工、匯總和整理得到的一個緊密的整體；數據所提供的信息是關于某一特別的主題而不是關于一個公司的日常運營；數據倉庫在構建之初就明確其主題，即確定決策涉及的范圍和所要解決的問題。數據倉庫的一個重要作用是為決策者提供必要的智能，促進決策者更好的理解商務危機、商務機會和運營狀況。在決策支持過程中，數據倉庫主要有四個流程：整合，執行，智能和創新，如圖1所示

  數據倉庫在決策支持中的流程 數據倉庫在決策支持中的流程

   1.2.2數據挖掘

    數據挖掘一詞，來源于英文Data  Mining ,還有一些相近的術語，如知識發現 （Knowledge Discovery inDatabase）數據分析 （Data Analyzing）、數據融合（Data Fusion）等。在 《數據挖掘─概念與技術》一書中這樣描述：數據挖掘技術就像從礦石中采礦一樣，可以從這些數據的 “礦山”中抽取出知識的 “金子”來。數據挖掘是指從大量數據中發現潛在的、有價值的及未知的關系、模式和趨勢，并以易被理解的方式表示出來。通過數據挖掘可以發現數據之間的復雜聯系以及這種聯系對決策的影響。在數據倉庫基礎上挖掘的知識通常以圖表、可視化等形式表示出來，但所挖掘的知識并不都是有意義的，必須進行評價、篩選和驗證，把有意義的知識放到知識庫中，隨著時間的推移將積累更多的知識。

    （1）關聯分析。即利用關聯規則進行數據挖掘，而關聯規則是描述事物之間同時出現的規律的知識模式，關聯分析的目的是挖掘出隱藏在數據間的相互關系。

    （2）序列模式分析。序列模式分析和關聯分析相似，他把數據之間的關聯性與時間性聯系起來，為了發現序列模式，小僅需要知道事件是否發生，而且需要確定事件發生的時間。其目的也是為了挖掘數據之間的聯系，但序列模式分析的側重點在于分析數據間的前后或因果關系。

    （3）分類分析。分類分析就是分析示例數據庫中的數據。為每個類別做出準確的描述建立分析模型或挖掘出分類規則。這些類別描述可以給新記錄加上標簽，以確定其所屬類別。

    （4）聚類分析。與分類分析小同，聚類分析法的輸入集是一組未標定的記錄，也就是說此時輸入的記錄還沒有進行任何分類。其目的是根據一定的規則，介理地劃分記錄集介，使組之間的差別盡可能大，組內的差別盡可能小。實際應用有市場劃分、尋找相關群體等。