第6章　商业智能

学习目标

1.了解商业智能的含义。

2.理解多维数据模型的概念及其对分析决策的作用，了解星型模型。

3.了解数据仓库的定义与特点，理解它与操作型数据库的区别。

4.了解数据仓库系统的组成，了解数据集市的特点和作用。

5.了解OLAP的概念与操作，理解它的优点。

6.了解高管信息系统的特征、表现形式及其与MIS、DSS的区别。

7.了解数据挖掘的概念与应用，理解几种常见的数据挖掘功能。

导言

在上一章中我们学习了模型导向的决策支持系统，这种系统虽然在某些方面确实能给人们带来一些帮助，但是也存在某些不足。比如，这种决策支持系统主要供少数中高层管理者使用，而且现实中某些问题很难抽象成适当的模型等，另外，模型本身的合理性、可信度也存在一定的问题。而本章将要介绍的商业智能(BI)是一种数据导向的决策支持系统，它更加符合人们通常的思维习惯，即基于已有数据寻找规律、并对未来作出合理预测。可以看到，商业智能是当今决策支持系统的发展趋势，今天所谈及的DSS，更多地是指基于数据的商业智能系统。如果你有兴趣在Google中搜索“DSS”词条，得到的搜索结果很大一部分都是关于商业智能(BI)的。

商业智能的概念于1996年最早由加特纳集团(Gartner Group)提出，通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。为了将数据转化为知识，需要利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP、数据挖掘、查询报表等数据展现技术的综合运用。

本章将首先介绍多维数据模型，它是一种不同于关系数据模型的数据组织形式，并且是数据仓库和OLAP的基础。由于数据库在决策支持方面存在一些问题，因此20世纪90年代出现了数据仓库技术，它将数据从组织内外部数据源中提取出来，以适合分析决策的形式集中存储。有了数据仓库，就可以利用OLAP和数据挖掘等决策分析工具来对这些数据进行分析处理。也就是说，数据仓库提供了适合于决策分析的数据，而OLAP和数据挖掘则是决策分析工具。

OLAP能允许用户以交互方式浏览数据仓库内容，并对其中数据进行多层次、多角度的多维分析，以便从中提取出与企业经营活动密切相关的信息。而数据挖掘技术则是利用模型、算法从大量数据中自动提取出未知的、有价值的模式或规律等知识，数据挖掘得到的知识反过来可以指导人们的商业实践。

此外，第1章我们曾提到高管信息系统(EIS)，由于高管的决策需要企业内、外部全面、一致的信息，基于数据库的信息系统很难满足这一要求。而数据仓库和OLAP等技术的出现，则为满足高管的信息需求提供了技术支持手段，因此，EIS是BI的一种应用或者说是一种基于数据仓库的决策支持工具。

下面我们则具体研究商业智能的各个部分。