国外学者对商业智能的分析

　　1、 Howard Dresner对商业智能的定义

　　商业智能（Business Intelligence，简称BI）的概念最早是Gartner Group的Howard Dresner于1996年提出来的。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。当时的预测说：到2000年，信息民主（注：指组织内信息共享的无差别性）将在具有前瞻性思维的企业中浮现。借助商业智能，员工、咨询员、客户、供应商以及公众能够有效地运用信息。其实，商业智能所涉及的技术与应用，在Howard Dresner命名之前就有，起初被称为主管信息系统（EIS），在羽化成商业智能之前叫决策支持系统（DSS）。

　　2、 Eric Thomsen对OLAP及商业智能的论断

　　Eric Thomsen是DSS Lab的首席科学家，他提出了基于决策支持系统的OLAP的设计和实现。OLAP是创建商业智能系统的重要技术，其技术的应用非常广泛。Eric Thomsen在其代表作《OLAP解决方案：创建多维信息系统（OLAP Solutions: Building Multidimensional Information Systems）》第二版中有关于一些相关概念的论述：数据仓库（DW）/决策支持系统（DSS）/商业智能（BI）/联机分析处理（OLAP）/基于分析的面向决策的处理（ABDOP）——数据仓库（DW）的焦点还是十分有限的。决策支持这个术语是以最终用户为中心的，在谈到OLAP和数据仓库时作为ABDOP的补充。从这以后，数据仓库和决策支持的范围有了很大的扩展，但是还没有达到ABDOP的全部内容。商业智能也开始流行起来，也覆盖了相同的范围，不过一般来说，它更加关注于最终用户信息获取的问题。经常看到人们将数据仓库和决策支持或者商业智能联合起来指代所称的ABDOP的全部范围，却没有真正给整个范围起一个名字。

　　Eric Thomsen采用苏格拉底启发式方式讲解和论述了决策的阶段，从而阐述了商业智能（或其平行概念）的研究内容和方法：认为，通过观察如何证实一个被挑战的决策是否正确，就可以很好地了解到指定决策究竟需要些什么信息。

　　决策的目标是什么？如果没有目标，任何决策都是没有差别的。在寻求最优决策的过程中，可能用到的算法包括线性编程和蒙特卡洛模拟协助在各种选择、外部因素、偶然事件中进行决策思考的工具就是决策分析工具。

　　如何证明决策可以达到预定的目标？惟一能够证实决策是正确的方法是显示一些预测结果。进行预测用到的工具包括了统计分析和数据挖掘。

　　预测又是从何而来？这时候需要一个推理的过程。预测是模式、关系、解释的延伸。他们需要至少一个用来延伸的假设。所有的预测都需要两个描述和一个假设。用于发现模式的算法包括回归、决策树、聚类、关联规则、神经元网络，用于发现模式的工具也是统计和数据挖掘。

　　如何捍卫描述？如果描述是不正确的，不管推理如何，预测都将是错误的。因此，在原始数据收集过程中应该采用最好的质量控制方法。

　　派生数据是否正确？如果原始数据和推理逻辑都是正确的，预测还是错误的，问题就出在派生数据上。派生数据包括了各种汇总、分配、差别、比率、排序和乘积，例如每周的产品销售量、每天的入库总额、产品的总成本、部门收入、管理费用、销售产品的成本、市场份额、产量和利润等。OLAP工具所关注的就是创建派生变量。

　　3、 Tom Soukup 和 Ian Davidson

对商业智能和可视化数据挖掘的阐述在《可视化数据挖掘：数据可视化和数据挖掘的技术与工具（Visual Data Mining : Techniques and Tools for Data Visualization and Mining）》中指出：商业智能解决方案将业务数据转换成明确的、基于事实的、能够执行的信息，并且使得业务人员能够发现客户趋势，创建客户忠诚度，增强与供应商的关系，减少金融风险，以及揭示新的销售商机。商业智能的目标是了解变化的意义——从而理解甚至预见变化本身。它使你能够访问当前的、可靠的和易消化的信息，并能够从各个侧面及不同的维度灵活地浏览信息和建立模型。商业智能方案回答的是“如果……怎么办（What if …）”之类的问题，而不是“发生了什么？（What happened ）”。简而言之，商业智能解决方案是提高和维持竞争优势的一条有效的条件。数据可视化和数据挖掘是两种技术，它们常常被常用来创建和部署成功的商业智能解决方案。通过应用可视化和数据挖掘技术，业务人员能够充分地探索业务数据，从而发现潜在的、以前未知的趋势、行为和异常。提出了一套行之有效的创建数据可视化和执行可视化数据挖掘的方法，包括8个步骤：①验证和规划数据可视化与数据挖掘项目；②识别最重要的业务问题；③选择数据集；④转换数据集；⑤验证数据集；⑥选择可视化或挖掘工具；⑦分析可视化或挖掘模型；⑧验证和展示可视化或挖掘模型。

　　4、 Bill Inmon对数据仓库的定义

数据仓库之父Bill Inmon在1991年出版的“Building the Data Warehouse”一书中所提出的定义被广泛接受——数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。

　　面向主题。操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织的。

　　集成的。数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。相对稳定的。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。

　　反映历史变化。数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。

　　企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们做出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。

　　5、 E.F. Codd对OLAP的贡献

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!