BI系统研究（初级）

1、BI介绍

商业智能（Business Intelligence，BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

1996年最早由加特纳集团（Gartner Group）提出，商业智能技术提供使企业迅速分析数据的技术和方法，包括收集、管理和分析数据，将这些数据转化为有用的信息，然后分发到企业各处。

 

商业智能作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。

 

BI是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

 

商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。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和数据挖掘等技术的综合运用。

 

 

从技术角度看，商务智能的过程是企业的决策人员以企业中的数据仓库为基础，经由联机分析处理工具、数据挖掘工具加上决策规划人员的专业知识，从数据中获得有用的信息和知识，帮助企业获取利润。

 

从应用角度看，商务智能帮助用户对商业数据进行联机分析处理和数据挖掘，例如预测发展趋势、辅助决策、对客户进行分类、挖掘潜在客户等等。

 

从数据角度看，商务智能使得很多事务性的数据经过抽取、转换之后存入数据仓库，经过聚集、切片或者分类等操作之后形成有用的信息、规则，来帮助企业的决策者进行正确的决策。

 

综上所述，我认为BI的定义：商务智能是利用各种技术，对数据进行收集、存储、分析并提供可视化界面显示，从而更容易、快捷的获得信息知识，帮助管理者做出更好的业务决策。

 

2、特点

1）灵活性

2）可配置性

3）可变化性

BI系统的范围从为部门的特定用户服务扩展到为整个企业所有用户服务。同时，由于企业用户在职权、需求上的差异，BI系统提供广泛的、具有针对性的功能。从简单的数据获取，到利用WEB和局域网、广域网进行丰富的交互、决策信息和知识的分析和使用。

 

解决方案更开放、可扩展、可按用户定制，在保证核心技术的同时，提供客户化的界面

 

针对不同企业的独特的需求，BI系统在提供核心技术的同时，使系统又具个性化，即在原有方案基础上加入自己的代码和解决方案，增强客户化的接口和扩展特性；可为企业提供基于商业智能平台的定制的工具，使系统具有更大的灵活性和使用范围。

 

商业智能BI被誉为是将企业中现有的数据和大量信息转化为知识，帮助企业经营者做出明智的业务经营和决策的工具，所以具有很强的灵活性，不会像以往那样死板、固守。而在灵活性的基础之上，其可配置性和可变化性就显得尤为重要了。

3、应用场景

商业智能系统可辅助建立信息中心，如产生各种工作报表和分析报表。用作以下分析：

销售分析，要分析各项销售指标，例如毛利、毛利率、交叉比、销进比、盈利能力、周转率、同比、环比等等；而分析维又可从管理架构、类别品牌、日期、时段等角度观察，这些分析维又采用多级钻取，从而获得相当透彻的分析思路；同时根据海量数据产生预测信息、报警信息等分析数据；还可根据各种销售指标产生新的透视表。

商品分析，商品分析的主要数据来自销售数据和商品基础数据，从而产生以分析结构为主线的分析思路。主要分析数据有商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标。通过D系统对这些指标的分析来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。

人员分析，通过D系统对公司的人员指标进行分析，特别是对销售人员指标（销售指标为主，毛利指标为辅）和采购人员指标（销售额、毛利、供应商更换、购销商品数、代销商品数、资金占用、资金周转等）的分析，以达到考核员工业绩，提高员工积极性，并为人力资源的合理利用提供科学依据。主要分析的主题有，员工的人员构成、销售人员的人均销售额、对于销售的个人销售业绩、各管理架构的人均销售额、毛利贡献、采购人员分管商品的进货多少、购销代销的比例、引进的商品销量如何等等。

 

智能解决方案在企业经营中的作用主要表现在四个领域：

1、客户分类和特点剖析。

凭据客户历年来的大量消费记录以及客户的档案资料，对客户进行分类，并剖析每类客户的消费能力、消费习惯、消费周期、需求倾向、信誉度，确定哪类顾客给企业带来最大的利润、哪类顾客仅给企业带来最少的利润同时又要求最多的回报，然后针对差别类型的客户给予差别的服务及优惠。

2、市场营销计谋剖析。

利用数据仓库技术实现市场营销在模型上的仿真，其仿真结果将提示所制订的市场营销计谋是否适合，企业可以据此调整和优化其市场营销计谋，使其获得最大的成功。

3、经营成本与收入剖析。

对种种类型的经济活动进行成本核算，比较可能的业务收入与种种费用之前的收支差额，剖析经济活动的曲线，获得相应的改良措施，从而降低成本、减少开支、提高收入。

4、行为剖析和预防。

利用联机剖析和数据挖掘技术，总结种种骗费、欠费行为的内在规律后，在数据仓库的基础上监理一套诱骗行为和欠费行为规则库，就可以及时预警种种骗费、欠费，尽量减少企业损失。

 

4、技术特点

（技术特征是指为解决技术问题，实现发明任务而采取的技术手段/技术方案。构成技术方案的基本元素）

商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。商业智能的实现涉及到软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。

因此，把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具（大数据魔镜）、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。

OLAP工具。提供多维数据管理环境，其典型的应用是对商业问题的建模与商业数据分析。OLAP也被称为多维分析。OLAP（On-LineAnalytical Processing）是一种软件技术，它使分析人员能够迅速、一致、交互地从各个方面观察信息，以达到深入理解数据的目的。

数据挖掘（Data Mining）软件。使用诸如神经网络、规则归纳等技术，用来发现数据之间的关系，做出基于数据的推断。一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程

数据仓库（DataWarehouse）和数据集市（Data Mart）产品。包括数据转换、管理和存取等方面的预配置软件，通常还包括一些业务模型，如财务分析模型。数据仓库DW，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。

联机分析处理 (OLAP) 的概念最早是由关系数据库之父E.F.Codd于1993年提出的，他同时提出了关于OLAP的12条准则。OLAP的提出引起了很大的反响，OLAP作为一类产品同联机事务处理(OLTP) 明显区分开来。 

当今的数据处理大致可以分成两大类：联机事务处理OLTP（On-Line Transaction Processing）、联机分析处理OLAP（On-Line Analytical Processing）。OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。

OLAP是使分析人员、管理人员或执行人员能够从多角度对信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。OLAP的目标是满足决策支持或者满足在多维环境下特定的查询和报表需求，它的技术核心是"维"这个概念。

“维”是人们观察客观世界的角度，是一种高层次的类型划分。“维”一般包含着层次关系，这种层次关系有时会相当复杂。通过把一个实体的多项重要的属性定义为多个维（dimension），使用户能对不同维上的数据进行比较。因此OLAP也可以说是多维数据分析工具的集合。

OLAP的基本多维分析操作有钻取（roll up和drill down）、切片（slice）和切块（dice）、以及旋转（pivot）、drill across、drill through等。

钻取是改变维的层次，变换分析的粒度。它包括向上钻取（roll up）和向下钻取（drill down）。roll up是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；而drill down则相反，它从汇总数据深入到细节数据进行观察或增加新维。

切片和切块是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个，则是切块。

旋转是变换维的方向，即在表格中重新安排维的放置（例如行列互换）。

 

OLAP有多种实现方法，根据存储数据的方式不同可以分为ROLAP、MOLAP、HOLAP。

ROLAP表示基于关系数据库的OLAP实现（Relational OLAP）。以关系数据库为核心，以关系型结构进行多维数据的表示和存储。ROLAP将多维数据库的多维结构划分为两类表：一类是事实表，用来存储数据和维关键字；另一类是维表，即对每个维至少使用一个表来存放维的层次、成员类别等维的描述信息。维表和事实表通过主关键字和外关键字联系在一起，形成了“星型模式”。对于层次复杂的维，为避免冗余数据占用过大的存储空间，可以使用多个表来描述，这种星型模式的扩展称为“雪花模式”。

MOLAP表示基于多维数据组织的OLAP实现（Multidimensional OLAP）。以多维数据组织方式为核心，也就是说，MOLAP使用多维数组存储数据。多维数据在存储中将形成“立方块（Cube）”的结构，在MOLAP中对“立方块”的“旋转”、“切块”、“切片”是产生多维数据报表的主要技术。

HOLAP表示基于混合数据组织的OLAP实现（Hybrid OLAP）。如低层是关系型的，高层是多维矩阵型的。这种方式具有更好的灵活性。

还有其他的一些实现OLAP的方法，如提供一个专用的SQL Server，对某些存储模式（如星型、雪片型）提供对SQL查询的特殊支持。

OLAP工具是针对特定问题的联机数据访问与分析。它通过多维的方式对数据进行分析、查询和报表。维是人们观察数据的特定角度。例如，一个企业在考虑产品的销售情况时，通常从时间、地区和产品的不同角度来深入观察产品的销售情况。这里的时间、地区和产品就是维。而这些维的不同组合和所考察的度量指标构成的多维数组则是OLAP分析的基础，可形式化表示为（维1，维2，……，维n，度量指标），如（地区、时间、产品、销售额）。多维分析是指对以多维形式组织起来的数据采取切片（Slice）、切块（Dice）、钻取（Drill-down和Roll-up）、旋转（Pivot）等各种分析动作，以求剖析数据，使用户能从多个角度、多侧面地观察数据库中的数据，从而深入理解包含在数据中的信息。

 

根据综合性数据的组织方式的不同，常见的OLAP主要有基于多维数据库的MOLAP及基于关系数据库的ROLAP两种。MOLAP是以多维的方式组织和存储数据，ROLAP则利用现有的关系数据库技术来模拟多维数据。在数据仓库应用中，OLAP应用一般是数据仓库应用的前端工具，同时OLAP工具还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。 

5、与传统业务系统的对比

经过几年的积累，大部分中大型的企事业单位已经建立了比较完善的CRM、ERP、OA等基础信息化系统。这些系统的统一特点都是：通过业务人员或者用户的操作，最终对数据库进行增加、修改、删除等操作。上述系统可统一称为OLTP(Online Transaction Process，在线事务处理），指的就是系统运行了一段时间以后，必然帮助企事业单位收集大量的历史数据。但是，在数据库中分散、独立存在的大量数据对于业务人员来说，只是一些无法看懂的天书。业务人员所需要的是信息，是他们能够看懂、理解并从中受益的抽象信息。此时，如何把数据转化为信息，使得业务人员（包括管理者）能够充分掌握、利用这些信息，并且辅助决策，就是商业智能主要解决的问题。

如何把数据库中存在的数据转变为业务人员需要的信息?大部分的答案是报表系统。简单说，报表系统已经可以称作是BI了，它是BI的低端实现。

国外的企业，大部分已经进入了中端BI，叫做数据分析。有一些企业已经开始进入高端BI，叫做数据挖掘。而中国的企业，大部分还停留在报表阶段。 

数据报表不可取代

传统的报表系统技术上已经相当成熟，大家熟悉的Excel、水晶报表、FineReport、Reporting Service等都已经被广泛使用。但是，随着数据的增多，需求的提高，传统报表系统面临的挑战也越来越多。

1． 数据太多，信息太少

密密麻麻的表格堆砌了大量数据，到底有多少业务人员仔细看每一个数据?到底这些数据代表了什么信息、什么趋势?级别越高的领导，越需要简明的信息。如果我是董事长，我可能只需要一句话：我们的情况是好、中还是差

2． 难以交互分析、了解各种组合

定制好的报表过于死板。例如，我们可以在一张表中列出不同地区、不同产品的销量，另一张表中列出不同地区、不同年龄段顾客的销量。但是，这两张表无法回答诸如“华北地区中青年顾客购买数码相机类型产品的情况”等问题。业务问题经常需要多个角度的交互分析。

3. 难以挖掘出潜在的规则

报表系统列出的往往是表面上的数据信息，但是海量数据深处潜在含有哪些规则呢?什么客户对我们价值最大，产品之间相互关联的程度如何?越是深层的规则，对于决策支持的价值越大，但是，也越难挖掘出来。

4． 难以追溯历史，数据形成孤岛

业务系统很多，数据存在于不同地方。太旧的数据（例如以前的数据）往往被业务系统备份出去，导致宏观分析、长期历史分析难度很大。

因此，随着时代的发展，传统报表系统已经不能满足日益增长的业务需求了，企业期待着新的技术。数据分析和数据挖掘的时代正在来临。值得注意的是，数据分析和数据挖掘系统的目的是带给我们更多的决策支持价值，并不是取代数据报表。报表系统依然有其不可取代的优势，并且将会长期与数据分析、挖掘系统一起并存下去。 

 

传统报表与BI商业智能的区别：

 1、传统报表往往是基于某一套系统而展示出来的报表；而BI商业智能可以通过不同的来源进行数据整合，而生成所需要的报表。 2、传统报表的格式基本上是固定，如果要调整可能需要软件公司进行开发设计；而BI商业智能是将有关系的数据整理成一张张的事实表和维度表，用户可以根据不同的角度拉出想要的报表。 3、传统报表更加侧重让老板看到短期的一个运作效果，而BI商业智能更侧重于长久的决策与战略，更侧重根据商业行情发展的趋势来设计报表模型。 4、传统报表主要是基于原有的系统数据结构进行关联展示，而BI商业智能数据经过一系列的整理、调整、整合，因此速度更快更加清晰。 5、BI商业智能提供更强大的界面处理分析功能，比如可以很容易进行同比、环比分析，可由用户设定简易的公示做计算，可以做地图分析等等…一系列强大功能让老板全面了解企业的经营状况。 正航商业智能系统，WEB架构，随时随处查询企业各种数据，整合各独立系统的数据，多维度分析、挖掘和获取任何历史数据，助力企业准确快速决策，发现更多商机 

 

1、性能方面，BI独特的数据处理引擎板块，数据分析的原动力来自于cube，分析速度更快，展现更强大。
2、在制作报表方面，BI侧重让业务人员做报表，真正实现了零编码快速制表，从而解放了信息人员。
1.BI支持快速搭建仪表盘，管理驾驶舱，前段交互效果更好。
2.BI的移动端继承PC端所有效果，并且包含问题审阅，邮件推送等功能，方便用户及时查看，运筹帷幄，决策与千里之外。
3、通过CUBE构建多维数据库，支持OLAP分析。

 

传统商业智能和未来商业智能的区别

随着商业智能的发展，我们可以将商业智能分为传统商业智能和未来商业智能。很多BI厂商也在大力鼓吹自己的商业智能领先于传统商业智能。那么，究竟如何区别二者呢？

有一种说法是传统商业智能用于分析历史，未来商业智能用于预测未来，这种说法对吗？

不完全正确。在这里，我们将传统商业智能还可以分为三个阶段，即高级报表，多维数据分析，数据挖掘。商业智能在中国应用的最初就是作为一项高级报表工具，用于分析汇总现有数据，后来这个高级报表有了OLAP任意多维度分析功能，业务员终于不再需要为了多维分析建立无数张表格表样进行关联，可以很轻松地查看各个维度下的指标并且在各维度间轻松切换，不过仍然是停留在分析阶段。近年来，很多商业智能系统开始支持数据挖掘的功能，商业智能终于被赋予了“预测未来，辅助决策”的神奇功能。这似乎已经是我们所需要的未来商业智能吗？并不是的，即使有了数据挖掘功能，随着信息爆炸时代的来临，商业智能面临着前所未有的挑战：

• BI传统的过滤、上钻、下钻、比较等功能也难于满足一些特殊企业用户的分析要求。
• 如何来保证外部数据的准确性、实时性和有效性是个重大问题。.
• 在多媒体、智能手机和社交网站获取的信息，我们正面临着比以往任何时候都更多的数据，传统数据仓库的性能已无法应付庞大的信息，只有通过大数据（Big Data）技术使我们能够访问和使用这些宝贵的、大规模数据集，以应对越来越复杂的数据分析和更好的商业决策制定。

未来商业智能

• 操作型商业智能。BI用户群也会相应地从现在的后台管理决策层向前端业务操作型用户延伸。
• 交互式商业智能。预测、分摊、假设模拟、数据挖掘等技术应用将会越来越普遍。
• 可视化商业智能。越来越多的用户不再满足于传统的图像展现，而要求数据的进一步可视化。
• 实时商业智能。由于BI应用将向操作型发展的特点，也导致了用户对BI应用的实时性需求。
• 移动商业智能。将原来人们依赖于电脑的商业智能搬到了手机或者黑莓上。
• SaaS商业智能。商业智能作为云计算，作为服务来使用。 

 

BI与报表系统

　　实现现有业务报表的问题常被作为BI应用的开始，虽然务实，但却是一个陷阱。传统的报表系统和BI是有本质区别的。传统的业务报表系统针对分离的事务处理而设计扁平系统，并不擅长于结构化的的分析和统计。而一个独立的BI系统，能够从传统业务系统中获取各类业务数据，通过数学模型建立多层次的分析体系，并将其转化成有商业意义的信息。BI的应用需求往往复杂多变。BI的实施复杂性远远超过传统的报表系统。不能带着传统事务处理系统的思维模式进行BI系统实施。

　　另外，报表系统和BI的使用对象和目的也不尽相同。报表系统更着重于短期的运作支持，而BI则关注长期的战略决策，甚至更着重于商业趋势和业务单元的联系而非具体的数据和精确度本身。BI并不是用来代替着眼于日常运做的报表系统的！这种理解的含糊非常容易导致对BI项目复杂度和资源的投入要求估计不足。

 

BI与ERP

　　在ERP环境中安装数据仓库是一个相当经济的建议。因为，从基础架构的角度上看，BI数据库和ERP有许多共通之处。两者都采用分布式架构存储海量数据，因此，双方进行融合的可能性很大；两者都为大范围终端用户提供深度访问的能力；两者都具有高度的分布性和应用程序的可扩展性，尽管这种特性在BI上体现得不是很明显；两者基于同样的前提。即利用直接或者间接数据作为预测工作的信息参考。

　　在过去10年中，ERP技术和BI都有重大的发展，但它们的发展道路或多或少是并行的。两者的商业判断能力都有赖于信息技术，但功能特点却各自针对于商业智能(Business Intelligence)和业绩跟踪(Performance Tracking)的不同方面。

　　虽然存在类似之处，但BI和ERP绝对不是同一事物或是同一事物体的两个方面，它们是互补的系统。

它们最大的共性就是，它们使企业运行得更有效率、响应更及时并易于整合。因此，已实施了ERP的企业需要BI是显而易见的。

　　行业客户实施ERP之后,就建立起了新的业务处理模式。ERP系统所涉及的所有业务流程通过整合彼此协调，打破了原有的部门分割局面。公司内所有环节的信息获知能力都得到了提升，企业内外的业务处理瓶颈将被打破，响应速度也能相应改善。

　　BI能提高行业用户在关键领域的信息获知能力及掌控精度。首先，报告格式将大大改良,整合后的用户数据无疑使报告进行得更快、更及时、更精确。其次,信息传输也将越来越实时化，在各部门周转时间将大为减少。最后，业务处理流程当中可能出现的问题和失误也易于及时发现，从而使纠错工作更加迅速和准确。

　　通过BI,孤立、分散的企业数据按历史记录顺序彼此相关了，而且能按高效、易于提取的结构进行存储；行业用户由此就可以按不同的透视方法进行快速分析。与传输数据不同，一旦信息进入数据仓库或局部领域的数据集市，它就不可改变。它成为了分析型数据，而非传输型数据。因此，行业用户可以做的分析就不再是简单的总结，他们可以按自己设置的分析方法对数据进行任何深度的分析。这种数据仓库按照执行快速、灵活可变的形式组织起来，数据访问变得异常简便(用户不需专门应用软件就能访问，就像从书架上取下一本书一样方便)。

 

BI与DSS、ISS

　　商业智能作为一种新兴的决策支持体系，与传统的DSS、EIS相比，在以下方面存在明确的优势。

　　使用对象范围

　　商业智能的使用对象不再像DSS、EIS仅仅局限于企业的领导与决策、分析人员，而是扩展到企业组织内外的各类人员，为他们提供决策支持服务，既有企业经理一类的企业领导和高层决策者，又有企业内部各部门的职能人员，还包括客户、供应商、合作伙伴等企业外部用户。

　　具有的功能

　　从以上分析看出，商业智能具有传统DSS、EIS所不具有的强大的数据管理、数据分析与知识发现能力。

　　知识库状态

　　传统的DSS、EIS中的知识库是在建立的系统中设置好的，库中的知识很少发生变化。即使发生变化，采用定期人为更新的方法修改。而BI系统是一个闭合循环的动态系统。数据源部分来自各应用系统的反馈，并且数据挖掘可以从现有的数据仓库或数据集市中发现新知识，随时对知识库中的内容进行自动修正，所以BI中的知识库是一种动态结构。

　　但商业智能也存在不足。商业智能的目标与DSS一样，是为了提高企业决策的效率和准确性。但BI是通过数据分析、知识发现工具提供有价值的、辅助决策的信息和知识，用户必须根据这些信息和知识，运用现有的企业知识和经验进行判断，做出决定，极少数具备智能决策的能力。不像专门的决策支持系统那样提供方案生成、方案协调、方案评估等功能，更不具备群体决策的能力。

6、应用实例

某家上市公司的销售副总裁每周五下午要和全国各大区的销售总监开视频会议，一般情况下他需要事先了解一下公司上周的销售情况，这时他进入公司的商业智能系统，查看销售周报表，报表的横坐标是时间，纵坐标有：“销售目标”、“实际收入”、“收入指标达成率”。这张报表显示了每周销售变化情况。

       副总裁为了进一步弄清楚某一大区及大区下属的几大城市的销售数据，只要使用钻取功能，用鼠标轻轻在屏幕上点击几下，该大区及大区下各城市的销售数据便一目了然。钻取即这种从“全国水平”（宏观）到“地区水平”（微观）的分析过程。然后，副总裁需要了解在某一区域的销售数据中，哪些是直销完成的，哪些是渠道完成的，这种从报表视图的某一个角度到另外一个角度的视角转换过程被称为“切片”。钻取和切片的操作都非常简便，只需用鼠标简单地在电子报表上轻点几下即可完成。在上面的分析过程中，涉及到了“维”这个概念，即观察问题的角度。

       这位销售副总裁的分析维度包括：时间、大区、销售模式，以这三个维为三个轴线来观察数据，就形成了一个信息立方体，立方体的每一个小单元都包含了企业管理者需要追踪的消息，包括一个特定地区、特定时间、特定销售渠道的各项指标的全部信息，通过对立方体的切片或切块分割，可以从不同的视角观察各种数据。通过“钻取”和“切片”，这位副总裁知道了销售情况的变化是哪个大区、哪些城市、直销或者代理渠道出现了问题，这种灵活快速的查询和分析如果通过过去的ERP报表查询是很难完成的。

通过实例可知，使用BI系统，可以将不同的数据源关联对应在一起，对企业信息进行管理、分析、自动生成报表，提高分析决策的效率和质量

1）Tableau

Tableau 帮助人们将数据转化为可以付诸行动的见解。探索无所不能的可视化分析。只需点击几下即可构建仪表板，进行即兴分析。与任何人共享自己的工作成果，对公司发挥更大影响力。从全球性企业到早期初创企业和小企业，使用 Tableau 来查看和理解数据的人无处不在。

2）Power-BI

它是基于中国客户的需求来设计的，而且平台化的设计，可以更好的满足客户的个性化需求。在Power-BI平台上，客户只需轻松拖拽就可完成报表及分析模型的设计，无须代码编写。

 

主流的商业智能工具包括 Style Intelligence（思达商业智能）、FineBI商业智能软件、BO、COGNOS、BRIO。一些国内的软件工具平台如KCOM也集成了一些基本的商业智能工具。

 

公安领域BI产品应用解决方案

李宁集团在零售领域BI产品应用解决方案

奥克斯集团BI系统成功应用

应用商业智能提升水泥企业的管理效率

总结：

ØBI就是从数据中挖取利润。

ØBI采用一种通俗易懂、易于操作的智能化经营模式，其特点主要是灵活性、可配置性和可变化性

ØBI主要应用于客户消费行为分析、市场营销建模分析、经营活动收支分析和行为分析和预防四大领域

Ø数据仓库、OLAP和数据挖掘技术是BI的三大技术支柱

Ø相比传统业务系统，BI分析速度更快，展现更强大，真正实现了零编码快速制表。

Ø目前，BI应用很广，BI厂商很多，各类成型的产品、工具也大量涌现