1、12目 录商业智能基本概况商业智能市场概况一二商业智能关键技术三商业智能行业应用四u 前言u 商业智能定义u 商业智能发展历程u 分析的八个阶段u BI应用示例u 商业智能价值评估行业现状及发展趋势五企业BI实施、推广策略六34CEO调查 未来3年中，对全球CEO来说（83%），提高公司业绩的重点关注领域是收入增长 CEO仍然密切关注削减成本，68%的CEO在回答中指出削减成本是其第二大关注领域当问及你是否认为你的公司有能力对不断变化的业务环境做出反应时，只有13%的CEO认为他们的组织有这样的能力全球有40%的CEO认为迅速的反应能力极为重要有52%的CEO认为差异化产品非常重要当问及在未来
2、3年里技术要素是否会带来最大的冲击，大多数CEO对适应新技术（76%）和技术冲击（62%）表示关心超过60%以上的CEO认为，未来三年收入增长的最佳机会在于提供新产品或者服务50%以上的CEO认为在于开拓新市场；40%以上的CEO认为是提高客户关系；近30%的CEO认为来自于新渠道；近20%的CEO 认为体现在多元化等6对财务人员的调查状况财务人员感觉很辛苦财务人员感觉很辛苦 l 财务部的平均成本在过去10年间从收入的3%降到1%（最好的公司是0.6%)l 我们减少工作了吗?没有.甚至我们的工作比以前更辛苦.l 而且我们的压力变的越来越大。在2010年，62%的财务人员表示他们在“大”或“非常
3、大”的压力下工作，68%的人员反映他们的压力比早两年更大（63%的人员反映压力正在影响他们的健康）l 在美国，2002年至2004年间，500个CFO中有225个辞去工作。2005年在英国，有50%的CFO辞职。l“财务总监辞职年年有，然而今年特别多”。我们为什么不满我们为什么不满?7 但高层管理者也不高兴但高层管理者也不高兴l 90%的财务经理对花5个月和20%的工作时间来做年计划/预算很不满意。l 每月要花11天做月报表，14天时间做预测。l 仅有37%的决策者认为财务具有决策支持能力（有21%的经理认为财务具有预测能力；仅19%的经理认为财务具有风险管理能力）。l 高级经理平均每月要看1
4、40指标。l 很多CEO不得不处理跌宕起伏的利润以及会计处理的重新调整。我们为什么不满?8我们为什么不满?问题是财务做了太多低价值的工作问题是财务做了太多低价值的工作 l 太多的对帐和月结工作l 太多的指标l 太多的不相关报表l 太多的明细预算、目标和差异报表。l 太多的记分卡l 太多的从不同IT系统出来的表格l 太多的手工处理l 太多的无价值会议9我们为什么不满?和没有足够多的高价值工作和没有足够多的高价值工作l 了解价值驱动因子l 了解哪里能创造价值，哪里不能创造价值（产品、渠道、和客户是值得做的）l 提供更多的相关预测和趋势分析来提高可见度l 帮助管理者更好的进行风险评估与调整。l 提供
5、外部数据实现内部核查（参照同行、竞争者和基准决定我们怎样做？）l 通过系统的整合实现持续计划和资源优劣排序以支持最好的投资机会。l 通过措施与行动的统一来帮助管理者执行他们的策略10如何改变现状如何改变现状11财务新视角12创造时间简化、标准化、和授权简化、标准化、和授权 l 从明细的、复杂的组织中释放出来（包括预算、目标、和更多的措施/报表与项目）l 自动的、集中的、标准的（可能是外部资源）处理日常工作。l 将计划编制和最终决策分散到与客户密切联系的团队（利用统一的整合系统）13发展技能组织和组织和IT平台平台 l 建立高效的财务团队，提供有效的决策支持和表现洞察力（例如价值驱动因子和趋势报
6、表）。l 利用整合的系统(商业智能系统,数据仓库“single version of truth”)迅速传递相关信息，建立每天传递的模型而不是每周或每月传递。14成为商业合作伙伴信赖的、增值的合作伙伴信赖的、增值的合作伙伴 l 了解业务l 洞查其表现（价值驱动因子、趋势分析、相关措施）l 独立公正的意见。15增加价值超越预算超越预算 l 通过KPI、滚动预测支持从年度预算转移到持续循环计划，从而能使相关人员快速反应，经理人通过参照同行，标准数据集中持续提高。l 精益思想是衡量整个流程表现而不是个人的任务或功能。l 仅仅用很少的措施方案就可帮管理者学习、提高（避免了把措施变为目标或协议）和运用趋
7、势报表。l 支持公开的、透明的信息系统。16CIO调查171819商业智能的本质正是把数据转化为知识，致力于知识发现和挖掘，减少数据孤岛、适应新兴技术、实现数据资产化20商业智能的定义-1989年 Gartner首次 提出商业智能概念 综合各种理解的核心，商业智能是指从数据中发现有价值的规律、模式，将数据转化为知识，支持企业的决策、营销、服务的一系列软件、技术、方法的集合。2122商务智能的发展历程第一阶段 信息管理 提供基本、静态信息 固定格式、时间、内容第一阶段 信息管理 建立数据仓库存储业务数据 建立数据集市解决特定的专题分析 提供OLAP应用 第一阶段 信息管理 建立客户为中心的数据仓
8、库和数据集市 集成复杂的管理工具（OLAP、数据挖掘和业务评估）数据分析影响业务模式 集成客户交流渠道 第一阶段 信息管理 软件到服务（SaaS BI）具有可配置型、灵活性及变化性更强的功能 可视化和模型化 嵌入式BI 实时BI业务报表数据仓库分析与优化灵活和可视化更有效的智能化管理商务智能发展欧美BI市场开始进入成熟期，主要处于分析优化阶段我国BI市场已经走出导入期，开始进入成长期，BI软件在我国的认知程度和接受程度达到55%和15%以上，在大型企业，这个比例高达95%和53%。计世咨询预测，我国BI市场的成长期将持续8年，于2018年左右进入成熟期23发现-业务问题24发现被动决策25发现
9、主动决策26Source（SAS）27282930商业智能的价值3132传递更高的业务价值3334案例1：工行数据仓库应用实例35案例2-如何避免高校学生客户在毕业后开始流失36案例3：信用卡套现分析37案例4：虚假按揭分析38案例5：国外某银行ATM交叉销售（1）39案例5：国外某银行ATM交叉销售（2）40案例5：国外某银行ATM交叉销售（3）41商业智能价值体系概述42商业智能价值体系分析方法与模型概述43数据仓库成熟度评估模型的引入补充价值分析的“漏洞”44数据仓库成熟度评估模型45数据仓库成熟度评估-评分标准示例46寻找和最佳实践的缺口就是下一次改进的机会47目 录商业智能基本概况商
10、业智能市场介绍一二商业智能关键技术三商业智能行业应用四u 市场概况u 市场并购u 市场规模u 市场结构u 主要供应商行业现状及发展趋势五企业BI实施、推广策略六4849国内商业智能的潜在需求50国内BI市场规模515253Magic Quadrant for Business Intelligence Platfroms545556厂商产品及简介IBMDB2以及Cognos、SPSS、Datastage，覆盖BI全部领域OracleOracle、Hyperion、BIEE、ODI，覆盖BI全部领域，数据挖掘领域有待加强MicrosoftSQLServer，覆盖BI全部领域，适合中小型企业，性价
11、比高Informatica Informatica，主要是数据集成领域TeradataTeradata，主要是数据仓库领域SybaseSybaseIQ，主要是数据仓库领域SAPBusinessObjects、CrystalReports，主要是Olap和报表领域SASSAS，数据挖掘领域领先财务绩效和战略管理应用软件预算编制、财务报表合并、盈利分析、战略管理客户关系管理分析应用软件销售、客户服务、呼叫中心、市场、网站分析、价格优化查询、报表和分析工具软件仪表盘、报表生成、联机分析、即席查询高级分析工具软件数据挖掘与统计内容分析工具软件空间信息分析工具软件供应链分析应用软件采购、物流、库存、生产
12、服务运营分析应用软件金融服务、教育、政府、医疗、通讯服务等等生产计划分析应用软件需求、供给和生产计划人力资源分析应用软件数据仓库管理软件数据仓库生成软件数据抽取、转换、载入；数据质量数据仓库管理平台绩效管理和分析应用软件商业智能工具软件58目 录商业智能基本概况商业智能市场介绍一二商业智能关键技术三商业智能行业应用四u 体系架构u ETLu 数据仓库（DW）u 元数据（Metadata）u 数据挖掘（DM）u 联机分析技术（OLAP）行业现状及发展趋势五企业BI实施、推广策略六59基本体系架构源系统层ETL层ODS+DWETL层数据集市层应用层展现层转换转换报表模型查询模型战略决策模型经营分析
13、模型数据挖掘模型 企业报表即席查询多维分析电子地图监控预警计量统计经济分析数据挖掘虚拟雇员基础业务信息数据库操作型数据存储系统管理平台数据源元数据管理技术元数据商业元数据管理运维管理平台应用安全管理系统监控管理ETL技术数据仓库技术J2EE架构元数据管理技术SOA架构XMLWEBServices数据仓库方法论数据治理方法论数据存储技术PORTAL技术洗漱合并总部系统地产板块系统房托板块系统交通板块系统金融板块系统其他板块系统系统技术架构外部数据补录数据区61关键技术-ETLETL特征以串行/并行方式，从不同异构数据 数据源流向统一的目标数据，核心在于转换过程（关联、聚集），而抽取和装载一般可以
14、作为转换的输入和输出。ETL元数据主要包括每次转换前后的数据结构和转换的规则。数据同步，数据ETL是经常性的活动，按照固定周期运行，甚至实施运行。庞大的数据量，需要ETL工具具有良好的伸缩性。流程控制和数据验证机制。62关键技术数据仓库（DW）DW定义按照W.H.Inmon这位数据仓库权威的说法，“数据仓库（Data Warehouse）是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。”面向主题的（subject-oriented）：数据仓库围绕一些主题，如顾客、供应商、产品和销售组织。数据仓库关注决策者的数据建模与分析，而不是集中于组织机构的日常操作和事物处理。因
15、此，数据仓库排除对决策无用的数据，提供特定主题的简明视图。集成的（integrated）：通常，构造数据仓库是将多个异种数据源，如关系数据库、一般文件和联机事务处理记录集成在一起。使用数据清理和数据集成技术，确保命名约定、编码结构和属性度量等指标的一致性。时变的：数据存储从历史的角度提供信息。数据仓库中的关键结构，隐式或显式地包含时间元素。非易失的（nonvolatile）：数据仓库的数据是有历史保存意义的，数据仓库的数据也只使用添加的方式，进入数据仓库的数据一般情况下是不需要更新的，这样就保证了数据的稳定性。通常，它只需要三种数据访问：数据的初始化装入、数据的添加和数据的查询访问。63关键技
16、术元数据(MetaData）元数据定义元数据通常定义为“关于数据的数据（例如：视图，查询SQL，事务，存储过程）”，是描述和管理数据仓库自身内容对象、用来表示数据项的意义及其在系统各组成部件之间的关系的数据。元数据作用于数据仓库的创建，维护，管理和使用各个方面。是从广义上讲，用元数据来描述数据仓库对象的任何东西无论是一个表、一个列、一个查询、一个商业规则、或者是数据仓库内部的数据转移。它在数据源的抽取，数据加工，访问和使用等过程中都会存在。实现元数据管理的主要目标就是使企业内部元数据的定义标准化。数据仓库的维护工具可以根据元数据完成数据的抽取、清洗和转换、并做适度的汇总。数据仓库的元数据包括1
17、）数据资源：包括各个数据源的模型，描述源数据表字段属性及业务含义，源数据到数据仓库的映射关系；2）数据组织：数据仓库、数据集市表的结构、属性及业务含义，多维结构等等；3）数据应用：查询与报表输出格式描述、OLAP、数据挖掘等的数据模型的信息展现；4）数据管理：包括数据仓库过程以及数据仓库操作结果的模型，包括描述数据抽取和清洗规则、数据加载控制、临时表结构、用途和使用情况、数据汇总控制。64关键技术数据挖掘数据挖掘定义数据挖掘（Data Mining）是采用数学的、统计的、人工智能（人工生命、数篇论文）和神经网络等领域的科学方法，从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式
18、和趋势，并用这些知识和规则建立用于决策支持的模型，为商业智能系统服务的各业务领域提供预测性决策支持的方法、工具和过程。数据挖掘前身是知识发现（KDD，Knowledge Discovery in Databases），属于机器学习的范畴，所用技术和工具主要有统计分析（或数据分析）和知识发现。知识发现与数据挖掘是人工智能、机器学习与数据库技术相结合的产物，是从数据中发现有用知识的整个过程。65常见的业务问题及数据挖掘模型业务分类业务分类具体问题具体问题挖掘模型挖掘模型分析方法分析方法/技术技术钱包份额/争取新客户(Wallet Share/Acquisition)预测客户购买新产品的倾向Cros
19、s-Sell Response Model决策树/对数回归预测客户扩展服务用量的倾向Up-sell Response Model 决策树/对数回归预测客户升级服务的倾向Upscale Response Model决策树/对数回归客户挽留及保育(Retention)预测哪些客户会终止服务的使用Churnsentry Solution决策树/对数回归改善挽留行动的效率Response Model描述型分析/响应模型欺诈/拖欠侦测(Fraud/Delinquency)预测客户拖欠账单支付的倾向Propensity to Delinquent对数回归预测拖欠客户对催缴的响应Propensity to
20、Collect决策树欺诈侦测及管理Fraudsentry Solution规则归纳基础/知识(Infrastructure/Knowledge)了解客户购买不同产品的情况Product Affinity关联规则评估客户对运营商的利润贡献度Value ScoreABC成本核算评估客户的价格敏感度Price Sensitivity Profiling描述型分析/聚类预测客户称为高价值客户的倾向Propensity to be VIP对数回归客户信用度评估Credit Scoring/Credit Model描述型分析客户分群Psycho-demographic Profiling聚类分析预测营收变
21、化趋势Revenue Forecast线性回归预测客户的服务使用量变化趋势Usage Forecast线性回归66数据挖掘方法论67关键技术联机分析处理技术（OLAP）联机分析处理技术是独立于数据仓库的一种技术，它通过快速、一致、交互地访问各种可能的信息视图，帮助数据分析人员、管理人员、决策人员掌握数据之间的规律。OLAP是多维分析工具，它具有：快捷、可分析性、共享性、多维性和信息性等特点。在OLAP中，信息被抽象为一个数据立方体（cube），一个立方体由维（Dimension）和度量（Measure）构成。维是相同数据的集合（产品，时间，地区，财务指标），度量是个定量的值。这个多维的数据模型
22、是OLAP的核心，也是商务智能的支柱。OLAP的目的是帮助用户完成维度之间各种组合的汇总。68目 录商业智能基本概况商业智能市场介绍一二商业智能关键技术三商业智能行业应用四u 应用领域u 银行BI应用u 电信BI应用u 航空BI应用u 企业BI应用行业现状及发展趋势五企业BI实施、推广策略六69商务智能的应用领域商务智能的应用划分为纵向商务智能和横向商务智能纵向商务智能：比如财务系统中的管理会计就是商务智能的一部分，从以前关注运营报表，到关注整个财务的运作情况，像现金流、资产负债等。人力资源系统可以称为智能人力资源，关注员工的流失率，分析从什么途径招聘的员工流失率最高，分析公司人才结构、人才培
23、养方向等。横向商务智能：举例来说，比如汽车制造厂生产多款不同的车型，公司老总会问，生产哪一款车型、生产多少，企业的效率能够达到最高？这样的问题，不能通过分析单独的系统，因为效益最高取决于生产成本、人力资源成本、市场的需求、竞争对手、市场定价等多方面的信息。而这些信息则分散在财务系统、人力资源系统、采购系统中，这就需要系统和信息有效的整合才能解决这个问题，所以称为横向商务智能。70金融业商业智能应用71电信业商业智能应用72航空业商业智能应用客户分析客户的分布状态和数量了解客户资源的变化情况 现有、潜在、综合价值分析，贡献度构成与排名 分析销售渠道的销量和客户数的变化情况分析客户的 交易构成对交
24、易次数、交易频率、交易额等排序 客户变动分析客户价值分析销售渠道分析客户交易分析客户分布分析客户的响应程度和流失分析衡量客户关系 分析客户的购买特点和变化趋势客户满意度和忠诚度分析客户特征分析客户响应和流失分析对目标市场进行评估进而采取有针对性地市场策略 对竞争情况进行多方面分析计划与实际结果对比分析，优化营销计划评价市场活动，找出最佳市场活动效果点对销售线索进行实时分析市场分析销售分析合同、报价、定单分析销售计划分析销售分析销售业绩分析从多个维度分析众多指标；多级钻取；排名、分布、构成、占比、对比、同比、环比、趋势 等分析。销售过程分析衡量销售计划和费用的执行效果。分析各阶段的执行情况；对异
25、常情况进行预警；形成经验累积。分析执行情况；找出最有利可图的销售合同、报价、定单。服务分析服务优化和改进分析 成本和收入分析 投诉与退货分析 提升服务质量，赢得客户满意和忠诚。q 优化产品结构q 提升产品质量q 强化产品竞争能力1.对各类产品的销售金额、销售量、销售分布等进行分析；用BI技术对销售金额、销售量等进行钻取；对利润贡献度进行排序；利用BI技术分析利润的构成、趋势。分析产品质量问题的性质、所涉及的因素等；对投诉次数、投诉原因进行统计和排序分析。各类产品销售趋势的动态分析 找出各类产品的特征；得出产品广度、产品深度、重点产品、畅销产品、滞销产品、季节产品等多种指标 产品分析合作伙伴分析
26、合作伙伴分析绩效分析区域业务员部门绩效分析 报表绩效指标分析绩效考核80财务分析可以用于预算、决算、成本控制、财务规划等关键的财务数据分析和报告。可以从各种总帐系统中得到数据并且具有简单易用的分析界面。项目、分析和预算经理们可以通过该系统进行成本控制、分析利润、评估商业机会、并规划未来的发展方向。81目 录商业智能基本概况商业智能市场介绍一二商业智能关键技术三商业智能行业应用四行业现状及发展趋势五企业BI实施、推广策略六82行业现状分析金融、电信行业是BI应用最集中的行业，约占40%的市场分额，保险、能源、烟草、政务行业约占30%的市场份额，制造、零售行业约占30%的市场份额，是BI应用最具潜
27、力的行业。金融：随着国内五大商业银行的信息化不断发展，在BI领域投资稳步增长，每年均有大量的BI需求，其中BI已经不仅局限于高层管理者的决策，操作型BI应用越来越广泛，尤其是信贷评审领域。中小型银行BI需求也不断涌现，未来将是金融行业BI市场的主要增长点。在未来5年时间里，BI应用在金融行业仍将高速发展。电信：电信行业信息化程度很高，对信息化依赖很强，积累了大量的数据，具有实施商业智能项目的基础条件和资金实力。电信行业对于BI深入应用是最渴望的，在话费套餐设置、客户潜力分析等都需要数据挖掘技术来提供决策依据。在这些行业，实力雄厚的BI厂商已占据有利的地位。83商业智能发展趋势及预测n 企业并购
28、和重组仍将继续n 中小企业BI应用逐渐扩大市场份额n BI企业将在垄断中不断新生n MDM将在大型企业中逐步应用n 内存中的分析n 操作性BI应用得到发展n 移动商业智能n 云商业智能n 社交、协作的商业智能84目 录商业智能基本概况商业智能市场介绍一二商业智能关键技术三商业智能行业应用四u 背景概况u 商业智能定义u 商业智能发展历程u 商业智能价值分析行业现状及发展趋势五企业BI实施、推广策略六85BI项目的体征7要素86商业智能项目实施方法实施方法说明优点缺点自上而下把数据仓库定义为一个大系统，“全局考虑，全面实施”，建立适合企业信息共性需求的完整的数据模型，然后从业务运营系统中提取数据
29、，进行数据的清洗、合并、规范化和合理化，并加载到数据仓库中，形成企业统一的数据集成平台，最后可以根据部门个性需要将数据仓库的数据分发到面向主题的数据集市中。企业统一的数据集成平台集中化的控制管理数据容易分发到各个数据集市中开发过程复杂，费用高；开发时间长，难以满足快速变化的业务需求；需要进行大量的业务需求分析，需要大量的资源；结构比较僵化，比较难以扩展自下而上大量的旧系统，想要在短时间内进行数据的合理性和完整性统一是相当困难的，而市场变化和企业决策规则变化不允许花大量的时间和精力去建立一个满足日后需求，但不满足现在变化的系统。自下而上的开发方法就是根据特定的业务主题，“分部门考虑，分部门实施”
30、，可以在很短的时间内实现部门级的数据集市，多个数据集市组成企业联邦制的数据仓库。可以并行开发；见效快；分散化的资源和管理控制很难协调各个数据集市的建设；可能存在着部门之间的政治斗真和数据集市归属问题；如果采用不同的技术建立起来的数据集市，最终造成多个相互独立，互不兼容的“烟囱式”数据集市，给维护和数据共享带来很大的障碍；多种数据源采集系统，可能造成对业务系统的冲击和数据的不一致；元数据驱动元数据管理在商业智能项目开发建设中有很重要的作用。元数据驱动、螺旋上升的数据仓库建立的过程就是“建立元数据-构建数据仓库/集市”的不断循环、不断上升的过程。建立企业数据的统一视图；有统一的元数据管理；具有灵活
31、可扩展的体系结构；分步式开发，螺旋式上升，既能快速看到效果，又保证系统的连续性、一致性如何真正实现这种方式，提取和维护元数据并不是一件很难的事情，而在实际的实施过程中，如何真正地实现元数据的驱动则不是一件容易的事情。87实施方法论88实施策略数据种类少、数据量大是企业商业智能应用的最佳环境，因为这将有利于数据的整合、转换、清洗、抽取、装载及数据模型的建立。首先确定企业需求，定义明确的目标和收益率，以重点业务为突破口（自上而下），选择合适的数据仓库产品和系统架构，迅速部署，风险控制，然后在使用中逐步调整和完善整个BI系统。从一开始就采取统一的综合性的措施来建立数据仓库，确保所用的数据是可靠的。充分沟通。系统上线后对使用人员进行必要的培训，鼓励使用。设立专门的数据分析师。BI的目的是要从中找出最有价值的数据，如果没有相应的人对其进行跟踪处理，它的价值也就只停留在迅速做出报表的层面了。商业智能项目是一个需要不断优化的循环过程，而不是一个可以一步到位的结果，在整个企业发展商业智能的过程中，重复是很正常的，也是很必然的。89BIU的建立与起步90什么是BIU91先进企业的BIU组织架构参考例子及BIU组织定位92银行的BIU组织架构参考例子93BIU组织的责能 谢谢！
