智能物流 第04章

1、第4章商業(yè)智能、學(xué)習(xí)要點(diǎn)、商業(yè)智能的概念商業(yè)智能的核心技術(shù)商業(yè)智能在智能物流中的應(yīng)用趨勢、片假名計(jì)程儀、4.5總結(jié)4.4商業(yè)智能的智能物流應(yīng)用、4.3商業(yè)智能決策分析技術(shù)、4.2商業(yè)智能的概念、思考問題、4.1.1商業(yè)智能的定義、商業(yè)智能概念的提出是1996年，gartnergirl 它描述了一系列概念和方法，并通過應(yīng)用基于事實(shí)的通訊端口系統(tǒng)來鼎力相助業(yè)務(wù)決策。 商業(yè)智能技術(shù)是一種通過管理分析等手段，提取有用的信息，轉(zhuǎn)化為知識(shí)，為企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策的工具。 商業(yè)智能的定義目前學(xué)術(shù)界的商業(yè)智能定義不統(tǒng)一。 商業(yè)智能被理解為是一個(gè)收集、管理和分析商業(yè)信息的過程，目的是讓企業(yè)各級決策人員通過

2、數(shù)據(jù)的表面獲取潛在的知識(shí)，從而為企業(yè)做出更有利的業(yè)務(wù)運(yùn)營決策。 商業(yè)智能的定義(續(xù))總結(jié)：商業(yè)智能(BI，Business Intelligence )通過數(shù)據(jù)倉庫、聯(lián)機(jī)分析處理、數(shù)據(jù)挖掘等技術(shù)，應(yīng)用基于事實(shí)的通訊端口系統(tǒng)，從而收集、管理和分析企業(yè)內(nèi)部和外部的數(shù)據(jù)，為企業(yè)提供決策鼎力相助、4.1.1商業(yè)智能的定義、為企業(yè)提供決策鼎力相助的智能系統(tǒng)、4.1.2商業(yè)智能的背景和主要特征、商業(yè)智能的背景傳統(tǒng)：報(bào)告系統(tǒng)的新型：商業(yè)智能系統(tǒng)被替代的原因：數(shù)據(jù)“擁擠”現(xiàn)象：大量數(shù)據(jù)的不規(guī)則羅列和數(shù)據(jù)的不一致。 數(shù)據(jù)內(nèi)的價(jià)值被埋沒：數(shù)據(jù)轉(zhuǎn)換為信息和知識(shí)的過程中存在困難。 企業(yè)運(yùn)營模式的轉(zhuǎn)變：從傳統(tǒng)形式向電子

3、商業(yè)轉(zhuǎn)型，產(chǎn)生大量電子數(shù)據(jù)。 數(shù)據(jù)庫和自動(dòng)智能技術(shù)的發(fā)展：新技術(shù)使企業(yè)能夠以更低的成本獲得更高的IT投資收益率。 商業(yè)智能是企業(yè)利用現(xiàn)代信息技術(shù)收集、管理和分析結(jié)構(gòu)化和非結(jié)構(gòu)化業(yè)務(wù)數(shù)據(jù)和信息，創(chuàng)造、積累業(yè)務(wù)知識(shí)和見解，提高業(yè)務(wù)決策水平，采取有效的業(yè)務(wù)行動(dòng)，完善各種業(yè)務(wù)流程，提高各方面的業(yè)務(wù)績效，提高綜合競爭力的智慧和因此，隨著企業(yè)信息化的發(fā)展，商業(yè)智能已成為企業(yè)決策人員的重要工具。 4.1.2商業(yè)智能的背景和主要特征，商業(yè)智能的主要特征，商業(yè)智能技術(shù)提高企業(yè)效率減少人才采集，增加數(shù)據(jù)分析時(shí)間，4.1.3商業(yè)智能對智能物流的完善，商業(yè)智能從4個(gè)方面完善智能物流系統(tǒng)，4.1.3商業(yè)智能對智能物流的

4、完善，4.3 商業(yè)智能系統(tǒng)的商業(yè)智能技術(shù)基于商業(yè)智能技術(shù)，收集數(shù)據(jù)，理解數(shù)據(jù)流在系統(tǒng)中的應(yīng)用，發(fā)現(xiàn)數(shù)據(jù)在企業(yè)中的應(yīng)用過程。 源數(shù)據(jù)層，也就是原始數(shù)據(jù)，收集包括財(cái)務(wù)系統(tǒng)、銷售系統(tǒng)、庫存系統(tǒng)、顧客服務(wù)等的企業(yè)內(nèi)數(shù)據(jù)，和包括網(wǎng)絡(luò)沖突目的地信息、其他外部環(huán)境的外部數(shù)據(jù)。 常用軟件：大型應(yīng)用程序SAP、ORACLE、中型軟件用友、金蝶等。商業(yè)智能系統(tǒng)的結(jié)構(gòu)、4.2.1系統(tǒng)的構(gòu)成和運(yùn)行、數(shù)據(jù)集成，即數(shù)據(jù)轉(zhuǎn)換層將分散的異種數(shù)據(jù)源的數(shù)據(jù)，例如相關(guān)數(shù)據(jù)、平面數(shù)據(jù)文件等提取、轉(zhuǎn)換、加載到臨時(shí)中間階層，最后加載到數(shù)據(jù)倉庫和數(shù)據(jù)大市集，聯(lián)機(jī)分析處理、數(shù)據(jù)計(jì)時(shí)器數(shù)據(jù)處理方法：簡單的轉(zhuǎn)換數(shù)據(jù)格式的轉(zhuǎn)換數(shù)據(jù)集成。 常用軟件

5、：微軟的SQLSever2005的SSIS工具、Informatica、Datastage等。 數(shù)據(jù)倉庫(DW )鼎力相助工商管理的決策過程，以便進(jìn)行主題的、集成的、穩(wěn)定的、隨時(shí)間變化的數(shù)據(jù)集合。 數(shù)據(jù)倉庫可以為多維分析和數(shù)據(jù)挖掘等分析工具提供必要的有條不紊的數(shù)據(jù)。 一般軟件： SQLSever、Oracle、Sybase等。4.2.1系統(tǒng)的配置和運(yùn)行，聯(lián)機(jī)分析處理(OLAP )使分析人員、管理員能夠從不同的角度(維)從原始數(shù)據(jù)(當(dāng)前和歷史數(shù)據(jù))轉(zhuǎn)換，以快速、一致的方式將反映數(shù)據(jù)真實(shí)性的信息提供給實(shí)際用戶一般軟件： SQL sever analysis服務(wù)、Hyperion Essbase等。

6、 數(shù)據(jù)挖掘(DM )進(jìn)行數(shù)據(jù)的摘要、概念的記述、分類、聚類、相關(guān)性分析、偏差分析、進(jìn)化分析、建模、預(yù)測等。 一般軟件： SAS、SPSS等。 信息展示(Display )負(fù)責(zé)以格拉夫、格拉夫、圖像、仿真等人們?nèi)菀桌斫獾姆绞絹肀憩F(xiàn)原始數(shù)據(jù)之間的復(fù)雜關(guān)系、潛在的信息和發(fā)展趨勢，決策人員能夠更好地利用掌握的信息資源。 常見軟件： Microsoft的ReportingServices、CrystalReport工具、BusinessObjects等另一種是OLAP演示工具，如Microsoft的SSAS和Excel。4.2.1系統(tǒng)的構(gòu)成和運(yùn)行、商業(yè)智能系統(tǒng)的體系結(jié)構(gòu)、4.2.2系統(tǒng)的對象和系統(tǒng)的優(yōu)勢

7、、商業(yè)智能系統(tǒng)的對象決策的初級階段(操作層)決策的中級階段(戰(zhàn)術(shù)層)決策的高級階段(戰(zhàn)略層)、各階段的工作場景、4.2.2系統(tǒng)的對象和系統(tǒng)的優(yōu)勢、 決策初級階段的決策所需的信息是原始數(shù)據(jù)的分類、集約、排序，對經(jīng)營活動(dòng)的直觀印象。 數(shù)據(jù)：銷售、市場、財(cái)務(wù)、運(yùn)營等方面。 決策的中間段階段是這樣的原因探索：在中間段階段，從不同的角度對分類匯總數(shù)據(jù)中的詳細(xì)數(shù)據(jù)和相關(guān)牛鼻子性能指標(biāo)(Key Performance Indicator，KPI )的表現(xiàn)以及相關(guān)的詳細(xì)數(shù)據(jù)進(jìn)行交叉觀測，從而得到反映在數(shù)據(jù)中的商業(yè)結(jié)果。 主要KPI :反映財(cái)務(wù)分析指標(biāo)顧客管理指標(biāo)反映過程管理指標(biāo)反映人力資源指標(biāo)。 決策高級階段

8、的企業(yè)根據(jù)數(shù)據(jù)判斷未來，根據(jù)特定數(shù)學(xué)模型的化學(xué)基得到的分類信息預(yù)測未來市場，為行動(dòng)提供指導(dǎo)方針。 趨勢預(yù)測分析法：指數(shù)平滑分析、時(shí)序回歸預(yù)測等方法，數(shù)據(jù)挖掘技術(shù)和運(yùn)營計(jì)劃中的其他方法等。4.2.2系統(tǒng)對象和系統(tǒng)優(yōu)勢、決策鼎力相助三個(gè)層次、4.2.2系統(tǒng)對象和系統(tǒng)優(yōu)勢、商業(yè)智能系統(tǒng)目的商業(yè)智能系統(tǒng)目的獲得高投資收益率、應(yīng)用度高、體會(huì)越深，投資回報(bào)也越豐富。 商業(yè)智能系統(tǒng)的應(yīng)用為企業(yè)決策智能提供了完善的技術(shù)保障，使決策更加快速、準(zhǔn)確、科學(xué)。商業(yè)智能價(jià)值顯現(xiàn)，4.2.2系統(tǒng)對象和系統(tǒng)優(yōu)勢，案例分析公司：雅戈?duì)柤瘓F(tuán)行業(yè)：服裝轉(zhuǎn)換原因：市場由買方市場轉(zhuǎn)換為買方市場，利潤減少是訂貨生產(chǎn)排程模式無法及時(shí)滿足

9、市場需求庫存積壓，物流成本急劇上升軟件使用： IBM Cognos軟件的改進(jìn)效果：訂單反應(yīng)能力和生產(chǎn)周期縮短50%，庫存周轉(zhuǎn)率提高1倍以上，缺貨損失減少30%以上工廠交貨率達(dá)到99%以上，4.3.1數(shù)據(jù)倉庫技術(shù)(Data Warehouse，Data Warehouse ) 數(shù)據(jù)倉庫技術(shù)數(shù)據(jù)倉庫(DW )是來自各種數(shù)據(jù)源的數(shù)據(jù)，是提取、轉(zhuǎn)換、加載、加工、匯總的數(shù)據(jù)。 它是一組反映了面向主題、集成、相對穩(wěn)定和歷史變化的數(shù)據(jù)，并鼎力相助了管理決策支持。cn 10201755646 aa . 數(shù)據(jù)倉庫的優(yōu)點(diǎn)是提取、轉(zhuǎn)換、加載源數(shù)據(jù)，提高利用數(shù)據(jù)的價(jià)值。 經(jīng)整理的數(shù)據(jù)是關(guān)于一個(gè)主題的特定的篩選出的數(shù)據(jù)

10、的集合，滿足決策的不同目標(biāo)和要求。克服了數(shù)據(jù)庫有限的查詢、數(shù)據(jù)容易重復(fù)、利用率低的缺點(diǎn)。 4.3.1數(shù)據(jù)倉庫技術(shù)(Data Warehouse，DW )、數(shù)據(jù)倉庫與數(shù)據(jù)庫和傳統(tǒng)的操作型數(shù)據(jù)庫相比，數(shù)據(jù)倉庫具有主題、集成、相對穩(wěn)定、反映歷史變化的特點(diǎn)。 數(shù)據(jù)倉庫與數(shù)據(jù)庫的區(qū)別，4.3.1數(shù)據(jù)倉庫技術(shù)(Data Warehouse，DW )，數(shù)據(jù)倉庫與數(shù)據(jù)集市的數(shù)據(jù)倉庫優(yōu)點(diǎn)：數(shù)據(jù)量多、信息豐富、全面等。 缺點(diǎn)：查詢速度慢，營銷對象不強(qiáng)。 數(shù)據(jù)市場為數(shù)據(jù)倉庫中的缺陷生成的數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)。 我屬于數(shù)據(jù)倉庫。 提供對應(yīng)部門或業(yè)務(wù)的目的或適用范圍的數(shù)據(jù)。 提高查詢的效率和精準(zhǔn)性。 數(shù)據(jù)倉庫和數(shù)據(jù)市場的差異4

11、.3.2聯(lián)機(jī)分析處理技術(shù)(OLAP )、出現(xiàn)聯(lián)機(jī)分析處理技術(shù)的背景聯(lián)機(jī)處理(OLTP )在1993年前被普遍使用在線分析處理(OLAP )是1993年由數(shù)據(jù)庫的父代E. F. Cold提出的，滿足不斷增長的數(shù)據(jù)處理需要。 替代的原因：數(shù)據(jù)存儲(chǔ)小，無法滿足數(shù)據(jù)查詢分析能力的原因是只能提供簡單查詢結(jié)果的OLTP和OLAP的差異，4.3.2聯(lián)機(jī)分析處理技術(shù)(On Line Analytical Processing，OLAP )、“維”概念OLAP多對數(shù)據(jù)有進(jìn)一步了解的傳統(tǒng)關(guān)系數(shù)據(jù)庫無法滿足要求，新技術(shù)需要稱為多維數(shù)據(jù)庫。 維度是聯(lián)機(jī)分析處理的核心概念，是我們觀察世界的角度，是高級的類型劃分。 維可

12、以表示屬性，如時(shí)間屬性稱為時(shí)間維，位置屬性稱為位置維。4.3.2在線分析處理(OLAP)OLAP的定義OLAP委員會(huì)將企業(yè)的維度特征反映為真實(shí)信息，分析人員、管理員或執(zhí)行者可從不同角度從原始數(shù)據(jù)轉(zhuǎn)換而來的、真實(shí)、快速、一致的交互在多維環(huán)境、復(fù)雜結(jié)構(gòu)下滿足決策人的特定要求，對數(shù)據(jù)進(jìn)行各種操作，得到查詢結(jié)果，以通訊端口形式呈現(xiàn)，側(cè)重于決策鼎力相助。 E. F. Cold是指OLAP系統(tǒng)的12個(gè)準(zhǔn)則、4.3.2聯(lián)機(jī)分析處理技術(shù)(OLAP )、OLAP的功能特征、4.3.2聯(lián)機(jī)分析處理技術(shù)(OLAP) OLAP的多維分析方法OLAP中的多維分析是指，對以多維形式組織的數(shù)據(jù)進(jìn)行各種分析動(dòng)作， 分析數(shù)據(jù)，

13、使最終用戶能夠多方面、多方面地觀察數(shù)據(jù)，從而能夠深入理解數(shù)據(jù)中的信息、內(nèi)容。 在多維分析方法中，切片：將多維數(shù)據(jù)的任意二維作為觀察角度。 原理：拋棄部分維度，集中分析二維數(shù)據(jù)。 截距(Dice ) :選擇多維數(shù)據(jù)的任意三維作為觀察角度。 原理：拋棄某些維度，集中分析三次元資料。 樞紐分析(Pivot ) :改變維度的方向，讓使用者可以從不同角度分析資料。 原理：交換行和列，或?qū)⒛承芯S變?yōu)榱芯S。 向下鉆研(Drill down ) :縮小一個(gè)維度的測量單位，以更清楚地了解資料。 原理：從摘要數(shù)據(jù)向下鉆取到詳細(xì)數(shù)據(jù)。 上滾(Drill up ) :在一個(gè)維中將較低級別的詳細(xì)數(shù)據(jù)匯總為較高級別的摘要

14、數(shù)據(jù)的原理：在向下鉆取的反過程中，減少維數(shù)。 4.3.3數(shù)據(jù)挖掘技術(shù)(Data Mining，DM )、數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘(Data Mining，DM )也稱為知識(shí)發(fā)現(xiàn)(KDD )，是龐大的數(shù)據(jù)集合嗎在此過程中使用自動(dòng)智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析、數(shù)據(jù)庫系統(tǒng)等工具。數(shù)據(jù)挖掘的目標(biāo)是針對特定數(shù)據(jù)、特定問題選擇一個(gè)或多個(gè)挖掘算法，發(fā)現(xiàn)有價(jià)值的未知關(guān)系、趨勢，提取有效信息，提取知識(shí)，最后以適當(dāng)?shù)闹R(shí)模型提示，對決策人員進(jìn)行進(jìn)一步分析。 4.3.3數(shù)據(jù)挖掘技術(shù)(DM )，數(shù)據(jù)挖掘方法分類3360對數(shù)據(jù)庫中的樣本數(shù)據(jù)進(jìn)行分析，對應(yīng)各類別描述，挖掘分類規(guī)則。 遇到新數(shù)據(jù)時(shí)，在編寫的類別中找到與自各兒相匹

15、配的類別，確定新數(shù)據(jù)的類別。 集群(Clustering):集群也稱作集群，其輸入定徑套是尚未分類的數(shù)據(jù)。 其目的是基于一定的規(guī)則，合理地分割記錄查詢密碼的集合，盡可能增大組間的差，盡可能減小組內(nèi)的差，例如市場區(qū)隔等。 序列規(guī)則相關(guān)分析(Association ) :分析兩種事物出現(xiàn)在云同步上的規(guī)則。 序列分析(Sequence ) :發(fā)現(xiàn)事物的出現(xiàn)規(guī)則和時(shí)間的關(guān)系。 估計(jì)預(yù)測回歸預(yù)測(Regression ) :包括主要元素體分析法和相關(guān)分析法。 這是使用一系列現(xiàn)有數(shù)字預(yù)測連續(xù)數(shù)字的可能值。 時(shí)間序列：使用現(xiàn)有數(shù)字預(yù)測將來的數(shù)字。 所分析的數(shù)值都與時(shí)間相關(guān)。4.3.3數(shù)據(jù)挖掘技術(shù)(Data

16、Mining，DM )、一些數(shù)據(jù)挖掘方法的示例、4.3.3數(shù)據(jù)挖掘技術(shù)(Data Mining，DM )、商業(yè)智能系統(tǒng)三大通訊端口技術(shù)(以上)數(shù)據(jù)倉庫技術(shù)是在聯(lián)機(jī)分析處理和數(shù)據(jù)挖掘的基礎(chǔ)上，在后面的對數(shù)據(jù)倉庫的基本查詢提供了用戶了解發(fā)生了什么的標(biāo)準(zhǔn)記錄通訊端口。 聯(lián)機(jī)分析處理技術(shù)是數(shù)據(jù)倉庫的高附加值技術(shù)。 用戶根據(jù)聯(lián)機(jī)分析處理知道為什么發(fā)生了。 數(shù)據(jù)挖掘技術(shù)是數(shù)據(jù)倉庫的一種高附加值技術(shù)。 數(shù)據(jù)挖掘會(huì)告訴用戶為什么會(huì)發(fā)生，之后會(huì)發(fā)生什么。 三項(xiàng)技術(shù)的復(fù)雜性增加，使用人數(shù)減少。 越是重大的決策，越需要更多的分析處理方法的輔助。 4.3.4展示技術(shù)(Display )、展示技術(shù)商業(yè)智能的展示技術(shù)也稱為信息可視化技術(shù)(Visualization )。 以更易于理解的圖標(biāo)方式表現(xiàn)數(shù)據(jù)的內(nèi)容和內(nèi)容，幫助決策者理解數(shù)據(jù)信息。 提供數(shù)據(jù)收藏的整體樣式。 反映結(jié)構(gòu)、模式和趨勢。 有助于確定“有意義”的信息區(qū)域。 展示技術(shù)：線形圖、圖像直方圖、KIVIAT格拉夫、餅狀圖、散布圖等。部分展示技術(shù)實(shí)例，4.3.4展示