大数据时代_破解大数据时代的商业智能密码

几年前，只有具有非常专业技能的人才能将数据转化为可用信息。目前，来自多个来源的数据通常存储在孤岛中，研究通常以分开的，不相交的报告形式提供，这是可以解释的。Edgar Codd认为这是一个问题，并发表了一篇文章，改变了人们对数据库的想法。他关于开发“关系数据库模型”的建议得到了广泛的普及，并在全球范围内进行了调整。

决策支持系统（DSS）是第一个要开发的数据库管理系统。许多历史学家建议从DSS数据库发展而来的商业智能的现代版本。商业智能供应商的数量在20世纪80年代增长，商业人士发现商业智能的价值。在此期间开发了各种工具，目的是以更简单的方式访问和组织数据。OLAP，执行信息系统和数据仓库是与DSS合作开发的一些工具。

在线分析处理（OLAP）是一种系统，允许用户从各种来源分析数据，同时提供多种范式或观点。为OLAP配置的数据库使用多维数据模型，支持复杂的分析和即席查询。OLAP的标准应用包括：

· 销售业务报告

· 营销

· 管理报告

· 业务流程管理（BPM）

· 预算和预测

· 财务报告和类似领域

· 新的应用，如农业

OLAP“很受欢迎，因为它提供了各种组合和组织信息的方式。作为基于SQL的程序，当NoSQL变得流行时，它失去了人气。（目前，一些公司，如Kyvos Insights，Platfora和AtScale，已将OLAP分层到NoSQL基础上。）OLAP支持三个基本操作：

· 合并

· 向下钻取

· 切片

合并涉及组合可以多种方式存储和处理的数据。例如，所有分公司的汽车销售都可以由汽车销售经理来计算，以此来预测销售趋势。另一方面，下钻技术支持浏览和研究细节。人们可以通过颜色，风格或气体消耗来查看汽车销售。切片可让人们在OLAP多维数据集上取出（切片）特定数据，并从不同的角度（有时称为“多维”中的维度）查看（骰子）这些切片。

在20世纪70年代末，CEO们开始使用互联网来研究商业信息。这导致软件的开发，称为执行信息系统（EIS），以支持上层管理层作出决策。EIS旨在提供“精简”决策过程所需的适当和最新信息。该系统在显示信息时强调图形显示和易于使用的界面。EIS的目标是将高管变成“动手”的用户，他们处理自己的电子邮件，研究，约会和阅读报告，而不是通过中间男人/女人收到这些信息。由于其实际上有所帮助，EIS逐渐失去知名度。

随着企业开始定期使用内部数据分析解决方案，数据仓库在20世纪80年代开始流行起来。（这通常是在下午5点和周末之后完成的，因为当时计算机系统的局限性）。在数据仓库之前，需要大量的冗余来为决策过程中的不同人员提供有用的信息。数据仓库大大减少了访问数据所需的时间。传统上存储在多个位置（通常以部门孤岛的形式）的数据现在可以存储在单个位置。

数据仓库的使用也有助于开发大数据的使用。突然间，可以从单个数据存储区访问大量数据，以各种形式（电子邮件，互联网，Facebook，Twitter等）访问，节省时间和金钱，并访问以前不可用的业务信息。数据仓库的潜力数据驱动的见解是巨大的。这些见解增加了利润，检测到欺诈和最大限度地减少损失。

商业智能高科技

商业智能，作为一个技术概念，1988年的国际会议后不久，就开启了多路数据分析联合会，在罗马举行。在这次会议上得出的结论，为简化BI分析而努力，同时使其更加用户友好。大量的商业智能业务开始响应会议的结论，每个新业务提供新的商业智能工具。在此期间，BI有两个基本功能：生成数据和报告，并以可呈现的方式组织和可视化。

在20世纪90年代末和21世纪初期，商务智能服务开始提供简化的工具，使决策者变得更加自给自足。这些工具更易于使用，只要所需的功能非常有效。商业人士现在可以通过直接与数据进行数据收集和获取洞察。

商业智能vs分析

目前这两个术语可互换使用。两者都描述了使用数据进行知情，智能的业务决策的一般做法。“商业智能”一词已经发展成为支持企业内部决策者的一系列技术。另一方面，Analytics（分析）已经代表了广泛的数据处理工具，并且作为一个总括语句，涵盖数据仓库，企业信息管理，商业智能，企业绩效管理和治理。

描述性分析

描述性分析描述或总结数据，主要侧重于历史信息。他们描述过去，让人了解以前的行为如何影响现在。描述性分析可用于解释公司的运作方式，并描述业务的不同方面。在最佳情况下，描述性分析会讲述具有相关主题的故事，并提供有用的信息。

预测分析

预测分析预测未来。他们使用统计数据为企业提供有关即将到来的变化的有用见解，例如确定销售趋势，采购模式和预测客户行为。业务用途通常包括预测年底的销售增长，客户可能同时购买哪些产品，以及预测库存总额。信用评分提供了这种分析的一个例子，金融服务使用它们来确定客户按时付款的可能性。

处方分析

处方分析是一个相对较新的领域，仍然有点难以合作。这些分析“规定”几种不同的可能行动，并指导人们解决问题。这些分析都是提供咨询。基本上，他们预测多个期货，并允许公司根据他们的行为来评估许多可能的结果。在最佳情况下，规范分析将预测会发生什么，为什么会发生，并提供建议。较大的公司已经使用规范分析来成功优化调度，收入流和库存，从而改善客户体验。

流分析

流分析是不断计算，监控和管理基于数据的统计信息，并在竞争之前采取行动的实时过程。这个过程涉及知道和对任何时刻在市场上发生的事件进行操作。作为一项新工具，它大大改善了有用的信息流向决策者。

Streaming Analytics的数据可以来自各种来源，包括手机，物联网（IoT），市场数据，交易和移动设备（平板电脑，笔记本电脑）。它将管理连接到外部数据源，允许应用程序将数据组合并合并到应用程序流中，或者通过处理的信息快速高效地更新外部数据库。Streaming Analytics支持：

· 减少社会媒体崩溃，安全漏洞，飞机坠毁，制造缺陷，证券交易所崩溃，客户流失等造成的损失。

· 实时分析日常业务。

· 找到大数据丢失的机会。

· 创建新业务模式，收入流和产品创新的选择。

Streaming Analytics的一个例子是由芝加哥市开发的“ WindyGrid ”（并与MongoDB建立），协调从各个城市部门获取的700万个数据点。芝加哥的城市工作人员可以分析数据并预测需要资源的位置，适当分配资源，并对问题提供有效的回应。员工可以做出更快速，更明智的决策，更有效地分配资源。WindyGrid彻底改变了芝加哥以成本效益的方式了解，规划和应对各种情况的能力。

想了解更多大数据相关最新资讯和学习资料，扫下方二维码加我吧。