1 供应链及供应链现状
一条完整的供应链可大致分为3部分：企业内部生产供应链、企业之间物流供应链、信息供应链。企业内部生产供应链相对稳定，容易实施优化管理，如采用ERP解决方案；企业之间物流供应链(如仓储、运输、配送等)还有很大的潜力可挖；信息供应链采用基于Internet技术的电子商务远程交易模式。
目前的问题是信息供应链并没有完全发挥指导物流供应链运作的作用。电子商务虽然是解决信息流、商流、货币流的有效途径，但它不能将基本的业务数据转换成知识，提供辅助决策信息。由此，大量的、杂乱的数据堆积到供应链成员内部，传统的OLTP(联机事务处理)系统(如MIS，ERP等)也只擅长处理面向事务层的操作型数据。可见，目前的信息供应链仅实现了数据传输及基本处理功能，而信息供应链中积累的大量历史数据并未被充分利用和开发。
2 商业智能(BI)架构及相关技术
2.1 商业智能概念
商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力，促使他们做出对企业更有利的决策。而BI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。商业智能一般由数据仓库、数据分析、数据挖掘、在线分析、数据备份和恢复等部分组成。
2.2 商业智能(B1)架构和相关技术
从技术层面上讲，BI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。BI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(bad)，即ETL过程，合并数据挖掘与商业智能。
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、OLAP工具等对其进行分析和处理，最后将知识呈现给管理者，为管理者的决策过程提供支持。
数据仓库是BI的基础，许多基本报表可以由此生成，但它更大的用处是作为进～步分析的数据源。所谓数据仓库(Dw)就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。多维分析和数据挖掘是最常听到的例子，数据仓库能供给它们所需要的、整齐一致的数据。
在线分析处理(OLAP)技术则帮助分析人员、管理人员从多种角度把从原始数据中转化出来、能够真正为用户所理解的、并真实反映数据维特性的信息，进行快速、一致、交互地访问，从而获得对数据的更深入了解的一类软件技术。数据挖掘(DM)是～种决策支持过程，它主要基于AI、机器学习、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。图1展示了一个完整的商业智能系统。
图1 服装企业供应链BI技术架构
