0 引言
随着经济全球化的发展、信息化时代的来临以及信息存储成本的不断下降，企业的不同情境信息也在飞速地增长丰富，比如供应商信息、产品信息、库存状况、客户信息、订单数据、交易信息、时间和环境信息等等。然而，这些重要的信息资源都分布在ERP/CRM/SCM等业务系统或者平面文件中，形成了一个个的“信息孤岛”。给信息的整合、挖掘并发现其中的知识带来了挑战。统计表明，目前大多数的企业对其进一步的整合利用率及其效果都很低，国内企业数据有效利用率不足7%。因此，充分挖掘隐藏在企业数据资产中的信息和知识，可以利用其巨大商业价值提升企业决策的准确性。另外专业的信息化工具不仅能够保证信息知识挖掘的准确性，还可以及时地把信息和知识体现出来。目前，商务智能BI(Business Intelligence)已成为领先企业与传统企业产生差异化的重要因素。
Gartner Group最早于1996年提出了BI的概念。商务智能系统能够帮助企业获得最准确及时的信息，为企业赢得竞争的优势。它主要是运用OLAP和数据挖掘技术对数据仓库内整理好的多维数据集进行分析和挖掘，数据仓库里面的数据则是通过ETL 工具对分散的信息进行整理、集合后得到的。
根据Gartner最新发布的报告显示，BI市场正在以每年9%的速度增长，预计到2014年市场价值将高达810亿美元，2020年将增长至1360亿美元。Gartner认为，BI市场已经进入爆发期。
从国际范围来讲，BI市场的竞争格局并不复杂。IBM、甲骨文、SAP与微软作为BI领域四大巨头，凭借能够提供ERP等信息管理解决方案的综合性优势，占据了全球BI市场2/3的份额。
(1) IBM的定义(企业界)：商务智能是一系列在技术支持下简化信息收集、分析的策略集合，以充分运用企业的数据资产来制定更好的商务决策。企业的决策人员运用各种查询分析工具、联机分析处理或者是数据挖掘技术来从数据仓库提取有利信息，经过决策人员的行业知识判断，进而做出快速正确决策帮助企业提高利润，增加生产力和竞争力。
(2)Osizak认为(学术界)：商务智能是一系列的概念、方法和流程的集合，其目标不仅是帮助决策，而且是支持企业的战略实施。它的主要任务是面向不同信息源的智能浏览、集中、综合及多维分析。
实际上，商务智能是一个综合的概念，不同的人从不同的角度，会得出不同的见解。从技术角度看，商务智能是以企业中的数据仓库为基础，经由联机分析处理工具、数据挖掘工具以及决策人员的专业知识，帮助企业把运营数据转化成为高价值的可以获取的信息(或者知识)。因此商务智能不是什么新技术，它只是数据仓库、联机分析处理和数据挖掘等技术的综合应用。其技术结构体系如图1所示。
图1 BI技术架构
1 运营分析系统研究
从管理学的角度来讲，运营就是对运营过程的计划、组织、实施和控制，是与产品生产和服务创造密切相关的各项管理工作的总称。从另一个角度来讲，运营管理也可以指为对生产和提供公司主要的产品和服务的系统进行设计、运行、评价和改进。那么，运营分析就是运用一定的分析工具和方法对运营过程中产生的数据进行综合研究从而提取里面的信息知识，以揭示企业运营规律和问题，从而辅助决策者进行及时正确地决策。
运营分析的基本思想是：在基于企业内外部数据库而形成的数据仓库已经建立的前提下，通过查询分析、层次分析、联机分析处理、数据挖掘等方法和技术，对客户的各种销售、客户服务、经营、市场营销等一系列运营分析范畴的数据进行统一的提取和分析，以便识别出数据内体现出来的市场机会、并依据各方面的环境信息制定可靠的市场策略，从而改善客户关系、提高企业的市场竞争力。
根据企业的现实业务需求，企业的运营分析可以归纳成如下六大功能模块：综合经营分析，销售分析，人力资源分析，供应链分析，内容分析，统计报表管理，运营分析系统功能模块如图2所示。
图2 运营分析系统功能模块
运营分析为战略决策层提供的应用价值：1)实现垂直透视查询，增强管理透明度，减少信息不对称，强化经营者管理责任。2)能够对资金、存货和下属关键指标进行监控，大大提高了集团的管控能力，降低运营风险。3)能够在一个系统内掌控企业经营的整体信息，告别信息孤岛，实现跨业务领域的多维度分析，优化资源配置。
运营分析为经营决策层提供更好地进行领域内的资源配置，提高资源使用效率;动态监控和多业务主题的灵活查询使得管理的时效性增强，可以捕捉更多的市场机会和更快地进行决策，加快对市场和客户需求的相应;提高运营成本或收入的可预见性，更好地实现经营目标。
运营分析可构建企业统一、集中的运营分析与决策平台；为企业业务数据的信息化管理配置完整的数据分析模型；为企业业务数据分析创造最大的价值空间。
商务智能是对企业海量信息进行汇总、分类，挖掘有价值的信息，是一种将数据转变为信息、将信息转变成知识的工具，并且这种工具能够在恰当的时候，通过恰当的方式，把恰当的信息传递给恰当的人。运营分析是通过处理企业数据流实现商业增值。运营分析的焦点是处理数据流。现在大部分运营分析是与管理财务、需求、供应链交易的企业交易系统结合起来的。在新的分析走向中，推动者并不是数据流本身，而是新的硬件和描述数据的新方法。
通过分析运营分析与商务智能之间的关系可以看到，商务智能可以与运营分析进行整合应用。整合后的运营分析可以以商务智能为技术支撑，依托于商务智能技术实现业务应用，将传统的分析方法借助于商务智能平台来实现。商务智能与运营分析的整合可以为企业提供业务分析，帮助企业迅速制定决策，提高企业竞争优势。
2 数据仓库的ETL过程
数据ETL是用来实现对异构数据源进行数据集成的过程，即完成数据的抽取、清洗/转换、加载与索引等数据调和工作。抽取、转换加载过程的目的是为运营分析与决策应用提供一个单一的、权威的数据仓库。因此，要求ETL过程产生的数据是详细的、历史的、规范化的、可理解的、即时的和质量可控的。ETL的过程如图3所示。
图3 ETL过程
数据抽取就是从源系统中获取业务数据的过程。数据的抽取需要充分满足商务智能系统的决策分析需要。为了保证不影响系统的性能，数据抽取时需要考虑很多因素，包括：抽取方式、抽取时间和抽取周期等内容。一般情况下，数据清洗的目的就是选择有缺陷的数据，然后再将它们正确化和规范化，从而达到用户要求的质量标准。其中数据缺陷可能包括以下几种情况：数值重复、数据缺失、数据错误、数据范围混淆、存在“脏”数据和数据不一致性等几种情况。其中数值重复是指标准不唯一，很多数据都代表着相同的含义。数据范围混淆是指相同的数值代表着不同的含义。数据转换是指对抽取出的源数据根据数据仓库模型的需求，进行一系列数据转换的过程。数据转换是整个ETL过程中复杂程度最高的过程，包括对数据不一致性的转换，业务指标的计算和某些数据的汇总，为决策分析系统提供数据支持。数据的加载过程就是将已经转换完成的数据，存放到目标数据库的过程。这是ETL过程的最后一步，需要保证加载工具必须具有高效的性能去完成数据加载，同时还需要考虑数据加载的周期和数据加载的策略。数据加载策略包括时间戳的加载方式、全表对比的加载方式、通过读取日志表进行加载的方式、全表删除后再进行加载的方式。
总之，ETL工作是数据仓库建设的一个重要步骤，它通过对分散的数据进行统一抽取、清洗、转换和加载操作，数据仓库中的数据才能一致、清洁、全面和面向分析决策。因此，必须给予ETL充分的重视。
