本文主要是介绍数据仓库数据挖掘——商业智能概述，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
商业智能（简称：BI）这一概念最早是有Gartner公司于1996年提出
定义：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
从作用上说：BI好比数据炼油厂
从形态上说：BI实际上是帮助企业提高决策能力和云因更努力的概念、方法、过程以及软件的集合。
从技术上说：主要包括数据仓库、联机分析处理、数据挖掘三大技术，还包括数据展现、绩效管理、指标管理以及躯体用于统计和分析商业数据的先进的信息技术
商业智能功能：客户关系管理、经营分析、战略决策支持、绩效管理、产品创新和推广、异常处理
当前典型应用：
一、零售业：预测、营销、产品销售模式
二、保险业：理赔分析、顾客利润率分析、客户价值分析、客户划分、风险分析
三、金融和证券业：顾客利润率分析、信用管理
四、制造业：市场营销、预测、采购分析
五、电信业商业智能应用：客户管理、客户发展分析、业务量分析、收入分析、营销管理分析、市场竞争分析、服务质量分析、大客户分析、欠费和动态
防欺诈行为分析、代理商及渠道分析。
未来CIO(Chief Information Officer)首席信息官们最先考虑实施的信息化项目，排在首位的是商业智能（37.2%），位列信息存储和灾难恢复系统
（33.5%）、客户关系管理（29.8%）和网络安全系统（28.7%）之前。
商业智能要向平台化发展：
商业智能（BI）要向平台化发展
将外部信息以BI服务方式提供，正和到公司内部BI应用程序中
加强对非结构话数据的管理
提高实时性
将群众决策与现有的BI相结合
BI开发过程：
数据-信息-知识-决策
数据仓库技术：
定义：是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持
管理决策（Decision Making Support）。
组成：数据仓库系统有数据仓库（DW）、仓库管理和分析工具三部分组成。
模型：大多数数据仓库都采用“星型模型”。
星型模型是由“事实表”（大表）以及多个“维表”（小表）所组成
事实表：存放大量关于企业的事实数据（数量数据）
维表：存放描述性数据，维表是围绕事实表建立的较小的表
除星型模型外，常见的数据仓库模型还有雪花、星网、3NF等
数据集市：
根据数据的来源不同，数据集市可分为：从属数据集市、独立数据集市
过程：ETL
数据仓库的数据获取需要经过抽取（Extration）、转换（Transform）、装载（Load）三个过程，即ETL过程
ETL占有数据仓库开发过程的70%工作量
联机分析处理（OLAP）技术：
联机分析处理又称多为分析，OLAP基本思想是从多方面和多角度以多维的形式来观察企业的状态、了解企业的变化、辅助决策。
技术核心：“维”这个概念，OLAP可以说是多为数据分析工具的集合
多维数据模型的存储形式：MOLAP（multi-dimensional OLAP，多维OLAP）、ROLAP（relation OLAP，关系OLAP）、WOLAP（Web OLAP）、
HOLAP（hybrid OLAP，混合OLAP）
OLAP的多维分析：
在多维结构上进行切片、切块、钻取等操作。OLAP的典型应用，通过商业活动变化的查询发现问题，经过追踪查询找出问题出现的原因，达到辅助决策的作
用。
数据挖掘：
数据挖掘使用聚类（如神经网络聚类）、分类（如决策树分类）、预测、关联分析等带有探索性的建模功能。任务在于从海量数据中寻找不平常的且有用的商
业运作模型。
数据挖掘的任务包括关联分析、时序模式、聚类、分类、预测等。其中包含的典型算法有Aporior关联分析算法、 K-Mean聚类算法、ID3决策树分类算法、贝叶
斯分类算法等。
这篇关于数据仓库数据挖掘——商业智能概述的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
