商務(wù)智能在物流操作中的應(yīng)用

    隨著我國經(jīng)濟(jì)發(fā)展及對外交流加強(qiáng)，現(xiàn)代物流作為現(xiàn)代經(jīng)濟(jì)的重要組成部分得到迅猛發(fā)展。物流管理不僅表現(xiàn)為實物流動，更表現(xiàn)為對計劃、控制等蘊(yùn)含于物流過程中無形管理的組織效率和技術(shù)創(chuàng)新?！拔锪鞴芾恚畔⑾刃小币呀?jīng)成為全球物流企業(yè)共識。一方面，物流質(zhì)量取決于信息，物流服務(wù)依靠信息，商務(wù)智能通過對數(shù)據(jù)的采集、整理、挖掘和分析，為物流企業(yè)組織內(nèi)的各層次人員提供信息，提高企業(yè)的決策能力，加快決策速度，確保決策準(zhǔn)確性，同時實現(xiàn)企業(yè)內(nèi)部的遠(yuǎn)程管理。另一方面，也為企業(yè)外部用戶提供有效信息，共同分享銷售、庫存等商業(yè)數(shù)據(jù)，共同進(jìn)行品類分析和管理，提升了對外服務(wù)水平。商務(wù)智能作為一項新興技術(shù)已成為物流管理中最有利的工具之一。

    一、商務(wù)智能

    1.1商務(wù)智能的含義

    商務(wù)智能英文是Business intelligence,最早由美國加特納公司的分析師霍華德·德萊斯納 （Howard Dresner）提出。商務(wù)智能在國外已經(jīng)日趨成熟，但在中國仍處于初步發(fā)展階段。對商務(wù)智能的研究不乏專家學(xué)者，關(guān)于商務(wù)智能的含義，不同的學(xué)者根據(jù)自身的理解給予不同看法，主要有以下幾種：

    （1）商務(wù)智能是指通過數(shù)據(jù)的收集、管理、分析及轉(zhuǎn)化，使數(shù)據(jù)成為可用信息，從而獲得必要的洞察力和理解力，更好地輔助決策和指導(dǎo)行為。

    （2）商務(wù)智能是運用了數(shù)據(jù)倉庫、聯(lián)機(jī)分析和數(shù)據(jù)挖掘技術(shù)來處理和分析數(shù)據(jù)的技術(shù)，用戶可以無障礙的直接查詢和分析數(shù)據(jù)庫和數(shù)據(jù)倉庫，找出影響商業(yè)活動的關(guān)鍵因素，最終幫助用戶做出更好、更合理的決策。

    （3）商務(wù)智能是應(yīng)用于internet上的集查詢、報表、分析為一體的聯(lián)機(jī)分析處理工具，企業(yè)用戶在客戶端可對數(shù)據(jù)進(jìn)行深層次的挖掘、鉆取、切片等分析處理，輕松完成數(shù)據(jù)的分析處理、報表統(tǒng)計工作。

    （4）商務(wù)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)化的商務(wù)數(shù)據(jù)和信息，創(chuàng)造和累計商務(wù)知識，改善商務(wù)決策水平，采取有效的商務(wù)行動，完善各種商務(wù)流程，增強(qiáng)企業(yè)的綜合競爭力。

    （5）商務(wù)智能是通過利用多個數(shù)據(jù)源的信息以及應(yīng)用經(jīng)驗和假設(shè)，促進(jìn)對企業(yè)動態(tài)特性的準(zhǔn)確理解，以便提高企業(yè)的決策能力的一組概念、方法和過程的集合。它通過數(shù)據(jù)的獲取、管理和分析，為企業(yè)組織的各種人員提供信息，以提高企業(yè)的戰(zhàn)略和戰(zhàn)術(shù)決策能力。

    （6） 根 據(jù) 國 際 數(shù) 據(jù) 公 司（International Data Company,IDC）的定義，商務(wù)智能是對商業(yè)信息的搜集、加工、管理和分析的過程，目的是使企業(yè)各級決策者獲得知識或洞察力，促使他們更快地做出對企業(yè)更有利的決策。

    總之，商務(wù)智能是利用計算機(jī)、通信等現(xiàn)代科學(xué)技術(shù)，針對的是企業(yè)如何收集、整理、分析和分享信息的流程，可以為企業(yè)提供信息，擴(kuò)大信息受眾范圍，增加信息價值，為及時、準(zhǔn)確進(jìn)行決策提供服務(wù)。其基本功能包括個性化的信息分析、預(yù)測發(fā)展趨勢和輔助決策。

    1.2 商務(wù)智能的結(jié)構(gòu)

    商務(wù)智能體系結(jié)構(gòu)一般為：源數(shù)據(jù)層、數(shù)據(jù)轉(zhuǎn)換層、數(shù)據(jù)倉庫 （數(shù)據(jù)集市）層、OLAP及數(shù)據(jù)挖掘層、用戶展現(xiàn)層。數(shù)據(jù)倉庫（Data Warehouse DW）、聯(lián)機(jī)分析處理 （On Line Analytical Processing,OLAP）和數(shù)據(jù)挖掘 （Data  Mining ,DM）是商務(wù)智能的三大技術(shù)支柱。DW是商務(wù)智能系統(tǒng)的基礎(chǔ)，是面向主題的、集成的、穩(wěn)定的和隨時間不斷變化的數(shù)據(jù)集合。OLAP技術(shù)的核心是 “維”,通過對多維數(shù)據(jù)的鉆取、切片及旋轉(zhuǎn)等分析動作，來完成決策支持和多維環(huán)境下的查詢及報表。DM是從海量數(shù)據(jù)中提取隱含在其中的、人們事先不知道的但又可能有用的信息和知識的過程。挖掘的數(shù)據(jù)有多種來源，包括數(shù)據(jù)倉庫、數(shù)據(jù)庫或其他數(shù)據(jù)源。所有的數(shù)據(jù)都需要再次進(jìn)行選擇，具體的選擇方式與任務(wù)相關(guān)。挖掘的結(jié)果需要進(jìn)行評價才能最終成為有用的信息。按照評價結(jié)果的不同，數(shù)據(jù)可能需要反饋到不同的階段，重新進(jìn)行分析計算。數(shù)據(jù)挖掘的常用方法包括關(guān)聯(lián)分析、分類和預(yù)測、聚類、檢測離群點、趨勢和演變分析等。

    數(shù)據(jù)倉庫（Data Warehouse DW）、聯(lián)機(jī)分析處理 （On Line Analytical Processing,OLAP）和數(shù)據(jù)挖掘 （Data  Mining ,DM）是商務(wù)智能的三大技術(shù)支柱，其中數(shù)據(jù)倉庫是商務(wù)智能的基礎(chǔ)。數(shù)據(jù)倉庫是一個更好地支持企業(yè)或組織的決策分析處理的數(shù)據(jù)集合，它有面向主題、集成、相對穩(wěn)定、隨時間不斷變化四個特性。聯(lián)機(jī)分析處理是以海量數(shù)據(jù)為基礎(chǔ)的復(fù)雜分析技術(shù)。數(shù)據(jù)挖掘是從海量數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的但又可能有用的信息和知識的過程。

   1.2.1數(shù)據(jù)倉庫

    對于數(shù)據(jù)倉庫概念有各種不同的版本，數(shù)據(jù)倉庫之父比爾。恩門 （Bill Inmom）給予如下描述：數(shù)據(jù)倉庫是 一 個 集 成 的 （Integrated）、 具 有 主 題 導(dǎo) 向 的（Subject Oriented）、相對穩(wěn)定的（Non-updatable）、隨時間變化的 （Time Variant）的數(shù)據(jù)集合，用于支持管理決策和商務(wù)智能。

    在數(shù)據(jù)倉庫里，數(shù)據(jù)是在對不同來源的數(shù)據(jù)抽取、清理的基礎(chǔ)上經(jīng)過系統(tǒng)加工、匯總和整理得到的一個緊密的整體；數(shù)據(jù)所提供的信息是關(guān)于某一特別的主題而不是關(guān)于一個公司的日常運營；數(shù)據(jù)倉庫在構(gòu)建之初就明確其主題，即確定決策涉及的范圍和所要解決的問題。數(shù)據(jù)倉庫的一個重要作用是為決策者提供必要的智能，促進(jìn)決策者更好的理解商務(wù)危機(jī)、商務(wù)機(jī)會和運營狀況。在決策支持過程中，數(shù)據(jù)倉庫主要有四個流程：整合，執(zhí)行，智能和創(chuàng)新，如圖1所示

  數(shù)據(jù)倉庫在決策支持中的流程 數(shù)據(jù)倉庫在決策支持中的流程

   1.2.2數(shù)據(jù)挖掘

    數(shù)據(jù)挖掘一詞，來源于英文Data  Mining ,還有一些相近的術(shù)語，如知識發(fā)現(xiàn) （Knowledge Discovery inDatabase）數(shù)據(jù)分析 （Data Analyzing）、數(shù)據(jù)融合（Data Fusion）等。在 《數(shù)據(jù)挖掘─概念與技術(shù)》一書中這樣描述：數(shù)據(jù)挖掘技術(shù)就像從礦石中采礦一樣，可以從這些數(shù)據(jù)的 “礦山”中抽取出知識的 “金子”來。數(shù)據(jù)挖掘是指從大量數(shù)據(jù)中發(fā)現(xiàn)潛在的、有價值的及未知的關(guān)系、模式和趨勢，并以易被理解的方式表示出來。通過數(shù)據(jù)挖掘可以發(fā)現(xiàn)數(shù)據(jù)之間的復(fù)雜聯(lián)系以及這種聯(lián)系對決策的影響。在數(shù)據(jù)倉庫基礎(chǔ)上挖掘的知識通常以圖表、可視化等形式表示出來，但所挖掘的知識并不都是有意義的，必須進(jìn)行評價、篩選和驗證，把有意義的知識放到知識庫中，隨著時間的推移將積累更多的知識。

    （1）關(guān)聯(lián)分析。即利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖掘，而關(guān)聯(lián)規(guī)則是描述事物之間同時出現(xiàn)的規(guī)律的知識模式，關(guān)聯(lián)分析的目的是挖掘出隱藏在數(shù)據(jù)間的相互關(guān)系。

    （2）序列模式分析。序列模式分析和關(guān)聯(lián)分析相似，他把數(shù)據(jù)之間的關(guān)聯(lián)性與時間性聯(lián)系起來，為了發(fā)現(xiàn)序列模式，小僅需要知道事件是否發(fā)生，而且需要確定事件發(fā)生的時間。其目的也是為了挖掘數(shù)據(jù)之間的聯(lián)系，但序列模式分析的側(cè)重點在于分析數(shù)據(jù)間的前后或因果關(guān)系。

    （3）分類分析。分類分析就是分析示例數(shù)據(jù)庫中的數(shù)據(jù)。為每個類別做出準(zhǔn)確的描述建立分析模型或挖掘出分類規(guī)則。這些類別描述可以給新記錄加上標(biāo)簽，以確定其所屬類別。

    （4）聚類分析。與分類分析小同，聚類分析法的輸入集是一組未標(biāo)定的記錄，也就是說此時輸入的記錄還沒有進(jìn)行任何分類。其目的是根據(jù)一定的規(guī)則，介理地劃分記錄集介，使組之間的差別盡可能大，組內(nèi)的差別盡可能小。實際應(yīng)用有市場劃分、尋找相關(guān)群體等。