1.3 商业智能的功能与技术

1.3.1 商业智能系统的功能架构

按照从数据到知识的处理过程，一般BI系统的功能架构如图1-2所示，分为数据底层、数据分析层和数据展示层三个功能层级。其中，数据底层负责管理数据，包括数据采集、数据ETL、数据仓库构建等；数据分析层主要利用查询、OLAP（Online Analytical Processing，联机分析处理）、数据挖掘，以及数据可视化等分析方法抽取数据仓库中的数据并进行分析，形成数据结论；数据展示层用于呈现报表和可视化图表等数据见解。

图1-2 商业智能系统的功能架构

1.3.2 商业智能的主要技术

对照BI系统的功能架构，BI的主要技术也可以分为展示类、分析类和支撑类三个层级，如图1-3所示。

图1-3 商业智能的主要技术

1．展示类技术

BI最核心的技术是展示类的数据可视化技术，抛开企业数据量级的不同和深度分析的需求，数据可视化技术能够满足最基本的BI目标，即将数据转化为信息并辅助决策。数据可视化的具体形式又分为报表和可视化图表两大类，其中，报表是我国大多数企业目前采用的数据展示形式。

数据可视化旨在借助图形化手段，清晰有效地传达与沟通信息。其基本思想是，将数据库中每个数据项用单个图元素表示，并将大量的数据集构成数据图像，同时将数据的各属性值以多维数据的形式表示，从而让企业从不同的维度观察数据，对数据进行更深入的观察和分析。例如，柱形图、折线图和饼图等一些基础的图表就可以直观地展示数据。当数据较为复杂时，可以通过复杂图表搭配多样的交互效果来将数据直观化。

2．分析类技术

OLAP、数据挖掘等分析类技术能够基于现有数据帮助企业更深入地洞察。数据挖掘技术需要一定数据量的支撑，而企业不一定要等到数据量足够大时才应用BI。结合我国企业的信息化现状，数据挖掘目前并不是BI系统的关键技术需求。

OLAP主要关注多维数据库和多维分析。OLAP委员会对OLAP的定义：使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化来的、真正为用户所理解并真实反映企业特性的信息进行快速、一致、交互的存取，从而更深入地了解数据的一类软件技术。

3．支撑类技术

支撑类技术包括ETL、数据仓库、元数据管理和大数据技术等，用于管理繁杂的、不断增长的企业数据，为整个BI系统提供持续的、强力的、稳定的支撑。

数据仓库（Data Warehouse）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）。数据仓库的出现并不是要取代数据库。大部分数据仓库还是用关系数据库管理系统来管理的，数据库、数据仓库相辅相成、各有千秋。

ETL（Extract-Transform-Load）用来描述数据从来源端经过抽取（Extract）、交互转换（Transform）、加载（Load）至目的端的过程。它是构建数据仓库的关键环节。数据仓库主要为决策分析提供数据，所涉及的操作主要是数据查询，所以ETL在很大程度上受企业对源数据的理解程度的影响，也就是说，从业务的角度看数据集成非常重要。

大数据（Big Data）是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要在新处理模式下才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率与多样化的信息资产。顾名思义，大数据技术就是收集、存储、处理、分析大数据的相关技术。当前大部分企业已满足大数据的5V（Volume、Variety、Value、Velocity、Veracity）特征，因此，BI引入大数据技术，旨在从大数据中快速获取价值。

元数据（Metadata）又称中介数据、中继数据，用于描述数据属性，是描述数据的数据（Data about Data），主要用于识别资源，评价资源，追踪资源在使用过程中的变化，实现简单高效的大量网络化数据的管理，实现信息资源的有效发现、查找、一体化组织和对使用资源的有效管理。由于元数据也是数据，因此，可以用类似数据的方法在数据库中进行存储和获取。