企业信息化与电子商务——商业智能技术体系解析

BI (商业智能) 系统包括数据预处理、建立数据仓库、数据分析和数据展现四个主要阶段。

数据预处理是整合企业原始数据的第一步，它包括数据的抽取 (Extraction)、转换 (Transformation) 和加载 (Load) 三个过程 (ETL 过程)；

建立数据仓库则是 处理海量数据的基础；

数据分析是体现系统智能的关键，一般采用 OLAP (联机分析处理) 和数据挖掘两大技术。OLAP 不仅用于数据汇总 / 聚集，同时还提供切片、切块、下钻、上卷和旋转等数据分析功能，用户可以方便地对海量数据进行多维分析。
数据挖掘的目标则是挖掘数据背后隐藏的知识，通过关联分析、聚类和分类等方法建立分析模型，预测企业未来发展趋势和将要面临的问题；

在海量数据和分析手段增多的情况下，数据展现主要保障系统分析结果的可视化。

一、商业智能（BI）核心架构

1. BI技术栈对比

组件	功能定位	关键技术	典型输出
数据仓库	集成存储历史数据	ETL/ELT	主题数据集
OLAP	多维数据分析	立方体计算	动态报表
数据挖掘	潜在规律发现	机器学习算法	预测模型
前端应用	可视化交互	自助式BI工具	决策仪表盘

---

二、数据仓库体系解析

数据库 vs 数据仓库

数据仓库特征矩阵

维度	数据库	数据仓库
数据组织	按应用分散存储	按主题集成存储
数据操作	频繁增删改查	主要查询分析
时间特性	当前状态记录	历史快照存储
典型场景	交易处理系统(OLTP)	决策支持系统(OLAP)

---

三、OLAP（联机分析处理）

数据处理流程

journey
    title ETL全流程
    section 数据源
    section 数据抽取、清理、转载、刷新
        数据源 --> 数据仓库 --> 数据集市（小的数据仓库，可理解为部门级的数据仓库）
    section OLAP服务
        数据仓库/数据集市 --> OLAP服务器（多维的数据空间，它会上卷、下钻和旋转分析）
    section 分析服务
        查询报表、数据分析、数据挖掘（利用隐藏的知识做分析与预测）

OLAP操作模型

mindmap
    root((OLAP操作))
        上卷(Roll-up)
            细节→汇总
        下钻(Drill-down)
            汇总→细节
        切片(Slice)
            固定维度筛选
        切块(Dice)
            多维度筛选
        旋转(Pivot)
            维度轴交换

记住OLAP（联机分析） 和 OLTP（事务处理）的技巧

联想记忆法

OLAP：把 “L” 看作 “Line”（联机），“A” 看作 “Analysis”（分析），“P” 看作 “Processing”（处理）。可以想象在一个联机的环境下，对大量的数据进行分析处理，比如企业通过对多年的销售数据进行分析，来制定未来的销售策略，这就是 OLAP 的应用场景。

OLTP：可以将 “T” 联想为 “Transaction”（事务）的首字母，“P” 可以联想为 “Process”（处理）。所以 OLTP 就可以理解为处理事务的过程，就像银行转账、超市结账等日常交易场景，都是典型的事务处理，每个事务都有明确的开始和结束，要求数据的准确性和一致性。

---

四、数据挖掘技术解析

核心方法分类

关联分析：挖掘出隐藏在数据间的相互关系。
序列模式分析：侧重点是分析数据间的前后关系（因果关系）。
分类分析：为每一个记录赋予一个标记再按标记分类。
聚类分析：分类分析法的逆过程。

知识点：
机器学习中的聚类分析，简单来说，就是把一堆数据点按照它们彼此之间的相似程度，自动划分成不同的组或类的过程。就好像在一个大操场上有很多不同的人，聚类分析就是要把那些在某些特征上（比如身高、体重、衣服颜色等）相似的人划分到同一个小组里，而不同小组之间的人在这些特征上就有比较明显的差异。

方法对比矩阵

方法类型	分析重点	典型场景	算法示例
关联分析	数据相互关系	购物篮分析	Apriori算法
序列模式分析	事件前后关系	用户行为路径	PrefixSpan算法
分类分析	标记预测	信用评级	决策树/SVM
聚类分析	数据自然分组	客户细分	K-Means/DBSCAN

---

五、技术演进趋势

技术领域	当前应用	未来方向
实时分析	小时级延迟	亚秒级响应
增强分析	可视化探索	自然语言交互
云原生BI	弹性扩展	无服务器架构
AutoML	自动特征工程	全自动模型调优

行业数据：IDC预测到2025年，75%的企业将采用增强分析技术
实践建议：先建立主题数据仓库，再逐步部署预测性分析能力

---

练习题1：
商业智能是指利用数据挖掘、知识发现等技术分析和挖掘结构化的、面向特定领域的存储与数据仓库的信息。它可以帮助用户认清发展趋势、获取决策支持并得出结论。以下（）活动，并不属于商业智能范畴。
A.某大型企业通过对产品销售数据进行挖掘，分析客户购买偏好
B.某大型企业查询数据仓库中某种产品的总体销售数量
C.某大型购物网站通过分析用户的购买历史记录，为客户进行商品推荐
D.某银行通过分析大量股票交易的历史数据，做出投资决策
答案：B
原因：没有涉及复杂的分析。

---

练习题2：
商业智能系统的处理过程包括四个主要阶段：数据预处理通过（）实现企业原始数据的初步整合;建立数据仓库是后续数据处理的基础;数据分析是体现系统智能的关键，主要采用（）和（）技术，前者能够实现数据的上卷、下钻和旋转分析，后者利用隐藏的知识，通过建立分析模型预测企业未来发展趋势；数据展现主要完成数据处理结果的可视化。
A.数据映射和关联
B.数据集市和数据立方体
C.数据抽取、转换和装载
D.数据清洗和数据集成

A.知识库
B.数据挖掘
C.联机事务处理
D.联机分析处理

A.知识库
B.数据挖掘
C.联机事务处理
D 联机分析处理
答案：
第一个空为C.数据抽取、转换和装载
第二个空为D.联机分析处理
第三个空为B.数据挖掘
原因：对应的概念可以找到对应的答案。

---

思考题：

如何设计零售业客户分群的聚类分析方案？

---

软考经验

需要记住数据仓库的特点，非常有可能直接出题。

---

写在最后 ✨

各位技术小伙伴们～ 👋
如果觉得这篇解析对你有帮助：

• 👉 点击关注 → 不错过后续的架构干货
• 👍 点赞支持 → 您的鼓励是我更新的动力
• 💾 收藏备用 → 搭建系统时随时查阅
• 🎯 转发分享 → 帮助更多小伙伴少走弯路

---

「小贴士」：点击头像→【关注】按钮，系统架构师成长之路不迷路！ 🚀