0 引言
隨著企業信息化的不斷深入，企業的日常業務中生成了大量的數據，但是，大部分用戶除了對現有數據做一些簡單的、局部的和淺層次的查詢外，缺少對其全面分析。怎樣才能把大量數據轉換成可靠的、有用的信息，改變現有“數據泛濫，知識貧乏”的局面，以幫助企業增加利潤和市場份額，已成為企業界和IT 界共同關注的問題。為此，商業智能技術應運而生。
1 商業智能的概念
商業智能(Business Intelligence，簡稱BI)通常被理解為將企業中現有的數據轉化為知識，幫助企業做出明智的業務經營決策的工具。它充分利用現有的業務信息，借助現代信息技術，提取和組織有用信息，幫助用戶在加強管理、促進營銷和企業發展方面作出及時、正確的決策，把握、分析和發現新的商機和潛在的威脅，從而改進財務績效，引導產品潮流、提高服務水平、保持競爭優勢。BI的基本處理過程如下：從不同數據源收集的數據中提取有用數據，對數據進行清理以保證數據的正確性，將數據經轉換、重構后裝載到數據倉庫或數據集市，然后利用合適的查詢和分析工具、數據挖掘工具及聯機分析處理(OLAP)工具等對其進行分析和處理，并且把結果呈現給管理者，為企業的決策提供支持。BI 的基本處理過程如圖1 所示。
圖1 BI 的基本處理過程圖
因此，BI 是一個涉及很寬領域的集收集、合并、分析和提供信息存取功能為一身的解決方案，包括ETL 軟件、數據倉庫、數據集市、數據查詢和報告、多維(聯機)數據分析、數據挖掘和可視化工具。
2 BI 的核心技術
BI 一般由數據倉庫(或數據集市)、OLAP、數據挖掘和前端展示工具等幾部分組成。數據倉庫是BI 的基礎，完成對業務系統數據的整合；OLAP 對數據進行分析；數據挖掘完成知識發現；前端展示工具把分析結果呈現給最終用戶。這幾部分形成統一整體，互相補充能夠對企業的經營狀況進行全面、深入的分析。
2.1 數據倉庫
數據倉庫是一個面向主題的、集成的、非易失的且隨時間變化的數據集合，用來支持管理人員的決策。數據倉庫的主要特征如下：
2.1.1 面向主題的
數據倉庫內的信息是按主題進行組織的，例如銷售、客戶、產品等。它所關注的是為決策者提供數據建模與分析，而不是集中于組織機構的日常操作和事務處理。
2.1.2 集成的
數據倉庫中的數據是從多個同構或異構業務處理系統中經過加工、匯總和整理而得到的，數據倉庫內的信息是關于整個企業的、一致的全局信息。
2.1.3 非易失的
一旦某個數據進入數據倉庫后，一般將被長期保留(5～10年)。
2.1.4 時變的
數據倉庫內所記錄的信息是企業從過去某一時間(如開始應用數據倉庫的時間)到目前的各個階段的信息。
概言之，數據倉庫是一種語義上一致的數據存儲充當決策支持數據模型的物理實現，并存放企業戰略決策所需信息。為此，也常常被看作是一種支持結構化和專門的查詢、分析報告和決策制定的體系結構。
數據倉庫通常是針對企業級應用，其所涉及的范圍和投入的成本非常巨大，一些企業無力承擔，因而其的建設也很容易形成高投入、慢進度的大項目。數據倉庫中的數據量很大，若每次訪問都在海量數據中進行數據檢索，會降低數據處理效率。因此，可建立數據集市。數據集市是面向某一特定主題的、邏輯上或物理上從數據倉庫中被劃分出來的數據子集。數據集市通常針對部門級的決策或某個特定業務需求，其開發周期短、費用低 能在較短時間內滿足用戶決策的需要。因此，在實際開發過程中，可選擇在成功建立幾個數據集市后，再構建數據倉庫的策略。
2.2 聯機分析處理(OLAP)
OLAP 是一種多維分析工具，目標是滿足決策支持或多維環境下的特定查詢和報表需求，使分析人員、管理人員和執行人員能夠從多個角度對從原始數據中轉化出來的、能夠真正為用戶所理解的并真實反映企業維特性的信息進行快速、一致、交互的存取，從而獲得對數據的更深入了解。它的技術核心是“維”這個概念，是使數據倉庫中大量數據得以有效利用的重要工具。
OLAP 的特性有快速性、可分析性、多維性和信息性等。根據數據存儲方式的不同，可以將OLAP 分為HOLAP MOLAP 和HOLAP。
HOLAP 是基于關系數據庫的OLAP 實現。以關系數據庫為核心，以關系型結構進行多維數據的表示和存儲。HOLAP 將多維數據庫的多維結構劃分為如下2 類表：一類是事實表，用來存儲數據和維關鍵字；另一類是維表，即對每個維至少使用1 個表來存放維的層次、成員類別等維描述信息。維表和事實表通過主關鍵字和外關鍵字聯系在一起，形成了星型模式或雪花模式。
MOLAP 是基于多維數據組織的OLAP 實現。多維數據是決策需要的一類特殊數據，它針對不同的數據抽象層次，由所有抽象層次構成數據立方體，在其上進行旋轉、切片和鉆取等多維分析操作，使最終用戶能從多個角度和多個側面觀察數據庫中的數據，從而了解包含在數據庫中的信息。
HOLAP是基于混合數據組織的OLAP 實現。如低層是關系型的、高層是多維矩陣型的，這種方式具有更好的靈活性。
2.3 數據挖掘
數據挖掘是從大量的、不完全的、有噪聲的、模糊的和隨機的實際應用數據中，挖掘出隱含的、先前未知的、對決策有潛在價值的知識和規則的過程。
數據挖掘的目的是生成可以根據其所示的含義采取行動的知識，也就是建立一個現實世界的模型。根據模型功能的不同，可以把數據挖掘分成如下2 類：
①描述型數據挖掘，即根據數據的相似性把數據分組(聚集)，或對數據中存在的規則進行描述(關聯分析)；②預言型數據挖掘，即根據數據值精確地確定某種結果，包括分類、回歸、時間序列分析等。
數據挖掘方法主要有數學統計方法、 決策樹方法、神經網絡方法、遺傳進化方法、基于事例的推理方法、粗集方法以及可視化技術等。運用數據挖掘進行知識發現的過程一般包括以下7 個步驟：①識別商業問題；②識別和研究數據來源，選取數據；③提取和處理數據；④對數據進行挖掘(如發現關聯規則或者產生預測模型)；⑤驗證數據挖掘結果；⑤在商業實際中應用挖掘模型；⑥投入產出(ROI)計算。
3 BI 在電力營銷中的應用
隨著電力營銷管理信息系統的相繼建設和投入使用，企業積累了豐富的客戶信息資料和市場需求信息。采用BI 技術進行信息綜合分析，可提高經濟活動分析水平，加強電量電費信息管理，提高系統售電收入。分析電力公司計費數據和電網管理數據，計算出某時間段內或某地區內的用電負荷、用戶數、線路損耗等數據，可以得出電力負荷走勢及各地區用電量對比，以便為生產計劃和任務調度制定策略；分析生產和銷售數據，可輔助勞動組織管理和財務資金運籌，提高勞動生產率和企業經濟效益，合理組織物資供應及調撥，降低物資消耗。
電力用戶是個廣泛、復雜的用戶群，用戶需求根據不同的時間、地域、行業，相差很大。電力企業在長期的運行過程中，已經積累了大量的用戶資料和歷史數據。根據這些資料和數據建立用電數據倉庫，采用數據挖掘的方法進行有針對性的分析，可以得到需求模型。根據這個模型來制定電網規劃和供電計劃，就能夠降低發電成本，提高效益。電力公司混合使用人工智能中的人工神經網絡、模糊邏輯等技術，對用戶的管理、消費和交易等數據進行綜合處理，以歐幾里得距離為判據得到分類用戶模型，并用可視化的圖表方式表達出來，輔助進行用戶分析。按不同的特征對用戶進行分析，可以挖掘到不同領域的信息。
按用戶對企業的利潤貢獻度進行用戶分析，可以得到哪些用戶群體對企業的貢獻比較大。對貢獻大的用戶，可以提供更適合他們的服務，以鼓勵他們更多地消費。這對制定用電營銷策略和研究銷售特性都有很好的指導作用。
按用戶消費的信用進行用戶分析，就可以找出哪些用戶的信用比較好，哪些的信用比較差。針對用戶信用的不同，對他們所提供的服務的級別也應該是不同的。對信用好的用戶，不但要給予更好的服務，同時也要給予他們更多的優惠。
按消費量進行分析，不但可以找出哪些用戶的消費能力強，哪些的消費能力弱，而且還可以找出可能偷竊電或電表計量有問題的用戶。
按服務質量和客戶情況進行分析，以提高服務質量。針對客戶投訴的主要原因是服務響應率低、服務質量低劣和服務價格比不平衡，使用客戶描述和劃分技術將客戶按不同類型(如價格敏感度、消費習慣、對服務中斷的反應等)進行客戶群分組，針對不同客戶改善相應服務。
按行業欠費和重點欠費戶情況進行分析，利用OLAP 和數據挖掘技術，總結各種欠費行為的內在規律，并在數據倉庫的基礎上建立一套欠費行為規則庫，及時預警各種欠費，盡量減少企業損失。
BI 項目在實施過程中應該能夠及時應對市場的變化，完善內部管理，提高企業的經營效率。BI 的實施一般可分為如下5 個階段： ①確定目標階段；②數據收集和預處理階段；③信息發送階段；④數據解釋和建模階段；⑤基于知識的行動階段。
4 結論
BI 是技術與業務管理緊密結合的產物，是企事業單位在信息爆炸時代使用信息技術的高級模式，其沒有終止，只有不斷深入的過程。電力行業商業智能為管理層提供面向企業經營決策和生產統計、分析的功能，為決策者提供最為有效和準確的數據依據，提供高層決策參考，對制定行業的戰略發展目標和市場策略，促進業務發展，完善服務質量，提高客戶滿意度等提供支持，從而提高風險控制能力和經營決策能力，具有廣闊的應用前景。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://m.hanmeixuan.com/
本文標題：商業智能BI及其在電力營銷中的應用設計
本文網址：http://m.hanmeixuan.com/html/consultation/1082006028.html
相關文章
