业务智能系统是随着数据仓库、数据挖掘和在线分析处理等技术的发展而产生的。通过数据仓库可以集成企业内外的各种数据，为数据的分析处理提供基础。在线分析处理则提供从多个维度探查业务性能指标的交互分析功能。数据挖掘结合人工智能、统计等技术实现对大量数据中潜在模式、规律、异常的发现和评价。如图11-3所示，这些新兴的技术为企业管理人员提供了更强大的决策支持工具。一个业务智能系统通常包含6个主要组成部分：数据源、数据仓库、在线分析处理、数据探查、数据挖掘以及业务绩效管理。

图11-3　旅游企业管理人员的数据需求

1.数据源

业务智能的根本是数据。数据的来源主要包括企业内部的操作型系统，即支持各业务部分日常运营的信息系统，以及企业外部的信息，如人口统计信息、竞争对手信息等。综合多方面的数据进行分析，可以有效提高信息的有效性。

2.数据仓库

各种数据源的数据经过抽取、转换之后需要被放到一个供分析使用的环境，以便对数据进行管理，这就是数据仓库（Data Warehouse）。通常针对单个部门的数据仓库称为数据集市（Data Mart），以区别于企业范围内的数据仓库。数据仓库可以将分析数据与实现业务处理的操作型数据隔离，一方面不影响业务处理系统的性能，另一方面为数据的分析提供了一个综合的、集成的、统一的数据管理平台。

3.在线分析处理

数据仓库中的数据可以通过不同的方法进行分析。在线分析处理（Online Analytical Processing）是其中的方式之一。利用该方法，业务性能度量可以通过多个维度、多个层次进行多种聚集汇总，通过交互的方式可以发现业务运行的关键性能指标的异常之处。多维数据可以进行多种操作，如切片、切块、下钻、上卷等。

4.数据探查

数据探查（Exploration）包括灵活的查询、即时报表以及统计方法等。该类方法属于被动分析方法，因为这些分析方法需要基于分析者对于问题的假设。探查数据的方法可以借助统计上的中心性、发散性以及相关性的统计量分析。在进行多变量分析时也可以借助可视化技术。

5.数据挖掘

数据挖掘（Data Mining）是从大量数据中自动发现隐含的信息和知识的过程，属于主动分析方法，不需要分析者的先验假设，可以发现未知的知识。数据挖掘可以作用于结构化数据，也可以对文本数据以及多媒体数据进行分析。常用的分析方法包括分类、聚类、关联分析、数值预测、序列分析、社会网络分析等。

（1）分类(www.daowen.com)

分类（Classification）是通过对具有类别的对象的数据集进行学习，概括其主要特征，构建分类模型，根据该模型预测对象的类别的一种数据挖掘和机器学习技术。

（2）聚类

聚类（Clustering）是依据物以类聚的原理，将没有类别的对象根据对象的特征自动聚集成不同簇的过程，使得属于同一个簇的对象之间非常相似，属于不同簇的对象之间不相似。其典型应用是客户分群。

（3）关联分析

关联分析最早用于分析超市中顾客一次购买的物品之间的关联性。例如，发现关联规则（Association Rule）“尿不湿—啤酒（0.5%，60%）”，其含义为在0.5%的交易中会同时出现尿不湿和啤酒，且出现尿不湿的交易中会有60%的人会同时买啤酒。根据这种关联性可以指导销售活动以及物品的摆放布局等。关联分析一经提出之后得到了广泛的研究和应用，可以用于各种不同的应用背景。

（4）数值预测

分类技术用于预测类别，类别可以被看作是定性属性的取值。数值预测则用于预测连续变量的取值。常用的预测方法是回归分析。例如，可以根据客户个人特征（例如，年龄、工作类型、受教育程度、婚姻状况等）来预测其每月的消费额度。预测模型的构建需要利用历史数据进行学习。

（5）序列分析

序列分析是对序列数据库进行分析，从中挖掘出有意义模式的技术。序列模式（Sequential Pattern）的发现属于序列分析，它是从序列数据库中发现的一种有序模式。

（6）社会网络分析

社会网络（Social Network）是由个人或组织及其之间的关系构成的网络，社会网络分析是对社会网络的结构和属性进行分析，以发现其中的局部或全局特点、发现其中有影响力的个人或组织、发现网络的动态变化规律等。随着社会媒体、社会化商务的发展，社会网络分析变得非常重要。

6.业务绩效管理

业务绩效管理（Business Performance Management，BPM），又称为企业绩效管理（Corporate Performance Management），是对企业的关键性能指标（如销售、成本、利润以及可盈利性等）进行度量、监控和比较的方法和工具。这些信息通常可通过可视化的工具（如平衡积分卡和仪表盘等）进行展示。