工行大數據體系由什麼組成

『壹』 工商銀行攜手華為雲，打造金融數據創新應用實踐新標桿

工於至誠，行以致遠。

1984年，中國工商銀行（以下簡稱工行）正式成立。如今，以建設「數字工行」為目標，工行全面布局大數據、人工智慧等創新領域，在 探索 新業務、採用新技術等方面持續 探索 踐行。目前，工行已實現行內外海量金融數據資產要素的融合，全面支持客戶營銷、產品創新、風險控制等多領域智能化創新，服務實體經濟的金融供給能力大幅提升。而在這背後，華為雲大數據有著濃墨重彩的一筆。

始於數據的業務創新

在8月31日舉行的華為雲TechWave大數據專題日上，中國工商銀行軟體開發中心總經理助理劉承岩表示，「工行在大數據創新應用方面的 探索 ，就是一段不斷使用新技術、提升自身數據駕馭能力的歷程。」

從數據角度來看，工行經歷了自動化、數據化、智能化和生態化四個階段。在每個階段里，工行都採用了當時最領先的技術來支撐業務需求與發展，始終走在業界前列。智能化階段，工行正式開啟與華為的合作，引入了華為雲FusionInsight智能數據湖解決方案中的大數據產品，搭建了自主可控的大數據雲平台，真正將數據智能服務由事後快速演進到事前、事中的階段。

生態化階段，工行進一步深化與華為的合作，實現大數據雲平台與華為雲Stack雲基礎設施的融合，進一步提升大數據雲平台的高可用和彈性靈活擴展等能力，全面支撐起數字平台的生態化建設，更好地服務於數字工行的轉型。

劉承岩介紹，通過綜合運用大數據和人工智慧技術，工行實現了風險數據整合，在金融同業中首家推出了大數據風險信息服務產品融安e信，服務了260家金融機構和4.6萬家企業。大數據的應用還改變了傳統意義上「客戶找服務」的金融服務模式，實現了「金融服務找用戶」，通過渠道交易行為數據，工行建立精準客戶畫像，通過數據演算法判斷客戶偏好，進而提供針對性的金融產品與服務。

工行與華為的合作始於大數據，雙方進行了一系列的聯合創新。目前，工行已經有大量的數據放到了基於華為雲FusionInsight構建的金融數據湖中，FusionInsight MRS大數據、GaussDB(DWS)數據倉庫等產品承載了關鍵的金融數據業務，實現不同場景下的運營、管理，以及風控。

風控系統是金融領域的「生命線」。然而隨著金融 科技 的飛速發展，傳統的風控已經無法滿足當前的需求，勢必需要新的技術手段介入。大數據風控系統就是在這種背景下誕生的新技術，在華為全力支持下，工行的風控管理一直保持著業界一流水準。

大數據平台提供的超高頻實時計算能力，幫助工行率先在行業內實現了實時反欺詐防控，在不影響客戶體驗的情況下，實現了對每筆交易的實時欺詐防控，為客戶避免損失約90億元。此外，通過全行風險信息的整合共享，以及前中後模型服務的沉澱與開放，工行實現了金融業務端到端的風險防控，真正實現了一點出險、全面防控的目標。

劉承岩介紹，工行引入華為雲的另一個目的，是希望將原來在IaaS上的一些業務系統遷入到華為雲Stack，並結合華為雲FusionInsight智能數據湖方案，使之成為數據的底座和業務平台的底座。這將是一次規模空前的雲遷移，整體遷移規模將達到75%以上。

目前，雙方正在加快推進工行大數據技術平台與華為雲的融合，構建混布式容器化和存算分離架構，進一步提升大數據平台的高可用、穩定性、資源彈性靈活擴展能力，更好地支撐工行全數據存儲、全數據挖掘、全演算法應用、全場景布署的需要。這個過程預計需要一兩年的時間，而在所有工作完成之後，一朵華為雲支撐起工行整個業務和數據體系的運行與管理。

劉承岩認為，大數據技術平台融合了雲計算、大數據和人工智慧等技術，為工行數據中台生態的創新應用，提供了強大存儲、算力、演算法的保障，是工行數據智能體系的技術底座。

存貸是銀行業的核心業務之一。過去的貸款發放，需要做很多的核驗工作，而現在藉助大數據、人工智慧等技術，工行基本可以做到秒批秒貸，以便捷、高效的金融服務，助力實體經濟的穩健發展。

在高復雜性的人工智慧領域，工行與華為的合作正在不斷加深。目前，工行的數據分析師和業務專家們正在極大受惠於華為雲FusionInsight智能數據湖解決方案的系列產品，以及「普惠AI」的理念，而未來在數據隱私等更深入的領域，雙方還會進一步進行 探索 與合作。

面向未來，工行將不斷加強與華為雲的合作，通過雲計算、人工智慧、區塊鏈、IoT等創新技術，更好地利用數據這一新的生產要素，從 社會 的痛點、難點入手，做好金融數據中台的建設工作，不斷提升自身服務實體經濟的能力。

2020年9月23-26日，華為將於上海舉辦第五屆HUAWEI CONNECT，攜手來自全球的業界思想領袖、商業精英、技術大咖、先鋒企業、生態合作夥伴、應用服務商以及開發者等，共同探討行業數字化的發展方向，展示ICT領域的領先技術、產品和解決方案，分享成功實踐，構築開放、共贏的 健康 產業生態，共創行業新價值。

『貳』 數據中心是什麼其系統結構和工作原理是怎樣的呢

一直想整理一下這塊內容，既然是漫談，就想起什麼說什麼吧。我一直是在互聯網行業，就以互聯網行業來說。
先大概列一下互聯網行業數據倉庫、數據平台的用途：

• 整合公司所有業務數據，建立統一的數據中心；

• 提供各種報表，有給高層的，有給各個業務的；

• 為網站運營提供運營上的數據支持，就是通過數據，讓運營及時了解網站和產品的運營效果；

• 為各個業務提供線上或線下的數據支持，成為公司統一的數據交換與提供平台；

• 分析用戶行為數據，通過數據挖掘來降低投入成本，提高投入效果；比如廣告定向精準投放、用戶個性化推薦等；

• 開發數據產品，直接或間接為公司盈利；

• 建設開放數據平台，開放公司數據；

• 。。。。。。



• 上面列出的內容看上去和傳統行業數據倉庫用途差不多，並且都要求數據倉庫/數據平台有很好的穩定性、可靠性；但在互聯網行業，除了數據量大之外，越來越多的業務要求時效性，甚至很多是要求實時的 ，另外，互聯網行業的業務變化非常快，不可能像傳統行業一樣，可以使用自頂向下的方法建立數據倉庫，一勞永逸，它要求新的業務很快能融入數據倉庫中來，老的下線的業務，能很方便的從現有的數據倉庫中下線；


• 其實，互聯網行業的數據倉庫就是所謂的敏捷數據倉庫，不但要求能快速的響應數據，也要求能快速的響應業務；


• 建設敏捷數據倉庫，除了對架構技術上的要求之外，還有一個很重要的方面，就是數據建模，如果一上來就想著建立一套能兼容所有數據和業務的數據模型，那就又回到傳統數據倉庫的建設上了，很難滿足對業務變化的快速響應。應對這種情況，一般是先將核心的持久化的業務進行深度建模（比如：基於網站日誌建立的網站統計分析模型和用戶瀏覽軌跡模型；基於公司核心用戶數據建立的用戶模型），其它的業務一般都採用維度+寬表的方式來建立數據模型。這塊是後話。


• 整體架構下面的圖是我們目前使用的數據平台架構圖，其實大多公司應該都差不多：


• 邏輯上，一般都有數據採集層、數據存儲與分析層、數據共享層、數據應用層。可能叫法有所不同，本質上的角色都大同小異。


• 我們從下往上看：


• 數據採集數據採集層的任務就是把數據從各種數據源中採集和存儲到數據存儲上，期間有可能會做一些簡單的清洗。



• 數據源的種類比較多：



• 網站日誌：



• 作為互聯網行業，網站日誌占的份額最大，網站日誌存儲在多台網站日誌伺服器上，


• 一般是在每台網站日誌伺服器上部署flume agent，實時的收集網站日誌並存儲到HDFS上；



• 業務資料庫：



• 業務資料庫的種類也是多種多樣，有Mysql、Oracle、SqlServer等，這時候，我們迫切的需要一種能從各種資料庫中將數據同步到HDFS上的工具，Sqoop是一種，但是Sqoop太過繁重，而且不管數據量大小，都需要啟動MapRece來執行，而且需要Hadoop集群的每台機器都能訪問業務資料庫；應對此場景，淘寶開源的DataX，是一個很好的解決方案（可參考文章 《異構數據源海量數據交換工具-Taobao DataX 下載和使用》），有資源的話，可以基於DataX之上做二次開發，就能非常好的解決，我們目前使用的DataHub也是。


• 當然，Flume通過配置與開發，也可以實時的從資料庫中同步數據到HDFS。



• 來自於Ftp/Http的數據源：



• 有可能一些合作夥伴提供的數據，需要通過Ftp/Http等定時獲取，DataX也可以滿足該需求；



• 其他數據源：



• 比如一些手工錄入的數據，只需要提供一個介面或小程序，即可完成；



• 數據存儲與分析毋庸置疑，HDFS是大數據環境下數據倉庫/數據平台最完美的數據存儲解決方案。



• 離線數據分析與計算，也就是對實時性要求不高的部分，在我看來，Hive還是首當其沖的選擇，豐富的數據類型、內置函數；壓縮比非常高的ORC文件存儲格式；非常方便的SQL支持，使得Hive在基於結構化數據上的統計分析遠遠比MapRece要高效的多，一句SQL可以完成的需求，開發MR可能需要上百行代碼；


• 當然，使用Hadoop框架自然而然也提供了MapRece介面，如果真的很樂意開發Java，或者對SQL不熟，那麼也可以使用MapRece來做分析與計算；Spark是這兩年非常火的，經過實踐，它的性能的確比MapRece要好很多，而且和Hive、Yarn結合的越來越好，因此，必須支持使用Spark和SparkSQL來做分析和計算。因為已經有Hadoop Yarn，使用Spark其實是非常容易的，不用單獨部署Spark集群，關於Spark On Yarn的相關文章，可參考：《Spark On Yarn系列文章》


• 實時計算部分，後面單獨說。


• 數據共享這里的數據共享，其實指的是前面數據分析與計算後的結果存放的地方，其實就是關系型資料庫和NOSQL資料庫；



• 前面使用Hive、MR、Spark、SparkSQL分析和計算的結果，還是在HDFS上，但大多業務和應用不可能直接從HDFS上獲取數據，那麼就需要一個數據共享的地方，使得各業務和產品能方便的獲取數據；和數據採集層到HDFS剛好相反，這里需要一個從HDFS將數據同步至其他目標數據源的工具，同樣，DataX也可以滿足。


• 另外，一些實時計算的結果數據可能由實時計算模塊直接寫入數據共享。



• 數據應用

• 業務產品
  



• 業務產品所使用的數據，已經存在於數據共享層，他們直接從數據共享層訪問即可；



• 報表



• 同業務產品，報表所使用的數據，一般也是已經統計匯總好的，存放於數據共享層；



• 即席查詢



• 即席查詢的用戶有很多，有可能是數據開發人員、網站和產品運營人員、數據分析人員、甚至是部門老大，他們都有即席查詢數據的需求；


• 這種即席查詢通常是現有的報表和數據共享層的數據並不能滿足他們的需求，需要從數據存儲層直接查詢。


• 即席查詢一般是通過SQL完成，最大的難度在於響應速度上，使用Hive有點慢，目前我的解決方案是SparkSQL，它的響應速度較Hive快很多，而且能很好的與Hive兼容。


• 當然，你也可以使用Impala，如果不在乎平台中再多一個框架的話。



• OLAP



• 目前，很多的OLAP工具不能很好的支持從HDFS上直接獲取數據，都是通過將需要的數據同步到關系型資料庫中做OLAP，但如果數據量巨大的話，關系型資料庫顯然不行；


• 這時候，需要做相應的開發，從HDFS或者HBase中獲取數據，完成OLAP的功能；


• 比如：根據用戶在界面上選擇的不定的維度和指標，通過開發介面，從HBase中獲取數據來展示。



• 其它數據介面
  



• 這種介面有通用的，有定製的。比如：一個從Redis中獲取用戶屬性的介面是通用的，所有的業務都可以調用這個介面來獲取用戶屬性。



• 實時計算現在業務對數據倉庫實時性的需求越來越多，比如：實時的了解網站的整體流量；實時的獲取一個廣告的曝光和點擊；在海量數據下，依靠傳統資料庫和傳統實現方法基本完成不了，需要的是一種分布式的、高吞吐量的、延時低的、高可靠的實時計算框架；Storm在這塊是比較成熟了，但我選擇Spark Streaming，原因很簡單，不想多引入一個框架到平台中，另外，Spark Streaming比Storm延時性高那麼一點點，那對於我們的需要可以忽略。


• 我們目前使用Spark Streaming實現了實時的網站流量統計、實時的廣告效果統計兩塊功能。


• 做法也很簡單，由Flume在前端日誌伺服器上收集網站日誌和廣告日誌，實時的發送給Spark Streaming，由Spark Streaming完成統計，將數據存儲至Redis，業務通過訪問Redis實時獲取。


• 任務調度與監控在數據倉庫/數據平台中，有各種各樣非常多的程序和任務，比如：數據採集任務、數據同步任務、數據分析任務等；



• 這些任務除了定時調度，還存在非常復雜的任務依賴關系，比如：數據分析任務必須等相應的數據採集任務完成後才能開始；數據同步任務需要等數據分析任務完成後才能開始；這就需要一個非常完善的任務調度與監控系統，它作為數據倉庫/數據平台的中樞，負責調度和監控所有任務的分配與運行。


• 前面有寫過文章，《大數據平台中的任務調度與監控》,這里不再累贅。


• 總結在我看來架構並不是技術越多越新越好，而是在可以滿足需求的情況下，越簡單越穩定越好。目前在我們的數據平台中，開發更多的是關注業務，而不是技術，他們把業務和需求搞清楚了，基本上只需要做簡單的SQL開發，然後配置到調度系統就可以了，如果任務異常，會收到告警。這樣，可以使更多的資源專注於業務之上。

『叄』 工行edw是什麼系統

工行的精準服務體系主要依託於其強大的數據倉庫平台（EDW），通過充分應用大數據挖掘、分析等現代化的信息技術，將數據以不落地的方式直接推送至PBMS、網銀、簡訊、櫃員系統等營銷服務渠道，實現精準服務。

『肆』 誰知道中國工商銀行信息化建設的具體情況

中國工商銀行的信息化建設一直處於業內領先水平，不僅具有國際領先的金融信息技術平台，建成了由自助銀行、電話銀行、手機銀行和網上銀行構成的電子銀行立體服務體系，而且以信息化的大手筆——數據集中工程在業內獨領風騷。

「如果離開了信息通信技術，我們無法想像一個現代商業銀行將怎樣運作，在激烈的競爭下如何生存，用戶將會得到什麼樣的服務。」走在信息化前列的國有大型商業銀行中國工商銀行信息科技部總經理林曉軒對信息通信技術在銀行業的應用及其帶來的影響有深刻的體會。

林總說，雖然我們無法用具體的數字來描述或者說明信息技術在銀行業的應用所帶來的收益和成效，但是，如今信息通信技術已經滲透到銀行業的決策、管理、業務、服務等各個層次和領域，成為銀行業生存的技術基礎和業務創新甚至深層次改革的有力支撐。中國工商銀行成立20年來，一直十分重視信息通信等新技術在金融業的應用，通過不斷發展和創新，構建了強大的信息技術基礎，建立了高度集中統一的電子化服務體系，與國外商業銀行的信息化差距日益縮小，在國內銀行業保持領先水平。現在，高效、快捷的信息技術平台為中國工商銀行迎接國內外競爭、實現自身可持續發展奠定了良好的基礎。

數據大集中：打造銀行信息化核心

在銀行信息化領域，以信息通信技術的發展和成熟為基礎的數據大集中是近年來的一個熱門話題，並成為包括銀行、證券、保險等行業在內的整個金融信息化的發展大趨勢。中國工商銀行在2000年就前瞻性地啟動了數據大集中工程，並在2002年完成了全部工程建設。現在，中國工商銀行已經將分布在全國各地的四十多個數據中心整合為互相連接、互為備份的北京、上海兩大數據中心，建成了全行統一的計算機系統平台。談起數據大集中工程對銀行業長遠發展的作用時，親歷工商銀行數據大集中工程整個建設過程的林曉軒感慨頗深。

林總說，數據大集中工程是工商銀行歷史上具有里程碑意義的一個大工程。

面對國內銀行業競爭日益加劇的形勢以及我國入世後面對國際商業銀行的挑戰，如何提升管理水平，增強業務開發能力，為客戶提供更優質的服務，成為我國銀行業面臨的重大課題。在信息時代，實現數據大集中，建設高效、統一的數據平台是銀行業的必然選擇。數據大集中可以使得銀行業發展初期數據分散、客戶資源割裂的狀態得到改變，提升銀行的管理水平，並增強業務開發能力和服務創新能力。具體表現在以下幾個方面：第一，數據集中雖然前期投資較大，但是整體上可以有效地節省人力資源和設備投入，並通過集中化管理提高系統的可用率，提升信息系統的管理水平。第二，數據大集中實現了銀行業務的集中監控，加強了對經營風險的防範，有利於銀行一級法人體制管理體系的完善。大集中前，總行只能通過下面分行的報表了解走賬情況；現在，全行主要的經營數據都在T＋1日生成，總行可以在營業次日了解全行真實的業務運行情況。這一點是別的大型商業銀行無法做到的。第三，可以加強對客戶關系的分析，有利於銀行准確、完整地分析客戶的消費行為，發現重要客戶資源，為業務產品開發、管理決策提供數據分析依據，最終為客戶提供更好的服務。第四，數據大集中為金融產品的創新和發展奠定了良好基礎。網上銀行就是很好的例子。工商銀行網上銀行創辦得較早，但由於以前客戶信息和賬戶數據管理分散，業務一直處於摸索狀態。2002年年底數據大集中完成後，網上銀行取得了大發展，用戶規模和交易數額增長迅速，目前，工商銀行網上銀行的企業用戶達到8萬多家，個人用戶數則達到了900萬。

數據大集中後，風險也高度集中，影響范圍迅速擴大。對此，林曉軒說，數據大集中的安全性問題是銀行信息化面臨的最為嚴峻的挑戰，其艱巨性決不僅僅體現在數據集中工程的技術復雜性上，最困難的是對數據集中建設的管理和技術要求，我們沒有現成的標准可以借鑒。在工程建設過程中，我們必須應對組織機構、各項管理規章制度和操作細則的調整以及突然來臨的大規模生產運行的應急管理和人員的思想轉變，這是絕大部分銀行事先所沒有預料到的問題。工商銀行這幾年在以上這些方面做了大量細致的工作。

電子化金融業務提升服務水平

數據大集中是銀行業發展的後台支撐系統，而為用戶帶來最直觀感受的則是建立在各種信息技術基礎上的電子化金融業務。

提起工商銀行在業內領先的電子銀行體系，林總說，在信息通信技術特別是網路技術的有力支撐下，工商銀行不斷創新，拓展服務渠道，創建了網上銀行、電話銀行、手機銀行、自助銀行等多種功能完善的電子銀行體系，並推出了95588和「金融e通道」精品品牌。其中，網上銀行是最能體現信息通信技術魅力的業務之一。工商銀行2000年就推出了網上銀行業務，並一直十分重視這項業務的發展，姜建清行長還專門為此召開了多次專項會議。目前，網上銀行已經成為工行交易的一個重要渠道，交易額自2000年以來，幾乎每年翻一番，並一直穩坐國內銀行網上交易額的頭把交椅。2002年，中國工商銀行被美國《環球金融》雜志評為「中國最佳企業網上銀行」；2003年，被該雜志評為2003年度中國唯一的「最佳個人網上銀行」。2003年12月，工商銀行推出了新版個人網上銀行「金融＠家」，為廣大用戶打造了一個集銀行、投資、理財於一體的新一代個人網上銀行，不同層次的客戶都可以享受以先進的信息通信技術為基礎的高度安全、高度個性化的金融服務。

統計顯示，2003年，中國工商銀行電子銀行交易額達22.3萬億元，今年預計將會超過30萬億元，而今後電子銀行所佔的交易比重也會越來越大。

金融信息化的發展趨勢

現代信息技術的廣泛應用為銀行業的管理模式、經營模式、服務方式帶來了深刻的變革，為廣大用戶帶來了超值的金融服務。那麼今後金融信息化的發展趨勢如何？信息通信業又將如何更好地服務於銀行信息化呢？

作為金融信息化領域的專家，林曉軒認為，在經濟全球化的趨勢下，先進的技術在銀行管理和業務中發揮的作用越來越明顯。而隨著我國加入WTO，也對我國金融信息化提出了新的要求。今後，在銀行信息化領域，傳統銀行將逐步向電子銀行過渡，電子銀行的交易額占銀行總交易額的比重將越來越大；金融業數據大集中的浪潮將繼續涌動，而且呈現越來越集中的趨勢，工行目前兩大數據中心將會進一步集中成一個數據中心，金融信息化在生產運行管理上的投入將會更多；信息化在銀行內部管理和客戶關系分析上的應用力度將會進一步加大，銀行內部管理和客戶信息資源的價值將進一步被開發。

林總說，國內的一些商業銀行的信息技術應用水平完全不落後於國際上的一流商業銀行的水平。但是，我們在對客戶真正需求的理解以及對業務產品開發的組織上與國際上先進的銀行還存在一定的差距。在國內的各類IT公司（包括著名的國外公司）的IT服務水平和層次還有待提高。

目前，銀行業已經成為信息技術應用最為重要的行業之一，作為國民經濟的命脈，銀行的信息化水平在國民經濟信息化建設中發揮著舉足輕重的作用。今後，在銀行業和信息通信業的共同推動下，銀行業信息化水平將不斷提升，並將通過與稅務、海關、保險等國家重要部門的網路連接和資源共享，對整個國民經濟的運行水平的提升發揮有力的促進作用。

『伍』 貸款業務流程中，大數據風控體系如何搭建

貸款業務流程中，大數據風控體系如何搭建？
一、貸款大數據不屬於中央銀行的信用信息，它們是相互獨立的信用管理系統。中央銀行信用數據的來源，主要是銀行和一些專門的信貸機構；而大數據的來源，主要是一些網貸機構，這些銀行的數據通常不包括在內。

二、只要開啟微信，查找：藍冰數據。點擊查看，鍵入信息就可以查看自身的百行徵信數據，它是全國性2000多家網路貸款和中國銀聯管理中心的數據。另外也是有技術專業的評估講解和提升提議。

『陸』 有誰知道大數據指的是什麼

大數據(big data)，或稱巨量資料，指的是所涉及的資料量規模巨大到無法通過目前主流軟體工具，在合理時間內達到擷取、管理、處理、並整理成為幫助企業經營決策更積極目的的資訊。(在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》中大數據指不用隨機分析法（抽樣調查）這樣的捷徑，而採用所有數據的方法[2]）大數據的4V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價值）。
說起大數據，就要說到商業智能：
商業智能（Business Intelligence，簡稱：BI），又稱商業智慧或商務智能，指用現代數據倉庫技術、線上分析處理技術、數據挖掘和數據展現技術進行數據分析以實現商業價值。

商業智能作為一個工具，是用來處理企業中現有數據，並將其轉換成知識、分析和結論，輔助業務或者決策者做出正確且明智的決定。是幫助企業更好地利用數據提高決策質量的技術，包含了從數據倉庫到分析型系統等。

商務智能的產生發展
商業智能的概念經由Howard Dresner(1989年)的通俗化而被人們廣泛了解。當時將商業智能定義為一類由數據倉庫（或數據集市）、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的、以幫助企業決策為目的技術及其應用。

商務智能是20世紀90年代末首先在國外企業界出現的一個術語，其代表為提高企業運營性能而採用的一系列方法、技術和軟體。它把先進的信息技術應用到整個企業，不僅為企業提供信息獲取能力，而且通過對信息的開發，將其轉變為企業的競爭優勢，也有人稱之為混沌世界中的智能。因此，越來越多的企業提出他們對BI的需求，把BI作為一種幫助企業達到經營目標的一種有效手段。

目前，商業智能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。這里所談的數據包括來自企業業務系統的訂單、庫存、交易賬目、客戶和供應商資料及來自企業所處行業和競爭對手的數據，以及來自企業所處的其他外部環境中的各種數據。而商業智能能夠輔助的業務經營決策既可以是作業層的，也可以是管理層和策略層的決策。

為了將數據轉化為知識，需要利用數據倉庫、線上分析處理（OLAP）工具和數據挖掘等技術。因此，從技術層面上講，商業智能不是什麼新技術，它只是ETL、數據倉庫、OLAP、數據挖掘、數據展現等技術的綜合運用。

把商業智能看成是一種解決方案應該比較恰當。商業智能的關鍵是從許多來自不同的企業運作系統的數據中提取出有用的數據並進行清理，以保證數據的正確性，然後經過抽取（Extraction）、轉換（Transformation）和裝載（Load），即ETL過程，合並到一個企業級的數據倉庫里，從而得到企業數據的一個全局視圖，在此基礎上利用合適的查詢和分析工具、數據挖掘工具、OLAP工具等對其進行分析和處理（這時信息變為輔助決策的知識），最後將知識呈現給管理者，為管理者的決策過程提供支持。

企業導入BI的優點
1.隨機查詢動態報表

2.掌握指標管理

3.隨時線上分析處理

4.視覺化之企業儀表版

5.協助預測規劃

導入BI的目的
1.促進企業決策流程(Facilitate the Business Decision-Making Process)：BIS增進企業的資訊整合與資訊分析的能力，匯總公司內、外部的資料，整合成有效的決策資訊，讓企業經理人大幅增進決策效率與改善決策品質。

2.降低整體營運成本(Power the Bottom Line)：BIS改善企業的資訊取得能力，大幅降低IT人員撰寫程式、Poweruser製作報表的時間與人力成本，而彈性的模組設計介面，完全不需撰寫程式的特色也讓日後的維護成本大幅降低。

3.協同組織目標與行動(Achieve a Fully Coordinated Organization)：BIS加強企業的資訊傳播能力，消除資訊需求者與IT人員之間的認知差距，並可讓更多人獲得更有意義的資訊。全面改善企業之體質，使組織內的每個人目標一致、齊心協力。

商業智能領域的技術應用
商業智能的技術體系主要有數據倉庫（Data Warehouse，DW）、聯機分析處理（OLAP）以及數據挖掘（Data Mining，DM）三部分組成。

數據倉庫是商業智能的基礎,許多基本報表可以由此生成,但它更大的用處是作為進一步分析的數據源。所謂數據倉庫（DW）就是面向主題的、集成的、穩定的、不同時間的數據集合，用以支持經營管理中的決策制定過程。多維分析和數據挖掘是最常聽到的例子,數據倉庫能供給它們所需要的、整齊一致的數據。

在線分析處理（OLAP）技術則幫助分析人員、管理人員從多種角度把從原始數據中轉化出來、能夠真正為用戶所理解的、並真實反映數據維特性的信息，進行快速、一致、交互地訪問，從而獲得對數據的更深入了解的一類軟體技術。

數據挖掘（DM）是一種決策支持過程，它主要基於AI、機器學習、統計學等技術，高度自動化地分析企業原有的數據，做出歸納性的推理，從中挖掘出潛在的模式，預測客戶的行為，幫助企業的決策者調整市場策略，減少風險，做出正確的決策。

商業智能的應用范圍
1.采購管理

2.財務管理

3.人力資源管理

4.客戶服務

5.配銷管理

6.生產管理

7.銷售管理

8.行銷管理

商業智能實施步驟

商業智能系統處理流程[1]
商業智能（BI）作為一個概念，描述與業務緊密結合，並且根據需要進行相關特性展示和數據處理的過程。

為了讓數據「活」起來，往往需要利用數據倉庫、數據挖掘、報表設計與展示、聯機在線分析（OLAP）等技術。數據或者數據源包含的種類繁多，例如存儲在關系型資料庫中的，在外圍數據文件中的，在業務流中實時產生存儲在內存中的等等。而商業智能最終能夠輔助的業務經營決策，既可以是操作層的，也可以是戰術層和戰略層的決策。

這些分析有財務管理、點擊流分析（Clickstream）、供應鏈管理、關鍵績效指標（Key Performance Indicators, KPI）、客戶分析等。商業智能關注的是，從各種渠道（軟體，系統，人，等等）發掘可執行的戰略信息。商業智能用的工具有抽取（Extraction）、轉換（Transformation）和載入（Load）軟體（搜集數據，建立標準的數據結構，然後把這些數據存在另外的資料庫中）、數據挖掘和在線分析（Online Analytical Processing，允許用戶容易地從多個角度選取和察看數據）等 。

商業智能系統的功能
商業智能系統應具有的主要功能：

數據倉庫：高效的數據存儲和訪問方式。提供結構化和非結構化的數據存儲，容量大，運行穩定，維護成本低，支持元數據管理，支持多種結構，例如中心式數據倉庫，分布式數據倉庫等。存儲介質能夠支持近線式和二級存儲器。能夠很好的支持現階段容災和備份方案。

數據ETL：數據ETL支持多平台、多數據存儲格式（多數據源，多格式數據文件，多維資料庫等）的數據組織，要求能自動化根據描述或者規則進行數據查找和理解。減少海量、復雜數據與全局決策數據之間的差距。幫助形成支撐決策要求的參考內容。

數據統計輸出（報表）：報表能快速的完成數據統計的設計和展示，其中包括了統計數據表樣式和統計圖展示，可以很好的輸出給其他應用程序或者Html形式表現和保存。對於自定義設計部分要提供簡單易用的設計方案，支持靈活的數據填報和針對非技術人員設計的解決方案。能自動化完成輸出內容的發布。

分析功能：可以通過業務規則形成分析內容，並且展示樣式豐富，具有一定的交互要求，例如預警或者趨勢分析等。要支持多維度的聯機在線分析（OLAP分析），實現維度變化、旋轉、數據切片和數據鑽取等。幫助決策做出正確的判斷。

典型的商業智能系統
典型的商業智能系統有：

客戶分析系統、菜籃分析系統、反洗錢系統、反詐騙系統、客戶聯絡分析系統、市場細分系統、信用計分系統、產品收益系統、庫存運作系統以及與商業風險相關的應用系統等。

[編輯]商業智能解決方案廠商
提供商業智能解決方案的著名IT廠商包括微軟、IBM、Oracle、Microstrategy、Business Objects、Cognos、SAS等

最後，希望你關注一下FineBI，帆軟軟體的大數據解決方案，我看了，還是很不錯的