工行大数据体系由什么组成

『壹』 工商银行携手华为云，打造金融数据创新应用实践新标杆

工于至诚，行以致远。

1984年，中国工商银行（以下简称工行）正式成立。如今，以建设“数字工行”为目标，工行全面布局大数据、人工智能等创新领域，在 探索 新业务、采用新技术等方面持续 探索 践行。目前，工行已实现行内外海量金融数据资产要素的融合，全面支持客户营销、产品创新、风险控制等多领域智能化创新，服务实体经济的金融供给能力大幅提升。而在这背后，华为云大数据有着浓墨重彩的一笔。

始于数据的业务创新

在8月31日举行的华为云TechWave大数据专题日上，中国工商银行软件开发中心总经理助理刘承岩表示，“工行在大数据创新应用方面的 探索 ，就是一段不断使用新技术、提升自身数据驾驭能力的历程。”

从数据角度来看，工行经历了自动化、数据化、智能化和生态化四个阶段。在每个阶段里，工行都采用了当时最领先的技术来支撑业务需求与发展，始终走在业界前列。智能化阶段，工行正式开启与华为的合作，引入了华为云FusionInsight智能数据湖解决方案中的大数据产品，搭建了自主可控的大数据云平台，真正将数据智能服务由事后快速演进到事前、事中的阶段。

生态化阶段，工行进一步深化与华为的合作，实现大数据云平台与华为云Stack云基础设施的融合，进一步提升大数据云平台的高可用和弹性灵活扩展等能力，全面支撑起数字平台的生态化建设，更好地服务于数字工行的转型。

刘承岩介绍，通过综合运用大数据和人工智能技术，工行实现了风险数据整合，在金融同业中首家推出了大数据风险信息服务产品融安e信，服务了260家金融机构和4.6万家企业。大数据的应用还改变了传统意义上“客户找服务”的金融服务模式，实现了“金融服务找用户”，通过渠道交易行为数据，工行建立精准客户画像，通过数据算法判断客户偏好，进而提供针对性的金融产品与服务。

工行与华为的合作始于大数据，双方进行了一系列的联合创新。目前，工行已经有大量的数据放到了基于华为云FusionInsight构建的金融数据湖中，FusionInsight MRS大数据、GaussDB(DWS)数据仓库等产品承载了关键的金融数据业务，实现不同场景下的运营、管理，以及风控。

风控系统是金融领域的“生命线”。然而随着金融 科技 的飞速发展，传统的风控已经无法满足当前的需求，势必需要新的技术手段介入。大数据风控系统就是在这种背景下诞生的新技术，在华为全力支持下，工行的风控管理一直保持着业界一流水准。

大数据平台提供的超高频实时计算能力，帮助工行率先在行业内实现了实时反欺诈防控，在不影响客户体验的情况下，实现了对每笔交易的实时欺诈防控，为客户避免损失约90亿元。此外，通过全行风险信息的整合共享，以及前中后模型服务的沉淀与开放，工行实现了金融业务端到端的风险防控，真正实现了一点出险、全面防控的目标。

刘承岩介绍，工行引入华为云的另一个目的，是希望将原来在IaaS上的一些业务系统迁入到华为云Stack，并结合华为云FusionInsight智能数据湖方案，使之成为数据的底座和业务平台的底座。这将是一次规模空前的云迁移，整体迁移规模将达到75%以上。

目前，双方正在加快推进工行大数据技术平台与华为云的融合，构建混布式容器化和存算分离架构，进一步提升大数据平台的高可用、稳定性、资源弹性灵活扩展能力，更好地支撑工行全数据存储、全数据挖掘、全算法应用、全场景布署的需要。这个过程预计需要一两年的时间，而在所有工作完成之后，一朵华为云支撑起工行整个业务和数据体系的运行与管理。

刘承岩认为，大数据技术平台融合了云计算、大数据和人工智能等技术，为工行数据中台生态的创新应用，提供了强大存储、算力、算法的保障，是工行数据智能体系的技术底座。

存贷是银行业的核心业务之一。过去的贷款发放，需要做很多的核验工作，而现在借助大数据、人工智能等技术，工行基本可以做到秒批秒贷，以便捷、高效的金融服务，助力实体经济的稳健发展。

在高复杂性的人工智能领域，工行与华为的合作正在不断加深。目前，工行的数据分析师和业务专家们正在极大受惠于华为云FusionInsight智能数据湖解决方案的系列产品，以及“普惠AI”的理念，而未来在数据隐私等更深入的领域，双方还会进一步进行 探索 与合作。

面向未来，工行将不断加强与华为云的合作，通过云计算、人工智能、区块链、IoT等创新技术，更好地利用数据这一新的生产要素，从 社会 的痛点、难点入手，做好金融数据中台的建设工作，不断提升自身服务实体经济的能力。

2020年9月23-26日，华为将于上海举办第五届HUAWEI CONNECT，携手来自全球的业界思想领袖、商业精英、技术大咖、先锋企业、生态合作伙伴、应用服务商以及开发者等，共同探讨行业数字化的发展方向，展示ICT领域的领先技术、产品和解决方案，分享成功实践，构筑开放、共赢的 健康 产业生态，共创行业新价值。

『贰』 数据中心是什么其系统结构和工作原理是怎样的呢

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。
先大概列一下互联网行业数据仓库、数据平台的用途：

• 整合公司所有业务数据，建立统一的数据中心；

• 提供各种报表，有给高层的，有给各个业务的；

• 为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

• 为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

• 分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

• 开发数据产品，直接或间接为公司盈利；

• 建设开放数据平台，开放公司数据；

• 。。。。。。



• 上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；


• 其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；


• 建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。


• 整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：


• 逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。


• 我们从下往上看：


• 数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。



• 数据源的种类比较多：



• 网站日志：



• 作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，


• 一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；



• 业务数据库：



• 业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapRece来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。


• 当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS。



• 来自于Ftp/Http的数据源：



• 有可能一些合作伙伴提供的数据，需要通过Ftp/Http等定时获取，DataX也可以满足该需求；



• 其他数据源：



• 比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成；



• 数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。



• 离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapRece要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；


• 当然，使用Hadoop框架自然而然也提供了MapRece接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapRece来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapRece要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》


• 实时计算部分，后面单独说。


• 数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；



• 前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据；和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。


• 另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。



• 数据应用

• 业务产品
  



• 业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；



• 报表



• 同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；



• 即席查询



• 即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；


• 这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。


• 即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。


• 当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。



• OLAP



• 目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；


• 这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；


• 比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。



• 其它数据接口
  



• 这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。



• 实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。


• 我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。


• 做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。


• 任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；



• 这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始；这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。


• 前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。


• 总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

『叁』 工行edw是什么系统

工行的精准服务体系主要依托于其强大的数据仓库平台（EDW），通过充分应用大数据挖掘、分析等现代化的信息技术，将数据以不落地的方式直接推送至PBMS、网银、短信、柜员系统等营销服务渠道，实现精准服务。

『肆』 谁知道中国工商银行信息化建设的具体情况

中国工商银行的信息化建设一直处于业内领先水平，不仅具有国际领先的金融信息技术平台，建成了由自助银行、电话银行、手机银行和网上银行构成的电子银行立体服务体系，而且以信息化的大手笔——数据集中工程在业内独领风骚。

“如果离开了信息通信技术，我们无法想象一个现代商业银行将怎样运作，在激烈的竞争下如何生存，用户将会得到什么样的服务。”走在信息化前列的国有大型商业银行中国工商银行信息科技部总经理林晓轩对信息通信技术在银行业的应用及其带来的影响有深刻的体会。

林总说，虽然我们无法用具体的数字来描述或者说明信息技术在银行业的应用所带来的收益和成效，但是，如今信息通信技术已经渗透到银行业的决策、管理、业务、服务等各个层次和领域，成为银行业生存的技术基础和业务创新甚至深层次改革的有力支撑。中国工商银行成立20年来，一直十分重视信息通信等新技术在金融业的应用，通过不断发展和创新，构建了强大的信息技术基础，建立了高度集中统一的电子化服务体系，与国外商业银行的信息化差距日益缩小，在国内银行业保持领先水平。现在，高效、快捷的信息技术平台为中国工商银行迎接国内外竞争、实现自身可持续发展奠定了良好的基础。

数据大集中：打造银行信息化核心

在银行信息化领域，以信息通信技术的发展和成熟为基础的数据大集中是近年来的一个热门话题，并成为包括银行、证券、保险等行业在内的整个金融信息化的发展大趋势。中国工商银行在2000年就前瞻性地启动了数据大集中工程，并在2002年完成了全部工程建设。现在，中国工商银行已经将分布在全国各地的四十多个数据中心整合为互相连接、互为备份的北京、上海两大数据中心，建成了全行统一的计算机系统平台。谈起数据大集中工程对银行业长远发展的作用时，亲历工商银行数据大集中工程整个建设过程的林晓轩感慨颇深。

林总说，数据大集中工程是工商银行历史上具有里程碑意义的一个大工程。

面对国内银行业竞争日益加剧的形势以及我国入世后面对国际商业银行的挑战，如何提升管理水平，增强业务开发能力，为客户提供更优质的服务，成为我国银行业面临的重大课题。在信息时代，实现数据大集中，建设高效、统一的数据平台是银行业的必然选择。数据大集中可以使得银行业发展初期数据分散、客户资源割裂的状态得到改变，提升银行的管理水平，并增强业务开发能力和服务创新能力。具体表现在以下几个方面：第一，数据集中虽然前期投资较大，但是整体上可以有效地节省人力资源和设备投入，并通过集中化管理提高系统的可用率，提升信息系统的管理水平。第二，数据大集中实现了银行业务的集中监控，加强了对经营风险的防范，有利于银行一级法人体制管理体系的完善。大集中前，总行只能通过下面分行的报表了解走账情况；现在，全行主要的经营数据都在T＋1日生成，总行可以在营业次日了解全行真实的业务运行情况。这一点是别的大型商业银行无法做到的。第三，可以加强对客户关系的分析，有利于银行准确、完整地分析客户的消费行为，发现重要客户资源，为业务产品开发、管理决策提供数据分析依据，最终为客户提供更好的服务。第四，数据大集中为金融产品的创新和发展奠定了良好基础。网上银行就是很好的例子。工商银行网上银行创办得较早，但由于以前客户信息和账户数据管理分散，业务一直处于摸索状态。2002年年底数据大集中完成后，网上银行取得了大发展，用户规模和交易数额增长迅速，目前，工商银行网上银行的企业用户达到8万多家，个人用户数则达到了900万。

数据大集中后，风险也高度集中，影响范围迅速扩大。对此，林晓轩说，数据大集中的安全性问题是银行信息化面临的最为严峻的挑战，其艰巨性决不仅仅体现在数据集中工程的技术复杂性上，最困难的是对数据集中建设的管理和技术要求，我们没有现成的标准可以借鉴。在工程建设过程中，我们必须应对组织机构、各项管理规章制度和操作细则的调整以及突然来临的大规模生产运行的应急管理和人员的思想转变，这是绝大部分银行事先所没有预料到的问题。工商银行这几年在以上这些方面做了大量细致的工作。

电子化金融业务提升服务水平

数据大集中是银行业发展的后台支撑系统，而为用户带来最直观感受的则是建立在各种信息技术基础上的电子化金融业务。

提起工商银行在业内领先的电子银行体系，林总说，在信息通信技术特别是网络技术的有力支撑下，工商银行不断创新，拓展服务渠道，创建了网上银行、电话银行、手机银行、自助银行等多种功能完善的电子银行体系，并推出了95588和“金融e通道”精品品牌。其中，网上银行是最能体现信息通信技术魅力的业务之一。工商银行2000年就推出了网上银行业务，并一直十分重视这项业务的发展，姜建清行长还专门为此召开了多次专项会议。目前，网上银行已经成为工行交易的一个重要渠道，交易额自2000年以来，几乎每年翻一番，并一直稳坐国内银行网上交易额的头把交椅。2002年，中国工商银行被美国《环球金融》杂志评为“中国最佳企业网上银行”；2003年，被该杂志评为2003年度中国唯一的“最佳个人网上银行”。2003年12月，工商银行推出了新版个人网上银行“金融＠家”，为广大用户打造了一个集银行、投资、理财于一体的新一代个人网上银行，不同层次的客户都可以享受以先进的信息通信技术为基础的高度安全、高度个性化的金融服务。

统计显示，2003年，中国工商银行电子银行交易额达22.3万亿元，今年预计将会超过30万亿元，而今后电子银行所占的交易比重也会越来越大。

金融信息化的发展趋势

现代信息技术的广泛应用为银行业的管理模式、经营模式、服务方式带来了深刻的变革，为广大用户带来了超值的金融服务。那么今后金融信息化的发展趋势如何？信息通信业又将如何更好地服务于银行信息化呢？

作为金融信息化领域的专家，林晓轩认为，在经济全球化的趋势下，先进的技术在银行管理和业务中发挥的作用越来越明显。而随着我国加入WTO，也对我国金融信息化提出了新的要求。今后，在银行信息化领域，传统银行将逐步向电子银行过渡，电子银行的交易额占银行总交易额的比重将越来越大；金融业数据大集中的浪潮将继续涌动，而且呈现越来越集中的趋势，工行目前两大数据中心将会进一步集中成一个数据中心，金融信息化在生产运行管理上的投入将会更多；信息化在银行内部管理和客户关系分析上的应用力度将会进一步加大，银行内部管理和客户信息资源的价值将进一步被开发。

林总说，国内的一些商业银行的信息技术应用水平完全不落后于国际上的一流商业银行的水平。但是，我们在对客户真正需求的理解以及对业务产品开发的组织上与国际上先进的银行还存在一定的差距。在国内的各类IT公司（包括著名的国外公司）的IT服务水平和层次还有待提高。

目前，银行业已经成为信息技术应用最为重要的行业之一，作为国民经济的命脉，银行的信息化水平在国民经济信息化建设中发挥着举足轻重的作用。今后，在银行业和信息通信业的共同推动下，银行业信息化水平将不断提升，并将通过与税务、海关、保险等国家重要部门的网络连接和资源共享，对整个国民经济的运行水平的提升发挥有力的促进作用。

『伍』 贷款业务流程中，大数据风控体系如何搭建

贷款业务流程中，大数据风控体系如何搭建？
一、贷款大数据不属于中央银行的信用信息，它们是相互独立的信用管理系统。中央银行信用数据的来源，主要是银行和一些专门的信贷机构；而大数据的来源，主要是一些网贷机构，这些银行的数据通常不包括在内。

二、只要开启微信，查找：蓝冰数据。点击查看，键入信息就可以查看自身的百行征信数据，它是全国性2000多家网络贷款和中国银联管理中心的数据。另外也是有技术专业的评估讲解和提升提议。

『陆』 有谁知道大数据指的是什么

大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。(在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据的方法[2]）大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。
说起大数据，就要说到商业智能：
商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

商业智能作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。

商务智能的产生发展
商业智能的概念经由Howard Dresner(1989年)的通俗化而被人们广泛了解。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。

商务智能是20世纪90年代末首先在国外企业界出现的一个术语，其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业，不仅为企业提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势，也有人称之为混沌世界中的智能。因此，越来越多的企业提出他们对BI的需求，把BI作为一种帮助企业达到经营目标的一种有效手段。

目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是作业层的，也可以是管理层和策略层的决策。

为了将数据转化为知识，需要利用数据仓库、线上分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。

把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。

企业导入BI的优点
1.随机查询动态报表

2.掌握指标管理

3.随时线上分析处理

4.视觉化之企业仪表版

5.协助预测规划

导入BI的目的
1.促进企业决策流程(Facilitate the Business Decision-Making Process)：BIS增进企业的资讯整合与资讯分析的能力，汇总公司内、外部的资料，整合成有效的决策资讯，让企业经理人大幅增进决策效率与改善决策品质。

2.降低整体营运成本(Power the Bottom Line)：BIS改善企业的资讯取得能力，大幅降低IT人员撰写程式、Poweruser制作报表的时间与人力成本，而弹性的模组设计介面，完全不需撰写程式的特色也让日后的维护成本大幅降低。

3.协同组织目标与行动(Achieve a Fully Coordinated Organization)：BIS加强企业的资讯传播能力，消除资讯需求者与IT人员之间的认知差距，并可让更多人获得更有意义的资讯。全面改善企业之体质，使组织内的每个人目标一致、齐心协力。

商业智能领域的技术应用
商业智能的技术体系主要有数据仓库（Data Warehouse，DW）、联机分析处理（OLAP）以及数据挖掘（Data Mining，DM）三部分组成。

数据仓库是商业智能的基础,许多基本报表可以由此生成,但它更大的用处是作为进一步分析的数据源。所谓数据仓库（DW）就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。多维分析和数据挖掘是最常听到的例子,数据仓库能供给它们所需要的、整齐一致的数据。

在线分析处理（OLAP）技术则帮助分析人员、管理人员从多种角度把从原始数据中转化出来、能够真正为用户所理解的、并真实反映数据维特性的信息，进行快速、一致、交互地访问，从而获得对数据的更深入了解的一类软件技术。

数据挖掘（DM）是一种决策支持过程，它主要基于AI、机器学习、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。

商业智能的应用范围
1.采购管理

2.财务管理

3.人力资源管理

4.客户服务

5.配销管理

6.生产管理

7.销售管理

8.行销管理

商业智能实施步骤

商业智能系统处理流程[1]
商业智能（BI）作为一个概念，描述与业务紧密结合，并且根据需要进行相关特性展示和数据处理的过程。

为了让数据“活”起来，往往需要利用数据仓库、数据挖掘、报表设计与展示、联机在线分析（OLAP）等技术。数据或者数据源包含的种类繁多，例如存储在关系型数据库中的，在外围数据文件中的，在业务流中实时产生存储在内存中的等等。而商业智能最终能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。

这些分析有财务管理、点击流分析（Clickstream）、供应链管理、关键绩效指标（Key Performance Indicators, KPI）、客户分析等。商业智能关注的是，从各种渠道（软件，系统，人，等等）发掘可执行的战略信息。商业智能用的工具有抽取（Extraction）、转换（Transformation）和加载（Load）软件（搜集数据，建立标准的数据结构，然后把这些数据存在另外的数据库中）、数据挖掘和在线分析（Online Analytical Processing，允许用户容易地从多个角度选取和察看数据）等 。

商业智能系统的功能
商业智能系统应具有的主要功能：

数据仓库：高效的数据存储和访问方式。提供结构化和非结构化的数据存储，容量大，运行稳定，维护成本低，支持元数据管理，支持多种结构，例如中心式数据仓库，分布式数据仓库等。存储介质能够支持近线式和二级存储器。能够很好的支持现阶段容灾和备份方案。

数据ETL：数据ETL支持多平台、多数据存储格式（多数据源，多格式数据文件，多维数据库等）的数据组织，要求能自动化根据描述或者规则进行数据查找和理解。减少海量、复杂数据与全局决策数据之间的差距。帮助形成支撑决策要求的参考内容。

数据统计输出（报表）：报表能快速的完成数据统计的设计和展示，其中包括了统计数据表样式和统计图展示，可以很好的输出给其他应用程序或者Html形式表现和保存。对于自定义设计部分要提供简单易用的设计方案，支持灵活的数据填报和针对非技术人员设计的解决方案。能自动化完成输出内容的发布。

分析功能：可以通过业务规则形成分析内容，并且展示样式丰富，具有一定的交互要求，例如预警或者趋势分析等。要支持多维度的联机在线分析（OLAP分析），实现维度变化、旋转、数据切片和数据钻取等。帮助决策做出正确的判断。

典型的商业智能系统
典型的商业智能系统有：

客户分析系统、菜篮分析系统、反洗钱系统、反诈骗系统、客户联络分析系统、市场细分系统、信用计分系统、产品收益系统、库存运作系统以及与商业风险相关的应用系统等。

[编辑]商业智能解决方案厂商
提供商业智能解决方案的著名IT厂商包括微软、IBM、Oracle、Microstrategy、Business Objects、Cognos、SAS等

最后，希望你关注一下FineBI，帆软软件的大数据解决方案，我看了，还是很不错的