电信运营商基于大数据的商业 智能应用的思考
孙少陵 中国移动通信有限公司研究院 2012年11月
1
目录
3 1 2 3
电信运营商商业智能面临的挑战 基于大数据的商业智能系统的初步构想 “大云”在大数据商业智能领域的实践
2
全球数据量高速增长，信息成为运营商战略资产
?信息社会的信息增量在高速发展 ?随着互联网/移动互联网、数码设备、物联网/传感器等技术的发展，全球数据生产在 高速增长 ?Jim Gray的新摩尔定理认为，每18个月全球新增的信息量是计算机有史以来全部信息 量的总和。据IDC研究报告，未来10年全球数据量将以40+%的速度增长，2020年全球数 据量将达到35ZB（35,000,000PB），为2009年（0.8ZB）的44倍 ?信息成为企业战略资产，市场竞争和政策管制要求越来越多的数据被长期保存 ?企业越来越需要长期保存各类数据，以进行用户行为分析、市场研究，信息服务企业 更是需要积累越来越多的信息资源 ?为了遵从萨巴斯、上网日志审计等管制要求，企业需要长期保存越来越多的生产数据
3
基于大数据的商业智能（BI）为运营商带来新的机遇
在网络时代，运营商是数据交换中心，运营商的网络管道、业务平台、 支撑系统中每天都在产生大量有价值的数据，基于这些数据的商业智能 应用为运营商带来巨大的机遇
改善用户体验 优化网络质量 助力市场决策 刺激业务创新
? 分析用户行为，改进产品设计 ? 通过用户偏好分析，及时、准确进行业务推荐和客户关怀
? 分析流量、流向变化，调整资源配置 ? 分析网络日志，进行网络优化和故障定位
? 通过业务、资源、财务等各类数据的综合分析，快速准确确 定公司管理和市场竞争策略
? 在确保用户隐私不被侵犯的前提下，对数据进行深度加工， 对外提供信息服务，提升企业价值
4
运营商大数据商业智能系统处理面临的挑战
系统分散建设，难以实 现资源和应用共享 数据分散存储，标准化 程度低 以数据仓库为核心的传 统架构，难以满足业务 发展要求 系统只针对内部提供服 务，数据未能有效地进 行商业利用
? 经营分析、信令监测、综合网络分析、不良信息监测、上网 日志留存等大数据系统分专业建设，其中部分系统分省建设， 造成资源重复建设、应用重复开发、专家资源无法共享
? 各大数据系统数据模型不统一，跨系统综合分析困难
? 系统采用高端商用系统（小机+盘阵+数据仓库或一体机）建 设，建设成本居高不下 ? 只具备结构化数据处理能力，无法支持非结构化、半结构化 数据处理，无法满足互联网类业务发展要求
? 如何建立商业模式？ ? 如何解决用户隐私保护问题？
5
目录
3 1 2 3
电信运营商商业智能面临的挑战 基于大数据的商业智能系统的初步构想 “大云”在大数据商业智能领域的实践
6
调整两级架构，构建数据集中、平台统一的BI系统
实现BI系统集中化，将两级架构转为集中化架构 实现数据模型标准化，并将各系统的数据统一存储和处理
一级BI门户 集团公司应用 一级BI数据仓库：统一模型 标准一级BI接口
A省BI
省级BI门户 省公司应用 个性数据 非标准接口
一级BI
集中化BI
统一BI门户接入 集团公司 应用 全网 共性应用 集中数据仓库 p 统一数据模型 p 统一存储、统一处理
统一数据模型
基地应用
B省BI
省级BI门户 省公司应用 个性数据 非标准接口 一级VGOP
在统一平台进行 标准化转换
A省数据源 BOSS
接口层：标准化处理
…省数据源 BOSS CRM
数据源（全网集中） 一类 网络日志 业务平台 财务 …
A省数据源 …省数据源
BOSS CRM
二三类 信令、 业务平台 日志
BOSS CRM
一类 业务平台
CRM
二三类 信令、 业务平台 日志
…
省级经分 7 7 省级经分
集中化BI面临海量数据处理和存储的压力
由于集中化建设，集中化BI系统将面临着数据规模大、数据处理 复杂、混合负载多样等多种挑战，传统的单一数据仓库技术难以 满足，需要引入大数据技术。 数据 规模 大 l 初步估算，至2015年6月，集中化BI的结构化数据存储需3.7P，非结构 化存储4.4P。 l 传统数据库成本高昂，省公司扩容压力巨大 l l l l 数据处理种类多，单一技术难以实现。任务调度复杂，需要有效管理。 结构化数据的复杂关联处理 非结构化数据处理 融合结构化与非结构化数据进行深度分析挖掘
数据 处理 复杂
混合 负载 多样
l 大量的固定应用 l 大量的临时统计（ad-hoc）需求，突发性强，预计80%以上 l 目前数据仓库的混合负载管理能力远远不能达到效率和成本最优
8
8
大数据技术路线选择
技术层面：大数据处理技术种类繁多，包括数据仓库技术、Hadoop、 NoSql、流式处理技术等。
关系型数据库系统 基于高性能硬件 复杂多表关联分析性 能 非结构化数据处理 响应实时性 数据规模 高可靠性 采购成本 运维成本 外围工具支持 基于X86通用平台 X 缺少高效索引、数据存储和查询 优化，性能较低 √ 非关系模型，提供文件访问接口， 编程灵活 X 对数据处理优化较少，实时性较 差。Nosql单键查询性能好 √ 通过索引、分区键等保障复杂分析性能 X 关系数据模型，不能直接处理非结构化数 据 √ 基于高性能硬件， 实时性高 √可处理PB级数据 √ 基于高性能硬件， 可靠性高 X 需要较昂贵设备和 软件，成本高 √工具成熟，较多 √丰富 √ 基于通用平台，实 时性较高 Hadoop分布式系统
√具备良好扩展能力， √ 具备良好扩展能力，可处理PB级 可处理PB级数据 数据 √基于通用平台，可 靠性略差 √通用硬件平台可在 一定程度上降低成本 √工具水平一般，完 善中 √丰富
9
√基于通用平台，软件解决可靠性 问题，可靠性略差 √ 基于通用硬件和免费软件，采购 成本低 目前工具略缺乏，经验少，维护工 作量略大 X较少
集中化BI架构初步构想
高可靠、实时 Ad-hoc、 性要求较强的 数据集市、 数据沙盒 应用
结构化数据
非结构化数据
?数据采集和预处理可采用基于 Hadoop的分布式ETL技术，引 入流计算提高数据转换效率 ?数据存储和处理采用Hadoop 和数据仓库混搭的方式，通过 透明访问机制为上层应用提供 透明的访问环境 ?采用PaaS的方式向省公司提供 资源和应用开发、运行环境， 解决平台/数据集中化和各省 应用开发个性化的矛盾
高性 能 RDB MS
低成 本 RDB MS
Hadoop
结构化数据
非结构化数据
结论：充分利用各种处理平台的特征，实现高效低成本 l 非结构化数据处理在Hadoop平台上存储与处理 l 结构化，不需要关联分析、Ad-hoc查询较少的数据， 建议保存在Nosql数据库或hadoop平台 l 结构化、需要关联分析或经常ad-hoc查询的数据保 存在关系型数据库中，短期高价值数据放在高性能平 台，中长期放在低成本产品中。
10
10
目录
3 1 2 3
电信运营商商业智能面临的挑战 基于大数据的商业智能系统的初步构想 “大云”在大数据商业智能领域的实践
11
“大云”是中国移动为应对移动互联网转型和内部IT支 撑系统升级而启动的云计算产品研发计划
经分KPI 集中运算 经分系统 ETL/DM 结算 系统 信令 系统 云计算 资源池系统 物联 网应用 EMail IDC服务
…
PaaS 产品
数据管理/分析类 在线交易类 开放平台BC-OMP 消息队列 内存引擎 BC-Queue BC-DME K-V数据库 SQL数据库 BC-kvDB BC-RDB 其他能力组件
云计算 管理
IaaS 产品
计算/存储资源池 文件中间件 弹性计算 BC-NAS BC-EC 弹性块存储 BC-Block store
商务智能平台
并行数据 挖掘工具 集 BC-PDM
并行数据 搜索引擎 抽取转换 BC-SE BC-ETL
数据仓库系统 HugeTable
对象存储 BC-oNest
BC-BSP 数据并行框架
BC-Hadoop 数据存储和分析平台
系 统 监 控 和 管 理
CloudSecurity
CloudMaster
平 台 安 全 管 理
IT基础资源
大数据分析型产品线
12
“大云”支持建设基于大数据的商业智能系统
?BC-HugeTable：机构化 海量数据存储和处理 ?BC-Hadoop：非结构化 海量数据存储和处理 ?BI PaaS：提供BI应用开 发、托管和分享环境 ?BC-PDM：基于Hadoop 的并行数据挖掘 ?BC-SE：提供网页采集、 索引、自然语言处理等 能力
管理域 应 用 层 访问子层 应用子层 运维管理
元数据管理 数据质量 管理 安全管理
数 据 层
数据存储与处理子层
数据采集子层
?BC-ETL:并行数据抽取、 转换与装载
基础设施
13
大云在某互联网业务BI系统中应用情况
日志 挖掘 系统
趋势 分析
来源 分析
访问 分析
行为 分析
其他 分析
BC-HugeTable 大云 平台 BC-Hadoop HugeTable-Loader 数据层 网页搜 索日志 新闻搜 索日志
BC-PDM
图片搜 索日志
14
视频搜 索日志
? 使用HT-Loader对 海量搜索引擎日志 进行收集，单机每 秒平均处理约5万 条日志(约10MB) ? 使用BC-HugeTable ，存取海量日志信 息并进行管理 ? 使用BC-PDM对海 量日志进行清洗和 转化，单机每秒平 均处理约40万条日 志(约50MB) ? 使用BC-Hadoop， 进行并行计算和分 布式文件处理
大云在某信令监测系统中的应用
15
大云在某互联网内容分析系统中应用
结合用户上网日志及互联网网页内容，为精准行销提供用户行为偏好分析；为互 联网业务发展提供大趋势及业务竞品分析能力
用户群提取
访问热点 分析
业务竞品 分析
URL查询
关键词检 索
服务层 SaaS DaaS
?BC-PDM:支持海量结构化 及非结构化数据分析挖掘
?BC-Hugetable:支持海量日 志存储及各种汇总、统计 分析；网页存储
能力层
?BC-SE:支持爬虫、网页解 析、自然语言解析等； ?爬虫速度500W网页/天/ 节点 ?网页解析及分类1400W网 页/天/节点
数据层
互联网网页
用户上网日志
Internet
CMNET/CMWAP/WLAN 日志
16
运营商商业智能应用对Hadoop生态环境的发展需求
随着业务规模的增加以及应用迁移的需求日益迫切，运营商商业智能应用需要 Hadoop提供更好的实时处理能力、标准的SQL接口、更加丰富的外围工具等
Hadoop生态环境现状 运营商BI应用对Hadoop的需求
数据处理 能力
? ? ? ? ? ? ? ? ?
MapReduce批处理 HBase基于主键的实时查询 S4/Storm等流处理 Hama/BC-BSP图计算 …… MapReduce Hive Pig ……
需要更好的海量数据的实时加载和实时 复杂查询能力。 - e.g. 信令监测系统需要实时加载数据， 并在1分钟内返回各项最新数据的统计信 息 由于现有BI应用均采用标准SQL接口，同 时为了便于Hadoop与现有数据仓库系统 的透明访问，因此需要Hadoop提供标准 SQL的支持
编程接口 ? ? 外围工具 ? ? ?
Apache Ambari 集群管理工具 Cloudera Manager集群管理工具 Hadoop外围工具相对数据仓库系统较少， BI应用需要更加丰富的外围工具，如 Chukwa日志收集分析工具 OLAP工具/自助分析工具/可视化工具等 Apache Flume数据加载工具 Sqoop与DBMS互通工具 17
基于大数据的商业智能是现代信息技术与互联网时代 海量信息的一次化学反应，必将对现有技术、商业模式和 法律法规产生深刻的变革，中国移动愿意与产业各方共同 抓住大数据的机遇，为社会创造更多价值！
谢谢 谢谢
https://www.doczj.com/doc/1b9905203.html,/cloud
18
传统分析与大数据分析的 对比 This manuscript was revised on November 28, 2020
“大数据”是用来表示大量的没有按照传统的相关格式存储在企业数据库中的非结构化数据的总术语。以下是大数据的一般特点。 数据存储量相对于当前企业TB（TERA BYTES）字节的存储限制，定义在PB（PETA BYTES）字节，EXA字节以及更高的容量顺序。 通常它被认为是非结构化数据，并不适合企业已经习惯使用的关系型数据库之下 数据的生成使用的是数据输入非传统的手段，像无线射频识别（RFID），传感器网络等。 数据对时间敏感，且由数据的收集与相关的时区组成。 在过去，专业术语“分析”应用于商业智能（BI）世界来提供工具和智能，通过对各种各样可能的信息视角的快速的、一致的、交互式访问获得洞察力。 与分析的概念非常接近，数据挖掘已经应用于企业以保持关键监测和海量信息的分析。最大的挑战就是如何通过大量的数据挖掘出所有的隐藏信息。 传统数据仓库（DW）分析相对于大数据分析 企业数据的分析朝着在一段时间内在那种内容中的信息的有意义的洞察，是大数据分析区别于传统数据仓库分析的原因所在。下表总结了一些它们之间的差别。 大数据分析用例 基于用例，企业可以理解大数据分析的价值和在大数据分析的帮助下如何解决传统的问题。以下是一些用法。 客户满意度和保证分析：也许这是基于产品的企业所担心的最大的一个领域。在当今时代，没有一个清晰的方式来衡量产品的问题和与客户满意度相关的问题，除非他们以一个正式的方式出现在一个电子表格中。
信息质量方面，它是通过各种外部渠道收集的，而且大多数时候的数据没有清洗 因为数据是非结构化数据，无法关联相关的问题，所以长期的解决方案提供给客户 分类和分组的问题陈述都缺失了，导致企业不能对问题进行分组 从上面的讨论中，对客户满意度和保证分析使用大数据分析将帮助企业在急需的客户注意力设置中获得洞察力，并有效地解决他们的问题以及在他们的新产品线上避免这些问题。 竞争对手的市场渗透率分析：在今天高度竞争的经济环境下，我们需要通过一种实时分析对竞争者强大的区域和他们的痛点进行衡量。这种信息是可适用于各种各样的网站、社交媒体网站和其他公共领域。对这种数据的大数据分析可以向企业提供关于他们产品线的优势、劣势、机遇、威胁等非常需要的信息。 医疗保健/流行病的研究和控制：流行病和像流感这样的季节性疾病在人群中以一定的模式开始，如果没有及早发现和控制，它们就会传播到更大的区域。这对发展中以及发达的国家都是一个最大的挑战。当前绝大部分时间的问题是人们之间的症状各异，而且不同的医护人员治疗他们的方法也不同。人群中也没有一种常见的症状分类。在这种典型的非结构化数据上采用大数据分析将有助于地方ZF有效地应对疫情的情况。 产品功能和用法分析：大多数产品企业，尤其是消费品，不断在他们的产品线上增加许多功能，但有可能一些功能不会真正地被顾客所使用，而有些功能则更多地被使用，对这种通过各种移动设备和其它基于无线射频识别（RFID）输入捕捉到的数据的有效分析，可以为产品企业提供有价值的洞察力。 未来方向的分析：研究小组分析在各种业务中的趋势，而这种信息通过行业特定门户网站甚至常见的博客可以获得。对这种未来数据的不断分析将有助于企业期待未来，并将这些期待带入他们的生产线。 总结 大数据分析为企业和ZF分析非结构化的数据提供了新的途径，这些非结构化数据到目前为止在典型的企业数据仓库的情景中被数据清洗的惯例所拒绝。然而从以上用例明显看出，这些分析在改善企业的运营方面有很长的路要走。我们在未来的日子里将会看到更多的产品和应用系统在这个市场上出现。
2013年商业智能BI与大数据行业分析报告 2013年8月
目录 一、行业：BI是为客户真正创造价值的大数据核心应用 (4) 1、大数据时代来临，迎接她，拥抱她 (4) （1）数据爆发性增长，潜在价值巨大 (4) （2）IT巨头重金投入大数据，抢位关键环节 (6) 2、BI是贴近客户并且为客户创造价值的大数据核心应用 (7) （1）BI处于大数据分析应用层的核心位置 (7) （2）BI体系架构：辅助决策，帮助客户拓展业务 (7) （3）BI贴近客户并为客户创造价值，最具含金量 (8) 3、BI应用快速推广，未来消费智能百倍增长空间 (9) （1）BI成为全球CIO首选技术，我国BI市场提速发展 (9) （2）从商业智能到消费智能，前景广阔 (10) ①BI发展趋势一：从O/B域向M域延伸 (10) ②BI发展趋势二：企业全员BI (11) ③BI发展趋势三：消费智能 (11) 二、标杆分析：东方国信 (12) 1、BI龙头，有能力发展成全产业链解决方案提供商 (12) （1）国内BI格局 (12) （2）公司深耕BI领域，具备成为全产业链解决方案提供商的能力 (14) 2、战术措施：纵向产业链延伸，横向行业拓展 (17) （1）纵向延伸，向上管理咨询，向下业务运营 (17) （2）横向拓展，重点突破金融、制造、能源等领域 (20) 3、业务：电信领域稳健成长，非电信领域倍增空间 (21) （1）电信领域：从O/B域向M域扩展，从联通向移动电信渗透 (21) ①从O/B域向M域扩展将提升BI业务的体量和效果 (21) ②基于联通的成功，大力拓展移动电信业务 (22) （2）非电信领域：并购进入金融和制造业BI领域，能源空间广阔 (23) ①金融行业是BI的下一个主战场 (23)
电信运营商基于大数据的商业 智能应用的思考
孙少陵 中国移动通信有限公司研究院 2012年11月
1
目录
3 1 2 3
电信运营商商业智能面临的挑战 基于大数据的商业智能系统的初步构想 “大云”在大数据商业智能领域的实践
2
全球数据量高速增长，信息成为运营商战略资产
?信息社会的信息增量在高速发展 ?随着互联网/移动互联网、数码设备、物联网/传感器等技术的发展，全球数据生产在 高速增长 ?Jim Gray的新摩尔定理认为，每18个月全球新增的信息量是计算机有史以来全部信息 量的总和。据IDC研究报告，未来10年全球数据量将以40+%的速度增长，2020年全球数 据量将达到35ZB（35,000,000PB），为2009年（0.8ZB）的44倍 ?信息成为企业战略资产，市场竞争和政策管制要求越来越多的数据被长期保存 ?企业越来越需要长期保存各类数据，以进行用户行为分析、市场研究，信息服务企业 更是需要积累越来越多的信息资源 ?为了遵从萨巴斯、上网日志审计等管制要求，企业需要长期保存越来越多的生产数据
3
基于大数据的商业智能（BI）为运营商带来新的机遇
在网络时代，运营商是数据交换中心，运营商的网络管道、业务平台、 支撑系统中每天都在产生大量有价值的数据，基于这些数据的商业智能 应用为运营商带来巨大的机遇
改善用户体验 优化网络质量 助力市场决策 刺激业务创新
? 分析用户行为，改进产品设计 ? 通过用户偏好分析，及时、准确进行业务推荐和客户关怀
? 分析流量、流向变化，调整资源配置 ? 分析网络日志，进行网络优化和故障定位
? 通过业务、资源、财务等各类数据的综合分析，快速准确确 定公司管理和市场竞争策略
? 在确保用户隐私不被侵犯的前提下，对数据进行深度加工， 对外提供信息服务，提升企业价值
4
商业智能（BI）项目 第一章、商业智能(BI)项目总体介绍 第一节、项目名称 商业智能（BI）项目 第二节、商业智能（BI）概念 商业智能又名商务智能，英文为Business Intelligence，简写为BI。 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、客户和供应商等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，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。 可以认为，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力（insight），促使他们做出对企业更有利的决策。商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。商业智能的实现涉及到软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。 因此，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。
西安邮电大学 科研训练（论文）题目：大数据时代运营商的SWOT分析 院（系）：经济与管理学院（工商管理系） 专业：人力资源管理 班级：1102班 学生姓名：刘丹 导师姓名：尹丽英职称：讲师 起止时间：2013年9月16日至12月6日
科研训练（论文）成绩鉴定表 指导教师评语
目录 摘要........................................ 错误!未定义书签。Abstract......................................... 错误!未定义书签。 1 引言...................................... 错误!未定义书签。 2 大数据时代运营商的发展现状 (1) 2.1大数据的含义及特征............................... 错误!未定义书签。 2.2大数据的应用领域及其价值......................... 错误!未定义书签。 2.3大数据时代运营商的发展现状 (3) 2.4大数据时代运营商的发展趋势 (4) 3 大数据时代运营商的SWOT分析 (5) 3.1优势与劣势分析 (5) 3.2机会与威胁分析 (6) 4大数据时代运营商的经营策略 (8) 5结论 (10) 参考文献 (11)
摘要 近年来，大数据所带来的挑战推动了计算技术的快速发展，催生了分布式并行处理平台Hadoop、软硬件一体化数据库服务器Exadata等一批新产品。对于电信运营商这样的大型企业而言，需要思考如何应用这些新技术，解决在大数据时代背景下所面临的挑战，从而提升企业价值。本文立足于电信行业，通过分析大数据的现状及发展趋势，利用SWOT分析模型，阐述电信运营商在大数据时代背景下的优势与劣势，以及所面临的机遇与挑战，并提出相关应对策略，最后展望在大数据时代电信企业的发展及转变趋势。 关键词：大数据运营商 SWOT分析模型数据挖掘
几种典型的商业智能(BI)系统架构分析 1、简单的BI架构这是目前比较常用的商务智能架构，所有的数据集中管理，集中分析，最大的优点是容易管理和部署，系统结构简单，容易维护，适用于小型商务智能系统。缺点是对于跨地域部署比较困难，数据实时性差，可扩展性差。 2、联合的BI架构（Federated BI Architecture）这种架构比较符合实际的需求，能够集成自定义的数据仓库，外包的数据仓库，架构化的数据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。特点是适用于加速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的Metrics度量和维度；需要提供统一的标准，拥有企业级的ETL工具和集成的元数据；需要贯穿于整个团队的沟通。联合的BI架构包括：集中逆向商务智能架构，分布逆向商务智能架构，集中顺序商务智能架构，分布顺序商务智能架构及混合架构等。 2、1 集中逆向BI架构（Centralized Upstream BI Architecture）·通常用于中小组织·需要良好的保管者的沟通·需要高级执行者买进·受限于逆向成功惯例（成功的变化是与任何单一实体的进行尝试是成反比的） 2、2 分布式逆向BI架构（Distributed Upstream BI Architecture）·中小组织和大型组织都适用·是大多数从下
至上注重实效表现的逼近系统·更多的考虑多数人意见·更多的限制于大多数人意见·实施团队需要良好的沟通 2、3 集中式的顺序BI架构（Centralized Downstream BI Architecture）·适用于长期数据仓库项目·用于紧密配合多管道的在巨大组织中到处存在的DW/DM系统·经常目标设定为特殊功能组织或行政中心·需要高层在所有的拥有者进行决策·需要为已有系统在实施团队和支持团队建进行良好的沟通 2、4 分布式顺序BI架构（Distributed Downstream BI Architecture）·适用于大型多元化组织·容易适应各种不同的冲突·容易转换到不同的环境·需要为已有系统在实施团队和支持团队间进行良好的沟通 2、5 混合型BI架构（Hybrid BI Architecture）·比任何理想化模型更接近现实情况·更适应自然的联盟·元数据集成更具有挑战性
数据仓库与数据挖掘论文题目BI技术应用现状及相应软件工具介绍评语： 学院计算机工程学院班级计算1314 姓名 __苏帅豪___ 学号 201321121109 成绩指导老师曾勇进 2016年 6 月 12 日
BI技术应用现状及相应软件工具介绍 [摘要] 商业智能是从大量的数据和信息中发掘有用的知识，并用于决策以增加商业利润，是一个从数据到信息到知识的处理过程。本文从当前商业智能实际出发，清晰阐述了商业智能的概念，总结和分析了商业智能发展的现状,并对商业智能今后的发展做出了展望。与此同时,客观分析了目前我国商业智能发展的状况,介绍了BI工具的情况。使我们能够认清形势,更好地发展。 [关键词] 商业智能、cognos、数据仓库、查询与报表 [正文] 1.商业智能概念： 提到“商业智能”这个词，网上普遍认为是Gartner机构在1996年第一次提出来的，但事实上IBM的研究员Hans Peter Luhn早在1958年就用到了这一概念。他将“智能”定义为“对事物相互关系的一种理解能力，并依靠这种能力去指导决策，以达到预期的目标。” 在1989年，Howard Dresner将商业智能描述为“使用基于事实的决策支持系统，来改善业务决策的一套理论与方法。”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、客户和供应商等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，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（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，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。 可以认为，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力，促使他们做出对企业更有利的决策。商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。商业智能的实现涉及到软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。因此，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、转换和装载，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、联机分析处理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。
2016年出版
正文目录 1、BI行业增长强劲，下游需求突出，竞争壁垒有抬升趋势 (4) 1.1、商业智能（BI）认可度持续提高，市场规模不断扩大 (4) 1.2、BI 产业链结构分析 (6) 1.2.1、BI 上游 (6) 1.2.2、BI 下游 (6) （1）、电信行业：大数据潜在金矿、亟待规模开发 (8) （2）、金融行业：效率与安全双轮驱动大数据应用深化 (8) （3）、电子政务：政务信息化政策利好大数据整体解决方案商用 (9) （4）、电力行业：生产信息决策与节能减排双重利好于大数据 (10) 1.3、BI 与大数据的联系与区别 (10) 2、大数据：逐步走向成熟，市场进入爆发成长期 (11) 2、从BI 到大数据4.0的演变历程 (12) 2.1、大数据核心技术不断演进，年增50% (12) 2.1.1、大数据的史前时代 (16) 2.1.2、大数据1.0 效率为先(2012-2015)：非结构化数据处理加速 (17) 2.1.3、大数据2.0 变现为王(2015-2020)：用户画像与标签 (18) 2.1.4、大数据3.0 与4.0 决策为本(2020-2030)：机器学习与洞察 (19) 2.2、大数据产业步入快速增长、国内相关企业产业布局呈哑铃型 (20) 2.2.1、从概念热炒到实际应用，大数据步入快速成长期 (20) 2.2.2、大数据产业链分工明晰，发展侧重数据采集及应用、呈现哑铃型 (21) 2.3、大数据助力产业升级创新 (22) 3、大数据主要应用分析 (23) 3.1、电信行业大数据应用 (23) 3.1.1、电信大数据爆发式增长，但运营商进入存量经营时代 (23) 3.1.2、电信运营商大数据变现具备基础 (24) 3.1.3、利用大数据，聚焦服务、创新、运行支撑 (25) 3.1.4、海外成功先例，值得借鉴 (26) （1）、全球电信运营商大数据实践 (26) （2）、法国电信：利用大数据开拓新服务领域 (28) （3）、西班牙电信大数据应用 (29) 3.2、金融行业大数据应用 (29) 3.2.1、强调大数据环境下的客户、市场、运营洞察 (29) 3.2.2、工商银行：利用大数据洞察客户心声 (31) 3.3、互联网大数据应用分析 (32) 3.3.1、大数据先行者，促进营销、信息与业务多重变革 (32) 3.3.2、BAT：领军大数据变革时代 (33) 3.3.3、亚马逊：用户行为数据分析助推个性化营销 (36) 3.4、工业大数据应用 (37) 3.4.1、借力大数据，实现设备、系统、决策智能化 (37) 3.4.2、工业大数据：中国制造2025 核心技术 (37) 3.4.3、汽车行业：“变形金刚”改变行业战斗方式 (38) 3.5、航空业大数据应用分析 (39)
商业智能与商业分析区别 一、商业智能的能够干什么? Reasoning——对于企业的运营和管理，能够解决以下三方面的问题——确定问题的根源，明确问题的原因和影响，以及科学和合理得出相关的结论； Planning ——基于相应的情况和推理，确定一系列的行动计划； Prediction ——基于严格的推理，得到对于未来的各种可能性的预期； Problem solving ——通过相应的问题特点，提供解决根本问题的方法和措施；Abstraction ——通过具体的明细数据和场景，能够生成一般性的概念，模式，观点和结论等等； Comprehend and understand ——能够感知，辨别和确认相应的问题——特别是，对于现状和问题条件的感知，以及从表面确定本质问题等； Innovate ——通过测试和学习能够获取相应新的发现； Learn ——对于技能和知识的认知过程，其是一个无限循环的过程； 二、相对于商业智能，商业分析又能够干什么？ Purposeful——当我们收集相关的信息，进行相关的分析活动时，商业分析是具有绝对的目的性的：例如，商业运营的财务，市场，销售等分析评估，以及员工绩效，风险等等商业管理方面的分析；
Insightful——在我们发现问题的根本原因，以及相应的结论时，商业分析能够提供有见地的说明； Actionable——商业分析的目标是提供可执行的行动方案和规划； 三、商业分析的基本原则 First Define the Problem and Then the Solution——首先明确问题，然后是提出解决方案；Users have the information，Do Not Have Requirements——商业分析需要通过原始的信息中归纳出相应的商业需求； Improve the Process First, Then Add Technology——首先“先下”流程解决，然后“线上”流程规范； The Business Analyst Owns the Solution Requirements——商业分析师是商业需求，以及商业分析报告的第一责任人（而非股东，以及商业问题的利益攸关方）； Communicate, Cooperate, Collaborate——交流，沟通，协作； 【编辑推荐】 大数据，小数据，哪道才是你的菜 大数据分析师“钱途”无量 大数据时代统计学依然是数据分析灵魂 IT系统分析师如何学习大数据 大数据的进击：从占领IT部门到争取业务人员的芳心
几种典型的商业智能（BI）系统架构分析 目前，随着商务智能理论的不断发展，商务智能的系统架构已经从单一的理论衍生出多种架构，如分布式商务智能架构，联合商务智能架构等。下图是前BO公司定义的商务智能的基本架构，它是一种开放式的系统架构，可以分布式集成现有的系统。从这个架构中，我们可以比较清楚的看出目前商务智能架构的模式。包括数据层、业务层和应用层三部分。数据层基本上就是ETL过程。业务层主要是OLAP和Data Mining的过程。在应用层里主要包括数据的展示，结果分析和性能分析等过程。在实际应用中，由于每个公司的规模和组织架构的不同，在实施商务智能选择系统架构的时候要结合公司的特点，选者最合适的架构。下面就介绍几种现实系统中的几种BI架构。 BO公司定义的BI架构 1、简单的BI架构 这是目前比较常用的商务智能架构，所有的数据集中管理，集中分析，最大的优点是容易管理和部署，系统结构简单，容易维护，适用于小型商务智能系统。缺点是对于跨地域部署比较困难，数据实时性差，可扩展性差。
2、联合的BI架构（Federated BI Architecture） 这种架构比较符合实际的需求，能够集成自定义的数据仓库，外包的数据仓库，架构化的数据仓库，非架构化的数据仓库，分析系统等。应用于多数据仓库的集成和管理。特点是适用于加速time-to-market ,需要高层力量的驱动。成功关键因素：共享一致的的重要的Metrics度量和维度；需要提供统一的标准，拥有企业级的ETL工具和集成的元数据；需要贯穿于整个团队的沟通。联合的BI架构包括：集中逆向商务智能架构，分布逆向商务智能架构，集中顺序商务智能架构，分布顺序商务智能架构及混合架构等。 2.1 集中逆向BI架构（Centralized Upstream BI Architecture） ·通常用于中小组织 ·需要良好的保管者的沟通 ·需要高级执行者买进 ·受限于逆向成功惯例（成功的变化是与任何单一实体的进行尝试是成反比的）
三大电信运营商大数据平台发展分析 9月29日消息，如今我们处在一个无处不数据的时代，坐拥大数据这座富矿，国内无论是互联网企业还是运营商都在紧锣密鼓的建设大数据平台，企图将这座宝矿开发成为熠熠生辉的“钻石”。 目前，国内三大运营商迎接大数据时代的步伐和规划各自不同，中国电信的大数据平台已经扩展到31个省，基础平台建设基本完成；中国联通虽然起步晚一些，但是其大数据产品体系已经发展成为六大产品种类；相对于中国电信和中国联通的成熟，中国移动的数据中心资源略显不足，但是需求量不断递增，也在不断努力布局中。 中国电信：大数据平台扩展到31个省基础平台建设基本完成 中国电信所有的大数据都是在云平台和云设施之上搭建的，如今其大数据平台建设从原来的5个省现在扩展到31个省，数据的种类从开始的几类主要的数据扩展到十几类，实效性是原来一周到现在小时的延时。 中国电信云计算分公司大数据事业部首席数据分析师张宇中表示：“中国电信的大数据平台跟其它合作伙伴的模式不一样，中国电信主要是做节约化运营，将数据的汇聚、接入、存储、加工、输出整合在一起，这样前端的响应可以快速的传递到客户中去，并且可以持续的循环。同时，中国电信的平台开发还做了具体功能区分。” 目前中国电信已经完成了大数据基础平台的建设，正在继续完善行业的应用。依托云网融合，中国电信的大数据开放平台一直拥有强大的资源，中国电信有八大资源基地，还有内蒙和贵州两大数据中心，并且很多区域下沉的边界。 2015年11月28日，中国电信正式发布“天翼大数据”品牌，并推出精准
营销、风险防控、区域洞察、咨询报告四类数据型产品和大数据云平台型产品，重点服务于旅游、金融、广告、政府、交通等行业。这是中国电信运营商第一个大数据业务品牌。 据了解，中国电信推出的4+1产品模块，拥有15个子项。其中有面向个人拥护推出的风控的和精准营销产品；还有一部分是输出具体数据，形成相关报告；此外，中国电信还开发了PAAS的平台对价值链的某一方面具有专业特色的公司能够利用大数据平台做它所擅长的事情。可以说，中国电信通过多种手段为产业链打造了一个比较安全可靠的大数据平台。 此外，中国电信还和其它100家企业共同发起成立BDU中国企业大数据联盟，期望能够与产业链共同推进大数据生态的建设。 中国联通：大数据产品体系发展为六大类 中国联通从2013年开始发展大数据业务，如今其大数据产品体系已经发展成为六大产品种类。 据了解，这六大产品种类分别是：一征信产品，例如大数据最大的应用是在金融行业，金融行业需求电信运营商所拥有的大量用户的真实性数据；二沃指数，分析包括市场洞察和行业指数两个方面，行业指数涉及到金融、交通、旅游、APP，以及各类的各个垂直行业分析的指数；三精准营销产品，中国联通有很多用户资源和渠道，在保护用户隐私的前提下，可以做到针对不同的场景和不同的用户，进行内部和外部的精准营销；四用户标签；五能力开放平台；六智慧足迹。 特别需要指出的是去年底中国联通在第二届世界互联网大会上，首次发布了“沃指数”大数据产品体系。该产品体系以中国联通4亿用户数据为基础，具备海量、实时的数据处理能力，通过与政府、行业权威机构的数据进行整合、提炼、分析和挖掘，具有真实、全量、安全、实时、公正的特点。 据介绍，“沃指数”涵盖了3000余个用户标签，能够轻松识别3.8亿条URL、6万个互联网产品、约3000个手机品牌、8.2万个终端型号，据此可助力政府在城市规划、公共服务、交通出行、旅游监控、抢险救灾等方面提供决策依据；帮助企业在商业选址、广告投放、信用控制、产品设计等方面提供分析报告及经营决策指导；为公众提供交通出行、旅游选择、消费指南等生活服务。 目前中国联通对移动网和固网用户的数据采集、数据存储、分析和挖掘，形
第1章 商业智能：数据分析基础 本章目标： ●理解商业智能系统的用途和结构 ●理解多维数据分析的概念 ●学习如何使用数据仓库实现维度数据模型 ●学习如何使用分析服务实现维度数据模型 1.1 商业智能简介 商业智能(Business Intelligence，BI)是从一个公司的运行系统或外部资源所包含的数据中获得的信息。商业智能有助于我们更好更快地做出决策。假设你现在是一家新创公司的总经理，公司名为Adventure Works Cycles(下文简称AWC公司)，面向北美、欧洲以及亚洲制造和销售自行车、自行车部件、运动服饰和相关配件。AWC公司需要发展，可目前有限的资源无法支撑其壮大。但是为了公司的发展你必须做出决策，而为了做出合理的决策，你需要一些特殊的信息。你可能会阅读《华尔街日报》来把握最新的商业趋势，或者在收藏夹中保存https://www.doczj.com/doc/1b9905203.html,网站的书签。所有这些信息以及你积累的经验会让你做出一个主观的、凭直觉的(gut-feeling)决策。但事实上，你可能希望自己的决定是客观的、有数据支撑的。需要的数据包括公司的订单处理、会计报表、人力资源以及其他的商业系统。同时还需要一个由第三方提供的市场预测数据和汇率信息。这时，需要一个能将所有这些信息汇总起来供今后使用的工具，这个工具就是商业智能系统。商业智能系统是一种解决方案，它能从多个数据源收集数据，将各种数据进行转化使之一致并能存储在同一个位置，为你进行分析和制定决策提供数据支持。 商业智能系统至多由以下五层组成： (1) 数据源层 (2) 数据转换层 (3) 数据存取层 (4) 分析层 (5) 表示层 数据源层包含的数据有：①维护公司日常运作的系统中的数据，包括文本文件、Excel电子表格文件或Access数据库文件中的数据；②从外部源中获取的数据。由于这些数据从不同的数据源中获得，因此很难直接利用它们创建报表和进行分析。数据转换层用于从不同数
电信运营商大数据业务运营流程深度剖析 【摘要】为了对电信运营商大数据业务运营流程进行剖析，首先针对运营商在对外开展大数据业务的过程中所面临的管理困境进行了总结和分析，并从数据资产管理流程及大数据端到端业务流程两方面提出相应的改进建议，以期为电信运营商大数据业务整体推进提供有益的参考。 【关键词】大数据业务数据资产管理流程端到端业务流程 1 引言 2015年，在“互联网+”战略及创新氛围的带动下，三大运营商均已完成大?稻萦τ贸【按幽诓坑τ米?向外部变现的破局。2016年以后，运营商的大数据业务正逐渐走向规模化和商业化。在大数据业务的规模化商业化运营过程中，运营商面临怎样的挑战，又该如何应对，成为值得探讨的问题。 本文将针对运营商的大数据业务运营全流程，从数据资产管理和大数据端到端业务流程两条管理制度流程，详细剖析运营商开展大数据业务所面临的困难，并针对这些困难提供出优化提升的管理建议，以期为后续大数据业务运营管理提供参考。 2 大数据业务管理现状及相关理论介绍
2.1 大数据业务管理现状 运营商在开展大数据业务过程中通常会涉及两条流程支线：数据资产管理流程和大数据端到端业务管理流程。 如图1所示，在大数据端到端业务管理流程方面，大部分运营商已形成了前端部门收集汇总大数据需求，后端部门与外部支撑厂商进行大数据应用功能的具体开发实现的端到端业务管理流程。 如图2所示，在数据资产管理流程方面，大部分运营商仍延续传统的采集存储规则，并未形成针对大数据应用的系统性的数据资产管理流程及制度。完整的数据资产管理是包括针对数据的计划、规范定义、采集存储、提取使用、盘点维护、数据清除环节在内的全生命周期管理，而目前大部分运营商的数据管理仅包含采集存储、提取使用、数据清除环节，且现存管理制度不适应大数据业务特征，制度有效性受限。 2.2 BPMMM和数据质量管理评估维度 （1）业务流程管理成熟度模型 业务流程管理成熟度模型（BPMMM，Business Process Management Maturity Model）是用来评价并提高企业业务流程管理水平的模型，包括外部结构和内部结构。如图3所示，BPMMM的外部结构划分为初始级、可复用级、已定义级、可管理级和优化级五个层级。
(此文档为word格式，可任意修改编辑！） 2016年8月
目录 1 移动互联推动运营商跨入大数据时代 5 2 通信大数据价值对比互联网、金融大数据特点显著 5 21、大数据技术助力运营商数据获取能力拓展 5 22、互联网企业大数据人群广度上仍有所不足 6 23、金融企业大数据在对人群属性定位在过于狭窄7 24、运营商大数据在定位用户O2O需求方面优势显著7 3 DT 时代通信大数据将迎来货币化大机会8 31、通信大数据可细分为五个产业环节9 32、采集环节价值并不显著10 33、非结构化数据特点推动大数据库卡位的价值11 331、创新公司高估值表明大数据底层架构体系受到欢迎12 332、Hadoop 体系将是大数据时代最有可能的发展方向12 333、适应DT时代运营商积极转变13 4 大数据分析将占据未来产业链技术能力核心16 41、分析工具类公司高估值表明大数据分析体系有较高价值16
42、大数据分析将是有别于传统数据分析的新市场17 43、大数据应用将是最大的蛋糕所在19 431、大数据营销公司获得市场青睐19 432、大数据变现将是整个大数据应用的最后一公里19 5、通信大数据应用将迎来蓝海时代20 51、大数据行业现状20 52、运营商大数据商业模式22 521、传统模式：经营分析24 522、第三方分析25 523、精准营销26 524、第三方合作27 53 运营商大数据市场规模28 531、运营商DSP 29 532、消费金融32 533、信息安全监测34 534、运营商大数据加大投入35
6、电信运营商大数据投资建议36 61、运营商大数据进入实质性商业阶段37 62、由互联网服务及行业信息化带来的大量数据所造就的大数据机遇38 63、大数据挖掘技术快速发展39 7、主要公司分析40 71、东方国信41 72、烽火通信42 33、荣之联43 74、风险提示44
BI Business Intelligence 商业智能 AI Artificial Intelligence 人工智能 NN Network Node 网络结点 OLAP On-Line Analytical Processing 联机分析技术 OLTP 联机事务处理 产品案例① BI.Office是由菲奈特软件公司自行研发的商业智能平台产品，其核心技术是商业智能（Business Intelligence）相关技术，包括数据仓库/ 联机分析处理/ 数据挖掘等技术，以及报表处理、数理统计、AI、NN、经济学、管理学等，在目前国内市场的商业智能技术和产品中，处于领先水平。 BI.Office采用业内先进的Web Service技术架构，实现基于Web的分布式组件应用，保证了平台独立和较强的伸缩能力，同时最大程度地独立于软件厂商，保证了客户投资和系统升级能力。BI.Office实现了多种数据源的无缝集成，支持IBM、Microsoft、Oracle等不同类型的OLAP Server，同时支持对OLAP、OLTP和数据仓库的集成访问。【技术层次】 BI. Office 在研发过程中成功应用了XP、RUP和MSF等软件工程理论，把国外成熟的过程控制理论综合应用到了软件产品的生命周期中。【编程规范有利于软件的升级维护】 BI.OFFICE——基于Web Service架构先进的产品技术框架设计，技术架构基本上分为四层：客户端用户图形界面、Web Service Runtime层、业务逻辑层（远程组件）和数据库访问层【产
品架构】 产品功能特点 1.查询 清晰的查询结果格式预览，分离查询的格式和数据信息； 业界最流行的两种OLAP钻取方式，分别是层叠式和覆盖式； 先进的多维查询操作方式，提供三个轴的灵活定制，包括旋转、分页、切片等； 表格和图形的信息互动，多表多图可同时实现查询钻取功能； 提供自定义指标和自定义维成员等OLAP扩展功能，弥补实施过程的遗漏，同时能支持复杂的工业函数和用户扩展的分析要求；
艾瑞报告：中国商业智能行业研究报告2017（附PDF下载） 区别于能够实现海量数据的管理、简单分析与可视化的传统商业智能，艾瑞的此份商业智能报告将聚焦于人工智能技术如何用于商业智能决策，实现商业经营的智能化与自动化。本报告将通过剖析商业智能行业发展背景、技术动态、多场景应用状况等方面，对人工智能在商业落地的真实现状进行说明，凸显AI技术（不包含语音、视觉等感知智能）在现阶段真实应用的价值。 报告核心观点 1、中国企业精细化运营的需求正在爆发 2、商业智能，帮助企业实现数据驱动认知到数据驱动决策的转变 3、商业智能主要应用于金融、电商、物流、出行等领域 4、中国AI论文成果达到国际一线水平 5、技术方面，商业智能的未来将从强调单一技术，到各学科、分支、算法等融会贯通 6、技术以外，企业、技术供应商对场景的理解是产业升级的关键 7、商业智能的落地是一项系统工程，企业的工程实践能力有待增强 目录 报告摘要1 商业智能概述1.1 商业智能行业概念界定1.2 商业智能与大数据1.3 商业智能发展宏观环境分析1.4 商业智能产业图谱1.5 投融资状况分析2 商业智能核心技术剖析
2.1 机器学习2.2 知识图谱2.3 运筹学3 商业智能典型应用 3.1 广告营销3.2 电商3.3 交通出行3.4 供应链3.5 金融风控3.6 投研分析 3.7 智能投顾3.8 智能客服4 典型公司案例 4.1明略数据 4.2第四范式4.3 杉数科技4.4 百分点4.4 文因互联4.5 ZRobot5 商业智能的未来与挑战 商业智能行业概念界定商业智能的下一步，智能化与自动化商业智能（BI，Business Intelligence）概念的提出可追溯至1958年，通常将其视为把企业中现有数据转化为知识，帮助企业做出明智的业务经营决策的工具。过去的商业智能不能给出决策方案，也不能自动处理企业运行过程中遇到的问题。借助于人工智能与其他相关学科的技术进步，现代商业智能已能在特定场景中实现商业经营的智能化与自动化。因此，本报告聚焦于将人工智能技术用于商业智能决策，试图对人工智能在商业落地的真实现状进行说明，凸显AI技术（不包括智能语音、计算机视觉等感知智能）在现阶段应用的价值。商业智能与大数据大数据为商业智能的发展提供土壤互联网、移动互联网高速发展，海量、高维度且可实时接入更新的数据随之而来，为机器学习等前沿技术在各领域中的探索及落地提供可能，进一步拓展了被服务人群且显著提升服务质量。另一面，产业缺乏通用标准约束，数据在采集及流转过程中污染程度不一，数据加密不规范引致的数据泄露时有发生，数据孤岛亦成为企业业务发展的掣肘（如金融
电信运营商该如何利用大数据? 大数据市场前景广阔。市场研究公司 Marketsa ndMarkets 最新 发布 的一份报告预计，从2013年到2018年，全球大数据市场将会 出现年均26%的增长率，即从今年的148.7亿美元增长到2018年 的463.4亿美元。 全球范围内的许多企业都在进军大数据应用市场， 同时，大数据也为 电信运营商带来了新的盈利空间以及新的挑战。 大数据“美好时代”来临 互联网产生大数据，随着互联网技术的不断发展，数据也将像能 源、材料一样，成为战略性资源。如何利用数据资源深挖创新、提升I 1 0 IJ D J C □ 1 c
效益，是诸多IT企业的追求目标。大数据因其市场需求广阔、后续增长潜力大、投资前景好等优点，后续发展持续被看好。 如今，“大数据”早已渗透到我们的生活中，衍生出了形形色色的数据应用，涵盖交通、医疗、金融、文艺、体育等各个方面。大数据促进了信息融合和产业跨界，也引发了更多新业态出现。其中，获利最多的当属IT企业。 在国内，腾讯这个移动互联网巨头是最早尝到大数据甜头的企业，其从2003年起已经开始努力做手机QQ的尝试。现在，几乎每个拥有手机的网民都是手机QQ用户。另一个互联网巨头百度的新一代搜索引擎的重要支柱之一就是大数据。依托大数据，百度新一代搜索引擎才得以为用户提供更便捷与智能的医疗、交通等服务。以医疗 为例，用户可以在百度搜索引擎中便捷地获取相关病症的原因、症状、治疗等信息；甚至可以通过搜索引擎，在线咨询医生、在线挂号，这大大降低了百姓获得医疗信息和服务的门槛。除此之外，阿里巴巴的 云计算、奇虎360的商业模式、微信的运作自如……这些IT大佬们的得意，无不与“大数据”这个词语紧密相连。 在国外，大数据也被许多科技企业看作是云计算之后的另一个巨大商机，包括微软、谷歌、亚马逊和微软在内的一大批互联网巨头纷纷掘金这一市场。谷歌基于搜索数据成功建立了盈利模式；亚马逊通过云技术、大数据构建了电商帝国……大数据引发的信息融合正在改变着IT企业的发展方
BI商业智能系统
随着企业各种信息系统的建设和完善，企业所拥有的数据越来越多。决策者面对的问题已经不再是缺少信息，而是如何得到正确的信息以帮助制定决策。典型的公司拥有数十乃至上百个应用，但是却难于从中提取、综合、使用这些系统的数据，继而从数据中提取有用的信息，发掘并提升数据的价值。 商业智能(Business Intelligence，简称BI)提供了提取数据、处理加工、信息访问的技术手段。经过多年发展，其运用范围逐渐由支撑特定业务过程的战术性决策发展到在企业范围内系统化地创造价值。因此，越来越多的企业已将其视为战略性的企业应用。 商业智能通过将分散在企业各系统中的数据进行整合，使得繁琐的信息获取过程变得简便易行。任何用户都能够容易的运用这些技术进行决策，业务执行、业务管理、企业管理各个层次上的用户都能够使用不同的工具和技术做出明智的决策，全方位
的提高企业的竞争力。 信息技术在企业中的地位正在由业务支撑工具逐步走向中心性地位，在很大程度上影响着企业如何开展业务和创造新的价值。企业要求IT系统不仅要能够支撑特定业务的执行，而且还要能够创造出新的价值。 由于IT在业务中逐步走向中心地位，对这些信息的访问也需要扩展到原来创建系统所服务的对象之外。系统之间越来越需要广泛的互相连接，以及扩展连接到客户和合作伙伴的系统。 与此同时，由于系统是业务的载体，所以必须要能够跟随业务变化而变化，成为快速革新的助推器而不是障碍。作为企业的关键资产，IT不仅被期望是一个运行良好的成本中心，而且是企业成长和扩张的贡献力量。 业务对IT要求的多种重要能力： 广泛互联的能力：连接客户、合作伙伴，赋予员工新的能力。通过将内部员工、合作伙伴和客户的数据进行整合，并进行加工和提炼后再提供出来供内部员工、合作伙伴和客户使用，商业智能系统提升了三者业务上互相联接的能力 适应变化的能力：随着业务的发展而变化，促进而非阻碍业务发展。 创造价值的能力：在业务的各个不同层面上创造价值。商业智能系统为企业各个不同层面的人提供合适的工具和信息，使得获取准确信息和做出明智决策的能力不仅仅局限于决策层，而是