从电子商务到智能商务

商务智能(Business Intelligence,简称:BI)概念的提出可追溯至1958年,通常将其视为把企业现有数据转化为知识,帮助企业作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实现商业经营的智能化与自动化。
商务智能发展阶段
商务智能市场的发展经历了三个发展阶段,即传统BI阶段、大数据BI阶段和智能BI阶段。目前,针对企业的不同需求,商务智能发展的三个阶段处于并行发展时期。
传统BI主要的作用是实现了企业的数字化办公和企业内部的数据整合,不涉及数据分析,以报表自动化展现为主。
大数据BI即伴随着大数据技术的发展,BI能够为企业和内部市场和外部市场的海量数据进行整合,应用范围拓展至外部市场。
智能BI是指企业数据量进一步扩大,且存在大量非结构化数据,BI将通过人工智能技术进行数据分析和应用,并将覆盖领域拓展至全行业数据。
商务智能技术介绍
(1)数据仓库技术:数据仓库是一个用于查询和分析的关系数据库,通常存储来源于交易数据的历史数据,也可以存储来自其他来源的数据。数据仓库技术通过分析使得一个组织能够整合来源于不同数据源的数据。除了一个关系数据库,数据仓库通过在线分析处理(OLAP)引擎、客户分析工具等其他应用程序在管理的过程中收集数据、提取、运输、转换并加载数据,以寻求解决方案并提供给用户[[[]陈志雄.商务智能在企业信息化建设中的作用[J].经贸实践,2016.]]。
(2)OLAP技术:数据库技术不断发展的同时,数据库存储的数据量也不断增大,OLAP技术(联机分析处理技术)是使用户能够便捷而且选择性地提取,并从不同方式来看数据的一种计算机处理过程。OLAP软件可以定位维度的交叉点并显示它们的属性,如时间段可以被细分为很多子属性。使用OLAP技术能够让他们更方便地了解企业现在的经营状况,掌控目标需要,制订合理的决策方案[1]。
(3)数据挖掘技术:数据挖掘指从海量的、不全面的、有噪声的、笼统的、随机的数据中通过算法提取隐藏于其中的、预先不知晓的但又有用的并且有价值的信息和知识的过程。数据挖掘从不同角度分析数据并将它们汇总成有用信息,有用信息即可以用于增加收入、减少成本、或者两者兼有的信息[1]。

商务智能应用价值
(1)产品销售管理:它包括产品的销售策略、销售量分析、影响产品销售的因素分析及产品销售的改进方案预测,通过系统存储的产品销售信息建立销售模型,分总体销售模型和区域、部门销售模型。对产生不同结果的销售模型分析其销售量和销售策略,进行销售影响的因素分析和评估,根据不同的销售环境对相应的产品销售方案进行产品上架和下架计划,提高企业营销额。通过历史数据分析,还可以建立提高销售量的预测模型。
(2)异常处理(Management by Exception):它是商业智能数据挖掘应用的典型事例,由于能实时而持续地计算各种绩效目标,商业智能系统可以监测其与计划目标的偏差。当偏差过大时,系统在第一时间以各种通讯方式,比如电子邮件,将偏差状况通知企业责任主管,从而降低企业风险,提高企业收益。其具体应用有信用卡分析、银行及保险等行业的欺诈监测等。
(3)事实管理(Management by Fact):无论目标管理或例外管理,背后支持的力量皆来自于事实。维持企业营运的ERP系统在每日的交易之中,累积了无数的事实与知识。商业智能系统将企业目标、例外与事实相结合,使管理者能够进一步分析原因或趋势,查询并探测相关信息。在信息缺乏的年代,管理层更多依靠个人经验和直觉进行管理,制定决策。而在知识经济时代,企业必须实施事实管理,不靠幻想与感觉,在了解企业每日的商务情况的基础上,利用商业智能进行科学决策。
(4)客户关系管理(CRM):顾客是企业生存的关键因素,对企业来说进行客户关系管理(CRM)是一项重要的工作。通过商业智能的客户关系管理子系统,企业可以分析顾客消费习惯和消费倾向,提高顾客满意度,进而采取相应对策增强顾客保持力,培养忠实顾客,维持良好的客户关系。
商务智能发展趋势
在BI市场未来发展趋势方面,BI市场研究权威机构BI Intelligence在其研究报告《BI:2016年25大趋势》中例举了物联网、数字媒体、移动、金融科技和电子商务等领域的 BI 25大发展趋势。未来BI的发展趋势将继续在物联网、移动商务、区块链、智能交互、精准分析等方面发力,并且将加大跨领域合作、用户体验、信息安全等方面的投入。
(1)可解释型AI日益崛起:随着企业越来越依赖于人工智能和机器学习模式,AI必须得到信任才能产生最强大的业务影响,其生成的结论必须简单易懂、具备可行性且易于理解,才能帮助人们更好地理解数据。对透明度的需求促进了可解释型AI的崛起。
(2)自然语言让数据更加人性化:当前,商业智能供应商纷纷将自然语言处理(NLP)纳入自己的平台中,从而为可视化提供一个自然语言界面,使每位用户都可以像人际交流一样与其数据进行交互,提出更深层次的问题。因此,自然语言处理技术正在不断演化以促进分析会话,系统通过对话的上下文,理解用户的查询意图并深化对话,从而创造更自然的对话体验,将打破各个组织采用分析的障碍,并促使工作场所进一步转变为数据驱动的自助式操作空间。
(3)结合上下文分析数据来为行动提供指导:商业智能平台目前已演化至能够将数据置于实际操作环境中进行考量。数据处理者需要在同一个工作流程中访问数据并执行操作,商业智能平台供应商提供移动分析、嵌入式分析、仪表板扩展和API等功能来应对这些需求。嵌入式分析通过将数据和见解放在人们工作的环境中,使数据处理者无需打开另一个应用程序或共享服务器,而仪表板扩展则可以将需要访问的其他系统直接引入当前仪表板。无论用户身处何处,都可使用移动分析访问数据,并向不同的业务团队和行业按实际需要提供符合具体环境的数据。预计到2022年,50%的数字商务技术平台项目将把事件和业务成果联系到一起。
(4)数据管理融入现代商业智能平台:随着数据源变得更加多样和复杂,以及更多的工作人员使用数据来推动决策,数据管理比以往任何时候都更加重要。企业转而采用数据监管措施,包含捕捉、清理、定义和排列不相关数据,以填补数据与实际应用之间的空缺。数据监管工具和流程(如数据目录和语义管控)如今正在与商业智能平台融合,将数据与业务环境关联起来,实现大规模的管控。最终,受管控的数据监管将为整个分析管道提供更坚实的基础,帮助用户越过针对数据提出问题,直接针对业务提出问题。
(5)加速进行的云数据迁移推进现代商业智能的采用:革新数据策略时,必须考虑数据的存储位置。对于许多企业而言,考虑将数据迁移至云端可以在降低总拥有成本的情况下,提高灵活性和可扩展性。随着企业加速将数据迁至云端,分析自然随之而来,这都源于“数据引力”;这个概念表明,服务和应用程序会受到数据所在位置的吸引。这促使企业领导者从传统商业智能平台转向现代商业智能平台,评估他们选择的商业智能平台是否将支持向全面云分析的过渡。并非所有企业都为这种迁移做好了准备,不过到2019年,将有更多企业试验混合解决方案,以同时利用多种数据源和云储存的优点。