用BPM、业务规则和商业智能创建智能的、灵活的解决方案 下载

用BPM、业务规则和商业智能创建智能的、灵活的解决方案为http://www.yxzj8.com整理发布，类型为BPM，本站还有更多关于bpm是什么意思,流程业务管理，电子商务 - BPM的资料。 ，版权归原作者所有.
TXT45数据仓库中的新趋势
商业智能领域中一些令人激动的新进展增加了它给商业所带来的价值。作为该系列的最后一篇文章，本文关注数据仓库的一些新兴能力，以及这些能力如何利用商业智能解决方案的灵活性和响应能力。
检测异常
检测偏差是一项极具挑战且令人畏缩的业务工作。业务执行中的偏差往往隐藏于亿万字节的企业数据之中，因此，只有业务分析员恰好切取该分析报告的某个视图才能发现其偏差。传统的方式是，业务分析员根据自己的专业知识和直觉形成业务假设。通过利用OLAP工具，分析员可以首先获得高级别的聚合报告，检查可视化条目，检测有问题的区域，最后钻取更低的原子层以查找原因。只要数据是可管理的，该方法似乎是适用且可行的。但请考虑若企业具有下列特点将会怎样：
●有来自于不同数据源的大量数据。
●拥有许多商店、产品和客户。
●这些数据中隐藏了异常。
这种程度的复杂性对于大多数企业来说都是典型问题。有些业务领域的表现不佳，但管理层却无法立即识别该问题。早期的问题检测就是为了最小化表现不佳所带来的影响。为了完成该目标，您必须能够有计划地进行多维偏差检测，以判断哪些领域与其对等领域相比“情况不佳”。
那又如何解决呢？虽然OLAP工具可以帮助您回答whatif（如果……那么……）问题，但是您还必须回答why（为什么）问题。挖掘技术已被引入到多维数据库中，给传统的“假设驱动”能力又增加了“发现驱动”的功能。已经设计了多维数据库的挖掘器（如DB2OLAPMiner）来进行超出正常人类能力的异常和偏差检测。DB2OLAPMiner以多种方式补充了DB2OLAP的功能：
●解除了手工检测的过程：DB2OLAPMiner免除了分析员手工钻取原子层数据以检测异常或者为某种趋势寻求解释的工作。当数据集变得极其庞大时，手工驱动的方式对于分析员也会变得冗长且易出错。由于过分依赖于直觉和目测，分析员很可能会忽略掉某些重要方面。
●能够在多维中检测模式：与普遍误解刚好相反，模式不仅存在于原子数据层中，而且还存在于维中。此外，不同的维有不同的模式，这一事实也需要在OLAP中进行挖掘。OLAPMiner引擎帮助检测存在于粒状数据以及汇总数据中的模式。OLAP挖掘系统进行多维挖掘，并按这些维识别模式，比较或者合并它们，以及以十分智能的方式与用户交互。例如，OLAP可能会告诉您“Blues品牌的产品8月份在北卡罗来纳州盈利了”，而OLAPMiner却会告诉您“Blues品牌的产品8月份在北卡罗来纳州盈利了，但大部分利润来源于大商场在周末免税促销时夹克衫的销售”。
概括地说，OLAP解释您的企业发生了什么事，而OLAPMiner则进一步告诉您为什么会发生。OLAPMiner通过使OLAP系统可提供与访问服务同样多的发现服务而补充了OLAP。
发现隐藏模式
OLAP是假设驱动和人为驱动的，而数据挖掘却是数据驱动和发现驱动的。OLAP需要分析员提出指定问题，如“在2003年第三季度纽约的销售人员在推销产品A时的成绩如何？”相比之下，您不必为数据挖掘提出指定问题。配有高级统计算法的数据挖掘却可以发现或者揭露人力所无法检测到的隐藏模式。
数据挖掘允许业务为前瞻式（proactive）。通过数据挖掘技术，可以发现您所不知道的新问题或者机会。考察杂货店里快速结帐台前排队的人们的购物篮总是很有趣的。他们不得不急于跑出来买的东西的各种组合令人惊讶。人类行为的多样性恰好就是导致一个组织中商业运作的细微差别的因素之一。
使用挖掘工作台（miningworkbench）的旧的传统方法大量依赖专家以获得挖掘模型。比较起来，最新的方法已经开始转向在数据库本身中集成数据挖掘技术的范例。这就使得挖掘模型可以通过预测模型标记语言（PredictiveModelMarkupLanguage，PMML）交换信息。

如果觉得《用BPM、业务规则和商业智能创建智能的、灵活的解决方案》不错，可以推荐给好友哦。