劉靜，吳陳

（江蘇科技大學(xué) 江蘇 鎮(zhèn)江 212003）

隨著信息技術(shù)的飛速發(fā)展及其在商業(yè)領(lǐng)域的廣泛應(yīng)用，連鎖餐飲業(yè)的數(shù)據(jù)庫(kù)系統(tǒng)中積累了大量業(yè)務(wù)數(shù)據(jù)。海量數(shù)據(jù)沒(méi)有得到有效利用，使得企業(yè)的決策過(guò)程變得日漸復(fù)雜，出現(xiàn)了“數(shù)據(jù)泛濫、知識(shí)貧乏”的局面。如何從歷史數(shù)據(jù)中獲取有用的信息，以挖掘潛在的商機(jī)、降低企業(yè)的運(yùn)作成本；如何通過(guò)歷史經(jīng)營(yíng)情況歸納出成功的經(jīng)驗(yàn)和失敗的教訓(xùn)，并用數(shù)據(jù)、信息來(lái)預(yù)測(cè)未來(lái)的企業(yè)發(fā)展趨勢(shì)，快速準(zhǔn)確地把握風(fēng)云變幻的市場(chǎng)脈搏，已成為企業(yè)界和IT界共同關(guān)注的熱點(diǎn)。因此，商業(yè)智能（Business Intelligence，BI）在連鎖餐飲業(yè)的應(yīng)用，是市場(chǎng)發(fā)展的要求，也是企業(yè)信息化發(fā)展到一定程度的必然結(jié)果。

BI系統(tǒng)的目標(biāo)就是要為企業(yè)提供一個(gè)統(tǒng)一的數(shù)據(jù)分析平臺(tái)，充分利用運(yùn)營(yíng)系統(tǒng)中積累的海量數(shù)據(jù)，對(duì)其進(jìn)行深層次的知識(shí)挖掘，從不同的維度去分析企業(yè)的各種業(yè)務(wù)指標(biāo)并構(gòu)建業(yè)務(wù)知識(shí)模型。多年來(lái)，困擾連鎖餐飲業(yè)高層主管的一個(gè)重要問(wèn)題就是如何將多年來(lái)積累的海量數(shù)據(jù)提取成為有商業(yè)價(jià)值的信息，從而解決決策層日益關(guān)注的如何培育忠誠(chéng)的消費(fèi)群體和發(fā)掘潛在的消費(fèi)群體、如何應(yīng)用商業(yè)智能系統(tǒng)為企業(yè)的經(jīng)營(yíng)提供決策指導(dǎo)的問(wèn)題。

1 商業(yè)智能的概念及主要技術(shù)介紹

商業(yè)智能的概念最早是由Gartner Group于1996年提出來(lái)的，定義為：商業(yè)智能技術(shù)提供使企業(yè)迅速分析數(shù)據(jù)的技術(shù)和方法，包括收集、管理和分析數(shù)據(jù)，將這些數(shù)據(jù)轉(zhuǎn)化為有用的信息，然后再分發(fā)到企業(yè)各處，輔助商業(yè)決策的制定。商業(yè)智能是商業(yè)數(shù)據(jù)海洋中的指南針，它從歷史數(shù)據(jù)中提取信息，通過(guò)對(duì)信息的分析獲取對(duì)經(jīng)營(yíng)決策有價(jià)值的知識(shí)，從而幫助用戶對(duì)自身的業(yè)務(wù)經(jīng)營(yíng)做出正確而明智的決策，提升企業(yè)競(jìng)爭(zhēng)力。比如，通過(guò)商業(yè)智能可以解決客戶在不同地域的分布情況，可以對(duì)客戶進(jìn)行各個(gè)角度的分類，還可以把客戶和訂單聯(lián)系起來(lái)，找出其變化趨勢(shì)。

從業(yè)務(wù)角度看，商業(yè)智能是探討通過(guò)技術(shù)手段對(duì)分散在不同系統(tǒng)的數(shù)據(jù)進(jìn)行有效整合，從數(shù)據(jù)中獲取有用的信息，再將這些信息轉(zhuǎn)換為知識(shí)，用于商業(yè)決策。商業(yè)智能（Business Intelligence，BI） 主 要 是 通 過(guò) 數(shù) 據(jù) 倉(cāng) 庫(kù) （Data Warehouse，DW）、ETL（數(shù)據(jù)抽取、轉(zhuǎn)換、加載）、聯(lián)機(jī)分析處理（OLAP）和數(shù)據(jù)挖掘（Data Mining，DM）等技術(shù)，對(duì)數(shù)據(jù)進(jìn)行處理分析，以實(shí)現(xiàn)商業(yè)價(jià)值。

1.1 數(shù)據(jù)倉(cāng)庫(kù)（DW）

數(shù)據(jù)倉(cāng)庫(kù)之父Bill Inmon在1991年出版的《Building the Data Warehouse》一書(shū)中所提出的數(shù)據(jù)倉(cāng)庫(kù)定義為：數(shù)據(jù)倉(cāng) 庫(kù) （Data Warehouse） 是 一 個(gè) 面 向 主 題 的 （Subject Oriented）、集成的（Integrated）、相 對(duì)穩(wěn)定的（Non-Volatile）、反映歷史變化（Time Variant）的數(shù)據(jù)集合，主要用于支持管理決策（Decision Making Support）?！懊嫦蛑黝}”是指一個(gè)數(shù)據(jù)倉(cāng)庫(kù)包含的內(nèi)容通常是一個(gè)領(lǐng)域內(nèi)的知識(shí)，在數(shù)據(jù)進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)之前，必然要經(jīng)過(guò)加工和集成，將原始數(shù)據(jù)結(jié)構(gòu)從面向應(yīng)用轉(zhuǎn)為面向主題；“集成”是指將來(lái)自于多個(gè)異種數(shù)據(jù)源的數(shù)據(jù)經(jīng)過(guò)抽取、轉(zhuǎn)換、導(dǎo)入過(guò)程集成到一個(gè)數(shù)據(jù)倉(cāng)庫(kù)中；相對(duì)穩(wěn)定是指數(shù)據(jù)被放入到數(shù)據(jù)倉(cāng)庫(kù)中后，將被長(zhǎng)期保留，很少會(huì)變動(dòng)：反應(yīng)歷史變化是指數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)記錄了企業(yè)從開(kāi)始使用數(shù)據(jù)倉(cāng)庫(kù)到目前的各個(gè)階段的信息，通過(guò)這些信息，可以對(duì)企業(yè)的發(fā)展歷程和未來(lái)趨勢(shì)做出定量分析和預(yù)測(cè)。

1.2 ETL 技術(shù)（Extract、Transform、Load）

ETL是數(shù)據(jù)抽取、轉(zhuǎn)換、加載的過(guò)程，是數(shù)據(jù)倉(cāng)庫(kù)的重要步驟，是商業(yè)智能的核心和靈魂。用戶從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)數(shù)據(jù)清洗，最終按照預(yù)先定義好的數(shù)據(jù)倉(cāng)庫(kù)模型，將數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)中去。如果說(shuō)數(shù)據(jù)倉(cāng)庫(kù)的模型設(shè)計(jì)是一座大廈的設(shè)計(jì)藍(lán)圖，數(shù)據(jù)是磚瓦的話，那么ETL就是建設(shè)大廈的過(guò)程。在整個(gè)項(xiàng)目中最難部分就是用戶需求分析和模型設(shè)計(jì)，而ETL規(guī)則設(shè)計(jì)和實(shí)施則是工作量最大的，約占整個(gè)項(xiàng)目的60%～80%。

1.3 聯(lián)機(jī)分析處理（OLAP）

聯(lián)機(jī)分析處理（OLAP）是共享多維信息的、針對(duì)特定問(wèn)題的聯(lián)機(jī)數(shù)據(jù)訪問(wèn)和分析的快速軟件技術(shù)。OLAP支持復(fù)雜的分析操作，側(cè)重決策支持，并且提供直觀易懂的查詢結(jié)果，使分析人員能夠快速、一致、交互地從各個(gè)維度查詢信息。OLAP數(shù)據(jù)被組織到多維數(shù)據(jù)集（Cube）中，Cube中的基本單元稱為度量值（Measure），記錄著經(jīng)過(guò)處理、計(jì)算的OLTP系統(tǒng)中的數(shù)據(jù)。由于Measure中的數(shù)據(jù)是經(jīng)過(guò)處理計(jì)算的，并且Cube可以有多個(gè)維度，因此非常便于查詢、分析。OLAP是數(shù)據(jù)倉(cāng)庫(kù)的主要應(yīng)用，支持復(fù)雜的分析操作，側(cè)重決策支持，并且提供直觀易懂的查詢結(jié)果。

1.4 數(shù)據(jù)挖掘（Data Mining）

數(shù)據(jù)挖掘（Data Mining）也被稱為數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)，就是從既有的大量的實(shí)際應(yīng)用數(shù)據(jù)中，發(fā)掘出蘊(yùn)藏在其中的、不為人肉眼所見(jiàn)的、同時(shí)又具有潛在價(jià)值的知識(shí)的過(guò)程。數(shù)據(jù)挖掘是一種決策支持過(guò)程，它主要基于人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等技術(shù)，高度自動(dòng)化地分析企業(yè)原有的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式和隱含的有用信息，幫助決策者做出正確的決策。數(shù)據(jù)挖掘的對(duì)象不僅可以是數(shù)據(jù)庫(kù)，也可以是文件系統(tǒng)，或其它任何組織在一起的數(shù)據(jù)集合。數(shù)據(jù)挖掘中常見(jiàn)的算法包括關(guān)聯(lián)、聚類、決策樹(shù)、時(shí)間序列、序列聚類等。

2 連鎖餐飲業(yè)商業(yè)智能系統(tǒng)的實(shí)現(xiàn)

2.1 系統(tǒng)基本結(jié)構(gòu)

從系統(tǒng)的角度來(lái)看，連鎖業(yè)商業(yè)智能系統(tǒng)由四部分組成：數(shù)據(jù)處理、數(shù)據(jù)倉(cāng)庫(kù)、聯(lián)機(jī)分析處理和數(shù)據(jù)挖掘。系統(tǒng)結(jié)構(gòu)圖如下圖所示。

圖1 商業(yè)智能系統(tǒng)基本結(jié)構(gòu)圖Fig．1 BI system basic structure

2.2 數(shù)據(jù)處理

近年來(lái)，連鎖餐飲業(yè)在信息化建設(shè)中，積累了大量紛繁復(fù)雜的數(shù)據(jù)，包括形式各異的數(shù)據(jù)表，數(shù)據(jù)庫(kù)，以及各種數(shù)據(jù)文件等。由于異構(gòu)數(shù)據(jù)源種類多而且復(fù)雜，數(shù)據(jù)源形式多種多樣，獲取數(shù)據(jù)的途徑不同，必然會(huì)引起數(shù)據(jù)的千差萬(wàn)別，以及各種形式的臟數(shù)據(jù)的產(chǎn)生，因此在保證數(shù)據(jù)源的準(zhǔn)確、可靠統(tǒng)一性，數(shù)據(jù)質(zhì)量的可提取性問(wèn)題等方面就顯得比較必要。所以必須先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，才能導(dǎo)入到數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)中，也就是通常所說(shuō)的ETL。ETL的建設(shè)在整個(gè)數(shù)據(jù)倉(cāng)庫(kù)建設(shè)中起著至關(guān)重要的作用，是整個(gè)數(shù)據(jù)倉(cāng)庫(kù)建設(shè)的靈魂。

2.3 數(shù)據(jù)倉(cāng)庫(kù)

針對(duì)連鎖餐飲業(yè)的需求與特點(diǎn)，數(shù)據(jù)倉(cāng)庫(kù)按照如下方式建立：

事實(shí)表有2個(gè)，分別為：

表1 事實(shí)表Tab.1 Fact table

維度表共有16個(gè)，分別為：

表2 維度表Tab.2 Dimension table

除此之外，還有一些表和視圖，輔助后續(xù)的數(shù)據(jù)挖掘工作。

2.4 在線分析處理（OLAP）

本文項(xiàng)目中，為了查詢方便，根據(jù)數(shù)據(jù)倉(cāng)庫(kù)的結(jié)構(gòu)，在OLAP服務(wù)器上建立了10個(gè)共享維度，建立的Cube視圖如下圖。

2.5 數(shù)據(jù)挖掘

圖2 Cube視圖Fig.2 Cube view

圖3 挖掘模型設(shè)置項(xiàng)視圖Fig.3 DM model settings view

圖4 數(shù)據(jù)挖掘模型Fig.4 DM model view

圖5 數(shù)據(jù)挖掘圖例視圖Fig.5 DM legend view

市場(chǎng)部想提高客戶滿意度和客戶保有率，于是希望通過(guò)實(shí)行相關(guān)的市場(chǎng)手段來(lái)達(dá)到這些目標(biāo)。于是對(duì)原有的會(huì)員卡方案重新進(jìn)行定義，以便更好地為客戶提供服務(wù)并且使所提供的服務(wù)能夠更加密切地滿足客戶的期望。市場(chǎng)部想分析當(dāng)前銷(xiāo)售事務(wù)并找出客戶人口統(tǒng)計(jì)信息（婚姻狀況、年收入和擁有子女?dāng)?shù)等）和所申請(qǐng)卡之間的模式，然后根據(jù)這些信息和申請(qǐng)會(huì)員卡的客戶的特征重新定義會(huì)員卡。

以前的會(huì)員卡有4種，分別是普卡、銅卡、銀卡和金卡，還有一些客戶沒(méi)有辦會(huì)員卡，在銷(xiāo)售業(yè)務(wù)數(shù)據(jù)中，每一個(gè)客戶的個(gè)人信息和其所擁有的卡類型都存儲(chǔ)在DimCustomer表中，表中除了“member_card”字段代表?yè)碛袝?huì)員卡的類型外，還有分別表示“性別”、“擁有子女?dāng)?shù)”、“教育程度”和“是否有房”等一系列信息，那么這些信息中哪個(gè)與客戶擁有會(huì)員卡的類型關(guān)聯(lián)最大，以及影響客戶會(huì)員級(jí)別的因素有哪些，這是市場(chǎng)部經(jīng)理迫切需要知道的。

圖6 數(shù)據(jù)挖掘模型和圖例視圖（1）Fig.6 DM model&legend view（1）

圖7 數(shù)據(jù)挖掘模型和圖例視圖（2）Fig.7 DM model&legend view（2）

本文通過(guò)SSAS數(shù)據(jù)挖掘組件進(jìn)行數(shù)據(jù)挖掘，SSAS包含了決策樹(shù)模型、時(shí)間序列模型、聚類分析模型等，挖掘的結(jié)構(gòu)可以通過(guò)Analysis Service數(shù)據(jù)挖掘組件瀏覽查詢和分析。如圖3，即為挖掘模型的設(shè)置項(xiàng)。

設(shè)置其背景為“golden”，顯示級(jí)別為3，則在決策樹(shù)顯示窗格中會(huì)顯示如圖4所示的決策樹(shù)，即對(duì)客戶數(shù)據(jù)進(jìn)行挖掘的結(jié)果。同時(shí)，在整個(gè)工作窗口的右下角有如圖5所示的“挖掘圖例”窗格，單擊決策樹(shù)上的不同分支，不同類型的卡在這個(gè)分支上出現(xiàn)的概率和相應(yīng)的顏色都在窗格中標(biāo)識(shí)出來(lái)了。

在決策樹(shù)顯示區(qū)域中，顏色代表滿足相關(guān)條件的客戶的密度。顏色越深則節(jié)點(diǎn)中包含的客戶就越多。從圖6可以發(fā)現(xiàn)，“Yearly Income=$150K+”這一節(jié)點(diǎn)的密度高于其他任何節(jié)點(diǎn)，代表符合“Yearly Income=$150K+”這一條件的金卡客戶是最多的。

根據(jù)決策樹(shù)上的“全部”節(jié)點(diǎn)，“挖掘圖例”窗格會(huì)有如圖5所示的顯示數(shù)據(jù)，這表明總共抽樣的數(shù)據(jù)有7197條，其中銅卡用戶最多，占了55.79%。

圖8 數(shù)據(jù)挖掘依賴網(wǎng)絡(luò)模型視圖Fig.8 Miningmodel dependency network view

樹(shù)的第一個(gè)級(jí)別由“yearly income”屬性決定。樹(shù)的組織由算法決定，其基礎(chǔ)是該屬性在輸出中的重要性。這意味著“yearly income”屬性是最重要的因素，它將決定客戶可能選擇的會(huì)員卡的類型。如圖5.9所示，選擇 “Yearly Income=$150K+”節(jié)點(diǎn)。該特性窗格顯示收入較多的客戶中，46.16%的客戶可能會(huì)選擇金卡。這個(gè)百分比要比“全部”節(jié)點(diǎn)中的（11.48%）高得多。

另外打開(kāi)“Yearly Income=?$150K+”節(jié)點(diǎn)，如圖7所示。選擇顏色很深的“Marital Status not=S”節(jié)點(diǎn)，在“挖掘圖例”窗格中，可以看到收入高于150000美元且已婚的客戶中，較高百分比 （82.72%）的客戶可能會(huì)選擇金卡。而同時(shí)“Marital Status＝S”節(jié)點(diǎn)的顏色非常淺，這意味著這些客戶選擇金卡的可能性非常小。

將挖掘模型查看器切換到“依賴關(guān)系網(wǎng)絡(luò)”選項(xiàng)卡，可以看到如圖8所示的界面，這是和“Member Card”的屬性關(guān)聯(lián)的客戶屬性依賴圖，通過(guò)拖動(dòng)左邊的滑塊，可以發(fā)現(xiàn)，“Yearly Income”的確是影響會(huì)員卡類型的最重要的因素。

有了以上信息，市場(chǎng)部就可以確定最可能選擇某種類型卡的客戶的特征。根據(jù)這些特征（收入、子女?dāng)?shù)和婚姻狀況等），可以重新定義會(huì)員卡的服務(wù)和方案以便更好地適應(yīng)其客戶。

4 結(jié)束語(yǔ)

本文主要介紹了商業(yè)智能技術(shù)，包括數(shù)據(jù)倉(cāng)庫(kù)、ETL、在線分析處理、數(shù)據(jù)挖掘技術(shù)的應(yīng)用。從客戶的基本信息中分析、挖掘出可以協(xié)助重新定義會(huì)員卡服務(wù)和方案的價(jià)值信息，以便采取措施提高老客戶的忠誠(chéng)度和挖掘新客戶。本文課題仍然存在著很多值得改進(jìn)的方面，例如，可以充分利用SQL Server 2012數(shù)據(jù)挖掘算法可擴(kuò)充的特性，將更多適合連鎖餐飲業(yè)挖掘具體信息的算法應(yīng)用到系統(tǒng)中。相信隨著技術(shù)的日趨完善，商業(yè)智能將在各行業(yè)中發(fā)揮更大的作用。

[1]謝壹.商業(yè)智能在互聯(lián)網(wǎng)業(yè)務(wù)分析中的研究與應(yīng)用[J].微計(jì)算機(jī)信息，2006，22（4-3）:199-200.XIE Yi.Application and research of business intelligence in internet business analysis[J].Micro Computer Information，2006，22（4-3）:199-200.

[2]孟海洋，薛紅.數(shù)據(jù)倉(cāng)庫(kù)和Web技術(shù)在超市商業(yè)智能系統(tǒng)中的應(yīng)用[J].北京工商大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，26（3）:40-42.MENG Hai-yang，XUE Hong.Application of data Warehouse and web technology in supermarket business intelligence[J].Journal of Beijing Technology and Business University：Natural Science Edition，2008，26（3）:40-42.

[3]崔凱.零售業(yè)商業(yè)智能系統(tǒng)的應(yīng)用研究[D].青島:青島科技大學(xué)，2011.CUI Kai.The research of business intelligence system in retail industry[D].Qingdao University of Science and Technology，2011.

[4]米天勝.商業(yè)智能與企業(yè)競(jìng)爭(zhēng)力的提升[J].中國(guó)管理信息化，2006，9（7）:14-17.MITian-sheng.Promotion ofbusiness and enterprise competitiveness[J].China Management Informationization，2006，9（7）:14-17.

[5]WilliamH.inmon.Building the Data Warehosue[M].北京：機(jī)械工業(yè)出版社，2006.

[6]Erik Thomsen.OLAP Solutions:Building Multidimensional Information System[M].北京:電子工業(yè)出版社，2004:110-120.