ビジネスインテリジェンスの概要
序文
もともと、私はビジネスインテリジェンスデータ分析を書きました。しかし、それが書かれているように、ビジネスインテリジェンスの部分は大きな部分を占めるので、それは単に別の記事です。
ビジネスインテリジェンス（BIとも呼ばれるビジネスインテリジェンス）は、ビジネスインテリジェンスまたはビジネスインテリジェンスとも呼ばれ、最新のデータウェアハウステクノロジー、オンライン分析および処理テクノロジー、データマイニングおよびデータ表示テクノロジーを使用してデータ分析を行い、商業的価値を実現します。
ビジネスインテリジェンスは一般に、企業内の既存のデータを知識に変換し、企業が賢明なビジネスオペレーションの意思決定を支援するツールとして理解されています
つまり、企業の意思決定を支援するツールです。これは、従来の業界レポートの高度な段階です。このビジネスインテリジェンスはより科学的で包括的なものであり、意思決定者の分析に役立つ多くの情報を分析できます。そしてそれはリアルタイムでもあります。
使用されるテクノロジー
ビジネスインテリジェンスとは何ですか？
技術的な観点から見ると、ビジネスインテリジェンスは新しいテクノロジーではなく、データウェアハウス、OLAP、およびデータマイニングテクノロジーの包括的なアプリケーションにすぎません。
- データウェアハウス（Data Warehouse）およびデータマート（Data Mart）製品。データ変換、管理、アクセス用の事前設定されたソフトウェア、および通常は財務分析モデルなどの一部のビジネスモデルを含みます。
- 今日のデータ処理は、OLTP（オンライントランザクション処理）とOLAP（オンライン分析処理）の2つのカテゴリに大別できます。
- OLTPは従来のリレーショナルデータベースの主なアプリケーションであり、主に銀行取引などの基本的な日常の取引処理に使用されます。
- OLAPは、データウェアハウスシステムのメインアプリケーションであり、複雑な分析操作をサポートし、意思決定支援に焦点を当て、直観的で理解しやすいクエリ結果を提供します。
- データマイニング（Data Mining）ソフトウェア。ニューラルネットワークやルール誘導などの手法を使用して、データ間の関係を発見し、データに基づく推論を行います。
- データウェアハウスはレポートをデータベースに格納するためのものであり、使用されるテクノロジースタックはSQLとSparkです。
- オンライン分析と処理はデータの表示と処理であり、使用されるテクノロジースタックはバックエンドテクノロジースタックとフロントエンドテクノロジースタックです。
- データマイニングはデータ間の関係を見つけることであり、使用されるテクノロジースタックはPython（人工知能ライブラリ）です。
ビジネスインテリジェンスシステムの実装は、複雑なシステムエンジニアリングです。一般的な実装手順は次のとおりです。
要件分析：企業のニーズ、どのようなデータをどのような結論に導きたいかを収集します。
データウェアハウスモデリング：企業のニーズを分析し、エンタープライズデータウェアハウスの論理モデルと物理モデルを確立します。
データ抽出：ビジネスシステムからデータウェアハウスにデータを抽出します。分析のニーズを満たすには、抽出プロセスでデータを変換およびクリーンアップする必要があります。
ビジネスインテリジェンス分析レポートの確立：データの視覚化
ユーザートレーニングとデータシミュレーションテスト：ユーザーが使用するため。
システムの改善と完成：繰り返しアップグレード
これは、ソフトウェアエンジニアリングの実現可能性調査、要件分析、設計、コーディング、テスト、統合、および保守です。面白そうですね。大学で教えられていることは、どこでも使える社内スキル、万能薬のようなものです。
ビジネスインテリジェンスの開発状況
数年の蓄積の後、ほとんどの中規模および大規模の企業や機関は、CRM、ERP、OAなどの比較的完全な基本情報システムを確立しています。
これらのシステムの統一された特性は次のとおりです。ビジネス担当者またはユーザーの操作を通じて、データベースが最終的に追加、変更、および削除されます。上記のシステムは、まとめてOLTP（オンライントランザクションプロセス）と呼ばれる場合があります。つまり、システムが一定期間稼働した後は、企業や機関が大量の履歴データを収集するのに必然的に役立ちます。
ただし、データベースに分散して独立して存在する大量のデータは、ビジネス担当者向けの聖書本にすぎません。ビジネスマンが必要とするのは情報であり、それは彼らが理解し、理解し、利益を得ることができる抽象的な情報です。現時点では、ビジネス担当者（マネージャーを含む）がこの情報を完全に把握して使用し、意思決定を支援できるようにデータを情報に変換する方法が、ビジネスインテリジェンスが解決する主な問題です。
データベースに存在するデータをビジネス担当者が必要とする情報に変換する方法は？ほとんどの答えはレポートシステムです。
レポートシステムは、BIのローエンド実装であるBIと既に呼ばれている場合があります。
ほとんどの外国企業は、データ分析と呼ばれるミッドレンジBIに参入しています。一部の企業は、データマイニングと呼ばれるハイエンドBIに参入し始めています。中国企業のほとんどは、まだ報告段階にあります。
ミクロ経済学の理論によると。経済調査の目的には、資源の不足と選択という2つの主要な側面があります。リソースの不足は言うまでもありません。すべての経済的個人は、経済活動を行う際に選択を行う必要があります。
古代には、商人は通常、請求書や市場情報に基づいて選択を行いましたが、現代でも同じです。
- コンピュータ時代の商人は、Excelなどの電子テーブルを使用して請求書や業界レポートをカウントし、請求書を処理して業界レポートを分析し、最終的に意思決定者に決定を行わせます。
- インターネット時代には、商人はオンラインOAプラットフォームを通じてフォームを収集および処理し、最終的に意思決定者に意思決定を任せます（外部接続および業界レポート）。
- ビッグデータの時代では、ビジネスマンはデータマイニング（人工知能でデータを分析してデータの関連性を見つける）情報とレポート統計および業界レポートを組み合わせて意思決定を行います。
結局のところ、それはレポートを処理するためのシステムプラットフォームです。
上記の段落は、基本BI、中間BI、および拡張BIに言及しています。私の意見では、それはオンラインビジネスWebサイト、オンライン分析Webサイト、およびデータマイニングWebサイトです。
使用されるテクノロジースタックは
- プライマリBI（オンライントランザクションWebサイト）：バックエンド、データベース。オフラインレポートをオンラインに移植します。LAMPのアーキテクチャは満足できます。
- 中間BI（オンライン分析Webサイト）：フロントエンドを増やします。データを視覚化します。echarts、mapboxなど、いくつかの視覚化ライブラリを使用する必要があります。
- 高度なBI（データマイニング）：人工知能ライブラリ（Numpy、パドルパドルなど）を使用してPythonで実装されます。さまざまなデータの相関関係を分析でき、表面上では分析できない内容を探ることができます。
これらの位置を理解すると、テクノロジースタックの準備方法も知ることができます。
結論
ビジネスインテリジェンスの概念が不明確で曖昧な部分を見てみましょう。
以前は混乱していました。それはあるように感じ、それはそうではないようです。どのようなデータモデル、データマイニング、人工知能、ユーザーポートレート、ユーザー行動分析。バラエティ。参照が見つかりませんでした。私は今それを撫でました、それははるかに良いです。
- データの視覚化を行う場合、それはデータ分析のカテゴリに属します。
- 人工知能を使用してさまざまなデータ間の相関関係を分析する場合、それはデータマイニングのカテゴリです。
データマイニングはデータ分析に属しますが、データ分析よりも高度です。
実際、私の意見では、人工知能を使用するものだけがビジネスインテリジェンスと見なされます。最も役に立たない人工知能は、ビッグデータ分析（ビジネス分析）です。
古くからビジネス分析はまったく同じです。
- 古くは紙を使って口座を管理し、その後、会計士が会計を担当していました。
- ヒュンダイはExcelでアカウントを保持し、Excelを使用してテーブルを作成します。上司はこれらのテーブルを見て決定します。
- その後、オンラインアカウンティングが実装され、バックエンドがこれらのデータを処理し、フロントエンドがこれらのデータをプログラムし、上司がこれらのデータを調べて意思決定を行います。
人工知能が成熟するまでは、2つのまったく関係のないものを結びつけることができ、上司がより多くの分析を行うのに役立つ統計以外の情報を提供できます。
これを見て、私はおそらくビジネス分析に行き詰まっていることに気づきました。私の現在の技術スタックのほとんどは、ビジネス分析を行っています。人工知能は関与していません。ビジネス分析の上限を学ぶときは、データマイニングに参加してください。
しかし、ビジネス分析は単純ではありません。ビジネス分析のデータが情報の大部分を占めています。業界レポートの主要な情報でもあります。将来的にはビジネス分析をうまくやっていきます。
これで、詳細な2つの方向を放棄しました。1つはバックエンドで、もう1つはデータマイニングです。現在予約されている2つの方向は、データベースとフロントエンドの視覚化です。（フルスタックはゆっくりと来ているように感じますが、フルスタックは多くを学習する必要があり、ますます簡単に学習でき、何ができないのか）
更新アドレス：GitHub