《商务智能》读书报告

第一篇：《商务智能》读书报告

《商务智能》读书报告

读这本书带给我许多的“没想到”：拿到这本书的时候，我也没有想到这本书写的这么好；在读完全书，忽然灵机一闪，想到网上搜索一下作者的时候，我没想到作者曾经做过爱立信的项目经理和市场经理。一本能够让人期待，并且带给人意外惊喜的书，无论如何都应该算是一本好书。

《商务智能》这本书内容比较新颖、全面，适合计算机应用、软件工程、信息管理、电子商务和管理科学等，商务智能是近年来企业信息化的热点，有着广阔的应用前景。《商务智能》首先介绍了商务智能的基本概念、商务智能系统的架构以及数据仓库、OLAP、数据挖掘等核心技术。在此基础上，讨论了商务智能在电子商务、移动商务、知识管理、Web挖掘、企业绩效管理和流程管理等领域的应用。此外，还分析了商务智能在国内外的发展趋势。

书中对于商务智能“前世今生”的描写非常形象。但感觉读完全书，自己才开始真正了解了商务智能的皮毛。以前的知识，不过盲人摸象而已。

我从书中了解到了很多知识知道了商务智能（Business Intelligence，简称BI）的概念最早是Gartner Group 的Howard Dresner于1996 年提出来的，我国学者将之翻译为“商业智能”

或“商务智能”，本文选用“商务智能”作为Business

Intelligence的中文翻译。近年来，商务智能技术日趋成熟，越来越多的企业决策者意识到需要商务智能来保持和提升企业竞争力。

商务智能是数据仓库、数据挖掘、OLAP等技术的集成，作为当前重要的研究前沿之一，商务智能是学术界和企业界关注的热点。商务智能的应用领域非常广泛，典型的有电信、银行、保险、医疗、零售、政府等，以及所有建立了数据仓库的用户。从商务智能应用的论文内容来看，我国的商务智能应用还处于起步阶段，仅在信息化程度偏高的电信、银行、保险、医疗等有少量应用。这一方面因为商务智能是建立在数据仓库基础上的，我国大部分企业的信息化程度偏低，缺乏数据的积累，而数据的积累需要一个较长期的过程。另一方面因为对商务智能的认知度不高，缺乏商务智能方面的人才以及对这些人才的有效管理。

商务智能的应用与行业内信息化的基础状况密切相关，实施商务智能的企业中，以电信、金融行业的使用率较高。

为了对近年来国内商务智能论著情况有一个比较全面的了解，我分别以“商务智能”和“商业智能”为检索题，通过对国家图书馆的多库目录检索系统进行题名检索，得到近年来相关论著及博硕论文分布情况：国内商务智能专著只有2004年的两本，译著在2003年~2005年间只有三本。相对于最早1988年出版、截止2005年已经出版23本的西文专著要少得多。国外2001年~2004年间出版的商务智能专著数量极多，说明经过一段时间的发展，国外商务智能的基础研究和应用研究都比较成熟。而我国从2002年起仅有少量的博士论文，关于商务智能的专著也屈指可数，我国商务智能仅处于导入期，对商务智能的系统研究还有大量工作要做。从检索结果来看，1996年的两篇简讯可以说是国内较早关于商务智能的文章。中国学术期刊全文数据库在1996年~2005年期间，收录了有关“商务智能”和“商业智能”的论文一共200篇，文章数量年代分布呈现前几年缓慢增长，近几年明显递增的特征。因此可以将国内商务智能发展规划为两个阶段：①初始阶段（1996年~2001年）：这个阶段国内商务智能初露端倪，这段时间相关文章很少，有36篇，约占总数18%，说明商务智能在当时属新事务，没有得到应有的重视，这段时期的文章多是关于商务智能软件和国外商务智能研究的简单介绍和综述。②明显增长阶段（2002年~2005年）：这阶段论文有显著增长。不少论文讨论商务智能在各行业和各领域的应用，但是关于商务智能的较高水平和较深层次的学术研究论文还极少，大部分文章仍是简单的、重复的功能介绍、综述和简讯等。目前我国企业信息化程度普遍不高、缺乏大量数据积累、缺乏应用商务智能的实践有关。

我查阅大量的相关论文资料，对当前商务智能的研究主题进行划分并加以调整，将商务智能的研究内容划分为基础研究和应

用层面两大类，其中基础研究包括商务智能定义、功能（任务）、技术、综述等，关于商务智能的一般应用研究等无法归于应用层面所分细类的文章也放在这一部分；应用层面分为：①商务智能软件方面的简讯和功能介绍；②商务智能的行业应用，如金融、电信等；③商务智能应用的范畴，如客户关系管理、电子政务等。按以上主题通过对中国学术期刊全文数据库按题名检索的结果进行分类，统计表明，国内学者对商务智能基础工作研究较少，共75篇，占总数的37.5%，其中还包括无法归类于商务智能软件和具体应用的一般应用讨论的文章。这里分别以“商务智能”、“商业智能”为题名检索到商务智能技术方面的论文极少，但如果以“数据挖掘”、“数据仓库”、“OLAP”分别进行题名检索，会得到成百上千篇论文。作为商务智能的支撑技术，数据挖掘、数据仓库、OLAP的发展是推动商务智能发展的技术基础。商务智能支撑技术研究的逐渐深入和成熟，为商务智能的功能、体系结构、应用研究等提供了良好的技术基础。

总的来说，我国关于商务智能基础研究的论文数量极少，部分论文的质量不高，只是肤浅的介绍式论述，论文内容不新颖，重复性较高，算得上是严格意义上的学术论文数量更是屈指可数，尤其缺乏高质量的、深入的关于功能、体系结构、方法等方面的论文。当然这也与商务智能本身的特点有关，确切地讲，商务智能并不是一项新技术，它将数据仓库（DW）、联机分析处理（OLAP）、数据挖掘（DM）等技术与客户关系管理（CRM）、ERP

等系统结合起来应用于商业活动实际过程当中，实现了技术服务于决策的目的。

商务智能应用研究的文章数量相对较多，共125篇，占总量的62.5%，这部分文章中41篇（32.8%）是关于商务智能软件的简讯，其余84篇（67.2%）是关于商务智能在各行业和各领域应用的论文和介绍性文章。这部分关于具体应用的文章也存在讨论不够深入、内容比较简单、有重复的现象。论文数量2002年开始增长较多，电信、金融等信息化程度高的行业应用商务智能较多，客户关系管理、竞争与决策、信息化和ERP等领域是商务智能应用的热点。

从现状看我国商务智能的研究还处于导入期。作者在商务智能的理论研究分为宏观研究和微观研究两方面，其中宏观研究主要是从总体上把握，如商务智能的必要性、内涵和理论综述等；微观研究主要包括：商务智能功能、技术、体系结构等。

商务智能在客户关系管理（CRM）、信息化与ERP、竞争与决策中的应用。统计分析显示商务智能在客户关系管理、信息化、竞争与决策等方面的研究论文相对较多。商务智能建设的主要目标是企业决策支持。商务智能通过信息技术的运用在不同层面为战略决策提供新的支持：提升决策者洞察力；支持信息获取与分析。

传统上，商务智能主要支持中、高级管理人员决策。目前，商务智能平台的用户包括一线的业务人员、各级管理者，甚至外部的顾客和商业伙伴。这是因为业务经营决策的范围发生了扩展，包括操作层、战术层和战略层的决策。

总的来说，我觉得这是一本挺好的书，书中描写了很多数据都表明我们国家的商务智能处于萌发期有待进一步的发展。尤其是书中很多实例的描写，让人们觉得“商务智能”并不神秘，离自己很近。比那些上来就说“资源共享”、“弹性扩容”什么的强多了。

第二篇：商务智能课程总结

商务智能课程总结

41023019邓娟

通过这学期对商务智能这门课程的学习，我了解到了很多关于商务智能的相关知识。接下来自己便根据这学期所学习的内容简单做一下总结，并谈一下自己的一点学习心得。

商业智能，英文为Business Intelligence，简写为BI。又称为商业智慧，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值的工具。商业智能的关键是从许多来自不同的企业运作系统(包括OLTP)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。

商务智能按Gartner的定义分为四部分：数据挖掘、多维分析、即席查询以及报表。从技术层面上讲，商务智能不是什么新技术，它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。我们这学期的学习了数据仓库和报表的相关知识。

数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库从通俗意义上来说，就是存储数据的仓库，只不过这个仓库不是现实世界中能够用肉眼看见的存储物品的仓库，而是用以存储数据的虚拟仓库。它是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。

广义的说，基于数据仓库的决策支持系统由三个部件组成：数据仓库技术，联机分析处理技术和数据挖掘技术，其中数据仓库技术是系统的核心。联机分析处理OLAP（On-Line Analytical Processing)是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。数据挖掘（Data Mining）,是通过分析每个数据，从大量数据中寻找其规律的技术，诸如神经网络、规则归纳等技术。这学期的学习还包括了很多商务智能相关的技术以及软件的运用，使自己受益良多，让我的商务智能相关技术知识丰富了不少，也提高了我的软件操作能力。但是还是存在一些不尽人意的地方，比如上课时，老师使用的专业术语太多，加上所用课件是英文版的，就让我们很多时候都跟不上老师的节奏。我个人认为还需要改进一下：

1、老师上课应该事先给我们课程的提纲，让我们了解这门课程具体的学习安排，好让我们做到心中有数，并且做好相应的预习工作。

2、老师上课应该避免使用过多的专业化术语，让我们听起来更容易一些，不至于因不知所云何物而无法理解。

3、老师应该及时听取学生课堂上的回馈，应及时了解学生是否跟上了课堂进度。

4、在进行相关实验操作前，应做好相应的准备工作，避免上课时无法正常进行试验，导致时间的浪费。

这是我学习了这门课程以后的一点心得和建议，最后还是十分感谢老师们给我们带来的精彩的课程，让我们学到了很多商务智能相关的知识。

第三篇：ren工智能读书报告

人工智能读书报告机器学习的研究与发展前景

班级：

姓名：

学号：

2011/5/2

5机器学习的研究与发展前景报告

前言

学习能力是智能行为的一个非常重要的特征，但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。H.A.Simon认为，学习是系统所作的适应性变化，使得系统在下一次完成同样或类似的任务时更为有效。R.s.Michalski认为，学习是构造或修改对于所经历事物的表示。从事专家系统研制的人们则认为学习是知识的获取。这些观点各有侧重，第一种观点强调学习的外部行为效果，第二种则强调学习的内部过程，而第三种主要是从知识工程的实用性角度出发的。

机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。例如，它们遇到错误时不能自我校正；不会通过经验改善自身的性能；不会自动获取和发现所需要的知识。它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。

机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。

自从1980年在卡内基-梅隆大学召开第一届机器学术研讨会以来，机器学习的研究工作发展很快，已成为中心课题之一。

笔者主要通过书本和网络，对机器学习进行了系统的了解和认识。本文主要介绍了机器学习的定义、发展历史、机器学习的主要策略、机器学习系统的基本领域、机器学习分类和机器学习目前的研究领域，以及笔者自己的感触。

机器学习的介绍

1.1机器学习的定义：

机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是

使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。

机器学习(Machine Learning)一般被定义为一个系统自我改进的过程，但仅仅从这个定义来理解和实现机器学习是困难的。从最初的基于神经元模型以及函数逼近论的方法研究，到以符号演算为基础的规则学习和决策树学习的产生，和之后的认知心理学中归纳、解释、类比等概念的引入，至最新的计算学习理论和统计学习的兴起当然还包括基于马尔可夫过程的增强学习，机器学习一直都在相关学科的实践应用中起着主导作用。研究人员们借鉴了各个学科的思想来发展机器学习，但关于机器学习问题的实质究竟是什么尚无定论。不同的机器学习方法也各有优缺点，只在其适用的领域内才有良好的效果。因此，以枚举的方法描述机器学习中的各个理论和算法可能是最合适的途径。

1.2机器学习的发展史

机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。

第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…>

第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。

第三阶段是从70年代中叶至80年代中叶，称为复兴时期。

机器学习的最新阶段始于1986年。

机器学习进入新阶段的重要表现在下列诸方面：

(1)机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。

(2)结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。

(3)机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

(4)各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。

(5)与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还

有计算机学习理论会议以及遗传算法会议。

1.3机器学习的主要策略：

学习是一项复杂的智能活动，学习过程与推理过程是紧密相连的，按照学习中使用推理的多少，机器学习所采用的策略大体上可分为4种——机械学习、通过传授学习、类比学习和通过事例学习。学习中所用的推理越多，系统的能力越强。

1.4机器学习的基本系统：

表示学习系统的基本结构。环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。在具体的应用中，环境，知识库和执行部分决定了具体的工作内容，学习部分所需要解决的问题完全由上述3部分确定。下面我们分别叙述这3部分对设计学习系统的影响。

影响学习系统设计的最重要的因素是环境向系统提供的信息。或者更具体地说是信息的质量。知识库里存放的是指导执行部分动作的一般原则，但环境向学习系统提供的信息却是各种各样的。如果信息的质量比较高，与一般原则的差别比较小，则学习部分比较容易处理。如果向学习系统提供的是杂乱无章的指导执行具体动作的具体信息，则学习系统需要在获得足够数据之后，删除不必要的细节，进行总结推广，形成指导动作的一般原则，放入知识库，这样学习部分的任务就比较繁重，设计起来也较为困难。

因为学习系统获得的信息往往是不完全的，所以学习系统所进行的推理并不完全是可靠的，它总结出来的规则可能正确，也可能不正确。这要通过执行效果加以检验。正确的规则能使系统的效能提高，应予保留；不正确的规则应予修改或从数据库中删除。

知识库是影响学习系统设计的第二个因素。知识的表示有多种形式，比如特征向量、一阶逻辑语句、产生式规则、语义网络和框架等等。这些表示方式各有其特点，在选择表示方式时要兼顾以下4个方面：

(1)表达能力强。(2)易于推理。(3)容易修改知识库。(4)知识表示易于扩展。

对于知识库最后需要说明的一个问题是学习系统不能在全然没有任何知识的情况下凭空获取知识，每一个学习系统都要求具有某些知识理解环境提供的信息，分析比较，做出假设，检验并修改这些假设。因此，更确切地说，学习系统是对现有知识的扩展和改进。

执行部分是整个学习系统的核心，因为执行部分的动作就是学习部分力求改进的动作。同执行部分有关的问题有3个：复杂性、反馈和透明性。

1.5机器学习的分类：

基于学习策略的分类

学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，并从中获取有用的信息。在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下六种基本类型：

１）机械学习(Rote learning)

学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存贮的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。

２）示教学习(Learning from instruction或Learning by being told)

学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。目前，不少专家系统在建立知识库时使用这种方法去实现知识获取。示教学习的一个典型应用例是FOO程序。

3）演绎学习(Learning by deduction)

学生所用的推理形式为演绎推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是“保真”变换和特化(specialization)的过程，使学生在推理过程中可以获取有用的知识。这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推理的逆过程是归纳推理。

4）类比学习(Learning by analogy)

利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。类比学习在人类科学技

术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。

５）基于解释的学习(Explanation-based learning, EBL)

学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。著名的EBL系统有迪乔恩（G.DeJong）的GENESIS, 米切尔（T.Mitchell）的LEXII和LEAP, 以及明顿（S.Minton）等的PRODIGY。

６）归纳学习(Learning from induction)

归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为“源概念”加以取用。归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。

个人感想

学习是人类获取知识的重要途径和人类智能的重要标志，机器学习则是计算机获取知识的重要途径和人工智能的重要标志。在人工智能系统中，知识获取一直是一个“瓶颈“问题，而解决这一问题的关键又在于如何提高机器的学习能力。因此，机器学习应该是人工智能的核心研究课题之一。

但是机器学习现在也面临着许多问题，主要集中在：多少训练数据是充足的?怎样找到学习到假设的置信度与训练数据的数量及提供给学习器的假设空间特性之间的一般关系？ 学习器拥有的先验知识是怎样引导从样本进行泛化的过程的?当先验知识仅仅是近似正确时，它们会有帮助吗? 关于选择有效的后续训练经验，什么样的策略最好?这个策略的选择会如何影响学习问题的复杂性? 怎样把学习任务简化为一个或多个函数逼近问题?换一种方式，系统该试图学习哪些函数?这个过程本身能自动化吗?换言之，现在的机器学习主要是基于规则的参数调整，就是人工设置好规则，通过训练学习，修正规则中的一些参数，使得这些规则更符合实际。但是机器学习并不能真正学习创造规则，这是机器学习的瓶颈。

机器学习在很多应用领域被证明很有实用价值。在未来的决策支持系统中必将有着更广泛的应用。

第四篇：《商务智能》读后感

《商务智能》读后感

——信息中心高翔

近些年来，“商务智能”这一词时时出现在我们的视线之中。由于智能商务将先进的信息技术应用到企业的信息化建设中，因此，商务智能广泛受到世界各行各业的青睐。随着计算机技术的发展，以及企业的信息过载、市场竞争加剧,企业与企业之间的交流与竞争大都是通过数据访问和共享等情况而发展。商务智能发展的时间虽然不长，但是已经成为备受企业关注的对象，它的应用前景非常广阔。为了对商务智能有更加深入和系统的学习，我最近拜读了赵卫东老师的《商务智能》这一本书。

在这一本书中，赵老师主要向读者介绍了商务智能系统的架构以及商务智能的核心技术——数据仓库、数据挖掘与OLAP的基本概念、基本方法和技术，然后在此基础上，讨论了商务智能在电子商务、移动商务、知识管理、Web挖掘、企业绩效管理、流程管理和RFID数据管理等领域的应用，此外还分析了商务智能在国内外的发展趋势。这本书内容新颖、全面，案例丰富，是我们这些信息技术人员学习商务智能的良好参考资料。

商务智能，英文为Business Intelligence，简写为BI，于1996年被Gartner Group的Howard Dresner首次提出，它描述了一系列的概念和方法，通过应用于基于事实的支持系统，来辅助商业决策的制定。商业智能的支撑技术主要由数据仓库（ＤＷ）、在线分析处理（ＯＬＡＰ）以及数据挖掘（ＤＭ）三部分组成。所谓数据仓库是指面向

主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程；在线分析处理是指是一种高度交互式的过程，信息分析专家可以即时进行反复分析，迅速获得所需结果；数据挖掘是指是从浩瀚如海的数据和文档中发现以前未知的、可以理解的信息的过程。商务智能的过程是指：从不同的数据源（交易系统或其他内容储存系统）收集的数据中提取有用的数据，对数据进行清理以保证数据的质量，将数据经转换、重构后存入数据仓库或数据集市（这时数据变为信息），然后寻找合适的查询、报告和分析工具和数据挖掘工具对信息进行处理（这时信息变为辅助决策的知识），最后将知识呈现于用户面前，转变为决策。

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。企业不管大小，都必须对瞬息万变的市场情况做出及时、高效的反应，而这些反应都必须建立在对全面、准确和及时的数据基础上。一般而言，智能型企业更能够反应迅速、适应顾客变化的需要以及采取正确的顾客解决方案。

商务智能的出现经历了一个渐进的、复杂的演进过程，并且仍处于发展之中。现如今的商务智能逐渐从战略型的BI转型为操作型或者实施型的BI，更加关注绩效、价值和数据质量，着眼于更成熟的数据分析和展现技术。但商务智能在中国的发展尚处于起步阶段，大部分

企业对商务智能仍然缺乏了解，并且在企业实际的应用过程当中，商业智能的失败率达到70%，这又是什么原因呢？对此，我认为，商务智能在国内实施成功率不高主要有以下几个方面的原因：

1、起步晚。很多人对商业智能了解不多，意识不强、参与度不高。

商业智能的提出，据今已有十几年的历史，国外成熟的信息系统以及管理理念比较成熟，而国内则不同，由于国内信息化起步比较晚，导致了商业智能的建设要比国外的商业智能建设晚，很多人对于商业智能并不是很了解，现在一直处于报表的阶段，同时也无法正确理解商业智能的价值，从而导致了商业智能这种技术一直不能得到大规模的普及。

2、技术不成熟。目前只有报表、OLAP、仪表盘和统计分析等用的比较成功，而其他方面的应用还处于研发、摸索阶段。例如非结构化数据的处理、数据质量不高的数据处理，目前还缺少有效的实用工具。

3、目前在中高端市场，国外商务智能解决方案提供商垄断市场，但其业务模型与国内企业不完全适应，国内的商务智能解决方案供应商无论从产品的完整性和实施能力上也没有多大优势。

4、缺乏既懂商业智能技术，又熟悉企业业务的人员，在商务智能市场逐年有很大增长的情况下，无论从数量上还是质量上都无法满足企业的需求。

5、商业智能项目的软硬件和实施费用很高，风险也比较大。

由于上诉原因的共同作用，才导致了现如今商务智能在我国的应用现状。但由于商务智能可以利用现代信息技术收集、管理、展示和分析那些结构化和非结构化的商务数据和信息的诉求，进而实现商务决策的精准性、有效性、快速性和动态性，所以商务智能市场潜力巨大。现在有一些有远见的企业正在努力克服上述问题，并将商务智能应用于本企业的信息化建设之中，其中不乏一些成功的案例，例如宝钢、中国海关等企业。

以我们烟草企业为例，日常经营活动中产生大量数据，这些数据包含有哪类产品更受哪类客户的喜欢，哪类促销活动能提升销售额，什么时间段应该推出什么样的产品等等信息。所以面对如此海量并且很有商业价值的数据，我们可以考虑将商务智能应用于我们的企业信息化建设之中，运用新技术为领导者的正确决策提供依据。对此，我有以下设想：

1、传统的数据分析工具、方法对于我们企业的海量数据来说，是非常耗费人力、物力、财力的。通过应用商务智能，我们可以将新的信息技术有效地应用在商务分析中，从而优化企业的信息管理系统。商务智能过程中所运用到的信息技术主要包括先收集各种数据，随后提取有用数据，再利用计算机技术对数据进行严格的筛选，将有质量的数据提出来并进行转换，然后将其存入数据仓库，并对有价值的信息进行处理。最后，将有效的决策呈现在用户面前。整个一连串过程，必定是需要计算机信息管理系统来处理的，这样就大大节约了成本。商务智能的有效应用，使企业信息化具有良好的可靠性、兼容

性、扩展性、灵活性、协调性和一致性，使企业的信息数据更加的真实有效。也就是说，将商务智能运用于企业信息化建设，利用数据仓库、联机分析处理和数据挖掘技术，对企业的信息进行快速有效的处理，不仅能大大提高办事效率，而且还能为企业节约了成本，这样就直接为企业创造了极大的经济效益。

2、在产品和管理高度同质化的背景下，客户资源成为企业最重要的资源。我们烟草企业可以通过客户关系管理，并将现在日趋流行的商务智能的理念引入企业的CRM战略之中，以提高企业的核心竞争力。与商务智能相结合的CRM可以从大量的数据中整理和提取出信息，进而将这些信息转化为可支持决策的知识，从这些知识里我们可以得知哪类客户、哪个地区的客户更偏好哪类商品以及今后的购买趋势等等，这些知识能告诉我们企业事情发生的原因及发展趋势，这样，我们就能及时、迅速、准确地制定与客户的互动行为，以提升客户的忠诚度、销售量和利润率，最终实现“以客户为中心”的经营模式。

3、供应链管理对于我们烟草企业来说，是至关重要的一个环节。在供应链管理活动中需要并产生了大量的数据，我们可以利用商务智能工具整合并分析这些数据，来改进供应链管理过程中的决策，减少浪费，提高经营效率和客户满意度。具体来说，商务智能系统能够为供应链提供以下基本的效益：改善数据的可见度，使库存水平降低；分析客户服务水平，识别供应链管理中的关键问题；更好地理解客户需求，提高预测的准确性；分析运输绩效，利用高效的运输服务来减少运输成本；改善供应链关系，加强与供应链伙伴的合作，提高供应

链的竞争力。基于以上的好处，我们烟草企业应该着力于运用商务智能解决方案从供应链管理系统中提取数据、分析数据，为整个供应链管理提供完整的视图，为供应链管理中的决策提供依据。

总而言之，我们企业的信息化建设离不开商务智能，它是一个充满希望的新兴领域。我们要将其广泛应用到企业的发展中去，要让企业从各个方面提升自己的综合实力，比如加快企业的体制和技术方面的创新，完善企业的管理制度等，惟有这样，才能有效地增强企业的竞争力，使企业长久立于不败之地。

第五篇：智能故障诊断报告

智能：是指能随内、外部条件的变化，具有运用知识解决问题和确定正确行为的能力。表现形式：观察、记忆、想像、思考、判断 智能可分为低级智能和高级智能：

低级智能——感知环境、做出决策和控制行为

高级智能——不仅具有感知能力，更重要的是具有学习、分析、比较和推理能力，能根据复杂环境变化做出正确决策和适应环境变化

智能的基本要素

三个基本要素：推理、学习、联想

推理——从一个或几个已知的判断（前提），逻辑地推断出一个新判断（结论）的思维形式 学习——根据环境变化，动态地改变知识结构

联想——通过与其它知识的联系，能正确地认识客观事物和解决实际问题

智能应具备的条件（能力）

三个基本能力：感知、思维、行为

感知能力——就是能感知外界变化和获取感性知识的能力

思维能力——就是具有记忆、联想、推理、分析、比较、判断、决策、学习等能力

行为能力——就是对外界刺激（输入信号）做出反应（输出信息）并采取相应动作的能力

故障：是指设备在规定条件下不能完成其规定功能的一种状态。可分为以下几种情况： 1）设备在规定的条件下丧失功能；

2）设备的某些性能参数达不到设计要求，超出允许范围；

3）设备的某些零部件发生磨损、断裂、损坏等，致使设备不能正常工作； 4）设备工作失灵，或发生结构性破坏，导致严重事故甚至灾难性事故。

故障的性质

1）层次性——系统是有层次的，故障的产生对应于系统的不同层次表现出层次性。一般可分为系统级、子系统级、部件级、元件级等多个层次；高层故障可由低层故障引起，而低层故障必定引起高层故障。诊断时可采用层次诊断模型和诊断策略。

2）相关性——故障一般不会孤立存在，它们之间通常相互依存和相互影响，如系统故障常常由相关联的子系统传播所致。表现为，一种故障可能对应多种征兆，而一种征兆可能对应多种故障。这种故障与征兆间的复杂关系导致了故障诊断的困难。

3）随机性——故障的发生常常是一个与时间相关的随机过程，突发性故障的出现通常都没有规律性；再加上某些信息的模糊性和不确定性，就构成了故障的随机性。4）可预测性——设备大部分故障在出现之前通常有一定先兆，只要及时捕捉这些征兆信息，就可以对故障进行预测和防范。

故障诊断：就是对设备运行状态和异常情况做出判断。具体说来，就是 在设备没有发生故障之前，要对设备的运行状态进行预测和预报；

在设备发生故障之后，要对故障的原因、部位、类型、程度等做出判断； 并进行维修决策。故障诊断的基本思想：

设被检测对象全部可能状态（正常和故障）组成状态空间S，它的可观测量特征的取值范围全体构成特征空间Y 若系统处于某一状态s时具有确定的特征y，即存在映射

；反之，一定的特征y也对应确定的状态s，即存在映射

。状态与特征空间这一关系可表述为：

因此，故障诊断的目的就是：根据可测量的特征向量来判断系统处于何种状态，也就是找出映射关系 f

故障诊断的实质

对于有限状态的系统，令正常状态为s0，n种故障对应的系统状态为s1, s2, …, sn；其中，处于状态si时，对应的可测量特征向量为yi =(yi1, yi2, …, yim)；故障诊断就是由特征向量y =(y1, y2, …, yk)，求出它所对应的状态s的过程

在这种情况下，故障诊断就成为：根据特征向量对被测系统的状态进行分类的问题，或者说对特征向量进行模式识别的问题

结论：故障诊断的实质——模式识别（分类）问题

故障诊断的过程有三个主要步骤：

第一步是检测设备状态的特征信号，即信号测取；

第二步是从检测到的特征信号中提取征兆，即征兆提取；

第三步是根据征兆和其它诊断信息来识别设备的状态，从而完成故障诊断，即状态识别。

——这是整个诊断过程的核心。

故障诊断的任务 故障检测：采用合适的观测方式、在合适部位测取特征信号，即信号测取；采用合适的方法，从特征信号中提取状态征兆，即征兆提取

故障识别：采用合适的状态识别方法与装置，依据征兆而推理识别出设备的有关状态，即状态识别

故障分离与估计（预测）：采用合适的状态趋势分析法，依据征兆与状态推理出状态的发展趋势，即状态预测

故障评价与决策：采用合适的决策形成方法，依据有关的状态和趋势作出调整、控制、维修等，即干预决策

什么是智能故障诊断？ 智能故障诊断：是人工智能和故障诊断相结合的产物，主要体现在诊断过程中领域专家知识和人工智能技术的运用。它是一个由人（尤其是领域专家）、能模拟脑功能的硬件及其必要的外部设备、物理器件以及支持这些硬件的软件所组成的系统。

从传统故障诊断到智能故障诊断 故障诊断技术经历的三个阶段：

第一阶段对诊断信息只作简单的数据处理

第二阶段将信号处理和建模处理应用于数据处理

以上两个阶段，完全基于检测数据处理，没有利用领域专家知识——传统故障诊断阶段 第三阶段以知识处理为核心，信号处理、建模处理与知识处理相融合——智能故障诊断阶段

传统故障诊断的局限性： 未引入人工智能技术前，直接由领域专家完成状态识别任务，不能有效利用专家的知识和经验；

缺乏推理能力，不具备学习机制；

对诊断结果缺乏解释，诊断程序的修改和维护性差。智能故障诊断的优越性：

引入人工智能技术后，能模拟领域专家完成状态识别任务（最大差别），人-机联合诊断，达到甚至超过专家；

发展出基于知识的诊断推理机制，能模拟人类的逻辑思维和形象思维的推理过程； 能解释自己的推理过程，并能解释结论是如何获得的。

智能故障诊断的研究意义：

研究如何及时发现故障和预测故障并保证设备在工作期间始终安全、高效、可靠地运行

——故障诊断技术为提高设备运行的安全性和可靠性提供了一条有效途径

故障的随机性、模糊性和不确定性，导致一个故障的形成往往是众多因素造成的结果，且各因素之间的联系又十分复杂

——传统故障诊断方法已不能满足现代设备的要求，必须采用智能故障诊断方法

智能故障诊断的研究目的 及时发现故障，给出故障信息，并确定故障的部位、类型和严重程度，同时自动地隔离故障； 预测设备运行状态、使用寿命、故障发生和发展；

针对故障的不同部位、类型和程度，给出相应的控制和处理方案，并进行技术实现；

自动对故障进行削弱、补偿、切换、消除和修复，以保证设备出现故障时的性能尽可能地接近原来正常工作时的性能，或以牺牲部分性能指标为代价来保证设备继续完成其规定功能； 进行维修决策，减少维修费用，提高设备利用率。

智能故障诊断的国内外研究概况

20世纪60年代末开始，已历经三个阶段：

美国从1967年开始，NASA、ONR率先在故障机理研究和故障检测、诊断和预测等方面取得实用性研究成果；此后，在水泵、空压机、轴承、润滑油、内燃机、汽车发电机组、大型客机等方面都取得了许多研究成果

英国和日本相继在20世纪70年代初开始故障诊断的研究，并在锅炉、压力容器、核发电站、核反应堆、铁路机车等方面取得了许多研究成果

国外，设备维修费平均降低15～20%，技术投入占生产成本的比例，美国7.2%、日本5.6%、德国9.4% 我国从20世纪80年代初开始这方面研究，在石化、冶金、电力等行业得到应用；90年代后在各行业快速发展

目前智能故障诊断的几个重要研究方向 1）集成化智能故障诊断研究：

现代设备复杂性和故障不确定性，单一方法不能满足要求；集成多种方法进行诊断，取长补短，提高诊断智能化水平。2）网络化智能故障诊断研究：

现有诊断大都面向单台或单类设备，可扩充性、灵活性、通用性差，信息不能有效交互和共享；分布式智能诊断能充分发挥各专家的特点，做到资源共享、协调诊断。3）适应型智能故障诊断研究：

利用智能结构、智能Agent的特性，构建满足现场需要，并对故障具有自修复、自补偿、自抑制、自消除等适应型智能故障诊断，也是一个很有前途的研究方向。