商务智能在企业营销决策中的应用研究

周　瑾　黄立平

［摘 要］ 商务智能可以帮助企业从积累的海量数据中获得营销决策需要的信息，提高营销决策的科学性。本文首先介绍了商务智能及其支撑技术，然后讨论了商务智能在企业营销决策中的作用，重点研究了商务智能在营销决策各个阶段的具体应用。

［关键词］ 商务智能；企业营销；决策

［中图分类号］F270.7［文献标识码］A［文章编号］1673-0194（2009）02-0056-03

随着企业信息化进程的不断推进，很多企业已经积累了大量的营销数据，除了规范的数据库中的结构化信息之外，企业还有大量的来自于内外部的非结构化信息，包括商业文本、电子邮件、会议记录、商业合同、政府报告、销售和支持记录以及网络信息。虽然企业拥有了大量的结构化、非结构化的营销信息，但却很难挖掘出迫切需要的有价值的信息，这使得营销决策和营销运营无法得到数据的有力支撑。商务智能可以帮助企业整合并分析从各类数据收集系统中提取的数据,识别企业运营趋势, 改进营销决策, 提高经营效率和客户满意度。

一、商务智能的概念及支撑技术

商务智能（Business Intelligence,BI）最早是20 世纪90 年代末在国外企业界出现的,是指将企业的各种数据及时地转换为管理者感兴趣的信息（或知识），并以各种方式展现出来，帮助管理者进行科学决策。

1. 商务智能的概念

Gartner Group将商务智能定义为一类由数据仓库(或数据集市)、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用［1］。IBM认为商务智能是一系列由系统和技术支持的以简化信息收集、分析的策略的集合，它应该包括企业需要收集什么信息、谁需要去访问这些数据、如何把原始数据转化为最终导致战略性决策的智能、客户服务和供应链管理［2］。如今， 商务智能的概念已经不仅仅是软件产品和工具， 而是整体应用的解决方案， 甚至升华为一种管理思想，体现的是一种理性的经营管理决策的能力，即全面、准确、及时、深入地分析和处理数据与信息的能力［3］。

２． 商务智能的支撑技术

商务智能的支撑技术主要有:数据仓库(Data Warehouse,DW)技术､联机分析处理(On-Line Analytical Processing,OLAP)技术､数据挖掘(Data Mining,DM)技术和企业信息门户(Enterprise Information Portal,EIP)技术[4]｡从应用的角度讲,商务智能也可以理解为DW+OLAP+DM;从技术角度来看,商务智能是重视分析数据的技术｡（１）数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合，用于支持管理决策的制定［５］。数据仓库完成了数据的收集、集成、存储、管理等工作，是实现商务智能的数据基础，是企业长期事务数据的准确汇总。

（２）联机分析处理技术可以对数据仓库中多维的商务数据进行在线分析处理，生成新的商业信息；能实时监测商务运作的成效，使管理者自由地与商务数据相互联系。

（３）数据挖掘是指从存放在数据库、数据仓库或其他信息库中的大量数据中挖掘人们感兴趣的知识的过程［６］。数据挖掘技术的常见方法有关联规则、决策树、神经网络、粗糙集法、聚类、遗传算法和统计分析等。

（４）企业信息门户技术提供了一个用户与企业的商业信息和应用软件间的接口。企业的商业信息不只被储存在数据仓库中，而是分布在不同的系统和应用软件之中。

二、商务智能在营销管理中的应用

企业应用商务智能技术，通过对大量的营销数据和市场信息进行提取、清理、转换并按决策主题的需要进行重新组织后，进行统计、分析和挖掘，以各种图形方式为营销决策者提供营销活动的真实动态，实现对商务、市场、顾客、商机、商业风险评估的深入分析，为营销决策提供信息服务和重要的数据依据。商务智能在营销管理中的具体功能有：从客户处增加收入，了解客户的划分和优先顺序，识别有利可图的客户，争取新的顾客，交叉销售和提升销售，保持客户和提高忠诚度，增加投资回报和降低改进成本，增加商店交易，最优化摆放产品以增加产品销售，追踪商业成绩等。

商务智能在营销管理中的应用主要体现在以下几个方面：

（1）销售分析。从多角度观察、分析销售数据，利用商务智能从海量数据中产生预测、报警等信息；对企业的销售数据进行回归分析、预测各产品的销量，以及各目标市场的预期销量。使用聚类工具，将市场分为销售业绩较好、一般和差3个档次，结合市场大小，寻找潜在市场，利于市场开发；通过对销售数据和客户购买信息的分析，制订合适的销售策略，实现重复销售及交叉销售。

（2）促销分析。促销的本质在于促进与消费者的沟通，扩大消费者的随机购买率和重复购买频率，缩短消费者的购买决策时间，以提升销售。企业促销的方法很多，表现形式多样，借助商务智能的多维分析工具，可以对促销行为进行综合评价，确定各种促销手段的优劣程度，推进促销活动的开展。

（3）客户分析。根据客户信息数据来分析客户特征，评估客户价值，从而为客户制订相应的营销策略。客户分析作为客户理解的主要手段，主要包括：客户细分、客户满意度分析、客户忠诚度分析、客户背景分析、客户信誉度分析、客户欺诈行为分析、客户流失分析、客户个性化消费行为分析等，企业根据顾客的效用值可以进行聚类分析（cluster analysis），找出具有相同或相似偏好的顾客，进行市场细分。采用聚类分析方法，可以定量地确定研究对象之间的亲疏关系，使得同一类中的数据尽可能相似，从而达到合理分类的目的。

（4）定价分析。定价决策既是市场营销管理的焦点，也是市场竞争的基础。定价时必须考虑到企业内外部因素以及认知心理因素。例如利用商务智能技术，企业可以根据顾客认知价值对市场进行细分，制定差别定价策略，按照顾客愿意支付的价格对不同的顾客制定不同的价格，以获得提高利润的机会。商务智能支持企业实现差别定价、动态定价，以极大地获取利润。

三、商务智能在企业营销决策各阶段的应用

企业的营销决策过程分为确定目标、设计方案、评价方案和实施方案4个阶段。商务智能在企业营销决策过程各阶段的具体应用如下：

（1）确定目标阶段，利用商务智能探查决策环境，进行数据和信息的搜集、加工、分析，确定影响决策的因素或条件。具体来说包括：

1）理解营销业务。了解所面临的营销挑战，对营销问题有完全的掌握，明确要达到的营销目标以及需要用到哪些数据，并且将营销问题转化为数据挖掘和知识发现过程的问题定义，据此设计出一个初步的挖掘计划，以有利于营销问题的解决。

2）理解营销数据。准备需要的所有数据，检查数据质量。如果数据源有多个，那么不同来源的数据可能产生质量问题，因此必须关注潜在的问题，合并数据，决定哪些营销数据可用于深度分析和挖掘，以得到解决问题的方案。

3）数据准备。企业拥有大量的与营销对象相关、影响营销管理和决策的来自于内外部的数据和信息。从企业资源规划（ＥＲＰ）、客户关系管理（ＣＲＭ）、供应链管理（ＳＣＭ）、办公自动化（ＯＡ）、电子商务以及外部环境扫描等系统获得的数据，经提取、清理、转换后加载入数据仓库，这些数据需要以合适的格式来准备，回答营销问题。

（2）设计方案阶段，在理解问题的基础上利用商务智能系统建立相应的营销决策模型，进行模拟，并获得结论，提出各种可供选择的方案。商务智能在该阶段的应用表现在：

1）建立营销决策模型。为营销问题建立合适的模型，辅助理解问题，对数据进行探索性分析，通过分析小量的多来源数据确认重要的区域。对于文本文件，可以用文本挖掘工具有效地搜索有价值的信息资源。将准备好的数据子集运行构建的模型工具，评估模型的准确性、有效性和潜在的缺点，确保模型得出有助于决策支持的结果。比如用倾向模型预测消费者行为，来决定哪些消费者或潜在的消费者提供长期的利润；例如运用聚类分析检测信用卡办理的可能欺骗行为；用关联模型做市场篮（market basket）分析可提高总的销售率；用统计模型在数据挖掘的早期做统计分析，可获得数据结构的总体情况。

2）模型评估。评估模型的任务是检测给定模型得出的结论是否有助于支持营销决策，企业营销决策者希望通过数据之间的关系得到相互数据的影响和关系，该结果以图形、图表或者数据报表的方式表示。对结果进行相应分析，可以获得如何使用组合销售、如何留住有价值的顾客、如何以最小的成本发现欺诈行为等结论。

（3）评价方案阶段，要根据确定的决策准则，从可行方案中选择出最优或满意的方案。商务智能在本阶段的支持表现在：

1）可视化显示各方案结果并对比分析各方案。可视化技术使开发和理解数据变得容易，通过在图内变化及根据不同的数据尺度产生新的图表，可以更快地对各备选方案进行对比分析。

2）根据一定的准则来辅助抉择。这些准则可以是经济法则，如回收率、回收期、最小现金支出或最小风险等。

（4）实施阶段，是指将所选择的方案予以执行，对实施结果进行监测，并根据反馈信息对方案进行修正和调整。最终形成的决策是各个阶段多次循环往复的结果。商务智能的应用表现在：

1）知识调配。获得的知识必须采用一定的形式在企业内部进行配置，使数据分析和挖掘结果支持决策。发现营销规律和知识不是目的，将其应用到企业营销决策中才能起到真正的作用，在不断的营销中应对所得出的结论进行论证，并不断修正，使其更加合理，以便更好地指导营销行为和决策。

2）形成新的知识，丰富知识库的内容。做决策不仅需要知识，并且决策本身也成为一条知识，形成的知识可以辅助决策人员进行其他相关的决策。

营销决策者为了解决营销问题， 需要处理大量的来自企业内外部的结构化和非结构化信息，需要商务智能帮助他们从大量繁杂的数据和信息中发现机会和知识。商务智能强调把营销决策者的任务和需要的全部信息整合，提供数据挖掘工具和各种数据模型帮助决策者处理分析结构化和非结构化数据，使得他们可以专注于理解和解决营销问题，而不是深陷营销数据的旋涡。

主要参考文献

[1] 王卫平,徐宏发,等. 基于Web Services的商务智能网络研究[J]. 计算机系统应用,2005(7):16-19.

[2] 刘庆. BI观点[EB/OL]. http://happysboy.bokee.com/inc/ttnn_bi_

opinion_200511.pdf ,2005-12-19.

[3] 郑轶松,齐二石,于冬. 商业智能体系下的协同机制研究[J]. 西北农林科技大学学报:社会科学版,2005(1):106-110.

[4] Charles P Seeley,Thomas H Davenport. KM Meets Business Intelligence:Merging Knowledge and Information at Intel[J]. Knowledge Mangaement Review,2006(1).

[5] W H Inmon. 数据仓库管理[M]. 王天佑,译. 北京:机械工业出版社,2002.

[6] Heinrichs J H,Lim J S. Integrating Web-based Data Mining Tools with Business Models for Knowledge Management[J]. Decision Sup-port Systems,2003,35(1):103-112.