| 决策支持系统中模型和模型库：模型生成技术（一） | |
|---|---|
|
|
|
|
[原创]决策支持系统中模型和模型库：模型生成技术（一）
决策支持系统把模型作为一个基本支柱，但是DSS对模型和缄默技术的理解与传统的运筹学、控制理论中的建模有很大的区别。在DSS中，计算机不仅作为快速计算的工具，而且发挥它某种思维和推理的能力。因此，DSS从事的建模工作把定性分析和定量计算紧密地结合起来，并充分发挥人的作用，由人和机器协作完成决策。传统的建模方法只把计算机作为复杂、快速运算的工具，而定性分析主要由人来完成。
一、 传统建模方法及其缺陷
传统建模方法可以简单的通过下图来表示：
所谓的建模就是从输入信息和输出信息之间的关系来寻找实体的描述方式，一般情况下，认为实体是一个“黑箱”，只能从输入信息和输出信息来寻找其规律，这种建模方法有成为系统辨识。但是按照这种方法建模，所得到的模型一般为表示实体主要属性的数学模型，并且除了一部分人能够正确地利用模型取得效果外，很多人可能会误用、滥用这些数学模型，最重要的一点是这样的模型一般为管理决策人员所排斥。
具体说来，传统的建模方法面临的主要问题是：
（1）、建模索必要的数据往往难于获取，或者是不能满足建模的要求。
（2）、根据模型所得的计算值与实际的观测值之间又是存在很大的差异，因此模型被否定。出现这种现象的原因很复杂，可能是建模时对实体缺乏正确而全面的分析，或者做了错误的简化；也可能是模型建立后实体发生了变化，而模型未能及时地反映这种变化。
（3）、对于一个复杂的综合性很强的实体，建模工作十分困难。为了建立模型往往要花费很长的时间和很大的代价，然而，所建立的模型却不能跟踪环境的变化，往往只能使用一次。
（4）、管理人员难于理解大型的复杂模型，因此，往往不信任这种模型，在利用模型进行重大决策是，不愿意接受他们不理解的建议和方案。传统的模型计算结构往往只给出一串数字，缺乏管理人员所企求的定性和直观的说明。
（5）、建模方法中，有一种趋势是用一组简单模型来模拟复杂问题，这种做法出现的最极端的情况是：每个模型具备特有的格式，需要自己特定的数据，仅在某一个侧面为决策者提供信息，这种方法实际上是把最困难的综合决策问题留给了决策者，模型并没有起到多大的作用。
（6）、一般来讲，传统的建模方法没有使决策者和利用模型作决策的过程进行充分的交互，在少数情况下，即使模型处在交互的环境中，这种交互也只限于提供必要的数据和参数值，在已有的模型中做出选择等。
综上所述，传统的建模方法只能给决策提供有限的帮助，这些帮助不能使决策者满意。
二、 模型生成技术
1、 生成过程特点
模型生成是指在系统内形成一组能反映实体运动形态的模型，这种模型不一定是数学模型，或者不完全是数学模型。
模型生成过程具有如下几个特点：
（1）、模型在系统内的主要存储方式是非程序式的。基于数据的模型标识和基于知识的模型标识都可以作为模型的基本形态，当然，可能在某些局部仍采用程序表示模型。
（2）、在生成模型的过程中，采用定量建模和推理分析相结合的技术。定量建模用于确定模型的数学形态和有关参数；推理分析在建模前、建模中和建模后都起作用。
（3）、模型生成在人机交互中完成，在传统的建模过程中，人的作用和机器的作用二者的分界线十分明显，而在模型生成技术中这种分界线是模糊的。
（4）、模型生成应该是一个动态过程，特别是在实体所处的环境变化时，模型的生成环境也应该随之发生变化，即使按统一工作步骤，所生成的模型也不完全相同。
2、 模型生成环境
任何实体都存在于一定的环境中，实体的运动形态除了受自己的内在因素的影响之外，在很大程度上还被周围的环境所制约。在定量分析中，人们常采用内生变量和外生变量来区分它们。事实上，决定实体运动形态的内因和外因并不是都可以量化的。为了完整的研究实体，应该全面地描述影响实体的各种量化和非量化因素。
影响实体运动形态的外部因素构成了实体存在的环境。模型生成的前提是必须在系统内构造实体环境的仿真环境。仿真环境由两部分组成：一部分是量化因素体系，它们被置于数据库；另一部分是非量化因素体系，被置于知识库，显然，仿真环境不能独立于使用背景。
DSS所研究的模型生成环境并不是实体仿真环境的具体内容，而是为了构造仿真环境，在DSS中应该具备的条件和软件框架，称之为模型框架环境。设计框架环境时，应该考虑如下几个问题：
（1）、交互方式：自然语言接口是比较理想的交互方式，在使用自然语言接口有困难的情况下，组合接口是经常使用的交互方式。
（2）、模型表达方式：当把模型作为一种知识表示出来时，用于描述模型的知识表示应该同时适合于定量计算和推理分析。
（3）、定量计算能力：在确定数据模型的结构和参数，以及对所生成的模型作检验时，会遇到很多定量计算问题，其中大部分都可以作为子程序置于知识库中，作为子程序存储的算法应该对立于特定的应用背景。
（4）、推理分析框架：推理应用背景的推理很难深入下去，作为模型生成的框架主要是指推理系统的基本格局、知识的学习方式和获取能力。如果所设计的DSS有较明确的背景，先嵌入系统背景的核心知识可以给用户带来极大的方便。
（5）、框架环境的管理：管理功能是指对系统进行组织和协调，特别是当系统投入使用时，强大的管理功能使系统获得成功的关键。与模型生成技术有关的管理功能将在模型管理系统内详细讨论。
| |
如何正确理解商业智能（BI）？
【文章摘要】为了让读者更加清晰地把BI与MIS系统区别开来，本文讨论了BI与DSS（决策支持系统）、EIS（经理执行系统）的主要区别。最后，本文分析了制约BI健康发展的若干因素。
引言
商业智能（BI）是目前在国外企业界和软件开发界受到广泛关注的一个研究方向。可以用两点来总结这种研究热点出现的原因：一、信息技术的高速发展带来了企业利用信息技术提高本身竞争力的巨大空间：信息技术不但使企业获取需要的信息，而且，促进企业对信息的再利用，以此营造企业的竞争优势；二、IT界许多以提供软件平台和工具平台的大公司通过多年与企业的交流，已经认识到企业对商业智能的迫切需求，纷纷加入到从事商业智能的研究与开发上来。IBM建立了专门从事BI方案设计的研究中心，ORACLE、微软等公司纷纷推出了支持BI开发和应用的软件系统，有的直接进入了BI的开发领域。
由于BI尚处于从起步阶段到发展阶段的转变时期，许多人对BI的理解存在一定的偏差。很多人认为BI仅仅是一个进行数据分析的软件包，一些较为悲观的人认为BI是存在于理想家头脑中的、企业永远不可能达到的境界。本文首先系统地诠释了BI的概念，从多个方面总结了BI具有的功能，接着分析了BI的研究内容和发展趋势。为了让读者更加清晰地把BI与MIS系统区别开来，本文讨论了BI与DSS（决策支持系统）、EIS（经理执行系统）的主要区别。最后，本文分析了制约BI健康发展的若干因素。
1.商业智能概述
商业智能不是一个新名词。多年来，企业一直在寻找对商业智能的理解和实现的方式，以增强企业的竞争力。早在80年代，当时“商业智能”的标准是能容易地获得想要的数据和信息。90年代是商业智能真正起步的阶段。到目前为止，关于BI还没有统一的定义，不同的人只是从不同的方面表达了对BI的理解。早在90年代初，Garter Group的Howard Dresner把EUQR（终端查询和报表）、DSS、OLAP称为商业智能。企业使用这些工具使企业获得的优势也被称为商业智能。后来，出现了数据仓库、数据集市技术，以及与之相关的ETL（抽取，转换，上载）、数据清洗、数据挖掘、商业建模等，人们也将这些技术统归为商业智能的领域。目前，存在将商业智能与数据仓库和基于数据仓库的分析方法等同起来的认识趋势。
其实，商业智能代表为提高企业运营性能而采用的一系列方法、技术和软件的总和。商业智能，是帮助企业提高决策能力和运营能力的概念、方法、过程以及软件的集合。对该定义的正确解释，从四个层面展开：
信息系统层面：称为商业智能系统（BI System）的物理基础。表现为具有强大决策分析功能的单独的软件工具和面向特定应用领域的信息系统平台，如SCM、CRM、ERP。与事务型的MIS不同，商业智能系统能提供分析、趋势预测等决策分析功能。
数据分析层面：是一系列算法、工具或模型。首先获取与所关心主题有关的高质量的数据或信息，然后自动或人工参与使用具有分析功能的算法、工具或模型，帮助人们分析信息、得出结论、形成假设、验证假设。
知识发现层面：与数据分析层面一样，是一系列算法、工具或模型。将数据转变成信息，而后通过发现，将信息转变成知识；或者直接将信息转变成知识。
战略层面：将信息或知识应用在提高决策能力和运营能力上；企业建模等。商业智能的战略层面是利用多个数据源的信息以及应用经验和假设来提高企业决策能力的一组概念、方法和过程的集合。它通过对数据的获取、管理和分析，为贯穿企业组织的各种人员提供信息，以提高企业战略决策和战术决策能力。
总之，商业智能的目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性。为完成这一目标，商业智能必须具有实现数据分析到知识发现的算法、模型和过程，决策的主题具有广泛的普遍性。这个特点是本文定义商业智能时应特别强调的。
商业智能（BI）是目前在国外企业界和软件开发界受到广泛关注的一个研究方向。可以用两点来总结这种研究热点出现的原因：一、信息技术的高速发展带来了企业利用信息技术提高本身竞争力的巨大空间：信息技术不但使企业获取需要的信息，而且，促进企业对信息的再利用，以此营造企业的竞争优势；二、IT界许多以提供软件平台和工具平台的大公司通过多年与企业的交流，已经认识到企业对商业智能的迫切需求，纷纷加入到从事商业智能的研究与开发上来。IBM建立了专门从事BI方案设计的研究中心，ORACLE、微软等公司纷纷推出了支持BI开发和应用的软件系统，有的直接进入了BI的开发领域。
由于BI尚处于从起步阶段到发展阶段的转变时期，许多人对BI的理解存在一定的偏差。很多人认为BI仅仅是一个进行数据分析的软件包，一些较为悲观的人认为BI是存在于理想家头脑中的、企业永远不可能达到的境界。本文首先系统地诠释了BI的概念，从多个方面总结了BI具有的功能，接着分析了BI的研究内容和发展趋势。为了让读者更加清晰地把BI与MIS系统区别开来，本文讨论了BI与DSS（决策支持系统）、EIS（经理执行系统）的主要区别。最后，本文分析了制约BI健康发展的若干因素。
1.商业智能概述
商业智能不是一个新名词。多年来，企业一直在寻找对商业智能的理解和实现的方式，以增强企业的竞争力。早在80年代，当时“商业智能”的标准是能容易地获得想要的数据和信息。90年代是商业智能真正起步的阶段。到目前为止，关于BI还没有统一的定义，不同的人只是从不同的方面表达了对BI的理解。早在90年代初，Garter Group的Howard Dresner把EUQR（终端查询和报表）、DSS、OLAP称为商业智能。企业使用这些工具使企业获得的优势也被称为商业智能。后来，出现了数据仓库、数据集市技术，以及与之相关的ETL（抽取，转换，上载）、数据清洗、数据挖掘、商业建模等，人们也将这些技术统归为商业智能的领域。目前，存在将商业智能与数据仓库和基于数据仓库的分析方法等同起来的认识趋势。
其实，商业智能代表为提高企业运营性能而采用的一系列方法、技术和软件的总和。商业智能，是帮助企业提高决策能力和运营能力的概念、方法、过程以及软件的集合。对该定义的正确解释，从四个层面展开：
信息系统层面：称为商业智能系统（BI System）的物理基础。表现为具有强大决策分析功能的单独的软件工具和面向特定应用领域的信息系统平台，如SCM、CRM、ERP。与事务型的MIS不同，商业智能系统能提供分析、趋势预测等决策分析功能。
数据分析层面：是一系列算法、工具或模型。首先获取与所关心主题有关的高质量的数据或信息，然后自动或人工参与使用具有分析功能的算法、工具或模型，帮助人们分析信息、得出结论、形成假设、验证假设。
知识发现层面：与数据分析层面一样，是一系列算法、工具或模型。将数据转变成信息，而后通过发现，将信息转变成知识；或者直接将信息转变成知识。
战略层面：将信息或知识应用在提高决策能力和运营能力上；企业建模等。商业智能的战略层面是利用多个数据源的信息以及应用经验和假设来提高企业决策能力的一组概念、方法和过程的集合。它通过对数据的获取、管理和分析，为贯穿企业组织的各种人员提供信息，以提高企业战略决策和战术决策能力。
总之，商业智能的目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性。为完成这一目标，商业智能必须具有实现数据分析到知识发现的算法、模型和过程，决策的主题具有广泛的普遍性。这个特点是本文定义商业智能时应特别强调的。
学习商业智能（BI）的三维框架
本篇是BI334体系的三维框架部分，解决BI的理解问题和需求落实问题。文中给出了三维框架中三维模式和三层漏斗的简述。
BI的角色范围将从当前部门的特定用户转向全企业各个层面的用户，操作层和决策层的用户将会增多，数据挖掘员的角色会日益显得重要;由于角色范围的拓广，各个用户在职权、需求上存有差异，BI系统提供广泛的、具有针对性和流程性的内容，强化交互性。广泛是指在演绎型内容上，当前查询/报表内容大多已实现，分析和决策选择会日益受到重视;在归纳型内容上，知识发现的作用愈益明显;针对性和流程性表现在原有的OLTP系统(如ERP、CRM、SCM)中嵌入BI在“分析层次及部分决策层次”的功能，如在原有的客户关系系统、供应链系统中加入智能的因素，提高流程运作的效率。交互性通过局域网、广域网在数据层面反映出交互。如BI数据仓库数据接受某一OLTP系统数据的变化，要改变其它OLTP系统的相对应的数据;在应用层面的操作流程上，商业智能要实现流程上的协同，决策支持的结果。举个简单的例子。系统报出的预警信息，要能在相应的职能人员上自动传递或作标记;工具方面;由于商业智能与OLTP系统的融合，管控支撑工具的可配置性、灵活性、可变化性将得到强化。由于管理层和决策层人员的对逻辑分析和决策选择的要求加剧，管理理论与工具，统计工具和知识发现工具等会日益扩展。如当前某厂商在其BI产品中加入了BCG矩阵(管理工具)来定位企业的SBU或产品，以辅助管理者采取相应的措施。客户化的界面和展示工具也显得重要。
三层筛选漏斗可以反映不同行业、不同价值环节和不同发展阶段的企业对BI需求的丰富性和多样性。在锁定当前重要的几个行业和价值环节的形势下，BI应用的行业性和企业化趋势大大增强，用户和开发者需要强化双方的有效交流。
行业层：三大产业中第二、第三大产业仍将是BI应用的主要市场。第二产业的电力和制造业，如汽车制造和消费品制造，其市场需求不可忽视。第三产业BI应用仍将占主导地位，金融业的银行和保险、电信业，批发和零售业、医疗卫生等的BI应用会出现向分析型的升级;价值层：商业智能未来的应用与行业内信息化的基础状况密切相关。在生产环节和流通环节，各类用户信息化状况参差不齐。BI应用仍以大型制造企业为主，其次是零售业
(如百货企业及连锁企业)。这两个领域仍是商业智能不可忽视的重要市场。产消合一类，主要是服务业，一段时间仍将占据着BI应用的优势行业地位。如，金融、电信和保险等业务系统非常成熟，迫切需求数据大集中并考虑海量数据的有效利用。发展阶段方面各个阶段的企业对BI的认识都会超越查询、报表等BI初级应用层次，管理驱动和创新驱动阶段的企业对BI需求可能会明显。
总结起来，用户数量的增多和原有用户需求层次的提升是BI应用的重要发展方向。同时，发展的不均衡性可能也是BI在未来一段时间的趋势。不同行业中处于不同阶段企业，其不同用户角色在三个应用层次(报表/查询，分析和决策选择)的需求不均衡，导致了BI运用的差异。
可见在未来一段时间内，BI应用的行业性和企业化趋势将会增强。用户和开发者需要努力辨清BI需求，双方就同一BI平台交流的主动性将有所提升，含三维模式和三层漏斗的BI三维框架将促进这种需求的满足。
Oracle:描述未来商业智能技术的八大前景2010-05-17
13:19出处：比特网作者：佚名【我要评论】
[导读]随着应用软件厂商和商务智能厂商的合并，用户将能直接获取到已经预置了分析内容和指标的应用型商务智能解决方案
预测1：方案集成度不断提高。
预测1：方案集成度不断提高。
2年前，大型的软件公司已经预测到将来的5到10年时间，商务智能将是软件领域的一大增长点，因此纷纷进行收购合并。例如Oracle对Hyperion的收购就是业界第一个迈出这革命性一步的壮举。也正是这样的合并过程，对未来商务智能技术的前景起到了决定性的影响。时至今日，各大厂商都发布了集成整合各自软件的方案，即使是新兴的商务智能厂商也不断完善自我方案的完整性，希望能提供用户一站式的解决方案。对于商务智能的用户来言，这样的方案集成将大大降低过往高昂且费时的系统集成工作，并能保障快速的系统部署。例如Oracle已经率先推出从存储、服务器、操作系统、数据仓库平台和预置模型、ETL平台和预置抽取过程、商务智能平台和预置展现指标、企业绩效管理应用到最终用户智能手机终端的全套集成方案。
预测2：预置分析内容，并集成企业绩效管理的应用将成为主流
回顾商务智能的发展历程，和早年的ERP发展历程相似。最先只是一种管理理念;紧接着是不同的厂商提供不同的开发工具和语言，用户请实施商开发建设。此间也不乏成功案例，但是费时费力的过程一直制约着商务智能系统的推广脚步。随着应用软件厂商和商务智能厂商的合并，用户将能直接获取到已经预置了分析内容和指标的应用型商务智能解决方案，并集成了企业绩效管理应用，给企业决策、管理和运营提供从目标设定，计划配置，运营监控，信息分析，完善目标的闭环过程。同以前只是工具平台不同，Oracle商务智能应用产品就是这一趋势的示例。通过Oracle商务智能应用方案不但能缩短数据建模，数据抽取等一系列技术实现工作，同时基于预置的分析最佳实践，最终的系统用户还能获取到处展现功能之外的管理理念。
预测3：操作型商务智能要求普适化商务智能功能
各大厂商已经预测到商务智能系统将走下神坛，BI用户群也会相应地从现在的后台管理决策层向前端业务操作型用户延伸。用户不断涌现的需求，促使了商务智能系统能提供满足不同类型人员的功能需求。比如，Oracle商务智能平台能满足从传统的报表、即席查询，到仪表板、在线分析;从对过去历史信息的分析到对未来未知情况的预测;从专业技术人员的开发工具到业务人员也能使用的个性化自助式定制;从浏览器到掌上设备。只有涵盖各种使用途径和功能的平台才能适应未来商务智能面向操作型发展的趋势。
预测4：高级交互式分析将是又一热点
传统的过滤，上钻，下钻，比较等功能已经不能满足用户的分析要求。新一轮的高级分析需求已经在不同行业悄然升温。在将来的商务智能平台中，预测、分摊、假设模拟、数据挖掘等技术将成为又一轮的技术投资方向。集成整合Essbase服务技术的Oracle商务智能已经能为用户提供面向策略级、未知信息的分析能力。
预测5：可视化技术进一步发展
对于数据的可视化将是新一个商务智能系统的又一趋势。越来越多的用户不再满足于传统的图像展现和交互式的图像展现。越来越多的分析需求需要借助图像OLAP方式的分析方法来完成，比如噪音数据、数据集趋势等。借助Oracle
Essbase海量数据处理引擎，Oracle已经率先开展了数据可视化分析的先河，为用户提供可视化数据探索服务。这种类型的分析手段也将是未来商务智能领域的又一亮点。
预测6：智能化业务系统和商务智能平台的界限越来越模糊
越来越多的软件厂商和用户系统都在不断尝试将商务智能应用和业务系统紧密集成在一起，从而提供用户从业务操作到业务分析再返回指导业务操作的自动化平台。从早期的财务系统集成，到集成商务智能应用的ERP系统，再到不断发展的全面集成企业绩效管理应用，CRM系统，人力资源系统，生产系统在内的商务智能模块，将来用户将能从Oracle这样的企业应用软件厂商处获取到和业务系统完整集成的智能分析模块。
预测7：数据采集质量越来越高，数量越来越大
随着RFID，移动互联网技术的普遍应用，未来商务智能系统所能获取到的数据量和数据准确性将产生质的变化。传统部门级解决方案在新的时代也已经不能满足一个单一的分析需求。取而代之的是能快速，准确集成和整理海量数据的平台。整个平台需要能满足不断拓展的数据量和用户分析需求。
预测8：实时数据获取和整理
由于BI应用将向操作型发展的特点，也导致了用户对BI应用的实时性需求。很明显，企业的管理层看报表和KPI通常不需要很高的实时性，大概一个月或一周看一次。但是对操作型的用户而言，例如银行的柜面，Call
Center等前端渠道操作型用户，需要BI应用提供最近的关于当下客户的交易行为，风险以及营销机会等信息，很显然，滞后的信息无法让工作人员在与客户接触时准确了解客户的全貌，如潜在需求等情况，将导致商业机会的流失或者不当的业务动作。越来越多的软件厂商开始研发实时数据捕获技术，结合Oracle
Golden Gate技术，Oracle已经能为我们提供实时的数据仓库和商务智能分析系统。
商务智能掌控后ERP 时代 BI市场前景看好
2010-04-06 16:23:47
作者：张宇 来源：电脑商情在线
| 商业智能市场三个最新的发展趋势 |
| 2007-08-29 11:58 作者:焦有章 |
|
趋势二：从战略型的BI到操作型或者实时型的BI
目前，企业日益要求减少从发现问题到采取行动的反应延迟，这大大推动了BI分析应用的发展。根据决策专家的观点，这种反应的延迟有三个组成部分。数据准备的延迟(获取要分析的数据的时间)，分析延迟(通过分析得到结果的时间)，决策延迟(理解分析结果并且采取行动的时间)。对于操作性的BI是非常有意义的，这三种延迟几乎可以减少到忽略不计。
为了减少数据准备的延迟，我们看到大家采用EII技术开发了越来越多的虚拟BI组件，包括虚拟操作数据存储(ODS)和数据集市。如果你的操作型数据非常规范(仅需要很少的数据集成和清洗)，虚拟的操作数据存储(ODS)或者自由的数据集市是缩短数据延迟的较好的解决方案。但是，这必须对操作型的业务系统的事件进行监控。
为了减少分析的延迟，我们看到操作型分析引擎中的企业活动监控(BAM)或者操作仪表盘，它们能及时的让业务人员看到分析结果，并且超出阈值时发出报警。关键绩效指标(KPI),每隔几个小时或者更频繁的发送给业务人员，整理当前的操作型结果并且在企业门户以仪表盘的形势展现出来，给业务人员深入分析关键事件的机会。
分析和展现操作型数据是非常有意义的，但是商业智能中不是所有数据都要包括。许多IT实施者不能明确在操作型BI应用中包括哪些数据。他们觉得应该包含尽可能多的数据，强迫所有数据都是实时的。这样就会出现一个无边界的难管理的BI项目。
我们应该非常仔细的评估实时分析的数据。完全理解业务需求，才能找出海量数据中真正需要的那一小部分。更多的分析可以每隔几个小时、几天或者几个月做一次，这取决于决策的需要。
趋势三：更成熟的数据分析和展现技术
起初，BI只有简单的报表和查询，然后有了多维分析。目前多维立方体和星型模型仍然非常流行。现在有了更复杂的方向，那就是使用数据挖掘进行深入分析，支持自定义查询的统计方法和技术，不规则的查询。或许这是商业智能的自然演化。当然，业务专家比起十年前越来越成熟，甚至不是业务高手也要执行复杂的分析，因此促进商业智能日益普及。这些技术提升了预测分析和决策能力，并且可以嵌入到操作流程中。目前有些公司能够实施操作型或者实时BI，给于前台人员访问分析结果的能力，他们的日常业务都可以与数据的分析相结合。
我们必须肯定BI的能力。我们应该采取企业级的BI架构和技术，否则一定会遇到混乱。操作型的BI也需要彻底的理解业务流程以及变化，离开了这些需求，BI实施就不可能深入到最有价值的地方。
在商业智能市场还有一些其他的发展趋势，但是这三个趋势是影响最大的。我们在半年后再次重新审视BI发展，看看是否还有其他的发展趋势引起我们的注意，或者改变仍然年轻的快速发展的BI产业。
没有评论:
发表评论