信息管理与信息系统专业课程群案例使用说明

（1）教学目的和用途

①适用课程

本手册适用于商务智能、统计学、数据分析与预测等课程的教学。

②读者对象

本手册面向的读者对象为商务智能、统计学、数据分析与预测等相关课程的授课老师及学生。

③教学目标

理解和掌握企业数字化建设流程，培养学生将业务问题转化为数据问题的能力。

学习如何建立数据仓库的步骤，并理解数据仓库对于数据化建设的意义。

了解基于企业数据进行自主可视化分析，直观展现多维数据，并从中发现规律或问题。

理解价值链流程，以及如何运用数据分析实现对于价值链流程的研究和监控，辅助企业决策。

理解企业销售预测的方法，并能够运用多种数据统计方法进行销售预测。

（2）启发思考题

本案例思考题，从企业数据化建设流程出发，以订单环节为主要研究对象，通过如何进行数据整合，到基础数据的可视化展现，再到深层次主题分析，进行方差分析和回归预测分析。具体题目如下。

企业数据化建设流程怎样？

如何从多个维度来展现企业业绩（订单）情况？

为形成足够订单储备后续力量，从形成订单的前序环节，研究如何获取更多的线索？

从订单本环节，研究哪些因素影响企业订单金额多寡？

（3）案例思考与分析

从案例背景知道，随着德昂公司逐步发展，业务数据从最初的单一财务数据，转变为集销售、技术服务、财务等多类别数据；业务系统从单一的ERP（Enterprise Resource Planning，企业资源计划）系统来源转变为集ERP、CRM（Customer Relationship Management，客户关系管理）、OA（Office Automation，办公自动化）等多个业务系统，为了从繁杂的多业务系统中整合数据，弥补业务数据、技术数据和财务数据断层，打通价值链管理，合理并有效进行销售预测，及时匹配相应资源，把控信用风险，为公司相关决策提供依据，德昂公司开始踏入BI数字化系统建设进程中。

在不同建设阶段中，有着不同的任务，具体每阶段分析思路如表5−5−5所示。

表5−5−5　各阶段参考分析思路

（4）背景信息

①基础理论

a.商务智能

从信息技术的角度理解，BI是一种满足企业决策需要的解决方案，即从来自不同的企业运作系统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，然后经过抽取、转换和装载，再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、数据挖掘工具等对其进行分析和处理，最后将知识呈现给管理者，为管理者的决策过程提供支持。从管理科学的角度理解，BI是指对商业信息的搜集、管理和分析的过程，目的是使企业的各级决策者获得知识、提升洞察力，促使他们做出对企业更有利的决策。

b.商务智能关键技术

数据仓库（DW，Data Warehouse）被定义为一个面向主题的（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，用于支持管理决策和信息的全局共享。数据仓库的星形模式、雪花模式描述了数据仓库面向主题逻辑实现的构建方法。

ETL：Extract−Transform−Load的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL的目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据。 ETL是BI项目中的重要环节。通常情况下，在BI项目中，ETL会花掉整个项目至少1/3的时间。ETL设计的好坏直接关系到BI项目的成败。

数据可视化：旨在借力图形化手段，来清晰、有效地传达信息。数据可视化为了达到以上目的，需要数据同时满足分析决策需要和展现形式上的要求，通过直观地传达关键数据与特征，实现对于相当稀疏而又复杂的数据集的深入洞察。

数据挖掘：是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取能够辅助商业决策的关键性数据。

c.商务智能的技术实现路径及架构

技术实现路径为：数据获取、建模与平台化展现。企业级的BI系统的层次架构包括：数据层、技术层、分析层、展示层、决策层这5个层次，如图5−5−4所示。

图5−5−4　企业BI模型

数据层：确保从企业的ERP系统、客户关系管理系统（Customer Relationship Management，CRM）、供应链管理系统（Supply Chain Management，SCM）等系统收集到真实的、有效的数据。

技术层：BI系统通过ETL（Extract−Transform−Load，实现数据抽取、交互转换、加载的数据仓库技术）将数据层的原始数据集成到数据仓库中，针对不同部门的异构数据进行整合，以待进一步的分析处理。

分析层：系统需建立良好的模型库、知识库、方法库，从数据仓库中分析和挖掘出有价值的信息，转化为用户能理解的知识，充分展现企业级数据的智能分析功能。

展示层：企业可通过查询报表，制定关键绩效指标，进行绩效管理等工作。

决策层：用户运用系统提供分析结果，将战略决策用于指导具体的行动，体现了BI的价值。

d.BI的实施流程（如图5−5−5所示）

图5−5−5　BI的实施流程

e.CRISP−DM数据建模理论

CRISP−DM是Cross Industry Standard Process for Data Mining（跨行业数据挖掘标准流程）的缩写，它将整个数据挖掘过程分解为业务理解、数据理解、数据准备、建立模型、模型评估、结果部署6个步骤（如图5−5−6所示）。该方法论认为，数据挖掘过程是循环往复的探索过程。

业务理解：数据分析的本质是服务于业务需求，如果没有业务理解，缺乏业务指导，会致分析无法落地。需要判断分析需求是否可以转换为数据分析项目，因为某些需求是不能有效转换为数据分析项目的，比如不符合商业逻辑、数据不足、数据治理极差等。

数据理解：抽取的数据必须能够正确反应业务需求，否则分析结论会对业务造成误导。原始数据中存在数据缺失和脏数据，如果不处理会导致模型失效，因此必须对数据过滤，从而提取出有效数据。

图5−5−6　CRISP−DM数据分析标准流程

数据准备：运用统计方法对数据进行探索，发现数据的内部规律。为了达到模型的输入数据要求，需要对数据进行转换，包括生成衍生变量、一致化、标准化等。

建立模型：综合考虑业务需求经度、数据情况、花费成本等因素，选择最合适的模型。在实践中对于一个分析目的，往往运用多个模型，然后通过后续的模型评估，进行优化、调整，以寻求最合适的模型。

模型评估：对模型的精度、准确性、效率和通用性进行评估。评估是否有遗漏的业务，模型结果是否回答了当初的业务问题，需要结合业务专家进行评估。

结果部署：将模型应用于业务实践，才能实现数据分析的真正价值，产生商业价值和解决业务问题。对模型应用效果及时跟踪和反馈，以便后期的模型调整和优化。

②启发思考题分析

a.企业数据化建设流程怎样？

【理论依据】

参见“基础理论”中关于“商务智能的技术实现路径及架构”和“BI的实施流程”。

b.如何从多个维度来展现企业业绩（订单）情况？

【理论依据】数据仓库、维度和指标

维度是事物或现象的某种特征，如事业部、区域、销售人员、客户、产品、时间等都是维度。维度可以分为定性维度跟定量维度，也就是根据数据类型来划分，数据类型为字符型（文本型）数据的，就是定性维度，如事业部、区域、客户等都是定性维度；数据类型为数值型数据的，就为定量维度，如应收账款账龄等，一般我们对定量维度需要做数值分组处理，比如将账龄分为1个月以下、1～3个月、3个月以上等。

指标则是用于衡量事物发展程度的单位或方法，一般为数值型，指标需要经过求和、平均等汇总计算方式得到。

通过多个维度对指标进行拆分并进行展示，构成基本的多维分析。在多维分析中，如果想要了解事物发展好坏，就需要在不同维度间进行比较，该比较方法可分为横向比较和纵向比较。纵向比较主要是从时间维度上进行比较，通常包括同比（和去年同期比较）和环比（和上个月比较）。横向比较则是其他不同维度的不同元素的同一指标进行比较。故通常进行基本可视化分析展现，即交叉综合运用横向和纵向比较来进行展现。对于本案例维度整理如表5−5−6所示，指标整理如表5−5−7所示。(www.xing528.com)

表5−5−6　维度整理举例

表5−5−7　指标整理

【启发思考题分析】

对企业业绩（订单）情况展现主要就是借助多维分析角度，先运用纵向比较方法来查看各个月份订单和上年比较是否有进步，如有所进步则无须过多关注，可以抽出时间转移到其他问题中；若发现问题则可以运用横向比较法，细查哪些维度有问题。德昂公司通过横向比较发现本年基本和上年持平，故需要运用横向比较方法，在管理者比较关注的三个重要维度上，包括区域、销售人员、客户等层面来查看订单情况，探索哪些销售人员、哪些客户有所进步或有所退步，可以通过图形让管理者比较直观查看各维度下订单的表现，如图5−5−7所示，“员工99”需要持续关注，还需要后续了解其预计后几个月的签单情况，是否有所进步，而在大客户角度，则需要关注“客户82”，对于该老客户今年是否有什么优惠促销政策，可否提升该客户成单率。

图5−5−7　销售业绩分析

c.为形成足够订单储备后续力量，从形成订单的前序环节，研究如何获取更多的线索？

基于价值链原理，为形成足够订单储备后续力量，从形成订单的前序环节，研究如何获取更多的线索，不同获取途径的质量是否有显著差别。

【理论依据】

价值链：这一概念首先由迈克尔·波特（Michael E.Porter）于1985年提出。在企业创造价值过程中，把该过程逐步分解为一系列互不相同但又相互关联的经济活动，每一项经营业务就是这一价值链条上的一个环节，其总和最终构成企业“价值链”。价值链有狭义和广义之分，广义的价值链包括上下游关联的企业与企业之间，企业内部之间，即在一条产业链上的一系列活动构成的总体系统；而狭义的价值链则仅限于企业内部各业务单元之间的联系。无论是广义还是狭义，价值链上的每一项价值活动都会对企业最终能够实现多大的价值造成影响。故在研究价值链中某一环节，不只需要研究本活动的情况，还需要研究前序和后续活动对其产生的影响。对于一个以销售产品和提供服务为主营业务的企业来说，需要及时梳理销售业务的逻辑链条，从而可以从链条尾端出发，递推至链条起始，从而发现链条中哪一环节存在问题。

线索来源：线索作为真正的销售机会，将提供大量的真假不一的信息源，也是公司在客户群产生商机的基础，在价值链中处于重要地位。有了销售线索，就有了销售机会，才会有成交机会。没有足够多、高质量的销售线索，企业很难长期生存下去。获取销售线索包括两种途径，一种是入向营销，即客户通过各种媒介（例如官网、微信公众号、新闻、视频、百度推广等传播媒介）主动搜索并联系到企业；另一种是外向营销，即企业以主动方式去拓展客户，比如老客户开发、电话或邮件营销等。无论是运用哪一种方式，都需要评估该方式的效率和效果。效率主要考察数量，即获取到的线索是否有显著差异；而效果则关注质量，即各线索来源在转化订单中是否存在显著差异，是否存在某一订单转化率高。

【启发思考题分析】

德昂公司通过梳理其业务逻辑，包括“客户挖掘—形成线索—转化商机—提供报价—合同审核—合同签订—合同履行（产品发货或项目实施）—验收开票—确认收入—追踪回款—售后服务”，故线索作为形成订单的首要环节，需要着重研究产生该环节的效率和效果。

德昂公司获取线索的渠道包括来电、邮件营销、朋友介绍、合作伙伴、网络推广、老客户介绍这几种。效率是评估各种途径获取数量，主要考察获取的线索数在不同渠道是否有显著差异。经过业务和技术部门共同探讨，选用了两种方法，一是采用数据可视化，用饼图和不同时间及其他维度筛选来展示观察各线索来源线索数分布，二是运用数据统计工具SPSS，用参数检验，对分类变量线索来源进行分析。通过两种不同方法的互相验证后，市场经理、销售经理可以发现现有渠道在获取线索数量方面是否有明显差异，可查看这几种渠道在质量上面是否有差异。

关于线索产生效果研究，则关注质量，即各线索来源在转化订单中是否存在显著差异，是否存在某一订单转化率高。经过商讨，该部分也用两个方法进行互相的检验，一是采用数据可视化，用条形图直观展示各个线索来源转化情况；二是数据统计工具SPSS，利用单因素方差分析，探究每一单线索金额是否与线索来源有关，单因素方差分析是用来研究一个控制变量的不同水平是否对观测变量产生了显著影响。

d.从订单本环节，研究哪些因素影响企业订单金额多寡？

【理论依据】

回归分析：确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照自变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。回归分析不仅可以分析数据，更可以用来预测一些数据的发展情况，从而应用非常广泛。在实际工作中，一般先进行相关分析，计算相关系数，然后建立回归模型，最后用回归模型进行推算或预测。

线性回归分析的步骤如下。

根据预测目标，确定自变量和因变量。围绕业务问题，明晰预测目标，从经验、常识、以往历史数据研究等角度，初步确定自变量和因变量。

绘制散点图，确定回归模型类型。通过绘制散点图的方式，从图形化的角度初步判断自变量和因变量之间是否具有线性相关关系，同时进行相关分析，根据相关系数判断自变量与因变量之间的相关程度和方向，从而确定回归模型的类型。

估计模型参数，建立回归模型。采用最小二乘法进行模型参数的估计，建立回归模型。

对回归模型进行检验。回归模型可能不是一次即可达到预期的，通过对整个模型及各个参数的统计显著性检验，逐步优化和最终确立回归模型。

利用回归模型进行预测。模型通过检验后，应用到新的数据中，进行因变量目标值的预测。

【启发思考题分析】

在研究有哪些因素影响企业订单多寡过程中，第一步需要由业务人员主导，确定哪几个可能影响因素。前面已经研究了前序环节影响，故该部分则关注订单本环节的影响。而在订单环节中，销售人员起到了主导作用，故通过研究销售人员的行为特征来查看对于订单的影响，而行为特征主要和性别、年龄、受教育水平等有关，故最终业务部门确定由销售人员性别、年龄、受教育水平出发，来研究这三个因素对于订单的影响。

（5）关键要点

①关键分析点

本案例的关键分析点包括以下方面：根据企业的数据化流程，分析企业数据化管理的过程；根据企业订单的实际情况进行数据的多维分析；根据企业线索来源分析企业的运营效率和效果。

②关键知识点

本案例的关键知识点包括以下方面：商务智能；数据仓库；ETL；数据可视化；数据挖掘；商务智能的技术实现路径及架构；商务智能的技术实现路径及架构；CRISP−DM数据建模理论；维度；指标；价值链；回归分析。

③能力培养点

本案例的能力培养包括以下方面：培养发现问题和识别问题的能力；培养业务分析理解能力；培养数据仓库模型构建能力；培养数据统计分析能力。

（6）建议课堂计划

本案例包含案例学习和实验操作两部分。

①案例学习

案例学习建议时间为2～4课时，根据具体课程内容进行。

主要内容：了解案例背景故事，理解企业数据化管理的意义；理解本案例附带数据结构，发放案例相关资料供学生预习（至少在实验课前2周或以上），为实验操作部分做准备。

②实验操作

实验操作部分建议为2～8课时，根据具体课程内容进行。

请学生尽可能独立完成全部实验操作内容。需要提前两周或以上，将实验设计说明发放给学生预习，包括对实验环境的熟悉，实验相关软件的自我学习。

本实验需要的环境配置要求如下。

Windows x64平台的PC一台，内存要求8G或以上。

安装有MicroStrategy10或以上版本。

安装有Java 7.0或以上运行环境。

安装有Kettle 6.x工具包（也可请同学使用本实验文件包中的文件自行安装）。

安装有MySQL 5.x数据库（也可请同学使用本实验文件包中的文件自行安装）。

安装有Excel 2007或以上版本。

安装有PowerDesigner 16.x版本工具包。

安装有SPSS 25版本（推荐）。

文件分发：

包含实验所需的所有数据文件、安装包、部分实验步骤的参考示例的电子文件，可于实验前发放给同学提前熟悉和准备。