目前，许多汽车制造企业已实施了企业资源计划、客户关系管理、供应链管理以及电子商务等应用系统，逐步形成自己的基础数据库。本文研究如何利用商务智能技术对企业原有基础数据进行整合、针对营销主题进行重新构建，为企业管理层提供多维业务数据分析，并通过大规模的数据挖掘技术为营销决策过程提供信息支持。
1 引 言
日前发布的我国汽车行业信息化报告显示，我国汽车行业未来信息化投资将持续上升。2006年我国汽车行业IT投资额达到35．65亿元，同比增长 17．2％。其中，供应链管理(SCM)系统和企业资源管理(ERP)系统仍是信息化投资的重点。据预测，2008年汽车业信息化投资增长幅度将会加大，rr投资重点逐步向商务智能(BI)系统转移。
汽车制造与营销企业经过多年的信息化建设，信息系统已有海量的生产经营数据，但尚未进行充分利用，所以汽车业信息化建设的下一个重点，是进行决策支持功能的建设，这需要IT系统提供更多的辅助决策支持功能，逐步从综合业务处理阶段走向商务智能阶段，为汽车制造企业由生产经营型向经营决策型转变提供技术支撑。
2 汽车营销管理中实施商务智能的必要性
在汽车营销管理中实施BI，是汽车企业发展和竞争的需要。传统的基于ERP的汽车营销管理理论更多地着眼于销售成交结果，是一种“结果管理”模式，这种模式只适合“总结过去”，而无法“预知未来”。在汽车市场竞争日益激烈的今天，如何提高企业的营销能力，迅速有效地满足客户的需求，选择合适的营销模式，准确地预测市场趋势成为中国汽车企业提高核心竞争力，占领市场的关键。基于BI的汽车营销管理是着眼于成交之前的过程，向产品销售状况要结果，向销售人员个人能力特征要结果。向客户类别分析要结果，并根据销售过程中产生的数据，使销售管理与决策开始建立在客观、准确的数据分析之上，而不是过去的经验之上，因此，是一种“过程管理”模式。
另一方面，伴随着全球信息化的深入，越来越多的汽车制造企业实施了企业资源计划(ERP)、客户关系管理(CRM)、供应链管理(SCM)、企业信息门户 (EIF)、电子商务(EC)等应用系统，已逐步形成自己的基础数据库。充分利用商务智能(BI)技术对这些基础数据进行整合、针对营销主题进行重新构建，为企业管理层提供多维业务数据分析，并通过大规模的数据挖掘技术为营销决策过程提供信息支持，已成为汽车营销管理的发展趋势。
3 商务智能技术研究现状与趋势
全球各大软件厂商在充分认识到企业对商务智能的迫切需求，纷纷加入到从事商务智能的研究与开发上来，如BusinessObjects(简称B0)、 NCR、CA、Cognos、SAS等，他们在中国设立分公司、办事处，与代理商合作进行市场开发，厂商之间的竞争也非常激烈，重组并购、市场份额变动频繁。如法国的BO在2003年收购加拿大Crystal Decisions(一家专业致力于报表的软件公司)，全球市场占有率遥遥领先，是目前最大的BI厂商。加拿大的Cognos成立时间最早(1969 年)，专注于BI解决方案，其名下有Powerphy、ImPromP tu、ReportNet等一系列BI产品。SAS早在BI产品备受关注之前，其SAS分析软件就被各行业广泛用作统计分析工具，国内众多金融机构与电信运营商均是其用户，宝钢是其最典型的传统企业用户。
国内的软件厂商也纷纷推出BI产品，如清华同方ezBI、明基逐鹿公司的An2alyzer BI、上海博科的“财务智能仓库”等，也有些厂商在原有的管理软件产品中集成部分BI的功能，如用友、金蝶等公司的产品集成了部分多维分析的功能，使得 ERP系统具有较灵活的报表功能。
国外BI产品常由于价格高、非中文界面、需要二次开发、管理模式与习惯不同等原因很难被国内普通用户所接受。而且终端服务也远没有本土BI软件厂商做得到位。与国外BI相比，国内BI还处于初级阶段，在系统二次开发、系统功能设计和客户认知度上都有较大差距。还有，多数国内的BI软件大多是用统计方法。虽然做到了数据信息的集中处理，但大都只停留在数据展现层面，而没有深入挖掘信息背后的规律。企业管理者获得的只是数据，不能把握企业整体的经营状况，更不能得出科学有效的决策指引。最主要的一点，这些产品多数针对金融、电信、商业零售等信息化起步早的行业，而面向制造行业，尤其是汽车行业的BI尚处于理论研究阶段，仅少数较成熟的技术，如数据仓库、关联规则发现、分类算法等用于实际产品中，像北京福思维AutoCRM面向客户管理，博科BI-FIW面向财务管理，金蝶——汽车行业解决方案等仍以信息管理系统(ERP)为主，提供较少的决策支持功能。国产的汽车营销管理系统需要切实提升商务智能软件的整合增值能力，突出价值的开发。
因此，利用数据仓库(DW)、联机分析处理(OLAP)、数据挖掘(DM)与计算智能(CI)、电子商务(EC)等先进技术，研究面向汽车营销决策的商业模型和数据模型。开发符合中国汽车制造业信息化国情，适应汽车营销模式现状，具备汽车制造企业营销决策过程中数据处理、市场需求分析，客户管理和物流配送等功能，且方便使用、成本低廉的BI软件产品，不仅能够降低企业运营成本、提高工作效率，而且对汽车制造行业的发展将起重要作用。
4 体系结构设计
面向汽车营销的BI系统可设计为4个层次，如图1所示。源数据层作为系统的数据来源，包含了企业已有的ERP、CRM、SCM、EC等系统中的数据。以及分析过程中需要的第三方数据，这些数据源本身可能是异构的和分布的。数据仓库层存储了分析所需的数据信息，可以从源数据层获取数据，建立面向主题的数据仓库(DW)和数据集市(DM)，数据仓库管理器可以方便地使数据库管理员访问多个数据源、创建数据仓库的提取和转换过程、对过程进行检验、对提取和查询进行分析和调整，以及过程的自动化和监控等。功能模块层包含提供决策过程中所需要的策略和算法的技术实现层，以及提供了营销过程中需要用到的业务逻辑层。元知识库包含了用户以往挖掘出来用于决策支持的知识，以及国家政策法规、营销人员的经验数据、同行业和关联企业的信息等等。可为用户提供快速的查询。应用层以图形用户接口(GUI)提供用户与系统交互，用户在这部分提出具体的分析需求，系统根据用户的需求选择算法模型和数据，并将分析的结果以丰富直观的图形、图表和报表等形式展示给用户。
5 商务智能技术在汽车营销决策中的应用
商务智能(BI)的概念最早由Gartner Group于1996年提出，是以数据仓库为基础，通过联机分析处理和数据挖掘技术帮助企业领导者针对市场变化的环境，做出快速、准确的决策。将BI技术应用于汽车营销决策之中，用以解决客户响应、客户保持、价格定位、市场预测等实际问题，以提高决策效率，降低汽车营销成本。目前的技术研究主要是支持汽车营销决策的数据集市和数据仓库的构建，联机分析处理(OLAP)，决策树、神经网络、分类、聚类等数据挖掘算法的研究，以及围绕业务逻辑的应用研究等几个方面。
5.1 数据仓库设计
企业决策者关心的是企业的市场发展、客户分布和市场预测等信息，而不是那些具体的琐碎的数据。因此，数据仓库的设计需要根据需求确定主题，然后采用不同主题的数据仓库来储存不同用途的分析型数据。以面向汽车销售主题的数据仓库为例，可以采用最简单的星型模型设计，用于分析车辆销售情况并预测销售趋势。为说明问题，该星型模式只包含一个销售事实表sales（time-code，ear-code，custom-code，branch- code，saler-code，…），车辆维表car（car-code，prod-name，brand，type，prod- time，color，driver，…），客户维表customer（customer-code，cust- name，gender，age，salary，career，interesting，…）等多个维表。星形模型的优点是建模方便，易于理解，并能有效支持用户从多个维度对数据进行分析。
5.2 OLAP设计
建立在数据仓库基础上的联机分析处理(OLAP)是在多维数据结构上进行数据分析的，算是一种浅层次上的知识发现。一般从多维数据取出(切片、切块)二维或三维数据进行分析，或对层次的维进行钻取操作。可以结合汽车数据特点，采用混合OLAP(HOLAP)模式，将综合数据嵌人多维存储放在前端的OIAP 服务器中，后端的细节数据采用关系存储。采用XML技术开发数据格式文件，OLAP依据这些格式将数据仓库中的相关数据进行整合并存储在内存中。
例如，从汽车销售多维数据集中查询2007年长春市黑色奥迪车的销售额，可以采用多维查询语句(MDX)进行查询，并将数据以图形方式(条状图、曲线图、块状图和饼图)展现出来，还可以选择打印、PDF或EXCEL不同输出方式。
5.3 数据挖掘研究
数据挖掘从人工智能机器学习中发展起来，研究各种方法和技术，从海量数据中挖掘出有用的信息和知识。最常用的数据挖掘方法是统计分析方法、神经网络方法、归纳学习、遗传算法等。
数据挖掘通常和数据仓库结合起来，帮助决策用户挖掘数据中隐含的规律性。例如，在汽车营销中，可以用聚类方法分析出偏爱中高档型轿车的客户特征；用神经网络方法分析出哪些商业事务处理可能有欺诈性；用决策树分类方法进行客户利润贡献分析以找出高价值客户的共同点；用关联规则预测客户购买意向以发现哪些特征的客户将在近期买车。
5.4 应用研究
BI技术在汽车营销决策中的应用研究主要包括企业战略分析和运营管理两方面。战略分析方面包括市场分析和预测、企业的投资决策、企业预警与风险管理、预算和资源配置、绩效评估等。其中市场分析和预测是汽车营销企业决策的重要依据和手段，例如，对汽车销量趋势的预测可以决定生产量和库存；对挖掘出的客户喜爱车型性能分析，能够引导汽车产品潮流；还可以挖掘出购买力趋势、价格因素影响等知识。
运营管理方面包括客户分析、财务分析、生产分析、经销商分析、服务分析、库存与物流规划、渠道设计、业务流程优化等。其中最重要的是客户分析，因为客户是企业发展的重要资源之一，汽车企业的经营也逐步从“以产品为中心”向“以客户为中心”的模式转变。汽车客户分析的研究包括客户细分、客户行为分析、交叉营销、满意度分析、客户响应与保持、客户信誉评价等。例如可以采用先聚类后分类(即利用聚类结果作为分类目标)算法实现客户细分，即根据客户的不同特征对客户群体进行划分，结果可用于汽车行业售前和售后的个性化服务；又如采用基于约束策略的聚类方法或决策树方法分析客户的购买行为，挖掘出的规则“if salary＝3000－5000 and age＝31－40 and gender＝male then buy＝true”，表示“工资在3000到5000元，年龄31至40岁的男性一年内有购车意愿”，就可以针对这些客户特征，采取相应营销策略，提高销售成功率；从WEB日志中挖掘客户的频繁访问路径，对个性化的电子商务中的客户浏览模式和购买模式研究，实现在线信息推荐、商品推荐，从而提高从访问者到购买者的转化率。
6 结 论
汽车制造业是我国的支柱产业，特别是加入WTO后，作为全球第二大汽车市场，面对国际知名汽车制造厂商进入的竞争压力，汽车行业的竞争将变得异常激烈，如何正确、及时地对瞬息万变的市场情况和企业经营情况做出正确的营销决策是摆在所有汽车制造企业管理层面前的一个重要课题。我们对20余家汽车营销企业的营销现状进行了深入的调研，发现如何在最短的时间内取得客户需求的信息，准确地分析客户的需求，预测市场走向，减少库存量，降低营销成本，成为汽车制造企业生存发展的关键之一。针对汽车行业构造智能商务模型，整合企业各复杂、零散业务系统及应用数据，研究智能挖掘算法，开发面向营销的智能商务系统，实现汽车企业的科学决策和管理，将是我国汽车企业信息化发展的必经之路。
