跟踪货品的背后

  在IT技术领域中，射频识别（RFID）技术正受到众多厂商的追捧。它为每一件货品提供单独的识别身份，然后透过无线数据传输让计算机网络随时掌握各式各样货品的去向：不论是超市里的袋装咖喱粉，还是制造商库房里的洗发水。看起来它只是免去了商家跟踪货品时的人工干预，但这一结果是通过数十亿货品传回的实时数据实现的。除了便于对货品的管理，这些数据还意味着什么？

  有这样一个例子，生产汽车的菲亚特公司以前一直从两个不同的供应商手中购买车轮上的凸形螺帽，并把购买、运输、存放这两种螺帽的数据分别放在两个数据库中。 但是到后来，当他们把两个数据库结合在一起并检查和分析数据之后，发现其中一种螺帽的整体购买成本比另一个多0.1美元。按年产100万量车来计算，每个螺帽0.1美元的差价加起来至少有几十万美元。是否其它的零件也有这种现象呢？数据存在的意义不在于规模庞大，而在于深入分析之后能够发现规律。零售巨头们正在从顾客购买商品中发现一定的关系，在适当的时候针对某一些顾客提供打折购物券，从而提高销售额；保险公司通过对索赔数据的分析，可以辨别出可能的欺诈行为，避免风险，提高利润；电信运营商也在设计用户支付模型，以便制定针对不同层次用户的、最有竞争力，同时能带来大量利润的价格策略……这样的趋势随处可见。让我们看看成功者。100多年前，福特汽车公司的创始人萌发了“将美国人置于车轮之上”的梦想，这就显露出了他们满足客户需求的信念。现在，福特汽车公司从数据仓库公司（Teradata）的数据仓库中抽取数据，再用赛仕公司（SAS）软件平台上的报表、趋势分析、客户分群、客户评分以及客户生命周期分析等功能，来为顾客关系管理以及市场营销活动管理提供支持。以福特公司计分程序为例，它从家庭角度对顾客进行了分析，并预测数据库中每个家庭的得分, 接着将这个信息传送回数据仓库。这使得福特公司的市场营销小组能够容易地获取最新的顾客得分,这样他们就可以运用这些信息去管理市场营销活动以及呼叫中心。

    不难理解除了终端和网络厂商在推广RFID技术，IBM、微软、甲骨文等软件巨头也开始争夺此项技术背后的数据处理软件生意。而像BO（Business Objects）、SAS等更为推崇数据分析的商业智能厂商，则一直站在游说各类企业去“从数据中探寻宝藏”的第一阵线。

    分析的时代

    要分析数据，先要收集数据，再存放数据—这就是人们所熟知的数据库。在20世纪80年代，各家公司开始启用了基本的数据库结构。步入90年代，这些公司希望让自己的商业程序处理自动化。尽管众多的公司在使用软件或销售自动化系统时取得了成效，有了产生数据的源头，但他们却很少采用有效的方式来利用这些收集到的信息，以致数据库像是一个蹩脚的“地下储藏室”一样难见天日。企业怎样才能像对待自己的产品一样对待数据呢？设想一个满是货架的房间，货架上按一定次序放满了各种信息去等待用户提取。“按一定次序”这一点很关键，因为这是一个很好的习惯，至少便于管理。对传统数据库中的数据进行再加工，形成一个综合的、可以用于分析的环境，被称为数据仓库(Data Warehousing，简称DW)。

    数据仓库的主要优点就是可以将不同的数据整合在一个中央存储环境中，并提供给用户必须的OLAP（Online Analytical Processing，联机分析处理）工具来检索相关的数据。在此之上就是数据分析——人们借助这些工具从海量的数据中挖掘出可能有潜在价值的信息，或者支持决策为企业带来利益，或者为科学研究寻找突破口。数据仓库、OLAP和数据挖掘共同构成了商业智能的基本架构。用“智能”来形容这一类软件和平台，意味着它们需要“思维”。尽管与人类的思维难以划上等号，从形式和它们要达到的目标来看，商业智能也是在“想”和“算”。整个过程涉及到一系列的数学和统计学的方法，人们也期待融入更多“机器学习”的技术，让软件或者平台为使用者带来更有价值的信息，以更加“人性”的思维模式来支持决策。从这个角度看，此领域与人工智能颇有联系，例如二者均利用到了神经网络技术（严格的说，神经网络是人工智能的一个分支）。在“智能”方向上，二者均需要更多的技术突破才能在“思维”上有所进展。除了在分析这一层面的技术发展空间，数据挖掘、商业智能也面临着其它的挑战。人类管理数据的活动已经很多年了，不论是国家档案馆中的文档，还是楼下包子铺的记账薄，这些信息的规模与今天相比只是“牛毛”。现今资料流通量之巨大已到了令人咂舌的地步，一方面几乎所有可以想到的信息都被记录了下来，不论是各类业主每月的用电量，还是每个家庭的电话拨打记录。而且数据量每年还在大量地增长，像RFID技术就是一个新形成的海量数据制造源头。另一方面，数据存储的成本也直线下降。实际情况可能是，对于一些“巨无霸”的海量数据，人们也许只能对搜集到的资料中的5%至10%进行分析。所需要分析的数据量越来越大，相关厂商都在寻找各自的解决方案，例如采用“分布式运算”，将一个连续任务切分成多个部分。SAS中国区总经理戴江鸿介绍，SAS日前推出的SAS 9商业智能软件家族，就在多个环节具备“多执行序列”的功能，使其速度更快、效率更高。与商业智能相关的公司，从基础架构到工具应用，都在这方面有新的应用。

    抓住数据的机会BO公司首席执行官兼董事主席Bernard Liautaud认为，目前商业智能的数据分析正处于“初级阶段”，更多的企业是在尝试的过程中发现自己的需要。福特公司分析信息技术协调员Jim Ader对商业智能的体会是，“建立预测模型是最为重要的”。在福特汽车公司，营销专业人员每年都在超过200 次的市场活动中使用预测模型，以找到合适的目标客户,这其中包括以提高福特林肯等汽车销售量为目标的市场活动。这些模型通过检查上百万客户的记录来为每次的营销战选择最好的目标家庭。找到现有数据以外的东西，正是分析的价值所在。其实这在人类的思维过程中很平常，只是我们并没有去刻意的体会自己思考的过程。比如我们可以从一件事的发生很自然地联系到另一件事情，但对于不同事件的关联性，商业智能则要在事件发生的概率符合一定的统计意义时才能做出判断。

    以客户购买习惯的数据为例，一个开设储蓄账户的客户很可能同时进行债券交易和股票交易，购买纸尿裤的男顾客经常同时购买啤酒。利用这种知识可以采取积极的营销策略，扩展客户购买产品的范围，从而吸引更多的客户。通过调整商品的布局，便于顾客买到经常同时购买的商品，或者通过降低一种商品的价格来促进另一种商品的销售等。但是这些举措还是别让顾客发现为好，否则顾客会有隐私被窃取的感觉。隐私问题在如今的信息社会越来越严重，但事实上，大多数商业数据的价值恰恰由大量有关个人及个人购买行为的信息构成。这不难理解RFID标签反对者的思路：因为基于RFID技术的电子标签有可能通过零售商的数据库把服装上的数据和购买者的信用卡信息联系起来，然后再参照信用卡公司的数据库，就可以得到消费者购买习惯的详细信息。这一切都将在不知不觉中进行。不过，道德领域的问题从来不是新技术公司的首要考虑。如果利益足够大，不到社会舆论的压力快“爆炸”的临界点，它们是不会妥协的，它们更多的是积极地为自己辩护。

    不论如何，数据分析已经吸引了越来越多的使用者和投资者。除了企业自己购买软件来实现数据分析，也有的企业会把整个数据采集和分析任务外包给专业公司来做。也并非所有的企业都开始重视数据分析，特别是那些资金不够雄厚的小企业。因此，尽管商业智能厂商正在积极游说这些小企业，但他们的客户还是集中在金融、电信等行业。非专业的商业智能公司也在觊觎这块肥肉，例如微软公司即将推出的SQL 2005 和Visual Studio 2005产品，它们包含的新功能将允许软件开发商们把商务智能特征加入到他们的应用程序中去，而SQL服务器所提供的商业智能模块恰好是针对那些而非高端的用户群。