BI系统

BI系统（精选12篇）

BI系统 篇1

0 引言

随着科学信息技术的不断发展, 世界经济一体化的趋势日益明显, 在这种潮流的影响下, 世界工业体系内部的联系也开始不断紧密, 为了在竞争日益激烈的竞争中获得优势脱颖而出, 决策上的先见之明是必要的, 只有这样才能保证自己占领竞争中的高低。但是在大数据时代背景下信息爆炸式的增长为企业决策的相关信息集成和分析带来了很大的困难, 而商业智能BI系统的出现就为此问题的解决带来了新的曙光。它可以实时准确、方便快捷地对铸造企业的生产经营数据做出分析, 能够实现铸造企业内部各部门之间的信息整合利用, 改变了传统企业信息管理中各部门之间的独立状态, 为企业的信息查询节省了很多时间, 也成为了现代企业判断的重要标准。

1 BI系统相关概述

1.1 BI系统的涵义

所谓的BI (Business Intelligence) 系统就是指商务智能系统, 它是一套完整的企业生产解决方案, 主要应用于企业生产过程中的数据集成和分析, 为企业生产管理的决策提供必要的依据。BI系统运行的关键是在不同子系统中抽取、转换和装载拥有的数据信息, 这就是所谓的ETL (Extraction、Transformation、Load) 过程, 其主要是帮助企业合并、建立一个企业级的数据仓库, 实现对此的全局视图, 之后企业会综合利用数据挖掘、联机分析处理、数据仓库等技术实现对企业数据的知识化处理, 从而为决策者的决策过程提供必要的数据支持, 这就是BI系统的主要工作原理。

1.2 BI系统的建设特点

首先, BI系统的建设受相关人员的影响很大, 主要是体现在建设周期和质量方面。在BI系统的建设过程中高层管理人员起着决定性的影响, 其在此过程中主要是起到统筹规划的作用, 除此外, 相关的技术人员和业务用户也会对此产生较大影响。其次, BI系统的技术支持架构是一个完整的体系, 特定层次的划分是BI系统表达的主要手段, 以此来看, 分层体系架构是BI系统建立的基础。第三, BI系统建设的经验有着较高的重复利用价值, 通过对BI系统利用企业的需求进行分析和总结, 可以在BI系统建设成果的基础上为企业提供个性化的解决方案, 以使BI系统更好地契合企业的自身的管理理念, 从而提高总结出的BI系统模板的利用价值。第四, BI系统的建设和运维需要大量且源源不断的数据的支持, 数据信息就像BI系统的血液, 只有保障了它的大量持续供给才能维持BI系统正常有序运行。第五, 在上述功能特点的支持下BI系统实现了为企业的分析和决策提供了一个全局性的信息视图, 及时有效地为企业集成、转化各种有用的信息, 提高了企业信息查询的效率, 实现了数据信息在企业内部的畅通共享, 从而为现代企业科学管理的实现有着积极的意义。

2 BI系统在铸造企业中的应用研究

2.1 BI系统应用于铸造企业的价值

在经济全球化和大数据时代背景下铸造企业要想获得良好的发展, 实现不断的壮大, 就必须将强对相关信息的收集和分析, 而BI系统就可以成为它的主要工具。首先, BI系统在铸造企业中的应用可以使管理人员及时了解市场需求和企业自身的运营状况, 并以此调整和制定相关的生产计划, 为企业的相关领导的决策提供科学的依据, 从而实现铸造企业内部资源的优化配置, 提高企业的营运和竞争能力。其次, BI系统在铸造企业中的运用, 可以为相关业务人员从繁重的信息分析和制表工作中解放出来做出贡献, 从而提高企业的业务量和业务工作效率。在这个过程中企业提高了相关的管理水平, 提高了生产效率, 节省了生产成本。

2.2 BI系统应用于铸造企业的系统功能框架和解决方案分析

BI系统应用于铸造企业, 其功能模块主要可分为生产控制、费用、供应链条、销售和总账等, 如将这些大的模块进行细分, 则其中的生产控制模块又可以细分为预算和成本控制;预算、财务费、制造费、管理费和销售费则是费用模块主要包含的细分费用;销售模块又可以被细分为销售成本预算、出库发表、回款和财务结算等;验算、采购、领料、库存等式供应链模块中可进行的细分;在总账模块里, 预算、财务指标、损益、应收应付、现金流和资产负债状况等式其主要的细分模块。

在此基础上我们可以通过BI系统的建立, 实现各个模块之间的数据信息数据集成, 为铸造企业的生产提供一个良好的解决方案, 在多层级、多维度的体系架构的基础上, 通过ETL (Extraction、Transformation、Load) 、数据挖掘、联机分析处理、数据仓库等技术的支持实现对企业有用信息的知识化处理, 及时准确的为公司的管理人员提供一个全局性的信息视图, 以支持他们生产管理中的相关决策, 实现企业的良好发展。其解决方案示意图如图1所示。

结合这个BI系统解决方案的示意图以及它的系统功能架构中可以看出, 对BI系统在铸造业中的应用实施可以做出如下的说明, 这个系统实现了铸造企业以市场商业需求为出发, 运用BI系统系统对这种需求信息进行了智能型深化分析, 在横向的综合主体分析中, 实现了对业务的纵向决策支持。在这类纵向的决策中主要包括高层决策支持、部门级决策支持和业务层运行的支持, 这三者的决策实现都可以利用解决方案中KPI管理、浏览器、仪表板、报表订阅、超级分析器等。

2.3 BI系统在铸造企业的应用

共享集团通过引进实施, 建立了生产、财务、人力资源、设备、质量、营销、绿色制造、创新等BI系统。企业通过生产BI实现订单、生产、工序、工作中心工时能力及生产KPI实时监控;通过设备BI实现所有现场设备信息的数据采集、存储, 与其它应用系统进行双向数据通讯, 实时动态监控现场设备的运行状况, 实现远程诊断设备故障, 提高维修效率;通过质量BI实现各个产品过程、结果质量参数等项目实时监控;通过绿色铸造BI实现对能源的统一调度、生产保障、优化平衡、节能减排、提高能源生产和利用效率;通过财务BI实现收入、成本、利润、资产、费用、往来、资金等实时掌控。通过人力资源BI解决了数据缺失、失真、时效性等问题, 实时掌握公司人才结构及人力资源现状, 监控员工变动趋势及时做出异常响应, 有效解决数据统计、分析、预测难题。

目前BI系统应用于共享集团各子公司及各部门的日常工作监控和经营分析决策中。以人力资源BI为例, 若以社平工资核算, BI的应用每年可为集团公司节约大概8.8万, 其中, 日常业务方面, 节约1500个工作小时, 约4.1万元人工成本;经营分析决策方面, 节约1747个工作小时, 约4.7万人工成本。而生产、设备等方面的BI对集团公司的直接经济效益则远远高于这个数, 因此, BI系统的应用不仅为企业的管理与决策提供了科学的数据支撑, 更是直接提升了工作效率, 降低了管理及人力成本。

3 结语

BI系统在铸造企业中的应用实现了生产、销售和财务数据等各方面数据的集成, 在很大程度上减小了相关信息处理人员的工作量, 缩短了企业内部人员的信息查询时间, 提高了相关人员的决策效率, 进而促进了整个铸造企业的高效运营和科学发展, 为相关铸造企业在新时期时代的发展提供了更强的竞争力。

参考文献

[1]陆朝珍.BI系统在企业管理中的应用[J].计算机光盘软件与应用, 2014 (19) :100-102.

[2]王小玲.BI系统从规划、实施到持续改进[J].信息系统工程, 2013 (8) :86-88.

[3]刘广堂.商业智能BI系统在企业中的应用[J].能源技术与管理, 2009 (3) :146-148.

BI系统 篇2

日前，全球首个Window／Linux双系统病毒现身网络，并被命名为“Bi病毒(Parasite.Bi)”，据反病毒专家介绍，该病毒可同时感染两种操作系统下的可执行文件，

目前，电脑操作系统分几大类，包括微软Window系统和公开源文件的Linux系统。据常理，病毒往往只感染一个系统文件，不会对另一个操作系统产生危害。而此次现身的“Bi病毒”，通过感染可执行文件传播，病毒运行后将搜寻当前目录下全部可执行文件，并试图感染和传播。尽管目前该病毒为实验性病毒，破坏能力有限，但编写者已在网上公布了它的源代码。通过对源代码的研究， 可能编写出危害性更强的跨平台病毒。

商业智能 BI 篇3

商业智能由Business intelligence翻译而来，简称BI，是用信息技术收集、管理和分析结构化和非结构化的商务数据和信息，创造并累积商务知识和见解，改善商务决策水平。从信息系统的角度来看，它包括如下的工具集合：用户查询和报表工具、OLAP工具、数据挖掘工具、数据仓库、ETL工具、元数据管理工具。

畅享网评论

1．市场过去两年BI全球市场经历了多次大型并购。领先的ERP厂商通过并购或者研发，促进了BI技术的整合，他们基于ERP、供应链等软件拓展商业智能市场，向客户提供整合的解决方案。独立的BI全线产品供应商逐渐减少，幸存的多为提供BI部分产品和功能的专业性BI厂商，这些厂商需要明确自身特色技术和客户定位，才能持续生存和发展下去。

2．产品在企业现有的应用系统中，如财务、人力、销售等系统中嵌入BI组件，使普遍意义上的事务处理系统具有BI特性，而不把BI作为单独功能独立出来，ERP、CRM厂商会将BI功能和模块嵌入到原有的ERP~CRM系统中。

SOA架构独有的特点充分满足企业在BI解决方案上高效、可靠、灵活的需求，可以协助企业挖掘出BI部署的价值。越来越多的BI厂商开始考虑用SOA来简化集成BI。

3．应用总体来说，BI在中国的应用水平还处于初级阶段：供应商和开发实施商提供的解决方案总体来说成熟度不够；用户对BI技术及应用规律的认识水平较低；大多企业BI应用限于报表层面，深层的、智能型的应用很少。但总体上BI与业务的结合越来越深入。

运营商BI系统走向精细化 篇4

亚信联创市场咨询部解决方案咨询部经理 彭怀湘

亚信联创业务运营咨询部经理 冀振明

爱立信中国及东北亚区运营与业务支撑系统总监 林鹏

近年来, 运营商在BI领域的进展有目共睹, 一些电信运营商开始在用户的账单上精准营销, 通过整合客户数据, 利用数据挖掘技术, 在每月消费账单中内置营销服务, 从而开辟了全新的营销渠道。那么, 对于BI未来规划和近期目标, 企业专家又有哪些见解?

驱动BI价值走上台前

《通信世界周刊》:在采访中, 有运营商人士对于BI理解并不深刻, 认为其建设投入与实际带来的经济效益不成正比, 您如何看待这一问题?

彭怀湘:我认为这是一个误区, 错误地将BI系统归为了生产系统, 就如同运营商后台系统的计费系统、BSS系统一样。对于BI的实际价值, 举一个例子说明, 比如我们要开一家杂货店需要选择地段, 我们去考察分析决定开在某街道, 开张后果然生意很好。我们看到是这家店的盈利能力, 而不是当初那个点子。BI则像那个点子, 无法直接评估其经济效益。

BI作为分析决策支撑系统, 它对于运营商的作用虽然不如其他生产系统那样直接, 但却也是在潜移默化地影响着整个后台的系统决策和运作, 同时让生产流程系统更加智能化。

林鹏:目前的系统宏观分析有余, 微观分析不足;事后分析有余, 事先预测不足;静态分析有余, 动态挖掘不足;战略分析有余, 战术支撑不足;客户服务团队不能得到信息化端到端的有效支撑。

这种情况直接产生了两个后果:企业高层的决策产出多少效益, 有多少直接来源于BI系统难以度量。这使得系统成为企业高层经营分析的工具, 对基层营销实践指导不足。

举个例子来说, 某运营商A因为新型的智能手机广受大量高端用户的青睐, 因此A运营商针对B运营商的高价值客户进行了不同策略的吸引, 但似乎在B运营商的BI系统并没有事先预测到VIP客户潜在的流失, 甚至在事中事后也没有任何客户挽留行动。

以客户接触点为基准

《通信世界周刊》:运营商希望通过BI系统不断实现深度营销, 但这是一个贯穿多系统的复杂项目, 您认为现阶段亟需解决哪些问题?

冀振明:BI系统的深度营销离不开包括电子渠道系统、CRM系统的支撑, 我也认为, 最关键的是, 真正实现以客户接触点为基点, 全面打通业务系统流程。毕竟处在客户的角度, 他们并不关心运营商的后台究竟有多少系统在运转, 只希望能够解决切身问题。

因此, 我们需要以每一个客户接触点为基准, 通过BI算出客户消费模型, 与CRM产品库的产品做匹配, 与电子商务网站信息联动, 统一底层数据接口, 实现整个业务流程的精细化运营。

更值得注意的是, 由于运营商部门设置庞大且复杂, 这也使得市场营销活动成为一个多部门跨域合作的项目, 因此如何缩短市场营销部门和技术支撑部门的响应时间, 强化前后台之间的沟通交流, 也将成为BI能否真正体现价值的关键所在。

各级BI系统区别定位

《通信世界周刊》:据了解, 一些省级运营商的BI系统仅限于本地网存在, 请问这与运营商集团层面的BI统一规划是否存在冲突, 集团和省公司的BI系统在功能上是如何区分的?

彭怀湘:不会造成影响, 因为集团层面和省公司的BI系统在业务范畴、关注层面都用明显的定位差别, 两套系统间应该是互补关系。

集团层面BI系统主要负责管理和监控, 各省B系统主要负责市场和经营, 而地市公司则借用省公司的数据仓库, 远程访问省公司的BI系统, 实现市场经营分析活动;同时省公司也将自身BI系统数据定期上传集团公司, 以便集团对各省业务数据进行指标考核。

林鹏:全国集中的BI系统着眼的是面向全国的大事。而各地的BI系统, 着眼研究各地的特殊问题。我们不能指望用一个数据挖掘的建模就能满足全国各地的要求。各地的情况千差万别, 应分享经验、分别建模、独立分析。

重视数据整合和质量提升

《通信世界周刊》:BI系统在运营商方面已经建立了完备的演进脉络, 请问现阶段运营商的投入和建设重点在哪里, 将着重解决实际应用中的哪些难点问题?

冀振明:BI系统建设是一个不断完善的过程, 运营商会针对BI系统的不同阶段制定不同的业务目标, 以中国移动为例, 在2011年, 其经分系统将着重精细化迈进, 细分客户群, 深度运营渠道。

由于运营商每天都在生成数以百万计的数据信息, 后台系统又由于种种历史原因导致整体架构并不统一, 存在严重的数据割裂现象, 这些无疑将加剧运营商BI系统建设难度。作为BI系统的基础, 解决数据一致性问题也将成为运营商一项长期工作。厂商一方面要重点关注在如何实现数据整合和质量提升等方面;另一方面, 灵活构建切实满足业务人员营销与服务的BI应用。

反复实践造就BI成功 篇5

计划部署BI的公司应在项目阶段初期就按照商业战略来给BI作出明确定义。否则的话，BI实施就漫无目标，从而“事倍功半”。另外值得提醒的是，大部分情况下，BI的绩效需要在反复多次后才能充分体现。

在将企业战略与BI目标捆绑到一起后，下一步你要澄清一些关键问题，例如数据是否正确?技能是否足够启动商业信息?企业文化是否数据友好?营销代表是否信任BI所提供的建议?或许他们对BI或数据为导向的建议根本就不置可否。

其次，公司应按照BI的铺展建立一套指引流程与行为的标准，

如某个新客户群体对某种新产品有需求，企业是否能及时提供?或者公司是否能重新设计一些流程来满足客户对更快速、更方便的客户支持的要求?如果BI所输出的信息无法被有效转化为企业行为，那么BI活动很可能以失败告终。

BI部署的复杂性不言而喻，各种牵涉到数据可用性、技能储备、员工行为、商业流程和企业战略的因素都要兼顾到。其中任何一样出现漏洞，都会成为BI部署的路障。

最后，建议计划实施BI的企业先要让自己明确以下几个问题：

战略：公司目标是什么?真的需要BI么?要解决哪些现有问题?BI在其中将起到何种作用?

技能：是否具备解决这些问题的技能?技术硬件基础环境是否到位?

数据：哪些数据对公司有用?这些数据是否已有储备?

文化：用户是否愿意主动使用BI所生成的信息?

流程：现有流程是否要做变更?实施BI会不会增添额外的流程?BI是否会让用户主动改变自己的工作实践?

SaaS BI 市场悄然启动 篇6

如今,SaaS应用已经从早期的CRM、人力资源等逐渐渗透到越来越广泛的领域,BI也不例外。在一批初创公司的带动下,SaaS BI开始为人们所了解和关注,而随着越来越多传统BI厂商的加入,整个SaaS BI市场逐渐热闹起来。由于SaaS BI能快速地给用户交付一套标准的分析工具包,同时无需用户自己花时间、资源来开发一套BI系统,给用户提供了非常大的灵活性,因而受到用户欢迎。

来自一些市场研究机构的调查显示,随着云计算的持续升温,SaaS BI可能会成为2010年BI市场的一大亮点,未来将成为各大BI厂商竞争的焦点。最新的消息是,SAP于2月25日刚刚发布了自己的SaaS BI解决方案,即SAP BusinessObjects BI OnDemand。IDC最新发布的一份研究报告也说,尽管与传统的套装BI软件相比,现在SaaS BI所占市场份额相对较小,但今年的增长率可能相当惊人,预计会以BI市场平均增长率3倍以上的速度增长,2010到2013年的年复合增长率将达到22.4%。有人甚至预言,“云”中的BI可能会成为SaaS领域的下一个杀手级应用。

为何选择SaaS BI

SaaS BI的典型应用模式是用户先把数据上载给服务提供商(通常提供商对数据格式有一定要求,比如要求采用标准的XML格式),由服务提供商使用合适的数据模型对数据进行处理,最后生成一个Web界面,借此用户的分析师可以进行查询等操作,或者生成各种标准的报表或者仪表盘。

目前,不同的SaaS BI服务在具体的功能上可能有一些区别,比如有些SaaS BI支持随机查询,这些查询可以来自企业防火墙以内也可以来自防火墙以外; 有些SaaS BI则支持其他SaaS应用(如Salesforce.com的应用),利用BI的计算结果; 而有些SaaS BI厂商还提供更为专业的服务,例如数据集成、ETL(数据的抽取、转换和上载)以及数据转换等,以帮助企业完成自己做不了的工作。

让用户从传统BI转向SaaS BI的原因很多。由于SaaS BI无需前期投资、而且部署容易,因此可以很容易地让那些以前很少受到关注的员工(比如前台工作的员工)也可以用上BI工具。同时,SaaS应用的普及(如CRM)也让越来越多的公司开始习惯这种模式,这在一定程度上也推动了SaaS BI的普及。

“公司放在云中的应用系统越多,它们越可能接受SaaS BI,而不太可能自己来部署或者运营BI应用。”Forrester的分析师Boris Evelson认为。

而且,SaaS BI并非仅仅适用于小公司,对于某些类型的大公司它同样适用。比如,一些零售企业主要经营活动都在假期完成,这样的公司可以自己部署数据仓库或者数据集市以满足平时的需求,而遇到节假日则可以向SaaS BI服务提供商寻求帮助。

当然,对于那些部署套装软件不太多,无需太多整合工作的企业,要转向SaaS BI应用可能更容易一些。而那些拥有很多套装应用和数据模型异常复杂的公司,在选择SaaS BI应用时就需要格外谨慎,因为为应用BI需要进行大量的数据清洗和准备工作,SaaS模式带来的时间和成本节约很难兑现。根据Forrester的研究,一个典型的BI项目中,数据的准备可能要占用80%的预算。

“等你把数据都准备好了,数据模型也规范好了,你也许就会想事情都到这一步了,还不如建立自己的BI系统。” Evelson说。

仍需不断完善

“不过,从总体上说,SaaS BI还只能是传统BI的一个补充,对于很多公司特别是大型公司而言,要完全替代传统BI还要假以时日。”Evelson表示,作为一种新的形式,不管是相关的市场还是商业模式都还处于不断演进之中。

目前,真正部署SaaS BI的企业还不够多。根据Gartner最新发布的研究报告,已经采用SaaS BI的企业不到10%。一方面是企业接受SaaS BI有个过程,另一方面是产品还需要优化。比如,现在市场上的SaaS BI提供的功能通常局限于有限的几种模板,采用的是多租户的架构,这使得SaaS BI具有很明显的经济效益而且很容易部署,而随之而来的问题是,很难像企业自己开发的BI应用一样满足那些比较复杂的需求,且定制能力也比较差。

“当然,如果这种简单意味着更快速地应对市场的变化,BI系统更高的利用率,牺牲一些定制能力也是值得的。”Evelson说。

目前,人们对这种SaaS BI模式最主要的担心是其安全性、可用性和传送数据时可能会有的带宽瓶颈。尽管供应商们在这些方面采用了很多方法,特别是在安全方面,但是,很难彻底消除人们的这些担心。

如何挑选

如今,市场的SaaS BI供应商还不少,既有传统BI厂商,也有新兴的纯SaaS BI服务提供商,这给用户提供了更大的选择空间。不过,用户在选择供应商时需要根据自己的需求谨慎选择。尤其要留意以下几个方面:

1.供应商所能提供的BI功能种类是否齐全。也许一些公司眼下只需要很简单的报表和仪表盘,但是,随着应用的深入,以后很可能会需要文本分析、随机查询以及个人工作表等功能,因此,应该尽量选择那些功能齐全的服务供应商。

2.未来可能会出现的开销也值得注意。尽管通常SaaS的前期投入很少,但是一些供应商可能会要求客户额外购买授权许可,特别是公司业务有了发展和调整时。在部署BI应用时,还要平衡好部门和整个公司的关系。由于SaaS BI前期投入不大,有些公司的决策权在部门,这很容易导致BI数据孤岛的出现,给以后的数据整合带来很多问题。

3.数据安全。安全问题是阻碍SaaS市场成长的一个重要因素。除了人们天生具有的不愿意把敏感数据存放到别人的电脑上这一点之外,还存在制度和法律方面的问题。例如,一些国家根本就不允许某些类型的数据离境。

BI平台下的运营分析系统研究 篇7

随着经济全球化的发展、信息化时代的来临以及信息存储成本的不断下降, 企业的不同情境信息也在飞速地增长丰富, 比如供应商信息、产品信息、库存状况、客户信息、订单数据、交易信息、时间和环境信息等等。然而, 这些重要的信息资源都分布在ERP/CRM/SCM等业务系统或者平面文件中, 形成了一个个的“信息孤岛”。给信息的整合、挖掘并发现其中的知识带来了挑战[1]。统计表明, 目前大多数的企业对其进一步的整合利用率及其效果都很低, 国内企业数据有效利用率不足7%。因此, 充分挖掘隐藏在企业数据资产中的信息和知识, 可以利用其巨大商业价值提升企业决策的准确性。另外专业的信息化工具不仅能够保证信息知识挖掘的准确性, 还可以及时地把信息和知识体现出来。目前, 商务智能BI (Business Intelligence) 已成为领先企业与传统企业产生差异化的重要因素。

Gartner Group最早于1996年提出了BI的概念[2]。商务智能系统能够帮助企业获得最准确及时的信息, 为企业赢得竞争的优势。它主要是运用OLAP和数据挖掘技术对数据仓库内整理好的多维数据集进行分析和挖掘, 数据仓库里面的数据则是通过ETL工具对分散的信息进行整理、集合后得到的[3]。

根据Gartner最新发布的报告显示, BI市场正在以每年9%的速度增长, 预计到2014年市场价值将高达810亿美元, 2020年将增长至1 360亿美元。Gartner认为, BI市场已经进入爆发期。

从国际范围来讲, BI市场的竞争格局并不复杂。IBM、甲骨文、SAP与微软作为BI领域四大巨头, 凭借能够提供ERP等信息管理解决方案的综合性优势, 占据了全球BI市场2/3的份额。

(1) IBM的定义 (企业界) :商务智能是一系列在技术支持下简化信息收集、分析的策略集合, 以充分运用企业的数据资产来制定更好的商务决策。企业的决策人员运用各种查询分析工具、联机分析处理或者是数据挖掘技术来从数据仓库提取有利信息, 经过决策人员的行业知识判断, 进而做出快速正确决策帮助企业提高利润, 增加生产力和竞争力。

(2) Osizak认为 (学术界) :商务智能是一系列的概念、方法和流程的集合, 其目标不仅是帮助决策, 而且是支持企业的战略实施。它的主要任务是面向不同信息源的智能浏览、集中、综合及多维分析[8]。

实际上, 商务智能是一个综合的概念, 不同的人从不同的角度, 会得出不同的见解。从技术角度看, 商务智能是以企业中的数据仓库为基础, 经由联机分析处理工具、数据挖掘工具以及决策人员的专业知识, 帮助企业把运营数据转化成为高价值的可以获取的信息 (或者知识) 。因此商务智能不是什么新技术, 它只是数据仓库、联机分析处理和数据挖掘等技术的综合应用[11]。其技术结构体系[12]如图1所示。

1 运营分析系统研究

从管理学的角度来讲, 运营就是对运营过程的计划、组织、实施和控制, 是与产品生产和服务创造密切相关的各项管理工作的总称。从另一个角度来讲, 运营管理也可以指为对生产和提供公司主要的产品和服务的系统进行设计、运行、评价和改进[10]。那么, 运营分析就是运用一定的分析工具和方法对运营过程中产生的数据进行综合研究从而提取里面的信息知识, 以揭示企业运营规律和问题, 从而辅助决策者进行及时正确地决策。

运营分析的基本思想是:在基于企业内外部数据库而形成的数据仓库已经建立的前提下, 通过查询分析、层次分析、联机分析处理、数据挖掘等方法和技术, 对客户的各种销售、客户服务、经营、市场营销等一系列运营分析范畴的数据进行统一的提取和分析, 以便识别出数据内体现出来的市场机会、并依据各方面的环境信息制定可靠的市场策略, 从而改善客户关系、提高企业的市场竞争力[8]。

根据企业的现实业务需求, 企业的运营分析可以归纳成如下六大功能模块:综合经营分析, 销售分析, 人力资源分析, 供应链分析, 内容分析, 统计报表管理[9], 运营分析系统功能模块如图2所示。

运营分析为战略决策层提供的应用价值:1) 实现垂直透视查询, 增强管理透明度, 减少信息不对称, 强化经营者管理责任。2) 能够对资金、存货和下属关键指标进行监控, 大大提高了集团的管控能力, 降低运营风险。3) 能够在一个系统内掌控企业经营的整体信息, 告别信息孤岛, 实现跨业务领域的多维度分析, 优化资源配置。

运营分析为经营决策层提供更好地进行领域内的资源配置, 提高资源使用效率;动态监控和多业务主题的灵活查询使得管理的时效性增强, 可以捕捉更多的市场机会和更快地进行决策, 加快对市场和客户需求的相应;提高运营成本或收入的可预见性, 更好地实现经营目标。

运营分析可构建企业统一、集中的运营分析与决策平台;为企业业务数据的信息化管理配置完整的数据分析模型;为企业业务数据分析创造最大的价值空间。

商务智能是对企业海量信息进行汇总、分类, 挖掘有价值的信息, 是一种将数据转变为信息、将信息转变成知识的工具, 并且这种工具能够在恰当的时候, 通过恰当的方式, 把恰当的信息传递给恰当的人[6]。运营分析是通过处理企业数据流实现商业增值。运营分析的焦点是处理数据流。现在大部分运营分析是与管理财务、需求、供应链交易的企业交易系统结合起来的。在新的分析走向中, 推动者并不是数据流本身, 而是新的硬件和描述数据的新方法。

通过分析运营分析与商务智能之间的关系可以看到, 商务智能可以与运营分析进行整合应用。整合后的运营分析可以以商务智能为技术支撑, 依托于商务智能技术实现业务应用, 将传统的分析方法借助于商务智能平台来实现。商务智能与运营分析的整合可以为企业提供业务分析, 帮助企业迅速制定决策, 提高企业竞争优势[7]。

2 数据仓库的ETL过程

数据ETL是用来实现对异构数据源进行数据集成的过程, 即完成数据的抽取、清洗/转换、加载与索引等数据调和工作。抽取、转换加载过程的目的是为运营分析与决策应用提供一个单一的、权威的数据仓库。因此, 要求ETL过程产生的数据是详细的、历史的、规范化的、可理解的、即时的和质量可控的。

ETL的过程如图3所示。

数据抽取就是从源系统中获取业务数据的过程。数据的抽取需要充分满足商务智能系统的决策分析需要。为了保证不影响系统的性能, 数据抽取时需要考虑很多因素, 包括:抽取方式、抽取时间和抽取周期等内容。一般情况下, 数据清洗的目的就是选择有缺陷的数据, 然后再将它们正确化和规范化, 从而达到用户要求的质量标准。其中数据缺陷可能包括以下几种情况:数值重复、数据缺失、数据错误、数据范围混淆、存在“脏”数据和数据不一致性等几种情况。其中数值重复是指标准不唯一, 很多数据都代表着相同的含义。数据范围混淆是指相同的数值应用到不同的场合中, 代表着不同的含义。数据转换是指对抽取出的源数据根据数据仓库模型的需求, 进行一系列数据转换的过程。数据转换是整个ETL过程中复杂程度最高的过程, 包括对数据不一致性的转换, 业务指标的计算和某些数据的汇总, 为决策分析系统提供数据支持。数据的加载过程就是将已经转换完成的数据, 存放到目标数据库的过程。这是ETL过程的最后一步, 需要保证加载工具必须具有高效的性能去完成数据加载, 同时还需要考虑数据加载的周期和数据加载的策略。数据加载策略包括时间戳的加载方式、全表对比的加载方式、通过读取日志表进行加载的方式、全表删除后再进行加载的方式。

总之, ETL工作是数据仓库建设的一个重要步骤, 它通过对分散的数据进行统一抽取、清洗、转换和加载操作, 数据仓库中的数据才能一致、清洁、全面和面向分析决策。因此, 必须给予ETL充分的重视[14]。

3 零售业奖金分析系统的分析和设计

3.1 项目背景

Janet是法国某化妆品公司的人力资源总监, 公司雇佣了数千位美容顾问, 负责全国1 100余家百货公司的专柜产品销售和护肤彩妆的咨询服务。该行业的流动率很大, Janet除每天忙于招聘和培训新人、协助销售总监和各区区长进行人员调度、处理人员的离职和升迁等事务外, 每个月还要面临计算销售人员提成奖金这一难题。这是一个吃力不讨好的工作, 奖金时间发放太慢、奖金计算错误率高、计算公式考虑点单一等等问题常被总经理责难。而未考虑人员的出勤、年资、柜阶、职务等因素又常被员工指责奖金制度不公。公司已经导入POS系统与人力资源系统, 应该可以协助每个月的提成奖金计算, 但由于这个部分只是涉及业务数据和人资数据等基础数据, Janet只能用Excel来计算奖金数据。此外, 总经理也时常向她索要提成奖金的历史数据, 以便做趋势分析, 但存储在Excel文件中的数据在做趋势分析时, 计算指标及评估人员贡献度又是一大难题。所以, 这个项目需要解决的问题比较多, 我们面临的挑战和规划的对策如表1所示。

3.2 奖金计算逻辑

化妆品销售人员的奖金一共包括六大类:个绩奖金、团绩奖金、支援业绩奖金、护肤奖金、活动奖金、奖金调整。如图4所示。

从图4我们可以初步了解到, 个绩奖金、支援业绩奖金和团绩奖金是业绩提成奖金, 其计算方法是业绩与奖金率的乘积。这三种业绩奖金中, 团绩奖金的计算比较复杂, 涉及到了很多参数。

3.3 数据仓库逻辑模型设计

星型图因其外观似“*”而得名, 它支持从业务决策者的角度定义数据实体, 满足面向主题数据仓库设计的需要, 而信息包图又为星型图的设计提供了完备的概念基础。所以数据仓库系统通常是在信息包图的基础上构建星型图, 进一步完成逻辑模型设计。

同信息包图中的三个对象相对应, 星型图拥有三个逻辑实体, 即维度、指标和类别。

(1) 指标

位于星型图中心的实体是 (度量) 指标实体, 对应信息包图中的分析指标对象, 是用户最关心的基本实体和查询活动的中心, 为用户的业务活动提供定量数据。每个指标代表一个现实事物在某些相关维度情况下的综合水平。

(2) 维度

维度是用来设定指标的情景信息的, 它能够完成对指标实体的过滤, 起到筛选查询、多维分析的作用。维度一般位于星型逻辑模型图的星角上, 对应于信息包图中的维度对象。

我们的维度主要有:组织维度 (专柜、区域) 、柜员维、职位维、时间维 (年、月) 。设计数据仓库的逻辑模型时, 我们设定事实表的最细粒度为专柜、员工、月和职位。

(3) 类别

它对应于信息包图中的类别对象。一个维度内的每个单元就是一个类别, 代表维度内的一个独立层次, 它要求更加详细的信息才能满足用户进行详细数据查询的需要。

比如, 专柜和区域即是组织维度的类别。年和月即是时间维度的类别。另外还有员工和职位类别。

通过以上分析, 我们决定混合运用星型模型和雪花模型架构对数据仓库进行建模。选用Erwin建模工具, 对数据仓库的逻辑模型进行建模。

3.4 数据仓库物理模型设计

数据仓库的物理模型设计就是数据仓库逻辑模型在数据库物理系统中的实现过程。它主要完成把逻辑模型各实体表的具体化的任务, 例如确定表的数据类型、索引策略、数据存放位置和数据存储分配等[15]。星型图中的指标实体和详细类别实体通常转变为具体的物理数据库表, 而维度实体则可能作为查询参考、过滤和聚合数据使用。如图5所示, 为数据仓库的物理模型。

3.5 ETL设计

零售业奖金分析系统的业务源数据是客户已经汇整好的Excel平面文件, 里面包含了员工考勤数据、POS销售记录、例外调整表格、各种奖金参数控制表格等。系统的ETL过程首先只要考虑把指定目录下面的Excel中的数据抽取到ODS库里面, 随后通过数据库存储过程对ODS里面的数据进行清洗转换, 再把处理好的数据加载到数据仓库内。

若输入资料Excel中的数据含有格式错误, 会导致抽取过程失败, 并把详细的错误原因写入Log文件内, 以提示客户修改输入资料后重新进行上传。

技术上, 可用Perl语言编程实现上述ETL过程中的抽取过程。在数据仓库服务器上设定任务计划, 每隔十分钟对服务器上的输入资料待传区进行检测, 若有待传的输入资料则启动Excel解析、然后把Excel里面的数据抽取到ODS库中。最后把抽取结果写入日志区的Log日志内。数据从ODS到数据仓库的清洗和加载可以通过数据库的存储过程来实现。

3.6 奖金计算的实现

数据经ETL过程放入数据仓库后, 需要对这些当前细节数据做一些初步的汇总和计算, 把计算结果写入数据仓库的事实表中。比如要得到事实表中实际业绩的值, 需要对数据仓库当前细节数据中的POS记录按照员工进行汇总, 把汇总值赋给事实表中的实际业绩字段。

事实表中其他指标也是按照这样的方法来处理。下面给出部分代码示例:

经过上述步骤后, 数据仓库中的维表和事实表数据已经得到了填充。接下来我们便可以用Microstrategy工具定义用来进行报表分析的元素-实体和度量。

实体对应于数据仓库维表, 实体的ID和DESC分别取自于对应维表中的ID和名称字段。比如, “专柜”实体的DESC实体形式对应于数据仓库表“DIM_DESK”和“DIM_Area”中的“Desk_Name”字段。当实体和度量都定义好后, 可以创建一个报表。通过简单的拖拉拽操作, 即可快速定义一张数据报表。比如, 我们要获取每月每个专柜每个柜员的应发放奖金的情况, 可以把“月份”、“区”、“专柜”、“员工”、“员工职务”实体和“本柜柜员合计奖金率”、“本柜柜员奖金合计”、“个绩奖金”、“团绩奖金”、“支援业绩奖金”等度量拖入报表, 保存运行报表即可得到“专柜柜员奖金计算汇总表”。如图6所示。

4 分析与决策

至此, 系统已经含有了所有的基本实体和度量。基于这些实体和度量, 可以组合出很多有趣的报表, 利用不同的图表展示方式对报表进行各种数据分析, 我们能够比较方便地发现规律和问题, 从而做出比较明智快速的决策。下面我们结合各种分析方法对专柜奖金分析体现出来的信息进行归纳梳理, 进而形成决策信息。

本分析主题主要呈现全公司、各区、各专柜的业绩、奖金、奖金率在某一年内的月度分布。另外通过年、区、专柜、指标选择、粒度选择等筛选器的互动筛选, 可以深度分析业绩、奖金的分布趋势状况。该模块初始运行界面如图7所示。

通过变换图7中的年份选择器的年份值, 由上部的柱状图的分布状况我们可以发现:全公司的员工奖金合计值在每年的十月、四月、十一月最高 (指标选择为“本柜业绩”时, 全公司的员工业绩贡献值也是一样的状况) 。我们可以得出这样一个结论:每年的十月、四月、十一月是公司重要的三个月份。所以, 每年应该保证对这三个月份的营销资源投入。通过图7知道, 全公司每年十月份业绩都是最好的。那么, 哪些区、哪些专柜、哪些员工又是业绩贡献最好的呢?

首先, 我们点击图7中十月份的柱子, 下面区粒度的表格数据会显示出各区十月份的业绩、奖金数据。我们再点击表格内“本柜柜员奖金合计”度量下面的倒三角形, 以对奖金合计值进行从大到小排序, 结果如图8所示。从排序结果我们可以看到, 重庆、广州、上海业绩贡献最高。

我们把区选择器设定为“重庆”, 粒度选择器选为“柜点”, 再对柜点表格内的奖金合计度量值进行从大到小排序, 结果如图9所示。从图9中可以看出, 业绩贡献最好的是金观音店、大田湾店、解放碑店。

接着, 专柜选择器选定为“金观音店”, 粒度选择器选为“柜员”。再对柜员表格内的奖金合计度量值进行从大到小排序, 结果如图10所示。

通过上述分析, 我们可以得到一个业绩贡献最好的层级链:十月 (月份) ->重庆 (区) ->金观音店 (专柜) ->江孟儒 (员工) 。从公司资源支持角度, 公司可以关注这条层级链;从激励的角度, 公司可以以这条层级链为典型, 鼓励员工为自己和团队挣得荣誉。

5 结语

从业务功能的角度, 论述了商务智能平台的运营分析和决策支持理论。并通过一个零售业奖金分析主题案例, 展示了从需求分析、系统设计、系统实现到分析决策结果展现的整个作业流程。在这其间, 灵活运用了上述商务智能相关的业务和技术理论, 特别是ETL工具的自主开发, 为客户节省了资金也提高了系统的效率。

BI系统 篇8

医院作为一个专业提供医疗服务的特殊组织机构,它对人、事(医疗)、物(设备)、财的管理以及从事的临床科研活动都比其他行业复杂得多,并且在日新月异的环境变化下,医院管理人员依据现有经验往往无法做出及时、正确地判断和决策。仅凭经验式的粗犷化管理,往往产生决策前“拍脑袋”,决策时“拍胸脯”,出了问题“拍屁股”走人的“三拍”决策。随着医院多年的信息化建设,逐步建立了医院信息系统(hospital information system,HIS)、实验室信息系统(laboratory information system,LIS)、医学影像信息系统(picture archiving and communication systems,PACS)、电子病历(electronic medical record,EMR)等管理信息系统(management information system,MIS),但是这些现有的医院管理信息系统都属于联机事务处理[1](on-line transaction processing,OLTP)数据操作型系统,即专门用来处理数据的添加、修改和简单查询,没有数据分析处理功能,无法为医院运营管理决策支持提供实时帮助,主要体现在以下几点:

(1)数据不能共享。数据分散于HIS、LIS、PACS、EMR等系统中,各系统相对独立,分别记录医院某一方面的信息,无法为宏观整体决策提供支持。

(2)数据获取不及时,获取难度大。当医务科、质管办、药剂科等职能科室分析统计医院某方面的数据时须提交需求到信息科,信息科再花费大量时间编写SQL语句准备相关数据。然而职能科室的需求是不断改变的,信息科就得不断重写SQL语句以满足需求。

(3)只有简单的数据报表功能。通过报表可以显示出数据是多少,但缺少分析挖掘功能无法展示出各项数据背后隐含的信息。

1 智能化数据分析处理技术

1.1 数据仓库

数据仓库(data warehouse,DW)是一个结构化的数据集合,与数据库相比,它具有面向主题、集成、相对稳定、反映历史变化的特性[2]。也正是由于数据仓库区别于数据库的以上特性,决定了通过建立数据仓库可以解决引言部分中提到的现阶段医院各种MIS不能共享的问题,为医院提供了一个统一的数据访问口径,使医院基于全院管理视角获取全局数据,而不是基于业务流程构造的各个业务系统分别获取。

1.2 联机分析处理

联机分析处理(on-line transaction processing,OLAP)是面向管理决策人员的一种软件技术,能够对数据进行快速、多角度、交互式地深入分析[3]。当管理人员分析业务数据时,会从不同的角度来审视业务的关键指标。例如医院领导分析平均住院日指标,可能会综合时间周期、科室、医生、患者属性、病种等多种角度来考量。这些分析角度虽然可以通过报表来反映,但每一个分析的角度可以生成一张报表,各个分析角度的不同组合又可以生成大量不同的报表,不仅造成信息科IT人员的巨大工作量,也使决策者面对大量的报表无从下手分析,导致传统的OLTP技术难以跟上管理决策人员思考的步伐,OLAP技术则很好解决了引言提到的数据获取不及时、获取难度大导致的信息滞后问题。

联机分析处理的主要特点,是直接仿照用户的多角度思考模式,预先为用户组建多维的数据模型[4],在这里,“维”指的就是用户的分析角度。以前面提到的平均住院日分析为例,时间周期是一个维度,科室、医生、患者属性、病种也分别是一个维度。一旦多维数据模型建立完成,用户可以快速地从各个分析角度获取数据,也能动态地在各个角度之间切换或者进行多角度综合分析,具有超强的分析灵活性。

1.3 数据挖掘

数据挖掘(data mining,DM)又称数据库中的知识发现,是指从海量数据中发掘出隐含的、先前未知的并有潜在价值信息的非平凡过程[5]。

数据挖掘与联机分析处理不同的是,数据挖掘不是用于验证某个假定模型的正确性,而是在数据中自己发现创造模型。它本质上是一个归纳演绎的过程[6]。比如,一名临床医师想要找到引起恶性肿瘤患者在住院期间院内感染的风险因素。数据挖掘模型可能帮他找到化疗导致的白细胞减少是引起感染的因素,甚至还可能发现一些医师从来没有想过或试过的其他因素,而这些因素很可能就在未曾注意到的患者的其他体征中。通过数据挖掘可以发现隐含的知识,真正实现智能化的医院管理方式。

2 基于商业智能的医院数字化智能管理系统

2.1 系统架构设计

以商业智能(business intelligence,BI)技术为基础,通过数据仓库、联机分析处理和数据挖掘技术提供深入的数据集成、处理、分析功能,建立一套端到端的医院数字化智能管理系统。

图1给出了医院数字化智能管理系统的总体架构设计。最左侧的数据源属于目前医院已有的MIS,存储的是HIS、LIS、PACS、EMR等MIS产生的各种数据,可以是数据库、文本文档或Excel文件,甚至其他类型的数据存储源。右侧整个方框内属于面向决策支持的医院数字化智能管理系统,该系统首先通过ETL将业务系统数据定时增量抽取、转换、清洗、过滤并加载到数据仓库中,然后生成联机分析处理模型和数据挖掘模型,最后用户采用前端展示工具进行OLAP实时查询分析和DM描述预测应用。采用该前端展示工具可以解决引言中提到的OLTP系统只有简单数据报表的问题。

2.2 数据模型设计

采用自顶向下的系统设计方法,按照需求分析、确定分析主题、确定分析度量、确定分析维度和确定事实数据粒度的步骤进行。以控制药品收入比例需求为例,分析某年某月某科室的药品收入比例可作为最基本的分析主题,其数据值药品收入比例就是分析度量,时间、科室是最基本的分析维度,考虑到精细化监控管理的需求,医生、病种、患者、收费类别也可确定为分析维度。确定好维度之后,按照最小粒度原则,以某个患者某次诊疗过程中的药品收入比例确定为事实数据粒度,既保证了数据的正确汇总,又兼顾了产生数据分析结果的效率。

2.3 数据接口实现

由于历史遗留问题,医院各信息管理系统先后采用了SQL Server、Oracle、Access等多种数据库,建立数据库首先要解决的就是如何把相关数据从各种异构数据源中抽取出来。本系统采用微软SQL Server 2005数据库中提供的异构数据集成服务(SQL server integration services,SSIS)功能,开发出一个数据接口组件,该组件可以无缝连接到各种主流数据源。通过在SQL Server 2005中把该组件设置成定时任务,每天自动进行数据的抽取、特定格式的转换以及非正常数据的清洗过滤操作,并采用时间戳法判断各异构数据源中的增量数据[7],实现数据的快速加载。

2.4 业务功能展示

2.4.1 财务分析管理

从科室、时间、医生等多角度、精细化地分析全院的财务收支状况。成本构成分析、成本差异分析可以降低医院成本,优化资源配置;效益投入产出分析可以找出投入产出规律,克服盲目投资,为调整经营管理决策作参考,挖掘发展潜力;本利量分析可以科学化地预测科室的保本工作量和保本收入,计算各个科室的安全边际,分析影响收支结余的各种因素[8];杜邦分析可以宏观上展示医院的运营成果、运营能力、资产结构和偿债能力,挖掘出医院运营成果与运营能力、资产结构、偿债能力之间的内在关系[9]。

2.4.2 绩效考核管理

宏观上从财务收益、客户市场、内部流程和学习成长4个维度进行绩效考核。微观上通过商业智能强大的多维矩阵运算、自由数据钻取等功能,可以从院级、科室级、班组级、甚至深入到人员级实时监控、分析每个指标的完成情况,然后根据每个指标所设置的权重,自动汇总计算考评总分。通过调整优化直接科室、间接科室以及各项指标的权重大小,进而找出最合理的奖酬金分配方式。

上面只是展示了医院运营管理中的部分数据分析决策功能,与传统OLTP系统中简单低效的数据收集、整理、查询和统计功能相比,采用BI技术实现的上述业务功能依托强劲的OLAP分析引擎和强大的数据钻取、监控、统计分析功能,在医院的运营管理决策中有着不可比拟的优势,真正实现从经验式的管理转变成全方位智能化、数字化、科学化的管理[10]。

3 结语

以商业智能技术为基础的决策支持系统在金融、电信等行业已经应用好多年了,由于医院信息化自身的特殊性和复杂性,医院的决策支持应用才刚刚开始,未来有广阔的发展前景。但必须注意到,作为底层的HIS、LIS、PACS、EMR等OLTP系统是构建上层决策支持系统的基础,只有通过标准化、结构化等手段推动促进底层系统数据质量的逐步完善,不断优化联机分析处理和数据挖掘模型,才能建立出实用、高效、准确的医院决策支持系统,实现数字化、智能化的医院运营管理。

摘要：目的:摒除以往纯粹经验式的粗犷化管理弊端,实现数字化、精细化、智能化的医院运营管理。方法:以商业智能技术为基础,借助数据仓库、联机分析处理和数据挖掘等先进数据处理分析技术,构造医院运营管理决策支持信息系统。结果:降低了医院运营成本,提高了绩效水平。结论:做好数字化智能管理,还需进一步完善底层数据质量,优化数据模型。

关键词：医院决策支持系统,商业智能,数据仓库,联机分析处理,数据挖掘

参考文献

[1]王珊,陈红.数据库系统原理教程[M].北京:清华大学出版社,1998:261.

[2]胡瑞娟.OLAP和数据挖掘技术在医院信息系统中的研究和应用[D].长春:长春理工大学,2008:4.

[3]Waxdoll.联机分析处理[EB/OL].(2012-08-08)[2012-08-18].http://baike.baidu.com/view/22068.htm.

[4]赵景林.数据仓库的体系结构与设计策略[J].计算机工程与设计,2001,22(3):54-56.

[5]Shdiao.数据挖掘[EB/OL].(2012-07-12)[2012-08-18].http://baike.baidu.com/view/7893.htm.

[6]钟智,尹云飞.数据挖掘与人工智能技术[J].河南科技大学学报:自然科学版,2004,25(3):44-47.

[7]石景明.基于卫生行业信息系统的数据仓库和数据挖掘设计[D].上海:上海交通大学,2007:37.

[8]王良明,王荣玉.本量利模型在医院经营决策中的应用[J].中国农村卫生事业管理,2006,26(10):38-40.

[9]金玲,梁莺,张群,等.杜邦分析法在医院财务分析中的应用初探[J].中国医院管理,2009,29(9):25-27.

BI系统 篇9

以中国联通集团公司为例,WCDMA制式的3G业务是其手中的王牌,但仅仅依靠IPHONE等产品吸引拉动高端客户是远远不够的,还需要对保有的2G业务客户的消费行为和消费能力进行分析,针对业务需求相似性较高的客户制定倾向性的营销方案和资费政策,逐步引导客户实现从2G向3G的转移。而流失预警的目标是BI系统通过特定的指标关联性算法,分析出具有较大流失概率的客户,对这些客户进行有目的、有区别的挽留工作,尽量减少客户流失带来的损失。在流失预警分析的过程中,可以建立不同侧重点的流失指标关联模式,侧重于高价值客户挽留工作的早期介入和成功率,做到有的放矢,降低挽留服务的成本,减少由于客户流失带来的收入损失。由此可见,无论是客户价值挖掘还是流失预警,都与客户的消费行为指标密切相关,而联通公司BI系统的优势也恰恰在于历史数据的积累和数据维度的全面性,这就为建立一套可灵活配置的客户行为分析模型奠定了坚实的数据基础。

客户价值挖掘的主要侧重点集中在客户资料、收入和业务量三方面:其中客户资料包括套餐及资费类型、入网日期、在网时长等;收入类指标包括月度收入及变化趋势、增值业务和数据业务在总收入中的占收比、欠费金额及帐龄等;业务量指标包括增值业务/数据业务/语音业务的各时段发生量、异网本网业务量比例等。对上述的指标进一步细化或组合衍生,设置不同的阀值和对应关系,可以筛选出新产品的营销对象或产品转移的潜在客户,例如,当某2G客户的数据业务流量经常超出套餐数量且长途或漫游业务业务量较大,则可以通过客服人员主动向客户推荐“携号转品牌”业务,从2G业务转换到3G后付费业务,使用与现有套餐金额接近的B类型套餐或IPHONE/乐PHONE的0元购机活动,客户不仅可以大量节约长途/漫游业务支出,同时还可以体验到WCDMA制式的高速数据传输速度,而免费获得的终端更是提供了绝佳的客户体验。

在移动通信领域,客户流失有三方面的含义:一是指客户从本运营商转网到其它运营商,这是流失分析的重点;二是指客户从本移动运营商的高价值品牌转向低价值品牌,分析这种流失可以为品牌设计的重要参考;三是指客户ARPU(每用户月平均消费量)降低等。与客户价值挖掘所涉及的指标相比,流失预警的相关指标增加了对各项指标变化趋势的统计分析,例如用户各帐期的收入变化、各时段业务量的变化、拨打异网号码的频度等。根据对过去流失客户的各项行为指标进行对照分析,可以为各个指标制定不同的预警阀值,但不同的业务类型和客户类型都会由于各类噪声指标的存在而影响预警精度,因此可以发现,如何在数以千计的统计指标以及浩如烟海的原始数据中筛选出与目标相关性高的指标才是建立客户价值挖掘和流失预警模型的关键。当前,部分运营商已经尝试使用“神经元网络”建模的方式进行客户流失情况的分析及预警。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,由大量的节点(或称“神经元”)相互联接构成,形成一个能够学习,能够总结归纳的系统,也就是说它能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较(例如输入达到各类不同指标的用户数据,以及实际离网用户),它能够推理产生一个可以自动识别的系统。常来说,神经元网络由多层神经元结构组成,每一层神经元拥有输入和输出,每一层由若干个神经元组成,每个神经元有一个称作权重的加权数值,通过反复进行对照学习,可以不断调整不同神经元的权重数据,使得整个系统的预测数据逐渐逼近实际情况,并最终形成一套具备可用性的指标关联性分析体系。

在初步完成流失预警模型并预测出流失预警客户之后,考虑到挽留资源有限的情况,需要配合客户价值模型,采取有效的挽留策略最大限度地挽留那些有流失意向的客户,特别是挽留那些价值高、流失概率高的客户。因此,采用与流失预警类似的方式建模,通过分析用户近三个月的通话指标及消费指标,与当前联通公司的套餐进行特性匹配,为各类不同用户关联契合度最高的产品(套餐)类型。

BI系统 篇10

关键词：腋下淋巴结,乳腺影像报告和数据系统,分级评估

1992年美国放射学会提出的乳腺影像报告和数据系统 (Breast Imaging Reporting and Data System, BI-RADS) , 至今已是第四版[1]。BI-RADS系统提出了乳腺X线诊断的基础[2], 给乳腺X线报告和影像科医师与临床医师间的沟通带来了许多便利, 但作为一个标准, 仍有使用上的局限性, 就其本身而言也有值得继续完善的地方。我院从2008年5月开始依据这个系统报告及评价乳腺X线检查, 根据实际应用及与病理结果对照研究, 对乳腺病变X线评价方面加入新的辅加标准, 在影像科医师与临床医师密切配合下, 共同制订适合自己医院的分级标准, 并将此标准应用于临床实践。

1 材料与方法

1.1 一般资料

2008年5月至2008年11月间在我院门诊乳腺科、妇产科及胸外科就诊的乳腺病患者共326例, 其中女性324例, 男性2例, 年龄最小15岁, 最大68岁, 平均年龄38.6岁。选取乳腺CR片内显示腋下淋巴结影像者78例作为研究对象, 其中女性78例, 年龄最小34岁, 最大68岁, 平均52岁。

1.2 检查设备

使用芬兰产的普兰梅德 (PLANMED) 公司PlanmedSophie Classic乳腺钼靶机, 摄影电压介于25~32k V, 电流为80~120m As, 根据年龄、乳腺厚度及致密程度不同选择1、2、3档位曝光摄影, 滤过线栅材料为MO/RH, KONICA公司的793型干式激光打印机及柯尼卡美能达公司的RP6M100型乳腺专用IP板 (18cm×24cm) , KONICA MINOLTA公司的REGIUS 190型扫描仪及其数据后处理系统。

1.3 方法

1.3.1 在BI-RADS分级系统的应用中, 我院根据实际提出创新, 将腋下淋巴结影像 (形态、密度及大小) 列入BI-RADS分级系统中并制定相应的病灶描述及分级评估标准。腋下淋巴结描述:数量 (单发及多发) 、形状 (圆形、卵圆形、椭圆形、分叶形和不规则形) 、边缘 (清晰、小分叶、模糊、浸润和星芒状改变) 、密度 (高、等、低及含脂肪密度) ;钙化 (结节状、小斑片状及蛋壳状) ;分级评估标准:乳腺内无异常发现, 腋下清晰无淋巴结影或淋巴结影短径<5mm者定为1级;乳腺内良性发现 (包括钙化的纤维腺瘤、多发的分泌性钙化、含脂肪的病变、血管钙化、植入体、有手术史的结构扭曲等) , 腋下见淋巴结影呈肾形且其短径为5~10mm, 正常淋巴结门结构存在, 密度均匀者定为2级。乳腺内良性发现或可能良性发现, 腋下见较大淋巴结, 短径>10mm, 呈肾形或椭圆形, 见正常淋巴结门, 长短径比 (L/S, 也称圆形指数) [3,5]>1.5者定为3级, 建议患者短期随访;乳腺内可能良性发现, 腋下见淋巴结影, 其短径>10mm, 呈圆形或形态不规则, 长短径比 (L/S) ≤1.5, 正常淋巴结门结构消失, 密度增高者定为4级, 建议行腋下淋巴结活检;乳腺内有可疑恶性征象, 并见腋下淋巴结增大, 其短径>10mm, 呈圆形或形态不规则, 长短径比 (L/S) ≤1.5, 正常淋巴结门结构消失, 密度增高者定为5级, 高度怀疑恶性, 临床应采取适当措施 (几乎肯定的恶性) 。

1.3.2 本组病例中乳腺CR片内显示腋下淋巴结影像者78例, 将该组CR片由两组医师按双肓法分别进行BI-RADS分级评估, 试验组医师评估时将腋下淋巴结影像 (形态、密度及大小) 列入BI-RADS分级系统中按上述标准进行分级评估。对照组医师仍按照第四版乳腺影像报告和数据系统 (Breast Imaging Reporting and Data System, BI-RADS) 进行分级评估 (即不将腋下淋巴结影像列入BI–RADS分级系统中) 。将两组分级评估结果分别与手术病理结果进行对照研究。对结果的组间比较采用RXC表2χ检验, P<0.05认为差异有统计学意义。

2 结果

2.1 本组病例乳腺CR片内显示腋下淋巴结影像者78例, 将该组CR片由两组医师按双肓法分别进行BI-RADS分级评估, 结果显示:试验组医师 (将腋下淋巴结影像列入BI-RADS分级评估) 共评出1级:9例, 2级:26例, 3级:16例, 4级:6例, 5级:21例;对照组医师 (按原版BI-RADS分级评估) 共评出1级:36例, 2级:15例, 3级:5例, 4级:5例, 5级:11例, 其中试验组BI-RADS分级为5级的病例中经手术及病理检查证实为恶性 (乳腺癌淋巴结转移) 17例, 占21.8%, 腋下淋巴结无转移型乳腺癌3例, 占3.8%。对照组BI-RADS分级为5级的病例中恶性 (乳腺癌淋巴结转移) 9例, 占11.5%, 腋下淋巴结无转移型乳腺癌2例, 占2.5%。两组结果相对比, BI-RADS分级为5级的评估例数有统计学差异。试验组与对照组BI-RADS分级评估结果见表1。

2.2 本组病例共检出乳腺癌23例, 试验组BI-RADS分级为5级的影像诊断结果与手术病检结果符合率为87%;对照组BI-RADS分级为5级的影像诊断结果与手术病检结果符合率为47.8%。两组间结果经2χ检验, 2χ值为8.04, P<0.01, 两组间结果有统计学差异。

3 讨论

3.1 近年来乳腺癌发病率有上升趋势, 现已成为妇女第1位恶性肿瘤。乳腺X线检查作为乳腺癌的筛检手段、诊断方法已越来越引起重视, 规范乳腺X线报告已非常必要。美国放射学会在20世纪90年代提出的乳腺影像报告和数据系统 (Breast Imaging Reporting and Data System, BI-RADS) , 在规范乳腺X线报告, 帮助临床医师对病变处理作出合理选择, 在不同医疗机构之间的归一研究和乳腺X线检查随访的监测等方面均起着至关重要的作用。我们的应用显示, 基于乳腺癌筛查而产生的这个系统同样也适应于乳腺病变检查人群。

3.2 BI-RADS的“征象描述”将很多乳腺X线征象作了统一, 并将X线诊断和临床处理推荐二者联系起来, X线对病变的最后评价分级分为不完全性和完全性两种, 前者为0级 (需要进一步其他影像方法判断) , 后者根据对病变性质诊断的肯定度不同分为五级, Ⅰ级为X线片上无异常发现;Ⅱ级是对一些可能会造成下一位描述者不必要误解的肯定良性病变的描述;Ⅲ级主要是描述一类高度认为是良性病变, 但需要通过短期的随访 (<1年) 来进一步确认这类病变的稳定性或有蜕变来证实其为良性病变, 一般文献认为其有2%可能是恶性病变[6,7];Ⅳ级病变是指一组缺少肯定乳腺癌的典型征象, 但又不能除外恶性可能, 需临床活检的病变, 这组病变的恶性率为23%~34%, 一般认为30%左右;Ⅴ级指高度提示为乳腺癌, 亟需临床干预的一组病变, 这组病变的癌发生率81%~97%[8~10]。BI-RADS的意义在于统一了影像描写术语, 并给予一个可行、简洁的临床处理推荐, 这无疑在影像科医师与临床医生间架起了一座沟通的桥梁。

3.3 BI-RADS (Breast Imaging Reporting and Data System) 系统至今已发展到第4版 (2003年修订) [4], 其提出的规范描述病变的标准及分级评估标准均是基于乳腺内病灶的描述及评估, 并没有将腋下淋巴结影像 (形态、密度及大小) 列入描述及分级评估标准, 而通过实际应用证实, 腋下出现淋巴结影像的病例并不少见, 本组病例共检出腋下淋巴结影像者78例, 占24%, 经手术及病理检查证实为恶性 (乳腺癌淋巴结转移) 17例, 占21.8%;正常人在影像检查时也可显示腋窝淋巴结, 而隐匿性乳腺癌 (一般将乳腺未触及肿块而已有腋淋巴结转移或其他部位远处转移的乳腺癌称为隐匿性乳腺癌) 的临床首发症状就是腋下淋巴结转移, 因此腋下淋巴结影像 (形态、密度及大小) 对乳腺病变的描述及分级评估有着重要作用。

3.4 本组结果表明:将腋下淋巴结影像 (形态、密度及大小) 列入BI-RADS分级系统中按我院制定的辅加标准进行分级评估, 极大地提高了BI-RADS分级为5级的病例中乳腺癌的检出率及与病理结果对照的符合率, 使病例分级评估结果与手术病理结果更加接近, 从而极大的减少了乳腺癌的误诊及漏诊率, 特别是减少了隐匿性乳腺癌的漏诊。使得BI-RADS分级系统更加完善, 对女性乳腺疾病的影像诊断、筛查、预防保健及干预治疗起到推进作用。

参考文献

[1]Ame rican College of Radiology.Breast imaging reporting and data system (BI-RADS) .4th edition.Reston (VA) 7American College of Radiology, 2003.

[2]顾雅佳, 吴斌, 张帅等.使用乳腺影像报告和数据系统诊断乳腺疾病的体会[J].中华放射学杂志, 2004, (38) :9.

[3]燕山.浅表淋巴结的超声诊断[J].中国超声医学杂志, 2000, 16:230-233.

[4]Mendelson EB, Baum J K, Berg WA, et al.Breast imaging reporting and data system:ultrasound[M].1st ed.Reston:American College of Radiology, 2003, 1–81

[5]王雪, 李建国, 张艳华.乳腺癌腋窝淋巴结转移的超声特征与病理对比分析[J].实用肿瘤学杂志, 2007, 21 (3) :273.

[6]Varas X, Leborgne JH, Leborgne F, et al.Revisiting the mammographic follow2up of BI2RADS category3lesions[J].AJR, 2002, 179:691-695.

[7]Vizcaino I, Gadea L, Sandreo L, et al.Short term follow up results in795nonpalpable probably benign lesions detected at screening mammography[J].Radiology, 2001, 219:475-483.

[8]Liberman L, Abramson AF, Squires FB, et al.The breast imaging reporting and data system:positive predictive value of mammographic features and final assessment categories[J].AJR, 1998, 171:35-40.

[9]Orel SG, Kay N, Reynolds C, et al.BI2RADS categorization as a predictor of malignancy[J].Radilolgy, 1999, 211:845-850.

BI提高利润的8种方式 篇11

对关键业务问题快速反馈

“BI可以快速地为公司提供有价值的数据。”BT Global Services公司的CTO Jason Cook说。

“在访问、分析公司内部数据的基础上，决策者可以迅速做出正确判断。”数据分析公司Connotate的总经理Ryan Mulholland说。

使业务活动与公司战略相一致

“如果某项业务与公司战略相悖，企业就要承担巨额成本。极端情况下，公司某个部门所做的全部工作都可能与公司战略背离。”BI方案咨询顾问公司Northwood Advisors的创始人Myron Weber说，“对公司业务按维度分类，并确立关键特征指标，BI软件能提供可视化的动态考核，使企业行动与预期战略目标相符。”

提高员工的决策能力

BI解决方案提供商Information Builders的首席创新官Rado Kotorov表示，“员工越多地使用数据，公司的收益就越大，BI软件允许员工最大限度地利用信息资源。获取实时、相关的信息后，员工自己就可以发现问题所在，做出数据驱动的、基于可靠信息的决定，提高公司的整体运行效率。”

节约数据操作时间

“配置合理的BI系统可以帮助用户节约数据操作时间。”Harmeda LLC公司的负责人Max Dufour说。该公司向多家世界500 强企业提供BI解决方案咨询。

“在BI软件的帮助下，大部分数据处理工作已自动完成，员工可以快速完成业务报告。数据处理所节省的时间，可以用在报告结果的分析上。”Dufour说。

提供更好的客户洞察力

Cook认为，BI软件跟踪记录客户信息，分析信息背后的客户行为，能帮助企业了解客户消费习惯。此外，应用BI软件，可以区分优质客户，更有针对性地进行客户关系维护，提高利润来源。

考核销售渠道合作伙伴

“BI软件还可以分析公司渠道销售商的相关信息，使公司的销售部门掌握各渠道商的业绩水平，做出合理的营销计划。”Intelligence & Analytics总经理Bill Stark说。

确定成本削减的领域

“BI软件投资回报的重要体现，在于帮助企业决策者找到节约成本的领域。”BI解决方案提供商Arcplan的高级副总裁Dwight deVera说。

“削减过多存货，进而降低库存成本，是BI软件带给公司最立竿见影的改变。” deVera说。有效的BI方案让零售商进行更为高效的库存管理，为决策人员提供物资短缺/超储信息，以制定出入货计划。

“BI软件通过分析产品流程，帮助生产类企业控制成本，使从供应链、分销网络到工厂车间生产的效率最大化。”BI 软件解决方案提供商Cubeware的CEO Wolfgang Seybold说。

提高员工工作效率

“使用BI软件可以监测员工在非工作活动上的网络访问流量及耗时。”商业智能方案提供商GlobalMac IT总经理Tom Lambotte说，“以直接人力成本计算，员工工资为20美元/小时，若他每天花在非工作活动上的时间为1小时，一周下来，将导致公司100美元的损失，而实际造成的损失将会更大。大多数公司对此却鲜有关注。”

BI系统 篇12

关键词：Bi~(3+)-Bi~(2+)-Bi~+-Ti~(3+)共掺,宽带ASE,速率方程,功率传输方程

0 引言

随着科技的发展,人们需要寻找新的荧光材料以满足在激光,光通信,可调谐光源等方面的要求。由于稀土离子在光学材料中的广泛应用,在过去的几年已被广泛关注。人们可以从这些掺稀土元素的光学材料中得到单色光,例如蓝光、红光、绿光,但是很难把这些光合成起来形成频谱较宽的光源。此外,随着互联网的发展,各种各样的数据正在以爆炸式的方式增长,网络带宽的需求也急速增加,例如在20世纪90年代末,美国的主要电信运营商的光纤通信系统的负载能力已经接近极限。因此提高通信系统的带宽已引起科学家们的重视。而波分复用技术就是有效提供较大带宽的一种技术。波分复用技术就是利用波长分割复用器将一系列波长不同、载有信息的光信号合成一束光在光纤中传输,在接收端再利用解复用器将不同波长的信号光分开的技术。光谱平坦且带宽较宽的光源在波分复用技术中有着重要作用。为了提高发射谱的带宽,可以将多种稀土离子共掺。但是截至目前已经商用化的共掺光纤放大器只有Er3+/Yb3+共掺光纤放大器。其它的共掺系统例如Nd3+/Er3+/Tm3+、Er3+/Tm3+、Er3+/Ho3+虽然也被广泛研究,然而由于共掺系统频繁的交叉弛豫现象,以及稀土离子的浓度猝灭现象等限制了共掺放大器的发展。掺Bi元素的荧光材料被广泛研究,根据相关研究报道掺Bi3+的纳米多孔硅酸盐玻璃可以发射超宽带的荧光,覆盖范围从蓝、绿、红、白到近红外的光,包括400nm~700 nm和1200 nm~1600 nm,即蓝、橙、红、白光和通信波段,因此这种材料有望作为可见光光源和通信波段光源。根据文献报道,掺Ti3+的晶体光纤在446nm泵浦光激发下,发射谱在761nm中心波长处有较宽的发射谱,3d B带宽达到180nm。因此可以利用Bi元素和Ti元素共掺来实现覆盖传统的三基色和通信窗口的宽带光源。

本文对Bi3+-Bi2+-Bi+-Ti3+共掺光纤建立了数学模型,在模型中针对各个离子的能级,列出了速率方程以及光传播的功率传输方程。通过对这些方程的求解来分析影响自发辐射放大功率谱的因素。数值结果显示,当用280nm、446nm、800 nm三种泵浦光激发时,可以得到自发辐射谱的宽度高达800nm,覆盖400nm~800nm的传统的三基色和1200nm~1600nm的通信波段。

1 ASE频谱传输模型

1.1 能级

图1所示为Bi3+-Bi2+-Bi+共掺系统在280 nm、800 nm泵浦光激发下的电子跃迁原理图。其中Bi3+的基态能级为1S0,激发态能级为3P0,3P1,3P2和1P1。根据偶极子选择理论,能级跃迁通常会发生在基态1S0和激发态3P1,1P1之间即1S0→3P1,1S0→1P1,分别会在465nm、280nm处形成两个吸收带。当Bi3+在280nm的泵浦光激发下,处于基态1S0能级上的电子吸收能量被激发至1P1能级,电子再经辐射跃迁由1P1能级跃迁到3P1能级,电子继续从能级3P1经辐射跃迁至1S0能级并释放465 nm的光。其中Bi2+的基态能级为2P1/2,激发态能级为2P3/2,2S1/2。由于晶体场的相互作用,2P3/2能级被分裂为2P3/2(1)和2P3/2(2)两个能级。Bi2+中由于存在2P1/2→2S1/2和2P1/2→2P3/2两个能级跃迁过程,分别会在280nm、483nm处形成两个吸收带。当Bi2+在280nm的泵浦光激下处于2P1/2能级的电子吸收能量被激发至2S1/2能级,电子再经辐射跃迁至2P3/2(1)能级,再经过辐射跃迁至基态能级2P1/2上并释放590nm的光。图中Bi+的基态为3P0能级,激发态为3P1,3P2,1D2,1S0能级,在800nm的泵浦光激发下处于3P0能级上的电子吸收能量,跃迁至3P2能级上,电子经辐射跃迁至3P1能级,然后经过辐射跃迁到能级3P0上并释放出1380nm的光。

图2显示了Ti3+的能级原理图,Ti3+的基态能级为2T2,激发态能级为2E。当掺Ti3+的晶体光纤在446nm泵浦光的激发下,处于基态能级2T2上的电子吸收能量被激发至2E能级,电子在2E能级上经过电子陷阱作用然后再经辐射跃迁到2T2能级,并释放761nm的光。

1.2 速率方程

由于处于激发态上的电子的寿命比亚稳态上的电子的寿命小很多,本文假设在稳态情况下,处于激发态上的粒子数可以忽略,因此可以得到表示各个能级上粒子数的速率方程。能级1~8如图1-2所示。

其中,

根据掺杂元素的浓度又可以得到以下关系:

式中,Wijx(y)代表受激吸收或发射截面系数,Aij代表自发辐射系数,N1~N9分别代表相应能级上的粒子数,σipa,σipe分别代表元素在泵浦光处的吸收截面和发射截面,σijase_a,σijase_e,σijsa以及σijse分别代表元素在自发辐射光和信号光处的吸收截面和发射截面且σijase_a=σijsa,σijase_e=σijse。以上式子表示了各个能级的上粒子数。由于速率方程是微分方程,很难精确求解。但是在稳态情况下各个能级已经趋于稳定,能级上的粒子数不再变化,此时微分方程已变为普通的代数方程,再结合式(1)-(3),能够求出各个能级上的粒子数。

1.3 光沿光纤传播的功率方程

泵浦光,信号光,自发辐射光在光纤中的传播方程可用如下式表示:

式中,PP(λ),PP(λ),PP(λ)分别表示在波长λ处的泵浦光、信号光、自发辐射光的功率,τp和τs分别表示泵浦光和辐射光与工作物质横截面的重合因子,αp和αs分别表示泵浦光和辐射光在光纤中的衰减系数,Aeff为光纤的有效面积。各个能级上的粒子数已由速率方程解出,代入以上微分方程组,通过求解微分方程可以求解出光纤末端的输出功率。

2 结果与讨论

本文通过MATLAB编程并利用牛顿迭代法对上述速率方程式(1)-(3)求解,得到稳态情况下每个离子各个能级上的粒子数N1~N8,将得到的解带入到式(4)并利用龙格库塔法(Runge-Kutta)求解微分方程组的方法来计算光纤输出的自发辐射功率谱。最终得到以下结果。

2.1 仿真中用到的光谱参数

图3显示了掺Bi硅酸盐玻璃的受激发射谱,其中线1表示Bi+在800nm激发下的发射谱,线2表示Bi2+在280nm激发下的发射谱,线3为Bi3+在280nm激发下的发射谱。图4表示掺Ti3+晶体光纤在446nm激发下的发射谱。

受激发射截面作为波长λ的函数和自发辐射谱具有一定关系,可以通过下面式子计算出发射截面:

式中,λ表示波长,g(λ)表示自发辐射谱的归一化函数,η表示量子效率,n代表玻璃基质的折射率,τ为辐射寿命。η=1,n=1.53,发射截面中心处的σ可以由下式得到:

式中,λ0表示谱的中心波长,Δv为谱的半高全宽(FWHM)。根据Mc Cumber理论可以得到发射截面与吸收截面之间的关系,如下式表示:

其中,σa(λ),σe(λ)分别代表在波长λ处吸收和发射截面,El,Eu分别代表下能级和上能级的配分函数;k为玻尔兹曼常数;Ezl为零线能量;通过该公式可以从算得的吸收截面或发射截面得出另一个数值。Ezl与离子在介质中最强的吸收峰波长相对应,很容易求出。配分函数比El/Eu可以通过测定在低温时的吸收光谱和发射光谱来确定,为方便计算取近似值1。仿真计算用的参数如表1所示。

2.2 影响ASE谱的因素

图5表示当N(Bi3+)、N(Bi2+)、N(Bi+)、N(Ti3+)之间浓度比不同的情况下的发射谱,其中光纤长度L=6m,掺杂浓度N(Ti3+)=2.5×1024ions/m3,泵浦光功率为250m W。当每种浓度分量变化是时,其自发辐射谱有相应变化。当每种粒子浓度之间的比值为N(Bi3+)∶N(Bi2+)∶N(Bi+):N(Ti3+)=1∶1.5∶1∶1.46,四个峰值的大小基本相等。

如图6所示,分别表示光纤长度L=2、4、6、8m时的ASE谱。此时N(Ti3+)=2.5×102 4ions/m3,N(Bi3+)∶N(Bi2+)∶N(Bi+)∶N(Ti3+)=1∶1.5∶1∶1.46,泵浦光功率为250m W。从图中可以看出,当光纤长度从2m增长到8m时,处于465nm处的自发辐射谱峰值由2.75m W分别变化到5.76m W、6.92m W、3.89m W,处于590nm处的自发辐射谱峰值由2.82m W变化到6.86m W、8.37m W、4.29m W,处于761nm处的自发辐射谱峰值由2.62m W变化到3.14m W、8.83m W、14.19m W,处于1380nm处的自发辐射谱峰值由2.63m W分别变化到3.49m W、8.29m W、5.31m W。从以上数据可以看出发射谱在465nm、590nm、1380nm处的值在一定范围内随着光纤长度增加而增加,但是当光纤长度大于某一值时,功率随着光纤长度增加而减小。发射谱在761nm处的值在光纤长度小于8m的范围内一直随光纤长度增加而增加。因此最佳光纤长度为6m左右。

如图7所示,表示当掺杂浓度不同时的发射谱。掺杂浓度N(Ti3+)分别取1.25×1024ions/m3、1.875×1024ions/m3、2×1024ions/m3、3.125×1024ions/m3,分别计算发射谱如图所示。其中,N(Bi3+):N(Bi2+):N(Bi+):N(Ti3+)=1∶1.5∶1∶1.46光纤长度L=6m,泵浦光功率为250m W。当掺杂浓度从1.25×1024增长到3.125×1024ions/m3,465nm处的自发辐射谱峰值由3.50m W分别变化到10.40m W、6.93m W、2.76m W,处于590nm处的自发辐射谱峰值由3.84m W变化到13.62m W、8.37m W、2.82m W,处于761nm处的自发辐射谱峰值由2.72m W变化到3.60m W、8.83m W、35.28m W,处于1380nm处的自发辐射谱峰的值由2.88m W分别变化到4.68m W、8.30m W、3.37m W。从以上数据可以得到发射谱在465nm、590nm、1380nm处的功率在一定范围内随着粒子浓度增加而增加,但是浓度超过一定值时,功率开始减小。发射谱在761nm处的值的在列举的浓度内一直随着浓度的增加而增加。因此最佳的粒子浓度N(Ti3+)=2.5×1024ions/m3,N(Bi3+):N(Bi2+):N(Bi+):N(Ti3+)=1∶1.5∶1∶1.46。

图8所示为不同功率泵浦光激发下的ASE谱,泵浦光功率为别取150m W、200m W、250m W、300m W。其中光纤长度L=6m,此时N(Ti3+)=2.5×1024ions/m3,其中N(Bi3+):N(Bi2+):N(Bi+):N(Ti3+)=1∶1.5∶1∶1.46。从图中可以得知,当功率从150m W增长到300m W时,处于465nm处的自发辐射谱峰值由3.26m W分别变化到4.33m W、6.90m W、7.32m W,处于590nm处的自发辐射谱峰值由3.47m W变化到4.91m W、8.26m W、8.90m W,处于761nm处的自发辐射谱峰值由8.87m W变化到8.87m W、8.87m W、9.60m W,处于1380nm处的自发辐射谱峰值由4.16m W分别变化到5.70m W、8.30m W、8.61m W。从以上数据可以看出ASE谱功率随着泵浦功率的增加而增加,当泵浦功率大于250m W时,发射谱的功率增加幅度明显减小。

3 结束语

本文对Bi3+-Bi2+-Bi+-Ti3+共掺光纤建立了数学模型,在模型中分析了各个离子的能级,列出了速率方程和功率传输方程。通过对这些方程的数值求解研究了影响自发辐射放大谱的因素。数值结果显示,当用280nm、446nm、800nm三种泵浦光激发时,可以得到自发辐射放大谱的宽度高达800nm,覆盖400nm~800nm的传统三基色和1200nm~1600nm的通信波段。因此Bi3+-Bi2+-Bi+-Ti3+共掺光纤作为光纤光源在光电子器件应用中有广阔前景。

参考文献

[1]Desurvire E.in Erbium-Doped Fiber Amplifiers[M].Principles and Applications Wiley,New York 1994.

[2]Balaji D,Kavirasu K,Durairajan A,et al.Photoluminescenceproperties of novel Sm3+and Dy3+co-activated CsG d(WO4)2phosphors[J].J.AlloysC ompd.2015,637:350-360.

[3]Lakshminarayana G,Yang Hu-cheng,Teng Yu,et al.Spectral analysis of Pr3+,Sm3+and Dy3+doped transparent GeO 2-BaO-TiO 2glass ceramics[J].J.Lumin.2009,129:59-68.

[4]Huang Li-hui,Animesh Jha,Shen Shao-xiong,et al.Broadband emission in Er3+-Tm3+codoped telluritefibre[Z].J.Opt.Soc.Am.2004.

[5]Zhou Bo,Tao Li-li,Jin Wei,et al.Superbroadband NIR Photolumine scence in Nd3+/Tm3+/Er3+Codoped FluorotelluriteG lasses[J].IEEE Photon.Technol.Lett.,Jun.2012,24(11):1.

[6]Blasse G,Bril A.Investigations on Bi3+activated phosphors[J].J.Chem.Phys.,1968,48:217-222.

[7]Blasse G.Unusual bismuth lumine scence in strontium tetraborate(SrB 4O7:Bi)[J].J.Phys.Chem.Solids,1994,55:171-174.

[8]Lauer R B.Photoluminescence in Bi12SiO 20and Bi12GeO 20[J].Appl.Phys.Lett.,1970,17:178-179.

[9]Zhou Shi-feng,Jiang Nan,Zhu Bin,et al.MultifunctionalB ismuthDoped Nanoporous Silica GlassF romB lue-Green,Orange,Red,and White Light Sources toU ltra-Broadband Infrared[J].Adv.Amplifiers,Funct.Mater.2008,18:1407-1413.