商业智能的实现有三个层次：数据报表、多维数据分析和数据挖掘。
1）数据报表
如何把数据库中存在的数据转变为业务人员需要的信息？大部分的答案是报表系统。简单说，报表系统是BI的低端实现。传统的报表系统技术上已经相当成熟，大家熟悉的Excel、水晶报表和ReportingService等都已经被广泛使用。但是，随着数据的增多，需求的提高，传统报表系统面临的挑战也越来越多。
（1）数据太多，信息太少。密密麻麻的表格堆砌了大量数据。到底有多少业务人员细看过每一个数据？到底这些数据代表了什么信息、什么趋势？级别越高的领导，越需要简明的信息。
（2）难以交互分析、了解各种组合。定制好的报表过于死板。例如，我们可以在一张表中列出不同地区、不同产品的销量，另一张表中列出不同地区、不同年龄段顾客的销量。但是，这两张表无法回答诸如“华北地区中青年顾客购买数码相机类型产品的情况”等问题。业务问题经常需要多个角度的交互分析。
（3）难以挖掘出潜在的规则。报表系统列出的往往是表面上的数据信息，但是海量数据深处含有哪些潜在规则呢？什么客户对我们价值最大？产品之间相互关联的程度如何‘越是深层的规则，对于决策支持的价值越大，但是，也越难挖掘出来。
（4）难以追溯历史，形成数据孤岛。长期运行中产生的数据往往存在于不同地方，太旧的数据（例如一年前的数据）可能已被业务系统备份出去，导致宏观分析、长期历史分析难度很大。
显然，随着时代的发展，传统报表系统已经不能满足日益增长的业务需求了，企业期待着新的技术。数据分析和数据挖掘的时代正在来临。值得注意的是，数据分析和数据挖掘系统的目的是带给我们更多的决策支持价值，并不是取代数据报表。报表系统依然有其不呵取代的优势，并且将会长期与数据分析、挖掘系统一起并存下去。
2）多维数据分析
如果说在线事务处理（OLTP）侧重于对数据库进行增加、修改和删除等日常事务操作，在线分析处理则侧重于针对宏观问题全面分析数据，获得有价值的信息。
为了达到OLAP的目的，传统的关系型数据库已经不够了，需要一种新的技术叫做多维数据库。
数据分析系统的总体架构分为4个部分：源系统、数据仓库、多维数据库和客户端。
①源系统：包括现有的所有OLTP系统，搭建BI系统并不需要更改现有系统。
②数据仓库：数据大集中，通过数据抽取，把数据从源系统源源不断地抽取出来，可能每天一次，或者每3个小时一次，当然是自动的。数据仓库依然建立在关系型数据库上，往往符合“星型结构”模型。
③多维数据库：数据仓库的数据经过多维建模，形成了立方体结构。每一个立方体描述了一个业务主题，例如销售、库存或者财务。
④客户端：好的客户端软件可以把多维立方体中的信息丰富多彩地展现给用户。
3）数据挖掘
广义上说，任何从数据库中挖掘信息的过程都州做数据挖掘。从这点看来，数据挖掘就是BI.但从技术术语上说，数据挖掘（DataMining）指的是：源数据经过清洗和转换等成为适合于挖掘的数据集。数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上，我们可以定义：数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。
现举一个关联销售的案例。美国的超市有这样的系统：当你采购了一车商品结账时，售货员小姐扫描完了你的产品后，计算机上会显示出一些信息，然后售货员会友好地问你：我们有一种一次性纸杯正在促销，位于F6货架上，您要购买吗？这句话绝不是一般的促销。因为计算机系统早就算好了，如果你的购物车中有餐巾纸、大瓶可乐和沙拉，则86%的可能性你要买一次性纸杯。结果是你说：“啊，谢谢你，我刚才一直没找到纸杯。”
这不是什么神奇的科学算命，而是利用数据挖掘中的关联规则算法实现的系统。
每天，新的销售数据会进入挖掘模型，与过去N天的历史数据一起被挖掘模型处理，得到当前最有价值的关骐规则。同样的算法，分析网上书店的销售业绩，计算机可以发现产品之间的关联以及关联的强弱。
温馨提示：因考试政策、内容不断变化与调整，信管网网站提供的以上信息仅供参考，如有异议，请以权威部门公布的内容为准！
信管网致力于为广大信管从业人员、爱好者、大学生提供专业、高质量的课程和服务，解决其考试证书、技能提升和就业的需求。
信管网软考课程由信管网依托10年专业软考教研倾力打造，官方教材参编作者和资深讲师坐镇，通过深研历年考试出题规律与考试大纲，深挖核心知识与高频考点，为学员考试保驾护航。面授、直播＆录播，多种班型灵活学习，满足不同学员考证需求，降低课程学习难度，使学习效果事半功倍。