當(dāng)前位置:工程項(xiàng)目OA系統(tǒng) > 泛普各地 > 云南OA系統(tǒng) > 昆明OA系統(tǒng) > 昆明OA快博
國(guó)外學(xué)者對(duì)商業(yè)智能的研究
申請(qǐng)免費(fèi)試用、咨詢(xún)電話(huà):400-8352-114
來(lái)源:泛普軟件 1、 Howard Dresner對(duì)商業(yè)智能的定義 商業(yè)智能(Business Intelligence,簡(jiǎn)稱(chēng)BI)的概念最早是Gartner Group的Howard Dresner于1996年提出來(lái)的。當(dāng)時(shí)將商業(yè)智能定義為一類(lèi)由數(shù)據(jù)倉(cāng)庫(kù)(或數(shù)據(jù)集市)、查詢(xún)報(bào)表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復(fù)等部分組成的、以幫助企業(yè)決策為目的技術(shù)及其應(yīng)用。當(dāng)時(shí)的預(yù)測(cè)說(shuō):到2000年,信息民主(注:指組織內(nèi)信息共享的無(wú)差別性)將在具有前瞻性思維的企業(yè)中浮現(xiàn)。借助商業(yè)智能,員工、咨詢(xún)員、客戶(hù)、供應(yīng)商以及公眾能夠有效地運(yùn)用信息。其實(shí),商業(yè)智能所涉及的技術(shù)與應(yīng)用,在Howard Dresner命名之前就有,起初被稱(chēng)為主管信息系統(tǒng)(EIS),在羽化成商業(yè)智能之前叫決策支持系統(tǒng)(DSS)。 2、 Eric Thomsen對(duì)OLAP及商業(yè)智能的論斷 Eric Thomsen是DSS Lab的首席科學(xué)家,他提出了基于決策支持系統(tǒng)的OLAP的設(shè)計(jì)和實(shí)現(xiàn)。OLAP是創(chuàng)建商業(yè)智能系統(tǒng)的重要技術(shù),其技術(shù)的應(yīng)用非常廣泛。Eric Thomsen在其代表作《OLAP解決方案:創(chuàng)建多維信息系統(tǒng)(OLAP Solutions: Building Multidimensional Information Systems)》第二版中有關(guān)于一些相關(guān)概念的論述:數(shù)據(jù)倉(cāng)庫(kù)(DW)/決策支持系統(tǒng)(DSS)/商業(yè)智能(BI)/聯(lián)機(jī)分析處理(OLAP)/基于分析的面向決策的處理(ABDOP)——數(shù)據(jù)倉(cāng)庫(kù)(DW)的焦點(diǎn)還是十分有限的。決策支持這個(gè)術(shù)語(yǔ)是以最終用戶(hù)為中心的,在談到OLAP和數(shù)據(jù)倉(cāng)庫(kù)時(shí)作為ABDOP的補(bǔ)充。從這以后,數(shù)據(jù)倉(cāng)庫(kù)和決策支持的范圍有了很大的擴(kuò)展,但是還沒(méi)有達(dá)到ABDOP的全部?jī)?nèi)容。商業(yè)智能也開(kāi)始流行起來(lái),也覆蓋了相同的范圍,不過(guò)一般來(lái)說(shuō),它更加關(guān)注于最終用戶(hù)信息獲取的問(wèn)題。經(jīng)??吹饺藗儗?shù)據(jù)倉(cāng)庫(kù)和決策支持或者商業(yè)智能聯(lián)合起來(lái)指代所稱(chēng)的ABDOP的全部范圍,卻沒(méi)有真正給整個(gè)范圍起一個(gè)名字。 Eric Thomsen采用蘇格拉底啟發(fā)式方式講解和論述了決策的階段,從而闡述了商業(yè)智能(或其平行概念)的研究?jī)?nèi)容和方法: 認(rèn)為,通過(guò)觀察如何證實(shí)一個(gè)被挑戰(zhàn)的決策是否正確,就可以很好地了解到指定決策究竟需要些什么信息。 決策的目標(biāo)是什么?如果沒(méi)有目標(biāo),任何決策都是沒(méi)有差別的。在尋求最優(yōu)決策的過(guò)程中,可能用到的算法包括線(xiàn)性編程和蒙特卡洛模擬協(xié)助在各種選擇、外部因素、偶然事件中進(jìn)行決策思考的工具就是決策分析工具。 如何證明決策可以達(dá)到預(yù)定的目標(biāo)?惟一能夠證實(shí)決策是正確的方法是顯示一些預(yù)測(cè)結(jié)果。進(jìn)行預(yù)測(cè)用到的工具包括了統(tǒng)計(jì)分析和數(shù)據(jù)挖掘。 預(yù)測(cè)又是從何而來(lái)?這時(shí)候需要一個(gè)推理的過(guò)程。預(yù)測(cè)是模式、關(guān)系、解釋的延伸。他們需要至少一個(gè)用來(lái)延伸的假設(shè)。所有的預(yù)測(cè)都需要兩個(gè)描述和一個(gè)假設(shè)。用于發(fā)現(xiàn)模式的算法包括回歸、決策樹(shù)、聚類(lèi)、關(guān)聯(lián)規(guī)則、神經(jīng)元網(wǎng)絡(luò),用于發(fā)現(xiàn)模式的工具也是統(tǒng)計(jì)和數(shù)據(jù)挖掘。 如何捍衛(wèi)描述?如果描述是不正確的,不管推理如何,預(yù)測(cè)都將是錯(cuò)誤的。因此,在原始數(shù)據(jù)收集過(guò)程中應(yīng)該采用最好的質(zhì)量控制方法。 派生數(shù)據(jù)是否正確?如果原始數(shù)據(jù)和推理邏輯都是正確的,預(yù)測(cè)還是錯(cuò)誤的,問(wèn)題就出在派生數(shù)據(jù)上。派生數(shù)據(jù)包括了各種匯總、分配、差別、比率、排序和乘積,例如每周的產(chǎn)品銷(xiāo)售量、每天的入庫(kù)總額、產(chǎn)品的總成本、部門(mén)收入、管理費(fèi)用、銷(xiāo)售產(chǎn)品的成本、市場(chǎng)份額、產(chǎn)量和利潤(rùn)等。OLAP工具所關(guān)注的就是創(chuàng)建派生變量。 3、 Tom Soukup 和 Ian Davidson對(duì)商業(yè)智能和可視化數(shù)據(jù)挖掘的闡述 在《可視化數(shù)據(jù)挖掘:數(shù)據(jù)可視化和數(shù)據(jù)挖掘的技術(shù)與工具(Visual Data Mining : Techniques and Tools for Data Visualization and Mining)》中指出: 商業(yè)智能解決方案將業(yè)務(wù)數(shù)據(jù)轉(zhuǎn)換成明確的、基于事實(shí)的、能夠執(zhí)行的信息,并且使得業(yè)務(wù)人員能夠發(fā)現(xiàn)客戶(hù)趨勢(shì),創(chuàng)建客戶(hù)忠誠(chéng)度,增強(qiáng)與供應(yīng)商的關(guān)系,減少金融風(fēng)險(xiǎn),以及揭示新的銷(xiāo)售商機(jī)。商業(yè)智能的目標(biāo)是了解變化的意義——從而理解甚至預(yù)見(jiàn)變化本身。它使你能夠訪(fǎng)問(wèn)當(dāng)前的、可靠的和易消化的信息,并能夠從各個(gè)側(cè)面及不同的維度靈活地瀏覽信息和建立模型。商業(yè)智能方案回答的是“如果……怎么辦(What if …)”之類(lèi)的問(wèn)題,而不是“發(fā)生了什么?(What happened ?)”。簡(jiǎn)而言之,商業(yè)智能解決方案是提高和維持競(jìng)爭(zhēng)優(yōu)勢(shì)的一條有效的條件。 數(shù)據(jù)可視化和數(shù)據(jù)挖掘是兩種技術(shù),它們常常被常用來(lái)創(chuàng)建和部署成功的商業(yè)智能解決方案。通過(guò)應(yīng)用可視化和數(shù)據(jù)挖掘技術(shù),業(yè)務(wù)人員能夠充分地探索業(yè)務(wù)數(shù)據(jù),從而發(fā)現(xiàn)潛在的、以前未知的趨勢(shì)、行為和異常。 提出了一套行之有效的創(chuàng)建數(shù)據(jù)可視化和執(zhí)行可視化數(shù)據(jù)挖掘的方法,包括8個(gè)步驟:①驗(yàn)證和規(guī)劃數(shù)據(jù)可視化與數(shù)據(jù)挖掘項(xiàng)目;②識(shí)別最重要的業(yè)務(wù)問(wèn)題;③選擇數(shù)據(jù)集;④轉(zhuǎn)換數(shù)據(jù)集;⑤驗(yàn)證數(shù)據(jù)集;⑥選擇可視化或挖掘工具;⑦分析可視化或挖掘模型;⑧驗(yàn)證和展示可視化或挖掘模型。 4、 Bill Inmon對(duì)數(shù)據(jù)倉(cāng)庫(kù)的定義 數(shù)據(jù)倉(cāng)庫(kù)之父Bill Inmon在1991年出版的“Building the Data Warehouse”一書(shū)中所提出的定義被廣泛接受——數(shù)據(jù)倉(cāng)庫(kù)(Data Warehouse)是一個(gè)面向主題的(Subject Oriented)、集成的(Integrated)、相對(duì)穩(wěn)定的(Non-Volatile)、反映歷史變化(Time Variant)的數(shù)據(jù)集合,用于支持管理決策(Decision Making Support)。 面向主題。操作型數(shù)據(jù)庫(kù)的數(shù)據(jù)組織面向事務(wù)處理任務(wù),各個(gè)業(yè)務(wù)系統(tǒng)之間各自分離,而數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)是按照一定的主題域進(jìn)行組織的。 集成的。數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)是在對(duì)原有分散的數(shù)據(jù)庫(kù)數(shù)據(jù)抽取、清理的基礎(chǔ)上經(jīng)過(guò)系統(tǒng)加工、匯總和整理得到的,必須消除源數(shù)據(jù)中的不一致性,以保證數(shù)據(jù)倉(cāng)庫(kù)內(nèi)的信息是關(guān)于整個(gè)企業(yè)的一致的全局信息。 相對(duì)穩(wěn)定的。數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)主要供企業(yè)決策分析之用,所涉及的數(shù)據(jù)操作主要是數(shù)據(jù)查詢(xún),一旦某個(gè)數(shù)據(jù)進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)以后,一般情況下將被長(zhǎng)期保留,也就是數(shù)據(jù)倉(cāng)庫(kù)中一般有大量的查詢(xún)操作,但修改和刪除操作很少,通常只需要定期的加載、刷新。 反映歷史變化。數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)通常包含歷史信息,系統(tǒng)記錄了企業(yè)從過(guò)去某一時(shí)點(diǎn)(如開(kāi)始應(yīng)用數(shù)據(jù)倉(cāng)庫(kù)的時(shí)點(diǎn))到目前的各個(gè)階段的信息,通過(guò)這些信息,可以對(duì)企業(yè)的發(fā)展歷程和未來(lái)趨勢(shì)做出定量分析和預(yù)測(cè)。 企業(yè)數(shù)據(jù)倉(cāng)庫(kù)的建設(shè),是以現(xiàn)有企業(yè)業(yè)務(wù)系統(tǒng)和大量業(yè)務(wù)數(shù)據(jù)的積累為基礎(chǔ)。數(shù)據(jù)倉(cāng)庫(kù)不是靜態(tài)的概念,只有把信息及時(shí)交給需要這些信息的使用者,供他們做出改善其業(yè)務(wù)經(jīng)營(yíng)的決策,信息才能發(fā)揮作用,信息才有意義。而把信息加以整理歸納和重組,并及時(shí)提供給相應(yīng)的管理決策人員,是數(shù)據(jù)倉(cāng)庫(kù)的根本任務(wù)。因此,從產(chǎn)業(yè)界的角度看,數(shù)據(jù)倉(cāng)庫(kù)建設(shè)是一個(gè)工程,是一個(gè)過(guò)程。 5、 E.F. Codd對(duì)OLAP的貢獻(xiàn) 60 年代末,E.F. Codd 所提出的關(guān)系數(shù)據(jù)模型促進(jìn)了關(guān)系數(shù)據(jù)庫(kù)及聯(lián)機(jī)事務(wù)處理(OLTP )的發(fā)展。數(shù)據(jù)不再以文件方式同應(yīng)用程序捆綁在一起,而是分離出來(lái),以關(guān)系表方式供大家共享。數(shù)據(jù)量從80年代的兆字節(jié)及千兆字節(jié)過(guò)渡到現(xiàn)在的兆兆字節(jié)和千兆兆字節(jié),同時(shí)用戶(hù)的查詢(xún)需求也越來(lái)越復(fù)雜,涉及的己不僅是查詢(xún)或操縱一張關(guān)系表中的一條或幾條記錄,而且要對(duì)多張表中千萬(wàn)條記錄的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析或信息綜合。關(guān)系數(shù)據(jù)庫(kù)系統(tǒng)已不能全部滿(mǎn)足這一要求。這兩類(lèi)應(yīng)用― 操作型應(yīng)用和分析型應(yīng)用,特別是在性能上難以?xún)扇?,盡管為了提高性能,人們常常在關(guān)系數(shù)據(jù)庫(kù)中放寬了對(duì)冗余的限制,引入了統(tǒng)計(jì)及綜合數(shù)據(jù),但這些統(tǒng)計(jì)綜合數(shù)據(jù)的應(yīng)用邏輯卻是分散雜亂的,非系統(tǒng)化的,因此分析功能有限,不靈活,維護(hù)困難。在國(guó)外,不少軟件廠商采取了發(fā)展其前端產(chǎn)品來(lái)彌補(bǔ)RDBMS 支持的不足。它們通過(guò)專(zhuān)門(mén)的數(shù)據(jù)綜合引擎,輔之以更加直觀的數(shù)據(jù)訪(fǎng)問(wèn)界面。力圖統(tǒng)一分散的公共應(yīng)用邏輯,在短時(shí)間內(nèi)相應(yīng)非數(shù)據(jù)處理專(zhuān)業(yè)人員的復(fù)雜查詢(xún)要求。1993年,E.F. Codd 將這類(lèi)技術(shù)定義為“OLAP ”。鑒于Codd 關(guān)系數(shù)據(jù)庫(kù)之父的影響。OLAP 的提出引起了很大反響,OLAP 作為一類(lèi)產(chǎn)品同OLAP 明顯區(qū)別開(kāi)來(lái)。 聯(lián)機(jī)分析處理專(zhuān)門(mén)設(shè)計(jì)用于支持復(fù)雜的分析操作,側(cè)重對(duì)決策人員和高層管理人員的決策支持,可以應(yīng)分析人員要求快速、靈活地進(jìn)行大數(shù)據(jù)量的復(fù)雜查詢(xún)處理,并且以一種直觀易懂的形式將查詢(xún)結(jié)果提供決策人員,以便他們準(zhǔn)確掌握企業(yè)(公司)的經(jīng)營(yíng)狀況,了解市場(chǎng)需求,制訂正確方案,增加效益。 6、 國(guó)外學(xué)者對(duì)數(shù)據(jù)挖掘的定義及其研究方法的概括 Gartner Group :“數(shù)據(jù)挖掘是通過(guò)仔細(xì)分析大量數(shù)據(jù)來(lái)揭示有意義的新的關(guān)系、模式和趨勢(shì)的過(guò)程。它使用模式認(rèn)知技術(shù)、統(tǒng)計(jì)技術(shù)和數(shù)學(xué)技術(shù)?!? The META Group的Aaron Zornes :“數(shù)據(jù)挖掘是一個(gè)從大型數(shù)據(jù)庫(kù)中提取以前不知道的可操作性信息的知識(shí)挖掘過(guò)程?!? SAS研究所:“在大量相關(guān)數(shù)據(jù)基礎(chǔ)之上進(jìn)行數(shù)據(jù)探索和建立相關(guān)模型的先進(jìn)方法”。 Bhavani :“使用模式識(shí)別技術(shù)、統(tǒng)計(jì)和數(shù)學(xué)技術(shù),在大量的數(shù)據(jù)中發(fā)現(xiàn)有意義的新關(guān)系、模式和趨勢(shì)的過(guò)程”。 Hand et al :“數(shù)據(jù)挖掘就是在大型數(shù)據(jù)庫(kù)中尋找有意義、有價(jià)值信息的過(guò)程”。 Fayyad :數(shù)據(jù)挖掘是一個(gè)確定數(shù)據(jù)中有效的,新的,可能有用的并且最終能被理解的模式的重要過(guò)程。 Zekulin :數(shù)據(jù)挖掘是一個(gè)從大型數(shù)據(jù)庫(kù)中提取以前未知的,可理解的,可執(zhí)行的信息并用它來(lái)進(jìn)行關(guān)鍵的商業(yè)決策的過(guò)程。 Ferruzza :數(shù)據(jù)挖掘是用在知識(shí)發(fā)現(xiàn)過(guò)程,來(lái)辯識(shí)存在于數(shù)據(jù)中的未知關(guān)系和模式的一些方法。 Jonn :數(shù)據(jù)挖掘是發(fā)現(xiàn)數(shù)據(jù)中有益模式的過(guò)程。 Parsay :數(shù)據(jù)挖掘是我們?yōu)槟切┪粗男畔⒛J蕉芯看笮蛿?shù)據(jù)集的一個(gè)決策支持過(guò)程。 數(shù)據(jù)挖掘的功能大致有兩種,預(yù)測(cè)檢驗(yàn)功能和描述功能。數(shù)據(jù)挖掘的任務(wù)主要有4項(xiàng):①概念描述,即對(duì)數(shù)據(jù)進(jìn)行濃縮,給出某類(lèi)對(duì)象內(nèi)涵的緊湊表示。②發(fā)現(xiàn)關(guān)聯(lián)規(guī)則,通過(guò)分析給出兩個(gè)或多個(gè)變量間存在的相關(guān)性規(guī)律。③聚類(lèi),即簇聚同類(lèi)對(duì)象,使在抽象空間中屬于同一類(lèi)別的個(gè)體距離盡可能小,反之盡量大。④偏差檢測(cè),尋找觀察結(jié)果與參照值間的差別,這些偏差往往包含很多潛在有意義的知識(shí)信息。 應(yīng)用較普遍的數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)方法有: 遺傳算法。其基本原理是:類(lèi)比生物進(jìn)化過(guò)程,每一代同時(shí)存在許多不同的種群個(gè)體(染色體)。這些染色體的適應(yīng)性以適應(yīng)性函數(shù)f(x)表征,染色體的保留與淘汰取決于它們對(duì)環(huán)境的適應(yīng)能力,優(yōu)勝劣汰。適應(yīng)性函數(shù)f(x)的構(gòu)成與目標(biāo)函數(shù)密切相關(guān),往往是目標(biāo)函數(shù)的變種。?遺傳算子主要有3種:選擇(復(fù)制)算子、交叉(重組)算子和變異(突變)算子。遺傳算法可起到產(chǎn)生優(yōu)良后代的作用,經(jīng)過(guò)若干代遺傳,將會(huì)得到滿(mǎn)足要求的后代(問(wèn)題的解)。 粗集方法。其基本原理是:將數(shù)據(jù)庫(kù)中的行元素看成對(duì)象,將列元素看成屬性。設(shè)R為等價(jià)關(guān)系,定義為不同對(duì)象在某個(gè)(或幾個(gè))屬性上取值相同。那些滿(mǎn)足等價(jià)關(guān)系的對(duì)象構(gòu)成集合,稱(chēng)為該等價(jià)關(guān)系R的等價(jià)類(lèi)。設(shè)E為條件屬性上的等價(jià)類(lèi),設(shè)Y為決策屬性上的等價(jià)類(lèi),則E 和Y存在3種情況:Y包含E稱(chēng)為下近似;Y與E的交非空,稱(chēng)為上近似;Y與E的交為空,稱(chēng)為無(wú)關(guān)。對(duì)下近似建立確定性規(guī)則,對(duì)上近似建立不確定規(guī)則(含可信度),對(duì)無(wú)關(guān)情況則不存在規(guī)則。 決策樹(shù)方法。決策樹(shù)方法是以信息論原理為基礎(chǔ),利用信息論中互信息(信息增益)尋找數(shù)據(jù)庫(kù)中具有最大信息量的字段,建立決策樹(shù)的一個(gè)結(jié)點(diǎn)。然后再根據(jù)字段的不同取值建立樹(shù)的分支,在每個(gè)分支集中重復(fù)建立樹(shù)的下層結(jié)點(diǎn)和分支。這種方法實(shí)際上是依循信息論原理對(duì)數(shù)據(jù)庫(kù)中存在的大量數(shù)據(jù)進(jìn)行信息量分析,在計(jì)算數(shù)據(jù)特征的互信息或信道容量的基礎(chǔ)上提取出反映類(lèi)別的重要特征。 神經(jīng)網(wǎng)絡(luò)方法。其原理是:模擬人腦的神經(jīng)元結(jié)構(gòu),以MP模型和HEBB學(xué)習(xí)規(guī)則建立起前饋式網(wǎng)絡(luò)、反饋式網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)3大類(lèi)多種神經(jīng)網(wǎng)絡(luò)模型。基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘工具對(duì)于非線(xiàn)性數(shù)據(jù)具有快速建模能力,其挖掘的基本過(guò)程是先將數(shù)據(jù)聚類(lèi),然后分類(lèi)計(jì)算權(quán)值,神經(jīng)網(wǎng)絡(luò)的知識(shí)體現(xiàn)在網(wǎng)絡(luò)連接的權(quán)值上。神經(jīng)網(wǎng)絡(luò)方法用于非線(xiàn)性數(shù)據(jù)和含噪聲的數(shù)據(jù)時(shí)具有更大的優(yōu)越性,比較適合于市場(chǎng)數(shù)據(jù)庫(kù)的分析和建模,通過(guò)對(duì)市場(chǎng)數(shù)據(jù)庫(kù)中行業(yè)數(shù)據(jù)的精密分析,為市場(chǎng)人員提供顧客、用戶(hù)、市場(chǎng)狀況和市場(chǎng)走勢(shì)等方面的分析結(jié)果。(KMCENTER)- 1重慶OA快博
- 2貴陽(yáng)OA快博
- 3武漢OA快博
- 4北京OA快博
- 5南京OA快博
- 6長(zhǎng)沙OA快博
- 7杭州OA快博
- 8鄭州OA快博
- 9上海OA快博
- 10天津OA快博
- 11沈陽(yáng)OA快博
- 12哈爾濱OA快博
- 1保證軟件的安全的最佳做法
- 2淺析信息時(shí)代的商業(yè)模式
- 3企業(yè)怎樣選擇合適的接入方式
- 4一汽轎車(chē)的生產(chǎn)管理系統(tǒng)
- 5汽車(chē)電子遭遇斷“鏈”挑戰(zhàn)
- 6ERP與SCM到底有什么區(qū)別
- 7CMMS走來(lái),EAM又將去向何方
- 8用BPM比以前更快速地創(chuàng)建新的應(yīng)用
- 9BI應(yīng)用卡在哪里?
- 10項(xiàng)目監(jiān)理怎樣才能為信息化工程把關(guān)
- 11IT企業(yè)應(yīng)對(duì)價(jià)格戰(zhàn)的五大招數(shù)
- 12選擇協(xié)同OA必讀
- 13IT項(xiàng)目預(yù)算需要膽量和魄力
- 14如何構(gòu)建發(fā)電企業(yè)的運(yùn)營(yíng)管理系統(tǒng)
- 15信息化給四大快遞巨頭加碼
- 16運(yùn)營(yíng)ERP四個(gè)注意
- 17構(gòu)建及分發(fā)BI報(bào)表
- 18用BI實(shí)現(xiàn)企業(yè)全面預(yù)算管理需求
- 19用知識(shí)管理來(lái)輔助ERP實(shí)施
- 20CIO談流程模板利弊
- 21優(yōu)質(zhì)服務(wù)看三點(diǎn)
- 22IT售前工程師兵法
- 23戴爾供應(yīng)鏈的虛擬整合(一)
- 24針對(duì)中小企業(yè)的以技術(shù)為導(dǎo)向的方法
- 25怎樣解決信息系統(tǒng)亞健康問(wèn)題
- 26昆明哪家再做OA管理系統(tǒng)?
- 27IPS能省多少錢(qián)?
- 28中小網(wǎng)站“買(mǎi)馬難配鞍”新解
- 29一個(gè)失敗的IT售前項(xiàng)目
- 30昆明OA辦公自動(dòng)化市場(chǎng)分析報(bào)告
成都公司:成都市成華區(qū)建設(shè)南路160號(hào)1層9號(hào)
重慶公司:重慶市江北區(qū)紅旗河溝華創(chuàng)商務(wù)大廈18樓