CN102446311A - 过程驱动的业务智能 - Google Patents

过程驱动的业务智能 Download PDF

Info

Publication number
CN102446311A
CN102446311A CN2010105078733A CN201010507873A CN102446311A CN 102446311 A CN102446311 A CN 102446311A CN 2010105078733 A CN2010105078733 A CN 2010105078733A CN 201010507873 A CN201010507873 A CN 201010507873A CN 102446311 A CN102446311 A CN 102446311A
Authority
CN
China
Prior art keywords
api
data
user
context
business
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2010105078733A
Other languages
English (en)
Other versions
CN102446311B (zh
Inventor
熊务真
胡明戬
陈旭
黄明哲
师建茁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Business Objects Software Ltd
Original Assignee
Business Objects Software Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Business Objects Software Ltd filed Critical Business Objects Software Ltd
Priority to CN201010507873.3A priority Critical patent/CN102446311B/zh
Priority to US12/912,787 priority patent/US9064224B2/en
Publication of CN102446311A publication Critical patent/CN102446311A/zh
Application granted granted Critical
Publication of CN102446311B publication Critical patent/CN102446311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

这里描述了一种用于促进过程驱动的业务智能的技术。在一个实现方案中，接收通过业务过程工具产生的上下文数据。通过将任何相关应用编程接口API与关联上下文数据的当前属性进行匹配来识别所述API。所述API可以由处理器来执行以从信息源取回源数据并且基于所述源数据来提供业务智能。

Description

过程驱动的业务智能
技术领域
本公开一般涉及业务智能(Business Intelligence，BI)，并且更具体来说涉及促进过程驱动的业务智能。
背景技术
在本发明的业务环境中，公司需要更多的实时信息来制定合理且时间紧急的决策。业务智能(BI)已经被用于支持和改进这样的商业企业决策制定。BI工具一般应用于业务数据，比如，销售收入(sales revenue)、成本、收益(income)或其它财务数据。这些工具被设计用于辨认、取回以及分析业务数据并且提供业务运作的各种历史情形、当前情形以及预测的未来情形。BI工具的通常功能包括报告、数据探索、数据挖掘、数据清理、信息管理以及业务性能管理。
具体来说，报告是BI工具的一项通常功能。报告一般是指自动从信息源(例如，数据仓库、数据库、储存库等)取回并且根据预先定义的模式格式化的信息。报告是呈现信息的有效途径。其有助于海量数据的编辑以及各种企业运作的监视。此外，报告还可以被用于在许多领域中支持企业的决策制定过程，比如，在销售、市场、管理、预算或预测领域中。
然而，当前的BI系统中存在一些限制。一个限制是用于设计专业报告的可用工具和环境的复杂性。这样的工具需要专家知识并且对于一般的业务用户来说学习起来太复杂。这往往导致在产生报告方面较低的产出率并且不能完全捕获所得到的报告中有价值的数据。
另一个问题是没有BI系统与业务过程的整合。例如，一个用户可能使用企业资源规划(ERP)软件来执行工作任务或管理资源。与此同时，他希望看到BI工具能够产生的某些报告以有助于他的工作过程。然而，这样的BI工具一般不与ERP软件或业务过程整合在一起。更重要的是，BI工具可取回的源数据一般来说与ERP软件可取回的源数据不是来自相同的信息源。而且，这两种类型的源数据之间的关系一般来说没有规定。为了看到这样的报告，用户必须从ERP软件切换到另一不同的应用以激活BI工具。这导致非常的不方便并且使业务过程与业务智能平台隔离开。
另一个限制是传统的BI系统中搜索和知识取回过程的被动的本质。理想的是，用户应当对现有报告的创建和内容非常有经验，以便他们能够容易地找到与他们的工作任务相关的报告。然而，在当前系统中，用户必须从呈现给他们的长列表中手动选择相关的报告。结果，工作产出率和效率一般来说被消减。
因此，需要提供一种改进的业务智能平台，其更加自动化并且与业务过程整合在一起。
发明内容
本文描述了用于过程驱动的业务智能的技术。在一种实施方式中，接收由业务过程工具产生的上下文数据。一个或更多个相关应用编程接口(API)通过将这些API和与上下文数据相关联的当前属性相匹配来识别。API可以由处理器执行以从信息源取回源数据并且基于所述源数据提供业务智能。
提供此概述的目的是以简化的形式介绍所选择的一些概念，对于这些概念将在下面的具体实施方式的描述中进一步描述。这并不是想要确定所要求保护的主题的特征或主要特征，也不是想要将其用于限制所要求保护的主题的范围。而且，所要求保护的主题并不限于解决在本公开的任何部分中提到的任何或所有缺点的实现方案。
附图说明
在附图中图示了一些实施例，在附图中，相同的附图标记指代相同的部件，其中，
图1是图示示例性系统的框图；
图2图示示例性过程驱动的业务智能体系结构的各种组件；
图3a-图3b图示本发明构架的一种实现方案的示例性情景；
图4示出示例性方法；
图5示出示例性模式；
图6a示出示例性名称匹配方法；
图6b示出由名称匹配方法产生的输入和输出数据的示例；
图7a图示示例性别名(alias)匹配方法；
图7b示出由别名匹配方法产生的输入和输出数据的示例；
图8示出示例性值匹配方法；
图9a图示示例性系统定义的排序方法；
图9b示出由系统定义的排序方法产生的输入和输出数据的示例；
图9c示出示例性顺序列表930；以及
图10示出建议用于各个报告源数据API的示例性当前上下文属性和参数值。
具体实施方式
在下面的描述中，出于解释的目的，陈述了特定的数字、资料和配置以便提供对本发明的构架和方法的透彻理解并且用于满足法定的书面说明、可支持性以及最佳实施方式的要求。然而，本领域技术人员将很清楚，本发明的构架和方法可以在没有这些特定的示例性细节的情况下实施。在其他实例中，公知的特征被省略或简化以便使本发明的构架和方法的示例性实施方式的描述清楚，从而更好地解释本发明的构架和方法。此外，为了方便理解，某些方法步骤被描述为单独的步骤，但是，这些单独描述的步骤不应当被解释为在它们的性能上必须是顺序相关的。
这里描述了有助于过程驱动的业务智能的构架。本发明构架的一个方面提供了业务过程和业务智能(BI)工具的无缝整合。该业务智能工具由业务过程产生的当前属性来驱动。本发明构架的另一方面使得可以从数据的完全不同的源取回业务智能信息。例如，本发明构架可以使得经由业务过程平台查看销售订单的用户能够看到由业务智能工具利用从财务消息网站取回的信息产生的报告。本发明构架的另一有利方面是基于由业务过程产生的上下文数据识别以及向用户提供对业务智能应用编程接口(API)的建议。
业务过程工具通常是指软件工具，其支持商业企业功能、工作流程、管理或规划。这样的业务过程工具包括但不限于企业资源规划(ERP)应用，比如，SAP Business Suite、SAP GRC、SAP BusinessOne等。业务智能工具是用于改进商业企业决策制定的软件工具。这些工具一般应用于财务、人力资源、市场、销售、客户以及供应商分析。更具体来说，这些工具包括但不限于用于信息呈现的报告和分析工具、用于递送和管理报告和分析的内容递送基础设施系统、用于清理和合并来自完全不同的源的信息的数据仓库系统、以及数据管理系统、比如用于收集、存储和管理原始数据(raw data)的关系数据库或在线分析处理(OLAP)系统。商业上可用的示例性BI应用包括SAPBusinessObjects GRC、SAP Crystal Reports和Xcelsius。可以理解，本发明构架可以以其他类型的业务智能应用来实施，所述其他类型的业务智能应用可操作以便从其他信息源取回信息并且呈现信息，从而便利在业务过程中进行决策制定。
这里描述的架构可以被实现为方法、计算机控制的装置、计算机过程、计算系统、或制造物品，比如计算机可读介质。这些以及各种其他特征将从后面的描述中显而易见。
示例性系统
图1是图示实现这里描述的构架的示例性系统100的框图。系统100包括一个或更多个计算机系统101、而图1出于说明的目的仅仅图示了一个计算机系统101。
现在开始更详细地介绍计算机系统101，其可以包括中央处理单元(CPU)114、输入/输出(I/O)单元110以及存储设备112。存储设备112存储机器可执行的指令、数据、以及各种程序，比如操作系统120、图形用户接口(GUI)模块122和业务智能工具124，所有这些都可以由CPU 114来处理。像这样，计算机系统101是一种在执行机器可执行指令时变成专用计算机系统的通用计算机系统。可替换地，这里描述的技术可以被实现为经由操作系统120执行的软件产品的部分。应当注意到，在一些实现方案中，各种组件(120、122、124)可以全部或部分地由不同的计算机系统来拥有(hosted)。因此，这里描述的技术可以本地地出现在计算机系统101上、或者可以出现在其他计算机系统中并且被报告给计算机系统101。尽管环境被图示为具有一个计算机系统，但是可以理解，可以采用多于一个的计算机系统或服务器，比如服务器池，以及除了服务器之外的计算机。
此外，每个程序可以用高级的面向过程或面向对象的编程语言或者如果需要的话用汇编或机器语言来实现。所述语言可以是编译或解释语言。并非意欲使机器可执行的指令限于特定编程语言及其实现方案。将会理解，各种各样的编程语言及其代码可以被用于实现这里包含的公开的教导。
GUI模块122包含用于产生用户接口的图形组件的机器可执行指令。可以理解，用户接口也可以包含非图形或文本组件。例如，示例性的窗口、图标、按钮、菜单等可以被产生，如稍后将要讨论的。用户接口还可以包括用于从输入设备102接收输入并且在输出设备104上显示图形组件的指令。
业务智能工具124包含用于在计算机系统101、客户端系统140上或者跨越网络(across network)132执行与智能相关的功能的有形地编码的机器可执行指令。与智能相关的功能是指可以经由接口操作以便从各种信息源取回和分析数据的功能。这样的与智能相关的功能包括但不限于业务智能(BI)功能，比如，产生报告(在本地或在服务器上)、查看报告、执行查询和分析、挖掘数据、清理数据、执行在线分析处理(OLAP)、管理业务性能、经由仪表板(dashboard)呈现信息等。在一种实现方案中，业务智能工具124包括建议引擎和报告产生器，如将参照图2描述的。应当理解，存储设备112中存储的组件(120、122、124)仅仅是示例性和附加的模块，或者也可以提供子模块。此外，组件(120、122、124)的功能可以被组合。模块的功能不需要在单个机器上执行。取而代之，所述功能可以跨越系统100而分布或者被分布在更广的网络上，如果需要的话。
存储设备112可以是任何形式的非易失性存储器，包括例如半导体存储设备，比如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)以及闪存设备；磁盘，比如内部硬盘和可移动盘、磁光盘、以及致密盘只读存储器(CD-ROM)。
在一种实现方案中，计算机系统101耦接至输入设备102(例如，键盘或鼠标)和输出设备104(例如，监视器或屏幕)。输出设备104可以被用于显示由报告产生单元208产生的报告。此外，计算机系统101也可以包括用于使用通信链路130(例如，电话线、无线网络链路、有线网络链路或电缆网络)与网络132交换数据的通信卡或设备116。其它的可支持电路，诸如高速缓存存储器、电源、时钟电路以及通信总线，也可以包括在计算机系统101中。此外，前述的任何部件都可以由专用集成电路来补充或集成在专用集成电路中。
计算机系统101可以使用通过一个或更多个中间网络132到一个或更多个远程客户端系统140的逻辑连接而在联网的环境中操作。这些网络132通常代表与有线和/或无线通信网络相关联的任何协议、适配器、组件和其他一般的基础设施。适合于不同的实现方案，这样的网络132在范围和本质上可以是全球的、地区的、局部的和/或私人的。
远程客户端系统140可以是个人计算机、移动设备、个人数字助理(PDA)、服务器、服务器池、路由器、网络PC、对等设备(peer device)或其它公共网络节点，并且一般包括以上相对计算机系统101描述的部件中的许多或全部部件。客户端系统140也可以包括计算机可读存储介质或存储设备(未示出)的一个或更多个实例。计算机可读存储介质可以包括适合于通过网络132与组件(122、124)交互的客户端应用。这样的客户端应用可以是因特网浏览器、瘦客户端或任何其它适合的应用。这样的交互的例子包括对于报告的请求。进而，该客户端应用可以将这些请求转发给计算机系统101，以便执行。
图2图示示例性过程驱动的业务智能体系结构200的各种组件。应当注意，在一些实现方案中，这些组件中的一个或更多个也可以由不同的计算机系统来拥有。
在一个实现方案中，体系结构200包括可通信地与业务过程工具202耦合的业务智能工具124。业务过程工具202执行业务过程的一个或更多个任务。示例性业务过程包括例如企业资源规划(ERP)业务过程，比如人力资源(HR)管理业务过程、销售业务过程、项目管理业务过程或任何类型的工作流程。随着业务过程的执行，业务过程工具202可以生成、创建、接收、交换、存储、传递上下文数据或按照上下文数据动作。例如，业务过程工具202可能被分配一个要执行的任务，并且该任务可以由任务ID唯一地标识，任务ID被用来实例化(instantiate)业务对象。业务对象定义任务并且使得任务可以在业务过程中被执行。在一个实现方案中，业务对象描述出现在报告中的实体。例如，在该情况中，业务对象可以通过存储与给定用户相关联的属性(例如，用户ID、部门、职位、状态等)来描述该用户。
如图2所示，业务智能工具124可以包括业务对象分析器204、建议引擎206和报告生成器208。在一个实现方案中，业务对象分析器204从业务过程工具202接收上下文数据210。上下文数据210通常是指可以从其提取上下文的任何数据。这样的上下文数据210包括但不限于具有关联属性的业务对象、用户简档、系统信息(例如，时间、日期)、公司简档、用户历史、应用数据等。这里使用的术语“上下文”通常是指收集的、已知的、存储的、确定的、接收到的、或其它方式识别出的与当前业务过程和/或该业务过程中的当前任务关联的用户相关联的任何信息。具体来说，这样的信息可以与用户的简档、用户在业务中的角色、用户的地理位置、业务、组织、客户、应用、工作流程、任务状态、产品信息、业务活动、过程或其中涉及的数据等等相关联。
在一个实现方案中，当用户正在使用业务过程工具202时，业务智能工具124从上下文数据210提取上下文信息。业务智能工具124可以使用所提取的上下文信息，以智能地搜索、匹配该上下文并且动态地调用应用编程接口(API)，从而向用户提供相关业务智能。在一个实现方案中，业务对象分析器204接收上下文数据210并且在上下文数据池214中记录业务对象属性和用户简档212。业务对象分析器204也可以取回相关报告源数据API 216并且将它们存储在报告源数据API池218中。上下文数据池214和报告源数据API池218是使得相应数据可以被存储、访问和取回的数据库。数据池(214、218)可以存储在本地的计算机系统101上或存储在远端的另一计算机系统中。
报告源数据API是通过帮助从一个或更多个信息源取回源数据以基于该源数据产生报告来提供业务智能的软件接口。例如，报告源数据API“列出生产计划(List production plan)”可以提供用于从一个或更多个信息源取回生产计划的一组功能。可以理解，也可以提供其它类型的API，包括非报告源数据API。例如，这样的API可以被提供以取回用户数据(例如，用户名、部门、角色、简档等)，取回与时间帧内发生的事件相关联的数据(例如，事件id、名称、优先级、状态等)、取回与业务过程任务有关的数据等。这样的API所取回的数据可以被分析以产生报告或提供业务智能。API可以在计算机系统101的初始配置期间被注册。此外，所述API可以是在系统101中预先定义的标准API或者可以由用户或另一第三方定制。
在一个实现方案中，建议引擎206从业务对象分析器204接收具有数据属性220的API输入参数。可替换地，建议引擎206可以从数据池(214、218)直接取回这些具有数据属性212的API输入参数216。在一个实现方案中，建议引擎206包括匹配工具222、排序工具224和上下文工具226。这些工具的更多细节稍后将提供。
在业务过程期间，用户可以在执行某些任务的同时请求信息。在用户输入对于信息的请求之后，建议引擎206从该请求中提取当前属性并且将当前属性与API输入参数相匹配。在一个实现方案中，建议引擎206向用户呈现可用的匹配API 228的列表，供用户选择(230)。用户可以经由用户接口被提示进行选择。然而，要注意，该步骤仅仅是可选的，并且在建议引擎206找到了许多匹配API的情况下非常有用。可替换地，建议引擎206可以选择具有最高匹配分数的最相关的匹配API 228，并且基于属性值232直接调用该API以产生新的报告(234)。属性值232可以是由建议引擎206自动或半自动地计算出的，并且被作为API输入参数传递给报告生成器208。
最后，该报告被呈现给用户。该报告可以经由例如图形用户接口呈现给用户。例如，该报告可以经由弹出窗口或仪表板来呈现。该报告的格式可以包括一个或更多个数据表格、直方图、饼图、曲线图、文本框、图形等。
示例性情景
图3a-图3b图示根据本发明构架的一个实现方案的示例性情景。可以理解，仅仅出于说明的目的来提供此情景，并且该情景并非意欲限制本发明构架的实现方案。
在此示例性情景中，销售主管期望为感兴趣购买10台桌上型计算机和10台膝上型计算机的客户产生销售报价。由于桌上型和膝上型计算机是产品系列的部分，因此用户可以在产品部分312上点击以改变数量314或折扣316字段。产品部分312的选择指示业务上下文的改变。在接收到用户选择时，本发明构架从与产品部分312相关联的当前属性值中提取上下文并且动态地加载特定于该产品销售上下文的相关业务智能API。
图3b示出呈现适合的BI分析结果的示例性弹出窗口320。例如，弹出窗口320可以包括示出该折扣会被同一个管理者批准的可能性有多大的指示符322、指示销售业绩的度量324、销售趋势326或类似交易中的折扣328。如果用户对经由仪表板(或窗口)302呈现的销售报价进行了任何改变，如图3a所示，则这样的改变被直接投入BI分析，并且仪表板320呈现更新的结果。
如图3a-图3b示出的示例性情景所图示，用户可以从自动产生的报告中有利地获得有价值的信息，而无需在报告生成上花费精力。该方法也提供了BI分析(例如，报告生成)和业务过程的无缝的、交互式的和自然的整合。在工作过程中，用户可以获得问题的答案而无需离开工作环境并在另一应用中搜索这样的信息。此外，取代必须搜索信息或从不同的信息源拉取数据，有价值的数据被本发明构架自动推送并建议给用户。在协作环境中，例如，管理者能够在业务过程的每个阶段签字认可(sign-off)并且基于自动产生的报告制定重要的企业决策。在管理者或用户导航工作空间时，业务上下文的改变导致相关的BI分析被加载、并且基于上下文的报告被生成并呈现给用户。
示例性方法
图4示出根据本发明构架的一个实现方案的方法400。该方法400可以由参照图2描述的建议引擎206来实现。应当注意到，在下面的讨论中，将使用相同的附图标记引用图1和图2中描述的特征。
参照图4，在402，接收上下文数据。上下文数据可以由业务过程产生，所述业务过程比如ERP业务过程或工作流程。这样的上下文数据可以由建议引擎206从上下文数据池214中取回，如前面描述的。上下文数据包括例如一个或更多个业务对象，用户简档、系统信息、公司简档、用户历史、应用数据等等。也可以提供可以从中导出上下文的其他类型的上下文数据。
在404，匹配工具222识别与当前上下文相关的一个或更多个API。可以通过将API与上下文数据的当前属性相匹配来识别相关API。在一个实现方案中，API包括报告源数据API，其可以被执行以从各种信息源取回数据并且基于这样的数据自动生成报告。也可以提供其它类型的API。API可以从例如报告源数据API池218中取回，如前面描述的。
一个或更多个方法可以被用来执行匹配计算。在一个实现方案中，名称匹配方法被用来识别具有与关联上下文数据的当前属性名称相匹配的一个或更多个参数名称的任何API。在另一实现方案中，别名匹配方法被用来识别具与关联当前属性的名称的别名相匹配的参数名称的任何API。在另一实现方案中，值匹配方法被用来识别具有与当前上下文属性的语义值相匹配的参数名称的API。这些匹配方法稍后将更详细地描述。可选择地，或者相结合地，匹配方法也可以由用户来定义。
在406，排序工具224将匹配API进行排序并且将经排序的API用建议列表的形式呈现给用户。在一个实现方案中，所述排序基于由一个或更多个排序方法计算出的分数。排序方法可以由系统预先定义，或者由用户手动定义，如稍后将更详细地描述的。可替换地或者相结合地，排序方法可以基于历史统计来计算推荐的分数，如稍后也将更详细地描述的。每个报告源的最终的分数可以是通过各种排序方法获得的分数的累加。
在408，上下文工具226从上下文数据中提取一个或更多个上下文值。上下文值可以被用作API的参数的输入值。上下文值可以被呈现给用户，供其经由例如图形用户接口进行选择。上下文值可以从例如提供关于用户或用户的业务的附加信息的用户简档或系统信息(例如，时间、日期)中提取。这样的上下文值有助于有可能与用户的兴趣相关的数据的取回。
在410，建议引擎206返回一个或更多个匹配API和他们的相应输入参数值的列表。输入参数值是从提取自上下文数据的上下文值中导出的。API的列表可以以分层结构来存储，在每一层都进行了排序。也可以使用其他类型的数据结构。该列表可以被呈现给用户，用于选择适当的API。作为选择，系统可以自动选择一个或更多个API并将其传递至例如报告产生器208，以产生基于上下文的报告。
匹配计算
图5示出根据一个实现方案的示例性方案500。示例性方案500图示了过程驱动的报告产生方法。方案500可以由例如相对图2描述的建议引擎206来实现。应当注意到，在下面的讨论中，将使用相同的标号引用图1和图2中描述的特征。
在一个实现方案中，建议引擎206中的匹配工具222实现匹配计算模型502。匹配计算模型502基于一个或更多个上下文属性504和/或用户简档506，使用一个或更多个方法(或策略)来识别与当前上下文或用户的兴趣相关的一个或更多个报告源数据API。API可以从可用API的输入列表中选择。匹配报告源数据API的结果列表512由选择过程来产生。在一个实现方案中，结果列表512是由匹配方法所选择的所有报告源数据API的集合。此外，在产生结果列表512时可以施加安全约束。例如，如果用户没有查看来自特定报告源的信息的特权或许可，则相应的报告源数据API将被从结果列表512中移除。
在一个实现方案中，匹配方法包括名称匹配方法。图6a示出示例性名称匹配方法600。总的来说，匹配方法600描述了匹配工具222，用于识别具有与一个或更多个当前上下文属性名称相匹配的参数名称的一个或更多个报告源API的集合。
在步骤602，匹配工具222接收输入数据604。在一个实现方案中，输入数据604包括一组报告源数据API名称(R)。报告源数据API包含用于从各种报告源取回各种类型信息的一个或多个功能。报告源API的示例包括“列出生产名称”、“列出请假请求(leave request)”、“列出雇员薪水”、“列出部门雇员”等等。每个报告源API名称(Ri)与一个或更多个输入参数(Ai)的集合相关联。例如，“列出生产计划”API可以与输入参数部门(DEPARTMENT)和时间帧(TIMEFRAME)相关联，其中，部门(DEPARTMENT)和时间帧(TIMEFRAME)标识要列出的生产计划所针对的部门和时间段。其它类型的输入参数也可以被定义。输入数据604还可以包括一组当前上下文属性名称(B)。当前上下文属性和值可以从上下文数据(例如，业务对象)中导出。上下文属性的示例包括但不限于用户ID(USER ID)、部门(DEPARTMENT)、组织(ORGANIZATION)、时间帧(TIMEFRAME)和职位(POSITION)。要理解，也可以提供其它类型的上下文属性。
在步骤606，空结果集合(M)被初始化。在608，比较与每个报告源数据API名称(Ri)相关联的参数名称集合(Ai)。在610，如果报告源数据API的参数名称集合(Ai)被包含在(等于或为其子集合)上下文属性名称集合(B)中，则报告源数据API名称(Ri)是“匹配的(matching)”。在612，报告源数据API名称(Ri)被存储或推送至结果集合(M)。在步骤614，匹配工具222检查以查看是否存在任何剩余的参数名称集合(Ai)要进行处理。如果存在要进行处理的参数名称集合(Ai)，则重复步骤608、610、612和614。如果参数名称集合(Ai)没有包含在上下文属性名称集合(B)中，则在608处理下一个参数名称集合(Ai)，如果有该下一个参数名称集合(Ai)的话。在616，返回匹配报告源API名称618的结果集合。
图6b示出名称匹配方法产生的输入数据604和输出数据618的示例。如图所示，示例性结果列表M不包括“列出请假请求”(R2)、这是因为输入参数“级别(LEVEL)”(A2中)没有包含在上下文属性名称集合B中。类似地，API名称“列出部门雇员”不是结果集合的部分，这是因为其相应的输入参数“年(YEAR)”(A4中)不属于上下文属性名称集合B。
在另一实现方案中，匹配方法包括别名匹配方法。别名匹配方法通常是前面描述的名称匹配方法600的扩展。然而，代替简单地匹配当前上下文属性和API参数的名称，别名匹配方法比较上下文属性名称和API参数名称的别名。别名通常是指替代名称(例如，同义词、首字母缩写等)，其被用于标识相同的上下文属性。每个名称可以与一个或更多个别名相关联。例如，上下文属性名称“用户ID(USER ID)”可以与别名“ID”、“身份(Identity)”和“雇员身份(EMPLOYEE IDENTITY)”相关联。别名匹配方法通过将一个或更多个与上下文属性名称相关联的别名添加到比较集合中来扩展上下文属性名称的集合。别名可以被预先定义并且存储在例如字典中。别名也可以由用户手动添加到字典中。
图7a更详细地图示示例性别名匹配方法700。在702，匹配工具222接收输入数据704。在一个实现方案中，输入数据704包括报告源数据API名称的集合(R)，其中，每个报告源数据API名称(Ri)与一个或多个API参数名称的集合(Ai)相关联。输入数据还可以包括当前上下文属性名称的集合(B)和别名的字典(D)。示例性的字典(D)在图7b中示出。如图所示，字典(D)包括通过作为潜在的上下文属性名称的关键词(key)索引的表格705。要理解，也可以提供其它类型的数据结构。表格705将每个关键词映射到一个或更多个别名。例如，关键词“USER ID”被映射到别名“ID”、“身份”、“用户编号(USER NUMBER)”和“雇员ID(EMPLOYEE ID)”。
返回图7a，在706，匹配工具222将结果集合M和别名集合C初始化为空集合。别名集合C用于存储所有上下文属性名称以及与所述上下文属性名称相对应的别名。结果集合M被用于存储通过方法700识别出的匹配报告源API名称的结果集合。在708，匹配工具222解析上下文属性名称集合B。对于上下文属性名称集合B中的每个元素Bi，匹配工具222将Bi推送(或保存)到集合C中。接下来，在710，使用上下文属性名称Bi作为关键词，匹配工具222在字典(D)中查找任何别名(Ci)。别名Ci可以被保存在集合C中。在712，匹配工具222检查以查看是否存在任何其它上下文属性名称(Bi)要进行处理。如果是，则重复步骤708、710和712。如果所有上下文属性名称Bi都已经被处理，则过程前进至步骤714。
在714，匹配工具222将与每个API名称(Ri)相对应的API参数名称集合(Ai)与别名名称集合(C)相比较。在716，如果API参数名称集合(Ai)等于别名名称集合(C)或者是别名名称集合(C)的子集，则认为找到了匹配。在718，与Ai相对应的API名称(Ri)被推送(存储)到结果集合M中。在720，如果存在剩余的API参数名称集合(Ai)要进行处理，则重复步骤714、716、718和720。如果没有剩余的Ai要进行处理，则在722匹配工具222返回结果集合M。
图7b示出可以由方法700产生的输入数据704和相应的输出数据的示例性集合。如图所示，结果集合M没有包括API名称“列出请假请求”(R2)，这是因为API的参数名称“级别(LEVEL)”不是上下文属性名称或任何上下文属性名称的别名。类似地，API名称“列出部门雇员”(R4)也没有在结果集合M中，这是因为API的参数名称“年(YEAR)”既不是上下文属性名称也不是任何上下文属性名称的别名。
另一示例性匹配方法是值匹配方法。此方法通常包括分析当前上下文属性值并从当前上下文属性值中提取语义(semantics)，将属性值语义与报告源数据API参数名称进行匹配。例如，上下文属性可以具有无意义的名称“XYZ”，其与“China”的当前值相关联。按值匹配方法将上下文属性值“China”的文本分析为“国家(Country)”，并且使用“国家(Country)”(而不是无意义的“XYZ”)来匹配报告源数据API参数名称。此方法可以被用于补充或替换前面描述的名称匹配方法和/或别名匹配方法，因为其在某些情况下可以更加准确。
图8更详细地示出示例性值匹配方法800。在802，匹配工具222接收输入数据804。具体来说，输入数据804可以包括报告源数据API名称的集合(R)、针对每个API名称Ri的API参数名称的集合(Ai)、以及上下文属性名称的集合(B)。在806，结果集合M和语义集合S被初始化为空集合。语义集合S可以被用于存储从上下文属性(B)的值中提取(或导出)的语义值。
在808，匹配工具222提取上下文属性Bi的值的语义。语义提取可以由例如数据分析工具来执行。数据分析工具可以实现人工智能技术以确定给定数据串的语义含义。在810，语义被推送(或保存)到语义集合S中。在812，匹配工具222检查以查看是否存在任何其它上下文属性Bi要进行处理。如果存在剩余的上下文属性Bi，则重复步骤808、810和812。如果不存在，则该方法前进至步骤814。
在814，匹配工具222比较Ai和语义集合S。在816，如果Ai等于S或者是S的子集，则相应的Ri被推送(或存储)到结果集合M。对于所有剩余的Ai，重复步骤814、816和820。在822，匹配工具222返回结果集合M，其包括通过方法800识别出的所有匹配报告源API名称。
排序计算
返回图5，由匹配工具222生成的结果列表512被传递至排序工具224，以实现排序计算模型510。在一个实现方案中，排序计算模型510根据报告源数据API的匹配分数在结果列表中将它们排序。匹配分数可以通过一个或更多个排序方法进行计算。这样的排序方法根据例如预先定义的系统排序规则514、用户定义的规则516、历史统计518以及它们的组合来计算匹配分数。为了计算每个API的最终的分数，可以将通过各种排序方法产生的分数进行累加。
在一个实现方案中，排序计算模型510包括系统定义的排序方法。系统定义的排序方法根据系统中预先定义和存储的规则来计算排序分数。这样的系统定义的排序方法可以被选择为默认排序方法。在一个实现方案中，系统定义的排序方法根据报告源数据API的匹配的特异性(specificity)(即，与匹配API相关联的输入参数的数目)来对报告源数据API进行排序。例如，匹配越特异，赋给匹配API的分数越高。
图9a更详细地图示了示例性系统定义的排序方法900。在902，排序工具224接收输入数据904。输入数据904包括匹配报告源API的集合M和特异性的分数C。匹配集合M可以通过前面描述的匹配工具222来生成。匹配集合M中的每个元素Mi对应于一个或更多个参数名称的集合Ai。特异性分数C是预先确定的常数值。一个或更多个常数分数可以被提供用于API。在一个实现方案中，多个分数Ci被赋给具有多个参数(例如，部门(DEPARTMENT、公司(COMPANY)、用户ID(USER ID)等)的API。API的每个参数可以被单独地赋予一个分数。例如，API的分数集合Ci可以是{部门：10；公司：9；用户ID：8}。
在906，分数集合S被初始化为空集合。分数集合S被用于存储通过方法900计算出的分数值。在一个实现方案中，分数集合S中的每个元素Si存储相应的匹配报告源数据API Mi的分数。
在908，排序工具224确定与M中列出的每个匹配报告源数据API Mi对应的参数的计数。具体来说，排序工具确定与API Mi相关联的每个参数集合Ai中的元素的数目。如前面所讨论的，具有较高数目参数的匹配API提供较高的特异性并且因此将被分配较高的分数。
在910，排序工具224确定分数Si。在一个实现方案中，通过将该计数乘以特异性C来确定分数Si。一旦计算出分数Si，就可以在步骤912将其保存或推送到集合S中。在914，排序工具224检查以查看是否还存在要进行处理的参数集合Ai。如果存在，则重复步骤908、910、912和914。如果所有参数集合Ai都已经被处理，则在916排序工具224返回集合S。
图9b示出示例性输入数据904以及通过系统定义的排序方法产生的示例性输出数据918。如在表格905中所示，报告源按照相应的分数来排序。匹配报告源数据API“列出请假请求”具有最高的分数，这是因为其与参数名称的最大数目(即，3)相关联。图9c示出示例性顺序列表930。顺序列表930包括根据匹配报告源数据API的分数排序的匹配报告源数据API的名称。
在另一实现方案中，该排序方法包括用户定义的方法。用户定义的方法根据用户定义的规则来计算排序分数。一个示例性用户定义的方法包括将非常高的分数赋予某个报告源API，使得其在建议列表中总是排序最高的。例如，如果当前上下文属性为“用户ID、部门、时间帧、职位、产量”，则用户可以为API“列出产生计划”定义最大的分数。
根据另一实现方案，排序方法包括历史用户选择方法。历史用户选择方法基于从记录用户的先前选择中编辑的历史统计。这样的历史统计可以被用在人工智能算法中，比如机器学习、数据挖掘或统计分类(例如，贝叶斯(Bayesian)模型)，以提供“推荐分数”。
上下文建议
返回图5，在522，用户从匹配和经排序的报告源数据API的建议列表520中选择一个或更多个API，用于取回数据。用户可以被提示经由例如图形用户接口来进行这样的选择。用户选择524被传递到上下文建议模型526。在一个实现方案中，上下文建议模型526通过针对图2描述的上下文工具226来实现。上下文建议模型526提供用于所选择的API的524的输入参数的上下文值532的建议。上下文值可以从诸如用户简档528、系统信息530或与用户或业务过程相关联的任何其它类型的信息中导出。例如，当用户输入文本串“华尔街(Wall Street)”时，上下文建议模型526可以向用户提供建议，比如“您是指纽约的华尔街吗？”。
上下文值532的建议列表可以被呈现给用户，以便用户在534处进行选择。可替换地，或者相结合地，本发明构架可以实现机器学习模型527，其基于历史统计自动选择上下文值。历史统计可以通过存储先前用户对上下文值的选择或报告源数据API来编辑。利用所选择的上下文值536，所选择的API 524可以由报告生成模型538来执行以呈现符合用户兴趣的基于上下文的报告540。
如前面所讨论的，建议的上下文值532可以从用户简档528中提取。用户简档528可以被存储为业务对象的属性。用户简档528提供关于当前用户的信息，该信息在确定用户可能感兴趣查看什么种类的数据时有用。基于此确定，本发明构架可以建议当前用户很可能感兴趣的特定类型的信息。在一个实现方案中，用户简档528包括有关用户的角色、位置或组织的属性以及它们的组合。要理解，也可以提供其它类型的属性。
更具体来说，不同角色(或职位)的用户对不同类型的信息感兴趣。例如，如果属性“角色”与“CFO”值相关联，则上下文值“财务”被建议作为上下文中的值“报告类型”。结果，财务报告可以被推送到CFO用户。不同位置或组织(或部门)的用户也可能对不同的信息集合感兴趣。此外，用户可能不仅对与他们自己的地理位置或组织有关的数据感兴趣而且对与他们的邻居、同事或竞争者的位置或组织有关的数据感兴趣。用于将属性映射到所建议的上下文值532的规则可以被存储在诸如SAP BusinessObjects文本分析的系统元数据储存库中。其它类型的储存库也是有用的。
图10示出示例性的当前上下文属性1002和被建议用于各个报告源数据API 1006、1010和1016的参数值。当前上下文属性1002示出用户是位于上海销售办公室的经理。基于这些属性值，上下文工具226可以建议“北京销售办公室”和“中国办公室”作为用于与报告源数据API“列出生产计划”1006相关联的输入参数“部门”的上下文值。
所建议的上下文值也可以基于系统信息530来提取。系统信息530包括例如当前时间。系统信息530也可以被存储为业务对象的属性。诸如当前年、当前季度、当前月份等的信息可以从当前时间中导出。此外，上下文工具226可以从这样的系统信息中产生时间敏感的告警。
例如，参照图10，当前上下文属性1002示出属性“时间帧”具有值“2009年9月24日”。上下文工具2006可以确定此时间帧接近2009年第3季度的末端并且建议上下文值“2009年第3季度(2009Q3)”用于报告源数据API“列出生产计划”1006的输入参数“时间帧”。结果，当前季度Q3的数据在执行报告源数据API时被推送给用户。其他类型的时间帧中的数据，比如每小时、每天、每月的数据，也可以被推送给用户。
尽管以特定于结构特征和/或方法步骤的语言描述了一个或更多个上述实现方案，但是可以理解，其它的实现方案可以被实践，而无需所描述的这些特定的特征或步骤。而且，该特定的特征和步骤被公开作为一个或更多个实现方案的优选形式。

Claims (20)

1.一种方法，包括：
接收通过业务过程工具产生的上下文数据，其中，所述上下文数据与至少一个当前属性相关联；以及
通过将任何相关应用编程接口API与当前属性进行匹配来识别所述API，其中，所述API可以由处理器来执行以从信息源取回源数据并且基于所述源数据来提供业务智能。
2.根据权利要求1所述的方法，其中，业务智能工具包括企业资源规划工具。
3.根据权利要求1所述的方法，其中，所述API可以由处理器来执行，以通过基于所述源数据产生报告来提供业务智能。
4.根据权利要求1所述的方法，其中，所述API可以由处理器来执行，以通过分析所述源数据并且将分析结果呈现给用户来提供业务智能。
5.根据权利要求1所述的方法，其中，所述API可以由处理器来执行，以从多个信息源取回所述源数据。
6.根据权利要求1所述的方法，其中，所述上下文数据包括业务对象、用户简档、系统信息、公司简档、用户历史、应用数据以及它们的组合。
7.根据权利要求1所述的方法，其中，所述信息源包括网站。
8.根据权利要求1所述的方法，其中，识别任何相关API包括识别任何具有匹配与当前属性相关联的名称的一个或多个参数名称的API。
9.根据权利要求1所述的方法，其中，识别任何相关API包括识别任何具有匹配与当前属性相关联的名称的别名的一个或多个参数名称的API。
10.根据权利要求1所述的方法，其中，识别任何相关API包括识别任何具有匹配与当前属性相关联的语义值的一个或多个参数名称的API。
11.根据权利要求1所述的方法，其中，识别任何相关API包括识别多个相关API。
12.根据权利要求11所述的方法，还包括：
向用户呈现所述相关API的建议列表；
从用户接收对于所述相关API中的至少一个的选择；以及
调用所述至少一个相关API来提供业务智能。
13.根据权利要求12所述的方法，还包括：
计算所述相关API的匹配分数；以及
根据所述匹配分数在所述建议列表上将所述相关API排序。
14.根据权利要求13所述的方法，其中，计算所述匹配分数包括根据系统定义的排序规则来计算所述匹配分数。
15.根据权利要求14所述的方法，其中，根据所述系统定义的排序规则来计算所述匹配分数包括基于匹配的特异性来确定匹配分数。
16.根据权利要求13所述的方法，其中，计算所述匹配分数包括根据用户定义的排序规则来计算所述匹配分数。
17.根据权利要求13所述的方法，其中，计算所述匹配分数包括根据历史统计来计算所述匹配分数。
18.根据权利要求1所述的方法，还包括：
从所述上下文数据中提取一个或更多个上下文值；以及
使用所述一个或更多个上下文值作为所述API的输入参数来执行所述相关API。
19.一种计算机可读介质，其具体化了可以由机器执行的指令的程序，该程序可执行以提供业务智能的步骤，所述步骤包括：
接收通过业务过程工具产生的上下文数据，其中，所述上下文数据与至少一个当前属性相关联；以及
通过将任何相关应用编程接口API与当前属性进行匹配来识别所述API，其中，所述API可以由处理器来执行以从信息源取回源数据并且基于所述源数据来提供业务智能。
20.一种系统，包括：
存储设备，其用于存储计算机可读程序代码；以及
处理器，其与所述存储设备通信，所述处理器利用所述计算机可读程序代码来操作以执行以下步骤：
接收通过业务过程工具产生的上下文数据，其中，所述上下文数据与至少一个当前属性相关联；以及
通过将任何相关应用编程接口API与当前属性进行匹配来识别所述API，其中，所述API可以由所述处理器来执行以从信息源取回源数据并且基于所述源数据来提供业务智能。
CN201010507873.3A 2010-10-15 2010-10-15 过程驱动的业务智能 Active CN102446311B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201010507873.3A CN102446311B (zh) 2010-10-15 2010-10-15 过程驱动的业务智能
US12/912,787 US9064224B2 (en) 2010-10-15 2010-10-27 Process driven business intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010507873.3A CN102446311B (zh) 2010-10-15 2010-10-15 过程驱动的业务智能

Publications (2)

Publication Number Publication Date
CN102446311A true CN102446311A (zh) 2012-05-09
CN102446311B CN102446311B (zh) 2016-12-21

Family

ID=45934978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010507873.3A Active CN102446311B (zh) 2010-10-15 2010-10-15 过程驱动的业务智能

Country Status (2)

Country Link
US (1) US9064224B2 (zh)
CN (1) CN102446311B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014009845A1 (en) * 2012-07-12 2014-01-16 International Business Machines Corporation Operating a program code object in conjunction with an application context

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2737393A4 (en) * 2011-07-27 2015-01-21 Hewlett Packard Development Co MAINTAINING AND USING A REPORTING KNOWLEDGE DATABASE
US20140067447A1 (en) * 2012-08-29 2014-03-06 Winshuttle, Llc Erp transaction recording to api system and method
US9135095B2 (en) 2013-02-07 2015-09-15 Loomis Sayles & Company, L.P. Methods and systems for inter-application communication
US9886247B2 (en) * 2014-10-30 2018-02-06 International Business Machines Corporation Using an application programming interface (API) data structure in recommending an API composite
US20160162821A1 (en) * 2014-12-04 2016-06-09 International Business Machines Corporation Comparative peer analysis for business intelligence
US9734000B2 (en) * 2015-06-18 2017-08-15 Microsoft Technology Licensing, Llc Seamless transitions between applications and devices
JP6624277B2 (ja) * 2016-02-29 2019-12-25 富士通株式会社 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム
US10606658B2 (en) * 2016-03-22 2020-03-31 International Business Machines Corporation Approach to recommending mashups
US10885440B2 (en) * 2016-06-21 2021-01-05 International Business Machines Corporation Contextual evaluation of process model for generation and extraction of project management artifacts
US10380010B2 (en) 2016-06-30 2019-08-13 International Business Machines Corporation Run time and historical workload report scores for customer profiling visualization
US10540265B2 (en) 2016-06-30 2020-01-21 International Business Machines Corporation Using test workload run facts and problem discovery data as input for business analytics to determine test effectiveness
US10346289B2 (en) 2016-06-30 2019-07-09 International Business Machines Corporation Run time workload threshold alerts for customer profiling visualization
US9977670B2 (en) 2016-08-10 2018-05-22 Bank Of America Corporation Application programming interface for providing access to computing platform definitions
US10409622B2 (en) 2016-08-10 2019-09-10 Bank Of America Corporation Orchestration pipeline for providing and operating segmented computing resources
US10469315B2 (en) 2016-08-10 2019-11-05 Bank Of America Corporation Using computing platform definitions to provide segmented computing platforms in a computing system
US10684939B2 (en) 2016-09-08 2020-06-16 International Business Machines Corporation Using workload profiling and analytics to understand and score complexity of test environments and workloads
US10521751B2 (en) 2016-09-08 2019-12-31 International Business Machines Corporation Using customer profiling and analytics to understand, rank, score, and visualize best practices
US10592911B2 (en) 2016-09-08 2020-03-17 International Business Machines Corporation Determining if customer characteristics by customer geography, country, culture or industry may be further applicable to a wider customer set
US10467128B2 (en) 2016-09-08 2019-11-05 International Business Machines Corporation Measuring and optimizing test resources and test coverage effectiveness through run time customer profiling and analytics
US10643168B2 (en) 2016-09-08 2020-05-05 International Business Machines Corporation Using customer and workload profiling and analytics to determine, score, and report portability of customer and test environments and workloads
US10423579B2 (en) 2016-09-08 2019-09-24 International Business Machines Corporation Z/OS SMF record navigation visualization tooling
US10586242B2 (en) 2016-09-08 2020-03-10 International Business Machines Corporation Using customer profiling and analytics to understand customer workload complexity and characteristics by customer geography, country and culture
US10664786B2 (en) * 2016-09-08 2020-05-26 International Business Machines Corporation Using run time and historical customer profiling and analytics to determine customer test vs. production differences, and to enhance customer test effectiveness
US10657478B2 (en) * 2016-09-11 2020-05-19 Bank Of America Corporation Aggregated entity resource tool
US10621072B2 (en) 2016-09-14 2020-04-14 International Business Machines Corporation Using customer profiling and analytics to more accurately estimate and generate an agile bill of requirements and sprints for customer or test workload port
US10643228B2 (en) 2016-09-14 2020-05-05 International Business Machines Corporation Standardizing customer and test data and information collection for run time and historical profiling environments and workload comparisons
US10394701B2 (en) 2016-09-14 2019-08-27 International Business Machines Corporation Using run time and historical customer profiling and analytics to iteratively design, develop, test, tune, and maintain a customer-like test workload
US10628840B2 (en) 2016-09-14 2020-04-21 International Business Machines Corporation Using run-time and historical customer profiling and analytics to determine and score customer adoption levels of platform technologies
US10831511B2 (en) * 2017-04-04 2020-11-10 Adp, Llc Customized application programming interface presentation
US10360403B2 (en) * 2017-04-12 2019-07-23 International Business Machines Corporation Cognitive API policy manager
WO2019064458A1 (ja) * 2017-09-28 2019-04-04 株式会社オプティム コンピュータシステム、セキュリティ設定提案方法及びプログラム
US10425295B1 (en) * 2018-03-08 2019-09-24 Accenture Global Solutions Limited Transformation platform
US20190354815A1 (en) * 2018-05-15 2019-11-21 Palo Alto Investors LP Homeostatic Capacity Evaluation of Artificial Intelligence Systems
CN112115165B (zh) * 2019-06-21 2024-07-16 北京京东振世信息技术有限公司 一种数据处理方法和装置
US10839166B1 (en) 2019-07-03 2020-11-17 Loomis Sayles & Company, L.P. Methods and systems for inter-application communication
US11550629B2 (en) 2020-06-15 2023-01-10 Bank Of America Corporation System for implementing data analytics in mainframe environments
US12045269B2 (en) * 2022-10-07 2024-07-23 David Cook Apparatus and method for generating a digital assistant

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1536483A (zh) * 2003-04-04 2004-10-13 陈文中 网络信息抽取及处理的方法及系统
US20050108631A1 (en) * 2003-09-29 2005-05-19 Amorin Antonio C. Method of conducting data quality analysis
US20050197990A1 (en) * 2004-02-19 2005-09-08 Yuh-Cherng Wu Generating a knowledge base
US20090112832A1 (en) * 2007-10-30 2009-04-30 International Business Machines Corporation Intelligent content assistance
US20100057677A1 (en) * 2008-08-27 2010-03-04 Sap Ag Solution search for software support

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7287218B1 (en) * 2000-10-25 2007-10-23 Bea Systems, Inc. Dynamic publication of information from a database
US7089237B2 (en) * 2001-01-26 2006-08-08 Google, Inc. Interface and system for providing persistent contextual relevance for commerce activities in a networked environment
US7139757B1 (en) * 2001-12-21 2006-11-21 The Procter & Gamble Company Contextual relevance engine and knowledge delivery system
EP1416382A1 (en) * 2002-10-31 2004-05-06 Sap Ag Identifying solutions to computer problems in main system by service system
US20050262087A1 (en) * 2003-05-19 2005-11-24 Ju Wu Apparatus and method for maintaining row set security through a metadata interface
US20080077609A1 (en) * 2006-09-21 2008-03-27 Sap Portals Israel Ltd. System and methods for context based navigation
US8204895B2 (en) * 2006-09-29 2012-06-19 Business Objects Software Ltd. Apparatus and method for receiving a report
US7660793B2 (en) * 2006-11-13 2010-02-09 Exegy Incorporated Method and system for high performance integration, processing and searching of structured and unstructured data using coprocessors
US9361622B2 (en) * 2006-12-28 2016-06-07 Oracle International Corporation Multi-dimensioned data hierarchies
US8655677B2 (en) * 2007-06-12 2014-02-18 Bruce Reiner Productivity workflow index

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1536483A (zh) * 2003-04-04 2004-10-13 陈文中 网络信息抽取及处理的方法及系统
US20050108631A1 (en) * 2003-09-29 2005-05-19 Amorin Antonio C. Method of conducting data quality analysis
US20050197990A1 (en) * 2004-02-19 2005-09-08 Yuh-Cherng Wu Generating a knowledge base
US20090112832A1 (en) * 2007-10-30 2009-04-30 International Business Machines Corporation Intelligent content assistance
US20100057677A1 (en) * 2008-08-27 2010-03-04 Sap Ag Solution search for software support

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014009845A1 (en) * 2012-07-12 2014-01-16 International Business Machines Corporation Operating a program code object in conjunction with an application context
US9672083B2 (en) 2012-07-12 2017-06-06 International Business Machines Corporation Operating a program code object in conjunction with an application context

Also Published As

Publication number Publication date
CN102446311B (zh) 2016-12-21
US20120095956A1 (en) 2012-04-19
US9064224B2 (en) 2015-06-23

Similar Documents

Publication Publication Date Title
CN102446311B (zh) 过程驱动的业务智能
Stefanovic Proactive supply chain performance management with predictive analytics
US7613713B2 (en) Data ecosystem awareness
KR101033446B1 (ko) 데이터 통합 시스템의 사용자 인터페이스
US7565613B2 (en) User interface incorporating data ecosystem awareness
CN102385483B (zh) 基于上下文的用户接口、搜索和导航
US7653638B2 (en) Data ecosystem awareness
US8340995B2 (en) Method and system of using artifacts to identify elements of a component business model
US7707040B2 (en) Method of generating business intelligence incorporated business process activity forms
US20030149586A1 (en) Method and system for root cause analysis of structured and unstructured data
US20080263029A1 (en) Adaptive archive data management
US20060059028A1 (en) Context search system
US20110112986A1 (en) Generative Investment Method and System
WO2007100969A2 (en) Apparatus and method for selecting a subset of report templates based on specified criteria
US20090043788A1 (en) Proactive business intelligence
US20230297917A1 (en) System to facilitate guided navigation of direct-access databases for advanced analytics
Fabbri et al. Employee attitudes and (digital) collaboration data: A preliminary analysis in the HRM field
CN104541297A (zh) 销售预测器(spe)的可扩展性
Mamoghli et al. Aligning ERP systems with companies’ real needs: an ‘Operational Model Based’method
CN117454278A (zh) 一种标准企业数字化规则引擎的实现方法和系统
US20240232131A1 (en) Systems, devices and methods for data processing and presentation
Wang et al. Integrating data mining into managerial accounting system: Challenges and opportunities
Peacock Data mining in marketing: Part 2
Rupnik et al. Decision support system to support decision processes with data mining
Chen et al. Strategic decision-making processes of NPD by hybrid classification model techniques

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant