商業智能及其應用的研究與發展

摘要：文章簡述了商業智能的關鍵技術、研究熱點、存在的不足及未來的發展趨勢，并結合銀行信用風險管理探討了商業智能的具體應用，最后對我國企業實施商業智能存在的關鍵問題提出了幾點建議。

關鍵詞：商業智能；信用風險管理；發展趨勢；建議

本文研究了商業智能的研究與發展狀況，介紹了其在銀行信用風險管理中的應用示例。

一、 商業智能概述

1． 商業智能及其意義。商業智能（BI，Business Intelligence）最早由Gartner Group的Howard Dresner在1989年首次提出，是對商業信息的搜集、管理和分析過程，目的是使企業各級決策者獲得知識，促使他們做出更加合理的決策。BI將數據倉庫、聯機分析處理（OLAP）和數據挖掘等結合起來應用于商業活動中，從由不同的數據源收集的數據中提取有用的數據，對數據進行清洗以保證數據的正確性，將數據經轉換、重構后載入數據倉庫或數據集市；然后利用合適的工具對數據進行處理，這時信息變為輔助決策的知識；最后將知識呈現于用戶面前，為管理決策提供參考。可見，BI并不是基礎技術或者產品技術，而是一種解決方案。

2． 商業智能的核心技術。商業智能的核心技術主要包括三個關鍵部分：數據倉庫和數據集市、數據挖掘以及聯機分析處理（OLAP），其中數據倉庫和數據集市是商業智能的基礎，而數據挖掘和OLAP是對數據倉庫中的數據進行分析和處理的重要工具。

二、 商業智能的主要研究內容

BI是以現代管理理論為指導，信息技術為支撐的集成系統。近年來，它的研究熱點主要集中在三個方面：支撐技術的研究、體系結構的研究、應用系統的研究。

1． 支撐技術。BI支撐技術主要包括兩個方面：一是計算機技術，主要包括數據

倉庫、數據集市技術；數據挖掘技術；OLTP、OLAP、Legacy等分析技術；數據可視化技術；計算機網絡技術。二是現代管理技術，主要包括統計、預測等運籌學方法；客戶管理、供應鏈管理、企業資源計劃等管理理論和方法；企業建模方法。

支撐技術的研究注重跟蹤相關技術的最新發展，例如對數據倉庫的研究集中在數據集成中數據模式的設計、數據清洗和數據轉換、導入和更新方法；數據挖掘的研究重點則偏向數據挖掘算法以及數據挖掘技術在新的數據類型、應用環境中使用時所出現的新問題的解決上，如對各種非結構化數據的挖掘、數據挖掘語言的標準化以及可視化數據挖掘等。聯機分析處理研究主要集中在ROLAP（基于關系數據庫的OLAP）的查詢優化技術和MOLAP（基于多維數據組織的OLAP）中減少存儲空間和提高系統性能的方法；數據倉庫、數據挖掘和OLAP相結合的產物聯機分析挖掘（OLAM）也是目前研究的熱點。企業建模是為解決如何建立特定企業模式

的輔助工具，比較新的建模方法包括基于UML的企業建模方法。

2． 體系結構。BI體系結構是指通過識別和理解數據在系統中的流動過程和數據在企業的應用過程來提供BI系統應用的主框架。BI的體系結構主要包括數據預處理、數據倉庫、數據分析以及數據展現等幾部分，BI基本體系結構如圖1所示。BI體系結構的研究關心采用什么樣的體系結構才能使BI系統具有良好的性能。

3． 應用系統。對于應用系統的研究重點放在對各個應用領域所面臨的決策問題的分析，根據對各類問題的解決方式和解決方案來決定BI系統應該提供的功能，以及具體實現方法。BI具有代表性的應用領域主要包括企業資源計劃（ERP）、客戶關系管理（CRM）、人力資源管理（HRM）、供應鏈管理（SCM）以及電子商務（E—business）等。

三、 商業智能研究中存在的問題及發展

1． 商業智能研究存在的問題。數據倉庫的數據存儲類型還受到一定的限制，數據倉庫的擴展性能還需要進一步加強；數據挖掘在標準化和通用性方面存在一系列問題，數據挖掘引擎與數據庫系統還是松散耦合的；數據挖掘語言有待于向標準化方向發展等；目前，OLAP還是一種傳統決策支持方法，是一種用戶驅動的驗證性分析，受到用戶水平的制約，使其作用沒有得到充分發揮。

目前大多數BI系統功能集中在分析方面，對系統的智能性不夠重視，決策支持功能主要還是依賴數據挖掘、OLAP等工具的數據分析、趨勢預測功能來實現，不具備專門的決策支持系統提供方案生成、方案協調，方案評估的功能，更不具備群體決策和智能決策的能力，也就是說BI的智能化水平還很低。

2． 商業智能發展趨勢。隨著應用的不斷深入，市場需求對BI提出了新的挑戰，Internet、IT技術以及人工智能的不斷發展，則為BI的不斷完善提供了強大的技術支持。未來，BI有望進一步獲得長足發展，從根本上改變決策方式。具體來說，BI未來發展將集中于以下幾點：

（1）支撐技術。基于關系對象數據庫的數據倉庫將是未來的一個發展方向，數據倉庫的平臺性能將得到很大改善。數據挖掘方法和算法研究將更加深入，專門用于知識發現的數據挖掘語言有望進一步向標準化發展。基于數據倉庫的數據挖掘與OLAP將實現融合和互補，從而使分析操作智能化，使挖掘操作目標化。信息可視化進程進一步發展，以提供更優的洞察力。對非結構化數據的處理和分析，比如文本挖掘和WEB挖掘的能力將大大增強。

（2）體系結構。BI方案的協同性和開放性將進一步提高。企業能夠利用合作伙伴的數據倉庫或Intranet系統中的多維數據集進行決策分析活動，并且OLAP及其它BI的應用以Web服務形式提供，以XML形式發放BI應用的分析結果是新的發展趨勢。

（3）應用系統。BI系統將更具專業化和行業化的特點，籠統的BI系統漸漸成為概念，BI根據每個領域關注的重點和分析模型，提供針對具體企業進行擴展的解決方案。各種商業分析模型、數據挖掘算法將集成到BI軟件和分析應用之中，從而能夠集中解決不同部門的需要。同時，BI應用與企業門戶、企業應用集成緊密相連，新的BI系統不再是一個孤立的應用。

四、 我國發展BI的若干問題

1． 關注BI的技術研究。目前，我國在BI軟件開發和基礎理論的研究上都非常薄弱。應在研究開發領域中關注人工智能、認知科學的研究成果和數據挖掘算法的研究。

BI和人工智能的研究息息相關，要提高BI研究開發水平，必須緊密跟蹤人工智能領域的最新研究進展。目前，對人工智能的研究已擴展到對認知科學研究。認知科學引起的新的智能理論和技術方法的研究，將對人工智能的研究與發展起到促進作用。

在對認知科學的研究中，多個西方國家的國家科學戰略計劃都對認知科學的研究進行了重點部署。多國合作的“國際人類前沿科學計劃”被國際上看作三個重要計劃之一，投資100億美元，認知科學是該計劃的重點內容。我國在1992年將“認知科學中若干重大前沿問題的研究”列入國家攀登計劃。認知科學的信息處理是認知科學的重要研究內容，得到了國際的重視。目前，國際上已將“人的智能和人工智能的極限”列為21世紀需要解決的24個數學問題之一。國家自然科學基金委在“十五”發展計劃中，將“認知科學及其信息處理”列入優先資助領域的24個主要內容之一。

數據挖掘是BI的核心技術之一，加強對數據挖掘的研究是BI研究開發的重要內容。支持向量機（SVM）是一種新的機器學習方法，在分類方而具有良好的性能，它在數據挖掘領域有廣闊的應用前景。SVM還處于發展階段，尤其是其算法實現方面存在著效率低下的問題，這也限制了SVM在數據挖掘中的應用。目前很多研究是將支持向量機扎實的理論背景和快速的算法相結合應用于數據挖掘，這對于BI系統提高數據處理功能將產生很強的促進作用。

這些技術的研究成果將對BI的研究與發展帶來重大影響。

2． 重視BI的應用研究。BI系統是復雜的系統，它的成敗不僅取決于技術因素，經濟、環境、人員、組織等因素也起著非常重要的作用。企業在實施BI的過程中，除了存在技術上的困難，還有來自企業文化和管理理念的挑戰。另外，企業還存在數據質量管理混亂的問題，這也制約了BI的實施。在國內，企業實施BI必須注意以下幾點：

（1）分析需求，確定目標。在實施BI之前，要科學地進行立項分析，是否實施BI，必須和自身的特點及發展需求相適應。企業是否具備了實施BI的基礎條件、當前需要解決的問題、實施BI的必要性以及投資效益等等都必須加以考慮。

（2）完善信息化基礎建設，加強數據質量管理。BI的實施需要一定的信息化基礎，如果數據庫等基礎工作沒有做好，沒有強大的數據源，數據質量得不到保證，BI就不能發揮作用。

（3）全局規劃，統一協調。BI系統由于是構筑于所有的業務系統之上，有著獨特的復雜性和全面性，涉及到企業經營管理的各個方面，企業必須進行縝密的思考和全局的規劃，結合企業內部治理結構、經營管理思路、業務流程等，規劃BI實施模型。

（4）培養BI應用人才，轉變管理理念。要充分發揮BI的優勢，企業必須培養既懂業務知識，又熟悉信息分析技術的復合型BI人才。并且，企業實施BI必須培養相應的管理理念和管理文化，以適應BI系統的正常運行。

參考文獻：

1．W．F．Cody，J．T．Kreulen，V．Krishna，W．S．Spangler．The Integration of Business Intelligence and Knowledge Management．IBM Systems Journal，2002，41（4）：697-714．

2．熊繼佑．淺談商業智能．計算機與現代化，2003，（8）：23-24．

3．夏火松．數據倉庫與數據挖掘技術．北京：科學出版社，2004．

基金項目：國家自然科學基金（批準號：70071023），廣東省自然科學基金（批準號：5013318）。

作者簡介：陳世權，五邑大學管理學院教授；韓清池，五邑大學管理學院碩士生。