商业智能及其应用研究与发展.docVIP

商业智能及其应用研究与发展 　　摘要：文章简述了商业智能的关键技术、研究热点、存在的不足及未来的发展趋势，并结合银行信用风险管理探讨了商业智能的具体应用，最后对我国企业实施商业智能存在的关键问题提出了几点建议。 　　关键词：商业智能；信用风险管理；发展趋势；建议 　　 　　本文研究了商业智能的研究与发展状况，介绍了其在银行信用风险管理中的应用示例。 　　 　　一、 商业智能概述 　　 　　1． 商业智能及其意义。商业智能（BI，Business Intelligence）最早由Gartner Group的Howard Dresner在1989年首次提出，是对商业信息的搜集、管理和分析过程，目的是使企业各级决策者获得知识，促使他们做出更加合理的决策。BI将数据仓库、联机分析处理（OLAP）和数据挖掘等结合起来应用于商业活动中，从由不同的数据源收集的数据中提取有用的数据，对数据进行清洗以保证数据的正确性，将数据经转换、重构后载入数据仓库或数据集市；然后利用合适的工具对数据进行处理，这时信息变为辅助决策的知识；最后将知识呈现于用户面前，为管理决策提供参考。可见，BI并不是基础技术或者产品技术，而是一种解决方案。 　　 　　2． 商业智能的核心技术。商业智能的核心技术主要包括三个关键部分：数据仓库和数据集市、数据挖掘以及联机分析处理（OLAP），其中数据仓库和数据集市是商业智能的基础，而数据挖掘和OLAP是对数据仓库中的数据进行分析和处理的重要工具。 　　 　　二、 商业智能的主要研究内容 　　 　　BI是以现代管理理论为指导，信息技术为支撑的集成系统。近年来，它的研究热点主要集中在三个方面：支撑技术的研究、体系结构的研究、应用系统的研究。 　　 　　1． 支撑技术。BI支撑技术主要包括两个方面：一是计算机技术，主要包括数据 　　仓库、数据集市技术；数据挖掘技术；OLTP、OLAP、Legacy等分析技术；数据可视化技术；计算机网络技术。二是现代管理技术，主要包括统计、预测等运筹学方法；客户管理、供应链管理、企业资源计划等管理理论和方法；企业建模方法。 　　支撑技术的研究注重跟踪相关技术的最新发展，例如对数据仓库的研究集中在数据集成中数据模式的设计、数据清洗和数据转换、导入和更新方法；数据挖掘的研究重点则偏向数据挖掘算法以及数据挖掘技术在新的数据类型、应用环境中使用时所出现的新问题的解决上，如对各种非结构化数据的挖掘、数据挖掘语言的标准化以及可视化数据挖掘等。联机分析处理研究主要集中在ROLAP（基于关系数据库的OLAP）的查询优化技术和MOLAP（基于多维数据组织的OLAP）中减少存储空间和提高系统性能的方法；数据仓库、数据挖掘和OLAP相结合的产物联机分析挖掘（OLAM）也是目前研究的热点。企业建模是为解决如何建立特定企业模式 　　的辅助工具，比较新的建模方法包括基于UML的企业建模方法。 　　 　　2． 体系结构。BI体系结构是指通过识别和理解数据在系统中的流动过程和数据在企业的应用过程来提供BI系统应用的主框架。BI的体系结构主要包括数据预处理、数据仓库、数据分析以及数据展现等几部分，BI基本体系结构如图1所示。BI体系结构的研究关心采用什么样的体系结构才能使BI系统具有良好的性能。 　　 　　 　　3． 应用系统。对于应用系统的研究重点放在对各个应用领域所面临的决策问题的分析，根据对各类问题的解决方式和解决方案来决定BI系统应该提供的功能，以及具体实现方法。BI具有代表性的应用领域主要包括企业资源计划（ERP）、客户关系管理（CRM）、人力资源管理（HRM）、供应链管理（SCM）以及电子商务（E―business）等。 　　 　　三、 商业智能研究中存在的问题及发展 　　 　　1． 商业智能研究存在的问题。数据仓库的数据存储类型还受到一定的限制，数据仓库的扩展性能还需要进一步加强；数据挖掘在标准化和通用性方面存在一系列问题，数据挖掘引擎与数据库系统还是松散耦合的；数据挖掘语言有待于向标准化方向发展等；目前，OLAP还是一种传统决策支持方法，是一种用户驱动的验证性分析，受到用户水平的制约，使其作用没有得到充分发挥。 　　目前大多数BI系统功能集中在分析方面，对系统的智能性不够重视，决策支持功能主要还是依赖数据挖掘、OLAP等工具的数据分析、趋势预测功能来实现，不具备专门的决策支持系统提供方案生成、方案协调，方案评估的功能，更不具备群体决策和智能决策的能力，也就是说BI的智能化水平还很低。 　　 　　2． 商业智能发展趋势。随着应用的不断深入，市场需求对BI提出了新的挑战，Internet、IT技术以及人工智能的不断发展，则为BI的不断完善提供了强大的技术支持。未来