商业智能及其应用的研究与发展
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。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。
（1）支撑技术。基于关系对象数据库的数据仓库将是未来的一个发展方向，数据仓库的平台性能将得到很大改善。数据挖掘方法和算法研究将更加深入，专门用于知识发现的数据挖掘语言有望进一步向标准化发展。基于数据仓库的数据挖掘与OLAP将实现融合和互补，从而使分析操作智能化，使挖掘操作目标化。信息可视化进程进一步发展，以提供更优的洞察力。对非结构化数据的处理和分析，比如文本挖掘和WEB挖掘的能力将大大增强。
（2）体系结构。BI方案的协同性和开放性将进一步提高。能够利用合作伙伴的数据仓库或Intranet系统中的多维数据集进行决策分析活动，并且OLAP及其它BI的应用以Web服务形式提供，以XML形式发放BI应用的分析结果是新的发展趋势。
（3）应用系统。BI系统将更具专业化和行业化的特点，笼统的BI系统渐渐成为概念，BI根据每个领域关注的重点和分析模型，提供针对具体企业进行扩展的解决方案。各种商业分析模型、数据挖掘算法将集成到BI软件和分析应用之中，从而能够集中解决不同部门的需要。同时，BI应用与企业门户、企业应用集成紧密相连，新的BI系统不再是一个孤立的应用。
四、 我国发展BI的若干问题
1． 关注BI的技术研究。目前，我国在BI软件开发和基础理论的研究上都非常薄弱。应在研究开发领域中关注人工智能、认知的研究成果和数据挖掘算法的研究。
BI和人工智能的研究息息相关，要提高BI研究开发水平，必须紧密跟踪人工智能领域的最新研究进展。目前，对人工智能的研究已扩展到对认知科学研究。认知科学引起的新的智能理论和技术方法的研究，将对人工智能的研究与发展起到促进作用。
在对认知科学的研究中，多个西方国家的国家科学战略计划都对认知科学的研究进行了重点部署。多国合作的“国际人类前沿科学计划”被国际上看作三个重要计划之一，投资100亿美元，认知科学是该计划的重点内容。我国在1992年将“认知科学中若干重大前沿问题的研究”列入国家攀登计划。认知科学的信息处理是认知科学的重要研究内容，得到了国际的重视。目前，国际上已将“人的智能和人工智能的极限”列为21世纪需要解决的24个数学问题之一。国家科学基金委在“十五”发展计划中，将“认知科学及其信息处理”列入优先资助领域的24个主要内容之一。
数据挖掘是BI的核心技术之一，加强对数据挖掘的研究是BI研究开发的重要内容。支持向量机（SVM）是一种新的机器学习方法，在分类方而具有良好的性能，它在数据挖掘领域有广阔的应用前景。SVM还处于发展阶段，尤其是其算法实现方面存在着效率低下的问题，这也限制了SVM在数据挖掘中的应用。目前很多研究是将支持向量机扎实的理论背景和快速的算法相结合应用于数据挖掘，这对于BI系统提高数据处理功能将产生很强的促进作用。
这些技术的研究成果将对BI的研究与发展带来重大影响。
2． 重视BI的应用研究。BI系统是复杂的系统，它的成败不仅取决于技术因素，、环境、人员、组织等因素也起着非常重要的作用。企业在实施BI的过程中，除了存在技术上的困难，还有来自企业文化和管理理念的挑战。另外，企业还存在数据质量管理混乱的问题，这也制约了BI的实施。在国内，企业实施BI必须注意以下几点：
（1）分析需求，确定目标。在实施BI之前，要科学地进行立项分析，是否实施BI，必须和自身的特点及发展需求相适应。企业是否具备了实施BI的基础条件、当前需要解决的问题、实施BI的必要性以及投资效益等等都必须加以考虑。
（2）完善信息化基础建设，加强数据质量管理。BI的实施需要一定的信息化基础，如果数据库等基础工作没有做好，没有强大的数据源，数据质量得不到保证，BI就不能发挥作用。
（3）全局规划，统一协调。BI系统由于是构筑于所有的业务系统之上，有着独特的复杂性和全面性，涉及到企业经营管理的各个方面，企业必须进行缜密的思考和全局的规划，结合企业内部治理结构、经营管理思路、业务流程等，规划BI实施模型。
（4）培养BI应用人才，转变管理理念。要充分发挥BI的优势，企业必须培养既懂业务知识，又熟悉信息分析技术的复合型BI人才。并且，企业实施BI必须培养相应的管理理念和管理文化，以适应BI系统的正常运行。
：
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．熊继佑．浅谈商业智能．机与化，2003，（8）：23-24．
3．夏火松．数据仓库与数据挖掘技术．北京：科学出版社，2004．
