商务智能在投资计划业务上的深化应用

康羿* 亓伟 于广睿

（中国石油天然气股份有限公司规划总院）

康羿等. 商务智能在投资计划业务上的深化应用. 石油规划设计，2014，25（3）：41～44

随着各大企业信息化建设的不断完善，相继推行了自己的ERP（Enterprise Resource Planning，企业资源计划）项目，项目上线运行3至5年后，将会积累海量的业务数据，而商务智能技术是ERP系统初步实现后的一个重要应用。在激烈的市场竞争中，信息对于企业的生存和发展起着至关重要的作用，表达信息的数据随着时间和业务的发展不断膨胀。如何应用好企业中海量的数据，成为信息技术发展到一定阶段时，企业信息化建设面临的一个新问题。

海量的历史数据对企业来说并不意味着负担，而是一笔宝贵的财富。在国外IT技术发达国家，数据挖掘和OLAP（On-Line Analytical Processing，联机分析处理）相结合的商务智能技术已经被许多大型集团公司广泛采用。近几年，商务智能在我国也逐渐被认知，将商务智能系统深化应用于企业战略决策管理分析，将具有广阔的应用前景。

结合企业投资计划业务的实际需求为背景，实现利用 SAP（Systems Applications and Products in Data Processing，企业管理解决方案软件）商务智能系统，挖掘和分析前端的海量业务数据，为企业决策层提供强有力的数据支持，并以动态 Excel、IE报表等形式展现出来，使用户可以通过简单的操作就可以得到所需的关键绩效指标，享受到数据挖掘为企业决策带来的巨大商业价值。

预算投资是项目整个生命周期前期的重要部分，也是项目启动执行前最为重要的阶段。通过多年投资计划业务在 OLTP（On-Line Transaction Processing，联机事务处理）系统中的分批次的上报与下达，在系统中积累了庞大的业务数据，而如何有效利用分析这些历史数据，让预算数据“活起来”成为真正对企业有意义的数据是一个新的课题，而商务智能的有效深化应用可以在很大程度上解决如何有效利用庞大的历史数据这一难题。利用商务智能技术对企业庞大投资计划历史数据进行挖掘，可以从数据库或数据仓库的相关数据集中提取所感兴趣的知识、规律或更高层次的信息并可以用不同角度来分析它，从而可以更有效地利用数据库中的大量数据。利用数据挖掘技术不仅可以描述企业过去数据的发展，还能够进一步预测未来的趋势。

1 国内外相关应用现状分析

1.1 国外应用现状

在国外IT技术发达国家，商务智能技术已成为人们关注的焦点。商务智能在国外已进入快速发展时期。商务智能已经成为全球市场上继ERP之后最重要的信息系统之一。在国外，商务智能的早期应用主要集中在对业务信息展现的层面上，而主流商务智能厂商最初大都以提供商务智能技术工具为主。如，针对客户的前端展现需求而开发各种报表展现工具或者着眼于后端的数据整合工具，然而，随着应用水平的不断提升，商务智能不再仅仅是停留在对业务情况的了解以及总结过去的报表分析展现上，而是从整体战略出发，辅助决策者评估和预测未来，进而制定相应的策略。在全球商务智能最发达的地区，企业对商务智能的部署也多是部门性的和战术性的。商务智能的理想和现实之间仍然存在很大差距，商务智能要想实现其在企业中的战略性地位还有很长一段路要走。

1.2 国内应用现状

目前，国内商务智能应用尚处于起步阶段。现有市场规模虽不及国外市场，但是，增长速度很快，很多企业已经开始意识到构建商务智能系统是提升企业信息化管理及科学决策支持不可或缺的一部分。商务智能正在逐步成为IT技术热点。

对于商务智能技术的应用主要停留在部分地区、部分业务数据的分析与报表展现上，而无法提供集团层面的业务决策支持。一方面，由于各地区子公司有自己的应用系统，数据源差异较大，以及ERP系统的复杂结构造成集团企业各地区各系统的相对独立，构成一个个信息孤岛，这给商务智能系统应用带来一定困难；另一方面，目前国内对于商务智能技术的应用主要是简单报表的独立展现，无法对未来进行预测。

2 商务智能技术的深入挖掘

商务智能强大之处在于他的多维分析与数据挖掘功能。应用中不能仅停留于商务智能的初级阶段，不能仅仅把商务智能理解为一堆技术工具的集合，只关注数据仓库之上的查询，从单个业务子系统抽取局部业务信息，通过商务智能工具开发提供业务报表。如今，动态、竞争的商业环境需要对商务智能有着更深层次的理解与应用，它包括了多维灵活分析和数据挖掘分析，从而在汇总企业所有管理信息的基础上预测和掌握未来的趋势并用于指导业务发展。

以投资计划业务为例，采用SAP商务智能平台为实现手段，利用多维灵活分析、与Office无缝集成、数据挖掘等方法实现商务智能的深化应用。

2.1 数据模型

数据模型的建立是商务智能系统的核心，数据模型建立的优略决定着报表效率的高低。所谓数据模型的建立就是SAP商务智能在系统内创建一个信息提供者（InfoCube），面向对象的设计思想，重视对现实生活中各种对象及其关系的模拟，在此基础上形成数据模型。但是，如果简单地把这些数据模型作为一种数据仓库的设计基础，在实际应用中会存在许多缺点。因此，商务智能平台提供了一种星型结构的数据模型设计思想，星型结构是进行OLAP系统设计时常见的一种数据结构，为多维的数据分析提供了坚实的模型基础。

2.1.1 传统星型数据模型

商务智能数据仓库的应用需要创建多维数据模型，星型结构常使用关系数据库的多维模型。这种数据库结构把数据区分为两类：事实表和维度属性表。事实表主要侧重业务活动的分析，如销售额度或数量，事实数据存储在一个高度标准化的事实表中，而其属性信息存储在维度表中。维度表和事实表通过外键或主键进行链接，维度表的最明细级别的维度属性是事实表中的一个外键，通过这种方式，事实表中所有的数据记录都可以被唯一的识别。

2.1.2 SAP BI星型数据模型

SAP BI（Business Intelligence，商业智能）平台的星型架构是对传统星型架构的一个扩展，在 SAP BI星型架构中，事实表中的事实指的是关键值，维度属性指的是特性。与传统的星型结构不同，特性不是维度表的组件，也就是说特性值没有存在在维度表中，维度表中存储的只是 SID（主数据表中的主键），用SID代替维度表中真正的值。相比传统的星型数据模型，BI星型架构不同于传统的星型模型在维度表里直接存放了特征值，而BI星型架构进行了扩展，把特征值独立出来，一个特征值可以为多个维度表所用。特征值和关键值都称为信息对象。信息对象相当于构建 InfoCube（信息块）的一砖一瓦。得益于SID的使用，可以对时间相关的主数据进行轻松的建模，使数据模型可以具备多语言能力，并有能力处理特性的空值，且访问速度更为快速。

2.2 灵活多维分析

SAP商务智能系统支持报表的OLAP动态多维灵活分析功能，通过数据的多维视图使用户能从多角度、多侧面、多层次地考察数据库中的数据，从而深入理解包含在数据中的信息及其内涵。OLAP的基本多维分析操作有下溯（drilldown）、上卷（rollup）、切片（slice）、切块（dice）、旋转（rotate）等。多维结构是决策支持的支柱，为企业决策层提供动态、灵活的分析工具。用户可以通过简单的操作就可以得到所需的关键绩效指标，享受到数据挖掘为企业决策带来的巨大商业价值。

通过灵活分析报表的过滤器功能对项目类型字段进行筛选，从而可以沿项目类型维度中的加油站进行切片，得到加油站业务的全年各批次投资分析结果。通过筛选器分别对原信息块的项目类型、地区、批次进行筛选，从而完成切块分析操作。

2.3 与微软Excel的动态集成

为了最大限度地满足用户在原来 Excel上的使用操作习惯，SAP BI提供查询分析器（BEx Analyzer）组件，这一组件是嵌入到Microsoft Excel的分析、报表和设计工具。由此可以向用户提供Microsoft Excel的全部功能，以及由SAP NetWeaver（SAP应用技术集成平台）BI提供的各种分析工具（下溯、交换特性、货币换算等）。由于一些复杂的报表行和列上都是不同的定义，这种复杂的不规范的报表是在查询设计器（Query Designer）中所无法实现的。因而，需要通过编写VBA（Visual Basic for Applications，一种宏语言）程序的方式对报表进行复杂的拼接和用户个性化的定制。

本投资计划系统利用BEx Analyzer组件为用户生成一套各地区公司加油站座数预算投资汇总表。并利用VBA宏编写程序，以满足报表复杂的拼接和用户个性化的定制。这种Excel报表完全符合了用户日常的操作习惯，大大减轻了系统用户的日常业务工作。用户直接打印便可进行存档和汇报工作。为用户的年度投资计划汇报工作提供基础材料，并为用户的业务工作带来了便捷，提高了用户的工作效率与准确度，促进了系统的深入应用。

2.4 数据挖掘

数据挖掘，是人们长期对数据库技术进行研究和开发的结果，从最初的仅用数据库来存储数据，到可以查询、访问数据库，再到能够找出数据之间的潜在联系。

现以聚类分析为例，通过SAP BI的数据挖掘平台，对数据仓库中的投资计划数据进行知识的挖掘分析。聚类分析（Cluster Analysis）是研究“物以类聚”的一种多元统计方法。研究对样品或指标进行分类的,是依据研究对象的个体的特征进行分类的方法。聚类分析把分类对象按一定规则分成若干类，这些类非事先给定的，而是根据数据本身特征通过机器学习确定的。在同一类中，这些对象在某种意义上趋向于彼此相似；而在不同类中，趋向于不相似。于是，根据一批样本的多个观测指标，具体找出一些彼此之间相似程度较大的样本聚合为一类，把另外一些彼此之间相似程度较大的样本又聚合为另一类，关系密切的聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有样本都聚合完毕，把不同的类型一一划分出来，形成一个由小到大的分类系统。

选取聚类的最短距离法为例进行分析，其算法为：选择样本间距离的定义及类间距离，计算n个样本两两之间的距离得到距离矩阵构造个类，每类只含有一个样本，合并符合类间距离定义要求的两类为一个新类；计算新类与当前各类的距离。用dij表示样品X(i)和X(j)之间的距离，当样品间的亲疏关系采用相似系数Cij时，令以下用表示类Gp和Gq之间的距离。故类之间的最短距离为最后将最短距离的样本构造成一个新类，这就完成了聚类分析。

此技术方法被用作描述、衡量不同投资计划项目间的相似性，并把所有投资计划项目样本分类到不同的簇中。首先，需要建立聚类的数据挖掘模型,对聚类整体模块参数进行设置，更改簇编号，设置本聚类模块一共分为5个组：最优项目、次优项目、一般项目、投资回报率较低项目、不推荐投资项目。

将数据源中的投资预算项目通过 BI平台传输进数据挖掘聚集模型中，对其培训。数据模型的培训，也称机器学习，机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，是数据挖掘的核心，是使计算机具有智能的根本途径。数据挖掘平台自动对培训过的项目进行聚类分类。

最后，通过已培训好的聚类模型对未来的项目的优劣情况进行预测分析。如，一条尚未投产的新项目“XXX”加油站，投资回收期11年；投资收益率8.3%；项目规模1；项目阶段3；单站销量15t/d；加油站1座；加油站库容2×104m3，中方投资金额1104万元。

将项目的关键指标信息输入到聚类预测模型中，系统便可以对此项目进行归类，显示属于哪一个族类中（见表1）。

表1 预测分析结果

通过数据挖掘分析，预测出此项目属于第四族类中，为投资回报率较低的项目。企业决策者针对预测结果，以便对是否实施这条项目进行慎重的考虑。

3 结语

通过多维灵活分析、与Office无缝集成、数据挖掘等技术手段，使投资计划数据真正活起来，实现了商务智能技术的深化应用，提高了投资估算的科学性和准确性，为经济效益评价及项目决策提供了重要的数据支持。决策的产生依赖于有效的决策信息提供。商务智能技术利用分级信息分析、汇总、挖掘等手段，使不同业务层面上的管理者可快速获得多层次的投资计划管理汇总信息，为管理者决策提供及时准确的信息支持。

商务智能技术的深化应用，不仅加强了企业投资计划管理、提高企业管理效能，平衡了投资与效益、管理与效率、规划与计划、企业总部和各级分公司投资的控制与管理几方面的关系，而且使企业预算决策层可以实时灵活的分析数据，并具备了预测未来的能力，能够更准确地编制预算投资计划，极大地提高项目的投资回报率，更大限度地发挥了商务智能系统的价值，从而为企业创造巨大的显形和隐形利益。在提高工作效率、提升企业经营效益和管理水平等方面将会产生长期的、持久的影响。

在世界经济一体化和信息化环境中，企业要生存和发展必须提高响应速度，增强反应能力，加快企业信息化应用进程。世界大型石油公司纷纷加快信息技术应用的步伐，进行企业的重组、整合和再造，尤其是积极采用以ERP和商务智能为代表的先进信息技术整合资源，扩展企业业务，从而降低成本和提升核心竞争力。随着中国市场的国际化，本土企业自身“走出去”战略的实施，商务智能系统的深化应用将为企业建成一流的现代化企业和具有较强国际竞争力的跨国企业集团提供强有力的数据决策支持。

[1]傅彪,亨利.傅.SAP业务信息仓库应用指南[M].北京: 中国人民大学出版社,2003: 71-74.

[2]刘伟江.商务智能: 概念、方法及在管理中的应用[M].北京: 社会科学文献出版社,2012: 24-28.

[3]陈永杰.SAP商务智能完全解决方案[M].北京: 机械工业出版社,2008: 246-249.

[4]谢邦昌.商务智能与数据挖掘 Microsof t SQL Server应用[M].北京: 机械工业出版社,2008: 192-293.

[5]马超群.金融数据挖掘[M].北京: 科学出版社,2007:30-32.