面向大数据的企业智能决策支持系统发展趋势分析

李晓东

【摘 要】文章主要分析智能决策支持系统当前的主流分类及所采用的核心技术，对其现状进行梳理，据此总结出目前所存在的问题及难点，并在上述研究和分析的基础上，探讨在大数据快速发展的背景下，智能决策支持系统的发展趋势和关键技术领域，提出可以利用数据仓库技术建立面向大数据的企业智能决策支持系统的建议。

【关键词】智能决策支持系统；综合评价；人工智能；数据仓库

【中图分类号】F270.7 【文献标识码】A 【文章编号】1674-0688（2016）01-0011-04

1 研究背景

近些年来，随着计算机的普及和科学管理的发展，我国信息化进程明显加快，许多企业对信息系统保持较高的关注度，并开始建立信息管理系统，使许多结构化问题得到很好的解决。信息技术也日益融入企业整体的科研、管理和运营等各个领域，随之而来的是大量的新型信息数据和资料的产生。面对大量的数据，如何进行整合处理，将大数据用于实时分析并对未来进行预测，使当下获取到的数据信息能进行有利于现有行为的分析预测，转化为对企业建设有利的资源，以此释放大数据的巨大潜能，为企业决策提供科学支持，促进其业务成长，成为信息化建设的工作重点。

与此同时，大数据不仅在于数据量的庞大，还在于对数据的处理速度和多样性提出的要求。以前，企业的决策分析主要靠单纯的关系型数据库提供的数据挖掘和分析机制得出基本的商业数据，而在信息具有多元化和多样化特点的今天，企业更多的是面临难度较大的半结构化和非结构化问题，这种大数据的非结构性及其对信息处理数量、信息处理速度，对于传统数据分析及商务智能而言是一个重点和难点，大数据的商务智能分析将成为驱动企业商业决策的数据引擎，而不仅仅是一个历史信息的存储器。目前，数据规模仍在不断增长，一些大型数据库的规模已非人工分析所能及，非结构性数据正在随着大数据技术的逐步成熟开始释放前所未有的来自数据的预见性。因此，在企业内部构建智能决策支持系统是一个比较现实的、必然的选择，它可以帮助企业以最快的速度识别危机信息，减少风险发生的概率，或者采取必要行动。

本课题通过研究在大数据背景下对信息管理提出的需求，综合分析现有数据利用和企业决策支持系统存在的相关问题，对全新背景下的企业决策支持系统发展趋势进行深入研究，以此为企业进行决策提供重要理论依据和技术支持。

2 现状分析

企业决策支持系统是指为企业决策者进行半结构化或非结构化决策提供辅助支持的计算机智能应用系统，它依据企业所涉及的各方面的有效数据、各类分析模型和各种基本知识定律，利用人机交互方式辅助管理者进行企业决策。企业决策支持系统无疑是一种更先进的信息管理系统，比普通的管理信息系统更高级、更智能。它为企业决策者提供问题分析、模型构建、决策模拟、策划方案及决策结果情景展示的环境，以及各种信息资源和分析工具或模型，促进企业决策者提高决策质量和决策管理水平。

2.1 传统的企业决策支持系统存在的问题

传统的决策支持系统通过历史数据分析得出未来的发展趋势，相对于以往的主观判断决策是一大进步，并在某种程度上进行模型分析，提供数据支撑，为管理者进行决策提供技术支持和依据，有一定的科学性和合理性。与此同时，它也存在一些问题，主要表现如下。

（1）分析和利用历史数据的风险性。在传统数据分析或商业智能中，如何发挥历史数据或已存储数据的价值是其核心，以此得到数据分析结构和报表。最常见的软件有客户关系管理软件（CRM）和企业资源规划管理软件（ERP），利用这2种软件所得到的信息或者数据分析结果和报表主要是利用历史数据。基于历史数据的分析固然对企业决策有所帮助，但这种信息的风险性也较大，就像看着后视镜开车，所看到的都是已经发生过的事情，无法更好地实现对未来结果的分析和预见。对可用信息更快更实时的分析呢？可以采用统计学建模技术对未来进行模拟预测分析，并依据预测结论制定相应的行动策略和计划，从而促进企业的发展。

（2）应用范围受限较大。传统的决策支持系统由于采用模型驱动为核心的系统结构和数值分析方法，所以应用范围受到了较大的制约。对于解决一些不确定性的问题，用简单的数据分析难以解决问题，且缺少相关的知识和推理原则机制，使得系统与人脑的思维模式类似，从而无法对高层决策构成有效支撑。

（3）数据库系统对数据的处理过于简单化。在目前的数据库系统中，往往只对数据进行直接的存取和简单的计算，这种方法只能采集到整个数据库中很小的一部分资源，而隐藏在这些数据之间的关联信息、对数据特征的描述及预测性信息则不得而知。要想解决上述问题，研究数据库中的知识发现技术迫在眉睫。

2.2 企业智能级决策支持系统应运而生

现今社会多变，处在这样一种不断发展变化的社会环境中，搜集并处理大量信息是大多数企业决策者需要完成的工作。而一般來说，决策人员自身大脑的信息处理能力往往是有限的。因此，建设智能化的企业辅助决策支持系统成为决策者所追求的新型支持工具。企业决策支持系统是以日常业务所处理的系统数据为基础，利用计算机人工智能或智能数学模型，对业务数据进行处理和综合分析及趋势预测，从而找出未来业务的变化趋势，并在企业发展战略、市场经营策略等重大问题上为管理层提供辅助决策支持。伴随着决策理论、专家系统、信息技术、数据库技术、办公自动化、专家经验处理系统等相关技术的日益成熟，企业决策支持系统已取得了长足的进步和发展，在许多领域得到应用，成为现代企业经营管理中不可或缺的现代化辅助决策支持工具。

IDSS主要以知识和智能分析模型为主体。结合大量数据，以知识和智能分析模型为主体的IDSS融合决策支持系统的定量分析辅助决策及专家系统的定性分析辅助决策，能促进企业决策能力的提高。尽管IDSS存在不同的形式结构和分析程序的IDSS，但是IDSS的核心问题在于系统智能的实现。按照智能决策方法，IDSS大致可根据智能决策方法，分为以下3种类型。

（1）基于人工智能（AI）实现系统的智能，又分为基于专家系统的IDSS ES、基于机器学习的IDSS及基于Agent的IDSS。其中，IDSS ES是目前应用较成熟的一种技术。IDSS ES与IDSS的不同之处在于，它是运用数量化的方法将问题模型化后，再利用数值模型的计算结果来提供决策支持。与IDSS不同，IDSS ESS表达知识是通过非数量化的逻辑语句的方式来进行知识表达，然后再通过自动推理的方式进行问题求解；而基于机器学习的IDSS则是通过计算机模拟人类的学习来获取人类解决问题的知识经验；IDSS Agent是目前人工智能领域的研究热点。同时，基于Agent的计算被看做是软件研发领域的一个重大突破。IDSS Agent主要包括智能型Agent研究、Agent-oriented的程序设计研究、Mufit-Agent系统研究及Agent-oriented的程序设计研究等方面。基于Agent的智能分析系统计算被认为是软件开发的下一个重要的突破。

（2）基于数据仓库、联机分析处理及数据挖掘实现智能分析和辅助决策支持。这些工具的结合使用户可以轻松、快捷地分析大量复杂的数据时，并能针对问题迅速地做出正确的判断。数据仓库通过将多数据源的信息进行概括、聚集和集成，建立一个数据集合，从而为决策者提供可用的信息。

（3）基于范例推理的IDSS。基于范例推理的IDSS是从过去的经验中，找到发现解决当前问题的线索的方法，利用它对过去的求解过程的复用，简化了知识和数据获取的过程，提高了问题求解的效率，对有些难以通过计算推导来求解的问题，能发挥很好的作用。

3 发展趋势分析

企业智能决策支持系统在支持决策方法、决策过程和决策领域都有别于传统的决策支持系统。企业决策问题的多样性、决策环境的易变性、决策过程的复杂性，要求决策者在决策过程中必须充分利用企业内外部的数据资源进行全方位的分析，运用一系列定性、定量分析成果，采用机敏快捷的、可配置的体系结构来为企业决策者的管理决策提供辅助支持。本文基于企业智能决策支持系统的特点，系统性地对企业级决策支持系统的理论进行了分析，并结合相关实践经验构建企业决策支持系统的理论体系，同时对智能决策方法的选择与融合、基于构件的软件体系结构及数据驱动的决策进行了深入研究。

3.1 IDSS发展方向

进入20世纪90年代以来，由于计算机网络技术的快速发展，人工智能、数据库等技术也日趋成熟，这给企业智能决策支持系统的研究和发展提供了相应的技术支持。目前，企业智能决策支持系统主要的研究方向如下。

（1）注重基于知识的人机交互，注重人性化的设计，使知识系统的更新和补充更加方便。

（2）应用分布式并行化的方式进行决策求解。随着计算机网络的发展，在分析、决策中所使用到的数据会分散到不同的地区、部门；同时，在网络环境下，决策支持模型及智能分析处理方法也从集中式处理发展演变为在网络环境下的分布或是分布加上并行的处理方式。同时，由于企业决策支持系统的可行解计算本身存在计算效率的问题，有时IDSS的顺序计算结构在某些情况下也会成为决策的瓶颈。目前，分布式人工智能技术的应用、并行决策计算等已经成为新的研究热点和研究趋势。同时，对企业复杂决策问题的并行求解已得到广泛关注。

（3）注重各种相关技术的集成应用，融入更多的知识，并结合领域信息，对问题进行更深入和透彻的研究。

（4）应用时空与多维决策技术。在决策过程中引入空间和时间等多维准则，可以有效地突破时空限制，优化并改进决策过程，从而提高支持决策的效果。

3.2 基于数据仓库技术的决策支持系统

基于数据仓库技术的决策支持系统包括三大主体。

第一个主体是决策支持的基础——模型库系统和数据库系统的结合。数据仓库从大量的事务性数据中抽取数据为决策问题提供定量分析的辅助决策信息，同时将数据清洗转换为新的数据格式，给智能决策分析提供了数据基础。

第二个主体是数据仓库和OLAP的结合。OLAP从数据仓库中提取综合数据和信息，并对这些数据做进一步的深加工，反映所提取的数据的内在本质，解决了对大量数据进行数值计算的问题。

第三个主体是数据仓库与数据挖掘专家系统的结合。数据挖掘利用数据挖掘技术，从数据库和数据仓库中挖掘知识，然后把挖掘到的知识放入专家系统的知识库中，由进行知识推理的专家系统实现定性辅助决策。

集成系统结构如图1所示。

数据仓库、联机分析处理和数据挖掘技术的发展为克服企业智能决策支持系统建设中所遇到的问题提供了技术上的支持。基于数据仓库的决策支持系统是以数据仓库为基础，以联机分析处理与数据挖掘为工具的新型企业决策支持系统。其中，数据仓库是对源数据库中抽取的数据进行综合、集成和转换，从而得到面向全局的数据视图；联机分析处理以数据仓库中的内数据为发起点，进行多维数据分析；数据挖掘功能是自动地挖掘数据中隐藏的信息模式，并基于此预测未来的发展趋势。数据仓库、联机分析处理和数据挖掘三者是相辅相成的，彼此相互结合，它们相互补充、相互依赖、相互结合，共同支持企业的决策。

基于数据仓库的决策支持系统以知识和模型为主体，结合大量数据，针对决策问题既可以进行定量分析，又可以进行定性分析，形成定量性和定性量相结合的辅助决策支持信息；而数据仓库和数据挖掘技术既能处理来自不同系统、不同数据格式的数据，又能够进行复杂数据的计算，从而能够更好地完成辅助决策任务，促使决策支持系统研究进入到一个新阶段。

随着数据库技术的发展及其应用范围的不断扩大，信息化建设以全新的速度不断发展，大量信息系统的建立，不仅给人们的工作和生活带来了极大的便利，并且累积了大量的信息数据。人们希望对这些数据进行高层次的分析和利用，而不是单纯的占用空间。同时，在信息化建设的过程中，信息技术的应用不仅仅是建立一套信息系统，如何更好地利用手中的资源做好客户的分析、分类、预测等功能，能够在激烈的竞争中快人一步，抢先占领先机，是目前推动数据仓库建立的主要原因。目前，数据库可以有效地管理数据的录入和查询工作，能够很好地支持基础的数据统计功能，但是仍不能对目前具有更高要求的数据挖掘、知识发现提供支持，更不能有效地解决信息孤岛问题。因此，合理地利用现有数据资源是当下亟待解决的问题。

4 结论

智能决策支持系统的开发是基于理论与实践相结合，为企业优化配置、整合资源及提供辅助决策而提出的。

本文总结了企业决策支持系统的发展现状及其存在的问题，分析了企业智能决策支持系统的关键要素与特点，针对以数据挖掘为基础的企业决策支持系統结构进行了分析描述。这种结构的智能决策支持系统是在以定量分析进行辅助决策的传统决策支持系统的基础上，结合数据库和数据仓库，从中挖掘有用的知识，通过对知识的推理以定性分析辅助决策。可以预见，结合数据挖掘的智能决策支持系统会在电子商务领域、数据监测和分析领域有长足的发展，其较好的发展前途和独特的研究方法使之一出现就成为决策支持技术的研究热点。

参 考 文 献

[1]杨善林.智能决策方法与智能决策支持系统[M].北京：科学出版社，2005.

[2]戴芦生.智能决策支持系统（IDSS）的发展现状[J].电脑知识与技术，2004（35）：92-93.

[3]郑颖华，武根友.智能决策支持系统中的模型库及其管理系统[J].科学技术与工程，2006（9）：1312-1315.

[4]任明仑，杨善林，朱卫东.智能决策支持系统：研究现状与挑战[J].系统工程，2002，17（5）：430-439.

[5]高洪深.决策支持系统（DSS）：理论方法案例[M].北京：清华大学出版社，2000.

[6]黄牧，田勇.组合智能决策支持系统研究及其应用[J].系统工程理论与实践，2007（4）：114-119.

[7]郑瑾，陈松乔.DSS中数据仓库的构建技术研究[J].计算技术与自动化，2004，23（2）：77-79.

[责任编辑：钟声贤]