商務智能理論在高校信息化管理中的應用分析

陳樹勝　褚貴忠

摘要：本文介紹了商務智能理論的主要內容、關鍵技術和目前的應用，認為商務智能同樣可以應用于教育領域的決策支持，并簡要分析了在高校教務管理、人事管理和數字圖書館建設等幾項工作中引入商務智能的可行性及應用思路。

關鍵詞：商務智能 數據倉庫 數據挖掘 決策支持

中圖分類號：G203 文獻標識碼：B 文章編號：1673-8454（2009）07-0085-03

一、問題的提出

高等教育的快速發展和信息技術的廣泛應用推動了高等教育信息化的發展，當前各高校基本都已建立了自己的門戶網站和相應的管理信息系統，并運用于日常管理。這些管理信息系統的引入對各部門工作有積極作用，但也呈現出以下幾個方面的問題：（1）這些管理信息系統最初都是基于本校內不同部門的業務流程來設計開發，以滿足本部門管理信息化的需要為目的，不同部門都設計開發了自己的一套管理信息系統，各自為政，前臺的數據操作和后臺的數據管理環境也不盡一致，未能實現部門間橫向的數據和信息共享。這也就是所謂的“信息孤島”現象。（2）這些管理信息系統基于的都是傳統的關系數據庫系統，進行的都是日常的事務性處理，即主要是數據的錄入、修改、查詢，以及簡單的統計、報表等，實際上只是部分代替了原來的手工管理工作，對數據的深層次分析功能尚顯不足。（3）這些管理信息系統經過若干年的使用，都積累了大量的歷史數據，這些歷史數據對信息管理者來說卻幾乎成了“雞肋”，棄之肯定舍不得，但似乎又不能從中再得到更多的東西。大量的歷史數據被深埋于各個管理信息系統中，但這些數據的潛力和其中所蘊含的價值卻不能或難以加以利用，反而在數據的維護上要花費大量的時間和精力，有研究者稱之為“信息囚籠”。

以上這些就要求部門尤其是學校層面的管理者，對當前管理信息系統中的數據尤其是海量的歷史數據加以整合利用，從中發現這些數據背后所隱藏的價值，以進一步改進管理工作，提高管理效率，尤其是對學校層面的決策工作起支持輔助作用。

到目前為止，還沒有專門為教育領域量身定制的此類專用系統和工具，不過，近幾年在商業領域風頭正勁的商務智能理論卻為這些問題提供了解決之道。盡管商務智能理論源于商業領域，最初是為解決商業領域中相關問題而提出的，但它的思想卻同樣適用于教育領域。本文就對商務智能理論在信息化背景下的高校管理中的應用作一分析。

二、商務智能理論的主要內容

商務智能（BI，Business Intelligence），也譯為商業智能，其概念最早是Gartner Group的Howard Dresner于1996年提出的。當時將商務智能定義為一類由數據倉庫（或數據集市）、查詢報表、聯機分析、數據挖掘、數據備份和恢復等部分組成的，以幫助企業決策為目的的技術及其應用。商務智能系統建設的目標就是要為企業提供一個統一的分析平臺，充分利用原有系統中由業務處理所積累的寶貴數據，對其進行深層次的挖掘，并從不同的角度分析企業的各種業務指標和構建業務知識模型，進而滿足決策的信息需求，實現通過技術輔助決策的功能。

1.商務智能的含義

在商務智能發展的進程中，企業界和學術界從不同視角形成了很多看法，有一個名為《ttnn BI觀點》的電子期刊對比較典型的幾種觀點進行了研究，大致分為4類：

（１）ＢＩ是努力——Ｍｉｃｒｏｓｏｆｔ主張的；

（２）ＢＩ是智能和知識——ＳＡＳ倡導的；

（３）ＢＩ是過程——ＤＭＲｅｖｉｅｗ定義的；

（４）ＢＩ是工具和技術的集合——以Ｇａｒｔｎｅｒ、ＩＤＣ、ＩＢＭ、ＳＡＰ和ＭＳＲＴ代表的。

目前，商務智能通常被理解為將企業中現有的數據轉化為知識，幫助企業做出明智的業務經營決策的工具。筆者以為，可以把BI理解為一種管理理念，一種管理思想，是一套完整的問題解決方案，它以現存的豐富的業務數據為基礎，運用數據庫管理手段，結合數據倉庫、OLAP（On-Line Analytical Processing，聯機分析處理）、數據挖掘等技術，從海量的歷史數據中發現潛在的知識和價值，最后呈現在用戶和管理者面前，運用于企業的決策，從而提高企業的智能和競爭力?；诖?，BI應具有以下幾項關鍵的支撐技術。

2.BI的四大關鍵技術

（１）數據倉庫（Ｄａｔａ Ｗａｒｅｈｏｕｓｅ）和數據集市（Ｄａｔａ Ｍａｒｔ）

實施BI的前提就是要獲得企業大量的內外部數據，這需要數據倉庫和數據集市技術的支持。數據倉庫是指把多個數據源的數據收集起來，以一種一致的存儲方式保存所得到的數據集合。數據倉庫創始人之一的W.H.Inmon將其定義為：“數據倉庫是一個面向主題的、集成的、穩定的、包含歷史數據的數據集合，它用于支持管理中的決策制定過程”。在構造數據倉庫時，要經過數據的ETL過程，即抽取（Ｅｘｔｒａｃｔｉｏｎ）、轉換（Ｔｒａｎｓｆｏｒｍａｔｉｏｎ）和裝載（Ｌｏａｄ）過程。通過這一過程，將業務系統中各種關系數據、外部數據、遺留數據和其他相關數據根據需求，以完整一致的形式放進中心數據倉庫，再將這些數據以一定的數據模型加以組織，目前所使用的主要有星型模式和雪花模式兩種。對數據倉庫的研究主要就是數據模式的設計、數據清洗和數據轉換、導入和更新等。

數據倉庫通常是企業級應用，涉及的范圍和投入的成本都非常大，實際應用中，也可以為某一部門建立一種適合自身應用的部門級數據倉庫，稱之為數據集市。數據集市著眼于特定的主題，可以理解為是整個企業數據倉庫的子集。

（２）聯機分析處理（ＯＬＡＰ，Ｏｎ-Lｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ）

聯機分析處理又稱多維分析，由Codd在1994年提出，它對數據倉庫中的多維數據通過鉆取、切片及旋轉等操作，進行立體的多維分析和展現，從而使管理者能夠從多種角度獲得決策支持所需要的數據。理解OLAP，比較熟悉的一個例子就是Excel中的數據透視表。

（３）數據挖掘技術（Ｄａｔａ Ｍｉｎｉｎｇ）

數據挖掘是指按照預定的規則對數據庫和數據倉庫中已有的數據進行信息開采、挖掘和分析，從中識別和抽取隱含的模式和規則，為決策者提供決策依據。這些模式和規則可以是預測型的，也可以是描述型的。在實際應用中，根據模式的實際作用，可以有分類模式、聚類模式、回歸模式、關聯模式、時間序列模式等，具體算法有聚類算法（Ｃｌｕｓｔｅｒｉｎｇ）、回歸算法（Ｒｅｇｒｅｓｓｉｏｎ）、神經網絡（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）、決策樹（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅｓ）、遺傳算法（Ｇｅｎｅｔｉｃ Ａｎａｌｙｓｉｓ）、關聯算法以及各種統計模型。

（４）ＢＩ的前端展示

為了使分析后的數據直觀、簡練地呈現在用戶面前，需要采用一定的形式表示和發布出來，目前越來越多的分析結果是以可視化的形式表現出來。隨著Web 應用的普及，商務智能的解決方案還應當能夠提供基于Web 的應用服務，允許用戶直接從瀏覽器端訪問所需要的數據和信息。

3.我國目前商務智能的主要應用

商務智能的應用與行業信息化程度密切相關，當前商務智能的應用主要在商業領域。賽迪顧問調查顯示, 2006年中國BI應用市場銷售額達到15.87億元(包括軟件授權和服務)， 市場份額占有依次為銀行、保險、電信、能源、制造、政府、零售。這些領域的應用范疇主要集中在企業管理和客戶關系管理（ＣＲＭ）。如在企業管理中可進行銷售分析、庫存分析、采購分析、成本分析、人力資源規劃分析等，在客戶關系管理中可進行客戶購買習慣分析（也稱購物籃分析）、客戶忠誠度分析、客戶未來分析、客戶欺詐風險分析等。

筆者以為，商務智能的應用具有普適性，不能也不應當只局限在商業領域內，只要一個企業（可以推廣到任何組織）有大量的業務數據，積累了海量的歷史數據，并且對這些數據有進行分析的需求，就可以引入商務智能，給各級管理者提供決策支持。教育領域也符合這些特征。以高校為例，隨著高等教育全方位改革和信息化管理的推進，時下各高校的辦學體制、辦學模式、管理方式等都在發生著變化，高校在招生就業、教學、人事、數字化建設等各方面每天都有大量的日常業務，經過多年的信息化應用，也積累了海量的歷史數據，而且這些方面的工作又直接關系到高校的辦學質量和效益，關系到高校的未來發展。毫無疑問，這些數據對高校的部門管理和高層決策至關重要。如何有效地利用這些數據，從這些數據中發現挖掘出潛在的知識，提供決策支持，正是商務智能在高校應用的目的所在。

4.商務智能在高校管理中的應用分析

要想有效地運用商務智能方案，最關鍵的環節有兩個：一是確定功能，明確要解決的問題，二是設計數據倉庫。在數據倉庫的設計上，關鍵點也有兩個：確定主題和選擇數據模型。一旦主題確定，不論是使用星形模式還是雪花模式，核心任務都是事實表和維度表的構造和確定，實際設計中星形模式使用的較多。這些工作完成以后，才可以考慮數據的來源、數據的ETL、采用何種分析和挖掘規則、算法以及最終的數據展示。對于以上所說的這些工作，很多軟件廠商都提供了比較完整的方案，目前使用較多的是Microsoft推出的SQL Server，它的兩個版本2000和2005都提供了BI的解決方案和相關工具，后者功能更多更強大一些。也就是說，工具的選擇已不是問題，最主要的還是結合本身的實際，對實施BI的整體設計。下面就從前述的兩個環節對高校管理中幾個典型領域給以簡單分析。

三、教務管理中的應用

教務管理是大學的主要日常管理工作之一，涉及學校、院系、教師、學生的諸多方面。隨著教學體制的不斷改革，尤其是學分制、選課制的展開和深入，教務日常管理工作日趨繁重復雜。教務管理工作需要處理大量的數據，如學生信息、課程信息、成績信息、教師信息等。這些數據之間彼此存在聯系，同時也隱含著一些重要信息。將商務智能應用于教務管理中，把這些重要的信息從數據庫中抽取出來，可以為教務管理人員提供有力的信息支持和工作指導，提高工作效率。此外，對數據挖掘工具的有效利用，也能較客觀地反映教學系統中存在的問題，為決策提供重要依據。

1.在高校的教務管理中

在高校的教務管理中，可以解決以下幾方面的問題：（１）使用分類和回歸方法運用于學生的個性化培養；（２）使用關聯和時間序列運用于學生選課，以合理設置課程，尋求最佳的排課方式；（３）使用聚類和關聯運用于學生的成績分析，有效評價學生的學習效果。以教學為例，可將數據倉庫的主題定為“教學分析”，以“成績”為事實表，包括學號、課程號，成績等相關字段，位于星形模型的中間。涉及的維表可有以下幾個：

學生維表：學號，姓名，性別，年齡，生源地，專業，年級，培養方向等；

課程維表：課程號，課程名，課程類型，學時，學分，開課學期，考核類型等；

教師維表：教師編號，姓名，性別，年齡，學歷，職稱，研究方向等；

選課維表：學號，課程號，教師編號等。

時間維表：時間代碼，學年，學期。

2.人事管理中的應用

高校人事信息資料數據量大，構成復雜，變動頻繁，目前大部分用于人事信息的查詢和統計，如果把這些大量的數據加以分析、挖掘，將對學校的人事考核、預測、培養、引進等各方面的管理規劃起到重要的支持作用。

高校人事管理的主題可以有“績效考核”、“人才引進”、“進修培養”等，涉及的維表主要有教師基本情況表、教學表、科研表、業務進修表等。再根據不同主題的需求組織數據來源，構造相應的數據模型。限于篇幅，不再具體給出。

這方面尤以關聯規則結合時間序列最為合適，采用此規則對教師的年齡、學歷、職稱、專業、來源、研究方向、科研成果等因素進行分析，從中發現潛在的關聯，將對學校的學科建設、師資隊伍建設、優化學員結構、人才的引進和培養等各方面提供決策支持。

3.圖書館管理中的應用

目前各高校的圖書館管理信息化程度都比較高，紙質和數字資源豐富，借閱量大，流通快，每天都有大量的借還記錄，從這一點說，高校的圖書館管理最符合商務智能的應用環境，相關研究也相對較多。利用商務智能，可以較好地解決以下幾個方面的問題：（１）讀者的需求分析和個性化服務：運用關聯和聚類規則，按年齡、學歷、專業等不同的因素，通過對讀者的屬性、特征、滿意度等分析，挖掘讀者的訪問模式和借閱習慣，預測訪問興趣，從而有針對性地提供信息定制服務；（２）借閱規律分析：運用時間序列模式，分析讀者借還圖書的高峰和低谷，以此科學安排流通部門的工作，在人力、圖書資源有限的情況下，為讀者提供更多更優質的服務；（３）館藏建設：運用回歸和時間序列，分析不同專業、層次、研究方向學生的借閱歷史，引導各類圖書的采購、淘汰、書架布置等。完成以上任務所需要的數據主要涉及以下幾個表：學生基本情況表、圖書信息表、借還記錄表、檢索信息等，這些對實行信息化管理的各高校來說應是比較完備的。

四、結束語

以上只是對商務智能理論在高校管理中的幾個典型應用作了簡單的分析，限于篇幅，并未述及具體的問題解決步驟和相關的關鍵技術，有待于在實際的系統開發中具體實現。另外，以教育信息化帶動教育現代化口號的提出，必將更進一步促進各高校的信息化管理水平，我們有理由相信，會有越來越多的高校管理工作可以運用商務智能，為各級管理提供決策支持，以全面提升高校的整體管理水平。

參考文獻：

[1]朱德利.SQL Server 2005數據挖掘與商業智能完全解決方案[M].北京:電工工業出版社,2007.

[2]陸泉,陳靜.決策支持系統實驗教程[M].武昌:武漢大學出版社,2008.

[3]周瑾.我國商務智能研究[J].現代管理科學,2007(4).

[4]張小平,馬垣,于淼.數據倉庫在高校教務系統的應用研究[J].鞍山師范學院學報，2003(2).

[5]白菲,孟超英.數據挖掘技術在高校人事信息建設中的應用[J].教育信息化,2005(8).

[6]雷啟明,周利平.數據倉庫技術在高校圖書館管理中的應用研究[J].中國科技信息,2008(16).