商业智能在科技服务决策支持系统中的应用1

0 引言

目前在科技服务体系中存在一些问题，如科技成果的生产力转化率低、转化成本高，科技投人存在地域和行业的不平衡等。一个重要的原因就是科技成果转化的双方所获取的科技信息有限，沟通成本较高。就科技中介服务机构来说，虽然占有大量的科技信息资源，但缺乏对这些信息资源的科学分析手段和工具，不能有效地从这些信息资源库中提取有用的信息，缺乏对供需双方相应的技术咨询和决策支持。如何把已有的海量的科技信息数据转换成更有价值的信息。以便用于决策支持呢?商业智能被广泛认为是最好的解决方案之一。

把商业智能技术用于科技服务决策支持系统，对于充分利用已有大量科技服务信息，提高信息供需双方辅助决策能力和科技中介机构的服务能力有重要的理论价值和现实意义。

1 商业智能相关概念

商业智能的概念最早于1996年提出来的。当时将商业智能定义为一类由数据仓库（或数据集市)、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目标的技术及其应用。BI将数据仓库、联机分析处理和数据挖掘等结合起来应用于商业活动中，从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、重构后载人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。

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、联机分析处理以及数据挖掘，其中数据仓库和数据集市是商业智能的基础，数据挖掘是对数据仓库中的数据进行分析和处理的重要工具。

数据仓库是一种支持企业或组织管理决策过程的、面向主题的、集成的、稳定的、随时间不断变化的管理技术。主题是一个抽象的概念，在逻辑意义上，它是对应某一宏观分析领域所涉及的分析对象;集成是指原始数据库的数据进人数据仓库前，首先经过清理、抽取、转换等加工甲将原始数据的组织方式从面向应用转换到面向主题;稳定是指数据经集成进人数据仓库后就极少或根本就不改变，随时间不断变化是指数据仓库被不断追加数据，而其中已有的数据逐渐成为历史数据，数据具有时间属性。数据仓库以构建新的分析处理环境，为决策者提供信息，支持决策分析处理为目标。

2 科技服务DSS的系统设计

2.1 系统总体结构

联机分析处理的核心就是多维分析它支持用户从多角度、多个层面又见察和处理数据，其用于分析的基本动作主要有切片、切块、旋转、钻取等。按照数据组织方式的不同，并发现趋势。它们响应前端用户的分析请求，将多维数据传送给前端的分析工具显示。

前端展现层:在用户眼中，用户界面的显示才是最重要的，本系统中采用来设计基于Web的数据展现和图形展现，并提供给用户多种查询方式，能根据用户要求钻取到相关层，获得相关的明细数据。

商业智能在科技服务决策支持系统中的应用2

2.2 数据仓库的设计

数据仓库的指导思想是多维数据模型围绕中心主题进行组织。该系统把历年来的科技信息和各个地市本年度上报的科技信息按照主题进行重新组织。同一主题的相关数据作为一个数据立方存储在一起，立方中存储的数据称为度量，它是决策人员分析的对象，放在概念模型的中心位置，概念模型的四周为分析间题所考虑的维。进行数据分析时.有时需从宏观上把握，有时需了解具体细节，所以同一维的数据要具有多个层次，从而实现数据的上卷、下钻、旋转、统计等分析操作。

2.21 科技服务信息数据仓库的主题

数据仓库中的每个主题对应一个宏观分析领域所涉及的分析对象。数据仓库从不同的数据源抽取数据，面向不同的主题分别进行存储，并根据分析所需对数据进行预聚集。经过与科技服务中介机构和科技厅管理人员多次交流，认真分析，发现科技信息供需双方进行的决策主要有以下几个方面:科技项目立项时的审批、成果推广时的导向、科技经费的分配等。与此对应，本模型中分别用立项主题、成果主题和经费主题来表示。

2.22科技服务信息多维概念模型中的维

决策人员在分析问题时，针对不同的主题，考虑问题的角度也往往不同，这里的角度在数据仓库技术中称为维川。经过与科技厅管理人员的反复交流，发现该厅进行项目立项审批时所考虑的因素主要有项目负责人的情况、项目本身的情况、项目负责人所在单位的情况等几个方面，在多维概念模型中分别用负责人维、项目维、单位维表示。在成果推广时主要考虑成果的市场需求、利润情况、对环境的影响等几个方面，分别用需求维、利润维、地区维表示。在考虑经费的分配时，主要考虑项目进展情况、项目负责人情况等，分别用进展情况维和负责人维表示。当然，数据仓库中的所有信息都是与时间密切相关的，科技服务信息多维数据仓库中的数据立方均含有时间维。

2.23科技服务信息多维概念模型中维层次的划分

在科技服务信息多维概念模型中，维层次的划分方法根据维性质的不同而不同。时间维、地区维、专业维、职称维、学历维、年龄维等需要进行上卷及下钻操作，需进行层次的划分;负责人维、项目维等不需上卷及下钻操作，就不需要划分层次。在需要划分层次的维中，有的维具有多个层次，上下层之间具有包含与被包含关系，如时间维具有年、月、日、时、分、秒等层次，且高层次包含低层次;而职称维、学历维、进展情况维等的层次之间不具有包含关系，它们只是将全集按某一标准划分为不同的类，划分后的所有成员都属于全集;年龄维和利润维的值为数值型，取值范围广，本研究将其划分为几段。在多维概念模型中。任何一个维都具有默认的“全部”层次，它属于所有层次的最高层。

2.24科技管理信息多维概念模型中的度量值

建立数据仓库的目的是供决策人员分析时使用，仓库中存储的数据应视分析的需要而定。根据科技服务信息决策中分析的需要，确定科技服务信息多维概念模型的度量如下:立项主题的度量有课题数量和资助金额两个.成果主题的度量是成果应用的次数和成果所创价值，经费主题中则有总经费、已用经费和本期计划经费三个度量。

商业智能在科技服务决策支持系统中的应用3

2.3 OLAP设计

在本系统中，尽管在数据存取速度上、多维计算能力上不如OLAP，但它也具有自己特有的优势:数据存储容量大，对软硬件平台的适应性比较好，最重要的是，它可以很好地适应维度变化。最常用的数据模型是星形模型。对于OLAP的前端展现，我们采用Web方式来代替传统的方式。Web具有很好的跨平合性，客户只需利用浏览器而无需安装其他的终端软件就可以浏览丰富多彩的信息，这有利于我们对数据的集中管理，简化用户的安装。这种方式非常适合机关和企事业管理人员使用，他们无需进行任何培训就可以非常方便地通过网络查看他们关心的信息。

2.4 智能分析引擎和数据挖掘

OLAP是 一种强大的数据分析技术，但是它有自己的局限性。它只能通过对历史数据和当前数据的复杂分析来告诉用户所关心主题的过去和现状，并不能预测将来的状况和事物发展趋势。

智能分析引擎是实现“数据~信息~知识~智慧即提升的关键。智能分析引擎融合多维分析、数理统计、数据挖掘与知识发现、模式识别、专家系统等智能分析和处理技术构建而成，并与前端展现层无缝结合，通过丰富、直观的展现形式将分析结果呈送给相关用户，实现联机分析和决第支持功能。

为了得到科技信息更加科学的预测模型，最好的方法就是从数据仓库中存储的当前数据和时间跨度较长的历史数据中找出科技信息随时间变化的规律，从而形成预测模式，这就是笔者使用数据挖掘的目标。数据挖掘将其挖掘结果— 数据模式作为预测模型添加到预测模型库中，从而不断丰富和修正现有的预测模型。

3 结束语

在当今信息时代，科技信息供需双方往往被淹没在来源于多个渠道的、庞大的、丰富的海量数据中，只有及时地将数据有机地组合在一起，及时地将信息转化为知识和智能，才能更好地指导企业进行决策和行动。商业智能的作用就在于此，它帮助管理者做出科学的计划、判断、决策，避免主观、片面等因素引起的重大失误。文中 主要从技术的角度对商业智能的基本概念、技术架构和涉及到的技术进行了探讨，并将商业智能应用于科技服务决策支持系统中。通过商业智能系统的构建，科技信息供需双方和科技信息服务机构可以高效地利用系统中的科技信息，大大提高用户对信息查询分析和决策分析的能力。切实提高了技术成果转

让双方的决策能力，提升科技服务机构的核心竞争力。商业智能引导科技服务体系的信息化建设进入了一个全新的境界。