1 前 言

随着中国加入WTO，面对外资银行的竞争压力、我国金融体制改革的深入、新的IT技术的广泛应用以及“以客户为中心”的经营理念逐步得到加强，国内商业银行渐渐把关注的技术重点由设备建设、交易业务软件的开发转向以管理软件为重点。为了增强竞争力，商业银行纷纷开发有特色的管理软件、风险评估软件，力求从管理中要效益、从管理降风险。对于所有的管理系统而言，银行基础数据是发挥作用的核心，因此数据仓库以及基于数据仓库的商业智能技术在银行的管理系统建设在有着很重要的作用。

本文即试图从商业智能技术(BusinessIn telligence，BI技术)在银行的应用方案、技术解决模式以及应用体系等方面提出一些见解。

2 BI针对银行的整体解决方案

一个先进的BI系统应该以先进的技术为客户基于数据库和数据仓库的应用提供完全统一的技术框架，为统一的整体IT技术架构提供一个基础。一般认为，BI前端应用系统应由两大部分构成：决策支持系统和客户关系管理系统(又具体分为OCRM与ACRM)。

2.1 决策支持系统

决策支持系统是面向查询、报表、分析的应用，它把基于多维数据库的OLAP应用和基于数据仓库的OLTP应用整合为一。具体的做法是，通过ETL系统，把生产系统数据以及历史数据抽取建立数据仓库，在数据仓库中建立星型模型;以数据仓库为基础，通过数据聚合、装载，生成多维数据库，建立多维分析模型;之后所有的决策支持系统应用均基于此实现。

决策支持系统除了进行上面提到的经营分析(包括OLAP分析系统与OLTP查询系统)外，还应该包括报表系统、自动发布系统与预警监控系统等，均应同时支持OLTP与OLAP。

2.2 操作型CRM

操作型CRM(Operational CRM，或称OCRM) ，即客户关系管理系统的客户经理业务模块，该系统的客户资料数据库存放在数据仓库、OLAP服务器上，最终用户通过浏览器使用所有业务功能，同时该系统也需要EJB应用服务器与Web服务器，所以，该系统与决策支持系统(报表、查询、分析)共享防火墙配置。

2.3 分析型CRM

分析型CRM(Analytical CRM，或称ACRM)，即客户关系管理系统的客户分析模块，它的流程如下：系统通过OCRM把客户信息收集到客户资料数据库，以与“决策支持系统”实现的流程类似的模式建立数据仓库与客户分析的星型模型，从而建立客户分析模型。ACRM的分析结果将实时传递到OCRM系统的客户资料数据库，以为客户经理提供更加深入、详细的客户信息。

3 BI系统技术设计分析

3.1 技术架构概述

BI系统的技术架构上应该分为以下几个逻辑组成部分：

(1)Browser：负责管理由页面和扩展GUI构成的系统客户端，页面或组件对象对远程对象的请求通过SOAP Proxy Object封装为SOAP请求，服务器端的SOAP响应也要通过SOAP Proxy Object解析，还原为客户端请求方原始的数据格式。

(2)Web Server(HTTP服务器)：在HTTP协议的基础之上完成对SOAP请求/响应的传递和定位。

(3)Web Service Support Environment：在通常情况下由SOAP服务器和XML解析器构成，完成对SOAP Stream路由的管理和SOAP/XML的封装、解析。

(4)Web Service Object：类似客户端的SOAP Proxy Object，但是更多的作用是根据从SOAP/XML解析出来的信息，将客户端的请求映射到远程对象上。

(5)EJB Application Server：通常由EJB服务器和EJB容器构成，除了完成对Enterprise Bean的管理之外，还提供类似事务、命名、安全性的服务，以及获取服务器端操作系统提供的服务并完成二者之间的交互。

(6)Enterprise Bean：J2EE模式下的服务器端组件，完成所有业务逻辑和相关计算，另一方面负责对数据源的存取。

(7)OLAP/OLTP Data Source：OLAP Data Source指由OLAP服务器构造的多维数据库，系统通过JNI或JOLAP访间，OLTP Data Source指各种关系数据库和数据仓库的数据，通过JDBC访间。

3.2 技术架构应有特征

(1)基于Web的分布式组件应用：技术架构基本上分为四层，客户端、Web Service Runtime层、业务逻辑层(远程组件)和数据库访问层。客户端是相对比较“瘦”，只对其要求完善、丰富的GUI表现;系统业务逻辑的实现以及数据处理由依赖于中间件的远程服务器端组件完成;客户端和服务器端之间是基于HTTP的请求/响应形式的协作关系。

(2)整体技术架构采用Web Service机制，Web Service在本质上是对XML-RPC实现的扩展，是在传统中间件的基础上，对Internet环境下分布式应用的新的发展方向。

(3)服务器端组件实现采用EJB组件模型，为了保证系统可以在多种平台上运行，选择J2EE/EJB作为服务器端组件的实现模型是除了CORBA之外的唯一选择，同时也是为了更好地结合Web Service应用的选择。

(4)组件之间采用XML文档为数据交换标准，系统组件之间的通讯和交互倾向于使用数据驱动的方式，数据描述采用XML。这一原则不仅适用于服务器端，同样适用于客户端。

(5)强大的安全保证：采用SOAP作为远程通讯的标准，所以具备跨防火墙应用的能力，也就是系统的应用不需要用户改变或者降低整个企业应用的安全标准。

3.3 系统技术架构的技术实践

(1)客户端的GUI实现：基本上依赖于DHTML和相关技术、浏览器功能扩展两部分来实现。

(2)客户端和服务器端的Web集成：因为跨平台的应用，服务器端的Web技术基本上是采用JSP或Servlt。

(3)Web客户端组件之间的交互：Web客户端组件之间通过XML通讯，体现数据驱动的设计原则，XML是整个系统的组件之间通讯的数据定义、描述标准。

(4)远程组件技术的应用：使用EJB技术完成。

(5)访问OLAP/OLTP数据源的技术应用：远程组件(Enterprise Bean)完成对OLAP/OLTP数据源的访间，基本上采用JNI访问本地方法(包括C接口和COM接口)，或者直接访问其Java Bean接口。

(6)外部服务获取的技术实现：系统如果需要获取外部服务和其它产品所提供的服务实现某些功能，则由这些服务自身提供API。一般引入类工厂和代理的模式构造接口性质的API提高API的广泛适用性，接口的实现根据需要采用COM对象或Java对象。

4 BI系统基本功能

4.1 OLTP查询报表功能

通过BI定制OLTP数据源，集成多个OLTP数据源，从多种数据库(如Sql Server、Db2、Oracle、Informix、Sybase、DBF、文本数据源)集成使用，方便管理查询;从OLTP数据库中大量表中过滤出用户关心的表作为OLTP查询的原表;之后将查询关联到多个OLTP表的关联关系创建视图，最终为用户创造方便、直观的查询结果显示方式，并将查询结果数据导出到各种介质，将OLTP查询过程形成报表。

4.2 数据挖掘系统

(1)数据挖掘算法

·分类：按照分析对象的属性建立类(class)，预测对象所属的类别。基于大量历史数据得出的规律往往具有普遍性，因此这些规律可用于预测，分类是一种数据分析形式，用于提取描述重要数据类的模型，并利用生成的模型对新的数据分类进行预测。例如，将信用申请者的风险属性，区分为高度风险者、中度风险者和低度风险者。

·聚类：将物理对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一簇中的对象彼此相似，与其他簇中的对象相异。聚类与分类不同的是，它要划分的类是未知的。通过聚类，人能够识别密集的和稀疏的区域，因而发现全局的分布模式。在商务上，聚类分析能够帮助市场分析人员从客户基本库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。

·预测：预测是根据对象属性的过去观测值来推测未来值。预测是一种数据的分析形式，可以预测未来的数据趋势，例如由顾客过去的刷卡消费量预测其未来的消费量。

·关联：关联规则挖掘是发现大量数据中项集之间有趣的关联或相关联系。关联分析可以帮助许多商务决策的制定如分类设计、交叉防火墙和贱卖分析。它的一个典型例子是防火墙篮分析，通过发现顾客放入其防火墙篮中不同商品之间的联系，分析顾客的购买习惯。

(2)多元统计算法

·聚类分析：把数据基于几何空间进行归类，对于一组样本数据集，预先不知道可以将这组数据归为几类，则可以采用聚类分析的方法进行分类，使是尽可能相似的样本为一类，且属于不同类的样本数据应该尽可能的有明显的不同。

·相关分析：找出两个数据向量之间的相关性大小。用来确定两类指标变量间的关系是否显着的还是随机的，了解两组变量之间的相互线性依赖关系。

·判别分析：判别分析要解决的问题是在已知历史上用某些方法已把研究对象分成若干组的情况下，来判定新的观测样本应归属的组别。

·主成分分析：主成分分析是一种通过降维技术把多个指标约化为少数几个综合指标的统计分析方法。它把大量的指标变量压缩到较少的几个综合性指标上去，并且这些综合性指标能够充分反映原来所有的指标变量所反映的信息。

·因子分析：因子分析是主成分分析的推广，它也是一种把多个变量化为少数几个综合变量的多元分析方法，其目的是用最少个数的不可观测的互不相关的公共因子的线性组合，再加上特殊因子来描述原来的一组可以观测的相互有关的每个变量。

·回归分析：在回归分析中，数据用直线建模。一元线性回归将一个随机变量视为另一个随机变量的线性函数，多元线性回归将一个随机变量视为一组随机变量的线性函数。

(3)OLAP分析系统

①数据源信息展示(Cube/Table信息)：Cube信息展示功能使得客户可以方便的选择不同数据源中所想要分析的主题、维度以及目标值，并且灵活将客户所选择的信息展示出来;Table信息展示联接的关系数据库或数据仓库中的表、视图的信息;搜索功能提供给用户快速定位到Cube信息里所展示的Cube中任意层次的功能。

②OLAP分析及展示：主要分析功能有：钻取(可以在表格、图形中进行钻取：成员上钻、成员下钻、层上钻、层下钻、跨层钻取)、旋转、分页、切片/切块。

③敏感性分析：指标敏感性分析是分析与指标相关的某一指标或参数的变化对指标的变化幅度的影响。

④关联分析：用户可以利用关联分析获得与所观察的指标、报表、以及模型相关的所有信息。

⑤OLTP报表查询：OLTP报表功能提供用户访问各种数据仓库，并利用数据仓库中的数据定制各种报表的功能。

(4)预警监控系统

对企业的敏感信息和关键指标设置告警阀值，系统在相应的主题中提供告警服务，并且还可以将告警信息自动发布到相关的人员中。可根据数据挖掘模型分析结果进行预警。

(5)自动发布系统

自动化功能使用户可以安排系统自动执行的任务计划，包括何时以何人的身份执行何任务，产生的结果(包括出错信息)发送给何人等，用户还可以方便的修改删除任务计划。

5 分析系统功能概述

由于是针对银行的应用，因此从使用的角度出发，BI系统由以下几部分构成：OLTP查询系统，报表系统，客户关系管理系统，OLAP分析系统(存款、信贷、中间业务、资金计划、财务等)。

对于OLTP查询系统、报表系统、客户关系管理系统，一般情况下，用户希望根据其实际的业务经营和管理情况，提出有特色的功能需求，而对于针对存款、信贷、中间业务、资金计划、财务等OLAP分析功能，本文根据多年的行业经验提出一些建议。

5.1 常规分析

该部份主要为各业务人员提供各基础科目的余额等有关情况，解决日常业务处理中，一些非常规统计时依靠计处机人员解决的现实问题。

主要分析内容有：表内科目余额、日均余额分析、表外科目余额分析、表内科目业务分析、表外业务分析等。

5.2 信贷分析

通常包括：各项资产分析(如资产余额分析)、贷款余额分析(分类贷款余额分析、分期贷款余额分析、各形态贷款余额分析)、贷款发放回收分析、信贷常规考核分析等。

5.3 存款分析

主要分析内容：总体情况分析(总负债余额情况分析、存款构成情况分析、常规考核分析)、对公存款分析(对公存款构成情况分析、对公业务分析)、储蓄分析(储蓄存款构成情况分析、其他存款分析、储蓄业务分析)。

5.4 资金计划分析

主要分析内容有：系统内资金往来余额分析、系统内资金往来积数分析、同业业务分析、可用资金分析(基础头寸、信贷头寸)、销账业务分析。

5.5 财务分析

一般进行：存贷款结构分析、资产负债分析(资产负债平衡分析、外币资产负债平衡、专项业务资产负债平衡、资产负债流动性指标分析)、资本充足分析、财务经营分析(利润分析、财务指标分析)、经营计划执行情况分析、常规考核分析、所有者权益科目余额分析、损益科目余额分析。

5.6 中间业务分析

至少包括：银证通业务分析、特约商户业务分析、个人电子汇款业务分析、其他汇款业务分析、代收业务分析等。