如今社会智能化是非常火热的一个话题,商业智能的深入实施和应用是中国银行业的必然选择,但是只有把技术的发展与业务需求真正的融合起来,商业智能的实际价值才能得到的体现。 金融改革不断深入的今天,伴随着对数据分析、业务分析和综合分析需求的不断产生,各大商业银行都分别实施了不同层次的商业智能(BI)系统。数据库中的数据仓库也逐步实现了智能化,接下来就为大家介绍智能数据仓库的设计方法。
但是,从整体市场看,国内几乎找不到真正实施成功的商业智能案例,一些已经实施的项目效果也不是很好,基本上还停留在报表系统的层面。究其原因,主要是商业智能项目的难度根本就不在技术本身,而在于业务。
首先,商业智能项目需要构建一个全面的业务模型,这个业务模型要把银行现有的全部业务种类都包容进去。 其次,原始数据积累严重不足。原始数据资料越丰富、越规范,商业智能分析结果的准确度也就越高。但是银行业尤其是中小商业银行信息化的历史比较短,业务数据也称不上规范。
业务驱动技术应用
目前,由于企业管理的现实情况,商业智能的业务需求实际分为了两个层面:低端的企业报表层和高端的决策分析层。国内银行商业化还处于起步阶段,业务决策分析基本还停留在专家模式,因此业务部门很难在决策分析层面提出多少需求。
而在管理报表层面上,由于过去的企业管理体系一直是围绕报表建立的,业务人员可以提供一整套完整的基于报表的业务需求,甚至有一套十分完整的生成报表的指标体系。
有些中小银行也实施过通用报表平台的软件,在这个基础上对它作重新的规划和定义,使其融入商务智能的思想,由于中小银行的数据源并不复杂和数据量也不大的特点,可省去数据仓库等支撑软件。
三层体系结构
系统由C/S结构的报表设计器、报表流程设计器、查询设计器和在J2EE应用服务器/WEB服务器上运行的报表服务器、查询服务器、服务器管理Web应用(系统管理)构成。在实施上,则要求系统要具备三层体系结构图。
关于智能数据仓库的设计方法就为大家介绍这么多,希望大家通过本文的学习之后都能够有所收获。