第八章
决策支持与商务智能
本章内容
• 决策支持系统
• 人工智能与专家系统
• 联机分析处理
• 商务智能方法与应用
决策过程和决策问题
• 决策过程：人们为实现一定目标而制定
行动方案，并准备实施的活动过程，是
一个提出问题、分析问题和解决问题的
过程。
• 决策问题
– 一般用“结构”这个概念来描述
– 问题结构化程度的三种描述：
• 结构化
• 半结构化
• 非结构化
根据结构化程度和层次划
分决策问题
• 结构化程度是指对某一个过程的环境和规律，
能否用明确的语言（数学的或逻辑学的，形式
的或非形式的，定量的或推理的）给予清晰的
说明或描述。
决策支持系统的定义
• DSS是以管理科学、运筹学、控制论和
行为科学为基础，以计算机技术、模拟
技术和信息技术为手段，面对半结构化
的决策问题，支持决策活动的具有智能
作用的人－机计算机系统 。
决策支持系统的特征
• 面向决策者：决策支持系统的输入和输
出、起源和归宿都是决策者。
• 主要帮助管理人员完成半结构化的决策
问题
• 强调支持的概念 ：辅助和支持管理人员，
而非取而代之 。
• 强调交互式的处理方式
决策支持系统的功能 ⑴
• 管理并随时提供与决策问题有关的组织
内部信息
• 搜集、管理并提供与决策问题相关的组
织外部信息
• 及时搜集提供有关各项活动的反馈信息
• 能以一定的方式存储和管理与决策问题
相关的各种数学模型
• 能够存储并提供常用的数学方法及算法
决策支持系统的功能⑵
• 上述数据、模型和算法能够容易的添加和修改
• 能够灵活的运用模型与方法对数据进行加工、
汇总、分析、预测，得出所需的综合信息与预
测信息。
• 具有方便的人机对话和图像输出功能，能够满
足随机的数据查询要求，回答“如果…则…”之
类的问题。
• 提供良好的数据通信功能
• 具有使用者能够忍受的加工速度与响应时间，
不影响使用者的情绪。
决策支持系统的基本模式
决策支持系统的模式
• 一个完整的决策支持系统的模式被
表示为DSS本身以及它与真实系统、
管理者和外部环境的关系 。
• 管理者处于核心位置
决策支持系统的基本构件
• 人机对话系统：DSS中用户与计算机的接口，
其核心是人机界面。
• 数据库系统：存储、管理、提供与维护用于决
策支持的数据的基本构件，是支撑模型库系统
及方法库系统的基础。
• 模型库系统：传统的DSS的重要支柱，是
DSS最有特色的构件之一。
• 方法库系统：存储、管理、调用和维护DSS各
构件要用到的通用算法、标准函数等方法的构
件。
• 知识库系统
DSS的系统结构
• 上述构件之间的关系
组成了DSS的系统结
构。
• 不同功能特色的DSS
，其系统结构也不同。
• 当前存在的结构包括
三角式结构，串连结
构，熔合式结构以及
以数据库为中心的结
构等。
三角式结构
串连式结构
DSS的系统分析方法 －
ROMC
• 表述（Representation）
– 采用表格、图表、数据、文本或模型等概念化的形式来
描述各个活动的规范和内容，而不必描述决策过程整体；
• 操作（Operation）
– 将概念化的描述转换为相应决策活动中的具体操作，这
些操作无须确定先后顺序；
• 记忆辅助（Memory Aids）
– 对决策者采用的决策方法与决策数据的记忆手段加以辨
识可确定DSS应该具有的各种记忆辅助功能；
• 控制机制（Control Mechanisms）
– 关于如何引导决策者使用表述、操作、记忆辅助，以便
根据他们个人的风格、技能和知识综合进行决策的机制。
决策支持系统的发展趋势
• 智能决策支持系统（IDSS）：充分利用
专家系统定性分析与DSS定量分析的能
力；
• 群体决策支持系统（GDSS）： DSS与
计算机网络技术的结合，能够供一定决
策者共同参与进行决策的；
• 分布式决策支持系统（DDSS）：在
GDSS的基础上，将分布式的数据库、
模型库与知识库等决策资源有机集成。
智能决策支持系统
（IDSS ）
• IDSS在DSS基础上增
设了知识库、推理机
与问题处理系统，人
机对话部分加入了自
然语言处理系统 。
• IDSS以知识库为核心，
引入了启发式等人工
智能求解方法，使传
统DSS原来由人承担
的定性分析工作部分
或者大部分转由机器
完成。
四库IDSS的基本结构
群体决策支持系统
（GDSS）
• 群体决策支持系统
（GDSS）是一种在
DSS基础上利用计算
机网络与通信技术，
供多个决策者为了一
个共同的目标，通过
某种规程相互协作地
探询半结构化或非结
构化决策问题的信息
系统。
群体决策支持模型
本章内容
• 决策支持系统
• 人工智能与专家系统
• 联机分析处理
• 商务智能方法与应用
人工智能(AI)
• 人工智能是在计算机科学、控制论、信
息论、神经生理学、心理学、哲学、语
言学等多种学科相互渗透的基础上发展
起来的一门新兴边缘学科。
• 研究怎样让计算机或智能机器（包括硬
件和软件）模仿、延伸和扩展人脑从事
推理、规划、计算、思考、学习等思维
活动，解决迄今为止需要人类专家才能
处理好的复杂问题。
人工智能学科体系的三个
层次
• 人工智能理论基础：与人工智能有关的数学理论、思
维科学理论和计算机工程技术，都是人工智能的理论
基础。
• 人工智能原理：人工智能的作用原理是以知识的表达、
知识的处理、知识的获取与学习为基础的，利用知识
求解问题的基本技术为主要研究内容。
• 人工智能工程系统：根据人工智能原理而建立的工程
系统，如专家系统、图像识别系统、智能机器人系统
等都属于人工智能工程技术的范围。实质是人工智能
的应用。
人工智能的研究内容和目
的
• 机器思维与思维机器。
– 机器思维：启发式程序、专家系统、知识工程、机器学习、机器证
明、机器博弈等。
– 思维机器：智能计算机、学习机、推理机、博弈机、逻辑机、自动
机、神经细胞模型、人工神经网络、脑模型等。
• 机器感知与感知机器。
– 机器感知：文字、图像、物体、声音等模式识别与自然语言理解；
计算机视觉、听觉、触觉等。
– 感知机器：文字、图像、声音、语言的识别机、感知机等；触觉感
知器，平衡感知器，各种智能传感器等。
• 机器行为与行为机器。
– 机器行为：自适应、自镇定、自寻优等智能控制、管理和决策行为，
机器人在不确定的、动态的环境中的“漫游”行为。
– 行为机器：智能控制器、智能效应器、智能机械手、智能机器人等。
专家系统的概念
• 研究出发点不同，看待问题的观点不同，
追求的目标不同，导致对专家系统的定
义存在不一致的看法。
• 通用定义：专家系统是利用计算机技术、
人工智能及其它理论，将某个特定领域
内专家的知识或者推理过程在计算机上
实现，并且用来解决过去需要专家才能
解决的现实问题的计算机系统 。
专家系统的七个特征
• 具有专家水平的专门知识
• 符号处理
• 一般问题的求解能力
• 复杂度和难度
• 具有解释功能
• 具有获取知识的能力
• 知识和推理机构相互独立
按不同分类标准划分专家
系统
• 应用领域：医疗专家系统、勘探专家系统、石油专家
系统、气象专家系统、生物专家系统、法律专家系统
等。
• 知识表示技术：基于逻辑的专家系统、基于规则的专
家系统、基于语义网络的专家系统、基于框架的专家
系统等。
• 推理控制策略：正向推理专家系统、反向推理专家系
统、元控制专家系统等。
• 采用的不精确推理技术：确定理论推理技术专家系统、
主观Bayes推理专家系统、可能性理论推理技术专家
系统、D/S证据理论推理技术专家系统等。
• 结构：单专家系统和群专家系统（亦称协同式多专家
系统）。
• 处理的问题类型：十大类型。
按处理问题的类型划分专
家系统
专家系统按所处理的问题类型分类 专家系统任务类型的层次结构
专家系统的结构
• 知识库中包含信息和
经验法则，专家系统
的核心就是知识库中
存储的知识；
• 推理机是专家系统的
中央处理单元；
• 知识获取子系统可以
在知识库中加入新的
规则；
• 解释子系统用来解释
求得结果的过程 。
专家系统的基本结构
常用的知识表示方法 －产
生式规则
• 一般形式为 P->Q
– P代表一组前提（条件或者状态），Q表示
若干结论（或者动作）
• 一系列这样的规则就组成了一个知识库
• 推理程序从前往后顺序的进行匹配
• 推理机的工作以“匹配－冲突消解－操作
”的方式循环运转直到解决问题。
常用的知识表示方法 －框
架
• 框架是一种知识结构化表示方法，
也是一种定型状态的数据结构；
• 顶层是固定的，表示某个固定的概
念、对象或者事件；
• 下层是由槽组成，每一个槽可以有
任意有限数目的侧面；
• 每个侧面又可以有任意数目的值，
且侧面还可以是其它框架（称为子
框架）；
• 相互关联的框架连接起来组成框架
系统，或者框架网络；
• 不同的框架网络又可通过信息检索
组成更大的系统，代表一块完整的
系统。
用框架描述“椅子”的概念
框架网络的活动和推理
• 两种活动继承推理
– 填槽：即框架未知内容的槽的填写
– 匹配：即根据已知事件寻找合适的框架，用
于描述当前事件，并对未知事件进行预测
• 推理
– 继承推理：各框架之间可以构成继承关系。
– 匹配
– 预测，联想和直觉
常用的知识表示方法 －语
义网络
• 语义网络是一个带标
识的有向图，有向图
的结点表示各种事务、
概念、属性等，有向
图的弧表示各种语义
联系，指明所连接结
点之间的某种联系。
一个简单的语义网络
语义网络系统的三种活动
• 继承推理：通过is-a弧，一个概念结点的所
有属性和信息可以继承到实例结点。
• 匹配推理：语义网络推理的基础
– 根据提问内容构造一个语义网络碎片，在系统的
语义网络中寻找匹配，使变量结点在匹配过程中
得到赋值。
• 散射激活推理
– 在一对概念间进行推理时，寻找代表这两个概念
的结点之间的联系，即从这两个结点开始，然后
激活与之连接的全体结点，依次地激活与这些结
点连接的全体结点，如此往外扩散。当某概念同
时从两个方向上激活，就算找到了一种联系。
专家系统的发展趋势－第一代
专家系统
• 特点
– 高度专业化，但结构、功能不完整，移植性差；
– 专门问题求解能力强，但缺乏推理解释功能。
专家系统的发展趋势－第二代
专家系统
• 特点
– 学科专用型系统；
– 系统结构较完整，功能较全面，移植性好；
– 具有推理解释功能，使用户比较清楚地了解系统地
解题过程；
– 采用启发式推理、似然推理、非精确推理，增强了
系统的表达能力；
– 把具有一定普遍意义的推理方法与大量同领域相关
的专门知识结合起来，从而使这些系统具有广泛的
通用性；
– 用产生式规则、框架、语义网络表达知识
专家系统的发展趋势－第三代
专家系统
• 特点
– 向用户实际的复杂问题求解；
– 具有综合性、多方面的集成功能；
– 应用多学科、多专业、多专家的知识和经验，
进行并行协同解题；
– 依靠诸如模型、方法、软件和接口等多种技
术集成进行设计和建造；
– 基于分布式、开放性软硬件及网络环境；
– 实现知识共享和知识重用
本章内容
• 决策支持系统
• 人工智能与专家系统
• 联机分析处理
• 商务智能方法与应用
从OLTP到OLAP
OLAP和数据仓库
• OLAP应用构建于数据仓库而非数据库之上，
主要是由于以下三个技术方面的原因 ：
– 计算机处理速度阶跃式增长，单位字节的存储
和处理成本大幅度降低，是保证数据仓库有效
运行的物理基础；
– 决策分析理论的完善和应用使得数据仓库中的
分析技术能够有效实现，使得决策人员可以直
接从系统中获得需要的决策支持信息；
– 数据仓库系统中，数据用于支持各种分析任务，
并生成多角度，多层次和不同粒度上的分析结
果.
OLAP中的基本概念 ⑴
• 变量:从现实系统中
抽象出来，用于描述
数据的实际含义。
• 维:人们观察数据的
特定角度
• 维的层次
• 类别:构成一个维的
独立的数据元素，是
存在于层里每一个数
据。 维、层和类别的关系示意图
OLAP中的基本概念 ⑵
• 维的取值：也称为维
的成员
• 度量：企业收集和存
储的用于评价业务状
况的数值性数据，以
监测和评估企业成效。
• 多维数组
• 数据单元（单元格）
– 多维数组的取值称为
数据单元
多维数据立方体
OLAP的基本操作 －切片
（Slice）
• 在多维数组的某一维上
选定其维成员的动作称
为切片
• 在多维数组（维1，维2
，…维n，度量）中选中
某一维，如维i，并取其
某一维成员（设为维成
员Vi），所得的多维数
组的子集（维1，维2，
…维成员Vi，…维n，度
量）称为在维i上的一个
切片。
OLAP的基本操作 －切块
（Dice）
• 数据切块就是将完整的数据立
方体切取一部分数据而得到的
新的数据立方体。
• 选取多维数组（维1，维2，…
，维n，度量）中若干维度
（通常是3个维度便于图形显
示）的取值范围，从而形成了
多维数据的子集（维1，维2，
…，Ai < 维i < Bi，…，Bj <
维j < Bj，…，维度n，度量），
这个多维数据子集被称为切块。
OLAP的基本操作 －
下钻/上卷（Drill Down/Roll
Up）
• 数据下钻（向下钻取）是从较高的维度层次下
降到较低的层次上来观察多维数据
• 数据上卷是下钻的逆向操作，是对数据进行高
层次聚合的操作。
OLAP的基本操作 －旋转
（Rotate）
• 数据旋转是改变维度的位置关系，使最终用户可以从
其他视角来观察多维数据。
不同维度间的旋转 维层次间的旋转
OLAP的准则(Codd 1993)
• 准则1：多维概念视
图
• 准则2：透明性
• 准则3：存取能力
• 准则4：稳定的报表
功能
• 准则5：客户机/服务
器体系结构
• 准则6：维的等同性
• 准则7：动态稀疏矩阵
处理
• 准则8：支持多用户
• 准则9：非限定的跨维
操作
• 准则10：直观的数据
处理
• 准则11：柔性报表
• 准则12：不受限的维
与层次聚类
本章内容
• 决策支持系统
• 人工智能与专家系统
• 联机分析处理
• 商务智能方法与应用
商务智能
知识发现、数据挖掘与商
务智能
• 20世纪80年代末，机器学习方法在数据分析
中的应用导致数据库知识发现（KDD，
Knowledge Discovery in Database）的产生。
• 20世纪90年代以来，以数据挖掘技术为核心
的商务智能（知识发现在商业的应用）受到了
学术界和业界的广泛关注。
数据挖掘 (Data Mining)
数据挖掘 /知识发现 (从海量数据中淘“金”)
数据挖掘的特点
• 传统的决策分析技术中，都是决策人员
事先给出逻辑假设和模型，而后在数据
中进行检验和参数评估。
• 数据挖掘是数据驱动，始于纷繁复杂的
海量数据，利用强大的数据分析工具和
特定的知识提取方法，从数据出发，挖
掘中其中有效的模式，从而获得潜在的、
新颖的以及有用的知识。
数据挖掘的任务
• 数据挖掘的基本任务是预测
（prediction）和描述(description）
– 预测就是利用数据中已知的变量和字段来确
定一些感兴趣的未知或未来的值，如分类等。
– 描述则集中于寻找一种人类能够理解和解释
的模式对数据进行刻画，如聚类、关联规则
等。
数据挖掘的分类
• 按所挖掘的模式的类型将数据挖掘划分
为：
– 概念描述（归纳或简约）
– 分类和预测
– 聚类
– 关联规则
– 其它的一些模式识别和统计方法
数据挖掘－概念描述（归
纳）
• 概念描述与数据概化密切相关
– 以简洁的形式在更一般的（而不是在较低的）
抽象层描述数据是很有用的
– 允许数据集在多个抽象层概化，便于用户考
察数据的一般行为
• 与OLAp的区别
– 更为复杂的数据类型
– 用户控制与自动处理
数据挖掘－分类和预测
• 分类：给定已有的数
据和类别，通过分类
算法得到描述和区分
数据类或概念的模型。
• 预测：将上述分类模
型应用到要进行测试
的数据上，对未来或
者未知的数据进行预
测。
贷款分类模型
数据挖掘－聚类分析
• 聚类是将一个数据集按
照某个标准分成几个簇
的过程。
• 每个簇内部的数据按照
该标准具有很高相似性，
而簇之间的数据的相似
性很低。
• 聚类与分类不同
– 分类中，类标记事先给
出，是一种监督学习的
方法；
– 聚类没有事先给定类别，
属于一种非监督的学习。
客户的聚类分析
数据挖掘－关联规则挖掘
• 关联规则挖掘，就是对业务的所有不同
类型的信息进行全面的处理，得到不同
类型信息之间的相互关系，从而进一步
分析不同信息之间潜在的逻辑规律，为
业务运作提供参考和决策支持。
• 技术层面讲，关联规则挖掘是在给定的
事务数据库中找到所有满足最小支持度
和最小置信度的形如X=>Y的规则
商务智能应用系统
• 目前商务智能和数据挖掘工具分为三类：
– 通用单任务类
– 通用多任务类
– 面向专门领域类
IBM 商业智能解决方案
BI 的数据挖掘解决方案
Intelligent
Miner
