目前，各银行已积累大量的货币经营、银行卡和中间业务数据，这些数据为银行的正常生产和运营提供了重要支持，成为银行必不可少的生存环境。随着市场经济竞争进一步加剧，银行对信息的需求正逐渐从原来的事务处理方式转向联机分析方式，从过去的简单在线信息查询方式转向高层信息分析和结合专家知识进行决策支持，在这种情况下，在银行数据库基础上建立商业智能应用，显得十分具有实际意义。
一、银行商业智能应用的目标和规划
对于银行来说，建立面向决策的商业智能应用要根据需求反馈增加主题，不断地进行完善。它是一项系统工程，需要组织各方面的资源，协调各方面的关系，进行科学的规划。商业智能应用规划一般需要做好以下工作：任务和环境的评估，有关决策需求的收集和分析，主题的确定和商业智能应用体系结构的设计，建立商业智能应用，商业智能应用的培训，用户的反馈以及商业智能应用的完善。
商业智能应用任务和环境的评估是根据银行的业务情况和管理层的要求明确商业智能应用的任务，并了解数据源所在的数据库系统，分析现数据库系统的数据情况，评估建立商业智能应用是否能够达到用户所期望的目标。建立商业智能应用可能存在困难和难以逾越的障碍，从而制定可行的方法和科学的技术方案。有关决策需求的收集和分析首先要分析银行决策层的意图，并进行整理和分类。
商业智能应用主题的确定和体系结构的设计是根据决策需求的收集和分析来进行的，并根据主题和数据源对商业智能应用体系结构进行详细的设计，使商业智能 应用实现起来更加科学合理。建立商业智能应用就要实际的在计算机系统上构建商业智能应用，其中包括：数据抽取程序的编制，商业智能应用所采用系统的选型， 商业智能应用数据的组织和抽取，元数据的管理，决策支持信息的展现。商业智能应用的培训是商业智能应用具有初步规模后对银行用户进行培训，使之能够熟练地使用商业智能应用的工具，并能对商业智能应用有一定的了解，对继续完善商业智能应用有较好地建议。
用户的反馈和商业智能应用的完善是开发人员根据用户使用商业智能应用之后，汲取商业智能应用初步建设的经验，继续建立新的主题，使商业智能应用得到更进一步的完善。一个商业智能应用建设的成功与否，与建立商业智能应用的规划好坏直接相关，因此，在建立商业智能应用之前，做好规划工作非常重要。
二、银行商业智能应用的体系结构
商业智能应用的数据是面向主题的，该数据以数据模型中所定义的各个主题域为基础，与应用相互独立，从而决定了其设计是由数据驱动。因此银行商业智能应用系统设计采取与传统的系统生命周期法相反的方法。用户根据决策分析结果，将需求反馈给开发人员。银行商业智能应用的系统设计是一个动态反馈和循环过程，一方面商业智能应用的物理设计根据用户所反馈的信息不断地调整和完善，从而系统的效率和性能得到提高；另一方面，由于商业智能应用根据需求不断地调整，使得最终用户做出的决策分析更加准确和有效。银行商业智能应用是适应银行的多维分析和决策支持而产生的，所以银行商业智能应用应能支持银行多维分析和和决策支持的整个过程。
1.数据源
商业智能应用中的数据是来自不同的计算机和各种各样的环境，银行商业智能应用提供一个对应外部异构数据的统一数据界面，这样用户既可将各种外部数据读到商业智能应用中来，又可在商业智能应用中建立对外部数据的描述(View)，并可将这些外部数据当作真正存储在商业智能应用中的数据一样使用。
2.数据整合
从数据源抽取数据应该有计划地按一定时间节奏，取出的数据装入和更新商业智能应用。在和其他系统管理人员协调好的基础上，制定从各系统取用数据的计划，银行商业智能应用就会根据数据和信息使用的时间等各种要求，准时地加载、更新数据。
3.数据存储
数据存储与管理部件主要负责数据仓库内部的管理与维护，其中包括数据的组织、维护与发行、用户管理、安全性控制等。数据监控模块的是用于检测数据源中数据的变化情况，并将变化情况上报数据刷新模块，同时用于统计聚合数据的使用情况，以便为聚合更新和维护提供依据。数据刷新模块用来接受来自数据监控的报告，将数据源中数据的变化情况传播到数据仓库中。数据包装指将数据重新进行组织，使之成为便于用户使用的形式，如电子表格、文本文档、E-mail、 HTML、图表、图形、图象和动画等，通过采用多媒体和可视化技术为辅助决策提供直观形象的支持。数据发行是指采用订阅机制实现的一种数据管理技术。数据仓库发行定期修订的商业对象，用户订阅商业对象以满足决策需求。通过监控其使用的模式，即可获得以后自动发行商业对象的信息，如可从中了解到发行哪些商业对象的信息给哪些用户等。
4.商业智能应用
(1)统计分析
统计分析指通过对研究对象的规模、速度、范围、程度等数量关系的分析研究，认识和揭示事物间的相互关系、变化规律和发展趋势，借以达到对事物的正确解释和预测的一种研究方法。基于统计分析方法，对所有商业银行经营管理和监管有影响的数据进行深入分析研究，寻找内存规律，为管理者提供管理决策依据和政府提供政策支持，能够客观及时地反映经营运作情况，分析和评价银行的赢利能力，并对可能影响赢利水平的因素进行分析预测。
(2)多维分析
多维分析是针对银行中特定问题的联机数据访问和分析，并对信息进行多个层次、多种角度地观察。从相应的银行主题的星型模式中选取适当的维和度量，生成多维数数组。一个多维数据数组可描述为：维1，维2，..，维n，变量。以某种可视化的方式进行多种OLAP操作，包括切片、切块、旋转、向下钻取、向上综合，从而能够从全方位多视角分析和展现银行当前业务运转情况和经营管理情况。
(3)决策分析
决策分析是在应用数学和统计原理相结合的基础发展起来的，最早产生的决策内容是经济批量模型，盈亏临界点分析，边际分析和产品质量的统计决策方法等。由于运筹学的发展和计算机的深入应用，使得人们从经验决策逐步过渡到科学决策，产生了自成体系的决策理论。决策分析在银行经营管理领域具有非常广泛的应用，在资金筹集、金融产品设计、客户营销、项目可行性研究等方面的都有广泛的应用。
(4)数据挖掘
作为分析型工具，数据挖掘和OLAP在商业智能应用中同等重要，但它们的侧重点和应用范围是不同的，OLAP是验证型的分析工具，而DM是推测型的分析工具。数据挖掘在银行风险预警、客户关系管理等方面取得过良好的应用效果
三、商业智能在银行业务中的应用
银行商业智能应用的建立，要有助于更好地理解银行的客户，更好地理解银行开展的各项业务，更好地配置银行的各种资源，更好地控制和管理银行面临的各种风险。银行商业智能主要可以应用在客户关系管理、全面成本管理、资产负债管理和风险管理等方面。
1.客户关系管理
银行客户关系管理是一种以银行客户为中心的管理理念，可以利用商业智能的统计分析功能和数据挖掘功能，帮助银行准确预测客户需求并提供相应的服务，对项目进行利润测算和风险分析。它能利用商业智能的最优化方法，确定潜在客户和选择目标客户，并采用最佳营销组合方法，创造多种途径进行金融产品推广，对银行客户的整合营销，不断地完善银行管理、市场、销售和客户服务等与客户关系有关业务流程，并提高各个环节的自动化程度，使银行和客户能够不断较好地沟通，明白客户的所需所求，并快速做出反应，与客户建立持久的良好关系，不断提高客户的满意度和忠诚度，从而使银行自身效益能获得显著的提高。
2.全面成本管理
全面成本管理运用成本管理的基本原理与方法体系，依据现代企业成本运动规律，以优化成本投入、改善成本结构、规避成本风险为主要目的成本动因理论认为成本在本质上是一种函数。采用商业智能中的统计分析、多维分析等工具分析利用成本和成本对象的关系、成本与成本对象直接或间接相关系，帮助增加成本分配的精确性。间接成本是不容易精确地追溯到成本对象的成本，直接成本是那些易于精确地追溯到成本对象的成本。而可追溯性是一种通过因果关系以经济合理的方式直接向成本对象分配成本的能力，可追溯到成本对象的成本越多，成本分配的精确度也越高，因此采用商业智能统计分析和多维分析工具，建立成本可追溯性，精确分析和展现分配方式。
3.资产负债管理
资产负债管理，是金融机构按一定的策略进行资金配置来实现流动性、安全性和盈利性的目标组合。资产负债管理是以资产负债表各科目之间的“对称原则”为基础，来缓解三性的之间的矛盾，达到三性的协调平衡。采用商业智能的统计和决策分析工具，具体评价相财务等目标，比如最大法定盈余、最小乘余风险、最大的股东回报等；加入各种限制条件，如状态模拟时的状态、随机模拟时给定的分布等。采用时序模型、随机差分方程，进行决定性分析、随机规划、随机控制等，计算相关结果。现在资产负债管理，有许多商业智能中的统计方法都可以应用，其中最主要的常用方法包括效率前沿模拟、久期匹配、现金流量匹配等。其中用到的数学方法主要集中于优化、随机控制等。
4.风险管理
在现代商业银行经营管理中，风险管理处于核心地位，风险管理能力实际上构成了银行核心竞争力的主要基础。衡量一家银行的关键主要是看其能不能驾驭风险，能承受多大程度的风险，如何通过所具有的组织框架来认定、判断、识别和管理风险。银行业风险管理包含度量、监测和控制风险所必需的所有技术和管理工具，目的是通过设计一整套风险管理流程和模型，可以采用商业智能的决策分析和数据挖掘工具，开发经济资本与监管资本配置、银行系统信用风险、信托资产管理及内部获利能力等风险模型，识别、衡量各类风险，使银行能够实施以风险为本的管理战略和经营活动。
商业智能在银行客户关系管理、全面成本管理、资产负债管理和风险管理等方面有着广泛的业务应用，商业智能建立在货币经营数据库、信贷业务数据库、银行卡数据库等银行各类数据源的基础上，通过建立各类统计、分析和挖掘等方面的模型，充分利用和挖掘银行已有丰富数据资源中深埋的宝贵数据财富，为银行业务发展和战略转型提供科学可靠的决策依据。
[上一篇] 金融危机下商业智能成CIO新宠？
[下一篇] 浅谈国内外商业智能BI的发展趋势
