本文所采用的解决方案中，就是一个以数据仓库（DW，Data Warehouse）技术为基础，以数据挖掘（DM，Data Mining）工具为手段的金融管理决策支持系统。该系统中，DW用于存储和组织金融行业的基础数据，而DM则可以利用该基础数据，通过一系列技术挖掘出有价值的知识信息，验证和预测各项资源配置，辅助决策，并在快速变化的竞争中把握金融行业的发展方向。
一、数据仓库与数据挖掘技术分析
利用数据仓库和数据挖掘技术，金融行业领导层决策时可以更好地对金融行业的发展历程和未来趋势做出定量的分析和预测。为各金融行业的管理决策者提供更科学的决策基础，从而有效地提高金融管理的质量，有针对性地加强金融管理。
典型的数据挖掘有如图1所示的系统结构。（1）数据库或数据仓库服务器：根据用户的数据挖掘请求，数据库或数据仓库服务器负责提取相关数据；（2）知识库：是领域知识，用于指导搜索，或评价结果模式的兴趣度；（3）数据挖掘引擎：由一组功能模块组成，用于特征化、关联、分类、聚类分析以及演变和偏差分析；（4）模式评估模块：通常它使用兴趣度度量，并与数据挖掘模块交互，以便将搜索聚焦在有趣的模式上；（5）图形用户界面：该模块在用户和数据挖掘系统之间通信，允许用户与系统交互，指定数据挖掘查询或任务，提供提示信息，帮助搜索聚焦，此外，图形用户界面允许用户浏览数据库和数据仓库或数据结构，评估挖掘模式，以不同的形式对模式进行可视化。
图1 典型的数据挖掘系统结构
二、决策过程技术分析
决策理论的代表人物H.A·西蒙认为，可以将决策看作一个过程，这一过程有四大步骤组成：（1）确定决策目标；（2）拟订各种备选方案；（3）从各种备选方案中进行选择；（4）执行方案。这种思想是沿着提出问题到解决问题的时间先后来剖析决策本质，但对每个步骤如何认识，西蒙并没有给出具体方法。
我国科学家王众托引入元决策的概念，他认为，元决策居于决策的上层，它的分析与选择是针对决策过程而不是具体决策的对象。按照这一思想，可以将研究具体决策对象与研究过程区分开来。当寻求某一具体决策问题的答案时，重点在于按时间先后次序进行研究，即时间的维度是考虑的重点；若研究的是决策问题的共性，重点应转向对决策过程各个环节的研究；而决策过程的各环节，均是对有关信息的加工处理，可以通过研究决策过程的信息来研究决策过程。为此，对西蒙的决策过程理论，即：提出问题→设计备选方案→选择方案→执行决策，可从多个决策的四个阶段抽取出相同的信息加工方法。在提出问题阶段，将所有与所研究的决策问题相关的信息收集在一起，成为信息资源集Q；在设计备选方案阶段，将有助于解决问题的模型、方法收集在一起， 成为决策方法集M；在选择、执行阶段，将所有由Q和M组成的决策结果收集在一起， 成为可执行方案集A。这样，就可以把对决策过程的研究转化为对Q、M、A三个集合的研究，从而将决策过程从时间维度研究转化成从空间维度研究。按照这种新视角来看决策过程，明显优点是淡化不易把握的动态过程，抓住决策过程的内在结构，使得用计算机来分析、处理决策过程非常方便。
按元决策理论，决策过程的全过程都贯穿着分析与抉择，因此，要达到最终的决策结果，对信息资源集Q、决策方法集M、可执行方案集A也存在着分析与选择，这样，可以认为决策结果R是Q、M、A的函数，即
R＝F（Q、M、A）
式中F是对Q、M、A不同组合的分析与选择。基于以上分析，决策过程的时间维度和空间维度可用图2对比示意如下。
图2 决策过程时间维度和空间维度对比示意
图2中时间维度箭头指向表示下一个步骤的结果可以反馈到上面的步骤，从而对上面步骤的结果进行优化调整；空间维度箭头指向表示决策结果通过“分析与选择”反馈给信息资源集、决策方法集和可行方案集，从而可以优化调整相应的信息和方法、方案。从图2不难看出，时间维度示意图的优点是清晰勾画出了决策过程的先后次序，缺点是没有描述每个过程的具体内容；空间维度示意图刻画出了决策过程对应的信息，其优点是可以看出决策过程针对的具体对象，不足之处是没有描述决策的先后次序。因此决策过程的描述应是多方位的、多视角的，这与元决策理论将决策过程再进行细致研究的思想是一致的。考虑到计算机处理决策过程的优势在于利用各种库（空间维度），所以下面重点从空间维度进行探讨。
三、决策支持系统的架构
要深入剖析DSS，首先要弄清其结构。一般来讲，DSS主要由人机接口（对话系统）、数据库、模型库、方法库和知识库以及它们对应的管理系统组成。上述五个部件是有机统一的整体，其中的基础是上述的“四库”，它们之间是相互关联的。
四库是“死”的数据、信息、方法、模型、知识等的集合，而决策是活的过程，要将这些包含大量信息资源的“死”库和活的过程联系起来，需要能把这些资源进行有机整合的工具，而这些工具就是这些库对应的管理系统，它们是DSS中活的成分。若仔细分析数据库管理系统、模型库管理系统、方法库管理系统、知识库管理系统可以看出，它们之间不应是孤立的，例如模型库管理系统所管理的模型其基本数据来源于数据库。为此，可将库管理系统对应的功能抽取出来，按功能划分成信息处理系统、决策工具管理系统、知识管理系统。经过按功能重新划分，即可绘制出DSS的架构图。为易于比较，将通常意义上的一般架构图和这种区分功能的架构对比绘制成图3。
图3 一般DSS和区分功能的DSS的架构对比
从图3可以看出，一般架构图只用来说明DSS的组成，并不说明各库和各系统的相互关系，而区分功能的DSS架构通过箭头表明了信息、操作的具体流向，可以表明DSS各个组成部分间的相互关系。它们的内在关系如下：虚线框内各系统之间的相互关系通过操作相应数据库反映出来的，相应箭头揭示了各系统的内在联系。数据库是虚线框内各系统的基础数据来源，而信息处理系统产生的结果直接反馈到数据库。模型库（方法库）向决策工具管理系统和知识库管理系统提供基本模型和基本方法，而决策工具管理系统所产生的新模型、方法又存储到模型库（方法库）。知识库向知识管理系统提供预存的知识，而知识库管理系统通过对信息加工、推理形成的新知识存放到知识库。
通过图3可以把“四库”看作是DSS的基础层，DSS的所有分析和处理都基于这一层，而把各种管理工具看作是DSS的处理层，该层负责处理DSS底层数据并通过人机接口和决策者打交道。这种划分方法有两方面的意义：其一，使得DSS的层次结构更加明显。将管理工具（动态的成分）和物理存储（静态的成分）分开，更有利于把握DSS的实质。其二，有利于划分DSS类型。因为不同的底层库和不同的处理系统结合会产生不同的组合方式，而不同的组合方式就是不同的DSS系统。
四、决策支持系统和实际决策之间的层次关系
如前所述，研究DSS的目的是为了更好地利用计算机为决策服务，那么，把决策过程结构和DSS结构放到一起来考虑就是理所当然的了。事实上。通过上面的分析可以发现，由于DSS管理工具（处理层）的桥梁作用，使得实际决策过程可以和DSS的基础层产生联系，把决策需要的数据、信息、模型、方法、知识，通过处理层这一桥梁，传送给决策者，为其实际决策服务。因此，可以将实际决策过程与DSS关系形象表示成图4所示的层次结构模型。
图4 DSS和实际决策间层次关系
首先，处理层的各系统直接向决策过程的各具体对象（Q、M、A）提供从基础层产生的结果。其中：信息资源集由信息处理系统和知识管理系统产生；可行方案集由决策工具管理系统和知识管理系统产生；决策方法集则由整个处理层产生。其次，处理层还提供对分析与抉择的支持，反过来，分析与支持的结果可以通过处理层反馈给基础层。这种反馈搭建起了决策的结果和DSS之间的桥梁。
五、基于数据挖掘的决策支持系统的流程结构框架建立方案
基于以上讨论，一种基于数据挖掘的决策支持系统流程结构框架如图5所示。它由数据库、数据仓库、数据仓库管理模块、数据挖掘工具、知识库、知识发现模块、人机交互模块组成。系统的主要输入是源于数据库的数据以及存储在知识库中的知识和经验。人机交互模块通过自然语言处理和语义查询在用户和系统之间提供相互联系的集成界面。数据仓库管理模块完成数据仓库的创建以及数据仓库中数据的综合、提取等各种操作，负责管理整个系统的运转。数据挖掘工具用于完成实际决策问题所需的各种查询检索工具、多维数据的OLAP分析工具和数据开采DM工具等，以实现决策支持系统的各种要求。知识发现模块控制并管理知识发现过程，它将数据的输入和知识库中的信息用于驱动数据选择过程、知识发现引擎过程和发现的评价过程。
图5 基于数据挖掘的决策支持系统的流程结构框架
在图5中箭头方向为控制流，决策支持同数据库管理是密切联系的。用户发出决策请求命令后，通过数据挖掘工具触发数据仓库管理模块从数据仓库中获取与任务相关的数据。
建立该决策支持系统的过程可描述如下：（1）分析决策需求，描述和表示决策的问题。（2）确定数据来源，建立数据仓库。（3）针对所要发现的任务的所属类别，如归类、回归分析、聚类、发现关联规则等，设计或选择有效的数据挖掘算法并加以实现。（4）数据挖掘，逐层综合。调用数据挖掘功能，从平凡的历史数据中提出综合数据，独立存储为库文件，作为更高一层数据挖掘对象。（5）测试以评价所发现的知识，对知识进行一致性、效用性处理。（6）应用开发。根据最终用户的要求，建立适用于决策支持的数据仓库的集成界面和应用程序，使用户能在决策支持中运用所发现的知识。
以上过程不是简单的线性流程，而是一个学习、发现和修改的过程，步骤之间包含了循环和反复，这样可以对发现的知识不断求精、深化，并使其易于理解。
该系统能使其应用者由原来通过定期的、固定的报表进行定性的分析而上升到通过实时的、动态的各种形式的图表进行定量的分析，从而可以敏感地发现市场的微小变化并迅速做出反应，为金融企业在激烈的市场竞争中立于不败之地提供了强有力的工具。
数据仓库、数据挖掘和决策支持系统都是方兴未艾的前沿科学。在金融领域，随着管理信息系统的数据信息的不断增长，把DM技术应用到管理信息系统中，以建立金融行业管理决策支持系统，必将为金融行业各级领导部门的决策提供切实可行的提高金融质量、优化金融资源的依据，为金融行业在激烈的竞争中掌握主动，在未来的发展中提供更广阔的空间，发挥重要的作用，为金融行业的跨越式发展起到一个科学导向作用。
TAG: 管理 金融 决策支持系统 数据挖掘
