智能大数据分析篇1
关键词：大数据智能交通交通系统应用
引言
近年来，城市建设的推进以及生活节奏的加快，极大的加重了人们对交通出行的依赖和高要求。而人口密度的急剧增长，机动化出行的日趋普遍，令交通拥堵以及各类安全事故频繁发生。显然，传统的交通管理方式已经难以适应交通发展的需求，智能交通系统的运用势在必行。与此同时，作为数据挖掘、加工处理、传输预测的重要手段，大数据技术为智能交通系统带来了新的发展空间，无疑会在交通资源配置、交通规划管理、交通安全以及运营服务等方面发挥重要作用。
一、大数据与智能交通系统概述
（1）大数据技术以及智能交通下的大数据特征
大数据技术，是指针对海量且种类繁多的数据信息，利用领先的数据处理技术，进行数据信息的大容量储存和快速处理。相较于传统的交通数据，智能交通下的大数据具有显著的特征：第一，数据信息海量，数据类型多种多样，有多种呈现模态，第二，数据来源非常广泛，数据存储的时间更长，效率更高，第三，由于交通数据自身对实效性的要求，需要借助高精尖的处理技术，实现数据的快速处理，第四，数据有较强的时间性和空间性，为交通管理提供有效的参考依据，第四，凭借计算机技术和传感技术，智能交通大数据的可视化并不困难。
（2）智能交通系统的定义
而智能交通系统，是综合利用先进的计算机技术、通信技术、人工智能技术、电子传感技术等领先科技，建立的基于整个地面交通管理的大规模、全方位、实时高效的综合交通管理系统。
（3）基于大数据的智能交通系统的优势
与传统的智能交通技术不同，基于大数据的智能交通系统首先在硬件设施上更为完善，其次，在大数据处理技术以及其他多种领先技术的支持下，能够对整个交通运输系统进行全方位的数据采集、分析和处理，此外，在各类智能交通技术和设备的综合利用下，不仅能够快速传递和处理海量信息，还能对整个交通运输系统的运作进行综合管理和安全分析，在管理水平和安全把控上有明显的提升。
二、大数据在智能交通系统中的应用
1、大数据在交通信息服务中的应用
智能交通系统的交通信息服务是在信息传感网的基础上，采集车辆、道路、停车场等多种交通信息，而如此海量的数据信息，则需要借助大数据技术中的数据挖掘和云计算来进行采集、传递，才能及时地向各个交通部门提供有效信息和指导，同时也能让车主依据实时交通状况，调整出行实践和路线，避免交通拥堵。此外，大数据技术还能利用海量的信息数据积累，为后期的道路建设和交通规划提供参考。
2、大数据在交通管理方面的应用
在交通信息系统的基础上，智能交通能够凭借大数据技术，第一时间处理不同路段的实时信息，掌握道路交通的现状以及环境情况，及时做出合理的部署与安排。比如，通过对比分析某一交通路段在不同路况下的手机信号密集度，就能了解该路段是否有拥堵或者事故发生，从而及时做出疏导。
3、大数据在车辆控制与安全管理中的应用
通过大数据技术对各类信息进行采集与分析，智能交通系统能够客观总结、反映许多有价值的车辆控制与安全管理规律，比如每年的车祸情况分析，车祸中驾驶员的不同操作习惯总结，各种不良习惯造成的严重后果等等。通过对这些数据信息的分析，能够对安全出行做出警示，对驾驶员的操作习惯做出正确提醒，还能为车辆的安全驾驶系统设计提供重要的参考依据。
三、智能交通系统中的大数据处理技术实现方式
智能交通系统中的大数据处理其实是一个信息采集―多维度数据分析―信息传递与反馈的过程，通过这个过程为交通管理提供信息支持，最终实现智能交通管理。智能交通系统中的大数据处理，包括以下几方面的技术实现方式。
1、信息采集模块的技术实现
在交通信息采集模块，主要有静态、动态两种信息采集方式。静态交通信息采集方式是在固定的位置设置视频监控装置或者感应线圈，然后通过道路路面下的感应线圈来产生相应的电磁感应，实现车辆的相关信息的采集。而动态交通信息采集方式，则是运用磁频、光电、测重传感器等自动收集实时的交通流量、行车速度等交通参数，从而推算时间，预测拥堵情况。
2、交通数据分析模块的技术实现
在交通数据分析模块，首先是统一采集不同渠道，不同模态的交通信息数据，转换形成对应的图像视频后再经由数据平台进行分析，得出有价值的信息数据，其次，对于大范围波动或者间断性缺失的数据，则通过专业的数学模型、数据集成技术以及决策支持理论来实现全面细致的交通分析。此外，在路段车流量以及安全情况的分析中，还需借助数据挖掘技术来完成，并采用神经网络技术和人工智能技术来进行智能计算，从而科学支撑交通数据的分析和管理。
3、交通数据处理模块的技术实现
在交通数据处理模块，一方面是通过分布式数据处理技术来处理、实现决策支持，比如对交通事故的实时探测以及对信号配时的优化。另一方面，通过动态交通数据处理技术，为交通信息管理工作提供交通异常行为分析、交通短时预测等功能，并将采集到的动态数据与数据库中的相关数据做比对，客观分析交通现状，科学制定处理方案。显然，两类数据处理技术均能有效处理看似杂乱无章的交通信息数据，一定程度上也是“智能”交通的体现。
四、结束语
综上所述，智能交通系统是一个借助多元技术，规模庞大的系统管理工程，一旦有效建立并科学运用，将使整个交通系统的运行效率和日常管理水平发生质的改变，从而为广大交通出行者创建良好的交通环境，提供优质的交通服务。而将大数据技术在智能交通系统中有效应用，将更好地实现系统核心部分――数据信息的挖掘与处理，有效解决系统建设中的信息及资源问题。因此，未来还需围绕这个核心，充分利用大数据技术，实现更高效、安全、环保的交通运输管理。
参考文献
[1]陈阳.大数据在智能交通系统中的应用研究[J].信息通信，2016，（7）：142-142，143.
[2]李康.大数据及其在城市智能交通系统中的应用综述[J].信息通信，2016，（12）：197-198.
[3]罗西军，刘亚.大数据在智能交通系统中的应用分析[J].数字技术与应用，2014，（9）：97-97.
智能大数据分析篇2
关键词:大数据；数据分析；数据挖掘
1综述
1.1简介
在数字化时代,需要新一代系统架构提升业务创新能力。在新一代系统架构中,大数据是核心要素。业务应用能否自主发现与自助获得高质量的大数据,就成为业务创新成败的关键。这就要在搭建大数据平台时,就着手大数据治理相关建设。
1.2需求和意义
从某种意义上说大数据治理架构需要以元数据为核心、提高大数据质量、透明化大数据资产、自助化数据开发、自动化数据、智能化数据安全,提升大数据平台服务能力,让大数据平台变得易使用、易获得、高质量。但是,目前很多技术解决方案存在诸多安全和效率隐患:业务系统多,监管力度大;数据量庞大且呈碎片化分布,急需提升大数据质量;数据格式不规范、难以在短时间内找到所需数据;数据在各阶段的应用角度不同,需要降低系统间的集成复杂度。
2功能设计
2.1总体架构
本文讲述的数据分析方法及实现技术是建立在Hadoop/Spark技术生态圈的基础之上,以实现用户集成处理、、清理、分析的一个统一的数据处理平台;按数据类别分为线数据、归档数据;按数据格式分为非结构化数据、结构化数据;按数据模型分类为范式化模型数据、维度模型数据;按数据采集频度分为非实时数据、准实时数据处理架构;并提供数据中心平台与安全管理方案,为企业级用户建立一个通用数据处理和分析中心。如图1所示。
2.2在线数据
在线数据在线通过接口去获得的数据,一般要求为秒级或速度更快。首先应当将数据进行区分:在线数据、或归档数据。本平台中采用:Storm或SparkStreaming框架进行实现。SparkStreaming将数据切分成片段,变成小批量时间间隔处理,Spark抽象一个持续的数据流称为DStream(离散流),一个DStream是RDD弹性分布式数据集的micro-batch微批次,RDD是分布式集合能够并行地被任何函数操作,也可以通过一个滑动窗口的数据进行变换。
2.3归档数据
归档数据是在线存储周期超过数据生命周期规划的数据,处理的要求一般在分钟级或速度更慢。通常归档数据的计算量、数据量、数据复杂度均超过试试数据处理。本平台中采用:Hadoop、Spark技术生态体系内的框架进行计算,这里不详细阐述。
2.4非结构化数据
通常非结构化的数据不一定具备字段,即使具备字段其长度也不固定,并且字段的又可是由可不可重复和重复的子字段组成,不仅可以包含结构化数据,更适合处理非结构化数据。常见的非结构化数据包括XmL、文本、图象、声音、影音、各类应用软件产生的文件。针对包含文字、数据的为结构化数据应当先利用数据清洗、数据治理工具进行提取,这项工作目前仍依赖技术员进行操作,由于格式的复杂性所以难以使用自动化方式进行较为高效的批处理。在治理数据的过程中,需要根据情况对数据本身额外建立描述数据结构的元数据、以及检索数据的索引服务,以便后续更佳深度利用数据。
2.5结构化数据
结构化数据具备特定的数据结构,通常可以转换后最终用二维的结构的数据,并且其字段的含义明确,是挖掘数据价值的主要对象。本平台中主要使用Hadoopimpala和SparkSQL来进行结构化数据的处理。impale底层采用C++实现,而非Hadoop的基于Java的map-Reduce机制,将性能提高了1-2个数量级。而SparkSQL提供很好的性能并且与Shark、Hive兼容。提供了对结构化数据的简便的narrow-waist操作,为高级的数据分析统一了SQL结构化查询语言与命令式语言的混合使用。结构化数据根据采集频度可以继续分类为:非实时数据、准实时数据。
2.6准实时数据
通常准实时数据是指数据存储在平台本身,但更新频率接近于接口调用数据源的数据。适合用于支持数据和信息的查询,但数据的再处理度不高,具有计算并发度高、数据规模大、结果可靠性较高的特点。通常使用分布式数据处理提高数据规模、使用内存数据进行计算过程缓冲和优化。本平台主要采用SparkSQL结合高速缓存Redis的技术来实现。SparkSQL作为大数据的基本查询框架,Redis作为高速缓存去缓存数据热区,减小高并发下的系统负载。
2.7非实时数据
非实时数据主要应用于支持分析型应用,时效性较低。通常用于数据的深度利用和挖掘,例如:因素分析、信息分类、语义网络、图计算、数值拟合等。非实时数据根据数据模型可继续分类为:范式化模型数据、维度模型数据。
2.8范式化模型
范式化模型主要是针对关系型数据库设计范式,通常数据是采用第三范式3nF或更高范式。面向近源数据查询、数据主题的整合。范式化模型数据的数据存储区,建议使用并行mpp数据库集群,既具备关系型数据库的优点,又兼顾了大数据下的处理。
2.9基于维度模型
维度模型数据主要应用于业务系统的数据挖掘和分析。过去多维度数据处理主要依赖oLap、Bi等中间件技术,而在大数据和开源框架的时代下,本技术平台采用Hadoopimpala来进行实现。im-pala并没有使用mapReduce这种不太适合做SQL查询的范式,而是参考了mpp并行数据库的思想另起炉灶,省掉不必要的shuffle、sort等开销,使运算得到优化。
3应用效果
本系统在不同的业务领域上都可以应用,以2016年在某银行的应用案例为例:该银行已完成数据仓库建设,但众多数据质量问题严重影响了数据应用的效果,以不同的数据存储方式,以更高的要求去进行数据的统一管理。通过组织、制度、流程三个方面的实施,以元数据、数据标准、数据质量平台为支撑,实现了数据管控在50多个分支,60个局,1000余处的全面推广,实现了全行的覆盖;管理了120个系统和数据仓库,显著提升了新系统的快速接入能力;通过14个数据规范和流程明确了数据管控的分工;数据考核机制的实施,使其在数据质量评比中名列前茅。
4结语
本文介绍了大数据下数据分析方法及实现技术的大体设计和思路,从需求分析、总体架构和数据处理以及数据分析这几个方面来介绍。文章在最后介绍出了这种平台的应用效果。笔者相信这些思路和技术能够在业务中能得到很好的应用。
作者:蓝科李婧单位:1.中国科学院成都计算机应用研究所2.中国科学院成都文献情报中心
参考文献
智能大数据分析篇3
【关键词】人工智能金融决策数据处理
一、序言
伴随着信息科技的迅猛发展，基础层的云计算、大数据等因素的成熟带来了人工智能的进步，近年来人工智能概念发展十分迅速，深度学习带来的技术突破使得复杂任务处理准确率得到大幅提升，人工智能步入其发展黄金期。“十三五划”提出了“重点突破新兴领域人工智能技术”，国家层面和地方层面也都相继出台了其他各项政策对发展人工智能和大数据进行有力支持。发展人工智能有望成为经济发展的新动力。国内外互联网巨头凭借其先天用户数据丰富、资源配置高效等方面的优势，以各种形式在加速布局人工智能领域。在大数据处理能效显著提升与人工智能快速渗透的时代背景下，金融决策平台搭载人工智能技术，使金融数据的分析越来越科技化、多样化与普适化，虽然在我国金融数据的挖掘和应用尚在起步阶段，但金融数据作为大数据中最具含金量的数据源，也逐渐受到越来越多的重视。
二、技术理论基础与金融决策
传统的数据服务软件提供给客户的主要是行情展示、行情推送等基础的服务，而互联网技术和互联网金融企业的蓬勃发展，共同促进了金融机构的建设，人工智能的正在从专用型（特定于某一场景）转变为通用型，将基于数据、算法和计算的互联网技术群与实际场景相互联系起来，协同发展。正是由于人工智能突破传统局限的范畴，才能使其真正将技术拓展至泛智能的应用，更具普适型的applications随之产生。基于对金融参与者全方位的大数据分析、以及不断机器模拟学习和推进人工智能技术，提供精准内容服务和数据辅助处理服务更为高效；帮助个人或者机构作出适合其风险偏好、收益要求、投资年限等的金融决策平台不断产生。
在以人工智能技术融合进金融决策系统分析的过程中，仍旧以基础金融理论为指导，以马科维茨理论的均值方差模型为基础，在所构建的投资组合中，以最低的风险水平上赚取最高的收益率为目标。在按照一定算法筛选出满足一定收益风险指标的投资策略组合，保证其组合符合投资人的风险收益偏好。基于人工智能技术的更高级的算法和技术操作，可以在金融决策过程中进行更为广泛的量化投资策略，包含诸如行业轮动策略、量化择时策略、多因子alpha体系以及其他各类事件驱动策略决策。在人工智能技术的前提下，由学习系统、决策系统、智能执行构成的智能，通过数据监测和模块分析对外界实时金融数据的处理结果进行相应操作。
无论是自筹数据、公共数据还是产业数据协同，数据的挖掘过程繁复，容易造成数据失真，人工的方式失误程度更高，同时数据级别都是海量单位，大量数据存在方式为非结构化的形式，金融大数据的处理工作面临挑战。但融合人工智能技术的数据挖掘真实性、完整性更为可靠，并且在风险管理与交易这种复杂数据的处理方面，人工智能的应用将大幅降低人力成本并提升金融风控及业务处理能力。金融决策系统搭载人工智能技术的应用可以说是金融机构与客户的交互入口，传统的数据服务以人工服务的模式展开，客服面临的80%的问题是简单、重复的问题，但却消耗大量的人力和时间成本；同时，客服的服务内容大都来自企业自由知识体系，受整体外部金融环境的影响较少，这使得企业智能化应用相对容易，并且针对不同需求的客户提供不同专业的智能服务也变得不再是遥不可及。人工智能技术在既有技术的基础上，将出现显著的突破，其应用价值也将显著提升。人工智能技术在促进商业模式智能化的融合上也发挥着举足轻重的作用。
阿里巴巴旗下蚂蚁金服2016年公布的数据中，网上银行的花呗与微贷业务上，使用机器学习将虚假交易率降低了十倍，机器人问答准确率超过80%，人工智能在于客户沟通及数据挖掘中发挥了重要作用。交通银行推出的网点智能机器人，足以分担大量大堂经理的工作，分流客户，节省客户时间。平安集团下设人工智能实验室大规模研发人工智能金融应用，人机结合有效解决了客户问题，并能实现个性化服务。为客户金融决策行为提供得力辅助。
三、研究意义
金融数据大多是以时间序列的形式展示出来，而金融时间序列中包含了诸多金融知识和规律，在大数据和人工智能背景下的金融数据挖掘和分析是从指定金融网页上的金融模块中采集相关数据，运用智能科技手段进行分析、处理相关金融数据并指导相关金融决策的过程，研究智能技术在金融数据分析中的应用可以为金融决策系统提供新的理论基础。
金融数据存在的范围极广泛，经济活动和商业活动中都存在大量金融数据，但用户对于数据的需求与使用情况多元化，金融数据决策系统可以根据用户的实际需求进行调整，跨区域、低成本、全透明、全数字地持续跟踪市场变化，充分发挥互联网技术的作用，大大降低投资理财费用，并且能够精确、快速匹配投资需求，同时保持实时数据披露和高流动性，使得客户可以以最低的信息成本获取更高的信息收入。在用户的数据分析过程中，有效性越高，信息不对称的成本越低，便越有利于对决策的客观性和稳定性，以及越有利于金融市场的稳定性与规范性。
四、应用启示
结合目前人工智能行业发展趋势，按照人工智能技术分类，结合目前人工智能技术支持能力和市场实际应用情况，大规模以及深度运用机器学习，导入海量金融交易数据，使用深度学习技术，从金融数据中自动发现模式，基于机器学习技术构建金融知识图谱，基于大数据的风控需要把不同来源的数据整合在一起，筛选数据、分析数据、建模及预测打分，可以尝试在金融决策中多加运用相关技术，望能提升客户体验和内部管理效率以及进行风险防范。
参考文献：
智能大数据分析篇4
一、大数据时代下的财务分析
在大数据时代，财务分析可以定位为综合财务分析，它主要是依据一系列的大数据资料（财务与业务资料），采用专门的方法和技术，对企业经营活动进行分析和评价的一种重要工具。财务分析能为企业管理者提供数据分析和指导意见，同时分析盈利点和风险点及企业管理存在的问题，帮助管理层作出科学决策，提升企业创造价值的能力。财务分析的作用体现在：（1）反馈与评价经营结果。财务分析最主要的职能就是对企业某段时期内的经营结果进行综合反馈与评价，并与预算进行对比，可作为考核依据，找出过去经营管理中的问题与不足，为企业下一步的工作指明方向。这是财务分析比较传统的职能，在后续很长时间内这个职能也是相对比较重要的。（2）动态决策的数据支持。经济越发展，竞争越激烈，企业的经营风险也越大。财务分析总结过去，着眼未来，帮助企业动态经营决策提供数据支持，从而做到精准预测商机和危机。（3）总结运营发展规律。在企业经营发展中的资金运用、资源配置、成本水平、市场份额、业务完成情况及盈利水平等都可以由历史数据分析出基本的运营规律。了解运营规律对于企业在竞争中的准确定位、提升管理效率、保障企业顺利发展有着极大的推动作用。（4）提供全面财务预算参考依据。全面财务预算在企业战略规划中的重要作用不言而喻，而财务预算制定时的很多数据与依据都来自于财务分析。财务分析能为财务预算做好未来的资源配置起到很好的指引，同时也可以为企业预算中的风险预警提供参考，财务分析是财务预算的基石。（5）财务分析帮助挖掘大数据价值。企业所有信息最终都会以各种数据加以呈现，数据的价值是无法估量的。大数据是企业业务的集成，数据蕴藏着企业未来的价值。大数据的变革对财务分析的影响是深刻的。智能财务分析是大数据高效利用的利器，大数据时代下的财务分析体系只有重新构建，实现业财融合的智能化分析，才能提供高效、精准的企业财务分析，帮助提升企业价值创造的效率与速度。
二、大数据时代财务分析存在的主要问题
（一）财务分析技术相对落后
目前财务分析主要还是运用excel办公软件进行分析，没有更好的财务分析技术与手段，不能快速处理海量的数据，不能实现大数据时代的交互性与实时性分析，分析技术相对落后，无法满足大数据时代对智能财务分析的要求。事实上财务报表数据只是大数据里面很小的一部分，财务数据是对业务数据进行高度概括之后形成的二手数据。这些财务数据有很明显的逻辑规律，而大量的业务数据琐碎而没有明显的规律，这对财务分析技术提出了更高的要求，需要先进信息技术介入帮助财务分析技术实现突破。
（二）财务分析思维存在局限
目前财务分析思维还停留在传统会计账务的基本思维上，绝大多数人都认为财务分析就是对财务数据的分析，因此比较关注预算对比以及考虑事后审计，如每笔账务的原因及去向等。但伴随着财务工作的转型，财务触角必须深入到企业的每一个价值创造环节，将会更多地介入到企业价值管理的全过程，财务分析应该理解为企业价值管理工作的效果分析。所以财务分析思维不能只局限于会计信息，而应该从企业全局出发，获取企业全面的相关数据，同时还应该关注数据之间的相关性，否则将无法满足大数据时代管理的需要。
（三）财务分析数据质量不高
财务分析的基础是数据，但目前数据来源相对单一，基本上是财务部门会计核算的数据，未能搜集业务部门的数据，数据之间也缺乏关联性。由于是人工进行财务数据分析，所以数据加工时间长，无法实现自动化实时分析，导致输出数据信息的数量与质量都不高，满足不了大数据时代对数据分析的要求。
（四）财务分析与业务分析关联度不高
目前财务分析只关注财务报表的定量数据，不能充分与经营业务分析相结合。财务与业务联系不紧密，财务分析只有内部数据，缺乏必要的外部数据，不能关注外部市场环境的变化，没有做深入的行业分析，也不能深入到整个产业链中做分析。
（五）财务分析过程中缺乏多维度
企业经济活动涉及多种维度，从产品维度来看，企业生产的产品有很多种，有的产品相互之间可能没有关联，有的产品之间关联度可能很高，同一产品不同生产阶段情况也可能不一样；从供应商维度来看，渠道供应调整都是有前兆的，加强沟通与分析可以预判后端销售产品线的许多问题；从客户维度来看，分析客户消费偏好数据可以充分挖掘产品的市场潜力和前景；从地区维度来看，不同地区产品消费习惯和偏好也会有侧重。目前财务分析一般能做到对单一维度的产品、供应商、客户或地区进行分析，还不能做到不同地区下的产品分析的多维度、关联性分析。
三、财务转型对财务分析提出的新挑战
（一）财务分析智能化
大数据时代的海量数据加工与处理的工作量是人工难以及时完成的，即便人工勉强完成，但数据的时效性也丧失了，大数据所蕴含的巨大商业价值可能因此而变得没有价值。因此财务分析只有充分利用大数据技术，实现海量数据的智能化、流程化分析，才能帮助提升企业管理效率。
（二）综合财务分析
大数据时代财务分析不仅仅是财务数据的分析，而应能够对财务信息、管理信息和市场信息等进行综合性分析。利用先进技术对接不同的信息系统，获取内外部不同的数据，合理处理量化的和非量化的数据，设计不同的财务、业务指标，提高基础数据的质量与准确性，以实现业务与财务之间的联动分析，帮助企业及时、准确地发现商机。
（三）精细化管理会计
技术改变生活，技术同样改变管理。信息化时代最主要的特征就是精细化与个性化。大数据技术是精细化管理的重要手段，财务分析可以借助新技术实现实时的、个性化管理定制的分析。综合财务分析要求能把分析触角延伸到企业的每一个细节，为精细化管理会计发挥更大作用提供支撑。
四、适应财务转型构建智能财务分析的对策
（一）构建智能财务分析体系
财务分析在企业管理中有着极为重要的作用，大数据时代财务转型背景下构建智能财务分析体系可以为企业可持续发展提供足够的动力。智能财务分析借助于人工智能技术按照一定的业务逻辑实现对海量结构化和非结构化数据的采集、查询、计算与分析，并按设定的模板自动生成分析报告，如预算执行报告、部门运行报告等。1.以经营为导向。智能财务分析体系设计时要充分考虑企业自身经营特点，以经营为导向，理清业务的基本逻辑以及与财务的关系，可以使用不同的分析方法与手段，同时实现内部数据与外部市场、行业、政策等必要数据的对接。2.全过程分析。智能财务分析可以实现全过程分析。事前，智能分析系统按照固定的流程、标准及方法对数据进行处理，并模拟设置不同条件下的变量值，最终输出事前预测的目标值。事中，智能分析系统会随时关注指标执行情况，一旦有变化，及时发出预警，有效纠正偏差。事后，与事前预测进行对比差异分析，探讨原因，找出主要因素，并制定出有针对性的解决方案。财务分析利用大数据的先天优势，实现了全过程分析，使得企业经营各个环节都得到有效管控，形成了贯穿整个企业价值链的闭环式智能分析体系，这极大地提升了财务分析的价值。3.财务与非财务指标相结合。建立科学的财务分析体系，一是要继续完善财务指标，深入分析指标变化的原因及影响因素，以便更好地揭示企业经营规律。二是要充分开发非财务指标，比如技术人才储备、技术研发创新、新技术运用、消费者满意度等。三是财务与非财务指标相结合使用，从而解决企业产品薄利却无法多销、产品政策没变而销量一直下滑等情况。只有结合非财务指标的分析，才会使财务分析更加完善与立体。4.体现交互与变化。企业经营是一个动态的过程，智能财务分析可以紧密结合企业经营活动，将财务分析结果及时运用到企业经营中去，又能从经营数据中及时感知经营的变化，并对变化有所体现，真正实现了人机交互。比如企业并购后，财务分析要能及时调整，使数据在经营有变化时还具有可比性。5.创新财务分析方法。智能财务分析支持结构化与非结构化数据分析，实现了业财融合，传统的财务分析方法远远不能满足分析的需要，财务人员要敢于尝试新的方法运用于财务分析，比如标准成本法、质量管理、资源会计、环境会计等方法。
（二）建设融合数据平台
1.业财数据集成与共享。数据是财务分析的基础与保证，实现智能财务分析的前提是借助大数据技术建立财务与业务数据融合共享的平台，打破目前数据框架，全面整合企业所需数据。业财数据实现融合共享才能意味着财务与业务的沟通与传递成为日常，也方便业务前端及时生成所需的业务分析。财务全面深入业务，确保各环节数据信息有效共享，才能实现跨部门的综合财务分析。2.业财数据同步。智能财务分析要建立适合自己企业特点的分析模型，在业财数据实现集成共享后，能实现业务数据与财务数据的双向传递与同步更新，而不是像传统分析模式那样，数据只是单方向传递到财务部门。经营决策需要数据支撑，同时业务部门执行结果也表现为数据。只有业财数据做到同步无缝对接，智能财务分析才能真正为企业生产经营服务。3.加大业财指标关联度。业务是企业核心，财务分析是帮助业务提升的，所以财务必须深入理解业务，与业务部门深入沟通，基于业务流程与价值链环节，确保关键节点所设置的指标能体现与业务有较大关联度。如果业务发生调整要及时根据需要重新考虑设置新的关联指标。关联度高的指标才可以帮助业务管理找出薄弱环节，促进业务提升。4.结合业绩考核。企业管理的一项重要内容就是业绩考核，财务预算是标杆，财务分析可以帮助明确业绩考核的合理性及存在的不可控性。有时业绩不理想并不是员工不努力，也不是预算不合理，而是由于市场变化或其他原因造成的，财务要综合分析出原因，并给出一定的参考意见，这样才能为后续的价值创造贡献力量。
（三）强化大数据库建设与应用
智能财务分析有一套标准化、流程化的分析工具和模型，要想强化大数据分析应用，首先就是处理好数据与企业经营活动的关系，建立大数据库。1.非标准化数据。智能财务分析不但要更快更好地处理好财务数据和结构化数据，而且要能利用新的财务分析工具和技术，对非财务数据加以反馈，以及对非结构化数据能从多维度加以体现，以解决标准化数据存在的局限性。2.内外部数据对接。智能化财务分析平台不仅能对接不同部门，实现数据共享与协同，而且可以与必要的外部数据做好对接，比如产业链上下游企业的相关数据、行业数据等，只有获取了决策所需的充分数据，财务分析才算准备到位。3.数据准确与精确。大数据库的数据准确性可以理解为两个方面，一方面是基础数据的来源要准确，这是确保财务分析质量的前提。另一方面，大数据下的智能化也意味着必然存在人为不可控的因素，也就是说会存在一定的不精确。智能财务分析在强调实时与效率的同时，不能保证绝对的精确。财务分析是面向未来的，所以在基础数据准确的前提下分析结果也可能不精确，财务人员需要加以仔细判断。
（四）实行精细化财务分析
精细化管理需要精细化财务分析作好决策支撑。1.流程化管理分析。精细化财务分析下的基础数据来源于不同的业务部门，业务数据应该渗透到业务流程的每个环节，这样方便财务分析时按流程环节查找问题，进行提升。2.全方位业务管理分析。精细化财务分析是为业务服务的，只有对业务管理进行全方位的分析才能把精细化管理的触角延到企业的供应商和客户。比如每一笔应收账款、每一批商品、每一笔付款等具体的数据都有责任人，并定时给出自己的分析，然后相关部门按业务性质统一汇总。3.岗位化成本管理分析。成本管理对于每个企业来说都是至关重要的，成本是由各个岗位产生的，精细化管理下有必要对成本进行岗位化的精细分析，每一岗位成本都要落实到相应岗位的具体人员。比如订货成本是否合理，要由具体的采购、生产和销售岗位共同负责。在智能财务分析体系中，对于成本的核算与分析也是非常及时的，每日都有反馈，细化成本单元，深入业务前端，动态掌握企业成本管理情况。4.项目化管理分析。大数据时代企业的管理更趋向于扁平化，决策管理人员直接面向的就是一线的大数据。那么财务人员以什么样的逻辑把分析结果呈现在管理人员面前？除了部门、产品，可能更多是的项目，这样的项目组是依据企业需要随时进行调整的，更加灵活。
（五）丰富财务分析形式
智能大数据分析篇5
[关键词]商务智能框架关键技术趋势
一、引言
商务智能是企业利用数据仓库（Dw）、数据挖掘（Dm）、在线分析处理（oLap）、决策支持系统（DSS）等现代信息技术对企业经营过程中产生的大量结构化和非结构化商务数据和信息进行收集、整理、分析，以便辅助企业做出正确决策、采取有效商务行动、优化商务流程、全面提升商务绩效的工具、方法、技术的统称。借助这一手段，企业可以在市场更加多变、竞争更加激烈、组织越来越复杂、规模越来越庞大的商业环境下，高效运营、正确决策、快速响应，从而实现从数据到信息、从信息到知识、从知识到利润的转化。
二、商务智能的框架
商务智能的框架是商务智能的构成要素、关键组成部分之间的关系和整体结构的界定。商务智能与其框架的关系就如大厦与其建筑结构之间的关系，没有科学的、牢固的、完善的框架，商务智能的建造、效能发挥和可持续发展几乎是不可能的。关于商务智能的框架，业界有六大颇有影响力的方案：恩门的企业信息工厂、扎克曼的企业框架、美国数据仓库研究院的商务智能组件架构、Gartner的商务智能框架、商务智能厂商Businessobject的商务智能架构、商务智能厂商microstrategy的商务智能架构。
在上述六大商务智能框架方案中，最被推崇的是Gartner的商务智能框架，作为全球最为著名的信息技术咨询机构，Gartner公司动态地、持续不断的修正、完善这一商务智能框架。如图所示，框架由交易系统层、基础设施层、功能层、组织层、商务层等五个层面自下而上构成层次结构。交易系统层指企业的业务系统，如：企业资源计划（eRp）、客户关系管理（CRm）、供应链管理（SCm）、遗留系统（LegacySystem）等，这些系统是原始数据的来源地，商务智能软件可以通过编程接口（api）来访问这些系统。基础设施层负责对来自交易系统层的原始数据进行抽取、转换、装载等加工，并把处理好的数据放入数据仓库和数据运营店，在加工过程必须保证数据质量和元数据的一致性。功能层是对基础设施层的处理好的数据进行分析，以辅助运营和战略，这些分析软件分三种类型：商务智能套件、商务智能平台、报表查询工具。组织层针对商务智能的实施而言，实施需要组织保证即成立技术支持部门，实施过程中应有方法论和绩效管理。在上述四层的支撑下，商务真正实现智能：全球化、虚拟化、透明化。
图商务智能的框架
三、商务智能的关键技术分析
商务智能是多项技术交叉在一起的复合应用，这些技术包括关键技术、主要技术、支撑技术、辅助技术，本文关注的是关键技术。商务智能的实现本质上是通过对信息流的处理即数据、信息、知识的成功转化实现的，根据各种技术在这一过程中特定的功能定位、处理对象和实现难度，可以识别出商务智能的关键技术，并将其分为三大类：数据集成技术、信息分析技术、知识展示技术，见表。
表商务智能的关键技术表
数据集成是捕捉、整合、转换、清洗、改造源数据和把源数据装到数据仓库和数据运营店的一系列过程。目前，数据集成技术分为两个细分领域：数据获取和数据仓库。数据获取即数据抽取、转换、装载，俗称etL，市场上有很多这种商品化工具。数据仓库是具有主题导向的、整合的、因时间而变异的、已有数据不变动的数据集合，根据类型分有：企业数据仓库、探索型数据仓库、挖掘型数据仓库；根据粒度分有：企业数据仓库、数据集市、运营数据店。
信息分析是对存放在数据仓库中的数据进行分析以发现有价值的信息。信息分析分为描述性分析和预测性分析。描述性分析是指利用数理统计、在线分析处理等技术对数据进行汇总、合并和聚集，从不同的角度描述数据，以获得有严密推证关系的信息。预测性分析是指利用数据挖掘从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、预测未来的信息，这些信息可能没有严密的逻辑性但却以一定程度的准确性预测未来；数据挖掘是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。
知识展示是对信息分析的结果进行展示和解释以便用户能够理解并影响用户的行为。简单展示技术主要有查询、报表和多维数据集；查询和报表是最早的商务智能手段，用户可以利用这些工具作一些简单的分析和报告，把他们展现在屏幕上或打印出来；多维数据集可以帮助用户以灵活、随意的组合纬度，对数据进行横切竖割，从而对企业的运营状况进行多侧面的审视。但是对数据挖掘等深度分析的结果往往要进行高级解释，这包括如何用树、表、图、规则、曲线等表示知识，如何将知识同商务和用户情境结合以解释知识，如何用三维技术等将知识可视化。
智能大数据分析篇6
关键词：资金管理大数据资金链
随着我国大数据不断在各产业行业的运用，越来越多的企业不断运用大数据信息系统，实现了公司网络集成化管理，而作为集团公司特别是跨省跨国的大型集团公司，是帅先使得大数据企业管理系统，基于其管理系统的复杂性和智能性，以及管理模块多样性，使得我国集团资金管理存在诸多问题，笔者借机进行研究，希望能找到更多可以解决的建议。
一、大数据时代集团资金管理存在的问题
（一）集团公司资金管理金审批过度集中缺乏灵活性
我国大数据时代下，集团资金管理大数据系统运用时间短，公司内部管理跟不上大数据集成管理的资金管理模式，从而使得集团公司的分子公司对资金管理的过度集中产生了不适之症。主要是分子公司业务不稳定，资金日常需求量大，且突发事件多，资金流出现较多问题。如分子公司采购不及时或是采购客户要求从打款变成直接付现等，而公司资金管理过严无法实现即付现而使得采购困难现象。还有在日常费用和零星支出也存在突发事件需要运用的，如员工受伤需要公司垫资等，在这样的网上审批和监管过度集中中就缺乏灵活性，使得员工人为公司管理不人性化。
（二）集团资金链智能监督不力且人工检查不及时
集团资金链智能监督需要各分子公司的数据传递及时，如果数据出现隔天传递就出现系统智能分析出问题，或是智能分析结果出错现象较多。如先付款后审批，或先审批再付款两笔不同业务同时进行时，会出现在智能分析时不能分析先付款后审批的这一笔业务，最终使得数据统计与分析出现较大问题。而人工检查分析时又不及时，系统维护又没有及时更新和调整，最终使得资金链的智能监督与分析不力，而人工检查也不及时，最终容易引发资金流的问题。如出现有账无金或是有钱无账的现象在系统中使得人工分析增加难度，智能分析不准确的现象。
（三）集团资金管理部门人员综合素质不高
集团资金管理部门人员主要由银行资金管理人员和现金管理人员、资金管理经理、融资信贷人员、集团内部资金调拨人员、集团资金审批与监督管理人员等，这一些人员各自从业经验不同，学历文化知识不同，以及来公司受公司培训和教育的时间不同，最终使得他们综合素质不高，如对计算机操作不熟练，对大数据系统运用不熟悉，以及对智能化设备的维护与管理不力等，最终使得资金管理出现这样那样的问题较多。如出现分子公司临时短缺资金，资金流控制不合理等诸多现象。
（四）集团资金智能分析与人工分析结合度不高
资金智能分析是指通过计算机在大数据云计算上的基础上进行有条件的智能分析和提取相应的分析结果，如资金日报表自动生成，资金月报表生成，资金年度和半年度报表的生成，还对各类资金使用进行智能分析，明确其使用用途和性质，以及使用时间和使有是否合理等。然而由于人工操作出现滞后录入数据，形成当日分析数据不准，而后增加的数据又与当日形成分析的差异，最终使得短期智能分析不准，人工服务又不及时或是根本没有分析，最终使得人工与智能分析结合度不高。
二、促进大数据时代集团资金管理能力提升的建议
（一）放宽集团资金管理审批权限保持适度灵活性
作为大数据时代下的集团资金管理的审批，需要适度放宽一定权限给分子公司资金管理人员进行合理的控制和管理，要抓大放小，实现分层级分层次的资金管理，要促进资金流动合理，运用规范不超出全面预算数据，更要对异常的资金使用进行合理监管。其即要保持分子公司的灵活性，又要促进审批权限相对集中，更需要将资金实现集中，从而利用集团领导层对公司进行决策合理，并有效利用资金进行投资等。
（二）实施集团资金链智能与人工共同监督并做到日清月查
作为资金链管理需要全面加强智能与人工共同监督，实现智能自动审查，找出存在的问题，由人工进行合理的检查，找出智能分析的不足，并进行及时的数据维护进后台数据处理，使得日常数据合理规范，并使得资金数据管理合理，利用率高，对资金控制合理，资金链不存在断链现象。因此，要做到共同监督，并要做到日清月查，实现保障集团资金合理流动，促进公司资金安排、使用、支付、收入合理，更使得公司投资申请和使用资金有保障。
（三）加强集团资金管理部门人员综合素质的提升
作为集团资金管理部门的人员需要全面提升个人思想素质和文化素质，更重要的是全面提升业务操作能力，和对计算机操作能力，以及针对数据进行有效判断和分析能力。要实现人机结合，达到人机一体化运营，这就需要资金管理人员与计算机高度结合，并全面提升人员的综合素质，只有这样才可能达到人机合一，最终为集团资金管理服务。
（四）加强集团资金人工智能与人工分析高度结合
作集团资金人工智能分析系统它是基于日常资金管理数据在系统中的存储后，通过系统自动提取分析和自动判断和归类后，实现系统自动化分析，它可能分析出现的问题就是基础数据的问题，一旦基础数据不对，后面所有的智能分析的结果都是错误的。而人工分析是就是以智能分析为基础，对各类数据进行论证和判断后，进行有效检查，最终实现智能与人工分析相结合，从而最终由人工进行综合分析出资金管理存在的问题和需要重视和注意的内容，并提出对应的建议。只有这样，智能与人工才是高度结合，并促进集团资金管理健康发展。
三、结束语
总之，大数据下的集团资金管理仍然存在诸多问题，笔者试着从上述几个方面分析后，最终提出了对应的建议，笔者希望能引起各集团公司对在大数据时代下的资金管理更为合理、规范，有效，从而促进资金管理合理。
参考文献：
智能大数据分析篇7
【关键词】商业智能 企业信息化 竞争力
随着全球信息化的发展，在世界各地、各行各业已掀起信息化的浪潮，信息化的层次也在不断演进，从mRp，mRpii，eRp到CRm，从数据仓库到数据挖掘，每一次变革都极大地推动着企业信息化的升级和企业管理水平的提高，功能强大的、面向事务型的信息系统在各个行业中大量应用。然而，这些应用都集中在前端的数据查询、存储和简单处理方面。现在企业已积累了大量的业务数据，有研究表明，平均18个月信息量就翻一番,但是能分析的数据估计只有7%。如何将大量的数据转换为可靠的信息以挖掘潜在的商机，已成为人们越来越关注的问题。由此，商业智能(Businessintelligence，简称Bi)技术应运而生。本文就商业智能如何提升企业信息化以及在现实企业中应用模式进行探讨。
1企业信息化阶段模型
美国哈佛大学教授里查德·诺兰（Richard.norlan）首先提出了信息系统发展的4个阶段，即开发期、普及期、控制期和成熟期，这是按时间顺序建立的四阶段模型。到20世纪80年代后期，信息系统的用途不断扩大，此时诺兰又提出了六阶段模型。即初始期、普及期、控制期、整合期、数据管理期和成熟期。这样诺兰模型已成为说明企业信息化发展程度的有力工具，是一个比较成功的模型，它在概念层次上对企业进行信息系统总体规划，对信息化的计划制定过程和衡量企业处于哪一个信息化发展阶段等方面提供重要参考。但是随着信息时代的发展，人们发现诺兰模型有其局限性，不能只是从计算机技术发展和人们接受使用计算机的水平来评价管理信息系统进程，而要从信息资源的有效配置、数据有效管理、系统有效集成，甚至还要从具体企业的信息化实施过程出发，所以就出现了业界普遍认可的企业信息化四阶段模型，这四阶段分别是：单一部门信息化，跨部门信息化，企业级信息化，产业链级信息化。如下表：
从这四阶段模型看，都是基于企业实现信息化过程，企业可以按照自己的具体情况实施信息化，不必按部就班按照诺兰模型的六个阶段。在现代企业信息化过程中，必须结合技术、管理、文化因素渐进地进行，使新的智能技术融入到企业管理中。
2商业智能内涵
商业智能这一术语1989年由GartnerGroup的HowardDresner首次提出，它描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。Datawarehouseinstitute组织认为“Bi是将数据转换为知识并将知识应用到商业行为上的一个过程”;GantnerGroup则认为“Bi是将数据转换为信息的过程，然后通过发现将信息转化为知识”。简单地说，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识和洞察力，促使他们做出对企业更有利的决策。其实，商业智能不是什么新技术，它只是数据仓库、oLap和数据挖掘等技术的综合运用。为此，把商业智能看成是一种解决方案应该比较恰当。要深入认识商业智能，必须了解商业智能组织架构体系。
商业智能组织架构体系主要由数据仓库、oLap以及数据挖掘三部分组成。
按照w.H.inmon这位数据仓库系统构造方面的权威设计师的说法，“数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程”。这个简短而又全面的定义指出了表明数据仓库主要特征的四个关键词：面向主题的（subject-oriented）、集成的（integrated）、时变的（time-variant）、非易失的（nonvolatile），将数据仓库与其他数据存储系统（如关系数据库系统、事务处理系统和文件系统）区别开来。
联机分析处理(onlineanalyticalprocessing，简称oLap)是一类软件技术，它帮助分析人员、管理人员或执行人员能够从多种可能的观察角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维度特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入理解。
数据挖掘是按照一定的规则对数据库和数据仓库中已有的数据进行信息开采、挖掘和分析，从中识别和抽取隐含的模式和有趣知识，并利用它们为决策者提供决策依据。数据挖掘的任务是从数据中发现模式。模式有很多种，按功能可分为两大类：预测型（predictive）模式和描述型（Descriptive）模式。
3商业智能技术提升企业信息化程度
企业信息化进展到一定程度，数据量激增，面对海量数据，人们感慨数据丰富，信息贫乏。许多国内外企业纷纷决定采用商业智能技术解决出现的问题，从而提高企业的信息化水平。
3.1提升企业管理决策能力
在传统的经济环境下，企业老总往往可以参考不多的信息凭借经验直接给出决策。在网络经济环境下，这样制定出的决策往往是偏颇的。而现在事实上很多决策者仍在采用此种方法，因此提升战略决策者的洞察力是非常必要的。如果企业应用商业智能，战略决策者能够冲破自身的局限性，产生有意义的深远的洞察力。这是因为：决策者通过商业智能提供的图形、图表、表格等工具来陈述问题。图形和图表是一种直观的问题陈述方式，它强调数据之间的关系，管理者可以对图形或图表中的数据进行分析。相比传统的报表，管理者更能够尽快作出反映，提升分析问题的洞察力。有研究表明，26%以上的决策者不能够恰当的选择问题陈述工具以辅助问题解决。这种不恰当的选择，导致问题解决时间的延长及结果的偏颇。图形等陈述手段对决策者的启示作用是有限的，为了解决问题，进行相关信息的推理是非常重要的。它为决策者提供一个开始通过搜索或分析开始数据探索的出发点。这种向导式的分析，通过借助储存的专家系统可以给决策者带来新的理念，更新决策者的思想。向导和决策者间的交互激发了知识的产生，即决策者洞察力的产生。
3.2整合企业信息，提高报表分析
商业智能从技术层面上看，都是以数据仓库为基础，利用oLap或数据挖掘技术根据决策者的需要从中提炼出各种表或视图。大致有几种类型。①企业级报表，这类报表生成器用来生成很好的格式化的静态报表，如财务报表、企业销售报表等。②立方体分析，它是基于立方体的商业智能工具向业务经理们提供简单的切片和钻取分析能力。③任意查询和分析，如关系型oLap(RoLap)工具供超级用户对数据库进行任意的访问，对整个数据库进行切片、钻取，从而分析到最细粒度的交易信息。④统计分析和数据挖掘，它是通过统计分析和数据挖掘工具，可以使用各类模型进行预测或者寻找两个变量之间的因果相关性。⑤报表分发和预警，它是基于报表分发机制，可以根据订阅、调度或者数据库中的触发事件向大量的用户群发送整个报表或者告警信息。
4企业信息化中商业智能典型应用
4.1商业智能典型应用
在竞争激烈的市场经济中，那些企业需要具有商业智能的软件，主要集中在竞争激烈的数据密集型的生活消费品行业和零售业以及金融服务业：如银行、保险等。使用商业智能都可以立竿见影地带动销售，这一点在零售业表现最为明显。这就是商业智能中的销售管理，它通过系统存储的产品销售信息建立销售模型,分总体销售模型和区域、部门销售模型,对产生不同结果的销售模型分析其销售量和销售策略,进行销售影响的因素分析和评估,根据不同的销售环境对相应的产品销售方案进行改进和创新,及时落实产品上架和下架计划,提高企业营销额。通过对历史数据的分析还可以建立提高销售量的预测模型。但是国内的生活消费品行业和零售业利润薄，信息化程度低，资金实力不强，没有足够能力实施。反而是电信、金融、航空等行业被商业智能厂商们看好，因为在国内这些行业的信息化程度高，并且这些行业从某种意义上都是服务业，客户的需求在这些行业中扮演着重要角色，准确、科学地把握客户的需求是身处这些行业的企业决策者们孜孜以求的东西，所以利用商业智能建立客户关系管理尤为重要。建立以客户为中心的数据平台集成客户信息，能有效保证客户信息的集中、统一和规范并从中挖掘出有价值的信息，就能获得更多的利润，帮助企业在适当时间、通过适当渠道、为客户提供适当的产品和服务。同时，通过发展曲线企业及时发现市场和顾客异常情况,快速采取措施,降低企业风险提高企业收益。如信用卡分析,银行、保险等行业的欺诈监测等。
4.2商业智能应用案例——中国光大银行国际结算系统
光大银行的国际结算系统于2001年正式运行，是光大银行的重要的业务，业务品种主要包括进口开证、到单、付汇、信用证通知、议付、结汇、转让信用证、出口托收、进口代收、进出口押汇、贴现、包买票据等，并实现了与SwiFt、会计系统接口。国际结算系统上线运行一段时间后，面临的问题是无法解决有效地利用数据进行分析，为决策提供强有力的支持。所以急需建立一套强大的报表和统计分析系统，提供给光大银行总行和各分支行的业务人员、管理人员对国际结算业务的经营和收益进行深入分析。
光大银行建立面向国际结算部的数据分析系统，该系统利用光大银行国际结算系统积累的大量有价值的历史交易数据，国际结算统计分析系统真实地反映光大国际结算业务的经营状况、揭示其发展的规律和趋势，提供高质量的统计数据和报表，并且支持oLap验证式分析功能。光大银行国际结算统计分析系统基于数据仓库和oLap技术，提供一个易用、灵活、快速的，集成了分析、统计、报表、数据挖掘的商业智能系统。国际结算统计分析系统是一个全行集中的分析系统，分支行无需配备该系统的维护人员，最大限度地降低光大银行的维护成本；而且各级业务人员无需科技部门的协助就可以自己定制各种报表和分析报告。
国际结算统计分析系统：（1）提供及时、方便的信息获取的方法，涵盖国际结算业务系统统计分析需要的全部数据，以及汇款柜台系统的部分数据，保证数据的质量和及时性，可以通过多个角度、多个层次进行信息查询。（2）可以让业务人员方便地定义各种报表，得心应手地在报表中嵌入分析结果，并且支持报表下钻功能，最大限度的降低开发和维护成本。（3）支持快捷地绘制各种指标的走势曲线、对比柱图、占比图形，对数据进行内在关系和深度挖掘，为决策者作出正确的决定提供有力的依据。可以从机构、行和客户等角度分析国际结算业务的收益情况。（4）能够及时地对异常的情况进行告警，使决策者随时掌控全局。分级的等级评估更是预警、各种比较的有效方法。
光大银行国际结算统计分析系统为光大银行国际业务部的决策管理工作提供了强大的查询、统计、分析、数据挖掘、报表定制功能，极大地提高了工作效率和工作质量，并且减少系统的维护成本，达到较高的投资回报率。用户可以随时、随地掌握业务的变化和收益的变化，帮助用户从“市场占有率”观念转变为“利润贡献度”观念，从而在未来激烈的竞争中立于不败之地。
智能大数据分析篇8
【关键词】商业智能 企业信息化 竞争力
随着全球信息化的发展，在世界各地、各行各业已掀起信息化的浪潮，信息化的层次也在不断演进，从mRp，mRpii，eRp到CRm，从数据仓库到数据挖掘，每一次变革都极大地推动着企业信息化的升级和企业管理水平的提高，功能强大的、面向事务型的信息系统在各个行业中大量应用。然而，这些应用都集中在前端的数据查询、存储和简单处理方面。现在企业已积累了大量的业务数据，有研究表明，平均18个月信息量就翻一番，但是能分析的数据估计只有7%。如何将大量的数据转换为可靠的信息以挖掘潜在的商机，已成为人们越来越关注的问题。由此，商业智能(Businessintelligence，简称Bi)技术应运而生。本文就商业智能如何提升企业信息化以及在现实企业中应用模式进行探讨。
1企业信息化阶段模型
美国哈佛大学教授里查德·诺兰（Richard.norlan）首先提出了信息系统发展的4个阶段，即开发期、普及期、控制期和成熟期，这是按时间顺序建立的四阶段模型。到20世纪80年代后期，信息系统的用途不断扩大，此时诺兰又提出了六阶段模型。即初始期、普及期、控制期、整合期、数据管理期和成熟期。这样诺兰模型已成为说明企业信息化发展程度的有力工具，是一个比较成功的模型，它在概念层次上对企业进行信息系统总体规划，对信息化的计划制定过程和衡量企业处于哪一个信息化发展阶段等方面提供重要参考。但是随着信息时代的发展，人们发现诺兰模型有其局限性，不能只是从计算机技术发展和人们接受使用计算机的水平来评价管理信息系统进程，而要从信息资源的有效配置、数据有效管理、系统有效集成，甚至还要从具体企业的信息化实施过程出发，所以就出现了业界普遍认可的企业信息化四阶段模型，这四阶段分别是：单一部门信息化，跨部门信息化，企业级信息化，产业链级信息化。如下表：
从这四阶段模型看，都是基于企业实现信息化过程，企业可以按照自己的具体情况实施信息化，不必按部就班按照诺兰模型的六个阶段。在现代企业信息化过程中，必须结合技术、管理、文化因素渐进地进行，使新的智能技术融入到企业管理中。
2商业智能内涵
商业智能这一术语1989年由GartnerGroup的HowardDresner首次提出，它描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。Datawarehouseinstitute组织认为“Bi是将数据转换为知识并将知识应用到商业行为上的一个过程”;GantnerGroup则认为“Bi是将数据转换为信息的过程，然后通过发现将信息转化为知识”。简单地说，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识和洞察力，促使他们做出对企业更有利的决策。其实，商业智能不是什么新技术，它只是数据仓库、oLap和数据挖掘等技术的综合运用。为此，把商业智能看成是一种解决方案应该比较恰当。要深入认识商业智能，必须了解商业智能组织架构体系。
商业智能组织架构体系主要由数据仓库、oLap以及数据挖掘三部分组成。
按照w.H.inmon这位数据仓库系统构造方面的权威设计师的说法，“数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程”。这个简短而又全面的定义指出了表明数据仓库主要特征的四个关键词：面向主题的（subject-oriented）、集成的（integrated）、时变的（time-variant）、非易失的（nonvolatile），将数据仓库与其他数据存储系统（如关系数据库系统、事务处理系统和文件系统）区别开来。
联机分析处理(onlineanalyticalprocessing，简称oLap)是一类软件技术，它帮助分析人员、管理人员或执行人员能够从多种可能的观察角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维度特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入理解。
数据挖掘是按照一定的规则对数据库和数据仓库中已有的数据进行信息开采、挖掘和分析，从中识别和抽取隐含的模式和有趣知识，并利用它们为决策者提供决策依据。数据挖掘的任务是从数据中发现模式。模式有很多种，按功能可分为两大类：预测型（predictive）模式和描述型（Descriptive）模式。
3商业智能技术提升企业信息化程度
企业信息化进展到一定程度，数据量激增，面对海量数据，人们感慨数据丰富，信息贫乏。许多国内外企业纷纷决定采用商业智能技术解决出现的问题，从而提高企业的信息化水平。
3.1提升企业管理决策能力
在传统的经济环境下，企业老总往往可以参考不多的信息凭借经验直接给出决策。在网络经济环境下，这样制定出的决策往往是偏颇的。而现在事实上很多决策者仍在采用此种方法，因此提升战略决策者的洞察力是非常必要的。如果企业应用商业智能，战略决策者能够冲破自身的局限性，产生有意义的深远的洞察力。这是因为：决策者通过商业智能提供的图形、图表、表格等工具来陈述问题。图形和图表是一种直观的问题陈述方式，它强调数据之间的关系，管理者可以对图形或图表中的数据进行分析。相比传统的报表，管理者更能够尽快作出反映，提升分析问题的洞察力。有研究表明，26%以上的决策者不能够恰当的选择问题陈述工具以辅助问题解决。这种不恰当的选择，导致问题解决时间的延长及结果的偏颇。图形等陈述手段对决策者的启示作用是有限的，为了解决问题，进行相关信息的推理是非常重要的。它为决策者提供一个开始通过搜索或分析开始数据探索的出发点。这种向导式的分析，通过借助储存的专家系统可以给决策者带来新的理念，更新决策者的思想。向导和决策者间的交互激发了知识的产生，即决策者洞察力的产生。
3.2整合企业信息，提高报表分析
商业智能从技术层面上看，都是以数据仓库为基础，利用oLap或数据挖掘技术根据决策者的需要从中提炼出各种表或视图。大致有几种类型。①企业级报表，这类报表生成器用来生成很好的格式化的静态报表，如财务报表、企业销售报表等。②立方体分析，它是基于立方体的商业智能工具向业务经理们提供简单的切片和钻取分析能力。③任意查询和分析，如关系型oLap(RoLap)工具供超级用户对数据库进行任意的访问，对整个数据库进行切片、钻取，从而分析到最细粒度的交易信息。④统计分析和数据挖掘，它是通过统计分析和数据挖掘工具，可以使用各类模型进行预测或者寻找两个变量之间的因果相关性。⑤报表分发和预警，它是基于报表分发机制，可以根据订阅、调度或者数据库中的触发事件向大量的用户群发送整个报表或者告警信息。
4企业信息化中商业智能典型应用
4.1商业智能典型应用
在竞争激烈的市场经济中，那些企业需要具有商业智能的软件，主要集中在竞争激烈的数据密集型的生活消费品行业和零售业以及金融服务业：如银行、保险等。使用商业智能都可以立竿见影地带动销售，这一点在零售业表现最为明显。这就是商业智能中的销售管理，它通过系统存储的产品销售信息建立销售模型，分总体销售模型和区域、部门销售模型，对产生不同结果的销售模型分析其销售量和销售策略，进行销售影响的因素分析和评估，根据不同的销售环境对相应的产品销售方案进行改进和创新，及时落实产品上架和下架计划，提高企业营销额。通过对历史数据的分析还可以建立提高销售量的预测模型。但是国内的生活消费品行业和零售业利润薄，信息化程度低，资金实力不强，没有足够能力实施。反而是电信、金融、航空等行业被商业智能厂商们看好，因为在国内这些行业的信息化程度高，并且这些行业从某种意义上都是服务业，客户的需求在这些行业中扮演着重要角色，准确、科学地把握客户的需求是身处这些行业的企业决策者们孜孜以求的东西，所以利用商业智能建立客户关系管理尤为重要。建立以客户为中心的数据平台集成客户信息，能有效保证客户信息的集中、统一和规范并从中挖掘出有价值的信息，就能获得更多的利润，帮助企业在适当时间、通过适当渠道、为客户提供适当的产品和服务。同时，通过发展曲线企业及时发现市场和顾客异常情况，快速采取措施，降低企业风险提高企业收益。如信用卡分析，银行、保险等行业的欺诈监测等。
4.2商业智能应用案例——中国光大银行国际结算系统
光大银行的国际结算系统于2001年正式运行，是光大银行的重要的业务，业务品种主要包括进口开证、到单、付汇、信用证通知、议付、结汇、转让信用证、出口托收、进口代收、进出口押汇、贴现、包买票据等，并实现了与SwiFt、会计系统接口。国际结算系统上线运行一段时间后，面临的问题是无法解决有效地利用数据进行分析，为决策提供强有力的支持。所以急需建立一套强大的报表和统计分析系统，提供给光大银行总行和各分支行的业务人员、管理人员对国际结算业务的经营和收益进行深入分析。
光大银行建立面向国际结算部的数据分析系统，该系统利用光大银行国际结算系统积累的大量有价值的历史交易数据，国际结算统计分析系统真实地反映光大国际结算业务的经营状况、揭示其发展的规律和趋势，提供高质量的统计数据和报表，并且支持oLap验证式分析功能。光大银行国际结算统计分析系统基于数据仓库和oLap技术，提供一个易用、灵活、快速的，集成了分析、统计、报表、数据挖掘的商业智能系统。国际结算统计分析系统是一个全行集中的分析系统，分支行无需配备该系统的维护人员，最大限度地降低光大银行的维护成本；而且各级业务人员无需科技部门的协助就可以自己定制各种报表和分析报告。
国际结算统计分析系统：（1）提供及时、方便的信息获取的方法，涵盖国际结算业务系统统计分析需要的全部数据，以及汇款柜台系统的部分数据，保证数据的质量和及时性，可以通过多个角度、多个层次进行信息查询。（2）可以让业务人员方便地定义各种报表，得心应手地在报表中嵌入分析结果，并且支持报表下钻功能，最大限度的降低开发和维护成本。（3）支持快捷地绘制各种指标的走势曲线、对比柱图、占比图形，对数据进行内在关系和深度挖掘，为决策者作出正确的决定提供有力的依据。可以从机构、行和客户等角度分析国际结算业务的收益情况。（4）能够及时地对异常的情况进行告警，使决策者随时掌控全局。分级的等级评估更是预警、各种比较的有效方法。
光大银行国际结算统计分析系统为光大银行国际业务部的决策管理工作提供了强大的查询、统计、分析、数据挖掘、报表定制功能，极大地提高了工作效率和工作质量，并且减少系统的维护成本，达到较高的投资回报率。用户可以随时、随地掌握业务的变化和收益的变化，帮助用户从“市场占有率”观念转变为“利润贡献度”观念，从而在未来激烈的竞争中立于不败之地。
智能大数据分析篇9
关键词：商业智能；数据仓库；联机分析处理；数据挖掘
中图分类号：F272文献标识码：a文章编号：1672-3198（2008）02-0138-02
1商业智能概述
商业智能（Businessintelligence，简称Bi）是为提高企业运营性能和提高企业决策能力而采用的一系列方法、技术和软件的集合。其主要目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性。
Bi的关键是从许多来自不同的企业运作系统的数据中，提取出有用的数据，进行清理以保证数据的正确性，然后经过抽取（extraction）、转换（transformation）和装载（Load），即etL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、oLap工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。商业智能的这个基本过程如图1所示。
2商业智能核心技术
商业智能的核心技术包括数据仓库（Datawarehousing）、联机分析处理（on－lineanalyticalprocessing，oLap）、数据挖掘（Datamining）在内的用于统计和分析商务数据的先进的信息技术。
2.1数据仓库
数据仓库（Datawarehouse）是一个面向主题的、集成的、随时间变化的、非易失的、主要用于决策支持的数据的集合。利用数据仓库技术可以动态将异构系统中的数据抽取集成到一起，按照单一的模式进行存储，并通常将这些信息驻留在单个站点。其通过数据清理、数据变换、数据集成、数据装入处理之后加载到数据仓库中，通过定期数据刷新来构造其内容。为用户提供一个统一的干净的数据视图，为数据分析提供一个高质量的数据源。数据仓库收集了整个企业的主题信息，因此它是企业范围的数据存储。对于数据仓库中的数据，可以使用一些增强的查询和报表工具进行复杂的查询和即时的报表制作，可以利用联机分析处理（oLap）技术从多种角度对业务数据进行多方面的汇总统计计算，还可以利用数据挖掘技术发现其中的有用信息。
2.2联机分析处理
联机分析处理(onlineanalyticalprocessing，简称oLap)是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维度特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。它的技术核心是“维”这个概念，因此oLap也可以说是多维数据分析工具的集合。数据仓库建立之后，即可以利用oLap复杂的查询能力、数据对比、数据抽取和报表来进行探测式数据分析了。用户在选择相关数据后，通过切片、切块、上钻、下钻、旋转等操作，可以在不同的粒度上对数据进行分析尝试，得到不同形式的知识和结果。oLap侧重于与用户的交互、快速的响应速度及提供数据的多维视图。
2.3数据挖掘
数据挖掘（Datamining）又称知识发现（KnowledgeDiscoveryinDatabase，简称KDD），是从大量数据中抽取有意义的、隐含的、以前未知的并有潜在使用价值的知识的过程。
在数据挖掘技术中常用的数据模型有:①分类模型,是根据商业数据的属性将数据分派到不同的组中；
②关联模型,主要描述一组数据项目的密切度和关系；
③顺序模型,主要用于分析数据仓库中的某类同时间相关的数据,并发现某一时间段内数据的相关处理模型；
④聚簇模型,当要分析的数据缺乏描述信息,或者是无法组织成任何分类模式时,可以采用聚簇模型。聚簇模型是按照某种相近程度度量方法将用户数据分成互不相同的一些分组。组中的数据相近,组之间的数据相差较大。
数据挖掘注重自动发现隐藏在数据中的模式和有用信息，尽管允许用户指导这一过程。oLap的分析结果可以给数据挖掘提供分析信息作为挖掘的依据，数据挖掘可以拓展oLap分析的深度，可以发现oLap所不能发现的更为复杂、细致的信息。
3商业智能的典型应用
商业智能作为一种企业信息集成解决方案，为企业不同的应用系统。如企业资源规划(eRp)、客户关系管理(CRm)、供应链管理(SCm)、办公自动化(oa)、电子商务(e-Commerce)以及外部环境扫描（environmentalScanning）等系统之间架起了互通的桥梁。同时，这些信息化系统也为商业智能提供了数据源。商业智能的典型应用包括经营分析，战略决策支持，绩效管理,异常处理等。
3.1经营分析
经营分析包括经营指标分析、经营业绩分析和财务分析三部分。经营指标分析是指对企业不同的业务流程和业务环节的指标（利润率、销售率、库存量、单品销售情况及所占营业比例、风险采购和库存评价指标等）进行搜集和分析。利用商业智能管理技术可以对这些指标进行科学的组织和分析，形成一个能反映企业整体情况的数学模型。这样通过观察总指标并设置告警，能获得整个企业的经营状况。
经营业绩分析是指对各部门的营业额、销售量等进行统计，在此基础上进行同期比较分析、应收分析、盈亏分析、各种商品的风险度分析等。经营业绩分析有利于企业实时掌握自身的发展和经营情况，有利于企业及时调整经营业务、化解经营风险。
财务分析是指对企业财务数据中的利润、费用支出、资金占用及其他具体经济指标进行有效分析。通过财务分析，可以及时掌握企业在资金使用方面的实际情况，为及时调整和降低企业成本提供数据依据。
3.2战略决策支持
在经营分析的基础上，将各类数据、信息进行高度的概括和总结，然后形成供高级决策者进行战略决策时参考的企业经营状况分析报告是商业智能的优势所在。商业智能对战略决策的支持，表现在以下几个方面：
①在公司战略决策支持层面上，可以根据公司各战略业务单元的经营业绩和经营定位，选择一种合理的投资组合战略；
②在业务战略决策支持层面上，由于商业智能系统中集成了更多的外部数据，如外部环境和行业信息，各战略业务单元可据此分别制定自身的竞争战略；
③在职能战略决策支持层面上，由于来自于企业内部的各种信息，源源不断地输入进来，相应地可以提供营销、生产、财务、人力资源等决策支持。
3.3绩效管理
商业智能技术能够从企业各种应用系统中提取出各种基础绩效指标与关键绩效指标(Kpi,Keyperformanceindicator)。为了考核员工的绩效，企业可以先将希望员工要做的工作进行量化，然后借助商业智能工具，管理人员可以追踪、衡量和评价员工的工作绩效，引导员工的思想方向和行动与企业的整体目标保持一致。
3.4异常处理
它是商业智能数据挖掘应用的典型事例,通过发展曲线企业及时发现市场和顾客异常情况,快速采取措施,降低企业风险提高企业收益。如信用卡分析,银行、保险等行业的欺诈监测等。
4商业智能的发展趋势
随着商业智能市场的日益成熟，2007年商业智能领域，仍然是上升的趋势。在所有发展中有三个发展趋势将对未来技术产生巨大的影响。
4.1Bi公司的合并
目前，人们不得不面对商业智能市场的剧烈震荡，每个商业智能公司都狼吞虎咽般的收购小公司，这些收购可以分为三类：
①数据质量厂商被收购。②企业信息集成厂商也被收购或者成为其它Bi供应商的战略联盟。③小厂商在出名前已经被收购。
这些收购使得Bi厂商巩固了商业智能解决方案，让实施变得更简单。一个厂商的界面让人更容易接受。这是毫无疑问的“一站式”方案。
4.2从战略型的Bi到操作型或者实时型的Bi
目前，企业日益要求减少从发现问题到采取行动的反应延迟，这大大推动了Bi分析应用的发展。根据决策专家的观点，这种反应的延迟有三个组成部分。数据准备的延迟（获取要分析的数据的时间），分析延迟（通过分析得到结果的时间），决策延迟（理解分析结果并且采取行动的时间）。对于操作型的Bi这三种延迟几乎可以减少到忽略不计，是非常有意义的。
为了减少数据准备的延迟，可以采用eii技术开发虚拟Bi组件，包括虚拟操作数据存储（oDS）和数据集市。
为了减少分析的延迟，操作型分析引擎中的企业活动监控（Bam）能及时的让业务人员看到分析结果，并且超出值域时发出报警。
关键绩效指标（Kpi）,每隔几个小时或者更频繁的发送给业务人员，整理当前的操作型结果并且在企业门户以仪表盘的形势展现出来，给业务人员深入分析关键事件的机会。
分析和展现操作型数据是非常有意义的，但是商业智能中不是所有数据都要包括。所以应该非常仔细的评估实时分析的数据。完全理解业务需求，才能找出海量数据中真正需要的那一小部分。
4.3更成熟的数据分析和展现技术
起初，Bi只有简单的报表和查询，然后有了多维分析。现在有了更复杂的方向，那就是使用数据挖掘进行深入分析，支持自定义查询的统计方法和技术，不规则的查询。
这些技术提升了预测分析和决策能力，并且可以嵌入到操作流程中。目前有些公司能够实施操作型或者实时Bi，给前台人员访问分析结果的能力，他们的日常业务都可以与数据的分析相结合。
但是值得我们注意的是，在实施过程中应该采取企业级的Bi架构和技术，否则一定会遇到混乱。操作型的Bi也需要彻底的理解业务流程以及变化，离开了这些需求，Bi实施就不可能深入到最有价值的地方。
参考文献
［1］李泽海,孙吉贵,赵君.商业智能技术与应用分析［J］.吉林大学学报，2003.
智能大数据分析篇10
关键词：智能航道；科技；工作思路
中图分类号：U612.32文献标识码：a文章编号：1006―7973（2016）12-0037-03
长江航运是我国综合交通运输服务体系的重要组成部分，相比较于民航、公路、铁路等其它运输方式，长江航运的信息化水平还有较大差距，尚不能满足现代化长江航运服务的需求，制约着综合交通运输发展的推进，在内河航道扩能和安全保障服务能力方面都有较大的提升空间。随着国民经济的快速发展，党和国家政府高度重视长江航运的发展，在大力发展长江等内河航运的基础上，将依托长江黄金水道建设长江经济带提升至国家战略，长江航运的发展迎来了历史性机遇。
十二五以来，长江数字航道建设正式启动，长江航道科技及信息化建设快速发展，数字航道的建设将会显著提升长江航道维护管理能力和服务水平，实现航标、水位、工作船舶等航道要素动态监测和及时维护，航道维护资源的科学配置和联网调度，主要航道要素信息的可靠，对长江干线航道安全畅通及信息服务水平提升起到明显作用。航道数字化的高级发展阶段是智能化，未来内河航道的发展方向必然是智能航道，交通运输部已将智能航道技术列为未来重点研究方向。数字航道的建设成果为智能航道建设奠定了基础，智能航道将在数字航道的基础上，利用传感器、物联网、人工智能等技术，智能感知航道要素信息，通过数据分析及挖掘等技术，实现航道规划科学化、管理现代化，为长江航运提供准确、实时、便捷的航道服务。
长江智能航道的发展方向也对航道科技工作提出了新的要求，科技工作在长江航道发展中起到支撑和引领的作用，智能航道的建设离不开航道科技工作，而航道科技工作也会推动智能航道的建设。为此，本文分析了长江智能航道的概念和特点，针对智能航道的关键技术提出了航道科技工作的思路。
1智能航道
1.1智能航道概念
目前智能航道在l展方向、基本概念等方面都取得了初步的突破，但是整体研究还处于起步的阶段。智能航道是以数字航道建设为基础的，智能感知航道要素数据，利用航道要素数据建立广泛互联、深度融合、智能应用、机制完善的智能航道运行服务体系，实现航道资源的物联化、航道信息的互联化和航道管理服务的智能化。
数字航道的建设解决了航标、水位、船舶等航道要素信息的自动获取，智能航道在此基础上，扩大航道要素感知种类数量，进一步提升各类航道要素数据的智能感知能力，形成全河段、全天候航道要素感知能力，为航道维护管理决策和社会公共服务提供实时的、全面的航道数据。同时智能航道利用数据分析及挖掘等技术，将海量的航道数据实现从数据到到洞察力的过程，达到典型航道要素的短期预测预报，提升航道维护管理研判及决策能力，为社会公共大众提供个性化、可定制的航道信息服务，从而真正体现出智能航道的智能化。
1.2智能航道的特点
（1）系统全面感知航道要素。通过各类智能感知方式，形成固定式与移动式、接触式与遥感式、专业化与社会化相结合的感知系统，从水上、水下等全方位实现航道要素信息全河段、全天候获取，对航标、水位、水流、洲滩岸线、河床地形、雾情、能见度、典型河段监控、航道整治建筑物、控制河段交通流等航道要素实现自动获取。
（2）便捷友好交互航道信息。通过物联网技术，将外场终端、控制终端、服务系统等各类设备连入长江航道广域网，基于智能航道的平台，实现全面的互联互通以及航道信息的便捷友好交互。
（3）实时提供航道信息服务。航道信息服务的重要特点之一就是实时性，具有实时性的航道信息服务才是有价值的。利用数据挖掘等人工智能技术，对海量的航道资源数据进行分析处理，挖掘数据的应用价值，实现航道信息定制化服务。
（4）低碳环保养护航道。智能航道利用遥测遥控与现代传感技术，实现各类航道要素的自动获取，达到航道远程监管，改变了传统维护管理模式，减低了资源消耗。同时利用航道要素信息为长江航道的维护管理提供决策分析，更加低碳经济地开展航道维护管理工作。
2智能航道下科技工作思路
2.1加强数据库顶层设计研究
智能航道的核心在于“智能”二字，“智能”的表现在于将航道要素数据转化为一种预判和洞察力，从而为航道维护管理提供研判和决策，以及预测航道要素的未来发展趋势。要实现“智能”二字，需要海量的航道要素数据作为支撑，通过数据融合和挖掘等技术实现智能化。对于海量的航道要素数据，要做到有据可查、标准规范、集中管理、交换便捷等需求，必须做好数据库顶层设计。
一个良好的顶层设计有助于航道要素数据的存储、融合、提取、分析以及挖掘。数据库顶层设计关注的不仅仅是数据本身，是要建立一个数据管理系统。系统的基础是各类基础it设施，平台将其虚拟化为设备资源服务，为航道要素数据分析和挖掘所需要的计算能力提供基础支撑。数据管理系统的核心是各类航道要素数据，将数据进行融合、整合形成符合预定数据规范的数据库。在设备资源和数据库的基础上，结合各类专家数学模型，对所获得的航道要素等数据进行实时分析和处理，实现航道演变趋势预测、航运通航状态预测等智能化功能，最终通过pC、平板电脑、智能手机等终端将分析结果给用户，不同的用户根据各自不同的需求利用分析结果进行综合评判或者获取自己需要的数据，同时系统能够获取用户使用内容、使用习惯等，后续为用户提供个性化的定制服务。
2.2加强航道要素智能感知研究
航道动态监测平台是数字航道建设工程的重要建设内容，航道动态监测平台全面、实时掌握航道各类动静态信息监测与控制，是航道部门开展各类业务应用的基础，平台基于统一的电子航道图数据和GiS平台，辅助航道管理部门实现航标遥测遥控、水位遥测遥报、航道维护尺度监测等功能。航道动态监测平台包含航标动态监测、水位动态监测、工作船舶动态监测等功能。
航道动态监测平台解决了航标、水位、工作船舶等航道要素信息的实时采集和展示，但是仅仅以上三种航道要素的智能感知远远不能满足智能航道的需求，智能航道需要建立包含多种航道要素数据的大数据平台，用于数据融合处理和数据挖掘，从而从数据中获得数据变化的规律。要建立航道要素数据的大数据，需要能够及时获取当前航道要素信息的瞬时值。为此，需要进一步加强航道要素智能感知研究，在数字航道建设成果的基础上，扩大感知航道要素的范围，提高航道要素感知的实时性、准确性以及稳定性。智能航道需要的感知航道要素不仅仅是航标、水位、工作船舶等，还需要包含水流、洲滩岸线、河床地形、雾情、能见度、典型河段监控、航道整治建筑物、控制河段交通流等航道要素数据，实现航道要素的数字化采集以及预处理的能力，形成各类要素数据的统一管理。完成各类感知系统的整合，
航道要素的感知还要体现出智能化，各类航道要素数据包括用户行为建立相应的数据库。与航道相关的文档数据、图片数据、音视频数据等结构化、半结构化、非结构化数据都要录入航道要素数据库。数据的全面性非常重要，只有感知全部数据，才可能掌控航道状态，预测航道状态和发展趋势。
2.3加强演变分析和预测预报能力研究
智能化是指现代通信与信息技术、计算机网络技术、行业技术、智能控制技术汇集而成的针对某一个方面的应用。智能化的主要特点有具有感知能力、具有记忆和思维能力、具有学习能力和自适应能力、具有行为决策能力，具备以上特点则称为智能化系统。智能航道是一个智能化系统，前文所述的航道要素智能感知指的是感知能力，如何让智能航道具备记忆和思维、学习、自适应、行为决策等能力，是现阶段航道科技工作的研究重点，同样也是难点。
记忆和思维、学习、自适应、行为决策等能力是智能化的核心，是利用已有的知识对信息进行分析、计算、比较、判断、联想、决策，是一种思维和智慧的结果。从智能航道的角度来说，就是对未来航道的一种洞察力，包含演变分析和预测预报的能力，通过基于大数据的融合和挖掘，逐步形成水位、水深、水流泥沙冲淤等要素信息的模拟分析、预测预报及综合利用能力，着重建立长江干线航道水位短期预测技术体系以及长江干线航道水位感知点布设方法；实现航道运行状态的模拟分析及航道条件的预测预报，支撑航道的精细化养护和航行安全的提前主动预警
2.4加强航道综合信息服务能力研究
长江航道维护管理是一项公益事业，最直接的服务对象就是通航船舶，因此提高航道综合信息服务能力是建设智能航道的最终目的。加强航道综合信息服务能力的研究，要从服务的手段、服务的形式、服务的内容等方面着手。
目前电子航道图是长江航道非常重要的对外服务手段，在智能航道的条件下，当前电子航道图的功能还有较大的提升空间，增加电子航道图的航道变化模拟分析的功能，进一步提升电子航道图的智能性、功能性和实用性；同时加强长江航道测绘技术的发展，特别是一体化测绘和快速测绘，提高电子航道图的快速更新能力。此外充分借鉴当前信息化领域的现代科技手段，着力提升信息服务的多样性、移动性、实时性，实现以电子航道图为内容、移动智能终端、船舶终端、门户网站等多平台的智能个性化服务。
3展望
智能航道技术将会推动我国内河水运的加速发展，o大地提升长江航道的信息化和科技水平，将长江航道的传统维护管理方式转变为智能服务模式。智能航道的建设离不开航道科技，航道科技为智能航道建设起到技术支撑和引领的作用，其为智能航道提供信息化基础设施建设思路，也为智能航道关键技术研究提供技术支持，为此，本文阐述了智能航道所涉及的关键技术，针对关键技术提出了智能航道下航道科技工作的思路，充分发挥科技的推动作用，为智能航道建设打好基础。
参考文献：
[1]刘怀汉，李学祥，杨品福，等.长江智能航道关键技术体系研[J].水运工程，2014（12）：6-9.
[2]长江干线（大埠街至上巢湖段）数字航道初步设计，长江航道局，2014年3月.
[3]李学祥，李昕，徐秀梅.物联网在长江干线航道的应用研究[J].航道科技，2014（7）：13-16.