CN104299105A - 一种支持复杂企业环境的信用数据管理系统及方法 - Google Patents

Abstract

本发明涉及一种支持复杂企业环境的信用数据管理系统及方法，包括：用户申请模块、数据获取模块、数据处理模块、数据仓库、数据分析模型管理模块、分析评价模块和信用管理模块。本发明解决了复杂企业环境下企业数据的集成、标准化、管理和分析的问题，对分散的和不规范的企业信息进行处理和转换、让数据更为规范、并集成到数据仓库中为企业的信用评价提供支撑。同时，结合对外部数据的处理，提出一种更适合信用数据管理系统来实现的企业信用数据分析和评价的方法，提升对企业信息分析的效率和评价的准确性。

Description

一种支持复杂企业环境的信用数据管理系统及方法

技术领域

本发明涉及一种面向复杂企业环境下企业信用数据的集成、管理和分析的系统与方法，属于计算机软件技术领域。

背景技术

随着信息技术的发展和企业信息化进程的推进，很多企业都采用信息系统来实现对企业的经营和管理，企业的数据也从传统的纸质文件逐渐转变为电脑里的数据，大部分都处于不同位置的信息系统里。但是，由于企业所采用的信息系统是由不同的厂家开发的，导致信息系统的运行平台多种多样、所采用的数据库也不相同。同时，由于企业的类型复杂、规模大小也不同，企业信息系统所存储数据的内容和格式也不相同，既有结构化数据，也有非结构化数据。正是因为企业的业务信息系统所采用的异构数据库和数据库里存储的大量异构数据，而且没有统一的标准，才会导致企业间信息难以对接和整合、对数据的利用率不高。

企业信息系统里大量的经营和管理数据反映了企业的真实经营情况，这些信息可以为企业的信用评价提供数据支撑。但是，由于企业信息系统里存储的数据的异构性以及数据安全性的考虑，在数据对接交换过程中面临很多问题。如何将企业处于不同运行平台上信息系统里的异构数据与信用管理系统进行对接实现数据的集成，这是一个很有意义但又很有难度的一件事情。目前，虽然市面上有一些数据集成的软件，但都需要在企业的信息系统服务器上和信用管理系统上安装客户端，一般的企业出于安全的考虑都不愿意这样来操作。同时，从外面集成来的企业数据格式多样、数据不规范，需要经过处理和转换，变为适合信用管理系统的数据才能进行使用。

目前，一般企业的信用评价都是采用线下或者与线上结合的方式，对用户提供的纸质材料进行审核、分析和评价。同时，也有的机构采用信息系统来实现评价审批的流程，而通过信用管理系统对外部企业数据进行分析的很少，并且没有针对外部数据的特点来对数据进行处理和转换，使得通过信息系统对企业数据分析的效率低、评价的准确性不高，尤其对于非结构化数据的分析和评价更不准确。所以说，通过信息系统来实现对企业数据的分析和评价的关键是外部企业数据的获取和转换处理的方法，以及一个更适合信息系统的、更符合企业特点的信用数据分析和评价的方法。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种支持复杂企业环境的信用数据管理系统及方法，解决复杂企业环境下企业数据的集成、标准化、管理和分析的问题，对分散的和不规范的企业数据进行处理和转换、让数据更为规范、并集成到数据仓库中为企业的信用评价提供支撑。同时，结合对外部数据的处理，提出一种更适合信用数据管理系统来实现的企业信用数据分析和评价的方法，提升对企业数据分析的效率和评价的准确性。

本发明所采用的技术方案是：以数据集成、数据仓库和数据分析等相关技术为基础的支持复杂企业环境的信用数据管理系统由用户申请模块、数据获取模块、数据处理模块、数据仓库、数据分析模型管理模块、分析评价模块和信用管理模块等组成，本发明的系统也可作为对一般信用管理系统的补充。

(1)用户申请模块：提供给企业用户通过网络来发起评价的申请、填写企业的资料、上传有关的证明附件到系统中、指定数据源信息，该模块是信用数据管理系统获取外部企业数据的一个方式之一。

(2)数据获取模块：实现从不同企业内部的信息系统获取企业信用数据的功能，针对不同企业提供的数据交换方式，通过数据接口与之对接，检查并获取企业的数据。

(3)数据处理模块：实现对外部企业获取过来数据的检查清洗、排序过滤、数据格式转换和数据存储功能，提高数据的质量，以保证数据的正确性、可用性和规范性。

(4)数据仓库：将处理过的外部企业数据通过多维建模的方式建立企业信用数据的多维数据结构，并将数据存储到数据仓库中，得到企业数据的一个全局视图，为后续的数据分析提供支持。

(5)数据分析模型管理模块：结合处理的数据实现对企业信用数据分析的指标、分析模型的定义和管理的功能，根据分析人员对企业的初步评价来调整和优化分析模型。数据分析模型直接影响到从外部企业获取和处理的数据内容，并影响到分析评价的结果。

(6)分析评价模块：结合数据分析模型和数据分析引擎对外部企业的信用数据进行分析和评价，给出企业的得分和对应的信用等级，包括对结构化数据和非结构化数据的分析和评价。

(7)信用管理模块：实现对信用评价过程的管理、审核流程的管理、评价结果的管理和报表等服务。

所述用户申请模块的实现过程如下：

(1)企业用户登录信用数据管理系统的网站，通过认证之后进入系统的用户申请模块；

(2)用户发起认证的请求并填写企业的结构化的数据信息，结合数据分析模型的不同企业上传的信息也不同；

(3)企业用户通过系统上传非结构化数据信息，包括一些扫描的图片、文档和视频等附件；

(4)指定用于数据交换的数据源信息，可以是数据库的视图(View)、XML文件或者Excel文件，提供给数据获取模块使用；

(5)提交信息、等待信息审核。

所述数据获取模块的实现过程如下：

(1)根据外部企业提供的数据源访问信息确定数据源的类型并调用支持该类型的数据访问接口；

(2)根据选择的是数据库视图、XML文件或者excel文件接口类型，连接到外部的数据源中；

(3)获取外部企业提供的数据信息，并对数据进行检查、保证数据的可用性和一致性；

(4)数据获取过程中通过安全控制和传输监控功能监控数据的获取过程。

所述数据处理模块的实现过程如下：

(1)对数据获取模块发送过来的数据进行检查和清洗，检测数据中存在的错误和不一致，提高数据的质量。

(2)对数据进行排序过滤、过滤掉不需要的数据，并提取有用的信息；

(3)对清洗过的不同格式的数据进行转换，变为符合自己需要的格式；

(4)结合元数据和编码规范对数据进行梳理，让数据更加规范化；

(5)调用数据存储功能将数据存储到数据仓库中，形成企业信息的多维数据库。

所述的数据仓库将存储从外部企业集成和经过处理的数据，并结合OLAP服务为数据分析提供支持。通过数据仓库的监控功能对数据仓库的运行进行监测，保证数据服务的质量。

所述数据分析模型管理模块的实现过程如下：

(1)根据企业评价的内容来添加和定义企业信用数据分析的指标，结合企业多维数据的建模，采用二级指标体系来组织数据，每个一级指标相当于企业信息的一个维度，指标的定义包括结构化数据类型和非结构化数据类型的指标；

(2)如果是结构化数据指标的定义，需要给出结构化数据的取值和得分的对应关系，以实现根据外部企业数据自动计算和分析的功能；

(3)如果是非结构化数据指标的定义，需要给出非结构化数据的影响因素，为了后续的数据分析提供支持，以实现更准确的非结构化数据的分析；

(4)定义外部企业数据分析的模型，选取一级和二级指标添加到模型中；

(5)采用归一化方法或者层次分析法来计算权重系数。

所述分析评价模块的实现过程如下：

(1)选择对外部企业信用数据评价所采用的分析模型；

(2)系统自动分析和计算出结构化数据指标的得分，然后人工去校验得分的情况，如果有必要可以进行修改；

(3)对非结构化数据指标的分析，首先选择该非结构化数据指标采用哪些影响因素来进行评价，然后系统通过对数据库中历史数据的分析和当前用户选择的结果进行分析，计算出该非结构化数据指标的参考得分，参考这个得分给出该指标实际的得分；

(4)计算出对企业信用数据分析的总得分，根据数据库中信用等级和得分的对应关系确定企业所对应的信用等级。

所述信用管理模块主要用来对评价的过程和评价结果进行管理，信用分析管理部门用于实现内部的审核流程、生成信用评价报告、将评价结果推送给企业，企业用户可查看信用信息审核和评价的结果。

面向复杂企业环境下的信用数据管理和分析方法实现步骤如下：

(1)用户登陆信用数据管理系统发起评价的申请，填写企业的结构化信用数据，上传相关的非结构化的附件，指定本企业信用数据源的类型、位置和安全访问信息，提交申请之后等待信用管理部门的处理；

(2)用户提交申请之后，系统会自动调用数据获取模块，连接到外部企业的数据源来获取数据；

(3)获取数据的同时将调用数据处理模块，对外部集成过来的数据进行检查和清洗；

(4)调用数据转换功能，结合元数据等信息将获取的数据转换为数据仓库里统一格式的数据；

(5)处理过的数据将存储到多维数据仓库中，为后面的数据分析服务做准备；

(6)信用数据分析部门的人员接收到用户的申请之后，将根据企业类型、规模等特征选择用于数据分析和评价的模型，如果没有适合的模型将转入模型定义流程；

(7)数据分析模型的定义首先选择用于企业数据分析的指标，并根据指标的多少选择不同的权重系数的计算方法来计算获得模型的权重系数；

(8)选择好数据分析模型之后，对企业提供的信用数据进行分析，包括结构化数据指标和非结构化数据指标的分析和评价，结构化数据指标的得分由系统自动分析计算获得；

(9)而非结构化数据指标的分析将会结合用户对影响因素的选择情况以及数据库内历史数据的分析来进行。最后计算出企业总的得分和对应的信用等级；

(10)通过信用管理模块对分析结果进行审核，生成信用评价报告，并将结果推送给企业用户。

本发明与现有技术相比的优点在于：

(1)实现从外部企业的信息系统或者数据源来获取企业的信用数据信息，数据的真实性和可靠性更高；

(2)解决了复杂企业环境下企业信用数据分散和不规范的问题，对企业数据进行集成、转换和处理让数据标准化，并构建企业多维数据库。有利于通过信息系统来进行分析，提高了信息处理和分析的效率；

(3)结合对外部数据的处理和转换，提出一种更适合信用数据管理系统来实现的企业信用数据分析和评价的方法，提升对企业信用数据分析和评价的准确性。

附图说明

图1为本发明的面向复杂企业环境下的信用数据管理系统结构图；

图2为本发明中用户申请模块的实现过程图；

图3为本发明中数据获取模块的实现过程图；

图4为本发明中数据处理模块的实现过程图；

图5为本发明中数据分析模型管理模块的实现过程图；

图6为本发明中权重系数的计算流程图；

图7为本发明中分析评价模块的实现方式和过程图；

图8为本发明中非结构化数据指标分析的实现过程图；

图9为采用本发明方法的供应链会员信用管理系统的企业用户界面；

图10为采用本发明方法的供应链会员信用管理系统的管理员界面。

具体实施方式

下面将结合附图对本发明做进一步说明。

本发明的面向复杂企业环境下的信用数据管理系统及方法可以作为一个独立的系统，也可以作为其它信用管理系统的补充、对系统功能的改进和扩充。

本发明的系统功能结构如图1所示，主要由用户申请模块、数据获取模块、数据处理模块、数据仓库、数据分析模型管理模块、分析评价模块和信用管理模块组成。其中用户申请模块主要起到获取外部数据源的信息；数据获取模块和数据处理模块实现了对外部数据的获取、转换、处理和存储服务；数据分析模型管理模块、分析评价模块实现对处理过的外部企业数据的分析。

1.如图2所示，用户申请模块的实现方式和过程，企业用户可以通过这个模块来发起信用评价的申请，并提交企业的信用数据。

用户通过认证登录系统之后，进入申请模块发起申请，并填写企业的结构化数据信息，主要是企业的基本信息、详细信息，包括获利能力、偿债能力、履约能力和经营管理等类型的信息，这些数据项将根据企业类型和规模的不同、结合数据分析模型的要求由系统自动生成，不同企业提交的数据也可能不同。

然后，企业需要上传非结构化的数据信息，主要包括企业的各种资质证明、合同扫描件等信息，采用PDF和JPG等不可随意编辑的格式，保证数据不会被随意篡改。上传附件的时候需要对附件的关键数据项进行描述，填写每个附件的关键信息，用于后面的管理和分析。

接下来需要指定用于数据交换的数据源信息，这些信息是从企业信息系统的数据库里经过整理后直接与外界进行交换的，与数据库的信息保持一致，并且都处于及时更新的状态。数据源的数据与上面申请时填写的结构化数据的区别在于，数据源的数据为实时更新的数据、可以转换为数据仓库里的结构化数据，让信用数据管理系统能够及时获得企业的最新信息，两者是相辅相成的；出于数据安全性和方便性的考虑，采用数据库视图、XML文件或者Excel文件的方式进行交换。企业用户需要在申请的时候指定这些数据源的访问方式，包括访问地址、访问权限信息，还有数据源的描述信息、如表名、字段名等。这些信息将提供给数据获取模块来进行数据的集成。

最后，填好所有的信息后进行提交、等待信用分析部门的处理。

2.如图3所示，数据获取模块的实现方式和结构为，信用分析人员对企业的信用数据进行分析的时候将首先触发数据获取模块从企业外部的数据源获取数据。

根据数据源的类型采用不同的数据访问接口，这里有三种方式，基于数据库视图的方式、XML文件的方式、Excel的方式。企业提供的数据源里数据的结构和数据内容将根据信用管理部门要求的格式来定义并整理数据，方便后面的数据获取。

●数据库视图的方式更为方便，可及时获得企业最新最原始的数据信息。基于数据库视图的访问接口将通过访问的用户名和密码直接访问外部企业的数据视图来获取数据。这种方式可保证企业数据库的安全，并可以获得企业最真实的数据。

●对于XML文件方式的数据源，将采用XML解析器对XML文件进行分析和读取。一般企业根据信用管理部门的要求将自己信息系统内的数据经过整理后转为XML格式与外界进行交换。

●对于Excel文件格式的数据，通过Excel解析器来实现数据的读取，这种方式的数据虽然方便通过Office打开进行浏览，但是数据格式与一般的数据库不同，通过数据处理模块转换的工作量将会大一些。

连接到外部企业的数据源获取数据的同时，需要对数据进行检查，保证数据的一致性，所连接的外部数据源的数据与企业用户通过用户申请模块填写的数据源描述信息一致，并且与信用管理部门规定的数据结构一样，对不符合的数据源信息及时给出提示并记录到系统日志当中。

数据获取的过程中通过安全控制功能实现对外部数据源的连接和数据的安全进行控制；通过数据传输监控功能实现对数据获取的全过程实时的监测，并记录到系统日志当中。

3.如图4所示，数据处理模块的实现方式和结构为，对外部企业获取的数据进行处理变为可用的数据格式存储到多维数据仓库中，处理的数据主要是结构化的数据和非结构化数据的结构化描述信息。处理的过程一般包括数据检查清洗、排序过滤、数据转换、数据存储等步骤。

(1)对外部企业数据检查清洗的目的是找出数据存在的错误和不一致的地方，提高数据的质量和可用性，一般的数据检查和清洗包括对残缺数据、错误数据和重复数据的处理：

①检查残缺的数据

检查数据库表里主表的字段，通过程序判断是否有关键的字段内容为空值NULL的情况，对这些残缺的数据进行登记，提供给管理员来处理。

检查表的字段关联的外键的数据，看外键所在的表里是否有对应的数据，对于没有关联数据的要做出记录。

②检查错误的数据

数据表中的一些错误将会影响到后续的数据转换和存储过程，首先，要检查表字段的类型与所存储的数据类型是否一致，对于不一致的数据在系统中进行登记。

检查表中数据的格式是否与字段的定义相符，例如日期的格式是否一致、是否存在不该有的全角字符和数字等。数据格式不同的数据在转换过程中会导致转换出错，进程终止。

③检查重复的数据

检查数据表中是否存在重复的记录，检查多个表之间是否有重复的数据，检查不同的表中是否有冲突的字段。对重复和冲突的数据条目进行登记，让管理员与企业进行沟通确认重复的数据项是否存在不一致的地方。

(2)在进行数据转换之前还要对检查和清洗的数据进行排序过滤的处理让数据更为规范化。按照需要排序的字段对获取过来的数据进行重新的排序操作。

同时，按照过滤的要求对所有的数据进行过滤操作，去掉不需要的数据，过滤的条件包括数据仓库里已有的数据、过期的数据、不需要的数据等。

(3)从不同企业的信息系统集成过来的数据类型复杂、数据结构也不相同，尤其是从XML和Excel提取的数据格式更是比较特殊，需要根据信用数据管理系统的数据格式要求对数据进行转换，转变为企业的多维数据视图的格式，有利于后面对数据的分析和评价。对数据所做的转换一般包括数据类型的转换、字段长度的转换、数据的编码、数据关联关系的建立等。

①对外部数据的转换最主要的是数据类型的转换，不同数据源过来的数据类型不一致的比较多，都需要进行转换。以SQL为例，在进行数据库的数据操作的时候有的数据可以自动进行隐式的类型转换，有的数据类型就不能转换，需要采取数据类型转换函数来实现。建议都通过转换函数来实现，这样可以对数据格式进行定义，并可以指定目标数据类型的长度，可通过函数CAST(expression AS data_type[(length)])和CONVERT(data_type[(length)],expression[,style])来实现，而CONVERT函数可以实现对不同时间格式的定义。在数据类型转换的过程要监测转换失败的数据，例如有的数据不能强行转换为目标的数据类型，有的数据太长转换失败等情况，然后通过人工的方式来进行检查。

②为了提高数据存储、统计和数据分析的效率，对一些基础的数据都要进行编码，以代码表的方式来进行替换和存储，建立元数据规范和基础数据的编码规范来对数据进行梳理。从外部来的数据通过数据转换模块将基础数据转换为基础数据代码，再存储到数据仓库中。

③在数据转换的过程中还需要建立数据之间的关联，以外部企业的数据和数据关联为基础、根据目标数据仓库里数据之间的关联关系，对数据进行处理，建立数据之间的关联。

(4)对处理之后的数据调用数据存储功能存储到数据仓库中，形成企业信息的多维数据库视图。这些数据主要是结构化数据、非结构化数据的描述和索引，后续将转化为企业评价的指标。

4.根据企业的信用评价需求，对企业的信用数据进行多维建模，每一个维描述企业的一个业务主题，例如获利能力、偿债能力、履约、经营管理、发展能力和潜力等，企业多维数据视图能够提高数据分析的效率。以多维建模为基础构建数据仓库，对于数据的存储可采用HOLAP(hybrid OLAP)的方式，以关系型数据库和多维数组的方式存储数据，通过数据存储模块负责外部数据的存储工作。

数据仓库以OLAP的方式为数据的分析评价模块提供服务，通过数据仓库监控功能对数据仓库的运行情况进行监测，并及时记录所有的数据服务日志，保证提供高质量的数据服务。

5.如图5所示，数据分析模型管理模块的实现方式和过程为，主要包括评价指标的定义、模型定义、权重系数的计算、模型版本控制。

(1)指标定义

以外部企业集成过来的信用数据为基础，结合信用评价的需求，建立用于评价的指标体系，评价指标将由企业提供的数据和信用管理部门的评价要求共同组成。本发明采用二级指标体系描述企业的数据信息，一级指标T_i(i＝1,2,...,n)，一级指标T_i下属的二级指标T_ij(j＝1,2,...,m)。第一级指标T_i一般包括获利能力指标、偿债能力指标、履约指标、经营管理、发展能力和潜力等，二级指标在此基础上进行扩展定义。

指标包括结构化数据指标和非结构化数据指标，结构化数据指标能够进行量化，添加结构化数据指标的时候需要设置该指标的实际值S_ij和得分V_ij之间的对应关系，采用实际值的一个取值区间或者一个值对应一个得分的方式，并将结果记录到取值和得分对应库中，这种对应关系为后续结构化数据指标的自动分析计算提供支持。

添加非结构化数据指标T_ij的时候需要同时添加该指标对应的影响因素集E_ij＝{e_ij1,e_ij2,...,e_ijk}，其中k是影响因素的个数，影响因素为后续非结构化数据指标参考得分的计算提供支持。

(2)模型定义

分析评价模型定义包括添加、修改和删除模型，首先从添加模型开始，新添加一个模型包括2个步骤，第一步是根据企业的特点从定义好的二级指标体系里选择一级指标和二级指标添加到模型当中。

第二步计算权重系数，计算流程如图6所示，由于需要人工参与交互，可根据计算量的大小优先选择采用归一化处理方法或者层次分析法，两种方法的计算步骤如下：

①归一化方法

归一化处理方法是简单直接的权重系数的确定方法，从信息系统的操作角度来说较为方便。先确定第一级指标T_i(i＝1,2,...,n)的权重系数，根据每个评价指标的重要程度给一个0-99之间的分值S_i，然后对所有指标的分值进行归一化的处理，获得每个评价指标T_i对应的权重系数一级指标权重系数满足

对应一级指标T_i下的二级指标T_ij(j＝1,2,...,m)的权重系数的确定方式与一级指标类似，对二级指标按重要程度给一个0-99之间的分值S_ij，二级指标权重系数的计算方法如下：

$a_{\mathrm{ij}}=a_i*\frac{S_{\mathrm{ij}}}{{\mathrm{\Σ}}_{k=1}^m{S}_{\mathrm{ik}}},$ 其中二级权重系数满足 $\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}=a_i.$

②层次分析法

层次分析法可用于处理复杂的决策问题，在很多领域的决策和判断中采用，具体的计算流程如下：

首先，确定一级评价指标T_i(i＝1,2,...,n)的权重系数，设b_ij表示评价指标T_i比T_j对上一层指标的重要程度，组成n阶的判断矩阵B＝(b_ij)_n×n, $B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& \·\·\·& b_{1n}\\ b_{21}& b_{22}& \·\·\·& b_{2n}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ b_{n1}& b_{n2}& \·\·\·& b_{\mathrm{nn}}\end{array}\right].$

其中b_ij的取值参考Satty的提议在1-9及其倒数中取值。求解判断矩阵对应的最大特征根λ_max及其对应的特征向量X，根据|λE-B|＝0求解特征根，根据(λ_maxE-B)X＝0求解最大特征根对应的特征向量X＝(x₁,x₂,...,x_n)^T，然后对X做归一化的处理即可得出权重系数向量A＝(a₁,a₂,...a_n)^T，其中

对于隶属于一级指标T_i的二级指标T_ij(j＝1,2,...,m)权重系数的计算方法与一级指标的计算方法基本一样，不同的是对向量X做归一化处理之后还需要与对应的一级指标T_i的权重系数相乘才能得到对应的二级指标的权重系数，

层次分析法需要做一致性校验，计算判断矩阵的一致性比率其中判断矩阵一致性指标平均随机一致性指标R.I.的值可从层次分析法资料中查找到具体的数值，当C.R.<0.1时认为判断矩阵具有可以接受的一致性，如果C.R.≥0.1时需要重新调整判断矩阵再进行计算。

归一化方法的计算简单方便、准确性一般；层次分析法能够屏蔽掉一些主观意志的影响相对准确一些，但是当评价指标较多的时候计算量大，需要比对的次数为n²，评价指标越多比对的次数就会以指数的方式增加，同时，评价指标越多受主观因素影响导致判断矩阵出现不一致的情况会增加，所以当评价指标多的时候不适合采用层次分析法。根据比对次数的多少和用户操作时间的影响，按照每个比对需要5-10秒、总共10分钟的操作时间来计算，一般可完成9个评价指标间的两两比对。所以，从信息系统操作的角度考虑建议当一级指标或者某个一级指标下属的二级指标数量小于等于9的时候采用层次分析法，大于9的时候采用归一化的处理方法。在信用数据管理系统的实现中可以对这个数值进行配置，让系统更加灵活。

用户通过信用数据管理系统计算权重系数的步骤如下：

在信用数据管理系统里模型权重的设置页面，首先计算一级指标的权重、然后再计算二级指标的权重。系统会根据评价指标的多少自动选择计算方法，如果是采用归一化方法计算时系统会把所有隶属于同一上级指标的所有评价指标列出来，用户直接给出0-99之间的一个分值，系统直接就可以计算出权重系数。如果是层次分析法，系统将给出一个指标之间相互比对的页面，行和列是指标，中间是n²个输入框，用户可输入比对的结果，取值从1-9和1/9-1中来选择。输入完成之后点击计算按钮系统会自动进行计算，并且系统会自动进行一致性校验计算C.R.的值，C.R.<0.1时通过校验系统会直接显示权重系数a_i的结果，如果不符合一致性条件系统会返回上一个计算页面，需要用户重新进行比对，再次计算。

而对模型的修改，为了保证新模型和历史数据的一致性，所有的评价模型都存储在模型库中统一进行版本编号(模型名称_版本号)，修改模型的参数之后将会产生一个新版本的模型，以后的分析将采用新模型，对旧版本的模型将不再使用仅用于为已采用的评价结果提供参考。评价模型的修改应坚持“权重系数的修改对应版本的变化，指标的修改对应新的模型”的原则，这样可使模型的管理更规范。

6.分析评价模块的实现方式和过程如图7所示，结合数据分析模型和数据分析引擎对企业数据进行分析和评价，首先设置好所采用的分析模型，然后开始具体的分析工作，包括结构化数据指标和非结构化数据指标的分析和评价。

(1)结构化数据指标的分析可根据用户提交的数据S_ij和得分之间的对应关系自动计算出对应的得分V_ij，然后用户再通过人工的方式对自动计算的得分进行校验，如果有必要可以进行修改。

(2)非结构化数据指标的分析需要人工去参与，分析评价的实现过程如图8所示，首先选择该非结构化数据指标的影响因素，之后系统会自动给出一个参考的得分再结合企业的情况参考进行评价。参考得分的具体的计算方法如下：

①设非结构化数据指标T_ij的影响因素集E_ij＝{e_ij1,e_ij2,...,e_ijk}，其中k是影响因素的个数，每个评价指标的影响因素数量都不相同。所有非结构化数据指标的影响因素的集合为E＝{E₁₁,E₁₂,...E_ij}，影响因素集E通过系统的模型管理来进行维护，这些因素包括专家的一些评定意见、一些需要考虑的因素、主要的关注点等。

②假设系统内采用同一评价模型的已有数据的总记录数为其中m_g是对应每个信用等级的记录数之和。对同一模型下信用等级为G的所有记录构造所采用的影响因素的取值矩阵其中G＝{AAA,AA,A,BBB,BB,B,CCC,CC,C,D}共十个等级，矩阵每个元素的取值为1、0或者-1，取值为0代表没有采用该影响因素、取值为1代表采用了可以增加分值的影响因素，取值为-1代表采用了可以减少分值的影响因素。

③对取值矩阵D_g计算当前G等级下m_g个评价记录k个取值和的平均值，公式如下：

$W_g=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_g}{\mathrm{\&Sigma;}}_{j=1}^k{d}_{\mathrm{gij}}}{m_g}$

按上述方法对十个等级的取值矩阵分别计算平均值，并组成向量W＝(W_AAA,W_AA,...,W_D)，其中元素代表当前等级下对应的非结构化数据指标的k个影响因素取值和的平均值，原则上W_AAA>W_AA>...>W_D，如果出现平均值大小顺序和上述不同就需要仔细检查该非结构化数据指标的所有取值，查找哪些取值可能存在问题，判断是否需要修正。

④第二步就是计算该非结构化数据指标T_ij的每个等级下得分的平均值V_g，计算方法其中v_gj就是等级G下面m_g个评价记录对应的非结构化数据指标的得分，按上述方法计算每个等级下非结构化数据指标得分的平均值，并组成向量V＝(V_AAA,V_AA,...,V_D)。

⑤下一步就是将非结构化数据指标影响因素取值的平均值W和非结构化数据指标得分的平均值V建立对应关系，在对非结构化数据指标分析的过程中先根据企业信用情况选择所采用的该非结构化数据指标的影响因素，选好后系统会自动计算出一个影响因素取值的和W_ij，根据W_ij的大小和向量W的值确定与哪个级别的接近，如果W_ij的值在W_g≤W_ij<W_g+1的情况下满足W_ij-W_g<W_g+1-W_g，那么可确定为G级，否则可确定为G+1级。确定好可参考的级别之后再结合非结构化数据指标得分的平均值V来计算用于参考的非结构化数据指标分值

${\tilde{V}}_{\mathrm{ij}}=V_g+(V_{g+1}-V_g)\frac{W_{\mathrm{ij}}-W_g}{W_{g+1}-W_g}$

就是结合用户所选取的影响因素和历史评价结果计算出的当前指标的一个参考得分，用户可参考这个分值进行调整来给出实际的得分

最后综合结构化数据指标和非结构化数据指标的得分计算出企业总的得分根据总得分以及每个信用等级对应的分值即可确定该企业的信用属于哪一个级别。

7.信用管理模块提供了对信用数据分析进行辅助和管理的功能，主要在于对流程和结果的管理，具体如下：

信用管理部门人员通过信用管理模块来审核企业提交的信用数据的真实性，如果有不符合的情况将把审核意见转给企业，等待企业用户的修改。企业用户收到审核意见之后可修改申请和提交的数据并再次进行提交。

信用管理部门通过信用管理模块实现对信用分析结果审核流程的管理，每一级的审核人员都可以填写审核的意见。同时，也可以实现统计分析和报表的功能，生成信用分析结果报告。

企业用户可以通过该模块实现对审核结果的查询、下载信用分析结果报告的功能。

本发明的系统和方法已成功应用于供应链环境的“会员信用信息管理和评价系统”中，图9是该系统的企业用户界面、图10是管理员的界面。实现了与企业的供应链会员管理系统、电子交易结算系统、物流管理系统等业务系统之间的对接，将分散的供应链成员的数据进行了良好的集成、处理和分析，得到的企业数据分析报告为企业的融资提供了很大的辅助左右，在实际应用中取得了很多企业的好评。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (5)

1.一种支持复杂企业环境的信用数据管理系统，其特征在于包括：用户申请模块、数据获取模块、数据处理模块、数据仓库、数据分析模型管理模块、分析评价模块和信用管理模块；其中：

用户申请模块：提供给企业用户通过网络来发起评价申请、填写企业的资料、上传有关证明附件、指定数据源信息，提供给数据获取模块；然后提交信息、等待信息审核；

数据获取模块：实现从不同企业内部的信息系统获取企业信用数据的功能，针对不同企业提供的数据交换方式，通过数据接口与之对接，检查并获取企业的数据，然后将企业的数据送至数据处理模块；

数据处理模块：对数据获取模块发送过来的数据进行检查和清洗，检测数据中存在的错误和不一致，提高数据的质量；然后对清洗过的数据进行排序过滤、过滤掉不需要的数据，并提取有用的信息数据，再对不同格式的有用的信息数据进行转换，变为符合要求的格式，并将转换后的信息数据存储到数据仓库中；

数据仓库：将处理过的企业信息数据通过多维建模的方式建立企业信用数据的多维数据结构，得到企业信息数据的一个全局视图，形成企业信息的多维数据库，为分析评价模块提供支持；

数据分析模型管理模块：结合处理的数据实现对企业信用数据分析的指标、分析模型的定义和管理的功能，根据分析人员对企业的初步评价来调整和优化分析模型；

分析评价模块：结合数据分析模型和数据分析引擎对企业的信用数据进行分析和评价，给出企业的得分和对应的信用等级，包括对结构化数据指标和非结构化数据指标的分析和评价；

信用管理模块：用来对评价的过程和评价结果进行管理，实现对信用评价过程的管理、审核流程的管理、评价结果的管理和报表服务；具体实现为：信用分析管理部门实现内部的审核流程、生成信用评价报告、并将评价结果推送给企业，企业用户可查看信用信息审核和评价的结果。

2.根据权利要求1所述的支持复杂企业环境的信用数据管理系统，其特征在于：所述数据获取模块的实现过程如下：

(1)根据外部企业提供的数据源访问信息确定数据源的类型并调用支持该类型的数据访问接口；

(2)根据选择的是数据库视图、XML文件或者Excel文件接口类型，连接到外部的数据源中；

(3)获取外部企业提供的数据信息，并对数据进行检查、保证数据的可用性和一致性；

(4)数据获取过程中通过安全控制和传输监控功能监控数据的获取过程。

3.根据权利要求1所述的支持复杂企业环境的信用数据管理系统，其特征在于：所述数据分析模型管理模块的实现过程如下：

(1)根据企业评价的内容来添加和定义企业信用数据评价指标，结合企业多维数据的建模，采用二级指标体系来组织数据，每个一级指标相当于企业信息的一个维度，指标的定义包括结构化数据指标和非结构化数据指标；

(2)如果是结构化数据指标的定义，需要给出结构化数据指标的取值和得分的对应关系，以实现根据外部企业数据自动分析计算得分的功能；

(3)如果是非结构化数据指标的定义，需要给出非结构化数据指标的影响因素，为了后续指标的数据分析提供支持，以实现更准确的非结构化数据指标的评价；

(4)定义企业数据分析的模型，选取一级和二级指标添加到模型中；

(5)采用归一化方法或者层次分析法来计算权重系数。

4.根据权利要求1所述的支持复杂企业环境的信用数据管理系统，其特征在于：所述分析评价模块的实现过程如下：

(1)选择对企业信用数据评价所采用的分析模型；

(2)自动计算给出结构化数据指标的得分，然后人工去校验得分的情况，如果有必要可以进行修改；

(3)对非结构化数据指标的分析，首先选择该指标采用哪些影响因素来进行评价，然后系统通过对数据库中历史数据的分析和当前用户选择的结果进行分析，计算出该非结构化数据指标的参考得分，参考这个得分给出该指标实际的得分；

(4)计算出总的得分，根据数据仓库中信用等级和得分的对应关系确定企业所对应的信用等级。

5.一种支持复杂企业环境的信用数据管理方法，其特征在于实现步骤如下：

(1)用户登陆信用数据管理系统发起信用评价的申请，填写企业的结构化的信用数据，上传相关的非结构化的附件，指定本企业信用数据源的类型、位置和安全访问信息，提交申请之后等待信用管理部门的处理；

(2)用户提交申请之后，自动调用数据获取模块，连接到企业的数据源来获取数据；

(3)获取数据的同时将调用数据处理模块，对外部集成过来的数据进行检查和清洗；

(4)调用数据转换功能，结合元数据信息将获取的数据转换为数据仓库里统一格式的数据；

(5)处理过的数据将存储到多维数据仓库中，为后面的数据分析服务作准备；

(6)信用数据分析部门的人员接收到用户的申请之后，将根据企业类型、规模特征选择用于数据分析和评价的模型，如果没有适合的模型将转入模型定义流程；

(7)数据分析模型的定义首先选择用于企业数据分析的指标，并根据指标的多少选择不同的权重系数的计算方法来计算获得模型的权重系数；

(8)选择好数据分析模型之后，对企业提供的信用数据进行分析，包括结构化数据指标和非结构化数据指标的分析，结构化数据指标的得分由系统自动计算获得；

(9)非结构化数据指标的分析将会结合用户对影响因素的选择情况以及数据库内历史数据的分析来进行，最后计算出企业总的得分和对应的信用等级；

(10)通过信用管理模块对分析结果进行审核，生成信用评价报告，并将结果推送给企业用户。