大数据环境下多源融合型企业竞争情报系统的重构研究

李 会，李 侠，魏瑞斌

安徽财经大学管理科学与工程学院，蚌埠，233030



大数据环境下多源融合型企业竞争情报系统的重构研究

李 会，李 侠，魏瑞斌

安徽财经大学管理科学与工程学院，蚌埠，233030

在分析大数据背景下企业竞争情报系统面临诸多问题的基础上，介绍了大数据及企业竞争情报系统的相关理论知识，阐述了构建多源融合型企业竞争情报系统的优势和必要性，重构了基于大数据环境下多源融合型企业竞争情报系统的原型模型。该原型模型包括情报规划子系统、情报采集与数据融合子系统、情报加工与分析子系统、情报发布与传播子系统、情报反馈与评估子系统。

大数据；多源数据融合；企业竞争情报系统；原型模型

1 研究背景与问题提出

伴随着大数据时代的到来，企业获取的数据途径已多样化，如可以依赖智能传感器收集硬件设施使用过程中产生的“硬数据”，也可以从互联网平台中收集文本数据、视频数据、网页数据、图形图像数据等“软数据”，还可以通过企业内部系统获取企业内部业务数据。因此，企业存储数据的容量以几何倍数在增长，由最初的KB级到今天流行的PB级。据统计，今天人类的信息总量已达到ZB级。企业面对如此海量的数据，如何找到有价值的信息是难上加难，因此，在大数据背景下，数据的价值密度较低，需要借助专业化的数据挖掘软件进行数据的生层次分析和挖掘。同时，大数据时代，数据更新速度越来越快，这也要求企业要提升数据处理速度，提高实时响应能力。在这种背景下，企业竞争情报系统需要充分考虑“硬数据”与“软数据”、企业内部和企业外部数据、线上和线下数据等多源数据的整合，实现结构化、半结构化以及非结构化数据的充分融合，帮助企业认清当前的竞争环境与态势，深入分析竞争对手，为企业制定未来发展策略提供支持和保障。在国内，针对大数据背景下的企业竞争情报系统得到了很多研究人员的广泛关注。如化柏林等认为：“大数据环境下的竞争情报研究应该从单一领域向全领域转变，要广泛收集各种数据源，注重分析新型信息资源，强调情报研究的严谨性和智能化等方面。”[1]钟辉新等认为：“构建基于大数据背景下的企业竞争情报系统需要关注多源数据，重视新的数据类型的挖掘与分析、探索针对于大数据的分析技术和工具等。”[2]

综上所述，当前国内外学者对大数据环境下多源融合型企业竞争情报系统的构建研究是零散的，缺乏对大数据环境下多源融合型竞争情报系统的特殊性、运行机制的复杂性及其系统构建策略进行全面的考虑。为此，本文以大数据为契机，利用现有的竞争情报整合研究成果，对大数据环境下多源整合型企业竞争情报系统的重构进行全面分析，重点分析重构原理和内容，提出重构方法，为大数据环境下企业竞争情报工作的开展提供指导和借鉴。

2 基础理论

2.1 竞争情报系统

随着经济全球化的发展，市场竞争日趋激烈，竞争情报已成为继人才、资金、技术之后，企业发展的第四要素[3]。企业竞争情报系统(Competitive Intelligence System，简称CIS)是企业在广泛收集数据资源的基础上，通过合理、合法的手段，借助于一定的工具和方法，对数据资源进行整合、存储、分析、挖掘，从而发现企业内部及企业外部可能出现的连续性或非连续性变化，并对热点问题进行追踪，评估行业发展趋势，把握行业结构的进化，掌握老牌或潜在竞争对手的能力、弱点、威胁和意图等，从而帮助企业保持可持续性发展的竞争优势。根据企业竞争情报系统概念，本文将企业竞争情报系统分为以下子系统：情报需求分析子系统、情报规划子系统、情报搜集子系统、情报加工与存储子系统、情报分析子系统、情报服务子系统与情报反馈子系统(图1)。

图1 企业竞争情报系统构成模型图

2.2 大数据

大数据(bigdata)，或称巨量资料，指的是需要新模式处理才具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产[4]。在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中，大数据指不用随机分析法或抽样调查法这样的捷径，而是将所有数据整合后进行分析处理[5]。大数据具有4V特点，即Volume(数据量巨大)、Velocity(处理速度快)、Variety(数据类型多)、Value(价值密度低)。

3 多源数据融合企业竞争情报系统的优势

程学旗在《中国大数据技术与产业发展白皮书(2014年)》中，对2015年大数据发展趋势进行预测，并总结为融合、跨界、基础、突破。从中可以看出，融合成为最为显著的发展趋势。大数据时代，企业获取数据的渠道和载体发生了变化，由于这种改变，越来越多的非结构化的数据类型(如视频数据、音频数据、流数据、文本数据、传感数据等)出现了。因此，企业竞争情报系统必须改变传统的运作方式，积极去应对多源数据带来的风险，探寻多源数据融合的本质与规律，剖析多源数据融合的机制与机理，指导多源数据融合的实践。本文构建的基于多源融合的企业竞争情报系统就是通过多源数据交叉印证，有效地减少了企业收集和分析数据过程中数据错误与遗漏的问题，帮助企业深层次的挖掘数据的价值，提升企业数据分析精准度，防止决策失误。

4 多源数据融合企业竞争情报系统模型的构建

以下基于大数据的多源融合型企业竞争情报系统的五个子系统(图1)进行讨论。

4.1 情报规划子系统

一个企业没有战略规划，就没有发展思路，也就不会有好的出路。因此，情报规划子系统就像是茫茫大海中的灯塔，为企业竞争情报系统的各项工作指明了方向。情报规划子系统能帮助企业界定情报需求，注重情报工作系统化，确定情报工作方向，并能实时考虑预算约束。一方面，由于企业内各职能部门工作职责不同，收集的信息也各有千秋，为了避免各职能部门各自为政，产生信息孤岛，需要按照统一的分类系统对信息进行组织和分析，将各职能部门收集的信息整合到统一的情报信息库中；另一方面，企业情报工作需要企业内各职能部门的广泛参与，因此，需要成立竞争情报工作组，由竞争情报工作组对竞争情报进行目标分析，确立哪些信息使用较为频繁、哪些信息需求比较迫切、哪些是高层管理者或决策者关注的关键性信息以及信息沟通的渠道及媒介。企业只有在真正了解情报需求的基础上，才能帮助企业决策者提供全方位的信息，作出正确的决策。同时，为了使情报工作具有连续性和系统性，竞争情报组可以将由统一主题任务形成的系统情报信息进行统一的存储和管理。

图2 情报规划子系统示意图

4.2 情报采集与数据融合子系统

4.2.1 情报采集

大数据时代，竞争情报收集子系统主要通过互联网、物联网、人际网等网络采集信息。一方面，竞争情报收集子系统通过预先设置在硬件设备上的智能传感器来搜集产品在运输、生产、销售、使用过程中产生的各种“硬数据”；另一方面，竞争情报收集子系统收集在使用网络完成相关工作的过程中产生的各种数据，同时可以获取市场、行情、竞争对手的相关“软数据”；第三，竞争情报收集子系统也重视收集在人际网络中产生的交谈、询问、采访等数据，获取客户、供应商、竞争对手、雇员等“人际数据”。竞争情报采集子系统获取的数据来源广泛，也就意味着采集到的数据具有较高的异构性、差异性，如何实现多源数据的有效融合，需要探索有效的融合机制。

4.2.2 多源数据融合

根据竞争情报小组提出的情报采集任务，广泛地从物联网、互联网、人际网收集信息。由于情报来源媒介多样化，可能存在同一类型的信息来自多个数据源，再加上各情报人员收集信息的方式和处理方法也会有一定的区别，因此采集到的信息有明显的异构性。企业面对这种多源异构数据，需要有一套切实可行的方案来解决多源数据融合的问题。本文给出三种方式来应对多源数据融合的问题。

图3 情报采集与数据融合子系统示意图

一是根据情报采集主题，寻找共同的语义内容，实现数据的形式表示层整合。如要获取某项情报的前沿资讯或最新进展，需要从中国知网、万方、维普、Spring、WebofScience、GoogleScholar、百度学术等平台获取有关图书、文献、专利、国际会议、学位论文、报纸等信息，根据主题，规范化数据库设计，注重元数据的应用，实现数据形式表示层的整合。

二是通过相关性分析，探讨各数据源之间的关联程度，并分析数据源与任务情境之间的相关性，实现数据的语法结构层整合。如通过企业ERP、CRM、SCM和Web交易系统，获取交易数据；通过物联网如传感器、RFID、GPS芯片，对周围物理世界的感应，获取感知数据；通过社交网络如Facebook、Twitter、Web日志、微博、微信等平台，获取交互数据。利用相关性分析，找出交易数据、感知数据、交互数据之间的关联性，如企业竞争情报系统在对客户流失进行分析时，需要从交易数据中提炼出客户交易记录、从感知数据中获取客户的习惯与偏好、从交互数据中获取客户的反馈信息，借助数据挖掘软件如Weka、SPSS、R语言等数据分析软件，对多源数据进行相关性分析，从中筛选出真正与客户流失的可能性具有潜在关联的输入变量。借助建模工具，准确把握客户的类型和特点，为企业挽留有价值的客户，还可以对客户的购买习惯与爱好，有针对性地开展产品促销、产品推送、产品定制等服务。

三是竞争情报数据整合质量的好坏与情报工作者的知识结构有必然的联系。如果情报工作者的知识结构还停留在传统的竞争情报的分析方法，那么他们信息的表达形式和内容已然不适合大数据的时代背景，会严重影响情报工作的质量与水平。根据意识构建理论，情报工作者的知识结构要适应环境的变化，因此，情报工作者要勇于学习和创新，在与环境相互交互的过程中不断地建构和修正自己的结构。意义建构理论有助于揭示不同数据源对任务目标的支撑作用，故可借助意义构建理论实现数据逻辑语义层融合。

通过物联网、互联网、人际网获取信息，借助形式表示层、语法结构层、逻辑语义层的多源信息融合理论，实现企业内部数据与企业外部数据、线上数据与线下数据、传感器数据与社会数据、历史数据与实时数据的融合，形成竞争情报初级数据仓库。

4.3 情报加工与分析子系统

有了竞争情报初级数据仓库，就可利用竞争情报分析和数据挖掘相关技术对其进行深层次的分析，情报加工与分析子系统就是为了完成此目标而构建的。情报加工与分析子系统就是在情报采集与数据融合子系统阶段形成的初级数据仓库的基础上，利用数据挖掘技术，对数据进行标引、分类、聚类、整合、关联等，对数据仓库中已经分类整理好的各类情报进行深度的分析、挖掘，形成具有多维关联的数据仓库。多维关联数据仓库创建后，再采用关联规则分析、时序演变分析、孤立点分析、神经网络等数据分析和人工智能技术，从多个角度推理和分析，确保数据不受干扰，得到最优的结果或模型。情报分析专员拿到分析结果或模型后，利用情报分析技术，确认企业的竞争对手(包括直接竞争对手、间接竞争对手或潜在竞争对手)，分析企业所处的生存和发展环境的险恶程度等竞争态势，明晰企业可能面临的风险类别。同时，情报分析结果会同步发送至组织中其他利益攸关方，在这些利益攸关方充分互动、分析的基础上，给出反馈信息。情报分析专员根据反馈结果确定是否需要进行深层次的数据挖掘或是否需要更广范围地采集数据，以便获得更加完整的情报知识。最后，被认可的情报知识会输出至情报知识暂存库中，用于情报产品的发布。

图4 情报加工与分析子系统示意图

4.4 情报发布与传播子系统

大数据时代，数据量已呈指数级别的速度增长，存储在情报知识暂存库中的信息有可能时效性不足，不一定能够帮助企业决策者进行决断。因此，在情报发布与传播子系统中应该增加评估反馈功能。根据评估反馈的结果,判断情报发布产品是否符合标准、是否能够帮助企业决策层制定决策。如果需要采集更全面的数据信息或需要作进一步的加工处理，则回溯至情报采集与数据整合子系统以及情报加工分析子系统，直至满足最终的发布标准。决策者根据情报发布产品确定最佳的行动方案，并将相关方案交付相关部门执行。

图5 情报发布与传播子系统示意图

3.5 情报反馈与评估子系统

大数据时代，情报产品必须以易于理解的方式(如可视化、图表等方式)传递到决策者手中，决策者能够在较短的时间内消化情报，顺利作出有质量的决策。因此，情报反馈评估子系统就是要对竞争情报执行过程和执行效果进行整体测评，兼顾决策者、情报工作人员、利益攸关方的反馈信息，及时调整竞争情报系统各个环节的工作，为下一轮情报任务打好基础。

4 结 论

大数据时代，竞争情报源的来源范围涉及物联网、互联网、移动网、人际网等途径。竞争情报采集的数据有企业内部数据、企业外部数据、传感器数据、社会数据、历史数据、实时数据、线上数据、线下数据，对这些进行分类、处理和整合已成为大数据环境下企业竞争情报系统面临的重大难题。本文在分析大数据以及企业竞争情报系统基础上，剖析了大数据环境下企业竞争情报系统面临的问题，阐述了大数据环境下多源融合型企业竞争情报系统的必要性，并构建了基础大数据环境下的多源融合型企业竞争情报系统的原型模型。并对模型中的情报规划子系统、情报采集及数据融合子系统、情报加工与分析子系统、情报发布与传播子系统、情报反馈与评估子系统各子系统进行详细的描述。本文的研究还是初步的，未来将对多源融合的理论机制进行深入探讨，构建出一套成熟完备的多源数据融合的企业竞争情报系统，并选取合适的领域进行实证分析，验证多源融合型的企业竞争情报系统的工作效率和效果。

[1]化柏林,李广建.大数据环境下的多源融合型竞争情报研究[J].情报理论与实践,2015,38(4):1-5

[2]钟辉新,张兴旺,黄晓斌.面向大数据的企业竞争情报动态运行模式MDD:监控、发现、决策的互动[J].情报理论与实践,2014,37(6):11-15

[3]高山.企业反竞争情报能力的影响因素[J].经营与管理，2013(1):48-50

[4]杨旭,汤海京,丁刚毅.数据科学导论[M].北京：北京理工大学出版社，2014:10-15

[5]维克托,肯尼思.大数据时代:生活、工作与思维的大变革[M].杭州:浙江人民出版社,2012:5-10

[6]吴金红,王翠波.大数据时代企业竞争情报系统的评价指标体系研究[J].现代情报,2016(2):3-7

[7]杨亻意.基于公有云模式的院线企业竞争情报系统构建研究[J].信息化建设,2016(3):414-416

[8]王洪亮,张琪,朱延涛.大数据环境下中小企业竞争情报系统模型构建[J].情报理论与实践,2015(7):109-114

(责任编辑：汪材印)

10.3969/j.issn.1673-2006.2017.02.027

2016-11-19

安徽财经大学科研项目“大数据环境下多源融合型企业竞争情报系统重构研究”(ACKY1641)。

李会(1983-)，女，江苏徐州人，硕士，副教授，研究方向：信息管理、数据挖掘。

TP273

A

1673-2006(2017)02-0109-05