管理审计方法（第二版）第九章信息技术在管理审计中的应用

1、第九章 信息技术在管理审计中的应用主要知识点本章介绍信息技术在管理审计中的应用，主要内容包括：人工智能，工作流技术，数据挖掘技术，人工神经网络。关键概念人工智能；工作流技术；数据挖掘技术；人工神经网络第一节人工智能一、人工智能概念人工智能学科研究的主要内容包括：（1）知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。（2）常识，自然为人们所关注，关于它人们已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。（3）问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地也有多种推理方法。（4）搜索是人工智能的一种问题求解方法。（5）机器学习是人

2、工智能的另一重要课题。（6）知识处理系统主要由知识库和推理机组成。二、人工智能的历史“人工智能”一词最初是在1956年达特茅斯（Dartmouth）学会上提出的。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。现在人类已经把计算机的计算能力提高到了前所未有的地步，而人工智能也在21世纪领导计算机发展的潮流。现在人工智能的发展所受到的理论上的限制已不是很明显了，它必将像今天的网络一样深远地影响我们的生活。第二节工作流技术一、工作流技术的概念工作流技术是当今一项飞速发展的技术，它的最基本的特性就是能够结合人工和机器的行为，特别是能够与应用程序和工具进行交互，从而完成业务过程的自动

3、化处理。现在，国内外著名厂商都纷纷推出了自己的工作流产品，如IBM MQ Workflow、BEA WebLogic Integration等。国内的产品主要有中创软件商用中间件股份有限公司的InforFlow、西安协同软件的SynchroFLOW、信雅达的SunFlow等。二、工作流技术的起源与发展20世纪80年代初期，纸张是各行各业进行日常业务活动所不可替代的载体，包括表单、信函、文件、技术资料等各类与企业密切相关的文档都是以纸张为载体在各部门进行传递的。20世纪80年代中期，FileNet和ViewStar等公司率先开拓了办公自动化产品市场，成为最早的一批工作流产品供应商。进入20世纪9

4、0年代，随着计算机的普及以及面向技术的发展，机关和企业的信息逐渐出现一种分布、异构的趋势，因此对办公软件提出了新的要求，并使得人们在更深的层次上对办公自动化进行更深入的研究。三、工作流技术的应用工作流技术已成为企业信息化建设方案中必不可少的内容之一。从简单的办公自动化系统的开发，到企业ERP系统的实施，再到为提高企业运营效率而出现的BPR及BPM系统，工作流技术都发挥了相当重要的甚至是关键的作用。工作流在流程管理中的应用分为三个阶段：流程建模、流程仿真和流程改进或优化。工作流技术在流程建模中基本上还采用流程图类的描述工具，工作流描述语言也是对流程形式化的简单描述，并未包含企业流程系统存在的不确

5、定处理机制。第三节数据挖掘技术一、数据挖掘概述数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题。所谓数据挖掘，是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，作出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，作出正确的决策。二、数据挖掘的定义1.技术上的定义数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取有用的信息和知识的过程。2.商业角度的定义数据挖掘是一种新的

6、商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。三、数据挖掘常用的方法1.分类2.回归分析3.聚类分析4.关联规则5.特征分析6.变化和偏差分析7.Web页挖掘四、数据挖掘的功能1.自动预测趋势和行为数据挖掘自动在大型数据库中寻找预测性信息，以往需要进行大量手工分析解决的问题如今可以迅速地直接由数据本身得出结论。2.关联数据关联是数据库中存在的一类重要的可被发现的知识。3.聚类数据库中的记录可被划分为一系列有意义的子集，即聚类。4.概念描述概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。5.偏差检

7、测数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。五、数据挖掘常用技术人工神经网络；决策树；遗传算法；近邻算法；规则推导。六、数据挖掘的流程1.数据挖掘数据挖掘是指一个完整的过程，该过程从大型数据库中挖掘先前未知的、有效的、实用的信息，并使用这些信息作出决策或丰富知识。2.数据挖掘过程图图描述了数据挖掘的基本过程和主要步骤。六、数据挖掘的流程3.数据挖掘过程工作量在数据挖掘中被研究的业务对象是整个过程的基础，它驱动了整个数据挖掘过程，也是检验最后结果和指引分析人员完成数据挖掘的依据和顾问。4.数据挖掘过程简介（1）确定业务对象（2）数据准备（3）数据挖掘（4）结果分析（5）知识

8、的同化六、数据挖掘的流程5.数据挖掘需要的人员数据挖掘过程是分步实现的，不同的步骤会需要有不同专长的人员，他们大体可以被分为三类。（1）业务分析人员。要求精通业务，能够解释业务对象，并根据各业务对象确定用于数据定义和挖掘算法的业务需求。（2）数据分析人员。精通数据分析技术，并能较熟练地掌握统计学，有能力把业务需求转化为数据挖掘的各步操作，并为每步操作选择合适的技术。（3）数据管理人员。精通数据管理技术，并从数据库或数据仓库中收集数据。七、数据挖掘与传统分析方法的区别数据挖掘与传统的数据分析（如查询、报表、联机应用分析）的本质区别在于数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘

9、所得到的信息应具有先前未知、有效和实用三个特征。先前未知是指该信息是预先未曾预料到的，即数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。在商业应用中最典型的例子就是一家连锁超市通过数据挖掘发现了小孩尿不湿和啤酒之间有着惊人的联系。八、数据挖掘和数据仓库在大部分情况下，数据挖掘都要先把数据从数据仓库中拿到数据挖掘库或数据集市中（如图所示）。数据挖掘库可能是数据仓库的一个逻辑上的子集，而不一定非得是物理上单独的数据库。但如果数据仓库的计算资源已经很紧张，那最好还是建立一个单独的数据挖掘库。九、数据挖掘和在线分析处理（OLAP）数

10、据挖掘与OLAP不同的地方是，数据挖掘不是用于验证某个假定的模式（模型）的正确性，而是在数据库中自己寻找模型。它在本质上是一个归纳的过程。数据挖掘和OLAP具有一定的互补性。在利用数据挖掘得出结论并采取行动之前，使用者也许要验证一下如果采取这样的行动会给公司带来什么样的影响，那么OLAP工具能回答这些问题。OLAP工具还有其他一些用途。它可以帮助探索数据，找到哪些是对一个问题比较重要的变量，发现异常数据和互相影响的变量。这些都能帮助使用者更好地理解数据，加快知识发现的过程。十、数据挖掘与机器学习和统计数据挖掘利用了人工智能和统计分析的进步所带来的好处。这两门学科都致力于模式发现和预测。数据挖掘

11、就是利用了统计和人工智能技术的应用程序，把这些高深复杂的技术封装起来，使人们不用自己掌握这些技术也能完成同样的功能，并且更专注于自己所要解决的问题。十一、软硬件发展对数据挖掘的影响基于并行系统的数据库管理系统也给数据挖掘技术的应用带来了便利。如果你有一个庞大而复杂的数据挖掘问题，要求通过访问数据库取得数据，那么效率最高的办法就是利用一个本地的并行数据库。所有这些都为数据挖掘的实施扫清了道路，随着时间的延续，我们相信这条路会越来越平坦。第四节人工神经网络一、人工神经网络概述人工神经网络，简称为神经网络，或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络是在现代神经科学的

12、基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。二、人工神经网络的优点1可以充分逼近任意复杂的非线性关系；2所有定量或定性的信息都等势分布贮存于网络内的各神经元中，故有很强的鲁棒性和容错性；3采用并行分布处理方法，使得快速进行大量运算成为可能；4可学习和自适应不知道或不确定的系统；5能够同时处理定量、定性知识。三、人工神经网络的特点与优越性1具有自学功能。2具有联想存储功能。3具有高速寻找优化解的能力。四、人工神经网络的主要研究方向理论研究（1）利用神经生理与认知科学研究人类思维以及智能机理。（2）利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能应用研究（1）神经网络的软件模拟和硬件实现的研究。（2）神经网络在各个领域中应用的研究。五、人工神经网络的应用分析神经网络常用于两类问题：分类和回归。在结构上，可以把一个神经网络划分为输入层、输出层和隐