基于QFD的BI供应商评估

使用质量功能展开进行商业智能系统的供应商评估与供应商推荐

摘要

商业智能（BI）已被公认为一种重要的企业信息系统，可帮助决策者实现绩效衡量与管理。通常，典型的BI用户包括财务分析师、市场策划人员和总经理。然而，他们中的大多数对BI的核心技术并不熟悉。为了帮助企业高管更好地评估BI供应商，将评估标准分别划分为市场需求（MRs）和技术特性（TAs）。具体而言，本文提出了一种基于模糊多准则决策（MCDM）的质量功能展开（QFD）方法：（1）采用模糊德尔菲法对BI供应商的性能评分进行汇总；（2）运用模糊DEMATEL（决策与试验评价实验室）识别MRs与TAs之间的因果关系；（3）利用模糊层次分析法（AHP）推荐最优商业智能系统。为了实现更好的基准比较，通过线形图（针对TAs）和雷达图（针对MRs）同时可视化展示三家竞争性BI供应商（即SAP、SAS和微软）的优缺点。更重要的是，实验结果表明，供应商评估与推荐已成功完成。

关键词

商业智能, 供应商评估, 供应商推荐, 质量功能展开.

1. 引言

近年来，信息技术的快速发展，如数据仓库和数据挖掘，以及对绩效管理和企业诊断的迫切需求，推动了商业智能的普及（陈等人，2012）。与“操作型”企业资源计划（ERP）浪潮不同，“战略型”商业智能（BI）自20世纪90年代中期开始兴起，涵盖由软件支持的商业规划、商业分析以及与大数据领域的整合。具体而言，采用ERP源于业务流程重组（BPR），而实施BI的主要原因则源自决策支持系统（DSS）的概念。根据埃克森森（2003），组织采用商业智能的主要优势总结于图1中以供参考。

根据高德纳报告（拉维，2012年），图2展示了BI市场的五大主要厂商，包括SAP（21.6%）、Oracle（15.6%）、SAS（12.6%）、IBM（12.1%）和微软（10.7%）。显然，不同厂商在处理大规模或高维度的大数据、应对数据速度、数据多样性（结构化与非结构化）以及数据可视化（仪表板和记分卡）方面具有各自的优缺点。

众所周知，SAP 和 Oracle 在企业资源计划（ERP）领域已经拥有巨大的市场份额。此外，SAS 是知名的统计软件包提供商，而微软则是个人计算机操作系统领域的主导者。如今，由于在企业资源计划（ERP）、供应链管理（SCM）、客户关系管理（CRM）和产品生命周期管理（PLM）方面投入巨大，企业软件选择变得比以往更加重要（Turban 等，2007）。特别是，选择软件平台在许多方面与购买普通产品或服务大不相同，因为软件需要被“维护”、“更新”和“修复”（Büyüközkan 和 Feyzioğlu，2005；Motwani 等，2005）。

在选择企业软件包并规划整体项目时，管理者或高管需要回答以下问题（Ngai 等，2008；Tsai 等，2012a；2012b）：（1）为什么要实施商业智能？（2）您的业务需求是什么？（3）您期望的投资回报率是多少？然而，在软件实施和定制过程中，他们常常在集成遗留系统、识别关键绩效指标以及构建因果系统以进行企业诊断方面感到困扰。因此，Turban 等（2008）建议在实施商业智能系统之前考虑以下问题：（1）报告过去发生了什么，（2）分析为什么会发生，（3）监控当前发生的情况，（4）指出应采取哪些措施，以及（5）预测未来将发生什么。

不用说，在评估软件/平台供应商时，技术特性比非技术（市场）特性更容易衡量。为方便起见，表1中描述了各种信息技术之间的简要比较。实际上，典型的BI用户包括财务分析师、市场策划人员和总经理（Elbashir等，2013）。通常，他们中的大多数人可能不具备足够的管理信息系统/信息技术背景。根据技术接受模型（TAM）理论，软件用户并不关心他们从谁那里购买，而更关注感知的有用性和易用性（Amoako‐Gyampah，2007；Chang等，2014）。为了突出非功能性特性的重要性，本文采用基于质量功能展开（QFD）的框架，考虑两个不同方面：市场需求（MRs）和技术特性（TAs）。

更重要的是，本文提出了一种集成框架，以帮助业务规划人员进行供应商评估、供应商选择和产品（软件）推荐。具体而言，解决了以下几个关键问题：
- 通过考虑MRs与TAs之间的相互依赖性，相应地推导出MRs和技术属性的重要性权重，
- 为了进行供应商选择，竞争性BI供应商的相对优缺点通过MRs和技术属性（TAs）进行可视化展示。
- 将用户对MRs的偏好纳入其中，以无监督方式开展供应商推荐，以满足缺乏经验的商业智能用户的需求。

本文其余部分的结构如下。第2节介绍了基于质量功能展开的供应商评估。第3节介绍了由模糊DEMATEL、模糊德尔菲法和模糊层次分析法组成的所提出的框架。第4节通过一个实际案例对三家具有代表性的商业智能供应商进行了对比分析。结论和未来工作在第5节中给出。

[表1 如下]

2. 基于质量功能展开的供应商评估与软件推荐

本研究通过质量功能展开（QFD），尝试从市场要求和技术特性两个方面进行供应商评估与推荐。质量功能展开（Akao, 1970）起源于日本，已广泛应用于产品开发、概念评估、服务设计以及竞争对手基准比较等多个领域。通常，QFD 的特征是一组与技术特性（TAs）相关的市场需求（MRs）与技术属性（TAs）相关联。通常，传统的 QFD 包括以下四个阶段（Büyüközkan 和 Feyzioğlu，2005；王和陈，2012）：第一阶段将市场要求转化为技术属性；第二阶段将技术属性转化为零部件特性；第三阶段将零部件特性转化为制造工序；第四阶段将制造工序转化为生产要求。

如图3所示，传统的质量功能展开（QFD）在确定MRs和TAs的权重时，未考虑它们之间的相互依赖性或相关性，而是独立进行优先级排序。为了评估基准比较中的竞争对手，应以相互关联的方式综合考虑市场评估（基于MRs）和技术评估（基于TAs）。为了建立TAs与MRs之间的关系，以下将进行整个过程（假设有“m MRs”和“n TAs”）：

$$
\sum_{j=1}^{n}\sum_{k=1}^{n} \frac{R_{ki} \times R_{kj}}{\sum_{k=1}^{n} R_{ki} \times R_{kj}} = R’_{ji}
$$

$$
Ps_{CRi} = \sum_{j=1}^{n} Ps_{TAj} \times R’_{ji}, \quad 1 \leq i \leq m
$$

其中 $ CR_iPs $ 和 $ TA_jPs $ 分别是 $ MR_i $ 和 $ TA_j $ 的性能评分，$ R_{ki} $（$ R’ {ji} $）表示 $ MR_i $ 与 $ TA_j $ 之间的（归一化）依赖关系，而 $ \gamma {kj} $ 表示技术属性之间的相关性。

2.1 供应商评估 (供应商选择)

一般来说，供应商评估与选择可以依次分为三个步骤：（1）确定评估标准的重要性权重，（2）获取备选方案的性能评分，（3）根据重要性权重和性能评分对竞争供应商进行排序（Chen et al., 2006；Araz 和 Ozkarahan，2007；Chai等，2013）。为了在相互冲突的准则或多项目标之间做出权衡决策（Erol et al., 2003；Kumar et al., 2004；Lin et al., 2010），评估人员通常采用基于多准则决策方法（multi-criteria decision making）的方案，该方案包括多属性决策（multi-attribute decision making）和多目标决策（multi-objective decision making）。用于执行供应商选择任务的典型多准则决策方法包括层次分析法（AHP，analytical hierarchy process）、网络分析过程（ANP，analytical network process）、数据包络分析（DEA，data envelopment analysis）、数学（目标）规划、ELECTRE方法（Elimination Et Choix Traduisant the Reality，基于现实的淘汰与选择）、PROMETHEE方法（Preference Ranking Organization METHod for Enrichment Evaluation，富集评价偏好排序组织方法）、灰色关联分析（GRA，Grey Relational Analysis）以及逼近理想解排序法（TOPSIS，Technique for Order Preference by Similarity to Ideal Solution，基于理想解相似性的排序技术）。

尽管层次分析法和网络分析法在推导评估标准的重要性权重方面表现良好，但两者都需要较高的计算复杂性来完成两两比较。具体而言，层次分析法本质上受限于准则相互独立的假设，而网络分析法能够处理准则之间相互依赖的情况。与广泛使用的层次分析法或网络分析法不同，ELECTRE方法、PROMETHEE方法、灰色关联分析、逼近理想解排序法和VIKOR方法通常用于对竞争性供应商进行排序（Ho等，2010；Chai等，2013；Tsai和Chou，2009；Tsai，2014；Shaik和Abdul‐Kader，2014）。本研究中，不是推导一个总体排序指标，而是通过MRs和TAs来可视化并展示竞争供应商之间的相对优势与劣势。

2.2 产品（供应商）推荐

产品推荐的好处包括提高交叉销售的可能性、巩固客户忠诚度、实现客户保留或获取，以及吸引潜在客户（Liu和Shih，2005）。尽管数据挖掘技术的快速发展显著提升了推荐系统的性能，但这些系统通常依赖于客户的购买历史或交易记录来预测客户未来的需求和购买意图（Adomavicious和Tuzhilin，2005）。一般来说，推荐系统分为三类：（1）基于内容的过滤（CB）：向受访者推荐与其过去偏好相似的商品；（2）协同过滤（CF）：受访者推荐的项目是具有相似品味和偏好的人群所喜欢的项目，(3) 混合模型：这些方法结合了上述两种方法。

显然，大多数传统方案以有监督的方式进行产品推荐，因此在客户购买档案不足或无法获得的情况下表现较弱（即新客户在购买或使用商业智能包方面没有经验或记录）。当一个新产品首次引入或投放市场时，很难收集足够的训练样本来构建智能推荐系统（Bobadilla 等，2013）。换句话说，当用户面对尚未见过的项目时，需要开发基于偏好的过滤方法来捕捉并预测受访者的偏好。有时，这种方法关注的是备选方案的相对顺序（基于排序），而不是它们的绝对评分（基于评分）。在本研究中，采用模糊层次分析法来捕捉受访者对 MRs的相对偏好，从而以无监督方式实现供应商推荐。

尽管已有大量文献发表以解决上述问题，但这些研究大多存在以下缺点：（1）供应商评估未考虑制造要求与技术能力之间的依赖关系；（2）产品推荐通常通过构建有监督的推荐系统来实现。因此，在用户交易记录不存在于数据库中的无监督场景下，无法得到良好支持。

3. 提出的框架

正如前文所述，评估商业智能解决方案供应商的评估标准分为两个方面，包括市场要求（顾客之声）和技术属性（工程之声）。因此，本研究采用了质量功能展开（QFD）的框架。为了适应人类语言特性（见表3），将模糊多准则决策方法引入传统的QFD中，所提出框架的详细内容描述如下（见图4和表 2）：
- 首先，采用质量功能展开（QFD）将评估标准划分为市场要求（顾客之声）和技术属性（工程之声），
- 然后，利用模糊DEMATEL方法确定制造要求与技术能力之间的依赖关系以及它们之间的相关性，以获得重要性权重，
- 同时，采用模糊德尔菲法获取标杆供应商在技术属性方面的性能评分，以实现更好的可视化，
- 最后，运用模糊层次分析法（模糊AHP）捕捉用户对市场要求的偏好，以推荐最优匹配的商业智能系统。

[表2 如下]

3.1 使用模糊DEMATEL识别技术属性对MRs的依赖关系

DEMATEL（决策试验与评价实验室）由日内瓦研究中心的巴特尔纪念研究所的人类事务科学项目开发（Fontela和Gabus，1976；Jeng和Tzeng，2012年；Tsai等人，2013a年；2013b年；2013c年），能够可视化整个系统的相互依赖关系（因果关系）。假设有p位专家受邀评估m项市场需求（MRs）和n项技术特性（TAs），模糊DEMATEL的具体步骤如下所述（见图5）：
- 分配模糊评分量表以测量直接影响矩阵：
如表2所示，由专家k评估的模糊矩阵$\tilde{X}$，其元素为$\tilde{x} {ij}^k = (l {ijk}, m_{ijk}, u_{ijk})$，表示TAj对CRi的影响，且矩阵$\tilde{X}$的所有对角线元素均设为零（$\tilde{x} {ii}^k = (0,0,0)$）。在对所有专家的得分进行平均后，得到直接影响矩阵$\tilde{A}$，其元素为$\tilde{a} {ij}$：

$$
\tilde{a} {ij} = \left(\frac{1}{S}\sum {k=1}^{S} l_{ijk}, \frac{1}{S}\sum_{k=1}^{S} m_{ijk}, \frac{1}{S}\sum_{k=1}^{S} u_{ijk}\right)
$$

• 对直接影响矩阵进行归一化：
  通过规范化矩阵$\tilde{A}$，可以获得规范化矩阵$\tilde{B}$：

$$
\tilde{b} {ij} = \frac{\tilde{a} {ij}}{\Omega}, \quad \text{where} \quad \Omega = \max\left(\max_{1 \leq i \leq n} \sum_{j=1}^{n} u_{ij}, \max_{1 \leq j \leq n} \sum_{i=1}^{n} u_{ij}\right)
$$

• 推导总关系矩阵： 在获得规范化矩阵 $\tilde{B}$ 后，可根据公式(6)–公式(9) 推导出总关系矩阵 $\tilde{T}$：

$$
\tilde{T} = \tilde{B}(I - \tilde{B})^{-1}
$$

其中 $\tilde{t} {ij} = (l {ij}, m_{ij}, u_{ij})$，三个矩阵元素的数量列示如下：

$$
[l] {ij} = [B_l(I - B_l)^{-1}] {ij}
$$

$$
[m] {ij} = [B_m(I - B_m)^{-1}] {ij}
$$

$$
[u] {ij} = [B_u(I - B_u)^{-1}] {ij}
$$

其中I表示单位矩阵，Bl/Bm/Bu表示由规范化矩阵的下限/中间/上限值构成的清晰矩阵。

通过调度员组 D 和接收者组 R 对总关系矩阵 T 进行去模糊化并计算因果图，其中 D 为清晰矩阵 T 的行和，R 为列和：

$$
T_{ij} = \frac{l_{ij} + m_{ij} + u_{ij}}{3}
$$

在通过公式(10)获得清晰矩阵T后，制造要求与技术能力之间的依赖关系（$R’ {ij}$）以及它们之间的相关性（$\lambda {ik}/\gamma_{kj}$）将自动从矩阵T中提取。

通过显示由（D+R， D-R）组成的数据集，可视化整个系统中固有的因果图：

$$
D_i = \sum_{j=1}^{n} T_{ij}
$$

$$
R_j = \sum_{i=1}^{n} T_{ij}
$$

需要注意的是，D 表示“调度员”，R 表示“接收者”。具体而言，横轴 “D+R”命名为“prominence”，揭示了该准则的重要性程度。相比之下，纵轴“D-R”命名为“影响”，用于区分准则属于原因组（正向影响）还是结果组（负向影响）。根据Chang和Cheng（2011），技术属性 TAs 和 MRs 的重要性权重通过对其绝对影响得分进行归一化而简单获得：

$$
W_j = \frac{|D_j - R_j|}{\sum_j |D_j - R_j|}
$$

其中 $D_j - R_j$ 表示准则 j 的有符号影响得分。

3.2 使用模糊德尔菲法确定BI供应商的性能评分

德尔菲法通常被用作一种基于群体决策的预测技术。一般情况下，它需要一组部分或完全匿名的专家对预设问卷发表意见，并通过多轮迭代以达成共识。简单来说，所有专家回答问卷，结果经过评估后通过反馈过程返回给专家。实际上，德尔菲法常常存在低效的问题在受邀专家之间达成共识、高执行成本以及繁琐的操作流程方面存在困难。此外，由于人类判断通常不够精确，因此在实践中使用模糊概念表达的评估术语可能更为可行。因此，Murry 等人 (1985) 建议将模糊集的概念引入传统德尔菲法中，以快速达成专家意见的共识。根据王和陈 (2012) 的方法，对模糊德尔菲法进行了轻微修改，用于生成商业智能供应商（在技术属性方面）的性能评分。具体过程如下：
- 邀请领域专家评估竞争性商业智能供应商在技术属性（TAs）方面的性能评分。具体而言，评分量表以三角模糊数表示为：$\tilde{S} i = (S {ia}, S_{ib}, S_{ic})$，$1 \leq i \leq p$，其中p表示评价者数量，n表示属性数量，$\tilde{S}_i$是评价者i为某一属性所分配的性能评分。
- 聚合专家之间的性能评分以获得平均值 :

$$
\tilde{S} m = \left(\frac{1}{p}\sum {i=1}^{p} S_{ia}, \frac{1}{p}\sum_{i=1}^{p} S_{ib}, \frac{1}{p}\sum_{i=1}^{p} S_{ic}\right)
$$

这里计算了$\tilde{S}_i$ 与$\tilde{S}_m$之间的差异，并将其反馈给评估人员，以重新考虑他们最初的评估。
- 对于后续的轮次，所有评估人员都需要修改其模糊评分，并类似地重复该过程，直到连续均值之间的差距合理收敛。为了计算两个模糊数之间的距离，采用以下方法（耿等人，2010）：

$$
d(\tilde{S} t^m, \tilde{S} {t+1}^m) = \frac{1}{3}\left[(S_{t+1,ma} - S_{t,ma})^2 + (S_{t+1,mb} - S_{t,mb})^2 + (S_{t+1,mc} - S_{t,mc})^2\right]^{1/2}
$$

其中 $\tilde{S} t^m / \tilde{S} {t+1}^m$ 表示第t轮和第t+1轮的平均模糊评分。
- 基于“面积中心”法，采用去模糊化过程将模糊性能评分转换为精确值：

$$
S_m = \frac{S_{ma} + S_{mb} + S_{mc}}{3}
$$

此处指出，竞争性商业智能供应商的性能评分是根据技术属性来衡量的。为了进一步将相关性能与MRs关联起来，显示雷达图需要应用公式(3)。

3.3 使用模糊层次分析法分析MRs的用户偏好

层次分析法（AHP）最初由萨蒂（1980）于20世纪70年代初提出，旨在应对军事领域的稀缺资源分配问题。通常情况下，AHP要求决策者（领域专家）在准则之间或备选方案之间进行两两比较，然后通过特征值计算来确定准则权重和备选方案优先级。原始AHP以精确方式构建，并在层次结构上实施。根据王和吴（2014）的研究，采用模糊层次分析法（fuzzy AHP）以适应人类判断的语言特性。
- 在n个准则（备选方案）之间进行两两比较。基于三角模糊数，建议采用五点语言标度来表达专家对两个准则之间的偏好，例如相等、轻微、中等、强烈和极端偏好（再次参见表3）。
- 聚合所有专家的判断。假设有S位专家被邀请评估n个准则，并以专家k作为示例。准则i相对于准则j的相对重要性可用以下模糊矩阵表示：

$$
\tilde{S} k =
\begin{bmatrix}
\tilde{b} {11}^k & \cdots & \tilde{b} {1n}^k \
\vdots & \ddots & \vdots \
\tilde{b} {n1}^k & \cdots & \tilde{b}_{nn}^k
\end{bmatrix}, \quad k = 1,2,\ldots,S
$$

其中$\tilde{b}_{ijk}$表示专家k对准则i相对于准则j的相对重要性的评估值。所有专家的结果通过(19)–(21)进行聚合：

$$
\tilde{b} {ij} = (L {ij}, M_{ij}, U_{ij}), \quad i,j = 1,2,\ldots,n; \quad k = 1,2,\ldots,S
$$

$$
L_{ij} = \min(\tilde{b} {ijk}), \quad M {ij} = \frac{1}{S}\sum_{k=1}^{S} \tilde{b} {ijk}, \quad U {ij} = \max(\tilde{b}_{ijk})
$$

$$
\bar{b} {ij} = \frac{L {ij} + M_{ij} + U_{ij}}{3}
$$

其中$\tilde{b} {ij}$表示一个聚合模糊数，而$\bar{b} {ij}$表示去模糊化值（Chua和Lin 2009；Lin et al. 2010），
- 计算最大特征值和特征向量，以估计n个准则的相对权重。推导过程如下所示：

$$
A =
\begin{bmatrix}
b_{11} & \cdots & b_{1n} \
\vdots & \ddots & \vdots \
b_{n1} & \cdots & b_{nn}
\end{bmatrix}
$$

$$
\lambda_{\text{max}} W = A W
$$

其中A表示n个准则之间的$n \times n$两两比较矩阵，$\lambda_{\text{max}}$是A的最大特征值，W为其对应的特征向量。
- 检查矩阵的一致性。决策质量与决策者在进行两两比较过程中所表现出的判断一致性相关。为确定决策质量的一致性，定义了一致性指标（CI）和一致性比率（CR）：

$$
CI = \frac{\lambda_{\text{max}} - n}{n - 1}
$$

$$
CR = \frac{CI}{RI}
$$

其中CI用于衡量不一致性（越接近零，一致性越高），随机指标（RI）表示随机指数（见表4）。当CR超过0.1时，表明决策过程可能存在不一致，需要决策者重新修改其判断。

4. 一个图解示例

再次参考图2，排名前五的商业智能供应商依次为SAP、Oracle、SAS、IBM和微软（拉维，2012年）。考虑到台湾的大多数公司选择了包括SAP、SAS和微软在内的三家供应商进行供应商评估。在咨询了IT专家后，评估标准由五个MRs和十二个TAs组成，如表4所示。为了提高本次调查的可靠性，超过一半的问卷发送给了在新竹科学园区工作的IT/管理信息系统（MIS）人员或高管，其余一半则发送给了主要用户群体，如财务分析师、市场策划人员和总经理。

[表4 此处]

4.1 使用质量功能展开识别MRs与技术属性之间的相互依赖性

最初，将模糊DEMATEL（再次参见图5）引入到质量功能展开的框架中。通过使用五点模糊量表（即1-非常低，2-低，3-中等，4-高，5-非常高），要求受邀的受访者完成以下问题（参见表5）：您如何衡量技术属性对制造要求的影响以及它们之间的相关性？ 在聚合受访者的评价结果后，可通过公式(4)–(11)计算出总关系矩阵。然后，基于公式(12)–(13)，在图6中展示了描述制造要求与技术能力之间相互依赖性的因果图（亦见表6）。显然，所有技术属性（用 “方形”表示）均属于“原因”（调度员）组，因其具有正向影响。

相比之下，由于具有负面影响，所有MRs（用“diamond”表示）被归类到“效果”（接收者）组。该图可以帮助软件规划人员直观地了解技术属性与MRs之间的潜在依赖关系。

这里使用绝对“影响”得分来生成MRs和技术属性（TAs）的重要性权重（见公式(14)）。再次参考表6，排名靠前的MRs优先级为 $R_2 < R_5 < R_3$，包括商业分析与仿真、数据挖掘与统计以及业务查询与报告。类似地，重要的技术属性按优先级依次为 $A_1 < A_{11} < A_2$，表明在BI用户看来，数据可视化、特征提取与选择以及ETL（抽取/转换/加载）相对更为重要。通过将质量功能展开（QFD）与模糊DEMATEL相结合，软件规划人员可以了解哪些MRs真正受到关注，并明确如何通过具体的技术属性有效改进这些需求。

[表5 – 表6 此处]

4.2 进行供应商评估和供应商推荐

为了对竞争性商业智能供应商进行供应商评估，采用模糊德尔菲法以快速达成共识。具体而言，向资深IT专家提出以下问题——“您如何从技术属性（TAs）的角度评估竞争性BI供应商的性能？”

基于模糊DEMATEL中提取的总关系矩阵，表7中所示的MRs与DAs之间的相互依赖性被用于推导BI供应商在MRs方面的性能评分（见公式(1)–(2)）。直观上，Ri与Aj之间越强的依赖关系，也意味着Aj对 Ri的影响越大。为方便起见，按MRs和TAs衡量的综合性能评分列于表8中。为了更好地可视化，这两类性能评分分别在图7（关于TAs的折线图）和图8（关于MRs的雷达图）中进行了展示。显然，每个供应商都有其相对薄弱之处。例如，SAP在R1和R5方面表现不足，SAS在R1和R4方面较弱，而微软则在R1方面存在不足。不出所料，所有标杆供应商在“人机界面”（R1）这一方面均被认为满意度较低。

最后，借助模糊层次分析法，通过以下问题——“Ri相对于Rj有多重要？”来捕捉用户对MRs的偏好。基于计算用户偏好与供应商性能评分之间的余弦相似度，以无监督方式开展供应商推荐。表9简要描述了三位不同用户的结果。简单来说，用户偏好画像对应于在相关MRs方面表现相对出色的特定BI供应商。非常有趣的是，微软的市场份额很小（10.7%），尽管仅在R1中被认为较弱。毫不奇怪，SAP正在向其现有的企业资源规划用户推广商业智能解决方案。相比之下，SAS源自统计领域，最近才进入商业智能领域。未来，我们预计微软将投入大量资源，将其数据库系统、数据仓库与数据挖掘包（包括统计模块）进行集成，以扩大其市场份额。

[表7 – 表9 此处]

5. 结论

如今，商业分析和商业智能已成为流行的企业信息系统，可显著提升信息质量和决策及时性。典型的BI用户包括财务分析师、市场策划人员和总经理。然而，他们中的大多数可能不具备足够的信息技术背景。为了帮助这些用户与管理信息系统主管进行有效沟通，本研究提出了一种系统性框架，以连接市场要求与技术属性。在此背景下，整个过程依次分为供应商评估（第一阶段）和产品推荐（第二阶段）。本文中，模糊多准则决策方法被恰当地融入质量功能展开框架中，并作为主要贡献如下所示：
- 在考虑MRs与TAs之间因果相互依赖性后，通过模糊DEMATEL系统地推导出MRs和TAs的重要性权重，
- 通过模糊德尔菲法高效生成BI供应商的性能评分（基于MRs和DAs），以实现供应商基准比较，
- 通过模糊层次分析法有效捕捉用户对MRs的偏好，从而以无监督方式开展BI软件的产品推荐。根据实验结果，发现三家被调查的BI供应商在“人机界面”方面均同时表现不佳。此外，SAS在“数据库与数据仓库”方面存在不足，而SAP在“数据挖掘与统计”方面被认为较弱。然而，尽管微软在市场要求方面被认为是最令人满意的，三家供应商的市场份额依次排名为SAP（22%）、SAS（13%）和微软（11%）。

众所周知，SAP在ERP（企业资源规划）领域已拥有庞大的市场基础。相比之下，SAS是知名的统计软件提供商，而微软则是个人计算机操作系统领域的主导者。显然，这些发现为全球企业改进其未来的商业智能系统提供了方向性指导。

本研究中的研究局限如下所述。供应商推荐是基于用户偏好进行的。然而，这种方法无法考虑在考虑已安装的ERP系统与选择BI软件之间的网络效应时，本研究无需增加计算复杂度，提出了一种集成框架，以帮助首席信息官或企业高管快速评估竞争性BI供应商并选择最合适的解决方案。在未来工作中，实施商业智能系统的关键成功因素或其他经济效益值得进一步探讨。