基于数据仓库的烟草决策支持系统研究

4 决策支持系统实现

4.1 数据的抽取

数据的抽取是数据进入仓库的入口。由于数据仓库是一个独立的数据环境，它需要通过抽取过程将数据从联机事务处理系统、外部数据源、脱机的数据存储介质中导入数据仓库。数据抽取在技术上主要涉及互连、复制、增最、转换、调度和监控等几个方面。数据仓库的数据并不要求与联机事务处理系数据仓库的构建统保持实时的同步，因此数据抽取可以定时进行，但多个抽取操作执行的时问、相互的顺序、成败对数据仓库中信息的有效性则至关重要。

在技术发展上，数据抽取所涉及的单个技术环节都已相对成熟，其中有一些是离不开编程的，但整体的集成度还很不够。目前市面上所提供的大多是数据抽取工具。这些工具通过用户选定源数据和目标数据的对应关系，会自动生成数据抽取的代码。但抽取工具支持的数据种类是有限的;同时数据抽取过程涉及数据的转换，它是一个与实际应用密切相关的部分，其复杂性使得不可嵌入用户编程的抽取工具往往不能满足要求。因此，实际的数据仓库实施过程中往往不一定使用抽取工具。整个抽取过程能否因工具的使用而纳入有效的管理、调度和维护则更为重要。

4.2 数据仓库的构建

数据仓库是企业进行信息分析、挖掘的基础。本系统采用多层次、多扇区的结构来建立数据仓库。为保证数据来源的固定性和数据的完整性，应用统一的元数据管理，以确保跨越不同数据集市进行分析的正确性。基于烟草企业的管理系统大多采用关系型数据库及业务系统生成的数据馈非常大的特点，在进行数据仓库没计时，多表连接、表的累计、数据排序、大量数据的扫描等操作是面临的主要问题。星型模式通过对各个维作大量的预处理，如按照维进行预先的统计、分类、排序等操作，能够大大提高处理速度，很好地解决以上问题。因此，为满足客户端用户对多维数据分析的要求，本系统采用基于关系型数据库的星型模式(ROLAP)。

粒度是设计数据仓库的一个重要方面。综合考虑建造成本、业务数据黄、访问效率、访问和回答查询的能力等因素，本系统采用多重粒度表1所示。

表1

数据仓库采用多层次、多扇区系统结构。事实表应用分区技术，将数据表按时间序列(年、季度、月)分割成多个小表区，以便于管理。在基本数据的基础上通过一系列总计、凝聚、计算、整合，形成高度综合、多维的总计方阵，用于动态、全面的查询和分析。在内部结构中，每一层都为自己的内层提供隔离和保护，从而实现对基础数据的卸载，平衡系统负载，提高系统的效率和性能。

决策反馈信息的收集采用信息流技术及高级队列技术，来捕捉变化数据、发表和订购机制及过程，从而实现从原数据系统到目标数据系统的更新自动化。

4.3 烟草数据OLAP多维分析

采用Oracle作为源数据库，应用Brio enterprise作为系统的开发工具以实现OLAP分析和前端展示。Brio enterprise是最易于使用的商业智能产品，它提供一个完备的、集成的决策支持平台，支持信息的发布、分析和各种决策支持。Brioenterprise服务器通过push和pull的服务器技术来完成自动查询处理、报表分发、零管理和Web动态查询等功能。通过对分析时段、纬度旋转、分析类型的选择，可实现按年、季、月等对产品、客户类型、行业等维度进行切片、钻取等操作，利用不同的分析图形来满足用户的OLAP分析需求。

以订单分析为例，订单分析的目的就是寻找出用户订烟的特点，并据此提出有关的业务推销策略，满足业务发展的需要。对用户历年来大量的订单数据、销售的详细品牌及用户的档案资料等相关数据进行关联处理。该模型主要从以下各维度及维度问组合来分析，得到卷烟销售及不同品牌在不同类型客户、不同区域等的分布情况。

(1)模型构成

指标：订单、客户数。

维度：时间、地域、客户类型、业态、卷烟品牌

(2)功能说明

该分析项从客户类型、业态、卷烟品牌等多个角度进行分析不同客户的卷烟销售情况。重点从业态(如超市、烟酒门市部)来具体分析品牌销售情况及该群体的特征，从中找出一定的规律，研究激发客户提高销量的办法，为进一步改进营销策略提供决策依据。

5 结 语

在深入研究联机分析处理、数据挖掘技术的基础上，提出了基于数据仓库的闭环决策支持系统在烟草行业的解决方案。利用烟草企业的原始业务数据进行数据仓库的多层次、多扇区的设计，并就一些多维分析技术结合本例进行了探讨。智能商务从战略决策支持向战术决策支持扩展，决策支持系统向实时、闭环方向发展已成为当前的新趋势。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友