《决策支持系统的重要信息技术基础》由会员分享，可在线阅读，更多相关《决策支持系统的重要信息技术基础（8页珍藏版）》请在金锄头文库上搜索。
1、Li hong Xing附加专题讲稿：决策支持系统的重要信息技术基础（数据库、网络略）一个只有 30 人左右的小公司，却要向报纸和杂志的广告代理机构提供他们与竞争对手对抗中的 相对地位信息，从而帮助他们决策，这个复杂任务需要跟踪有关报纸和杂志的数千万条广告信息，而 这数千万条广告信息就存储在一个数据仓库里。1数据库与数据仓库1.1 传统数据库技术支持决策层面的困难20 世纪 80 年代，数据库技术在联机事务处理 OLTP 方面取得了巨大成功。联机事务处理包括输 入信息的收集、处理并利用收集到和经过处理而得到的信息去更新已存在的信息。联机事务处理数据 库最常见的是业务数据库，如产品数据库，我们可
2、以去更新产品的单价，也可以因为增加了新的生产 线而去增加产品的种类。再如图书查询系统、商场销售系统、航空售票系统、银行事务系统。所有的 数据库管理系统，小到Access，大到Oracle，全都支持联机事务处理。数据库技术能够支持操作层面的联机分析处理，也能够支持中间管理控制层面的管理信息系统， 却常常无法很好支持复杂一些的决策层面。为什么？进行决策时，需要通过不同方式从不同角度综合数据，而数据往往分散存放在各自为政的数据库 中，各个部门各自独立地从自己的原始数据库中抽取数据，这种横向与纵向的抽取开始形成蜘蛛网， 随后是抽取之上的抽取，接着就是在此基础上的再次抽取。对于一个大公司，每天进行多达5
3、 万次的 抽取是很正常的。而抽取将导致数据缺乏可信度。例如：某部门在今天上午 9:00 抽取了分析所需的数据，而另一个进行分析的部门在今天中午 12:00 抽取了数据，这两份数据相同吗？很可能不同。公司内的数据总在变化。不同时刻抽取出来的 不同数据集，分析结果当然不会相同，这称为数据无时间基准。再例如：一个部门选择所有的旧帐号作分析，而另一个部门选择所有的大帐号作分析，旧帐号的 顾客和大帐号的顾客之间存在必然的相关性吗？不一定，因此，分析结果大相径庭也就不足为奇，这 称为数据在算法上存在差异。每次抽取结束后，因为时间或算法上的差异，抽取结果出现差异的可能性增大了。对一个公司而 言，从数据进入公
4、司系统到为决策者准备好分析结果，经过八九层抽取并不罕见，这其中有抽取、抽 取的抽取、抽取的抽取的抽取。每一个新层次的抽取都会使要发生的问题变得更严重，这称为抽取的 多层次问题。从外部数据源获取决策所需的数据时，也往往会产生问题。外部数据来源不明或丢失。例如：一 个决策分析人员从某财经网站取得外部数据，在加入分析流时，却无意中忘掉了外部数据的来源，外 部数据的来源不明，自然缺乏可信度。数据没有公共起始数据源，也将导致数据缺乏可信性，例如：部门A的分析工作源于文件F,部 门B的分析工作源于数据库D，不论文件F与数据库D之间关系怎样，都不存在数据同步或数据共享。决策所需的数据缺乏可信性，自然就无法保
5、证决策分析的可信性。决策支持系统处理，常常要访问大量集成的数据包括若干年前的历史数据，并从中找出趋势，进 行分析型处理。传统数据库技术，往往只对若干关联的数据库的记录进行操作，进行事务型处理。例如：银行信息需求的典型问题：本月的账号活动同过去 5年中每年的各个月份有什么不同？ 决策支持系统分析员很可能会首先发现银行系统中虽然有分离的储蓄应用、借贷应用、信托应用， 然而，这些应用在建立时从来没有考虑过集成。决策支持系统分析员想要对它们进行解释几乎不可能。很快，决策支持系统分析员又会发现，没有存储足够的可以满足决策分析需求的历史数据。贷款 部门只有 2年的有用数据，存折处理部门只有1年的数据，数据
6、库设计、实现、处理时，需要满足当 前收支处理的需要，很少会考虑过保存若干年前的数据以满足决策支持系统分析的需求。确实，要了解本月存款、取款、贷款的信息都非常方便，但要综合了解、分析本月所有的帐号活 动同过去 5 年中每年各个月份的活动区别，用传统的数据库技术，几乎是不可能完成的。因此，大量的企业选择构建数据仓库。1.2 数据仓库由于数据库技术存在的缺陷：随着企业处理的数据量越来越大、数据源越来越多，传统的数据库 技术在支持决策层面上的数据综合、分析、集成出现了困难，也无法从大量杂乱无章的数据中寻找趋 势，导致决策支持系统的发展长期以来停滞不前，例如：经理们没有办法去获取在确定有效决策时所 需要
7、的信息，因为可供选择的信息太多、信息的格式相互矛盾。在这样的历史背景下，数据仓库之父、 美国的Inmon在1992年提出了”数据仓库”的概念，为决策支持系统的发展开辟了方向，成为基于 大规模数据库的决策支持系统环境的核心。特别需要强调的是：数据仓库是数据库的一种体系结构或框架，也可以称为一种方案，而不是一 种技术，这种体系结构从许多业务数据库中提取用于支持特定决策的信息。为了大家并不容易理解， 举个例子：进入北京，你会看到独具特色的立交桥，你马上就会知道：这不是武汉，因为武汉立交桥 的外观和风格跟这不一样。立交桥的外观和风格我们称为立交桥这种建筑物的体系结构。而这种体系 结构是由钢筋水泥构成的
8、，但钢筋水泥本身并不是体系结构，他门是独立的技术。数据仓库和数据库 的关系，类似于立交桥建筑的体系结构和钢筋水泥之间的关系。数据仓库之父、对数据库、数据仓库研究长达36年的美国专家Inmon给数据仓库最权威的定义： 数据仓库是一个面向主题的、集成的、永久的且随时间不断变化的数据集合，用于支持管理层的决策。 这一定义显然与数据库有很大差别。数据仓库表达了与传统信息组织和管理截然不同的思维方法。为方便大家在对比中更好地理解数据仓库的概念，将数据仓库与数据库的主要特征列表比较说明 如下：数据库数据仓库面向应用面向主题处理近期数据处理历史数据支持联机事务处理OLTP支持联机分析处理OLAP具有二维性具
9、有多维性众所周知，数据库是面向应用的，数据库的数据为处理具体事务而组织在一起，典型的应用有： 商品进销存、图书查询、银行业务处理、航空售票、人事管理、工资管理。数据仓库是面向在高层企 业数据模型中已定义好的企业主要主题领域的，典型的主题领域有：顾客、商品、交易、保险单、索 赔、帐目等等。数据库主要处理当前或近期业务数据，如商品进销存系统内的商品数据库，主要存储和处理的是 近期进货、销售、库存的商品信息。数据仓库中则集成存储和处理若干年前（510年甚至更长）的 历史数据，并从中找出趋势，进行分析型处理，以有效辅助决策，如数据仓库中的商品数据，往往是 5 年左右的，从中可以分析出商品的销售趋势，某
10、种商品什么时侯好卖、什么时候不好卖，那些商品 一直好卖？顾客买某种商品之后，他还会买别的什么商品？在企业中，大多数数据库支持联机事务处理OLTP，面向业务。数据仓库通过支持联机分析处理 OLAP来支持决策，不面向业务。联机分析处理OLAP是一种提供决策支持的信息处理方式，能对大量 数据进行组织和汇总，分析程序能对数据进行快速评价，适用于大量的企业解决方案，如企业报告、 企业分析、数据建模、决策支持。绝大部分大型数据库管理系统都具备联机分析处理功能，如 SQL Server 2000 Analysis Services。例如：对于某书城的销售部门，以前往往需要一大批研究分析不 同计算机内存储的大
11、量数据库的业务人员，花费大量时间按书号、书名、单价、作者、出版社、出版 时间、购买时间、购买地区、购买群体来收集图书销售信息。而采用联机事务处理和数据仓库，只需 要几分钟就可以完成相同的工作。在关系数据库模型中，信息是用一系列二维表格来表示的，包含行和列。如桌面数据库管理系统 Access 中，数据库内包含表、查询、窗体、报表、页、宏、模块七种对象，所有对象都是二维的。 而绝大多数数据仓库不是二维结构，而是包含若干层的行和列。数据仓库中的层根据不同的维度来表 达信息，这种多维度的信息图表被称为立方体结构。例如：一个来自于多个业务数据库的表达图书商品信息的数据仓库。宣传手段及时机顾客群年份北京上
12、海武汉西安计算机 通信 经济管理 英语学习某书城利用传统书店方式结合互联网网站开展图书营销，该书城总部设在北京，在上海、武汉、 西安等地设有分店。面向该书城图书商品信息的数据仓库是一个立方体结构，使用图书种类（计算机类、通信类、经 济管理类、英语学习类，行）和区域（北京、上海、武汉、西安，列）、年份（如 2003 年、2002 年、 2001年等等，第一层）、顾客群（如学生、教师、科研人员、IT从业者、管理人员，第二层）、宣传 手段及时机（宣传手段如网络、报刊杂志、电视、广播、车厢广告、宣传单、书签等等、时机如年末 岁初或刚放暑假的半个月，第三层）来表达图书商品信息。利用这个立方体结构，人们很
13、容易了解到” 当在某期电脑报的广告刊出后，随即发生的计算机图书在西安地区的IT从业者客户群中的销售 额占总销售额的百分之多少？在立方体结构的任何一个特定部位的立方体都包含有取自各个业务数据库的综合信息。例如，最 前面一层的顶部左侧的立方体就包含了北京地区某年计算机图书的相关信息，这些信息可能包括总销 售额、平均销售额、销售数量及某些方面的分销摘要。需要注意的是，数据仓库中的立方体结构包含的是综合信息。因此，当数据仓库可能包含计算机 类图书 2003 年北京地区总销售额时，就不必再包含针对某类顾客（如学生）的每笔销售清单了。显 而易见，数据仓库是不能用于进行事务处理的。但数据仓库的综合信息是构建
14、在业务数据库中的信息 基础之上的，也就是说，在业务数据库完成事务处理要求后，再利用包含在业务数据库中的信息构建数据仓库的综合信息。数据仓库再举例，全球著名连锁机构，如沃尔玛、家乐福、麦德龙等连锁商店;麦当劳、肯德基、 意大利比萨、凯威啤酒等连锁快餐店，这些机构都需要确定顾客的消费习惯，需要决定在什么时侯应 该提供什么样的产品，需要决定在什么时侯应该采用什么样的促销策略。因此，需要采用数据仓库。数据仓库能够帮助连锁机构更好了解自己的核心顾客，最大限度地发挥其全面盈利能力，如追踪 顾客的详细信息（姓名、电话、电子邮件地址、消费记录等）,这样可以及时得到顾客的反馈信息， 也可以准确确定哪些顾客可能对
15、公司指定的促销活动作出回应。数据仓库还可以预测和处理顾客的行为。例如：啤酒与尿布。例如：当顾客点了甜饼之后，有 65%的可能再上一杯咖啡；如果甜饼作为促销品推出时，加点咖啡的比例会升为 85%。如果掌握了这 一信息，就应该推出更多的甜饼促销，促使顾客点更多的甜饼，从而卖出更多的咖啡，而在餐饮业， 咖啡是高利润项目。通过将全组织的数据仓库进行切片切块分析，进而调整销售单或菜单适应区域需求，以培养一 个忠实的客户群。在某个区域，某某商品书畅销、在某个区域,某某菜受欢迎。如针对中国人的口 味，肯德基推出老北京鸡肉卷。很多洋快餐也卖中国菜。商品促销品的搭配与摆放位置、菜单项目的摆放位置其实很有讲究。将
16、高利润的项目放在什么位 置菜单最上方、中间部分、最下方，哪种方式最有利于销售额的提高？高利润的项目应该向哪些顾 客销售？在哪里销售？这样，才能制定有效的促销策略、方式与手段。这种反复寻找最佳组合的工作 需要与数据仓库的数据挖掘工作相匹配。1.3 数据仓库中的数据挖掘工具 数据挖掘工具包括查询与报表工具、智能代理、多维分析工具和统计工具。工具 1：查询与报表工具。查询与报表工具与 Access 中的查询设计器、报表向导类似，数据仓库用户经常使用这类简单易 用的数据操作子系统进行查询，并生成报表。工具 2：智能代理。智能代理是人工智能领域的产物，后来越来越广泛地应用于一些需要提示和帮助的系统软件和应 用软件，是各类加工信息的IT工具的发展方向。最简单的智能代理的例子就是：Office助手，当你 在使用 Office 软件
