分享到:
档案管理论文 最近更新
浅论铁路火车票退票制度改革 退票改革论文
深化我国事业单位管理体制改革研究
关于社区基层行政管理的调查报告
公共部门人力资源管理激励机制的现状与对策研究
深圳建设节约型社会的政府管理研究
我国医疗改革中的政府职能研究
我国公务员激励机制存在的问题与对策
我国公务员职业道德建设研究
构建和谐社会与我国服务型政府的建设
我国公共政策制定中的公民参与问题研究
浅谈房产税改革
我国非营利组织的政府监管现状、问题及对策
中国非政府组织的发展现状与困境
行政执法人员职务犯罪的成因及对策
社区卫生服务机构绩效考核的调查报告
论公共部门人力资源与建设服务型政府的关系
中国房地产行业存在的问题及对策
现代化建设中的惠州乡镇区域发展浅析
公务员录用制度研究
论地方政府竞争
论析库存管理决策需求分析及设计

论析库存管理决策需求分析及设计
 

供应链库存管理决策是以存贮论、管理科学、运筹学、人工智能和行为科学为基础,
以计算机技术为工具,利用信息系统技术,帮助企业中高层决策者进行库存管理决策的专用
决策支持系统。系统分析的主要任务是在对企业库存经营管理情况全面和真实的了解后,
确定对决策支持系统的要求,并对企业的决策流程和数据流程进行初步的分析。
如前所叙, 在数据仓库基础上的供应链库存管理决策,在数据挖掘技术的推动下,大
大地增强了决策支持能力,为供应链管理人员和分析人员有效决策所需要的数据基础。而且
在数据仓库的基础上,进一步开发供应链决策支持系统的成本是很低的。有了丰富的、无处
不在的数据仓库,分析人员就能以主动的姿态去满足用户的需求,而不是无休止的被动的响
应。数据仓库供应链管理分析人员的工作转变成真正非分析工作。
4.1 需求分析
需求分析应从系统目标出发,并以系统目标为方向,因为系统目标对系统分析和系统
设计有着非常直接的和决定性的影响,本系统是将库存理论应用于实际管理中的一个计算机
信息管理系统。它解决的主要问题是商品的采购与存储的决策问题,即如何管理库存使之在
成本最小的基础上能够最大程度上能满足企业正常运作的要求,此外系统应该具有较高的可
扩展性、可重用性、可维护性、可适应性、较短的开发周期和较长的使用周期。在实际的应
用中,供应链库存管理决策应能够达到如下的系统目标与功能:
4.1.1 查询、报表
系统应提供对数据库、模型库和知识库的管理,数据库子系统能够管理各种数据源、
预测数据、决策数据的存储、查询、修改;模型库子系统能够添加、查询、修改各种预测、
决策模型和方法,进行模型的组合;知识库子系统能够添加、查询、修改、存储各种知识规
则和知识推理,智能的运用知识规则进行知识推理;
数据仓库把机构内不同来源的信息集成到一个单一的仓库中,就可以为公司跨职能或
跨产品的决策提供重要参考。在大多数情况下,人们事先已对报表中涉及的问题有所了解。
因此,数据库的结构可根据问题的要求进行优化,即使数据查询人员要求访问的信息量极其
巨大,处理性能也会非常快。最初所建立的数据仓库是通过收集各种来源的数据,来回答预
先设置的一些问题,告诉决策者“发生了什么”。
4.1.2 联机分析
通过构建供应链库存数据仓库,实现联机分析(OLAP),将数据仓库中的数据按照多
维结构进行组织和存储并在用户面前展现多维概念视图使用户能多角度多层次的对数据进行
观察和库存管理决策从各个角度对库存原材料信息做出分析。
库存管理通过对库存物品的入库、使用、废弃和盘点等数据进行全面的分析,帮助企
业的仓库管理人员和决策人员管理库存物品以达到降低库存减少资金占用,杜绝原材料积压
与短缺现象保证生产经营活动顺利进行的目的。库存管理决策从级别类别等不同角度来管理
库存物品的数量,库存成本和资金占用情况,以便管理层和用户可以及时准确的了解和控制
库存业务等各方面的准确数据。对库存管理系统与采购生产销售成本以及总账等系统之间的
数据传递进行管理。如采购原材料通过库存接受入库,生产所采用的原材料和零部件通过仓库发放。销售产品由成品仓库发放。库存原材料成本及占用资金由成本和总账管理来核算
等。
4.1.3 库存预测
基于数据仓库的库存管理决策是需要帮助决策者来预测未来,回答“将要发生什
么”。很明显,掌握公司库存情况以及即将发生的动向意味着更为积极地管理并实施公司战
略。系统应能够对库存相关数据收集和分析后,进行库存预测,并能够进行库存的相关决
策:订货量、订货周期、再订货点、最大库存量等,最后制定库存计划;利用预测模型进行
分析,为了得到所需的预测特性,高级数据分析通常要采用复杂的数学函数(如对数、指
数、三角函数和复杂的统计函数)分析大量历史数据,对算法的预测效果是非常重要的。
4.1.4 实时决策
基于数据仓库的库存管理决策是企业需要准确了解“正在发生什么”,从而需要建立动
态数据仓库(实时数据库),用于支持战术型决策,即实时决策,有效地解决当前的实际问
题。库存管理决策支持的数据仓库都以支持企业内部战略性决策为重点,帮助企业制定发展
战略。库存数据仓库的战略性的决策支持是为企业长期决策提供必需的信息,包括产品(类
别)管理战略、获利性分析、库存量的决策, 库存预测, 采购定货和其他信息。战术性决策
支持的重点则在企业外部,支持的是执行公司战略的员工。数据仓库的“实时决策”是指现
场提供信息支持决策,如能及时补给的库存管理和发运的日程安排和路径选择等。许多零售
商都倾向于由卖主管理库存,自己则拥有一条零售链和众多作为伙伴的供货厂商,其目的是
通过更有效的供货链管理来降低库存成本。为了使这种合作获得成功,就必须向供货商详细
地提供有关销售、促销推广、库内存货等信息的知情权。之后便可以根据每个商店和每个商
品对库存的要求,建立井实施有效的生产和交货计划。为了保证信息确实有价值,必须随时
刷新信息,还要非常快地对查询作出响应。
4.2 总体框架设计
库存管理决策是面向企业中高层管理人员的决策支持系统,它建立在企业管理信息系
统特别是库存管理信息系统的基础之上,库存管理信息系统所建立的各种事务数据库是库存
管理决策的基本决策数据来源。库存管理决策同时还需要获得外部的各种需求、供给信息及
专家的知识以更加有效地支持决策。在多变的不稳定的现代市场上,管理决策常常要处理不
可预测的和动态的系统。为了减少风险、改善管理决策的效果和增强盈利能力,管理决策对
信息的需求日益增加。决策支持系统能减少有用信息的分散和由此产生的消耗,通过提供框
架帮助决策者对具体决策问题进行分析,同时运用适当的决策模型和决策知识为分析控制和
决策建立一个结构并提供决策选择方案。
本系统以数据仓库为基础、以 OLAP 和 DM 具为手段(DW+OLAP+DM=DSS)的一整套可
操作、可实施的解决方案。其结构框图如图 4-1 所示。
在这种构架当中:
1) 系统采用“自底向上”为主的建设方案,从原有数据库系统中抽取一致数据,建立起用
于分析处理的环境。日常事务处理数据库中的数据经过数据过滤、转换与提取模块的处
理进入数据仓库和多为数据集.数据仓库采用自己的关系数据库保存细节数据,以确保
分析型处理环境与操作型处理坏境的分离,多维数据集以 MOLAP 的方式存储,每一个多
维数据集对应一个分析主题。2) OLAP 从数据仓库中的集成数据出发,构建面向分析的多维数据模型,再使用多维分析
方法从多个不同的视角对多维数据进行分析、比较。分析活动从方法驱动转向了数据驱
动,分析方法和数据结构实现了分离。
3) 数据挖掘以数据仓库和多维数据库中的大量数据为基础,自动地发现数据中的潜在模
式,并以这些模式为基础自动做出预测。数据挖掘表明,知识就隐藏在日常积累下来的
大量数据之中,仅靠复杂的算法和推理并不能发现知识,数据才是知识的真正源泉。
4) 在传统的 DSS 中,数据库、模型库和知识库往往被独立地设计和实现,因而缺乏内在的
统一性。而数据仓库、联机分析和数据挖掘组成的新的 DSS 构架解决了 DSS 数据库内数
据的不一致问题。
5) 数据仓库为 OLAP 提供了充分可靠的数据基础,数据挖掘以数据仓库和多维数据库中的
大量数据为基础,自动地发现数据中的潜在模式,并以这些模式为基础自动作出预测。
通过数据挖掘能够表明,知识就隐藏在日常积累下来的大量数据之中,而仅靠复杂的算
法和推理并不能发现知识,数据才是知识的真正源泉。
在数据采集阶段,要在不调整原有信息管理系统的情况下,根据数据仓库的主题域和
信息分析需求,从业务系统中抽取相关数据进行净化、转换和聚合,最后存放至数据仓库。
由于数据仓库的设计直接影响到能否方便地设计和构造多维数据结构来满足用户多层次多角
度的决策分析,因此在数据采集过程中还要根据将要建立的多维结构特性调整部分数据。
在多维结构创建和管理阶段,根据企业中高层管理人员分析的自然方式建立数据模
型,将数据仓库中的数据按照一定的层次进行聚合、汇总,构成信息分析的多维视图,最后
选择一定的存储模式将这些多维视图存储在OLAP 服务器中。.3 编码规范化设计
本系统的编码方案以英文为基准。所有的模块名和表名均用英文大写字母开头,而自
定义函数和控件名则以英文小写字母开头。如果要用复合词,从第二个英文单词开始,一律
用大写开头,字与字之间不留空格,直接合并起来。自定义函数名以动词开头。下面列举了
几个命名规范供应链库存管理决策是在数据库系统的基础上增加了模型库系统,即库存管理决策使
管理信息系统上升到了决策支持系统的新台阶上。管理决策使那些原来不能计算机解决的问
题逐步变成能由计算机解决。它不能制定决策,决策由人来制定的。决策制定是由决策支持
系统和它的用户共同完成的。
4.4.1 人机交互子系统
使用方便操作灵活的用户操作界面是一个成功的决策支持系统不可缺的重要组成部分,
决策支持系统的操作界面不仅要以多种形式显示用户查询的数据,而且要为用户提供一定的
操作灵活性,允许用户从不同角度观察数据。另外还要满足安全与性能的要求。在本系统的前端工具编程过程中如何将数据仓库中经过分析后的数据可视化的反映给用户是关键问题。
通过获取OLAP SERVER 提供的查询结果,OLAP 服务器将把数据仓库系统的用户视图传递
给前端用户工具,由前端用户工具以图形化界面表示出来供用户操作,对结果集提供切片旋
转向下钻取向上卷取等操作,然后可进行打印以及分析数据与Microsoft Excel导出,以多维
表格及图表两种方式展示给用户。
4.4.2 数据仓库库管理系统
企业当前的MIS系统数据库是库存管理决策系统数据库的重要来源,传统的库存管理系
统一般是建立在数据库的基础上的,但是随着数据数量的快速增长和来源的日益多元化,数
据析取的过程越来越复杂和困难,现有的数据库难以满足库存管理系统不断提高的要求。数
据仓库技术的产生,为库存管理决策的发展增添了新的活力。通过建立企业的数据仓库,将
操作型环境和分析型环境分开,提前进行数据析取和数据集成,可以大大减少MIS系统数据
库存取数据的次数,降低MIS系统的运行和维护费用,提高库存管理决策系统的综合性能。
建立在DW基础上的库存管理决策系统,已不再是传统的“模型库+数据库”的简单的
“两库”结构模式,而是新型的“模型库+数据仓库”的结构模式,这时的DW不仅仅具备原
有的数据库功能(为模型提供数据),其本身具有的特有性能使其自身也能为决策提供支持
(多维分析)。
整个数据仓库原型系统的开发大致分为三个大的组成部分:数据采集,多维数据结构
的创建管理和OLAP 应用系统的开发。数据仓库原型系统中数据处理流程为:数据采集系统
根据已确定的决策分析的主题域采集原有库存管理系统中的各类相关业务数据,重整后归类
存放到数据仓库,然后通过OLAP 工具将数据仓库的数据多层次分类汇总,从而建立多维数
据模型并存储在OLAP 服务器中,最后开发OLAP应用系统将数据灵活地呈现给用户量,如图
4-2。4.4.3 库存管理决策模型子系统
模型子系统是将众多的模型按一定的结构形式组织起来,通过模型库管理系统对各个模
型进行有效的管理和使用。模型库系统中的模型可以重复使用,避免了冗余,通过模型库可
以将多个模型组合起来构成更强大的模型。
企业库存管理决策是以模型为中心的专用决策支持系统,模型系统是本系统的核心部
分。系统的所要解决的预测、决策问题要通过模型系统来实现,模型系统的成败直接关系到
决策支持系统是否能够有效的进行决策支持。模型系统不但要进行模型的选择,同时还要实
现与数据库系统、人机对话系统的综合统一。以下描述模型的表示、管理、运行和评价等。
1). 模型的表示
本系统中采用了程序表示的形式来表示和存储模型,采用数据库管理模式来管理模型描
述。这样从外部来看,模型被看成数据关系,当作数据处理,而从逻辑层和物理层看,模型
被看成子程序。
库存管理决策的模型可以通过多种途径和方法建立:
1、直接编写子程序;
2、调用其它语言生成的经过编译可以独立运行的模型;
3、通过系统提供的通用模型,如线性规划、决策表等建立用户自己的具体模型;
模型的子程序完成后,通过库存管理决策的模型管理系统添加到模型字典中,这样库
存管理决策就可以使用该模型。
2). 模型的管理
模型可以分解为输入、处理、输出三个部分。模型的输入部分,主要是模型所需要的各
种数据、参数以及数据输入的方式。模型的输出部分,主要是一些计算和表示结果的方式;
模型的处理部分就是具体的计算过程。这样以来,模型的输入、输出的数据均可由数据库来
存储和管理,并为具体的模型算法提供了统一的数据接口。模型的具体的计算过程,在库存
管理决策中由子程序来实现。采用这种方式来进行模型库的管理,能够更加有效地应用数据
和模型,便于系统的设计和实施,并能够提高模型库的独立性和灵活性。
由于模型库中有大量模型文件需要管理,建立一个模型字典来索引描述对应的模型文件
是很有必要的。模型字典类似于数据库的数据字典,包含了对模型库中模型文件的说明,可
以用关系数据库来实现。模型字典对模型的描述应由以下几种知识组成:
a.特性知识:主要描述模型本身的属性,比如模型的名称,模型的输入数据和输出数据
以及模型的主要功能等。
b.应用知识:主要说明模型的应用领域,描述了模型的环境信息,是对模型具体应用范
围的划分。需要说明的是,模型可按不同的领域进行分类,同一种模型可能属于多个
应用领域。
c.解法知识:主要用于描述模型的解法。同一个模型可能同时采用多种数学建模思想。
d.领域知识:主要是同具体的决策问题相关,不同的问题领域影响决策模型选择的因素
各不相同。
e.其他难以量化的信息。
建立模型字典有助于提高系统的模型搜索能力。决策者不必对模型本身的特性十分清
楚,而只需要通过描述决策环境,应用人机交互的方式,系统就能够自动地找到合适的模
型,而且在决策者人工检索模型时,也能够提供比较详细的帮助信息。在库存管理决策中,
通过二级模型字典来进行模型的描述和管理。第一级模型字典主要对模型的主体进行描述,
其表结构参见表 4-3,模型字典的名称用英文表示,关系表名用中文表示, 它也是对模型
字典的中文解释。类型分别用计数型,字符型,长整型等。对模型的操作,如添加、存储、修改、增加、删除、连接、使用等要通过模型库管理
系统来实现:模型库管理系统是整个系统的组织者,主要负责各个功能模块的调度、协调、
以及模型库管理系统与模型库、数据库、方法库和系统用户之间的交互、通讯功能。
1、生成:将模型的程序抽象为模型字典描述,输入到模型字典中;
2、查询:可根据输入输出数据表、模型参数、模型的功能描述等模型描述在模型字典
中进行模型的查询;
3、修改:通过模型字典进行模型的名称、类型、输入输出变量、功能描述等的修改;
如果涉及到内部的算法,则调出模型的程序部分,进行修改;
4、删除:对用户确定要删除的模型,从模型字典中删除该模型的描述;有必要时删除
程序;
5、提供模型选择指南,包括各种模型的概述、特点、适用的预测或决策问题。
4.4.2 知识库子系统
由于库存管理决策问题的多变性与非结构性,决策变量之间的关系非常复杂,现实的情
况是非线性多于线性关系,随机型关系多于确定型关系,模糊性关系多于明晰性关系。因此
在库存管理决策中应加强知识库的运用。知识库主要用来存放各种由专家经验与以往经验提
取出来的知识。本系统中主要采用产生式规则对知识进行表示。
在库存管理决策中,通过元知识字典和规则字典来进行知识的表示和管理。元知识字典
用以存储、管理系统中各种知识的描述信息,便于系统知识的维护。每次添加知识时,把新
建的知识项加入知识字典。元知识字典的名称用英文表示,关系表名用中文表示, 它也是
对元知识字典的中文解释。类型分别用计数型,字符型,备注型等4.5 逻辑设计
企业关注的是本企业能否在最短的时间内,以最低的成本,最好的服务为客户保质、
保量地提供产品和服务。而企业在其库存管理中所要考虑的因素包含有: 原材料,产品,时
间,客户,供应商、以及存储方式。根据物流企业的库存管理特点,我们对数据仓库的逻辑
模型进行了如下设计:
4.5.1 维度的设计
数据仓库中的维度是人们观察数据的特定角度,是人们考虑问题时具有相同特性的属
性的集合,这些属性集合就构成一个维(如时间维、地理维等)。同时,它也是多维数据集的
结构性特性。在数据仓库的设计中,维度一般包含着层次关系,这种层次关系有时还会相当
的复杂。在某医疗器械企业所建立的库存管理决策中,我们设计了如下的几个维度:
1)产品维度: 供应链企业在库存管理中,首当其冲需要考虑的是商品。企业会根据产品的
性能一致、护养措施一致的原则,对产品进行分区分类管理。图 4-3 展示了某医疗器械企
业产品的维度,这里的维度按不同的维度等级。首先,产品类别为医疗(Therapy
Products)、教学(Training products)及模拟(Simulations)三大类领域的产品。其中医疗
产品又分不同的产品线的维度, 如医疗产品中的气道管理(Airway management)产品线,心
脏除颤仪(Defibrillators) 产品线等, 培训产品类中又分基本生命支持(BLS)产品线,
高级生命支持(ACLS)产品线等,模拟产品类又分计算机模拟教学软件(MicroSim
Simulations) 产品线和综合模拟病人(Patients Simulators) 产品线等, 产品线维度再到
下一层则为具体的产品名称, 如气道管理产品线中的 Airbag, Pocket Mask 等, 心脏除颤仪
(Defibrillators) 产品线中的 Heart Start HS1, Heart Start MRx 等,综合模拟人产品线
中的 Simman, Simbaby, RA Simulator 等。2) 时间维度: 时间维度是事先能确定的,是己知的数据。在每个数据仓库中都会用到,而
且应用的方式都比较类似。但事实上,时间维度不可能像我们说的或想象的这么简单。首
先,因为它是无限的。而其他维度是有限的:第二,我们对时间的细分程度即其粒度要求也
是很高的,这使得细分造成了数据量的剧增。时间维类别跟踪原材料使用的时间,由于生产
计划主要是按周为单位来制定的,而且生产计划中的日历与实际的日历有所区别,因此设定
年、季度、月、周、日5 个层次。在企业所建立的数据仓库中。3) 供应商维度:供应商类别是跟据各个产品原材料来源(原材料是从哪些供应商购入的)情
况,而且来自不同的供应商的相同材料的品质不同,生产产品的需求不同,因此设定综合国
家、城市、供应商3 个层次如图4-5 所示。供应商维度第一层次为国家,如中国(China),
美国(USA),挪威(Norway)等, 供应商维度第二层次为供应商所在的城市,如中国的上
海(Shanghai),苏州(Suzhou)等,供应商维度第三层次为供应商的名称。4) 仓库维度: 在物流仓储管理时,储存商品时,一般根据商品的自然属性,考虑仓库的设
备条件,按照产品的类别,把仓库和货场划分为若干货区,每个货区再分成若干货位,编成
顺序号。在分区分类的基础上,按号储存商品,实行分类存放、对号入座、分区管理。根据
企业仓储的这些特点,我们设计的仓库维度具有这样的层次结构:仓库类型 仓库区域 库
位。图 4-6 表示了仓库维度的结构关系图。根据公司的情况, 将仓库类型分为成品仓库,半
成品仓库, 以及原材料。而成品仓库又可按产品类型不同可再往下细分成不同的仓库区
域, 而仓库区域又有不同的库位,所以仓库维度最低层次为库位。
5) 原材料维度: 原材料维类别可以跟踪产品原材料使用、购入等库存变化的信息。可以设
定大分类、小分类,和库位等三个个级别, 第一层次的大分类,可分为直接的生产性物料
(Direct Material),模具(Die),包装材料(Packing material),而小分类中,如模具
(Die)可分Die compound, Die PMOD, Custom Die等。 如图4-7表示原材料维度的结构关
系。4.5.2 度量的设计
在数据仓库的设计中,度量可以分为两种类型,分别是度量的基本成员和度量的计算
成员。度量的基本成员是指只涉及到事实表的单一的列值的那些度量,而度量的计算成员,
顾名思义是由度量的基本成员通过进行某些数学计算而得到的度量。不论是度量的基本成员
还是度量的计算成员,它们所能涉及的操作可以有 Sum、Average、Min 等。
企业在组织运输时,应当以最经济的处理方法调运商品,从而达到降低配送成本的目
的。为了取得更大的经济效益,物流企业应当十分重视配送成本。而配送成本取决于所要运送的商品,时间气候的变化,运送的方式等因素。我们在设计数据仓库的逻辑结构时,把配
送成本列为我们所要关心的度量值,它属于度量的基本成员。
对于供应链企业来说,客户服务的重要性不言而喻。而服务水平的衡量在于订单执行
的多寡,但企业必须在高库存水准和高订单执行率间作出平衡。如果库存量过高以至于不可
能缺货,那你的库存水平就太高了。这会影响运营成本和所需要储存的空间需求。因此在规
划布置之前,企业会评估自己的库存需求。所以,库存量也成为了物流企业建立库存管理决
策的一个度量,它反映了资金的占用时间,因此它属于度量的基本成员;订货周期是关系到
物流企业的经营状况的衡量指标之一,我们也把它设计成一个度量,且为度量的基本成员。
以上定义了四个度量的基本成员,接下来定义度量的计算成员。
利润是度量的一个计算成员,因为它是由产品销售价格和生产成本计算而得的,我们定
义它为计算成员。在供应链企业管理中,订单是否准确执行在很大程度上受布置的影响。如
果一个订单有非常多货物,一个完善的拣货区域的设置会加强订单的准确性,这当然也依赖
于通过货位管理来确认的实时货物追踪系统。而订单准确率则是物流企业所需要不断提高的
指标之一。所以,这里我们把订单准确率设计成一个度量。又由于它是通过订单的正确数和
订单的总数相除而得到的,所以我们把它称为度量的计算成员。
4.5.3 事实表的设计
在确定了数据仓库中的维度和度量,我们就可以建立基于以上维度和度量的事实表的表结
构。在上面提及的六个维度中,对每个维度,我们选定它的最低的维度的等级的键值,使它
们成为数据仓库的最低粒度的事实表结构的字段。同时,这些维度的等级的键值又分别和它
们各自的维度表相关联。除此之外,数据仓库中的事实表结构还包含了度量的有关信息。一
般情况下,事实表中包含度量的基本成员可以从数据源抽取并整合得到。而对于度量的计算
成员,可以通过对其度量的基本成员,采用多维引擎技术,计算得到。表 4-7 给出了数据仓
库中最低粒度的事实表(基本事实表,即基表)的表结构。数据仓库中存在着多张粒度等级不
同的事实表。它们都是通过对基表进行汇总得到的。这里,就不再一一列出这些事实表的表
结构。4.5.4 多维数据模型的选用
在数据仓库的设计中,多维数据模型的选用直接关系到基于该数据仓库基础上的多维
数据分析的结构。这里我们先分析一下现有的多维数据模型的类型。数据仓库需要面向主题
的模式,便于联机数据分析。多维数据模型就成为适合于数据仓库的数据模型。
多维数据模型有两种常见的类型:星型构架和雪花型构架。考虑到星型模型最适合于数
据集市,对大规模数据有一定的缺点,这是因为在前面我们设计的维度中,有很多维度存在
着很多比较复杂的结构,它们有的还具有多层的层次结构。因此,我们很难将这样的维度只
采用一个关系表的形式表达出来,必须一要将这些维度(如商品维度,运输方式维度)规范化
成多个有外键关联关系的关系表。故我们选择了雪花型结构,如图 4-9 给出了我们所设计的
面向供应链企业库存问题的数据仓库系统雪花型模式的多维数据模型。在雪花型构架中,有
一个或多个维表连接到其他维表上,而不是事实表上。雪花型构架的某些维表是规范化的,
因而把数据进一步分解到附加的维表中。这使得模式图形成类似于雪花的形状。雪花模型增
加了用户必须处理的表数量,增加了某些查询的复杂性。但这种方式可以使系统进一步专业
化和实用化,同时降低了系统的通用程度。前端工具仍然要用户在雪片的逻辑概念上操作,
然后将操作转换为具体的物理模式,从而完成对数据的查询。
4.5.5 多维数据集与数据立方体的建立
一个数据仓库的应用系统必须实现多维数据分析,因为它应能接受多维数据查询,所
以建立多维数据集和数据立方体是必须的。在联机分析处理中,多维数据集是分析的基本单
位,一个多维数据集代表了一个特殊的查询区域。它是一定数目的维度和量度结合而成的整
体的存储单位。在库存管理的数据仓库应用中, 我们根据创建好的维度和量度,可创建面向
库存管理的多维数据集。多维数据集的存储模式三种: 多维OLAP(MOLAP)、关系OLAP(ROLAP)、和混合
OLAP(HOLAP)。我们在系统的设计中,采用的存储模式是ROLAP。又由于我们在多维数据模型
的设计中,选用的是雪花型的模式。所以,在设计好维度,度量和事实表后,就可以建立多
维数据集StocksMD,它与事实表Stocks_fact相对应,与上述我们所创建的维度和度量相联
系。ROLAP 是一种中间服务器,介于关系数据库服务器和前端工具之间。ROLAP是以传统
的关系数据库为基础,存取控制都基于表。ROLAP 不会使源数据的复本存储起来。当结果
无法从聚合或客户端高速缓存派生时,将访问分区的事实数据表以回答查询在ROLAP 存储
模式下查询响应。图4-10给出了ROALP 构架。
为了实现多维分析,我们也需要创建数据立方体,因为多维数据集是以数据立方体的
形式来展现数据的。所以,在系统设计时,根据决策分析的需求,对多维数据集进行不同的
条件限定,可以生成不同的数据立方体。当然,我们可以选择不同的多维数据集,对它们进
行不同多维分析操作,从而从不同的角度去分析产生的的数据立方体,辅助物流行业的决策
者进行决策,如图 4-11, 库存数据仓库的三维立方体。图 4-11 中仅选择了供应商、时间
和产品三个维度,由于视图的限制,无法在图中绘制更多维数据立方体,不过多维立方体与
三维立方体的分析思想是一致的,故以三维示意。48
能保证数据的统一性。目前一致化处理通常采用两种方法:对原有的各个数据库系统的编号
作一致化,或是在数据导入时做统一的编号转换。因为在基于数据仓库的供应链决策系统
中,已经具有了运作良好且庞大的各个不同的数据库管理系统,再对编号进行调整或修改很
困难,所以我们采用后一种方法。首先要详细分析每个系统,确定各个字段的含义;然后要
搞清楚对于同一个主题,每个系统中都有哪些取值,以便定义出数据仓库中表示这些主题的
字段的取值范围;最后创建统一的维代码表。
3) 数据同步性
原有的各个系统在日常工作中都要使用,为防止数据传输过程中数据发生改变,可以在
系统停止时进行数据填充,或在填充时利用数据库表之间的互锁进行并发控制。由于数据填
充一般耗时较长,在对系统 A作数据抽取时,系统 B的数据可能已经改变了,因此为了保
证来自各系统的的查询数据的同步性,对数据仓库作查询的时间精确度要小。比如原有六个
子系统,对每个系统作数据抽取要半个小时,整个数据填充需要三个小时,则对数据仓库的
查询不能精确到小时,只能精确到天,于是数据填充时以“日”为时间单位。当然这对于实
时的操作系统是肯定不行的,但数据仓库主要是为决策者提供支持服务,对时间的要求不是
太高,所以这种方案是可行的。为了保证数据仓库中数据的经常性更新和数据的同步性,我
们让子系统可以修改已经被提取过的数据,具体采取的方法是在子系统数据库中为各个表添
加一个标志列,当某行数据已经被提取后就做上标志,以后当业务处理程序又修改该行时,
看到此标志就要通知数据仓库系统该行被修改,然后由数据提取程序重新提取一遍。尽管这
样要修改各子系统,工作量大;但是可以保证数据的同步性,效果良好。
4) 数据重整
因为子系统的数据可能不符合数据仓库的数据模型,同时各个系统数据的粒度也可能不
同,所以要进行数据重整。比如:主产子系统的统计数据是以天为单位的,而销售于系统的
数据是以周为单位统计的,在数据仓库中就要根据实际情况进行数据重整。如果以天为单
位,则销售子系统中的数据就要分拆,而且来自它的数据仓库中的数据的时间敏感度要降低
到一周前:如果数据仓库是以周为单位,那么提取数据时要对生产子系统的数据按周作合
计。
5) 数据访问控制和安全
供应链决策支持中的数据是企业的核心信息,对于企业的计划制订、政策调整、外部竞
争都非常重要,而且有些信息只能由企业的高层或相关领导才能查阅,所以要控制不同用户
对数据仓库的访问,以防信息流失。同时数据仓库是关于整个企业信息的汇总,它对数据安
全性方面的要求比一般的子系统更高。
首先是防止数据提取程序反过来破坏子系统数据。为了提取数据的方便;数据仓库提
取程序要通过子系统最高保密登记检验,如果出现差错,提取程序就有可能对于系统产生严
重的不可弥补的伤害:其次对用户的保密限制要做得更细,不能只到表一级;数据仓库中许
多表包含各个方面的信息,而某个用户可能只能查询到其中的某个方面或哪个级别的数据粒
度,这样复杂的保密控制要结合企业的实际情况考虑;最后要防止用户过分占用数据仓库资
源;数据仓库的数据量很大,查询的连接多,所以在多用户并行查询时资源比较紧张,这时
可以进行时间段和人数控制,当提交的某个用户的查询涉及到的数据规模太大时,可以拒绝
执行或重新安排时间进行。4.6 数据采集的设计
这一步主要目标就是进行原有数据系统和数据仓库系统之间接口的编程,将数据装入
数据仓库中,并在其上建立决策支持系统。数据装入的过程包括数据抽取(Extraction)、
数据转换 (Transformation) 和数据装载 (load) 的三个阶段,下面结合供应链数据仓库的数据
特点说明在具体实现需要注意的几个方面:
1) 接口的设计
这个接口要将数据从操作型环境装入数据仓库环境,它要求具有的功能包括;从面向应
用和操作的环境生成完整和准确的数据;数据的基于时间的转换;数据的凝聚;对现有记录
系统的有效扫描:符合物理设计的一些因素和技术条件的限制等。接口编程和一般程序设计
类似,有原码开发、编码、编译、检测和调试等步骤,在编程过程要注意保持程序的高效
性、保存完整的程序设计文档,灵活并易于修改。
2) 数据的一致化
数据装人的复杂性主要是由于原有数据库系统的异构性,包括它们之间的物理差异和逻
辑差异;前者源于不同的系统平台、操作系统和数据库系统;后者是源于各个应用中的不同
规定。所以如果不做数据的一致化处理,直接将原有的数据装人到数据仓库中去,那么最终
用于分析的信息将是混乱和错误的。一般情况下,物理差异在数据抽取阶段就应该进行处
理,这时可以充分应用一些计算机软件商提供的现成的应用工具,而逻辑差异就必须在数据
转换阶段开发人员自己解决了。在原有管理系统中,同一种产品具有各自不同的生产编号、
库存编号和销售编号,这样在将数据导人数据仓库时,必须进行一致化处理和数据整合,才4.7 OLAP多维分析
开发此数据展示工具的目的是: 1) 利用本系统的OLAP 分析工具,复杂的分析功能
被简化为直观的操作,鼠标拖放式的数据导航和灵活的OLAP 分析,包括旋转上卷下钻和交
互式图表,同时也可以自定义一些简单的公式作为指标,以定义路径钻取和细节钻取。2)
此分析工具为决策者提供友好的图形界面,为数据探查和决策制定提供了一个直观的环境,
使得各个层次的分析数据都可以流畅的在决策者面前呈现。图4-12就是OLAP 的操作界面,
该界面左上方是指标和维度区,左下方是界面设置区,右侧维数据显示区数据也可用图形如
直方图、饼图、曲线图棒图等,而且表图可以同屏显示。当用户点选每个维度,会树形显示
该维度的各级别成员,用户可将维度或指标拖拉到设置区按查询按钮,系统显示出要分析的
数据和图表,用户就可以对这些数据进行OLAP 操作。
1) 上卷与下钻
在数据展示区的数据表格的行、列标头中出现的 项目,均表示该项目可以进行下
钻。实现按照维度取值的层次关系,逐层展开各个层次实现进一步细致的数据,展现在数据.8 本章小节
本章讨论了库存管理决策的总体设计,包括需求分析, 系统功能设计, 编码规范化
设计等。基于数据仓库的库存管理决策是建立在数据仓库上的库存决策支持系统, 它不仅
包括知识库系统, 人机交互系统以及库存模型系统外, 更重要的是以数据仓库作为数据库
管理系统,并建立多维数据集及数据立方体,用户只要进行一些简单的操作,便使得决策者
得出的数据是经过分析处理的有序, 从而决策更加准确。

随机推荐
电子文件与纸质档案在保护技术上的差异
企业价值观管理的必要性与价值性研究
对声像档案管理工作的加强探讨
论析投资回报率管制模式下电网企业资产管理
关于发挥综合档案馆社会功能的思考
以方永刚价值取向提高公安边防基层政工干部素质的思考
浅析医院人事档案管理的现状
潍坊城市管理模式剖析
中国轿车市场需求分析
文件中心的理论分歧辨析

设为首页 | 关于我们 | 广告联系 | 友情链接 | 版权申明

Copyright 2009-2014 All Right Reserved [粤ICP备05100058号-11]