基于数据仓库的企业营销决策系统研究与设计

2019-11-29孙全建张云霞

科技传播 2019年16期

张坤，赵刚，孙全建，张云霞

随着市场竞争的激烈程度不断加大，企业营销信息面临着急速的增长，在信息瞬间变化的时代，营销问题变得更加复杂化，如何提高企业营销决策的质量，已经成为当前企业营销管理中不得不解决的问题。在目前情况下，企业基本都建立了相应的业务和管理等系统，但是由于历史原因导致这些系统缺乏统一的规划，并不能够满足整体信息化建设的特点，而且数据不一致、不完整，数据冗余度较高。利用数据仓库、联机分析处理和数据挖掘等技术，依托相关决策支持系统，这对企业营销决策活动，具有非常重要的作用。

1 我国目前企业营销行业现状分析

从改革开放以来，我国的市场环境在不断的发生着变化，企业的管理体制和运行方式都发生了很大的变化，市场对资源配置所表现出的调节作用也越来越明显。随着我国对外开放力度的不断加大以及当今计算机信息技术的快速发展，企业的传统营销模式已经不能够满足当前社会发展的需求，传统的营销策略也已经不能够满足企业的发展需求。

在当今信息化的时代，中国企业已经融入到了世界市场的规则体系之中，越来越多新的营销理念被带入到中国的企业中，在互联网信息技术的支持下，企业的营销手段、内容以及形式都已经离不开科学的决策系统支持，面对日益增长的市场营销信息数据，企业想要更好的利用这些数据，就需要建立相应的信息管理系统。随着数据挖掘技术的不断普及和应用，企业对于信息数据的处理能力也在不断的增加，通过与相关的计算机信息技术相结合，大多数企业都已经建立了基于数据仓库的企业营销决策系统。依靠目前先进的科学技术，基于数据仓库、数据挖掘和联机分析处理技术，构建相关的企业营销决策系统，对企业的发展具有极大的意义。

2 数据仓库的概念以及相关阐述

数据仓库可以说是一种管理技术，它能够将企业中不同应用系统的数据收集在一起，作为决策支持数据模型的物理实现，能够为决策者提供各种类型的、有效的数据分析，从而为决策者决策提供支持。数据仓库通常也被看作一种体系结构，关于数据仓库最经典的概念是由国外一位学者提出的：“数据仓库是一种数据集合，它具有面向主题、集成和稳定的特点，能够在经营管理中，支持决策者进行相关决策制定的过程[1]。”

1）与传统的事务驱动以及数据处理方式不同，数据仓库的特点是数据驱动和面向主题。数据仓库中的数据是以一种集成化的方式存在，外部的数据要进行集成操作才能进入数据仓库内部。为了保持在数据仓库储存的一致性，数据仓库中反应的是加工后的历史数据，所以其具有很好的稳定性。并且缓慢变化维能够非常有效的解决时间变化对数据分析的不利影响。

2）构建数据仓库的过程中，系统会会对相关的业务、专卖、管理和消费者等数据进行建模，对现对客观对象进行抽象处理就会得到这些数据模型。其构建过程中的数据模型包括概念模型、逻辑模型、计算机模型以及数据模型和粒度模型。

概念模型也可以叫作业务模型，它是由相关用户，和不同领域的专家共同提出的业务需求分析的结果。逻辑模型就是根据决策系统的实际需求，对数据库进行逻辑关系模型的构建，从而确定数据库相关物体之间的关系。

3）数据仓库具有强烈的工程性，从技术角度上，数据的抽取、存储与管理和数据的表现是其关键技术。数据从业务系统进入到数据仓库必须经历数据抽这一步骤，其过程是将各个相关数据库的数据进行抽取，最后引入到数据仓库中来，其中数据抽取功能可以定时进行。数据仓库是以多维的方式进行组织和储存数据的，模式的不同，不同的数据仓库的效率以及对外的表现形式也就不同。

3 关于联机分析处理和数据挖掘技术相关阐述

1）联机分析处理技术是一种软件技术，对于原始的数据，分析人员、管理人员或者执行人员能够从多角度转化出能够被用户所理解的、并真实反映企业情况的信息，而联机分析处理能够将这些信息快速、一致、交互的存取，从而更深入了解获得的相关数据。星形模式、雪花模式和星座模式是OLAP 的主要数据模式。星形模式是一种多维结构，而雪花模式的维呈现出层次性，即维具有一定的深度。雪花模式相比较于星形模式，其更具有复杂性，但对于数据分析和决策更加有效[2]。星座模式和星形模式有很大的关系，其是通过共享维将多个星形模式连接在一起，进而表示出多个事实间的关系。

2）在一些利用传统方法难以处理的数据中，通过使用数据挖掘技术，相关人员能够得到有价值的信息。数据挖掘能够处理海量的数据。在数据挖掘中，依据大样本的统计规律可以发现相应的规则，规则的成立需要置信度达到所要求的阈值。利用数据挖掘技术得到的信息是不能预知的。关联分析、分类和聚类法是数据挖掘的3 种类型，不同的类型具有不同的多样的算法，通过使用这些类型的算法可以创建相应的挖掘模型。

数据挖掘的过程具有一定的完整性，通过从大型数据库中挖掘出有价值的信息，帮助用户来做出相关决策或者丰富用户的知识。

4 关于决策支持系统的概念和相关阐述

决策支持技术是依据相关的管理信息技术而发展起来的一种技术，它融合了计算机技术以及管理科学和组织理论等于一体，该技术主要应用于半结构化和非结构化的决策问题，能够支持中高级决策者进行决策活动[3]。决策支持系统能够提供一个适宜的工作环境，在该环境下，知识性、创造性和信息处理能力等相结合在一起，从而帮助决策者对问题进行分析作出相应的决策。

决策支持系统由多种部件组成，其中包括由对话部件，也可以称作人机交互系统；数据部件，也可以称作数据库管理系统和数据库；模型部件和方法库部件；规则部件控制系统和用户。

以数据仓库为基础的企业营销决策支持系统，首先为企业建立相关的数据仓库，在进行数据操作时，该系统能够分开操作型数据和分析型数据，接着再利用联机分析处理和数据挖掘两种技术，进一步挖掘出相应的辅助决策信息。

5 基于数据仓库的企业营销决策系统的构建

1）数据仓库设计与实现。通过利用Web 技术和数据仓库两者的结合，在对数据仓库进行应用设计时，有关人员能够有效的扩展其使用的范围。在设计数据仓库时，可以从需求、模型和物理三个层次来进行相应设计工作。在需求分析中，供应链管理是其比较突出的特点，其对象主要面对客户和各种成本。因为数据仓库是面向主题的，所以在模型设计上首先要进行主题选取，而对于企业在经营中所依靠的决策支持系统来说，该系统的主体包括市场、品牌、营销、专卖等信息。

（1）根据市场信息这个主题建立的数据库，涉及到目标市场和客户信息等。（2）以品牌为主题的数据库，该数据库用来描述产品的信息，进行产品的相关分析。（3）根据营销这个主题建立的数据库，可以用于决策者对货源组织、订单和合同等方面的管理。（4）根据专卖这个主题建立的数据库，该数据库支持给最小市场贴标签等功能。

进行数据仓库逻辑设计时，对于数据进行分析，需要进行大量的联机分析处理操作，这时候在对多维数据模型进行描述可以采用星形数据模式来描述。在设计时为了实现系统的模块化，应该尽可能的选择使用维表中的共享维表。

2）OLAP 设计和给予数据仓库的数据挖掘。联机分析处理能够对数据仓库中数据进行切片、切块等操作，并进行动态实时多维的分析，用户可以从多种渠道来分析这些数据。多维数据组织存在于星型结构中，并和联机分析处理相互作用。数据挖掘的主要对象是数据仓库或者大型的数据库，数据挖掘的分析过程可以通过准备数据、挖掘数据和表示及验证数据4 方面来实现，对原始数据进行提取、集中、分析等操作，发现有价值的信息和知识。