面向数据仓库技术的财务决策支持系统研究

1、引言

决策支持系统(DSS)是在管理信息系统的基础上发展起来的，弥补了管理信息系统的不足，适应了人们对于信息管理向智能化方面的发展。DSS可以为决策者提供及时、准确、科学的决策信息，但传统的DSS存在许多不足，做出的决策常被有经验的决策者否定，使决策者对DSS产生不信任感。分析原因有以下几个方面：(1)决策支持涉及大量历史数据和半结构化问题，在传统数据库管理系统基础上建立决策支持系统只能提供辅助决策过程中的数据级支持，难以求解复杂的半结构化决策问题；(2)决策支持系统以集成数据为基础，然而现实中的数据往往分散管理且大多分布于异构的数据平台，数据集成不易；(3)决策支持系统的建立需要对数据、模型、知识和接口进行集成，数据库语言数值计算能力较低，因而采用数据库管理技术建立决策支持系统知识表达和知识综合能力比较薄弱，难以满足人们日益提高的决策要求。

随着数据仓库和联机分析处理(OLAP)技术及数据挖掘(DM)技术的研究和开发热潮，这为克服传统DSS存在的问题提供了技术上的支持，使DSS的发展跃上一个新的台阶，也为DSS开辟了一条新的途径。基于数据仓库和数据挖掘技术的DSS具有比较强的学习功能，能够利用现有的数据进行数据挖掘获取新的有用的信息。

2、传统财务决策分析存在的主要问题

目前，财务部门所保存的数据一般只有静态的报表价值，这显然和决策者依据财务数据进行决策的要求不相适应。传统财务数据分析结果的不足之处主要表现为：一是技术落后，财务数据分析结果通常为固定的报表样式，而且往往不能及时根据决策层的需要灵活改动，不适应决策者的需要；二是财务数据分析结果在时间、空间上没有连续性；三是财务人员工作量大，效率低，数据准确性差；四是分析范围较窄，不能与其他部门，如生产部门、计划统计部门、仓储部门等业务部门联合起来进行综合分析。

3、财务决策支持系统

财务决策支持系统需要的信息是通过日常业务数据所体现的整体趋势，或随时间变化而表现出来的变化趋势，必须对业务数据进行分类、析取、归纳、加工等处理才能得到这些信息。对数据信息的这些要求决定了财务决策支持系统的数据库有别于普通的业务数据库，因此，决策支持系统的建立是以数据仓库为基础。

3.1系统功能分析

典型的财务决策问题有：投资决策、筹资决策、成本决策、销售决策等。传统的财务决策系统是一个金字塔形的结构，低层是会计核算，中间是财务管理，顶层是财务决策。在会计层，它完成会计原始数据的收集、记账、算账和报账的业务处理后输出会计信息，同时将会计基础信息传输到管理层。在管理层，进行会计基础信息的分析，并将分析结果输出的同时，再送给决策层。在决策层，根据会计分析信息和其它管理信息进行预测、判断和决策，然后将决策方案下达到管理层。在管理层进行指标分解，编制财务计划，再下达到核算层，并对核算层的执行过程进行控制。

3.2系统实现结构

根据上述分析，面向数据仓库技术的财务决策支持系统是以企业的财务及其相关数据为依据，运用数据仓库技术，对企业的财务状况和经营成果进行剖析、研究和评价，为企业内外有关方面的决策和管理提供服务的智能分析系统。该系统可将企业大量复杂的历史数据加以采集整理，并按决策者的需求，灵活地展现出来。决策者可以从多个角度、以多种不同的形式，如动态表格、动态图形或图表，连续地展现所需财务信息，供决策支持。

财务决策支持系统实现结构如图1所示。第一个层次是数据仓库，它是决策支持的基础，通过它提供基础会计信息；第二个层次是分析工具，由OLAP和DM等构成，该层完成数据分析和知识发现；第三个层次是应用层，由专家系统构成，完成财务决策。

3.3系统结构特点

(1)实现数据的一致性和规范性。在传统的业务系统中很难将业务数据按照相同的标准整合在一起进行分析和处理，因而无法获得合理的分析结果。在构建数据仓库的过程中，要充分考虑数据的不一致性问题，将业务系统中不一致性问题，根据数据一致性、规范性原则迁移到数据仓库中，从而保证数据仓库中数据的完全一致，这对做出正确的决策是至关重要的。数据仓库自底层数据库收集大量事务级数据的同时，对数据采集、数据清洗、转换，数据存储形成面向全局的数据视图，从而形成将来进行数据分析的基础数据库。

(2)实现历史数据的充分利用。大量的历史数据在决策中起着非常关键的作用，因为只有充分利用历史数据才能准确地进行各种趋势分析。在传统的业务系统中，历史数据大多被存储在磁带、光盘中，要查询一次历史数据是费时、费力的事情，况且，各年的数据可能存储在不同的介质上，在这样的系统上如果想对历年的数据进行分析将非常困难。数据仓库中主要存储的就是历史数据和大量的汇总数据，因而基于历史数据的分析在数据仓库系统中则显得易如反掌。

(3)实现了数据的多维分析。对于一个建设数据仓库的单位来说，仅仅拥有数据仓库，而没有高效的数据分析手段，就难以提高数据仓库中数据的利用率。数据仓库中巨大的数据量，如果缺乏相应的查询、报表和分析工具，数据仓库就可能变成“数据孤岛”。因此，一套功能强、效率高的即时查询分析工具也是必不可少的。OLAP从DW集成数据出发，用户可以使用不同的方法，从不同的角度对数据进行分析，实现分析方法和数据结构的分离。它可以给出数据仓库中数据的多维视图，完成交互查询，生成汇总数据并实现每一维上的统计分析，以数据方式和多种图形方式显示分析结果。通过OLAP的基本操作，如切片、切块、上卷、钻透和旋转，从而使系统能够提供用户诸如时间序列分析等财务分析功能。

(4)实现了数据动态、高效的分析。由于数据仓库包含了大量的历史数据，其将整个财务部门的所有财务资源汇聚到一起，决策者可以根据自己的需求，多视角、实时地分析本单位经营运作状况，动态地看到各种可能的信息视图。定期的数据更新保证了展现在决策者面前的报表是建立在实时的、动态变化的数据基础之上，从而也保证了决策者所作的决策是对现实情况的充分考虑之后得出的。同时，决策分析主要是针对各种汇总数据进行的，而业务系统中存储的都是具体数据，因而在进行数据分析时，势必要现场进行大量的计算，在基于数据仓库进行分析时，因为数据仓库中己存储了大量经过聚集的数据，所以效率将会显著提高。

3.4系统实施过程

(1)数据的采集口系统的数据来自财务部门的信息库，数据源形式多样，主要有来自各业务数据库的数据(ACESS、ORACLE、INFORMIX等)和电子表格(EXCEL、UFO等)的数据。

(2)数据清洗和转换。在采集到足够的数据后，根据用户的需要，全面分析与决策支持系统相关的各个系统及原始数据，确定从哪些系统中提取数据，进行整理、转换，统一它们的格式，为后面对这些数据进行分析做好准备。

(3)数据存储。将上一步中经过整理的有用的数据进行存储，集成到数据仓库环境中，避免了财务分析在时间和空间上的不一致性，提高了分析的准确度和及时性。

(4)财务分析模型及其管理。模型库中的模型可分为两类：通用模型与专用模型。其中通用模型也可以看作一系列的基本方法，主要包括简单移动平均、一次指数平滑、二次指数平滑、一元线性回归、多元线性回归等；主要分析方法包括比较分析法、比率分析法、结构分析法、趋势分析法、综合分析法等。对于每一种方法，是对系统中财务指标进行预测的通用模型，可以适用于多个指标的预测，适用与否主要看指标预测条件和模型的适用条件是否相符。专用模型则只适用于一个指标的预测。

由于通用模型的方法较多，系统用产生式规则来实现预测模型的自动选择。模型的有关特征可以用关系数据库存储为记录的形式，形成规则库。通过人机对话系统，用户进行模型的特征选择，每选择一次，即可提取一组模型的特征值，然后用该组特征值去与规则库中的规则进行匹配，即可得到相应的模型。

(5)决策分析。联机分析技术和数据挖掘技术都是数据仓库的工具，联机分析技术集中于数据的分析，提供多维数据分析、纵向钻取，支持实时数据的切片、旋转功能，能够引导用户对数据从不同层次上进行观察分析，对于同一层次的数据提供组织数据视图的工具，引导用户从不同视角上对同一层次数据进行分析，层次分析与角度分析交互进行，允许用户利用动态表格、动态图形或图表决策分析，同时，通过OLAP可从数据仓库中提取综合数据和信息，产生出新的规则、方法和模型，结果放入规则库、方法库和模型库；数据挖掘技术则致力于知识的自动发现，即从内部获取知识，同时通过专家系统从外部获取专家经验，由推理机制实现了内、外部知识的结合应用，为决策提供辅助性的分析。

4、结束语

系统的整个框架是在数据仓库技术、联机分析技术和数据挖掘技术的基础上形成的。将数据仓库技术应用于财务决策支持系统，不仅具有传统的DSS功能，而且通过使用数据仓库的联机分析技术和数据挖掘技术强化了DSS的智能功能。数据仓库技术作为企业信息化的解决方案，是信息技术在企业管理现代化实现过程中的有效手段和重要途径。

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。