决策支持技术在企业ERP中的研究与应用

论文摘要

信息技术的广泛发展，使得企业信息化建设的步伐越来越快。企业已经不满足于基于业务的简单数据处理，而进一步提出了从数据中发现对其发展有指导意义的知识，即商业智能方面的需求。决策支持的概念正是针对这一需求而提出，它将企业中庞大繁杂的数据转换为知识，进而辅助企业经营决策，甚至自动生成商业决策。因此，决策支持已经成为企业竞相追逐的目标。决策支持技术主要包括数据仓库、OLAP(联机分析处理)、数据挖掘三项。数据仓库整合了分散在企业各个方面的数据，为提供决策准备了大量的有效数据；OLAP提供了从不同的角度分析数据的功能，能为企业经营者提供企业数据的全局视图；数据挖掘从企业数据中找出隐藏在数字背后的有价值的模式和关联，为企业经营者制定决策提供有参考意义的知识。论文以辽宁某印染股份有限公司的实际需求为背景，合理处理历史数据，通过适当的数学模型对数据进行整合，最后使用决策支持的关键技术，构建了历史销量分析模型和新品种收益度预测模型，并将这些模型嵌入到该公司ERP系统中。企业经营者可以使用历史销量分析模型，分析产品的淡旺季、掌握不同客户对不同品种的需求量，从而辅助经营者制定正确的营销战略，如定期促销、联系客户等等。新品种收益度预测模型可用于企业开发新品种之前，对其销售前景、收益程度进行预测，为制定是否开发该新品种的决策提供指导。模型解决了企业经营者制定决策时，仅凭借经验判断，而缺少数据支持这一问题。实践证明，使用模型之后，经营决策的正确率得到很大提高。可见，模型为企业制定正确的发展战略提供强有力的支持。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要工作及组织结构
• 2 决策支持技术概述
• 2.1 数据仓库
• 2.1.1 从数据库到数据仓库
• 2.1.2 数据仓库定义
• 2.1.3 数据仓库特性
• 2.1.4 数据仓库体系结构
• 2.2 OLAP
• 2.2.1 OLAP的定义
• 2.2.2 OLAP的相关概念
• 2.2.3 OLAP的基本数据模式
• 2.2.4 OLAP多维分析操作
• 2.3 数据挖掘
• 2.3.1 数据挖掘概念
• 2.3.2 数据挖掘的目的
• 2.3.3 数据挖掘过程
• 2.4 数据挖掘与数据仓库
• 3 数据挖掘任务及相关算法
• 3.1 关联规则挖掘
• 3.2 聚类分析
• 3.3 分类和预测
• 3.3.1 决策树算法
• 3.3.2 贝叶斯分类
• 3.3.3 神经网络算法
• 3.3.4 三种分类算法的比较
• 3.4 其它数据挖掘任务
• 4 基于OLAP的品种销量分析
• 4.1 应用背景介绍
• 4.2 开发工具介绍
• 4.3 构建数据仓库
• 4.3.1 销量分析的主题
• 4.3.2 数据预处理
• 4.3.3 销量分析的多维数据集
• 4.4 使用OLAP进行数据分析
• 4.4.1 多维数据集的查询语言MDX
• 4.4.2 查询效果示例
• 4.5 销量分析模型的应用
• 4.5.1 客户需求量分析
• 4.5.2 品种淡旺季分析
• 4.6 数据仓库的管理
• 4.7 小结
• 5 基于分类的品种收益前景预测
• 5.1 数据挖据主题
• 5.2 新品种收益预测的数据集
• 5.2.1 数据的选取
• 5.2.2 划分销售等级的数学模型
• 5.3 三种分类算法对比
• 5.3.1 决策树算法构造模型
• 5.3.2 贝叶斯算法构造模型
• 5.3.3 神经网络算法构造模型
• 5.4 结果分析
• 5.5 模型部署
• 5.6 小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢