基于数据挖掘的企业决策支持系统研究

摘要：随着信息技术的发展，企业信息化的程度不断提升，企业间的竞争越发激烈，如何在激烈的市场竞争中进行正确而迅速的决策分析，对企业显得至关重要。而数据挖掘技术将是实现企业决策支持系统的最佳选择，能够满足现代企业的决策需求。

关键词：数据挖掘；企业；决策支持系统

中图分类号：TP18 文献标识码：A 文章编号：1007-9599 （2013） 02-0000-02

1 引言

现代管理理论认为：“现代管理的核心是经营，经营的重点在于决策”。决策已经成为现代企业管理的核心与重点。传统的、凭借个人经验和知识的管理理论、管理方法已经无法满足企业实际发展的需要。只有将现代企业决策理论、科学的决策方法和决策工具有机结合，才能保证企业迅速并正确做出决策。充分利用现代信息技术，为企业决策提供快速准确的决策支持，已成为众多成功企业的共识。

2 传统决策支持系统分析

2.1 决策支持系统。决策支持系统（decision support system，DSS）的概念是美国人在70年代提出来的，它是辅助决策者通过数据库、模型库和知识库，以及人机交互方式进行半结构化或非结构化决策的计算机应用系统。如果说管理信息系统是有效为企业中下层管理者提供决策信息，那么决策支持系统则是向企业的高层管理者提供决策的支持。因此，决策支持系统是管理信息系统（MIS）向更高级发展而产生的。决策支持系统的发展经历了从单机向网络、分布式平台发展的过程，在这个发展过程中，对DSS的开发提出了可重用、分布式应用以及模型跨平台调用等新要求。

2.2 传统决策支持系统的不足。随着企业所面临的市场竞争的加剧，正确而迅速的对市场环境变化做出决策，从海量的数据中有效的提取企业最需要的信息，并进行整合，是所有企业迫切需要的。而传统的决策支持系统不能提供联机服务，使用的数据库系统处理能力低，当数据库中的存档数据信息量大、数据信息跨部门跨系统时，大量辅助于决策的数据不能得到高效的结构化处理。

另外，现有的比较常见的大型数据库系统ORACLE、SYBASE、INFORMIX等虽然都支持多平台，大量访问数据，对于决策支持系统的海量数据数值计算能力还是显得力不从心，因此制约了DSS的持续发展与应用。

随着信息技术飞跃式发展，用于管理和处理信息的技术不断完善。数据仓库发展和应用，OLAP技术以及数据挖掘技术的出现，为解决传统DSS存在的问题提供了“利器”。可以辅助、部分代替甚至为拓展人的智能和决策提供了技术上的支持，完善DSS的应用与发展。

3 数据挖掘在企业DSS中的应用

3.1 数据挖掘。数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含其中的、人们事先不知的、潜在有用的信息和知识的过程。它可以帮助企业对海量数据进行统计、分析、综合和推理，从而利用现有数据预测未来。数据挖掘过程一般主要分为三个主要阶段：数据准备、挖掘操作、结果分析与处理。

3.2 数据挖掘在企业应用领域。目前，数据挖掘在企业应用的领域主要有市场销售分析与预测、生产过程优化、金融风险分析、股票分析和预测、气象预报等。例如针对企业的人力资源管理需求，可以构建本企业的人力资源数据仓，并利用选择树分类器对其进行数据挖掘；针对旅游企业的管理需要，构建旅游企业的数据仓库，并利用决策树分类器挖掘；针对零售连锁业的发展需要，构建连锁超市数据仓库，并通过对其进行数据挖掘实现。

3.3 数据挖掘在企业级的应用分析。企业的经营决策者很关注其客户对企业销售收益的贡献度，通过数据仓库中的客户信息结构化分析，可以将客户进行划分，对不同客户实施不同的优惠政策。给贡献度高的优质客户特殊的待遇或服务，固化这部分客户。

如果通过决策支持系统能够从企业的客户信息和销售信息中分析统计出对企业的销售收入贡献度最高的客户锁定在某一行业，企业便可以对这个行业的客户进行深度挖掘，研究客户的需求，对这一特定的人群提供针对性的优惠政策，开展适合的推广活动来获取更多的相关客户，提高产品的销量，使企业销售收益递增。

数据挖掘的企业级应用目标便是挖掘企业客户的基本需求、偏好、地域等信息与其对企业销售收益贡献之间的直接联系与相关联系。下面将对数据挖掘在企业市场销售预测中的实际应用为例进行分析。

3.3.1 数据准备阶段。在某企业的数据仓库中存储着大量的客户信息和销售信息（以二维表的形式），这些二维表中可以提取和查询客户基本信息和购买信息。通常情况下，客户信息表中主要存放以下信息：客户编号、客户姓名、客户性别、客户地址、客户等级。销售信息表中主要存放客户编号、商品编号、购买时间、购买地点、购买数量、购买单价等相关信息。这也为数据挖掘的进行提供了基本的数据来源。

在数据挖掘前，要对表中的数据进行处理，数据处理的具体工作主要包括以下几个方面：（1）汇总客户的总消费金额。（2）对消费金额进行等级化处理。（3）生成最终的客户购买表。

3.3.2 数据挖掘模型建立阶段。选择数据挖掘工具时，要全面考虑多方面的因素，Ms Analysis Service的数据挖掘工具是个不错的选择，包含了Microsoft决策树和聚集两种数据挖掘算法。针对不同系统的特点应使用不同的数据挖掘算法建模。本例将基于Microsoft决策树算法进行客户消费金额预测。

Microsoft决策树算法是基于分类概念的，用于对离散和连续属性进行预测性建模。算法根据培训集中的数据构造决策树， 特定事例在决策树中构成一个节点，算法也决定了节点所放的位置。

基于Microsoft决策树算法，在构建客户消费金额预测模型时的具体步骤如下：（1）选择业务数据集。本例的业务数据集就是数据准备后得到的成果――“客户消费金额表”。（2）选择关键事例。通常将能够标识不同事例的属性作为关键事例，本例将“客户编号”作为关键事例，用以区分不同客户。（3）选择输入列和可预测列。可以选取结构化的信息作为输入列，本例选择：客户编号、客户性别、客户地址、客户等级等信息作为输入列。而选取消费金额等级作为预测列。（4）生成决策树。对数据进行处理，决策树算法将根据已有数据自上而下生成相应的决策树。决策树算法能够从一个或多个预测变量中，针对类别因变量，预测出个例的趋势变化关系。

3.3.3 结果解释、评价和应用阶段。本例是针对某企业提供的客户相关数据信息，进行客户消费金额挖掘，企业将客户从高到低分为“五级、四级、三级、二级、一级”，通过系统挖掘分析得出以下企业客户和销售收益贡献之间存在的关联关系：（1）客户性别为“女”的，其消费金额要高于男性客户。（2）客户地址为“本市”的，其消费金额远多余非“本市”的客户。（3）信誉等级为“五级”的客户，其消费金额要高于其他等级的客户。

通过观察分析这棵决策树，企业能够更好的抓住客户，赢得客户。

4 结束语

数据挖掘技术为企业决策支持系统的开发、设计、升级更新提供了有效的途径。基于数据挖掘的决策支持系统在技术上有效解决了企业决策难以进行预测和分析的问题。实践表明，数据挖掘技术在企业级的应用给企业带来了巨大的社会效益和经济效益。基于数据挖掘的企业决策支持系统是更高层次上的系统整合，数据来源更广泛，集成度更高，挖掘目标更细化。

参考文献：

[1]李捷.基于数据仓库和数据挖掘的企业决策支持系统研究[J].科技经济市场，2006.