基于醫藥連鎖銷售的決策支持系統設計

摘要：在原企業管理信息系統基礎上，為充分利用日益增長的海量數據，針對其在決策支持方面的不足，提出了一種基于數據倉庫、聯機分析處理和數據挖掘三項技術的銷售決策支持系統。討論了系統總體結構，對系統數據倉庫、多維數據集和數據挖掘模型進行了設計分析。

關鍵詞：決策支持系統；數據倉庫；在線分析處理；數據挖掘；多維表達式

中圖分類號：TP311文獻標識碼：A 文章編號：1009-3044(2008)25-1462-02

Designing for Decision Support System Based on Medicine Selling in Multiple Shops

LIAO Ding-an， LIU Zi-ming

(Department of Information Technology， Changzhou Textile Garment Institute， Changzhou 213164， China)

Abstract: Based on the MIS of enterprise， in order to make use of large amounts of operation data sufficiently，for shortcoming of the decision support in former system， this paper presents a selling decision support systems which is based upon technology of data warehouse， OLAP and data mining. Architecture of the system are discussed. Data warehouse， multidimensional dataset and data mining model are designed and designed.

Key words: decision support systems; data warehouse; OLAP; data mining; MDX

1 引言

現代企業是處于一個競爭時代的企業，其中醫藥銷售行業中的競爭尤為激烈，迫使各傳統藥品銷售企業向連鎖經營轉型，要及時準確的深入掌握企業及下一級經營單位銷售信息，指導企業的運轉，迫切需要一套適合的決策支持系統。20世紀90年代興起的數據倉庫、聯機分析處理和數據挖掘三項技術為決策支持系統開辟了一條從數據中獲取輔助決策信息的新路，它與IDSS的結合將是未來的發展方向。

醫藥公司大多都建立了有效的管理信息系統（Management Information System，MIS），收集了大量的業務數據，MIS在高層決策中顯示了其局限性，不能較好提供輔助決策。同時由于經營轉型，各連鎖分店數據迅速增大了企業原始數據庫，基于數據倉庫的決策支持系統正好利用原始海量數據，快速獲取有用信息，指導企業銷售決策，發掘企業的競爭優勢。建立一個醫藥連鎖銷售決策支持系統（Medicine Catenation Selling Decision Support Systems，MCSDSS）是一項非常有意義的工作。

2 MCSDSS總體結構設計

面向主題的數據倉庫概念的提出，不但為有效地支持企業經營管理決策提供了一個全局一致的數據環境，也為歷史數據和綜合數據的處理提出了一種行之有效的解決辦法；OLAP（Online Analytical Processing，在線分析處理）用于支持復雜的分析操作，側重對分析人員和高層管理人員的決策支持，可以應分析人員的要求快速、靈活地進行大數據量的復雜查詢處理；并將分析查詢結果快速地返回用戶；數據挖掘（Data Mining，DM）從數據倉庫的數據中提取隱藏在內部的信息，幫助決策者尋找數據間潛在的關系，發現被忽略的要素，減少經營風險，作出正確的決策。

MCSDSS對各門店數據和總部數據進行有選擇的清洗、加工和整理、抽取到數據倉庫。然后借助數據倉庫前端工具OLAP和DM，生成多維數據集和挖掘模型。PivotTable Services提供客戶端OLAP數據訪問功能。通過這一服務，Visual Basic 6.0開發的客戶端交互控制系統給用戶展示數據挖掘結果，以不同方式、多角度顯示多維數據集結果，以及各種數據報表。系統體系結構如圖1所示：

■

圖1 系統體系結構圖

3 MCSDSS數據倉庫設計

數據倉庫是按主題來組織數據的，主題是在較高層次將數據歸類。MIS系統同樣提供日常進銷存業務、商品帳、結余分析、自動生成采購計劃等。但在分析大量數據時，其響應速度偏慢，而且在決策支持方面體現了明顯的不足。為了更好的支持高層決策，還需要更深層次的分析，例如：

1) 針對每一年、季度、月份做銷售業績統計分析；

2) 針對每個地區或城市做銷售業績分析；

3) 針對每個連鎖店做銷售業績對比分析；

4) 針對每個商品或每類商品做銷售分析。

針對以上信息需求，數據倉庫圍繞銷售主題建立，共五個維度支持這一主題的分析和挖掘。其數據概念模型為多維數據模型，在關系數據庫中，采用兩種表來表達多維信息，維表記錄多維數據庫中的維度，事實表記錄多維數據立方體各個維度的交點的度量值。維表和事實表之間通過關系數據庫中的外鍵建立聯系。醫藥銷售決策支持系統中最關注的是商品的銷售，因此將銷售信息作為事實表，與之關聯的多個維度表有：時間維表、個體客戶維表、大客戶維表、藥品信息維表、供應商維表。

3.1 事實表和維表設計

事實表最顯著的特征就是記錄數量很多，它除了度量變量外，其他字段都是同維表的關鍵字，如果事實相關的維度很多，則事實表的字段數也會比較多，所以我們在設計時應盡量減小一條記錄的長度，只有這樣才能避免事實表過大而難于管理。事實表如表1所示。

維表是通過記錄因素的屬性來描述事件中包含的諸多因素。比如，銷售事件中涉及的時間因素，我們可以建立年、季度、月這樣的層次信息來描述時間的屬性。維表的本質是多維分析空間在某個角度上的投影，多個維表共同建立一個多維的分析空間。主要維表有T_Time_Dim（時間維表）、T_Drug_Dim（藥品維表）、T_PersonCustomer_Dim（個體客戶維表）、T_GroupCustomer_Dim（大客戶維表）、T_Provider_Dim（供應商維表）等。

3.2 OLAP多維數據集設計

OLAP的目的是通過提供給用戶從多種角度和多種層次，快速、穩定、交互地存取數據，以便深入觀察數據，實現基于數據分析、統計、查詢和服務等技術。OLAP的基礎是多維數據集。事實表中每條記錄都包含指向各個維表的外鍵、綜合成本價、銷售量、累計銷售金額。通過對各維度表設置維度的層次建立了一個“Sales”多維數據集。“Sales”多維數據集不但可以針對每一年、季度、月份做銷售業績統計分析，而且可以針對每個連鎖店做銷售業績對比分析等，以真正實現多角度深入的觀察數據。計算成員profit= SumPrices- Sells*Cost（利潤=銷售額-銷售量×綜合成本價）從不同角度層次提供銷售利潤分析。其中個體客戶維度主要針對零售的會員卡客戶，非會員卡客戶用統一的自定義符號串代表為一類。而大客戶維度則是針對分析各藥店和醫院客戶。各維度對應維度層次結構如表2所示。

4 數據挖掘模型設計

數據挖掘是一種決策支持過程，是基于人工智能、機器學習、統計學等技術，高度自動化地分析企業收集的數據，進行歸納性的推理，從中挖掘出潛在的模式，預測客戶的行為，幫助決策者調整銷售策略，減少經營風險，作出正確的決策。

SQL Server 2000數據倉庫提供兩種數據挖掘技術：Microsoft 決策樹和Microsoft 聚集。Microsoft 決策樹算法選擇數據中的顯著特征，并根據這些特征縮小數據集，直到建立清晰的相關性，用于根據源數據中的信息做出明確的預測；聚集查找多維空間中數據的自然分組，用于查看數據的一般分組。

系統提供決策樹模型customer patterns，用于分析大客戶目標類的藥品偏好，對于銷售量最大，創造利潤最多的重點客戶分析其銷售額占一定比例以上的藥品，確定重點客戶的偏好，以提供客戶服務；聚類分析，在沒預先確定特征化目標的前提下，將重點客戶的銷售數據進行適當的聚類分析，可以獲得許多信息，聚集模型Customer segmentation分析哪些大客戶，哪些地區偏好哪種藥品同時根據歷史數據，分析客戶和產品銷售隨時變化的群體趨勢，包括分析對于時間相關的數據特征，以便保留已有客戶和發展新客戶。

5 結束語

醫藥銷售決策支持系統能為藥品經營企業提供科學的管理模式和手段，此系統的設計基礎是湖南某醫藥公司基本業務信息管理系統。下一步要做的工作是開發具有智能的、決策能力更強的綜合合決策支持系統。

參考文獻：

[1] 陳文偉. 決策支持系統教程[M].北京:清華大學出版社，2004.

[2] 林宇，等. 數據倉庫原理與實踐[M].人民郵電出版社，2003.

[3] 長城工作室數據組.SQL Server 2000高級應用[M].人民郵電出版社，2001.

[4] 林劍廣，鄔義杰.基于數據倉庫的商業營銷決策支持系統開發[J].計算機應用與軟件，2004，21(2):39-40，116.

[5] 陳德軍，盛翊智，陳綿云.基于數據倉庫的OLAP在DSS中的應用[J].計算機工程與應用，2003，(01):30-31，61.

[6] 劉智，桑國明，張維石.一種基于DW+OLAP+DM的連鎖銷售決策支持系統模型[J].交通與計算機，2005，23(2):53-55.基于醫藥連鎖銷售的決策支持系統設計

廖定安，劉子明

（常州紡織服裝職業技術學院，江蘇 常州 213164）

摘要：在原企業管理信息系統基礎上，為充分利用日益增長的海量數據，針對其在決策支持方面的不足，提出了一種基于數據倉庫、聯機分析處理和數據挖掘三項技術的銷售決策支持系統。討論了系統總體結構，對系統數據倉庫、多維數據集和數據挖掘模型進行了設計分析。

關鍵詞：決策支持系統；數據倉庫；在線分析處理；數據挖掘；多維表達式

中圖分類號：TP311文獻標識碼：A 文章編號：1009-3044(2008)25-1462-02

Designing for Decision Support System Based on Medicine Selling in Multiple Shops

LIAO Ding-an， LIU Zi-ming

(Department of Information Technology， Changzhou Textile Garment Institute， Changzhou 213164， China)

Abstract: Based on the MIS of enterprise， in order to make use of large amounts of operation data sufficiently，for shortcoming of the decision support in former system， this paper presents a selling decision support systems which is based upon technology of data warehouse， OLAP and data mining. Architecture of the system are discussed. Data warehouse， multidimensional dataset and data mining model are designed and designed.

Key words: decision support systems; data warehouse; OLAP; data mining; MDX

1 引言

現代企業是處于一個競爭時代的企業，其中醫藥銷售行業中的競爭尤為激烈，迫使各傳統藥品銷售企業向連鎖經營轉型，要及時準確的深入掌握企業及下一級經營單位銷售信息，指導企業的運轉，迫切需要一套適合的決策支持系統。20世紀90年代興起的數據倉庫、聯機分析處理和數據挖掘三項技術為決策支持系統開辟了一條從數據中獲取輔助決策信息的新路，它與IDSS的結合將是未來的發展方向。

醫藥公司大多都建立了有效的管理信息系統（Management Information System，MIS），收集了大量的業務數據，MIS在高層決策中顯示了其局限性，不能較好提供輔助決策。同時由于經營轉型，各連鎖分店數據迅速增大了企業原始數據庫，基于數據倉庫的決策支持系統正好利用原始海量數據，快速獲取有用信息，指導企業銷售決策，發掘企業的競爭優勢。建立一個醫藥連鎖銷售決策支持系統（Medicine Catenation Selling Decision Support Systems，MCSDSS）是一項非常有意義的工作。

2 MCSDSS總體結構設計

面向主題的數據倉庫概念的提出，不但為有效地支持企業經營管理決策提供了一個全局一致的數據環境，也為歷史數據和綜合數據的處理提出了一種行之有效的解決辦法；OLAP（Online Analytical Processing，在線分析處理）用于支持復雜的分析操作，側重對分析人員和高層管理人員的決策支持，可以應分析人員的要求快速、靈活地進行大數據量的復雜查詢處理；并將分析查詢結果快速地返回用戶；數據挖掘（Data Mining，DM）從數據倉庫的數據中提取隱藏在內部的信息，幫助決策者尋找數據間潛在的關系，發現被忽略的要素，減少經營風險，作出正確的決策。

MCSDSS對各門店數據和總部數據進行有選擇的清洗、加工和整理、抽取到數據倉庫。然后借助數據倉庫前端工具OLAP和DM，生成多維數據集和挖掘模型。PivotTable Services提供客戶端OLAP數據訪問功能。通過這一服務，Visual Basic 6.0開發的客戶端交互控制系統給用戶展示數據挖掘結果，以不同方式、多角度顯示多維數據集結果，以及各種數據報表。系統體系結構如圖1所示：

■

圖1 系統體系結構圖

3 MCSDSS數據倉庫設計

數據倉庫是按主題來組織數據的，主題是在較高層次將數據歸類。MIS系統同樣提供日常進銷存業務、商品帳、結余分析、自動生成采購計劃等。但在分析大量數據時，其響應速度偏慢，而且在決策支持方面體現了明顯的不足。為了更好的支持高層決策，還需要更深層次的分析，例如：

1) 針對每一年、季度、月份做銷售業績統計分析；

2) 針對每個地區或城市做銷售業績分析；

3) 針對每個連鎖店做銷售業績對比分析；

4) 針對每個商品或每類商品做銷售分析。

針對以上信息需求，數據倉庫圍繞銷售主題建立，共五個維度支持這一主題的分析和挖掘。其數據概念模型為多維數據模型，在關系數據庫中，采用兩種表來表達多維信息，維表記錄多維數據庫中的維度，事實表記錄多維數據立方體各個維度的交點的度量值。維表和事實表之間通過關系數據庫中的外鍵建立聯系。醫藥銷售決策支持系統中最關注的是商品的銷售，因此將銷售信息作為事實表，與之關聯的多個維度表有：時間維表、個體客戶維表、大客戶維表、藥品信息維表、供應商維表。

3.1 事實表和維表設計

事實表最顯著的特征就是記錄數量很多，它除了度量變量外，其他字段都是同維表的關鍵字，如果事實相關的維度很多，則事實表的字段數也會比較多，所以我們在設計時應盡量減小一條記錄的長度，只有這樣才能避免事實表過大而難于管理。事實表如表1所示。

維表是通過記錄因素的屬性來描述事件中包含的諸多因素。比如，銷售事件中涉及的時間因素，我們可以建立年、季度、月這樣的層次信息來描述時間的屬性。維表的本質是多維分析空間在某個角度上的投影，多個維表共同建立一個多維的分析空間。主要維表有T_Time_Dim（時間維表）、T_Drug_Dim（藥品維表）、T_PersonCustomer_Dim（個體客戶維表）、T_GroupCustomer_Dim（大客戶維表）、T_Provider_Dim（供應商維表）等。

3.2 OLAP多維數據集設計

OLAP的目的是通過提供給用戶從多種角度和多種層次，快速、穩定、交互地存取數據，以便深入觀察數據，實現基于數據分析、統計、查詢和服務等技術。OLAP的基礎是多維數據集。事實表中每條記錄都包含指向各個維表的外鍵、綜合成本價、銷售量、累計銷售金額。通過對各維度表設置維度的層次建立了一個“Sales”多維數據集。“Sales”多維數據集不但可以針對每一年、季度、月份做銷售業績統計分析，而且可以針對每個連鎖店做銷售業績對比分析等，以真正實現多角度深入的觀察數據。計算成員profit= SumPrices- Sells*Cost（利潤=銷售額-銷售量×綜合成本價）從不同角度層次提供銷售利潤分析。其中個體客戶維度主要針對零售的會員卡客戶，非會員卡客戶用統一的自定義符號串代表為一類。而大客戶維度則是針對分析各藥店和醫院客戶。各維度對應維度層次結構如表2所示。

4 數據挖掘模型設計

數據挖掘是一種決策支持過程，是基于人工智能、機器學習、統計學等技術，高度自動化地分析企業收集的數據，進行歸納性的推理，從中挖掘出潛在的模式，預測客戶的行為，幫助決策者調整銷售策略，減少經營風險，作出正確的決策。

SQL Server 2000數據倉庫提供兩種數據挖掘技術：Microsoft 決策樹和Microsoft 聚集。Microsoft 決策樹算法選擇數據中的顯著特征，并根據這些特征縮小數據集，直到建立清晰的相關性，用于根據源數據中的信息做出明確的預測；聚集查找多維空間中數據的自然分組，用于查看數據的一般分組。

系統提供決策樹模型customer patterns，用于分析大客戶目標類的藥品偏好，對于銷售量最大，創造利潤最多的重點客戶分析其銷售額占一定比例以上的藥品，確定重點客戶的偏好，以提供客戶服務；聚類分析，在沒預先確定特征化目標的前提下，將重點客戶的銷售數據進行適當的聚類分析，可以獲得許多信息，聚集模型Customer segmentation分析哪些大客戶，哪些地區偏好哪種藥品同時根據歷史數據，分析客戶和產品銷售隨時變化的群體趨勢，包括分析對于時間相關的數據特征，以便保留已有客戶和發展新客戶。

5 結束語

醫藥銷售決策支持系統能為藥品經營企業提供科學的管理模式和手段，此系統的設計基礎是湖南某醫藥公司基本業務信息管理系統。下一步要做的工作是開發具有智能的、決策能力更強的綜合合決策支持系統。

參考文獻：

[1] 陳文偉. 決策支持系統教程[M].北京:清華大學出版社，2004.

[2] 林宇，等. 數據倉庫原理與實踐[M].人民郵電出版社，2003.

[3] 長城工作室數據組.SQL Server 2000高級應用[M].人民郵電出版社，2001.

[4] 林劍廣，鄔義杰.基于數據倉庫的商業營銷決策支持系統開發[J].計算機應用與軟件，2004，21(2):39-40，116.

[5] 陳德軍，盛翊智，陳綿云.基于數據倉庫的OLAP在DSS中的應用[J].計算機工程與應用，2003，(01):30-31，61.

[6] 劉智，桑國明，張維石.一種基于DW+OLAP+DM的連鎖銷售決策支持系統模型[J].交通與計算機，2005，23(2):53-55.