图片 2

建设诊疗行当运维体系,轻巧产生智慧、精准的田间管理工科夫

图片 1

图片 2

Oracle Financial Services Application(简称OFSA)技术平台:包括Oracle
Warehouse Builder数据仓库构建工具、Oracle8i数据库、Oracle
Express多维数据库、Common Warehouse
Metadata通用数据仓库元数据管理工具、Oracle Internet Develop
Suites商业智能工具集(查询、报表、多维分析、数据挖掘)、Oracle Data Mart
Suites数据集市套件。

随着医改的深入,对加强医疗行业管理,提高医疗质量提出了更高的要求。在为群众提供安全、有效、优质、方便、廉价的医疗卫生服务的总体目标下,医疗行业必须由被动服务向主动服务转变。数商云通过对医疗行业各种信息的积累和挖掘分析,打造了一套医疗行业的运营系统,让医疗企业轻松形成主动智能医疗服务和精准医疗服务的管理能力。

摘要:传统的操作型数据库存在数据分散、数据规范不统一、数据可分析能力较差等缺点,所以论文引入数据仓库技术,在分析其系统体系结构的基础上,提出基于数据仓库的生产物流决策管理系统,同时构建生产物流决策管理系统的数据仓库体系结构,通过对数据仓库的多维分析和数据挖掘形成有效数据,从而有利于生产物流决策管理人员做出科学的决策,提高自身在市场竞争中的地位。
关键词:数据仓库;生产物流;决策管理;数据挖掘引言
决策管理人员在日常管理业务中收集并存储了大量的数据,但却很难掌握到所希望得到的信息,这是因为一方面缺乏足够的信息来支持科学的决策,另一方面,积累的丰富数据没有发挥应有的作用。这是由于涉及的数据量大,且来源广泛,传统的操作型数据库已无法支持生产物流管理系统的分析功能。主要表现在以下几个方面:生产物流决策管理的信息来源不同的数据库,包括生产、配送、仓储等各类数据,这些数据缺乏组织性,存在着许多重复和不一致的地方,同时也蕴涵了不同的业务处理逻辑,传统的操作型数据库难以实行对这些数据的集成;生产物流决策管理的关键是对大量的历史数据进行分析以便于进行决策,而传统的操作型数据库是面向日常业务处理的,要求数据能够快速更新;传统的数据库语言数值计算能力较差,对数据的集成综合处理能力比较薄弱,难以满足生产物流决策管理分析的需求。
数据仓库技术正是为了解决这些问题而产生的,它提供了一种进行分析处理的数据环境:采用全新的数据组织方式,对大量的原始数据进行集中、加工、锤炼和重组并转换成有用的信息,通过分析这些数据使生产物流的信息化建设从支持日常业务操作上升到支持管理层的分析决策。因此本文提出利用数据仓库技术对生产物流过程中存在的各类数据进行分析,建立一个基于数据仓库技术的生产物流决策管理系统,以便于生产物流决策管理人员对自身的经营状况以及整个市场相关行业的发展态势进行深入的分析,进而做出科学的决策,提高自身在市场竞争中的地位。
1 数据仓库技术 1.1 数据仓库基本概念
数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合,用来支持管理人员的决策[1]。由此可见,数据仓库是一种分析型数据库,是与操作系统分离的、基于标准企业模型集成的、带有时间属性的、面向主题以及不可更新的数据集合。它与传统的以单纯支持查询为主的事务型操作数据库有着本质的区别,作为分析处理服务的基础,为制定决策者提供所需的信息。
数据仓库中的数据具备以下四个基本特征:
面向主题的:操作型数据库是面向应用进行数据组织的,而数据仓库中的数据是面向主题的。主题是一个抽象的概念,是在较高层次上将企业信息系统中的数据综合、归类并进行分析利用的抽象。
集成的:操作型数据库通常与某些特定的应用相关,数据库之间相互独立,并且往往是异构的,而数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理而得到的。这种集成包括编码、命名、度量等各个方面的一致性处理。
非易失的:数据仓库中的数据主要用来支持企业的分析决策,因此针对这些数据主要是进行查询操作,一般情况下不会对数据进行修改和更新的,也就是说数据仓库中的数据并不是最新的,而是来源于其他数据源,其反映的是历史信息,即数据仓库中数据是非易失的。而操作型数据库中的数据通常实时更新,数据根据需要及时发生变化。随时间不断变化的:操作型数据库主要关心当前某一个时间段内的数据,所以并不强调一定要有时间信息。数据仓库则不同,出于决策的需要,数据仓库中的数据都要标明时间属性,并随时间不断变化的,主要表现在以下三点:数据仓库会随时间变化不断添加新的数据内容;数据仓库会随时间变化不断导出和删除过期的数据内容;数据仓库中大量的综合数据会随时间变化不断地重新综合。
1.2 数据仓库系统体系结构
一个完整的数据仓库解决方案的系统体系结构中包括:数据源层、数据采集层、数据存储与管理层、应用服务层、门户管理层和最终用户层[2]。如图1所示是数据仓库的层次架构示意图。其中,数据存储与管理层是整个数据仓库的核心,用来存储和管理来自各种源数据系统的数据,并为访问用户提供数据服务。数据采集层主要用来完成数据向数据仓库的抽取、传输、转换和加载,这个过程也叫做ECTL处理,需要配备ECTL服务器完成数据的抽取、传输、转换和加载工作。应用服务层有数据集市模块和各种前端工具,数据集市主要是通过多维数据模型将需要分析的数据进行再次重组,以便满足用户多角度、多层次分析的需求,而前端工具包括各种数据分析工具以及各种基于数据仓库开发的应用技术,主要是对数据进行处理、分析,为管理人员提供决策辅助。
2 基于数据仓库的生产物流决策管理系统 2.1 生产物流决策管理系统
企业的生产物流是指以企业生产所需原材料入库为起点,以企业加工制造的成品入库为终点的整个产品生产所涉及的物流活动[3]。生产物流是制造型企业所特有的物流管理环节,它是与企业生产流程紧密结合,不可分割且同步发生的。而现代生产物流系统主要由管理层、控制层和执行层组成[4]。根据各个层次的不同分工,物流系统对管理层要求具有较高的智能性,能够从大量的数据中进行分析、挖掘、转换和整合,以有利于生产物流决策管理人员对自身的经营状况以及整个市场相关行业的发展态势进行深入的分析。
对于生产物流决策管理来说,生产物流决策管理系统的数据可能来自于各个部门:如仓库、销售、生产以及财务等,这些数据相互独立,是不利于决策者进行查询和分析的。而生产物流决策管理就是以管理科学、运筹学、控制论和行为科学为基础,充分利用计算机技术、人工智能技术、仿真技术和信息技术等,通过利用数据仓库技术对数据进行整合、建模,为决策者提供决策所需的数据、信息和背景材料,帮助明确决策目标和进行问题的识别,提供多种决策的参考方案,并对其进行评价、选优,以利于各个职能管理部门作专题分析和辅助领导层进行决策。
2.2基于数据仓库的系统架构
在系统架构的设计中,主要是通过自底向上的信息探索来分析生产物流各个业务中的数据,包括库存管理数据、配送数据以及生产数据等;同时通过自上而下的业务探索来发现业务分析中最迫切的分析应用,结合数据仓库厂商的逻辑结构,形成生产物流决策管理系统的解决方案[5]。其系统架构如图2所示。基于数据仓库的生产物流决策管理系统工作过程由上而下分成三个部分:源系统数据到数据仓库:源系统包括库存、配送、生产、销售以及财务等系统,通过数据抽取模块,采用数据抽取、挖掘、转换、综合等技术,将不同种类的数据转换成统一的数据仓库元数据,存入到数据仓库中。数据处理:将大量数据仓库元数据利用数据挖掘工具、多维分析工具,建立数据模型、知识库、领域知识库,从而对大量的数据信息进行分类、建模,形成具有指导价值的信息数据。决策者通过人机交互平台进行决策管理:在已有的数据模型、知识库、领域知识库基础上,构建人机交互平台,通过平台,决策管理人员可以方便准确地进行查询、获取到相关的数据信息,进而做出正确的决策。
2.3业务应用
在业务的应用中,经过与业务人员反复地交流,并根据目标的不同,将生产物流决策系统分成三个应用部分:
统计报表主要是面向分析人员,反映生产物流业务中的一些详细情况,使决策分析人员能够沿用原来的分析模式,从而保持使用上的连贯性。
多维分析主要是针对基层分析人员,建立一些分析主题来分析决策分析人员比较关心的问题。如:
客户发展分析:对于生产物流来说,客户是影响利润的一个重要因素,所以从不同层次分析客户,提供更加快捷、周全的服务来增加新客户,以提供生产效率和利润。
市场竞争分析:通过对市场占有率、竞争对手情况等分析来为决策人员提供科学的信息,以提高自身在市场竞争中的地位。部门绩效分析:将生产物流管理策略转化为企业内部各个部门的执行力,通过制定各个部门,包括财务、仓储、配送、生产等方面的考核指标,在统计分析的基础之上形成各个部门的绩效考核体系,通过分析掌握和了解各个部门的执行力度以及效率等情况。
生产利润分析:分析各种产品的产出与投入之比以及发展趋势等。
数据挖掘主要是针对决策分析人员关心的、比较复杂的、模糊的问题,通过数据挖掘模型来进行分析,如:客户价值分析:根据客户与企业之间的关系,衡量客户对整个企业生产效率的贡献度进行分析,包括客户当前价值分析和潜在价值分析等。
业务发展分析:在现有业务的基础之上,如何通过改善管理来发展业务,譬如说如何根据生产节拍,使仓库的供货和库存达到一个平衡,同时也使生产线的排队达到平衡,从而提高物流效率,为进一步业务发展提供科学的依据。
供应商信用度分析:对供应商供应的商品进行质量、时效、质量价格比等进行分析,是衡量供应商供货好坏的一个标准,也是企业选择合作伙伴的一个重要参考指标。
3 结束语
本文引入数据仓库技术,在分析其系统体系结构的基础上,提出基于数据仓库的生产物流决策管理系统,解决基于传统操作型数据库的决策管理系统存在的问题,将分散的、标准不同的、逻辑关系不一致的数据经过分析、抽取、转换、整合到统一的数据仓库中,通过多维分析和数据挖掘,形成生产物流决策管理人员所需要的信息和数据,从而有利于生产物流决策管理人员做出科学的决策,提高自身在市场竞争中的地位。
参考文献: [1] W. H.. Inmon . 数据仓库[M]. 3版.
北京:机械工业出版社,2003. [2] 王彦龙.
企业级数据仓库原理、设计与实践[M]. 北京:电子工业出版社,2006. [3]
张远昌. 生产物流与采购管理[M]. 北京:中国纺织出版社,2004. [4]
王之泰. 新编现代物流学[M]. 北京:首都经济贸易大学出版社,2005. [5]
段云峰. 数据仓库及其在电信领域中的应用[M].
北京:电子工业出版社,2003.(end)

中国的银行业在发展过程中,已逐步积累了大量的客户数据和经营数据。如何利用这些数据,发掘有价值的信息,为今天中国银行业所普遍关心。而解决问题的关键,是建立银行企业级的数据仓库,实现对银行所有经营信息和客户信息的有效存储,并针对银行不同部门的管理决策需要,进行多层次的数据加工处理,满足银行管理决策和客户分析的需要。

方案概述:

Oracle公司作为世界上著名的数据库厂家,一直致力于为企业提供能满足企业竞争需要的数据仓库解决方案。Oracle的数据仓库解决方案包含了数据库平台、开发工具和应用系统。Oracle数据仓库能够帮助企业以多种方式访问存放在不同地点的信息,以便在企业的众多层次上,满足信息检索和商业决策的需求。

数商云开发的医疗行业运营决策系统是通过整合分散在各个系统中的数据,将不同种类的数据进行关联,以数据库、人工智能、数理统计、可视化技术为基础,形成数据挖掘分析能力,建立医疗行业管理以及医疗业务的辅助决策支持系统,对数据进行分析,提取有价值的潜在知识,对管理决策和医疗服务提供支持,从而实现管理维度的多元化、管理粒度的精细化、医疗服务的智慧化,实现医疗成本、医疗质量的双控制,向社会提供最好的服务。

Oracle数据仓库解决方案由下面几个部分组成:

1、医疗行业数据资源目录体系

1.技术平台

根据国家卫计委、省市相关医疗行业信息化建设标准规范,梳理医疗行业各生产业务系统元数据标准、数据交换标准等。主要包括数据分类和归类管理、数据质量标准制订和修订、数据资源目录的管理、数据与业务应用之间的映射关系管理、业务变更和新增业务需求时数据的整合与设计、医疗行业数据总体规划、数据全生命周期的管理、数据管理规范的制订和修订等。

包括Oracle Warehouse Builder数据仓库构建工具、Oracle8i数据库、Oracle
Express多维数据库、Common Warehouse
Metadata通用数据仓库元数据管理工具、Oracle Internet Develop
Suites商业智能工具集(查询、报表、多维分析、数据挖掘)、Oracle Data Mart
Suites数据集市套件。

2、医疗行业数据整合交换平台

2.市场发展分析应用

建设医疗行业数据整合交换平台,将HIS、CIS、LIS、医疗行业运营绩效、人力资源等业务系统数据按照统一数据交换标准,整合到医疗行业数据整合平台,打断各业务系统消息壁垒、解决数据分散存储不能进行综合分析利用的问题。为建设医疗行业综合信息应用数据仓库,全面、深层次进行数据分析利用打下坚实基础。

包括Oracle CRM客户关系管理系统和Oracle Sales Analyzer销售分析系统。

3、医疗行业数据质量控制系统

3.企业运作分析应用

为医疗行业决策支持系统提供良好的数据分析和数据挖掘环境,通过建设医疗行业数据质量控制平台,解决在医疗行业数据整合中会牵涉到医疗行业各方面的信息系统如HIS\RIS\PASC\HR\物流等,医疗行业的信息系统建设时间阔度较长,各业务系统建设标准规范不一致等问题造成的数据质量问题。

包括Oracle Financial Services
Application(OFSA)金融行业策略化管理和决策支持应用系统、Oracle Financial
Analyzer财务分析系统。

4、医疗行业综合信息应用数据仓库

4.商业智能应用