基于商业智能的高校财务预警系统研究(2)

　　高校数据仓库的目的是通过对整个高校的相关数据进行梳理，构建一个体系化的数据存储环境，把大量分散复杂的数据转化成集成的、统一的信息，将正确的信息方便、准确地传递给需要的人。数据仓库与传统的数据库的最大区别在于传统的数据库是未经整理的一堆杂乱数据，而数据仓库是经过整理、规划过的系统数据库的子集合。数据仓库可以使高校面对大量的错综复杂的数据进行灵活的处理，为内部各个信息使用者提供他们所需要的有效信息。
　　1.数据仓库概念模型的设计
　　数据仓库的概念模型主要任务是界定系统边界和确定主题域及内容，星形概念模式是由一个事实表和一组维表组成，是一种多维的数据关系，相对于别的概念模型来说，星型虽然不节省空间，但是操作相对简单，所以创建高校数据仓库的概念模型采用星型。
　　高校各类指标的多维分析是商业智能技术构建高校财务预警的核心问题，所以在设计概念模型时，应选择财务指标作为数据仓库的主题，并以这一主题建立事实表，然后从高校财务分析的角度来确定维度，如时间、项目、部门等。各高校可以根据自身的情况来设定维度，文章根据自身了解的情况拟设了六个维度作为介绍：院级单位、项目、部门、指标、往来单位、时间。星型结构设计如图2。
　　2.财务数据仓库逻辑模型设计
　　逻辑模型主要是根据星形维度的选择，构建维度的层次关系，层次关系以高校相关人员对信息的需求为主线，分析各维度的层次关系以及粒度的划分、事实表的设计等。比如之前的高校数据仓库概念模型设计分了六个维度，时间维度就可以从日、周、月、季度、年来进行划分层次；院级单位可以按一级单位（校），二级单位（院），三级单位（部门）依次划分；指标可以根据前文中所示的指标类型进行划分；项目可以按照高校所承接的国家级项目、省级项目以及其他项目类别进行划分；部门可以按党委部门、行政部门、教学单位、教辅单位、附属单位依次划分；往来单位按照政府、金融机构、企业等进行划分。
　　3.财务数据仓库物理模型设计
　　物理模型需要确定数据的存储结构、索引策略、数据存放位置及存储分配等，主要目的是提高性能和更好地管理存储数据。
　　4.数据ETL
　　ETL包括抽取、转换、装载。其中，抽取是将数据从各种原始存放系统（如各种帐套数据和Excel文件）中读取；转换是按照预先设计好的规则将数据转换，使数据格式统一；装载则是将转换好的数据导入高校数据仓库。
　　（二）基于OLAP技术的财务分析模型实现
　　OLAP技术（联机分析处理技术）以数据仓库为基础，针对某个特定的主题进行联机数据访问、处理和分析，通过直观的方式从多个维度、多种数据综合程度将系统的运营情况展现给使用者。OLAP技术的一个重要特点是通过多维交互的方式对数据进行处理，与多维数据组织的数据仓库相互结合、补充，这些多维分析操作可以使用户从不同的维度和角度来分析数据，其中主要方法包括切片、切块、钻取和旋转。
　　而对于已经建立并装载完成了高校数据仓库的，可以在此基础上建立OLAP系统。首先对OLAP的多维数据结构进行设计，包括维度和多维数据集的设计，然后创建维度和多维数据集，可以采用AnalysisService做分析服务器，最后利用SSRS展示查询数据。高校财务预警正是运用OLAP技术实现各监控指标的多维综合评价，达到对高校财务数据的实时分析。
　　例如，通过对高校财务部门的调查研究，发现其需要了解高校不同时间、不同院系的科研收入、教学成果以及偿债能力等，那么信息使用者可以在选择范围内的维度和量度来进行有意义的组合，还可以从其他不同的角度来了解高校的财务状况。通过报表展示，可以选择对不同维度上涉及到的数量进行分析，并找到有价值的信息。高校可以选择“时间”、“各级院”、“偿债能力”组成一个三维的偿债能力立方体，以表示在不同的时间，各个二级院校的偿债能力如何。具体如图3。
　　OLAP对于数据的即时处理和分析充分体现出财务分析的时效性和真实性，实现了商业智能技术与财务分析的融合。OLAP通过多维的方式对数据进行了分析、查询和定制报表。维是人们观察数据的特定角度，多维分析方式符合思维模式，减少了混淆并且降低了出现错误的可能性，它能使用户多侧面、多角度地观察数据库中的数据。OLAP可以通过切片、切块、钻取及旋转等操作来分析数据仓库中的财务数据，以对高校的财务数据进行更透彻形象地分析。
　　（三）基于数据挖掘技术的财务预警模型的实现
　　对于已经存在的财务信息，可以利用OLAP技术从不同的维度由高校数据仓库中获取，但是高校数据仓库数据中潜在的、隐藏的关系和信息很难得到充分的体现，以确定高校的财务发展趋势。因此需要利用数据挖掘技术对它们进行深度的挖掘，构建高校财务危机预警模型。
　　数据挖掘技术提供了多种财务预警计算方法，如神经网络算法、逻辑回归算法、聚类分析算法、决策树和关联规则等，在前文已建立数据仓库的基础上，可以根据财务预警的具体需要选择适当的算法构建财务预警模型，分析数据挖掘的结果。具体说，将已经准备好的数据分离到定型数据集中，并生成挖掘模型，通过创建预测查询，运用测试数据集验证模型的准确性，以确定是否是性能最佳的模型。当模型确定以后，进行财务预警分析。