7.2.1数据仓库的概念
数据仓库（Data Warehousing）概念始于20世纪80年代中期，首次出现在“数据仓库之父”BillInmon的《建立数据仓库》一书中。随着人们对大型数据系统研究、管理、维护等方面的认识的不断完善，在总结、丰富、集中多行企业信息的经验之后，数据仓库有了一个更为精确的定义：“数据仓库是在企业管理和决策中面向主题的、集成的、与时间相关的、不可修改的数据集合。”
所谓主题，是指用户使用数据仓库进行决策时所关心的重点方面，如收入、客户、销售渠道等。所谓面向主题，是指数据仓库内的信息是按主题进行组织的，而不是像业务支撑系统那样是按照业务功能进行组织的。
所谓集成，是指数据仓库中的信息不是从各个业务系统中简单抽取出来的，而是经过一系列加工、整理和汇总的过程，因此数据仓库中的信息是关于整个企业的一致的全局信息。
所谓与时间相关，是指数据仓库内的信息并不只是反映企业当前的状态，而是记录了从过去某一时刻到当前各个阶段的信息。根据这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
所谓不可修改，是指一旦某个数据进入数据仓库以后，一般很少对其进行修改，更多的是对信息进行查询操作。
依据上面的定义，有人可能会把数据仓库简单地理解为仅仅是一个大型的数据存储机制，是一个静态的概念。实际上，数据仓库更像一个过程，这个过程涉及数据的收集、整理和加工，生成决策所需要的信息，并且最终把这些信息提供给需要这些信息的使用者，供他们做出改善业务经营的正确决策。数据仓库的重点与要求就是能够准确、安全、可靠地从业务系统中取出数据，经过加工转换成有规律信息之后，供管理人员进行分析使用。因此数据仓库是一个动态的概念，应该称为数据仓库技术。
数据仓库并没有严格的数据理论基础，也没有成熟的基本模式，且更偏向于工程，具有强烈的工程性。通常按其关键技术部分分，数据仓库分为数据的抽取、存储与管理、数据的表现这三个基本方面。
联机分析处理技术（Online Analytical Processing，OLAP）、数据挖掘技术（Data Mining，DM）一起，组成了基于数据仓库的决策支持系统（DSS）。
一个数据仓库的基本体系结构中应有以下几个基本组成部分：
①数据源，为数据仓库提供最底层数据的运作数据库系统及外部数据。
②监视器，负责感知数据源发生的变化，并按数据仓库的需求提取数据。
③集成器，将从运作数据库中提取的数据经过转换、计算、综合等操作，集成到数据仓库中。
④数据仓库，存贮已经按企业级视图转换的数据，供分析处理用。根据不同的分析要求，数据按不同的综合程度存储。数据仓库中还应存储元数据，其中记录了数据的结构和数据仓库的任何变化，以支持数据仓库的开发和使用。
⑤客户应用，供用户对数据仓库中的数据进行访问查询，并以直观的方法分析结果。
7.2.2数据仓库在供应链管理中的应用
目前，企业信息化建设呈现出“数据集中化、业务综合化、管理扁平化、决策科学化”的发展趋势。数据仓库在数据集中、分析处理上的重要作用使其在ERP、DSS、CRM等项目中得到大力应用，成为信息化建设的基础模块。
供应链管理通过消除企业之间各种形态的信息化孤岛，建立跨企业的信息共享与业务集成，使企业能够更好地整合和优化利用各方的社会资源，分享和占有更多的市场机会，为企业和社会创造更大的价值。而数据仓库通过整合所有有关数据，建立一个统一的信息平台，通过强有力的查询优化功能，提供辅助决策支持。供应链与数据仓库紧密集合，共同构建信息化的基础平台。
我们知道，供应链上有信息流和物流。但在目前，信息供应链并没有完全发挥对物流供应链运作的指导作用。电子商务虽然是解决信息流、商流、资金流的有效途径，但它不能将基本的业务数据转换成知识，处理业务规则中的决策。由此，大量的、杂乱的数据堆积到供应链成员内部，传统的联机事务处理系统（如MIS、OAS等）也只擅长处理面向事务层的操作型数据。可见，目前的信息供应链仅实现了数据传输功能（由于数据集成度低，传输效率并不高），而信息供应链中积累的大量历史数据并未被充分利用和开发。信息供应链与物流供应链脱节并不是技术上的问题而是由于缺乏一种解决方案。
针对如何将大量的数据业务用于预测、决策中的问题，数据仓库技术提供了一种很好的解决方案，即建立数据仓库供应链。供应链数据仓库能解决传统信息处理系统难以解决的许多问题。
1.实现真正的信息共享
在当前的物流供应链中，不论是物流企业还是电子商务公司，它们在不同程度上不愿或难以与另一方分享自己的信息。由于缺乏准确的信息，同时又要应付快速变化的市场，物流供应链网络中必须保持大量的存货，从而无法将库存量减至最少。这就难以改变目前物流成本居高不下的现状。即使供应链成员之间进行数据交换，也会面临很多问题，如数据库和操作平台不同，数据结构不一致，相同的数据名表示的含义不同等问题。
这将导致信息交换不完整，极易产生蜘蛛网现象。因而，大多数成员在进行数据交换时，往往还采用报表形式手工完成，没有实现真正意义上的电子数据交换模式。
供应链数据仓库将物流企业和电子商务公司建立在共同的数据基础之上，通过数据过滤和数据集成技术，依据确定的业务准则，有效地解决供应链成员之间多数据源和数据的不一致性问题。建立数据仓库有利于多方沟通、协调与合作，达到跨行业的信息共享。
2.有效的预测分析
供应链成员在进行供需预测分析时，市场信息（如价格、收入、消费水平、顾客偏好等）要在供应链之间多层传递。为方便说明问题，这里仅考虑信息从客户到供应商的单向传递。在供应链中，信息向上游企业传递时会发生曲解、放大和延迟，那么只有离顾客最近的供应链成员才拥有比较完整的市场或原始的数据，能最好地理解市场真实需求，而其他供应链成员可能只得到最近的一个下游成员的预测数据，如制造商可能仅得到了分销商的预测数据，而得不到完整的市场或原始的数据，即使得到，成本也会较高。这样就难以充分利用数据，供需波动会逐层加大。可以进行一下简单的运算，假设信息由顾客向上一级供应链成员传递时，信息延迟为3天，准确率为90%；则信息到达供应商时，信息延迟12天，准确率下降到66%。这种现象的发生不是技术上的问题，而是管理问题，例如人为因素就可造成信息延迟。
建立供应链数据仓库可有效地避免这种情况。供应链数据仓库将数据建立在同一个平台上，并借助于数据挖掘技术建立适合各个成员的数据立方体或数据集市。供应链数据仓库处理数据是高效的，当数据仓库接受到最新市场或原始数据后，立刻结合已经集成的、汇总的历史数据，并采用多种预测方法（如线性回归、趋势线法、时间序列等）进行预测分析；然后数据仓库将所有市场数据、零售商预测数据和分销商的历史数据项结合，进行分销商的供需预测分析；依此类推。可见，即使在对远离顾客的供应商进行预测分析时，市场或原始数据也是完整的，而且，这种处理方式几乎是并发的，也就是说，供应商几乎和零售商同时获得预测信息。这样预测的准确率和效率会大大提高。
3.建立基于全局的辅助决策系统
供应链数据仓库通过对大量的供应链历史数据进行随机查询，辅助供应链成员决策者做出决策。在数据仓库的基础上，进一步开发供应链决策支持系统的成本是很低的。
基于数据仓库技术的决策支持系统能全局地辅助多种经济或管理决策，决策范围很广。
这里仅举一个关于供应链物流配送方案选择决策的例子，利用数据仓库能提出更优的配送路线。通常配送区域是由配送半径刻画的，即每个配送中心负责它自己的配送区域，这有一定的盲目性。若数据仓库技术能成功应用于物流供应链中的配送环节，则配送决策是以配送业务为核心的。即基于数据仓库技术的决策支持系统能通过集成所有配送中心数据（地点、货种、可支配的配送力量、配送时段等）、客户数据（配送时间、地点、订货记录、满意度等）、商品数据、地理位置信息、交通路况信息等，将某时段整笔配送业务划分成一个个小的业务单元，每个业务单元由一个速递员负责。以配送业务为核心的配送决策是面向全局的，它的优点是更合理地配置人力资源，更灵活地均衡各地库存，更有效地利用流动资金，更有利于员工的绩效考评等。
