企业的销售系统通常管理着企业的产品数据、客户数据和销售数据，各种数据来源渠道多、冗余性大，数据不一致问题突出，数据间的共享困难。而企业在进行决策和分析时需要分析大量的数据，并要求能挖掘出数据之间的相互关联。传统的数据处理方法已不适合销售辅助决策分析的需求。企业在多年的生产经营中积累了海量的数据，如何更好地利用和管理这些日益庞大、彼此独立的数据，并挖掘出数据之间的潜在联系，帮助企业更好地分析和决策，已成为车辆制造销售企业日益紧迫的需求。数据仓库技术可以把企业内部、外部数据进行有效的集成，主要应用于分析型处理，基于此，本文提出了建立基于数据仓库的车辆销售辅助决策系统的方法和应用模型。
数据仓库的概念，最初是由美国信息工程学家William Inmon博士在20世纪90年代初提出的，他认为：“一个数据仓库通常是一个面向主题的、集成的及随时间变化的，但信息本身又相对稳定的数据集合，它用于对管理决策过程的支持。”
数据仓库最根本的特点是物理地存放数据，而且这些数据并非是最新的、专有的，而是来源于其他的数据库。数据仓库的建立并不是要取代原有的数据库，而是建立在一个较全面、完善的信息应用的基础上，用于支持高层决策分析，数据仓库是数据库技术的一种新的应用。
1 车辆销售辅助决策的方法
在传统数据库中，由于数据库表的结构是面向应用而不是面向分析的，所以只能通过各种定制的业务报表反映企业的销售情况和市场信息。但事实上企业车辆销售历史数据中隐藏了大量的知识，通过对车辆销售数据分析，完全可以发现诸如购买力趋势、价格影响、销售趋势等知识，它可以帮助企业销售管理者发现问题，调整销售策略，预测未来以及作出各种决策。数据仓库技术为我们实现这一目标莫定基础，通过建立销售数据仓库模型，可以将大量销售信息经预处理存人仓库中，利用OLAP快速处理历史数据，执行各种聚集操作，显示分析结果，给出趋势预测，发现有用的销售决策信息。
从企业车辆营销角度来看，数据主要集中在产品信息、购货单位、销售信息三个方面，从企业提取原始数据信息，定义营销数据仓库，按时间、产品、地区三个方面建立维表，从而改变了传统报表中只有行和列的两维方式，形成了多维数据模型。同时在销售状况、产品价格、客户情况和产品质量等多方面建立测度，为用户提供维的粒度划分工具，用户可自行对维进行层次和类的划分，从而实现多层次、多角度的查询、汇总以及统计分析等。可见在数据仓库中，统计分析是从不同的角度(维)、不同的层次(粒度)来分析数据(事实)的。如图1所示：
图1 三维销售分析模型
在图1中，每一个坐标轴是一个维，维是信息的属性，坐标轴的单位是粒度，事实是在数据空间的各个点。如在图1中，空间的任意一点表示“某一时间某一产品对某一个客户的销售量”。采用数据仓库中的多维模型，使管理人员摆脱了对固定报表的依赖，通过动态的多维查询和分析来掌握企业的销售情况，探索业务活动的规律。
