商务智能与决策支持-案例及案例分析
商务智能与决策支持——案例及案例分析
商务智能与决策支持教学案例案例1:光大银行商务智能系统得实施一、案例内容成立于1992年8月得光大银行, 作为国内最大得股份制商业银行,拥有众多客户群,几百个分支机构遍布国内外;同时光大银行以领先得理念为客户提供种类繁多得金融服务。
对于一个如此庞大得机构,如此繁多得金融服务,管理得复杂性可想而知。
近年来,通过综合柜台业务系统、阳光卡系统、网上银行系统与办公自动化系统等一系列信息化基础建设,光大银行率先实现了业务系统全国联网与总行数据大集中。
在成功实现业务系统全国联网与总行数据大集中后,经营管理分析方面又出现了一些亟待解决得新问题,如:统计数据不够及时准确、对决策分析缺乏专业化系统化支持、报表处理效率低、数据共享差、难以为以客户为中心得经营管理模式提供充足得信息支持、业绩考核没有理想得IT系统为支撑等等。
众多新问题得出现就是银行管理层始料未及得。
为了尽快突破海量数据得“封锁”,挖掘其中蕴涵得知识与信息,光大银行决策层于2002年初开始立项商业智能及数据仓库系统。
光大银行根据自身情况,以实际需要为导向,对各家方案得优劣进行仔细分析、反复考察、综合考虑。
最终,菲奈特软件公司得高端商务智能产品BI、Office以其领先得技术与简便得操作从众多竞争者中脱颖而出,赢得了光大银行决策层得一致青睐。
经过商议,双方在国际结算业务统计分析、对公业务统计分析、信贷风险管理、客户经理业绩考核等方面签定了一系列合作计划。
为了降低实施风险,将从国际结算业务统计分析系统开始,各个项目逐步实施。
成功得选型就是光大银行商业智能应用系统成功实施得开始。
国际业务部商业智能得应用证明,光大银行所采取得“以部门为基础实施数据处理”得决定就是正确得,也就是务实得。
从2002年12月开始,菲奈特BI、Office商业智能应用平台相继应用于光大银行其她几个业务部门,形成相应部门得商业智能系统。
这些商业智能系统以数据仓库技术为基础,把分散在各个业务系统得数据进行整合,数据经过清洗、转换,加载到数据仓库;再采用OLAP与Data Mining等技术,为管理决策人员提供强大、灵活得日常查询与决策支持。
商务智能与决策支持——案例及案例分析
商务智能与决策支持——案例及案例分析随着互联网技术的不断发展，大量数据被生产出来，这些数据中蕴含着巨大的商业价值。
商务智能和决策支持系统可以利用这些数据，提供决策制定者与业务分析师期望的数据驱动洞察，以优化业务决策。
以下是几个商务智能和决策支持系统的案例及案例分析。
案例1：超市销售决策支持系统在某家超市中，决策制定者需要决策哪些产品需要采购、以及量级的大小，以及哪些产品需要促销，以达到推广和促进销售的目的。
为了实现这些目的，该超市实现了一个决策支持系统。
决策支持系统采用商务智能数据仓库，从行业数据中导入了大量销售数据，包括每天、每周、每月、甚至每小时的交易、营销、库存和采购等数据。
该系统采用了高级数据可视化来表示销售数据，以帮助决策制定者快速识别有趣的数据趋势。
该系统还使用了预测分析，以辅助决策制定者预测某种产品的销售情况，并为其提供推荐；也使用了关联分析，以查找哪些产品最常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常常在一起出售。
通过使用这个决策支持系统，超市看到了显着的效益。
决策支持系统帮助他们预测哪些产品将具有更高的需求，帮助他们采购了更合适的库存量，以及哪些产品需要进行促销以提高销售。
超市转型成了一个以数据为驱动的企业。
案例2：在线零售商的数据分析一家在线零售商使用商务智能、数据挖掘与分析技术来对订单，商品，顾客及销售数据进行分析，以帮助经营者做出更加精准的商业决策。
他们使用了大量的内部和外部数据来源，以建立一个全面的数据仓库，数据包括订单历史、销售历史、客户数据、产品数据和行业趋势等。
他们使用了数据挖掘和预测性分析来发现顾客的需求以及未来销售趋势。
通过分析他们的数据，该在线零售商能够快速识别哪些产品的销售量增加，哪些产品的销售量下降，哪些产品的客户评分较低，并能及时调整库存和价格等策略来优化他们的销售。
此外，经营者能够更好地识别他们的目标客户及其需求，以提供更好的客户服务。
商业智能（BusinessIntelligence）成功实施案例
商业智能（BusinessIntelligence）成功实施案例客户解决方案案例研究微软商业智能让中体彩从数据中发掘业务价值，以技术推动体彩事业发展概况国家或地区：中国行业：专业服务客户资料中体彩科技发展有限公司是国家体育总局下属的多家单位共同出资设立的国有股份制高科技公司，2010年获国家双软认证，承担着中国体育彩票技术服务总集成商的职责，负责全国体育彩票全热线及高频交易系统的研发和运维。
总部位于北京，分翌景大厦、鹏龙大厦和德元九和3个办公区，下设天津、武汉、成都和广州四个区域中心。
业务情况公司是国家体育总局为适应体育彩票事业持续、安全、健康、稳定发展的需要，为整合体育彩票市场资源而组建的现代化高新技术企业。
现共设14个部门，下辖2个控股子公司。
公司自主研发完成的中国体育彩票全热线销售系统，截止到2008 年底已销售体育彩票1720.31 亿元。
同时，公司承担着中国体育彩票技术系统的规划、研发、运维、服务以及销售网络的增值服务业务等工作。
解决方案中体彩科技发展公司使用Microsoft SQL Server企业版以及微软商业智能构建体育彩票中心业务决策分析系统，以信息化全面地支持中国体育彩票事业的发展。
通过系统的建设，提供统一的、通用的、自助化的企业业务系统访问能力，使员工更有效率的获取各种信息，提高业务效率。
用户收益实现全面的数据收集提升数据处理与统计效率赋予业务用户分析洞察力微软的数据平台与商业智能解决方案，可以很好的整合不同的数据来源，对我们的各项业务数据进行集中的、高性能的处理和分析，最终生成符合各团队和层面所需的直观报表，让我们从业务数据中及早地获得利于发展的洞察力，从而更好的服务中国的体彩事业。
“——王卓，产品管理部部门经理，中体彩科技发展有限公司案例概况中体彩科技发展有限公司是由国家体育总局体育彩票管理中心、华体集团有限公司、体育基金管理中心及全国31 个省（自治区、直辖市）体育局所属单位等34 方共同出资设立的国有股份制企业，于2002 年12 月24 日在北京经济技术开发区注册成立。
商务智能案例
商务智能案例在当今信息化时代，商务智能已经成为企业发展的重要战略。
通过商务智能技术，企业可以更好地理解市场和客户需求，优化业务流程，提高决策效率，从而获得竞争优势。
本文将通过几个实际案例，来探讨商务智能在不同行业中的应用和价值。
首先，让我们来看一个零售行业的案例。
一家大型连锁超市利用商务智能技术，对销售数据进行分析，发现某个季节性产品的销量出现了明显下滑。
经过进一步分析，发现这一产品的陈列位置发生了变化，导致顾客购买率下降。
通过及时调整陈列位置和促销策略，超市成功挽回了销量，并且提高了整体的销售额。
其次，我们来看一个制造业的案例。
一家汽车零部件制造企业利用商务智能技术，对生产过程进行监控和分析，发现某个工序出现了异常，导致产品质量下降。
通过及时调整生产参数，企业成功避免了大量次品的产生，提高了产品合格率，降低了生产成本。
再次，让我们看一个金融行业的案例。
一家银行利用商务智能技术，对客户数据进行挖掘和分析，发现某一类客户的贷款违约率较高。
通过建立风险预警模型，银行成功识别了高风险客户，并采取了针对性的风险管理措施，降低了不良贷款率，提升了资产质量。
最后，让我们来看一个医疗行业的案例。
一家大型医院利用商务智能技术，对医疗数据进行分析，发现某种疾病的就诊人数呈上升趋势。
通过及时调整资源配置和医疗方案，医院成功提高了对该疾病的诊疗效率，满足了患者的就医需求，提升了医疗服务水平。
通过以上案例的介绍，我们可以看到商务智能在不同行业中的应用场景和效果。
商务智能不仅可以帮助企业发现问题，还可以指导企业进行决策和行动。
在未来，随着技术的不断发展和商务智能平台的不断完善，商务智能将会在企业管理中发挥越来越重要的作用，成为企业提升竞争力的重要手段之一。
Business Intelligence技术应用案例剖析
Business Intelligence技术应用案例剖析在当今信息时代，企业对数据的需求越来越迫切，因此，商业智能（Business Intelligence）技术已成为众多企业必备的工具之一。
商业智能技术可以将海量的数据高效地整理、分析与利用，为企业在竞争激烈的商业环境下提供有力的决策支持。
本文将分析商业智能技术的应用案例，以探索这项技术如何在企业中发挥重要作用。
一、传统银行和在线银行的商业智能技术应用随着电子化时代的到来，传统银行的转型变得不可避免。
在这个领域，商业智能技术可以发挥关键作用。
不同于传统的银行业务，线上银行业务发展快速，为银行带来了极大的商业机会。
根据Gartner公司的统计，70%的全球银行正在计划或实施商业智能策略，以提高企业效率和竞争优势。
传统银行和在线银行在业务逻辑上的差距主要在于客户的接口，一个是线下实体，一个是线上平台。
在传统银行中，业务主要集中在柜员操作、贷款、储蓄等方面。
而对于在线银行，更多通过用户行为来识别金融需求，从而发现机会和风险。
商业智能技术可以帮助银行更好地利用用户行为数据，对客户需求进行预测分析，帮助银行更好地推动和监控业务运营。
比如为用户推荐产品、根据用户消费历史制定针对性的信用评分等，并通过数据挖掘技术分析用户的消费习惯和信用状况。
这样一来，银行可以为用户提供更加个性化的金融服务，并且更好地理解和利用市场机会。
现在不论是传统银行还是在线银行，业务的核心竞争是提供更好的金融服务，也是通过商业智能技术来达成的。
二、商业智能技术在快速消费品企业中的应用在快速消费品行业，商业智能技术也具有极其重要的应用价值。
1C（俄罗斯软件公司）在美国最大的食品零售商之一—Kroger公司营销数据方面完成了一项密集型工程。
这一项目主要是对Kroger公司所有分店的大规模销售数据进行分析，精准地预测消费者的购买需求。
项目结束后，Kroger公司得以提高销售和盈利能力，并且将用户品牌的营销做到了最大化。
商务智能分析案例分析
商务智能分析案例分析商务智能分析是指通过在线分析处理（OLAP）、数据挖掘（Data Mining）和其他商务智能工具，将企业内部和外部的数据整合、分析和应用，帮助企业决策者更好地了解市场动态和企业运营状况，制定更合理的商务战略，提高企业的运营效率和竞争力。
以下是一个商务智能分析案例：公司A是一家制造业企业，主营产品是电视机。
该公司希望通过商务智能分析来进行销售业绩分析和市场预测，以实现销售额的稳定增长。
首先，该公司建立了一个数据仓库，用于整合和存储来自不同部门和不同系统的数据，包括销售数据、市场数据、生产数据和客户数据等。
然后，公司A使用OLAP工具对销售数据进行分析。
通过OLAP，他们可以从不同的维度（如时间、地区、产品型号）对销售数据进行切片和钻取，了解销售额、销量和市场份额等指标的变化趋势和影响因素。
例如，他们发现一些特定地区的销售额出现下滑，通过进一步分析发现是由于竞争对手推出了新产品导致的。
此外，公司A还使用数据挖掘技术对市场数据进行分析。
他们利用数据挖掘算法，挖掘出潜在的消费者行为模式和市场趋势。
例如，他们发现在一些特定时间段，年轻人更倾向于购买大屏幕电视机，并在广告宣传中加大了对该目标消费群体的推广力度。
最后，公司A通过商务智能分析实现了销售额的稳定增长。
他们能够及时了解市场变化和竞争趋势，精确预测市场需求，并及时调整自己的产品和营销策略。
他们在市场中保持了竞争优势，提高了销售额和市场份额，实现了可持续发展。
通过上述案例可以看出，商务智能分析对于企业的决策制定和运营管理具有重要的作用。
它可以帮助企业快速获取和分析大量的数据，发现数据背后的规律和关联，为企业提供决策支持和战略指导，从而提高企业的竞争力和创造力。
数据分析和商业智能决策支持工具的应用实例和最佳实践
客户细分与精准营销
通过分析客户行为、偏好、交易历史等数据，实 现客户细分和精准营销，提高营销效果和客户满 意度。
欺诈检测与预防
运用机器学习和数据挖掘技术，实时监测和分析 金融交易数据，发现异常交易和潜在欺诈行为， 保障金融安全。
制造业应用实例
生产过程优化
运用数据分析技术对生产过程中 的设备状态、产品质量、物料消 耗等进行实时监控和分析，提高 生产效率和产品质量。
供应链协同与优化
通过整合和分析供应链各环节的 数据，实现供应链协同和优化， 降低库存成本和运输成本，提高 供应链整体效率。
产品创新与开发
利用数据分析工具对市场趋势、 客户需求、技术进展等进行深入 挖掘和分析，为产品创新和开发 提供有力支持。
制定明确的团队目标和计划， 明确每个人的职责和分工，确 保团队协作的高效进行。
定期召开团队会议，分享工作 进展和成果，讨论问题和解决 方案，促进团队成员之间的沟 通和协作。
使用团队协作工具如项目管理 软件、在线协作平台等，提高 团队协作效率和沟通效果。
06
未来发展趋势预测与建议
技术创新方向预测
人工智能与机器学习
值处理等，提高数据质量。
04
数据标准化
制定数据标准和规范，确保数据 的准确性和一致性。
技术更新挑战及解决方案
技术更新挑战
随着技术的不断发展，如何跟上技术更新的步伐并保持竞争力是一个 重要问题。
持续学习
关注行业动态和最新技术趋势，通过参加培训、阅读专业书籍和博客 等方式持续学习。
技术实践
将所学技术应用到实际工作中，通过实践掌握和深化技术理解。
人工智能在决策支持系统中的应用案例和技术要点(Ⅲ)
人工智能在决策支持系统中的应用案例和技术要点随着科技的不断发展，人工智能技术已经在各个领域得到了广泛的应用。
其中之一就是在决策支持系统中的应用。
人工智能技术可以帮助企业和组织更好地进行决策和规划，提高效率和准确度。
本文将结合一些实际案例，探讨人工智能在决策支持系统中的应用，并分析其技术要点。
一、商业领域在商业领域，人工智能技术被广泛应用于决策支持系统中。
例如，一家制造业企业使用人工智能技术构建了一个生产计划决策支持系统。
该系统可以根据市场需求、原材料库存、生产能力等多方面因素，自动优化生产计划，提高生产效率和产品质量。
这个系统利用了机器学习和数据挖掘的技术，通过分析大量数据，不断优化和调整生产计划，实现了智能化的生产管理。
二、医疗领域在医疗领域，人工智能技术也被应用于决策支持系统中。
例如，一家医院使用人工智能技术开发了一个辅助诊断系统。
该系统可以根据患者的病历、症状等信息，结合医学知识库和临床案例，辅助医生进行诊断和治疗方案的制定。
这个系统利用了自然语言处理和专家系统的技术，可以帮助医生更快速、准确地做出诊断和决策，提高了医疗服务的质量和效率。
三、金融领域在金融领域，人工智能技术也发挥着重要作用。
一家银行利用人工智能技术构建了一个风险管理决策支持系统。
该系统可以根据客户的信用记录、贷款申请信息等数据，预测客户的信用风险，辅助银行进行贷款审核和风险管理。
这个系统利用了数据分析和模式识别的技术，可以帮助银行及时发现和应对风险，保障了金融机构的稳健经营。
四、技术要点人工智能在决策支持系统中的应用，离不开一些关键的技术要点。
首先是数据挖掘和分析技术。
决策支持系统需要处理大量的数据，通过数据挖掘和分析，可以发现数据中的规律和趋势，为决策提供依据。
其次是机器学习和模式识别技术。
这些技术可以帮助系统不断优化自身的模型和算法，适应不断变化的环境和需求。
再次是专家系统和知识管理技术。
这些技术可以将领域专家的知识和经验转化为计算机程序，实现智能化的决策支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
商务智能与决策支持-案例及案例分析商务智能与决策支持教学案例案例1：光大银行商务智能系统的实施一、案例内容成立于1992年8月的光大银行，作为国内最大的股份制商业银行，拥有众多客户群，几百个分支机构遍布国内外;同时光大银行以领先的理念为客户提供种类繁多的金融服务。
对于一个如此庞大的机构，如此繁多的金融服务，管理的复杂性可想而知。
近年来，通过综合柜台业务系统、阳光卡系统、网上银行系统和办公自动化系统等一系列信息化基础建设，光大银行率先实现了业务系统全国联网和总行数据大集中。
在成功实现业务系统全国联网和总行数据大集中后，经营管理分析方面又出现了一些极待解决的新问题，如：统计数据不够及时准确、对决策分析缺乏专业化系统化支持、报表处理效率低、数据共享差、难以为以客户为中心的经营管理模式提供充足的信息支持、业绩考核没有理想的IT系统为支撑等等。
众多新问题的出现是银行管理层始料未及的。
为了尽快突破海量数据的“封锁”，挖掘其中蕴涵的知识和信息，光大银行决策层于2002年初开始立项商业智能及数据仓库系统。
光大银行根据自身情况，以实际需要为导向，对各家方案的优劣进行仔细分析、反复考察、综合考虑。
最终，菲奈特软件公司的高端商务智能产品BI.Office以其领先的技术和简便的操作从众多竞争者中脱颖而出，赢得了光大银行决策层的一致青睐。
经过商议，双方在国际结算业务统计分析、对公业务统计分析、信贷风险管理、客户经理业绩考核等方面签定了一系列合作计划。
为了降低实施风险，将从国际结算业务统计分析系统开始，各个项目逐步实施。
成功的选型是光大银行商业智能应用系统成功实施的开始。
国际业务部商业智能的应用证明，光大银行所采取的“以部门为基础实施数据处理”的决定是正确的，也是务实的。
从2002年12月开始，菲奈特BI.Office商业智能应用平台相继应用于光大银行其他几个业务部门，形成相应部门的商业智能系统。
这些商业智能系统以数据仓库技术为基础，把分散在各个业务系统的数据进行整合，数据经过清洗、转换，加载到数据仓库；再采用OLAP和Data Mining等技术，为管理决策人员提供强大、灵活的日常查询和决策支持。
一个应用实例：有一段时间存款余额持续不断的增长，但是同期的流失客户数也在不断增长，这个问题引起了业务部分析人员的高度重视。
该分析人员通过系统进行自助分析，最后发现，问题的根源在于很多客户经理为了完成揽存目标，费了大量的人力和成本开拓新行业、新客户，而忽略了对老客户的关系管理，才出现了存款余额和流失客户数同时增长的怪想象。
于是马上向主管领导反映，当天就在全行下达了整改通知，及时阻止了不良趋势的蔓延。
”目前，光大银行的商业智能系统已经成为管理层进行战略实施、绩效考核不可或缺的工具；各级业务人员的日常经营分析在很大程度上也有赖于该系统的支持。
BI.Office在光大银行取得了圆满成功。
二、案例点评通过案例，我们了解到光大银行选择了BI（商业智能）系统，很好的解决了利用数据进行分析，从而为决策提供强有力支持的问题，提高了工作效率和质量，达到了较高的投资回报率。
其实，不难发现银行业的业务数据已经或者正在实现“大集中”，数据大集中为提高BI系统的成功率、缩短项目周期、降低系统实施成本、提高项目投资回报打下了良好的基础。
随着国内银行与境外银行竞争的加剧，应用BI系统进行风险分析、业务决策将是国1内银行提升国际竞争力的一个主流选择。
BI系统能够解决目前银行存在的几大问题，如统计滞后、数据共享差、报表处理效率低、对决策分析缺乏系统化支持等，这也是银行选择BI系统的重要原因。
三、案例思考1．光大银行为什么会选择商务智能系统？2．光大银行使用商务智能系统后，解决了哪些问题？案例2：大亚湾核电站备件库存控制与采购优化决策支持系统开发一、案例内容1、电站背景大亚湾核电站位于改革开放特区深圳市的大亚湾核电基地，是我国大陆首座大型商用核电站，由广东核电合营有限公司建设和经营（从2003年3月起，电站委托大亚湾核电运营管理有限公司全面负责电站的运营管理），年发电能力近150亿千瓦时，70%销往香港，30%销往广东。
按照“高起点起步，引进、消化、吸收、创新”和“借贷建设、售电还钱、合资经营”的方针，主体工程于1987年8月开工，1994年5月6日全面建成投入商业运行，拥有两台装机容量为98.4万千瓦的法国成熟第二代压水堆核电机组。
大亚湾核电站投产以来已连续安全运行16年，在国际上衡量核电站安全运行管理水平的9项关键指标中，大亚湾核电站有8项指标达到世界先进水平。
截止2021年12月，累计发电2051.98亿千瓦时，其中供香港1401.50亿千瓦时。
2、电站备件库存控制管理中的问题大亚湾核电站于1994年开始商业运行，仓库于1993年开始接收现场安装剩余物资和备件，此后又有一些补充采购的备件验收入库，库存量增加很快，1995年达到验收的高峰期，仅这一年验收入库的物资达4千4百万美元。
1997年后，仓库验收的金额和使用的金额基本持平，库存金额持续保持在1亿美元左右的高位。
由于大亚湾核电站备件供应商大多在欧洲，为了防范缺货风险，需要库存大量备件，而核电站的维修特点也决定了这些备件的使用率不高，很难把握备件的需求规律。
库存多了，造成浪费；库存少了，影响生产，据估算，一台机组非计划停堆一天的损失在100万美元左右。
在这种情况下，如何进行科学合理的库存控制就显得非常重要了！在早期，主要依靠维修技术人员的经验来决定各类备件的库存水平。
后来随着数据的积累，以及掌握到基本的一些库存控制知识后，生产准备人员开始根据相关一些数据，例如过去的使用情况、维修手册的要求、备件的价格等等，来估计备件的库存量，但主要是靠个人的经验判断，随意性较大。
1999年大亚湾核电站开始引入美国ISI公司开发的RUSL库存控制模型。
据了解，RUSL已在美国及欧洲几百个仓库中得到应用。
由于大亚湾核电站前期的库存管理比较粗犷，采用RUSL进行计算后，迅速纠正了大量原先不合理的库存设置，使得大亚湾核电站的库存控制水平有了很大提高。
RUSL是通过INTER把历史使用数量、价格、采购周期等数据上传到ISI公司的服务器，经过美国技术人员的操作运行，2～3天后再把结果传回来。
这种操作方式，要求电站2的技术人员首先从自己的电站生产信息系统中导出基本数据，然后按照RUSL的要求，加工整理成模型计算所需要的数据并满足一定的格式要求，这样使得数据的搜集与整理工作量很大。
于是，大亚湾核电站曾提出购买ISI公司的软件和技术，希望实现本地在线计算，但对方一口拒绝。
另外，在RUSL的这种操作方式下，公司备件管理人员完全不了解RUSL的计算方式，仅仅是被动地接受，无法满足改进工作、提升管理系统的要求，而且每年3万美元的服务费用也是一笔不小的开支，因此公司开始考虑其他途径，寻求替代RUSL的更方便实用的库存控制决策软件。
3、库存控制决策支持系统开发2003年底，华中科技大学管理学院在对大亚湾核电站进行调研后，确定了联合开发“大亚湾核电站备件库存控制决策支持系统”的技术方案。
该方案将决策支持系统的开发划分为两个子项目。
一是建立备件库存控制模型并验证其效果；二是采用原型法根据所建模型完成决策支持系统的开发，并强调和现有电站生产信息系统实现无缝整合，能实时提供模型分析的功能。
建模子项目的推进中碰到的棘手问题是如何验证模型的效果。
华中科技大学管理学院提出用蒙特卡罗方法验证的思路，但并未得到电站技术人员的认可，认为诸多假设太过理想，属于学术研究范畴。
经过讨论，双方决定用电站从1994年以来近10年的真实备件消耗数据来验证模型效果。
然后，新的问题又摆在面前，一是数据质量存在问题，有相当比例的备件历史消耗数据不完整，二是即使仅针对有完整历史数据的备件来进行验证，也面临巨大的数据计算工作量。
经过多轮讨论，最终达成“指定抽样+随机抽样”的方案，从上万种备件中抽取2000种左右的备件进行验证。
指定抽样是指由生产准备部门和维修部门的备件准备工程师从影响生产系统运行的角度提出重要备件清单，合同采购部门从采购周期、采购费用角度提供重要备件清单，结合两者形成指定抽样备件清单，而随机抽样备件清单，则编制随机抽样程序抽取形成，最后结合可获得数据质量情况，确定用于验证模型效果的备件数据集。
整个建模子项目历时16个月，于20xx年5月结束。
随后，进入库存决策支持系统开发子项目。
鉴于前期扎实的建模工作基础，系统的数据模型设计和基于已有生产信息系统的数据提取与整理的计算逻辑很快就确定了。
系统开发工作很快进入用户试用阶段，然而在此阶段碰到了预料之外的问题。
系统的开发人员对于库存模型的基本原理和计算流程都非常精通，但是系统的使用人员普遍缺乏必要的知识和技能。
系统功能设计和界面设计常常处于两难的局面，一方面，希望系统能够提供更多的进行个性化分析的功能，一方面，又要兼顾缺乏建模专业知识的用户对于“傻瓜”式功能的需要。
系统开发工作曾一度陷入功能模块设计、取消、取消、再设计的尴尬局面。
为打破僵局，双方的工作小组启动了《建模与应用》培训项目，并将系统试用和改进工作穿插在培训项目中。
到20xx年12月，系统开发工作进入尾声，马上就要上线运行了。
然而在一次上线投产前的讨论会上，采购支持科科长唐扬洋提出了另外一个问题。
合同供应处的另外一个主要工作就是备件的采购。
原有的备件采购工作流程是，当发现一种备件到达最小库存点时，就即时向备件采购部门发出一张采购单，要求采购该种备件，3 然后采购工程师审核后进入采购流程，完成询价、供应商选择、合同签订等工作。
由于此工作流程的对象是单个备件，往往出现前脚刚刚完成对该备件供应商的商务合同签订，又出现了对该供应商供应的其他备件的采购申请，有时还是紧急采购申请（对于此类采购申请，必须马上进入采购的商务流程），于是采购工程师不得不又启动和该供应商的商务洽谈过程。
这样，不仅采购工程师的工作量大、采购效率低、采购费用高，而且供应商也多有抱怨。
看来，仅仅解决备件库存水平的合理确定问题还不够，还有必要进行采购优化决策支持系统的开发。
4、采购优化决策支持系统开发所谓采购优化就是指当某一件备件到达最小库存量（该种备件称为“主采购备件”），需要向某一供应商采购时，先检查在该供应商所能提供的其他备件之中，是否有需要顺带进行采购的备件（这些顺带采购的备件称为“从采购备件”，“从采购备件”可以有多种），如果有，则在一次采购中将这些备件全部采购到最大库存量。
该采购优化过程是对库存控制模型的一种拓展，能有效提高采购效率。
大亚湾核电站和华中科技大学管理学院于20xx年6月紧急启动了采购优化决策支持系统开发项目。
由于前期在开发库存控制决策支持系统中积累了大量的经验，采购优化决策支持系统的开发进展很顺利。