下载文档原格式
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。
京东运用智能决策支持系统的案例京东是中国最大的自营式电商平台之一，为了提高运营效率和业务决策的准确性，京东运用智能决策支持系统来帮助管理者进行决策。
以下是京东运用智能决策支持系统的十个案例。
1. 供应链管理：通过智能决策支持系统，京东能够根据销售数据和预测需求，优化供应链管理，实现准时交货和减少库存积压。
2. 价格策略制定：京东利用智能决策支持系统分析竞争对手的价格和市场需求，制定合理的价格策略，以提高销售量和利润。
3. 促销活动规划：通过智能决策支持系统，京东能够分析用户购买行为和偏好，制定有针对性的促销活动，提高用户转化率和购买频次。
4. 库存优化：智能决策支持系统帮助京东实时监控库存情况，分析销售趋势和季节性变化，优化库存管理，减少滞销和过期产品。
5. 风险管理：京东运用智能决策支持系统分析供应商和物流合作伙伴的信用风险，及时识别潜在的风险因素，并采取相应的措施降低风险。
6. 用户个性化推荐：基于智能决策支持系统的用户行为分析，京东能够为每个用户提供个性化的推荐产品和服务，提高用户满意度和购买意愿。
7. 运输路线规划：智能决策支持系统帮助京东优化运输路线，根据订单的地理位置和运输成本，选择最优的运输方案，降低物流成本和配送时间。
8. 售后服务管理：通过智能决策支持系统，京东能够实时监控售后服务质量和用户反馈，及时发现问题并采取措施改进服务质量。
9. 市场营销策略：京东利用智能决策支持系统分析市场趋势和竞争对手的行动，制定市场营销策略，提高品牌知名度和市场份额。
10. 数据分析和预测：京东运用智能决策支持系统分析海量的销售数据和用户行为数据，预测市场需求和销售趋势，帮助管理者做出准确的决策。
总结起来，京东运用智能决策支持系统的案例涵盖了供应链管理、价格策略制定、促销活动规划、库存优化、风险管理、用户个性化推荐、运输路线规划、售后服务管理、市场营销策略和数据分析预测等多个方面。
这些案例充分展示了京东如何利用智能决策支持系统来提高运营效率、优化业务决策，进而实现更好的业绩和用户体验。
人工智能商业场景应用及案例解析199819992000200120022003200420052006200720082009201020112012201320142015网站涌现网爆发网刀子逐渐融网互联网加速互联网泡沫SP盛宴电子商务兴起搜索竞价机制成熟B2C趋向成熟SNS发展迅猛团购网站涌现互联网金融互联网出1消费互联网衣食支付住医学行社交产业互联网流通融资工程服务产品交付生产过去20年，互联网改变了消费者的行为可以称为“消费互联网时代”未来20年，将进入产业互联网时代每个行业都要被互联网改变设计消费升级必然带来产业升级产业互联网巨大机会新型产业形态标准化配置技术体系基础设施互联网技术＋商业模式＋组织形式➢后台云计算、存储技术➢大数据分析➢支付体系➢信用等评价体系➢宽带中国➢4G/5G网络➢众多用户➢移动终端影响行业制造、贸易、服务、医疗、农业、交通、教育等什么是人工智能？人工智能的思想源自大学，1956年美国达特茅斯学院的数学系助理教授约翰·麦卡锡等人发起了“达特茅斯会议，首次使用了“人工智能概念人工智能(Artificial Intelligence)是一个很宽泛的概念，概括而言是对人的意识和思维过程的模拟，利用机器学习和数据分析方法赋予机器类人的能力。
人工智能将提升社会劳动生产率，特别是在有效降低劳动成本、优化产品和服务、创造新市场和就业等方面为人类的生产和生活带来革命性的转变。
全球人工智能市场将在未来几年经历现象级的增长，2020年达到6800亿市场规模，2030年达到15.7万亿市场增长。
中国仍然处千人工智能发展早期，中国半导体产品国际市场占有率仅为4%，中国半导体主要依赖进口，进口量已经超过石油成为进口金额最大的产品。
关键词：运算力大数据数据算法人工智的发展历程第2次热潮20世纪s0年代神经网络相关基础理论的提出第二次热潮20世纪80年代算法应用升级第三次热潮2006年至今深度学习（深度神经网络）基本理论框架得到了验证，得益于海量数据处理计算能力的成熟，深度学习技术崛起人工智能三大核心海量数据为人工智能发展提供燃料运算力是提升大幅推动人工智能发展大数据运算力算法算法深度学习突破人工智能算法瓶颈基础平台引擎AI人工智能人工智能商业应用场景及案例解析什么是应用场景应用场景分析就是假定产品或者服务流程在其工作范围内的应用实境,并在此实境分析和比较其有利和不利因素，找出合理的操作流程的分析工作。
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。
决策支持和商务智能简介决策支持和商务智能是管理和决策过程中所使用的重要工具。
它们提供了有关组织内部和外部情况的数据和分析，帮助管理者做出更明智的决策。
本文将介绍决策支持和商务智能的概念、作用和优势，并分析如何将它们应用到组织中。
决策支持系统决策支持系统（Decision Support System，DSS）是一个基于计算机的信息系统，用于帮助决策者在复杂和不确定的环境中做出决策。
它通过收集、组织和分析各种类型的数据来支持决策过程。
决策支持系统通常包含以下几个核心部分：1.数据仓库：存储组织内部和外部数据的集中位置。
2.数据挖掘：通过对大量数据进行分析，提取有用的信息和模式。
3.分析工具：用于对数据进行可视化和分析的软件工具。
4.模型和算法：通过建立数学模型和运用决策算法，帮助决策者做出决策。
决策支持系统的主要作用是提供决策所需的信息和分析，帮助决策者更好地理解问题和预测未来的趋势。
它可以应用于各个层面的决策，从个人决策到组织战略决策。
商务智能商务智能（Business Intelligence，BI）是一种将数据转化为有用信息的技术和工具。
商务智能系统通过整合、分析和展示组织内部和外部的数据，帮助管理者获取对业务决策有用的见解。
商务智能系统通常包含以下几个重要组成部分：1.数据仓库：用于存储和管理组织内部和外部的数据。
2.数据整合：将来自不同来源的数据整合到一起，以便进行统一的分析。
3.数据分析：通过使用各种统计和分析技术，从数据中提取有用的信息。
4.数据可视化：将分析结果以图表、报表等形式展示，帮助管理者更好地理解数据。
商务智能系统的主要作用是帮助管理者快速而准确地获取所需的信息。
它可以从多个角度分析数据，帮助管理者发现潜在的机会和挑战，并做出相应的决策。
决策支持与商务智能的关系决策支持系统和商务智能系统在某种程度上是相互关联的。
它们都使用数据和分析技术来辅助管理决策。
然而，它们之间也存在一些区别。
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。
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亟待解决的新问题，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2009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INTERNET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2005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2005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，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2005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。
