本站原创传统的财务分析方法是以财务报表为基础,就指标论指标,即使使用了多个指标进行分析,也是单纯地看某一年、某一家公司或某个行业的指标,这种没有即时更新角度单一的方法往往会影响决策者的判断.这时可以通过使用数据仓库技术抽取、转换、重载（ETL）财务数据的系统性解决方法来帮助企业对内部和外部的营运数据进行收集、归纳、量化,辅助企业管理者进行科学分析预测,提高企业的数量化管理水平.在关系数据库基础上发展起来的数据仓库和OLAP技术为上市公司财务数据时间滞后和不全面提供了一个有力的解决方案和辅助工具,利用OLAP可以针对企业关心的财务重点问题确立若干主题,对已获得的企业业务数据作进一步的分析和知识挖掘,达到充分利用历史数据,体现信息的真正价值的目的.作为商业智能的重要组成部分,OLAP可以让用户在分析过程中与数据交互,可以分割组合数据以便以不同的方式查看这些数据,这与传统操作中的静态报告相比,是截然不同的方式.OLAP分析主要是通过对多维组织后的数据进行切片、切块、聚合、钻取、旋转等分析动作,以求剖析数据使用户能够从多种维度、多个侧面、多种数据综合度查看数据,从而了解数据背后蕴含的规律.
一、财务数据仓库设计
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.数据仓库技术作为一项数据管理领域的新技术,精髓在于针对联机分析处理（OLAP）提出了一种综合的解决方案,存放了企业的整体信息,是一种概念,而不是一种产品.财务数据仓库对于企业的贡献在于效果,能适时地提供高级主管最需要的决策支持信息,利用该支持系统,企业可以灵活地分析所有细致深入的数据,以建立强大的财务管理决策优势.一方面,数据仓库的数据内容、结构、粒度和其他物理设计需要根据用户的反馈信息不断地调整完善；另一方面,应用环境发生重大变化或者新技术出现都有可能导致用户的应用需求发生重大变化,使现有系统不能满足用户要求,需要重新设计系统,开始一个新的生命周期.
（一）数据仓库的相关概念具体包括：（1）事实表.事实表中的一条记录代表一个度量,一个度量事件也总是会产生一条事实表记录.每个事实表都包含与特定业务过程相关的度量,例如接受一个订单,显示一个网页,打印预订单或者处理一个顾客的服务请求.（2）维表.维度是维表的基础,用来描述业务的对象,每个维度表联系着所有参与其中的业务过程,维表的主键组成了事实表的外键.根据财务分析事实表设计的维表有时间维表、公司维表、行业维表和指标维表.（3）粒度.事实表中包含信息的详细程度称为粒度.粒度级越低,细化程度越高,一般在设计事实表的时候可以对于近期的财务数据选取细化到月的数据,对于比较久远的历史财务数据选取细化到年的数据.（4）多维数据库.多维数据库就是以多维方式来组织数据,以多维方式来显示数据.多维数据库可以直观地表现现实世界中的“一对多”和“多对多”关系,可以通过多维视图来观察数据,与关系数据库相比,其优势在于可以提高数据处理速度,加快反应时间,提高查询效率.（5）多维数据立方体.OLAP中的多维数据模型将数据看作数据立方体（datacube）形式.数据立方体允许以多维对数据建模和观察,多维数据模型由维和事实定义,数据立方体结构由维表和事实表组成.多维数据立方体通常作为主要的逻辑层结构用来描述多维数据库,是实现OLAP分析的数据对象.比如由“时间”、“上市公司”、“盈利能力”可以组成一个三维的盈利能力立方体.时间轴由每个具体的年度组成,上市公司轴由具体的上市公司名称组成,盈利能力由选取的指标总资产收益率、净资产收益率、销售净利率、营业利润率组成,具体如图1所示.多维数据集是一种结构,包含了一个或者多个度量,还包含了由维度层次结构形成的聚合,以及一个或者多个维度从层次结构中提取出来时所形成的聚合.在图1所示的多维数据集内,每个度量都是三个维度的成员交叉,比如A点描述了江西铜业在2008年的净资产收益率的值.
（二）财务数据仓库的创建上市公司财务数据分析系统中包括一个事实表和四个维表,分别由指标维表、时间维表、公司维表和行业维表组成.根据指标选取的系统性、敏感性、可度量性原则选取了财务指标.指标维表由指标编号和表1中所选取的14个财务比率组成,时间维表由时间编号、年度、半年度和季度组成.公司维表由上证50指数中选取的37家数据较齐全的上市公司编号、公司代码和公司简称组成.行业维表由行业编号和行业名称组成.
（三）OLAP技术查看财务数据方式OLAP系统围绕构造度量、维度、层次结构和多维数据集的数据进行创建,这样可以使用户很容易地按照需要分割组合信息,使用多种方式查看数据.具体包括：（1）切片和切块.在多维数据结构中,按二维进行切片,按三维进行切块,可查询到所需数据,例如,特定年份的盈利能力构成多年数据的一个切片,多个切片叠合起来即为切块.（2）旋转.旋转是改变页面显示的维方向,比如行和列之间的交换.（3）钻取.钻取是改变维的层次,变换分析的粒度,包括向上钻取和向下钻取,向上钻取是指由低层次向高层级数据的查看,即维度的减少,例如从半年度数据向年度数据的汇总；向下钻取是由高层次数据向低层次数据的查看,即维度的增加,例如从季度数据向半年度数据的深入.
二、利用财务数据仓库进行OLAP分析
SQLServer2005在商业智能方面提供了三大服务和一个工具来实现系统的整合.SSAS是从数据中产生智能的关键,通过这种服务,可以构建数据立方（Cube）,也就是多维数据集,然后进行OLAP分析.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,系统采用AnalysisService做分析服务器,最后利用SSRS展示查询数据,实现对上市公司财务数据的分析.
（一）生成多维数据集多维数据集的创建建立在数据源视图的基础上,通过设置事实表和维度表,系统会自动检测层次结构,这些都是和原始财务数据中的逻辑结构相符合的.完成向导后,可以查看建立的多维数据集结构,图2所示为多维数据集的数据源视图,这里的视图表达出多维数据集的表间关系,中间是事实表,箭头所指向的是维度表.
（二）创建报表和前端展示如果说SSAS对数据进行了相应的分析,创建了Cube和OLAP服务所需的数据库,那么报表和EXCEL展示应该是属于商业智能体系中的前端展现部分,需要使用SSRS报表服务来实现.例如查询有色金属冶炼行业2007年度盈利能力的财务指标比率,可先选择数据仓库中的所有企业2007年度～2009年度的净资产收益率、总资产净利率、销售净利率和营业利润率,然后在查询生成器中设置相应的查询条件,将查询结果导入到EXCEL2007中,显示如图3所示的数据表.通过图3可以很清晰地看出,2007年金钼股份净资产收益率最高,企业自有资本获取收益的能力最强,运营效率越好,并且其他三项财务指标的比率也是最高,说明金钼股份盈利能力很强,且具有稳定性和持久性.这只是一个简单的展示过程,另外财务人员可以通过设置查询条件简单、方便地调用出自己所需要的报表,利用构造& #30340;MDX语句,实现上钻、下钻、切块、切片、旋转等OLAP运算.在盈利能力的各项指标中,数据表更形象地展示出金钼股份均优于其他公司,因为数据的实时更新,这样的图表更能支持财务决策的产生,充分体现了商业智能辅助有效决策的目标.
随着国家颁布XBRL企业会计准则分类标准,商业智能将更为广泛地应用于财务分析工作中,另外如何将XBRL于现有的商业智能技术相结合也是会计信息化发展所需要探讨的问题.借助计算机的力量财务工作会逐步实现智能化,实现对财务数据的整合,实现数据的即时反馈,从而更有效地利用现有数据资源,为经营者的决策提供现实依据,提高上市公司的运作效率.