1.系统分析,确定主题
建立
数据仓库
的第一个步骤就是通过与业务部门的充分交流,了解建立
数据仓库
所要解决的问题的真正含义,确定各个主题下的查询分析要求。
业务人员往往会罗列出很多想解决的问题,信息部门的人员应该对这些问题进行分类汇总,确定
数据仓库
所实现的业务功能。一旦确定问题以后,信息部门的人员还需要确定一下几个因素:
·操作出现的频率,即业务部门每隔多长时间做一次查询分析。
·在系统中需要保存多久的数据,是一年、两年还是五年、十年。
·用户查询数据的主要方式,如在时间维度上是按照自然年,还是财政年。
·用户所能接受的响应时间是多长、是几秒钟,还是几小时。
由于双方在理解上的差异,确定问题和了解问题可能是一个需要多次往复的过程,信息部门的人员可能需要做一些原型演示给业务部门的人员看,以最终确定系统将要实现的功能确实是业务部门所需要的。
2.选择满足数据仓库系统要求的软件平台
在
数据仓库
所要解决的问题确定后,第二个步骤就是选择合适的软件平台,包括数据库、建模工具、分析工具等。这里有许多因素要考虑,如系统对数据量、响应时间、分析功能的要求等,以下是一些公认的选择标准:
·厂商的背景和支持能力,能否提供全方位的技术支持和咨询服务。
·数据库对大数据量(TB级)的支持能力。
·数据库是否支持并行操作。
·能否提供
数据仓库
的建模工具,是否支持对
元数据
的管理。
·能否提供支持大数据量的数据加载、转换、传输工具(ETT)。
·能否提供完整的决策支持工具集,满足
数据仓库
中各类用户的需要。
3.建立数据仓库的逻辑模型
具体步骤如下:
(1)确定建立
数据仓库
逻辑模型的基本方法。
(2)基于主题视图,把主题视图中的数据定义转到逻辑数据模型中。
(3)识别主题之间的关系。
(4)分解多对多的关系。
(5)用范式理论检验逻辑数据模型。
(6)由用户审核逻辑数据模型。
4.逻辑数据模型转化为数据仓库数据模型
具体步骤如下:
(2)增加时间主键:
数据仓库
中的数据一定是时间的快照,因此必须增加时间主键。
(3)增加派生数据:对于用户经常需要分析的数据,或者为了提高性能,可以增加派生数据。
(4)加入不同级别粒度的汇总数据:数据粒度代表数据细化程度,粒度越大,数据的汇总程度越高。粒度是
数据仓库
设计的一个重要因素,它直接影响到驻留在
数据仓库
中的数据量和可以执行的查询类型。显然,粒度级别越低,则支持的查询越多;反之,能支持的查询就有限。
对数据操作的效率与能得到数据的详细程度是一对矛盾,通常,人们希望建成的系统既有较高的效率,又能得到所需的详细资料。实施
数据仓库
的一个重要原则就是不要试图包括所有详细数据,因为90%的分析需求是在汇总数据上进行的。试图将粒度细化到最低层,只会增加系统的开销,降低系统的性能。
5.数据仓库数据模型优化
数据仓库
设计时,性能是一项主要考虑因素。在
数据仓库
建成后,也需要经常对其性能进行监控,并随着需求和数据量的变更进行调整。
优化
数据仓库
设计的主要方法是:
·合并不同的数据表。
·通过增加汇总表避免数据的动态汇总。
·通过冗余字段减少表连接的数量,不要超过3~5个。
·用ID代码而不是描述信息作为键值。
·对数据表做分区。
6.数据清洗转换和传输
在设计
数据仓库
的数据加载方案时,必须考虑以下几项要求:
·加载方案必须能够支持访问不同的数据库和文件系统。
·数据的清洗、转换和传输必须满足时间要求,能够在规定的时间范围内完成。
·支持各种转换方法,各种转换方法可以构成一个工作流。
·支持增量加载,只把自上一次加载以来变化的数据加载到
数据仓库
。
7.开发数据仓库的分析应用
建立
数据仓库
的最终目的是为业务部门提供决策支持能力,必须为业务部门选择合适的工具实现其对
数据仓库
中的数据进行分析的要求。
信息部门所选择的开发工具必须能够:
·满足用户的全部分析功能要求。
数据仓库
中的用户包括了企业中各个业务部门,他们的业务不同,要求的分析功能也不同。如有的用户只是简单的分析报表,有些用户则要求做预测和趋势分析。
·提供灵活的表现方式。分析的结果必须能够以直观、灵活的方式表现,支持复杂的图表。使用方式上,可以是客户机/服务器方式,也可以是浏览器方式。
事实上,没有一种工具能够满足
数据仓库
的全部分析功能需求,一个完整的
数据仓库
系统的功能可能是由多种工具来实现,因此必须考虑多个工具之间的接口和集成性问题,对于用户来说,希望看到的是一致的界面。
8.数据仓库的管理
只重视
数据仓库
的建立,而忽视
数据仓库
的管理必然导致
数据仓库
项目的失败。
数据仓库
管理主要包括数据库管理和
元数据
管理。
数据库管理需要考以下几个方面:
·安全性管理。
数据仓库
中的用户只能访问到他的授权范围内的数据,数据在传输过程中的加密策略。
·
数据仓库
的备份和恢复。
数据仓库
的大小和备份的频率直接影响到备份策略。
·如何保证
数据仓库
系统的可用性,硬件还是软件方法。
·数据老化。设计
数据仓库
中数据的存放时间周期和对过期数据的老化方法,如历史数据只保存汇总数据,当年数据保存详细记录。
然而,
元数据
管理贯穿于整个系统的建设过程中,
元数据
是描述数据的数据。在数据采集阶段,
元数据
主要包括下列信息:
·源数据的描述定义:类型、位置、结构。
·数据转换规则:编码规则、行业标准。
·目标
数据仓库
的模型描述:星型/雪花模型定义,维/事实结构定义。
·源数据到目标
数据仓库
的映射关系:函数/表达式定义。
·代码:生成转换程序、自动加载程序等。
在数据管理阶段,
元数据
主要包括下列信息:
·汇总数据的描述:汇总/聚合层次、物化视图结构定义。
·历史数据存储规则:位置、存储粒度。
·多维数据结构描述:立方体定义、维结构、度量值、钻取层次定义等。
在数据展现阶段,
元数据
主要包括以下信息:
·报表的描述:报表结构的定义。
·统计函数的描述:各类统计分析函数的定义。
·结果输出的描述:图、表输出的定义。