数据仓库让数据变成知识.docVIP

数据仓库让数据变成知识 在数据仓库应用的帮助下,企业决策者可以从质量、区域收入和产量等基本面上对企业性能进行跟踪,并基于这些可靠的信息采取快速、明智的行动。 　　长期积累的数据是资源，是财富，更是一种急待我们去消化的知识。 　　用户需要知识 　　企业信息化发展到一定程度，在应用如ERP、SCM、CRM过程中，大量不同数据产生并积累，形成大量的报表信息，不同应用所形成的信息更容易形成信息孤岛。如何才能充分应用不同业务部门的详尽数据进行综合分析，以往企业都是耗费人力资源去做这些工作。 　　上述因素引发企业急需一种平台，能有助于把客户和运作数据智能的转化为知识，使企业作出更佳决策，赢得市场竞争优势。这就是商业智能最基本的应用。 　　其实，商业智能一直存在于企业的日常工作当中。如企业对数据的基本整理后对报表进行分析，并通过分析后的结果制定未来相应的工作计划等，这些都是商业智能的表现。 　　商业智能(BI)的概念最早是由Gartner Group的Howard Dresner于1996年提出来的。确切地讲，商业智能并不是一项新技术,它是将数据仓库(DW)、联机分析处理(OLAP)、数据挖掘(DM)等技术与客户关系管理(CRM)结合起来应用于商业活动实际过程当中，及时服务于管理层决策的目的。 　　商业智能不再仅仅是一种概念、一种技术，它更多地成为了一种业务层面的需求，它的应用使用户能够认清趋势、识别模式、获取洞察力和得出结论，最终为企业决策提供完善的应用服务。 　　如何才能从海量数据中提取出智能信息来支持企业决策呢？这是企业亟须解决的战略之一，数据仓库是商业智能的基石，成了企业解决需求的首选。 　　数据仓库技术是为了有效地把操作形数据集成到统一的环境中，以提供决策型数据访问的各种技术和模块的总称。数据仓库是商业智能里关键的一个环境，而不是一件产品。 　　它利用所有可能的数据为分析统计和快速而正确的决策支持，通过它可满足决策支持和联机分析应用所要求的一切。以往的关系型数据库因为其简单的数据模型， 不灵活的构架， 极差的事务处理性能等缺点，造成了以商务智能为目的高性能和高扩展能力的数据环境不可能迁移到关系型数据库上。 　　数据仓库并没有严格的数学理论基础，它更偏向于工程。这与关系数据库不同。由于数据仓库的这种工程性， 因而在技术上可以根据它的工作过程分为：数据的抽取、 存储和管理、 数据的表现以及数据仓库设计的技术咨询四个方面。 　　在Gartner对1000多个企业 CIO的调查中显示，超过半数的 CIO认为，数据仓库软件的运用将会成倍提高企业数据分析能力和决策能力，且企业在这方面的预算将会不断增长。来自IDC的数据表明：亚太地区商业智能软件市场将以每年23%的速度加大，预计在 2006年将达33亿美元，而数据仓库系统作为商业智能软件重要组成部分，在中国市场上的发展十分顺利，目前中国已经成为数据仓库在亚太地区增长最为迅速的市场之一。 　　让问题变得清晰 　　国内数据仓库从2002年后开始迅猛的发展,数据量比较多的行业已经启动BI解决方案的规划和实施，移动、金融处于领先位置。它们大都使用了比较先进的数据仓库技术，建立了比较灵活可扩展的数据仓库基础设施。 　　国内企业使用水平还比较初及，仍以报表、指标为主，有些系统建立了比较复杂的数据挖掘预测模型。应用的全面推广和对业务用户的培训是当务之急，以便全方位、深入地挖掘BI解决方案业务价值，获得更大的投资回报。 　　以山东建行为例，在山东建行商业智能项目开发过程中遇到的第一个问题是项目的组织管理问题,山东建行拥有四级机构，即省分行、二级分行(地市)、支行(县区)、网点，如果加上建设银行总行这一级，管理信息平台所面对的是一个五级组织层次的实施目标。这种机构划分使管理层次繁杂、部门林立、统计口径多样、报表种类繁多。面对这些多种多样的业务需求如何进行业务系统的构建呢? 　　商业智能系统的基本目标是面向企业决策分析，但由于企业管理的现实情况，商业智能的业务需求实际分为两个层面：低端的企业报表层和高端的决策分析层。国内银行商业化还处于起步阶段，业务决策分析基本还停留在所谓的专家模式上，因此业务部门很难在决策分析层面提出多少需求。 　　而在管理报表层面上，由于过去的企业管理体系一直是围绕报表建立的，业务人员则可以提供一整套完整的基于报表的业务需求，甚至有一套十分完整的生成报表的指标体系。 　　在决策分析需求不能提出的情况下，商业智能项目往往将现有的管理报表体系作为系统需求的主要来源，这虽然是一个错误的选择，但比之于做一个空中楼阁式的分析系统，一个自动灵活的报表系统无疑是更实际的选择，应该说这也是当前国内企业应用的一个现实的选择。 　　问题是这与项目的目标是错位的，于是在需求