資料倉儲建模思想在商務智慧領域的應用(轉)
隨著企業資訊化程度的不斷提高,各類應用系統同時並存並支撐著企業的業務應用。越來越多企業的資訊化主管在開發企業應用時已經考慮到資料整合和將來對資料的整體有效利用,因此,在實施了ERP解決方案之後,很多企業選擇實施資料倉儲產品來避免資訊孤島,實現應用的內部聯絡和資訊的共享。
實施資料倉儲的企業,用何種標準去衡量本企業的資料倉儲建模是成功的呢?也許很多負責企業資訊化建設的主管自己也不是很清楚。原因是:起初企業決定要實施資料倉儲的初衷大都因為一些跨模組的報表開發不能夠實現,企業實施了ERP之後,財務報表,銷售分析的報表都很容易可以透過報表開發實現了,但一些跨模組的整合報表變得十分複雜,例如一個服裝製造企業,高層主管需要看到每個零售店鋪的銷售淨利潤,但零售店鋪的幾乎所有資訊都在零售系統中,而財務的相關資訊在企業的ERP中,此時就需要將資訊整合在企業級的中央資料倉儲中,去滿足此類整合的報表資料需求。在資料倉儲的建模過程中,實施人員往往會從滿足報表需求的角度出發,考慮如何搭建資料模型,而專案實施成功後的交付品就是實現了這樣的報表需求,資訊化主管此時也滿意的結束了資料倉儲的專案,這樣就算是成功的實施了資料倉儲建模嗎?
請各位思考以下幾點問題:
1、隨著競爭加劇,企業也需要加速改變架構及行銷策略,如果企業組織架構發生了變化,也就意味著資料倉儲中的主資料發生了變化,目前的模型中是否能靈活應對主資料的變化?
2、隨著企業業務量的上升,源系統中的資料量也增大,資料倉儲在抽取資料的過程中是否會降低業務系統的執行效率?
3、不同的業務資料來源是否能夠重複利用,如果有新增的報表需求,能否在現有建模的基礎上靈活實現?
以上提到的幾個問題與資料建模的思想息息相關,運用的得當,則企業在現在及未來都獲益不少,否則,對於企業而言可能在兩三年,甚至幾個月後就需要推到現行的專案重新要在軟、上投資了。
針對上述問題,資料倉儲領域提出了EDW的資料建模思想,透過資料分層和在資料倉儲中保留企業的範圍內一致的原子層資料為企業建立靈活,可靠的資料倉儲解決方案。
EDW的建模思想將資料倉儲區分為三個層次:
一、Extract Layer(資料提取層)
SAP BW將資料倉儲的資料來源分為兩種:SAP 資料來源和Non-SAP 資料來源。SAP BW和mysap.com的元件完全整合,將各元件的資料來源由預定義的提取機構及程式傳輸到BW的資料提取層。對於Non-SAP的資料來源,BW有開放的架構,透過BAPI介面傳輸資料。
提取層的資料保留了來自源系統的原始資料,儲存在二維的表中,以便於下一步的資料清洗、整合。其優點是:一次抽取到BW後,如果模型作了更改,不需要重複去源系統中抽取,而直接從BW表中抽取,提高資料倉儲的提取效率,降低對源系統的資源佔用,解決了上述第二個問題。
二、Integration Layer(資料合併層)
將提取層的原始資料進行清洗和整合,其實質就是建立資料來源之間的關聯,把有用的相關資料統一放在二維表中,例如:把FI/CO的資料來源整合到一個表中,以便於下一層的建模的使用。資料合併層能夠將提取層的原始資料自由組合,滿足多變的業務需求,解決了上述第一個問題
三、Data Mart Layer(資料集市層)
最終的報表將在這層模型上建立,所以,該層將使用星型資料模型(BW中稱之為InfoCube)建立不同的分析緯度,提高查詢的效率。
資料上載的流程從源系統到資料提取層,在由資料合併層清洗、整合後傳輸到資料集市層建立多維模型。EDW建模思想的優勢在於:將未來企業可能發生的業務變化,用三個層面的模型靈活處理。例如:當企業組織架構變化,即主資料發生變化後,BW可以在資料合併層應對主資料的變化。
[@more@]來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/132884/viewspace-976772/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 初識ABP vNext(11):聚合根、倉儲、領域服務、應用服務、Blob儲存
- 資料倉儲建模方法論
- 利用Data vault對資料倉儲建模
- 資料倉儲應該用什麼方案——資料倉儲實施方案概述
- 雲資料建模:為資料倉儲設計資料庫資料庫
- 人工智慧在辦公領域的應用及API資料返回人工智慧API
- 分層架構在資料倉儲的應用架構
- 基於COLA架構建立運輸微服務應用和DDD領域建模架構微服務
- 工業物聯網平臺在智慧水務領域的智慧應用
- 人工智慧的應用領域有哪些?人工智慧
- DDD領域驅動設計:倉儲
- 用形而上學進行領域建模
- 商業智慧BI的資料建模技術
- 利用Data Vault對資料倉儲進行建模(二)
- 架構師之路 - 業務領域建模架構
- 【轉】numpy:python資料領域的功臣Python
- 可口可樂在人工智慧和大資料領域的7項應用人工智慧大資料
- 資料倉儲主題域如何劃分
- ClickHouse在大資料領域應用實踐大資料
- 未來大資料的主要應用領域包括哪些大資料
- 雲資料庫在水利領域的應用與探索資料庫
- 最新資料倉儲建模指南頂級教程加強版
- 【資料倉儲】|4 維度建模之事實表設計
- 人工智慧在材料領域的應用有哪些?人工智慧
- Flink 在人工智慧領域的應用實踐人工智慧
- 【資料倉儲】|3 維度建模之維度表設計
- 區塊鏈的應用領域——公共服務(三)區塊鏈
- nodejs應用領域NodeJS
- Linux 應用領域Linux
- 阿里雲 Serverless 非同步任務處理系統在資料分析領域的應用阿里Server非同步
- 騰訊安全和安徽徵信達成戰略合作,共同探索資料技術在智慧金融、智慧政務等領域的應用
- 馬蜂窩資料倉儲的架構、模型與應用實踐架構模型
- 人工智慧在財富領域的應用與探索人工智慧
- 區塊鏈在人工智慧領域的前沿應用區塊鏈人工智慧
- 智慧影片分析技術在安防領域的應用
- 大資料應用:這5個領域必不可少!大資料
- 挖掘空間資料要素典型領域應用場景
- Graph Embedding在人力資本領域的應用
- ChatGPT在資訊保安領域的應用前景ChatGPT