简述数据仓库的组成 带有ODS的体系结构中数据仓库的设计方法[7]

带有ODS的体系结构中数据仓库的设计方法[7]  

　　第二步 按照业务逻辑的规则 对数据进行归并

　　把ODS中不同主题中的表示相同业务的数据(来自不同的业务系统)进行归并 例如一般企业的客服系统(Call Center)都受理一部分业务 而这些业务受理与在营业厅或销售店的受理是一样的 因此这类数据要归并到一起

　　第三步 把包含细节过多的交易记录进行拆分

　　事实上 一个交易记录所包含的信息内容非常丰富 往往超越了某个人或部门的分析需求 但不同的人有不同的关注点 因此为提高性能起见 我们需要把一个长记录包含的信息进行分析 分解 汇总 例如在电信企业中 经过二次批价后的通话详单包含多种信息 经过分析 它包括网络信息 业务类型信息 时间信息 地理信息 费用信息这样几个类别的信息 而每一类信息都由几个字段来进行记录 这些不同类别的信息是很少有人都同时关心的 一般来说网管部门关心网络信息 市场部门关心业务类型信息 而时间信息和地理信息恰是所有部门都需要的 按照这样的情况 我们把一条话单按照信息内容进行拆分 拆分后进行汇总归并 以支持不同部门的分析要求 当然 对于数据挖掘应用 可能同时关心所有的信息以发掘不同信息之间的关系 但这种情况一则很少 二则真正的数据挖掘更多的时候依赖于交易细节数据 也就是说 对于专题问题的研究可以从ODS中进行数据的再次处理

　　第四步 汇总 再汇总

　　汇总的问题决不仅仅是为了提高性能而做的事情(当然汇总能够有效提高性能) 但汇总同时意味着更高程度的综合 在这个过程中 我们会发现与ODS系统设计过程相反 我们从细节走向了宏观 在ODS中我们初步确定了企业信息模型 对企业信息模型进行初步分解 再分解 再分解 得到了一个个的主题;在数据仓库中 我们从一个个的主题开始 综合 再综合 我们沿着与ODS相反的方向 走向了企业的宏观数据视图 事实上在DW设计中 汇总 综合的终极目标 是要在最后把多个主题汇总成为一个大的主题 而这个主题所包含的维度和度量就是这个企业运行的命脉指标 是企业老板所最为关注的那几个指标