前言

无论你是否专门从事大数据开发,作为一个开发人员,应该都听说过数据仓库的概念,那你知道为什么会出现数据仓库?数据仓库究竟是干嘛的吗?有什么价值和意义呢?那么本文就带到入门,揭开数据仓库的面纱。

数据仓库的由来

数据仓库为何而来,主要解决什么问题的?

先下结论:为了分析数据而来,分析结果为企业决策提供支撑。举个简单的例子,比如你们公司要要判断明年是否要进入生产口罩,那么就需要数据支撑,比如口罩市场的需求、饱和率、利润等等,然后借由分析结果,去做判断决策,而不是拍脑袋,不然大概率就是亏本的。

下面再以一个中国人寿保险公司发展为例,详细阐述数据仓库为何而来?

(1)OLTP系统处理业务数据

中国人寿保险(集团)公司下辖多条业务线,包括:人寿险、财险、车险,养老险等。各业务线的业务正常运营需要记录维护包括客户、保单、收付费、核保、理赔等信息。这么多业务数据存储在哪里呢?

这些通用的业务行为一般是发在联机事务处理系统(OLTP), 其主要任务是执行联机事务处理,前台接收的用户数据可以立即传送到后台进行处理,并在很短的时间内给出处理结果。

通常来说,这些业务数据最终都是落在关系型数据库中的,关系型数据库(RDBMS)是OLTP典型应用,比如:Oracle、MySQL、SQL Server等

这只是最基础的业务,但是随着业务规模的不断发展,衍生出了更多的数据分析型需求,用OLTP可行吗?

(2)分析型决策需求衍生

随着集团业务的持续运营,业务数据将会越来越多。由此也产生出许多运营相关的需求问题:

  • 能够确定哪些险种正在恶化或已成为不良险种?
  • 能够用有效的方式制定新增和续保的政策吗?
  • 理赔过程有欺诈的可能吗?
  • 现在得到的报表是否只是某条业务线的?集团整体层面数据如何?

为了能够正确认识这些问题,制定相关的解决措施,瞎拍桌子是肯定不行的。最稳妥办法就是:基于业务数据开展数据分析,基于分析的结果给决策提供支撑。也就是所谓的数据驱动决策的制定。

OLTP环境开展分析可行吗?

可以,但是没必要。OLTP系统的核心是面向业务,支持业务,支持事务。所有的业务操作可以分为读、写两种操作,一般来说读的压力明显大于写的压力。如果在OLTP环境直接开展各种分析,有以下问题需要考虑:

  • 数据分析也是对数据进行读取操作,会让读取压力倍增;
  • OLTP仅存储数周或数月的数据;
  • 数据分散在不同系统不同表中,字段类型属性不统一;

(3)数据仓库面世

当分析所涉及数据规模较小的时候,在业务低峰期时可以在OLTP系统上开展直接分析。但为了更好的进行各种规模的数据分析,同时也不影响OLTP系统运行,此时需要构建一个集成统一的数据分析平台。该平台的目的很简单:面向分析,支持分析,并且和OLTP系统解耦合。基于这种需求,数据仓库的雏形开始在企业中出现了。

数据仓库是一个用于存储、分析、报告的数据系统,目的是构建面向分析的集成化数据环境。我们把这种面向分析、支持分析的系统称之为OLAP(联机分析处理)系统。当然,数据仓库是OLAP系统的一种实现。

  • 中国人寿保险公司就可以基于分析决策需求,构建数仓平台。

数据仓库介绍

数据仓库(英语:Data Warehouse,简称数仓、DW),是一个用于存储、分析、报告的数据系统,主要目的是构建面向分析的集成化数据环境,分析结果为企业提供决策支持(Decision Support)。

  • 数据仓库本身并不“生产”任何数据,其数据来源于不同外部系统;
  • 同时数据仓库自身也不需要“消费”任何的数据,其结果开放给各个外部应用使用;
  • 这也是为什么叫“仓库”,而不叫“工厂”的原因。

数仓四大特征

那么数据仓库都有什么特点呢?

  1. 面向主题性(Subject-Oriented)
  • 主题是一个抽象的概念,是较高层次上企业信息系统中的数据综合、归类并进行分析利用的抽象。在逻辑意义上,它是对应企业中某一宏观分析领域所涉及的分析对象。
  • 传统OLTP系统对数据的划分并不适用于决策分析。而基于主题组织的数据则不同,它们被划分为各自独立的领域,每个领域有各自的逻辑内涵但互不交叉,在抽象层次上对数据进行完整、一致和准确的描述。

  1. 集成性

主题相关的数据通常会分布在多个操作型系统中,彼此分散、独立、异构。

  • 因此在数据进入数据仓库之前,必然要经过统一与综合,对数据进行抽取、清理、转换和汇总,这一步是数据仓库建设中最关键、最复杂的一步,所要完成的工作有:

    • 要统一源数据中所有矛盾之处。如字段的同名异义、异名同义、单位不统一、字长不一致等等。
    • 进行数据综合和计算。数据仓库中的数据综合工作可以在从原有数据库抽取数据时生成,但许多是在数据仓库内部生成的,即进入数据仓库以后进行综合生成的。

下图说明了保险公司综合数据的简单处理过程,其中数据仓库中与“承保”主题有关的数据来自于多个不同的操作型系统。

  1. 非易失性、非异变性
  • 数据仓库是分析数据的平台,而不是创造数据的平台。我们是通过数仓去分析数据中的规律,而不是去创造修改其中的规律。因此数据进入数据仓库后,它便稳定且不会改变。
  • 数据仓库的数据反映的是一段相当长的时间内历史数据的内容,数据仓库的用户对数据的操作大多是数据查询或比较复杂的挖掘,一旦数据进入数据仓库以后,一般情况下被较长时间保留。
  • 数据仓库中一般有大量的查询操作,但修改和删除操作很少。
  1. 时变性
  • 数据仓库包含各种粒度的历史数据,数据可能与某个特定日期、星期、月份、季度或者年份有关。
  • 当业务变化后会失去时效性。因此数据仓库的数据需要随着时间更新,以适应决策的需要。
  • 从这个角度讲,数据仓库建设是一个项目,更是一个过程 。

数据仓库架构

通常情况下,为了把一个复杂的工作拆成了多个简单的工作,一般将数据仓库架构分为三层,即数据操作层、数据仓库层和应用数据层(数据集市层)。

  1. ODS(Operation Data Store 数据准备区)

数据仓库源头系统的数据表通常会原封不动的存储一份,这称为ODS层,也称为准备区。它们是后续数据仓库层加工数据的来源。ODS层数据的主要来源是业务数据库、埋点日志、其他数据源。

  • 业务数据库:可使用DataX、Sqoop等工具来抽取,每天定时抽取一次;在实时应用中,可用Canal监听MySQL的 Binlog,实时接入变更的数据。
  • 埋点日志:线上系统会打入各种日志,这些日志一般以文件的形式保存,可以用 Flume 定时抽取。
  • 其他数据源:从第三方购买的数据、或是网络爬虫抓取的数据。
  1. DW(Data Warehouse 数据仓库层)

该层包含DWD、DWS、DIM层,由ODS层数据加工而成,主要是完成数据加工与整合,建立一致性的维度,构建可复用的面向分析和统计的明细事实表,以及汇总公共粒度的指标。

  • DWD(Data Warehouse Detail 细节数据层),是业务层与数据仓库的隔离层。以业务过程作为建模驱动,基于每个具体的业务过程特点,构建细粒度的明细层事实表。可以结合企业的数据使用特点,将明细事实表的某些重要维度属性字段做适当冗余,也即宽表化处理。
  • DWS(Data Warehouse Service 服务数据层),基于DWD的基础数据,整合汇总成分析某一个主题域的服务数据。以分析的主题为建模驱动,基于上层的应用和产品的指标需求,构建公共粒度的汇总指标事实表。
  • DIM(公共维度层 ),基于维度建模理念思想,建立一致性维度。
  • TMP层 :临时层,存放计算过程中临时产生的数据。
  1. ADS(Application Data Store 应用数据层)

该层是基于DW层的数据,整合汇总成主题域的服务数据,用于提供后续的业务查询等。

数据仓库开发语言

数仓作为面向分析的数据平台,其主职工作就是对存储在其中的数据开展分析,那么如何读取数据分析呢?

理论上来说,任何一款编程语言只要具备读写数据、处理数据的能力,都可以用于数仓的开发。比如大家耳熟能详的C、java、Python等。但是这些编程一员的学习成本和开发效率都不是十分友好,在数据分析领域中,SQL语言功能很强,十分简洁,用户也容易学习和使用,是主流的语言。比如比较常用的数据仓库工具Hive就是支持SQL的语法。

总结

本文通过例子讲清楚了数据仓库的来源,以及在企业应用中的必要性,主要是为了构建一个面向分析的集成化数据环境,分析结果可以为企业提供决策支持,真正实现数据驱动决策的目的。实际上数据仓库的建设远比上面提到的复杂,需要花费很大的成本,因此需要考虑清楚。

如果本文对你有帮助的话,请留下一个赞吧
欢迎关注个人公众号——JAVA旭阳
更多学习资料请移步:程序员成神之路

大数据时代,数据仓库究竟是干嘛的?相关推荐

  1. 一块牛肉干引发的大讨论——说说大数据时代的精准营销

    (现有的电商营销,像是乱箭齐发,不讲究精准.) 前几日,从淘宝网购了几袋牛肉干和鱿鱼丝,然后意外地发现,我新浪微博右下角的"热门商品推荐"栏,在不厌其烦地向我推荐同类商品.我顺手写 ...

  2. [数据分析方法论]大数据时代究竟带来了什么?写给普通人看的大数据文

    数据,让一切有迹可循,让一切有源可溯.我们每天都在产生数据,创造大数据和使用大数据,只是,你,仍然浑然不知. 百度知道和知乎问答里一直有小伙伴在问这个问题,比如"大数据时代,生活和思维发生了 ...

  3. 大数据时代究竟带来了什么? ——写给普通人看的大数据文章

    数据,让一切有迹可循,让一切有源可溯.我们每天都在产生数据,创造大数据和使用大数据,只是,你,仍然浑然不知. 百度知道和知乎问答里一直有小伙伴在问这个问题,比如"大数据时代,生活和思维发生了 ...

  4. 李德毅:大数据时代的位置服务

    李德毅:大数据时代的位置服务 2013-06-26 16:40:05 来源:CIO时代网 摘要: 中国工程院院士李德毅院士为大家带来<大数据时代的位置服务>的主题演讲,李德毅院士同时指出: ...

  5. 网站分析实战——如何以数据驱动决策,提升网站价值(大数据时代的分析利器)

    网站分析实战--如何以数据驱动决策,提升网站价值(大数据时代的分析利器) 王彦平吴盛峰  编著 ISBN 978-7-121-19312-5 2013年1月出版 定价:59.00 316页 16开 编 ...

  6. 人工智能与大数据时代-2020

    ​20200524 2020 新基建.新动能5G车路协同白皮书 2020 能源石化交易行业区块链应用白皮书 2020中国智慧文旅5G应用白皮书 自动驾驶仿真技术研究报告 中国独角兽企业发展白皮书 &q ...

  7. 《实战数据库营销——大数据时代轻松赚钱之道》新书试读+文摘

    数据库营销中数据库是工具,营销是核心 简单来讲,数据库营销就是企业通过搜集和整理消费者的信息,预测消费者有多大可能去购买某种产品,同时利用这些信息给产品以精确定位,有针对性地制定营销策略以达到说服消费 ...

  8. 网站分析实战——如何以数据驱动决策,提升网站价值(大数据时代的分析利器)...

    网站分析实战--如何以数据驱动决策,提升网站价值(大数据时代的分析利器) 王彦平吴盛峰  编著 ISBN 978-7-121-19312-5 2013年1月出版 定价:59.00 316页 16开 编 ...

  9. 大数据时代,企业如何发挥数据的重要性?

    毫无疑问,各行各业因为大幅爆发的数据而正变得蒸蒸日上.在这10年中,几乎所有行业都或多或少的受到这一巨变的影响.科技渗透到各个领域,并且已经成为每个处理单元的必要元素.谈到IT行业,具体来说,软件和自 ...

最新文章

  1. CVPR 2021 | 利用时序差分进行动作识别的最新Backbone—TDN
  2. 演示如何使用application.yml文件
  3. MySQL优化 之 Discuz论坛优化
  4. ROS学习(九)—— rqt_console 和 roslaunch
  5. 阿里再度开源重磅技术!95% 程序员都需要了解
  6. 数据库变为可疑_数据库出现可疑解决办法
  7. 微博黄v怎么认证:微博兴趣认证技巧
  8. 【visio】visio绘制流程图教程
  9. C盘扩容_解决过程记录
  10. 手把手教你在浏览器(chrom,edge)上安装Tampermonkey(油猴)(附所需所有内容链接)
  11. 自古英雄出少年,22岁中国小哥哥入选Nature十大人物
  12. 【嵌入式系统】STM32时钟系统+时钟配置函数解析
  13. python分割文件_python简单分割文件的方法
  14. 5款高效软件推荐,每一款都是良心之作
  15. 基金直销账户体系介绍
  16. 计算机毕业设计,vue+springboot的农产品溯源系统,内附源码
  17. CUMT学习日记——计算机操作系统之面向考题复习
  18. JDK环境变量及配置简介
  19. JS中String字符串
  20. 汽车发动机扭矩,转速,功率

热门文章

  1. 2019Google I/O开发者大会:Pixel 3a、Nest Hub Max,以及 AI 让生活更美好!
  2. 想学BIM,一定要买高配置的电脑吗?
  3. uni-app学习(一)
  4. 基于Vue2使用Vuex3
  5. 金蝶EAS DEP脚本(4)—— 控件常用脚本之设置F7默认值
  6. 携职教育:中级职称有用吗?怎么评中级?
  7. Win7 关闭启动修复功能
  8. oracle12c报crc错误,【已解决】系统提示CRC错误,该怎么办?
  9. CRC-16/CRC-32 程序代码
  10. 运动学习与控制 示范与口授