数据仓库与商务智能

本文基于 DAMA-DMBOK 框架整理，约 1421 字。

1. 引言

数据仓库的概念始于20世纪80年代。该技术赋能组织将不同来源的数据整合到公共数据模型中去，整合后的数据为业务运营提供洞察，为企业决策支持和创造组织价值开辟新的可能性。数据仓库提供了一种减少数据冗余、提升数据一致性，让企业能够利用数据做出更优决策。

随着技术的不断发展，数据仓库支撑的应用愈加广泛，不仅支撑组织的运用分析，更是对在线应用有着重大的影响。在面对爆炸的数据场景，更是直接改变了数据与用户的交互方式，信息推荐在大数据时代可以说是商业模式的一大颠覆。

1.1业务驱动因素

数据仓库主要的驱动力是运营支持职能、合规需求和商务智能活动。越来越多的组织被要求用数据来证明他们是合规的，因为数据仓库中包含历史数据，所以经常被拿来响应这类需求；商务智能支持一直是建设数据仓库的主要原因，商务智能为组织、客户及产品提供洞察。通过商务智能获得决策知识并采取行动的组织，能提升其运营效率，增强其竞争优势（随着数据的剧增、数据技术的发展，商务智能从回顾评价逐渐发展到预测分析）。

1.2目标和原则

一个组织建设数据仓库的主要目标通常有：

支持商务智能活动。

赋能商业分析和高效决策。

基于数据洞察寻找创新方法。

数据仓库建设应遵循如下指导原则：

聚焦业务目标。确保数据仓库用于组织最高优先级的业务并解决业务问题。

以终为始。让业务优先级和最终交付的数据范围驱动数据仓库内容的创建。

全局性的思考和设计，局部性的行动和建设。让最终的愿景指导体系架构，通过集中项目快递迭代构建增量交付，从而实现更直接的投资回报。

总结并持续优化，而不是一开始就这样。以原始数据为基础，通过汇总和聚合来满足需求并确保性能，但不替换细节数据。

提升透明度和自助服务。上下文信息越丰富，数据消费者就越能从数据中获取更多数据价值。向利益相关方公开集成的数据及其流程信息。

与数据仓库一起建立元数据。数据仓库成功的关键是能准确解释数据。

协同。与其他数据活动协作，尤其是数据治理、数据质量和元数据管理活动。

不要千篇一律。为每种数据消费者提供正确的工具和产品。

1.3基本概念

商务智能 ：商务智能这个概念有两层含义，一是理解组织的诉求和寻找机会的数据分析活动，通过数据分析的结果用来提高组织决策的成功率；一是支持这类数据分析活动的技术集合，包括决策工具、、商务智能工具、数据可视化技术等。

数据仓库：数据仓库有两个重要组成部分，一个是集成的决策支持数据库；另一个是与之相关的的软件程序，包括用于收集、清理、转换和存储来自各种操作和外部源数据的系统。为了支持商务智能需求，除了企业级数据仓库（EDW）还会建设与之依赖的数据集市，用以满足特定领域的数据需求。

数据仓库建设：数据仓库建设是指数据仓库中数据的抽取、清洗、转换、控制、加载等操作过程。数据仓库建设流程的重点，是通过一定程度的强制规范业务规则、维护适当的业务数据关系，在运营上实现一个集成的、历史的业务环境。

数据仓库建设方法：大部分关于数据仓库构建的讨论，都受到两位有影响力的思想领袖Bill Inmon 和Ralph Kimball的影响，他们在数据仓库建模和实施上各有不同的方法和思想。Inmon把数据仓库定义为“面向主题的、整合的、随时间变化的、相对稳定的支持管理决策的数据集合”；Kimball把数据仓库定义为“为查询和分析制定的交易数据副本”，其建模方法就是我们常见的多维模型。虽然他们提出建设数据仓库的方法不同，但是核心理念却是相似的：

昱珩的工业落地视角

工业数据仓库不是简单堆数据，而是面向生产运营主题建模。昱珩结合 DAMA 数据仓库与商务智能方法，为企业构建覆盖产量、质量、能耗、设备 OEE 的分析主题，支持从班组到管理层的多层决策看板。