最成功的数据仓库都是以循序渐进的方式逐步发展起来的，它的每一次发展都提高了信息的商业价值。近年来，数据仓库已经发展到能支持企业决策，甚至支持企业合作伙伴和客户的新高度。在电信领域也是如此。数据仓库提供的信息极大地提高了电信相关业务部门的决策质量，特别是在当今竞争异常激烈的商业环境中，数据仓库的作用日益凸现。

    由于电信领域的数据生成环节较多，涵盖网络资源和运营状态、不同业务的运行状态、用户属性描述数据和用户消费行为记录数据等。要想妥善存储、管理这些数据，并且在决策中发挥其价值，对于电信数据仓库的设计至关重要。目前，在电信数据仓库的设计过程中要把握好以下环节。

    异种数据源集成

    企业在进行经营分析与决策支持系统的建设时，必须将遗留系统（LegacySystem）进行高效全面的集成。由于遗留系统是在企业发展的不同时期建设的，往往缺乏全局规划，所以拥有不同的操作系统、不同的数据库、不同的网络通信机制等，形成了所谓的“信息孤岛”。

    系统中采用异种数据源企业应用集成接口，来实现对异种数据源的透明访问，包括数据源元数据访问及业务操作数据访问。数据源分为在线数据源和离线数据源，在线数据源是指允许在线抽取的业务数据源，如营业数据；离线数据源是指不允许直接在线抽取的数据源，如计费样单数据就是以脱机文件数据格式及FTP方式集成进系统。

    对数据源实现元数据级的管理，数据源的连接类型（ODBC、OLEDB、JDBC、Native）、连接字符串以及数据结构信息都以元数据的形式存储于元数据库中，通过控制台对其进行业务语义定义，使用户对整个企业的信息系统有全面的掌握。

    ODS层的设计

    操作数据存储ODS（OperationDataStor－age）是一个集成了来自不同数据库数据的环境。其目的是为终端用户提供一致的企业数据集成视图。它可以帮助用户轻松应对跨多个商业功能的操作挑战，是面向主题的、集成的、近实时的数据存储。

    设计ODS层的目的在于改善对关键操作数据库的存取状况，用户能获得收益、客户等主题的企业级完整视图，有利于更好地通观全局。近实时的数据存储提供了查询与服务能力，并以更高的性能生成操作报告。设计ODS的核心是实现焦点主题全局试图应用，如企业的客户管理系统，可以建立以客户为中心的ODS客户主题视图，向上层提供高效的服务。而对于话费结算则采取从综合结算系统中直接抽取到数据仓库的方式，抽取周期为结算周期，能完全满足决策分析的时间窗要求。

    ETL过程的设计

    数据抽取、转换和加载，是数据仓库实现过程中，数据由数据源系统向数据仓库加载的主要方法，整个数据处理过程如下：

    数据抽取。从数据源系统抽取数据仓库系统所需的数据，数据抽取采用统一的接口，可以从数据库抽取数据，也可以从文件中抽取。对于不同数据平台、源数据形式、性能要求的业务系统以及不同数据量的源数据，可能采用的接口方式不同，为保证抽取效率、减少对生产运营的影响，对于大数据量的抽取，采取“数据分割、缩短抽取周期”的原则，对于直接的数据库抽取，采取协商接口表的方式，保障生产系统数据库的安全。

    数据转换。数据转换是指对抽取的源数据根据数据仓库系统模型的要求，进行数据的转换、清洗、拆分、汇总等，保证来自不同系统、不同格式的数据和信息模型具有一致性和完整性，并按要求装入数据仓库。

    数据加载。数据加载是将转换后的数据加载到数据仓库中，可以采用数据加载工具，也可以采用API编程进行数据加载。数据加载策略包括加载周期和数据追加策略，对于电信企业级应用，采用对ETL工具DataStage进行功能封装，向上提供监控与调度接口的方式。数据加载周期要综合考虑经营分析需求和系统加载的代价，对不同业务系统的数据采用不同的加载周期，但必须保持同一时间业务数据的完整性和一致性。

    仓库模型设计

    由于经营分析需求的不断变化，数据仓库中数据的存储必须采用主题分域的方式，以尽可能小的业务单元进行数据的组织和存储，以满足数据仓库的灵活性要求。此外，任何一个信息系统都具有整体性、结构性、层次性、相对性、可变性，数据仓库的目标逻辑结构的设计要体现这些特征。

    例如，某电信运营商的业务可以按照不同的主题域分为八类：客户、账务、资源、服务、客服、营销、服务使用、结算。客户主题包含与客户相关的基本信息，如客户的自然属性（姓名、年龄、职业等）、分类信息（现有客户、潜在客户、大客户等）、重要属性信息（信用度、忠诚度、消费层次等）。
 
    账务主题中包含了与客户相关的费用信息，如明细账单、综合账单、账本、账户、付费记录、销账流水等；资源主题中包含网络资源、服务资源信息及占用情况；服务主题包含产品、套餐、资费与优惠规则等的信息；客服主题包含与客户服务相关的部门信息、流程信息、分类信息等；营销主题包含销售机会、营销渠道、促销活动等相关信息；服务使用主题描述客户购买和使用电信服务产品的信息，包括用户、服务使用记录、清单等；结算主题包含结算清单、结算明细账单、合作服务方等信息。对于主题的建模采用星形结构，以事实表或概要表加相关维表构成。

    元数据管理

    元数据（Metadata）是关于数据、操纵数据的进程以及应用程序的结构、意义的描述信息，其主要目标是提供数据资源的全面指南。元数据是描述数据仓库内数据结构和建立方法的数据，可将其按用途分为技术元数据（TechnicalMetadata）、业务元数据（BusinessMetadata）和内联映射元数据（Inter-MappingMetadata）。

    技术元数据是存储关于数据仓库系统技术细节的数据，是用于开发和管理数据仓库的数据，主要包括数据仓库结构的描述（各个主题的定义、星形模式或雪花形模式的描述定义等）、ODS层的企业数据模型描述（以描述关系表及其关联关系为形式）、对数据稽核规则的定义、数据集市定义描述与装载描述（包括Cube的维度、层次、度量以及相应事实表、概要表的抽取规则）。另外，安全认证数据也作为元数据的一个重要部分进行管理。

    业务元数据从业务角度描述了数据仓库中的数据，它提供了介于使用者和实际系统之间的语义层，使得不懂计算机技术的业务人员也能够理解数据仓库中的数据。业务元数据包括以下信息：使用者的业务术语所表达的数据模型、对象名和属性名；访问数据的原则和数据来源；系统所提供的分析方法及公式、报表信息。

    内联映射元数据（Inter-MappingMetada－ta）实现技术元数据与业务元数据的层间映射，使得信息系统的概念模型与物理模型相互独立，使企业的概念、业务模型重组以及物理模型的变化相互透明。内联映射元数据从技术上为业务需求驱动、企业数据驱动的双驱动建设模型提供了重要保证,使信息系统的建设具有更高的灵活性与适应性。

    专题数据挖掘

    电信企业在长期信息化建设过程中积累了大量业务运营数据和业务管理数据，一般的企业数据量已超过TB级。市场的激烈竞争和管理的复杂性，决定了企业需要对客户关系、市场营销、产品工程、投资分析等方面的历史数据进行提取与分析，将数据转化为有用的信息。数据挖掘一般用于在海量数据集中发现间接、隐藏、新颖的规律，数据挖掘技术的优势在于，通过对数据集进行有限步骤的采集、整理、分析、推理、比较等分析手段，来揭露埋藏数据内部的有用信息。数据挖掘常用的算法包括：关联规则、聚类检测、决策树、神经网络、遗传算法、支持向量机等，在SAS、IM8等数据挖掘工具中支持的算法包括决策树、聚类分析、神经网络、回归分析等。

    以电信经营数据分类与预测分析数据挖掘专题为例，分类包括客户分类、网元分类等；预测包括客户发展分析与预测、业务量发展分析与预测、客户流失分析与预测、营销管理与销售机会分析与预测、市场竞争分析与预测、大客户分析与预测等。采用回归分析业务量进行预测，以2003年7月1日到29日的通话次数历史数据，预测2003年7月30日的通话次数，结果为：2003年7月30日的预测通话次数为31715.84323，2003年7月30日的实际通话次数为30926；具有较高的预测准确率。

    电信企业的数据仓库系统建设是一项复杂的系统工程，通过上述实例中的实施，用户形成了一套有自己特色的，涵盖企业客户、产品、账务等主题的数据模型，建立了企业级的数据仓库，并进行数据模型和数据仓库的运行验证，产生报表的速度、质量、数据分析结论都基本上达到数据仓库应有的效能，为电信企业的经营分析与决策提供了科学的依据。

    相关链接

    数据仓库的概念及特点

    目前，数据仓库一词尚没有一个统一的定义，著名的数据仓库专家W.H.Inmon在其著作《Buildingthe Data Warehouse》一书中给予如下描述：数据仓库是一个面向主题的（SubjectOriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（TimeVariant）的数据集合，用于支持管理决策。对于数据仓库的概念，我们可以从两个层次予以理解：一是数据仓库用于支持决策，面向分析型数据处理，它不同于企业现有的操作型数据库；二是数据仓库是对多个异构数据源的有效集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。

    根据数据仓库概念的含义，数据仓库拥有以下四个特点：

    ――面向主题。操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织的。主题是一个抽象的概念，是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息系统相关。

    ――集成。面向事务处理的操作型数据库通常与某些特定的应用相关，数据库之间相互独立，并且往往是异构的。而数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致，以保证数据仓库内的信息是关于整个企业的一致的全局信息。

    ――相对稳定。操作型数据库中的数据通常实时更新，数据根据需要及时发生变化。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是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，通常只需定期加载、刷新。

    ――反映历史变化。操作型数据库主要关心当前某一个时间段内的数据，而数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点（如开始应用数据仓库的时点）到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势作出定量分析和预测。

    企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础的。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们作出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。

    数据仓库概念与传统的数据库有着本质的区别：数据仓库的特点是面向分析型数据处理、对多个异构的数据源进行有效集成、数据相对稳定并反映历史变化；数据库的特点是面向事务型数据处理、数据库之间相互独立且异构、数据实时更新且通常关心当前数据。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。