数据挖掘、数据仓库，近些年在国内越来越热、越来越流行，需求比较多，应用也比较广泛，它们常服务于商务智能活动。通俗地概括来讲，我们可将它们统称作数据分析、数据计算。

我们介绍数据仓库在商业应用，主要涉及有两个方面，一个是有关数据仓库的常用技术，另一个是有关数据仓库的应用案例。同时也涉及数据仓库的两个背景，在我们经历的北美项目中，一个主要方面属于实际的商业应用项目，另一方面属于高校的学术研究领域的项目。两者在很多方面有明显的区别。我们这里主要介绍数据仓库的商业应用，因为商业应用经验存在比较大的价值。

数据仓库的商业应用技术之一：异构数据集成技术

数据仓库是集成的，数据仓库的要素包括本身是集成的、面向主题的、只读的、历史变化的。

如下图1：

例如，应用Oracle作为数据仓库的支撑环境，它有很多数据源，是由业务生产系统源源不断产生的，可能包括DB2、SQL Server、MY SQL等等不同的源数据。

异构数据集成的方法有很多，主要包括：

1. 如果Oracle作为数据仓库是基于Windows环境的，通过MS ODBC开放数据库互联;第三方ODBC开放数据库互联，如Data Direct Connect for ODBC;专用数据网关，如Transpatent Gateway;

2. 如果Oracle作为数据仓库是基于Unix或Linux环境的，通过Unix ODBC开放数据库互联;专用数据网关等。

3. 通过外部文件到数据库的导出和导入。

数据仓库的商业应用技术之二：数据的ETL抽取、变换、载入技术

1. 三层ETL体系

我们将数据的抽取、变换、载入技术称为ETL技术。ETL技术中，按要素分为三层，即元数据层、数据操纵层、数据存储层，三层交互作用。ETL工作首先需要在元数据层定义和构建，同时也涉及到有关数据存储的方式定义;基于元数据层的对象，ETL工作在数据操纵层对数据进行实际操作，并把数据载入到数据存储层;ETL工作还需要在数据存储层做一些必要的数据管理和优化工作。这就形成了ETL数据操纵的三层体系，如下图。

元数据 -> 数据操作层 -> 数据存储层。

2. ETL递进式数据演变

ETL数据变换在实际项目中有很多的方法，很多阶段，在此我们根据经验分为4个阶段为：

LANDING：抽取数据到Landing层中。

STAGING：根据我们业务的要求进行数据变换到Staging层中。

DATA CENTER：再根据需求设计放在Data Center层(也是EDW企业级数据仓库)中。

DATA MART：最后根据主题存放在Data Mart层中，如下图。

3. 并行ETL架构

并行处理技术也是数据库的一项核心技术，它可以提高ETL过程中在数据层处理的执行效率，将大量的查询过程分布到多个节点上同时执行。一个并行处理体系结构的数据仓库系统，不仅应该确保底层硬件平台的所有资源都得充分利用，而且应该能够将这些资源适当分配给多个并发请求，以提高数据层的并发处理能力，如下图。

4. ETL任务调度及备份

ETL任务调度(Scheduling Tasks)很重要，需要实时的备份。常用的ETL任务调度工具(Scheduling Tools)有：

Unix Scripts：Corn有比较稳定的可靠性。

Database Management Tool：Oracle Enterprise Manager

Third Party Tool：Control-M专用工具，专门为数据仓库完成任务，主要做ETL的Scheduling。

ETL任务调度备份方法有很多，如：

Scheduling Backup：Control-M as Master,

Unix Corn as Backup.

这样，相当于做了两个Scheduling设计，互为备份。

数据仓库的商业应用技术之三：数据仓库的架构技术

1. 多层次企业级数据仓库：DataMart-> EDW

在这个数据仓库架构的模型中，左边的是数据源通过变换到数据集市中，然后从数据集市再到企业级数据仓库(EDW)中，最后直接给终端用户使用。多层次主要体现在ETL和数据集成上，这个方法的优点在于建立了多个数据集市，它体现了一个分布式集成的概念，很大程度降低了企业级数据仓库建设的风险，更减少了资源投入，如下图。

2. 多层次企业级数据仓库： EDW -> DataMart

这个模型一开始就设计它的企业级数据仓库(EDW)，这种方法针对于一些涵盖了多个业务系统、面向不同用户的需求、针对数据平台也不一样的企业，例如：银行。用这个方法，把所有的业务系统考虑入内，通常考虑整体设计，然后再分发出去。DataMart划分方法有很多种。它的优点是集成度比较好，总体设计一开始就把所有的数据源都放到企业级数据仓库。缺点是风险高，投入也相对很高，如下图。

通常来说，实际项目中采用第一种方法的比较多。

3. 近实时的数据仓库

数据仓库是动态的，是随时间变化的。应用数据仓库，我们可以每天、每个月、每年分段来调取数据，如下图。

近实时(Near Real Time)的要求是比较高的，例如我们建立了一个数据仓库是全球性的，数据仓库中心在多伦多，数据源分布在很多地方如北美、欧洲，它需要一个近实时的操作系统。近实时的概念是操作系统和业务系统产生的数据，在一小时之内完成所有ETL任务，最后进入数据仓库。它对数据源的业务系统有比较高的要求，如数据的稳定性、可靠性、网络传输速率等，同时也涵盖了很多方面的专门技术来解决实时性。

4. 后复合数据集市

由于业务的扩展，企业增加了一个新的生产系统，从而诞生了新的数据源。我们需要建立一个新的数据源(New Data Source)通过ETL工作集成到数据集市(DMART)中，并与企业级数据仓库(EDW)结合到一起，最后提供给终端用户，如下图。

数据仓库的商业应用技术之四：数据仓库的优化技术

数据仓库优化包括很多内容，包括数据库实例优化、数据库的设计优化、数据仓库设计(建模)优化、数据存储优化、存储过程优化、中间层支持优化、应用支持优化(智能报表、即时查询、数据挖掘等应用)。

数据仓库的客户有两个常见要求，一个要求是快，还有一个要求是稳定。快有很多方面，在核心的数据库，有太多的因素影响速度，所以优化时要各个方面都要考虑。

1. 数据仓库设计(建模)优化

在设计的时候有很多的情况发生，在这里重点提一点，数据仓库还要考虑一个时间的因素，有的时候开始设计的时候性能非常好，但随着系统长时间的运行，发生了很多无法解决的、由设计造成的问题，如性能问题。曾经有欧洲的一家汽车企业，设计师对数据仓库的模型设计想法非常好，但是不适宜一个长时间的运行，数据增长以后性能大幅下降，数据运行可能会非常的慢，到了无法容忍的地步，结果导致运行两年以后就不行了。想要再进行结构修改也不可行了，必须要全部重来。

2. 数据存储优化

数据存储优化主要是如何尽量减小存储空间和提升性能。这点很重要，数据仓库往往都是牺牲空间来提升速度。但是也需要优化，很多问题在一些小的数据仓库系统可能都不存在，但是在比较大型的数据仓库系统中就会出现了。数据仓库数据不断增加，当使用时间比较长之后就会造成数据量过大、性能会大幅下降，为了避免这样的情况，我们在开始设计时，就要考虑到后续的使用，需要进行数据存储优化，主要包括：

Data Block Design：基本存储单位的设计。

Table Spacing：表空间的设计。

Table Partitioning：表空间的优化。

Indexing：索引的设计。

Index Partitioning：索引优化。

Data Compressing：数据压缩(同时会牺牲一些性能)。

3. 存储过程优化：就是后台的一些存储过程的优化。

4. 中间层支持优化：WEB SERVER之类的系统优化。

5. 应用支持优化：主要有智能报表、即时查询、数据挖掘等应用，也就是前台的一些应用也是需要优化的。一个REQUEST发出去，返回的RESULT，这个过程是有很多的步骤，也是需要进行优化处理的。

另外，还需要在一些方面对数据仓库进行优化，如：异构数据库互联优化。异构数据库互联，做数据仓库第一步就会碰到，数据仓库肯定有很多不同的数据源。具体如下图所示。

上述例子就比较复杂，既有不同数据库，又有不同操作系统。异构数据库互联优化的案例：

A、文件导出导入 -〉开放数据库互联

由文件导出导入方案改为开放数据库互联方案，可优化异构数据库互联的性能。例如：Windows ODBC, Unix ODBC，性能和可控性上肯定会比较好一点，但是有的时候并不是这样简单的要求，还需要考虑数据安全性的要求。例如某些情况下，条件不允许做数据库的互联。还有业务系统的健壮性能也要考虑。

B、通用ODBC -〉第三方专用ODBC

由ODBC方案改为第三方专用ODBC方案，可优化异构数据库互联的性能。例如： MS ODBC -> Data Direct ODBC。

C、开放数据库互联-〉专用数据网关

由ODBC方案改为专用数据网关方案，可优化异构数据库互联的性能。例如： MS ODBC -> Transparent Gateway。

作者：

Hong Song Lin(洪松林) 福安易数据技术(天津)有限公司(F&E DATA TECHNOLOGY CORP. )创始人，外国专家局引智技术专家，加拿大OCP认证专家，有20年智能计算(数据仓库、商务智能及数据挖掘)方面的研究、设计、开发和培训经验。掌握北美先进的项目经验，曾在加拿大安大略省卫生部(OMH)、蒙特利尔银行(BMO)、加拿大研科电讯公司(TELUS )、安省高教委(OCAS)等大型机构参与多个大型智能计算项目。近年来在国内主持多个智能计算产品的总体设计和研发工作，将北美的智能计算技术及业务经验与中国的专业需求和数据环境有效地结合起来，开发了以数据仓库、数据挖掘和数据统计为技术核心的智能数据分析产品，国内首创，并在北京、天津等地得到成功应用。