如何利用数据仓库优化数据分析?

大数据 数据仓库
在整个数据分析流程中,数据处理的时间往往要占据70%以上!这个数字有没有让你震惊呢?为了提高分析效率和质量,借用数据仓库进行数据分析是一个很好的选择,详细的工作方法本文都有所介绍。

[[175588]]

在整个数据分析流程中,数据处理的时间往往要占据70%以上!这个数字有没有让你震惊呢?为了提高分析效率和质量,借用数据仓库进行数据分析是一个很好的选择,详细的工作方法本文都有所介绍。

首先,我们来了解一下数据仓库吧!数据仓库是一个面向主题的、集成的、相对稳定的、反应历史变化的数据集合。那数据分析又是干什么的呢?笔者凭借个人的经验认为,基于业务需求,结合历史数据,利用相关统计学方法和某些数据挖掘工具对数据进行整合、分析,并形成一套最终解决某个业务场景的方案就是数据分析的过程。

数据分析大致包括以下流程:36大数据(http://www.36dsj.com/)

业务理解 – 数据理解 – 数据准备 – 建模 – 评估 – 部署

由于数据分析对数据质量、格式的要求天然就比较高,对数据的理解也必须非常深刻,使得数据契合业务需求也要一定的过程,这样,根据我们的经验,在整个数据分析流程中,用于数据处理的时间往往要占据70%以上。

因此,如何高效、快速地进行数据理解和处理,往往决定了数据分析项目的进度和质量。而数据仓库具有集成、稳定、高质量等特点,基于数据仓库为数据分析提供数据,往往能够更加保证数据质量和数据完整性。36大数据(http://www.36dsj.com/)

利用数据仓库进行数据分析无疑能够给我们的工作带来很大便利,那么,究竟要如何操作呢?我们首先需要了解数据仓库的优势,数据仓库至少可以从如下三个方面提升数据分析效率:

1. 数据理解

数据仓库是面向主题的,所以其自身与业务结合就相对紧密和完善,更方便数据分析师基于数据理解业务。下图是Teradata关于金融行业的成熟模型:

我们可以看到,整个数据仓库被分为十大主题,而金融行业所有的数据、业务都会被这十大主题涵盖。当我们需要找某个信用卡账户信息时,我们就去协议(AGREEMENT)主题,需要某次存款交易信息时就去探寻事件(EVENT)主题,需要某个理财产品相关信息就挖掘产品(PRODUCT)主题,如此类推,我们就会发现十大主题将整个金融行业的数据划分得非常清晰,我们需要做的就是拿到业务需求,理解数据仓库的模型,数据理解也就水到渠成了。

2. 数据质量

数据分析要求数据是干净、完整的,而数据仓库最核心的一项工作就是ETL过程,流程如下:

而数据仓库已经对源系统的数据进行了业务契合的转换,以及脏数据的清洗,这就为数据分析的数据质量做了较好的保障。

3. 数据跨系统关联

上图是数据仓库的一个简单架构,可以看到,各业务源系统的数据经过ETL过程后流入数据仓库,当不同系统数据整合到数据仓库之后,至少解决了数据分析中的两个问题:

***,跨系统数据收集问题,同一个客户的储蓄交易和理财交易我们在同一张事件表就可以找到;

第二,跨系统关联问题,同一个客户可能在不同系统中记录了不同的客户号,甚至存在不同的账号,进行数据整合时,总是需要找到共同的“纽带”来关联来自不同系统的信息,而数据仓库在ETL过程中就会整合相关客户信息,***解决跨系统关联问题。

可见,数据仓库是整合的、面向主题的、数据质量高的、跨系统的优质数据源,那么,我们该如何充分利用这些优势呢?

笔者总结了如下经验:36大数据(http://www.36dsj.com/)

1. 研究数据仓库模型:数仓的精髓就是面向主题的模型,能理解各大主题域范畴,熟悉不同主题间的关系,基本就掌握了数仓的架构;

2. 学习数据仓库设计文档:设计文档是业务与数据,数仓与源系统的桥梁,熟悉表间mapping映射,就能快速定位需求变量的来源和处理逻辑,全面了解相关业务;

3. 熟悉数据字典表:数据字典是数据仓库物理存储的信息库,可以通过数据字典了解库、表、字段不同层级的关系、存储、类型等信息;

4. 研究ETL脚本:学习几个数据仓库ETL加工脚本,能更细致的探索数据加工处理逻辑,更清楚的理解数仓加工模式,快速掌握数据加工技巧;

5. 观察明细数据:想要真正了解数据,就必须对具体数据进行不同维度和层次的观察;比如事件表,从交易类型、时间、渠道、业务种类等多个维度捞几条数据,观察某个相同条件下不同维度的交易变化,了解银行交易的全景信息,帮助理解业务,熟悉数据。

事实上,除此之外,数据处理人员还应该从中学习到数据仓库的思想:面向主题,逐层加工。36大数据(http://www.36dsj.com/)

面向主题是指让杂乱的数据结合业务划分,更容易着手处理原本杂乱的数据,数据处理人员只需知道哪些数据属于哪个主题,然后基于主题再进一步处理;逐层加工则是指让细粒度的数据走向宽表的过程清晰,有层次,数据处理过程中清楚每一步的产出是什么。

其实,每一个数据分析师或者数据处理师都会有自己的工作习惯和经验,以上是笔者经历两年多数据仓库开发、三年数据仓库和数据分析兼职者的经验总结的一些心得,希望对大家有所帮助。

责任编辑:武晓燕 来源: 36大数据
相关推荐

2023-08-23 15:33:15

数据仓库数据分析

2019-06-06 14:08:37

数据仓库数据分析数据报表

2023-09-05 16:30:53

数据仓库数据分析

2017-04-06 22:15:07

数据分析数据存储数据仓库

2011-04-14 14:28:53

数据仓库数据分析

2013-10-29 13:28:13

数据

2019-05-24 11:51:18

BI数据仓库数据分析

2023-08-31 17:10:56

数据仓库高级互联网架构架构

2011-06-29 10:13:09

SEO

2023-12-14 14:41:37

2020-02-17 11:37:54

大数据数据仓库技术

2016-08-15 12:57:01

数据仓库索引架构维度索引

2012-03-05 10:06:40

云计算数据仓库数据迁移

2021-09-01 10:03:44

数据仓库云数据仓库数据库

2012-05-30 11:29:14

Hadoop大数据

2019-11-13 08:00:34

大数据数据分析企业

2023-06-26 23:42:47

2020-04-06 13:52:45

数据仓库大数据平台Hadoop

2009-01-19 14:48:02

ETL优化过程原理

2016-12-21 12:46:47

数据仓库SQLHive
点赞
收藏

51CTO技术栈公众号