杨幂被强吻视频,美女视频福利网com

報表工具->數(shù)據(jù)倉庫->商業(yè)智能－SAP屠夫的博客

2007.07.30

報表工具->數(shù)據(jù)倉庫->商業(yè)智能

很多國有大企業(yè)的ERP實施是伴隨著一大堆分析報表的,如果ERP實施不考慮眾多的報表指標(biāo)和報表間復(fù)雜的鉤稽關(guān)系, 而僅僅是滿足財務(wù)的核算, 就非?？赡苊媾R失敗, 早期的國外ERP中一般會在各模塊提供眾多的系統(tǒng)分析報表系統(tǒng),比如信息系統(tǒng)或?qū)I(yè)的報表分析工具, 但是這些在線分析報表如果和業(yè)務(wù)分析處理系統(tǒng)處在同一服務(wù)器,則嚴(yán)重浪費資源,于是產(chǎn)生了所謂的DW數(shù)據(jù)倉庫, 現(xiàn)在DW換了個新叫法BI(商業(yè)智能). 在一個大型集團(tuán),如果基礎(chǔ)數(shù)據(jù)不全、管理不規(guī)范,核算不標(biāo)準(zhǔn)的情況下就實施BI,成功率將非常小.

.什么是數(shù)據(jù)倉庫(Data Warehouse)?

你可能得到很多關(guān)于數(shù)據(jù)倉庫的定義,但我還是愿意引申”數(shù)據(jù)倉庫之父”的William H. Inmon 在1991年出版的“Building the Data Warehouse”一書中所提出的定義.

*http://www.inmoncif.com/home/ 是Inmon的個人主頁,一看就知道是個喜歡折騰技術(shù)的人….

數(shù)據(jù)倉庫是一個面向主題的、集成的、相對穩(wěn)定的、反映歷史變化的、用于支持管理決策的數(shù)據(jù)集合。

根據(jù)數(shù)據(jù)倉庫的定義,它被描述成一個用來支持符合企業(yè)發(fā)展的管理決策的綜合的解決方案.

為什么使用數(shù)據(jù)倉庫(DW)?有這么些原因

(1).企業(yè)規(guī)模龐大.

(2).業(yè)務(wù)數(shù)據(jù)龐大.

(3).各分子公司系統(tǒng)異構(gòu).

(4).各種類型業(yè)務(wù)數(shù)據(jù)來源,數(shù)據(jù)需要匯總整合.

(5).ERP數(shù)據(jù)庫性能原因,生產(chǎn)系統(tǒng)性能的降低.

(6) ERP.數(shù)據(jù)庫通常不是為分析的目的設(shè)計的

ERP系統(tǒng)一般認(rèn)為是OLTP系統(tǒng),它不是專門為交叉主題分析報告而設(shè)計的.

交叉主題分析數(shù)據(jù)通常來自不同的模塊,報表公式邏輯將負(fù)責(zé)且分散.

(7).性能為體,復(fù)雜的管理層決策報表可能需要從多個模塊獲得數(shù)據(jù),這樣的報表開發(fā)通常因為業(yè)務(wù)數(shù)據(jù)量過多而導(dǎo)致運行速度極慢,如果ABAPer在程序性能優(yōu)化方面沒有經(jīng)驗,甚至報表根本就無法得出,而且會嚴(yán)重消耗R/3資源.

(8).用戶頻繁變動需求原因,為了某種分析目的,用戶要求報表經(jīng)常增加幾個新字段那是很正常的,不同用戶甚至對于同一個報表的取數(shù)邏輯的理解不同是正常的,不同領(lǐng)導(dǎo)對相似報表要求的報表行項目可能是不同的,不同企業(yè)對同一業(yè)務(wù)在R/3的處理方式是不一致.

一個在線分析系統(tǒng)OLAP系統(tǒng)(你可認(rèn)為DW系統(tǒng)也就是一個OLAP系統(tǒng))應(yīng)該有這么些系統(tǒng):

(1).市場和銷售分析（Marketing and Sales analysis）

(2).基于歷史數(shù)據(jù)的營銷（Database marketing）

(3).各種財務(wù)報告與合并報表（Financial reporting and consolidation）

(4).各類成本費用分析類的管理報告（Management reporting）

(5).利益率分析（Profitability analysis）

(6).質(zhì)量分析（Quality analysis）

(7).存貨分析(Inventory analysis)

......

一個大型ERP廠商應(yīng)該能同時提供完善的在線分析系統(tǒng)又不影響在線交易系統(tǒng)性能.

集團(tuán)企業(yè)都會尋找整合的高度集成的管理軟件，而不是簡單的反應(yīng)式的零散的管理產(chǎn)品.

說到OLAP，就談下OLTP，數(shù)據(jù)處理大致可以分成兩大類：在線事務(wù)處理OLTP（on-line tranSAction processing,R/3可看成一個OLTP系統(tǒng)）、在線分析處理OLAP（On-Line Analytical Processing）。OLTP是傳統(tǒng)的關(guān)系型數(shù)據(jù)庫的主要應(yīng)用，主要是基本的、日常的事務(wù)處理。OLAP是數(shù)據(jù)倉庫系統(tǒng)的主要應(yīng)用，支持復(fù)雜的分析操作，側(cè)重決策支持，并且提供直觀易懂的查詢結(jié)果。

摘自某網(wǎng)絡(luò)的一段描述，下表列出了OLTP與OLAP之間的比較。

OLTP

OLAP

用戶

操作人員,低層管理人員

決策人員,高級管理人員

功能

日常操作處理

分析決策

DB 設(shè)計

面向應(yīng)用

面向主題

數(shù)據(jù)

當(dāng)前的, 最新的細(xì)節(jié)的, 二維的分立的

歷史的, 聚集的, 多維的集成的, 統(tǒng)一的

存取

讀/寫數(shù)十條記錄

讀上百萬條記錄

工作單位

簡單的事務(wù)

復(fù)雜的查詢

用戶數(shù)

上千個

上百個

DB 大小

100MB-GB

100GB-TB

OLAP產(chǎn)品和OLAP準(zhǔn)則

最早的OLAP產(chǎn)品可以追溯到1970，但真正形成一個大的OLAP市場則是在90年代以后.聯(lián)機(jī)分析處理 (OLAP) 的概念最早是由關(guān)系數(shù)據(jù)庫之父E.F.Codd于1993年提出的，他同時提出了關(guān)于OLAP的12條準(zhǔn)則，OLAP作為一類產(chǎn)品同聯(lián)機(jī)事務(wù)處理 (OLTP) 明顯區(qū)分開來。

Codd提出OLAP的12條準(zhǔn)則來描述OLAP系統(tǒng)：

準(zhǔn)則1 OLAP模型必須提供多維概念視圖

準(zhǔn)則2 透明性準(zhǔn)則

準(zhǔn)則3 存取能力推測

準(zhǔn)則4 穩(wěn)定的報表能力

準(zhǔn)則5 客戶/服務(wù)器體系結(jié)構(gòu)

準(zhǔn)則6 維的等同性準(zhǔn)則

準(zhǔn)則7 動態(tài)的稀疏矩陣處理準(zhǔn)則

準(zhǔn)則8 多用戶支持能力準(zhǔn)則

準(zhǔn)則9 非受限的跨維操作

準(zhǔn)則10 直觀的數(shù)據(jù)操縱

準(zhǔn)則11 靈活的報表生成(目前BEx對中國式的格式報表顯然不靈活)

準(zhǔn)則12 不受限的維與聚集層次(受數(shù)據(jù)庫限制一般DW提供13個自定義緯度).

DW&OLAP的關(guān)系

數(shù)據(jù)倉庫與OLAP的關(guān)系是互補(bǔ)的，現(xiàn)代OLAP系統(tǒng)一般以數(shù)據(jù)倉庫作為基礎(chǔ)，即從數(shù)據(jù)倉庫中抽取詳細(xì)數(shù)據(jù)的一個子集并經(jīng)過必要的聚集存儲到OLAP存儲器中供前端分析工具讀取

讓我們回過頭來結(jié)合某BW來理解數(shù)據(jù)倉庫的這幾個重要特征:

(1).面向主題(Subject_orient)

主題是一個針對一決策問題而設(shè)置的分析對象,比如一個銷售利潤分析,如果你在SAP中寫過類似報表,你可能需要使用客戶,物料,銷售訂單和客戶發(fā)票等表,

加一些數(shù)據(jù)冗余。

(2).集成的數(shù)據(jù)(Integrated)

數(shù)據(jù)倉庫中存貯的數(shù)據(jù)是從原來分散的各個子系統(tǒng)中提取出來的，但并不是原有數(shù)據(jù)的簡單拷貝，而是經(jīng)過統(tǒng)一、綜合。其一，數(shù)據(jù)倉庫的數(shù)據(jù)不能直接從原有數(shù)據(jù)庫系統(tǒng)中得到。原有數(shù)據(jù)庫系統(tǒng)記錄的是每一項業(yè)務(wù)處理的流水帳，這些數(shù)據(jù)不適合于分析處理，在進(jìn)入數(shù)據(jù)倉庫之前必須經(jīng)過綜合、計算，拋棄分析處理不需要的數(shù)據(jù)項，增加一些可能涉及的外部數(shù)據(jù),在BW中這些可以通過各種手段比如更新規(guī)則,傳輸規(guī)則實現(xiàn).

其二，數(shù)據(jù)倉庫每一個主題所對應(yīng)的源數(shù)據(jù)在原分散數(shù)據(jù)庫中有許多重復(fù)或不一致的地方，必須將這些數(shù)據(jù)轉(zhuǎn)換成全局統(tǒng)一的定義，消除不一致和錯誤的地方，以保證數(shù)據(jù)的質(zhì)量。

對源數(shù)據(jù)的集成是數(shù)據(jù)倉庫建設(shè)中最關(guān)鍵，也是最復(fù)雜的一步。

(3).數(shù)據(jù)更新性

數(shù)據(jù)倉庫的數(shù)據(jù)一般不可更新，最終用戶只能通過分析工具進(jìn)行查詢、分析，一般不允許直接修改其中存貯的數(shù)據(jù),管理員可定期刪除歸檔一些歷史數(shù)據(jù)

(4)數(shù)據(jù)隨時間不斷變化(Time_variant)

數(shù)據(jù)倉庫中的數(shù)據(jù)隨時間變化而定期地被更新，每隔一段固定的時間間隔后，運作數(shù)據(jù)庫系統(tǒng)中產(chǎn)生的數(shù)據(jù)被抽取、轉(zhuǎn)換以后集成到數(shù)據(jù)倉庫中，可以采用完全和增量更新,可以根據(jù)需要自定義更新周期.

.一些常見BI術(shù)語(來自網(wǎng)絡(luò))

BI

商業(yè)智能（Business Intelligence），指數(shù)據(jù)倉庫相關(guān)技術(shù)與應(yīng)用的通稱。指利用各種智能技術(shù)，來提升企業(yè)的商業(yè)競爭力。

Data mart

數(shù)據(jù)集市，或者叫做"小數(shù)據(jù)倉庫"。如果說數(shù)據(jù)倉庫是建立在企業(yè)級的數(shù)據(jù)模型之上的話。那么數(shù)據(jù)集市就是企業(yè)級數(shù)據(jù)倉庫的一個子集，他主要面向部門級業(yè)務(wù)，并且只是面向某個特定的主題。數(shù)據(jù)集市可以在一定程度上緩解訪問數(shù)據(jù)倉庫的瓶頸。

數(shù)據(jù)集市:是用來分析特定業(yè)務(wù)主題或功能目標(biāo)的公司數(shù)據(jù)的專門項目的數(shù)據(jù)收集。這些數(shù)據(jù)是粒度化的,歷史的,整體的,全體的.

數(shù)據(jù)集市面向部門級業(yè)務(wù)，并且只是面向某個特定的主題。數(shù)據(jù)集市可以在一定程度上緩解訪問數(shù)據(jù)倉庫的瓶頸。

自下而上，"Think Big,Start Small".

另一種解決數(shù)據(jù)庫方案早期問題的方法是數(shù)據(jù)集市的發(fā)展

(1)獨立的數(shù)據(jù)集市

一個獨立的數(shù)據(jù)集市是建立使用一個中央的、企業(yè)級數(shù)據(jù)庫作為數(shù)據(jù)來源的數(shù)據(jù)集市。

所特別建立的單獨的數(shù)據(jù)集市是供單個的部門使用或者是為了滿足面向?qū)ｉT項目的分析方案的需要，

但是大多數(shù)機(jī)構(gòu)在其商務(wù)智能環(huán)境中愿意擁有多個數(shù)據(jù)集市。然而，不管在機(jī)構(gòu)內(nèi)有多少數(shù)據(jù)集市存在，

所有的數(shù)據(jù)集市的數(shù)據(jù)都來自EDW。

(2)非獨立的數(shù)據(jù)集市

(3)作為數(shù)據(jù)庫的數(shù)據(jù)集市

“數(shù)據(jù)集市是倉庫”,在數(shù)據(jù)庫團(tuán)體中一種學(xué)院派的想法是數(shù)據(jù)倉庫是由公司中的數(shù)據(jù)集市構(gòu)成的。

用這種方式，公司建立數(shù)據(jù)集市，終端用戶能夠獲取任何或者全部所需獲得的數(shù)據(jù)來完成分析。

該理論認(rèn)為，數(shù)據(jù)集市建立起來更簡便快捷，一旦建立，就從數(shù)據(jù)集市中獲取數(shù)據(jù)，而不用建立

和維護(hù)一個中央數(shù)據(jù)倉庫。就像在數(shù)據(jù)倉庫等技術(shù)領(lǐng)域大多數(shù)理論那樣，這個概念有一些優(yōu)點，

但是緊隨其后的是顯而易見的問題。

一個最重要的考慮是仍然打算確保在所有這些數(shù)據(jù)集市中獲取的數(shù)據(jù)能被正確使用和整合。

在當(dāng)今世界最艱巨的任務(wù)是方案的何去何從，以及執(zhí)行官、經(jīng)理、員工在商務(wù)和技術(shù)兩方面何去何從等。

企業(yè)級數(shù)據(jù)倉庫(EDW，Enterprise Data

Warehouse)，對于數(shù)據(jù)集市的定位也基本形成共識，那就是數(shù)據(jù)集市應(yīng)該從屬于企業(yè)級數(shù)據(jù)倉庫。

所謂EDW，基本的要求是整個企業(yè)能夠共享統(tǒng)一的數(shù)據(jù)存儲模型，為各級業(yè)務(wù)人員提供一致的信息視圖。

實施時可以先按照需求的輕重緩急選擇部分業(yè)務(wù)主題，然后逐步擴(kuò)展到涵蓋全部業(yè)務(wù)。

BI要想大做小，從最迫切的業(yè)務(wù)入手。無論是上哪種管理軟件，幾乎都會聽到同樣的聲音：不要貪大求全，從最迫切的業(yè)務(wù)入手，BI也不例外，它可以做成一個獨立的龐大系統(tǒng)，把企業(yè)中所有的業(yè)務(wù)數(shù)據(jù)全部放在一個數(shù)據(jù)倉庫里，進(jìn)行多維分析；也可以將其嵌入到各項單獨的業(yè)務(wù)數(shù)據(jù)中，進(jìn)行單獨的業(yè)務(wù)分析。咨詢顧問的意見是先把最緊要的業(yè)務(wù)管理起來，以便迅速響應(yīng)市場需求，做出最佳決策。積累了一定經(jīng)驗后，再逐漸增加BI系統(tǒng)繼續(xù)對其他業(yè)務(wù)進(jìn)行決策分析，這樣可以在一定程度上規(guī)避風(fēng)險，因為上BI也要進(jìn)行流程的重整，

缺少數(shù)據(jù)分析師,這些數(shù)據(jù)將從何而來.Think Big , Start small.

但是我們根本都沒有think . ROLAP

基于Codd的12條準(zhǔn)則，各個軟件開發(fā)廠家見仁見智，其中一個流派，認(rèn)為可以沿用關(guān)系型數(shù)據(jù)庫來存儲多維數(shù)據(jù)，于是，基于稀疏矩陣表示方法的星型結(jié)構(gòu)（star schema）就出現(xiàn)了。后來又演化出雪花結(jié)構(gòu)。為了與多維數(shù)據(jù)庫相區(qū)別，則把基于關(guān)系型數(shù)據(jù)庫的OLAP稱為Relational OLAP，簡稱ROLAP。代表產(chǎn)品有Informix Metacube、Microsoft SQL Server OLAP Services。

MOLAP

Arbor Software嚴(yán)格遵照Codd的定義，自行建立了多維數(shù)據(jù)庫，來存放聯(lián)機(jī)分析系統(tǒng)數(shù)據(jù)，開創(chuàng)了多維數(shù)據(jù)存儲的先河，后來的很多家公司紛紛采用多維數(shù)據(jù)存儲。被人們稱為Muiltdimension OLAP，簡稱MOLAP，代表產(chǎn)品有Hyperion(原Arbor Software) Essbase、Showcase Strategy等。

1.ROLAP

ROLAP將分析用的多維數(shù)據(jù)存儲在關(guān)系數(shù)據(jù)庫中并根據(jù)應(yīng)用的需要有選擇的定義一批實視圖作為表也存儲在關(guān)系數(shù)據(jù)庫中。不必要將每一個SQL查詢都作為實視圖保存，只定義那些應(yīng)用頻率比較高、計算工作量比較大的查詢作為實視圖。對每個針對OLAP服務(wù)器的查詢，優(yōu)先利用已經(jīng)計算好的實視圖來生成查詢結(jié)果以提高查詢效率。同時用作ROLAP存儲器的RDBMS也針對OLAP作相應(yīng)的優(yōu)化，比如并行存儲、并行查詢、并行數(shù)據(jù)管理、基于成本的查詢優(yōu)化、位圖索引、SQL的OLAP擴(kuò)展(cube,rollup)等等。

2.MOLAP

MOLAP將OLAP分析所用到的多維數(shù)據(jù)物理上存儲為多維數(shù)組的形式，形成“立方體”的結(jié)構(gòu)。維的屬性值被映射成多維數(shù)組的下標(biāo)值或下標(biāo)的范圍，而總結(jié)數(shù)據(jù)作為多維數(shù)組的值存儲在數(shù)組的單元中。由于MOLAP采用了新的存儲結(jié)構(gòu)，從物理層實現(xiàn)起，因此又稱為物理OLAP（PhysicalOLAP）；而ROLAP主要通過一些軟件工具或中間軟件實現(xiàn)，物理層仍采用關(guān)系數(shù)據(jù)庫的存儲結(jié)構(gòu)，因此稱為虛擬OLAP（VirtualOLAP）。

3.HOLAP

由于MOLAP和ROLAP有著各自的優(yōu)點和缺點（如下表所示）,且它們的結(jié)構(gòu)迥然不同，這給分析人員設(shè)計OLAP結(jié)構(gòu)提出了難題。為此一個新的OLAP結(jié)構(gòu)——混合型OLAP（HOLAP）被提出，它能把MOLAP和ROLAP兩種結(jié)構(gòu)的優(yōu)點結(jié)合起來。迄今為止，對HOLAP還沒有一個正式的定義。但很明顯，HOLAP結(jié)構(gòu)不應(yīng)該是MOLAP與ROLAP結(jié)構(gòu)的簡單組合，而是這兩種結(jié)構(gòu)技術(shù)優(yōu)點的有機(jī)結(jié)合，能滿足用戶各種復(fù)雜的分析請求。

Client OLAP

相對于Server OLAP而言。部分分析工具廠家建議把部分?jǐn)?shù)據(jù)下載到本地，為用戶提供本地的多維分析。代表產(chǎn)品有Brio Designer，Business Object。

DSS

決策支持系統(tǒng)（Decision Support System），相當(dāng)于基于數(shù)據(jù)倉庫的應(yīng)用。決策支持就是在收集所有有關(guān)數(shù)據(jù)和信息，經(jīng)過加工整理，來為企業(yè)決策管理層提供信息，為決策者的決策提供依據(jù)。

ETL

數(shù)據(jù)抽?。‥xtract）、轉(zhuǎn)換（Transform）、清洗（Cleansing）、裝載（Load）的過程。構(gòu)建數(shù)據(jù)倉庫的重要一環(huán)，用戶從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗，最終按照預(yù)先定義好的數(shù)據(jù)倉庫模型，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中去。

Ad hoc query

即席查詢，數(shù)據(jù)庫應(yīng)用最普遍的一種查詢，利用數(shù)據(jù)倉庫技術(shù)，可以讓用戶隨時可以面對數(shù)據(jù)庫，獲取所希望的數(shù)據(jù)。

EIS

主管信息系統(tǒng)（Executive Information System），指為了滿足無法專注于計算機(jī)技術(shù)的領(lǐng)導(dǎo)人員的信息查詢需求，而特意制定的以簡單的圖形界面訪問數(shù)據(jù)倉庫的一種應(yīng)用。

BPR

業(yè)務(wù)流程重整（Business Process Reengineering），指利用數(shù)據(jù)倉庫技術(shù)，發(fā)現(xiàn)并糾正企業(yè)業(yè)務(wù)流程中的弊端的一項工作，數(shù)據(jù)倉庫的重要作用之一。

Data Mining

數(shù)據(jù)挖掘，Data Mining是一種決策支持過程，它主要基于AI、機(jī)器學(xué)習(xí)、統(tǒng)計學(xué)等技術(shù)，高度自動化地分析企業(yè)原有的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，預(yù)測客戶的行為，幫助企業(yè)的決策者調(diào)整市場策略，減少風(fēng)險，做出正確的決策

CRM

客戶關(guān)系管理（Customer Relationship Management），數(shù)據(jù)倉庫是以數(shù)據(jù)庫技術(shù)為基礎(chǔ)但又與傳統(tǒng)的數(shù)據(jù)庫應(yīng)用有著本質(zhì)區(qū)別的新技術(shù)，CRM就是基于數(shù)據(jù)倉庫技術(shù)的一種新應(yīng)用。但是，從商業(yè)運作的角度來講，CRM其實應(yīng)該算是一個古老的"應(yīng)用"了。比如，酒店對客人信息的管理，如果某個客人是某酒店的老主顧，那么該酒店很自然地會知道這位客人的某些習(xí)慣和喜好，如是否喜歡靠路邊，是否吸煙，是否喜歡大床，喜歡什么樣的早餐，等等。當(dāng)客人再次光臨時，不用客人自己提出來，酒店就會提供客人所喜歡的房間和服務(wù)。這就是一種CRM。

Meta Data

元數(shù)據(jù)，關(guān)于數(shù)據(jù)倉庫的數(shù)據(jù)，指在數(shù)據(jù)倉庫建設(shè)過程中所產(chǎn)生的有關(guān)數(shù)據(jù)源定義，目標(biāo)定義，轉(zhuǎn)換規(guī)則等相關(guān)的關(guān)鍵數(shù)據(jù)。同時元數(shù)據(jù)還包含關(guān)于數(shù)據(jù)含義的商業(yè)信息，所有這些信息都應(yīng)當(dāng)妥善保存，并很好地管理。為數(shù)據(jù)倉庫的發(fā)展和使用提供方便。

Data Mart, 數(shù)據(jù)集市

也被稱為“小數(shù)據(jù)倉庫”，DW的一個子集，主要面向部門級業(yè)務(wù)。例如在銷售部門的應(yīng)用時，可能不需要分析某個產(chǎn)品的原材料。分析地區(qū)稅收時，不需要分析能源消耗情況。

OLAP, Online Analytical Processing, 聯(lián)機(jī)分析處理

也稱為多維分析?；谝粋€主題“立方體”，該“立方體”若干個維，例如時間維，區(qū)域維，產(chǎn)品維等。這些維又可以進(jìn)行分層。例如時間維包含年、旬、月、周、天，甚至可以到小時這一層。在“立方體”中存儲的事實值，某些值就是合計值了，在進(jìn)行查詢時，就不需要利用SQL將所有記錄搜出來，再進(jìn)行統(tǒng)計運算，這樣就大大提高了最基本的查詢能力了。同時，利用一些聚類算法等，還能發(fā)現(xiàn)一些“有意思的”結(jié)論，這就是DM/KDD（后面有講）。

OLAP會有另起一篇來詳細(xì)討論，主題的選擇，“立方體”的建立，維度設(shè)定，和DM怎樣結(jié)合等都是需要好好思考的。

Ad-hoc Query, 即席查詢

也就是基于前面OLAP中談到的“立方體”，因為統(tǒng)計值直接保存在DW中，就能大大提高查詢能力。快速的查詢，也許就叫即席查詢了，^_^！

....to be continued !

已經(jīng)公開 2007年7月11日 21:05 作者:SAP屠夫

評論

#

常見的幾種數(shù)據(jù)倉庫建模

一.直接報表型(Direct Reporting)

將數(shù)據(jù)倉庫看成是簡單的報表集中器,結(jié)構(gòu)簡單,可多維分析.

二.獨立數(shù)據(jù)集市部門級數(shù)據(jù)倉庫(Data Mart)

認(rèn)為數(shù)據(jù)倉庫就是Data Mart的集合,按照業(yè)務(wù)主題建立數(shù)據(jù)集市,

跨業(yè)務(wù)主題分析不方便.

三.企業(yè)級數(shù)據(jù)倉庫(EDW)

(1)Hub and Spoke(集線器與車輪狀)結(jié)構(gòu).

(2)高度統(tǒng)一的企業(yè)級數(shù)據(jù)倉庫結(jié)構(gòu).

這是目前比較流行的兩種主流數(shù)據(jù)倉庫建模體系,

一.集線器結(jié)構(gòu)(Hub and Spoke)

•這種數(shù)據(jù)模型是建立一中央數(shù)據(jù)倉庫然后根據(jù)報表需求分主題建立數(shù)據(jù)集市.

類似建立報表立方體,不能滿足大型的靈活性的數(shù)據(jù)倉庫.

二.統(tǒng)一的企業(yè)級數(shù)據(jù)倉庫

EDW中包含一層根據(jù)3NF建立的數(shù)據(jù)清洗層,數(shù)據(jù)完整后可以根據(jù)報表需求建立數(shù)據(jù)集市或?qū)⒅醒霐?shù)據(jù)倉庫的數(shù)據(jù)復(fù)制到專門的在線分析的用于報表目的的信息立方體中.

關(guān)于統(tǒng)一的EDW有很多類似邏輯結(jié)構(gòu)圖,這是主流的數(shù)據(jù)倉庫結(jié)構(gòu)圖.

缺點:

假設(shè)建立清洗ODS層,則龐大的清洗邏輯必須在BW中用ABAP編寫更新規(guī)則.

層次太多不方便維護(hù)

2007-07-11 22:11

#

先收了再說

2007-07-12 11:21

#

自打?qū)嵤{駛艙,這篇文章我也看了好多遍了,但數(shù)據(jù)分析不是很好做的.......太多因素.

2007-07-12 14:12

#

我也學(xué)過數(shù)據(jù)挖掘，但總覺得很難！想真正用起來很難！

2007-07-12 16:38

#

"數(shù)據(jù)分析不是很好做的",如果各系統(tǒng)設(shè)計的邏輯關(guān)聯(lián)不緊密,估計做數(shù)據(jù)挖掘的會含冤而死,含恨而亡.

2007-07-12 21:00

#

數(shù)據(jù)倉庫設(shè)計概念

元數(shù)據(jù)對象圖.

元數(shù)據(jù)（Metadata）是關(guān)于數(shù)據(jù)的數(shù)據(jù)。在數(shù)據(jù)倉庫系統(tǒng)中，元數(shù)據(jù)可以幫助數(shù)據(jù)倉庫管理員和數(shù)據(jù)倉庫的開發(fā)人員非常方便地找到他們所關(guān)心的數(shù)據(jù)；元數(shù)據(jù)是描述數(shù)據(jù)倉庫內(nèi)數(shù)據(jù)的結(jié)構(gòu)和建立方法的數(shù)據(jù)，可將其按用途的不同分為兩類：技術(shù)元數(shù)據(jù)（Technical Metadata）和業(yè)務(wù)元數(shù)據(jù)（Business Metadata）。

技術(shù)元數(shù)據(jù)是存儲關(guān)于數(shù)據(jù)倉庫系統(tǒng)技術(shù)細(xì)節(jié)的數(shù)據(jù)，是用于開發(fā)和管理數(shù)據(jù)倉庫使用的數(shù)據(jù).

元數(shù)據(jù)作用

在數(shù)據(jù)倉庫系統(tǒng)中，元數(shù)據(jù)機(jī)制主要支持以下五類系統(tǒng)管理功能：（１）描述哪些數(shù)據(jù)在數(shù)據(jù)倉庫中；（２）定義要進(jìn)入數(shù)據(jù)倉庫中的數(shù)據(jù)和從數(shù)據(jù)倉庫中產(chǎn)生的數(shù)據(jù)；（３）記錄根據(jù)業(yè)務(wù)事件發(fā)生而隨之進(jìn)行的數(shù)據(jù)抽取工作時間安排；（４）記錄并檢測系統(tǒng)數(shù)據(jù)一致性的要求和執(zhí)行情況；（５）衡量數(shù)據(jù)質(zhì)量。

元數(shù)據(jù)管理任務(wù)

元數(shù)據(jù)管理的主要任務(wù)有兩個方面：一是負(fù)責(zé)存儲和維護(hù)元數(shù)據(jù)庫中的元數(shù)據(jù)；二是負(fù)責(zé)數(shù)據(jù)倉庫建模工具、數(shù)據(jù)獲取工具、前端工具等之間的消息傳遞，協(xié)調(diào)各模塊和工具之間的工作。

你通過RSA1|RSOR查看BW元數(shù)據(jù),

元數(shù)據(jù)管理的主要任務(wù)有兩個方面：一是負(fù)責(zé)存儲和維護(hù)元數(shù)據(jù)庫中的元數(shù)據(jù)；二是負(fù)責(zé)數(shù)據(jù)倉庫建模工具、數(shù)據(jù)獲取工具、前端工具等之間的消息傳遞，協(xié)調(diào)各模塊和工具之間的工作。

由以上幾節(jié)我們了解到元數(shù)據(jù)幾乎可以被稱為是數(shù)據(jù)倉庫乃至商業(yè)智能（BI）系統(tǒng)的“靈魂”，正是由于元數(shù)據(jù)在整個數(shù)據(jù)倉庫生命周期中有著重要的地位，各個廠商的數(shù)據(jù)倉庫解決方案都提到了關(guān)于對元數(shù)據(jù)的管理。但遺憾的是對于元數(shù)據(jù)的管理，各個解決方案都沒有明確提出一個完整的管理模式；它們提供的僅僅是對特定的局部元數(shù)據(jù)的管理。

KPI Vs Key Figure .

KPI (Key Performance Indicator)關(guān)鍵績效指標(biāo)是一個可衡量的業(yè)務(wù)指標(biāo),Key Figure是BW的一個技術(shù)術(shù)語,KPI從Key Figure獲得數(shù)據(jù)

信息對象,特征,關(guān)鍵指標(biāo)(InfoObject, Characteristic,Key figure)

信息對象包括特征和關(guān)鍵指標(biāo),一個特征可能有自己的主數(shù)據(jù),文本,層次或復(fù)合超級信息對象. 特征可以理解為關(guān)鍵指標(biāo)的描述,典型地,客戶編碼,物料編碼都是特征,相關(guān)的時間特征,單位也是特征,特征可組成不同維度.

3.關(guān)鍵指標(biāo)一般是數(shù)量,金額, 比如銷售單價,銷售數(shù)量.也可是編號,日期或時間型字段.

如果熟悉PA的朋友一定對KEA5(Characteristic特征),KEA6(Value fields值字段)不陌生.

Key figure 類似value field .

對象關(guān)系映射（Object Relational Mapping，簡稱ORM）是一種為了解決面向?qū)ο?/a>與關(guān)系數(shù)據(jù)庫存在的互不匹配的現(xiàn)象的技術(shù)。簡單的說，ORM是通過使用描述對象和數(shù)據(jù)庫之間映射的元數(shù)據(jù)，將java程序中的對象自動持久化到關(guān)系數(shù)據(jù)庫中。本質(zhì)上就是將數(shù)據(jù)從一種形式轉(zhuǎn)換到另外一種形式。這也同時暗示者額外的執(zhí)行開銷；然而，如果ORM作為一種中間件實現(xiàn)，則會有很多機(jī)會做優(yōu)化，而這些在手寫的持久層并不存在。更重要的是用于控制轉(zhuǎn)換的元數(shù)據(jù)需要提供和管理；但是同樣，這些花費要比維護(hù)手寫的方案要少；而且就算是遵守ODMG規(guī)范的對象數(shù)據(jù)庫依然需要類級別的元數(shù)據(jù)。

對象-關(guān)系映射（Object/Relation Mapping，簡稱ORM），是隨著面向?qū)ο蟮?a target="_blank" >軟件開發(fā)方法發(fā)展而產(chǎn)生的。面向?qū)ο蟮拈_發(fā)方法是當(dāng)今企業(yè)級應(yīng)用開發(fā)環(huán)境中的主流開發(fā)方法，關(guān)系數(shù)據(jù)庫是企業(yè)級應(yīng)用環(huán)境中永久存放數(shù)據(jù)的主流數(shù)據(jù)存儲系統(tǒng)。對象和關(guān)系數(shù)據(jù)是業(yè)務(wù)實體的兩種表現(xiàn)形式，業(yè)務(wù)實體在內(nèi)存中表現(xiàn)為對象，在數(shù)據(jù)庫中表現(xiàn)為關(guān)系數(shù)據(jù)。內(nèi)存中的對象之間存在關(guān)聯(lián)和繼承關(guān)系，而在數(shù)據(jù)庫中，關(guān)系數(shù)據(jù)無法直接表達(dá)多對多關(guān)聯(lián)和繼承關(guān)系。因此，對象-關(guān)系映射(ORM)系統(tǒng)一般以中間件的形式存在，主要實現(xiàn)程序?qū)ο蟮疥P(guān)系數(shù)據(jù)庫數(shù)據(jù)的映射。

面向?qū)ο笫菑?a target="_blank" >軟件工程基本原則(如耦合、聚合、封裝)的基礎(chǔ)上發(fā)展起來的，而關(guān)系數(shù)據(jù)庫則是從數(shù)學(xué)理論發(fā)展而來的，兩套理論存在顯著的區(qū)別。為了解決這個不匹配的現(xiàn)象,對象關(guān)系映射技術(shù)應(yīng)運而生。

讓我們從O/R開始。字母O起源于"對象"(Object),而R則來自于"關(guān)系"(Relational)。幾乎所有的程序里面，都存在對象和關(guān)系數(shù)據(jù)庫。在業(yè)務(wù)邏輯層和用戶界面層中，我們是面向?qū)ο蟮摹．?dāng)對象信息發(fā)生變化的時候，我們需要把對象的信息保存在關(guān)系數(shù)據(jù)庫中。

如上圖:

1. 數(shù)據(jù)抽取工具(ETL Service)：把業(yè)務(wù)系統(tǒng)中的數(shù)據(jù)抽取、轉(zhuǎn)換、集成到數(shù)據(jù)倉庫中，如Ardent的DataStage、CA（原Platinum）的Decision Base和ETI的Extract等。這些工具僅提供了技術(shù)元數(shù)據(jù)，幾乎沒有提供對業(yè)務(wù)元數(shù)據(jù)的支持。

2. 前端展現(xiàn)工具(Presentation Service)：包括OLAP分析、報表和商業(yè)智能工具等，如MicroStrategy的DSS Agent、Cognos的PowerPlay、Business Objects的BO，以及Brio等。它們通過把關(guān)系表映射成與業(yè)務(wù)相關(guān)的事實表和維表來支持多維業(yè)務(wù)視圖，進(jìn)而對數(shù)據(jù)倉庫中的數(shù)據(jù)進(jìn)行多維分析。這些工具都提供了業(yè)務(wù)元數(shù)據(jù)與技術(shù)元數(shù)據(jù)相對應(yīng)的語義層。

3. 分析建模工具：為非技術(shù)人員準(zhǔn)備的業(yè)務(wù)建模工具，這些工具可以提供更高層的與特定業(yè)務(wù)相關(guān)的語義。如CA的ERwin、Sysbase的PowerDesigner以及Rational的Rose等。

4. 數(shù)據(jù)存儲工具：元數(shù)據(jù)通常存儲在專用的數(shù)據(jù)庫中，該數(shù)據(jù)庫就如同一個“黑盒子”，外部無法知道這些工具所用到和產(chǎn)生的元數(shù)據(jù)是如何存儲的。還有一類被稱為元數(shù)據(jù)知識庫（Metadata Repository）的工具，它們獨立于其它工具，為元數(shù)據(jù)提供一個集中的存儲空間. 業(yè)務(wù)數(shù)據(jù)則以O(shè)DS或InfoCube保存在數(shù)據(jù)倉庫服務(wù)器.

數(shù)據(jù)倉庫領(lǐng)域中兩個最主要的元數(shù)據(jù)標(biāo)準(zhǔn)：

MDC的OIM標(biāo)準(zhǔn)和OMG的CWM標(biāo)準(zhǔn)。

4.1 MDC的OIM存儲模型

MDC成立于1995年，是一個致力于建立與廠商無關(guān)的、不依賴于具體技術(shù)的企業(yè)元數(shù)據(jù)管理標(biāo)準(zhǔn)的非贏利技術(shù)聯(lián)盟，該聯(lián)盟有150多個會員，其中包括微軟和IBM等著名軟件廠商。1999年7月MDC接受了微軟的建議，將OIM作為元數(shù)據(jù)標(biāo)準(zhǔn)。

OIM的目的是通過公共的元數(shù)據(jù)信息來支持不同工具和系統(tǒng)之間數(shù)據(jù)的共享和重用。它涉及了信息系統(tǒng)（從設(shè)計到發(fā)布）的各個階段，通過對元數(shù)據(jù)類型的標(biāo)準(zhǔn)描述來達(dá)到工具和知識庫之間的數(shù)據(jù)共享。OIM所聲明的元數(shù)據(jù)類型都采用統(tǒng)一建模語言UML（Universal Modeling Language）進(jìn)行描述，并被組織成易于使用、易于擴(kuò)展的多個主題范圍（Subject Areas），這些主題范圍包括：

分析與設(shè)計（Analysis and Design）：主要用于軟件分析、設(shè)計和建模。該主題范圍又進(jìn)一步劃分為：UML包（Package）、UML擴(kuò)展包、通用元素（Generic Elements）包、公共數(shù)據(jù)類型（Common Data Types）包和實體關(guān)系建模（Entity Relationship Modeling）包等。

對象與組件（Object and? Component）：涉及面向?qū)ο箝_發(fā)技術(shù)的方方面面。該主題范圍只包含組件描述建模（Component Description Modeling）包。

數(shù)據(jù)庫與數(shù)據(jù)倉庫（Database and Warehousing）：為數(shù)據(jù)庫模式管理、復(fù)用和建立數(shù)據(jù)倉庫提供元數(shù)據(jù)概念支持。該主題范圍進(jìn)一步劃分為：關(guān)系數(shù)據(jù)庫模式（Relational Database Schema）包、OLAP模式（OLAP Schema）包、數(shù)據(jù)轉(zhuǎn)換（Data Transformations）包、面向記錄的數(shù)據(jù)庫模式（Record-Oriented Database Schema）包、XML模式（XML Schema）包和報表定義（Report Definitions）包等。

業(yè)務(wù)工程（Business? Engineering）：為企業(yè)運作提供一個藍(lán)圖。該主題范圍進(jìn)一步劃分為：業(yè)務(wù)目標(biāo)（Business Goal）包、組織元素（Organizational Elements）包、業(yè)務(wù)規(guī)則（Business Rules）包、商業(yè)流程（Business Processes）包等。

知識管理（Knowledge? Management）：涉及企業(yè)的信息結(jié)構(gòu)。該主題范圍進(jìn)一步劃分為：知識描述（Knowledge Descriptions）包和語義定義（Semantic Definitions）包。

上述主題范圍中的包都是采用UML定義的，可以說UML語言是整個OIM標(biāo)準(zhǔn)的基礎(chǔ)。雖然OIM標(biāo)準(zhǔn)并不是專門針對數(shù)據(jù)倉庫的，但數(shù)據(jù)倉庫是它的主要應(yīng)用領(lǐng)域之一。目前市場上基于該標(biāo)準(zhǔn)的元數(shù)據(jù)管理工具已經(jīng)比較成熟，例如微軟的Repositry和CA的Repositry均采用了OIM標(biāo)準(zhǔn)。

4.2 OMG組織的CWM模型

OMG是一個擁有500多會員的國際標(biāo)準(zhǔn)化組織，著名的CORBA標(biāo)準(zhǔn)即出自該組織。公共倉庫元模型（Common Warehouse Metamodel）的主要目的是在異構(gòu)環(huán)境下，幫助不同的數(shù)據(jù)倉庫工具、平臺和元數(shù)據(jù)知識庫進(jìn)行元數(shù)據(jù)交換。2001年3月，OMG頒布了CWM 1.0標(biāo)準(zhǔn)。CWM模型既包括元數(shù)據(jù)存儲，也包括元數(shù)據(jù)交換，它是基于以下三個工業(yè)標(biāo)準(zhǔn)制定的：

(1) UML：它對CWM模型進(jìn)行建模。

(2) MOF（元對象設(shè)施）：它是OMG元模型和元數(shù)據(jù)的存儲標(biāo)準(zhǔn)，提供在異構(gòu)環(huán)境下對元數(shù)據(jù)知識庫的訪問接口。

(3) XMI（XML元數(shù)據(jù)交換）：它可以使元數(shù)據(jù)以XML文件流的方式進(jìn)行交換。

OMG元數(shù)據(jù)知識庫體系結(jié)構(gòu)如圖3所示。

CWM為數(shù)據(jù)倉庫和商業(yè)智能（BI）工具之間共享元數(shù)據(jù)，制定了一整套關(guān)于語法和語義的規(guī)范。它主要包含以下四個方面的規(guī)范：

(1) CWM元模型（Metamodel）：描述數(shù)據(jù)倉庫系統(tǒng)的模型；

(2) CWM XML：CWM元模型的XML表示；

(3) CWM DTD：DW/BI共享元數(shù)據(jù)的交換格式

(4) CWM IDL：DW/BI共享元數(shù)據(jù)的應(yīng)用程序訪問接口（API）

下面重點討論CWM元模型的組成，它與OIM規(guī)范一樣，也是由很多包組成的。組成CWM元模型的包結(jié)構(gòu)如圖4所示。

(1) 元模型（MetaModel）包：構(gòu)造和描述其它CWM包中的元模型類的基礎(chǔ)。它是UML的一個子集，由以下四個子包組成：

a) 核心（Core）包：它的類和關(guān)聯(lián)是該模型的核心，其它所有的包都以它為基礎(chǔ)。

b) 行為（Behavioral）包：包括描述CWM對象行為的類與關(guān)聯(lián)，并且它為描述所定義的行為提供了基礎(chǔ)。

c) 關(guān)系（Relationships）包：包括描述CWM對象之間關(guān)系的類與關(guān)聯(lián)。

d) 實例（Instance）包：包括表示CWM分類器（Classfier）的類與關(guān)聯(lián)。

(2) 基礎(chǔ)包（Foundation）：它包括表示CWM概念和結(jié)構(gòu)的模型元素，這些模型元素又可被其他CWM包所共享，它由以下六個子包組成：

a) 業(yè)務(wù)信息（Business Information）包：包括表示模型元素業(yè)務(wù)信息的類與關(guān)聯(lián)。

b) 數(shù)據(jù)類型（Data Types）包：包括表示建模者可以用來創(chuàng)建所需數(shù)據(jù)類型的結(jié)構(gòu)的類與關(guān)聯(lián)。

c) 表達(dá)式（Expressions）包：包括表示表達(dá)式樹的類與關(guān)聯(lián)。

d) 關(guān)鍵字和索引（Keys and Indexes）包：包括表示鍵和索引的類與關(guān)聯(lián)。

e) 軟件發(fā)布（Software Deployment）包：包括軟件如何在數(shù)據(jù)倉庫中發(fā)布的類與關(guān)聯(lián)。

f) 類型映射（Type Mapping）包：包括表示不同系統(tǒng)之間數(shù)據(jù)類型映射的類與關(guān)聯(lián)。

(3) 資源包（Resource）：用于描述數(shù)據(jù)資源的包，它包括以下四個子包：

a) 關(guān)系（Relational）包：包括表示關(guān)系型數(shù)據(jù)資源的元數(shù)據(jù)的類與關(guān)聯(lián)。

b) 記錄（Record）包：包括表示記錄型數(shù)據(jù)資源的元數(shù)據(jù)的類與關(guān)聯(lián)。

c) 多維（Multidimensional）包：包括表示多維數(shù)據(jù)資源的元數(shù)據(jù)的類與關(guān)聯(lián)。

d) XML包：包括表示XML數(shù)據(jù)資源的元數(shù)據(jù)的類與關(guān)聯(lián)。

(4) 分析（Analysis）包：它由以下五個子包組成：

a) 轉(zhuǎn)換（Transformation）包：包括表示數(shù)據(jù)抽取和轉(zhuǎn)換工具的元數(shù)據(jù)的類與關(guān)聯(lián)。

b) OLAP包：包括表示OLAP工具的元數(shù)據(jù)的類與關(guān)聯(lián)。

c) 數(shù)據(jù)挖掘（Data Mining）包：包括表示數(shù)據(jù)挖掘工具的元數(shù)據(jù)的類與關(guān)聯(lián)。

d) 信息可視化（Information Visualization）包：包括表示信息可視化工具的元數(shù)據(jù)的類與關(guān)聯(lián)。

e) 業(yè)務(wù)術(shù)語（Business Nomenclature）包：包括表示分類業(yè)務(wù)的元數(shù)據(jù)的類與關(guān)聯(lián)。

(5) 管理（Management）包：用于描述數(shù)據(jù)倉庫管理的包，它包括以下兩個子包：

a) 倉庫過程（Warehouse Process）包：包括表示倉庫過程的元數(shù)據(jù)的類與關(guān)聯(lián)。

b) 倉庫操作（Warehouse Operation）包：包括表示倉庫操作結(jié)果的元數(shù)據(jù)的類與關(guān)聯(lián)。

在數(shù)據(jù)抽取過程中，數(shù)據(jù)從各個業(yè)務(wù)系統(tǒng)中被統(tǒng)一轉(zhuǎn)換存儲到中央數(shù)據(jù)倉庫中。CWM中的轉(zhuǎn)換模型定義了數(shù)據(jù)在源和目的之間移動的過程，其中不僅包括源和目標(biāo)之間的參數(shù)，還包括轉(zhuǎn)換中的業(yè)務(wù)邏輯。這些業(yè)務(wù)邏輯可能包括一些商業(yè)規(guī)則、類庫甚至是用戶腳本。數(shù)據(jù)倉庫如果有一個規(guī)范的轉(zhuǎn)換模型將給工具軟件廠商和專業(yè)服務(wù)提供商帶來極大的好處，例如，按照統(tǒng)一的規(guī)范廠商可以設(shè)計一個通用的模型從標(biāo)準(zhǔn)ERP包中抽取數(shù)據(jù)。工具廠商甚至可以隨軟件提供成熟的模型，集成商也可以將一個模型應(yīng)用到多個項目中。

最終用戶同樣也能從CWM中受益，在使用商業(yè)智能分析軟件進(jìn)行多維分析的時候，用戶往往會對數(shù)據(jù)的含義和來源產(chǎn)生疑問。CWM能夠提供這些信息，用戶可以清楚地看到數(shù)據(jù)來自哪個系統(tǒng)，并且是如何組成的。

4.3 CWM與OIM之間的關(guān)系

上兩節(jié)分別介紹了與數(shù)據(jù)倉庫相關(guān)的兩個主要標(biāo)準(zhǔn)，CWM實際上是專門為數(shù)據(jù)倉庫元數(shù)據(jù)而制定的一套標(biāo)準(zhǔn)，而OIM并不是針對數(shù)據(jù)倉庫元數(shù)據(jù)的。OIM所關(guān)注的元數(shù)據(jù)的范圍比CWM要廣，CWM只限定于數(shù)據(jù)倉庫領(lǐng)域，而OIM模型包括有：分析與設(shè)計模型、對象與組件、數(shù)據(jù)庫與數(shù)據(jù)倉庫、商業(yè)工程、知識管理等五個領(lǐng)域。OIM與CWM在建模語言的選擇（都選擇UML當(dāng)做自己的描述語言）、數(shù)據(jù)庫模型的支持、OLAP分析模型的支持、數(shù)據(jù)轉(zhuǎn)換模型的支持方面都比較一致；但是OIM并不是基于元對象設(shè)施（MOF）的，這意味著用OIM所描述的元數(shù)據(jù)需要通過其它的接口才能訪問，而CWM所描述的元數(shù)據(jù)可以通過CORBA IDL來訪問；在數(shù)據(jù)交換方面，OIM必須通過特定的轉(zhuǎn)換形成XML文件來交換元數(shù)據(jù)，而CWM可以用XMI來進(jìn)行交換。盡管如此，由于OMG與MDC兩個組織的合并，CWM也會與OIM相互兼容以保護(hù)廠商已有的投資。

需要說明的是，MDC與OMG組織已經(jīng)合并，今后所有的工具都將遵循統(tǒng)一的CWM標(biāo)準(zhǔn)，不過支持CWM的工具才剛剛出現(xiàn)，而支持OIM標(biāo)準(zhǔn)的工具已經(jīng)相對成熟。

5. 元數(shù)據(jù)管理的相關(guān)研究工作

目前元數(shù)據(jù)的研究集中在：數(shù)據(jù)和數(shù)據(jù)庫管理[11,12,13]、元數(shù)據(jù)模型[14,15,16]、數(shù)據(jù)集成[17,18]、元數(shù)據(jù)工具[19]。在各研究領(lǐng)域中都存在一些問題。

在數(shù)據(jù)倉庫的研究課題當(dāng)中，有許多是針對元數(shù)據(jù)的研究。文獻(xiàn)〔5〕描述了一個在數(shù)據(jù)倉庫環(huán)境中，基于微軟的Repositry的、元數(shù)據(jù)驅(qū)動的數(shù)據(jù)轉(zhuǎn)換方法，它包含了技術(shù)元數(shù)據(jù)與業(yè)務(wù)元數(shù)據(jù)；文獻(xiàn)〔6〕中描述了一個基于元數(shù)據(jù)的數(shù)據(jù)倉庫安全的解決方法，它只限定在技術(shù)元數(shù)據(jù)級別；更有名的一個研究項目是數(shù)據(jù)倉庫質(zhì)量項目（Data Warehouse Quality），這個項目的核心是通過元數(shù)據(jù)模型來衡量整個數(shù)據(jù)倉庫中的數(shù)據(jù)質(zhì)量。它是基于一個演繹數(shù)據(jù)庫CONCEPTBASE的，并且使用該數(shù)據(jù)庫特定的邏輯語言進(jìn)行描述，目前該項目距離實用的階段還比較遠(yuǎn)。

2007-07-12 21:22