数据治理-数据仓库和商务智能

业务驱动因素

        数据仓库建设的主要驱动力是运营支持职能、合规需求和商务智能活动。

一个组织建设数据仓库的目标

1. 支持商务智能活动
2. 赋能商业分析和高效决策
3. 基于数据洞察寻找创新方法。

一个组织应遵循如下指导原则

1. 聚焦业务目标
2. 以终为始
3. 全局性的思考和设计，局部性的行动和建设
4. 总结并持续优化
5. 提升透明度和自助服务
6. 与数据仓库一起建立元数据
7. 协同
8. 不要千篇一律

数据仓库建设

        数据仓库建设指的是数据仓库中数据的抽取、清洗、转换、控制、加载等操作过程。传统上的数仓建设，主要关注结构化数据。商务智能和数仓空间现在也包含半结构化数据和非结构化数据。

数仓建设的方法

        数仓建设的理论，都受到两位有影响力的思想领袖Bill Inmon和Ralph Kimball的影响，他们各有不同数据仓库建模和实施方法。Inmon把数据仓库定义为面向主题的、整合的、随时间变化、相对稳定的支持管理决策的集合。用规范化的关系模型来存储和管理数据。而Kimball则把数据仓库定义为“为查询和分析定制的交易数据的副本”。

两者遵循的核心理念相似：

1. 数据仓库存储的数据来自其他系统
2. 存储行为包括以提升数据价值的方式整合数据；
3. 数据仓库便于数据被访问和分析使用；
4. 组织建设数据仓库，因为他们需要让授权的利益相关方访问到可靠的、集成的数据；
5. 数据仓库数据建设有很多目的，涵盖工作流支持、运营管理和预测分析。

数据仓库和业务系统的区别

1. 面向主题的。数据仓库是基于主要业务实体组织的，而不关注功能或应用；
2. 整合的。数据仓库中的数据是统一的、内聚的。保持相同的关键结构，结构的编码和解码、数据定义和命名规范在整个仓库中都是一致的。因为数据是整合的，数据仓库不是简单的运营数据的副本。

​​​​​​​数据仓库和数据集市的数据与应用程序中的数据不同

1. 数据的组织形式是按主题域而不是按功能需要
2. 数据是整合的数据，而不是孤立的烟囱数据
3. 数据是随时间变化的系列数据，而非仅当前时间的值
4. 数据在数据仓库中的延迟比在应用程序中高
5. 数据仓库中提升的历史数据比应用程序中提供的历史数据多

​​​​​​​多维数据仓库

        Kimball的多维数据仓库是数据仓库开发的另一个主要模式；多维模型通常成为星型模型，由事实表和维度表组成。