数据仓库应用

数据仓库能够支持报表和分析，以至于不少人认为数据仓库就是报表系统。由此也引发一个问题，数据仓库有了，在上面能进行什么应用的开发？我看可以分成如下几种类型：

1. 固定报表。与通常理解的报表系统没有太大差别，只不过数据源来自数据仓库。比之前的报表系统有了较大进步，是因为原来的报表系统数据或者只来自一个系统，或干脆是经过人工填报而出，这样的系统数据来自真实的、唯一的、集成过的数据来源。
2.灵活报表，即多维分析。这个不用多说，目前为止，多维分析是数据仓库最拿得出手的应用类型。

3.模型应用。这样的模型通常包含经济模型、财务模型、特定的统计学模型等。例如保险行业的现金流分析，资产负债匹配，银行的资金转移定价分析等。

4.数据挖掘应用。数据挖掘所支持的分类、聚类、序列等分析应用到具体场景。因为数据挖掘来起源于统计学、机器学习等，所以不可避免与模型应用有写重叠。但模型应用需要更多的领域知识，必须由资深的领域专家介入协助制定模型、算法，给出一个公式，给出公式中某个系数的取值。而数据挖掘则相对偏向技术人员，给人一种感觉，就是从无到有的去发现知识，所以只要拿算法去跑总能发现一些东西（当然也不排除领域知识和规则对数据挖掘算法的优化作用）。

可能从厂商的角度，还会提ad hoc查询、决策仪表盘、警报器之类的，可以认为是前两类应用的变种。

从目前情况，固定应用和多维分析应用比较广泛，模型应用和数据挖掘应用则还不普遍。前者是因为数据仓库的厂商和技术人员在PUSH数据仓库的时候并没有太多考虑专业分析人员的模型应用需求；他们的这部分需求则自行诉诸excel或者专门的系统，不是基于数据仓库，失去了集成数据的好处。后者则可能是因为数据挖掘很多还处在研究阶段，还未达到成熟应用的程度。当然还有个原因，模型应用和数据挖掘本来并不一定基于数据仓库，但数据仓库可以提供支持。并且一旦有了数据仓库的支持，这两类应用会爆发更大的能量。

数据仓库的神秘面纱随着企业数据中心建设、OLAP技术的廉价化和概念的普及逐渐揭去，这与技术的巨大推动力是不可分的。但技术再怎么推动，也只能将前两类应用普及变得不再阳春白雪，但技术不大可能单方面推动模型应用（对数据挖掘应用而言则还需时日才能判断）。那么以后数据仓库建设可能在模型应用的方向发展。也就是与领域专家、业务规则等的结合，深层发挥数据仓库的优势。实现如Customer Insight、金融资产负债管理（不是固定资产管理）等。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友