本文目录导读：
构建数据驱动决策的基石
图片来源于网络，如有侵权联系删除
面向主题
1、主题定义与数据聚焦
- 数据仓库是围绕特定主题构建的，这些主题反映了企业或组织在决策分析时所关注的重点领域，在零售企业中，“销售”就是一个重要主题，与销售主题相关的数据包括销售订单、顾客信息、产品信息、销售渠道等，这种面向主题的设计与传统的面向应用的数据库有很大区别，传统数据库主要是为了支持事务处理，如订单处理系统中的数据库侧重于订单的创建、修改和删除等操作，数据是分散在各个业务流程相关的表中，而数据仓库将与销售主题相关的数据从各个数据源抽取、整合到一起，方便从销售这个宏观角度进行分析。
2、主题的业务导向
- 数据仓库中的主题是具有明确业务意义的概念，以电信企业为例，“客户服务”主题涵盖了客户投诉、咨询记录、服务工单等数据，这些数据的整合有助于企业从客户服务的角度分析客户满意度、服务效率等问题，从而制定改进策略，每个主题都对应着企业的某个业务职能或者决策需求，能够为企业管理层和分析人员提供有针对性的数据视图，避免了在大量无关数据中寻找有用信息的困扰。
集成性
1、数据来源多样性
- 数据仓库的数据来源于多个不同的数据源，在大型企业中，可能包括各种业务系统，如企业资源计划（ERP）系统、客户关系管理（CRM）系统、供应链管理（SCM）系统等，还可能有外部数据源，如市场调研数据、行业统计数据等，这些数据源的数据格式、编码方式、语义等往往存在差异，ERP系统中的日期格式可能是“YYYY - MM - DD”，而外部市场调研数据中的日期格式可能是“MM/DD/YYYY”；ERP系统中对产品类别的编码可能是数字编码，而CRM系统中可能是字母加数字的混合编码。
图片来源于网络，如有侵权联系删除
2、数据清洗与转换
- 为了将这些异构的数据集成到数据仓库中，需要进行大量的数据清洗和转换工作，数据清洗包括去除重复数据、纠正错误数据等操作，在整合多个销售系统的数据时，可能存在同一笔销售订单在不同系统中记录略有差异的情况，需要通过数据清洗将其统一，数据转换则涉及到数据格式的统一、编码的转换、度量单位的统一等，将不同数据源中的销售额数据统一转换为人民币为单位，将不同系统中的客户性别编码统一为“男”“女”等标准形式，这样才能保证数据仓库中的数据具有一致性和准确性，为后续的分析提供可靠的基础。
非易失性
1、数据的稳定性
- 数据仓库中的数据一旦进入，就不会被轻易修改或删除，与事务处理系统不同，事务处理系统中的数据会随着业务的进行不断更新，如库存管理系统中的库存数量会随着货物的出入库而实时变化，而数据仓库主要是用于分析历史数据，它存储的是企业在不同时间点的业务数据快照，企业每个月会将当月的销售数据加载到数据仓库中，这些销售数据在数据仓库中是相对稳定的，不会因为后续的业务操作而改变，这种非易失性使得数据仓库能够准确地反映历史业务状况，为趋势分析、历史数据挖掘等提供了可能。
2、支持长期分析
- 数据仓库的数据保存期限较长，可以支持对企业长期业务发展的分析，企业可以利用数据仓库中的多年销售数据来分析销售增长趋势、季节性波动等规律，由于数据的非易失性，分析人员可以在不同时间跨度上进行数据比较和分析，比较过去五年中同一季度的销售业绩，找出业务发展中的优势和问题所在，为企业的战略决策提供有力的依据。
图片来源于网络，如有侵权联系删除
时变性
1、数据随时间变化
- 数据仓库中的数据是随着时间不断更新的，这种更新反映了企业业务的发展变化，新的数据会定期加载到数据仓库中，如每天、每周或每月将新的业务数据追加到数据仓库中，每天将新的销售订单数据、客户交互数据等添加到数据仓库中，数据仓库中的数据也会随着时间的推移进行重新组织和汇总，随着业务的发展，可能需要按照新的时间段（如从季度汇总变为月度汇总）或者新的维度（如在原有的地区维度基础上增加销售渠道维度进行汇总）对数据进行重新计算和存储。
2、时间维度的重要性
- 在数据仓库中，时间是一个非常重要的维度，几乎所有的分析都离不开时间因素，无论是分析销售趋势、客户行为变化还是库存周转率等，都需要从时间的角度进行观察，数据仓库通过对不同时间点数据的存储和管理，能够方便地进行基于时间序列的分析，企业可以通过分析过去几年的销售数据，按照月份为时间单位，找出销售的高峰期和低谷期，从而合理安排生产和营销活动，时间维度还可以用于数据的版本控制，不同版本的产品销售数据可以通过时间来区分，便于对比不同版本产品的市场表现。
数据仓库的面向主题、集成性、非易失性和时变性等主要特征，使其成为企业进行数据分析、决策支持的重要工具，这些特征相互关联、相互影响，共同为企业提供了一个全面、准确、稳定且能够反映业务发展变化的数据分析环境。
评论列表