企业要实现管理决策,一定要先建数据仓库再做BI?

企业要实现管理决策,一定要先建数据仓库再做BI?

众所周知,要实现企业的数据分析,BI和数据仓库是一对谁也离不开谁的存在,两者相辅相成。但是很多人在疑惑,我数据仓库都没建好,怎么做BI?真的要先建好数仓才可以做BI吗?

今天来唠唠数据仓库和BI的逻辑,也许你就豁然开朗了。

任何BI项目,均需从各级管理者的决策性思维出发,分主题的建立数据模型,从而形成数据仓库,不论其存在的形式如何,分析思想必然贯穿整个项目,并覆盖各层级的发展战略与业务表单,随时纳入的外部数据,保障决策的科学性与前瞻性,满足决策的全过程。

数据仓库的逻辑

数据仓库(Data Warehouse,简称DW)是一个面向主题的集成的、相对稳定的、反映历史变化的数据集合,用于支持管理决策

数据仓库是一个概念。

数据仓库系统区别于数据库

通常意义的数据库,指各个业务系统所存储的数据集,其作用是籍于业务系统流程所产生的数据,利于各流程所产生的数据之存储。

数据仓库则为满足决策分析而建立,其面向主题的设计,将会因数据的特性不同而有所增减,如数据间的相容性与互斥性,数据仓库的数据容量将是业务数据库的五倍以上。

一般说来,数据仓库为减少对业务数据库的干扰,原则上要单独建立。他借助于数据库实现。如关系型数据库,多维数据库、内存数据库等。这些都可以作为数据仓库来使用,

数据仓库的建立,有以下几个主要方面工作:

①业务数据进行整合,②主数据管理,③元数据管理,④数据质量管理,⑤数据清洗、转换,⑥数据装载,⑦分主题建模等,最终支持各级管理者的数据分析、业务预测、决策。

商业智能(BI)的逻辑

商业智能(Business Intelligence)是对商业信息的搜集、管理和分析的过程,商业智能一般由数据库技术、数据仓库(或数据场)、在线分析处理(OLAP)等部分组成,其实现涉及可视化、交互等动态分析型软件。

各级管理者以数据仓库为本,经各种查询分析工具(Query/Report Tools)、联机分析处理(OLAP)工具或是数据挖掘(DataMining)工具加上决策者的行业知识(Industry Knowledge),从数据仓库中获得有用的信息,进而帮助企业获利,提高生产力与竞争力。

BI项目带有非常强烈的咨询服务特性。是发现问题、找出规律、预测将来,发掘新知识新模式,达到真正的智能效果。

商业智能不是简单的报表和漂亮的图形,其主要考量的是模型交付能力及工具软件的开放性。

面对庞大的数据,提高信息的利用率,快速准确地找出需要的信息,做出正确的决策,是商业智能发展的驱动力。硬件上的大容量存储技术、并行处理器技术,软件挖掘工具、数据仓库环境的管理工具、Internet、大数据预处理等技术的成熟,以及国产化的扩展能力,使得商业智能再次成为各级管理组织研究和应用的热点。

从以上的阐述不难看出,任何BI项目,均需从各级管理者的决策性思维出发,分主题的建立数据模型,从而形成数据仓库,不论其存在的形式如何,分析思想必然贯穿整个项目,并覆盖各层级的发展战略与业务表单,随时纳入的外部数据,保障决策的科学性与前瞻性,满足决策的全过程。

建议不要把数据仓库单独作为一个项目,因为业务分析需求不确定的情况下建数据仓库,会有很大风险。并且企业永远有数据不能及时的维护进数据仓库,有许多临时需要分析的数据却未放进数据仓库的外部数据,同样对分析决策起到重要的作用。观数台可以完美支撑用户构建完美的决策分析体系架构。