数据仓库在银行信息化中应用

《数据仓库在银行信息化中应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、数据仓库在银行信息化中应用摘要：随着我国金融行业的快速发展，传统的金融信息系统已经无法满足银行在经营过程中的各种需求。因此众多银行开始构建数据仓库，并基于此技术进行业务运作、经营管理、客户关系管理、银行产品推广等各种分析，在激烈的竞争中掌握主动、获得更大的发展空间。关键词：数据仓库；银行信息化；应用中图分类号：TP311.13文献标识码：A文章编号：1007-9599(2012)17-0000-021引言近些年我国经济取得了快速的发展，金融信息化程度也随之得以大幅的提升。金融行业是我国国民经济的重要组成部分之一，也是市场经济的核心行业，因此重点发

2、展金融信息化、提高金融信息化水平是我国信息化战略中一项不能或缺的内容。金融信息化的发展促进金融市场逐步联合成一个整体，大大提高了各类相关信息的收集、处理和发布从而提髙金融企业的竞争能力。2数据仓库的设计要求传统的金融信息管理系统大多采用c/s结构，客户直接访问生产数据库，完成信息的查询、更新、管理。但这就存在很多缺陷，例如系统安全性不够、系统仅仅是信息的存储容器而无法达到分析预测的高度等等。随着数据库的发展以及数据仓库技术的出现，越来越多的金融企业开始构建自己的数据仓库。与传统的金融信息管理系统不同的是，基于数据仓库技术构建的系统不仅保留了原有系

3、统的各种业务功能，同时在金融结构多年累积的数据的基础上，进一步加强信息查询分析预测以及报表的功能，使用户数据得以最大的利用。数据仓库的设计应满足如下一些要求：3建立数据仓库的基础目前投入使用的金融信息管理系统大部分是基于关系数据库(RelationalDatabaseService,RDS)技术，因为关系数据库起步较早，发展较成熟，使用复杂性较低。关系型数据库是构建数据仓库的基础，但仅仅是使用关系数据库也不能完全构建符合用户需求的数据仓库，还需要使用其他的数据库技术，例如，优化查询、位图索引、动态分区等,在大型数据仓库应用环境中，通过上述几项技术

4、使关系数据库管理系统的性能极大的优化和提升。4建立数据仓库的过程基于用户的需求构建数据仓库，通常由以下三个步骤组成：设计、数据抽取、数据管理。4.1数据仓库设计。系统设计师基于用户的需求和企业的数据设计数据仓库的结构。常用的结构包括星型模型和雪花模型，在星型模型中事实表居中，多个维表分布在事实表周围与其连接。在星型模型的基础上发展出雪花模型。具体的构建过程包括如下三个部分：(1)确定用户数据库涉及的各个数据源的细节，这些细节包括使用数据源的方式、用户数据结构、数据更新频率、数据拥有者等。(2)确定从用户数据源抽取数据的方式。设计师需要制定计划如何

5、从各个用户数据源抽取数据，并对数据进行恰当的格式转换并储存在当前库。(3)设计师应该将用户数据细分成数个业务主题，并基于这些业务主题构建业务主题表。这些业务主题表就是基于用户数据的数据子集，即数据集市(DataMart)o一般来说，数据集市往往针对部分用户数据(例如某一部门的用户数据、某一类特定产品的等)，因此，它的规模通常较小，开发成本较低，开发周期较短。在实际的数据仓库构建过程中，设计师通常首先基于用户核心数据构建若干个数据集市，在基于数据集市构建企业级数据仓库。4.2数据抽取模块。再完成数据仓库的设计后，需要构建数据抽取模块。数据抽取模块基

6、于之前设计的数据抽取规则对各类数据源(包括各类数据库、文本数据、各类用户知识库等)中的数据进行转换、清洗并储存到目标库中。在从数据源转换和清洗数据时，通常需要将数据先暂存为一个中间模式，并将数据存储在数据库临时区，这样是为了保证数据的安全性以及一致性。举例来说，存在两个存储人员基本信息的数据源，在确定数据源中人员的某些属性编码时，可能采用完全不同的编码形式。例如一个是整型、另一个是字符型。在确定人员性别这属性的编码时，可以采用2字节长度字符型，其中存贮的值为中文“男”和“女”，也可以采用1字节长度字符型，其中存贮的值为“M”和“F”o这两个数据源

7、使用的这两种数据编码表达的内容是一致的，但这两个数据源对目标数据来说，这些数据必须被转换成一种统一的数据表述方法，并且由用户进行确认，这样才能保证数据源的质量。因此设计师需要基于用户的需求才能实现用户数据的统一。较早的技术，开发人员使用程序生成器和建立手工规则的方式来抽取数据，随着技术的进步目前市场上出现的专业的抽取工具，如SAS的数据仓库产品SAS/WA(WarehouseAdministrator)>Ardent公司的Infomoter产品。4.3数据维护模块。数据维护模块主要由元数据维护和目标数据维护两个部分组成。其中目标数据维护基于元数据

8、库，并根据设计师制定的更新频率，更新数据等策略去更新数据仓库。这些操作都与时间高度相关，反映了用户数据源的数据变化。更新操作包括两个类型