編輯導(dǎo)語：數(shù)據(jù)分析的前期工作一定要確保無誤，才能保證后期在進(jìn)行數(shù)據(jù)運用和構(gòu)建時不出錯。當(dāng)你拿到一個數(shù)據(jù)分析的任務(wù)時，你可以先到數(shù)據(jù)倉庫進(jìn)行獲取。本文作者介紹了企業(yè)數(shù)據(jù)倉庫項目上的架構(gòu)和組件工具管理問題，我們一起來看一下。

關(guān)于數(shù)據(jù)倉庫的概念、原理、建設(shè)方法論，網(wǎng)上已經(jīng)有很多內(nèi)容了，也有很多的經(jīng)典書籍，本文更想聊聊企業(yè)數(shù)據(jù)倉庫項目上的架構(gòu)和組件工具問題。

先來談?wù)劶軜?gòu)。

01 企業(yè)數(shù)據(jù)倉庫架構(gòu)

關(guān)于數(shù)據(jù)倉庫，有一種簡單粗暴的說法，就是“任何數(shù)據(jù)倉庫都是通過數(shù)據(jù)集成工具連接一端的原始數(shù)據(jù)和另一端的分析界面的數(shù)據(jù)庫”。

數(shù)據(jù)倉庫用來管理企業(yè)龐大的數(shù)據(jù)集，提供轉(zhuǎn)換數(shù)據(jù)、移動數(shù)據(jù)并將其呈現(xiàn)給終端用戶的存儲機(jī)制。許多架構(gòu)方法以這樣或那樣的方式擴(kuò)展數(shù)據(jù)倉庫的能力，我們講集中討論最本質(zhì)的問題，在不考慮過多技術(shù)細(xì)節(jié)的情況下，整個層次架構(gòu)可以被劃分為4層：

• 原始數(shù)據(jù)層（數(shù)據(jù)源）
• 數(shù)據(jù)倉庫架構(gòu)形態(tài)
• 數(shù)據(jù)的采集、收集、清洗和轉(zhuǎn)換
• 應(yīng)用分析層

1. 單層架構(gòu)（直連）

大多數(shù)情況下，數(shù)據(jù)倉庫是一個關(guān)系型數(shù)據(jù)庫，包含了允許多維數(shù)據(jù)的模塊，或者分為多個易于訪問的多主題信息域，最簡單的數(shù)據(jù)倉庫只有一層架構(gòu)。

單層架構(gòu)就以為著數(shù)據(jù)倉庫與分析接口直接連接（直連），終端用戶可以直接查詢。但簡單有其弊端和適用性：

傳統(tǒng)上數(shù)據(jù)倉庫的存儲從 100GB 起，直連可能會導(dǎo)致數(shù)據(jù)查詢處理速度慢，因為要直接從數(shù)據(jù)倉庫查詢準(zhǔn)確的數(shù)據(jù)，或者是準(zhǔn)確的輸入，過程中要過濾掉很多非必要數(shù)據(jù)，這對數(shù)據(jù)庫以及前端BI工具的性能要求相當(dāng)高，基本性能不會太高。

另外，在處理復(fù)雜維度分析時性能也受限，由于其緩慢性和不可預(yù)測性，很少應(yīng)用在大型數(shù)據(jù)平臺。要執(zhí)行高級數(shù)據(jù)查詢，數(shù)據(jù)倉庫應(yīng)該在低級實例下被擴(kuò)展從而簡化數(shù)據(jù)查詢。

2. 兩層數(shù)據(jù)架構(gòu)（數(shù)據(jù)集市層）

兩層架構(gòu)就是在前端應(yīng)用層和 EDW 層增加了數(shù)據(jù)集市層。數(shù)據(jù)集市是包含特定主題域信息的低級別存儲庫。簡而言之，它是一個在特定主題（例如銷售、運營、市場等）下延伸了 EDW 的較小數(shù)據(jù)庫。

這種方式解決了部門級數(shù)據(jù)查詢和分析的問題，每個部門都更容易訪問到所需數(shù)據(jù)，因為每個集市僅包含給定域信息，另外，數(shù)據(jù)集市限制了終端用戶對數(shù)據(jù)的訪問范圍，設(shè)置了一道數(shù)據(jù)權(quán)限。但是創(chuàng)建數(shù)據(jù)集市層需要額外的硬件資源，并集成它與數(shù)據(jù)平臺其他的數(shù)據(jù)庫。

3. 三層架構(gòu)（OLAP）

在數(shù)據(jù)集市層之上，我們通常會使用聯(lián)機(jī)分析（OLAP）處理多維數(shù)據(jù)集（cube）。OLAP 數(shù)據(jù)集是一類從多維度描述數(shù)據(jù)的特定數(shù)據(jù)庫。關(guān)系型數(shù)據(jù)庫只能表示二維數(shù)據(jù)，而 OLAP 允許在多維度下編譯數(shù)據(jù)并且在維度之間移動。

OLAP專用于維度建模數(shù)據(jù)的分析，然后通過BI將OLAP的結(jié)果以圖表的方式展現(xiàn)出來。

OLAP 的業(yè)務(wù)價值在于允許對數(shù)據(jù)進(jìn)行切片、切片以多維度分析，以提供對所有企業(yè)數(shù)據(jù)或特定數(shù)據(jù)集市的訪問，現(xiàn)在基本已成為主流的架構(gòu)應(yīng)用。

以下這張架構(gòu)圖使用最廣泛的體系結(jié)構(gòu)，它由頂層、中層和底層組成。

• 底層：數(shù)據(jù)倉庫服務(wù)器的數(shù)據(jù)庫作為底層，通常是一個關(guān)系數(shù)據(jù)庫系統(tǒng)，使用后端工具將數(shù)據(jù)清理、轉(zhuǎn)換并加載到該層。
• 中間層：數(shù)據(jù)倉庫中的中間層是使用ROLAP或MOLAP模型實現(xiàn)的OLAP服務(wù)器。對于用戶，此應(yīng)用程序?qū)语@示數(shù)據(jù)庫的抽象視圖，這一層還充當(dāng)最終用戶和數(shù)據(jù)庫之間的中介。
• 頂層：頂層是前端應(yīng)用層，連接數(shù)據(jù)倉庫并從數(shù)據(jù)倉庫獲取數(shù)據(jù)或者API，通常的應(yīng)用包括數(shù)據(jù)查詢、報表制作、BI數(shù)據(jù)分析、數(shù)據(jù)挖掘還有一些其他的應(yīng)用開發(fā)。

從功能應(yīng)用和技術(shù)架構(gòu)來展開，以下是一張中大型企業(yè)的很詳細(xì)的數(shù)據(jù)倉庫架構(gòu)圖了。

數(shù)據(jù)倉庫的4層核心組件：底層源數(shù)據(jù)庫（數(shù)據(jù)存儲方案）、ETL、前端應(yīng)用、還有OLAP服務(wù)。

02 數(shù)據(jù)倉庫數(shù)據(jù)庫

底層的數(shù)據(jù)倉庫服務(wù)器通常是一個關(guān)系數(shù)據(jù)庫系統(tǒng)(各種表關(guān)聯(lián)的sql統(tǒng)計會更方便一些，非關(guān)系型數(shù)據(jù)庫目前在這方面還是有所區(qū)別)。常用的方案有Oracle、db2、sqlserve 還有essbase、greenplum、teredata等數(shù)據(jù)倉庫專業(yè)解決方案。

1. 采用傳統(tǒng)關(guān)系型數(shù)據(jù)庫，或經(jīng)過功能擴(kuò)展的MPP數(shù)據(jù)庫

① 傳統(tǒng)的關(guān)系型數(shù)據(jù)庫有：oracle、mysql、DB2

② 大規(guī)模并行處理數(shù)據(jù)庫：Vertica、Teradata(商業(yè))、Greenplum (開源)

Teradata老江湖了，銀行業(yè)使用較多，但成本也是真的貴，目前我們做項目較多的是用Greenplum，算是業(yè)界最快和最高性價比的高端數(shù)據(jù)倉庫解決方案，Greenplum是基于PostgreSQL的，于2015年開源。我知道的國內(nèi)四大行有3家在用，5大物流公司有4家在用，不少公司在從Teradata 遷移到 GP。

2. 大數(shù)據(jù)平臺架構(gòu)：Hadoop+Hive

這套方案有多通用不用多說了，通常是這樣的組合：TB級數(shù)據(jù)用PG，百TB級數(shù)據(jù)用GP，PB級i上數(shù)據(jù)用Hadoop。

下面整理了一張傳統(tǒng)數(shù)據(jù)倉庫架構(gòu)、GP還有Hadoop大數(shù)據(jù)平臺的對比圖。

03 采集、收集、清洗和轉(zhuǎn)換工具(ETL)

數(shù)據(jù)來源、轉(zhuǎn)換和遷移工具用于執(zhí)行將數(shù)據(jù)轉(zhuǎn)換為數(shù)據(jù)倉庫中的統(tǒng)一格式所需的所有轉(zhuǎn)換、摘要和所有更改，它們也稱為提取、轉(zhuǎn)換和加載工具。其功能包括:

1. 抽取

• 全量抽?。哼m用于數(shù)據(jù)量小且不容易判斷其數(shù)據(jù)發(fā)生改變的諸如關(guān)系表，維度表，配置表等
• 增量抽取：適用于數(shù)據(jù)量大，為了節(jié)省抽取時間而采用的抽取策略

2. 清洗

• 空值處理：將空值替換為特定值或直接過濾掉
• 驗證數(shù)據(jù)正確性：把不符合業(yè)務(wù)含義的數(shù)據(jù)做統(tǒng)一處理
• 規(guī)范數(shù)據(jù)格式：比如把所有日期都規(guī)范成YYYY-MM-DD的格式
• 數(shù)據(jù)轉(zhuǎn)碼：把一個源數(shù)據(jù)中用編碼表示的字段通過關(guān)聯(lián)編碼表轉(zhuǎn)換成代表其真實意義的值
• 數(shù)據(jù)標(biāo)準(zhǔn)統(tǒng)一：比如在源數(shù)據(jù)中表示男女的方式有很多種，在抽取的時候直接根據(jù)模型中定義的值做轉(zhuǎn)化。

3. 轉(zhuǎn)化和加載

• 轉(zhuǎn)換：用ODS中的增量或者全量數(shù)據(jù)來刷新DW中的表
• 加載：每insert數(shù)據(jù)到一張表都可以稱為數(shù)據(jù)加載

關(guān)于ETL工具的選型，這里羅列了一張對比表，基本囊括常用的ETL工具。

04 前端應(yīng)用工具

數(shù)據(jù)倉庫平臺的搭建，最終是為了梳理出有用數(shù)據(jù)、提供有價值信息，幫助業(yè)務(wù)做出正確決策。

前端應(yīng)用工具主要就是和數(shù)據(jù)倉庫不同環(huán)節(jié)的數(shù)據(jù)交互，這些應(yīng)用一般可以分為4類：

• 數(shù)據(jù)查詢和報表工具
• BI即席分析工具
• 數(shù)據(jù)挖掘工具
• 各種基于數(shù)據(jù)倉庫或數(shù)據(jù)集市的應(yīng)用開發(fā)工具

其中數(shù)據(jù)分析工具主要針對OLAP服務(wù)器，報表工具、數(shù)據(jù)挖掘工具主要針對數(shù)據(jù)倉庫。

1. 數(shù)據(jù)查詢和報表工具

通常用來生成一些固定類報表，自動化報表，支持打印和計算等大批量批處理作業(yè)。

流行的報表工具，在舊數(shù)據(jù)倉庫時代主要是IBM的BO、Oracle的BIEE、還有微軟和cognos，整體打包在數(shù)據(jù)倉庫解決方案里，報表作為一個組件存在。但是隨著傳統(tǒng)型數(shù)倉，架構(gòu)重成本貴，很多公司在項目上會自己考慮設(shè)計架構(gòu)，而不是直接強套昂貴的解決方案，包括很多開源組件/平臺的使用。

有關(guān)報表工具，現(xiàn)在項目上用的比較多的是帆軟FineReport，針對不同企業(yè)數(shù)倉架構(gòu)以及報表需求的適用性較廣。比如對接各種數(shù)據(jù)庫直接生成報表；對采集整理后的數(shù)據(jù)進(jìn)行多維報表展現(xiàn)，支撐業(yè)務(wù)分析報表；對接集團(tuán)性數(shù)據(jù)倉庫，構(gòu)建數(shù)據(jù)中心平臺，形成決策分析平臺。

2. BI即席分析工具

BI一般都集成了OLAP服務(wù)器和報表展示功能。分析型BI基于多維數(shù)據(jù)庫的概念，能多維視角分析數(shù)據(jù)，通常是從數(shù)據(jù)倉庫中抽取詳細(xì)數(shù)據(jù)的一個子集并經(jīng)過必要的聚集存儲到OLAP存儲器中供前端BI分析工具讀取。

BI在前端通過拖拽數(shù)據(jù)字段，多維度實施展現(xiàn)數(shù)據(jù)，最終生成各種分析報告。常用的BI工具有PowerBI、Tableau、FineBI，還有開源的superset。個人使用多用前兩者，企業(yè)項目上選型多用FineBI，因為要考慮性能、服務(wù)方案等。剩余就是自研或者開源，superset算是比較公認(rèn)的開源BI。

BI工具做什么的不多說了，在項目選型的時候主要考慮上手難度（考慮沒技術(shù)基礎(chǔ)的業(yè)務(wù)用），數(shù)據(jù)處理性能，其他就是技術(shù)選型的事，還有成本。

3. 數(shù)據(jù)挖掘工具

OLAP是將數(shù)據(jù)多維視角呈現(xiàn)分析，數(shù)據(jù)挖掘則是應(yīng)用的算法來揭示數(shù)據(jù)的規(guī)律性，比如相關(guān)性、模式和趨勢等。數(shù)據(jù)挖掘工具就是做這個的，它能讓一些算法和過程自動化。

舉個例子，比如銀行里數(shù)據(jù)倉庫以面向“客戶”為主題進(jìn)行數(shù)據(jù)的存儲，OLAP可以實現(xiàn)數(shù)據(jù)按照客戶的基本信息、儲蓄賬戶信息、歷史余額信息、銀行交易日志等，以報表或者可視化的方式呈現(xiàn)分析，多方面掌握客戶動態(tài)，發(fā)現(xiàn)數(shù)據(jù)的問題，更好的針對不同類型用戶進(jìn)行特定性營銷。而數(shù)據(jù)挖掘則是通過歷史數(shù)據(jù)建立模型，在擬合歷史的基礎(chǔ)上，分析未來趨勢，判斷哪些因素的改變將很可能意味著客戶的最終流失，進(jìn)而避免其發(fā)生。

常用的數(shù)據(jù)挖掘工具，R、Python還有SPSS，基本都是開源個人可用的。和BI和報表不同，市面上少有為客戶提供定制化數(shù)據(jù)分析和挖掘的商業(yè)工具或者項目服務(wù)，因為行業(yè)性太強，需要非常熟悉業(yè)務(wù)、數(shù)據(jù)、平臺，所以我見過基本都是自己養(yǎng)數(shù)據(jù)分析團(tuán)隊或者挖這類的人才。

4. 應(yīng)用開發(fā)

以上報表型、分析型的數(shù)據(jù)產(chǎn)品，但也會有延申出來的各種特定業(yè)務(wù)的數(shù)據(jù)決策系統(tǒng)，比如銀行業(yè)基于管理層監(jiān)控的的行長駕駛艙、零售業(yè)基于門店數(shù)據(jù)經(jīng)營的決策系統(tǒng)，以及電商平臺的營銷參謀（輸入營銷目標(biāo)及參數(shù)，比如要開展雙十一母嬰市場的促銷活動，系統(tǒng)可以基于以往海量數(shù)據(jù)計算出應(yīng)該選擇什么品類的商品，在什么用戶群中，以什么形式開展活動效果會更佳），都是基于這樣的邏輯——基于業(yè)務(wù)深度應(yīng)用。此時數(shù)倉就是提供一個服務(wù)平臺的角色，比如現(xiàn)在很火的數(shù)據(jù)中臺也大體是這個邏輯，將數(shù)據(jù)服務(wù)化，具體不懂就不班門弄斧了。

這樣的服務(wù)，當(dāng)然需要自己開發(fā)。

在這三層之間其實還有中間層OLAP服務(wù)器，典型實現(xiàn)為ROLAP模型或MOLAP模型?，F(xiàn)在很多成熟的BI工具都是集成了OLAP服務(wù)器的，所以通常我們只需要選擇ETL工具以及存儲方案和可視化BI方案即可，所以O(shè)LAP本文也就不多講了。

作者：商業(yè)智能研究，專注企業(yè)數(shù)據(jù)化運營和數(shù)字化轉(zhuǎn)型，公眾號：商業(yè)智能研究，分享有關(guān)企業(yè)數(shù)據(jù)建設(shè)的一切知識！

本文由 @商業(yè)智能研究 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。