1 引言
随着信息化的日益普及和深入，企业管理层关注的不再是停留在数据的收集层面，而是转向对业务分析以及对业务关键信息的应用上，很多企业选择了在原来系统的基础上开发商业智能系统，即BI功能。
2 项目背景
随着公司近些年的业务不断发展，在管理报告应用和决策支持上的不足也逐渐呈现，主要体现在缺乏共享机制，无法保证分析时效性和有效性；分析结果受制于业务数据的规范性和完整性。同时，经过多年的信息化建设， ERP及一些专业数据库系统都已经得到良好的应用，在产量、销量、预算、核算等方面积累了大量的基础数据，具备了挖掘、利用、为高管层提供决策支持信息的数据基础。基于前述内容，为了适应公司目前的发展战略，使公司现有的经营管理信息发挥更大的效力,为公司管理层在统一的平台提供及时、有效的管理决策支持，决定建设 BI 系统。项目建设选用了“IT 行业中唯一一家能够提供信息基础结构所有内容的公司”——IBM 的全套产品，包括：服务器（IBM Power 750）、操作系统（AIX）、数据仓库（DB2）、数据集成（DataStage）、图表分析（Cognos）。
3 系统架构设计
3.1 物理架构
根据应用的分类将所有服务器分为三个群组，每个群组由两台服务器组成，并且这两台服务器进行双机双活，保证系统的稳定性要求。具体物理架构图如下图所示：
图 1.数据仓库物理架构
3.2 逻辑架构
根据用户需求分析结果以及整体系统开发技术路线，系统总体逻辑架构整体如下图所示：
图 2.数据仓库逻辑架构
数据整合分析系统在应用逻辑上分为三个模块：数据仓库模块、ETL 过程模块、应用展现模块。每个模块配以安全管理的相应方法和策略，保证数据、系统和信息的安全应用。
4 数据仓库设计
数据仓库是整合数据整合分析系统的核心部分，具备保存数据、处理数据、分析计算数据、为应用创建数据模型的功能。数据仓库在进行统一安全管理的前提下，与 ETL调度过程相连接，获取数据仓库所需的分析应用数据。在数据仓库内部，根据数据仓库建设的通用架构和行业经验，区分出四个层次，每个层次根据其功能进行相应的数据存储分类和处理操作，最终形成提供给应用展现所需的数据集市模型。
4.1 逻辑架构
数据仓库整体架构如下图所示：
图 3.数据仓库整体架构
4.2 基本分层结构
数据仓库的所有层都存储在一个 DB2 数据库内，各个不同的数据在 DB2 内按不同的 Schema 来区分，同时不同的 Schema 在物理存储过程中会对应不同的表空间。从逻辑上和物理上同时划分出数据仓库的各个层次出来。接下来分别对每个数据区域做详细介绍。
4.2.1 数据接口层（SRC）
SRC 是生产系统数据源的直接拷贝，由 ETL 过程对数据源进行直接抽取，在格式和数据定义上不作任何改变。与生产系统数据的唯一不同是，SRC 层数据具有时间戳。
SRC 层直接表示为与数据源相同的架构，但 SRC 层可保存多天的源数据，并打上时间戳。SRC 层存在的意义在于两点：（1）对数据源作统一的一次性获取，数据仓库中其他部分都依赖于 SRC 层的数据，不再重复进行抽取，也不在生产系统上作运算，减小生产系统的压力；（2）在生产系统数据已经刷新的情况下，保存一定量的生产系统的历史数据，以便在二次抽取过程中运算出错的情况下可以进行回溯。SRC 层是数据中心原始数据的缓存层。该层次设计是相对简单，能够真实体现数据源系统和源系统数据表的真实情况即可。
4.2.2 维度数据层(DI)
维度数据层的数据来源于 SRC 层，主要有下列几个方面的作用。（1）提供标准维度数据。在客户的业务系统中，每个系统通常都独立存放维度，并且有独立的编码规则，但在不同的业务系统中，有些维度的含义是完全相同的。而数据中心要求维度统一，即同一个维度应该采取统一的编码，所有业务系统数据共用统一维度编码。DI 层存放客户确认后的标准维度数据。该部分起到两个作用。一、为已有业务系统提供维度标准，为数据清洗提供支持。二、为待开发系统提供标准维度支持。为了使待开发的业务系统数据能够很好的融入数据仓库，数据中心为这些系统提供标准的初始化维度数据。（2）提供维度转换关系。标准维度确定后，各业务系统各种不符合标准维度的数据必须经过清洗，在数据清洗之前，必须确认维度转换的规则，即确定各业务系统独立的维度同标准维度的对应关系，并形成对照关系表。DI 层用户存放客户确认后的维度对照表。DI 层是存储系统内标准主数据的层次，负责整个数据仓库标准维度统一工作。DI 层的设计主要考虑的是维度的标准化存储和应用，所以该层次的主要设计原则为标准清晰原则。
4.2.3 数据仓库层(DW)
DW 层（数据仓库层）是数据仓库系统的核心，具有面向业务的、稳定的、集成的、持续的特点。DW 层的数据从数据接口层（SRC 层）通过数据清洗和转换装载到数据仓库层，定期通过时间戳进行更新，使得 DW 层的数据是完整的、准确的和简洁的。在清洗过程中，会将从各个业务系统来的数据的维度进行标准化清理，保证维度数据在数据仓库内部的唯一性。DW 层作为储存数据元素的主要层次，负责存储清洗后的、唯一的、标准的数据内容。
DW 层数据模块按照如下原则进行分类：（1）根据数据业务内容进行设计：DW 层数据首先按照源系统抽取过来的数据的业务内容进行首要分类，将同样业务内容的数据进行分组，组成相应的内容模块。（2）根据数据来源及更新方式进行设计：数据仓库的更新频率是根据数据源系统的类型、数据更新需求、数据更新方式等信息来确定的，而数据仓库层的设计则必须参考数据更新频率和方式等内容。（3）按相同数据颗粒度划分：DW 层数据模块设计时，将按照数据颗粒度的一致性进行数据分类划分。
4.2.4 数据集市层(DM)
DM 即数据集市层，由各种星型模型的数据表或多数据组合成的平面数据表组成。DM 层为了前台展现而设计，数据来自于 DW 层和 DI 层。DW 层虽然囊括了系统的所有数据，但 DW 层是为了数据更合理管理而设计，其本身不一定满足数据展现的需求。再加上系统大数据量的特点，必然需要实现对数据多维分类汇总，以满足系统性能的要求。而 DM 层用于整合、汇总和存储这类数据，从而更直接、高效的为应用展现提供数据支持。
DM 层将一句上层报表应用的需求来进行设计，并根据上层应用的具体实际情况来搭建各主题模型。DM 层应用主题按照如下原则进行设计：（1）依据上层应用需求进行设计：由于数据集市层主要是为展现平台应用作服务，所以首先应根据应用需求的内容进行分析主题的划分和设计，尽量将同一报表或同一业务主题所用数据汇总在一起，减少上层应用的计算和处理量。（2）根据数据颗粒度进行设计：在数据集市层，相同数据颗粒度的数据应根据上层应用的需求，进行尽可能的整合和汇总，以提供上层应用进行直接读取和应用。
5 ETL 架构设计
ETL 过程是整合数据整合分析系统的数据来源基础，在源业务系统和数据仓库之间起着重要的数据转移作用。ETL 过程需要经过 ETL 规划和设计，ETL 调度部署以及日常 ETL 监控和管理等部分组成，ETL 的正常运行直接关系着数据中心数据的完整性和准确性。
ETL 数据转换是数据整合的必备工具。它可以批量完成 数 据 抽 取 (Extract) 、 清 洗 (Cleaning) 、 转 换(Transformation)、装载(Loading)等任务，不但满足对种类繁多的异构数据库进行整合的需求，同时可以通过增量方式进行数据的后期更新，一体化的解决了数据整合过程中遇到的种种困难。
ETL 架构描述了数据从源系统抽取、经过转换加载、数据库各层处理计算、最终加载至多维数据模型和数据展现模型的整个过程。数据整合分析系统的 ETL 架构如下图所示：
图 4.ETL 架构
6 应用展现设计
系统信息展现部分，是在核心主题数据库的基础上，以业务视图、可视化方式为主要展现方式，依托于开发、安全的网络环境，对核心数据信息进行灵活查询分析的应用展现系统。
应用展现部分是用户直接登录、使用的前台应用模块，将包含用户登录、固定应用报表、驾驶舱、多维分析应用等多个应用细项组成。该部分能提供的应用功能和方便性、易用性特点，直接影响着用户使用感受。
6.1 应用展现类型
6.1.1 驾驶舱
通过定制化的基于角色的决策驾驶舱，可以使各种角色的决策者能够通过直观的决策仪表盘、图表曲线、分析报告、交叉表等关键分析图表感知企业、行业关键指标的变化。在驾驶舱中，仪表盘技术以形象的驾驶舱特点，使决策者能快速了解企业的现状；关键分析图表通过针对性的固定更新的报表或多维分析模型简洁而具有深度的提供给决策层；KPI 指标动态预警在于有效及时固化管理者需要监控的重点，通过基线值自动比对计算，帮助管理者防范风险。
6.1.2 固定报表应用展现
通过预定义的格式化报表展现，可以将大量的数据信息集中展示在复杂的报表中，通过一张固定报表则可以直观、准确的反映公司的运营状态、业务状况。同时配合多种多样的图表类型，帮助用户清晰的了解报表信息。
6.1.3 多维分析应用展现
多维分析处理系统是基于数据仓库、OLAP 分析技术，针对海量异构数据进行快速多维立体分析处理的有力工具，它将存在着复杂关系的海量数据以业务人员非常熟悉的业务指标形式，通过表格和多种分析图形等展现方式，瞬间直观的反映给相关人员，从多种观察角度围绕业务指标，对数据进行深入、实时、动态的剖析，用来帮助数据分析人员、管理人员和决策人员洞察数据变化、发现规律，为科学决策提供辅助支持。
转载请注明出处：拓步ERP资讯网http://www.toberp.com/
本文标题：企业BI系统设计实践
本文网址：http://www.toberp.com/html/consultation/10820616438.html
相关文章
