登录
首页精彩阅读教你用数据仓库优化数据分析(下)
教你用数据仓库优化数据分析(下)
2019-04-10
收藏


在上一篇文章中我们给大家介绍了关于数据仓库的一部分知识,在介绍了数据仓库提升数据分析的效率中,有三个途径,第一是数据理解,第二是数据质量,第三是数据跨系统关联。在这篇文章中我们为大家介绍数据质量和数据跨系统关联。


首先我们给大家介绍一下数据仓库的数据质量,其实数据分析要求数据是干净、完整的,而数据仓库最核心的一项工作就是ETL过程,流程就是数据抽取、数据清洗、数据转换、数据加载。而数据仓库已经对源系统的数据进行了业务契合的转换,以及脏数据的清洗,这就为数据分析的数据质量做了较好的保障。所以说数据质量是提高数据分析效率的一种方式。


然后我们给大家介绍一下数据跨系统关联,现如今,各业务源系统的数据经过ETL过程后流入数据仓库,当不同系统数据整合到数据仓库之后,至少解决了数据分析中的两个问题。


第一个问题就是跨系统数据收集问题。第二个问题就是跨系统关联问题,同一个客户可能在不同系统中记录了不同的客户号,甚至存在不同的账号,进行数据整合时,总是需要找到共同的“纽带”来关联来自不同系统的信息,而数据仓库ETL过程中就会整合相关客户信息,完美解决跨系统关联问题。所以说,数据仓库是整合的、面向主题的、数据质量高的、跨系统的优质数据源,那么,我们该如何充分利用这些优势呢?


第一我们可以研究数据仓库模型:数仓的精髓就是面向主题的模型,能理解各大主题域范畴,熟悉不同主题间的关系,基本就掌握了数仓的架构。第二就是学习数据仓库设计文档,具体就是设计文档是业务与数据,数仓与源系统的桥梁,熟悉表间mapping映射,就能快速定位需求变量的来源和处理逻辑,全面了解相关业务。第三就是熟悉数据字典表,数据字典是数据仓库物理存储的信息库,可以通过数据字典了解库、表、字段不同层级的关系、存储、类型等信息。第四就是研究ETL脚本,具体就是学习几个数据仓库ETL加工脚本,能更细致的探索数据加工处理逻辑,更清楚的理解数仓加工模式,快速掌握数据加工技巧。第五就是观察明细数据:想要真正了解数据,就必须对具体数据进行不同维度和层次的观察;比如事件表,从交易类型、时间、渠道、业务种类等多个维度捞几条数据,观察某个相同条件下不同维度的交易变化,了解银行交易的全景信息,帮助理解业务,熟悉数据。


通过这些知识我们可以了解数据仓库的相关知识,这些技巧都是能够帮助大家更好地提高数据分析效率,希望这篇文章能够更好地帮助大家理解数据仓库知识。

数据分析咨询请扫描二维码

客服在线
立即咨询