数据仓库技术在银行业的应用(doc 5页)

数据仓库技术在银行业的应用内容提要：
      中央数据库采用符合数据库范式理论(一般为第三范式)的存储模型来保存基础数据，从而为整个企业提供一致的信息视图。上面说明的数据集市主要针对粒度较粗、预先定义的分析需求，对于动态的业务查询、粒度较细的或者针对基础数据的分析需求则由中央数据库提供。因此业务人员可以直接访问到最基础的详细数据，特别是高级业务分析师，将更频繁地基于详细数据进行分析，以便挖掘出内在的、隐含的业务规则，帮助企业主管更好地进行业务决策。
      在中央数据库中还设立了一个数据转换与缓冲区(Data Staging Area)，作为ETL（抽取转换装载机制）处理的一部分。由于在很多数据仓库的ETL处理流程中，需要对源数据作一些比较复杂的转换与清洗工作，如果仅借助于ETL工具实现这种转换与清洗，由于没有数据库的支撑(ETL工具均在数据库之外运行)，经常会产生比较严重的性能问题。于是在一些系统中增加一个ODS(Operational Data Store)层来进行数据的整理，但这就像设立基于RDBMS的数据集市一样，将大大增加整体投资和管理复杂性。理想的方法是，在中央数据库中设置一部分存储空间来作为数据转换与缓冲区，借助数据仓库引擎强大的复杂查询处理能力，通过SQL实现数据的转换与清洗。这种实现方法简单、快速、并且不容易出错，当然对中央数据仓库引擎的处理能力就提出了更高的要求。
       选择这种数据仓库基础平台的基本要求第一是线性扩展能力。原始数据对任何一个数据仓库来说，都是最主要的负载之一。随着数据量的增长，系统性能会逐渐下降。为了维持合理的业务查询响应时间，要求数据仓库引擎和相应的数据库服务器具有优良的线性扩展能力。一些系统的扩展能力非常有限，当数据量增长到一定规模时（比如TB级以上）已经很难满足日常的业务分析要求，不得不把数据分离到多个小规模的数据集市，形成所谓的“Hub and Spoke”结构。第二项基本要求是并行处理能力。许多业务查询与分析都是动态(Ad-hoc Query)的，数据库传统的索引技术对动态分析和模糊查询的帮助不大。系统必须具有非常好的并行处理能力，才能满足复杂的、动态的分析需求，并且承担比较复杂的数据转换与清洗工作。第三个基本要求是简单的系统管理。对于大型的数据仓库应用系统而言，如何能有效而简单地进行系统管理是非常重要的。特别是当数据量不断扩大时，如果没有一种有效而且简单的系统管理措施，那么系统的运行费用将会很高。
      数据仓库技术在银行业的应用
      数据仓库体系结构属于基础设施的建设，只有稳固的数据仓库基础设施才能支撑灵活多样的数据仓库应用。对于银行业来说，数据仓库的应用面非常广，基本上涵盖了银行经营管理与业务运作的各个方面。
      现在国内几大商业银行都在着手调研、准备或者尝试实施基于数据仓库技术的各种解决方案。比如，中国工商银行进行了以个人客户关系管理（PCRM）和业绩价值管理（PVMS）为主题的应用试点，中国银行则全面规划了信用卡系统，其中很重要的一个子系统就是基于数据仓库技术的销售和客户服务系统，中国农业银行正在广东分行进行经营分析系统的建设，中国民生银行也全面启动了客户信息管理（CIM）和企业级数据仓库的建设。
       银行通过逐步建立企业级数据仓库，可以对全行业务数据进行集中存储和统一管理，科学合理地对信息进行详细分类，及时准确收集信息和分析信息，确保管理层随时掌握银行的经营风险、运营情况和经营目标。在引入详细交易数据以后，可以通过各种数据的关联分析，衡量各类客户需求、满意度、赢利能力、潜在价值、信用度和风险度等指标，帮助银行识别不同的客户群体，确定目标市场，为实施差别化服务、产品合理定价的策略提供技术支持。

..............................