对license数据的挖掘与分析

                       对license数据的挖掘与分析

    这里所称的数据分析泛指那些将数据转化为信息或知识的计算机应用系统（也可称之为商业智能应用，Business Intelligence/BI），包括决策支持、联机分析、查询与报表、预测分析、专业定量分析、数据挖掘、数据可视化应用等等。为企业或机构进行有效管理、提高竞争力提供信息和依据，是信息化进程中的高级阶段。在企业中已积累的数据是企业或机构宝贵的财富，如何有效地进行数据利用以获得更大的利益是集团化企业的中心目标。

集团化企业或机构在其发展过程中逐渐形成了多种不同类型的license设计研发相关应用软件以支撑公司的主营业务。还有一些公司通常由地点上分布的多个子公司或部门组成，子公司或部门独立地使用着各自的license服务器，而这些子公司或部门往往是很难相互调节使用软件license的，即基于不同厂商的或不同结构的license有不同的服务器和端口，造成了使用情况不明朗，资源使用浪费等情况。

在信息技术不断发展的今天，人们对信息的使用也越来越复杂。除了对软件服务器的进行增、删、改等事务处理操作和简单的统计汇总以外，高层管理者还要使用数据（历史的、现在的）进行各种复杂分析，如长期趋势分析和数据挖掘等，以支持决策。

从大量的历史数据中获取信息，要求license管理系统保存足够的历史数据，而且还要进行复杂的分析处理（每次处理涉及大量数据）。如果直接基于分散繁杂的license服务器的开展分析应用，则不可避免地要遇到以下诸多障碍：

1． 缺乏组织性。

    各个不同类型的license使用数据难以转化为有用的信息。license数据结构是面向操作的有效性组织的，而非面向分析的需要。分析所需要的数据内容可能分散在许多数据对象甚至许多应用中。同一字段在不同应用中又可能存在着同名异义、异名同义、单位不同、字长不同等许多难以识别的矛盾。将这些零碎而且结构各不相同的license服务器使用数据统一起来的工作将是复杂而繁重，难以应付不断变化的分析工作的需要。

2． 干扰事务处理系统的正常运行。

    实现对license使用情况精准的分析处理往往需要涉及较大的数据量，而且license服务器则要求尽快做出响应，如果进行一次大规模的分析，对机器性能的影响是难以忍受的，从而严重影响其正常运行。

3． 缺乏足够的历史数据。

    License使用分析应用常常需要通过一段历史时期的数据来分析趋势，而在license服务器中一般只存储当前的短期数据，且各个不同授权类型license的数据读取也不一样，这对于长期趋势分析和license使用规律探索构成制约。

4． 结果的准确可比性难以保证。

    License的使用数据是随时更新变化的。基于随时变化的数据源难于对问题作出一致的回答，而不一致的答案会干扰决策过程。

【license的当前使用情况】

 

 

【license所在服务器的状态及其数据】

 

 

【使用license的功能模块及当前功能模块的使用率和许可数量、到期时间】

 

【使用license的实时在线用户】

 

    一般来说对license使用问题的决策过程分这样三个阶段：

1. 发现问题。

     一开始，往往并未搞清license使用中的具体问题是什么，只是就所看到的现象提出了疑问和怀疑。需要从不同的方面和角度对数据找出其异常之所在。特别是当观察到某些因素组合起来会产生了特定的效果时，这尤其重要。

 

【license在使用中获取不到的记录数据】

 

 

【license使用记录的历史数据――很明显的看出工作和非工作日license的使用数据差别】

 

 

【license使用率走势，也很直观的看出工作与非工作时的license使用率区别，以及最大使用率和平均使用率的差别】

 

2. 更加详细的分析和探讨所提出的问题。

     一旦发现了某种趋势或异常就要确认和解释其缘由。所谓分析，不仅是观察和列表，更重要的是：

①、证实这种趋势存在的必然性；

②、搞清楚为什么会存在这种趋势或异常；

③、预测这种趋势随着时间进程的发展；

④、预测这种趋势或异常会造成什么影响和后果。

 

【license使用紧张程度的趋势，随着license数量的增加，紧张程度大幅减缓。】

 

 

【license的业务满足率，即当前的license数量是否满足用户的需求量】

 

 

【license业务满足率的数据――通过查询得知，当前还需35个license才能满足100%的业务需求。】

 

3. 向其他决策者展现你的发现和结论，并得到确认分析、证实和预测其后果。

    这可能是一个复杂又漫长的过程。真正有权作出决策的人可能并未参与这一全过程。这时要能将分析的主要过程，尤其是结论清楚明白地展现给决策者，让他能洞察操作过程，理解决策支持的结论。

人们关心的是响应时间、数据的安全性和完整性。分析型处理则用于管理人员的决策支持和分析，经常要访问大量的历史数据。人们关心的是数据的易访问性、分析功能的充分性和有效性、以及结果的准确及时性。

分析应用所需工具可以归纳为以下几类：

1．查询工具

主要是指将数据直接（即无须经过复杂的分析算法处理）呈现给用户的工具。既可以是对数据仓库中记录级数据的查询，也可以是对分析结果（发展趋势或模式总结）的查询。其目标在于使得用户能够方便直观地提出查询要求并且以友好清晰的方式呈现出来，从而帮助用户实现对数据仓库的“阅览”。查询工具可以与分析型工具结合起来实现诸如原因分析、目标探察等分析任务。

2．分析型工具

根据数据仓库的定义和用途，它面向的用户是中高层领导和分析人员，主要执行决策支持和趋势分析类应用。

 

典型的数据分析系统是由以下成分组成：

1． 各种所需的数据源。它们存在于各种事务处理系统的管理之下，是分析系统的数据流起点。

2． 数据仓库系统。按管理主题领域所建立的分析型数据资源体系，是分析功能所作用的直接对象。其内容包括描述各种有关事物的细节级详细数据、体现各类管理主题的不同综合程度的主题数据、数据仓库数据集合及其形成过程的描述性信息（即元数据）和数据仓库管理系统。数据仓库管理系统要承担如下任务：数据抽取、校验、转换、整合、度量计算、加载、刷新、元数据维护、作业调度等。细节级详细数据一方面作为主题数据生成的数据基础，另一方面可以满足联机细节信息查询（包括由宏观至微观的钻入式分析）的需要。而主题数据则是满足绝大多数情况下分析计算数据请求的主体部分。

3． 分析系统。即基于数据仓库之上的数据利用部分，是最终用户的使用环境。前面已经提到，按数据处理的复杂程度可分为查询型、分析型和挖掘型等；按使用对象的不同可分为决策支持系统、分析系统、专业分析研发系统等；按涉及的领域可分为财务分析系统、分析型客户关系管理、分析型渠道关系管理、业务分析系统、市场分析系统等；按操作模式的不同可分为客户机/服务器模式(C/S)、浏览器/服务器模式(B/S)；根据用户需求的通用程度可配置通用商品工具软件或利用开发工具定制满足特定需求的分析环境。

分析系统的物理结构如下图所示：

 

一般情况下，为保证处理性能并且避免相互干扰，数据仓库系统部署在单独的硬件平台上，即分析系统服务器。对于基于Web的应用模式，也可以配备单独的Web服务器。