智能数据仓库的设计方法

　　商业智能的深入实施和应用是中国银行业的必然选择，但是只有把技术的发展与业务需求真正的融合起来，商业智能的实际价值才能得到的体现。 金融改革不断深入的今天，伴随着对数据分析、业务分析和综合分析需求的不断产生，各大商业银行都分别实施了不同层次的商业智能(BI)系统。

　　但是，从整体市场看，国内几乎找不到真正实施成功的商业智能案例，一些已经实施的项目效果也不是很好，基本上还停留在报表系统的层面。究其原因，主要是商业智能项目的难度根本就不在技术本身，而在于业务。

　　首先，商业智能项目需要构建一个全面的业务模型，这个业务模型要把银行现有的全部业务种类都包容进去。 其次，原始数据积累严重不足。原始数据资料越丰富、越规范，商业智能分析结果的准确度也就越高。但是银行业尤其是中小商业银行信息化的历史比较短，业务数据也称不上规范。

　　业务驱动技术应用

　　目前，由于企业管理的现实情况，商业智能的业务需求实际分为了两个层面：低端的企业报表层和高端的决策分析层。国内银行商业化还处于起步阶段，业务决策分析基本还停留在专家模式，因此业务部门很难在决策分析层面提出多少需求。

　　而在管理报表层面上，由于过去的企业管理体系一直是围绕报表建立的，业务人员可以提供一整套完整的基于报表的业务需求，甚至有一套十分完整的生成报表的指标体系。

　　有些中小银行也实施过通用报表平台的软件，在这个基础上对它作重新的规划和定义，使其融入商务智能的思想，由于中小银行的数据源并不复杂和数据量也不大的特点，可省去数据仓库等支撑软件。

　　三层体系结构

　　系统由C/S结构的报表设计器、报表流程设计器、查询设计器和在J2EE应用服务器/WEB服务器上运行的报表服务器、查询服务器、服务器管理Web应用（系统管理）构成。在实施上，则要求系统要具备三层体系结构图。

　　数据层

　　数据层指的是digiTower 商业智能平台所涉及的各种数据源。数据层包括下列数据库和数据源：

　　业务报表/业务查询数据池：存放各种与具体业务相关的报表定义/查询定义文件、报表分发流程定义文件、动作组件定义文件、图像等。

　　工作流数据池：用于存放报表分发流程模板等。

　　定时数据池：用于存放各种定时服务数据，包括报表分发流程启动时间数据。

　　审计数据池：存放各种组件的审计数据，包括报表操作、查询操作等。

　　业务数据源：各种业务数据的数据源，用于生成报表和查询。

　　服务层

　　服务层实现所有业务逻辑处理，起到与客户端和数据层进行信息交流和进行必要的业务处理的作用，由J2EE服务器中间件和应用软件业务逻辑组成。

　　服务层是实现三层结构的核心。

　　从技术上可分为：

　　基础引擎：包括报表引擎、查询引擎、定时服务引擎和工作流引擎。

　　基础组件：由通用组件和基础引擎对应的组件组成，包括审计、各种服务组件、系统管理、审计报表等。

　　业务报表/业务查询引擎：它介于基础组件和客户端服务之间，是服务层的核心。它检索具体业务的报表/查询定义、报表分发流程定义等并根据要求执行相应的动作。

　　Services/UDDI：业务报表/业务查询功能的Web Services封装。

　　界面组件：实现业务报表/查询的展现、系统管理等功能，包括导航组件、界面程序。

　　单点登陆：由统一认证系统提供的单点登陆组件。

　　从功能上可以划分为：

　　报表服务器：实现通用报表服务的功能，包括报表引擎和报表展现、报表查询、统计分析、报表分发四个基础组件。

　　查询服务器：实现了通用查询服务的功能，包括查询引擎和查询服务基础组件。

　　工作流服务器：实现了工作流服务的功能，包括工作流引擎和工作流、收件箱两个基础组件。

　　工作流服务器是实现业务过程自动化的软件环境：工作流是对一整套规则与过程的描述，其目标不仅仅是处理过程，也不仅仅是把事物从一个地方流向另一个地方，而是管理那些引导作业环境如何运作的规则与过程。

　　定时服务器：实现了定时执行程序的功能，包括定时服务器引擎和定时服务基础组件。

　　系统管理：实现系统管理、安全审计等功能，包括基础组件中的审计、审计报表、系统管理。

　　业务应用逻辑：实现与具体业务相关的报表/查询管理和服务的功能，包括业务报表/业务查询引擎、Services/UDDI、导航组件、界面程序。

　　用户认证：实现单点登陆功能，包括由统一认证系统提供的单点登陆组件。

　　客户端

　　实现人机交互及数据表示，采集用户输入的数据、请求，向业务逻辑层发出请求，并显示处理结果。这一层的功能采用GUI（含浏览器）方式实现。

　　这样构造的系统是一个自动灵活的报表与查询系统，与商业智能的最终目标虽说有一定的距离，但在决策分析需求不能提出的情况下，将现有的管理报表体系作为系统需求的主要来源，具备更为现实的功能。

　　以此为起点，还必须做好两项工作。首先，对数据资源进行整体规划，对历史数据要进行尽可能完善的数据清洗，提高存量数据的质量。

　　其次，落实和完善数据分析工作。企业对数据进行优化的目的，是要从中找出最有价值的数据，这些有价值的数据挖掘出来后，如果没有相应的人对其进行跟踪处理，它的价值也就只停留在迅速做出报表的层面了。

　　商业智能的深入实施和应用是中国银行业的必然选择，但是只有把技术的发展与业务需求融合起来，商业智能的实际价值才能得到真正的体现。