下载文档原格式
数据中心 ODS随着企业信息化建设的发展，巨大的投资为企业建立了众多的信息系统，以帮助企业进行内外部业务的处理和管理工作。
随着信息系统的增加，各自孤立工作的信息系统将会造成大量的冗余数据和业务人员的重复劳动。
同时随着时间推移，各系统不断沉淀大量的历史数据。
如何打破信息孤岛，充分利用现有的历史数据，为企业提供战略决策的数据支持是各行各业所必需考虑的事情。
为支持企业各项业务的长远发展，不断提高管理水平，建立实现企业数据交换、数据集成的企业级数据中心，并在此基础上初步建设数据管控平台，有效实现数据质量管理，为后续数据线规划的报表管理以及EDW等系统建设奠定基础，为企业提升核心竞争力，优化资源配置、实施有效管控，提高服务水平、科学可待续发展和加速发展奠定良好的基础。
一、系统规划蓝图二、东南融通的优势1、关键技术优势数据交换、数据加工基于统一的调度监控ETLPLUS、调度引擎JSI模块封装SHELL、可执行程序、存储过程、Datastage作业等各种作业类型的执行接口?高扩展性设计，实现ETL、调度监控和硬件的集群报表工具（BI.OFFICE、其他）成熟组件支持，文件交换组件，数据加工组件2、团队优势BI线条员工超过1200人，覆盖咨询、解决方案、研发、实施各个层面参与众多的ODS/EDW/BI项目实施团队彼此配合程度高、统一协调、合作经验丰富随时进行同行信息共享与交流，及时进行方案提炼数据仓库 EDW现代商业银行面临着诸多挑战，包括金融改革日益深化的挑战、面临来自外资银行的竞争、银行国际化的发展需要、客户的要求越来越成熟、监管机构对银行的监管越来越严格。
面对这些挑战，要求金融企业对企业经营数据和信息进行充分的掌握和分析，以帮助企业精确掌握企业的经营状况和准确决策。
建立企业级的银行数据仓库是银行业整体信息资产的管理，建立信息资产的运营服务体系，提升信息资产的业务价值。
东南融通投入了大量资源研究银行企业级DW&BI应用体系，如下图所示：BI.Bank解决方案蓝图，包括以下关键内容：一、数据仓库战略规划参照国际银行领先DW&BI体系架构，规划银行企业级DW&BI的技术框架、数据模型、应用框架，结合银行的业务管理改革步伐制定整体实施计划，帮助银行循序渐进地逐步建成企业级DW&BI系统。
EDWDM数据仓库数据建模模型设计数据仓库（Data Warehouse）是指集中存储企业各种数据的数据库，旨在支持企业的数据分析和决策制定。
在构建数据仓库时，数据建模是一个非常重要的环节，通过合理的模型设计可以保证数据仓库的数据准确、完整和易用。
本文将从概念模型、逻辑模型和物理模型三个方面介绍EDW （Enterprise Data Warehouse）数据仓库的数据建模模型设计。
1.概念模型设计：概念模型是对业务需求的高度抽象和概括，它关注的是业务实体之间的关系。
在概念模型设计时，需要对企业的业务需求进行深入的了解，通过与业务人员的沟通和需求分析，将业务实体和业务关系进行建模。
在概念模型中，可以采用E-R图（Entity-Relationship）表示法，用实体表示业务对象，用关系表示业务对象之间的关系。
在设计EDW数据仓库的概念模型时，需要考虑企业的业务过程和业务关系，如企业的组织结构、产品线、客户关系等。
同时还需要考虑数据的粒度，即数据的最小单位。
2.逻辑模型设计：在设计EDW数据仓库的逻辑模型时，可以采用星型模型（Star Schema）或雪花模型（Snowflake Schema）。
星型模型以一个中心表（事实表）为核心，周围是多个维度表；而雪花模型在星型模型的基础上继续细化维度表，将其拆分成多个规范化的表。
事实表用于存储业务事实数据，如销售额、订单数量等，而维度表用于存储事实表上的业务属性，如时间、地点、产品等。
通过这样的模型设计，可以方便进行数据的查询和分析。
3.物理模型设计：物理模型是将逻辑模型转化为具体的数据库设计，它考虑了数据库引擎和存储实现等技术细节。
在物理模型设计时，需要考虑数据库的表结构、索引、分区、分片等。
在设计EDW数据仓库的物理模型时，需要根据实际需求进行优化和调整。
首先，根据数据的大小和访问模式选择合适的数据库引擎，如Oracle、MySQL等。
其次，根据数据量和查询需求进行分区和分片，提高数据的查询性能。
