[论文解读] Using Data Warehouse to Support Building Strategy or Forecast Business Tend

Phuc Van Nguyen|arXiv (Cornell University)|Dec 14, 2011

Big Data and Business Intelligence参考文献 2被引用 3

一句话总结

本文提出了一种数据仓库架构，通过将异构数据源整合到集中式、可分析的存储库中，以支持战略业务决策和预测。通过支持多层数据集市和客户生命周期互动追踪，该系统通过统一的历史数据分析，增强了战略规划和趋势预测能力。

ABSTRACT

The data warehousing is becoming increasingly important in terms of strategic decision making through their capacity to integrate heterogeneous data from multiple information sources in a common storage space, for querying and analysis. So it can evolve into a multi-tier structure where parts of the organization take information from the main data warehouse into their own systems. These may include analysis databases or dependent data marts. As the data warehouse evolves and the organization gets better at capturing information on all interactions with the customer. Data warehouse can track customer interactions over the whole of the customer's lifetime.

研究动机与目标

• 开发一个数据仓库框架，将来自多个来源的异构数据整合，以支持战略业务应用。
• 通过分析历史和实时客户互动数据，使组织能够预测业务趋势。
• 支持多层数据架构，使各部门能够从中央仓库构建依赖型数据集市。
• 通过提供客户行为在整个生命周期中的统一视图，改善决策制定。
• 增强数据集成和分析能力，以支持动态商业环境中的长期战略规划。

提出的方法

• 设计多层数据仓库架构，以支持企业级数据集成和部门级数据集市。
• 使用 ETL（提取、转换、加载）流程将多样化来源的数据整合到集中式数据存储中。
• 实施维度建模，以组织数据，支持高效的 OLAP（联机分析处理）查询。
• 使用缓慢变化维表追踪客户互动随时间的变化，以保持历史准确性。
• 支持对整个客户生命周期的查询和分析，以支持战略洞察和预测。
• 将数据仓库作为基础，用于在部门层面构建分析型数据库和依赖型数据集市。

实验结果

研究问题

• RQ1 如何有效整合异构数据源，使数据仓库架构支持业务战略？
• RQ2 集中式数据存储在提高业务趋势预测准确性方面发挥什么作用？
• RQ3 如何从中央数据仓库派生出多层数据集市，以支持部门特定的决策制定？
• RQ4 在哪些方面，客户生命周期互动数据能够增强战略规划和预测？
• RQ5 哪些架构组件对于实现可扩展且可重用的商业智能系统至关重要？

主要发现

• 所提出的数据仓库架构成功地将来自多个异构数据源的数据整合为统一且可分析的格式。
• 该系统能够长期追踪客户在整个生命周期内的互动，支持更深入的战略洞察。
• 从中央仓库派生的多层数据集市使各部门能够执行针对性分析，同时保持数据一致性。
• 该架构通过集中化的历史数据分析，增强了组织预测业务趋势的能力。
• OLAP 与维度建模的整合支持了高效查询和报告，以支持战略决策制定。
• 该框架在动态环境中展现出可扩展性和适应性，能够满足不断演变的商业智能需求。