商业银行数据仓库基础逻辑数据模型的设计

        重点设计的实体，本身是模型产品中的重点主题，在商业银行的源系统中也有丰富高质量的数据来源。模型设计一般尽量遵循产品的原有设计，尽量保证数据的完整性和丰富性，全面充分的反映业务主要运营规则。

        简单设计的实体，一般是暂时属于非核心主题的实体，数据来源基本没有或者非常有限，数据质量也不理想。此类实体通常可简单进行框架设计，保证模型架构的完整性和未来数据源达到理想程度以后模型的扩充性。

        自主设计的实体，一般情况下是由于源系统有数据，但数据形式与模型产品存在较大差异，直接使用产品中的已有模型设计不能完整准确反映该业务。针对此种情况，模型设计的策略通常是选择适当的方式自主设计模型，以完整准确地反映该业务信息。

        第三，稳定和灵活的目标是矛盾的。

        数据仓库一旦实施，基础数据模型的设计很难更改。一旦改动，可能导致下游系统发生众多的连锁反应；同时数据仓库又要不断纳入新的数据源来进行数据增强。因此，数据仓库的模型设计很容易走入固定不变，或特殊处理遍地皆是的误区，认为稳定与灵活的设计目标是矛盾的。

        一方面，稳定是指实体和属性的关系与结构相对的稳定；灵活是指实体和属性能支持纳入多种数据源。模型设计工作要保证灵活地纳入数据源，稳定地支持数据应用。另一方面，一个优秀的数据模型须将改动的影响降至最低，这包括数据源系统升级换代、业务增加新规则、新产品的推出等导致的数据源发生变化后，对数据仓库带来的影响。

        解决容纳多种数据源数据的存储问题需要一个灵活、可扩展的模型；同时，下游应用系统要求按照稳定明确的规则使用平台数据，若是这样，模型的可用性和确定性就会面临挑战。因此，数据仓库的模型抽象性越高，灵活性、扩展性也越高；但同时可用性和确定性则越差。

        因此，在复杂和变化中寻求平衡是模型设计的一个必要策略。同时，作为模型设计的补充，数据仓库除了基础层以外，还要丰富不同粒度的数据层次，将有共性需求的数据转换和加工成为汇总层，以更好地满足下游应用的需求。一旦这样的转换任务完成并建立规则，由于模型能够将业务变化的影响减至最小，数据仓库的优势也就能够得以充分展现。

面临的挑战
        尽管有明确的设计目标，依托成熟的模型产品，采用可行的设计策略，但在模型的设计过程中仍然面临多项挑战：

        第一，数据状况复杂多变。

        与前几年商业银行各条业务线纷纷推出新建系统的情形相比，近几年，更多的系统开始实施升级换代，各系统之间功能或整合或分拆。这种趋势导致数据呈现出更为复杂的状况，如历史数据如何迁移、业务规则发生了哪些变化、数据出现了哪些新的粒度和层次等等，都需要模型设计人员一一梳理和验证。而此时可获取的数据只能是系统的测试数据，模型设计工作只能在数据结构不稳定，数据质量不理想等情况下展开，这就不利于保证模型设计的质量和进度。

        第二，业务规则分散，收集验证业务规则是难点。

        在整个数据仓库模型的设计和架构中，既涉及到业务知识，也涉及到具体技术，模型设计人员不仅需要一定的信息技术来实现数据模型，更需要了解丰富的行业经验和业务知识，因为模型的本质就是对业务规则的抽象反映。模型产品最终反映了模型设计人员对业务规则的认知和理解程度。一方面，多数商业银行的业务知识库未能形成完善的体系；另一方面，平台的模型设计人员获取相关业务规则说明后，还需要花费时间对业务规则进行严格的数据验证。这样，业务规则和业务标准的收集验证过程既零散又琐碎，且这种现状在短时间内难以改善。

        第三，模型设计思想的持续执行可能受到多种因素的影响。

        首先，数据仓库的模型设计是由一个团队合作完成的。因此，模型设计人员的工作习惯，经验差异，设计思想的理解不同等等，都会在模型设计的成果上体现出来。其次，模型设计是总体项目中的一项工作内容，必然会受到项目范围、进度、需求、服务对象、合作伙伴等各方面条件的制约和影响。最后，模型设计工作本身的管理模式、流程规范、架构规划、业务定义等也有一个发展变化、逐步演进的过程，这些都会对模型设计思想及其执行效果产生影响。

        随着商业银行数据仓库建设的深入，作为影响数据仓库系统建设质量的重要因素，基础逻辑数据模型设计在面对上述种种挑战，以及业务使用的需求不断丰富复杂的情况下，还有许多工作要做，包括积累并传承模型设计理念，建立模型设计人员队伍，推动提升银行本身的IT治理能力等等。借助基础逻辑模型设计打下的坚实基础，商业银行将最终实现对数据仓库业务价值的全面开发。

（文章来源：新金融世界）
 

首页 上一页 1 2

扫码即可手机
阅读转发此文