基于数据仓库的银行数据提取与应用研究

论文摘要

银行由于数据量大,数据来源多样化,在商业银行构建信息管理系统时,不可避免地会遇上如何管理这些浩如烟海的数据以及如何从中提取有用的信息的问题。数据仓库(DW)的应用如同“沙里淘金”,它能将企业网络中不同环境下的商业数据信息集中到一起,存储在一个单一的集成的数据库中,并提供各种手段对数据进行统计、分析。在银行绩效考核系统项目开发与实施中,由于金融业务繁多,产品种类日益丰富,处理渠道多元化。需要从银行业务系统及其他各种渠道收集大量的基础数据到绩效考核数据库中,这个收集过程十分复杂、开发周期长、易出现各种异常,其中最突出的问题是所构建的数据库通用性不强,只能为绩效考核系统服务。为此,我们在银行数据大集中的基础上,采用数据仓库技术作为银行海量数据提取的实现方法,将数据集中到银行数据仓库(BDW)这个“数据中心”,并在这个“数据中心”的基础上实现银行各种应用管理系统的二次开发、数据的统计分析及其他高级应用。本文根据当前银行业务特点,对银行数据仓库(BDW)的主题进行了综合分析。通过对数据仓库相关理论技术的探讨,结合银行绩效考核项目对数据仓库的运用,构建了较为新颖的银行数据仓库模型。文章阐述了数据仓库建模与设计相关技术,重点分析了银行海量数据从原始数据源到数据仓库的ETL流程;最后利用Analysis Services实现对数据仓库主题数据的OLAP应用,并通过数据透视表服务及Excel展示统计数据与信息。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 课题来源
• 1.4 本文研究内容及论文结构
• 1.4.1 研究内容及工作
• 1.4.2 论文结构安排
• 第二章 数据仓库技术分析与研究
• 2.1 数据仓库的定义与特点
• 2.2 数据仓库与传统数据库
• 2.3 数据仓库理论架构
• 2.3.1 数据集市
• 2.3.2 元数据
• 2.3.3 数据粒度
• 2.4 数据仓库系统的构建
• 2.4.1 数据仓库建设方案
• 2.4.2 数据仓库类型与体系结构
• 2.4.3 数据仓库的构造模式
• 2.4.4 数据仓库系统的数据流程
• 第三章 联机分析处理与数据挖掘探讨
• 3.1 联机分析处理技术发展背景
• 3.2 联机分析处理技术（OLAP）综述
• 3.2.1 什么是联机分析处理
• 3.2.2 OLAP 相关基本概念
• 3.2.3 OLAP 的特性
• 3.2.4 OLAP 多维数据结构
• 3.2.5 OLAP 多维数据分析技术
• 3.2.6 OLAP 多维数据模型的物理实现
• 3.2.7 多维数据存储模式的比较与选择
• 3.3 MICROSOFT OLAP 服务体系分析
• 3.3.1 SSAS 体系结构
• 3.3.2 SSAS 数据访问模型
• 3.3.3 MDX-多维表达式
• 3.3.4 数据透视表服务（PivotTable Services）
• 3.3.5 Excel 与数据透视表服务
• 3.4 数据挖掘综述
• 3.5 数据仓库系统各组成部分关系
• 第四章 商业银行数据仓库应用体系分析
• 4.1 商业银行数据仓库构建背景知识
• 4.2 银行建立数据仓库的必要性
• 4.3 银行数据仓库（BDW）的应用分析
• 第五章 银行数据仓库模型的构建与ETL 实现
• 5.1 数据仓库的数据模型
• 5.1.1 建模原则
• 5.1.2 数据仓库建模方法
• 5.1.3 银行数据仓库体系结构
• 5.2 银行数据仓库的需求与主题分析
• 5.2.1 银行业务对数据仓库的需求
• 5.2.2 银行数据仓库主题分析
• 5.3 银行数据仓库模型构建
• 5.3.1 银行数据仓库总线结构矩阵的构建
• 5.3.2 事实表的设计
• 5.3.3 一致性维表的设计
• 5.3.4 粒度的设计
• 5.4 银行数据仓库ETL 实现
• 5.4.1 ETL 准备
• 5.4.2 数据抽取
• 5.4.3 数据清洗与转换
• 5.4.4 数据装载
• 5.4.5 ETL 效率优化
• 第六章 数据仓库的OLAP 应用研究与实现
• 6.1 基于ANALYSIS SERVICES 的银行数据仓库数据分析的实现
• 6.1.1 银行数据仓库分析数据库的建立
• 6.1.2 数据源的设置
• 6.1.3 多维数据集模型的建立
• 6.1.4 多维数据集的处理
• 6.1.5 多维数据集的分析与应用
• 6.2 分析结果展示
• 第七章 结论
• 7.1 论文总结
• 7.2 不足与展望
• 参考文献
• 后记
• 在学期间公开发表论文及著作情况