MIS系统目标功能模式

精品资料网（）25万份精华管理资料，2万多集管理视频讲座精品资料网（）专业提供企管培训资料1MIS系统目标功能模式1.1数据仓库架构数据仓库以及建立在数据仓库基础之上的OLAP和数据挖掘应用是满足现代商业银行管理信息系统很好的技术解决方案。所以，在我们逐一讨论银行管理信息系统和分析型客户关系管理系统之前，首先让我们了解一下数据仓库的一般架构，如下图所示：源系统1抽取转换GUI查询应用报表工具上载SQL,API用户数据接口ODS数据整合（ETL）操作数据存储表现层源系统2源系统3清洗应用层报表应用OLAP应用API，HTML、文件SQL,API数据集市多维数据存储元数据元数据库（业务和技术方面）资源和管理元数据库（业务和技术方面）资源和管理数据挖掘应用信息总线其它源系统数据仓库监控及管理数据仓库监控及管理源系统4源系统1抽取转换GUI查询应用报表工具上载SQL,API用户数据接口ODS数据整合（ETL）操作数据存储表现层源系统2源系统3清洗应用层报表应用OLAP应用API，HTML、文件SQL,API数据集市多维数据存储元数据元数据库（业务和技术方面）资源和管理元数据库（业务和技术方面）资源和管理数据挖掘应用信息总线其它源系统数据仓库监控及管理数据仓库监控及管理源系统41.1.1图1数据仓库一般架构源系统数据源指存储从OLTP（联机事务处理）系统来的事务数据的数据存储库。数据源可能包括综合业务系统、信贷管理系统、网银系统、龙卡交换中心、个人信贷信息系统等作业系统以及外部数据源。这些数据源必然包含不同的语义定义和格式。在某些情况下，在不同的系统之间会出现冗余的数据，这些信息的共享和协调并没有被合理的配置。正是因为这个原因，某一个可以为银行各个部门以及其它信息用户提供一致的、无冗余的、可靠的集中化的信息基础架构将给某银行带来增值利益。数据源代表了运营和事务处理（OLTP）业务应用所搜集和存储的数据。数据仓库一般从一个单一的数据源开始，或者从能满足初始报表和分析需求的最少的数据源开始，然后在数据仓库的整个生命周期内扩展到一个互动式的情况以包含更多的数据源和外部系统（如有必要）。1.1.2ETL1.1.2.1抽取抽取是指识别最佳的数据源，并从中获得所需的数据。它是将数据导入数据仓库的第一步。抽取意味着读取并理解源数据，并复制数据仓库所需要的部分。它由以下选择、全抽取、Delta抽取等功能组成。1.1.2.2转换转换包含很多不同的技术和步骤；它泛指使数据仓库信息适合于终端使用的过程。这一过程包括那些将源数据格式变为目标数据库格式的模块。转换是选择、变更或操作数据的过程。一般而言，转换包括映射、清洗、汇总、重排和排序等步骤。转换过程中使用的业务规则必须在元数据中加以捕捉和保存以确保对数据有一个恰当和一致的理解。1.1.2.3加载加载是指将转换好的数据放入数据仓库中的过程。通过批加载工具处理大批量和预排序数据，可以优化数据加载的性能。1.1.2.4ETL元数据ETL元数据提供了管理用于源系统到ODS，ETL的映射和转换规则的工具。元数据能够帮助用户理解数据含意，数据是如何到达用户的，之间发生了什么事情。业务用户需要理解他们访问的数据。ETL部分的元数据大致会包含下列内容：数据源和ODS数据之间的映射关系ETL过程描述参数（包括抽取、清洗、衍生、汇总、变形的逻辑）数据加载计划数据加载纪录（如日志、时间标签等）1.1.3操作数据存储（ODS）ODS是一个集成和集中化的数据存储，它由多个主题的企业级数据组成，包括低层的、细粒度的、为报表目的而长期保存的数据。ODS必须以关系型数据库来存储和管理数据，最佳的结构通常是按照与业务远景和战略一致的主题而划分的第三范式。1.1.3.1ODS元数据ODS所需的元数据主要是银行范围的实体关系模型或逻辑数据模型（LDM）。ETL元数据将元数据域映射到数据仓库数据域（属性），在ETL过程中提供转换、清洗、确认和整合的规则，作为业务需求的解决。1.1.4多维数据存储（数据集市）数据集市代表用多维模型存储的数据，这些数据为不同的应用服务器和IT用户提供汇总数据。数据集市是针对某一特定主题、部门或用户类别的一组数据集合。这些数据经过优化以达到快速访问和分析报告的目的；因此，数据结构是高度汇总并具有索引的。一般来说，数据集市所包含的历史数据要比ODS少得多。这一层的重点是要以能方便、及时访问的方式组织企业数据。在数据集市中，数据按星型模式和雪花模式组织，这比第三范式更容易操控。工具供应商都会要求或者推荐数据使用星型模式。一般而言，他们的工具生成好的SQL语句的功能比较有限。所以结构越简单会带来越大的优势。同样，图表工具也要求快速的响应。星型模式在这一点要比范式设计优越。数据集市可以是物理或逻辑的。物理的数据集市保存在数据库中，逻辑的数据集市则可以是ODS的一系列视图。如果是逻辑数据集市，它将使用与ODS相同的软硬件平台。物理数据集市可以是关系型数据库或多维数据库（MDDB）。一般来说物理的数据集市适用于复杂的业务逻辑和大量的数据。1.1.5OLAPOLAP（联机分析处理）以多维数据分析著名。在数据仓库中查询和分析信息方面提供先进的能力。可以从多角度、多方位地考察客户的信息，如按产品维度、地区纬度、时间维度等。OLAP一般可以划分为3种类型：关系型OLAP（ROLAP）：使用一个关系型的或者扩展关系型的数据库管理系统（DBMS）来存储和管理仓库数据。ROLAP服务器负责对每一个DBMS后台的优化，汇总浏览逻辑的实施，以及其他的工具和服务。ROLAP一般比MOLAP具有更好的可扩展性。多维OLAP（MOLAP）：通过基于阵列的多维存储引擎，多维OLAP能支持多维数据访问。它们直接将多维视图映射到数据立方体阵列结构。使用数据立方体的优势在于它能对预先计算好的汇总数据进行快速索引。混合OLAP（HOLAP）：HOLAP方法结合了ROLAP和MOLAP技术，汲取了ROLAP的可扩展优势和MOLAP的快速计算优势。举例来说，一个HOLAP服务器允许大量的底层数据储存于关系数据库中，同时将汇总数据储存在另外的MOLAP存储库中。在以下的分析型客户关系管理和管理信息系统中会给出OLAP的应用示例。1.1.6数据挖掘数据挖掘是按照企业既定的业务目标，对大量的企业数据进行探索、揭示隐藏其中的规律性并进一步将之模型化的先进、有效的方法。如通过对客户各种数据深入分析，了解客户的行为，建立模型，并对客户未来的行为进行预测。下表为一般的数据挖掘方法分类和功能说明。本文不就具体算法展开详细讨论，但会在以下的分析型客户关系管理和管理信息系统中会给出数据挖掘的应用示例：类别功能算法预测模型分类决策树，神经网络，差异分析，Logistic回归，Probit回归数值预测线性回归，非线性回归，径向基函数分割聚类分析K均值，Demographic，神经网络链接分析关联发现统计，集合论序列关联发现统计，集合论相似时间序列发现统计，集合论预测时间序列预测诸如ARIMA,Box-Jenkins,神经网络等的统计时间序列模型表1数据挖掘分类和功能1.1.7表现层表现层主要以图形方式以及灵活的、可配置的报表工具向用户展现最终的结果。图形化方式应该就不同的应用支持包括2-D图、树状显示、散点图、线图、饼图等多种图形展示方式；可配置的报表工具应该提供可配置的报表模版以及自定义报表的能力。1.2管理信息系统体系结构1.2.1管理信息系统数据仓库体系架构这里的管理信息系统主要指的是分析型客户关系管理系统、管理会计系统、信贷风险管理系统、资产负债管理信息系统。管理信息系统是为不同的管理主题服务的，它是对集中的业务数据和其他银行内/外数据的综合分析、处理和应用。由于总、分行之间的管理职能有所不同，总分行管理信息系统对数据的要求也随着不同的管理需求有所不同。此外，由于越来越多管理决策需要详尽的、多维的支持信息；同时也要求管理信息系统能具备一定的分析预测和知识发现能力。这就要求管理信息系统建立在数据仓库技术的基础之上。有四种方案组织建行的管理信息系统数据仓库：将数据完全集中在总行或在部分一级分行集中数据是一个方面；针对每一个单独的管理主题构建一个数据仓库与建立统一的数据仓库是另一方面。以下分别描述这四种数据仓库某方法的优劣：第一种方法：总行建立一个集中的、面向多个管理主题的数据仓库该方法将所有的管理信息系统所需的所有细粒度数据以及汇总数据都集中存储在总行的一个数据仓库之中，该数据仓库将面向所有的管理主题包括分析型客户关系管理、管理会计、资产负债管理和信贷风险管理。分行以客户端方式获得所需的分析后的信息。该方法的优势在于能提供一个全行集中的数据存储、保证全行数据的一致性。该方法的劣势在于该方法的构建成本太高，它将从总行、数据中心以及分行抽取数据，抽取的难度相对较大，此外，构建全行集中的数据仓库对容量的要求也相当高（举例来说，假设100,000,000个人账户平均每年交易20次，每次交易需要1000字节的存储空间来记录交易的相关内容，为了分析型的客户关系管理，每个账户的交易记录至少要保持两年。那么，仅这一项数据存储对数据仓库容量的要求就达到4TB）。此外集中海量的数据对数据管理、模型建立都提出了很高的要求，而要在浩瀚的数据海洋中发现知识的难度也相应加大。第一种方法示意图如下：总行分行DW分析型客户关系管理资产负债管理管理会计信贷风险管理源系统源系统源系统源系统源系统ETLA-CRM客户端资产负债管理客户端管理会计客户端信贷风险管理客户端总行分行DW分析型客户关系管理资产负债管理管理会计信贷风险管理源系统源系统源系统源系统源系统ETLA-CRM客户端资产负债管理客户端管理会计客户端信贷风险管理客户端第二种方法：总行建立多个集中的、面向不同管理主题的数据仓库。该方法将管理信息系统所需的所有细粒度数据以及汇总数据按不同的管理应用分类，集中存储在总行的多个数据仓库之中。分行以客户端方式获得所需的分析后的信息。该方法相比于前一种方法的优点在于数据集中的程度相对降低，按不同的管理主题分类也使得数据管理和模型建立具有针对性。该方法的劣势在于，部分管理主题比如管理会计、分析型客户关系管理仍然对数据仓库的容量和性能提出了很高的要求；其次，由于不同的管理主题之间有交叉重叠的应用（如多维收入成本分析既涉及管理会计的成本分摊也涉及分析型客户关系管理的客户盈利分析和客户区分等、财务分析既涉及管理会计的财务指标计算也涉及资产负债管理得利润分析等），建立多个面向不同管理主题的数据仓库一方面难以保证信息的单一视图，另一方面也有可能造成相同数据的重复抽取和重复存储。第二种方法的示意图如下：总行分行DW分析型客户关系管理资产负债管理管理会计信贷风险管理源系统源系统源系统源系统源系统ETLA-CRM客户端资产负债管理客户端管理会计客户端信贷风险管理客户端DWETLDWETLDWETL总行分行DW分析型客户关系管理资产负债管理管理会计信贷风险管理源系统源系统源系统源系统源系统ETLA-CRM客户端资产负债管理客户端管理会计客户端信贷风险管理客户端DWETLDWETLDWETL第三种方法：分行建立一个集中的、面向多个管理主题的数据仓库，总行建立一个面向多个管理主题的数据仓库该方法将管理信息系统所需的细粒度数据集中存储于分行、总行集中存储各分行的汇总数据，不存储交易级别和账户级别的最细粒度数据。同时分行和总行的数据仓库都是满足多个管理主题的。该方法的优点在于对数据仓库容量的要求进一步降低；同时，由于各分行只有一个数据仓库并且总行的数据仓库与分行数据仓库存储的数据对象不同，因此各数据仓库数据的一致性易于保证；此外，在清晰定义了总分行之间的管理应用分布之后，数据也相对易于管理。但该方法也有不足之处：首先各分行条件不一，需要分步试点实施；其次，也是相当重要的一点是，这样的应用架构无法满足信贷集中管理的需求，需要另建专门为信贷管理服