在整個數據分析流程中，數據處理的時間往往要占據70%以上!

這個數字有沒有讓你震驚呢?

為了提高分析效率和質量，借用數據倉庫進行數據分析是一個很好的選擇，詳細的工作方法本文都有所介紹。

首先，我們來了解一下數據倉庫吧!數據倉庫是一個面向主題的、集成的、相對穩定的、反應歷史變化的數據集合。

那數據分析又是干什么的呢?

筆者憑借個人的經驗認為，基于業務需求，結合歷史數據，利用相關統計學方法和某些數據挖掘工具對數據進行整合、分析，并形成一套最終解決某個業務場景的方案就是數據分析的過程。

數據分析大致包括以下流程：業務理解–數據理解–數據準備–建模–評估–部署

由于數據分析對數據質量、格式的要求天然就比較高，對數據的理解也必須非常深刻，使得數據契合業務需求也要一定的過程，這樣，根據我們的經驗，在整個數據分析流程中，用于數據處理的時間往往要占據70%以上。

因此，如何高效、快速地進行數據理解和處理，往往決定了數據分析項目的進度和質量。

而數據倉庫具有集成、穩定、高質量等特點，基于數據倉庫為數據分析提供數據，往往能夠更加保證數據質量和數據完整性。

利用數據倉庫進行數據分析無疑能夠給我們的工作帶來很大便利，那么，究竟要如何操作呢?

我們首先需要了解數據倉庫的優勢，數據倉庫至少可以從如下三個方面提升數據分析效率：

1. 數據理解

數據倉庫是面向主題的，所以其自身與業務結合就相對緊密和完善，更方便數據分析師基于數據理解業務。

下圖是Teradata關于金融行業的成熟模型：

我們可以看到，整個數據倉庫被分為十大主題，而金融行業所有的數據、業務都會被這十大主題涵蓋。

當我們需要找某個信用卡賬戶信息時，我們就去協議(AGREEMENT)主題，需要某次存款交易信息時就去探尋事件(EVENT)主題，需要某個理財產品相關信息就挖掘產品(PRODUCT)主題，如此類推，我們就會發現十大主題將整個金融行業的數據劃分得非常清晰，我們需要做的就是拿到業務需求，理解數據倉庫的模型，數據理解也就水到渠成了。

2. 數據質量

數據分析要求數據是干凈、完整的，而數據倉庫最核心的一項工作就是ETL過程，流程如下：

而數據倉庫已經對源系統的數據進行了業務契合的轉換，以及臟數據的清洗，這就為數據分析的數據質量做了較好的保障。

3. 數據跨系統關聯

上圖是數據倉庫的一個簡單架構，可以看到，各業務源系統的數據經過ETL過程后流入數據倉庫，當不同系統數據整合到數據倉庫之后，至少解決了數據分析中的兩個問題：

第一，跨系統數據收集問題，同一個客戶的儲蓄交易和理財交易我們在同一張事件表就可以找到;

第二，跨系統關聯問題，同一個客戶可能在不同系統中記錄了不同的客戶號，甚至存在不同的賬號，進行數據整合時，總是需要找到共同的“紐帶”來關聯來自不同系統的信息，而數據倉庫在ETL過程中就會整合相關客戶信息，完美解決跨系統關聯問題。

可見，數據倉庫是整合的、面向主題的、數據質量高的、跨系統的優質數據源，那么，我們該如何充分利用這些優勢呢?

筆者總結了如下經驗：

1. 研究數據倉庫模型：數倉的精髓就是面向主題的模型，能理解各大主題域范疇，熟悉不同主題間的關系，基本就掌握了數倉的架構;

2. 學習數據倉庫設計文檔：設計文檔是業務與數據，數倉與源系統的橋梁，熟悉表間mapping映射，就能快速定位需求變量的來源和處理邏輯，全面了解相關業務;

3. 熟悉數據字典表：數據字典是數據倉庫物理存儲的信息庫，可以通過數據字典了解庫、表、字段不同層級的關系、存儲、類型等信息;

4. 研究ETL腳本：學習幾個數據倉庫ETL加工腳本，能更細致的探索數據加工處理邏輯，更清楚的理解數倉加工模式，快速掌握數據加工技巧;

5. 觀察明細數據：想要真正了解數據，就必須對具體數據進行不同維度和層次的觀察;比如事件表，從交易類型、時間、渠道、業務種類等多個維度撈幾條數據，觀察某個相同條件下不同維度的交易變化，了解銀行交易的全景信息，幫助理解業務，熟悉數據。

事實上，除此之外，數據處理人員還應該從中學習到數據倉庫的思想：面向主題，逐層加工。

面向主題是指讓雜亂的數據結合業務劃分，更容易著手處理原本雜亂的數據，數據處理人員只需知道哪些數據屬于哪個主題，然后基于主題再進一步處理;

逐層加工則是指讓細粒度的數據走向寬表的過程清晰，有層次，數據處理過程中清楚每一步的產出是什么。

其實，每一個數據分析師或者數據處理師都會有自己的工作習慣和經驗，以上是筆者經歷兩年多數據倉庫開發、三年數據倉庫和數據分析兼職者的經驗總結的一些心得，希望對大家有所幫助。