汽车维修行业管理数据仓库的落地

　　常见的基于关系表的存储方式有两种：星型模型和雪花型模型。星型聚合快，效率高；雪花型结构明确，便于与OLTP系统交互，占用空间小，但是模式较复杂，浏览困难，并且额外的连接将使查询性能下降。在本项目中，数据量较小，数据结构简单，所以本项目选用星型架构，本项目数据仓库中维度模式的星型架构模式图如图3所示。

图3 企业基本情况主题的企业资金维度星型架构模式图

　　图3 企业基本情况主题的企业资金维度星型架构模式图

　　在数据仓库构建过程中采用维度建模，经过对主题的分析和数据的研究，数据仓库的每个主题可以由多个表来实现，对选定的当前事实的主题进行模式划分，形成多个表。本项目中关系模式均采用星型架构，数据仓库中目前共建立了5个事实表、9个维度表。

　　1.2.3 物理模型的建立

　　在考虑存储结构时应考虑3个方面的因素：存取时间、存取空间和维护代价。为了提高分析质量和响应速度，采用了一定的数据冗余，这些数据冗余对数据库查询速度的影响不大，可以忽略不计。

　　在逻辑设计时使用Microsoft公司的SQL Server 2005。本项目中索引建立策略为：首先为各表(包括事实表和维表)的主键建立聚集索引；在事实表的外键上建立非聚集索引；然后根据实际的运行情况，通过RDBMS(关系型数据库管理系统)提供的数据库监控工具，建立一些合适的非聚集索引，从而获得最高查询性能。数据存放位置涉及存储设备的存取速度。由于目前高速存储设备较为便宜，性价比较高，因此主要以硬盘为存储媒介。

　　2 联机分析处理的设计与实现

　　利用SQL Server 2005中Analysis Services功能建立OLAP多维数据库，利用上文中构建的数据仓库作为数据源。建立多维数据集时，根据需求分析和数据仓库的建模分析，选择合适的事实表、度量值和维表，利用SQL生成维度。本项目共生成5个多维数据集，并在此过程中生成9个共事维度，如图4所示。

图4 多维数据集

　　图4 多维数据集

　　本研究可以采用Microsoft的EXCEL软件或普科(ProClarity)公司的ProClarity6．0作为数据显示分析的前端工具。前者具有成本低廉的优点；后者功能强大且能和SQL Server 2005实现无缝联结，使用方便。使用ProClarity6．0风险报警功能分析OLAP立方数据，其界面如图5所示，图中数据为企业的利润率，粗体数字表示该企业的利润率低于警戒值，这时管理部门应该密切注意有报警标志的企业，尽量避免由于企业经营不善引发的恶性连锁事件。

图5 使用ProClarity6．0风险报蕾功能分析OLAP立方数据

　　图5 使用ProClarity6．0风险报蕾功能分析OLAP立方数据

　　3 结束语

　　在全面调研汽车维修行业管理现状的基础上，笔者研究了数据仓库系统的设计与实现方法，提出了将数据仓库应用于汽车维修及配件行业管理的设想，构建了汽车维修行业管理数据仓库体系结构，并研究其设计方法、构建技术及联机分析等技术。

　　在此过程中，数据仓库的建模是整个开发过程中的关键技术，本研究采用维度建模，首先考虑如何满足和适应汽车维修行业管理的需求，通过业务驱动和数据驱动相结合的方法实现了该目标；其次是如何提高查询效率，本研究采用星型架构和适度数据冗余来提高查询效率；最后要考虑数据仓库的未来可扩展性，汽车维修行业管理的业务除了在文中列出的企业情况、维修、职工和投诉外，还有汽车检测和汽车配件出售业务，这些业务的数据可通过添加相关主题域并构建事实表和维度表，方便地加入到目前的数据仓库中。

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!