如何利用数据仓库优化数据分析?

　　在整个数据分析流程中，数据处理的时间往往要占据70%以上！这个数字有没有让你震惊呢？为了提高分析效率和质量，借用数据仓库进行数据分析是一个很好的选择，详细的工作方法本文都有所介绍。

　　首先，我们来了解一下数据仓库吧！数据仓库是一个面向主题的、集成的、相对稳定的、反应历史变化的数据集合。那数据分析又是干什么的呢？笔者凭借个人的经验认为，基于业务需求，结合历史数据，利用相关统计学方法和某些数据挖掘工具对数据进行整合、分析，并形成一套最终解决某个业务场景的方案就是数据分析的过程。

　　数据分析大致包括以下流程：

　　业务理解 – 数据理解 – 数据准备 – 建模 – 评估 – 部署

　　由于数据分析对数据质量、格式的要求天然就比较高，对数据的理解也必须非常深刻，使得数据契合业务需求也要一定的过程，这样，根据我们的经验，在整个数据分析流程中，用于数据处理的时间往往要占据70%以上。

　　因此，如何高效、快速地进行数据理解和处理，往往决定了数据分析项目的进度和质量。而数据仓库具有集成、稳定、高质量等特点，基于数据仓库为数据分析提供数据，往往能够更加保证数据质量和数据完整性。

　　利用数据仓库进行数据分析无疑能够给我们的工作带来很大便利，那么，究竟要如何操作呢？我们首先需要了解数据仓库的优势，数据仓库至少可以从如下三个方面提升数据分析效率：

　　1.数据理解

　　数据仓库是面向主题的，所以其自身与业务结合就相对紧密和完善，更方便数据分析师基于数据理解业务。下图是Teradata关于金融行业的成熟模型：

　　我们可以看到，整个数据仓库被分为十大主题，而金融行业所有的数据、业务都会被这十大主题涵盖。当我们需要找某个信用卡账户信息时，我们就去协议（AGREEMENT）主题，需要某次存款交易信息时就去探寻事件（EVENT）主题，需要某个理财产品相关信息就挖掘产品（PRODUCT）主题，如此类推，我们就会发现十大主题将整个金融行业的数据划分得非常清晰，我们需要做的就是拿到业务需求，理解数据仓库的模型，数据理解也就水到渠成了。

　　2.数据质量

　　数据分析要求数据是干净、完整的，而数据仓库最核心的一项工作就是ETL过程，流程如下：

　　而数据仓库已经对源系统的数据进行了业务契合的转换，以及脏数据的清洗，这就为数据分析的数据质量做了较好的保障。