程序的好坏在于如何保证消息万无一失

“我们都在变老，”开普勒愿景的首席执行官兼创始人哈罗•斯托克曼博士说。不仅仅是在个人层面上，出生率下降和寿命延长意味着老年人与年轻人的比例比以往任何时候都要高。虽然这是医疗和社会保健行业取得的巨大成就，但这种转变也带来了一系列问题。

不断增长的老年人口给住房、长期社会保障、收入保障和医疗体系带来了额外的压力。加上老年护理对护士和其他护理人员来说是密集型的，许多技术熟练的工人最终过度劳累。例如，在英国，护理部门的员工流失率是所有行业中最高的，每年有三分之一的员工离职。
 

协作 , 每一个 IT 企业都应该具备一个丰富的技能和人力资源库 , 当项目资源遇到瓶颈的时候 , 就可以考虑需求协作 .

2. 确定软硬件配置

数据仓库项目与其他业务系统不同 , 尤其需要对数据容量进行估算 , 这是因为数据仓库是历史的稳定的基于主题的集成的等等特性所决定的 , 他是对以往历史数据的集成 , 如果项目初期不加以考虑 , 很快就会造成灾难性的后果 .

数据仓库的容量估算应该是可预见的 , 首先确定核心明细数据的存储年限 , 相关表的平均字段长度值 * 每年的记录数 *( 每年预计的增长 ), 然后再加上 20% 的冗余 , 以及磁盘预留的 20% 的冗余 , 我们不难得到数据仓库的预计容量 .

数据仓库的处理能力和容量息息相关 , 也和具体的关系数据库的性能息息相关 , 如何在 Oracle,SQLServer,DB,Sybase 甚至 MySQL 之间寻找平衡 , 既要考虑实际的预算 , 也要视实际的需求而定 .

关于硬件的配置 , 既需要发挥软件的功能 , 满足实际的处理要求 , 也要为将来的系统扩展保留一定的空间 .

3. 数据仓库存储设计

数据仓库一般采用分层设计 , 即 ODS 层 , 数据仓库层 , 数据仓库聚合层数据集市等等 ; 数据仓库的分层是灵活的 , 没有固定的模式 , 一切视实际情况而定 .

ODS 层存放从原系统采集来的原始交易数据，只保存一定期限内的数据，同时 ODS 支持部分近实时性报表的展示 .

数据仓库层保存经过清洗，转换和重新组织的历史业务数据，数据将保留较长时间 (5~10 年不等 ), 满足系统最细粒度的查询需要 .

数据仓库聚合层面向 KPI 指标计算和分析，支持汇总层面交易级的指标查询 , 提高汇总级的 KPI 数据展示速度和数据保存时间。保存较长的历史数据 .

数据集市是基于部门或者某一类特定分析主题需要 , 从企业级数据仓库单独获取的一个数据的逻辑或者物理的子集 .

4. 数据仓库模式

数据抽取策略

制定系统的主题数据库 ETL 抽取方案来满足主题数据库的业务处理，数据仓库系统分析及决策支持分析的需要，同时必须保证不能影响业务系统的性能

数据转换策略

数据转换是指对从业务系统中抽取的源数据根据主题数据库系统模型的要求，进行数据的转换、清洗、拆分等处理，保证来自不同系统、不同格式的数据的一致性和完整性，并按要求装入主题数据库

数据加载策略

从业务系统中抽取、转换后的数据加载到主题数据库系统中。

数据质量的检查

星型模型

数据通常采用星型模型存储。星型模型由维表与事实表构成，一般并非业务系统中的规范化的范式结构。在核心层中，针对即定的主题，通常会建立若干星型模型。

（编辑：保山站长网）

【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!