數據驅動企業二次騰飛

數據中心整體解決方案

1      前言

隨著全球經濟的發展、互聯網時代向DT時代的快速轉變，企業發展到一定階段，一體化、產業化、互聯化勢必成為二次騰飛的新的機遇。但是在企業內部，長久以來的業務分散發展、導致信息孤島、業務鏈斷點等等問題，這些問題本質上是數據的問題，數據沒有實現深層次的價值。企業實現快速發展，解決數據的問題，挖掘數據的價值是勢在必行的一條道路。其中，數據價值發現的三個主要思路是：

1. 解決企業信息孤島，實現業務一體化貫通；該思路是目前企業解決信息孤島的主要解決方案。

2. 數據一體化，為企業發展提供深層次價值挖掘；該思路的本質是以數據為現象發現企業內在本質，解決企業問題。

3. 數據運營化，自身數據的對外服務和運營，掌控入口；該思路目前在互聯網行業和掌握了數據的行業開展的比較多，通過挖掘數據的價值，實現數據增值。

結合當前數據增值的幾種思路，以及目前大型集團企業遇到的問題，北京京航計算通訊研究所經過幾年的研究實踐，成功發布了企業數據資源管理與分析平臺V2.0，目標是為企業解決數據問題，實現數據增值。

2      飛航企業數據中心整體解決方案

飛航數據中心整體解決方案1.0版本從2011年開始項目落地，從用戶的基礎數據管理需求開始，經過幾年的發展和實踐，創新性的提出了業務主題數據、數據全周期采集、管理、應用、分析一體化管理的理念。在航天科工集團及下屬各級單位得到了成功的應用。

在2015年，經過近5年的經驗積累，成功發布飛航企業數據資源管理與分析平臺，實現了企業級數據中心的一鍵式解決方案，同時，向不同行業提供最佳業務實踐。

2.1    以元數據為核心的數據資源建模方法

圖一：元數據為核心的理念

京航所結合多年的信息化建設經驗，提出了一套符合集團型企業的飛航數據資源建模方法可以適應不同項目對元數據模型描述方法的差異化定義，以及系統的不同應用階段對元數據模型描述方法的調整。同時該建模方法為用戶提供了自定義的擴展接口。

數據建模是數據對象的描述，包括數據標識、數據構成的元素，元數據模型是一種數據規范，涵蓋了數據的命名、解釋、數據結構等信息，可用于創建數據庫結構、了解數據模型，執行跨系同數據交換與共享。在資源目錄下創建元數據模型，進行主數據模型管理。引用元數據模型定義，對主數據元素進行數據描述，形成完整的數據信息、數據模型信息、數據引用關系信息等，支持數據的管理應用。同時，對元數據模型進行版本管理，以適應數據管理變動的需求，同時對數據實體模型、數據內容產生影響。

基于數據資源建模方法，通過平臺實現數據資源對象的數據建模，通過數據模型建立數據資源的存儲結構、數據格式、與其他模型的關系等。適應隨時間、管理方法的變化而需要進行的數據模型調整，通過系統配置可實現模型的變更、升級，并保證數據資源的安全性、數據模型的平穩變化。

2.2    以數據模型為依托的數據資源管理與應用

以數據模型為基礎實現數據的維護、管理、查詢檢索，支持數據的流程審核，實現多角色的數據協同管理。通過配置實現數據資源管理界面、數據項的定制，不同的界面數據內容應用于不同的管理場景。

同時，京航所結合多年經驗，提出了一套以企業經營管理為核心的數據模型集，提供了標準的數據模型。同時，平臺提供靈活的模型關系定義，實現企業數據的統一視圖。

2.3    靈活多變的編碼引擎

對于企業，特別是集團型企業，需要進行編碼管理的基礎數據不勝枚舉，人員需要唯一編碼、合同需要編碼、物資需要編碼、產品需要編碼等等，編碼數據是企業業務貫通的關鍵節點，好比人體的關節，是串聯所有業務的關鍵生命線。

飛航數據資源管理與分析平臺結合企業編碼數據需求，同時結合了由于業務發展導致編碼變更、新舊編碼同時存在、多編碼規則等問題，提供了一套靈活多變、可配置的編碼引擎。該引擎支持支持多種形式的碼段規則管理，如固定碼段、特征碼段、日期碼段、流水碼段等。其中，特征碼段管理特征屬性的特征值與特征碼對照表。通過該編碼引擎，滿足企業的編碼數據要求。

2.4    基于規則引擎的數據質量提升

為了保證數據中心的有效性和準確性，平臺提供了基于規則引擎的數據質量管理模塊，即通過質量規則的定義以及將規則與數據模型進行關聯，通過評估調度產生評估報告和分析結果。

質量規則定義中創建針對數據評估需要的質量規則，在數據模型規則設置中將系統中每類數據模型中需要校驗的元素與校驗規則配置起來。在質量評估調度中設置生成評估結果的頻率和校驗內容。數據質量評估提供對數據模型的元素手動生成評估報告。

2.5    基于MPP的數據集市

采用自研的MPP數據集市方案，該方案采用類似MapReduce計算框架，借鑒增量流計算理念，采用內存計算，庫內計算，分布式通訊，列存儲分布式文件系統等新技術開發實現的一個具備分布式并行實時處理，復雜查詢優化，復雜分析支持的大數據計算處理數據庫系統。

2.6    基于敏捷式的快速分析與持續迭代

數據倉庫＋OLAP時代的商業智能系統，要求用戶預先提出的分析及統計的需求。以此為基礎，展開數據建模工作，進而導入數據，然后再創建Cube。這些工作完成以后，才能開發商業智能應用，這是典型的數據驅動模式。業務驅動的商業智能系統，則直接導入細節數據，不再要求用戶預先提出具體的分析及統計需求，也不再有創建Cube的過程，這大大簡化了數據層的工作，縮短了數據層的響應周期，整個商業智能系統由數據驅動轉化為業務驅動。

 在數據倉庫＋OLAP時代，一個新的分析需求也許要用一個月的時間去實現，現在只需一周甚至一天。以前建設一個商業智能系統也許需要一年，而如今不到一周我們就能開發出第一個數據分析應用。

2.7    基于探索式的用戶自服務商業智能

探索型BI系統認為Reporting、Dashboard等數據應用是商業智能系統的門戶、入口而不是終點。在這樣的系統中，基于過濾(Filter)、鉆取(Drill)、刷取(Brush)、關聯(Associate)、變換(Transform)、動態計算（Dynamic Calculation）等等分析技術，用戶可以進一步與數據互動(Interactive)。

  數據層薄了，業務層就有條件厚實起來。行業領先的企業在良好的分級規劃和分級管理下，上至總經理下至一線員工，各級部門都能提出并開發自己的數據分析應用，最終打造出隨需應變的自服務商業智能系統。由于大部分數據分析應用由用戶或者靠近用戶的人員自行開發，開發應用的關聯人員減少，整個機構管理更加扁平化，而響應時間卻大大縮短，企業的經營管理能力和戰略決策水平隨之提升。相比傳統的商業智能系統，自服務商業智能系統更優化，更有效率。

  直接導入細節數據的這一數據建模技術，將數據和應用之間的關系從緊耦合改造成松耦合，讓大多數分析應用不引起數據層的任何改變；而基于MPP架構的商業智能系統，能夠直接對細節數據進行高性能分析。這樣一來，用戶可以快速開發出數據應用，并隨即進行實時分析。

3      結束語

DT時代的到來，數據的價值會越來越被人發現，特別是對于大型集團企業，數據從產生、傳輸、使用、復制、報表、圖形等全生命周期過程中，每個階段都會發揮不同的作用，只有更深的發現數據的角色，賦予數據更多的作用，數據就會為企業產生更多的作用。

飛航數據中心正是為此而生的！