数据仓库系统的应用

　　银行卡业务决策支持系统的数据来源于前端事务环境中的事务数据，由于银行事务数据存放在服务器上的数据库(如DB2)系统中，因此，事务数据必须先通过数据抽取、集成后，再存放到数据仓库中，形成明细数据。不同级别综合数据按照不同汇总粒度计算获得，并且要加上时间戳。

　　数据清洗、抽取、转换、加载是数据仓库工程的一个必需的步骤，这里需要用到ETL工具(Extract Transformation Loading)，主要负责将银行卡数据仓库所需要的数据转换成合适的数据格式与数据内容，并加载到数据仓库中。ETL分为ETL设计模块、ETL调度模块、ETL关系数据库抽取/转换模块、ETL加载模块、ETL中间层管理模块。数据的抽取、转化和加载主要过程如下:

　　1.使用ETL设计模块定义ETL转换加载过程，同时生成数据源访问元数据文件、脚本元数据文件、日志元数据文件、数据库模式文件。

　　2.使用调度器打开数据源访问元数据文件、脚本元数据文件、日志元数据文件，然后开启调度服务，自动将任务分配到与调度器连接的各个执行模块上执行。

　　3.为ETL关系数据库抽取/转换模块配置ETL调度模块的地址，然后打开模块，接受调度器分配过来的抽取、转换任务，完成异构数据库之间的数据抽取和转换处理。

　　4.为ETL加载模块配置ETL调度模块的地址，然后打开模块，接受调度器分配过来的数据仓库数据加载任务，完成数据从关系数据库到数据仓库中的加载。

　　5.为ETL中间层管理模块配置ETL调度模块的地址，然后打开模块，接受调度器分配过来的中间临时数据表的清理任务，完成中间数据库中临时数据表中数据的删除。

　　数据仓库中的存储数据，主要为决策支持提供服务，但也存储一些企业决策时需要的信息。它包括的数据主要有三部分: 第一部分是完整的历史数据; 第二部分是已物化的数据立方体，由于物化的数据立方体已存储在数据仓库中，为挖掘节省了时间; 第三部分是元数据。基于数据立方体的关联规则挖掘时，可以分为三个步骤: 首先产生与任务相关的工作数据立方体，然后产生频繁项目集，最后是利用所产生的频繁项目集产生期望的关联规则。

　　数据分析与挖掘

　　建立起数据仓库后就能对所存储的多维数据开展OLAP(Online Analytical Processing, 联机分析处理)分析和数据挖掘工作了，进而可得到所需要的分析结果。事实上，根据银行的行业经验，建立各种有实用价值的评价与判断模型，对积累的数据进行深入的挖掘，发现隐藏在数据后面的知识，这才是数据仓库系统的真正价值所在。

　　下面以客户分析为例进行OLAP分析。银行卡客户基本情况分为:

　　1. 持卡人的静态数据，如年龄、性别、职业、单位邮编、单位地址。

　　2. 持卡人的动态数据，如持卡人的卡余额、消费积分和存款余额、持卡人的贷款和还款记录。

　　通过数据仓库系统可以将客户按照不同的属性划分为不同的类别进行分析，比如按持卡人所持卡的类型(公司卡/个人卡、普通卡/金卡)，持卡人性别、年龄和居住地分析客户结构及变化趋势，或者按客户的职业、年龄、性别、居住地分析其消费行为、寻找消费模式。

　　在数据挖掘过程中，可以使用决策树方法对客户进行分类。比如通过卡交易次数、活期理财余额和性别将客户进行分类，再根据决策树的分类结果针对不同的客户使用关联分类算法挖掘出每一类客户的特征，为决策提供依据。

　　总体而言，银行卡辅助决策支持系统需要银行现有业务系统(MIS)中的数据的支持，通过对这些数据进行抽取、清洗、转换、整理，并将它们按照决策者的意图从不同角度(维度)层层展现开来，以达到辅助决策的目的。从这个角度讲，银行卡辅助决策支持系统的建立使银行业务人员能够充分利用原有系统的历史数据，挖掘在日常报表中无法直接反映的数据间的联系，进而更好地了解本行的经营现状和发展趋势，更科学地考查员工的业绩、更直观地了解账户的活动及资金的流向，最终提升银行的竞争实力。