目的：

欠損値の処理

ノイズの多いデータ処理

目的: 複数のデータソースからのデータを統合する

目的: データをより正確に表現する

データキュレーション戦略

これは、データを標準化、離散化し、概念的に階層化するために実行される操作です。

データ変換方法

データ標準

メタデータ管理

データ品質

データサービス

テーマとは、分析と意思決定の目標と要件を指します。これは、業務のニーズに応じて意思決定者によって提案され、最終的には意思決定者に役立つように実装されます。

サブジェクト指向とは、データ ウェアハウス内のデータを見つける必要があるサブジェクトの必要な構成を指します。

銀行に適用される一般的なトピックには次のようなものがあります。

データ ウェアハウスの構築は通常、最も複雑かつ重要なステップです。

分析と意思決定には、分析、比較、特定のための大量のデータが必要です。

複数のデータ ソース間のデータには多くの重複と不一致があり、体系的な処理とクリーニングを通じてのみ統合の次のステップを実行できます。

データが倉庫に入った後は、長期間比較的安定して保管される必要があります。これは、正しい意思決定を保証するための基本条件です。

ほとんどのデータベース操作はクエリであり、変更や削除はほとんどありません。

データ ウェアハウスの議事録には、過去の時間ステータスを反映するデータ情報が保存されますが、特定のイベント順序に基づいて段階的に保存する必要もあります。

(1) 寸法

(2) 次元レベル

(3) ディメンションメンバー

(4) 測定

(5) 多次元データ収集

(6) データ単位

(1) 迅速性

(2) 分析性

(3) 多次元性

(4) 参考情報

技術的な実現可能性

経済的実現可能性

運用可能性

(1)「どうするか」

(2)「どうやってやるのか」

(3)「何が必要なのか」

ソース層後: ソース システム データの読み込み

テーマ層：データ処理により、詳細な履歴データ、顧客情報、口座情報、取引データなどがテーマごとに保存されます。

集計レイヤー：アカウント情報や顧客情報に応じて定期的に集計します。

アプリケーション層: 最後に、アプリケーション分析に必要なデータが形成され、保存されます。

データウェアハウスの構築が蓄積されると、その特性に応じた成熟したデータウェアハウスのデータモデルを形成する必要があります。

データマッピング

ルールを強制する

(1) 定義と初期測定

(2) エラーを分析して見つける

(3) 問題の原因を見つける

(4) 品質問題の解決

(5) 改善プロセスのモニタリング

統合データ管理システムのフレームワーク

ビジネス分析のニーズ

規制上のニーズ

履歴データに基づいて顧客に追加サービスを提供する必要性

粒度が大きいほど、詳細レベルは低くなり、データの包括性の程度は高くなります。

粒度が小さいほど、データの詳細レベルは高くなりますが、包括性のレベルは低くなります。

トップダウン構造:

ボトムアップ構造: まず独自に開発したデータマートを構築し、次にそのテクノロジーに基づいてデータウェアハウスを構築します

構造はシンプルで、データ ソース システムから取得したデータは変換されてデータ ウェアハウスにロードされ、データ ウェアハウスを介してフロントエンド データ アプリケーションに直接提供されます。

グローバル データ ウェアハウスは存在しません。データ処理アプリケーションは、データを呼び出すために 1 つ以上のデータ マートに接続する必要があります。

データ処理アプリケーションに接続されている統合データ ソースは単なる中間層であり、データにアクセスして統合するためのルールと手段が含まれており、データ ウェアハウスのユーザーに仮想データ ウェアハウス ビューを提供します。