摘要数据仓库技术已经在电信企业生产经营管理中得到广泛的应用，该技术对电信企业每天产生的大量的业务支撑数据及外部数据进行整合，对不同类型的数据源采用不同的抽取加载策略。本文运用OLAP技术对这些加载到数据仓库中的数据进行分析利用，建立OLAP多维分析模型，找出最本质的东西和内在联系的规律性，指导企业进行经营决策管理，提高企业经济效益，提升企业的市场竞争力。

关键词经营管理OLAP分析模型维事实

1引言

随着我国加入WTO步伐的加快，客观上要求国内的电信运营企业在经营管理上向国外先进的电信运营企业学习，以迎接电信运营业的国际化竞争。同时随着国家改革的进一步深化，国内电信业的市场环境已逐渐趋于合理，竞争日益加剧。这些因素已对国内电信运营企业的服务内容、服务方式、经营管理以及服务意识等方面，提出了严峻的挑战。企业要想在竞争中取胜，获得更大的收益，至关重要的是，必须利用计算机和网络技术、数据仓库技术，深层次地挖掘、分析当前和历史的生产业务数据，以及相关环境的相关数据，自动快速获取其中有用的决策信息，为企业提供快速、准确和方便的决策支持。

通过对电信企业的数据仓库中大量数据构建多个面向主题的数据集市，建立OLAP多维分析模型，运用多维操作并以多种图示及表格进行多角度多层次的分析来展示数据，揭示数据之间的趋势相关性，指导企业经营管理。

2OLAP技术及多维数据分析

OLTP已不能满足终端用户对数据库查询分析的需要，SQL对大型数据库进行的简单查询也不能满足终端用户分析的要求。OLAP是针对特定问题的联机数据访问和分析。通过对信息的多种可能的观察形式进行快速、稳定一致和交互性的存取，允许管理决策人员对数据进行深入观察。

OLAP具有以下特点：快速性：用户对OLAP的快速反应能力有很高的要求。系统应能在很短时间内对用户的大部分分析要求做出反应。

可分析性：OLAP系统应能处理与应用有关的任何逻辑分析和统计分析，以用户理想的方式给出报告。多维性：是OLAP的关键属性。系统必须提供对数据的多维视图和分析,包括对层次维和多重层次维的完全支持。

信息性：不论数据量有多大，也不管数据存储在何处，OLAP系统应能及时获得信息，并且管理大容量信息。

OLAP按照存储方式分类为：ROLAP，MOLAP，HOLAP；按照处理地点分类为：ServerOLAP,ClientOLAP。

OLAP体系结构主要有数据库服务器、OLAP服务器、前端工具等架构组成。

多维分析是指对以多维形式组织起来的数据采取切片、切块、旋转、上探下钻等各种分析动作,剖析数据,使最终用户能从多个角度、多侧面观察数据库中的数据,从而深入地了解包含在数据中的信息、内涵。超立方结构(Hypercube)：超立方结构指用三维或更多的维数来描述一个对象,每个维彼此垂直。数据的测量值发生在维的交叉点上,数据空间的各个部分都有相同的维属性；多立方结构(Multicube)：即将超立方结构变为子立方结构。面向某一特定应用对维进行分割,它具有很强的灵活性,提高了数据(特别是稀疏数据)的分析效率。

OLAP多维分析的实现由四大部分组成：多维分析主题数据库、多维分析模型设计、多维分析立方体生成、报表图表制作展现。

多维分析动作：切片（slice）和切块(dice)：在多维数据结构中,按二维进行切片,按三维进行切块,可得到所需要的数据；钻取(Drill)：钻取包含向下钻取(Drill-down)和向上钻取(Drill-up)/上卷(Roll-up)操作，钻取的深度与维所划分的层次相对应；旋转(Rotate)/转轴(Pivot)：通过旋转可以得到不同视角数据。

3电信经营管理逻辑部署模型

从各业务系统、非业务系统中将相关业务数据进行抽取、清洗、加工、整理、加载到数据仓库中，在数据仓库中形成基础的分析数据的存储，然后根据业务及管理等实际的需要在数据仓库上建立适合各种应用的数据集市。数据仓库、数据集市中蕴含的信息可以通过报表、OLAP分析、即席查询等形式向综合营销系统使用人员展现。系统体系结构分为三层，即数据获取层（数据准备区）、数据存储层（数据仓库及数据集市）和数据展现层（报表、分析等），如图1所示：

图1.数据经营管理逻辑部署模型

4电信经营管理OLAP多维数据分析模型设计

在多维分析模型建设中存在多种模型：星型模型、雪花模型、星座模型及雪暴模型。星型模型的构架非常简单，只有两个基本的表类型：维和事实，维表的主关键字是事实表的外键，而且维只与事实相关联，构成关系数据库中的多维分析空间。通过星型模型，使用者可以更好地理解访问途径，易于使用者使用分析工具进行多维分析。虽然星型模式存在一些数据冗余，不符合数据库设计的范式，但由于它在进行分析操作时数据关联少，因此性能比较高。另外多维数据模型所提供的操作与关系数据库是不同的，因此并不存在关系数据库中不符合某个范式造成的插入异常和删除异常的问题；雪花模型针对每个维度的每个层次都有一个维度表，每个维度表都有一个主键，并如果有下一层次，则包含下一层次维度表的外键。雪花模型没有冗余，符合数据库逻辑模型设计理论中的第三范式，但由于特定主题相关的物理实体数量比较多，会对性能有一些影响。雪花模型主要用于处理多对多关系的结构、非分析性数据和层次结构。星座模型是星型模型的直接扩充，通过共享维将多个星型模式连接在一起构成。再将星座模型扩展为具有多个事实表和维表的结构，构成为雪暴模型。在电信企业经营分析多维数据模型设计中，我们主要采用星型模型进行建模，提高查询效率以及降低建立CUBE所需时间。

电信企业经营分析系统数据仓库划分的主题主要有：客户主题、帐务主题、帐户主题、收入支出主题、服务及使用主题、计划主题、资产及设备主题等。

对每个主题域建一个数据集市，采用星形结构。建立的主要分析模型有：财务收入分析，分析维度有：时间，区域，帐目类型，产品等，分析指标有：财务收入，用户数等；业务收入分析，分析维度有：时间，区域，帐目类型，产品等，分析指标有：业务收入，用户数等；收入结构分析，分析维度有：时间，部门，帐目类型，产品等，分析指标有：财务收入等；业务支出分析，分析维度有：时间，帐目类型，产品，部门等，分析指标有：业务支出等；客户情况分析，维度信息是：时间、地域、年龄组、客户性别、消费层次、客户类型、客户职业、信用等级、呼叫时长层次、呼叫次数层次、在网时间等级、业务品牌、业务种类。指标值是按维度适当汇总的：客户总数、活动客户数、欠费客户数、零次客户数、新增客户数、流失客户数等；业务发展分析，维度信息是：时间、地域、客户性别、客户年龄组、客户类型、客户职业、消费层次、业务品牌、业务种类、通话时段、呼叫类型。与维度相关的指标：通信时长、通信次数、通信量、MOU、新业务使用量等；收益情况分析，模型的维度信息是：日期、地域、客户性别、消费层次、客户类型、客户职业、信用等级、业务类别、费用类别。与维度相关的指标：收入总量、收入增量、ARPU、欠费金额等。以及设备使用情况分析；固定资产利用情况分析；经济效益与核算分析等；基于篇幅关系，图2仅给出收入分析模型图。

5OLAP分析模型安全权限设置

由于分析模型面向的用户不同，安全操作权限就成为重要的环节。

用Cognos套件来建模展现，将Cognos所带的动态连接库加载到应用软件中，进行相关编程，具体分为两级：首先，将应用系统中的安全权限信息加载到分析模型，进行用户级操作设置；其次，对相应分析模型的客户经理维建立视图，屏蔽不属于其管辖的客户，进行维级权限设置。图3是客户管理模型权限设置平台。

图3客户管理模型权限设置平台

6OLAP分析模型展现实例

用COGNOSBI产品工具，OLAP分析模型展现采用两种方式进行，第一，用Cognos套件中的Powerplay平台展现；其次，将模型信息在WEB上，通过浏览器来分析展现。下面以收入分析为例的展现图：如图4所示。

7总结

在企业中构建数据仓库要整合异构数据源，运用OLAP技术设计及生成多维分析立方体，通过上钻、下钻、切片、分块、旋转等手段进行生产经营活动分析导航，发现验证数据的规律性，指导管理者决策。关键技术是OLAP多维分析模型的建立，要全面完整地反映企业的信息，才能提供可靠的结论。

图4.收入分析PowerPlay展现

参考文献

[1](美)MichaelCorey等著.Oracle8i数据仓库.机械工业出版社2001

[2]王珊等.数据仓库技术与联机分析处理.科学出版社,1998

[3]林杰斌,刘明德,陈湘.数据挖掘与OLAP理论与实务.清华大学出版社,2003

[4]段云峰.数据仓库及其在电信领域中的应用.电子工业出版社,2003

[5]徐洁磐.数据仓库与决策支持系统.科学出版社,2005

[6]王丽珍等.数据仓库与数据挖掘原理及应用.科学出版社,2005