CN113742311A - 基于数据仓库的指标模型管理方法、存储介质和装置 - Google Patents
基于数据仓库的指标模型管理方法、存储介质和装置 Download PDFInfo
- Publication number
- CN113742311A CN113742311A CN202010478879.6A CN202010478879A CN113742311A CN 113742311 A CN113742311 A CN 113742311A CN 202010478879 A CN202010478879 A CN 202010478879A CN 113742311 A CN113742311 A CN 113742311A
- Authority
- CN
- China
- Prior art keywords
- model
- index
- business
- index model
- creating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000014509 gene expression Effects 0.000 claims description 54
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 20
- 230000002452 interceptive effect Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 230000004044 response Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于数据仓库的指标模型管理方法、装置以及存储介质。其中,该方法包括:接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量;根据所确定的度量,创建第一指标模型;以及基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于数据仓库的指标模型管理方法、存储介质和装置。
背景技术
随着企业的不断发展,由于在业务管理过程中所产生的数据具有数量大、更新频率高、分析处理复杂等特点,需要借助一定的数据处理分析工具对海量数据进行分析管理,以满足管理、风控、决策等需求。因此建立一个指标管理工具以便对数据仓库的指标的构建、修改以及跟踪等进行管理成为一种必要。
现有的构建指标的方法需要了解表结构与表关系,因为不同的表结构与表关系需要经过多个中间转换,这些都需要专业技术人员才能完成,耗费大量人员成本。并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,也不能将所构建的指标从一个数据仓库进行迁移至其他数据仓库。
针对上述的现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,并且不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题,目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种基于数据仓库管理平台的指标模型管理方法、介质和装置,以至少解决现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
根据本公开实施例的一个方面,提供了一种基于数据仓库的指标模型管理方法,包括:接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量,其中业务模型单元包含与预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库中且用于构建数据仓库的第一数据表结构绑定;根据所确定的度量,创建第一指标模型;以及基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
根据本公开实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面,还提供了一种基于数据仓库的指标模型管理装置,包括:第一参数信息接收模块,用于接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;业务模型单元确定模块,用于根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量,其中业务模型单元包含与预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库中且用于构建数据仓库的第一数据表结构绑定;第一指标模型创建模块,用于根据所确定的度量,创建第一指标模型;以及绑定对象确定模块,用于基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
根据本公开实施例的另一个方面,还提供了一种基于数据仓库的指标模型管理装置,其特征在于,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量,其中业务模型单元包含与预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库中且用于构建数据仓库的第一数据表结构绑定;根据所确定的度量,创建第一指标模型;以及基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
在本公开实施例中,业务模型单元是独立于数据仓库建立的,从而本实施例中的指标模型也是独立于数据仓库建立的。通过本实施例中构建指标模型的方式,普通的业务人员就可以完成,不需要懂得表结构与表结构之间的关系,也不需要懂得底层的技术,从而节约人力成本。而且由于根据本实施的方法构建的指标模型不受数据仓库中的具体的数据表的限制,因此能够以业务视角去反映指标模型与实际业务之间的关系,并且可以将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库。
进而解决了现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是用于实现根据本公开实施例1所述的方法的计算机终端的硬件结构框图;
图2是根据本公开实施例1所述的基于数据仓库的指标模型管理***的场景示意图;
图3是根据本公开实施例1所述的基于数据仓库的指标模型管理方法的***的工作原理架构示意图;
图4是根据本公开实施例1的第一个方面所述的基于数据仓库的指标模型管理方法的流程示意图;
图5是根据本公开实施例1的第一个方面所述的用于输入指标模型参数信息的界面的示意图;
图6是根据本公开实施例1的第一个方面所述的第一指标模型参数信息的示意图;
图7是根据本公开实施例1的第一个方面所述的用于输入与指标模型相关联的业务模型单元的参数信息的界面的示意图;
图8A和图8B是根据本公开实施例1的第一个方面所述的确定指标模型的物理模型以及物理数据库数据表结构的示意图;
图9A至图9D是根据本公开实施例1的第一个方面所述的业务模型单元的相关描述的示意图;
图10是用于说明根据本公开实施例1的第一个方面所述的指标模型的度量以及统计粒度的示意图;
图11是根据本公开实施例1的第一个方面所述的第二指标模型参数信息的示意图;
图12是根据本公开实施例1的第一个方面所述的用于输入构建第二指标模型所需要的信息的界面示意图;
图13是根据本公开实施例1的第一个方面所述的用于构建第二物理模型以及第二数据表结构的示意图;
图14是根据本公开实施例1的第一个方面所述的第一指标模型的版本信息的示意图;
图15是根据本公开实施例1的第一个方面所述的第二指标模型的版本信息的示意图;
图16是根据本公开实施例1的第一个方面所述的基于数据仓库的指标模型的示意图;
图17是根据本公开实施例2所述的基于数据仓库的指标模型管理装置的示意图;以及
图18是根据本公开实施例3所述的基于数据仓库的指标模型管理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例,提供了一种基于数据仓库的指标模型管理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现基于数据仓库的指标模型管理方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的基于数据仓库的指标模型管理方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的基于数据仓库的指标模型管理方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得业务人员能够与计算设备的业务人员界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件 (包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
图2是根据本实施例所述的基于数据仓库的指标模型管理***的场景示意图。参照图2 所示,该***包括:终端设备100以及数据仓库管理平台200。其中,业务人员向终端设备 100输入指标模型参数信息或者对指标模型进行管理的指令,然后终端设备100将指标模型参数信息或指令发送至数据仓库管理平台200,终端设备100与数据仓库管理平台200可以进行交互。需要说明的是,***中的终端设备100以及数据仓库管理平台200均可适用上面所述的硬件结构。
此外,图3还示出了实施本实施例所述的基于数据仓库的指标模型管理方法的***的工作原理架构设计图。该***运行于图2所示的数据仓库管理平台200。参考图3所示,该***从上到下分为三层,分别是接入层、服务层和存储层。
接入层是用户的入口,与业务模型保持一致,用户通过入口访问***功能。它包管理入口、Web服务以及ODBC服务模块:1.管理入口是管理员或建模工程师等人员管理模型的操作入口;2.Web服务是通过Web的方式曝露模型信息,通过Web服务接口或界面可以查询模型的元数据和数据;3.ODBC服务是通过TCP的连接进行SQL协议通信方式提供查询服务,用户使用ODBC驱动或支持ODBC的SQL客户端就可以连接ODBC服务进行操作。
服务层是***业务逻辑的实现,负责接收接入层的操作请求,根据请求进行相关业务处理并作出响应。本数据建模管理***主要是在这层体现,主要分为五大核心功能模型:模型管理和执行管理器。
模型管理是基于业务模型基础上加入了指标模型。业务模型、物理模型以及指标模型都是模型管理的元数据,其功能职责是对模型的建立、维护、查询以及跟踪等进行管理。不同模型管理负责不同的职责:业务模型是从业务角度建模,包括业务过程管理、维度实体(即维度模型)管理以及事实模型管理;物理模型是从技术角度建模,包括表结构与表关系管理、约束与质量管理以及映射关系管理;指标模型是在业务模型的基础上,从业务角度建立评估业务状况的指标,包括原生指标模型与派生指标模型。
执行管理器在业务模型基础上也增加了对指标模型的支持,其功能职责是:1.根据物理模型与采用的物理数据仓库构造相关SQL语句,然后在物理数据仓库执行SQL语句创建物理结构;2.接收来自Web服务与ODBC服务的SQL请求,然后解释SQL语句,并根据所采用的物理数据仓库和查询到元数据信息进行SQL转换,转换成物理数据仓库的能执行SQL 语句,然后发送至物理数据仓库执行,并处理物理数据仓库返回的结果,然后再返回给Web 服务与ODBC服务。
存储层实现各种需求的数据存储,按其功能作用分为应用数据库、业务数据库以及数据仓库三类。其功能作用分别是:1.应用数据库主要是存储模型数据(元数据)和***相关的数据;2.业务数据库是业务***中用来存储业务数据的数据库,这些数据库中数据被*** ETL作业同步到数据仓库中;3.数据仓库是存储从业务***抽取过来的操作型数据、数据仓库建设的数据以及主题建设的数据等。
在上述运行环境下,根据本实施例的第一个方面,提供了一种基于数据仓库的指标模型管理方法,该方法由图2中所示的数据仓库管理平台200实现。图4示出了该方法的流程示意图,参考图4所示,该方法包括:
S402:接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;
S404:根据所述第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量,其中业务模型单元包含与预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库中且用于构建数据仓库的第一数据表结构绑定;
S406:根据所确定的度量,创建第一指标模型;以及
S408:基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
具体地,参考图2所示,业务人员在需要创建模型时,向终端设备100输入用于创建指标模型的第一指标模型参数信息,从而终端设备100将第一指标模型参数信息发送至数据仓库管理平台200。数据仓库管理平台200接收从终端设备100发送的第一指标模型参数信息。其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析(对应于步骤S402)。
例如,图5示出了提供给业务人员的用于输入第一指标模型参数信息的基本信息的界面的示意图。图6示出了业务人员输入的与销售业务相关的第一指标模型参数信息的基本信息,包括:名称:“订单金额”;编码:“order_amount”;指标模型类型:“原子指标模型”;数据类型:“string”;单位:“元”;数据域:“交易域”;创建时间:“2019-10-30”;更新时间:“2019-10-30”;以及相关描述信息等。
此外,图7示出了在终端设备100显示的用于构建第一指标模型的界面示意图。其中该界面包括用于确定构建第一指标模型的业务模型单元以及度量的控件。从而,业务人员从与预定业务(例如,销售业务)相关的业务模型单元的字段中确定与第一指标模型(即“订单金额”)相关的度量。参考图7所示,例如界面中的“来源”一栏示出了用于创建“订单金额”指标模型所需要的度量来自哪个业务模型单元。例如该业务模型单元可以是维度模型单元(即界面中所示的“维度实体”)和/或事实模型单元(即界面中所示的“事实模型”)。关于维度模型单元和事实模型单元,将在下文中详细说明。
继续参考图7所示,可以看到“订单”业务模型单元中的字段“金额”作为创建第一指标模型“订单金额”的一个度量。类似的,业务人员也可以选择其他业务模型单元中的相关字段作为创建“订单金额”指标模型的度量。其中,业务模型单元(例如,订单)包含与预定业务(例如,销售业务)相关的字段。
从而,终端设备100可以响应于业务人员的以上操作,将通过图5和图7所示的界面输入的用于创建第一指标模型“订单金额”的第一指标模型参数信息发送至数据仓库管理平台 200。然后,数据仓库管理平台200接收从终端设备100发送的第一指标模型参数信息。
进一步地,数据仓库管理平台200根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量。其中业务模型单元包含与所预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库且用于构建数据仓库的第一数据表结构绑定(S404)。
具体地,数据仓库管理平台200根据第一指标模型参数信息,确定用于创建第一指标模型“订单金额”的相关业务模型单元。例如:数据仓库管理平台200根据业务人员通过终端设备100在图7所示界面输入的参数,确定用于创建第一指标模型“订单金额”的业务模型单元“订单”,并从业务模型单元“订单”的字段(用户、商品、金额、时间以及地区)中确定“金额”为与第一指标模型“订单金额”相关的度量。
此外,参考图3所示,在服务层中,业务模型单元与相应的物理模型绑定。具体来说,例如业务模型单元“订单”与相应的物理模型(例如物理模型的名称也可以是“订单”)绑定。其中,例如物理模型“订单”也可以包括“用户”、“商品”、“金额”、“时间”以及“地区”等字段,从而与业务模型单元“订单”的字段对应。并且物理模型“订单”也与对应的物理数据库表结构绑定,从而通过物理数据库表结构构建数据仓库。然后通过将物理数据库表结构与源端数据进行关联,从而实现将源端数据到数据仓库的ETL过程。从而可以利用第一指标模型“订单金额”对数据仓库中与销售业务相关的数据进行指标分析。
进一步地,数据仓库管理平台200根据所确定的度量“金额”,创建第一指标模型“订单金额”。具体地,参考图3所示,数据仓库管理平台200例如可以在***的服务层中创建第一指标模型“订单金额”。
最后,数据仓库管理平台基于业务模型单元“订单”的物理模型以及与该物理模型绑定的物理数据库表结构,确定与第一指标模型“订单金额”绑定的物理模型以及物理数据库表结构。
具体地,例如参考图8A所示,由于第一指标模型“订单金额”是根据业务模型单元“订单”(即,事实模型“订单”),而不是根据其他指标模型派生的,因此第一指标模型“订单金额”是一个原生指标模型。因此第一指标模型“订单金额”与业务模型单元“订单”具有相同的最细统计粒度,因此可将业务模型单元“订单”绑定的物理模型以及物理数据库表结构,作为与第一指标模型“订单金额”绑定的物理模型以及物理数据库表结构。
这样做的优势在于,不必再构建冗余的物理模型数据以及物理数据库的表结构。只需要利用第一指标模型“订单金额”在与业务模型单元“订单”绑定的物理数据库表结构中进行指标分析即可。从而节省了***占用的数据存储资源。
此外,参考图8B所示,作为另一种可能,数据仓库管理平台200也可以生成与物理模型“订单”相同的物理模型,以及与物理数据库表结构“订单”相同的物理数据库表结构,并将其确定为与第一指标模型“订单金额”绑定的物理模型以及物理数据库表结构。此外与第一指标模型“订单金额”绑定的物理数据库表结构和物理数据库表结构“订单”可以与相同的源端数据关联。
为便于理解,下面对本文中提出的“业务模型单元”的概念做出进一步描述如下:
现在大多数的数据仓库开发工具是以Inmon数据仓库思想的三范式指导构建数据仓库的模型,而使用Kimball维度建模思想指导构建数据仓库的模型是基于物理数据库使用反范式的方式建立的。
虽然创建出来的数据仓库模型也能够从技术角度由专业数据技术人员的进行数据分析,但是这样的模型只有技术元素,其只能反映表结构与表结构之间的关系,缺少业务含义而没有以业务视角去反映模型与实际业务之间的关系。因此业务人员基于这样的模型对数据进行分析时,不知道模型和数据来源于那个业务过程,不清楚数据的业务含义,难以对数据进行分析与追溯。
有鉴于此,本方案提出了业务模型单元和物理模型的概念。其中参考图3所示,业务模型单元例如可以设置于服务层的模型管理模块中。并且,业务模型单元可以根据业务人员输入的与预订业务相关的信息而创建。
参考图9A所示,用户可以通过接入层的管理入口提供的可视化界面进行建模参数的输入。建模参数例如可以包括用于创建与预定业务的相关业务模型单元的基础信息,例如:名称、编码、类别、数据域以及描述等,还可以包括与预定业务相关的业务模型单元的结构信息(例如:具体业务的字段名称、字段值)。在一个具体实例中,预定业务可以是订单业务,与订单业务相关的第一建模参数可以包括与订单业务相关的业务模型单元的基本信息。业务模型单元例如可以是与以下环节相关的业务模型单元:商家、组团、订单状态、卖家、商品信息以及日期等。
以用户输入的用于创建与订单业务相关的“订单”业务模型单元的基本信息为例,图 9B中示出了用户输入的“订单”业务模型单元的基本信息(即界面上所示的“实体信息”),该基本信息包括与业务模型单元相关的以下信息:名称:“订单”;类别:“普通层次”;编码:“Order”;创建时间:“2019-10-30”;作用域:“交易域”;对业务模型单元的描述;以及更新时间:“2019-10-30”。
此外,参考图9C所示,用户可以进一步通过可视化的界面输入与“订单”业务模型单元相关的字段信息(即“维度名称”以及“维度编码”)作为部分建模参数,包括:“用户”、“商品”、“金额”、“时间”和“地区”等。此外,参考图9C所示,对于每一个字段,还可以限定属性。例如,属性可以包括:维度编码、维度名称、数据类型(例如string或var 等)、约束(主键约束或外键约束等)以及相关描述等。
进一步地,***的模型管理模块根据建模参数创建业务模型单元,其中业务模型单元包括与预定业务相关的字段。即,***根据用户输入的建模参数创建业务模型单元。进一步地,***的模型管理模块构建与业务模型单元相关的物理模型,并在物理数据库中创建与物理模型对应的数据表结构。其中,可以根据该业务模型单元,由***自动或技术人员手动创建与预定业务相关的物理模型。
然后,***将业务模型单元与物理模型进行绑定,实现业务模型单元与数据表结构之间的关联,从而构建基于业务模型单元的数据仓库。即,将物理数据模型的字段与业务模型单元的字段进行对应绑定,例如:与“订单”业务模型单元的字段(用户、商品、金额、时间以及地区)对应的物理模型的字段也可以包括“用户”、“商品”、“金额”、“时间”以及“地区”等字段。从而,***可以根据业务模型单元与物理模型的绑定关系,将业务模型单元与物理模型对应的数据表结构关联,从而将业务模型单元和物理数据库中的数据表结构关联起来。
此外,参考图9D所示,用户可以通过可视化的界面,将多个业务模型进行关联,从而构建业务逻辑模型。例如,用户可以通过可视化界面,将“商家”维度模型单元、“组团信息”维度模型单元、“订单状态”维度模型单元、“组织信息”维度模型单元以及“会员信息”维度模型单元等与“订单”事实模型单元进行关联,从而产生反映维度模型单元与订单事实模型单元的关联关系的建模参数。然后***可以根据该建模参数构建业务逻辑模型。
从而通过这种方式,数据建模管理***首先接收与预定业务相关的建模参数,然后根据建模参数创建包括与预定业务相关字段的业务模型单元,然后根据业务模型单元创建物理模型,最终将业务模型单元与物理模型进行绑定,构建与预定业务相关的数据仓库。从而与现有技术在物理数据库基础上使用反范式构建维度数据仓库相比,本方案可以从业务角度出发,构建业务模型,而不必受到物理数据库中的数据表的限制。即,根据本方案,可以先根据实际的业务构建业务模型单元,然后基于建立的业务模型单元(可以由***自动或技术人员手动)构建与预定业务相关的物理模型,然后用户(业务或技术人员)就可以根据创建的业务模型对预定业务相关的数据进行分析和追溯。从而数据仓库的建模过程可以不必受到物理数据库中的数据表的限制,数据分析不再受限于技术人员。
进一步地,在对构建的数据仓库进行指标分析时,根据本实施例的技术方案,首先,业务人员在终端设备100输入用于创建指标模型的指标模型数信息,终端设备100将指标模型参数信息发送至数据仓库管理平台200。然后,数据仓库管理平台200根据指标模型参数信息,确定用于创建指标模型的业务模型单元。最后,数据仓库管理平台200根据业务模型单元创建指标模型,并将该指标模型与物理数据库表结构绑定。
本实施例中的业务模型单元是独立于数据仓库建立的,从而本实施例中的指标模型也是独立于数据仓库建立的。通过本实施例中构建指标模型的方式,普通的业务人员就可以完成指标的创建和管理,不需要懂得表结构与表结构之间的关系,也不需要懂得底层的技术,从而节约人力成本。而且由于根据本实施的方法构建的指标模型不受数据仓库中的具体的数据表的限制,因此能够以业务视角去反映指标模型与实际业务之间的关系,并且可以将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库。
进而解决了现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
可选地,根据所确定的度量,创建第一指标模型的操作,包括:根据第一指标模型参数信息,确定用于定义第一指标模型的第一表达式和/或第一统计粒度;以及利用第一表达式和/或第一统计粒度,根据度量创建第一指标模型。
例如,在本方案中,原生指标模型可以通过以下几个方面来定义:度量、计算表达式以及粒度。即原生指标模型可以在利用“粒度”信息对“度量”进行过滤和筛选基础上再利用计算表达式对过滤和筛选后的度量进行计算。
具体地,业务人员可以在图7所示的界面的“计算公式”输入框中输入用于创建第一指标模型的计算公式作为部分第一指标模型参数信息。从而,数据仓库管理平台200根据业务人员在终端设备100输入的信息,确定用于定义第一指标模型的第一表达式,参考图7所示,计算公式可以为求和(SUM)、计数(COUNT)、最大值(MAX)、最小值(MIN)、平均值(AVG)、对符合特定条件的值求和(SUMIF)等计算的组合。此外,业务人员还可以在图7所示的界面的“统计粒度”一栏中确定用于定义统计粒度的维度。
具体地,用于定义统计粒度的维度,可以从以下维度中选取:即用于构建第一指标模型的业务模型单元的字段(维度)中,未被确定作为度量的字段(维度)。
例如,参考图7所示,业务员确定基于业务模型单元“订单”来构建第一指标模型“订单金额”。并且业务员确定业务模型单元“订单”中的字段(也可称为“维度”)“金额”作为构建第一指标模型“订单金额”的度量。那么业务员可以从业务模型单元“订单”的其他字段(也可称为“维度”)中选择用于定义统计粒度的维度。即,业务员可以从“用户”维度、“商品”维度、“时间”维度以及“地区”中确定用于定义统计粒度的维度。
例如,可以定义作为原生指标模型的第一指标模型“订单金额”是由“订单”业务模型单元中的字段“金额”求和得来的,可以表示成:【订单金额】=SUM(【金额】)&【粒度=用户维度+商品维度+时间维度+地区维度】。即可以利用“用户”维度、“商品”维度、“时间”维度以及“地区”所定义的统计粒度对“订单”业务模型单元中字段“金额”所对应的数据进行筛选,然后利用筛选后的数据进行求和,从而得到“订单金额”指标模型对应的数值。
从而数据仓库管理平台200可以利用表达式和/或统计粒度,根据度量“金额”,创建第一指标模型“订单金额”。
从而,通过这种方式,业务员可以借助于粒度统计和/或表达式等多种方式,根据度量来创建创建第一指标模型,从而可以利用第一指标模型对与预订业务相关的数据做更加精确和全面的指标分析。
可选地,确定用于创建第一指标模型的业务模型单元并从业务模型单元的字段中确定与第一指标模型相关的度量的操作,包括:根据第一指标模型参数信息,确定与预定业务相关联并且作为业务模型单元的维度模型单元或事实模型单元,其中维度模型单元包括描述用于对预定业务进行分析的维度的字段,以及事实模型单元包括描述与预定业务相关联的事实的字段;以及从维度模型单元或事实模型单元的字段中确定与第一指标模型相关的度量。
具体地,参考图7、以及图9A至图9D所示,用于构建指标模型的业务模型单元例如可以包括两种类型:维度模型单元(即界面中所示的“维度实体”)以及事实模型单元(即界面中所示的“事实模型”)。其中,事实模型单元包括用于描述一次事实的字段。例如,图7中所示的“订单”事实模型单元,用于描述买家与卖家之间的一次交易事实。并且其中,“订单”事实模型单元包括“用户”、“商品”、“金额”、“时间”以及“地区”等字段。从而通过这些字段可以描述一次交易事实。
此外,尽管图中未示出,但是例如“会员”维度模型单元可以用于从会员这个维度对业务进行分析。并且其中,“会员”维度模型单元包括“姓名”、“等级”、“积分”以及“年龄”等字段。从而通过这些字段,可以以“会员”这个维度对业务进行分析。例如,分析与业务相关的会员的姓名、等级、积分以及年龄等信息。
从而业务人员在创建第一指标模型时,可以分别从事实模型单元和维度模型单元两种不同类型的业务模型单元中选择合适的度量来创建第一指标模型。数据仓库管理平台200可以根据第一指标模型参数信息,确定与预定业务相关联并且作为业务模型单元的维度模型单元或事实模型单元,并且确定维度模型单元或事实模型单元中作为度量的字段。进一步地,数据仓库管理平台200可以根据业务人员输入的第一表达式创建作为原生指标模型的第一指标模型。从而通过以上方式,可以利用预设的事实模型单元或维度模型单元创建作为原生指标模型的第一指标模型。
由此可见本实施例构建指标模型的方法,与现有的技术是不同的。现有的指标是直接在物理数据库通过三范式建模或维度建模的数据仓库上构建方式。基于三范式建模的数据仓库构建指标是由技术人员从技术角度出发,分析指标、分析数据,然后经过数据的抽取、转换、加载,最终汇总到指标结果表。基于Kimball维度建模思想在物理数据库的上利用反范式的方式自下而上建立的数据仓库上构建指标时,因Kimball的维度建模思想并没有提供指标建设方法,所以在物理数据库的基础上创建的用于描述与预定业务相关的维度表与事实表,并且,基于事实表和维度表是从技术角度创建指标,缺少业务含义与相关的业务信息。并且这仍然是一种自下而上构建和管理指标的方案,因此存在背景技术中所提到的现有的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,并且不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
通过本实施例的这种方式,在创建数据仓库模型的过程中通过自上而下的方式,首先构建维度模型单元以及事实模型单元,然后基于构建的维度模型单元和事实模型单元,构建原生指标模型,因此可以将构建的指标模型与业务关联起来,并且通过维度模型单元和事实模型单元反映出指标模型与业务关系。
此外,参考图9D所示,事实模型单元可以与多个维度模型单元进行关联从而构建业务逻辑模型。例如,用户可以通过可视化的界面,将“商家”维度模型单元、“组团信息”维度模型单元、“订单状态”维度模型单元、“组织信息”维度模型单元以及“会员信息”维度模型单元等与“订单”事实模型单元进行关联,从而***可以构建相应业务逻辑模型。
在这种情况下,当业务员构建指标模型时,用于定义统计粒度的维度不仅仅限于事实模型单元“订单”中的维度,也可以是与事实模型单元“订单”相关联的维度模型单元中的维度(即字段)。只要是没有被选作度量的字段即可。
具体地参考图10所示,原生指标模型是基于事实模型单元(或者也可以是维度模型单元,此处不再赘述)A创建的。并且事实模型单元(或者也可以是维度模型单元,此处不再赘述)A具有关联的维度模型单元B和C从而构成业务逻辑模型。
事实模型单元A例如包括字段1至字段6,维度模型单元B包括字段7至字段9,维度模型单元C包括字段10至字段12。其中事实模型单元A的字段1至字段3被确定为用于构建原生指标模型的度量,那么事实模型单元A字段4至字段6以及维度模型单元B和C的字段7至字段12均可用作定义统计粒度的维度。也就是说可以从字段4至字段12中选择至少一个字段作为定义统计粒度的维度。
从而通过这种方式,可以利用更多的维度去定义统计粒度,从而可以从多个不同角度的统计粒度对数据进行指标分析。
可选地,接收第一指标模型参数信息的操作,包括:从远程的终端设备接收第一指标模型参数信息。
具体地,数据仓库管理平台200接收用于创建原生指标模型的第一指标模型参数信息可以是从远程的终端设备100接收第一指标模型参数信息。例如,第一指标模型参数信息可以是业务人员在远程的终端设备100输入,然后终端设备100将第一指标模型参数信息发送至数据仓库管理平台200。当然,第一指标模型参数信息也可以是数据仓库平台200的管理人员从数据仓库管理平台200输入的。
从而数据仓库平台200获取到第一指标模型参数信息,以便用于创建第一指标模型。并且这种方式只需要业务人员进行输入指标模型参数信息即可,不需要关注底层技术,从而节约人力成本。
可选地,接收第一指标模型参数信息的操作,包括:提供设置有第一控件的第一交互界面,其中第一控件用于输入第一指标模型参数信息;以及响应于第一交互界面接收的触发,接收通过第一控件输入的第一指标模型参数信息。
具体地,参考图5至图7所示,数据仓库管理平台200还可以提供设置有控件的交互界面。业务人员或者数据仓库管理平台200的管理人员可以在控件中输入与第一指标模型参数信息,从而提高了业务人员操作效率。然后,数据仓库管理平台200响应于界面接收的触发,接收通过控件输入的指标模型参数信息。本实施例中以交互界面的形式向业务人员展示,从而只需要业务人员在控件中输入指标模型参数信息即可,操作方便,提高业务人员使用感。
可选地,方法还包括:接收用于创建指标模型的第二指标模型参数信息;根据第二指标模型参数信息,确定用于创建第二指标模型的指标模型集合;以及根据指标模型集合中的指标模型,创建第二指标模型。
具体地,业务人员除了可以创建作为原生指标模型的第一指标模型之外,还可以创建作为派生指标模型的第二指标模型。与基于业务模型单元构建的原生指标模型不同,派生指标模型是基于其他指标模型而构建的。
例如,业务人员在创建指标模型的第二指标模型时,可以通过终端设备100输入第二指标模型参数信息。例如,以派生指标模型“双十一线上交易额”为例,图11示出了业务人员输入的第二指标模型参数信息的基本信息,包括:名称:“双十一线上交易额”;编码:“online_amount”;指标模型类型:“派生指标模型”;数据类型:“double”;单位:“元”;数据域:“交易域”;创建时间:“2019-10-30”;更新时间:“2019-10-30”;以及相关描述信息等。进一步地,参考图12所示,业务人员可以通过可视化界面确定用于构建第二指标模型的指标模型。参考图12所示,业务人员例如可以从“订单金额”、“商品数量”、“消费人数”以及“订单数量”等指标模型中确定用于构建第二指标模型的指标模型。
从而,数据仓库管理平台200根据从终端设备100接收的第二指标模型参数信息,确定用于创建第二指标模型的指标模型集合(即“订单金额”、“商品数量”、“消费人数”以及“订单数量”等指标模型中的至少一个指标模型)。并根据所确定指标模型集合中的指标模型,创建第二指标模型。
从而通过这种方式,可以允许业务员利用现有的指标模型以自上而下的方式建立更加复杂的派生指标模型。现有技术中也存在“派生指标”的概念。但是正如前面所述,这种“派生指标”的生成仍然是基于数据库的表结构和表关系通过自下而上的方式建立的,因此需要专业技术人员才能完成。有鉴于此,本申请提出了“派生指标模型”,从而允许业务人员从是业务的角度出发,以自上而下的方式对数据进行指标分析。
可选地,根据指标模型集合中的指标模型,创建第二指标模型,还包括:根据第二指标模型参数信息,确定用于定义第二指标模型的第二表达式;以及根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
具体地,数据仓库管理平台200根据第二指标模型参数信息,确定用于定义第二指标模型的第二表达式,例如,第二指标模型可以根据统计周期、统计范围、原生指标模型以及汇总粒度等来确定。统计周期对应于图12所示的“统计周期”一栏,统计范围对应于图12所示的“统计范围”一栏。
进一步地,业务人员在创建作为派生指标模型的第二指标模型时,数据仓库管理平台 200根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。例如,数据仓库管理平台200要创建的第二指标模型为“男生消费金额”,可以表示为:【男生消费金额】=SUM(【消费金额】)&【统计范围=WHERE Sex=”男”】&【粒度=商品维度+时间维度 +地区维度】,其中“消费金额”为指标模型集合中的原生指标模型,“统计范围=WHERE Sex=”男””对应于第二表达式中的“统计范围”。或者例如,数据仓库管理平台200要创建的第二指标模型为“最近七天男生消费金额”,可以表示为:【最近七天男生消费金额】=最近七天&SUM(【消费金额】)&【统计范围=WHERE Sex=”男”】&【粒度=商品维度+地区维度】。
从而,通过在普通的原生指标模型的基础之上建立复杂的派生指标模型,本实施例通过这种方式建立复杂指标模型可以降低建立难度,也可以多次使用原生指标模型,增加指标模型复用率。从而可以克服基于维度建模的数据仓库建立复杂的指标模型难度较大,指标模型复用率也不高的技术问题。
可选地,方法还包括:构建与第二指标模型相关的第二物理模型,并在物理数据库中创建与第二物理模型对应的第二数据表结构;以及将第二指标模型与第二物理模型进行绑定,实现第二指标模型与第二数据表结构之间的关联。
具体地,在构建第二指标模型之后,数据仓库管理平台200可以继续构建与第二指标模型相关的第二物理模型,并在物理数据库中创建与第二物理模型对应的第二数据表结构。然后,数据仓库管理平台200将第二指标模型与第二物理模型进行绑定,实现第二指标模型与第二数据表结构之间的关联。
具体地,参见图13所示,例如原生指标模型1是根据事实模型单元(或维度模型单元) A的字段1至字段3作为度量创建的。原生指标模型2是根据事实模型单元(或维度模型单元)B的字段13至15作为度量创建的。第二指标模型例如可以基于原生指标模型1和原生指标模型2创建。并且数据仓库管理平台200在创建第二指标模型后,会构建与第二指标模型相关的第二物理模型,其中第二物理模型的字段例如包括作为原生指标模型1和原生指标模型2的度量的字段1至3以及字段13至15。进而数据仓库管理平台200会在物理数据库构建相应的第二数据表结构,其中第二数据表结构例如也可以包括字段1至3以及字段13 至15。然后,数据仓库管理平台200将第二指标模型与第二物理模型绑定,从而实现第二指标模型与第二数据表结构之间的关联。
具体地,数据仓库管理平台200根据指标集合中的指标模型,确定第二指标模型的关联物理模型;以及构建与第二指标模型的关联物理模型相对应的物理数据库表结构。例如,数据仓库管理平台200根据指标集合中的指标模型,确定第二指标模型(例如,最近七天男生消费金额)的关联物理模型,并且数据仓库管理平台200构建与第二指标模型(例如,最近七天男生消费金额)相对应的物理数据库表结构。
从而通过这种方式,可以允许业务员利用现有的指标模型以自上而下的方式建立更加复杂的派生指标模型。现有技术中也存在“派生指标”的概念。但是正如前面所述,这种“派生指标”的生成仍然是基于数据库的表结构和表关系通过自下而上的方式建立的,因此需要专业技术人员才能完成。有鉴于此,本申请提出了“派生指标模型”,从而允许业务人员从是业务的角度出发,以自上而下的方式对数据进行指标分析。
可选地,接收用于创建指标模型的第二指标模型参数信息的操作,包括:从远程的终端设备接收第二指标模型参数信息。
具体地,数据仓库管理平台200接收用于创建指标模型的第二指标模型参数信息可以是从远程的终端设备100接收第二指标模型参数信息。例如,第二指标模型参数信息可以是业务人员在远程的终端设备100输入,然后终端设备100将第二指标模型参数信息发送至数据仓库管理平台200。当然,第二指标模型参数信息也可以是数据仓库平台200的管理人员从数据仓库管理平台200输入的。
从而数据仓库平台200获取到第二指标模型参数信息,以便用于创建第二指标模型。并且这种方式只需要业务人员进行输入指标模型参数信息即可,不需要关注底层技术,从而节约人力成本。
可选地,接收用于创建指标模型的第二指标模型参数信息的操作,包括:提供设置有第二控件的第二交互界面,其中第二控件用于输入与待创建的派生指标模型相关联的指标模型参数信息;以及响应于第二交互界面接收的触发,接收通过第二控件输入的第二指标模型参数信息。
具体地,参考图11至图12所示,数据仓库管理平台200接收用于创建第二指标模型参数信息还可以提供设置有第二控件的第二交互界面。业务人员或者数据仓库管理平台200的管理人员可以在第二控件中输入与待创建的派生指标模型相关联的指标模型参数信息即可,提高业务人员操作效率。然后,数据仓库管理平台200响应于第二界面接收的触发,接收通过第二控件输入的第二指标模型参数信息。本实施例中以交互界面的形式向业务人员展示,从而只需要业务人员在第二控件中输入指标模型参数信息即可,操作方便,提高业务人员使用感。
可选地,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型的操作,还包括:判断指标模型集合中的指标模型是否是基于相同的事实模型单元创建的,其中事实模型单元包括描述与预定业务相关联的事实的字段;以及在判定指标模型集合中的指标模型是基于相同的事实模型单元创建的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
具体地,在数据仓库管理平台200根据上述指标模型集合中的指标模型以及第二表达式,创建第二指标模型的过程中,需要判断该指标模型集合中的指标模型是否是基于相同的事实模型单元创建的。其中事实模型单元包括描述与预定业务相关联的事实的字段。例如,指标模型集合中的第一指标模型有消费金额指标模型和销量指标模型,这两个第一指标模型的事实模型单元都是基于相同的订单事实模型创建的(例如,基于从订单事实模型选择的度量“订单金额”实现),即第一指标模型消费金额指标模型和第一销量指标模型是基于是基于相同的事实模型单元创建的。
进一步地,数据仓库管理平台200在判定指标模型集合中的指标模型是基于相同的事实模型单元创建的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。例如,上述的第一指标模型消费金额指标模型和第一指标模型销量指标模型是基于相同的事实模型单元创建的,在此情况下,数据仓库管理平台200根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
从而在这种情况下,由于创建第二指标模型的指标模型集合是基于相同的事实模型单元创建的,因此第二指标模型的最细粒度(例如,事实模型单元)是一致的,从而有利于对第二指标模型进行管理,提高管理效率。
例如,指标模型集合中的原生指标模型“消费金额”和“商品总数”都是根据相同的“订单”事实模型单元创建的。其中“订单”事实模型单元例如包括“金额”和“商品数量”两个字段。“消费金额”和“商品总数”的表达式如下所示:
【消费金额】=SUM(【金额】)&【粒度=用户维度+商品维度+时间维度+地区维度】;
【商品销量】=SUM(【商品数量】)&【粒度=用户维度+商品维度+时间维度+地区维度】;
进一步地,利用原生指标模型“消费金额”和“商品销量”创建的派生指标模型“平均商品价格”的表达式如下所示:
【商品平均价格】=AVG(【消费金额】,【商品销量】)&【粒度=用户维度+商品维度 +时间维度+地区维度】。
如上所示,由于创建派生指标模型“商品平均价格”的原生指标模型“消费金额”和“商品销量”都是基于相同的“订单”事实模型单元创建的,因此其粒度都是由用户维度、商品维度、时间维度和地区维度限定,从而最细粒度是一致的。
可选地,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型的操作,包括在判定指标模型集合中的指标模型是基于不同的事实模型单元创建的情况下,执行以下操作:判定不同的事实模型单元是否与公共的维度关联,其中维度模型单元包括描述用于对预定业务进行分析的维度的字段;以及在判定不同的事实模型单元与公共的维度关联的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
具体地,在数据仓库管理平台200根据上述指标模型集合中的指标模型以及第二表达式,创建第二指标模型的过程中,数据管理平台200判定指标模型集合中的指标模型是基于不同的事实模型单元创建的。例如指标模型集合中的第一指标模型有消费金额指标模型和退费金额指标模型,这两个第一指标模型一个是基于退单事实模型单元模型创建的,一个是基于消费人数事实模型单元创建的,是基于不同的事实模型单元创建的。在这种情况下,数据仓库管理平台200判定指标模型集合中的指标模型是否与公共的维度关联(即用于构建消费金额指标模型的维度和用于构建退费金额指标模型的维度是否有交集),例如,数据仓库管理类平台200判定消费金额指标模型和退费金额指标模型都具有用户维度、商品维度、时间维度以及地区维度。
进一步地,数据仓库管理平台200在判定指标模型集合中的指标模型是与公共维度关联的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。例如,第一指标模型“消费金额”和第一指标模型“退费金额”是与公共的维度(例如,用户维度、商品维度、时间维度以及地区维度)关联的,在此情况下,数据仓库管理平台200根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
例如,指标模型集合中的原生指标模型“消费金额”是根据从“订单”事实模型单元选择的度量“金额”创建的。
指标模型集合中的另一原生指标模型“退费金额”是根据从“退单”事实模型中的选择的度量“金额”创建的。“消费金额”和“退费金额”的表达式如下所示:
【消费金额】=SUM(【金额】)+【粒度=用户维度+商品维度+时间维度+地区维度】;
【退费金额】=SUM(【金额】)+【粒度=用户维度+商品维度+地区维度】;
进一步地,利用原生指标模型“消费金额”和“退费金额”创建的派生指标模型“订单履约率”的表达式如下所示:
【订单履约率】=(【消费金额-退费金额】*【消费金额】)+【粒度=用户维度+商品维度+地区维度】。
如上所示,由于创建派生指标模型“订单履约率”的原生指标模型“消费金额”和“退费金额”都是基于不同的事实模型单元(即“订单”事实模型单元和“退单”事实模型)创建的。但是由于这两个事实模型单元都与公共的维度“用户维度”、“商品维度”和“地区维度”关联。因此可以创建该派生指标模型。并且该派生指标模型的最细粒度是由公共维度“用户维度”、“商品维度”和“地区维度”确定的。
此外,如果“订单”事实模型单元和“退单”事实模型没具有公共的维度,这就意味着在利用这两个事实模型单元的维度对数据进行筛选时,得到的数据将是空数据。因此这种情况下将不能创建派生指标模型。
从而确保用于创建第二指标模型的指标模型集合是基于相同的维度模型单元创建的,确保第二指标模型的最细粒度(例如,维度模型单元)是一致的,从而有利于对第二指标模型进行管理,提高管理效率。
此外,参考图14和图15所示,本实施例中提供了第一指标模型和第二指标模型的版本信息,通过将不同版本保存起来,以便业务人员后期跟踪追查。
参考图16所示,本实施例将指标模型分为三层,从下往上分别是:第一层为数据仓库层,数据仓库层是基于维度建模的数据仓库,数据仓库中的元数据包涵业务元数据,业务元数据的描述以星型或雪花型中维度表与事实表为依据。第二层是原生指标模型层,是用于构建和维护原生指标模型的,它是基于第一层数据仓库层提供业务元数据(维度表与事实表) 的基础,从业务角度构建原生指标模型。其中构建原生指标模型一般都有以下过程:1.分析业务需求;2.选择业务过程;3.选择事实模型;4.选择相关度量;5.确定计算表达式;6.确定统计粒度。第三层是派生指标模型层,是用于构建和维护派生指标模型的,它是基于第二层原生指标模型层提供的原生指标模型基础上构建业务所需的派生指标模型,构建派生指标模型一般都有以下过程:1.分析业务需求;2.选择业务过程;3.选择相关原生指标模型;4.确定统计周期;5.确定计算表达式;6.确定统计范围;7.确定统计粒度。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质104。所述存储介质104包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,业务模型单元是独立于数据仓库建立的,从而本实施例中的指标模型也是独立于数据仓库建立的。通过本实施例中构建指标模型的方式,普通的业务人员就可以完成,不需要懂得表结构与表结构之间的关系,也不需要懂得底层的技术,从而节约人力成本。而且由于根据本实施的方法构建的指标模型不受数据仓库中的具体的数据表的限制,因此能够以业务视角去反映指标模型与实际业务之间的关系,并且可以将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库。
进而解决了现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图17示出了根据本实施例所述的基于数据仓库的指标模型管理装置1700,该装置1700 与根据实施例1的第一个方面所述的方法相对应。参考图13所示,该装置1700包括:第一参数信息接收模块1710,用于接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;业务模型单元确定模块1720,用于根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量,其中业务模型单元包含与预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库中且用于构建数据仓库的第一数据表结构绑定;第一指标模型创建模块1730,用于根据所确定的度量,创建第一指标模型;以及绑定对象确定模块1740,用于基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
可选地,第一指标模型创建模块1330包括:第一表达式子模块,用于根据所述第一指标模型参数信息,确定用于定义所述第一指标模型的第一表达式和/或第一统计粒度;以及创建第一指标模型子模块,用于利用所述第一表达式和/或所述第一统计粒度,根据所述度量创建所述第一指标模型。
可选地,确定业务模型单元模块1320,包括:确定子模块,用于根据第一指标模型参数信息,确定与预定业务相关联并且作为业务模型单元的维度模型单元或事实模型单元,其中维度模型单元包括描述用于对预定业务进行分析的维度的字段,以及事实模型单元包括描述与预定业务相关联的事实的字段;以及选择子模块,用于从维度模型单元或事实模型单元选择字段作为度量。
可选地,接收第一参数信息模块1310,包括:接收子模块,用于从远程的终端设备接收第一指标模型参数信息。
可选地,接收第一参数信息模块1310,包括:提供子模块,用于提供设置有第一控件的第一交互界面,其中第一控件用于输入与待创建的原生指标模型相关联的指标模型参数信息;以及响应子模块,用于响应于第一交互界面接收的触发,接收通过第一控件输入的第一指标模型参数信息。
可选地,该装置1300,还包括:接收第二参数信息模块,用于接收用于创建指标模型的第二指标模型参数信息;确定指标集合模块,用于根据第二指标模型参数信息,确定用于创建第二指标模型的指标模型集合;以及创建第二指标模型模块,用于根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
可选地,创建第二指标模型模块,包括:确定第二表达式子模块,用于根据第二指标模型参数信息,确定用于定义第二指标模型的第二表达式;以及创建第二指标模型子模块,用于根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
可选地,还包括:第二物理模型构建模块,用于构建与第二指标模型相关的第二物理模型,并在物理数据库中创建与第二物理模型对应的第二数据表结构;以及绑定模块,用于将第二指标模型与第二物理模型进行绑定,实现第二指标模型与第二数据表结构之间的关联。
可选地,接收第二参数信息模块,包括:接收子模块,用于从远程的终端设备接收第二指标模型参数信息。
可选地,接收第二参数信息模块,包括:提供子模块,用于提供设置有第二控件的第二交互界面,其中第二控件用于输入与待创建的派生指标模型相关联的指标模型参数信息;以及响应子模块,用于响应于第二交互界面接收的触发,接收通过第二控件输入的第二指标模型参数信息。
可选地,创建第二指标模型子模块,还包括:判断单元,用于判断指标模型集合中的指标模型是否是基于相同的事实模型单元创建的,其中事实模型单元包括描述与预定业务相关联的事实的字段;以及创建第二指标单元,用于在判定指标模型集合中的指标模型是基于相同的事实模型单元创建的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
可选地,创建第二指标模型子模块在判定指标模型集合中的指标模型是基于不同的事实模型单元创建的情况下,还包括以下单元:判定单元,用于判定不同的事实模型单元是否与公共的维度关联;以及第二指标模型创建单元,用于在判定不同的事实模型单元与公共的维度关联的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
从而根据本实施例,通过基于数据仓库的指标模型管理装置1700,业务模型单元是独立于数据仓库建立的,从而本实施例中的指标模型也是独立于数据仓库建立的。通过本实施例中构建指标模型的方式,普通的业务人员就可以完成,不需要懂得表结构与表结构之间的关系,也不需要懂得底层的技术,从而节约人力成本。而且由于根据本实施的方法构建的指标模型不受数据仓库中的具体的数据表的限制,因此能够以业务视角去反映指标模型与实际业务之间的关系,并且可以将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库。
进而解决了现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
实施例3
图18示出了根据本实施例的基于数据仓库的指标模型管理装置1800,该装置1800与根据实施例1的第一个方面的方法相对应。参考图18所示,该装置1800包括:处理器1810;以及存储器1820,与处理器1810连接,用于为处理器1810提供处理以下处理步骤的指令:接收用于创建指标模型的第一指标模型参数信息,其中指标模型用于对数据仓库中与预定业务相关的数据进行指标分析;根据第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从业务模型单元的字段中确定与第一指标模型相关的度量,其中业务模型单元包含与预定业务相关的字段,业务模型单元与第一物理模型绑定,以及第一物理模型与设置于物理数据库中且用于构建数据仓库的第一数据表结构绑定;根据所确定的度量,创建第一指标模型;以及基于第一物理模型以及第一数据表结构,确定与第一指标模型绑定的物理模型以及数据表结构。
可选地,根据所确定的度量,创建第一指标模型的操作,包括:根据第一指标模型参数信息,确定用于定义第一指标模型的第一表达式和/或第一统计粒度;以及利用第一表达式和/或第一统计粒度,根据度量创建第一指标模型。
可选地,确定用于创建第一指标模型的业务模型单元并从业务模型单元的字段中确定与第一指标模型相关的度量的操作,包括:根据第一指标模型参数信息,确定与预定业务相关联并且作为业务模型单元的维度模型单元或事实模型单元,其中维度模型单元包括描述用于对预定业务进行分析的维度的字段,以及事实模型单元包括描述与预定业务相关联的事实的字段;以及从维度模型单元或事实模型单元的字段中确定与第一指标模型相关的度量。
可选地,接收第一指标模型参数信息的操作,包括:从远程的终端设备接收第一指标模型参数信息。
可选地,接收第一指标模型参数信息的操作,包括:提供设置有第一控件的第一交互界面,其中第一控件用于输入第一指标模型参数信息;以及响应于第一交互界面接收的触发,接收通过第一控件输入的第一指标模型参数信息。
可选地,存储器1820还用于为处理器1810提供处理以下处理步骤的指令:接收用于创建指标模型的第二指标模型参数信息;根据第二指标模型参数信息,确定用于创建第二指标模型的指标模型集合;根据指标模型集合中的指标模型,创建第二指标模型。
可选地,根据指标模型集合中的指标模型,创建第二指标模型的操作,包括:根据第二指标模型参数信息,确定用于定义第二指标模型的第二表达式;以及根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
可选地,存储器1820还用于为处理器1810提供处理以下处理步骤的指令:构建与第二指标模型相关的第二物理模型,并在物理数据库中创建与第二物理模型对应的第二数据表结构;以及将第二指标模型与第二物理模型进行绑定,实现第二指标模型与第二数据表结构之间的关联。
可选地,接收第二指标模型参数信息的操作,包括:从远程的终端设备接收第二指标模型参数信息。
可选地,接收第二指标模型参数信息的操作,包括:提供设置有第二控件的第二交互界面,其中第二控件用于输入与待创建的派生指标模型相关联的指标模型参数信息;以及响应于第二交互界面接收的触发,接收通过第二控件输入的第二指标模型参数信息。
可选地,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型的操作,包括:判断指标模型集合中的指标模型是否是基于相同的事实模型单元创建的,其中事实模型单元包括描述与预定业务相关联的事实的字段;以及在判定指标模型集合中的指标模型是基于相同的事实模型单元创建的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
可选地,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型的操作,包括在判定指标模型集合中的指标模型是基于不同的事实模型单元创建的情况下,执行以下操作:判定不同的事实模型单元是否与公共的维度关联;以及在判定不同的事实模型单元与公共的维度关联的情况下,根据指标模型集合中的指标模型以及第二表达式,创建第二指标模型。
从而根据本实施例,通过基于数据仓库的指标模型管理装置1400,业务模型单元是独立于数据仓库建立的,从而本实施例中的指标模型也是独立于数据仓库建立的。通过本实施例中构建指标模型的方式,普通的业务人员就可以完成,不需要懂得表结构与表结构之间的关系,也不需要懂得底层的技术,从而节约人力成本。而且由于根据本实施的方法构建的指标模型不受数据仓库中的具体的数据表的限制,因此能够以业务视角去反映指标模型与实际业务之间的关系,并且可以将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库。
进而解决了现有技术中存在的构建指标模型的方法需要了解表结构与表关系,需要专业技术人员才能完成,耗费大量人员成本,并且这种方式受数据仓库中的具体的数据表的限制,不能以业务视角去反映模型与实际业务之间的关系,不能将所构建的指标模型从一个数据仓库进行迁移至其他数据仓库的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM, Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于数据仓库的指标模型管理方法,其特征在于,包括:
接收用于创建指标模型的第一指标模型参数信息,其中所述指标模型用于对所述数据仓库中与预定业务相关的数据进行指标分析;
根据所述第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从所述业务模型单元的字段中确定与所述第一指标模型相关的度量,其中所述业务模型单元包含与所述预定业务相关的字段,所述业务模型单元与第一物理模型绑定,以及所述第一物理模型与设置于物理数据库中且用于构建所述数据仓库的第一数据表结构绑定;
根据所确定的度量,创建所述第一指标模型;以及
基于所述第一物理模型以及所述第一数据表结构,确定与所述第一指标模型绑定的物理模型以及数据表结构。
2.根据权利要求1所述的方法,其特征在于,根据所确定的度量,创建所述第一指标模型的操作,包括:
根据所述第一指标模型参数信息,确定用于定义所述第一指标模型的第一表达式和/或第一统计粒度;以及
利用所述第一表达式和/或所述第一统计粒度,根据所述度量创建所述第一指标模型。
3.根据权利要求1所述的方法,其特征在于,确定用于创建第一指标模型的业务模型单元并从所述业务模型单元的字段中确定与所述第一指标模型相关的度量的操作,包括:
根据所述第一指标模型参数信息,确定与所述预定业务相关联并且作为所述业务模型单元的维度模型单元或事实模型单元,其中所述维度模型单元包括描述用于对所述预定业务进行分析的维度的字段,以及所述事实模型单元包括描述与所述预定业务相关联的事实的字段;以及
从所述维度模型单元或所述事实模型单元的字段中确定与所述第一指标模型相关的所述度量。
4.根据权利要求1所述的方法,其特征在于,还包括:
接收用于创建指标模型的第二指标模型参数信息;
根据所述第二指标模型参数信息,确定用于创建第二指标模型的指标模型集合;
根据所述指标模型集合中的指标模型,创建所述第二指标模型。
5.根据权利要求4所述的方法,其特征在于,根据所述指标模型集合中的指标模型,创建所述第二指标模型的操作,包括:
根据所述第二指标模型参数信息,确定用于定义所述第二指标模型的第二表达式;以及
根据所述指标模型集合中的指标模型以及所述第二表达式,创建所述第二指标模型。
6.根据权利要求4所述的方法,其特征在于,还包括:
构建与所述第二指标模型相关的第二物理模型,并在物理数据库中创建与所述第二物理模型对应的第二数据表结构;以及
将所述第二指标模型与所述第二物理模型进行绑定,实现所述第二指标模型与所述第二数据表结构之间的关联。
7.根据权利要求5所述的方法,其特征在于,根据所述指标模型集合中的指标模型以及所述第二表达式,创建所述第二指标模型的操作,包括:
判断所述指标模型集合中的指标模型是否是基于相同的事实模型单元创建的,其中事实模型单元包括描述与所述预定业务相关联的事实的字段;以及
在判定所述指标模型集合中的指标模型是基于相同的事实模型单元创建的情况下,根据所述指标模型集合中的指标模型以及所述第二表达式,创建所述第二指标模型。
8.根据权利要求7所述的方法,其特征在于,根据所述指标模型集合中的指标模型以及所述第二表达式,创建所述第二指标模型的操作,包括在判定所述指标模型集合中的指标模型是基于不同的事实模型单元创建的情况下,执行以下操作:
判定所述不同的事实模型单元是否与公共的维度关联;以及
在判定所述不同的事实模型单元与公共的维度关联的情况下,根据所述指标模型集合中的指标模型以及所述第二表达式,创建所述第二指标模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1至8中任意一项所述的方法。
10.一种基于数据仓库的指标模型管理装置(1700),其特征在于,包括:
第一参数信息接收模块(1710),用于接收用于创建指标模型的第一指标模型参数信息,其中所述指标模型用于对所述数据仓库中与预定业务相关的数据进行指标分析;
业务模型单元确定模块(1720),用于根据所述第一指标模型参数信息,确定用于创建第一指标模型的业务模型单元,并从所述业务模型单元的字段中确定与所述第一指标模型相关的度量,其中所述业务模型单元包含与所述预定业务相关的字段,所述业务模型单元与第一物理模型绑定,以及所述第一物理模型与设置于物理数据库中且用于构建所述数据仓库的第一数据表结构绑定;
第一指标模型创建模块(1730),用于根据所确定的度量,创建所述第一指标模型;以及
绑定对象确定模块(1740),用于基于所述第一物理模型以及所述第一数据表结构,确定与所述第一指标模型绑定的物理模型以及数据表结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478879.6A CN113742311A (zh) | 2020-05-29 | 2020-05-29 | 基于数据仓库的指标模型管理方法、存储介质和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478879.6A CN113742311A (zh) | 2020-05-29 | 2020-05-29 | 基于数据仓库的指标模型管理方法、存储介质和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742311A true CN113742311A (zh) | 2021-12-03 |
Family
ID=78725044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010478879.6A Pending CN113742311A (zh) | 2020-05-29 | 2020-05-29 | 基于数据仓库的指标模型管理方法、存储介质和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742311A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150149439A1 (en) * | 2012-05-31 | 2015-05-28 | The University Of Tokyo | Analysis system, computer system, and analysis method |
CN107038512A (zh) * | 2016-02-03 | 2017-08-11 | 中国电力科学研究院 | 一种指标体系建立方法 |
CN108733713A (zh) * | 2017-04-21 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 数据仓库中的数据查询方法及装置 |
CN109062992A (zh) * | 2018-07-03 | 2018-12-21 | 深圳市前海数据服务有限公司 | 一种经济数据分析方法及*** |
CN110647549A (zh) * | 2019-09-29 | 2020-01-03 | 北京卓信智恒数据科技股份有限公司 | 基于业务动态建模的数据指标解析与执行方法和装置 |
CN110781205A (zh) * | 2019-09-12 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种基于jdbc的数据库直查方法、装置及*** |
-
2020
- 2020-05-29 CN CN202010478879.6A patent/CN113742311A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150149439A1 (en) * | 2012-05-31 | 2015-05-28 | The University Of Tokyo | Analysis system, computer system, and analysis method |
CN107038512A (zh) * | 2016-02-03 | 2017-08-11 | 中国电力科学研究院 | 一种指标体系建立方法 |
CN108733713A (zh) * | 2017-04-21 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 数据仓库中的数据查询方法及装置 |
CN109062992A (zh) * | 2018-07-03 | 2018-12-21 | 深圳市前海数据服务有限公司 | 一种经济数据分析方法及*** |
CN110781205A (zh) * | 2019-09-12 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种基于jdbc的数据库直查方法、装置及*** |
CN110647549A (zh) * | 2019-09-29 | 2020-01-03 | 北京卓信智恒数据科技股份有限公司 | 基于业务动态建模的数据指标解析与执行方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Internet-of-things enabled supply chain planning and coordination with big data services: Certain theoretic implications | |
Han et al. | Artificial intelligence in business-to-business marketing: a bibliometric analysis of current research status, development and future directions | |
CN111125560B (zh) | 数据可视化处理方法、装置及计算机*** | |
Cheung et al. | A quantitative correlation coefficient mining method for business intelligence in small and medium enterprises of trading business | |
Daaboul et al. | Value network modelling and simulation for strategic analysis: a discrete event simulation approach | |
US20130085813A1 (en) | Method, Apparatus and Computer Program Product for Providing a Supply Chain Performance Management Tool | |
US20200311657A1 (en) | Supply chain optimization and inventory management system | |
CN103858118A (zh) | 在网络计算环境中动态地获得计算资源 | |
CN103870129A (zh) | 一种应用***集群的数据处理方法和装置 | |
CN104102670A (zh) | 绩效指标分析框架 | |
CN103116827A (zh) | 农网工程管控*** | |
CN117454278A (zh) | 一种标准企业数字化规则引擎的实现方法和*** | |
CN107169668A (zh) | 一种数据处理方法、装置及*** | |
Aytulun et al. | Business process modelling with stochastic networks | |
Zhang et al. | Comprehensive understanding of smart product service system from multi-dimension and multi-perspective: an innovative service model for Customer-product Interaction Life Cycle (CILC) | |
CN109146422B (zh) | 项目包生成方法、装置及存储介质 | |
US20040143488A1 (en) | System and method for integration of actual product costs | |
WO2020024270A1 (en) | Supply chain management system and method | |
CN113806391A (zh) | 基于数据仓库构建主题模型的方法、装置以及存储介质 | |
CN113742311A (zh) | 基于数据仓库的指标模型管理方法、存储介质和装置 | |
US7461019B2 (en) | System and method for integration of material costs of a product | |
CN109816558B (zh) | 基于saas的变压器技术服务平台*** | |
Zhang et al. | Optimal product service system configuration considering pairing utility and uncertain customer behavior | |
CN112000723B (zh) | 一种企业信息管理装置及其应用 | |
Chalyvidis et al. | A method for measuring supply chain interoperability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |