企业级数据模型概要

成功的信息管理始于最佳的数据库设计，最佳的数据库设计来自最佳的企业数据模型。可重用的企业数据模型是企业节省成本和降低实施难度的关键环节。成功的企业数据模型有利于提高企业产品质量和提高生产力，有利于分享结果和提高数据标准的执行能力。企业数据模型能够为业务人员提供一个图形化的展示；是连接业务专家和技术专家的桥梁；能够建立业务需求的共识和协议；是建立关于公司的数据资产的知识基础；能够使不同业务处理和系统之间的数据实现整合和共享。     

中国银行云架构下的运维管理转型实践

近年来,中国银行正在积极推动数字化转型,通过夯实云计算、大数据和人工智能三大技术平台,支撑银行企业级业务架构和技术架构的融合,赋能金融科技生态建设。中国银行西安、合肥云中心已正式投入运营,内蒙云中心也即将投入使用,提供私有云IaaS、PaaS、大数据、人工智能等基础服务,并在此基础上通过应用架构的分布式改造,积极推进敏捷管理思路,实践业务系统在多地多中心部署运维,取得了良好的成效。     

智慧化转型引领高质量发展,交通银行2019年报出炉

23月27日,交通银行发布2019年全年业绩。报告期内,集团实现净利润人民币772.81亿元,同比增长4.96%;资产总额达人民币9.91万亿元,较上年末增长3.93%。2019年交通银行将“科技赋能”上升至瞧团战略层面,IT架构转型、IT管理架构优化、数据治理提升是交行金融科技战略的三大重点,主要是:以加快建成数字化、智慧化平台体系为目标,推动技术架构由集中式向分布式转型;以业务与技术深度融合为目标,打造敏捷迭代、快速研发的IT管理架构;以充分释放数据价值为目标,深耕数据治理专项提升工程。     

搭建金融业数据集成平台

数据集成主要是指基于企业分散的信息系统业务数据进行再集中、再统一管理的过程。如何正确搭建适合金融企业的数据集成平台？企业要实现数据集成的应用，不仅要考虑企业急需集成的数据范围，还要从长远发展考虑数据集成的架构、能力和技术等因素。从数据集成应用的系统部署、业务范围和实施成熟性看，数据集成主要可分3种架构：单个系统数据集成架构、企业统一数据集成架构、机构之间数据集成架构。     

保险业信息系统的数据标准化

非标准的数据会给系统开发和运维带来困难，保险企业信息系统需要一个标准化的数据平台作为支撑。数据标准化显得尤为得要，需要制订一个标准去标准数据。标准的制订分为4个阶段：收集阶段、分析阶段、制定阶段、验证阶段。用数据模型来展现标准化的数据。UML的类图是描述标准化数据的推荐方式。采取先标准化数据而不改动现有系统的方式建立标准化的数据平台。标准化的数据和数据模型将是保险公司的核心竞争力之一。     

数据仓库模型建设思路与方法

数据仓库建设是围绕数据模型展开的,数据模型是数据仓库建设的框架、主线和灵魂,是数据仓库最鲜明的特征,优秀的数据模型是数据仓库的核心竞争力。为保证数据仓库建设的顺利开展,农业银行启动了数据模型研究工作。数据模型研究小组立足于行内基础数据平台及     

数据仓库中的逻辑数据模型

在数据仓库项目中，我们常常需要进行数据整合，即将企业不同业务系统的数据进行抽取、清洗、转换，最后变成可以进行数据分析的企业基础数据集。逻辑数据模型（以下简称LDM）就是企业基础数据的一部分，它是企业数据资产的全面的、准确的描述，是数据整合的核心或目的。数据整合就是将不同来源的数据整合到一个统一定义、统一形式的LDM中。     

刍议商业银行企业级数据模型的构建

构建企业级数据模型,对于完善商业银行数据标准体系,促进不同业务处理和系统之间的数据整合和共享具有重要意义。本文对企业级数据模型的概念、结构及特征作了简要介绍,并结合我国商业银行的实际情况,对企业级数据模型的几个常见主题进行了初步探讨,再从实际工作出发对模型开发、实施和维护提供了建议。     

数据仓库建模三步曲

在数据仓库系统中，如何对海量数据进行有效组织和管理，并使之支持干变万化的分析型管理业务需求，主要依赖于数据仓库系统逻辑数据模型(Logical Data Model，简称LDM)的设计。逻辑数据模型的设计优劣程度直接决定数据仓库系统建设目标的实现。     

数据架构管理“三步曲”

在金融信息化过程中,数据架构管理占据重要地位,发挥着重要作用。数据架构管理应着力于金融监管部门和金融机构的数据资源,从支持业务架构和应用架构的层面分析数据分布要素、估算数据容量、定义数据管理和维护策略与原则,进而提出金融业信息化标准体系以及     

农业银行分行基础数据平台的设计与实现

由于以往的开发模式,农业银行各分行分析型应用系统存在系统架构、数据模型、数据标准不统一的问题。移植其他分行的分析型应用系统存在很大困难,分行之间难以共享系统开发成果。为了解决这一问题,农业银行总行启动了分行基础数据平台项目。分行基础数据平台采用数据仓库建模方法,在分行部署模型统一、标准统一的数据平台。为了适应分行分析性应用需求个性化、源系统多样化、管理要求多元化的特点,分行基础数据平台覆盖多个关键源系统的数据,     

基于SAN技术的银行集中存储方案

随着金融信息化建设的进一步深化,银行信息数据急剧膨胀,单一的存储技术,如磁盘、光盘、R A ID技术等已经很难满足用户的需求,数据存储面临着前所未有的挑战,因此,金融业需要一个高效、稳定的存储体系架构来保证业务的飞速增长。同时,越来越复杂的网络环境对存储技术的要求也越     

自助设备交易平台及控管分析系统的建设

长期以来，由于商业银行核心业务系统数据的分布部署，致使银行内各地区的自助设备交易系统大多采取自行设计、自行开发的模式，从而造成自助设备交易流程不统一、客户服务界面不统一、各地区行业务发展不均衡等现象，不利于业务功能的拓展、设备的集中采购。国内各商业银行核心业务系统数据全国集中项目的完成及科技应用体系架构的不断改进，为自助设备交易平台及控管分析系统的统一建设提供了良好的契机。本文以数据大集中为背景，从信息技术角度简要阐述了自助设备交易平台及控管分析系统技术方案的设计及架构。     

数据模型

正数据模型是信息系统数据架构设计中最重要的组成部分之一,直接关系到信息是否有价值,或者有多高价值。本期主要介绍数据模型的概念、模型层次、主要的数据模型以及如何建立不同层次的数据模型等内容,并辅以实例分析说明。信息系统是对信息进行收集、传递、存贮、加工、维护的计算机系统。通过信息系统,信息已经变为有标准有规律有组织的数据(数据库)。数据是信息的记录载体,是经过加工并使之可表现的信息;信息是数据中包含的意义,是数据之所以有价值的内容。所以,信息系统通     

构筑七层结构的数据仓库

数据仓库是一个面向主题的、集成的、随时变化的数据集合,它支持管理部门的决策过程。广义而言,数据仓库是一个数据库,它与组织机构的操作数据库分别维护。数据仓库系统将各种应用集成在一起,为统一的历史数据分析提供坚实的平台,对信息处理提供支持。 数据仓库涉及的主要技术包括异种数据提取、数据清洗、数据变换、数据归约、数据立方体、在线分析及模式可视化。 数据仓库的数据模型与操作数据库的数据模型     

做好系统初始化数据工作 切实减少数据质量隐患

从2004年开始，人民银行总行明确了业务系统向省和总行数据集中的建设方向。数据集中信息系统（以下简称集中系统）与人行过去采用的分布式信息系统有很大的不同。日前，分支行大多数技术和业务人员对集中系统的认识和知识不足，集中系统的推广基本上是分支行被动接收过程，工作主动性不强。由于采用了数据集中模式和新的技术架构，业务影响面大，技术保障的要求更高。     

数据仓库实践问题浅析

提到数据仓库的建设方法，自然离不开自顶向下、自底向上两种方法的对比和讨论。这里不再赘述两的概念和优缺点。目前多数人倾向两结合的方法，即首先划分出数据仓库主要的几个主题区域，逐一划分数据内容和基本的数据模型，形成数据仓库的总体框架，然后在此框架的指导下，根据各部门的业务需求，     

数字金融时代央行数据架构浅析

2020年新冠疫情席卷全球,给各行各业都带来巨大冲击,为应对疫情,金融机构借助新技术将大部分业务进行线上化迁移,实现金融业务"非接触、云上办".疫情的突发加速了数字金融时代的到来,推动我国数字金融进入高质量发展阶段.如何在数字金融时代来临时及时调整策略,保障金融监管的有效性,维护社会经济金融持续稳定发展,是中央银行面临的新形势和新挑战.本文从数字金融发展对金融行业的影响分析着手,阐述央行数据架构的基本情况并分析当前存在的问题,对数字金融的大趋势下如何解决这些问题给出相关意见和建议,以期为央行优化数据架构、深挖数据价值、进一步提升履职效能提供参考.     

如何建设基础逻辑数据模型

逻辑数据模型（Logic Data Model，LDM）是一种图形化的展现方式，一般采用面向对象的设计方法，有效组织来源多样的各种业务数据，使用统一的逻辑语言描述业务。借助相对抽象、逻辑统一且结构稳健的结构，实现数据仓库系统所要求的数据存储目标，支持大量的分析应用，是实现业务智能的重要基础，同时也是数据管理分析的工具和交流的有效手段。     

如何给数据仓库建模

一个设计良好，适应现状的数据模型是整个数据仓库环境的核心。数据仓库所要解决的业务问题、面向的用户都与传统的交易系统不同，所以导致了其数据模型的设计也与传统的交易系统差别很大；另一方面所采用的数据模型很大程度上决定了系统的功能和性能，所以从事数据仓库建设的管理人员和技术人展都必须高度重视数据模型设计环节。