操作型数据存储区

http://jingh3209.blog.163.com/blog/static/156966720091054453352/

操作型数据存储区（ODS，Operational Data Store），是为了弥补业务系统和数据仓库之间的数据同步差距而提出的，要解决的问题："对一个特定的业务流程来说，怎么才能提供最新的、跨功能部门之 间的信息"，例如对客户服务人员，他需要销售、库存、市场和研发等各部门的最新数据，而这些数据原来是分散在不同部门的不同应用系统的；如果通过数据仓库 来实现数据集成，则实时性难以保证，或者建设成本很高。

ODS是数据仓库体系结构中的一个可选部分，ODS具备数据仓库的部分特征和OLTP系统的部分特征，它是"面向主题的、集成的、当前或接近当前 的、不断变化的"数据，同数据仓库类似，ODS也是面向主题的、集成的，但是其最大特点是数据是可更新的，甚至由业务系统通过触发器直接更新。因 此，ODS是业务系统和DW之间更偏向业务系统的数据存储区域。

一般在带有ODS的系统体系结构中，ODS都设计为如下几个作用。

1．在业务系统和数据仓库之间形成一个隔离层

一般的数据仓库应用系统都具有非常复杂的数据来源，这些数据存放在不同的地理位置、不同的数据库、不同的应用之中。从这些业务系统对数据进行抽取并 不是一件容易的事。因此，ODS用于存放从业务系统直接抽取出来的数据，这些数据从数据结构、数据之间的逻辑关系上都与业务系统基本保持一致。因此在抽取 过程中极大地降低了数据转化的复杂性，而主要关注数据抽取的接口、数据量大小、抽取方式等方面的问题。

2．转移一部分业务系统细节查询的功能



在数据仓库建立之前，大量的报表、分析是由业务系统直接支持的，在一些比较复杂的报表生成过程中，对业务系统的运行产生相当大的压力。ODS的数据 从粒度、组织方式等各个方面都保持了与业务系统的一致，那么原来由业务系统产生的报表、细节数据的查询自然能够从ODS中进行，从而降低业务系统的查询压 力。

3．完成数据仓库中不能完成的一些功能

一般来说，在带有ODS数据仓库体系结构中，DW层所存储的数据都是汇总过的数据，并不存储每笔交易产生的细节数据。但是在某些特殊的应用中，可能 需要对交易细节数据进行查询，这时就需要把细节数据查询的功能转移到ODS来完成，而且ODS的数据模型按照面向主题的方式进行存储，可以方便地支持多维 分析等查询功能。

在一个没有ODS层的数据仓库应用系统体系结构中，数据仓库中存储的数据粒度是根据需要而确定的，但一般来说，最为细节的业务数据也是需要保留的， 实际上数据的内容也就相当于ODS。但与ODS所不同的是，这时的细节数据不是"当前、不断变化的"数据，而是"历史的，不再变化的"数据。ODS可以和 DW形成互补的整体，构成完整的战术决策支持系统架构，然而需要注意的是，数据抽取，要么抽取到ODS中，要么抽取到DW中，不能同时都抽取；而DW会定 时到ODS进行数据抽取，这就是一个关键的ETL设计准则：即应用"Single Source Population"（单源传播），以保证数据在ETL过程中的一致性。

利用ODS＋DW实现战术决策支持有其非常直观的优势：利用ODS实现实时或者准实时的数据抽取，而且ODS的数据量不大，可以比较高效地进行数据的修改和更新，并且可以提高查询的效率。而利用数据仓库的海量存储，可以实现历史数据的查询，实现战略决策支持。

但是，这种方式也有很明显的劣势：由于ODS和DW的结构和模型是不同的，这需要进行不同的系统和数据模型设计，也需要不同的系统维护过程，这就相应地增加了系统的使用成本。