方法/步骤
大学毕业以及继续教育
在我所进行的对大数据项目经理职位的研究中，遇到的许多大数据项目经理职位的前提条件是运筹学、理科或者工程学硕士或者博士。如果由于项目时间和预算限制，无法立即获得大学教育，那么是时候需要寻找大数据和供应商教育相关的不断增长的大学课程。
培训和专业开发管理经验
在一些大城市地区，仅拥有大数据毕业和继续教育知识是无法跟上需求，因此具有培训背景的项目经理可以为其组织在创建大数据内部培训发挥重要的作用。项目经理还需要管理其大数据团队的继续教育和专业开发，确保员工和整体努力的顺利。当预算时间恢复时，表示培训需求成为大数据培训产生良好经营效果的巨大挑战。
过程开发经验
大数据需要当前软件开发寿命周期(SDLC)和其它相关的过程，例如实现进行改变。具备过程开发经验的项目将在组织现有过程应用到大数据上时发挥重要作用。本过程工作需要领导，当大数据进入样机研究阶段时以确保大数据项目转换为生产。
为了进行大数据开发进行风险消减设计时，需要更多的过程开发和项目管理技术，而非仅涉及项目交付过程。
交叉功能团队管理经验
大数据项目团队与你以往所带领的传统软件开发或者工程团队不尽相同。大数据项目团队包括多学科人才，如工程设计、 *** 作、业务分析甚至电力用户。团队的核心任务是使所有数据有意义如果你领导某一大数据项目，你必须领导多专业人才顺利实现该目标。
市场营销和销售技术
随着大数据的潜在变化以及新业务出现，为了完成大数据项目经理工作，你需要市场营销和销售技术。很容易在大数据分析中迷失，但是面向客户任务的项目经理，应能够帮助处理建议、销售表示以及客户简报。还有经典的咨询销售电话，项目经理伴随公司销售并向潜在客户介绍其大数据技术解决方案。另外，大数据团队还必须销售其服务，并判断其背后的投资以结合从大数据中受益的管理和部门。
科技技术和性能
项目经理在进入大数据开始解决，团队中每名成员需要逐个传递。大数据当前状态还需要大量经验，这是为什么项目经理需要至少具备一些技术技能的另一原因。这些技术技能可能来自之前的经验(大数据项目经理可选自公司经营或者技术部门)，并根据内部培训和厂家培训创建。
大数据为经验丰富的项目经理提供了许多机会，在创建大数据基础过程中发挥工具作用，并培养一支具有融合计划和经营实践的尖端团队。
咨询技术
具备咨询内部和外部客户解决方案背景和经验的项目经理可以在大数据世界中找到归属。随着大数据如此广泛的开放，项目经理需要监督企业数据管理、数据库、经营信息不断出现的领域，并能够向客户和上层管理咨询大数据发展方向以及在经营和项目中如何发挥大数据的优势。你还能够在建议可选择数据管理方案、内部项目和外部客户策略中发挥作用。
1、首先你得搞清楚建设数仓的目的是什么
是偏向于整合各系统数据，为数据分析决策服务，还是偏向于快速的完成分析决策需求？
如果是前者，那么在数据仓库建模的时候一般会选择ER建模方法；
如果是后者，一般会选择维度建模方法。
ER建模：即实体关系建模，由数据仓库之父BIll Inmon提出，核心思想是从全企业的高度去设计三范式模型，用实体关系描述企业服务。主张的是自上而下的架构，将不同的OLTP数据集中到面向主题的数据仓库中。
维度建模：由Kimball提出，核心思想是从分析决策的需求出发构建模型。这种模型由事实表和维表组成，即星型模型和雪花模型。Kimball倡导自下而上的架构，可以针对独立部门建立数据集市，再递增的构建，汇总成数据仓库。
2、其次你得进行深入的业务调研和数据调研
业务调研：深入的业务调研能使你更加明确数仓建设的目的；同时也利于后续的建模设计，随着调研的开展，如何将实体业务抽象为数仓模型会更加明朗。
数据调研：各部门或各科室的数据现状了解，包括数据分类、数据存储方式、数据量、具体的数据内容等等。这对后续的主数据串联或者维度一致性处理等等都是必须的基础。
3、然后是数据仓库工具选型
传统型数据仓库：一般会选择第三方厂家的数据库和配套ETL工具。因为有第三方支持，相对有保障；但缺点也很明显，受约束以及成本较高。
NoSQL型数据仓库：一般是基于hadoop生态的数据仓库。hadoop生态已经非常强大，可以找到各种开源组件去支持数据仓库。缺点是需要招聘专门人士去摸索，并且相对会存在一些未知隐患。
4、最后是设计与实施
设计：包括数据架构中的数据层次划分以及具体的模型设计；也包括程序架构中的数据质量管理、元数据管理、调度管理等；
实施：规范化的项目管理实施，但同时也需记住一点，数据仓库不是一个项目，它是一个过程。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）