莱斯特大学信息系统与数据管理指南

企业依赖数据并需要控制硬件和软件系统来做出决策。了解有关管理信息系统的更多信息以及如何开始学习。

管理信息系统(MIS)是对信息系统的研究和应用，组织利用信息系统来访问、管理和分析数据。要做到有效，管理信息系统需要了解业务流程并对其进行仔细规划。数据必须准确、及时，硬件和软件必须能够存储和处理这些数据。

一个好的管理信息系统取决于开发、实施和使用它的人员。如果您正在考虑从事管理信息系统方面的工作，请阅读我们撰写的莱斯特大学信息系统与数据管理指南。

一、什么是管理信息系统?

管理信息系统是一种为管理人员提供决策所需的信息的系统。管理信息系统从不同来源收集数据，并将其处理成符合管理人员及其员工需要的信息。

尽管企业使用不同类型的系统，但它们都有一个共同的目标：为管理人员提供所需的信息，以便他们做出更好的决策。在当今瞬息万变的商业世界中，获取准确及时的信息是成功的关键。有了管理信息系统，管理者就可以跟踪业绩，识别趋势，并就资源分配做出明智的决策。

二、数据管理功能的类型

构成整个数据管理流程的各个学科涵盖一系列步骤，从处理和存储数据到管理如何在操作和分析系统中格式化和使用数据。开发数据架构通常是第一步，尤其是在需要管理大量数据的大型企业中。数据架构为如何管理数据以及如何实施数据库和其他数据平台(包括为个别应用定制的特定技术)提供了蓝图。

数据库是存储业务数据最常用的平台。它们包含一系列数据，这些数据经过整理，便于访问、更新和管理。数据库既可用于生成业务数据(如客户记录和销售订单)的事务处理系统，也可用于存储来自业务系统的综合数据集以进行商业智能和分析的数据仓库。

这使得数据库管理成为一项集中的数据管理功能。数据库创建后，必须进行性能监控和调整，以保持用户从数据库中存储的数据检索信息时查询的可接受响应时间。其他管理任务包括设计、配置、安装和更新数据库、数据安全、数据库备份和恢复、软件更新和安全补丁。

用于实施和管理数据库的主要技术是数据库管理系统(DBMS)，它是一种软件，充当其管理的数据库与数据库管理员(DBA)、最终用户和使用这些数据库的应用程序之间的接口。数据库的替代数据平台包括文件系统和基于云的对象存储服务，它们存储数据的结构化程度低于普通数据库，在可存储的数据类型和数据格式方面具有更大的灵活性。不过，它们并不适合事务性应用。

其他核心数据管理学科包括

a.数据建模：描述数据元素之间的关系以及数据如何在系统间流动;

b.数据整合，将来自不同数据源的数据整合起来，用于操作和分析目的;

c.数据管理：定义政策和程序，确保整个组织的数据保持一致;

d.数据质量管理，旨在消除数据中的错误和不一致;以及

例如，主数据管理(MDM)，为客户和产品创建通用参考数据集。

三、数据管理工具和技术

数据管理过程中可以使用不同的技术、工具和技术。 以下是数据管理不同方面的选择。

1.数据库管理系统

最常见的数据库管理系统是关系数据库管理系统。在关系数据库中，数据被组织在包含数据库记录的行和列的表中。不同表中的相关记录可以使用主键和外键进行链接，以避免重复数据。关系数据库使用 SQL 编程语言和严格的数据模型开发，最适合结构化事务数据。再加上对 ACID 事务属性(如原子性、一致性、隔离性和持久性)的支持，使其成为事务性应用的最佳选择。

不过，也出现了适用于各种数据工作负载的其他类型 DBMS 技术。其中大多数可归类为 NoSQL 数据库，它们对数据模型和数据库模式没有严格的要求。因此，它们可以存储非结构化和半结构化数据，如传感器数据、网络点击流记录以及网络、服务器和应用程序日志。

NoSQL 系统主要有四种类型：

文档数据库，数据元素存储在类似文档的结构中;

键值数据库，将唯一键及其相关值结合在一起。

列式数据库，表格包含许多列，以及

图数据库，将相关数据元素以图的形式组合在一起。

虽然 NoSQL 数据库不是基于 SQL，但其中许多都支持 SQL 元素，并提供一定程度的 ACID 合规性。

数据库和 RDBMS 的其他特点包括内存数据库(数据存储在服务器内存而不是磁盘上，以加快输入和输出操作)和用于分析应用的列式数据库。在关系型系统和 NoSQL 系统之前出现的分层数据库目前仍可在大型机上使用。用户可以在企业内部或云计算系统中部署数据库。此外，各种数据库供应商还提供托管云数据库服务，为用户管理数据库的安装、配置和管理。

2.大数据管理

NoSQL 数据库通常用于大数据部署，因为它们可以存储和管理不同类型的数据。大数据环境也通常使用开源技术构建，如 Hadoop(一种基于文件的分布式数据处理系统，可在商品服务器集群上运行);相关的 HBase 数据库;Spark 数据处理引擎;以及 Kafka、Flink 和 Storm 流数据处理平台。大数据系统越来越多地使用亚马逊简单存储服务(S3)等对象存储部署在云中。

3.数据仓库和数据湖

用于处理分析数据的两种最广泛的数据仓库是数据仓库和数据湖。比较传统的方法通常基于关系数据库或列式数据库，存储从不同操作系统收集的结构化数据，并准备用于分析。数据仓库的主要用途是商业智能查询和企业报告，使业务分析师和经理能够分析销售、库存管理和其他关键绩效指标(KPI)。

企业数据仓库包含来自企业各业务系统的数据。在大公司中，拥有自主管理权的各个子公司和业务单位可以创建自己的数据仓库。数据仓库的另一个变种是较小版本的数据仓库，其中包含针对特定部门或用户组的组织数据子集。在一种部署方法中，现有的数据仓库被用来创建不同的数据仓库;在另一种方法中，数据仓库首先被创建，然后用来填充数据仓库。

数据湖则存储大量数据，用于预测建模、机器学习和其他高级分析应用。最初主要在 Hadoop 集群上构建的 S3 和其他基于云的对象存储服务正越来越多地用于部署数据湖。有时，数据湖也会部署在 NoSQL 数据库上，不同的平台可以组合在一个分布式数据湖环境中。 数据可以在添加时进行分析处理，但数据湖通常包含按原样存储的原始数据。在这种情况下，数据科学家和其他分析师通常会为特定的分析用途进行自己的数据准备工作。

用于存储和处理分析数据的第三个平台选项也出现了：数据湖屋。顾名思义，它结合了数据湖和数据仓库的元素，将数据湖灵活的数据存储、可扩展性和较低的成本与数据仓库的查询功能和更严格的数据管理结构相结合。

4.数据集成

最广泛使用的数据集成方法是提取、转换和加载(ETL)，即从源系统中提取数据，将其转换为一致的格式，然后将合并后的数据加载到数据仓库或其他目标系统中。不过，数据集成平台现在支持多种其他集成方法。其中包括 "提取、加载和转换"(ELT)，这是 ETL 的一种变体，在将数据加载到目标平台后保留其原始形式。ELT 是数据湖和其他大数据系统中常见的数据集成方法。

ETL 和 ELT 是按计划间隔执行的串行集成流程。数据管理团队还可以使用数据变更捕获(将数据库中的数据变更应用到数据仓库或其他存储库)和流数据集成(连续集成实时数据流)等技术执行实时数据集成。数据虚拟化是另一种集成方法，它使用抽象层为终端用户提供跨不同系统的虚拟数据视图，而不是将数据实际上传到数据仓库。

5.数据建模

数据建模人员创建概念、逻辑和物理数据模型，直观地记录数据集和工作流程，并将其映射到事务处理和分析的业务需求。常见的数据建模技术包括为不同类型的模型实体创建关系图、数据映射和模式。数据模型经常需要随着新数据源的添加或组织信息需求的变化而更新。

6.数据管理、数据质量和 MDM

数据管理主要是一个组织流程，虽然有软件产品可以帮助管理数据管理应用程序，但这并不是强制性的。数据管理计划可由数据管理专家领导，但通常包括一个由业务领导者组成的数据管理委员会，共同确定通用数据定义以及数据创建、格式化和使用的企业标准。

治理计划的另一个重要方面是数据治理，它负责监督数据集，确保最终用户遵守已批准的数据政策。根据企业规模和治理计划的范围，数据管理员可以是全职或兼职员工。数据管理员也可能是业务运营或 IT 部门的一部分，在这两种情况下，他们通常都需要熟悉需要监控的数据。

数据治理与数据质量改进工作密切相关：确保高水平的数据质量是有效数据治理的关键组成部分，而记录组织数据质量改进情况的指标对于向业务部门展示治理计划的价值至关重要。不同软件工具支持的主要数据质量方法有

a.数据剖析：检查数据集，找出可能存在错误的异常值;

b.数据清理，又称数据清洗：通过修改或删除错误数据来纠正数据错误。

c.数据验证：根据预定义的质量规则检查数据。

主数据管理也与数据治理和数据质量管理有关，但 MDM 并不像这些领域那样普遍，部分原因是 MDM 计划非常复杂，通常只适用于大型组织。MDM 为选定的数据域创建中央主数据寄存器，通常称为 "黄金记录"。主数据存储在 MDM 中心，这些中心将数据输入分析系统，以确保一致的企业报告和分析。如有必要，中心还可将更新的主数据发回源系统。

数据监控是一种新的流程，它可以补充数据质量和数据管理措施，提供更全面的组织数据状况。数据监控是从监控 IT 系统的实践中改编而来，通过监控数据管道和数据集来发现需要解决的问题。数据监控工具可用于自动化监控、警报和根本原因分析程序，并规划和确定问题解决工作的优先级。

海马课堂专业课程辅导，3500+严选硕博学霸师资，针对学生的薄弱科目和学校教学进度，匹配背景相符的导师，根据学生情况进行1V1专属备课，上课时间灵活安排，中英双语详细讲解课程中的考点、难点问题，并提供多方位的课后辅导，辅助学生掌握全部课程知识，补足短板。