随着电子计算机技术的发展与普及,大数据时代也随之到来。数据技术的不断发展使得各行各业对数据的重视程度与日俱增。企业在生产运营中产生且需要保存的数据也呈现出了爆发式的增长,除了传统的结构化数据外还包括非结构化数据,数据量从原来的GB级别向PB级别增加。同时随着云计算的出现,云存储技术成为了企业存储海量数据的重要途径。我国的传统制造业所涉及的业务范围极广,GDP贡献占比很高,但是传统制造行业利用云计算等电子信息技术进行企业数字化变革的进程稍慢。尤其是传统汽车行业,其业务范围包括汽车的生产、零部件采购、汽车销售与汽车售后的保养维修。这些领域不仅与每个人的生活息息相关,还为国家GDP发展做出了巨大贡献。汽车行业整个的业务流程会产生巨大的数据量,但是如何高效的存储并且使用这些数据,整个行业并没有一个统一的方式。本文以D汽车企业为案例,对其业务流程进行深入的分析:D汽车企业在实际的运营中业务侧每天都需要大量的数据作为管理决策的支撑,虽然D汽车企业已经在数据自动化方面有了一定的基础,但是对于车辆销售与售后部分同源异构数据的保存与管理还没有一个很好的方式。业务侧很多的数据需求是利用手工计算的方式实现的,很多指标每个月或者每个季度的计算逻辑一致只是时间范围不同,而且多源异构数据的提取也增加了工作难度。因此业务侧在计算数据指标时工作内容繁琐且重复,工作效率低下。如何更加高效便捷的利用数据给业务侧提供支持是D汽车企业面临的主要难题。鉴于以上的调查研究,本论文将为D汽车企业搭建一个企业级的数据平台来汇总D汽车企业同源异构数据,并根据这些汇总数据计算出业务侧需要的数据指标。此数据平台的搭建以数据湖理论为基础,采用数据仓库与数据分析技术相结合的方式进行平台开发。整个的开发框架基于微软的Azure,数据存储基于HD Insight的Hive数据仓库,在Databricks上进行代码开发工作。具体流程为:首先梳理D汽车企业的业务流程,结合具体业务侧的需求整理相关的业务指标,即KPI。然后根据梳理好的KPI逻辑通过ETL技术对数据湖进行分层操作,数据在数据湖不同层中流转完成整个生命周期,最终得到业务部门所需要的KPI。最后结合Power Bi技术,将所有KPI数值进行可视化展示。最终得到包含不同业务模块不同KPI的数据看板,并且实现KPI数值的自动刷新功能。为业务侧的决策提供支持。