数据仓库总结.doc

《数据仓库总结.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、·数据仓库（DataWarehouse）是一个面向主题的（SubjectOriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（TimeVariant）的数据集合，用于支持管理决策。·数据仓库的特点–面向主题–集成–相对稳定–反映历史变化数据仓库是一个面向主题的、集成的、不可更新的、随时间不断变化的数据集合，它用于支持企业或组织的决策分析处理。数据仓库，DataWarehouse，可简写为DW。　　数据仓库之父BillInmon在1991年出版的“B

2、uildingtheDataWarehouse”一书中所提出的定义被广泛接受——数据仓库（DataWarehouse）是一个面向主题的（SubjectOriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（TimeVariant）的数据集合，用于支持管理决策(DecisionMakingSupport)。　　◆面向主题：操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织的。　　◆集成的：数

3、据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。　　◆相对稳定的：数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。　　◆反映历史变化：数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓

4、库的时点)到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。从功能结构化分，数据仓库系统至少应该包含数据获取（DataAcquisition）、数据存储（DataStorage）、数据访问（DataAccess）三个关键部分。发展阶段：数据仓库的架构1.数据源：他是数据仓库的基础，位于数据仓库构架的最底层，是数据仓库的数据源泉。包括各个业务处理子系统的信息。2.ETL：是数据仓库的核心。数据仓库如何高效管理数据是区别与面向操作数据库的主要标准。完成按照主题管理

5、数据，聚合数据存放于多维数据库中。3.数据存储与管理：是整个数据仓库系统的核心4.OLAP服务器：对分析需要的数据进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势5.前端展现：主要包括各种报表、查询、OLAP分析、数据挖掘等。·OLAP分析OLAP定义·OLAP(联机分析处理)是使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互地存取，从而获得对数据的更深入了解的一类软件技术。(OL

6、AP委员会的定义)·OLAP的目标是满足决策支持或多维环境特定的查询和报表需求，它的技术核心是“维”这个概念，因此OLAP也可以说是多维数据分析工具的集合。OLAP特性·快速性:用户对OLAP的快速反应能力有很高的要求。系统应能在5秒内对用户的大部分分析要求做出反应。·可分析性:OLAP系统应能处理与应用有关的任何逻辑分析和统计分析。·多维性:多维性是OLAP的关键属性。系统必须提供对数据的多维视图和分析,包括对层次维和多重层次维的完全支持。·信息性:不论数据量有多大，也不管数据存储在何处，OLA

7、P系统应能及时获得信息，并且管理大容量信息。OLAP分析·切片和切块(SliceandDice)–在多维数据结构中,按二维进行切片,按三维进行切块,可得到所需要的数据。如在“城市、产品、时间”三维立方体中进行切块和切片,可得到各城市、各产品的销售情况。·钻取(Drill)–钻取包含向下钻取(Drill-down)和向上钻取(Drill-up)/上卷(Roll-up)操作，钻取的深度与维所划分的层次相对应。·旋转(Rotate)/转轴(Pivot)–通过旋转可以得到不同视角的数据。·数据仓库的工具数

8、据源：ORACLE，MSSQL，DB2，文本文件等ETL：POWERCENTER，OWB，DB2DWM，TeradataBuilder，C，Shell，Perl，DATASTAGE,INFORMATICA,SAGENT等数据存储与管理：ORACLE，IBMUDB，SYBASEIQ等vOLAP服务器：IBMOLAPServer,ORACLEExpressserver等前端展现：–报表、查询、OLAP分析：BO，MSTR，BRIO，Cognos，–数据挖掘：IBMIM，SASEM，SP