数据仓库 第一章.pptx

数据仓库是信息技术领域中用于决策支持的重要工具，它与传统的数据库有着显著的区别。在第一章中，我们首先了解了数据仓库技术的背景和发展原因。传统的数据环境以数据库为中心，但随着数据处理需求的多样化，尤其是从事务处理到决策分析的需求转变，单一的数据组织方式无法满足这些需求。因此，数据仓库技术应运而生，旨在解决数据处理与数据环境的不匹配问题。 数据仓库技术主要包括操作型处理和分析型处理两大部分。操作型处理关注日常的事务处理，如记录查询和修改，强调响应时间、数据安全性和完整性。而分析型处理则服务于决策分析，侧重于对大量历史数据的访问，通常不涉及频繁的写操作，目标是提供与企业效益密切相关的洞察。 两者之间存在明显的性能特征差异。事务处理环境强调高频率的存取操作和短响应时间，而分析处理则需要处理长时间运行的复杂查询，消耗大量系统资源。例如，OLTP（在线事务处理）系统的吞吐量通常用TPS或TPM衡量，而DSS（决策支持系统）则关注每小时处理的查询数QPH。数据仓库的规模往往远大于事务处理系统。 数据仓库还面临数据集成的问题。事务处理系统通常只处理与本部门业务相关的当前数据，而分析处理需要跨部门、甚至跨组织的集成数据。这导致了数据分散、不一致和集成困难的问题。数据仓库通过动态集成来解决这一问题，确保数据的时效性。 此外，数据仓库重视历史数据的存储和利用，因为历史数据对于分析企业发展趋势至关重要。而事务处理系统通常只保留短期数据，不注重历史数据的分析。在数据仓库中，为了提高分析效率和聚焦关键信息，还会对细节数据进行综合处理。 数据仓库的特征包括面向主题、集成、具有时间特征和稳定性。W.H.Inmon的定义强调了这些特性，指出数据仓库是为决策制定过程提供支持的、整合了多源数据的集合。SAS软件研究所的观点则强调了数据仓库作为管理技术的角色，其目的是通过优化信息管理来提升决策支持的效能。 数据仓库是为了解决传统数据库在决策支持上的局限性而诞生的。它通过集成、综合和优化历史数据，以及提供对大规模数据的高效分析，帮助企业管理和分析信息，以支持更有效的决策。