1-数据仓库介绍.pptx

数据仓库是一种专为数据分析和决策支持而设计的系统，它从多个源系统中提取、转换、加载（ETL）数据，然后对这些数据进行结构化的整合和存储。数据仓库的概念始于20世纪80年代末，由比尔·恩门（Bill Inmon）首次提出并广泛推广。其核心目标是为企业提供一个集中化、一致性的信息平台，以便于高层管理人员进行战略决策。 数据仓库的特点主要包括以下几个方面： 1. **面向主题**：与操作型数据库不同，数据仓库的数据围绕特定主题进行组织，如销售、客户、产品等。这样可以更方便地支持特定领域的分析需求。 2. **集成的**：数据仓库将来自不同源系统的异构数据整合在一起，消除了数据的不一致性，确保提供全局一致的信息视图。 3. **非易失性**：数据仓库的数据主要用于查询和分析，而不是频繁的更新。因此，数据一旦加载到仓库，通常不会被修改，而是定期刷新以获取最新信息。 4. **随时间变化**：数据仓库保留了历史数据，这使得分析历史趋势和预测未来成为可能。 数据仓库的构建过程包括以下几个步骤： - **数据整合**：从分散的源系统中抽取数据，通常涉及数据清洗、转换和标准化，以确保数据质量。 - **数据建模**：根据业务需求和数据特性，创建适合分析的星形或雪花型数据模型。 - **数据管控**：制定数据治理策略，确保数据的安全、可用性和一致性。 商业智能（BI）是数据仓库应用的重要组成部分，它涵盖了数据仓库、查询报表、数据分析和数据挖掘等多个方面。其中，数据集市是针对特定主题或部门的小型数据仓库，而在线分析处理（OLAP）则提供了对大量数据进行复杂分析的能力。数据挖掘则从海量数据中发现隐藏的有价值信息，通常利用机器学习和统计方法。 与传统的在线事务处理（OLTP）系统相比，数据仓库更侧重于读取操作，处理大量数据，支持复杂的查询，服务于较少但需要深度分析的用户。而OLTP系统则侧重于快速处理日常事务，支持高并发的写入操作，数据粒度较细，用户基数较大。 拉尔夫·金博尔（Ralph Kimball）是数据仓库领域的另一位重要人物，他提出了自下而上的数据仓库构建方法，主张使用维度建模，强调事实表和维度表的设计，与恩门的观点有所差异，两者共同推动了数据仓库理论和技术的发展。 数据仓库作为企业决策支持的关键基础设施，通过集成和整理大量数据，为企业提供了强大、灵活的分析能力，帮助管理层从不同角度深入洞察业务，做出明智的战略决策。随着大数据和现代数据科学技术的进步，数据仓库也在不断发展，如云数据仓库、实时数据仓库等，以满足不断变化的业务需求。