数据仓库

*了解数据仓库相关技术

*了解数据仓库设计过程建造，运行及维护

*了解OLAP及多维数据模型

决策支持系统及其演化

一般将数据分为：分析型数据与操作型数据

操作型数据：由企业的基本业务系统产生的数据，用于联机处理环境（OLTP）

决策支持系统（DSS）：综合利用大量数据有机组合众多模型（数据模型及数据处理模型）通过人机交互。辅助各级决策者实现科学决策的系统。

建立数据仓库的目的：根据决策需求对企业的数据采取适当的手段进行集成。形成一个综合的。面向分析的数据环境，用于支持企业的信息型，决策型的分析应用。

数据仓库的特性：面向主题性，集成性，不可更新和时间性。

集成：数据仓库最重要的特性，分为数据抽取转换，清理（过滤）和装载

不可更新：数据仓库中的数据以批量方式处理，不进行一般主义上的数据更新。

随时间变化：不断捕捉数据。

数据仓库的体系结构与环境

从数据层次角度的体系结构来看，典型的数据仓库的数据体系结构包括：操作型数据、操作型

数据存储、数据仓库、数据集市和个体层数据

从功能结构看，可分为数据处理、数据管理和数据应用三个层次

数据仓库的数据组织< 粒度、数据分割（分区）、元数据>

数据仓库的数据单位中保存数据的细化程度或综合程度的级别。细化程度越高，粒度越小

粒度影响到数据仓库的数据量及系统能回答的查询的类型

进行数据仓库的数据组织时，应根据当前应用的需求进行多粒度级设计。满足多角度，多层次数据查询要求。

数据分散到各自的物理单元中去，他们能独立地处理

最常见的是按照时间标准分区。

数据分区的方式可以分成系统层分区（数据库系统提供的机制）和应用层分区（由应用代码实现）两种

如何分区由开发者和程序员控制

元数据：对数据描述的数据

ODS分为4类：

ODSⅠ：数据更新频率秒级。

ODSⅡ：数据更新频率小时级。

ODSⅢ：数据更新频率天级。

ODSⅣ：根据数据来源方向和类型区分。

SDLC是典型的需求驱动开发生命周期，CLDS是典型的数据驱动开发生命周期

传统的系统开发生命周期支持操作型环境，为建立系统，必须首先理解需求，然后进入到设计开发阶段。

CLDS由数据开始，一旦数据到手，就集成数据，然后，如果数据有偏差，就检验看看数据存

在什么偏差，在针对数据写程序，分析程序执行结果，最后，系统需求才得到理解。

数据仓库维护的基本思路：

根据某种维护策略，在一定条件下触发维护操作；维护操作捕捉到数据源中的数据变化；

通过一定策略对数据仓库中的数据进行相应的更新操作，以保持两者的一致性。

捕捉数据源的变化

当数据源发生变化时，告知数据仓库源数据发生变化的机制，就是源数据变化的监听及

捕获问题。典型的方法有：

触发器

修改数据源应用程序

通过日志文件

快照比较法

OLAP——主要用于支持复杂的分析操作，侧重对决策人员和高层管理人员的《决策支持》

OLAP工具一般具有快速、可分析和多维的特点