数据库,数据仓库和数据挖掘技术之间的区别

数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。

1数据挖掘能做什么

1)数据挖掘能做以下六种不同事情（分析方法）：

分类（）

估值（Estimation）

预言（Prediction）

相关性分组或关联规则（Affinitygroupingorassociationrules）

聚集（Clustering）

描述和可视化（Descriptionand）

2)数据挖掘分类

以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘

直接数据挖掘

目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以

理解成数据库中表的属性，即列）进行描述。

间接数据挖掘

目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系

分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘

3)各种分析方法的简介

分类（）

首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分

类模型，对于没有分类的数据进行分类。

例子：

axyk申请者，分类为低、中、高风险

b分配客户到预先定义的客户分片

注意：类的个数是确定的，预先定义好的

估值（Estimation）

估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的

输出；分类的类别是确定数目的，估值的量是不确定的。

例子：

a根据购买模式，估计一个家庭的孩子个数

b根据购买模式，估计一个家庭的收入

c估计realestate的价值

一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的

连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运

用估值，给各个客户记分（Score0~1）。然后，根据阈值，将贷款级别分类。

预言（Prediction）

通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用

于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。

预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时

间后，才知道预言准确性是多少。

相关性分组或关联规则（Affinitygroupingorassociationrules）

决定哪些事情将一起发生。

例子：

a超市中客户在购买A的同时，经常会购买B，即A=>B(关联规则)

b客户在购买A后，隔一段时间，会购买B（序列分析）

聚集（Clustering）

聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先

定义好的类，不需要训练集。

例子：

a一些特定症状的聚集可能预示了一个特定的疾病

b租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群

聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一

类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。

描述和可视化（Descriptionand）

是对数据挖掘结果的表示方式。

2数据挖掘的商业背景

数据挖掘首先是需要商业环境中收集了大量的数据，然后要求挖掘的知识是有价值的。有

价值对商业而言，不外乎三种情况：降低开销；提高收入；增加股票价格。

1)数据挖掘作为研究工具（Research）

2)数据挖掘提高过程控制（ProcessImprovement）

3)数据挖掘作为市场营销工具（Marketing）

4)数据挖掘作为客户关系管理CRM工具(CustomerManagement)

3数据挖掘的技术背景

1)数据挖掘技术包括三个主要部分：算法和技术；数据；建模能力

2)数据挖掘和机器学习（MachineLearning）

机器学习是计算机科学和人工智能AI发展的产物

机器学习分为两种学习方式：自组织学习（如神经网络）；从例子中归纳出规则（如决

策树）

数据挖掘由来

数据挖掘是八十年代，投资AI研究项目失败后，AI转入实际应用时提出的。它是一个新兴

的，面向商业应用的AI研究。选择数据挖掘这一术语，表明了与统计、精算、长期从事预

言模型的经济学家之间没有技术的重叠。

3)数据挖掘和统计

统计也开始支持数据挖掘。统计本包括预言算法（回归）、抽样、基于经验的设计等

4)数据挖掘和决策支持系统

数据仓库

OLAP（联机分析处理）、DataMart（数据集市）、多维数据库

决策支持工具融合

将数据仓库、OLAP，数据挖掘融合在一起，构成企业决策分析环境。

4数据挖掘的社会背景

数据挖掘与个人预言：数据挖掘号称能通过历史数据的分析，预测客户的行为，而事实上

客户自己可能都不明确自己下一步要作什么。所以，数据挖掘的结果，没有人们想象中

神秘，它不可能是完全正确的。

客户的行为是与社会环境相关连的，所以数据挖掘本身也受社会背景的影响。比如说，在

美国对银行xyk客户信用评级的模型运行得非常成功，但是，它可能不适合中国

简而言之，数据库是面向事务的设计，数据仓库是面向主题设计的

数据库一般存储在线交易数据，数据仓库存储的一般是历史数据

数据库设计是尽量避免冗余，一般采用符合范式的规则来设计，数据仓库在设计是有意引入冗余，采用反范式的方式来设计

数据库是为捕获数据而设计，数据仓库是为分析数据而设计，它的两个基本的元素是维表和事实表

维是看问题的角度，比如时间，部门，维表放的就是这些东西的定义，事实表里放着要查询的数据，同时有维的ID

单从概念上讲，有些晦涩

任何技术都是为应用服务的，结合应用可以很容易地理解

以银行业务为例

数据库是事务系统的数据平台，客户在银行做的每笔交易都会写入数据库，被记录下来，这里，可以简单地理解为用数据库记帐

数据仓库是分析系统的数据平台，它从事务系统获取数据，并做汇总、加工，为决策者提供决策的依据

比如，某银行某分行一个月发生多少交易，该分行当前存款余额是多少

如果存款又多，消费交易又多，那么该地区就有必要设立ATM了

显然，银行的交易量是巨大的，通常以百万甚至千万次来计算

事务系统是实时的，这就要求时效性，客户存一笔钱需要几十秒是无法忍受的，这就要求数据库只能存储很短一段时间的数据

而分析系统是事后的，它要提供关注时间段内所有的有效数据

这些数据是海量的，汇总计算起来也要慢一些，但是，只要能够提供有效的分析数据就达到目的了

数据仓库，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，它决不是所谓的“大型数据库”

那么，数据仓库与传统数据库比较，有哪些不同呢让我们先看看W

H

Inmon关于数据仓库的定义:面向主题的、集成的、与时间相关且不可修改的数据集合

“面向主题的”:传统数据库主要是为应用程序进行数据处理，未必按照同一主题存储数据;数据仓库侧重于数据分析工作，是按照主题存储的

这一点，类似于传统农贸市场与超市的区别—市场里面，白菜、萝卜、香菜会在一个摊位上，如果它们是一个小贩卖的;而超市里，白菜、萝卜、香菜则各自一块

也就是说，市场里的菜(数据)是按照小贩(应用程序)归堆(存储)的，超市里面则是按照菜的类型(同主题)归堆的

“与时间相关”:数据库保存信息的时候，并不强调一定有时间信息

数据仓库则不同，出于决策的需要，数据仓库中的数据都要标明时间属性

决策中，时间属性很重要

同样都是累计购买过九车产品的顾客，一位是最近三个月购买九车，一位是最近一年从未买过，这对于决策者意义是不同的

“不可修改”:数据仓库中的数据并不是最新的，而是来源于其它数据源

数据仓库反映的是历史信息，并不是很多数据库处理的那种日常事务数据(有的数据库例如电信计费数据库甚至处理实时信息)

因此，数据仓库中的数据是极少或根本不修改的;当然，向数据仓库添加数据是允许的

数据仓库的出现，并不是要取代数据库

目前，大部分数据仓库还是用关系数据库管理系统来管理的

可以说，数据库、数据仓库相辅相成、各有千秋

补充一下，数据仓库的方案建设的目的，是为前端查询和分析作为基础，由于有较大的冗余，所以需要的存储也较大

为了更好地为前端应用服务，数据仓库必须有如下几点优点，否则是失败的数据仓库方案

1

效率足够高

客户要求的分析数据一般分为日、周、月、季、年等，可以看出，日为周期的数据要求的效率最高，要求24小时甚至12小时内，客户能看到昨天的数据分析

由于有的企业每日的数据量很大，设计不好的数据仓库经常会出问题，延迟1-3日才能给出数据，显然不行的

2

数据质量

客户要看各种信息，肯定要准确的数据，但由于数据仓库流程至少分为3步，2次ETL，复杂的架构会更多层次，那么由于数据源有脏数据或者代码不严谨，都可以导致数据失真，客户看到错误的信息就可能导致分析出错误的决策，造成损失，而不是效益

3

扩展性

之所以有的大型数据仓库系统架构设计复杂，是因为考虑到了未来3-5年的扩展性，这样的话，客户不用太快花钱去重建数据仓库系统，就能很稳定运行

主要体现在数据建模的合理性，数据仓库方案中多出一些中间层，使海量数据流有足够的缓冲，不至于数据量大很多，就运行不起来了

oracle数据仓库本质上是依赖于关系型数据库来实现了OLAP的，所以ORACLE数据仓库中在建模中会使用星型模型来实现

teradata的话，其实是依赖于teradata的硬件设备来实现，所以它的数据仓库在设计上就不需要设计成星型模型的

设计成星型模型的话，会有数据冗余，但是查询快，而teradata直接有穿透功能，所以就没有必要设计成星型模型了

以上就是关于数据库,数据仓库和数据挖掘技术之间的区别全部的内容，包括:数据库,数据仓库和数据挖掘技术之间的区别、数据库和数据仓库有什么区别、 *** 作型数据库和数据仓库的区别等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！