第二章数据仓库和数据挖掘的olap技术 2.1什么是数据仓库

何谓数据仓库？为什么要建立数据仓库？答：数据仓库是一种新的数据处理体系结构，是面向主题的、集成的、不可更新的(稳定性)、随时间不断变化(不同时间)的数据集合，为企业决策支持系统提供所需的集成信息。建立数据仓库的目的有3个：一是为了解决企业决策分析中的系统响应问题，数据仓库能提供比传统事务数据库更快的大规模决策分析的响应速度。二是解决决策分析对数据的特殊需求问题。决策分析需要全面的、正确的集成数据，这是传统事务数据库不能直接提供的。三是解决决策分析对数据的特殊 *** 作要求。决策分析是面向专业用户而非一般业务员，需要使用专业的分析工具，对分析结果还要以商业智能的方式进行表现，这是事务数据库不能提供的。何谓数据挖掘？它有哪些方面的功能？答：从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程称为数据挖掘。相关的名称有知识发现、数据分析、数据融合、决策支持等。数据挖掘的功能包括：概念描述、关联分析、分类与预测、聚类分析、趋势分析、孤立点分析以及偏差分析等。

根据查询豆丁网显示，主要应用包括数据仓库与OLAP、商业智能、业务性能管理、金融分析与风险管理。

1、数据仓库与OLAP：由于分析型数据库系统能够处理复杂的数据查询和多维度的数据分析，它可以用于筛选、抽取、转换与汇总业务数据并存储在数据仓库中，从而支持OLAP *** 作从多个视角去观察数据。

2、商业智能：分析型数据库系统可以通过数据挖掘技术和数据分析算法，提供准确的数据分析和信息展示，对组织实际情况进行分析和理解，帮助企业制定决策和制定战略。

3、业务性能管理：通过分析各种数据及与业务目标的关系，分析型数据库系统能够精确地评估组织绩效，并实现更好、更快的业务决策过程，帮助企业实现自身战略目标并提高业务绩效。

4、金融分析与风险管理：分析型数据库系统可以通过数据挖掘和统计分析技术，为金融机构提供实时的数据分析和风险预警，帮助金融机构充分理解市场情况并有效地管理风险。

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。

“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。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”。

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。

联机分析（OLAP）是由关系数据库之父EFCodd于1993年提出的一种数据动态分析模型，它允许以一种称为多维数据集的多维结构访问来自商业数据源的经过聚合和组织整理的数据。以此为标准，OLAP作为单独的一类产品同联机事务处理（OLTP）得以明显区分。

有点深奥是不是？其实并不复杂，OLAP最基本的概念其实只有三个：多维观察、数据钻取、CUBE运算。

从动态的多维角度分析数据

我们在平时工作中，会遇到各种问题，在分析问题的时候，同样的现象，我们会从多个角度去分析考虑，并且有时候我们还会从几个角度综合起来进行分析。这就是OLAP分析最基本的概念：从多个观察角度的灵活组合来观察数据，从而发现数据内在规律。

OLAP将数据分为两种特征，一种为表现特征，比如一个销售分析模型中的销售额、毛利等；还有一种为角度特征，比如销售分析中的时间周期、产品类型、销售模式、销售区域等。前者是被观察的对象，OLAP术语称之为“度量数据”，后者为观察视角，OLAP术语称之为“维数据”。

如果建立这样一个模型，我们就可以根据业务需求，从产品类型角度去观察各个销售地区的销售额数据（以产品类型和销售地区为维、以销售额为度量）；或者我们还可以从销售模式的角度去观察各个销售地区的销售额数据（以销售模式和销售地区为维、以销售额为度量）。

在Max@X Analyser的OLAP模型中，每个模型最多可以设定255个维、1024个度量，也就是说，我们可以从255个角度或者角度组合，去同时观察1024个数据对象的变化。

对数据进行钻取，以获得更为精确的信息

在分析过程中，我们可能需要在现有数据基础上，将数据进一步细化，以获得更为精确的认识。这就是OLAP中数据钻取的概念。

比如，在销售分析中，当我们以产品类型和销售地区为维、以销售额为度量进行分析的时候，可能希望进一步观察某类产品的不同销售模式在各个销售地区的表现，这时我们就可以在产品大类这个数据维下面，再加上一个销售模式维，从而获得相应的信息。

创建数据CUBE

那么，要满足上述运算，需要什么样的前提呢？

我们可以想像，和报表不同，OLAP分析所需的原始数据量是非常庞大的。一个分析模型，往往会涉及数百万条、数千万条、甚至更多；而分析模型中包含多个维数据，这些维又可以由浏览者作任意的提取组合。这样的结果就是大量的实时运算导致的时间延滞。我们可以设想，一个对于1000万条记录的分析模型，如果一次提取4个维度进行组合分析，那么实际的运算次数将达到4的1000次方的数量：这样的运算量将导致数十分钟乃至更长的等待时间。如果用户对维组合次序进行调整，或者增加减少某些维度的话，又将是一个重新的计算过程。

从上面分析，我们可以得出结论，如果不能解决OLAP运算效率问题的话，OLAP将是一个毫无实用价值的概念。那么，作为一个成熟产品是如何解决这个问题的呢？这就是OLAP中一个非常重要的技术：数据CUBE预运算。

一个OLAP模型中，度量数据和维数据我们应该实现确定，一旦两者确定下来，那么我们可以对数据进行预先的处理，在正式发布之前，将数据根据维进行最大限度的聚类运算，运算中会考虑到各种维组合情况，运算结果将生成一个数据CUBE，并保存在服务器上。这样，当最终用户在调阅这个分析模型的时候，就可以直接使用这个CUBE，在此基础上根据用户的维选择和维组合进行复运算，从而达到实时响应的这么一个效果。

作为一个成熟的产品，Max@X Analyser无论是在CUBE创建还是后续的浏览 *** 作，效率都是非常高的。测试结果表明：原始数据行数在3200万条记录的时候，包含10个维数据组合、2个度量数据的CUBE，创建周期为132分钟，装载效率是125秒。这样的成绩对比世界上任何一个高端OLAP同类产品，都不逊色。（需要更为详细的测试报告，可以与炎鼎软件联系）。

补充说明

上面所说的，是OLAP最基本的概念，除此以外，OLAP通常包括的功能包括数据旋转（变换观察维组合顺序）、数据切片（过滤无关数据，对指定数据进行重点观察），以及对数据进行跨行列运算（如Max@X Analyser中的增加行列差额、等比环比等扩展运算）。

如果您希望了解更多关于OLAP的信息，请与炎鼎软件技术支持联系。

以上就是关于第二章数据仓库和数据挖掘的olap技术 2.1什么是数据仓库全部的内容，包括:第二章数据仓库和数据挖掘的olap技术 2.1什么是数据仓库、什么是分析型数据库系统的主要应用、数据库与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！