数据仓库 - 概念
-
什么是数据仓库？
数据仓库是构建和使用数据仓库的过程。数据仓库是通过集成来自支持分析报告、结构化和/或临时查询以及决策制定的多个异构源的数据而构建的。数据仓库涉及数据清理、数据集成和数据整合。 -
使用数据仓库信息
有一些决策支持技术可以帮助利用数据仓库中可用的数据。这些技术帮助管理人员快速有效地使用仓库。他们可以收集数据、分析数据，并根据仓库中存在的信息做出决策。仓库中收集的信息可用于以下任何领域 --
Tuning Production Strategies− 通过季度或年度比较销售，重新定位产品和管理产品组合，可以很好地调整产品策略。
-
Customer Analysis− 客户分析是通过分析客户的购买偏好、购买时间、预算周期等来完成的。
-
Operations Analysis− 数据仓库还有助于客户关系管理和环境修正。这些信息还使我们能够分析业务运营。
-
-
集成异构数据库
要集成异构数据库，我们有两种方法 -- 查询驱动的方法
- 更新驱动的方法
-
查询驱动方法
这是集成异构数据库的传统方法。这种方法用于在多个异构数据库之上构建包装器和集成器。这些集成器也称为调解器。查询驱动方法的过程
-
当向客户端发出查询时，元数据字典将查询转换为适用于所涉及的各个异构站点的适当形式。
-
现在这些查询被映射并发送到本地查询处理器。
-
来自异构站点的结果被集成到一个全局答案集中。
缺点
-
查询驱动的方法需要复杂的集成和过滤过程。
-
这种方法效率很低。
-
对于频繁的查询是非常昂贵的。
-
这种方法对于需要聚合的查询来说也是非常昂贵的。
-
-
更新驱动的方法
这是传统方法的替代方法。今天的数据仓库系统遵循更新驱动的方法，而不是前面讨论的传统方法。在更新驱动的方法中，来自多个异构源的信息被预先集成并存储在一个仓库中。这些信息可供直接查询和分析。好处
这种方法具有以下优点 --
这种方法提供了高性能。
-
数据预先在语义数据存储中被复制、处理、集成、注释、总结和重构。
-
查询处理不需要接口来处理本地源的数据。
-
-
数据仓库工具和实用程序的功能
以下是数据仓库工具和实用程序的功能 --
Data Extraction− 涉及从多个异构源收集数据。
-
Data Cleaning− 涉及查找和更正数据中的错误。
-
Data Transformation− 涉及将数据从遗留格式转换为仓库格式。
-
Data Loading− 涉及排序、汇总、合并、检查完整性以及构建索引和分区。
-
Refreshing− 涉及从数据源到仓库的更新。
Note− 数据清洗和数据转换是提高数据质量和数据挖掘结果的重要步骤。 -