从到数据仓库，OLTP不等于OLAP

人们的数据处理需求可以分为两种类型: 操作处理（OLTP）和分析处理（OLAP）. 传统主要面向OLTP，侧重于数据计算，记录插入oltp ，删除，修改以及简单的查询和统计. 其主要任务是进行交易处理，重点是交易处理的及时性oltp ，完整性和正确性，数据的分析和处理存在严重不足，主要表现在以下几个方面.

首先是缺乏整合. 业务系统和部门的细分导致分散和混乱的数据分发. 缺乏统一的业务定义和计划，导致数据定义不明确. 其次，主题不明确. 建立的目的是满足事务处理的需求. 库和表的定义和设计均基于此基础. 就数据分析而言，这些库和表无疑缺乏明确的主题. 需要分析的数据分散并存储在不同的表和库中，甚至存储在不同的服务器中. 有效地分析这些数据非常困难. 这样分析和处理的效率很低. 设计基于传统的应用程序系统的核心原则是确保及时，准确地处理交易. 因此，在建立业务系统的过程中，尽管精心设计了库和表，但尽管建立了事务处理的效率得到了充分提高，但索引的建立和存储过程的优化也以此为中心. 但是不能保证数据分析和处理的效率.

由于自身条件的限制，传统不能用作数据综合分析平台. 企业的决策迫切需要一种新的理论和技术来提供支持. 这是数据仓库技术.

数据仓库是面向主题的，集成的，时变的，非易失性的数据收集，用于支持管理层的决策过程，它是“面向主题的，集成的，时变的，非易失性的”吗？主要功能.

面向对象是数据仓库中数据组织的最基本原则. 数据仓库中的所谓“主题”是一个逻辑概念. 在信息管理级别，从管理的角度对数据进行全面分析以提取主题. 需要进一步分析的对象. 数据仓库的构建过程首先是确定主题的过程. 数据仓库的设计者必须弄清数据仓库支持的决策内容，即数据仓库的用途，并将决策内容概括为许多易于使用数据进行组织和分析的特定主题.

数据在数据仓库中的集成意味着在构建数据仓库的过程中，具有不同格式和不同定义的多个外部数据源将根据数据类型进行一系列处理，例如提取，清理和转换. 既定策略. 最终构成一个有机的整体. 传统业务处理程序的重点是快速，正确地处理所有业务，记录业务内容和处理结果，而不是为决策提供支持. 数据仓库直接将传统业务处理的结果用于数据分析.

数据仓库中数据的非易失性包括两个含义. 一是通常基于特定时间段或条件阈值，很少执行更新和附加数据仓库内容的操作；第二是指将数据导入数据仓库后，虽然还存在删除和更新等操作，但很难满足确定这些操作的阈值条件. 这种情况非常罕见.

数据的时变性质意味着数据仓库的内容会随着时间不断地补充和更新. 本质是建立业务数据与时间之间的对应关系，即以时间为坐标轴在给定的时间点生成业务数据的“快照”. 连接每个时间点的快照，以形成数据仓库内容的动态连续变化图，从而为决策者提供有效的依据.

从到数据仓库，最重要的数据挖掘步骤已经完成，这为下一步数据挖掘的顺利进行奠定了坚实的基础. 数据挖掘操​​作是在数据仓库的基础上进行的. 数据仓库的建设是一个大学问题.

我们一直在努力坚持原创性.... 请不要只是默默地接受它.

我的原创，您的原创，我们的内容世界将更加精彩！

【所有原始内容的版权均属于TechTarget，欢迎转发和分享. 但未经授权，严禁复制，转载，编辑或以其他方式使用任何媒体（印刷媒体，媒体，自媒体等）和微信公众号. ）

微信公众号

TechTarget

官方微博

TechTarget中国

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-201702-1.html