olap与数据仓库_数据仓库实现_olap与数据仓库的关系

一、数据仓库、 OLAP和数据挖掘的关系和区别分析

1.数据仓库、OLAP和数据挖掘三者之间的关系

在比较成熟的系统中，数据分析过程都是基于以数据仓库为基础，OLAP和数据挖掘相辅相成的分析模式（如图1所示）。数据仓库将来自于各种数据源的数据，根据不同的主题进行存储，并对原始数据进行抽取、转换和加载等一系列筛选和清理工作。OLAP则将数据通过多维视角和多种层次向用户进行多方式的呈现。数据挖掘则应用不同的算法，向用户揭示数据间的规律性，从而辅助商业决策。比如，在银行间盛行的 CRM（客户关系管理）的应用中，数据仓库以面向“客户”为主题进行数据筛选、存储；OLAP负责分析客户的基本信息、储蓄账户信息、历史余额信息、银行交易日志等，以动态分析报表、直方图、折线图、饼图等形式展现给管理者，让他们从多方面了解和掌握客户的动态，从而发现客户的交易习性、客户流失形式，更好地针对不同类型的客户，在不同时期进行适应性产品的营销活动。数据挖掘则可以通过历史数据建立模型，在拟合历史的基础上，分析未来趋势，判断哪些因素的改变将很可能意味着客户的最终流失，进而避免其发生。

2.从到数据仓库

传统的技术可以划分为两大类：操作型和分析型。操作型也称为事务处理，是对联机的日常操作，通常是对一个或一组记录的查询和修改，主要是为企业的特定应用服务，注重响应时间，数据的安全性和完整性；分析型是针对特定问题的联机访问和分析，通过对信息多种可能的观察形式进行稳定、一致和交互性的存取，允许分析人员对数据进行深入观察。传统能够满足企业日常事务处理工作，但难以实现对数据分析和多样化处理的要求，数据仓库的出现弥补了这一缺憾，将原来以单一的数据资源，即为中心的数据环境发展成为一种面向主题的体系化环境，专门用于支持高层决策分析。数据仓库并不是取代，绝大部分的数据仓库还是采用关系管理系统来管理数据。

3.OLAP和数据挖掘的区别与联系

OLAP和数据挖掘的主要区别在于：在辅助决策时，前者是基于用户建立的一系列假设驱动，通过OLAP来证实或者这些假设，是一个演绎推理的过程；数据挖掘是通过归纳的方式，在海量数据中主动找寻模型，自动发掘隐藏在数据中的价信息。比如：一个OLAP分析师可能认为，在某一区域开办的用户会更主动地进行消费。对于这个假定，他可能去观察在那些富裕地区申办的用户的账户属性。如果结果还不够明显，他也许要将年龄因素考虑进去。一直这样下去，直到他认为他找到了能够决定是否主动进行消费的各种变量，然后再根据这些变量，策划他的银行产品的营销方式，最大程度上将营销资源放在最可能接受他们产品的客户对象上。对于数据挖掘分析师，我们假设他也得出了和这个OLAP分析师同样的结论，但是他们得出结论的方式却孑然相反。数据挖掘分析师把各种因素或者变量放在数据挖掘工具中，由挖掘工具自行建立模型，在去除一系列与消费不相关或者不显著的因素或者变量后，也得到了同样的结果。在这里我们假设都是区域和年龄因素，当然也可能两者得出的因素或者变量不尽相同。简单地描述两者的区别：相对于OLAP，数据挖掘把更多的主动权交给了挖掘工具，在一定程度上，可以看成是人工智能的初级应用。此外，OLAP限于结构化数据，侧重与用户的交互、快速响应以及提供多维视图，而数据挖掘还可以分析诸如文本的、空间的和多媒体的非结构化数据。

虽然两者在不同角度和层面上存在很大的差异，但OLAP与数据挖掘也有一定的互补性。OLAP本身的分析结果能够为数据挖掘提供分析依据，数据挖掘可以拓展OLAP的分析深度，发掘更为复杂、细致的信息，它们之间的关系如图2所示。

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-27140-1.html