数据仓库和多维有什么区别

全部展开

简而言之，是面向事务的设计，数据仓库e799bee5baa6e79fa5e98193e4b893e5b19e31333365643632是为主题设计的.

通常存储交易数据，而数据仓库通常存储历史数据.

设计是要尽可能避免冗余. 通常，它是使用符合范式的规则设计的. 数据仓库的设计是有意引入冗余的，并且是以反范式的方式进行设计的.

旨在捕获数据，而数据仓库旨在分析数据. 它的两个基本元素是维表和事实表. 维度是查看问题的角度，例如时间，部门，维度表是这些东西的定义，事实表包含要查询的数据，还具有维度的ID.

从概念上讲多维，这有点晦涩. 任何技术都适用于该应用程序，并且可以轻松理解该应用程序. 以银行为例. 是交易系统的数据平台. 客户在银行进行的每笔交易都将被写入并进行记录. 在这里，可以简单地理解为使用进行计费. 数据仓库是分析系统的数据平台. 它从交易系统获取数据，并对其进行汇总和处理，为决策者提供基础. 例如，一个银行的一个分支机构一个月内发生了多少笔交易多维，该分支机构的当前存款余额是多少. 如果有更多的存款和更多的消费者交易，则有必要在该地区建立ATM.

很显然，银行的交易量巨大，通常以数百万甚至数千万次计算. 交易系统是实时的，这需要及时. 客户节省数十秒的钱. 这要求只能存储短时间的数据. 而分析系统实际上是应该在关注期内提供所有有效数据的. 这些数据非常庞大，计算速度较慢，但​​是只要您能够提供有效的分析数据，就可以实现您的目标.

生成数据仓库是为了在已经大量存在时进一步挖掘数据资源并做出决策需求. 它绝不是所谓的“大型”. 那么，数据仓库和传统之间有什么区别？让我们首先来看W.H. Inmon对数据仓库的定义: 面向主题的，集成的，与时间相关的且不可修改的数据收集.

“面向主题”: 传统主要用于应用程序的数据处理，不一定根据同一主题存储数据；数据仓库专注于数据分析，并根据主题进行存储. 这类似于传统农贸市场和超级市场之间的区别，在市场上，如果小贩出售白菜，萝卜和香菜，它们就会摆在摊位上. 在超市里，白菜，萝卜和香菜都是一件. 也就是说，根据小贩（应用程序）来堆积（存储）市场中的菜肴（数据），并且根据菜肴的类型（相同主题）来堆积超市.

“与时间有关”: 当保存信息时，它并不强调必须有时间信息. 数据仓库是不同的. 为了进行决策，应该在数据仓库中的数据上标记时间属性. 在决策中，时间属性非常重要. 总共购买了九种汽车产品的客户也是如此. 一个在过去三个月中购买了九辆汽车，另一个在过去一年中从未购买过. 这对决策者而言意味着不同的事情.

“不可修改”: 数据仓库中的数据不是最新的，但来自其他数据源. 数据仓库反映的是历史信息，而不是许多（某些，例如电信计费，甚至处理实时信息）处理的日常交易数据. 因此，数据仓库中的数据很少被修改或未被修改；当然，可以将数据添加到数据仓库中.

数据仓库的出现并不意味着要替换. 目前，大多数数据仓库仍由关系管理系统管理. 可以说，和数据仓库是相辅相成的，各有千秋.

此外，数据仓库计划构建的目的是作为前端查询和分析的基础. 由于更大的冗余，所需的存储空间也更大. 为了更好地服务于前端应用程序，数据仓库必须具有以下优点，否则将是失败的数据仓库解决方案.

1. 效率足够高. 客户所需的分析数据通常分为天，周，月，季度，年等. 可以看出，作为周期的一天中的数据要求是最有效的，要求客户在24小时内查看昨天的数据分析. 小时甚至12小时. 由于某些公司的每日数据量很大，因此设计不佳的数据仓库通常会出现问题，并且只能在延迟1-3天后才能提供数据. 显然，这是行不通的.

2. 数据质量. 客户需要查看各种信息，并且他们必须具有准确的数据. 但是，由于数据仓库过程至少分为3个步骤和2个ETL，因此复杂的体系结构将具有更多级别. 然后，由于数据源包含脏数据或代码不严格，可能是由于数据失真导致客户看到错误的信息可能导致对错误决策的分析，从而造成损失，而不是收益.

3. 可扩展性. 一些大型数据仓库系统架构之所以复杂，是因为它们考虑了未来3-5年的可伸缩性. 这样，客户无需花费太多金钱来重建数据仓库系统，他们就可以稳定运行. 它主要体现在数据建模的合理性上. 数据仓库方案中的中间层更多，因此大量数据流具有足够的缓冲区，因此由于数据量大得多而无法运行.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-173126-1.html