任何人都可以解释数据仓库，数据挖掘，OLAP以及它们之间的关系的主要内容吗？

商业智能支持技术

--------------------------------------------------- ---------------------------------

作者: 北京大学信息管理系李艳

发布时间: 2003.11.17

当我们定义商业智能的概念时，“商业智能不是一项新技术，它只是数据仓库，OLAP和数据挖掘技术的综合应用. 因此，商业智能被视为一种解决方案. 更合适. ”对商业智能的深刻理解必须从这些支持技术开始. 那么，支持商业智能的各种技术如何工作？它们各自的功能是什么？遇到这些问题，请参阅本文“商业智能支持技术”.

由于商业智能只是数据仓库，OLAP和数据挖掘技术的综合应用，因此我们有必要首先了解这些BI支持技术.

BI的数据存储技术-数据仓库和数据集市

数据仓库（DataWarehouse）是从多个数据源收集的信息，以单一模式存储，通常位于此信息的单个站点中. 数据仓库通过数据清理，数据转换，数据集成，数据加载和定期数据刷新来构造其内容. 数据仓库收集整个组织的主题信息，因此它是企业范围的数据存储. 松散地说，数据仓库是组织可以与组织的运营分开维护的. 数据仓库系统允许集成各种应用程序系统，为统一的历史数据分析提供坚实的平台，并支持信息处理.

根据数据仓库系统构建的权威设计师WHInmon所说，“数据仓库是面向主题的，集成的，随时间变化的非易失性数据收集，它支持管理部门的决策过程. ”这个简短而全面的定义指出了指示数据仓库主要特征的四个关键字: 面向主题，集成，时变，非易失性，数据仓库和其他数据存储系统（例如关系系统，Distinguish在事务处理系统和文件系统之间）. 让我们仔细看看这些关键功能.

面向主题: 数据仓库围绕客户，供应商，产品和销售组织等主题展开. 数据仓库专注于决策者的数据建模和分析，而不是组织的日常运营和事务处理. 因此，数据仓库排除了对决策无用的数据，并提供了特定主题的简要视图.

集成的: 通常，数据仓库的构建是多个异构数据源的集成，例如关系，通用文件和事务处理记录. 使用数据清理和数据集成技术来确保指标的一致性，例如命名约定，编码结构和属性指标.

随时间变化: 数据存储从历史的角度（例如过去5到10年）提供信息. 数据仓库中的键结构隐式或显式包含时间元素.

非易失性（nonvolatile）: 数据仓库总是在物理上分离数据. 这些数据来自操作环境中的应用程序数据. 由于这种分离，数据仓库不需要事务处理，恢复和并发控制机制. 通常，它只需要两种数据访问权限: 数据的初始加载和数据访问权限.

总而言之，数据仓库是一个语义上一致的数据存储olap与数据仓库互补，它充当决策支持数据模型的物理实现，并存储战略决策所需的信息. 数据仓库通常也被视为一种体系结构，它是通过集成来自不同数据源的数据来构建的，以支持结构化和化的查询，分析报告以及决策制定.

Datamart是数据仓库的子集. 它专注于选定主题，并且涉及整个行业.

数据仓库通过提供多维数据视图和摘要数据的预先计算olap与数据仓库互补，非常适合分析处理（OLAP）. OLAP操作使用数据的领域背景知识，从而允许在不同的抽象层提供数据. 这些操作适用于不同的用户. 尽管数据仓库工具有助于支持数据分析，但仍需要更多的数据挖掘工具来进行更深入的自动化分析.

BI分析技术-OLAP，数据挖掘

OLAP

根据OLAP委员会的定义，分析处理（OLAP）使分析人员，管理人员或执行人员能够从各种角度转换原始数据，用户可以真正理解这些数据. 可以快速，一致和交互地访问真正反映企业规模的信息，从而获得对数据有更深刻理解的一类软件技术. 它的技术核心是“维度”的概念，因此OLAP也可以说是多维数据分析工具的集合. 一些历史悠久的企业会从外部或内部来源收集大量数据. 在执行OLAP分析时，必须将这些数据批量加载到数据仓库中. 此外，业务系统将继续生成新数据，并需要以增量方式加载到数据仓库中.

建立数据仓库后，您可以使用OLAP复杂查询功能，数据比较，数据提取和报告来执行探测数据分析. 之所以称为探测数据分析，是因为用户选择了相关数据之后，通过切片，切块，钻孔，钻孔，旋转等操作，可以对数据进行不同粒度的分析和尝试以获得不同的形式. 知识和结果.

在多维数据结构中，根据二维选择数据称为切片，而根据三维选择数据称为切片. 例如在“城市，产品，时间”三维立方体中进行切割和切片，您可以获得每个城市和产品的销售量. 在数据结构树中，用户选择扩展相同数据级别的详细信息（称为Drill-down），并选择较高级别的数据详细信息和数据视图（称为Drill-up）. 钻孔深度对应于水平除以尺寸. 旋转可以通过旋转获取不同视图的数据.

数据挖掘

数据挖掘是根据某些规则对和数据仓库中的现有数据进行信息挖掘，挖掘和分析，从中识别和提取隐藏的模式和有趣的知识，并使用它们来提供决策者并以此作为决策依据.

数据挖掘的任务是从数据中发现模式. 模式有很多，根据功能可以分为两类: 预测模式和描述性模式. 预测模式是可以根据数据项的值准确确定某个结果的模式. 用于挖掘预测模式的数据也可以清楚地知道结果. 描述性模式是描述数据中存在的规则，或根据数据的相似性对数据进行分组. 描述性模型不能直接用于预测. 在实际应用中，根据模型的实际作用，将其分为六类: 分类模式，回归模式，时间序列模式，聚类模式，关联模式和序列模式. 具体的算法包括市场分析，聚类检测，神经网络，神经网络，决策树，遗传分析，链接分析，基于案例的推理（CaseBasedReasoning）和粗糙集（RoughSet）以及各种统计模型.

数据挖掘与OLAP之间的区别和联系是: OLAP专注于与用户的交互，快速的响应速度，并提供数据的多维视图，而数据挖掘则专注于自动发现隐藏在数据中的模式和有用信息，尽管允许用户指导此过程. OLAP的分析结果可以为数据挖掘提供分析信息，作为挖掘的基础. 数据挖掘可以扩展OLAP分析的深度，并可以找到OLAP无法找到的更复杂和详细的信息.

BI的演示和发布技术-数据可视化和Web技术

发现这些不同类型的知识. 使用多种工具发现知识. 为了使发现知识的过程和结果易于理解并在发现知识的过程中进行人机交互，必须开发一种发现知识的可视化方法. 为了了解数据之间的相互关系和发展趋势，可以转向可视化技术. 信息可视化不仅使用图像显示多维非空间数据，使用户可以加深对数据含义的理解，还可以使用直观的图像指导检索过程并加快检索速度.

在Internet的框架下，支持商业智能的技术是一种混合和集成的关系，以改善商业智能解决方案的协同作用和开放性.

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-280811-1.html