數據倉庫是伴隨著信息技術和決策支持系統(DSS,Decision Support System)的發展而產生的,利用歷史的操作數據進行管理和決策。 數據倉庫是一個面向主題的、集成的、非易失的、隨著時間變化的,用於支持管理人員決策的數據集合,數據倉庫包含粒度化的企業數據,在不同的粒度級別上對數據進行聚 ...
數據倉庫是伴隨著信息技術和決策支持系統(DSS,Decision Support System)的發展而產生的,利用歷史的操作數據進行管理和決策。
數據倉庫是一個面向主題的、集成的、非易失的、隨著時間變化的,用於支持管理人員決策的數據集合,數據倉庫包含粒度化的企業數據,在不同的粒度級別上對數據進行聚合,這樣,數據倉庫中就存在最細節的原始數據、輕度聚合數據、高度聚合數據。
一,體繫結構的變遷
早期的數據分析系統是通過“抽取”方式來處理數據,從線上事務處理(OLTP)資料庫中,把相關的數據抽取到一個特定的資料庫中。抽取式的優點是,把數據從OLTP環境中轉移出來,對數據進行分析就不會影響原有的操作型資料庫的性能了,但是,DSS分析員使用抽取式進行數據分析,主要面臨以下三個問題:
- 缺乏數據可信度:數據可能沒有公共的起始源數據,沒有時間基準,這會導致不同的部門抽取的數據可能是不同的,得出的分析結果可能是截然不同的。
- 降低生產率:數據分散,需要重覆抽取數據,並且數據的可信度得不到保證,降低了DSS分析員的工作效率
- 無法把數據轉換為信息:抽取式數據缺乏集成性,也沒有足夠的數據供DSS分析員進行分析
為了剋服抽取式的缺點,數據倉庫應運而生,它把數據集成到單一的數據倉庫中,各個部門從數據倉庫中獲取數據進行後續的業務分析。在數據倉庫中,數據集成是非常重要的,當數據從操作型環境載入到數據倉庫中時,必須進行數據集成,ETL(抽取、轉換和載入)軟體使得數據集成可以自動化進行。
在體繫結構化環境中個,主要存在兩種類型的數據:原始數據和導出數據。原始數據是維持企業日常運行的細節性數據,可以更新,是面嚮應用程式的操作型數據;而導出數據是經過彙總和計算來滿足公司管理和決策的需要,是面向主題的,經過集成的,不直接更新的歷史數據。
由於原始數據和導出數據之間存在巨大的差異,使得它們不能共存於同一個資料庫,因此,必須把數據進行分離。在體繫結構化環境中,有四個層次的數據:操作層(OLTP)、數據倉庫層(DW)、數據集市層(DM)和個體層,操作層數據只包含面嚮應用的原始數據,數據倉庫層存儲不可更新的、已集成的歷史數據,數據集市層是根據用戶的需求為滿足部門的特殊需求而建立的,數據個體層用於完成大多數啟髮式分析,是小規模的臨時數據。
二,硬體利用模式
操作型環境和數據倉庫環境之間,硬體的利用模式不同。在操作型處理中有多個波峰和波谷,總體來說,存在相對穩定的硬體利用模式;而在數據倉庫環境中,存在一個根本不同的硬體利用模式,二元模式:要麼利用全部硬體,要麼根本不用硬體,因此,估算數據倉庫環境中的硬體平均利用率是沒有意義的。
在OLTP環境中,響應時間要求非常苛刻,當響應時間變長時,用戶體驗就會變糟糕,而在數據倉庫中,對響應速度的要求是非常寬鬆的,但是,快的響應速度也是非常必要的。
三,數據倉庫的開發周期
數據倉庫中的用戶是數據分析人員(DSS分析人員),主要工作是定義和發現企業決策中使用的信息。數據分析人員的工作模式是一種發現模式,例如,給我看一下我想要的數據,然後,我才能告訴你我真正想要什麼。換句話說,數據分析人員只有看到報表數據之後,才開始探討如何使用數據。
數據倉庫的開發是以數據開始,得到數據後,把數據集成,進而分析數據,這種以數據驅動的開發周期是螺旋式迭代進行的。
四,數據倉庫的特性
數據倉庫作為決策支持系統的單一數據源,是數據可重用和分析結果一致性的基礎,它通過集成處理得到一致性的數據集,便於分析人員對數據的重覆使用;通過分區把數據合理分佈到不同的硬體存儲器上,提高了數據訪問的速度;提供了唯一的起始源數據,保證了分析結果的一致性。與傳統的抽取式環境相比,數據倉庫使得分析人員把精力放到數據的分析上,而不是數據的獲取上,提高了分析的效率。
1,數據倉庫是面向主題的
在數據倉庫中,每一個主題都是以一組相關的表來實現的,表和表之間通過“外鍵”或者說公共關鍵字來聯繫起來。在確定數據倉庫面向的主題之後,根據主題來設計相應的物理表。
數據倉庫的數據模型是通過分為三個層次:
- ERD(實體關係圖)是最頂層的概念模型,是實體關係的高度抽象,主要用於確定各個實體(或主題)之間的關係;
- 中間層是數據集成(DIS),用於對主要數據分組,設置數據的鏈接,確定數據的類型;
- 底層是物理模型,用於設計SQL Server的關係表
2,數據倉庫是有結構的
在數據倉庫中,數據存在著不同的細節級:原始數據(最細節的數據)、當前細節數據、輕度聚合數據和高度聚合數據,數據的粒度升級,是在數據由操作層傳輸到導出層進行的,一旦數據過期,就由原始數據導出當前細節數據,進而導出聚合數據。我們把聚合之後的數據稱作緩存數據,這是為了定向提高某個主題或分析的查詢性能。
不同的細節級,實際是由數據粒度的不同導致的,而粒度的升級通常是由時間、類別等屬性聚合之後得到的。粒度會深刻地影響存儲到數據倉庫中的數據量的大小和數據倉庫支持的查詢類型。數據倉庫中數據量的大小和粒度成反比,粒度越低,支持的查詢範圍越廣泛,數據量越大。換句話說,低粒度可以回答任何問題,而高粒度會限制數據所能回答的問題。
由於高粒度會降低數據量,使得查詢速度更快;而低粒度能夠回答更多的問題,因此,在數據倉庫中,一般根據數據被查詢的頻次,設計多重粒度,這樣啊,既能使用高粒度快速響應高頻問題,也能使用低粒度回答低頻的問題。
3,分區設計
數據分區是把數據分散到可獨立進行IO處理的分離的硬碟中,從根本上來說,分區的好處有兩點:
- 利用分區,可以把IO分散到不同的硬碟上去,以併發方式訪問數據,提高數據查詢和更新的速度;
- 利用分區,可以把不常用的數據切換到廉價的大容量硬碟上去,而把常用的數據切換到性能優越的硬碟上去;
對數據分區,需要依據特定的數據列,通常以時間列作為分區列,把不同的時間區間的數據存放到不同的分區中去。
參考文檔: