本文目录导读：
数据仓库的典型特点剖析
面向主题
1、含义
- 数据仓库是围绕一些主题域进行组织的，这些主题是在较高层次上对企业信息系统中的数据进行综合、归类和分析的抽象，在一个零售企业中，可能会有“销售”“库存”“客户”等主题，与传统的面向应用的数据库不同，面向应用的数据库主要是为了支持特定的业务应用程序，如订单处理系统、库存管理系统等，数据是按照应用程序的需求进行存储的，而数据仓库中的主题则是从企业整体的业务分析需求出发的。
2、优势
- 便于进行数据分析和决策支持，以“销售”主题为例，在数据仓库中，会整合来自多个数据源（如线上销售平台、线下门店销售系统等）关于销售的相关数据，包括销售金额、销售数量、销售时间、销售地区、销售人员等，这样，企业的分析师就可以从这个主题的角度全面地分析销售情况，如不同地区的销售趋势、不同时间段的销售高峰、销售人员的销售业绩等，而不需要从多个不同的应用数据库中去抽取和整合数据。
集成性
1、数据整合
- 数据仓库中的数据来自于多个不同的数据源，这些数据源可能具有不同的数据格式、编码方式和语义，一个企业可能有旧的遗留系统使用的是自定义的文件格式存储数据，而新的业务系统使用关系型数据库存储数据，在将数据集成到数据仓库时，需要对这些数据进行抽取、转换和加载（ETL）操作，抽取是从各个数据源获取数据的过程；转换是对抽取的数据进行清洗（如去除重复数据、纠正错误数据）、转换数据格式（如将日期格式统一）、对数据进行汇总计算等操作；加载则是将经过处理的数据加载到数据仓库中。
2、数据一致性
- 为了保证数据的一致性，在集成过程中还需要解决数据冲突的问题，不同部门对客户的分类标准可能不同，销售部门可能将客户分为大客户、中小客户，而市场部门可能将客户分为新客户、老客户，在数据仓库中，需要定义统一的客户分类标准，将来自不同部门的数据按照这个标准进行整合，使得企业在进行数据分析时，关于客户的数据是一致的，不会因为数据来源不同而产生歧义。
相对稳定性
1、数据更新模式
- 数据仓库中的数据主要用于分析和决策支持，而不是用于日常的事务处理，与操作型数据库频繁地进行数据插入、更新和删除操作不同，数据仓库的数据更新相对不频繁，数据仓库中的数据通常是按照一定的周期（如每天、每周或每月）进行更新的，每天晚上将当天的销售数据、库存变动数据等从操作型数据库抽取到数据仓库中进行更新。
2、历史数据保留
- 数据仓库会保留大量的历史数据，这是因为在进行数据分析时，不仅需要当前的数据，还需要历史数据来进行趋势分析、对比分析等，企业要分析过去五年的销售增长趋势，就需要数据仓库中保存这五年的销售数据，这些历史数据不会被轻易修改，以保证数据的完整性和可追溯性。
时变性
1、随时间变化
- 数据仓库中的数据会随着时间不断变化，这种变化体现在多个方面，一方面是数据的定期更新，如前面提到的按照一定周期将新的业务数据加载到数据仓库中，另一方面是数据的时效性，随着时间的推移，数据的价值和意义可能会发生变化，对于一个销售企业，去年的销售数据在当时可以用来分析当年的销售业绩，而随着时间的发展，这些数据可以用来与今年的销售数据进行对比，分析销售增长或下降的趋势。
2、时间维度的重要性
- 在数据仓库的设计中，时间维度是一个非常重要的维度，几乎所有的主题数据都会与时间维度相关联，在分析库存数据时，不仅要知道当前的库存数量，还要知道库存数量在不同时间点（如每月、每季度）的变化情况，通过将时间维度纳入数据仓库的设计，可以方便地进行基于时间的数据分析，如时间序列分析、趋势预测等。
数据量大
1、多源数据积累
- 由于数据仓库集成了来自多个数据源的数据，并且要保留大量的历史数据，所以数据量通常非常庞大，一个大型企业的数据仓库可能包含数TB甚至数PB的数据，一家跨国零售企业，它在全球各地有众多的门店，每个门店每天都会产生大量的销售、库存、客户等数据，随着时间的推移，这些数据不断积累到数据仓库中。
2、应对大数据的挑战
- 数据量大给数据仓库带来了一系列的挑战，如数据存储、数据查询和分析的效率等，为了应对这些挑战，数据仓库需要采用先进的存储技术（如分布式存储）和数据处理技术（如并行计算），在数据仓库的设计阶段，也需要考虑如何优化数据结构，以提高数据的查询和分析性能，采用星型模型或雪花模型等数据仓库模型来组织数据，以便于进行复杂的数据分析操作。
评论列表