数据仓库概念与设计详解

本幻灯片演示详细阐述了使用 Oracle 设计和部署数据仓库的方法。

大多数商务数据是多维的，传统的数据模型在表示三维以上的数据时存在困难。概念模型简化了这一过程，并允许用户、开发者及其他利益相关者建立联系。它包括确定系统边界、决策类型和所需信息，以及确定主题域、公共键码、联系、属性组，进而确定时间维、销售位置维、产品维和组别维等维度。最后，概念模型还确定了相应维的详细类别和用于分析的数值化指标和事实。

第1章探讨了决策支持系统的发展，从直接存取存储设备到个人计算机和第四代编程语言技术的演化，以及数据抽取程序和自然演化体系结构中的问题。章节还涵盖了体系结构设计环境、用户身份、开发生命周期、硬件利用模式和重建工程的建立。监控数据仓库环境和总结也在此章进行。

数据仓库设计方法 数据仓库设计方法主要有三种： 自上而下（Top-Down）： 该方法从整体架构出发，首先定义企业级的数据模型，然后逐步细化到各个主题域和数据 marts。 自底而上（Bottom Up）： 该方法从现有数据源出发，逐步整合和构建数据仓库。 混合方法： 该方法结合了自上而下和自底而上的优点，在实际项目中更为常见。 数据仓库建模 数据仓库建模是数据仓库设计的重要环节，常用的数据仓库模型包括： 星型模型 雪花模型 星座模型

在云端数据存储的领域，元数据、计算和存储的分离是实现高可用、高并发和良好扩展性的关键。这种新型对象存储系统有望取代传统的HDFS。

数据仓库ETL（Extract, Transform, Load）是建立和维护数据仓库的核心过程，涉及从多种数据源中提取数据，经过清洗、转换后加载到数据仓库，以支持分析和决策。ETL在IT领域中至关重要，保证数据质量和一致性。数据抽取通过SQL查询、数据导出或定制的ETL工具实现，数据转换包括数据清洗、整合、标准化和类型转换，数据加载则涉及全量或增量加载到数据仓库。现代工具如Informatica、Talend、SSIS提供图形化界面和多数据源支持，优化策略包括批量插入和性能调优。

产品(Product)-设计原则 金融机构以追求利润最大化为目标，向市场提供各种金融产品和服务。本主题存储我行的各项业务品种，同时可存放竞争对手的产品。 目前，在通用数据标准成果中，产品代码与源系统无映射关系。模型客户化后，基于源业务系统的业务种类定义统一的业务种类信息。业务种类与协议的对应关系为CCB建立PMS（产品管理系统）后做准备。 特征子主题设计的前提是产品定义及描述的规范化。目前，源系统中特征信息描述不规范，难以统一标识。因此，特征子主题中的大部分实体在逻辑层面存在。其他主题（如协议）涉及的特征信息（如利率、费用等）存放在相关实体中。特征子主题的物理化将随着数据源信息规范化的完善而实

1) 研究数据仓库的发展和未来展望。 (2) 理解数据仓库的结构和参考框架。 (3) 初步了解数据挖掘技术及其工具。 (4) 掌握适用性更强的数据挖掘应用模型，便于根据用户需求变化进行灵活修改。通过介绍OLAP技术概念，了解OLAP的发展和特点。学习多维分析基本概念。 (4) 掌握OLAP实施方法。 (5) 学习多维OLAP与关系OLAP的概念。 (6) 评估传统和现代数据挖掘技术的OLAP技术应用。

数据仓库的特点包括面向特定应用的集成，每个数据库针对特定应用，彼此独立。数据仓库中的数据面向企业级的分析处理，已经实现了数据的集成，从而消除了数据不一致性。与操作型数据库相比，数据仓库具有显著的集成优势。