数据仓库示例及其计算定义

如果组织机构处理所有数据以支持决策，会发生什么？如果他们使用专门的软件进行数据呈现和分析，又会发生什么？我们将提供一些数据仓库的示例来回答这些问题。

数据仓库示例

首先，区分两个术语很重要，由于它们的缩写，很容易混淆我们，从一开始的目的是让用户知道会发生什么，并知道他们将要了解的一些基本概念面对。在这里，我们将展示无数示例，这些示例有助于个人拥有区分这些元素的工具。

定义

鉴于这两个术语之间的差异，我们将继续对它们进行正式定义，因为它是一个提取、转换、整合和集成组织内部和外部数据的过程，以便使它们在决策中可访问和有用-制作。

同样，数据仓库也可以定义为具有电子文件系统信息的基础，存储分析信息和决策所需的数据。它的不同之处在于它是面向业务的、集成的、时变的和非易失性的。

基本上，数据仓库 (DWH) 是一个过程，而数据仓库 (DW) 是一个数据库。

特点

数据仓库有几个方面的特征，它们为其最佳使用提供了必要的工具，从而符合以最佳方式生成工具以供其使用的编程指南。我们将详细介绍数据仓库的特征：

业务导向

仅将相关数据输入数据仓库进行分析和决策。也就是说，不考虑不具有分析价值的数据，例如房间地址、邮政编码、电子邮件地址等。但它们的兴趣各不相同，例如客户类型、地理位置、年龄等。

管理高级实体，例如客户、产品、项目、区域等。数据以多维的方式存储，即实际上和维度表。

Integrada

来自异构来源的所有数据都经过整合，以保证其质量和清洁度。主要数据来源有：

根据用户类型。

- 操作性：它每天产生大量数据，但它本身与所需的分析几乎没有关系。例如，产品销售。
- 中：根据运营数据生成具有中短期含义的数据。这个概念的一个很好的例子是库存生成。
- 管理：使用来自集成和转换过程的数据。反过来，它会产生新的信息。它基本上是指数据仓库的用户。

根据组织所在地区或部门

- 领域：每个领域都有明确的职责。他们生成自己的数据，与其他区域共享。
- 细分：它们通常是地理的。它们提供位置数据，这些数据必须与其他数据结合在一起。

根据消息来源

- 内部：他们生成自己的数据，来自公司的日常活动。
- 外部：它们补充内部数据，例如人口普查和统计数据。

时间不同

它允许访问相同情况的不同版本，因为在数据仓库示例中，当前数据与历史数据一起存储。

不挥发

它保证了信息的稳定性，因为数据一旦进入就不会改变。也就是说，只有在输入和查阅数据时才对数据进行操作。

总之，数据仓库的主要品质是：

特质

处理大量数据，这是从各种来源积累的历史、当前和汇总数据的结果。

它将整个数据量放在一个集中的数据库中。以多维方式构建数据。

好处

由于其特性和品质，数据仓库具有以下优势：

它减少了收集特定主题的所有相关数据所需的最短时间。
提供分析工具。
许多报告和分析都是用户定义的。
它允许您直接访问、分析和监控组织的指标。
它有助于识别影响公司运营的因素。
它允许推进和确定机构的未来行为。
用户可以快速方便地查询数据。

简而言之，数据仓库帮助组织回答决策制定的基本问题。这实现了竞争优势，从而优化了他们在经营所在市场中的地位。其中一些问题是：

客户的个人资料是什么？
他们的行为如何？
企业的盈利能力如何？
对组织有什么风险？
您使用哪些服务和产品以及如何增加它们？

范围

数据仓库可以适用于任何组织，无论其规模和复杂程度如何。这是任何机构、公司或组织在对其产生的数据做出相关决策时议程的结果。

应用风险

它需要组织方面的大量投资。其实施的好处不是在短期内看到的，而是在中长期内看到的。

数据的操纵威胁到敏感数据的操纵。

需要考虑的方面

正如开头所提到的，将这些元素应用于服务器的使用必须考虑几个方面。其中，我们可以提到以下几点：

申请费用

数据仓库承担建设、运营和支持成本。建设成本是指人力资源、时间和技术成本，而运维成本则考虑进化成本、成长成本以及数据来源变化所产生的成本。

对人的影响

数据仓库的应用总是在用户中产生期望，他们必须获得新技能。此类数据的成功取决于用户的积极使用和反馈。

对业务和决策过程的影响

随着数据仓库的应用，可以揭示业务流程中的某些缺陷，但同时增加了对基于其获得的结果做出的决策的信心。

建筑

示例数据仓库的一般架构如上图所示。可以看出，该系统涉及其组件之间的一系列交互。在这方面，作为总结，其操作可以描述如下：

数据取自各种来源，例如 Web 服务、文件和其他内部和外部数据库。
提取数据后，将对其进行集成、转换和清理，然后将其加载到数据仓库中。
为了生成战术和战略信息，从数据加载中获得报告和分析。
最后，用户可以查阅和探索生成的报告和分析。

分子

我们现在将描述一些可以在数据仓库中评估的元素，这些元素应该被考虑。

数据仓库源

通常，它们是公司日常活动的结果，在这种情况下，它们被称为内部来源。例如，当数据取自 Web 服务器时，这些被视为外部来源。它们彼此不同，因为它们取决于它们的起源、格式、功能等。

提取、转换和加载

它被称为 ETL，它包括从获取数据到将数据加载到数据仓库中执行的所有任务的过程。它们是：提取、操作、控制、集成、数据清理、加载和更新。

萃取

它包括专注于从各种来源仅获取相关数据并将其保存在内部存储中的技术。这种类型的存储允许操作数据，而无需干预或更改数据源或具有更多数据的数据仓库，在读取和加载之间创建提取层，存储和管理过程中生成的元数据并促进集成。

提取基于用户的需求和为解决方案定义的要求。

变形金刚

这些技术负责使不同格式兼容，以及对数据进行过滤和分类以及相关来源。

此功能负责应用与数据相关的所有适当命令，以便以与数据仓库兼容且一致的强大且合理的方式促进它们。此外，它负责数据的清洁度和质量。

加载

关于数据的初始加载和数据仓库的定期更新的技术。

初始加载是指数据仓库接收的第一次数据加载。通常，由于属于长时间段的大量记录，因此非常耗时。
定期更新是指插入少量数据。您的目标是仅将上次更新生成的数据添加到数据仓库样本中。这取决于用户的需要和要求。

总之，通过数据加载的过程，保证了数据仓库的维护。

综上所述，可以说ETL过程是这样进行的：

数据一旦从相关来源中提取出来，就会存放在内部存储中。
当数据保存在内部存储中时，它被集成和转换。
数据清洗后，经过上一步，传递到数据仓库。

报告书

报告是图形工具，允许用户获取有关其公司信息的详细报告。与这些报告交互的方式对用户来说非常简单，因为它们是易于遵循的说明。基本上，您必须从菜单中选择选项，参考所呈现主题的条件和规格。

OLAP

它是数据仓库最强大的组件，因为它包含系统的专用多维查询引擎。

它允许从不同的历史场景分析组织。它从多维视角来预测其行为和演变，即通过结合不同的观点、感兴趣的主题或维度。这允许通过发现第一眼很难发现的观点之间的关系来推断趋势。

数据挖掘

它主要是一种统计工具，可以通过它进行预测。它是关于推断行为，没有预先建立的规则。它以表格和图表等形式生成报告，以积极主动的方式促进决策。它以已经完全处理过的信息为基础工作。

OLAP 和数据挖掘的区别

一旦考虑了 OLAP 和数据挖掘的主要方面，就可以确定它们之间的基本区别。

使用 OLAP，可以解读公司的现状，快速给出答案，促进决策。
数据挖掘基于对激发某些类型行为的隐藏知识的研究来预测情况。

因此，这两个系统都处理解决不同类型的分析情况。

数据挖掘及其与数据仓库的关系

数据挖掘系统是最终用户的一种支持技术，其目标是从公司数据库中包含的信息中提取有用的信息。换句话说，数据挖掘算法使用的信息的来源通常是数据仓库中包含的历史数据。

数据最小化技术与数据仓库中涉及的流程之间必须有集成。也就是说，为了能够进行业务分析，必须在数据挖掘、数据仓库和 OLAP 服务器之间达成一致。

每次 Data Warehouse 提供新结果时，公司都可以重新应用 Data Minig 来优化决策。

简而言之，Data Minig 和 Data Warehouse 是完全兼容的工具。数据仓库提供内存和数据挖掘智能。

传统数据库与数据仓库

对迄今为止公开的方面的分析使我们了解到，数据仓库不同于支持组织日常事务的数据库。这里的基本区别

在传统数据库中，信息被组织起来，以便于检索和更新。数据仓库是面向最终用户组织和面向的，最终用户只能进行查询。
事务数据库负责数据的日常处理。数据仓库处理历史数据，即对应很长一段时间。
传统数据库在一个工作日内会被多次访问。在数据仓库中，读取和查询很少，因为它是偶尔访问的。
数据仓库管理的数据量远大于传统数据库中管理的数据量。
交易基础结构稳定。数据仓库的结构根据其自身的演变和使用而变化。

接下来，我们将举一些数据仓库的例子。