數據倉庫有哪些

A. 什麼是數據倉庫為什麼要建立數據倉庫數據倉庫有什麼特點

數據倉庫概念:
英文名稱為Data Warehouse，可簡寫為DW或DWH。數據倉庫的目的是構建面向分析的集成化數據環境，為企業提供決策支持（Decision Support）。它出於分析性報告和決策支持目的而創建。
這就要從數倉能解決的問題或者痛點來說，大型公司的業務相對復雜，隨著公司業務的擴大，跨BU，跨BG的業務往來越來越多，而數據一般分散在各個部門，這樣需要統一的平台來存儲這樣的跨系統的數據。此外，近年來分庫分表等應用越來越多，僅通過傳統關系型資料庫做數據分析和挖掘已經不能滿足要求。當然隨著手機APP的大量使用，埋點等數據一般都以log日誌方式存在，需要一個新的介質後者方案來解析這些數據，為了解決這個問題，數倉技術應運而生。

反過來講，如果公司系統較為單純，數據量比較小，傳統關系型資料庫以及完全可以滿足數據檢索和分析的需求，就不需要花成本來構建數倉。

其實構建數倉的原因還有很多，但無非是用一個更可靠的平台把分散的低價值的數據通過清洗，整合，分析挖掘使得數據的價值最大化。

B. 數據倉庫有哪些模型舉例說明

1、星型模型
星型模型是一種由一點向外輻射的建模範例，中間有一單一對象沿半徑向外連接到多個對象。星型模型反映了最終用戶對商務查詢的看法:銷售事實、賠償、付款和貨物的托運都用一維或多維描述(按月、產品、地理位置)。星型模型中心的對象稱為「事實表」，與之相連的對象稱為「維表」。對事實表的查詢就是獲取指向維表的指針表，當對事實表的查詢與對維表的查詢結合在一起時，就可以檢索大量的信息。通過聯合，維表可以對查找標准細剖和聚集。
2、雪花模型
雪花模型是對星型模型的擴展，每一個點都沿半徑向外連接到多個點.雪花模型對星型的維表進一步標准化，它的優點是通過最大限度的減少數據存儲量以及把較小的標准化表(而不是大的非標准化表)聯合在一起來改善查詢性能。化及維的較低的粒度，雪花模型增加了應用程序的靈活性。
3、混合模型
混合模型是星型模型和雪花模型的一種折衷模式，其中星型模型由事實表和標准化的維表組成，雪花模型的所有維表都進行了標准化。在混合模型中，只有最大的維表才進行標准化，這些表一般包含一列列完全標准化的(重復的)數據。

C. 數據倉庫的主要特點有哪些

數據倉庫是面向主題的、集成的、非易失的和時變的數據集合，用以支持管理決策。

• 面向主題:

傳統資料庫中，最大的特點是面向應用進行數據的組織，各個業務系統可能是相互分離的。而數據倉庫則是面向主題的。主題是一個抽象的概念，是較高層次上企業信息系統中的數據綜合、歸類並進行分析利用的抽象。在邏輯意義上，它是對應企業中某一宏觀分析領域所涉及的分析對象。

• 集成性:

通過對分散、獨立、異構的資料庫數據進行抽取、清理、轉換和匯總便得到了數據倉庫的數據，這樣保證了數據倉庫內的數據關於整個企業的一致性。

數據倉庫中的綜合數據不能從原有的資料庫系統直接得到。因此在數據進入數據倉庫之前，必然要經過統一與綜合，這一步是數據倉庫建設中最關鍵、最復雜的一步，所要完成的工作有：1.要統一源數據中所有矛盾之處，如欄位的同名異義、異名同義、單位不統一、字長不一致，等等。2.進行數據綜合和計算。數據倉庫中的數據綜合工作可以在從原有資料庫抽取數據時生成，但許多是在數據倉庫內部生成的，即進入數據倉庫以後進行綜合生成的。

• 非易失性

數據倉庫的數據反映的是一段相當長的時間內歷史數據的內容，是不同時點的資料庫快照的集合，以及基於這些快照進行統計、綜合和重組的導出數據。

數據非易失性主要是針對應用而言。數據倉庫的用戶對數據的操作大多是數據查詢或比較復雜的挖掘，一旦數據進入數據倉庫以後，一般情況下被較長時間保留。數據倉庫中一般有大量的查詢操作，但修改和刪除操作很少。因此，數據經加工和集成進入數據倉庫後是極少更新的，通常只需要定期的載入和更新。

• 時變性

數據倉庫包含各種粒度的歷史數據。數據倉庫中的數據可能與某個特定日期、星期、月份、季度或者年份有關。數據倉庫的目的是通過分析企業過去一段時間業務的經營狀況，挖掘其中隱藏的模式。雖然數據倉庫的用戶不能修改數據，但並不是說數據倉庫的數據是永遠不變的。分析的結果只能反映過去的情況，當業務變化後，挖掘出的模式會失去時效性。因此數據倉庫的數據需要更新，以適應決策的需要。從這個角度講，數據倉庫建設是一個項目，更是一個過程。數據倉庫的數據隨時間的變化表現在以下幾個方面：

（1） 數據倉庫的數據時限一般要遠遠長於操作型數據的數據時限。
（2） 操作型系統存儲的是當前數據，而數據倉庫中的數據是歷史數據。
（3） 數據倉庫中的數據是按照時間順序追加的，它們都帶有時間屬性。

D. 數據倉庫是什麼啊

數據倉庫是在企業管理和決策中面向主題的、集成的、與時間相關的、不可修改的數據集合

數據倉庫，英文名稱為Data Warehouse，可簡寫為DW。

數據倉庫之父Bill Inmon在1991年出版的「Building the Data Warehouse」一書中所提出的定義被廣泛接受——數據倉庫（Data Warehouse）是一個面向主題的（Subject Oriented）、集成的（Integrated）、相對穩定的（Non-Volatile）、反映歷史變化（Time Variant）的數據集合，用於支持管理決策(Decision Making Support)。

◆面向主題：操作型資料庫的數據組織面向事務處理任務，各個業務系統之間各自分離，而數據倉庫中的數據是按照一定的主題域進行組織的。

◆集成的：數據倉庫中的數據是在對原有分散的資料庫數據抽取、清理的基礎上經過系統加工、匯總和整理得到的，必須消除源數據中的不一致性，以保證數據倉庫內的信息是關於整個企業的一致的全局信息。

◆相對穩定的：數據倉庫的數據主要供企業決策分析之用，所涉及的數據操作主要是數據查詢，一旦某個數據進入數據倉庫以後，一般情況下將被長期保留，也就是數據倉庫中一般有大量的查詢操作，但修改和刪除操作很少，通常只需要定期的載入、刷新。

◆反映歷史變化：數據倉庫中的數據通常包含歷史信息，系統記錄了企業從過去某一時點(如開始應用數據倉庫的時點)到目前的各個階段的信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。

數據倉庫是一個過程而不是一個項目。

數據倉庫系統是一個信息提供平台，他從業務處理系統獲得數據，主要以星型模型和雪花模型進行數據組織，並為用戶提供各種手段從數據中獲取信息和知識。

從功能結構化分，數據倉庫系統至少應該包含數據獲取（Data Acquisition）、數據存儲（Data Storage）、數據訪問（Data Access）三個關鍵部分

E. 什麼是數據倉庫

數據倉庫（DataWareHouse），簡稱為DW，是為給企業所有級別的決策制定過程，提供所有類型數據支持的戰略集合。被認為是商業智能的核心組件，由比爾·恩門於1990年提出。它是信息的中央存儲庫，出於分析性報告和決策支持目的而創建。

F. 什麼是數據倉庫，數據倉庫如何分層

數據倉庫分層的原因
1通過數據預處理提高效率，因為預處理，所以會存在冗餘數據
2如果不分層而業務系統的業務規則發生變化，就會影響整個數據清洗過程，工作量巨大
3通過分層管理來實現分步完成工作，這樣每一層的處理邏輯就簡單了

標準的數據倉庫分層：ods（臨時存儲層），pdw（數據倉庫層），mid（數據集市層），app（應用層）
ods：歷史存儲層，它和源系統數據是同構的，而且這一層數據粒度是最細的，這層的表分為兩種，一種是存儲當前需要載入的數據，一種是用於存儲處理完後的數據。
pdw：數據倉庫層，它的數據是干凈的數據，是一致的准確的，也就是清洗後的數據，它的數據一般都遵循資料庫第三範式，數據粒度和ods的粒度相同，它會保存bi系統中所有歷史數據
mid：數據集市層，它是面向主題組織數據的，通常是星狀和雪花狀數據，從數據粒度將，它是輕度匯總級別的數據，已經不存在明細的數據了，從廣度來說，它包含了所有業務數量。從分析角度講，大概就是近幾年
app：應用層，數據粒度高度匯總，倒不一定涵蓋所有業務數據，只是mid層數據的一個子集。

數據倉庫的目的是構建面向分析的集成化數據環境，為企業提供決策支持。數據倉庫的context也可以理解為：數據源，數據倉庫，數據應用

數據倉庫可以理解為中間集成化數據管理的一個平台
etl（抽取extra，轉化transfer，裝載load）是數據倉庫的流水線，也可以認為是數據倉庫的血液。
數據倉庫的存儲並不需要存儲所有原始數據，因為比如你存儲冗長的文本數據完全沒必要，但需要存儲細節數據，因為需求是多變的，而且數據倉庫是導入數據必須經過整理和轉換使它面向主題，因為前台資料庫的數據是基於oltp操作組織優化的，這些可能不適合做分析，面向主題的組織形式才有利於分析。
多維數據模型就是說可以多維度交叉查詢和細分，應用一般都是基於聯機分析處理（online analytical process OLAP），面向特定需求群體的數據集市會基於多位數據模型構建
而報表展示就是將聚合數據和多維分析數據展示到報表，提供簡單和直觀的數據。
元數據，也叫解釋性數據，或者數據字典，會記錄數據倉庫中模型的定義，各層級之間的映射關系，監控數據倉庫的數據狀態和etl的任務運行狀態。一般通過元數據資料庫來統一存儲和管理元數據。

G. 簡述數據倉庫有哪些主要的特徵

1、數據倉庫是面向主題的；操作型資料庫的數據組織面向事務處理任務，而數據倉庫中的數據是按照一定的主題域進行組織。主題是指用戶使用數據倉庫進行決策時所關心的重點方面，一個主題通常與多個操作型信息系統相關。
2、數據倉庫是集成的，數據倉庫的數據有來自於分散的操作型數據，將所需數據從原來的數據中抽取出來，進行加工與集成，統一與綜合之後才能進入數據倉庫；
數據倉庫中的數據是在對原有分散的資料庫數據抽取、清理的基礎上經過系統加工、匯總和整理得到的，必須消除源數據中的不一致性，以保證數據倉庫內的信息是關於整個企業的一致的全局信息。
數據倉庫的數據主要供企業決策分析之用，所涉及的數據操作主要是數據查詢，一旦某個數據進入數據倉庫以後，一般情況下將被長期保留，也就是數據倉庫中一般有大量的查詢操作，但修改和刪除操作很少，通常只需要定期的載入、刷新。
數據倉庫中的數據通常包含歷史信息，系統記錄了企業從過去某一時點(如開始應用數據倉庫的時點)到當前的各個階段的信息，通過這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。
3、數據倉庫是不可更新的，數據倉庫主要是為決策分析提供數據，所涉及的操作主要是數據的查詢；
4、數據倉庫是隨時間而變化的，傳統的關系資料庫系統比較適合處理格式化的數據，能夠較好的滿足商業商務處理的需求。穩定的數據以只讀格式保存，且不隨時間改變。

H. 數據倉庫的技術結構有哪些

是這個么
不懂哎
O(∩_∩)O~
(一)
數據源
是
數據倉庫
系統的
基礎
，是整個系統的數據源泉。通常包括企業
內部信息
和
外部信息
。內部信息包括存放於RDBMS中的各種業務處理數據和各類
文檔
數據。外部信息包括各類法律法規、
市場信息
和
競爭對手
的信息等等;
(二)數據的存儲與管理
是整個數據倉庫系統的
核心
。數據倉庫的真正
關鍵
是數據的存儲和管理。數據倉庫的組織管理方式決定了它有別於
傳統資料庫
，
同時
也決定了其對
外部數據
的表現形式。要決定採用什麼產品和技術來建立數據倉庫的核心，則需要從數據倉庫的技術特點著手分析。針對現有各業務系統的數據，進行抽取、清理，並有效集成，按照主題進行組織。數據倉庫按照數據的
覆蓋范圍
可以分為
企業級數據倉庫
和部門級數據倉庫(通常稱為
數據集市
)。
(三)OLAP(聯機分析處理)
伺服器
對分析需要的數據進行有效集成，按多維
模型
予以組織，以便進行
多角度
、多層次的分析，並發現
趨勢
。其具體實現可以分為:ROLAP(關系型在線分析處理)、MOLAP(多維在線分析處理)和HOLAP(混合型線上分析處理)。ROLAP基本數據和
聚合數據
均存放在RDBMS之中;MOLAP基本數據和聚合數據均存放於
多維資料庫
中;HOLAP基本數據存放於RDBMS之中，聚合數據存放於多維資料庫中。
(四)
前端
工具
主要包括各種
報表工具
、查詢工具、數據分析工具、
數據挖掘工具
以數據挖掘及各種基於數據倉庫或數據集市的應用開發工具。其中數據分析工具主要針對OLAP伺服器，報表工具、數據挖掘工具主要針對數據倉庫。

I. 數據倉庫的模型有哪些

1. 星型模式

星形模式(Star Schema)是最常用的維度建模方式。星型模式是以事實表為中心，所有的維度表直接連接在事實表上，像星星一樣。星形模式的維度建模由一個事實表和一組維表成，且具有以下特點：a. 維表只和事實表關聯，維表之間沒有關聯；b. 每個維表主鍵為單列，且該主鍵放置在事實表中，作為兩邊連接的外鍵；c. 以事實表為核心，維表圍繞核心呈星形分布；

星座模型