数据仓库的描述

数据仓库基本概念对数据仓库最大的误解是把它当作一个现成的可以直接买来使用的产品。

数据仓库和数据库不同,它不是现成的软件或者硬件产品。

确切说,数据仓库是一种解决方案,是对原始的操作数据进行各种处理并转换成有用信息的处理过程,用户可以通过分析这些信息从而作出策略性的决策。

随着计算机技术的迅速发展,信息处理技术也得到了长足的发展,从70年代中期的MIS系统发展到现代的数据仓库(Data Warehouse)技术。

许多厂商都在开发自已的数据仓库解决方案,并通过各种渠道大力推广。

但就数据仓库技术而言,目前仍存在着许多认识上的误区,本文将着重介绍一些数据仓库的基本概念以及建立数据仓库时应该注意的一些情况。

数据仓库不是现成软件或硬件产品对数据仓库最大的误解可能是把它当作一个现成的可以直接买来使用的产品。

事实上,数据仓库和数据库不同,它不是现成的软件或者硬件产品。

比较确切地说,数据仓库是一种解决方案,是对原始的操作数据进行各种处理并转换成有用信息的处理过程,用户可以通过分析这些信息从而作出策略性的决策。

因此,在很多场合,我们也把数据仓库系统称为决策支持系统。

由于这个原因,数据仓库的用户不是类似银行柜员的终端操作人员,而是针对各个业务部门的用户和有关决策人员。

因此,数据仓库的用户比传统的OLTP(联机事务处理:On-line Transaction Processing)用户少得多。

OLTP与OLAPOLTP系统也称为生产系统,它是事件驱动、面向应用的,比如银行的储蓄系统就是一个典型的OLTP系统。

OLTP的基本特点是:·对响应时间要求非常高;·用户数量非常庞大,主要是操作人员;·数据库的各种操作基于索引进行。

OLAP(联机分析处理:On-line Analytical Processing)是基于数据仓库的信息分析处理过程,是数据仓库的用户接口部分。

OLAP系统是跨部门、面向主题的,其基本特点是：·基础数据来源于生产系统中的操作数据(Operational Data);·响应时间合理;·用户数量相对较小,其用户主要是业务决策与管理人员;·数据库的各种操作不能完全基于索引进行。

数据仓库基础知识1、什么是数据仓库？权威定义：数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。

1）数据仓库是用于支持决策、面向分析型数据处理；2）对多个异构的数据源有效集成，集成后按照主题进行重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。

面对大数据的多样性，在存储和处理这些大数据时，我们就必须要知道两个重要的技术。

分别是：数据仓库技术、Hadoop。

当数据为结构化数据，来自传统的数据源，则采用数据仓库技术来存储和处理这些数据，如下图：2、数据仓库和数据库的区别？从目标、用途、设计来说。

1）数据库是面向事务处理的，数据是由日常的业务产生的，并且是频繁更新的；数据仓库是面向主题的，数据来源多样化，经过一定的规则转换得到的，用于分析和决策；2）数据库一般用来存储当前事务性数据，如交易数据；数据仓库一般存储的是历史数据；3）数据库设计一般符合三范式，有最大的精确度和最小的冗余度，有利于数据的插入；数据仓库设计一般不符合三范式，有利于查询。

3、如何构建数据仓库？数据仓库模型的选择是灵活的，不局限与某种模型方法；数据仓库数据是灵活的，以实际需求场景为导向；数仓设计要兼顾灵活性、可扩展性、要考虑技术可靠性和实现成本。

1）调研：业务调研、需求调研、数据调研2）划分主题域：通过业务调研、需求调研、数据调研最终确定主题域3）构建总线矩阵、维度建模总线矩阵：把总线架构列表形成矩阵形式，行表示业务处理过程，即事实，列表示一致性的维度，在交叉点上打上标记表示该业务处理过程与该维度相关（交叉探查）4）设计数仓分层架构5）模型落地6）数据治理4、什么是数据中台？数据中台是通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。

数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产层，进而为客户提供高效服务。

这些服务和企业的业务有较强关联性，是企业所独有且能复用的，他是企业业务和数据的积淀，其不仅能降低重复建设，减少烟囱式协助的成本，也是差异化竞争的优势所在。

数据仓库的概念模型的概念数据仓库是一种用于支持决策分析和业务报告的数据存储和管理系统。

它的主要目标是将来自不同数据源的大量数据集成到一个统一的、结构化的、易于查询和分析的数据集中，以便帮助企业进行决策制定和战略规划。

数据仓库的概念模型是数据仓库设计的核心基础，它描述了数据仓库中存储的数据以及数据之间的关系和属性。

概念模型体现了数据仓库的逻辑结构，为数据仓库的建立、使用和维护提供了指导和便利。

数据仓库的概念模型通常采用星型模型或雪花模型。

星型模型是以事实表为核心，围绕事实表构建多个维度表。

事实表存储了事实数据，如销售量、收入等，而维度表包含了与事实数据相关的各种维度，如时间、地区、产品等。

事实表和维度表通过外键关联起来，形成一个星形的数据结构。

星型模型简单直观，易于理解和查询，适用于较为简单的数据仓库场景。

雪花模型在星型模型的基础上进一步细化了维度表，将维度表再次分解成更小的表。

这种模型可以更好地表达维度之间的关系，但也带来了更复杂的查询和维护操作。

通常情况下，星型模型适用于规模较小、数据结构相对简单的数据仓库，而雪花模型适用于规模较大、数据结构复杂的数据仓库。

在数据仓库的概念模型中，一般还包括以下几个关键元素：1. 数据源：数据仓库的数据源包括各种数据库、文件、应用系统等，数据从这些源中抽取、清洗和转换后存储到数据仓库中。

2. ETL过程：ETL（抽取、转换、加载）是数据仓库的重要组成部分。

在ETL过程中，数据从各个源系统中抽取出来，经过一系列的转换操作，最后加载到数据仓库中。

ETL过程的设计和实现对数据仓库的性能和质量有着重要影响。

3. 元数据：元数据是数据仓库中的数据描述信息，包括数据定义、数据源、数据转换规则、数据质量、数据字典等。

元数据的管理对于数据仓库的正确理解和有效使用至关重要。

4. 查询和报告：数据仓库的主要目标是提供给决策者和业务用户一个易于查询和分析的数据集。

因此，数据仓库的概念模型需要考虑查询和报告的需求，提供适当的数据结构和查询接口。

数据仓库名词解释数据仓库是一个面向主题的、集成的、稳定的、直接面向最终用户的数据集合，用于支持企业决策制定、分析和决策支持系统。

数据仓库是一个独立的数据存储和管理系统，其目标是针对企业中各个部门的数据进行整合、清洗、加工和建模，从而提供一套一致、可信、易于访问和理解的数据，帮助用户进行数据分析和企业决策。

以下是一些与数据仓库相关的重要概念和名词的解释：1. 数据集成：将来自不同数据源的数据整合到数据仓库中，包括内部和外部数据源。

2. 数据清洗：数据清洗是指通过一系列的操作，消除数据中的错误、重复、缺失和不一致的部分，提高数据的质量。

3. 数据加工：对数据进行转换、聚合、计算和抽取，以满足用户的特定需求和分析目的。

4. 主题：数据仓库的主题是指根据企业的业务需求而组织起来的数据类别或领域，例如销售、人力资源、供应链等。

5. 元数据：元数据是描述数据的数据，包括数据的源头、结构、定义、关系等。

元数据对于数据仓库的管理和使用非常重要。

6. 维度：维度是数据仓库中描述主题的属性，如时间、地理位置、产品、客户等，用于分析和查询。

7. 度量：度量是数据仓库中可以计量和比较的数据，如销售额、利润、客户数量等。

8. 星型模式：星型模式是一种常见的数据仓库建模技术，其中一个中心表（事实表）围绕着多个维度表进行关联。

9. 粒度：粒度是指数据仓库中所记录的事实的详细程度，如日销售额、月销售额、年销售额等。

10. OLAP（联机分析处理）：OLAP是一种针对多维数据进行快速查询和分析的技术，通过透视表、图表和报表等方式展现数据。

11. ETL（抽取、转换和加载）：ETL是数据仓库中的核心过程，用于从源系统中抽取数据，通过转换和加工后加载到数据仓库中。

12. 决策支持系统：决策支持系统是通过利用数据仓库中的数据和分析工具，辅助管理层做出决策的信息系统。

数据仓库在企业中扮演着重要的角色，它能够提供一致、准确的数据，帮助企业决策者进行数据分析和制定决策。

一、数据仓库的概念及使用情况介绍1996年, Inmon 在他的专著《Building the Data Warehouse》中, 对数据仓库做了如下定义,即“面向主题的、完整的、非易失的、不同时间的、用于支持决策的数据集合”。

这和传统的OLTP系统有很大的区别,它属在线分析(OLAP)系统的范畴。

面向主题的,指的是它将依据一定的主题,比如经销商、产品、定单等汇总各个OLTP系统的数据。

完整的, 指的是要求对各个系统数据表示进行转换,用统一编码表示,比如,A系统用001表示退货, 而B系统用999表示退货,在数据仓库中必须统一成一个编码。

非易失的, 指的是系统用户只读数据,不得修改数据。

数据仓库完整地记录了各个历史时期的数据,而OLTP系统不会保留全部的历史记录。

OLTP系统也难以支持决策查询,例如从几千万笔记录中获取不同区域的汇总报表。

完整的数据仓库应包括：1.数据源->2.ETL ->3.数据仓库存储->4.OLAP ->5.BI工具现实中可以实现的方案有：1.数据源-> BI工具2.数据源-> OLAP -> BI工具3.数据源-> 数据仓库存储-> BI工具4.数据源-> 数据仓库存储-> OLAP -> BI工具5.数据源-> ETL -> 数据仓库存储-> OLAP -> BI工具可见其中必需的是数据源和前端，其他的部分都可根据具体情况决定取舍。

建立数据仓库的步骤：1) 收集和分析业务需求2) 建立数据模型和数据仓库的物理设计3) 定义数据源4) 选择数据仓库技术和平台5) 从操作型数据库中抽取、净化、和转换数据到数据仓库6) 选择访问和报表工具7) 选择数据库连接软件8) 选择数据分析和数据展示软件9) 更新数据仓库数据仓库设计的主要步骤如下:1. 系统主题的确定这要求系统设计人员多与业务人员沟通, 详细了解业务需求、报表需求,再归纳成数据仓库的主题。

什么是数据仓库？什么是数据仓库数据仓库是一个环境，而不是一件产品，提供用户用于决策支持的当前和历史数据，这些数据在传统的操作型数据库中很难或不能得到。

数据仓库技术是为了有效的把操作形数据集成到统一的环境中以提供决策型数据访问的各种技术和模块的总称。

所做的一切都是为了让用户更快更方便查询所需要的信息，提供决策支持。

数据仓库的组成数据抽数据净化数据载入信息发布系统操作型数据和外界数据数据集市报表,查询, EIS工具OLAP 工具数据挖掘工具操纵平台元数据管理平台无双回复于：2003-08-03 17:43:11数据仓库数据库是整个数据仓库环境的核心，是数据存放的地方和提供对数据检索的支持。

相对于操纵型数据库来说其突出的特点是对海量数据的支持和快速的检索技术。

数据抽取工具把数据从各种各样的存储方式中拿出来，进行必要的转化、整理，再存放到数据仓库内。

对各种不同数据存储方式的访问能力是数据抽取工具的关键，应能生成COBOL程序、MVS作业控制语言（J CL）、UNIX脚本、和SQL语句等，以访问不同的数据。

数据转换都包括，删除对决策应用没有意义的数据段；转换到统一的数据名称和定义；计算统计和衍生数据；给缺值数据赋给缺省值；把不同的数据定义方式统一。

元数据元数据是描述数据仓库内数据的结构和建立方法的数据。

可将其按用途的不同分为两类，技术元数据和商业元数据。

技术元数据是数据仓库的设计和管理人员用于开发和日常管理数据仓库是用的数据。

包括：数据源信息；数据转换的描述；数据仓库内对象和数据结构的定义；数据清理和数据更新时用的规则；源数据到目的数据的映射；用户访问权限，数据备份历史记录，数据导入历史记录，信息发布历史记录等。

商业元数据从商业业务的角度描述了数据仓库中的数据。

包括：业务主题的描述，包含的数据、查询、报表；元数据为访问数据仓库提供了一个信息目录（information directory），这个目录全面描述了数据仓库中都有什么数据、这些数据怎么得到的、和怎么访问这些数据。

数据仓库技术名词解释
数据仓库技术是一种用于帮助企业集成、存储和分析大量数据的技术。

这种技术主要基于数据库系统技术发展而来，逐步形成了一系列独立的新应用技术。

通过数据仓库技术，大量的数据可以从不同的数据源中提取、转换并加载到一个数据存储库中。

然后，对这些数据进行多维分析和报告，以帮助企业做出更明智的商业决策。

数据仓库是一个为企业提供决策支持的数据存储系统，可以提供包括历史数据、实时数据、汇总数据等在内的所有类型的数据支持。

数据仓库的架构通常采用星型模型或雪花模型，以方便进行多维分析和查询。

此外，数据仓库技术还可以帮助企业提高数据质量，通过对收集到的数据进行清理和转换，提高数据的质量和准确性。

以上内容仅供参考，如需更多信息，建议查阅数据仓库相关书籍或咨询该领域专业人士。

什么是数据库数据库有哪些常见的类型数据库是指按照一定的数据模型组织、描述和存储数据的仓库。

它是为了有效地管理和存储大量数据而设计的系统。

数据库可以用来方便地存储、管理和检索数据，是各种应用系统的重要组成部分。

本文将介绍数据库的概念和常见的数据库类型。

一、数据库的概念数据库是指存储数据的仓库，它可以根据某种数据模型对数据进行组织和描述，实现对数据的增删改查等操作。

数据库的优势包括数据共享、数据一致性、数据安全性等，可以为各种应用系统提供数据支持。

二、常见的数据库类型1. 层次数据库层次数据库采用树状结构组织数据，数据之间有明确的父子关系。

每个节点可以有多个子节点，但只能有一个父节点。

层次数据库适用于需要维护数据之间层级关系的应用场景，例如企业组织架构、文件系统等。

2. 网状数据库网状数据库采用图状结构组织数据，数据之间可以有多对多的关系。

每个数据之间通过链接关系进行连接。

网状数据库适用于需要处理复杂关系的应用场景，例如网络拓扑结构、知识图谱等。

3. 关系数据库关系数据库是目前应用最广泛的数据库类型。

它采用关系模型来组织和描述数据，数据以表格的形式存储，表格由行和列组成。

每个表格代表一个实体，每行代表一个记录，每列代表一个属性。

关系数据库通过SQL语言进行查询和操作，具有良好的数据一致性和完整性。

常见的关系数据库有Oracle、MySQL、SQL Server等。

4. 面向对象数据库面向对象数据库是在关系数据库基础上进一步发展的一种数据库类型。

它可以存储复杂的对象，包括对象的属性和方法。

面向对象数据库适用于需要存储和处理对象的应用场景，例如面向对象的软件开发、嵌入式系统等。

5. NoSQL数据库NoSQL数据库（Not Only SQL）是近年来兴起的一种新型数据库类型。

它主要用于处理大数据和非结构化数据，具有高可扩展性和高性能的特点。

NoSQL数据库分为多种类型，包括键值存储数据库（如Redis）、文档数据库（如MongoDB）、列存储数据库（如HBase）等。

什么是数据仓库及其与传统型关系数据库的区别什么是数据仓库 数据仓库之⽗⽐尔·恩门（Bill Inmon）在1991年出版的“Building the Data Warehouse”（《建⽴数据仓库》）⼀书中所提出的定义被⼴泛接受，数据仓库是⼀个⾯向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，⽤于⽀持管理决策。

数据仓库是⼀个过程⽽不是⼀个项⽬；数据仓库是⼀个环境，⽽不是⼀件产品。

数据仓库提供⽤户⽤于决策⽀持的当前和历史数据，这些数据在传统的操作型数据库中很难或不能得到。

数据仓库技术是为了有效的把操作形数据集成到统⼀的环境中以提供决策型数据访问，的各种技术和模块的总称。

所做的⼀切都是为了让⽤户更快更⽅便查询所需要的信息，提供决策⽀持。

数据仓库的组成 1、数据仓库数据库 数据仓库的数据库是整个数据仓库环境的核⼼，是数据存放的地⽅和提供对数据检索的⽀持。

相对于操纵型数据库来说其突出的特点是对海量数据的⽀持和快速的检索技术。

2、数据抽取⼯具 数据抽取⼯具把数据从各种各样的存储⽅式中拿出来，进⾏必要的转化、整理，再存放到数据仓库内。

对各种不同数据存储⽅式的访问能⼒是数据抽取⼯具的关键，应能⽣成COBOL程序、MVS作业控制语⾔（JCL）、UNIX脚本、和SQL语句等，以访问不同的数据。

数据转换都包括，删除对决策应⽤没有意义的数据段；转换到统⼀的数据名称和定义；计算统计和衍⽣数据；给缺值数据赋给缺省值；把不同的数据定义⽅式统⼀。

3、元数据 元数据是描述数据仓库内数据的结构和建⽴⽅法的数据。

可将其按⽤途的不同分为两类，技术元数据和商业元数据。

技术元数据是数据仓库的设计和管理⼈员⽤于开发和⽇常管理数据仓库是⽤的数据。

包括：数据源信息；数据转换的描述；数据仓库内对象和数据结构的定义；数据清理和数据更新时⽤的规则；源数据到⽬的数据的映射；⽤户访问权限，数据备份历史记录，数据导⼊历史记录，信息发布历史记录等。

数据是信息的载体，信息是有价值有意义的数据。

数据库用于事务处理数据仓库用于决策分析数据仓库是面向主题的、集成的、稳定的，不同时间的数据集合，用于支持经营管理中决策制定过程。

数据仓库是一种管理技术，旨在通过通畅、合理、全面的信息管理，达到有效的决策支持。

数据仓库特点：（1）数据仓库是面向主题的（2）数据仓库是集成的（3）数据仓库是稳定的（4）数据仓库是随时间变化的（5）数据仓库的数据量很大（6）数据仓库软、硬件要求较高两者区别数据库：面向应用数据是详细的保持当前数据数据是可更新的对数据的操作是重复的操作需求是事先可知的一个操作存取一个记录数据非冗余操作比较频繁查询基本是原始数据事务处理需要的是当前数据很少有复杂的计算支持事务处理数据仓库：面向主题数据是综合的和历史的保存过去和现在的数据数据不更新对数据的操作是启发式的操作需求是临时决定的一个操作存取一个集合数据时常冗余操作相对不频繁查询基本是经过加工的数据决策分析需要过去和现在的数据有很多复杂的计算支持决策分析联机事物处理（On Line Transaction Processing，OLTP）是在网络环境下的事务处理工作，以快速的响应和频繁的数据修改为特征，使用户利用数据库能够快速地处理具体的业务。

OLTP是用户的数据可以立即传送到计算中心进行处理，并在很短的时间内给出处理结果。

也称为实时系统(Real time System)。

E.F.Codd在1993年提出了多维数据库和多维分析的概念，即联机分析处理（On Line Analytical Processing，OLAP）概念。

关系数据库是二维数据（平面），多维数据库是空间立体数据。

OLAP专门用于支持复杂的决策分析操作，侧重对分析人员和高层管理人员的决策支持，OLAP可以应分析人员的要求快速、灵活地进行大数据量的复杂处理，并且以一种直观易懂地形式将查询结果提供给决策制定人OLTP数据库数据细节性数据当前数据经常更新一次性处理的数据量小对响应时间要求高面向应用，事务驱动OLAP数据仓库数据综合性数据历史数据不更新，但周期性刷新一次处理的数据量大响应时间合理面向分析，分析驱动数据字典与元数据数据字典是描述数据库中各类数据的集合，包括：(1) 数据项(2) 数据结构(3) 数据流(4) 数据存储(5) 处理过程数据字典是数据库的元数据。

数据仓库的源数据类型数据仓库是一个用于集成、存储和管理企业各种数据的系统。

为了构建一个高效的数据仓库，我们需要对源数据进行分类和标准化。

源数据类型是指数据仓库中所使用的数据源的种类和特征。

下面是对数据仓库的源数据类型的详细描述。

1. 结构化数据：结构化数据是指具有明确定义数据结构的数据，通常存储在关系型数据库中。

这些数据具有清晰的表结构和列定义，可以通过SQL查询进行访问和分析。

例如，客户订单、销售记录和员工信息等都属于结构化数据。

2. 半结构化数据：半结构化数据是指具有一定结构但不符合传统关系型数据库模式的数据。

这些数据通常以XML、JSON或HTML等格式存储，并且具有标签或标记来描述数据的结构和关系。

半结构化数据的例子包括日志文件、电子邮件和Web页面。

3. 非结构化数据：非结构化数据是指没有明确定义结构的数据，通常以文本形式存在。

这些数据没有明确的模式或格式，难以通过传统的关系型数据库进行存储和查询。

非结构化数据的例子包括文档、图像、音频和视频等。

4. 内部数据：内部数据是指由组织内部生成和收集的数据。

这些数据通常包括企业资源计划（ERP）系统、客户关系管理（CRM）系统和人力资源管理（HRM）系统等内部业务系统生成的数据。

内部数据对于企业的经营决策和业务分析非常重要。

5. 外部数据：外部数据是指从外部来源获取的数据，这些数据可以帮助企业了解市场趋势、竞争对手和行业动态等信息。

外部数据可以来自公共数据集、第三方数据供应商或互联网上的开放数据。

例如，市场调研数据、社交媒体数据和天气数据等都属于外部数据。

6. 实时数据：实时数据是指在发生事件或交易时立即生成的数据。

这些数据具有即时性和高频率性，需要实时地进行处理和分析。

实时数据的例子包括传感器数据、交易数据和网络日志等。

7. 历史数据：历史数据是指过去一段时间内生成的数据，用于回顾和分析过去的业务活动和趋势。

历史数据通常用于预测和决策支持。

数据仓库的源数据类型数据仓库是一个用于集成、管理和分析大量数据的系统。

源数据是构建数据仓库的基础，它是从各种不同的数据源中提取的原始数据。

数据仓库的源数据类型可以根据不同的分类标准进行归类和描述。

以下是常见的数据仓库源数据类型及其描述：1. 结构化数据：结构化数据是指具有固定格式和预定义模式的数据，通常存储在关系型数据库中。

这些数据可以通过 SQL 查询进行访问和分析。

例如，销售订单数据、客户信息和交易记录等都属于结构化数据。

2. 半结构化数据：半结构化数据是一种具有一定结构但不符合传统关系型数据库模式的数据。

它通常以 XML、JSON 或类似的格式存储。

半结构化数据具有一定的层次结构和标签，但标签的使用方式和层次结构可以根据需要进行调整。

例如，日志文件、配置文件和电子邮件等都属于半结构化数据。

3. 非结构化数据：非结构化数据是指没有明确定义格式和结构的数据。

它通常以文本、图像、音频或视频等形式存在。

非结构化数据的特点是无法直接通过传统的查询语言进行访问和分析。

例如，社交媒体帖子、图片和音频记录等都属于非结构化数据。

4. 多媒体数据：多媒体数据是指包含文本、图像、音频和视频等多种形式的数据。

这些数据通常以文件的形式存储，并且需要特定的工具和技术进行处理和分析。

例如，广告视频、音乐文件和图像库等都属于多媒体数据。

5. 实时数据：实时数据是指在数据产生的同时进行处理和分析的数据。

这些数据通常具有高速、高频率的特点，并且需要实时或近实时地进行处理。

例如，传感器数据、交易数据和网络日志等都属于实时数据。

6. 历史数据：历史数据是指过去某个时间段内产生的数据。

这些数据通常用于分析趋势、模式和预测等目的。

例如，销售历史数据、市场趋势数据和客户行为数据等都属于历史数据。

7. 外部数据：外部数据是指从数据仓库外部获取的数据，包括第三方数据供应商提供的数据、公共数据集和开放数据等。

外部数据可以丰富数据仓库的内容，提供更全面的分析视角。

一、数据仓库数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。

数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。

它是单个数据存储，出于分析性报告和决策支持目的而创建。

为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。

1、数据仓库是面向主题的；操作型数据库的数据组织面向事务处理任务，而数据仓库中的数据是按照一定的主题域进行组织。

主题是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息系统相关。

2、数据仓库是集成的，数据仓库的数据有来自于分散的操作型数据，将所需数据从原来的数据中抽取出数据仓库的核心工具来，进行加工与集成，统一与综合之后才能进入数据仓库；数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。

数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。

数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到当前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。

3、数据仓库是不可更新的，数据仓库主要是为决策分析提供数据，所涉及的操作主要是数据的查询；4、数据仓库是随时间而变化的，传统的关系数据库系统比较适合处理格式化的数据，能够较好的满足商业商务处理的需求。

稳定的数据以只读格式保存，且不随时间改变。

5、汇总的。

操作性数据映射成决策可用的格式。

6、大容量。

时间序列数据集合通常都非常大。

7、非规范化的。

Dw数据可以是而且经常是冗余的。

8、元数据。

将描述数据的数据保存起来。

数据仓库数据质量报告模板一、前言数据仓库作为企业数据管理和决策支持的核心组件，其数据质量的优劣直接影响到决策的准确性和有效性。

本报告模板旨在为评估和呈现数据仓库的数据质量提供一个全面、系统的框架，帮助相关人员清晰了解数据的状况，发现潜在问题，并采取相应的改进措施。

二、数据仓库概述（一）数据仓库的用途和范围描述数据仓库所支持的业务领域、应用场景以及涵盖的数据范围。

（二）数据源列出数据仓库的主要数据源，包括内部系统、外部数据接口等，并说明数据的采集方式和频率。

三、数据质量评估指标（一）完整性1、检查关键数据字段是否存在缺失值，计算缺失值的比例。

2、确认数据表中的记录数量是否符合预期，是否存在数据丢失的情况。

（二）准确性1、与权威数据源或业务规则进行比对，验证数据的准确性。

2、检查数据的格式和取值范围是否符合规范。

（三）一致性1、跨表、跨系统的数据是否一致，例如客户信息在不同数据表中的一致性。

2、同一数据字段在不同时间点的数据是否保持一致。

（四）时效性1、评估数据的更新频率是否满足业务需求。

2、检查数据的延迟情况，即数据从产生到进入数据仓库的时间间隔。

（五）可用性1、数据是否易于理解和使用，是否有清晰的数据定义和文档说明。

2、数据的访问权限是否合理，是否能满足不同用户的需求。

四、数据质量评估结果（一）完整性评估结果1、针对每个关键数据表，列出缺失值比例较高的字段，并分析可能的原因，如数据采集故障、数据录入错误等。

2、举例说明数据丢失对业务分析的影响。

（二）准确性评估结果1、列举出准确性存在偏差的数据字段，说明偏差的具体情况和影响。

2、分析导致数据不准确的原因，如数据源错误、数据转换过程中的错误等。

（三）一致性评估结果1、指出存在数据不一致的表和字段，说明不一致的表现形式。

2、探讨数据不一致产生的根源，如数据同步问题、业务规则变更未及时更新等。

（四）时效性评估结果1、评估每个数据源的数据更新频率是否达到预期，如未达到，说明对业务的影响。

第一章1、数据仓库就是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合。

2、元数据是描述数据仓库内数据的结构和建立方法的数据，它为访问数据仓库提供了一个信息目录，根据数据用途的不同可将数据仓库的元数据分为技术元数据和业务元数据两类。

3、数据处理通常分成两大类：联机事务处理和联机分析处理。

4、多维分析是指以“维”形式组织起来的数据（多维数据集）采取切片、切块、钻取和旋转等各种分析动作，以求剖析数据，使拥护能从不同角度、不同侧面观察数据仓库中的数据，从而深入理解多维数据集中的信息。

5、ROLAP是基于关系数据库的OLAP实现，而MOLAP是基于多维数据结构组织的OLAP实现。

●OLAP技术的有关概念：多维数据集、维度、度量值和多维分析；●OLAP根据其存储数据的方式可分为三类：ROLAP、MOLAP、HOLAP6、数据仓库按照其开发过程，其关键环节包括数据抽取、数据存储与管理和数据表现等。

7、数据仓库系统的体系结构根据应用需求的不同，可以分为以下4种类型：两层架构、独立型数据集合、以来型数据结合和操作型数据存储和逻辑型数据集中和实时数据仓库。

8、操作型数据存储实际上是一个集成的、面向主题的、可更新的、当前值的（但是可“挥发”的）、企业级的、详细的数据库，也叫运营数据存储。

9、“实时数据仓库”以为着源数据系统、决策支持服务和仓库仓库之间以一个接近实时的速度交换数据和业务规则。

10、从应用的角度看，数据仓库的发展演变可以归纳为5个阶段：以报表为主；以分析为主；以预测模型为主；以运营导向为主；以实时数据仓库、自动决策为主。

11、什么是数据仓库？数据仓库的特点主要有哪些？数据仓库通常是指一个数据库环境，而不是支一件产品，它是提供用户用于决策支持的当前和历史数据，这些数据在传统的数据库中通常不方便得到。

数据仓库就是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，通常用于辅助决策支持。