数据仓库与数据挖掘培训课件PPT(共 45张)
合集下载
企业竞争的利器数据仓库和数据挖掘ppt课件
各地区的 OLTP 数据源系统 集中定义数据的集成与转换规则 数据传递从下往上 此模型适用于敺植际綌企业
15
电信企业参与竞争的利器----数据仓库和数据挖掘
硬件与软件选择: 硬件选择 数据库服务器的选择取决于数据库的大小和查询的复杂度
Complex MPP Clusters Simple
电信企业参与竞争的利器数据仓库和数据挖掘54数据融合指标体系电信企业参与竞争的利器数据仓库和数据挖掘55数据融合基础是数据仓库的建立电信企业参与竞争的利器数据仓库和数据挖掘56动力系统企业实施数据仓库和数据挖掘战略的重要问题是建立一个有效的动力学系统反馈的时间太长电信企业参与竞争的利器数据仓库和数据挖掘57反馈的解决高性能计算亿次计算电信企业参与竞争的利器数据仓库和数据挖掘58研究normalusenormal需要深入地研究电信企业参与竞争的利器数据仓库和数据挖掘59我们的实践首先在视聆通后台管理系统中应用使用sybase的数据仓库解决方案和businessobjects的联机分析解决方案能够在3分钟的时间里对全省数据进行任意的查询并能够通过www的方式进行在线分析并发布分析结果
9
电信企业参与竞争的利器----数据仓库和数据挖掘
统一认识: 数据仓库建设取得成功的关键因素
从项目建设的角度出发:
有一个坚实的数据仓库数据模型 有一个专职的数据仓库分析小组 有一个经过深思熟虑的执行计划 各方紧密配合 资金保证 好的自动化工具,支持设计过程和元数据管理 最终用户好用 各种工具齐全, 易得 正确的期望值 有专家支持
＂ ： 表示多维数据
高度综合级
轻度综合级
数据仓库
当前细节级
早期细节级 图5-1 数据仓库体系结构图
7
电信企业参与竞争的利器----数据仓库和数据挖掘
数据仓库与数据挖掘.第1章ppt课件
2021精选ppt
5
数据仓库在我国的发展
• 现状：数据仓库的概念已经被国内用户接受多年，但在 应用方面的收效仍很有限。
• 原因：
– 尚不存在可靠的、完善的、被广泛接受的数据仓库标准；
– 现有的数据库系统不健全，数据积累还不够，无法提出决策 支持需求；
– 缺乏能够担负规划、设计、构建和维护数据仓库的重任的复 合型人才；
• 面向主题的数据组织方式可在较高层次上对 分析对象的数据给出完整、一致的描述，能 完整、统一的刻画各个分析对象所涉及的企 业的各项数据以及数据之间的联系。
2021精选ppt
18
集成性
• 数据仓库中的数据是从原有分散的源数据 库中提取出来的，其每一个主题所对应的 源数据在原有的数据库中有许多冗余和不 一致，且与不同的应用逻辑相关。因此， 数据仓库在提取数据时必须经过数据集成， 消除源数据中的矛盾，并进行数据综合和 计算。经过数据集成后，数据仓库所提供 的信息比数据库提供的信息更概括、更本 质。
数据中隐藏的知识的手段，导致了“数据爆炸但知 识贫乏的”现象。
• 自80年代后期以来，联机分析处理（OLAP）和数 据挖掘技术应运而生。
2021精选ppt
24
数据挖掘的发展
• 数据挖掘（Data Mining，简记为DM）是从关系 数据库、数据仓库、WEB数据库以及其他文件系 统中发现重要的数据模式、规律的过程，因此又 称为数据库中的知识发现（Knowledge Discovery in Database, 简记为KDD），它是OLAP的高级阶 段。
2021精选ppt
9
分析型处理
• 分析型处理：用于管理人员的决策分析，例 如DSS、 EIS、和多维分析等。它帮助决策 者分析数据以察看趋向、判断问题。分析型 处理经常要访问大量的历史数据，支持复杂 的查询。在分析型处理中，并不是对从事务 型处理环境 中得到的细节数据进行分析。分 析型处理过程中经常用到外部数据。
数据仓库与数据挖掘PPT课件
数据抽取
从源系统抽取数据，进行清洗、转换 和加载，保证数据质量。
性能优化
根据实际运行情况，对数据仓库的性 能进行优化，包括索引、查询优化等。
数据仓库的性能优化
索引优化
合理使用索引，提高查询效率。
查询优化
优化查询语句，减少不必要的计算和数据 量。
分区优化
并行处理
根据数据特点，对数据进行分区存储，提 高查询效率。
用户行为分析
通过分析用户的浏览、搜索、购买等行为数据，了解用户 的需求和偏好，为产品开发和推荐提供依据。
商品推荐
基于用户的购买历史、浏览记录等信息，利用数据挖掘算 法为用户推荐相关商品，提高用户满意度和购物体验。
营销活动优化
通过分析历史营销活动的数据，挖掘最佳的营销策略和渠 道，提高营销效果和ROI。
数据仓库与数据挖掘 ppt课件
目录
• 数据仓库概述 • 数据挖掘基础 • 数据仓库与数据挖掘的关系 • 数据仓库建设实践 • 数据挖掘实践 • 案例分析
01
数据仓库概述
数据仓库的定义与特点
定义
数据仓库是一个大型、集中式、长期 存储的数据存储环境，用于支持决策 支持系统和多维分析。
特点
数据仓库具有面向主题、集成、非易 失和时变的特点，能够提供高效的数 据检索和分析功能。
异常检测
通过数据挖掘技术检测数据仓库中的异常值，及 时发现潜在的问题和风险。
数据仓库与数据挖掘的未来发展
1据仓库与数据挖掘将更加紧 密地集成在一起，形成一体化的数据处理和分析 流程。
智能化
借助机器学习和人工智能技术，数据仓库与数据 挖掘将更加智能化，能够自动进行数据处理和模 式识别。
客户满意度分析
数据仓库和数据挖掘PPT课件
客户细分
通过对客户的行为、偏好、资产等数据的分析，可以将客 户划分为不同的细分市场，为精准营销和服务提供支持。
投资决策
通过对历史数据的挖掘和分析，可以发现市场趋势和预测 未来走势，为投资者提供科学的投资决策依据。
电商行业的数据仓库和数据挖掘应用
总结词
电商行业是数据仓库和数据挖掘应用的另一个重 要领域，通过对用户行为、商品销售、市场趋势 等数据的分析和挖掘，可以优化营销策略、提高 用户体验和销售额。
03
数据挖掘基础
数据挖掘定义
总结词
数据挖掘是从大量数据中提取出有用 的信息和知识的过程。
详细描述
数据挖掘是一种从大量数据中通过算 法搜索隐藏在其中的信息、模式和关 联性的过程。这些信息可以用于决策 支持、预测趋势和行为等。
数据挖掘过程
总结词
数据挖掘过程包括数据预处理、数据探索、模型建立 和评估等步骤。
02
数据仓库基础
数据仓库定义
总结词
数据仓库是一个大型、集中式的存储系统，用于存储和管理企业的结构化数据。
详细描述
数据仓库是一个面向主题的、集成的、非易失的数据存储环境，用于支持管理 决策和业务操作。它通常包含历史数据，并支持对数据的分析和查询。
数据仓库架构
总结词
数据仓库架构包括数据源、ETL过程、数据 存储和数据访问等组成部分。
05
数据仓库和数据挖掘的实 际应用案例
金融行业的数据仓库和数据挖掘应用
总结词
金融行业是数据仓库和数据挖掘应用的重要领域，通过对 大量数据的分析和挖掘，可以提供风险控制、客户细分、 投资决策等方面的支持。
风险控制
金融机构可以利用数据仓库和数据挖掘技术，对海量的交 易数据进行实时监控和异常检测，及时发现和预防潜在的 金融风险。
数据仓库和数据挖掘技术ppt课件
5
精选编辑ppt
1．两类基本数据仓库架构 数据仓库架构有两种：一类是Inmon提出的CIF架构（Corporate Information Factory，即企业信息工厂），一类是Kimball提出的 MD架构（Mutildimensional Architecture，即多维体系结构）。 （1）CIF架构主要包括集成转换层（I&T）、操作数据存储 （ODS）、数据仓库（EDW）、数据集市（DM）、探索仓库 （EW）等部件。 （2）MD架构主要包括数据准备区（Staging Area）和数据集市。 MD的数据准备区在功能上相当于 CIF 的staging area+EDW，主 要负责数据准备工作，是一致性维表的产生、保存和分发的场所。 数据集市主要是采用一致性维表来完成维度建模，多个数据集市一 起合并成“虚拟”数据仓库，数据集市可以是存在于一个数据库中， 也可以分布存储在不同数据库中。
（5）从操作型数据库中抽取、清洗及转换数据到数据仓库。
（6）选择访问和报表工具，选择数据库连接软件，选择数据分析和数据展示 软件。
（7）更新数据仓库 。确定数据仓库的更新策略，开发或配置数据仓库更新子
8
系统，实现数据仓库数据的自动更新。
精选编辑ppt
2．数据仓库系统的生命开发周期 数据仓库系统的开发设计是一个动态的反馈和循环过程。 一个数据仓库系统包括两个主要部分：一是数据仓库数据库，用于 存储数据仓库的数据；二是数据分析应用系统，用于对数据仓库数 据库中的数据进行分析。因此，数据仓库系统的设计也包括数据仓 库数据库的设计和数据仓库应用的设计两个方面。 一个数据仓库系统不可能在一个循环过程中完成，而是经过多次循 环开发，每次循环都会为系统增加新的功能，使数据仓库的应用得 到新的提高，这个过程也叫数据仓库系统的生命周期。
精选编辑ppt
1．两类基本数据仓库架构 数据仓库架构有两种：一类是Inmon提出的CIF架构（Corporate Information Factory，即企业信息工厂），一类是Kimball提出的 MD架构（Mutildimensional Architecture，即多维体系结构）。 （1）CIF架构主要包括集成转换层（I&T）、操作数据存储 （ODS）、数据仓库（EDW）、数据集市（DM）、探索仓库 （EW）等部件。 （2）MD架构主要包括数据准备区（Staging Area）和数据集市。 MD的数据准备区在功能上相当于 CIF 的staging area+EDW，主 要负责数据准备工作，是一致性维表的产生、保存和分发的场所。 数据集市主要是采用一致性维表来完成维度建模，多个数据集市一 起合并成“虚拟”数据仓库，数据集市可以是存在于一个数据库中， 也可以分布存储在不同数据库中。
（5）从操作型数据库中抽取、清洗及转换数据到数据仓库。
（6）选择访问和报表工具，选择数据库连接软件，选择数据分析和数据展示 软件。
（7）更新数据仓库 。确定数据仓库的更新策略，开发或配置数据仓库更新子
8
系统，实现数据仓库数据的自动更新。
精选编辑ppt
2．数据仓库系统的生命开发周期 数据仓库系统的开发设计是一个动态的反馈和循环过程。 一个数据仓库系统包括两个主要部分：一是数据仓库数据库，用于 存储数据仓库的数据；二是数据分析应用系统，用于对数据仓库数 据库中的数据进行分析。因此，数据仓库系统的设计也包括数据仓 库数据库的设计和数据仓库应用的设计两个方面。 一个数据仓库系统不可能在一个循环过程中完成，而是经过多次循 环开发，每次循环都会为系统增加新的功能，使数据仓库的应用得 到新的提高，这个过程也叫数据仓库系统的生命周期。
数据仓库与数据挖掘培训课件
数据挖掘定义
技术角度的定义
数据挖掘（Data Mining)是从大量的、不完全 的、有噪声的、模糊的、随机的实际应用数据中， 提取隐含在其中的、人们事先不知道的、但又是潜 在有用的信息和知识的过程。与数据挖掘相近的同 义词包括：数据融合、数据分析和决策支持等。
这一定义包括好几层含义:数据源必须是真实 的、海量的、含噪声的;发现的是用户感兴趣的知 识;发现的知识要可接受、可理解、可运用；并不 要求发现放之四海皆准的知识，仅支持特定的发现 问题。
金子（知 识）
概述
数据挖掘是八十年代投资AI研究项目失败后，AI转 入实际应用时提出的。它是一个新兴的，面向商业应用的 AI研究。
1989年8月，在美国底特律召开的第11届国际人工智 能联合会议的专题讨论会上首次出现数据库中的知识发现 （Knowledge Discovery in Database，KDD）这一术语。
• 起初，两类数据放到一起，即分散存储在各底层 的业务数据库中。
• 后来，随着企业规模的扩展、数据量的增加、以 及希望在决策分析时得到更多支持需求的日益迫 切，并且考虑保证原有事务数据库的高效性与安 全性。因此将分析型数据与事务型数据相分离， 单独存放，即形成了所谓的数据仓库。
➢ 数据仓库与数据库的关系
不同的管理业务需要建立不同的数据库。例如，银 行中储蓄业务、信用卡业务分别要建立储蓄数据库 和信用卡数据库。
数据库是为满足事务处理需求建立的，在帮助人们 进行决策分析时显得不适用。（举例）
➢ 数据库的局限性
传统数据库所能做到的只是对已有的 数据进行存取以及简单的查询统计，即使 是一些流行的OLAP工具，也无非是另一种 数据展示方式而已。人们仍然无法发现数 据中存在的关系和规则，无法根据现有的 数据预测未来的发展趋势。这也直接导致 了目前“数据爆炸但知识匮乏”的现状。
数据仓库与数据挖掘课件ppt
要求有大量的历史数据。
结论：
第 一 章 数 据 仓 库 的 基 本 概 念
在事务处理型应用环境中直接构建分析
决策型应用是不可行的。
于是：
面向分析决策型应用而组织和存储数据 的数据仓库技术应运而生。
时间：20世纪80年代初
第 一 章 数 据 仓 库 的 基 本 概 念
人物：W.H.Inmon 定义: 数据仓库是面向主题的、集成的、
数据预处理过程；
汇总数据的巨大价值。
1-4-2 星型模式
第 一 章 数 据 仓 库 的 基 本 概 念
星型模式是事实表与维表通过星型方式连接而 成，如下图：
产品维表
产品码（PK）
时间维表
时间码（PK）
产品大类
产品细类 产品名称
事 实 表
日期
时间码（FK） 产品码（FK）（PK） 地区码（FK） 销 售量 销 售额 销售成本 月份 季度 年度
实视图的好处：
第 一 章 数 据 仓 库 的 基 本 概 念
通过建立实视图可以提高系统的响应速度； 由于数据源到主题数据映射关系的复杂性，采用普
通视图的方式不可行。
实视图的特点：
时间是数据仓库中几乎所有数据的属性之一； 数据在装于数据仓库后，基本不发生变化； 实视图不是数据源中数据的简单拷贝，而是经历了
年度
地区码
国 家 地 区 城 市
多维数据模型的优势：
第 一 章 数 据 仓 库 的 基 本 概 念
多维数据模型是已知标准化的结构，即包含多 个多维数据模式，每一个多维数据模式都对应一张 事实表和多张维表。 这种多维结构能支持最终用户不可预知的操作， 原因在于多维数据模型的各个维是逻辑等价的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
可更新的 一次操作数据量小
面向应用 支持管理
数据仓库
综合或提炼的 代表过去的数据
不更新 一次操作数据量大
面向分析 支持决策
数据仓库与数据库的关系
• 数据库的应用包括：事务型应用和分析型应用
• 物理数据库实际存储的数据包括：
事务型数据（或称操作数据）和分析型数据（也 可称为汇总数据、信息数据）。
数据库是为满足事务处理需求建立的，在帮助人们 进行决策分析时显得不适用。（举例）
数据库的局限性
传统数据库所能做到的只是对已有的 数据进行存取以及简单的查询统计，即使 是一些流行的OLAP工具，也无非是另一种 数据展示方式而已。人们仍然无法发现数 据中存在的关系和规则，无法根据现有的 数据预测未来的发展趋势。这也直接导致 了目前“数据爆炸但知识匮乏”的现状。
（2）SAS软件研究所观点： 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。
2. 数据仓库特点
（1）数据仓库是面向主题的
是相对于传统数据库的面向应用而言的。所谓面向应用，指的 是系统实现过程中主要围绕着一些应用或功能。而面向主题则 考虑一个个的问题域，对问题域涉及到的数据和分析数据所采 用的功能给予同样的重视。主题是数据归类的标准，每一个主 题基本对应一个宏观的分析领域。 例如，银行的数据仓库的主题：客户。DW的客户数据来源： 从银行储蓄DB、信用卡DB、贷款DB等三个DB中抽取同一客户 的数据整理而成。在DW中能全面地分析客户数据，再决定是否 继维数据库是空间 立体数据。 新的挑战：如何不被淹没在信息的海洋里
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。
• 起初，两类数据放到一起，即分散存储在各底层 的业务数据库中。
• 后来，随着企业规模的扩展、数据量的增加、以 及希望在决策分析时得到更多支持需求的日益迫 切，并且考虑保证原有事务数据库的高效性与安 全性。因此将分析型数据与事务型数据相分离， 单独存放，即形成了所谓的数据仓库。
数据仓库与数据库的关系
但是，为高层领导者提供决策分析时， OLTP则显得 力不从心。
2.联机分析处理（OLAP）
E.F.Codd认为决策分析需要对多个关系数据库共同进 行大量的综合计算才能得到结果。
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。
1.联机事物处理（OLTP）
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)。OLTP主要用于包括 银行业、航空、邮购订单、超级市场和制造业等的 输入数据和取回交易数据。如银行为分布在各地的 自动取款机 (ATM)完成即时取款交易；机票预定系 统能每秒处理的定票事务峰值可以达到20000个。
（1）“数据太多，信息不足”的现状 （2）异构环境的数据的转换和共享 （3）利用数据进行数据处理转换为利用数据支 持决策
1.数据库用于事务处理
数据库中存放的数据基本上是保存当前数据，随着 业务的变化随时在更新数据库中的数据。
不同的管理业务需要建立不同的数据库。例如，银 行中储蓄业务、信用卡业务分别要建立储蓄数据库 和信用卡数据库。
数据仓库与数据挖掘
任课教师: 工作单位: 办公地点： 联系电话: QQ号码：
2019年8月20日星期二
Data Mining: Concepts and Techniques
1
第1章
数据仓库与数据挖掘概述
第1章
1.1 数据仓库的兴起 1.2 数据挖掘的兴起 1.3 数据仓库和数据挖掘的结合
1.1.1 从数据库到数据仓库
OLAP软件，以它先进地分析功能和以多维形式提供 数据的能力，正作为一种支持企业关键商业决策的解 决方案而迅速崛起。
OLAP的基本思想是决策者从多方面和多角度以多维 的形式来观察企业的状态和了解企业的变化。
3.OLTP与OLAP的对比
OLTP 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
2.数据仓库用于决策分析
数据库用于事务处理，数据仓库用于决策分析
数据库保持事务处理的当前状态，数据仓库既 保存过去的数据又保存当前的数据
数据仓库的数据是大量数据库的集成
对数据库的操作比较明确，操作数据量少。对 数据仓库操作不明确，操作数据量大
3.数据库与数据仓库对比
数据库
细节的 在存取时准确的
OLTP的特点在于事务处理量大，应用要求多个并行处 理，事务处理内容比较简单且重复率高。
大量的数据操作主要涉及的是一些增加、删除、修改、 查询等操作。每次操作的数据量不大且多为当前的数 据。
OLTP处理的数据是高度结构化的，数据访问路径是已 知的，至少是固定的。
OLTP面对的是事务处理操作人员和低层管理人员。
OLAP 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
1.1.4数据仓库的定义与特点
1.数据仓库定义 （1）W.H.Inmon在《建立数据仓库》一书中，对数据仓库的 定义为：
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。
数据仓库只不过是因为用户需求增加而对 某一类数据库应用的一个范围的界定。单就其 是数据的存储容器这一点而言，数据仓库与数 据库并没有本质的区别。
而且在更多的时候，我们是将数据仓库作 为一个数据库应用系统来看待的。
因此，不应该说数据库到数据仓库是技术 的进步。
1.1.2从OLTP到OLAP
1.联机事物处理（OLTP） 2.联机分析处理（OLAP） 3.OLTP与OLAP的对比
面向应用 支持管理
数据仓库
综合或提炼的 代表过去的数据
不更新 一次操作数据量大
面向分析 支持决策
数据仓库与数据库的关系
• 数据库的应用包括：事务型应用和分析型应用
• 物理数据库实际存储的数据包括：
事务型数据（或称操作数据）和分析型数据（也 可称为汇总数据、信息数据）。
数据库是为满足事务处理需求建立的，在帮助人们 进行决策分析时显得不适用。（举例）
数据库的局限性
传统数据库所能做到的只是对已有的 数据进行存取以及简单的查询统计，即使 是一些流行的OLAP工具，也无非是另一种 数据展示方式而已。人们仍然无法发现数 据中存在的关系和规则，无法根据现有的 数据预测未来的发展趋势。这也直接导致 了目前“数据爆炸但知识匮乏”的现状。
（2）SAS软件研究所观点： 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。
2. 数据仓库特点
（1）数据仓库是面向主题的
是相对于传统数据库的面向应用而言的。所谓面向应用，指的 是系统实现过程中主要围绕着一些应用或功能。而面向主题则 考虑一个个的问题域，对问题域涉及到的数据和分析数据所采 用的功能给予同样的重视。主题是数据归类的标准，每一个主 题基本对应一个宏观的分析领域。 例如，银行的数据仓库的主题：客户。DW的客户数据来源： 从银行储蓄DB、信用卡DB、贷款DB等三个DB中抽取同一客户 的数据整理而成。在DW中能全面地分析客户数据，再决定是否 继维数据库是空间 立体数据。 新的挑战：如何不被淹没在信息的海洋里
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。
• 起初，两类数据放到一起，即分散存储在各底层 的业务数据库中。
• 后来，随着企业规模的扩展、数据量的增加、以 及希望在决策分析时得到更多支持需求的日益迫 切，并且考虑保证原有事务数据库的高效性与安 全性。因此将分析型数据与事务型数据相分离， 单独存放，即形成了所谓的数据仓库。
数据仓库与数据库的关系
但是，为高层领导者提供决策分析时， OLTP则显得 力不从心。
2.联机分析处理（OLAP）
E.F.Codd认为决策分析需要对多个关系数据库共同进 行大量的综合计算才能得到结果。
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。
1.联机事物处理（OLTP）
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)。OLTP主要用于包括 银行业、航空、邮购订单、超级市场和制造业等的 输入数据和取回交易数据。如银行为分布在各地的 自动取款机 (ATM)完成即时取款交易；机票预定系 统能每秒处理的定票事务峰值可以达到20000个。
（1）“数据太多，信息不足”的现状 （2）异构环境的数据的转换和共享 （3）利用数据进行数据处理转换为利用数据支 持决策
1.数据库用于事务处理
数据库中存放的数据基本上是保存当前数据，随着 业务的变化随时在更新数据库中的数据。
不同的管理业务需要建立不同的数据库。例如，银 行中储蓄业务、信用卡业务分别要建立储蓄数据库 和信用卡数据库。
数据仓库与数据挖掘
任课教师: 工作单位: 办公地点： 联系电话: QQ号码：
2019年8月20日星期二
Data Mining: Concepts and Techniques
1
第1章
数据仓库与数据挖掘概述
第1章
1.1 数据仓库的兴起 1.2 数据挖掘的兴起 1.3 数据仓库和数据挖掘的结合
1.1.1 从数据库到数据仓库
OLAP软件，以它先进地分析功能和以多维形式提供 数据的能力，正作为一种支持企业关键商业决策的解 决方案而迅速崛起。
OLAP的基本思想是决策者从多方面和多角度以多维 的形式来观察企业的状态和了解企业的变化。
3.OLTP与OLAP的对比
OLTP 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
2.数据仓库用于决策分析
数据库用于事务处理，数据仓库用于决策分析
数据库保持事务处理的当前状态，数据仓库既 保存过去的数据又保存当前的数据
数据仓库的数据是大量数据库的集成
对数据库的操作比较明确，操作数据量少。对 数据仓库操作不明确，操作数据量大
3.数据库与数据仓库对比
数据库
细节的 在存取时准确的
OLTP的特点在于事务处理量大，应用要求多个并行处 理，事务处理内容比较简单且重复率高。
大量的数据操作主要涉及的是一些增加、删除、修改、 查询等操作。每次操作的数据量不大且多为当前的数 据。
OLTP处理的数据是高度结构化的，数据访问路径是已 知的，至少是固定的。
OLTP面对的是事务处理操作人员和低层管理人员。
OLAP 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
1.1.4数据仓库的定义与特点
1.数据仓库定义 （1）W.H.Inmon在《建立数据仓库》一书中，对数据仓库的 定义为：
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。
数据仓库只不过是因为用户需求增加而对 某一类数据库应用的一个范围的界定。单就其 是数据的存储容器这一点而言，数据仓库与数 据库并没有本质的区别。
而且在更多的时候，我们是将数据仓库作 为一个数据库应用系统来看待的。
因此，不应该说数据库到数据仓库是技术 的进步。
1.1.2从OLTP到OLAP
1.联机事物处理（OLTP） 2.联机分析处理（OLAP） 3.OLTP与OLAP的对比