数据库用于决策分析.ppt

Ch.16 数据库用于决策分析 1，数据仓库 2，数据挖掘 Ch.16 数据库用于决策分析 1，数据仓库 1）,数据仓库的产生 事务处理环境数据库不适宜DSS应用的6个原因： （1）决策需要“综合数据” 在事务处理系统中积累了大量的细节数据，一般而言，DSS 并不对这些细节数据进行分析，在分析前，往往需要对细节数据进行不同程度的综合，而事务处理系统不具备这种综合能力。形成“数据丰富，信息贫乏”的局面。 （2）决策需要“历史数据” 事务处理一般只需要当前数据，在数据库中一般也只存储短期数据。但对于决策分析而言，历史数据是相当重要的，许多分析方法必须以大量的历史数据为依托。没有对历史数据的详细分析，是难以把握企业的发展趋势的。 Ch.16 数据库用于决策分析 （3）决策需要“多数据源数据” DSS需要集成的数据。全面而正确的数据是有效的分析和决策的首要前提，相关数据收集得越完整，得到的结果就越可靠。因此，DSS不仅需要整个企业内部各部门的相关数据，还需要企业外部、竞争对手等处的相关数据。数据源包括：各种数据库、文件、HTML等。 （4）决策所需数据与主题有关 不同的主题需要不同的数据。有些主题是预知的，有些主题是因决策需要临时产生的。 Ch.16 数据库用于决策分析 （5）决策数据以读为主 （6）OLTP（On Line Transaction Processing)以短事务为主，OLAP(On Line Analytical Processing) 以长事务为主 数据库用于决策分析，数据库（Database)---〉数据仓库(Data Warehouse)，提出数据仓库的概念。它是建立决策支持系统(ＤＳＳ)的基础。 Ch.16 数据库用于决策分析 2），数据仓库 （1）定义（W.H.INMON---数据仓库之父） 数据仓库是一种面向决策主题，由多数据源集成，拥有当前及历史的总结数据，以读为主的数据库系统。 （解释前面加的4个修饰语！） （2）数据仓库框架 王书下册p.199 图22—1 三大部分：数据源+数据仓库（核心）+工具和接口 3）OLAP技术（On-Line Analytical Processing) (1）数据仓库的基本数据模式 星形模式（王书p.201 图22—2） 雪花模式（王书p.202 图22—3） ------ 数据仓库的基本操作 a.基本聚集函数----数据仓库中常把聚集函数的计算结果当作实视图保存起来，一次计算多次使用。(p.202) b.立方体（cube)操作----保留字cube取代group。(p.204) c.上卷（roll-up)和下探(drill-down)----上卷由细粒度推算粗粒度的聚集函数；下探是逆操作，但不能由粗粒度导出细粒度视图，下探通过细化维的粒度查询较详细的数据。 d.聚集函数的分类----1）分配型； 2）代数型； 3）整体型。 2，数据挖掘（Data Mining) 1）概述 （1）定义：数据挖掘是提取隐含于数据库中的、未知的、不一般的（即不是像OLAP中那样的总和、平均值之类的普通信息）信息或知识。（又称KDD，Knowledge Discovery in Databases) （2）数据源：包括数据库中的数据，也包括数据仓库中的数据，甚至某些非数据库数据。 （3）“挖掘”---推理：两类推理方法 ---演绎推理：演绎数据库系统，能从数据库中获得一些逻辑上的推论，不能发现新的规则和规律； ---归纳推理：数据挖掘的基本方法之一。 （4）数据挖掘过程 王书下册p.221 图23-1 数据选择 预处理 模样（Pattern)发现----关键一步，种种算法 （与Schem