商务智能解决计划.ppt

议程 数据仓库解决方案概述 数据仓库设计工具 数据仓库引擎 Sybase Adaptive Server IQ Multiplex 数据仓库定义 数据仓库是完全不同的数据库系统 数据仓库应用系统特点 支持长远的业务战略决策 分析驱动 面向主题 数据是历史的 数据反映某个时间点或一段时间 数据是静态的，除数据刷新外 数据是汇总的 优化是针对查询而不是更新 支持管理人员和执行主管人员 什么是数据仓库解决方案？ 数据仓库应用 数据仓库系统体系架构 数据仓库/商务智能应用成功的关键 Sybase Industry Warehouse Studio打包的数据仓库基础平台概述 IWS产品介绍 Sybase Industry Warehouse Studio 分析型应用框架 Sybase IWS 提供的时间上的价值 快速启动数据仓库项目 Sybase Industry Warehouse StudioValue Proposition 回顾 数据仓库系统体系架构 集成的主要产品 Sybase数据仓库相关产品集的构成 设计: 成功的关键 数据库的设计对数据仓库系统的整体性能、装载和 建立索引的时间以及数据量的增长等的影响超过 任何其它方面。 数据仓库设计 在支持分析和决策的查询环境中，使业务用户可以 访问，理解和利用数据 以业务用户理解和运用信息的方式组织数据 可预见的查询方式 基于时间的 汇总的数据 向下/上的钻取（Drill-down / drill-up） 多维模型设计 传统的数据建模方法(如ER模型)可能非常复杂且不易理解 按照最终用户的想法定义信息 (以查询为中心建模) Star(星型), Snowflake(雪花型)，Constellation(星座型)，Snowstorm(雪暴型) Facts(事实)： 可度量数据，如 数量、价格 Dimensions(维)：用于分类Fact的详细数据 多维模型: 星型模式 多维模型: 雪花模式 多维模型: 星座模式 多维模型: 雪暴模式 数据模型中的事实和维度 事实和维的概念对应于: 数据仓库数据库中的数据模型对象 星型模式（Star schema） DSS / OLAP 系统中的数据模型对象 多维模型（Multidimensional model） 星型模式-Star Schema 多维模型-Multidimensional Model 数据仓库设计工具WarehouseArchitect 为数据仓库的设计提供三大功能： 多维建模 度量、维、属性 事实表，维表 维层次表，事实层次表 设计向导 聚合（Aggregation Wizard） 分片（Partitioning Wizard） 逆向工程数据源 优化代码生成 目标数据仓库引擎（IQM，RDBMS) OLAP分析环境 WarehouseArchitect WarehouseArchitect的支持范围 数据仓库设计-小结 WarehouseArchitect对数据仓库设计过程的每一步都提供支持： 数据源中的元数据导入。 设计和优化数据仓库的数据模型（星型模式/多维模型）。 与抽取、转换工具对接，实施数据移动。 基于数据仓库模型，为前端DSS/OLAP工具生成所需的数据立方体。 为设计过程的每一步生成文档和报告。 数据存储、管理 数据管理 解决的方案 通用的关系数据库系统 专门的数据仓库服务器 Sybase IQM 专门为数据仓库/数据集市设计的关系型数据库 专门针对OLAP/DSS而优化的索引和查询处理技术 数据存储： Adaptive Server IQM 垂直存储技术(Vertical Partitioning) 无处不索引(Index EVERYWHERE) 专利的Bit Wise索引技术跨越Bitmap的限制 多种索引类型：FP,LF,HNG,HG,CMP,WD 低级数的限制从100扩充到1000 数据压缩(通常达到原始数据的 70 - 75%) 预连接的索引提供额外的显著提高性能手段(Join Index) 支持任意设计模式 星型、雪花、雪暴、星座模式 普通关系模式 支持任意加载方式 文件、内部数据、外部数据库直接加载 开放的接口 传统RDBMS 传统RDBMS不适合数据仓库 IQM的特殊存储方式-垂直存储（按列存储） IQM的特殊存储方式-垂直存储（按列存储） Example: I/O 的明显减少 IQM的索引特点 索引即是数据 没有索引和数据的分别 任何一列可以建立多个索引 系统保证至少会存在一个索引（FP） 索引的选择和设计主要基于： 数据的级数（离散值的个数） 在查询中的使用方式 和SQL语句的顺序无关 索引的种类 Fast Projection(FP) 数据压缩存储 根据数据的特点会自动使用三