决策支持系统重点.ppt

数据仓库的存储 星形模型：大多数数据仓库都采用“星型模型”。星型模型是由“事实表”（大表）以及多个“维表”（小表）所组成。“事实表”中存放大量关于企业的事实数据（数量数据）。“维表”中存放描述性数据，维表是围绕事实表建立的较小表。 数据仓库的存储 事实表由时间维（time）、商品维（product）和销售市场维构成，时间维有4个取值（2001、2002、2003、2004），产品维度（计算机、彩电、冰箱、空调）销售市场维度有4个取值（中百大、盛大、新百大，华联），度量的是产品的销售额。 事实表的表结构为（time_id，product_id，market_id，sales），其中除sales，其余都是各个维表的主键 数据仓库的存储 销售事务表（sales table）为事实表（fact table），并包含4个维表：时间维表、销售商品维表、销售市场维表和顾客维表。 在销售事务维表中存储着4个维表的主码：“时间标识号”，“产品代码号”，“销售商代码号”和“顾客编码”。通过4个主键，将事实表和维表联系在一起，形成了“星型”模式 数据仓库的存储 雪花模型: 是对星型模型的扩展，雪花模型对星型模型的维表进一步层次化，原来各维表可能被扩展为小的事实表，形成一些局部的“层次区域”。其优点是最大限度的减少数据存储量，以及把较小的维表联合在一起改善查询功能。 联机分析处理 在数据仓库系统中，联机分析处理（OLAP）是重要的数据分析工具。OLAP的基本思想是企业的决策者应能灵活地、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 OLAP专门设计用于支持复杂的分析操作，侧重对分析人员和高层管理人员的决策支持，可以应分析人员的要求、灵活进行大量数据的复杂查询，为决策者提供决策支持。 联机分析处理 在决策活动中，决策人员需要的数据往往不是单一的指标的单一的值，而是希望能够从多个角度观察某个指标或者某个值，或者找出这些指标之间的关系。比如决策者可能想知道“东北地区和西南地区今年一季度和去年一季度在销售总额上的对比情况，并且销售额按10-50万元，50-100万元，以及100万元以上分组”。 决策数据是多维数据，多维数据分析是决策分析的主要内容。 联机分析处理 OLAP是在OLTP的基础上发展起来的，OLTP是以数据库为基础的，面对的是操作人员和低层管理人员，对基本数据的查询和增、删、改等进行处理。而OLAP是以数据仓库为基础的数据分析处理。 联机分析处理 OLTP是操作人员和低层管理人员利用计算机网络对数据库中的数据进行查询、增加、改等操作，以完成处理工作。 OLTP以快速事务响应和频繁的数据修改为特征，用户利用数据库快速地处理具体业务。 OLTP应用程序包含大量简单的事务。 OLTP的特点在于事务量大，但事实内容比较简单且重复率高。大量数据操作主要涉及的是一些增、删、改操作，但操作的数据量不大且多为当前数据，一般仅涉及一张或几张表的少数记录，因此OLTP适于处理高度结构化的信息。 在数据结构方面，OLTP以应用为核心，是应用驱动的，数据模型采用实体-联系模型 联机分析处理 OLAP是决策人员和高层管理人员对数据仓库进行信息分析处理 一个典型的OLAP查询可能要访问一个多年的销售数据库，以便找到在每一个地区的每一种产品的销售情况。得到数据后，分析人员可能会进一步细化查询，在以地区、产品分类的情况下查每一个销售渠道的销售量，最后，分析人员可能会对每一个销售渠道进行年与年或者季度与季度的比较。其整个过程必须被联机执行并要有快速的响应时间以便分析过程不受外界干扰。 联机分析处理 联机分析处理可以被刻画为具有下面特征的联机事务： 可以存储大量数据 要包含聚集的数据 按层次对比不同时间周期的聚集数据 以不同的方式来表现数据 要包含数据元素之间的复杂的计算 能够快速响应用户的查询 联机分析处理 OLTP与OLAP对比 OLAP的决策支持 OLAP的决策支持是通过多维数据分析来实现的。基本的多维数据分析方法包括切片、切块、旋转等。 切片 切片操作是在给定的数据立方体的一个维上进行选择，将维等于某个值的那一片切下来分析。 切块 切块操作不只在一个维上进行。切块可以看作是在切片的基础上，进一步确定各个维成员的区间得到的片段体，即由多个切片叠合起来。 OLAP的决策支持 上钻：是下钻的逆向操作，是对数据进行高层次的综合的操作。 下钻：维度是具有层次性的，如时间维可能由年，月，日构成，维度的层次实际上放映了数据的综合程度。维度层次越高，代表的数据综合度越高，细节越少，数据量越少；维度层次越低，则代表综合度越低，细节越充分，数据量越大。数据钻取就是从较高的维度层次下降到较低的唯独层次上来观察多维数据。 OLAP的决策支持 数据钻取：包