数据仓库与数据挖掘前言课件.pptx

第1页;第2页;大数据;第4页;互联网思维+移动应用?大数据;第6页;;第8页;第9页;课程考核;第11页;第12页;第13页;第14页;数据仓库的发展;附注;MOLAP多维数据库为什么大多会出现稀疏矩阵，而ROLAP关系数据库不会;;;第20页;第21页;CRM、PLM、SCM、ERP;CRM、PLM、SCM、ERP;CRM、PLM、SCM、ERP;25;哪个比例排第二？;哪个比例排第二？;第28页;;;销售分析仪表盘;第32页;OLAP;联机分析处理;第35页;Hadoop与传统的数据仓库;;SQL Server 2005 DW/BI体系;IBM DW/BI体系;第40页;第41页;从数据仓库到数据集市; ?????? 而“自下而上”的做法采用维度分???法，则是强调应用决定数据，有什么应用就获取什么数据。理想状况下，一项分析应用只需要刚刚好的数据。例如人力资源部门的数据集市，就不需要市场推广的数据，那么这些数据将不被纳入该集市中。很明显，这也是理想化的，因为需求是不断变化的，今天人力资源可能不需要市场推广数据，但是如果哪一天需要分析员工做市场推广的成本收益，恐怕就需要这些数据了。????? 当然，在实际项目的建设过程中，谁都不会傻呵呵地完全按照绝对的自上而下或是自下而上的方法去做。???? 就国外成熟数据仓库厂商的理念而言，大多是以自上而下为主，采用Bill Inmon的方法，先建立一套完美的EDW（企业数据仓库），并且他们通常针对行业已经设计出抽象程度比较高的概念模型，可以根据实际环境生成逻辑模型和物理模型。在构建完美的数据仓库的时候，设计者会考虑最终有哪些应用，根据应用做取舍。一般来说，数据仓库是分阶段的，譬如第一阶段主要服务于市场部门作市场分析，那么，建设者就很可能“偷工减料”，像员工信息、财务数据反正也没人用，便舍弃它们。由此，一套完美的EDW真正落实下来，往往因为受到项目周期、人员经验所限，最终会变得面目全非。???? 与国外相反，国内集成商的做法大多是自下而上。其中一部分原因在于周期和人员的原因，老板要求尽快上线，客户要求尽快看到结果，而这个时候恰好就是Kimball方法的用武之地。建设者会针对应用快速建立数据仓库（注意，这里仍然叫做数据仓库，似乎大家也不愿意叫做数据集市，可能那样显得有些小气吧）。实际上，如果比较采用两种不同理念完成的第一版本，我们会发现，这两种交付版本竟是如此相像。;;两种数据仓库设计方法论;Inmon’s opinion;;;Kimball’sopinion;AdventureWorks的internet sales星型模型示例;两者对比;What does a data warehouse look like?;联机演示;SQL Server 报表;SQL Server OLAP;SQL Server OLAP;SQL Server 数据挖掘;第58页;第59页;第60页;第61页;由最著名的Inmon方法专家--Claudia Imhoff所写Mastering Data Warehouse Design(Relational and Dimensional Techniques) 对比了两种技术;网上讨论;第64页;第65页;第66页;2007中国商业智能软件商市场份额;第68页;第69页;第70页;第71页;第72页;2009新事件;Oracle凶残 4年吞下50家企业;第75页;中国ERP市场新趋势;第77页;第78页;09年Gartner Group （美国计算机咨询顾问与研究机构）商务智能和分析平台魔法四分区;第80页;第81页;第82页;第83页;第84页;第85页;第86页;第87页;第88页;第89页;2017年我国商业智能（BI）市场规模将超过200亿元;第91页;BI热潮;BI的两种用法;第94页;Gartner：2013年BI发展的四大趋势;第96页;第97页;第98页;BI体系产品的构成;SQL Server 2005 DW/BI体系;第101页;第102页;第103页;数据仓库型数据库市场也经历了大洗牌;数据仓库型数据库市场也经历了大洗牌;2012年2月Garnter 的数据仓库型数据库魔法四分区;2014年3月Garnter 的数据仓库型数据库魔法四分区;第108页;第109页;Analyzer;第111页;第112页;第113页;;第115页;;第117页;第118页;第119页;;第121页;第122页;第123页;第124页;第125页;第126页;第127页;第128页;第129页;第130页;第131页;第132页;第133页;第134页;第135页;第136页