数据库和数据仓库数据库已广泛应用于信息技术领域。

我们社会生活的几乎所有部门都有各种数据库，这些数据库存储着与我们生活密切相关的各种数据。

作为数据库的一个分支，数据仓库的概念在时间上比数据库要紧密得多。

美国著名的信息工程专家William InmON博士在1990年代初提出了数据仓库概念的表述。

他认为：“数据仓库通常是面向主题的，集成的且随时间变化的数据收集，但是信息本身是相对稳定的。

，它用于支持管理决策过程。

＆amp; rdquo;这里的主题涉及用户在使用数据仓库进行决策时关心的关键方面，例如：收入，客户，销售渠道等；所谓面向主题，是指数据仓库中的信息是按主题组织的，而不是根据业务支持系统等业务功能来组织的。

集成意味着数据仓库中的信息不是简单地从各种业务系统中提取的，而是通过一系列处理，分类和汇总过程来提取的。

因此，数据仓库中的信息是有关整个企业的一致的全局信息。

随着时间的变化，意味着数据仓库中的信息不仅反映了企业的当前状态，而且还记录了从过去某个时刻到当前各个阶段的信息。

通过这些信息，可以对企业的发展过程和未来趋势进行定量分析和预测。

数据仓库的特性produced建立数据仓库是为了在已有大量数据库的情况下进一步挖掘数据资源并满足决策需求。

它不是所谓的“大型数据库”。

数据仓库程序构建的目的是作为前端查询和分析的基础。

由于更大的冗余性，因此所需的存储空间也更大。

为了更好地服务于前端应用程序，数据仓库通常具有以下特征：1.效率足够高。

数据仓库分析数据通常分为每日，每周，每月，季度，年度等。

可以看出，每日数据需求的效率最高，要求客户在24小时内查看昨天的数据分析或甚至十二个小时由于某些企业中的每日数据量很大，设计不良的数据仓库通常会遇到问题。

显然不可能将数据延迟1-3天。

2.数据质量。

数据仓库提供的各种信息必须是准确的数据，但是由于数据仓库的过程通常分为多个步骤，包括数据清洗，加载，查询，显示等，因此复杂的结构将具有更高的层次，因此，由于数据源中的数据不正确或代码不正确可能会导致数据失真。

如果客户看到错误的信息，则可能导致错误的决策被分析，从而造成损失而不是收益。

3.可扩展性。

一些大型数据仓库系统的架构设计之所以复杂，是因为考虑了未来3-5年的可伸缩性。

这样一来，数据仓库系统就可以稳定运行，而无需花费太多金钱来重建数据仓库系统。

它主要体现在数据建模的合理性上。

数据仓库解决方案中有更多的中间层，因此海量数据流具有足够的缓冲区，因此数据量不会太大且不会运行。

从以上介绍可以看出，数据仓库技术可以唤醒企业多年积累的数据，不仅可以为企业管理这些海量数据，还可以挖掘数据的潜在价值，从而成为其中一种。

通信企业运维系统的亮点。

因此，从广义上讲，基于数据仓库的决策支持系统包含三个组件：数据仓库技术，在线分析和处理技术以及数据挖掘技术。

其中，数据仓库技术是系统的核心。

在本系列的以下文章中，将重点介绍数据仓库技术，介绍现代数据仓库的主要技术和数据处理的主要步骤，并讨论如何在通信运维系统中使用这些技术来帮助运维。

。