从数据库到数据仓库

 

企业的数据处理大致分为两类：一类是操作型处理，也称为联机事务处理，它是针对具体业务在数据库联机的日常操作，通常对少数记录进行查询、修改该类即为传统数据库的应用。另一类是分析型处理，一般针对某些主题的历史数据进行分析，支持管理决策，此类即为数据仓库应用。

两类的数据处理行为具有不同的特征，传统的数据库的日常业务涉及频繁、简单的数据存取，对操处理的性能要求是极高的，需要数据库能够在很短时间内做出反应。而数据仓库的所涉及的数据极为分散，主要为信息分析检索，对请求的实时性要求较低，允许延迟响应，但对数据的准确度有较高的要求。

传统的数据库操作型处理主要由原子事务组成，数据更新频繁，需要并行控制和恢复机制。数据仓库则是不可更新的，数据仓库主要是为决策分析提供数据，所涉及的操作主要是数据的查询。

数据仓库是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，它并不是所谓的“大型数据库”。数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。

数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点到当前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。数据仓库是随时间而变化的，传统的关系数据库系统比较适合处理格式化的数据，能够较好的满足商业商务处理的需求，而数据仓库的数据以只读格式保存，且不随时间改变。

数据仓库以前端查询和分析作为基础，由于有较大的数据冗余，所以需要的存储也较大，为了更好地为前端应用服务，数据仓库往往有如下几点特点

1.效率足够高

数据仓库的分析数据一般分为日、周、月、季、年等，可以看出，日为周期的数据要求的效率最高，要求24小时甚至12小时内，客户能看到昨天的数据分析。

2.数据准确

数据仓库所提供的各种信息，必需是准确的数据。由于数据仓库流程通常分为多个步骤，包括数据清洗，装载，查询，展现等等，复杂的架构会更多层次，由于数据源有脏数据或者代码不严谨，都可以导致数据失真，客户看到错误的信息就可能导致分析出错误的决策，造成损失，是要极力避免的。

3.扩展性好

大型数据仓库系统架构设计之所以复杂，是因为考虑到了未来3-5年的扩展性，这样的话，未来不用太快花钱去重建数据仓库系统，就能很稳定运行。扩展性主要体现在数据建模的合理性，数据仓库方案中多出一些中间层，使海量数据流有足够的缓冲，不至于数据量大很多，就运行不起来了。

从上面的介绍中可以看出，数据仓库技术可以将企业多年积累的数据唤醒，不仅为企业管理好这些海量数据，而且挖掘数据潜在的价值，从而成为通信企业运营维护系统的亮点之一。