【文章內(nèi)容簡介】 定維 可變維 維交叉計(jì)算 多維視圖 行級(jí)計(jì)算 超大型數(shù)據(jù)庫 讀 寫應(yīng)用 維數(shù)據(jù)變化速度快 數(shù)據(jù)集市 數(shù)據(jù)倉庫 例如 ， 以 “ 產(chǎn)品 、 城市 、 時(shí)間 ” 三維數(shù)據(jù) ， 如圖 時(shí)間城市產(chǎn)品電視機(jī)電冰箱廣州上海95 96 OLAP的決策支持： OLAP多維數(shù)據(jù)分析 基本功能：切片和切塊 對(duì)三維數(shù)據(jù) ， 通過 “ 切片 ” ， 分別從城市和產(chǎn)品等不同的角度觀察銷售情況： 電視機(jī)電冰箱廣州上海2）鉆 取 鉆取 ：例如， 1995年各部門銷售收入表如下： 對(duì)時(shí)間維進(jìn)行下鉆操作，獲得新表如下： 鉆 ?。ɡm(xù)） 1995 年 1996 年部門 1 季度 2 季度 3 季度 4 季度 1 季度 2 季度 3 季度 4 季度部門 1 200 200 350 150 120 200 250 140部門 2 250 50 150 150 200 180 230 120部門 3 200 150 180 270 180 200 170 250旋轉(zhuǎn)前的數(shù)據(jù) 旋 轉(zhuǎn) 1 季度 2 季度 3 季度 4 季度部門 95 年 96 年 95 年 96 年 95 年 96 年 95 年 96 年部門 1 200 120 200 200 350 250 150 140部門 2 250 200 50 180 150 230 150 120部門 3 200 180 150 200 180 170 270 250旋轉(zhuǎn)后的數(shù)據(jù) 旋 轉(zhuǎn)（續(xù)） 1 季度 2 季度 3 季度 4 季度年齡 95 年 96 年 95 年 96 年 95 年 96 年 95 年 96 年20 100 60 80 50 100 50 50 4050x20 300 230 110 250 270 330 200 22050 250 210 210 280 310 270 320 250旋轉(zhuǎn)后再切片 假設(shè)有一個(gè) 5維數(shù)據(jù)模型 ， 5個(gè)維分別為：商店 ，方案 ， 部門 ， 時(shí)間 ， 銷售 。 1． 三維表查詢 在指定 “ 商店 =ALL，方案 =現(xiàn)有 ” 情況的三維表（行為部門，列為時(shí)間和銷售量） 、 OLAP實(shí)例 1994 1995 %增長率 銷售量 利潤增長 % 銷售量 利潤增長 % 銷售量 利潤增長 服裝 234,670 381,102 () 家具 62,548 66,005 () 汽車 375,098 325,402 () 所有其它 202,388 306,677 指定商店、方案后的三維表 1994 1995 %增長率 銷售 利潤增長 % 銷售 利潤增長 % 銷售 利潤增長 汽車 375,098 325,402 () 維修 195,051 180,786 () 附件 116,280 122,545 音樂 63,767 22,071 () 向下鉆取 對(duì)汽車部門向下鉆取出具體項(xiàng)目的銷售情況和利潤增長情況。 1995 Sales 服裝 381,102 家具 66,005 汽車 325,402 所有其它 306,677 切片表 切片（ Slice）操作是除去一些列或行不顯示 1995 銷售量 現(xiàn)有 計(jì)劃 差量 差量 % 服裝 381,102 350,000 31,102 家具 66,005 69,000 (2,995) () 汽車 325,402 300,000 25,402 所有其它 306,677 350,000 (44,322) 旋轉(zhuǎn)表 這次旋轉(zhuǎn)操作得到 1995年的交叉表方案為：現(xiàn)有 、 計(jì)劃 、 差量 、 差量 %。 數(shù)據(jù)倉庫的決策支持 ? 美國著名的 NCR數(shù)據(jù)倉庫公司對(duì)數(shù)據(jù)倉庫總結(jié)5種決策支持能力。 ? 報(bào)表 ? 隨機(jī)分析 ? 預(yù)測(cè) ? 實(shí)時(shí)決策 ? 事件觸發(fā)的自動(dòng)決策 報(bào)表 ? 數(shù)據(jù)倉庫所面臨的 最大挑戰(zhàn)是數(shù)據(jù)集成 。傳統(tǒng)的環(huán)境經(jīng)常有上百個(gè)數(shù)據(jù)源，每一數(shù)據(jù)源都有各自定義的標(biāo)準(zhǔn)和實(shí)施技術(shù)。 ? 建立的數(shù)據(jù)倉庫是通過收集各種來源的數(shù)據(jù)，來 回答預(yù)先設(shè)置的一些問題，告訴決策者 “ 發(fā)生了什么 ” 。它為以后數(shù)據(jù)倉庫的發(fā)展奠定了基礎(chǔ)。 隨機(jī)分析 ? 數(shù)據(jù)倉庫應(yīng)用的第二種決策支持是， 從 “ 發(fā)生了什么 ” 轉(zhuǎn)向 “ 為什么會(huì)發(fā)生 ” 。 分析活動(dòng)就是了解報(bào)表數(shù)據(jù)的涵義，需要更多更詳細(xì)的數(shù)據(jù)進(jìn)行各種角度的分析。在第二階段的數(shù)據(jù)倉庫主要用于隨機(jī)分析。 預(yù)測(cè) ? 數(shù)據(jù)倉庫的第三種決策支持是幫助決策者來預(yù)測(cè)未來， 回答 “ 將要發(fā)生什么 ” 。 ? 數(shù)據(jù)倉庫需要利用歷史資料創(chuàng)建預(yù)測(cè)模型。 實(shí)時(shí)決策 ? 數(shù)據(jù)倉庫的第 4種決策支持是企業(yè)需要準(zhǔn)確了解 “ 正在發(fā)生什么 ” ，從而需要建立動(dòng)態(tài)數(shù)據(jù)倉庫（實(shí)時(shí)數(shù)據(jù)庫），用于支持戰(zhàn)術(shù)型決策，即實(shí)時(shí)決策。有效地解決當(dāng)前的實(shí)際問題。 ? 第 1到第 3種決策支持的數(shù)據(jù)倉庫都以支持企業(yè) 內(nèi)部戰(zhàn)略性決策為重點(diǎn) ，幫助企業(yè)制定發(fā)展戰(zhàn)略。 ? 第 4種決策支持側(cè)重在戰(zhàn)術(shù)性決策支持。 ? 動(dòng)態(tài)數(shù)據(jù)倉庫能夠逐項(xiàng)產(chǎn)品、逐個(gè)店鋪、逐秒地作出最佳決策支持。 事件觸發(fā)的自動(dòng)決策 ? 數(shù)據(jù)倉庫的第 5種決策支持是由事件觸發(fā)，利用動(dòng)態(tài)數(shù)據(jù)庫自動(dòng)決策， 達(dá)到 “ 希望發(fā)生什么 ” 。 例如，電子貨架標(biāo)簽技術(shù)結(jié)合動(dòng)態(tài)數(shù)據(jù)倉庫，可以幫助企業(yè)按照自己的意愿實(shí)現(xiàn)復(fù)雜的價(jià)格管理自動(dòng)化，以便以最低的損耗售出最多的存貨。 知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘 數(shù)據(jù)挖掘的決策支持及應(yīng)用 第（ 3）部分 演變階段 商業(yè)問題 支持技術(shù) 產(chǎn)品廠家 產(chǎn)品特點(diǎn) 數(shù)據(jù)搜集（ 20 世紀(jì) 60年代） 數(shù)據(jù)訪問（ 20 世紀(jì) 80年代） 數(shù)據(jù)倉庫決策 支持（ 20世紀(jì) 90年代 數(shù)據(jù)挖掘（正 在流行） “過去五年中整個(gè)有關(guān) 聯(lián)鎖超市總收入是 多少？” “聯(lián)鎖超市第一分部去 年三月的銷售額是 多少？” “聯(lián)鎖超市第一分部去 年三月的銷售額是多 少？第二分部據(jù)此可 得出什么結(jié)論？” “下個(gè)月第二分部的 銷售會(huì)怎么樣？ 為什么？” 計(jì)算機(jī)、磁帶和磁盤 關(guān)系數(shù)據(jù)庫 （ RDBMS）， 查詢語言（ SQL）， ODBC OLAP、多維數(shù)據(jù)庫和 數(shù)據(jù)倉庫 高級(jí)算法、多處理器 計(jì)算機(jī)和海量數(shù)據(jù)庫 IBM和 CDC Oracle、 Sybase 、 Informix、 IBM和 Microsoft Pilot、 Comshare 、 Arbor、 Cognos和 Microstrategy Pilot、 Lockheed 、 IBM、 SGI 和其他初創(chuàng)公司 提供歷史性的靜態(tài) 的數(shù)據(jù) 在記錄級(jí)提供歷史性 動(dòng)態(tài)數(shù)據(jù) 在各種層次上提供 回溯的動(dòng)態(tài)數(shù)據(jù) 提供預(yù)測(cè)性信息 表 51 數(shù)據(jù)挖掘的演變進(jìn)程 產(chǎn) 品 Clementine Darwin Data mining Workstation Data Engine IBM Intelligent Miner FDBMS IDIS Information Harvester Knowledge Seeker Neural Ware Prison Re Mind 技 術(shù) 供應(yīng)商 規(guī)則歸納 神經(jīng)網(wǎng)絡(luò)、遺傳算法等 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)、模糊邏輯、信號(hào)處理 多種技術(shù) 分?jǐn)?shù)維 規(guī)則發(fā)現(xiàn) 模糊專家系統(tǒng) 規(guī)則發(fā)現(xiàn)、決策樹 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò) 基于實(shí)例的推理、歸納邏輯 Ingegral Solutions Thinking Machines Corp. HNC Software Inc. MIT Gmbh IBM Corp. Cross/Z International Inc. Informational Discovery Inc. Informational Harvesting Angoss Software Int’1 Ltd.. Neural Ware Inc. Nestor Inc. Cognitive Systems 表 52 一些主要的數(shù)據(jù)挖掘產(chǎn)品 數(shù)據(jù)挖掘的興起 （ 1） 80年在美國召開了第一屆國際機(jī)器學(xué)習(xí)研討會(huì)； （ 2） 89年 8月于美國底特律市召開的第一屆 KDD國際學(xué)術(shù)會(huì)議； （ 3） 95年在加拿大