数据仓库立项报告

数据仓库立项报告（精选6篇）

篇1：数据仓库立项报告

立体化仓库项目立项报告

一、产品背景

自动化立体仓库是由立体货架、有轨巷道堆垛机、出入库托盘输送机系统、尺寸检测条码阅读系统、通讯系统、自动控制系统、计算机监控系统、计算机管理系统以及其他如电线电缆桥架配电柜、托盘、调节平台、自动化立体仓库钢结构平台等辅助设备组成的复杂的自动化系统。

运用一流的集成化物流理念，采用先进的控制、总线、通讯和信息技术，通过以上设备的协调动作，按照用户的需要完成指定货物的自动有序、快速准确、高效的入库出库作业。

自动化立体仓库是现代物流系统中迅速发展的一个重要组成部分, 它具有节约用地、减轻劳动强度、消除差错、提高仓储自动化水平及管理水平、提高管理和操作人员素质、降低储运损耗、有效地减少流动资金的积压、提高物流效率等诸多优点。

所以，从这些方面我们不难看出，之所以会有越来越多的企业选择自动化立体仓库，与上述中它给企业创造的价值和影响力是分不开的。

二、产品市场

自动化立体仓库，它在我国只是最近几年才开始兴起的。在我国目前的众多领域中都有涉及，不过比较集中的还是在食品饮料中的应用和医药行业中的应用。

近两年国家对土地的管控以及经济发展导致的土地紧张，已迫使更多的企业不得不向空间发展。同时自动化设备越来越普及，现代制造业、物流业均需要自动化的物流、仓储来匹配，这为自动化立体物流、立体仓库的发展带来强大的市场前景。

重庆、成都近几年汽车行业发展较快，新兴企业及外来企业均希望本地企业提供该方面的服务，我们可依拓重庆近几年新建、扩建的制造企业市场，以及生活服务、市政、其它市场等，重点打造以立体仓库形态存在的立体货架、立体车库、银行寄存、包裹分拣类产品，形成我们的核心竞争力。

三、产品雏形

1、组成部分

货架：用于存储货物的钢结构。目前主要有焊接式货架和组合式货架两种基本形式。托盘（货箱）：用于承载货物的器具。巷道堆垛机：用于自动存取货物的设备。

输送机系统：立体库的主要外围设备，自动化立体仓库负责将货物运送到堆垛机或从堆垛机将货物移走。输送机种类非常多，常见的有辊道输送机，链条输送机，升降台，分配车，提升机机，皮带机等。系统：即自动导向小车。根据其导向方式分为感应式导向小车和激光导向小车。

自动控制系统：驱动自动化立体库系统各设备的自动控制系统。目前以采用现场总线方式为控制模式为主。储存信息管理系统：亦称中央计算机管理系统。是全自动化立体库系统的核心。

2、工作原理

现在输送控制系统多采用PROFIBUS现场总线方式。总线与上位机的SIEMENS总线卡连接实现双向高速通信，使得输送系统接收上位机的作业指令，同时向上位机连续发送各子系统设备状态信息。上位机对输送机系统实现实时调度和监视。系统的控制器采用SIEMENS S7-300系列产品，主站通过PROFIBUS总线把分布在现场的各从站（I/O和电机启动器）连接起来进行组网通讯，从而完成输送机作业过程的控制。

控制对象

控制对象主要为输送设备的各种传感器和驱动机构，相关设备包括外形检测装置、称重仪、固定式条码扫描器和电子点阵显示屏等。

控制模式

输送系统一般有手动、单机自动及联机自动三种控制模式。

手动模式一般由单台设备上的旋钮手柄或控制台的HMI触摸屏菜单项设置手动／自动工作模式。在手动模式下，由人工对输送机电机进行启动／停止操作。

单机自动模式 单机自动是输送系统脱离上位机独立运行的作业模式。该模式是在控制台的HMI触摸屏单机作业界面上分别输入起点站号和终点站号，输送系统自动选择路径并完成一次输送作业任务。

联机（在线）自动模式输送系统一般工作在联机自动模式。由上位机下达作业命令，通过控制系统对各台输送设备的分时自动控制，实现物流的自动有序输送。

3、调度监控与管理系统 自动化仓库调度监控与管理系统

自动化仓库的调度监控与管理系统（WC/MS）就是使用计算机实现对自动化仓储系统(Automated Storage/Retrival System)设备全部的运行过程控制、实时监视以及物流信息管理与跟踪。物流信息管理包括作业计划、作业调度、作业过程以及作业变更。计算机调度监控与管理系统是自动化立体仓库系统中的重要组成部分。

WC/MS的设计原则应是实用性、可靠性、先进性和开放（可扩充）性。AS/RS系统层次

完整的AS/RS分为四层，即：服务层、管理层、监控层和执行层。WC/MS管理到上面三层: 服务层 由系统服务器提供数据库服务，通过局域网与管理层进行物料信息的数据交互与处理，并实现与业务系统信息集成与资源共享。

管理层 完成系统的高级管理工作，负责仓库系统的货位管理、入出库管理、查询报表、库存分析、系统维护、故障分析等工作，实现与服务器和监控系统的信息交互与作业指令下达。

监控层 负责接收和转发、协调管理系统的入出库指令，完成作业指令的分解、排队和下达，控制物流设备的各部执行机构；接收和处理控制系统的各种信息的实时采集和动画跟踪。是联系管理和控制系统的心脏。

执行层 通过各环节执行机构，执行、跟踪并依次完成作业指令规定的任务。

4、技术性能

技术先进，采用现场控制总线直接通讯的方式，真正做到计算机只监不控，所有的决策、作业调度和现场信息等均由堆垛机、出入库输送机等现场设备通过相互间的通讯来协调完成。每个货位的托盘号分别记录在堆垛机和计算机的数据库里，自动化立体仓库管理员可利用对比功能来比较计算机的记录和堆垛机里的记录，并进行修改，修改可自动完成和手动完成。系统软、硬件功能齐全，用户界面清晰，便于操作维护。

堆垛机有自动召回原点的功能，即无论任何情况，只要货叉居中且水平运行正常时，可按照下达的命令自动返回原点。这意味着操作人员和维护人员可以尽量不进入巷道。智能的控制系统，可以实现真正的自动盘库功能，避免了以往繁重的人工盘库工作，减轻了仓库管理人员的工作强度，同时保证了出库作业的出错率为零。

控管理系统包括数据管理、入库管理、出库管理、查询、报表、单据与盘库、报警、监控与动画等模块。

四、产品核心及市场优势

1、控制系统是核心竞争力

仓库是一个储物空间，所以它不仅有着存储物料的作用，在整个货品流通过程中，仓库还是一个采购运销配送的中继站，高效的工作方式是必须的。所以在进行仓库规划的时候，在物资进入时就应该依据物资的使用方向、种类等多方面进行考量后进行划分，才能在管理上提高效率。自动化立体仓库就是应势而出现的，可以解决很多传统仓库存在的问题。

首先在占用空间上就可以体现出来，自动话立体仓库采用的大型仓储货架的拼装，配以自动化管理技术，使得岁仓库空间的利用率有了很大的提高，在提倡节能环保的今天，是非常符合时代潮流的，这也是未来仓储发展的趋势。

但这离不开自动化的管理技术，利用计算机可以实现对货物信息的精准化管理，这样可以减少减少存储货物中可能会出现的差错，提高了工作效率。同时，也减少了货品的破损率以及可以很好的满足一些特殊货物对环境的不同要求，能适应不同物料的存储需求。

如果可以有效的利用的话，自动化立体仓库可以形成先进的生产链，在存储中形成自动化的物流系统，使生产能力得到了大幅度的提升，从而促进企业产生更多的利润。

2、竞争优势

优秀的控制系统界面可以缩小与用户的距离，让用户实现无障碍使用。现在许多立体仓库还停留在PLC控制的基础上，对控制、使用人员要求较高，需经过较长时间的专业化培训。我们的产品具有良好的人机界面，从而降低用户的使用难度。

专业的控制系统将输送机、各种传感器、驱动器、PLC、工业PC等，通过标准的I/O连接在一起，形成组网通讯，从而为自动化控制并入ERP成为可能。

软件控制系统，可实现对各环节的远程直面监控，可有效减人员监控带来的各种弊端。同时其开放性端口，可实现多种软件的兼容性。

五、项目风险优势

1、产品属国家高新技术，不仅免增殖税，还免所得税及营业税；

2、产品开发的控制系统可申请国家专利，获得相应的资金支持；

篇2：数据仓库立项报告

院（系）名称：信 息 技 术 学 院 专

业 年 级：11 级网络工程（物联网方向）

学

号：111124092 学 生

姓 名：朱

玉

jxjk 目录 目录.....................................................................................................................................I 第 1 章 数据仓库和数据挖掘简介......................................................................................1 1.1 数据简介.............................................................................................................................................1 1.2 数据挖掘技术.....................................................................................................................................1 第 2 章 创建数据仓库..........................................................................................................2 2.1 数据....................................................................................................................................................2 2.1.1 数据属性结构........................................................................................................................................2 2.1.2 数据库的相关处理................................................................................................................................3 2.1.3 实验的开发平台....................................................................................................................................3 2.2 数据库的结构模块简介....................................................................................................................3 第 3 章 数据挖掘过程..........................................................................................................3 3.1 关联规则............................................................................................................................................3 3.1.1 关联规则挖掘过程图解.........................................................................................................................3 3.1.2 决策树挖掘过程图解...........................................................................................................................24 3.1.3 聚类分析挖掘过程图解.......................................................................................................................26 3.2 数据集挖掘结果..............................................................................................................................28 3.2.1 超市交易关联规则的挖掘结果...........................................................................................................28 3.2.2 影响小学生自控能力调查数据集决策树的挖掘结果.......................................................................31 3.2.3 影响小学生自控能力因素调查数据集聚类分析的挖掘结果............................................................33 第四章 数据仓库和数据挖掘总结....................................................................................38 4.1 关联规则总结...................................................................................................................................38 4.2 决策树总结.......................................................................................................................................38 4.3 聚类分析总结...................................................................................................................................40

jxjk 第 1 章 数据仓库和数据挖掘简介 1.1 数据简介

我的数据集是由两个不同的数据库组成，因为做关联规则的时候，影响小学生自控能力的因素分析调查分析数据库，不具备关联规则一对多的条件，因此，我用了课本上的的超市交易数据集。所以做关联规则的超市数据集，在这里我就不多介绍了。

做决策树,聚类分析所用的数据集影响小学生自控能力的因素分析调查分析数据库主要父母文化程度，家庭经济状况，教师要求，民族，年纪，年龄，师生关系，是否单亲，是否是独生子女，兴趣，性别，姓名，学号，性格，自控能力属性组成。此表是用来调查影响小学生自控能力的因素有哪些。此数据集做决策树的目的是，可以根据小学生的基本情况大致了解他的自控能力。此数据集做聚类分析，可以从中挖掘出小学生基本情况的分类。

1.2 数据挖掘技术 关联规则、决策树、聚类分析。

jxjk

第 2 章 创建数据仓库 2.1 数据

2.1.1 数据属性结构 如表 2-1、2-2 所示。

表 表 2 2--1 超市数据交易表

表 表 2 2--2 影响小 学生自控能力的因素分析调查表

jxjk

2.1.2 数据库的相关处理 1.创建数据库 2.数据集导入 3.设置主键 4.创建数据库关系图 2.1.3 实验的开发平台 1.实验设备：PC 2.主要开发软件：SQL Sever 2005 3.辅助软件：Office

2.2 数据库的结构模块简介 本数据库有两个数据集组成，超市交易数据集和 影响小学生自控能力的因素分析调查表两个数据集。超市交易中有 ID 和 Items 两个属性；影响小学生自控能力的因素分析调查表数据集中有年级、学号、姓名、年龄、性别、民族、是否单亲、是否独生子女、父母文化程度、家庭经济状况、是否为班委、教师要求、师生关系、兴趣、性格、自控能力等属性。

第 3 章 数据挖掘过程 3.1 关联规则 3.1.1 关联规则挖掘过程图解

1.商业智能项目创建过程图解

jxjk

2.数据源的创建过程图解

jxjk

jxjk

jxjk

jxjk

jxjk

3.数据源视图创建过程图解

jxjk

jxjk

jxjk

jxjk

4.数据集挖掘结构创建过程图解

jxjk

jxjk

jxjk

jxjk

jxjk

jxjk

jxjk

jxjk

jxjk

5.设置算法参数

6.处理挖掘结构过程图解

jxjk

jxjk

3.1.2 决策树挖掘过程图解 决策树的挖掘过程与关联规则基本上相同，但有些是不同的，因此，我把不同过程的图解在下面给出。

1.创建挖掘结构过程中挖掘数据所用的列的选项

jxjk

2.算法参数设置

jxjk

3.1.3 聚类分析挖掘过程图解 聚类分析的挖掘过成与决策树、关联规则也基本上相同，因此，我把不同过程的图解和决策树一样也在下面给出。

1.挖掘数据集时所用到的属性

jxjk

2.算法参数设置

jxjk

3.2 数据集挖掘结果 3.2.1 超市交易关联规则的挖掘结果

1.项集

jxjk

2.钻取

3.规则

jxjk

4.依赖关系网络

jxjk

3.2.2 影响小学生自控能力调查数据集决策树的挖掘结果 1.决策树

2.依赖关系网络

jxjk

jxjk

3.2.3 影响小学生自控能力因素调查数据集聚类分析的挖掘结果

jxjk

1.分类关系图

2.分类剖面图

jxjk

3.分类特征

jxjk

4.分类对比

jxjk

jxjk

第四章 数据仓库和数据挖掘总结 4.1 关联规则总结

从超市交易数据集中能挖掘到：能够推测到顾客买商品的时候，大概会买那些商品。比如根据下图：

从此挖掘结果中能够看到，顾客买 cream 也可能会买 bread。

4.2 决策树总结

从影响小学生自控能力因素调查表数据集中能够挖掘出：小学生的自控能力与哪些因素有关联，关联是否很强，或者根据小学生的基本情况大概能判断出小学生的自控能力的倾向。比如一下几个图：

jxjk

从以上几个图片可以看出，影响小学生的自控能力的因素有兴趣、父母文化程度、年级、家庭经济情况、性别、是否是独生子女、教师要求、是否为班委，影响小学生自控能力的最强因素

jxjk

是兴趣因素，最弱的是性别。

4.3 聚类分析总结

篇3：基于数字校园数据平台的数据仓库

数字化校园的构成可以用图1表示, 计算机网络是数字化校园的基础设施;网络基本服务是数字信息流动的基础, 包括电子邮件、文件传输、域名服务、身份认证、目录服务等;在此基础上要建立各类基于网络的数据仓库, 包括职能信息库、课程资源库、数字化图书资源等;应用支撑系统包括办公自动化系统、各类管理信息系统、网络教学系统以及数字图书馆管理系统等等;在此之上的信息服务系统是校内用户的主要使用界面, 为师生提供各种服务, 如信息交流、信息查询、决策支持、电子商务等。五个区域分别表示数字化学习环境的功能领域:组织管理、教学活动、学术研究、公共服务和学校社区服务等, 各个功能领域之间是密切相关、相互促进的。

以选课系统为例解析数据仓库的构建与应用

数据挖掘, 又称为数据库中的知识发现 (Knowledge Discovery in Database, 简称KDD) , 是指从大型数据库中提取人们感兴趣的信息, 提取的知识表示为概念 (Concepts) 、规则 (Rules) 、规律 (Regularities) 、模式 (Pattems) 等形式。数据挖掘可以应用于各个领域, 包括商务管理、生产控制、市场分析、工程设计和科学探索等。利用数据挖掘技术, 挖掘选课系统中积累的有用信息, 可以使学校的相关部门有弹性地调节所开的课程, 调整热门课程和冷门课程的人数, 调节相关课程的学分, 通过选课率及相关信息做出正确决策, 鼓励和引导学生选择互补的课程, 这有利于学生整体素质的提高, 也有利于教师、教室等资源的合理分配。

1. 确定数据仓库和OLAP模型

OLAP (Online Analytical Mining或OLAP Mining) 是基于数据仓库的信息分析处理过程, 其基本特点是能够从多种角度对从原始数据中转化出来的信息进行快速、一致、交互地处理, 从中获得对数据更深入地了解。OLAM将二者结合起来, 发展一种建立在OLAP和数据仓库基础上的新的挖掘技术, 它兼有OLAP多维分析的在线性、灵活性和数据挖掘对数据处理的深入性, 是数据库应用工具未来发展的方向之一。

通常要先分析原有业务数据库, 确定待建的数据仓库主题。再根据用户的需求来确定各个级别数据仓库的存储主题。这里选取学生选课管理这一典型业务为主题。为了保证数据的正确性和一致性, 还要确保这些数据是按同样的方法记录的同一件事情, 需要对选课的原始数据进行预处理, 转换成适合数据挖掘的数据。数据预处理 (Data preprocessing) 包括三个步骤:数据清理 (Data cleaning) 、数据集成 (Data integration) 和数据变换 (Data transformation) 。完成数据的预处理之后, 便可确定待建的数据仓库模型, 实现OLAP建模, 生成多维数据集 (CUBE) 。可以建立以ROLAP方式存储的选课数目分析多维数据集 (以时间维、学号维、院系专业维为维度, 选课数目为度量值) 、选课学分分析多维数据集 (以课程类别维、课程开课部门维、学号学历维为维度, 学分为度量值) 等许多个不同的多维数据立方体。

2. 数据挖掘关联算法的实现

关于关联规则的挖掘算法主要有循环式扫描算法、增量式更新算法、并行挖掘算法、元模式制导、基于约束挖掘等等。目前大多数研究集中在频繁数据项的挖掘方法上。其中比较典型的关联规则挖掘算法有Apriori算法和FP-growth算法。

篇4：数据仓库立项报告

然而，要想做好疾病预防，大数据就成为了医疗预防时代的立项之本。事实上，大数据“扮演”了重要的角色——它是“先知”，它可以将那些未知的或者已知的疾病的结果提供给医疗机构以及监管等部门，使他们能够针对疾病做出应对方案，从而为民众做到更早、更快、更好的疾病预防以及得到治疗，控制风险，促进安稳。

大数据推动医疗健康变革

大数据的出现推动了新一代医疗健康变革，它为未来医疗健康的发展带来巨大的价值。

首先，它能够增加民众疾病预防能力。通过大数据可以预测出常见的疾病爆发区域，随着大数据技术的不断进步，区域范围会逐渐缩小，使得民众可以针对疾病提前做出全面的预防与治理。

其次，它可以助力政府等相关部门更好地洞察疾病爆发时间、区域以及做出应对策略，借助第三方大数据平台如百度大数据等能够助力监管部门实现重大疾病预测以及风险的管控。

第三，对于医院而言，通过对于大数据的应用可以更加快速清楚的预测到疾病发展的趋势，这样在大规模爆发疾病的同时能够提前做好预防措施和医疗治疗资源的储蓄和分配，优化医院资源。医院通过采用百度大数据平台上的百度疾病预测，能够提前“捕捉”到这些预测数据信息，为民众提供更好的服务。

推动大数据数据采集及标准是关键

对于大数据在医疗机构的应用，国际上部分医疗机构已经开始借助大数据技术来实现民众的疾病预测。比如美国的部分医院已经通过大数据技术来预测到哪些人会生病，但国内医院大数据应用还存在一些问题：首先，数据采集难、量小问题。收集数据是大数据基础，如果医院能够采用语音技术，记录下医生与病人之间的问诊数据，当日均采集到一万人的病情或者更多病人的病情包括看病的次数等数据时，通过语音技术将产生成千上万的数据量，然后面对如此大的数据量借助如百度大数据引擎等第三方大数据平台能够产生非常大的价值。

另外，可穿戴设备的发展也将加大数据的采集力度，为医院提供实时的海量的数据。结合百度大数据引擎的应用，可以更便捷地对可穿戴设备所产生的数据进行采集和分析。据了解，百度大数据引擎包括了百度开放云、数据工厂、百度大脑等组件。其中，百度开放云能够提供的图像人脸识别、语音识别等大数据处理技术，为医院开展大数据提供了有利的技术支撑与分析。同时，通过对于与百度地图（LBS）的结合应用，可以使得可穿戴设备数据采集更加的全面，进一步提升了医院驾驭大数据的能力，为更多的民众提供疾病预防以及治疗能力。

其次，从数据本身来讲，传统行业的数据更多是结构化的标准数据，但医院更多是非结构化数据，因此在开展大数据时要关注数据标准化。

未来医院会把HIS系统放在云上，医院将没有服务器、信息中心，所有的数据、数据分析都可以基于像百度云这样的平台上进行操作，对于医院而言需要的只是网络架构即可。如果在云端有统一系统，数据能够通过云来实现共享，那么，医院开展大数据价值将显而易见。

尚需完善医疗预警机制

百度商业市场部总经理陈志峰对大数据的挖掘管理做了一个想象的比喻，他说，电影《让子弹飞》中有一句经典台词“别急，让子弹飞一会儿。”子弹在飞与击中目标的过程，以及过程中看客心态，射击者心态，与我们当下的一种环境十分相像：大数据与公共卫生建设。在过去的几年间，大数据技术之于公共卫生就像一颗高速飞出的子弹，一直飞在空中，无法真正为公共卫生提供成熟可操作的解决方案。

陈志峰坦言，传统的公共卫生管理中，一般要求医生在发现新型流感病例时告知疾病控制与预防中心。但这种处理方式有一个致命弊端：流行疾病的传播性远远快于后置传递的信息——人们都会在发病多日后才选择医院就诊，从就诊到医院发出诊断预警信息，这其中约有一至两周的滞后周期。这也就直接导致，当一场流行疾病真正在公众中爆发时，可能错过了最佳预警时期。所以，在公共卫生流行疾病的管理中，如何抓住这往往被忽略的黄金一周成为关键。这一时期中，人们在网络上询问各种关于病症的问题，以及自我治疗的方法。无论是询问病症关键词，还是药品关键词都可以成为大数据预警的触发机制。大数据公司可以通过实时监控，发现不同病症的地域分布、触及人群广度，并结合医疗工作者丰富的经验值来组合判断流行疾病爆发的可能性。

这种尝试通过大数据的挖掘管理，分析实现流行疾病预警管理的模式得到了中国疾病预防控制中心副主任、中科院院士高福的认同，他认为，大数据在公共卫生预防控制上的作用很关键，通过大数据可以在流感到来之前为人们提供一些解释性信息，为流感的预防提供缓冲时间。

陈志峰强调，大数据终于不再只是飞，落地中国公共卫生管理也只是一个美好的开始，这个数据库的模型可以更加丰富，例如：在数据收集端，通过智能移动健康设备实现个人健康数据实时监测，数据即可输送至公共卫生管理大数据库，也可以建立个人健康管理电子档案。在数据利用端，通过个人电子健康档案，可实现家族疾病以及慢性疾病的实时监控，并对此实现长期对症治疗。

篇5：数据仓库与数据挖掘学习心得.

通过数据仓库与数据挖掘的这门课的学习,掌握了数据仓库与数据挖掘的一些基础知识和基本概念,了解了数据仓库与数据库的区别。下面谈谈我对数据仓库与数据挖掘学习心得以及阅读相关方面的论文的学习体会。

《浅谈数据仓库与数据挖掘》这篇论文主要是介绍数据仓库与数据挖掘的的一些基本概念。数据仓库是支持管理决策过程的、面向主题的、集成的、稳定的、不同时间的数据集合。主题是数据数据归类的标准,每个主题对应一个客观分析的领域,他可为辅助决策集成多个部门不同系统的大量数据。数据仓库包含了大量的历史数据,经集成后进入数据仓库的数据极少更新的。数据仓库内的数据时间一般为5年至10年,主要用于进行时间趋势分析。数据仓库的数据量很大。

数据仓库的特点如下:

1、数据仓库是面向主题的;

2、数据仓库是集成的,数据仓库的数据有来自于分散的操作型数据,将所需数据从原来的数据中抽取出来,进行加工与集成,统一与综合之后才能进入数据仓库;

3、数据仓库是不可更新的,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;

4、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,它在商业领域取得了巨大的成功。

作为一个系统,数据仓库至少包括3个基本的功能部分:数据获取:数据存储和管理;信息访问。

数据挖掘的定义:数据挖掘从技术上来说是从大量的、不完全的、有噪音的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在的有用的信息和知识的过程。

数据开采技术的目标是从大量数据中,发现隐藏于其后的规律或数据间的的关系,从而服务于决策。数据挖掘的主要任务有广义知识;分类和预测;关联分析;聚类。

《数据仓库与数据挖掘技术在金融信息化中的应用》论文主要通过介绍数据额仓库与数据挖掘的起源、定义以及特征的等方面的介绍引出其在金融信息化中的应用。在金融信息化的应用方面,金融机构利用信息技术从过去积累的、海量的、以不同形式存储的数据资料里提取隐藏着的许多

重要信息,并对它们进行高层次的分析,发现和挖掘出这些数据间的整体特征描述及发展趋势预测,找出对决策有价值的信息,以防范银行的经营风险、实现银行科技管理及银行科学决策。

篇6：什么是数据仓库数据库教程

目前，数据仓库一词尚没有一个统一的定义，著名的数据仓库专家W.H.Inmon在其著作《Building the Data Warehouse》一书中给予如下描述：数据仓库(Data Warehouse)是一个面向主题的(Subject Oriented)、集成的(Integrate)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合，用于支持管理决策，

什么是数据仓库数据库教程

。对于数据仓库的概念我们可以从两个层次予以理解，首先，数据仓库用于支持决策，面向分析型数据处理，它不同于企业现有的操作型数据库;其次，数据仓库是对多个异构的数据源有效集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。

根据数据仓库概念的含义，数据仓库拥有以下四个特点：

1、面向主题。操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织。主题是一个抽象的概念，是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息系统相关。

2、集成的。面向事务处理的操作型数据库通常与某些特定的应用相关，数据库之间相互独立，并且往往是异构的。而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。

3、相对稳定的。操作型数据库中的数据通常实时更新，数据根据需要及时发生变化。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。

4、反映历史变化。操作型数据库主要关心当前某一个时间段内的数据，而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(如开始应用数据仓库的时点)到目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，

企业数据仓库的建设，是以现有企业业务系统和大量业务数据的积累为基础。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们做出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。

整个数据仓库系统是一个包含四个层次的体系结构，具体由下图表示。

数据仓库系统体系结构

·数据源：是数据仓库系统的基础，是整个系统的数据源泉。通常包括企业内部信息和外部信息。内部信息包括存放于RDBMS中的各种业务处理数据和各类文档数据。外部信息包括各类法律法规、市场信息和竞争对手的信息等等;

·数据的存储与管理：是整个数据仓库系统的核心。数据仓库的真正关键是数据的存储和管理。数据仓库的组织管理方式决定了它有别于传统数据库，同时也决定了其对外部数据的表现形式。要决定采用什么产品和技术来建立数据仓库的核心，则需要从数据仓库的技术特点着手分析。针对现有各业务系统的数据，进行抽取、清理，并有效集成，按照主题进行组织。数据仓库按照数据的覆盖范围可以分为企业级数据仓库和部门级数据仓库(通常称为数据集市)。

·OLAP服务器：对分析需要的数据进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势。其具体实现可以分为：ROLAP、MOLAP和HOLAP。ROLAP基本数据和聚合数据均存放在RDBMS之中;MOLAP基本数据和聚合数据均存放于多维数据库中;HOLAP基本数据存放于RDBMS之中，聚合数据存放于多维数据库中。