数据仓库学习笔记（一）

决策支持系统的发展
 
    决策支持系统(decision support system ，简称dss)，可以为决策者提供分析问题、建立模型、模拟决策过程和方案的环境，调用各种信息资源和分析工具，帮助决策者提高决策水平和质量，它是管理信息系统(mis)向更高一级发展而产生的先进信息管理系统。
 
    数据仓库技术就是为更好的实现DDS而出现的。
 
    对于操作性事务处理，大多采用传统开发模式（SDLC开发周期），其步骤为：先理解需求，然后进入设计和开发阶段，数据库的设计都是建立在有了具体的需求之上的。可以想象，不同的系统之间，需求必然也是不同的，每开发一个新的系统，都会根据各自的需求建立一个数据系统。在很多大型企业当中，他们所在使用的软件系统有很多，不同系统之间的实现方式、使用的数据库等都有可能存在差异，但对于决策者来说，当他需要将多个系统中的数据进行统计分析的时候，就会遇到很大的麻烦。合理的使用数据仓库技术，可以有效的解决操作性事务处理与分析性事务处理的矛盾。
 
    数据仓库技术，将数据存储分为了四个层次：操作层、原子/数据仓库层、部门层、个体层。操作层数据只包含面向应用的原始数据，并且主要服务于高性能事务处理领域；数据仓库层只包含面向应用的原始历史数据；部门/数据集市层则是根据最终用户的需求为满足其特殊需要而建立的。（具体可以看下《数据仓库》第一章中对数据仓库体系结构化环境的讲解）
 
    对于以上的体系结构，我理解为：操作层中的数据，就是操作型事务处理系统日常运行使用的数据（数据库/表）；根据需求，定期的将操作层中的数据进行集成，传向数据仓库环境（这里的集成可以自己去查阅资料理解下，很重要的概念），集成的过程可以通过使用ETL工具来进行，可以提高效率；当需要进行数据分析系统的开发时，以数据为驱动，分析系统功能，抽取出所需要的数据放入部门/数据集市层；当有更细分的分析业务时，可以对部门层数据再次进行提取，放入个体层中，供分析使用。这样，各层之间的数据冗余就会大大降低。
 
    总结一下，通过对第一章的学习，首先从整体上了解数据仓库是为了解决什么问题而产生的；进而通过分析数据仓库的体系结构层次了解数据仓库的体系原理；理解需求驱动开发与数据驱动开发的区别。