软件仓库的经典解释

关注

转载最新推荐文章于 2026-07-05 11:03:52 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

软件架构风格概述数据流风格：适合数据按顺序流动的场景，每个组件只处理它接收到的数据。管道—过滤器风格：适合需要增量处理和并行执行的场景，每个过滤器独立处理数据流，并将结果传递给下一个过滤器。批处理序列风格：适合需要整体处理数据集的场景，每一步处理都是在前一步完成后进行的。共同点：两者都把任务分成一系列固定顺序的计算单元（组件），组件间只通过数据传递交互。区别批处理：全部数据作为一个整体进行处理，步骤之间数据传递是完整的，处理延迟较高。管道过滤器。阅读详情

第一、

数据库是一个装数据（信息的原材料）的地方。
数据仓库是一种系统，这种系统也是用数据库装东西。
数据仓库系统（用数据库装东西）与其他基础业务系统（例如财务系统、销售系统、人力资源系统等，也是用数据库装东西）的区别是：
基础业务系统的特点是各管各的，例如财务系统生产了白菜，那么用一个数据库来装，人力资源系统生产了猪肉，再用一个数据库来装。我要做一道菜，需要分别到各个数据库去取，比较麻烦（现实的情况是大部分时候让种菜的农民伯伯送过来，但送过来的东西不一定是我想要的，而且不同的时候我想要不同的东西，经常会被农民伯伯骂，弄得双方都不开心）。另外一方面，各个数据库中放的是一些比较原始的东西，我要拿过来做菜，还需要经过很麻烦的清洗过程，一不小心里面可能就藏着一条大青虫。
那么，数据仓库系统就是建立一个大的超市，将各地农民伯伯出产的东西收集过来，清洗干净，分门别类地放好。这样，你要哪种菜的时候，直接从超市里面拿就可以了。

第二、几大智能等

客户智能(客户关系管理)：
　　提供全方位的客户信息查询、分析和监控功能。利用客户智能可帮助企业制定获取客户、保留情况和提升客户利润贡献度的客户管理策略。客户智能还可以对客户满意度、忠诚度以及客户生命周期进行分析，并通过先进的绩效管理框架对客户利润贡献度进行评估进而制定客户细分策略。

　　营销智能：
　　通过分析、报告、管理和监控营销信息来帮助企业的决策者、营销专家和分析人员制定战略性的营销策略，帮助企业提高营销能力。并可以根据企业制定的营销策略进行计算机仿真，观察销售策略是否能达到预期的效果。

　　销售智能：
　　提供全面的销售团队分析、销售业绩分析、根源分析和业绩管理来帮助决策者制定销售策略及对销售业务快速做出市场反应。销售智能还提供很多随时可以运行的智能报告和分析手册，评估销售趋势、市场开拓活动、产品利润、产品生存周期以及促销效果。

　　财务智能：
　　分析与服务相关活动的全面信息，监控服务质量，帮助企业制定更合理高效的服务策略。该智能进行闭环式的跟踪反馈，并与业务人员的工作绩效直接挂钩，起到指导和监督的作用。

　　财务智能：
　　提供易于使用的财务盈利状况分析报表、现金流分析报表、现金状况分析报表、资产管理分析报表、项目分析报表等，方便决策者迅速地分析财务信息。

第三、

一般人只看到数据仓库好处的表皮，其实还有一个重要作用是，数据仓库通过分析数据（包括报表、OLAP、挖掘），能把分析出来的东西找出来，就可以对症下药，采取措施。比如某品牌产品，在某代理商代理的销售中，在某地区某季度业绩很差，于是在下钻分析，分析出销售中第几步出了问题，分析出问题是质量不好，服务不好，还是其他原因。分析好了后，在即席查询中将所有条件列出，查询出具体的情况，公司相关部门负责人去处理，解决好具体环节。

这才是数据仓库解决实际具体情况的深入应用，不仅仅是给老总决策参考，而是给老总及部门负责人具体的，详细的信息，指导如何去处理。

第四、

数据仓库的作用重在数据的集中管理。集中管理的最终目的是为了分析，预测。
所谓的ETL。不过是数据仓库的构建的一个必须过程。数据的抽取转换与装载，都是为了集中管理所做的基础工作，这些数据与动作的描述，都会有有响应的元数据进行描述。

在数据仓库建模的过程，我们一般都是采用多维模型，如星形，雪花型等等，这样做最大的特点就是效率高，数据的冗余度低。所以，把OLAP与数据仓库混为一谈我认为是片面的解释。
我们也可以选择业务逻辑模型建立数据仓库，这是很早以前的做法了，特点就是效率不高，数据的冗余度高，但他能实现非常难以表达的业务逻辑设计。

基于数据仓库最重要的是分析与预测，我认为，历史现在将来是数据仓库的精华。。
基于数据仓库的DM，OLAP都是为了分析与预测。为了让使用企业单位更好的把握现在，预测将来，因此他最实效的说法我认为是给决策者与管理者进行决策管理提供分析与预测的依据。

第五、

数据仓库可以说是决策支持系统，能帮助老板了解企业的整体全貌，看到数据仓库提供的经过整理统计归纳的数据后老板凭自己的管理经验可以发现企业的问题或困难或成功因素在哪一方面，然后可以不断的追溯数据，直到确定到最具体的细节上，这样能够不断提升老板或管理层的管理水平，不断改善企业的管理。我们知道的最好的一个例子就是美国某大型超市啤酒和尿布的故事。

沃尔玛公司在美国的一位店面经理曾发现，每周，啤酒和尿布的销量都会有一次同比攀升，一时却搞不清是什么原因。后来，沃尔玛运用商业智能（Business Intelligence，简称ＢＩ）技术发现，购买这两种产品的顾客几乎都是25岁到35岁、家中有婴儿的男性，每次购买的时间均在周末。沃尔玛在对相关数据分析后得知，这些人习惯晚上边看球赛、边喝啤酒，边照顾孩子，为了图省事而使用一次性的尿布。得到这个结果后，沃尔玛决定把这两种商品摆放在一起，结果，这两种商品的销量都有了显著增加。

数据库是数据仓库的基础。数据仓库实际上也是由数据库的很多表组成的。需要把存放大量操作性业务数据的数据库经过筛选、抽取、归纳、统计、转换到一个新的数据库中。然后再进行数据展现。老板关注的是数据展现的结果。

第六、

早期一直不理解数据仓库是什么困惑得很。

宏观一点讲，数据仓库就是堆放公司所有数据的地方，之所以把数据都堆在一起，是为了从中间找到有价值的东西。

数据仓库更多的是一个概念，不要把数据仓库想成那些号称是数据仓库的软件产品们。

数据仓库的物理上就是数据库。相对业务系统数据库叫OLTP数据库（用于业务处理），这种数据库叫OLAP数据库（用于业务分析）。

数据仓库的概念是针对以下基本需求产生的：
公司的业务系统很多，业务系统的历史数据不方便查询。不同的业务系统往往管理部门不同，地域不同。能不能将所有这些数据集中起来，再淘淘有没有有意义的业务规律。

数据仓库数据库往往很大，因为公司所有的数据集中得越多，越能淘到有价值的发现。例如随便就100G以上。

数据仓库的组成十分繁杂，既有业务系统的历史数据，又有人事、财务数据，还要自己建一些基础性的数据，例如，公共假期数据、地理信息、国家信息等等。

数据仓库概念包含从业务生产系统采集数据的程序，这个程序还不能影响业务系统的运行。（属于所谓“ETL”过程）

数据仓库包括业务系统长期的历史数据，例如5年，用来分析。（所谓“ODS”数据）

数据仓库包括针对某相业务值（例如销售量）重新打上标签的业务流水数据。（所谓“事实表”、“维度表”）。