图1 数据库的基本组成及体系结构

3 数据仓库在连锁店中的应用

    对于一个连锁店而言，每天进销存的数量比较大。在每一个分店经营的过程中，都会产生大量的数据，包括销售、库存、价格等，这些数据传递到总连锁店的数据仓库，通过分析这些大量的销售数据，将其转化成有用的战略信息，从而得山制定战略的决策。数据仓库的体系结构图如图2所示。

图2 数据仓库的体系结构

    在上述连锁店的体系结构中，各个分店的销售数据记录包括一些外部数据的记录依次经过数据抽取、数据转换、数据载入传输到连锁总店的数据仓库中，然后根据对不同数据源的转换、装载形成的一个新的数据库，用装载工具为装载表格生成主键，然后进行联机分析处理，基丁连锁店数据仓库提供多维报表分析功能、进行数据挖掘。其中利用元数据记录数据的结构和数据仓库的任何变化，通过元数据使得不同的过程相互通信。

    源数据：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。具体到这个连锁店中，连锁总店的源数据来白于各个分店的销售记录的数据以及一些外部数据。

    连锁总店数据仓库：是整个连锁店销售系统的总的数据存储库，同时也是整个数据库的核心部分，支持海最数据和快速检索。

    元数据：元数据是描述数据仓库内数据的结构和建立方法的数据，记录了数据的结构和数据仓库的任何变化，以支持数据仓库的开发和使用。

    OLAP：联机分析处理，包括两种类型：多维联机分析处理和关系型联机分析处理。在这个连锁店的数据仓库的模型中我们采用多维联机分析处理，用多维方式对数据进行分析查询。
4 数据分析

    数据分析模块包括OLAP分析和数据挖掘分析两部分。在模型的实现上，这两个部分既可以单独实现，也可以集成实现。经过对原有业务处理系统进行分析后，首先确定各个主题域，在WarehouseBuilder中建立目标数据仓库逻辑模型，定义相应的维表（包括维中概念层次的定义）、事实表、物化视图、视图等。然后指定数据仓库的数据源，在这里就是原有业务系统中一些数据表，并设置好与它的连接。之后，确定从源数据表到数据仓库相应表中相应宁段的映射关系，包括数据类型的转换、缺值的处理、数据过滤等Oracle预定义的映射和用户自定义的映射方法。当数据仓库的逻辑模型建好后，对目标数据仓库的物理存储进行设置，如指定表空间、生成方式等。最后，WarehouseBuilder将自动生成建立维表和事实表的DDL脚本，用户可选择运行该脚本而在目标数据库Oracle8i中生成数据仓库的表。用户可以通过OracleOEM把数据源中的数据装载到已建立好的数据仓库的表中。

    OLAP分析的基础是多维立方体，而多维数据库中预先存储了用户可能所需要的逻辑“立方体”，OLAP工具根据用户提出的分析任务在特定的数据方立体上做下钻、上卷、切片等操作，并将分析结果通过多种形式，如直方图、饼图等返同给用户。OLAP分析所完成的是验证型任务，即用户提出假设，并指明分析的任务，如涉及的维、粒度等，分析完成后，由用户来判断所提出的假设是否正确。数据仓库的构建是一个不断循环的过程，基于用户的需求，开发数据仓库中数据的物理存储结构，即设计多维数据结构的事实表和维表。事实表含有主键，它可能含有的属性会有日期（Date），商品（ID），销售数量（Qualltity）等等。而维表则包括日期维，商品维，顾客维等等。维数据仓库设计的星型模式如图3所示。

图3 维数据仓库设计的星型模式

    数据挖掘可以直接在数据仓库上进行，因为数据仓库已经能够提供丰富的、经过预处理的高质量数据了。然而探测式的数据分析更能有效的支持数据挖掘：借助OLAP分析，用户使用交互的工作方式，选择数据，首先在不同的粒度上进行分析，研究每个分析结果，确定数据挖掘任务，如任务相关的数据集、所要挖掘的知识类型、所要使用的挖掘方法、兴趣度度量、概念分层等，最后进行数据挖掘，在数据挖掘的过程中，用户还可以继续对相关的数据“立方体”及挖掘的中问结果集进行上卷、下钻、切片等OLAP分析、以增强数据挖掘的能力和灵活性。所以为了与OLAP分析模型能够更好的集成，系统的数据挖掘也基于多维数据库之上。

5 结 论

    通过一个数据仓库的设计模型阐述了数据仓库在企业中的应用，介绍了一个简单通用的数据分析系统的模型，和个实际数据分析系统的初步实现。数据仓库在商业上的前景十分广阔，数据模型、数据库技术、OLAP技术、数据挖掘技术和决策支持技术都有很高的提高空间。一个企业需要多种类型的决策支持系统来提供决策信息，制定战略决策需要的信息不同千从操作型系统得到的信息。我们需要一种新的系统环境来提供战略信息，以分析、了解发展趋势和监控工作情况。数据仓库正是在汇总这些信息的基础上，进行查询分析、多维数据分析、数据挖掘、决策支持等。