資料倉儲

資料倉儲是一種資訊系統的資料儲存理論，此理論強調利用某些特殊資料儲存方式，讓所包含的資料，特別有利於分析處理，以產生有價值的資訊並依此作決策。

利用資料倉儲方式所存放的資料，具有一但存入，便不隨時間而更動的特性，同時存入的資料必定包含時間屬性，通常一個資料倉儲皆會含有大量的歷史性資料，並利用特定分析方式，自其中發掘出特定資訊。

資料倉儲 ，由資料倉儲之父W.H.Inmon於1990年提出，主要功能乃是將組織透過資訊系統之線上交易處理(OLTP)經年累月所累積的大量資料，透過資料倉儲理論所特有的資料儲存架構，作一有系統的分析整理，以利各種分析方法如線上分析處理(OLAP)、資料採礦(Data Mining)之進行，並進而支援如決策支援系統(DSS)、主管資訊系統(EIS)之建立，幫助決策者能快速有效的自大量資料中，分析出有價值的資訊，以利決策擬定及快速回應外在環境變動，幫助建構商業智慧(BI)。

一般來說，資料倉儲可由關聯式資料庫，或專為資料倉儲開發的多維度資料庫建立，若由多維度資料庫建立而成，其架構可分為星狀及雪花狀架構，包含數個維度資料表，及一個事實資料表。

資料倉儲的建制不僅只是資訊工具技術面的運用，在規畫和執行面更需對產業知識、行銷管理、市場定位、策略規畫等相關條件有深入的了解，才能真正發揮資料倉儲以及後續分析工具的價值，提升組織競爭力。

• 主題導向(Subject-Oriented)

有別於一般OLTP系統，資料倉儲的資料模型設計，著重將資料按其意義歸類至相同的主題區(subject area)，因此稱為主題導向。舉例如Party、Arrangement、Event、Product等。

• 整合性(Integrated)

資料來自企業各OLTP系統，在資料倉儲中是整合過且一致的。

• 時間差異性(Time-Variant)

資料的變動，在資料倉儲中是能夠被紀錄以及追蹤變化的，有助於能反映出能隨著時間變化的資料軌跡。

• 不變動性(Nonvolatile)

資料一旦確認寫入後是不會被取代或刪除的，即使資料是錯誤的亦同。(i.e.錯誤的後續修正，便可因上述時間差異性的特性而被追蹤)

Operational data store(ODS)、資料倉儲和資料超市三者相同之處在於均不屬於任一OLTP系統，並且都是以資料導向的設計而非流程(process)導向。

相異之處在於，ODS的特性較著重於戰術性查詢，變動性大。資料倉儲通常為企業層級，用來解答即興式、臨時性的問題。而資料超市則較偏向解決特定單位或部門的問題，部分採用維度模型(dimensional model)。

資料倉儲可以作為資料採礦和OLAP等分析工具的資料來源，由於存放於資料倉儲中的資料，必需經過篩選與轉換，因此可以避免分析工具使用錯誤的資料，而得到不正確的分析結果。

資料採礦和OLAP同為分析工具，其差別在於OLAP提供使用者一便利的多維度觀點和方法，以有效率的對資料進行複雜的查詢動作，其預設查詢條件由使用者預先設定，而資料採礦，則能由資訊系統主動發掘資料來源中，未曾被察覺的隱藏資訊，和透過使用者的認知以產生知識。

資料採礦(Data Mining)技術是經由自動或半自動的方法探勘及分析大量的資料，以建立有效的模型及規則，而企業透過資料採礦更瞭解他們的客戶，進而改進他們的行銷、業務及客服的運作。 資料採礦是資料倉儲的一種重要運用。基本上，它是用來將你的資料中隱藏的資訊挖掘出來，所以 Data Mining 其實是所謂的 Knowledge Discovery 的一部份，Data Mining 使用了許多統計分析與 Modeling 的方法，到資料中尋找有用的特徵（Patterns）以及關連性（Relationships）。 Knowledge Discovery 的過程對 Data Mining 的應用成功與否有重要的影響，只有它才能確保 Data Mining 能獲得有意義的結果。

• 数据庫
• 决策支持系统
• OLAP
• 資料採礦
• 商務智能
• 知識發掘