资料仓储

数据仓库（港台译資料倉儲）是一门新兴的资讯科技相关理论，以下用二种方式解释。

较简易的解释方式

资料仓储是一种资讯系统的资料储存理论，此理论强调利用某些特殊资料储存方式，让所包含的资料，特别有利于分析处理，以产生有价值的资讯并依此作决策。

利用资料仓储方式所存放的资料，具有一但存入，便不随时间而更动的特性，同时存入的资料必定包含时间属性，通常一个资料仓储皆会含有大量的历史性资料，并利用特定分析方式，自其中发掘出特定资讯。

较学术的解释方式

资料仓储 ，由资料仓储之父W.H.Inmon于1990年提出，主要功能乃是将组织透过资讯系统之联机交易处理(OLTP)经年累月所累积的大量资料，透过资料仓储理论所特有的资料储存架构，作一有系统的分析整理，以利各种分析方法如线上分析处理(OLAP)、资料挖掘(Data Mining)之进行，并进而支援如决策支援系统(DSS)、主管资讯系统(EIS)之建立，帮助决策者能快速有效的自大量资料中，分析出有价值的资讯，以利决策拟定及快速回应外在环境变动，帮助建构商业智慧(BI)。

资料模型

有别于一般联机交易处理(OLTP)系统，资料模型设计是一个资料仓储设计的地基，目前两大主流理论分别为采用正规方式(normalized approach)或多维方式(dimensional approach)进行资料模型设计。资料模型可以分为逻辑与实体资料模型。逻辑资料模型陈述业务相关资料的关联，基本上是一种与资料库无关的结构设计，通常均会采用正规方式设计，主要精神是从企业业务领域的角度及高度订出subject area model，再逐步向下深入到entities、attributes，在设计时不会考虑未来采用的资料库管理系统，也不需考虑分析效能问题。而实体资料模型则与资料库管理系统有关，是建置在该系统上的资料架构，故设计时需考虑资料型态(data type)、空间及效能相关的议题。实体资料模型设计，则较多有采用正规方式或多维方式的讨论，但从实务上来说，不执著于理论，能与业务需要有最好的搭配，才是企业在建置资料仓储时的正确考量。

资料仓储的建制不仅只是资讯工具技术面的运用，在规画和执行面更需对产业知识、行销管理、市场定位、策略规画等相关条件有深入的了解，才能真正发挥资料仓储以及后续分析工具的价值，提升组织竞争力。

资料仓储的特性

主题导向(Subject-Oriented)

有别于一般OLTP系统，资料仓储的资料模型设计，着重将资料按其意义归类至相同的主题区(subject area)，因此称为主题导向。举例如Party、Arrangement、Event、Product等。

整合性(Integrated)

资料来自企业各OLTP系统，在资料仓储中是整合过且一致的。

时间差异性(Time-Variant)

资料的变动，在资料仓储中是能够被纪录以及追踪变化的，有助于能反映出能随着时间变化的资料轨迹。

不变动性(Nonvolatile)

资料一旦确认写入后是不会被取代或删除的，即使资料是错误的亦同。(i.e.错误的后续修正，便可因上述时间差异性的特性而被追踪)

ODS、资料仓储和资料超市之异同

Operational data store(ODS)、资料仓储和资料超市三者相同之处在于均不属于任一OLTP系统，并且都是以资料导向的设计而非流程(process)导向。

相异之处在于，ODS的特性较着重于战术性查询，变动性大。资料仓储通常为企业层级，用来解答即兴式、临时性的问题。而资料超市则较偏向解决特定单位或部门的问题，部分采用维度模型(dimensional model)。

资料挖掘、OLAP和资料仓储

资料仓储可以作为资料挖掘和OLAP等分析工具的资料来源，由于存放于资料仓储中的资料，必需经过筛选与转换，因此可以避免分析工具使用错误的资料，而得到不正确的分析结果。

资料挖掘和OLAP同为分析工具，其差别在于OLAP提供使用者一便利的多维度观点和方法，以有效率的对资料进行复杂的查询动作，其预设查询条件由使用者预先设定，而资料挖掘，则能由资讯系统主动发掘资料来源中，未曾被查觉的隐藏资讯，和透过使用者的认知以产生知识。

资料挖掘(Data Mining)技术是经由自动或半自动的方法探勘及分析大量的资料，以建立有效的模型及规则，而企业透过资料挖掘更了解他们的客户，进而改进他们的行销、业务及客服的运作。资料挖掘是资料仓储的一种重要运用。基本上，它是用来将你的资料中隐藏的资讯挖掘出来，所以 Data Mining 其实是所谓的 Knowledge Discovery 的一部份，Data Mining 使用了许多统计分析与 Modeling 的方法，到资料中寻找有用的特征（Patterns）以及关连性（Relationships）。 Knowledge Discovery 的过程对 Data Mining 的应用成功与否有重要的影响，只有它才能确保 Data Mining 能获得有意义的结果。

参见