数据 仓库实施中应注意的四大问题数据仓库在实施过程中仍面临诸多影响。这也是数据 仓库项目高比例失败的主要原因。只有在项目中解决好这些问题，才能保证-2仓库项目的最终成功。以下是需要注意的问题:1。采用什么样的实现方法实现企业级数据 -0/？通常有两种方式:一种是建立一个部门专用的数据市场，并逐步扩大数据。另一种是一开始就考虑-2仓库的主题和实现。
5、什么是 数据 仓库最近，商业智能软件市场方兴未艾，给低迷的IT行业带来了一线曙光。ForresterResearch的一项调查显示，去年年底，44%的企业表示计划在今年购买BI软件。此外，根据IDC提供的数据预测，五年内，商业智能的市场规模将从目前的55亿美元扩大到157亿美元。正是看到了BI市场的巨大“钱途”，一些IT服务提供商纷纷推出自己的BI软件，如Oracle、微软、IBM以及国内的金碟公司等。大力开发和推广商务智能软件。
企业热衷BI，首先源于其自身的优势:一是迎合了企业的需求。根据最新一期美国《财富》杂志的分析，BI可以计算出大量的信息，进而为企业找出市场趋势、商业问题和新的市场机会。而这正是企业一直在寻找的软件。世界零售巨头沃尔玛发现，当啤酒和纸尿裤在类似地区销售时，它们的销量会大大增加，因此它按照这种布局来安排商品，以促进销售。
6、 数据 仓库 数据建模的几种思路数据 仓库两种典型的建模理论数据-0是基于主题领域的维度建模和实体关系建模，分别以Kimball和Immon为代表。维度建模由数据分析需求驱动，倡导总线架构:事实一致，维度一致。这个数据模型便于用户理解和数据分析操作。基于主题领域的实体关系建模以源系统数据为驱动，整合企业的所有数据，从企业的高度抽象整合数据，采用3NF实体关系理论建模，为数据。
上周我们主要讨论了数据在基于主题域的实体关系建模中的集成，讨论了以下三个思路:同一主题域中不同实体的属性通过属性进行聚合。比如对于会员、公司、客户等实体对象，我们都有地址属性信息、姓名识别属性信息等等。这种思想是将属性内聚度高的字段进行整合，将不同的属性以带类型标识的树表形式存储。
7、 数据库与 数据 仓库的本质区别是什么数据 library与数据 仓库的本质区别如下:1 .逻辑层/概念层:数据库和数据。但是数据库通常更关注业务事务处理(OLTP)，而数据 仓库更关注数据分析级(OLAP)，从而产生-2。数据库通常追求速度、事务完整性、数据的一致性等。，而数据 Library模型主要遵循正常模型(1NF、2NF、3NF等。)，因而。
8、详解 数据 仓库和 数据库的区别数据 仓库本身是一个非常大的数据库，但是数据仓库是由组织存储的。数据库是面向事务的设计，数据 仓库是面向主题的设计；数据图书馆一般存储业务数据，数据 仓库一般历史存储数据；数据库设计是为了尽可能避免冗余。一般是为某个业务应用设计的，比如简单的用户表，记录用户名和密码简单到数据，符合业务应用，但不符合分析。数据-0.
9、 数据 仓库之 数据粒度确定数据仓库Zhong数据合适的粒度是开发者需要面对的最重要的设计问题之一。数据粒度主要是针对指数数据的计算范围，比如人口项数据是统计部门统计为街区还是社区。人口数据细化程度越高，粒度级别越小；反之，细化程度越低，粒度级别越大。颗粒大小是数据 -0/的主要设计问题，因为它极大地影响了数据/中存储的数据的大小，同时也影响了/。
接下来通过规划、设计、施工两个阶段来说明-2仓库粒度的确定。1.在规划阶段，“规划”去思考和考虑未来的整体性、长期性、基础性问题，设计未来的一整套行动方案，在计划阶段的过程中，先粗略估算-2的数量，估算的目的是把握一个数据仓库中数据数量的范围。第二步是在数据 bazaar、-2仓库storage数据bazaar使用的最小粒度中预测未来应用所需的粒度，1.1.建立良好的循环反馈机制非常重要。
