摘要：数据仓库是当前信息领域的热门方向。本文阐述了数据仓库、联机分析处理、数据挖掘的概念，并对OLAP和数据挖掘技术进行了探讨；并在此基础上，提出了数据仓库技术在人力资源系统的设计方案。
论文关键词：数据仓库,数据挖掘,联机分析处理,人力资源系统
1数据仓库概念及其体系结构
数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non – Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。与其他数据库应用相比，数据仓库更像一种过程，即对分散的业务数据进行整合、加工和分析的过程，而不是一种可以购买的产品。
数据仓库包括如下几个部分，如图1所示。
（1）原数据部分，数据提取、清洗、转换和装载（ETL）部分，以及中心数据仓库部分。经过这些环节，可以完成将数据从源数据装载到数据仓库中的过程。
（2）数据集市。根据部门的需要，可以从数据仓库中形成数据集市，以满足部门及数据分析的需要。
图1 数据仓库的体系结构
（3）数据访问和分析部分。在数据访问和分析的过程中，可以采用OLAP分析及数据挖掘技术进行分析，得出有关的分析结果。
2 数据分析技术
数据分析技术是建立在一定数据基础上，进行分析的方式和方法，通常包括：OLAP、数据挖掘、统计分析、联机挖掘等技术。需要说明的是，数据分析技术并不一定需要建立在数据仓库的基础上，但有了数据仓库之后，数据分析的效率和能力将大大提高。通过与数据分析技术的结合，才能发现许多前所未有的分析结果，并为管理者提供科学的决策依据。
2.1 OLAP（联机分析处理）
OLAP分析与数据仓库的关系非常紧密。数据仓库的建立，解决了依据主题进行数据存储的问题，提高了数据的存取速度，而OLAP分析构成了数据仓库的表现层，将数据仓库中的数据通过不同的维和指标，灵活的展现出来，提高数据的展现能力，进而提高数据的分析能力。
OLAP涉及以下术语：维度（Dimension）、量度（Measure）、级别（Level）、成员（Member）、多维数据集/立方体（Cube）、时间粒度（Time granularity）、星型结构/维度（Star schema）、雪花型结构/维度（Snowflake schema）。
OLAP对不同维度进行肉眼观察，并非运用更科学的概率论或其它数学工具去测度；而肉眼观察带有主观的“有色眼镜”，故缺乏科学客观的评判手段和方法。其次，当遇到维度过多、数据量过大的实际情况时，OLAP工作效率急剧下降。再次，若自变量和自变量之间存在的线性关系或交互作用，OLAP无法分辨“混杂因子”或找出主要影响因素。因此，OLAP无法完全满足在分析信息系统中最基本、最重要和最关键的要求：面对主题(商务需求)进行分析；而在实际信息处理中，OLAP无法实现分析的主题或任务，则需要数据分析或数据挖掘更强大的分析工具、技术来实现。计算机论文
2.2 数据挖掘
数据挖掘亦称为数据开采，它首先由W. J. Frawley、G. Piatesky-Shapiro等人提出。数据挖掘是一种数据分析工具，它从大量的、不完全的、有噪声的、模糊的、随机的数据中提取人们感兴趣的数据模式、数据的普遍关系及其隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，提取的知识表示为概念(Concepts)、规则(Rules)、规律(Regularities)、模式(Patterns)等形式，其目的是帮助管理者寻找数据间潜在的关联，发现被忽略的要素，而这些信息对预测趋势和决策行为将起到一定的支持作用。
数据库中的数据挖掘是一个多步骤的处理过程，这些步骤有：
（1）数据定义阶段。主要了解相关领域的有关情况，熟悉背景知识，弄清楚用户决策分析对信息的要求。
（2）数据提取阶段。根据要求从数据库中提取相关的数据。
（3）数据预处理阶段。主要对前一阶段产生的数据进行再加工，检查数据的完整性及数据的一致性，对其中的噪音数据进行处理，对缺损的数据进行填补。
（4）数据挖掘阶段。主要是运用选定的知识发现算法，从数据中提取出用户所需要的知识，这些知识可以用一种特定的方式表示或使用一些常用的表示方式。
（5）知识评估阶段。将发现的知识以用户能了解的方式呈现，根据需要对知识发现过程中的某些处理阶段进行优化，直到满足要求。
2.3数据仓库、0LAP和数据挖掘之间的关系
在数据仓库化的决策支持系统中，应将数据仓库、OLAP、数据挖掘进行有机结合，其所担当的角色分别为：
（1）数据仓库用于数据的存储和组织，它从事务处理系统中抽取数据，并对其进行综合、集成与转换，提供面向全局的数据视图；OLAP致力于数据的分析；数据挖掘则专注于知识的自动发现。
（2）在数据仓库和OLAP、数据仓库和数据挖掘之间存在着单向支持的关系；在数据挖掘与OLAP之间，存在双向联系，即数据挖掘为OLAP提供分析的模式，OLAP对数据挖掘的结果进行验证，并给予适当的引导。三者关系如图2所示。
图2 数据仓库、OLAP、数据挖掘的关系
3、数据仓库技术及在人力资源系统的设计
人力资源系统的数据量大，但相对分散，统计功能不足，利用率低。为了更好的发挥其数据的功能，提出人力资源数据仓库系统的设计。该系统主要由ETL系统、OLAP系统、客户端组件系统三部分组成，其整体框架如图3所示。
图3 人力资源数据仓库系统框架图
ETL系统负责定期的从OLTP系统中将业务数据库的数据导入数据仓库，在导入过程中会依据OLAP系统中模式设计的要求对数据进行清洗和转换，以符合数据仓库的结构要求。
OLAP系统由三部分组成：OLAP引擎、OLAP数据展示模块和元数据管理模块。OLAP引擎负责读入数据仓库中的数据，并根据模式定义构建多维数据集，使数据以多维格式展示。OLAP数据展示模块负责将多维数据集展现为一个联机分析处理（OLAP）页面，用户可以在页面上执行典型的联机分析处理导航操作，如上卷、下钻和旋转等。元数据管理模块负责对模式设计文件进行管理。
客户端组件系统负责访问用户的登录验证，并根据访问用户的访问权限提供对应的数据展现。
4、结束语
本文阐述了数据仓库、OLAP、数据挖掘的概念，并对OLAP和数据挖掘技术进行了探讨。并在此基础上，提出了人力资源数据仓库系统的设计方案。数据仓库已经成为现代信息领域的必不可少的基础设施之一，我们应该使用好数据仓库，使之成为迎接挑战的有力武器。
参考文献
[1] W. H. Inmon 数据仓库[M] 机械工业出版社 2003
[2] 王珊等 数据仓库技术与联机分析处理[M] 科学出版社 1998
[3] 林杰斌等 数据挖掘与OLAP理论与实务[M] 清华大学出版社 2003
[4] 彭木梗 数据仓库技术与实现[M] 电子工业出版社 2002
|
