導語：計算機專業(yè)數(shù)據(jù)倉庫見習報告一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

一、導讀部分：

可見二者差別之大，這只是數(shù)據(jù)庫與數(shù)據(jù)倉庫的一個概念性的大致區(qū)別。另外它編程人員最關心的建立與操作各方面也差別很大，因此如果你沒有這方面的知識想只憑借數(shù)據(jù)庫發(fā)面的知識來開發(fā)數(shù)據(jù)倉庫的產品是很不可能的這就要求你要從數(shù)據(jù)倉庫最基礎的知識學起。

可能很多同學首先就會想到數(shù)據(jù)庫，說起數(shù)據(jù)倉庫。終究就錯了一個字，但是就是這一個字使這二者差異很大：

即數(shù)據(jù)庫為中心，保守的數(shù)據(jù)庫技術是以單一的數(shù)據(jù)資源。進行事務處理、批處置等各種數(shù)據(jù)處置工作，主要是操作型處理，操作型處置也叫事務處理，指對數(shù)據(jù)庫聯(lián)機的日常操作，通常是對一個或一組紀錄的查詢和修改，主要為企業(yè)的特定應用服務的注重響應時間，數(shù)據(jù)的平安性和完整性。

用以支持經營管理中的決策制定過程，而數(shù)據(jù)倉庫則是面向主題的集成的不可更新的穩(wěn)定性)隨時間不斷變化（不同時間）數(shù)據(jù)集合。主要用于分析型處理(也叫信息型處置)分析型處置則用于管理人員的決策分析，經常要訪問大量的歷史數(shù)據(jù)。

二、數(shù)據(jù)倉庫的基礎知識：

1.數(shù)據(jù)倉庫概念始于上世紀80年代中期，首次出現(xiàn)是在被譽為“數(shù)據(jù)倉庫之父”WilliamH．Inmon的《建立數(shù)據(jù)倉庫》一書中。隨著人們對大型數(shù)據(jù)系統(tǒng)研究、管理、維護等方面的深刻識認和不斷完善，在總結、豐富、集中多行企業(yè)信息的經驗之后，為數(shù)據(jù)倉庫給出了更為精確的定義，即“數(shù)據(jù)倉庫是在企業(yè)管理和決策中面向主題的、集成的、與時間相關的、不可修改的數(shù)據(jù)集合”。數(shù)據(jù)倉庫并沒有嚴格的數(shù)據(jù)理論基礎，也沒有成熟的基本模式，且更偏向于工程，具有強烈的工程性。通常按其關鍵技術部份分為數(shù)據(jù)的抽取、存儲與管理以及數(shù)據(jù)的表現(xiàn)等三個基本方面。

數(shù)據(jù)倉庫的重點與要求是能夠準確、安全、可靠地從數(shù)據(jù)庫中取出數(shù)據(jù)，經過加工轉換成有規(guī)律信息之后，再供管理人員進行分析使用。數(shù)據(jù)倉庫主要是應用于決策支持系統(tǒng)，其主要目的是“提取”信息并加以擴展，用來進行處理基于數(shù)據(jù)倉庫的決策支持系統(tǒng)(DSS)的應用。

2基于數(shù)據(jù)倉庫的決策支持系統(tǒng)基于數(shù)據(jù)倉庫的決策支持系統(tǒng)(DSS)由三個部件組成：數(shù)據(jù)倉庫技術(Datawarehousing)，聯(lián)機分析處理技術(OLAP，On—LineAnalyticalPro—cessing)，數(shù)據(jù)挖掘技術(DataMining)。

聯(lián)機分析處理(OLAP，On—AnalyticalPro—cessing)是使分析人員、管理人員或執(zhí)行人員能夠從多種角度對從原始數(shù)據(jù)中轉化出來的、能夠真正為用戶所理解的、并真實反映企業(yè)給特性的信息進行快速、一致、交互地存取，從而獲得對數(shù)據(jù)的更深入了解的一類軟件技術。OLAP的目標是滿足決策支持或多維環(huán)境特定的查詢和報表需求。數(shù)據(jù)倉庫側重于存儲和管理面向決策主題的數(shù)據(jù)；而OLAP側重于數(shù)據(jù)倉庫的數(shù)據(jù)分析，并將其轉換成輔助決策信息。OLAP的一個主要特點是多維數(shù)據(jù)分析，這與數(shù)據(jù)倉庫的多維數(shù)據(jù)組織正好形成相互結合、相互補充的關系。問此，利用OLAP技術與數(shù)據(jù)倉庫的結合可以較好地解決傳統(tǒng)決策支持系統(tǒng)既需要處理大量數(shù)據(jù)又需要進行大量數(shù)值計算的問題。

OLAP的多維數(shù)據(jù)分析主要通過對多維數(shù)據(jù)的維進行剖切、鉆取和旋轉來實現(xiàn)對數(shù)據(jù)庫所提供的數(shù)據(jù)進行深入分析，為決策者提供決策支持。多維結構是決策支持的支柱，也是OLAP的核心。

數(shù)據(jù)挖掘(DataMining)是從大量的、不完全的、有噪聲的。模糊的、隨機的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。

數(shù)據(jù)挖掘可以看成是一種數(shù)據(jù)搜尋過程，它不必預先假設或提出問題，但是仍能找到那些非預期的卻令人關注的信息，這些信息表示了數(shù)據(jù)元素的關系和模式。它能挖掘出數(shù)據(jù)鍵潛在的模式(pattern)，找出最有價值的信息和知識(knowledge)。指導商業(yè)行為或輔助科學研究。研究對象是大規(guī)模和超大規(guī)模的數(shù)據(jù)集合。

三：在建立數(shù)據(jù)倉庫時應該注意的重點問題：

1.找清楚主題,主題是你的數(shù)據(jù)倉庫研究的一個大方向，如果你把這個都沒有弄清楚的話后面的工作都是白費了。一般數(shù)據(jù)倉庫的主題就是客戶最關心的部分，是客戶的項目做好以后在運行期間時常進行操作和觀察的核心內容。只要你在建立的前真正弄清楚了客戶的需求，一般主題的建立就不會出問題。

2.維度的建設，說白了維度就是客戶的使用分析處理是的一個觀察角度，數(shù)據(jù)倉庫是多維的，也就是用戶在觀察的時候是從多個角度來觀察的。這就要求你在具體的多維數(shù)據(jù)建立前要把用戶的業(yè)務模型建立完備，一般這是一個迭代的過程，在建立好或修改好一個模型后最好和用戶溝通一下，然后根據(jù)用戶的要求再做相應的修改，另外基礎數(shù)據(jù)庫里面的維度表也要同步，把實際用到的維度都能在數(shù)據(jù)庫里有所反應。

3.維度層次的建立：維度層次其實就是用戶在觀察時能夠細化的單位，也可以說是一個范圍，它是用戶在進行切片，上鉆，下鉆時的重要單位，在建立層次的時候首先是要搞清楚要有那些層次，這個通常是用戶要求的，然后在基礎數(shù)據(jù)庫建立的時候一定要把這些層次的順序弄清楚，現(xiàn)在的數(shù)據(jù)倉庫工具大多都是自動對你提供的數(shù)據(jù)表進行搜索而發(fā)現(xiàn)維度層次的，要是的建立基礎數(shù)據(jù)表的時候不注意可能你以后得出的結果就會錯很遠。

四：總結：

1.找實習工作的認識：

我覺得實習其實就是一個從大學生活到工作的一個過度階段，學校和社會差別很大。有很多學生在學校里對自己以后工作的事想的少，準備的少，一旦步入社會自己心里上一片空白，在實習時對于自己到底干什么工作，自己有什么專業(yè)技能也不是很清楚，最后總是過了很久快返校時才找到實習單位。我認為實習很重要，因為實習和正常上班沒有什么兩樣，如果實習時就沒有方向的話，以后工作了想找到方向會走彎路。還有對于大多數(shù)同學來說，先就業(yè)，在擇業(yè)是最好的，畢竟自己在學校里接觸社會少，專業(yè)實際操作和運用能力與實際工作要求還是有一定的差距，不要老想著自己一定要找到一份好工作，自己專業(yè)內的工作，自己喜歡的工作，這樣是不切合實際的。

2.工作總結：在日常的工作中也有很多小問題值得我們注意，我總結了一下幾條：

①最好每天都能做工作日記，早上上班前寫好自己在這一天的工作目標，工作中應該注意的重點問題，有哪些事情是要問清楚主管的等。然后在每天的下班前在看一下自己當天做了那些工作，哪些工作目標沒有完成，為什么沒有完成，自己在以后的工作中應該注意哪些問題……，這些將是很重要的，經?？纯磿泻艽筮M步。

②在開發(fā)項目的時候最好每天都有一個備份機制，因為電腦出故障是時常發(fā)生的，如果沒有備份的話可能會發(fā)生前功盡棄的可能。

③在開發(fā)時遇到需求說明不是很清楚的地方一定要向上級主管問清楚，因為軟件是做給客戶用的，我們不能憑空想像，那樣開發(fā)出來的東西很有可能會返工。

④在工作中可能會碰到和你的頂頭上司發(fā)生矛盾的事，如果已經發(fā)生了，你要想清楚為什么會發(fā)生這種事，這些事情能不能避免，如果能避免自己在日后的工作中就要多注意一些。

⑤在討論問題時要有自己的見解，不能人云亦云沒有見解。

⑥工作要踏實，認認真真做。

⑦要多總結，多交流。

以上就是我在數(shù)據(jù)倉庫實習期間自己的一些認識和看法，可能還有很多東西自己平時沒有注意到，我也希望，祝愿每一位實習生包括我自己能夠在日后的工作中取得更大進步。