数据仓库与数据挖掘：决策支持的关键要素

本章节主要探讨决策支持系统中的重要组成部分——数据仓库与数据挖掘。数据仓库（DW）作为一种专门设计用于决策支持的数据库系统，其产生和发展是为了解决传统数据库系统在面对复杂决策需求时所面临的挑战。早期的数据库主要用于支持在线事务处理（OLTP），但不适应于决策支持系统的（DSS）需求，因为它们难以解决数据集成、历史数据管理和综合分析等问题。 数据仓库的设计初衷是整合来自多个源的现有数据，以便于高级分析和决策制定。它不是简单的大型数据库，而是为决策者提供一个结构化的、集成的视图，以便进行多维数据分析（OLAP）。早期的DW主要在金融、电信和保险等对数据处理依赖性强的行业中得以应用，这些行业拥有成熟的OLTP系统和市场竞争压力，这为DW的实施提供了必要的环境。 当前DW的应用现状在中国面临着一些挑战，包括计算机应用基础较低，决策支持需求尚未充分挖掘，人才短缺，缺乏适合国内环境的成功案例，以及DW概念的普及度不高，使得用户感到遥不可及。尽管如此，随着商业智能的发展，中国商业智能网站开始关注并评选出重要的数据仓库应用，这表明DW在中国的应用正在逐步发展。 数据挖掘（DM）是DW的重要补充，它涉及从大量数据中提取有价值的信息和知识，为决策提供依据。DM方法论涵盖了多种决策支持技术，如ID3法构建决策树，帮助用户做出更精确的决策。综合决策支持系统则是将DW和DM结合起来，形成一个强大的工具集，以满足企业全面的信息分析和决策支持需求。 本章通过深入剖析数据仓库的基本原理、发展历程、应用现状及其在中国的特点，以及数据挖掘的理论和实践，为企业理解和利用这两项关键技术提供了全面的指导。