数据仓库与大数据融合的探讨

郭光福

（中国人民大学信息学院，北京 100872）

随着数据库技术的多元化发展，其在各行业、各领域都有广泛的应用，所以在业务管理系统中，针对数据仓库与大数据之间的数据融合进行分析，对进一步提高数据仓库的实际应用效果有积极作用。在数据库技术实现多样化发展中，数据仓库是通过现有的数据库，对数据信息进行抽取、加工以及使用，并为管理工作的开展提供管理决策。在这一视角下，数据仓库建设与发展应用数据库技术，对现有数据信息进行管理，满足业务管理与控制的综合发展需求。在利用数据库技术的基础上，可通过数据挖掘与信息处理的方式，实现数据管理与业务管理水平的综合提升。

1 数据仓库的概念

数据仓库并不是单纯的多数据库集合，而是通过数据处理技术针对现有的数据库，对数据信息进行提取、清洗、加工、处理以及使用，并为业务管理以及管理决策等提供依据。在实现数据信息处理的过程中，则需要通过大数据技术，对数据仓库的数据进行分析与处理，按照数据特征进行分类与处理，从而提高数据信息的有效利用率。数据仓库与数据技术具有联系性，利用数据库技术对数据信息进行处理，其中包含云数据处理、数据挖掘、AI 技术应用等，在数据信息处理与调整的基础上，可实现数据处理水平提升[1]。大数据在实际应用中，可以减少数据冗余，并消除数据壁垒，在数据挖掘以及智能处理技术的应用下，对数据信息进行融合与处理，从而实现数据采集与挖掘。大数据在对数据处理与分析时，可以对大规模的、结构复杂的数据信息进行处理，从而实现预测与决策分析水平的提升。从数据管理的角度进行分析，数据仓库与大数据之间具有一定的关联性，但是大数据对数据类型、数据处理等有积极作用，在数据处理与信息控制的基础上，可实现数据仓库的数据信息融合与控制。

对大数据的需求进行分析时，则是在数据分析与数据管理的基础上，实现数据预测与决策水平提升。从大数据与数据仓库融合的角度进行分析，大数据与数据仓库之间比较相似，但是数据量、数据类型、处理速度、数据结构准确性等方面存在一定的差异性，所以在利用数据仓库技术的过程中，则是在预测大数据的基础上，对数据仓库的数据处理过程进行完善，从而满足数据统计与数据分析的综合需求[2]。

2 大数据技术及其困境

在对大数据技术的实际应用进行分析中，则是在非结构化数据库以及数据信息处理过程等方面进行分析，在数据集合与数据挖掘处理的基础上，可实现数据信息的综合处理效果提升。但是，数据信息处理技术在实际应用中，则需要对数据处理过程、数据处理参数等方面进行优化，在实现数据集中处理与分析处理的基础上，可满足数据仓库的数据处理与控制需求。但是，大数据技术在实际应用中，仍然存在以下几个难点。

1.从技术层面进行分析，大数据的研究与应用仍然处在初级阶段，缺少完善、有效的数据解决方案，对大数据信息处理以及数据挖掘处理等会产生直接的影响。在对大数据的实际应用进行分析中，缺少体系化的模型，虽然开源的Hadoop 可以实际应用，但是在数据信息处理的过程中，数据处理技术的应用水平不足，对数据应用以及数据仓库的数据挖掘等会产生直接的影响。在大数据信息处理与控制的过程中，则可以通过数据挖掘与信息处理的方式，实现数据挖掘与数据信息处理效果的综合提升[3]。在建立完整化数据信息处理模型的基础上，可通过数据处理以及信息评估的方式，实现大数据处理效果提升。

2.从大数据处理过程的角度进行分析，在大数据技术的实践应用中，大多是以Hadoop 为框架，但是在实际应用时，其仍然存在非结构化数据，在数据处理与数据分析中，对数据仓库的数据挖掘与信息挖掘会产生直接的影响。通过数据仓库的应用，在实现数据信息处理与控制的过程中，数据仓库的处理过程仍然存在问题，对数据信息处理以及数据管理等会产生直接的影响，也会影响数据仓库与大数据技术融合的实际应用水平。而且，在对结构数据进行优化的过程中，仍然存在数据信息处理不到位的情况，影响大数据技术的实际应用效果与应用价值。

3.数据安全问题。在大数据技术多样化应用的过程中，面对数据安全问题，对数据信息处理过程以及数据冗余等会产生直接影响。在Hadoop、MPP 数据库、MySQL 数据流处理中，仍然存在数据库系统不完善的情况，对数据结构的安全性以及数据处理过程等会产生直接的影响。因此，在数据信息处理与数据开元处理的基础上，仍然需要对数据安全问题进行调整，从而实现大数据的数据安全控制水平提升[4]。

4.大数据应用与开发不足。大数据的实际应用与云计算过程相似，在对基础数据建设体系进行完善与优化的基础上，仍然需要从数据处理、数据维护以及数据分析等方面进行优化，在对数据处理过程进行优化的基础上，可通过数据仓库的信息处理与数据控制，解决大数据的操作与数据处理的综合问题。但是，在大数据处理的过程中，智能化、多元化的系统框架搭建，仍然存在数据仓库的开发问题，而且基础数据建设比较困难，后期的数据处理与资源维护等不足，对大数据技术的操作与控制等会产生直接的影响。

5.大数据对业务管理决策的影响仍需进一步研究。大数据技术在实际应用中，对网络中的海量数据进行挖掘，可以发现数据中隐含的价值，但是在获取数据的过程中，仍然需要对每一个数据进行处理、加工以及分析，要对数据处理过程、数据分析准确性等方面进行探究，在数据分析与预测等方面仍有不足，对数据处理过程会产生直接的影响。在大数据信息处理与控制的过程中，数据存储与数据提取等不足，会影响数据挖掘与信息处理综合水平。大数据技术可以对数据仓库中的数据信息进行统计与分析，但是在数据信息处理与数据应用控制中，仍然存在数据挖掘与预测准确性不足等问题，对大数据应用会产生直接的影响。

3 数据仓库与大数据融合措施

3.1 数据仓库体系架构设计

为实现数据仓库的架构应用水平提升，在业务数据处理与管理的过程中，需要在数据仓库处理的基础上，对数据信息处理过程、数据分析等方面进行优化，可实现数据仓库的数据处理水平提升[5]。在大数据技术需求分析的视角下，可通过数据管理与信息处理的方式，对数据仓库的不同特征数据进行提取与处理，从而实现数据应用效率的进一步提升。在加强对列式数据库内数据获取与分析的过程中，则需要对数据处理以及数据挖掘等方面进行优化，从而达到提高数据应用效率的目的。在对数据应用以及信息处理过程等方面进行分析时，则需要从业务数据源处理以及数据非关系型结构等方面进行处理，在实现数据融合的基础上，利用Hadoop 对数据信息进行处理，从而实现数据仓库的数据分析处理效果提升。

从行业应用的角度进行分析，根据结构化程度共同作用进行分析，则是在行业应用、决策分析的视角下，对分布式处理以及数据安全等方面进行处理，在数据分布与信息整合的基础上，可满足数据分析与技术处理的综合需求。大数据的架构在应用中，需要通过技术要素对行业数据、决策支持、分布式处理等方面进行优化，通过数据信息处理与业务整合，可满足数据仓库的数据挖掘处理需求。大数据架构在实际应用中，则可以对不同特征的数据信息处理过程、数据仓库的数据存储等方面进行完善，在数据结构化程度检验与分析的视角下，可满足数据分析与开发的综合需求。展示层是针对数据关系、请求响应、数据处理等方面进行优化，数据应用中，则是通过预测性建模与模拟，对数据源进行分析与处理，满足大数据挖掘与信息处理的综合需求。在对数据流进行处理的过程中，则是在建立分布式处理关系的基础上，对网络自动抓取的业务数据处理，并实现数据挖掘与信息处理的综合分析。

3.2 数据仓库与大数据的融合

从大数据需求分析的角度进行分析，在实现数据融合与信息处理的过程中，则需要在数据仓库的视角下，对业务数据关系以及数据处理过程等方面进行优化，在建立数据仓库的视角下，对数据提取过程、数据处理方式等方面进行优化，满足数据分析与处理的综合需求。因此，数据仓库与大数据在实现融合中，可实现数据的相互促进、补充与协作，将大数据技术下的数据仓库处理过程结合在一起，并对非结构化数据的采集、存储与传输等方面进行优化，从而实现数据信息的综合处理效果提升。非结构化数据信息的处理与控制，则是在数据仓库分析与信息处理的视角下，对Hadoop 技术与数据仓库结合过程进行优化，并对数据采集、ETL、存储、处理、提取等方面进行综合分析，在数据信息处理与优化的基础上，将数据信息传输到数据仓库，从而实现数据处理与分析的目的。在建立数据仓库的基础上，可以在数据管理层通过数据仓库与Hadoop的结合，对数据处理方式进行优化，并通过数据分工来满足数据处理与数据分析的综合需求。利用数据仓库对非结构化数据进行处理，并对数据处理过程以及数据参数等方面进行调整，提高数据管理与信息处理的综合水平[6]。

在创建BI 层的基础上，可对数据存储的结构化数据库进行调整与优化，在实现数据信息处理与数据分解后，对不同数据进行分析与处理，对实现数据信息处理与数据分析水平提升等有积极作用。从技术层面进行分析，数据仓库与大数据技术在融合的视角下，其实际应用中，则可以通过数据处理与数据分析等方式，对数据驱动过程以及数据信息处理方式等进行优化，在实现数据调研与分析中，可从数据需求设计、ETL、数据建模、元数据管理等方面进行优化，在突破数据仓库与大数据融合的视角下，可为后续的数据应用于数据分析处理等提供参考依据。数据仓库与大数据的融合是在系统平台优化的基础上，对数据管理过程、数据处理过程等方面进行优化，从而提高数据分析与业务处理的综合水平。

3.3 数据分析与数据整合

在创建BI 层、数据管理以及源数据层的基础上，对不同数据关系进行整合与处理，可实现数据仓库技术的实际应用效果提升。在实际应用与处理的过程中，则需要在数据分析与业务处理的基础上，对数据关系进行分析，在数据建模与处理的前提下，利用数据仓库技术，对数据关系以及数据整合等方面进行调整，从而满足数据仓库建设与应用的综合发展需求。在数据仓库的搭建与分析中，可利用数据传输机制，对数据关系、信息处理过程等方式，落实数据访问服务。结构化、半结构以及非结构化数据的处理分析，则可以在ETL 处理以及Hadoop 平台，对不同数据关系进行调整与处理，在BI 层实现数据分析与数据优化。在数据信息处理与分析的过程中，则需要利用数据挖掘的方式，对数据关系进行处理，从而提高数据分析水平。

4 结语

数据仓库与大数据的融合，则是在数据信息处理的基础上，对数据库技术的实际应用进行分析，在优化数据管理机制的前提下，可实现业务数据管理水平的进一步提升。数据仓库与大数据技术的融合，则是在数据挖掘与信息处理的基础上，对数据管理过程、业务处理方式等方面进行优化，从而实现数据管理与数据信息处理效果提升。在大数据技术分析与业务处理的基础上，可通过技术融合的方式，对技术方案以及数据仓库等方面进行优化，通过数据分析处理与数据信息处理，建立数据架构，并建立数据仓库与大数据技术融合方案，从而实现大数据业务数据处理效果提升。