DW联机分析处理与决策支持.ppt
第3章 数据仓库的OLAP与决策支持,2,第3章 联机分析处理,3.1 OLAP概念3.2 OLAP的数据模型3.3 多维数据的显示3.4 OLAP多维数据分析,3,3.1.1 OLAP定义,1.OLAP理事会给出的定义 联机分析处理（OLAP）是一种软件技术，它使分析人员能够迅速、一致、交互地从各个方面（多维）观察信息，以达到深入理解数据的目的。这些信息是从原始数据转换过来的，按照用户的理解，它反映了企业真实的方方面面。,4,2.OLAP的简单定义,联机分析处理是共享多维信息的快速分析。它体现了四个特征：（1）快速性：用户对OLAP的快速反应能力有很高的要求。（2）可分析性：OLAP系统应能处理任何逻辑分析和统计分析。（3）多维性：系统必须提供对数据分析的多维视图和分析。（4）信息性：OLAP系统应能及时获得信息，并且管理大容量的信息。,5,1993年，提出OLAP的12条准则，其主要的准则有以下四条：（1）多维数据分析；（2）客户/服务器结构；（3）多用户支持；（4）一致的报表性能等。在12条准则中，挑选如下几条说明：,3.1.2 OLAP准则,6,1.多维概念视图,企业的数据空间本身就是多维的。因此OLAP的概念模型也应是多维的。用户可以对多维数据模型进行切片、切块、旋转坐标或进行多维的综合（概括和聚集）分析。,7,4.一致稳定的报表性能,报表操作不应随维数增加而削弱，即当数据维数和数据的综合层次增加时，提供的报表能力和响应速度不应该有明显的降低。,8,5客户/服务器体系结构,OLAP是建立在网络上的客户/服务器体系结构。多维数据库服务器能够被不同的应用和工具所访问。客户端负责用户的应用逻辑及界面。,9,8多用户支持能力 当多个用户要在同一分析模式上并行工作，OLAP工具应能够提供并发访问等功能（客户/服务器结构能满足这个要求)。11灵活的报表生成 报表必须充分反映数据分析模型的多维特征，并可按用户需要的方式来显示它。,10,（1）变量：变量是数据的实际意义，即描述数据“是什么”。（2）维：维是人们观察数据的特定角度。如产品维、顾客维、时间维(即座标系中的座标）等。（3）维的层次：数据的细节不同程度为维的层次 如日、月、季、年是时间维的层次。（4）维成员：维的一个取值称为该维的一个维成员。如“某年某月某日”是时间维的一个成员。,3.1.3 OLAP的基本概念,11,（5）多维数组：一个多维数组可以表示为：（维1，维2，维n，变量）一个4维的结构，即（产品，地区，时间，销售渠道，销售额）。（6）数据单元（单元格）：多维数组的取值称为数据单元。如：4维数据单元（牙膏，上海，1998年12月，批发，销售额为100000）。,OLAP的基本概念（续）,12,3.2 OLAP的数据模型,3.2.1 MOLAP数据模型3.2.2 ROLAP数据模型3.2.3 MOLAP与ROLAP的比较3.2.4 HOLAP数据模型,13,3.2.1 MOLAP的数据模型,MOLAP是基于多维数据库存储方式建立的OLAP；表现为“超立方”结构，采用类似于多维数组的结构。例如，二维MDDB（数组，即矩阵）的数据组织见表3.1所示。,14,表3.1 MDDB（二维）数据组织,15,3.2.2 ROLAP数据模型,ROLAP是基于关系数据库的OLAP。它是一个平面结构，用关系数据库表示多维数据时，采用星型模型。,16,表3.3 关系数据库RDBMS数据组织,17,3.2.3 MOLAP与ROLAP的比较,1.数据存取速度（MOLAP的响应速度快）2.数据存储的容量（ROLAP存储容量上没有限制）3.多维计算的能力（MOLAP能够支持高性能计算）4.维度变化的适应性（ROLAP对于维表的变更有很好的适应性）5.数据变化的适应性（ROLAP对于数据变化的适应性高)6.软硬件平台的适应性(ROLAP适应性很好),18,1.数据存取速度,ROLAP服务器需要将SQL语句转化为多维存储语句，临时“拼合”出多维数据立方体。因此，ROLAP的响应时间较长。MOLAP在数据存储速度上性能好，响应速度快。,19,2.数据存储的容量,ROLAP使用的传统关系数据库的存储方法，在存储容量上基本没有限制。MOLAP通常采用多平面叠加成立体的方式存放数据。当数据量超过操作系统最大文件长度时，需要进行数据分割。多维数据库的数据量级难以达到太大的字节级。,20,3.多维计算的能力,MOLAP能够支持高性能的决策支持计算。ROLAP无法完成多行的计算和维之间的计算。,21,4.维度变化的适应性,MOLAP增加新的维度，则多维数据库通常需要重新建立。ROLAP对于维表的变更有很好的适应性。,22,5.数据变化的适应性,当数据频繁的变化时，MOLAP需要进行大量的重新计算，甚至重新建立索引乃至重构多维数据库。在ROLAP中灵活性较好，对于数据变化的适应性高。,23,6.软硬件平台的适应性ROLAP对软硬件平台的适应性很好，而MOLAP相对较差。7.元数据管理目前在元数据的管理，MOLAP和ROLAP都没有成形的标准。,MOLAP和ROLAP的对比简表,25,3.2.4 HOLAP数据模型,HOLAP（Hybrid OLAP），即混和OLAP介于MOLAP和ROLAP之间。在HOLAP中，对最常用的维度和维层次，使用多维数据表来存储，对于用户不常用的维度和数据，采用ROLAP星型结构来存储。在HOLAP的多维数据表中的数据维度少于MOLAP中的维度表，数据存储容量也少于MOLAP方式。HOLAP在数据存取速度上又低于MOLAP。,26,3.3 多维数据的显示,3.3.1 多维数据显示方法3.3.2 多维类型结构(MTS)3.3.3 多维数据的分析视图,27,3.3.1 多维数据显示方法,多维数据的显示只能在平面上展现出来,28,3.3.2 多维类型结构(MTS),表示方法是：每一个维度用一条线段来表示。维度中的每一个成员都用线段上的一个单位区间来表示。例如，用三个线段分别表示时间、产品和指标三个维的多维类型结构如图3.3所示。,29,图3.3 三维MTS例,30,在图3.3多维类型结构(MTS)中，指定：时间维成员是3月，产品维成员是鞋，指标维成员是销售量，这样它代表了三维数据总得一个空间数据点，如图3.4所示。,31,图3.4多维类型结构中的空间数据点,32,3.3.3 多维数据的分析视图,在平面的屏幕上显示多维数据，是利用行、列和页面三个显示组来表示的。例如，对上例的四维MTS实例：在页面上选定商店维度中“商店3”，在行中选定时间维的“1月、2月、3月”共3个成员，在列中选定产品维中的“上衣、裤、帽子”三个成员，在指标维中的“固定成本、直接销售”二个成员。该四维数据的显示如图3.6所示。,33,图3.6 四维数据的显示,34,对于更多维度的数据显示，需要选择维度及其成员分布在行或者列中。在页面上可以选定多个维度，但每个维度只能显示一个成员。在行或者列中一般只选择二个维，每个维可以多个成员。例如，对6个维度数据，它的MTS如图3.7所示。,35,图3.7 六维维MTS例,36,对以上六维数据中，设定页面维度为商店的成员是“商店3”，客户维度成员是“老年”。行维度含时间维和产品维共2个维度，其中时间维中成员为“1月、2月、3月”。产品维中成员为“桌子、台灯”。列维度含指标维和场景维共2个维度，其中指标维中成员为“直接销售、间接销售、总销售”。场景维中成员为“实际、计划”。具体的显示数据如图3.8所示。,37,图3.8六维数据的显示,38,3.4 OALP的多维数据分析,3.4.1 多维数据分析的基本操作3.4.2 多维数据分析实例3.4.3 广义OLAP功能,39,OLAP的目的是为管理决策人员通过一种灵活的多维数据分析手段，提供辅助决策信息。基本的多维数据分析操作包括切片、切块、旋转、钻取等。我们把在多维数据分析中加入数据分析模型和商业分析模型称为广义OLAP。,40,例如，以“产品、城市、时间”三维数据，如图,41,3.4.1 多维数据分析的基本操作,1.切片 对三维数据，通过“切片”，分别从城市和产品等不同的角度观察销售情况：,42,2.切块,在多维数组的某一个维上选定某一区间的维成员的操作，切块可以看成是在切片的基础上，确定某一个维成员的区间得到的片段，也即由多个切片叠合起来。,图3.11 三维数据切块,43,3.钻取,钻取有向下钻取（drill down）和向上钻取（drill up）操作。向下钻取是使用户在多层数据中能通过导航信息而获得更多的细节性数据。向上钻取获取概括性的数据。,44,钻取：例如，2005年各部门销售收入表如下：,45,对时间维进行下钻操作，获得新表如下：,46,4.旋转,通过旋转可以得到不同视角的数据。旋转操作相当于平面数据将坐标轴旋转。例如，旋转可能包含了交换行和列，或是把某一个行维移到列维中去。或是把页面显示中的一个维和页面外的维进行交换（令其成为新的行或列中的一个）,47,旋 转,48,3.4.2 多维数据分析实例,1切片 为了对广东省全省营业税和个人所得税在2006-2007两年的纳税情况进行全面了解，需要对全省税收数据按城市进行切片显示，部分城市数据如表3.10所示。,49,表3.10 广东省各市营业税和个人所得税表(亿元),由表中数据可知：广州营业税增加：32.8亿元，增长率为16.5%。广州个人所得税增加：25.6亿元，增长率为26.7%。东莞营业税增加：16.9亿元，增长率为31.68%。东莞个人所得税增加：6.2亿元，增长率为24.6%对营业税而言，增长量最大的城市是广州，增加速度较快的城市是东莞（31.68%）。,50,2向下钻取为了更深入分析东莞市的各行业的营业税情况，需要对东莞营业税数据下钻分析。2006、2007两年部分行业的纳税情况见表3.11所示。,51,表3.11东莞市各行业的营业税表(百万元),52,由表中数据可知，东莞市：农、林、牧、渔业下降了5.5百万元，下降率为35.2%。采矿业下降0.02百万元，下降率为10.5%。房地产业增加306.5百万元，增加率为21%。金融业增加222.4百万元，增加率为46.8%。,53,四种行业的增减率用直方图表示,54,3数据分析（1）宏观分析 从表3.10中的数据可以宏观的看出，东莞市的营业税增长很突出，在广东省中名列前位。,55,（2）深入分析东莞的农、林、牧、渔业下降明显，采矿业也下降。而房地产业增长明显，金融业增长突出。通过调查得到原因是，随着经济的发展，东莞的外来合资企业越来越多，本地农民很多把地卖了或者租出去建厂房然后收租金，是产生农林渔营业税下降的主要原因，东莞市近年逐步实现产业转移，由农业更多的转向制造业和加工业。,第 4 章数据仓库的决策支持,4.1数据仓库的用户 5.2数据仓库的决策支持与决策支持系统4.3 数据仓库应用实例,41数据仓库的用户,4.1.1 数据仓库的信息使用者4.1.2 数据仓库的探索者,数据仓库的用户有两类：信息使用者和探索者,信息使用者是使用数据仓库的大量用户。信息使用者以一种可预测的、重发性的方式使用数据仓库平台。信息使用者通常查看概括数据或聚集数，查看相同的商业维度（如产品、客户、时间）和指标（如收入和成本）随时间的发展趋势。,探索者完全不同于信息使用者，他们有一个完全不可预测的、非重复性的数据使用模式。探索者的任务是寻找公司数据内隐含的价值并且根据过去事件努力预测未来决策的结果。探索者是典型的数据挖掘者。,4.1.2 数据仓库的探索者,探索者要做的工作有：概括分析、抽取、建模和分类。(1)概括分析 探索者开始以分析数据的完整性和准确性（数据质量）。在概括分析活动中，要询问的典型问题包括：家庭收入如何分配？有多少帐户每月消费超过200元？有多少客户有两个以上的小孩并居住在市区？,(2)抽取从数据仓库中抽取指定的数据，并组织起来，送入支持探索者分析的探索仓库中。(3)建模探索者通过概括分析来理解数据，通过抽取来准备数据，通过建模来分析数据。,建模是开发一种用来描述实体（如客户、商品、渠道等）的关系模型的过程。探索者使用的模型有：客户分段后续产品欺诈检测渠道响应（例如，电话销售和直接邮寄）信用风险客户生存期价值推销响应,例如，利用建模来确认有可能拖延支付电话帐单的客户：首先，建立一个模型（利用统计学和行为科学）来确认经常拖延支付电话帐单的客户特征。然后，根据客户与模型的密切程度，对所有的客户分类。这样，可以提供谁将不支付电话帐单的某种可能性预测。,4.2 数据仓的决策支持与决策支持系统,4.2.1 查询与报表4.2.2 多维分析与原因分析4.2.3 预测未来4.2.4 实时决策4.2.5 自动决策4.2.6 决策支持系统,数据仓库是一种能够提供重要战略信息，并获得竞争优势的新技术，从而得到迅速的发展。具体的战略信息有：给出销售量最好的产品名单找出出现问题的地区（切片）追踪查找出现问题原因（向下钻取）对比其他的数据（横向钻取）显示最大的利润当一个地区的销售低于目标值时，提出警告信息。,建立数据仓库的目的不只是为了存储更多的数据，而是要对这些数据进行处理并转换成商业信息和知识，利用这些信息和知识来支持企业进行正确的商业行动，并最终获得效益。数据仓库的功能是在恰当的时间，把准确的信息传递给决策者，使他能作出正确的商业决策。,4.2.1 查询与报表,1.查询（1）能向用户提供查询的初始化，公式表示和结果显示等功能。（2）由元数据来引导查询过程（3）用户能够轻松地浏览数据结构（4）信息是用户自己主动索取的，而不是数据仓库强加给他们的（5）查询环境必须要灵活地适应不同类型的用户,2.报表,（1）预格式化报表。（2）参数驱动的预定义报表。（3）简单的报表开发。（4）公布和订阅。（5）传递选项。（6）多数据操作选项。（7）多种展现方式选项。,4.2.2 多维分析与原因分析,1、多维分析通过多维分析将获得在各种不同维度下的实际商业活动值（如销售量等），特别是他们的变化值和差值，达到辅助决策效果。例如通过多维分析得到如下信息：今年以来，公司的哪些产品量是最有利润的？最有利润的产品是不是和去年一样的？,2、原因分析查找问题出现的原因是一项很重要的决策支持任务，一般通过多维数据分析的“向下钻取”操作来完成。某公司从分析报表中得知最近几个月来整个企业的利润在急速下滑，通过人机交互找出该企业利润下滑的原因。,（1）查询整个公司最近3个月来各个月份的销售额和利润，显示销售额正常，但利润下降。（2）查询全世界各个区域每个月的销售额和利润，显示欧洲地区销售额下降，利润急剧下降。（3）查询欧洲各国销售额和利润。显示一些国家利润率上升，一些国家持平，欧盟国家利润率急剧下降。（4）查询欧盟国家中的直接和间接成本。得到直接成本没有问题，但间接成本提高了。（5）查询间接成本的详细情况。得出企业征收了额外附加税，使利润下降。通过原因分析，得到企业利润下滑的真正原因是欧盟国家征收了额外附加税造成。,4.2.3 预测未来,预测未来使决策者了解“将要发生什么”。数据仓库中存放了大量的历史数据，从历史数据中找出变化规律，将可以用来预测未来。在进行预测的时候需要用到一些预测模型。最常用的预测方法是采用回归模型，包括线性回归或非线性回归。采用聚类模型或分类模型也能达到一定的预测效果。,4.2.4 实时决策,企业需要准确了解“正在发生什么”，从而需要建立动态数据仓库（实时数据库），用于支持战术型决策，即实时决策。战术性决策支持的重点则在企业外部，支持的是执行公司战略的员工。第四种侧重在战术性决策支持。,以货运为例,卡车上的货物常常需要把某些货物从一辆车转移到另一辆车上，以便最终送抵各自的目的地。当某些卡车晚点时，就要做出艰难的决定：是让后继的运输车等待迟到的货物，还是让其按时出发。如果后继车辆按时出发而未等待迟到的包裹，那么迟到包裹的服务等级就会大打折扣。反过来说，等待迟到的包裹则将损害在后继的运输车上的其他待运包裹的服务等级。运输车究竟等待多长时间，取决于需卸装到该车辆的所有延迟货物的服务等级和已经装载到该车辆的货物的服务等级。,4.2.5 自动决策,利用动态数据库自动决策，达到“希望发生什么”。为了寻求决策的有效性和连续性，企业就会趋向于采取自动决策。动态数据仓库可以为整个企业提供战略决策支持，也可提供战术决策支持。确切地说，动态数据仓库同时支持这两种方式。随着技术的进步，越来越多的决策由事件触发，自动发生。,4.2.6 决策支持系统,数据仓库整合了企业的各种信息来源，能确保一致与正确详细的数据。它是一个庞大的数据资源。要将数据转换成商业智能，就需要利用数据仓库来建立决策支持系统。基于数据仓库的决策支持系统是针对实际问题，利用分析工具或者编制程序，采用一种或多种组合的决策支持能力，对数据仓库中的数据进行多维分析，从而掌握企业的经营现状，找出现状的原因，并预测未来发展趋势，协助企业制定决策增强竞争优势。,4.3 数据仓库应用实例,4.3.1 航空公司数据仓库决策支持系统简例4.3.2 统计业数据仓库解决方案4.3.3 沃尔玛数据仓库系统,航空公司数据仓库决策支持系统简例,1.航空公司数据仓库系统的功能2.数据仓库系统的决策支持3.决策支持系统简例,1.航空公司数据仓库系统的功能,航空公司数据仓库功能模块有：市场分析：分析国内、国际、地区航线上的各项生产指标；航班分析：分析某个特定市场上所有航班的生产情况；班期分析：分析某个特定市场上各班期的旅客、货运分布 情况；,2.数据仓库系统的决策支持,利用数据仓库系统提供的决策支持有：l一段时间内某特定市场占有率、同期比较、增长趋势；l各条航线的收益分析；l计划完成情况；l流量、流向分析；l航线上各项生产指标变化趋势的分析；,通过查询“北京到各地区的航空市场情况”，发现西南地区总周转量出现了最大负增长量。该决策支持系统简例就是完成对此问题进行多维分析和原因分析，找出出现原因。决策支持系统运行结构图如下：,3.决策支持系统简例,数据仓库服务器,客户端,查询：全国各地区航空总周转量并比较去年同期状况,显示：图1,查询：全国各地区航空客运周转量并比较去年同期状况,查询：全国各地区航空货运周转量并比较去年同期状况,显示：图3,查询：全国各地区客运、货运、总周转量并比较去年同期状况具体数据,显示：表1,查询：西南地区昆明、重庆两地航空总周转量并比较去年同期状况,显示：图4,查询：昆明航线按不同机型的总周转量，并比较去年同期状况,显示：图5,查询：昆明航线按不同机型的周转量，并比较去年同期周转量的具体数据,显示：表2,显示：图2,结束,检索：数据仓库中今年、去年两年总周转量综合数据，并比较。绘制直方图,下钻：从总周转量下钻到今年、去年两年客运周转量，并比较。绘制直方图,下钻：从总周转量下钻到今年、去年两年货运周转量，并比较。绘制直方图,制表：从数据仓库中取数据并制表,下钻：从西南地区总周转量下钻，取昆明、重庆两地的今年、去年两年数据并比较。绘制直方图,下钻：从昆明航线总周转量下钻，取各机型今年、去年两年数据并比较。绘制直方图,制表：从数据仓库中取数据并制表,图1 全国各地区航空周转量与去年对比状况,返回,（其中，1：东北地区；2：华北地区；3：华东地区；4：西北地区；5：西南地区；6：新疆地区；7：中南地区）,从图1中看到从北京到国内各地区的总周转量以及与去年同期的比较情况，发现“北京西南地区”出现的负增长最大。,图2 全国各地区航空客运周转量及与去年同期比较,从图2中看到客运周转量及与去年同期比较，西南地区负增长在全国是最大的，其次是东北地区。,返回,图3 北京到国内各地区货运周转量及与去年同期比较,从图3中看到货运周转量及与去年同期比较，华东地区负增长在全国是最大的，西南地区也有负增长。,返回,表1 客运、货运、总周转量及其去年同期比较,从表1中，可以看出航空客运、货运、总周转量以及与去年同期比较的具体数据。西南地区总周转量的负增长主要是客运负增长为主体。,返回,图4 西南地区昆明、重庆两地航空总周转量及与去年同期比较,从图4中看出，西南地区航空总周转量下降最多的是昆明航线。,返回,（其中，A：150座级；B：200座级；C：300座级以上；D：200300座级）图5 昆明航线各机型总周转量以及与去年同期比较的柱形图,从图5可以看出昆明航线中200300座级机型负增长最大，其次是150座级机型也有较大的负增长，而200座级以及300座级以上机型保持同去年相同航运水平。,返回,表2 昆明航线各机型总周转量以及与去年同期比较的数据从表2中可以看出，不同机型的周转量以及对比去年同期增长的具体数据。,返回,以上决策支持系统过程完成了对航空公司全国各地区总周转量对比去年同期出现负增长量最大的西南地区，经过多维分析和原因分析，找出其原因发生在昆明航线上。主要是200300座级机型的总周转量负增长以及150座级机型负增长量造成的。其中，200300座级负增长最严重。这为决策者提供了解决西南地区负增长问题辅助决策的信息。,返回,数据仓库决策支持系统应用说明,以上决策支持系统只是找出了西南地区航运负增长问题的原因。还可以昆明航线上航班时间以及其他方面进行原因分析，找出其他原因，为决策者提供更多的辅助决策信息。,同样，可以从国内各地区航空市场状况中对比去年同期增长显著的中南地区，找出总周转量大幅提高的原因。从正反两方面来进行多维分析和原因分析，将可以得到更多的辅助决策信息，减少负增长，增大正增长，提高更大利润。进行多方面分析的大型决策支持系统，将可以发挥更大的辅助决策效果。,4.3.2 沃尔玛数据仓库系统,美国的沃尔玛（Wal*Mart）是世界最大的零售商，Wal*Mart建立了基于NCR Teradata数据仓库的决策支持系统，它是世界上第二大的数据仓库系统，总容量达到170TB以上。强大的数据仓库系统将世界4000多家分店的每一笔业务数据汇总到一起，让决策者能够在很短的时间里获得准确和及时的信息，并做出正确和有效的经营决策。沃尔玛的创始人萨姆沃尔顿：“我总是喜欢尽快得到那些数据、我们越快得到那些信息、我们就能越快据此采取行动，这个系统已经成为我们的一个重要工具”。,利用数据仓库，沃尔玛对商品进行市场类组分析，即分析哪些商品顾客最有希望一起购买。一个意外的发现就是：跟尿布一起购买最多的商品竟是啤酒！按常规思维，尿布与啤酒风马牛不相及，若不是借助于数据仓库系统，商家决不可能发现隐藏在背后的事实。沃尔玛就在它的一个个商店里将它们并排摆放在一起，结果是尿布与啤酒的销量双双增长。,每天要处理并更新2亿条记录，要对来自6000多个用户的48，000条查询语句进行处理。销售数据、库存数据每天夜间从4，000多个商店自动采集过来，并通过卫星线路传到总部的数据仓库里。利用数据仓库，进行决策支持分析，具体表现为：,1.商品分组布局,合理的商品布局能节省顾客的购买时间，能刺激顾客的购买欲望。分析顾客的购买习惯，掌握不同商品一起购买的概率，甚至考虑购买者在商店里所穿行的路线、购买时间和地点，从而确定商品的最佳布局。,2.降低库存成本,沃尔玛通过数据仓库系统，决定对各个商店各色货物进行增减，确保正确的库存。沃尔玛的经营哲学是“代销”供应商的商品，也就是说，在顾客付款之前，供应商是不会拿到它的货款的。数据仓库系统不仅使沃尔玛省去了商业中介，还把定期补充库存的担子转嫁到供应商身上。,3.了解销售全局,各个商店在传送数据之前，先对数据进行如下分组：商品种类、销售数量、商店地点、价格和日期等。通过这些分类信息，沃尔玛能对每个商店的情况有个细致的了解。在最后一家商店关门后一个半小时，沃尔玛已确切知道当天的运营和财政情况。,4、市场分析,沃尔玛利用数据挖掘工具和统计模型分析顾客的购买习惯、广告成功率和其他战略性的信息。每周六要对世界范围内销售量最大的15种商品进行分析，然后确保在准确的时间、合适的地点有所需要的库存。,5、趋势分析,对商品品种和库存的趋势进行分析，以选定需要补充的商品，研究顾客购买趋势，分析季节性购买模式，确定降价商品，并对其数量和运作作出反应。为了能够预测出季节性销售量，它要检索数据仓库拥有100，000种商品一年多来的销售数据，并在此基础上作分析和知识挖掘。,沃尔顿在他的自传中写道：“我能顷刻之间把信息提取出来，而且是所有的数据。我能拿出我想要的任何东西，并确切地讲出我们卖了多少。”这感觉就象在信息的海洋里，“轻舟已过万重山”。他还写到：”我想我们总是知道那些信息赋予你一定的力量，而我们能在计算机内取出这些数据的程度会使我们具有强大的竞争优势。”,数据仓库改变了沃尔玛，而沃尔玛改变了零售业。沃尔玛的成功给人以启示：唯有站在信息巨人的肩头，才能掌握无限，创造辉煌。,
