数据仓库技术及在人力资源系统的设计.docx

?

?

数据仓库技术及在人力资源系统的设计

?

?

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（DataWarehouse）是一个面向主题的（SubjectOriented）、集成的（Integrated）、相对稳定的（Non–Volatile）、反映历史变化（TimeVariant）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。

2.1OLAP（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（Timegranularity）、星型结构/维度（Starschema）、雪花型结构/维度（Snowflakeschema）。

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