2.数据存储与管理
  是整个系统的核心。基于数据源，按照业务分析主题（如：销售、库存或财务等）对业务数据进行重新组织(抽取、清理和集成)，形成数据集市（DataMart），确定其物理存储结构；同时组织存储相应的元数据（包括数据字典、记录系统定义、数据转换规则、数据自动加载频率以及业务规则等）。最终形成的数据仓库按"星型结构"模型(事实表+维度表)依然建立在关系型数据库（RDBMS）上。数据仓库中对数据的管理工作包括数据的安全、维护、备份、恢复、归档等。
   

  3.OLAP服务器
  对分析需要的数据按照多维数据模型进行再次重组（多维建模），形成多维数据立方体结构（Cube）。以支持用户多角度、多层次的分析数据。其具体实现方式有：ROLAP、MOLAP和HOLAP。ROLAP中基本数据和聚合数据均存放在RDBMS中；MOLAP中基本数据和聚合数据均存放于多维数据库（MDD）中；而HOLAP中基本数据存放于RDBMS中，聚合数据存放于多维数据库中。
   

  4.前端工具与应用
  数据立方体中的数据经处理后，多维地展现给用户。前端工具主要包括各种数据分析工具、报表工具、查询工具、数据挖掘工具以及各种基于数据仓库开发的应用。其中数据分析工具主要针对OLAP服务器，报表工具、数据挖掘工具既针对数据仓库，同时也针对OLAP服务器。
   
   

  多维分析系统构建案例:
  在实际构建中，可用Oracle9i搭建数据仓库，MicrosoftAnalysisService2000搭建多维数据库，ProClarity6.0作前端工具构建多维分析系统。
   

  3.知识提炼---高端信息开发
  针对分析和预测问题，源数据经过清洗和转换等成为适合挖掘的数据集。通过DM(DataMining,数据挖掘)选择一种或多种挖掘算法（模型），提炼出数据集背后蕴涵的规律（知识），这些规律可用来辅助决策。
  针对问题类型可利用的挖掘算法如表1所示：

  关联规则挖掘案例:
    美国的超市有这样的系统:当你采购了一车商品结账时，售货员扫描完了你的产品后，计算机上会显示出一些信息，然后售货员会友好地问你:我们有一种一次性纸杯正在促销，位于F6货架上，您要购买吗?
  

  这句话决不是一般的促销。因为，你的购物车中有餐巾纸、大瓶可乐和沙拉，则系统算出86%的可能性你要买一次性纸杯。结果是，你说，啊，谢谢你，我刚才一直没找到纸杯。　　
   

  每天，新的销售数据会进入系统，与过去N天的历史数据一起，被关联规则挖掘模型处理，发现当前商品之间的关联及关联强度。
   
   

  综上所述，固定报表系统已经不能满足日益增长的深层次信息需求了。以数据仓库及相关技术(OLAP,DM)作为解决上述难题的主要技术手段,通过建立DSS(DecisionSupportSystem，辅助决策支持系统)实现信息资源从数据到信息和知识的深度开发和利用。
   
   

   二、DSS的实施策略
  1．DSS的位置
  数据仓库是面向数据应用的数据管理技术，它提供了集成化、历史化的数据管理功能，支持综合性的数据分析。结合应用各类工具（OLAP、DM、前端展现等）构成DSS，以加强管理并辅助战略、战术决策。
  在企业信息化建设中,辅助决策支持系统处于高端应用，与其它系统的相对位置如图3所示：

图3DSS处于高端应用