teradata怎么启动服务器

① 怎么开启sas pc files server

一、软件准备
1、 SAS

2、安装JRE
如果没装JRE,可能会卡在安装java运行时环境多个小时无反应

记下JRE的安装目录 C:\Program Files (x86)\Java\jre6\ 备用

也可选1.7的版本（文件名为“jre-7u15-windows-i586.exe”,约30MB），1.7的安装后地址一般是：C:\Program Files (x86)\Java\jre7\

——无论是32位，还是64位Windows都得安装32位版本的JRE，所以下载的时候要看清楚文件名包含"windows-i586"字样的exe文件。。。错误下载了64位版本的JRE就悲剧了。

3、准备SID文件
文件名任意,如 SAS9.3 X64_2013_SID.txt 内容如下（拷贝后存为txt文件）:
[_SID_]
Version=9.3
Revision=9.3
Platform_long=Microsoft Windows Workstation for x64
Platform_short=wx6
Order=99CKGN
License_prod=SAS
Setnumid=70082279
SID_schema=2
ph_agreement=PROMPT
SID_header=SAS 9.3
[_Info_]
[_FileData_]
$_Filename=setinit.sss
$_Path=sas\core\sasinst\
$_Date=
$_Time=
$_Stream=-------------------- BEGIN --------------------
PROC SETINIT RELEASE='9.3';
SITEINFO NAME='UNIVERSITY OF AUCKLAND - EAS'
SITE=10003679 OSNAME='WX64_WKS' RECREATE WARN=15 GRACE=15
BIRTHDAY='11DEC2012'D EXPIRE='31DEC2013'D PASSWORD=484805459;
CPU MODEL=' ' MODNUM=' ' SERIAL=' ' NAME=CPU000;
EXPIRE 'PRODNUM000' 'PRODNUM001' 'PRODNUM002' 'PRODNUM003'
'PRODNUM004' 'PRODNUM005' 'PRODNUM006' 'PRODNUM007' 'PRODNUM008'
'PRODNUM010' 'PRODNUM012' 'PRODNUM013' 'PRODNUM015' 'PRODNUM018'
'PRODNUM025' 'PRODNUM035' 'PRODNUM045' 'PRODNUM050' 'PRODNUM054'
'PRODNUM070' 'PRODNUM075' 'PRODNUM095' 'PRODNUM110' 'PRODNUM119'
'PRODNUM123' 'PRODNUM164' 'PRODNUM165' 'PRODNUM166' 'PRODNUM167'
'PRODNUM192' 'PRODNUM194' 'PRODNUM204' 'PRODNUM208' 'PRODNUM209'
'PRODNUM215' 'PRODNUM219' 'PRODNUM225' 'PRODNUM448' 'PRODNUM535'
'PRODNUM538' 'PRODNUM539' 'PRODNUM550' 'PRODNUM555' 'PRODNUM557'
'PRODNUM560' 'PRODNUM633' 'PRODNUM645' 'PRODNUM646' 'PRODNUM678'
'31DEC2013'D / CPU=CPU000;
SAVE; RUN;
*PRODNUM000 = BASE Base SAS;
*PRODNUM001 = STAT SAS/STAT;
*PRODNUM002 = GRAPH SAS/GRAPH;
*PRODNUM003 = ETS SAS/ETS;
*PRODNUM004 = FSP SAS/FSP;
*PRODNUM005 = OR SAS/OR;
*PRODNUM006 = AF SAS/AF;
*PRODNUM007 = IML SAS/IML;
*PRODNUM008 = QC SAS/QC;
*PRODNUM010 = SHARE SAS/SHARE;
*PRODNUM012 = LAB SAS/LAB;
*PRODNUM013 = ASSIST SAS/ASSIST;
*PRODNUM015 = CONNECT SAS/CONNECT;
*PRODNUM018 = INSIGHT SAS/INSIGHT;
*PRODNUM025 = EIS SAS/EIS;
*PRODNUM035 = SHARENET SAS/SHARE*NET;
*PRODNUM045 = MDDB SAS OLAP Server;
*PRODNUM050 = DMINESOL Enterprise Miner Server;
*PRODNUM054 = INTRNET SAS/Intrnet;
*PRODNUM070 = MDDBCOM MDDB Server common procts;
*PRODNUM075 = INTTECHSRV SAS Integration Technologies;
*PRODNUM095 = SECUREWBNDL SAS/Secure Windows;
*PRODNUM110 = SASOLAPBNDL SAS OLAP Server;
*PRODNUM119 = EGUIDE SAS Enterprise Guide;
*PRODNUM123 = ESRIBRDGORD SAS Bridge for ESRI;
*PRODNUM164 = OROPT SAS/OR Optimization;
*PRODNUM165 = ORPRS SAS/OR Project and Resource Scheling;
*PRODNUM166 = ORIVS SAS/OR Interactive Visualization and Simulation;
*PRODNUM167 = ORLSO SAS/OR Local Search Optimization;
*PRODNUM192 = DB2BNDL SAS/ACCESS DB2;
*PRODNUM194 = ORACLEBNDL SAS/ACCESS ORACLE;
*PRODNUM204 = SYBASE SAS/ACCESS SYBASE SQL;
*PRODNUM208 = PCFILE SAS/ACCESS PC File Formats;
*PRODNUM209 = ODBC SAS/ACCESS ODBC;
*PRODNUM215 = OLEDB SAS/ACCESS TO OLE DB;
*PRODNUM219 = TERADATABNDL SAS/ACCESS Teradata;
*PRODNUM225 = MYSQL SAS/ACCESS Intface MYSQL;
*PRODNUM448 = DMINEDESKTOP SAS Enterprise Miner for Desktop;
*PRODNUM535 = STATSTUDIO SAS/IML Studio;
*PRODNUM538 = WKSPSRVLOCAL SAS Workspace Server for Local Access;
*PRODNUM539 = WKSPSRVENT SAS Workspace Server for Enterprise Access;
*PRODNUM550 = NETEZZABNDL SAS/ACCESS Netezza;
*PRODNUM555 = ASTERBNDL SAS/ACCESS Interface to Aster nCluster;
*PRODNUM557 = GREENPLMBNDL SAS/ACCESS Interface to Greenplum;
*PRODNUM560 = SYBASEIQBNDL SAS/ACCESS Interface to Sybase IQ;
*PRODNUM633 = DFTRANDRVR DataFlux Driver for Transactional Database;
*PRODNUM645 = DFFEDSAS SAS Framework Data Server;
*PRODNUM646 = DFSCRFEDSAS DataFlux Secure;
*PRODNUM678 = AMOEXCEL SAS Add-in for Microsoft Excel;
*LICENSE=SAS 000061115869;
*SITEID=564803;
*0057240018 9.3;
*XYZ 564803;
$_Stream=--------------------- END ---------------------
$_Filename=tletter.txt
$_Path=.\
$_Date=
$_Time=
$_Stream=-------------------- BEGIN --------------------
Microsoft Windows Workstation for x64
Base SAS 31DEC2013
Ecation Analytical Suite 31DEC2013
SAS Bridge for ESRI 31DEC2013
SAS Enterprise Guide 31DEC2013
SAS Enterprise Miner for Desktop 31DEC2013
SAS Integration Technologies 31DEC2013
SAS OLAP Server 31DEC2013
SAS/ACCESS Interface to Aster nCluster 31DEC2013
SAS/ACCESS Interface to DB2 31DEC2013
SAS/ACCESS Interface to Greenplum 31DEC2013
SAS/ACCESS Interface to MySQL 31DEC2013
SAS/ACCESS Interface to Netezza 31DEC2013
SAS/ACCESS Interface to ODBC 31DEC2013
SAS/ACCESS Interface to OLE DB 31DEC2013
SAS/ACCESS Interface to Oracle 31DEC2013
SAS/ACCESS Interface to PC Files 31DEC2013
SAS/ACCESS Interface to Sybase 31DEC2013
SAS/ACCESS Interface to Sybase IQ 31DEC2013
SAS/ACCESS Interface to Teradata 31DEC2013
SAS/AF 31DEC2013
SAS/ASSIST 31DEC2013
SAS/CONNECT 31DEC2013
SAS/EIS 31DEC2013
SAS/ETS 31DEC2013
SAS/FSP 31DEC2013
SAS/GRAPH 31DEC2013
SAS/IML 31DEC2013
SAS/INSIGHT 31DEC2013
SAS/IntrNet 31DEC2013
SAS/LAB 31DEC2013
SAS/OR 31DEC2013
SAS/QC 31DEC2013
SAS/SECURE Windows 31DEC2013
SAS/SHARE 31DEC2013
SAS/STAT 31DEC2013
$_Stream=--------------------- END ---------------------
[_EOF_]

最关键点: SID中的
Order=99CKGN
Setnumid=70082279
应调整成与SAS9.3安装文件目录下order_data/.../order.xml中的一致

二、正式安装
1、启动安装程序setup.exe

2、语言选为中文(或英文)

3、终端用户任务 -->安装SAS软件，即默认项
（select Deployment Task End User Tasks --> Install SAS software ）

4、因为安装的组件比较简单，所以这里选择“安装SAS foundation和相关软件”，而不必选择“执行计划的部署” （select Deployment type --> Install SAS Foundation and Related Software）

5、选择要安装的产品（select Procts to Install） <Select All>我此处仅仅选择了SAS foundation，还有office plugin插件

6、select SAS Foundation Procts <Select All>,，我其实没有选择DB2等不需要的数据库接口，甚至EG都没要。

7、指定SAS安装数据（SID）文件（Specify SAS Installation Data File ）
如： D:\SAS 9.3 64bit_CUB\SAS93Win64install\sid_files\SAS9.3 X64_2013_SID.txt
如果sid_files目录中仅一个SID文件,SAS会自动读取路径

8、选择语言支持（select Language Support ）
默认支持英文,就只再添了一个简体中文Chinese Simplified

9、 选择区域设置（select Regional Settings ）
中文（中国） Chinese (China) [zh_CN] 即默认值
此处的“配置为unicode服务器”可以不打勾。

10、选择JAVA运行时环境（select Java Runtime Environment ）
--> 选择现有的java运行时环境（select an existing Java Runtime Environment ）
--> C:\Program Files (x86)\Java\jre7\ 即准备阶段得到的
如果弹出防火墙警报,选择 <允许访问>

可能有：11、指定Internet浏览器（Specify Internet Browser） 自定义

可能有：12、 指定SAS/GRAPH Java Applet部署目录（Specify SAS/GRAPH Java Applet Deployment Directory） 自定义部署目录

13、 选择SAS PC文件服务器系统服务选项（select SAS PC Files Server System Service Option） 不需要windows启动时自动启动, 去掉勾

可能有：14、 指定SAS PC文件服务器端口（Specify SAS PC Files Server Port） 9621 即默认值

可能有：15、 SAS环境URL （SAS Environments URL） 空着

16、指定SAS Text Analytics Document Conversion 主机和端口（ Specify SAS Text Analytics Document Conversion Host and Port） 7111 即默认值

17、正在检查系统（ Checking System） , OK

18、Deployment in Progress 不到半小时 （I5处理器,4G内存，1T 7200rpm硬盘，显示大约占用4G硬盘空间）

完成安装

三、其他问题：
1、 仅选择需要的模块。
网上教程选择组件时都选择“全选”。其实如果全选，后续需要的配置也越麻烦。很多功能都用不上，建议保持默认，甚至只安装自己需要的模块，一路安装只需要填写安装路径与JAVA环境路径。

2、 如果不是一次成功安装，有时会卡在磁盘空间检查的某个百分比上。
原因：安装目录下 \Program Files\SASHome在验证磁盘时候，会生成很多测试文件，而安装失败强制停止，会留下文件垃圾，并影响下次安装验证。

解决：每一次安装前，都删除SAShome目录下所有文件，磁盘验证就可以顺利通过。

3、安装程序阶段，有几个组件报错，一般都不重要，忽略之。

4、安装成功后，在windows开始菜单SAS-Utilitis -->续订SAS软件，可导入最新SID。

② SQL2005增加了哪些新功能

SQL Server 2005 SP3 中的新增功能

Microsoft SQL Server 2005 Service Pack 3 (SP3) 包含 SQL Server 2005 的所有累积更新，还包含通过我们的客户反馈平台报告的问题的修补程序。其中包括在可支持性方面的增强，以及通过 Windows 错误报告功能报告的问题。

另外，还新增或者改善了以下组件的功能。

数据库引擎

默认情况下，在运行 SQL Server 2005 SP3 的服务器上使用 DBCC CHECKDB、DBCC CHECKALLOC、DBCC CHECKTABLE 或 DBCC CHECKFILEGROUP 命令时，会显示所有的错误消息。无论是指定或者省略了 ALL_ERRORMSGS 选项，它都不起作用。在早期版本的 SQL Server 中，如果不指定 ALL_ERRORMSGS，则对于每个对象，只显示前 200 条错误消息。

Notification Services

此 SQL Server 2005 Notification Services 组件发行版支持针对 SQL Server 2005 数据库引擎或 SQL Server 2008 数据库引擎实例运行 SQL Server 2005 Notification Services。

复制

更新了 sp_showpendingchanges 存储过程，添加了新的参数 @show_rows。此参数可以帮助确定订阅服务器挂起的更改。有关详细信息，请参阅 sp_showpendingchanges (Transact-SQL)。

Reporting Services

支持创建基于 Teradata 数据库的报表模型。通过使用 Business Intelligence Development Studio 中的模型设计器和报表管理器，可以生成基于运行版本 12.00 或版本 6.20 的 Teradata 数据库的报表模型。有关详细信息，请参阅创建和使用基于 Teradata 的报表模型。

对 PDF 呈现扩展插件进行了更改，支持 ANSI 字符，并且可以从日语、朝鲜语、繁体中文、简体中文、西里尔语、希伯来语和阿拉伯语转换 Unicode 字符。如果可能，PDF 呈现扩展插件现在会将显示报表所需的每个字体的子集嵌入到 PDF 文件中。有关详细信息，请参阅针对 PDF 输出进行设计。

与本机模式相比，在 SharePoint 集成模式中运行报表通常要慢一些。这一滞后时间主要是由于 SharePoint 对象模型调用导致的。在 SQL Server 2005 SP3 中，SQL Server 2005 Reporting Services (SSRS) 进行的 SharePoint 对象模型调用数得到了优化。此优化减少了与本机模式之间的某些报表性能滞后时间。

③ sql developer 支持teradata吗

用Toad 来管理数据库，今天小研究了一下SQL Developer工具，安装好oracle 之后，默认就安装了SQL Developer，安装目录是$ORACLE_HOME/sqldeveloper,第一次启动时会提示需要输入Java的目录，注意这里要求是JavaSE，JRE不行。

④ 高分求teradata linux(centos6.4 32位) 服务端安装包 最如果成功 高分回赠

https://downloads.teradata.com/download/tools/teradata-studio-express
相信这就是你要找的吧。
自己编译下，下面有文档说明。

⑤ 当用jdbc连接Teradata时出现如下错误信息

1、检查数据库是否启动
2、检查网络是否连通，可使用ping来测试

⑥ 目前哪些NoSQL数据库应用广泛，各有什么特点

特点：
它们可以处理超大量的数据。

它们运行在便宜的PC服务器集群上。

PC集群扩充起来非常方便并且成本很低，避免了“sharding”操作的复杂性和成本。

它们击碎了性能瓶颈。
NoSQL的支持者称，通过NoSQL架构可以省去将Web或Java应用和数据转换成SQL友好格式的时间，执行速度变得更快。
“SQL并非适用于所有的程序代码，” 对于那些繁重的重复操作的数据，SQL值得花钱。但是当数据库结构非常简单时，SQL可能没有太大用处。

没有过多的操作。
虽然NoSQL的支持者也承认关系数据库提供了无可比拟的功能集合，而且在数据完整性上也发挥绝对稳定，他们同时也表示，企业的具体需求可能没有那么多。

Bootstrap支持
因为NoSQL项目都是开源的，因此它们缺乏供应商提供的正式支持。这一点它们与大多数开源项目一样，不得不从社区中寻求支持。

优点：
易扩展
NoSQL数据库种类繁多，但是一个共同的特点都是去掉关系数据库的关系型特性。数据之间无关系，这样就非常容易扩展。也无形之间，在架构的层面上带来了可扩展的能力。

大数据量，高性能
NoSQL数据库都具有非常高的读写性能，尤其在大数据量下，同样表现优秀。这得益于它的无关系性，数据库的结构简单。一般MySQL使用 Query Cache，每次表的更新Cache就失效，是一种大粒度的Cache，在针对web2.0的交互频繁的应用，Cache性能不高。而NoSQL的 Cache是记录级的，是一种细粒度的Cache，所以NoSQL在这个层面上来说就要性能高很多了。

灵活的数据模型
NoSQL无需事先为要存储的数据建立字段，随时可以存储自定义的数据格式。而在关系数据库里，增删字段是一件非常麻烦的事情。如果是非常大数据量的表，增加字段简直就是一个噩梦。这点在大数据量的web2.0时代尤其明显。

高可用
NoSQL在不太影响性能的情况，就可以方便的实现高可用的架构。比如Cassandra，HBase模型，通过复制模型也能实现高可用。

主要应用：
Apache HBase
这个大数据管理平台建立在谷歌强大的BigTable管理引擎基础上。作为具有开源、Java编码、分布式多个优势的数据库，Hbase最初被设计应用于Hadoop平台，而这一强大的数据管理工具，也被Facebook采用，用于管理消息平台的庞大数据。

Apache Storm
用于处理高速、大型数据流的分布式实时计算系统。Storm为Apache Hadoop添加了可靠的实时数据处理功能，同时还增加了低延迟的仪表板、安全警报，改进了原有的操作方式，帮助企业更有效率地捕获商业机会、发展新业务。

Apache Spark
该技术采用内存计算，从多迭代批量处理出发，允许将数据载入内存做反复查询，此外还融合数据仓库、流处理和图计算等多种计算范式，Spark用Scala语言实现，构建在HDFS上，能与Hadoop很好的结合，而且运行速度比MapRece快100倍。

Apache Hadoop
该技术迅速成为了大数据管理标准之一。当它被用来管理大型数据集时，对于复杂的分布式应用，Hadoop体现出了非常好的性能，平台的灵活性使它可以运行在商用硬件系统，它还可以轻松地集成结构化、半结构化和甚至非结构化数据集。

Apache Drill
你有多大的数据集？其实无论你有多大的数据集，Drill都能轻松应对。通过支持HBase、Cassandra和MongoDB，Drill建立了交互式分析平台，允许大规模数据吞吐，而且能很快得出结果。

Apache Sqoop
也许你的数据现在还被锁定于旧系统中，Sqoop可以帮你解决这个问题。这一平台采用并发连接，可以将数据从关系数据库系统方便地转移到Hadoop中，可以自定义数据类型以及元数据传播的映射。事实上，你还可以将数据（如新的数据）导入到HDFS、Hive和Hbase中。

Apache Giraph
这是功能强大的图形处理平台，具有很好可扩展性和可用性。该技术已经被Facebook采用，Giraph可以运行在Hadoop环境中，可以将它直接部署到现有的Hadoop系统中。通过这种方式，你可以得到强大的分布式作图能力，同时还能利用上现有的大数据处理引擎。

Cloudera Impala
Impala模型也可以部署在你现有的Hadoop群集上，监视所有的查询。该技术和MapRece一样，具有强大的批处理能力，而且Impala对于实时的SQL查询也有很好的效果，通过高效的SQL查询，你可以很快的了解到大数据平台上的数据。

Gephi
它可以用来对信息进行关联和量化处理，通过为数据创建功能强大的可视化效果，你可以从数据中得到不一样的洞察力。Gephi已经支持多个图表类型，而且可以在具有上百万个节点的大型网络上运行。Gephi具有活跃的用户社区，Gephi还提供了大量的插件，可以和现有系统完美的集成到一起，它还可以对复杂的IT连接、分布式系统中各个节点、数据流等信息进行可视化分析。

MongoDB
这个坚实的平台一直被很多组织推崇，它在大数据管理上有极好的性能。MongoDB最初是由DoubleClick公司的员工创建，现在该技术已经被广泛的应用于大数据管理。MongoDB是一个应用开源技术开发的NoSQL数据库，可以用于在JSON这样的平台上存储和处理数据。目前，纽约时报、Craigslist以及众多企业都采用了MongoDB，帮助他们管理大型数据集。（Couchbase服务器也作为一个参考）。

十大顶尖公司：
Amazon Web Services
Forrester将AWS称为“云霸主”，谈到云计算领域的大数据，那就不得不提到亚马逊。该公司的Hadoop产品被称为EMR（Elastic Map Rece），AWS解释这款产品采用了Hadoop技术来提供大数据管理服务，但它不是纯开源Hadoop，经过修改后现在被专门用在AWS云上。
Forrester称EMR有很好的市场前景。很多公司基于EMR为客户提供服务，有一些公司将EMR应用于数据查询、建模、集成和管理。而且AWS还在创新，Forrester称未来EMR可以基于工作量的需要自动缩放调整大小。亚马逊计划为其产品和服务提供更强大的EMR支持，包括它的RedShift数据仓库、新公布的Kenesis实时处理引擎以及计划中的NoSQL数据库和商业智能工具。不过AWS还没有自己的Hadoop发行版。
Cloudera
Cloudera有开源Hadoop的发行版，这个发行版采用了Apache Hadoop开源项目的很多技术，不过基于这些技术的发行版也有很大的进步。Cloudera为它的Hadoop发行版开发了很多功能，包括Cloudera管理器，用于管理和监控，以及名为Impala的SQL引擎等。Cloudera的Hadoop发行版基于开源Hadoop，但也不是纯开源的产品。当Cloudera的客户需要Hadoop不具备的某些功能时，Cloudera的工程师们就会实现这些功能，或者找一个拥有这项技术的合作伙伴。Forrester表示：“Cloudera的创新方法忠于核心Hadoop，但因为其可实现快速创新并积极满足客户需求，这一点使它不同于其他那些供应商。”目前，Cloudera的平台已经拥有200多个付费客户，一些客户在Cloudera的技术支持下已经可以跨1000多个节点实现对PB级数据的有效管理。
Hortonworks
和Cloudera一样，Hortonworks是一个纯粹的Hadoop技术公司。与Cloudera不同的是，Hortonworks坚信开源Hadoop比任何其他供应商的Hadoop发行版都要强大。Hortonworks的目标是建立Hadoop生态圈和Hadoop用户社区，推进开源项目的发展。Hortonworks平台和开源Hadoop联系紧密，公司管理人员表示这会给用户带来好处，因为它可以防止被供应商套牢（如果Hortonworks的客户想要离开这个平台，他们可以轻松转向其他开源平台）。这并不是说Hortonworks完全依赖开源Hadoop技术，而是因为该公司将其所有开发的成果回报给了开源社区，比如Ambari，这个工具就是由Hortonworks开发而成，用来填充集群管理项目漏洞。Hortonworks的方案已经得到了Teradata、Microsoft、Red Hat和SAP这些供应商的支持。
IBM
当企业考虑一些大的IT项目时，很多人首先会想到IBM。IBM是Hadoop项目的主要参与者之一，Forrester称IBM已有100多个Hadoop部署，它的很多客户都有PB级的数据。IBM在网格计算、全球数据中心和企业大数据项目实施等众多领域有着丰富的经验。“IBM计划继续整合SPSS分析、高性能计算、BI工具、数据管理和建模、应对高性能计算的工作负载管理等众多技术。”
Intel
和AWS类似，英特尔不断改进和优化Hadoop使其运行在自己的硬件上，具体来说，就是让Hadoop运行在其至强芯片上，帮助用户打破Hadoop系统的一些限制，使软件和硬件结合的更好，英特尔的Hadoop发行版在上述方面做得比较好。Forrester指出英特尔在最近才推出这个产品，所以公司在未来还有很多改进的可能，英特尔和微软都被认为是Hadoop市场上的潜力股。
MapR Technologies
MapR的Hadoop发行版目前为止也许是最好的了，不过很多人可能都没有听说过。Forrester对Hadoop用户的调查显示，MapR的评级最高，其发行版在架构和数据处理能力上都获得了最高分。MapR已将一套特殊功能融入其Hadoop发行版中。例如网络文件系统（NFS）、灾难恢复以及高可用性功能。Forrester说MapR在Hadoop市场上没有Cloudera和Hortonworks那样的知名度，MapR要成为一个真正的大企业，还需要加强伙伴关系和市场营销。
Microsoft
微软在开源软件问题上一直很低调，但在大数据形势下，它不得不考虑让Windows也兼容Hadoop，它还积极投入到开源项目中，以更广泛地推动Hadoop生态圈的发展。我们可以在微软的公共云Windows Azure HDInsight产品中看到其成果。微软的Hadoop服务基于Hortonworks的发行版，而且是为Azure量身定制的。
微软也有一些其他的项目，包括名为Polybase的项目，让Hadoop查询实现了SQLServer查询的一些功能。Forrester说：“微软在数据库、数据仓库、云、OLAP、BI、电子表格（包括PowerPivot）、协作和开发工具市场上有很大优势，而且微软拥有庞大的用户群，但要在Hadoop这个领域成为行业领导者还有很远的路要走。”
Pivotal Software
EMC和Vmware部分大数据业务分拆组合产生了Pivotal。Pivotal一直努力构建一个性能优越的Hadoop发行版，为此，Pivotal在开源Hadoop的基础上又添加了一些新的工具，包括一个名为HAWQ的SQL引擎以及一个专门解决大数据问题的Hadoop应用。Forrester称Pivotal Hadoop平台的优势在于它整合了Pivotal、EMC、Vmware的众多技术，Pivotal的真正优势实际上等于EMC和Vmware两大公司为其撑腰。到目前为止，Pivotal的用户还不到100个，而且大多是中小型客户。
Teradata
对于Teradata来说，Hadoop既是一种威胁也是一种机遇。数据管理，特别是关于SQL和关系数据库这一领域是Teradata的专长。所以像Hadoop这样的NoSQL平台崛起可能会威胁到Teradata。相反，Teradata接受了Hadoop，通过与Hortonworks合作，Teradata在Hadoop平台集成了SQL技术，这使Teradata的客户可以在Hadoop平台上方便地使用存储在Teradata数据仓库中的数据。
AMPLab
通过将数据转变为信息，我们才可以理解世界，而这也正是AMPLab所做的。AMPLab致力于机器学习、数据挖掘、数据库、信息检索、自然语言处理和语音识别等多个领域，努力改进对信息包括不透明数据集内信息的甄别技术。除了Spark，开源分布式SQL查询引擎Shark也源于AMPLab，Shark具有极高的查询效率，具有良好的兼容性和可扩展性。近几年的发展使计算机科学进入到全新的时代，而AMPLab为我们设想一个运用大数据、云计算、通信等各种资源和技术灵活解决难题的方案，以应对越来越复杂的各种难题。

⑦ 请问用软件做仓库管理发展前途怎么样

数据仓库技术和前景发展现状
----计算机系统的功能从数值计算扩展到数据管理距今已有三十多年了。最初的数据管理形式主要是文件系统，少量的以数据片段之间增加一些关联和语义而构成层次型或网状数据库，但数据的访问必须依赖于特定的程序，数据的存取方式是固定的、死板的。到了1969年，E.F.Codd博士发表了他着名的关系数据模型的论文。此后，关系数据库的出现开创了数据管理的一个新时代。
----二十多年来，大量新技术、新思路涌现出来并被用于关系数据库系统的开发和实现：客户/服务器体系结构、存储过程、多线索并发内核、异步I/O、代价优化，等等，这一切足以使得关系数据库系统的处理能力毫不逊色于传统封闭的数据库系统。而关系数据库在访问逻辑和应用上所带来的好处则远远不止这些，SQL的使用已成为一个不可阻挡的潮流，加上近些年来计算机硬件的处理能力呈数量级的递增，关系数据库最终成为联机事务处理系统的主宰。整个80年代直到90年代初，联机事务处理一直是数据库应用的主流。然而，应用在不断地进步。当联机事务处理系统应用到一定阶段的时候，企业家们便发现单靠拥有联机事务处理系统已经不足以获得市场竞争的优势，他们需要对其自身业务的运作以及整个市场相关行业的态势进行分析，而做出有利的决策。这种决策需要对大量的业务数据包括历史业务数据进行分析才能得到。在如今这样激烈的市场竞争环境下，这种基于业务数据的决策分析，我们把它称之为联机分析处理，比以往任何时候都显得更为重要。如果说传统联机事务处理强调的是更新数据库--向数据库中添加信息，那么联机分析处理就是从数据库中获取信息、利用信息。因此，着名的数据仓库专家RalphKimball写道：“我们花了二十多年的时间将数据放入数据库，如今是该将它们拿出来的时候了。”
----事实上，将大量的业务数据应用于分析和统计原本是一个非常简单和自然的想法。但在实际的操作中，人们却发现要获得有用的信息并非如想象的那么容易：第一，所有联机事务处理强调的是密集的数据更新处理性能和系统的可靠性，并不关心数据查询的方便与快捷。联机分析和事务处理对系统的要求不同，同一个数据库在理论上都难以做到两全；第二，业务数据往往被存放于分散的异构环境中，不易统一查询访问，而且还有大量的历史数据处于脱机状态，形同虚设；第三，业务数据的模式针对事务处理系统而设计，数据的格式和描述方式并不适合非计算机专业人员进行业务上的分析和统计。因此有人感叹：20年前查询不到数据是因为数据太少了，而今天查询不到数据是因为数据太多了。针对这一问题，人们设想专门为业务的统计分析建立一个数据中心，它的数据从联机的事务处理系统中来、从异构的外部数据源来、从脱机的历史业务数据中来……这个数据中心是一个联机的系统，它是专门为分析统计和决策支持应用服务的，通过它可满足决策支持和联机分析应用所要求的一切。这个数据中心就叫做数据仓库。这个概念在90年代初被提出来，如果需要给数据仓库一个定义的话，那么数据仓库就是一个作为决策支持系统和联机分析应用数据源的结构化数据环境。数据仓库所要研究和解决的问题就是从数据库中获取信息的问题。
----那么数据仓库与数据库(主要指关系数据库)又是什么关系呢？回想当初,人们固守封闭式系统是出于对事务处理的偏爱,人们选择关系数据库是为了方便地获得信息。我们只要翻开C.J.Date博士的经典之作《AnIntroctiontoDatabaseSystems》便会发现：今天数据仓库所要提供的正是当年关系数据库要所倡导的。然而，“成也萧何、败也萧何”，由于关系数据库系统在联机事务处理应用中获得的巨大成功，使得人们已不知不觉将它划归事务处理的范畴；过多地关注于事务处理能力的提高，使得关系数据库在面对联机分析应用时又显得“老革命遇到新问题”--今天的数据仓库对关系数据库的联机分析能力提出了更高的要求，采用普通关系型数据库作为数据仓库在功能和性能上都是不够的，它们必须有专门的改进。因此，数据仓库与数据库的区别不仅仅表现在应用的方法和目的方面，同时也涉及到产品和配置上的不同。
----以辨证的眼光来看，数据仓库的兴起实际上是数据管理的一种回归，是螺旋式的上升。今天的数据库就好比当年的层次数据库和网型数据库，它们面向事务处理；今天的数据仓库就好比是当年的关系数据库，它针对联机分析。所不同的是，今天的数据仓库不必再为联机事务处理的特性而无谓奔忙，由于技术的专业化，它可更专心于联机分析领域的发展和探索。
----从厂商的角度看，经过长期发展，联机事务处理系统的市场至90年代中期出现饱和迹象，其增长速度明显减慢。这导致各大数据库厂商的传统业务增长面临严峻挑战，寻求新的业务增长点成为他们的当务之急。数据仓库的兴起无疑为数据库产品创造了巨大的市场，它将成为本世纪末到下世纪初数据库市场的一个新的增长点。因此，数据仓库的概念一开始便伴随着浓烈的市场炒作。对于广大用户来说，只有从自身应用需求出发，破除技术和概念的神秘性，避虚就实，密切关注技术发展的方向，方可获得满意的产品、解决方案和经济效益。
----数据仓库的概念一经出现，就首先被应用于金融、电信、保险等主要传统数据处理密集型行业。国外许多大型的数据仓库在1996～1997年建立。那么，什么样的行业最需要和可能建立数据仓库呢？有两个基本条件：第一，该行业有较为成熟的联机事务处理系统，它为数据仓库提供客观条件；第二，该行业面临市场竞争的压力，它为数据仓库的建立提供外在的动力。
数据仓库的关键技术
----那么，数据仓库都有哪些组成部分和关键技术呢？与关系数据库不同，数据仓库并没有严格的数学理论基础，它更偏向于工程。由于数据仓库的这种工程性，因而在技术上可以根据它的工作过程分为：数据的抽取、存储和管理、数据的表现以及数据仓库设计的技术咨询四个方面。在此，我们将分别讨论每一个环节。
----1.数据的抽取
----数据的抽取是数据进入仓库的入口。由于数据仓库是一个独立的数据环境，它需要通过抽取过程将数据从联机事务处理系统、外部数据源、脱机的数据存储介质中导入数据仓库。数据抽取在技术上主要涉及互连、复制、增量、转换、调度和监控等几个方面。数据仓库的数据并不要求与联机事务处理系统保持实时的同步，因此数据抽取可以定时进行，但多个抽取操作执行的时间、相互的顺序、成败对数据仓库中信息的有效性则至关重要。
----在技术发展上，数据抽取所涉及的单个技术环节都已相对成熟，其中有一些是躲不开编程的，但整体的集成度还很不够。目前市面上所提供的大多是数据抽取工具。这些工具通过用户选定源数据和目标数据的对应关系，会自动生成数据抽取的代码。但抽取工具支持的数据种类是有限的；同时数据抽取过程涉及数据的转换，它是一个与实际应用密切相关的部分，其复杂性使得不可嵌入用户编程的抽取工具往往不能满足要求。因此，实际的数据仓库实施过程中往往不一定使用抽取工具。整个抽取过程能否因工具的使用而纳入有效的管理、调度和维护则更为重要。从市场发展来看，以数据抽取、异构互连产品为主项的数据仓库厂商一般都很有可能被其他拥有数据库产品的公司吞并。在数据仓库的世界里，它们只能成为辅助的角色。
----2.存储和管理
----数据仓库的真正关键是数据的存储和管理。数据仓库的组织管理方式决定了它有别于传统数据库的特性，同时也决定了其对外部数据表现形式。要决定采用什么产品和技术来建立数据仓库核心，则需要从数据仓库的技术特点着手分析。
----数据仓库遇到的第一个问题是对大量数据的存储和管理。这里所涉及的数据量比传统事务处理大得多，且随时间的推移而累积。从现有技术和产品来看，只有关系数据库系统能够担当此任。关系数据库经过近30年的发展，在数据存储和管理方面已经非常成熟，非其他数据管理系统可比。目前不少关系数据库系统已支持数据分割技术，能够将一个大的数据库表分散在多个物理存储设备中，进一步增强了系统管理大数据量的扩展能力。采用关系数据库管理数百个GB甚至到TB的数据已是一件平常的事情。一些厂商还专门考虑大数据量的系统备份问题，好在数据仓库对联机备份的要求并不高。
----数据仓库要解决的第二个问题是并行处理。在传统联机事务处理应用中，用户访问系统的特点是短小而密集；对于一个多处理机系统来说，能够将用户的请求进行均衡分担是关键，这便是并发操作。而在数据仓库系统中，用户访问系统的特点是庞大而稀疏，每一个查询和统计都很复杂，但访问的频率并不是很高。此时系统需要有能力将所有的处理机调动起来为这一个复杂的查询请求服务，将该请求并行处理。因此，并行处理技术在数据仓库中比以往更加重要。大家可以注意一下，在针对数据仓库的TPC-D基准测试中，比以往增加了一个单用户环境的测试，称为“系统功力”(QppD)。系统的并行处理能力对QppD的值有重要影响。目前，关系数据库系统在并行处理方面已能做到对查询语句的分解并行、基于数据分割的并行、以及支持跨平台多处理机的群集环境和MPP环境，能够支持多达上百个处理机的硬件系统并保持性能的扩展能力。

----数据仓库的第三个问题是针对决策支持查询的优化。这个问题主要针对关系数据库而言，因为其他数据管理环境连基本的通用查询能力还不完善。在技术上，针对决策支持的优化涉及数据库系统的索引机制、查询优化器、连接策略、数据排序和采样等诸多部分。普通关系数据库采用B树类的索引，对于性别、年龄、地区等具有大量重复值的字段几乎没有效果。而扩充的关系数据库则引入了位图索引的机制，以二进制位表示字段的状态，将查询过程变为筛选过程，单个计算机的基本操作便可筛选多条记录。由于数据仓库中各数据表的数据量往往极不均匀，普通查询优化器所得出的最佳查询路径可能不是最优的。因此，面向决策支持的关系数据库在查询优化器上也做了改进，同时根据索引的使用特性增加了多重索引扫描的能力。以关系数据库建立的数据仓库在应用时会遇到大量的表间连接操作，而连接操作对于关系数据库来说是一件耗时的事儿。扩充的关系库中对连接操作可以做预先的定义，我们称之为连接索引，使得数据库在执行查询时可直接获取数据而不必实施具体的连接操作。数据仓库的查询常常只需要数据库中的部分记录，如最大的前50家客户，等等。普通关系数据库没有提供这样的查询能力，只好将整个表的记录进行排序，从而耗费了大量的时间。决策支持的关系数据库在此做了改进，提供了这一功能。此外，数据仓库的查询并不需要像事务处理系统那样精确，但在大容量数据环境中需要有足够短的系统相应时间。因此，一些数据库系统增加了采样数据的查询能力，在精确度允许的范围内，大幅度提高系统查询效率。总之，将普通关系数据库改造成适合担当数据仓库的服务器有许多工作可以做，它已成为关系数据库技术的一个重要研究课题和发展方向。可见，对于决策支持的扩充是传统关系数据库进入数据仓库市场的重要技术措施。
----数据仓库的第四个问题是支持多维分析的查询模式，这也是关系数据库在数据仓库领域遇到的最严峻的挑战之一。用户在使用数据仓库时的访问方式与传统关系数据库有很大的不同。对于数据仓库的访问往往不是简单的表和记录的查询，而是基于用户业务的分析模式，即联机分析。如附图所示，它的特点是将数据想象成多维的立方体，用户的查询便相当于在其中的部分维(棱)上施加条件，对立方体进行切片、分割，得到的结果则是数值的矩阵或向量，并将其制成图表或输入数理统计的算法。

----关系数据库本身没有提供这种多维分析的查询功能，而且在数据仓库发展的早期，人们发现采用关系数据库去实现这种多维查询模式非常低效、查询处理的过程也难以自动化。为此，人们提出了多维数据库的概念。多维数据库是一种以多维数据存储形式来组织数据的数据管理系统，它不是关系型数据库，在使用时需要将数据从关系数据库中转载到多维数据库中方可访问。采用多维数据库实现的联机分析应用我们称之为MOLAP。多维数据库在针对小型的多维分析应用有较好的效果，但它缺少关系数据库所拥有的并行处理及大规模数据管理扩展性，因此难以承担大型数据仓库应用。这样的状态直到“星型模式”在关系数据库设计中得到广泛应用才彻底改变。几年前，数据仓库专家们发现，关系数据库若采用“星型模式”来组织数据就能很好地解决多维分析的问题。“星型模式”只不过是数据库设计中数据表之间的一种关联形式，它的巧妙之处在于能够找到一个固定的算法，将用户的多维查询请求转换成针对该数据模式的标准SQL语句，而且该语句是最优化的。“星型模式”的应用为关系数据库在数据仓库领域大开绿灯。采用关系数据库实现的联机分析应用称为ROLAP。目前，大多数厂商提供的数据仓库解决方案都采用ROLAP。
----在数据仓库的数据存储管理领域，从当今的技术发展来看，面向决策支持扩充的并行关系数据库将是数据仓库的核心。在市场上，数据库厂商将成为数据仓库的中坚力量。
----3.数据的表现
----数据表现是数据仓库的门面。这是一个工具厂商的天下。它们主要集中在多维分析、数理统计和数据挖掘方面。
----多维分析是数据仓库的重要表现形式，由于MOLAP系统是专用的，因此，关于多维分析领域的工具和产品大多是ROLAP工具。这些产品近两年来更加注重提供基于Web的前端联机分析界面，而不仅仅是网上数据的发布。
----数理统计原本与数据仓库没有直接的联系，但在实际的应用中，客户需要通过对数据的统计来验证他们对某些事物的假设，以进行决策。与数理统计相似，数据挖掘与数据仓库也没有直接联系。而且这个概念在现实中有些含混。数据挖掘强调的不仅仅是验证人们对数据特性的假设，而且它更要主动地寻找并发现蕴藏在数据之中的规律。这听起来虽然很吸引人，但在实现上却有很大的出入。市场上许多数据挖掘工具其实不过是数理统计的应用。它们并不是真正寻找出数据的规律，而是验证尽可能多的假设，其中包括许多毫无意义的组合，最后由人来判断其合理性。因此，在当前的数据仓库应用中，有效地利用数理统计就已经能够获得可观的效益。
----4.数据仓库设计的技术咨询
----在数据仓库的实施过程中，有一些更为基本的问题需要解答。它们包括：数据仓库提供哪些部门使用？不同的部门怎样发挥数据仓库的决策效益？数据仓库需要存放哪些数据？这些数据以什么样的结构存放？数据从哪里装载？装载的频率多少为合适？需要购置哪些数据管理的产品和工具来建立数据仓库？等等。这些问题依赖于特定的数据仓库系统，属于技术咨询的范畴。
----事实上，数据仓库绝不是简单的产品堆砌，它是综合性的解决方案和系统工程。在数据仓库的实施过程中，技术咨询服务至关重要，是一个不可缺少的部分，它甚至于比购买产品更为重要。目前，数据仓库的技术咨询主要来自数据仓库软件产品的供应商和独立的针对数据仓库技术的咨询公司。
主流厂商及产品
----作为数据管理市场的热点，近年来有很多公司投入数据仓库市场的角逐。在此，我们将选择介绍其中一部分厂商。首先，它们是为中国市场所熟悉的，其产品能够容易买到。其次，我们主要选择软件厂商。第三，这些厂商分为两大类，一类是拥有数据库产品背景的，它们将是数据仓库市场的中坚力量；另一类是工具产品厂商，提供数据仓库解决方案中的外围工具（在此不多介绍）。
----数据管理类厂商中主要有(字母排序)：IBM,Informix,Microsoft,NCR,Oracle,Sybase等。
----■IBM
----作为数据仓库领域中的一支劲旅，IBM是一家同时拥有硬件和软件的厂商。在数据仓库技术领域，IBM最注目的是其SP/2的MPP硬件环境。近年来，它以开放系统管理了大量超过TB容量的数据仓库。由于封闭的主机系统一时难以成为数据仓库中心系统的主流，SP/2等开放的MPP环境必然成为主宰。相比之下，IBM的数据库软件表现平常，其数据仓库核心采用的是DB2UniversalServer(简称UDB)的ParallelEdition。IBM的优势在于业界的声誉、市场份额、硬件系统和咨询服务。
----■Informix
----Informix是一家专业的数据库厂商，其关系数据库服务器DynamicServer在传统联机事务处理应用中始终占据着稳定而广泛的市场份额。近年来，数据仓库成为该公司重要的发展领域之一。在数据仓库技术上，Informix主要关注在这么几个方面：第一，并行处理的数据库服务器。Informix的ExtendedParallelServer(XPS)专为企业级决策支持系统而设计，采用非共享技术支持群集系统和MPP环境，能够提供近线性的性能扩展能力。第二，在并行关系数据库的基础上，Informix增加了针对决策支持操作的扩展。第三，Informix提供了MetaCubeOLAP中间件，以多层客户/服务器结构实现ROLAP解决方案,并在其中集成了基于汇总和采样的查询优化机制。
----1998年底，着名的数据仓库供应商RedBrick并入了Informix，增强了它在数据抽取、数据挖掘以及在行业顾问咨询方面的实力。目前，Informix将数据仓库看成产品和服务的集合，将整体解决方案命名为DecisionFrontier。
----■Microsoft
----微软是以其关系数据库SQLServer作为它数据仓库核心的。在数据仓库领域，微软的计划是将Plato(一个OLAP服务器)和DataTransformationServices(数据转换服务，包括数据抽取、转换和装载能力)作为其SQLServer7.0数据库的免费组成部分。微软的OLAP走的是ROLAP的路子，与其数据转换一样，属于常规的解决方案；而并行处理和决策支持扩展则不是SQLServer的强项。因此，整个解决方案仍面向中低端，价格取胜是关键。
----为此，微软在数据仓库市场中倡导了另一个概念--数据集市(DataMart)。所谓数据集市就是一个面向部门应用的、小型的数据仓库；所采用的技术与数据仓库相似，但存储的内容更加专题化。对于数据集市这样的规模，微软的解决方案便可成为理想的选择。
----■NCR
----NCR是数据仓库的先驱之一，具有强大的以业务为中心的顾问咨询力量，在传统数据仓库领域有很大的市场。NCR的数据仓库产品名为TeradataScalableWarehouse，取超大规模数据之意，面向高端数据仓库市场。NCR的Teradata并非一个开放的数据库系统，它专为数据仓库领域而设计的。但在有关数据仓库性能的TPC-D测试中，Teradata的表现却很平常，它需要更多的并行处理机。Teradata运行的平台主要是MPP环境，操作系统也是NCR自己的，直到最近才支持Unix和NT。
----NCR是专注于高端数据仓库的厂商，其Teradata在大规模系统和数据量下表现良好。但它的解决方案也面临着挑战：联机多维分析是它的弱项。
----■Oracle
----Oracle公司早先在数据仓库上的研究集中在OLAP多维分析上。数年前，Oracle收购了名为IRI的多维数据库厂商，推出Express多维数据库，以MOLAP模式提供了联机分析的解决方案。随着近年来ROLAP的解决方案渐渐成为主流，在Oracle最新推出的数据仓库解决方案--OracleDataMartSuite中Oracle以Oracle8EnterpriseServer为数据仓库服务器。
----■Sybase
----早在1994年推广System10的时候，Sybase便在数据库的大规模并行联机备份、数据复制、异构数据库互连等方面做了大量工作。在核心领域，Sybase专门为MPP环境设计了NavigationServer，与SQLServer配合构成大规模并行处理环境。1995年初，Sybase通过收购ExpressWay，推出了第一个与大型关系数据库结合的位图索引机制--SybaseIQ。目前，Sybase推出的数据仓库解决方案名叫SybaseWarehouseStudio，其中有通过SybaseIQ加强的AdaptiveServer，以及Power系列的设计、转换、OLAP工具。但在实际的应用解决方案中，由于市场的原因，Sybase往往需要借用第三方的工具。
数据仓库未来发展方向
----数据仓库是数据管理技术和市场上一个方兴未艾的领域，有着良好的发展前景。在此，我们将从技术、应用、市场等几个方面探讨数据仓库的未来发展。
----数据仓库技术的发展自然包括数据抽取、存储管理、数据表现和方法论等方面。在数据抽取方面，未来的技术发展将集中在系统集成化方面。它将互连、转换、复制、调度、监控纳入标准化的统一管理，以适应数据仓库本身或数据源可能的变化，使系统更便于管理和维护。在数据管理方面，未来的发展将使数据库厂商明确推出数据仓库引擎，作为服务器产品与数据库服务器并驾齐驱。在这一方面，带有决策支持扩展的并行关系数据库将最具发展潜力。在数据表现方面，数理统计的算法和功能将普遍集成到联机分析产品中，同时与Internet/Web技术紧密结合，推出适用于Intranet、终端免维护的数据仓库访问前端。在这个方面，按行业应用特征细化的数据仓库用户前端软件将成为产品作为数据仓库解决方案的一部分。数据仓库实现过程的方法论将更加普及，将成为数据库设计的一个明确分支，成为管理信息系统设计的必备。

----计算机应用发展的数据仓库倾向是数据仓库发展的推动力。传统的联机事务处理系统并不单独考虑数据仓库，但实际应用对数据仓库所能提供的功能却早有需求。因此，许多事务处理系统近年来陷入一个两难的境地：在现有系统上增加有限的联机分析功能，包括复杂的报表和数据汇总操作；一方面严重影响了事务处理联机性能，另一方面统计分析又因系统结构上的种种限制而不能充分体现。其结果是：应用技术的发展是朝着更加细化，更加专业的方向。在新一代的应用系统中，数据仓库在一开始便被纳入系统设计的考虑，联机分析应用于普遍的事务处理系统之中。在数据管理上，联机事务处理和数据仓库在应用中相对独立，使联机事务处理系统本身更加简洁高效，同时分析统计也更为便利。面向行业的数理统计学向更为普遍的应用发展，并集成到应用系统的数据仓库解决方案中。它们将立足于数据仓库提供的丰富信息，更好地为业务决策服务。
----在市场上，我们将从厂商和用户两个方面看数据仓库的发展。对于提供数据仓库产品和解决方案的厂商来说，严酷的市场竞争是永恒的主题。未来的发展将是不提供完整解决方案的厂商可能被其他公司收购，例如从事数据抽取、提供专用工具的软件公司很可能并入大型数据库厂商而去构建完整的解决方案。能够持续发展的厂商大致有两类：一是拥有强大的数据库、数据管理背景的公司；二是专门提供面向具体行业的、关于数据仓库实施的技术咨询的公司。
----从用户的角度看，数据管理的传统领域，如金融、保险、电信等行业中的特定应用，如信用分析、风险分析、欺诈检测等，是数据仓库的主要市场之外，数据仓库的应用随着现代社会商业模式的变革而进一步普及和深入。近年来，一场悄悄的革命正在改变产品制造和提供服务的方式，它就是数字化定制经济模式。在这个世界里，用户可以购买一台根据自己要求组装的计算机、一条根据自己体形设计的牛仔裤、一种根据自己身体需要而生产的保健药、一副与自己脸型相配的眼镜……，大规模的定制不仅是一种制造过程、后勤系统、或者推销策略，它很可能成为下一世纪企业生产的组织原则，就像成批生产是本世纪的组织原则一样。在未来大规模定制经济环境下，数据仓库将成为企业获得竞争优势的关键武器。
----总之，数据仓库是一项基于数据管理和利用的综合性技术和解决方案，它将成为数据库市场的新一轮增长点，同时也成为下一代应用系统的重要组成部分。数据仓库对于广大计算机用户，包括中国用户，并不遥远；它看得见、摸得着、买得到。数据仓库技术其实也不神秘，至少比绝大多数统计学定理来得简单。相信大家必能在数据仓库的实施和使用中获得满意的效果。

⑧ 百度云推送服务端SDK怎么用

⑨ 急急急！！！求解NCR Teradata Data Warehouse如何与该公司的NCR MPP Worldmark 海量并行处理服务器完美结

很简单啊，利用数据仓库与数据挖掘技术中的单点突击技术，实时控制数据高端传输，就可以做到了。