上篇文章我们探讨了oracle as  Personalization的数据逻辑设计思路，那么如何把这些底层的数据灵活的融入到推荐引擎的核心产品里面呢，达到企业级别的定制和灵活应用？Oracle不亏是数据库起家，看家本领肯定是要使用的。这里采用了数据库的schema设计来分离数据挖掘模型，底层基础数据，推荐数据的收集和同步以及模型的打分等关键的操作过程。先看一段英文原著：

Oracle® Application Server Personalization定位为一款企业级的个性推荐产品，在很多设计思想方面可圈可点，这篇文章我们探讨一下推荐引擎的逻辑设计思想。 推荐引擎定位在相关推荐，必需具备灵活的调整和设置推荐的详细规则。 Figure 1-3 Example of an OracleAS Personalization taxonomy Description of “Figure 1-3 Example of an OracleAS Personalization taxonomy” 推荐定位在物，着眼点却在人。在物这个级别上，需要考虑物实体的各种灵活的分类和过滤。

推荐引擎是未来10年的一个关键性技术，目前在电子商务网站领域作用日趋关键，因此B2C的amazon和C2C的淘宝，以及search的鼻祖yahoo美国都是选择自己开发独立的推荐引擎产品的路线，以和企业的核心业务密切结合和快速灵活调整。那么在这样一个关键的技术面前，各大软件巨头不可能没有看到这样的趋势，这种基于个性推荐的企业软件在未来的市场需求上不会亚于目前炙手可热的数据库软件的应用。 推荐引擎的一些小程序和算法在互联网上非常之多，这里谈谈企业级的推荐引擎产品之一的代表- Oracle® Application Server Personalization。这个产品是Oracle® Application Server 的一个选件，和oracle 的很多中间件产品集成非常好，能够架设起完整的企业软件构架。 正因为定位为企业级别，因此Oracle® Application Server Personalization的配置比较复杂，要能看到oracle的在这个产品上的演示还真不是一件容易的事情。这篇文章不做详细介绍，我们先来看一个轮廓》

数据仓库构架的两大鼻祖，Ralph Kimball和Bill Inmon。提起数据仓库建设和实施，Ralph Kimball和Bill Inmon的影响不容忽视，这2位大师在数据仓库实施方法论上一直难分高下，主要的分歧在于数据仓库的实施是自下而上还是自上而下，这里的上和下本质上就是数据综合程度的高低，越底层的明细数据就是下，越高度汇总的数据就是上，其实2位大师只是对实施的过程持不同观点，但是综合起来数据仓库应该具备的内容上没有本质不同。数据仓库的特点是灵活，快速，支持决策和商业项目，在这些特点的要求下，一个完善的数据仓库必须具备有灵活的底层源数据，这些源数据是制造一个个数据集市和支持数据挖掘的源头，在不同的商业项目和数据挖掘中，需要能快速的取得定制的数据，这就必须要求数据仓库具备完善的数据集市。当然这些步骤究竟谁在前谁在后，不同规模的公司实施起来具体要求是不同的，需要综合评估，一味按照大师的理论偏执是行不通的，我想大师在理论上的深度要求是让我们实施过程中更好的进行选择和灵活评估，而不是要求我们一成不变。

企业数据仓库永远处在变化中，前期的基础架构要能在扩展性，灵活性上做到有充分的弹性，才能在后期的纷繁复杂的企业信息架构变化中立于主动。

数据仓库承载着企业决策，分析，发展的重任，在互联网企业，业务变化更加频繁和快速，互联网的数据仓库构架是数据仓库发挥功能的基础，在这里，数据仓库构架已经不仅仅是各种大师观点的讨论和碰撞，而是要能切实实现并解决数据仓库稳步快速发展的基石。

数据仓库基础平台包含范围非常广泛，这篇文章先讨论DB方面的平台架构。国际主要厂商：Oracle，Teradata，DB2，Sql server，Mysql都推出了数据仓库基础数据库版本。这些厂商坚守两大阵营，share nothing和share everything。

探讨DW的通用架构，可扩展，适应商业的快速变化的基础。