BI （Business Intelligence 商業(yè)智能）

商業(yè)智能產(chǎn)品及解決方案大致可分為數(shù)據(jù)倉庫產(chǎn)品、數(shù)據(jù)抽取產(chǎn)品、OLAP產(chǎn)品、展示產(chǎn)品、和集成以上幾種產(chǎn)品的針對某個(gè)應(yīng)用的整體解決方案等。商業(yè)智能的技術(shù)體系主要有數(shù)據(jù)倉庫（DW）、在線分析處理（OLAP）以及數(shù)據(jù)挖掘（DM）三部分組成。數(shù)據(jù)倉庫是商業(yè)智能的基礎(chǔ),許多基本報(bào)表可以由此生成,但它更大的用處是作為進(jìn)一步分析的數(shù)據(jù)源。所謂數(shù)據(jù)倉庫（DW）就是面向主題的、集成的、穩(wěn)定的、 不同時(shí)間的數(shù)據(jù)集合，用以支持經(jīng)營管理中的決策制定過程。多維分析和數(shù)據(jù)挖掘是最常聽到的例子,數(shù)據(jù)倉庫能供給它們所需要的、整齊一致的數(shù)據(jù)。在線分析處理（OLAP）技術(shù)則幫助分析人員、管理人員從多種角度把從原始數(shù)據(jù)中轉(zhuǎn)化出來、能夠真正為用戶所理解的、并真實(shí)反映數(shù)據(jù)維特性的信息，進(jìn)行快速、一致、交互地訪問，從而獲得對數(shù)據(jù)的更深入了解的一類軟件技術(shù)。
數(shù)據(jù)挖掘（DM）是一種決策支持過程，它主要基于AI、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等技術(shù)，高度自動(dòng)化地分析企業(yè)原有的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，預(yù)測客戶的行為，幫助企業(yè)的決策者調(diào)整市場策略，減少風(fēng)險(xiǎn)，做出正確的決策.

根據(jù)BI解決方案的體系結(jié)構(gòu)，一個(gè)完整的BI應(yīng)用需要ETL工具、數(shù)據(jù)倉庫管理工具、OLAP工具、數(shù)據(jù)挖掘工具和報(bào)表查詢工具5種工具協(xié)同工作.

 微軟的 Microsoft SQL SERVER2008 平臺(tái)(包含 SQL SERVER Business Intelligence、Analysis Services、Integration Services、Reporting Services)都可以實(shí)現(xiàn)。

 ETL：SQL Server 2008 Integration Services;

數(shù)據(jù)倉庫：SQL Server 2008 Database Engine;

聯(lián)機(jī)分析處理OLAP：SQL Server 2008 Analysis Services;

數(shù)據(jù)挖掘模型：SQL Server 2008 Analysis Services;

多維數(shù)據(jù)分析(B/S)：Performance Point Server Analystic;OWC;

多維數(shù)據(jù)分析(C/S)：Excel 2007/2010;

報(bào)表：SQL Server 2008 Reporting Services ;

構(gòu)建多維數(shù)據(jù)集

Analysis Services數(shù)據(jù)庫的建設(shè)是后面工作的基礎(chǔ)，因?yàn)樗鼘⒅苯記Q定數(shù)據(jù)倉庫、前端展現(xiàn)和ETL的設(shè)計(jì)。

Analysis Services數(shù)據(jù)庫的設(shè)計(jì)需要注意以下幾個(gè)方面：
            1.盡量保證量度不包含任何實(shí)際的意義。
        這一點(diǎn)怎樣理解，例如，有時(shí)我們會(huì)將收入、成本、費(fèi)用設(shè)置為不同的量度，這在以后的擴(kuò)展方面會(huì)存在一定的問題。而應(yīng)該將設(shè)置一個(gè)維度稱為指標(biāo)（其中包括這三個(gè)成員），而設(shè)置一個(gè)量度稱為金額。關(guān)于這種設(shè)計(jì)的優(yōu)勢我會(huì)在以后的帖子中詳細(xì)說明。
            2.盡量將KPI和計(jì)算成員設(shè)置在Analysis Services數(shù)據(jù)庫中，而不要設(shè)置在前端展現(xiàn)軟件中，這樣可以減少計(jì)算成員的設(shè)置數(shù)量，同時(shí)也易于維護(hù)。
            3.在盡可能的應(yīng)用腳本功能。在Analysis Services數(shù)據(jù)庫中你可以使用腳本功能實(shí)現(xiàn)很多強(qiáng)大的功能，包括計(jì)算成員的設(shè)置、聚合的函數(shù)、度量的匯總和格式的設(shè)置等等。
            4.創(chuàng)建標(biāo)準(zhǔn)的維度。每一個(gè)維度都要按照要求創(chuàng)建成標(biāo)準(zhǔn)的維度，例如主鍵必須為整型、包括排序鍵以及自定義匯總列等等，這樣在后期擴(kuò)展功能時(shí)會(huì)非常方便。
         5.首先創(chuàng)建一個(gè)大而全的多維數(shù)據(jù)集，然后再通過透視圖切分成小的多維數(shù)據(jù)集，這樣可以減少存儲(chǔ)和維護(hù)量。

在完成多維數(shù)據(jù)集的創(chuàng)建之后，我們需要根據(jù)多維數(shù)據(jù)集生成數(shù)據(jù)倉庫,在生成數(shù)據(jù)倉庫之后，我們需要在數(shù)據(jù)倉庫中填充測試數(shù)據(jù)，來實(shí)現(xiàn)對多維數(shù)據(jù)集的測試。

包是一個(gè)有組織的集合，其中可包括連接、控制流元素、數(shù)據(jù)流元素、事件處理程序、變量和配置，您可使用 SQL ServerIntegration Services 提供的圖形設(shè)計(jì)工具或以編程生成方式將這些對象組合到包中。然后，您可將完成的包保存到 SQL Server、SSIS 包存儲(chǔ)區(qū)或文件系統(tǒng)中。

商業(yè)智能體系結(jié)構(gòu)及構(gòu)建過程：

1、）識(shí)別和確定數(shù)據(jù)源；

一個(gè)完整的商業(yè)智能體系架構(gòu)圖例如下所示：

2、）對數(shù)據(jù)進(jìn)行集成和存儲(chǔ)管理。數(shù)據(jù)集成可以分為“懶散型”和“急切型”數(shù)據(jù)集成。懶散型數(shù)據(jù)集成一般應(yīng)用在數(shù)據(jù)庫系統(tǒng)中，其顯著特征是集成發(fā)生在查詢產(chǎn)生之后。用戶提出以個(gè)查詢后，系統(tǒng)確定查詢所需的數(shù)據(jù)來源，為每個(gè)來源產(chǎn)生子查詢和命令，然后從數(shù)據(jù)源中獲取信息，執(zhí)行一定的轉(zhuǎn)換、過濾和合并后把最終結(jié)果返回給用戶。數(shù)據(jù)在查詢出現(xiàn)后才從原始資料中提取。急切型數(shù)據(jù)集成通常出現(xiàn)在數(shù)據(jù)倉庫計(jì)算中，它是提前預(yù)測用戶的需求，把可能會(huì)被用的的數(shù)據(jù)提前從數(shù)據(jù)源中抽取出來，同樣經(jīng)過轉(zhuǎn)換、過濾以及其他信息的合并，然后存儲(chǔ)在集中的數(shù)據(jù)倉庫中。當(dāng)以個(gè)查詢出現(xiàn)后，直接在倉庫中運(yùn)行，不需要進(jìn)入最初的數(shù)據(jù)源系統(tǒng)中區(qū)，這種急切型的數(shù)據(jù)集成方法使數(shù)據(jù)倉庫中存儲(chǔ)著大量經(jīng)過預(yù)先計(jì)算的總計(jì)數(shù)據(jù)和累加數(shù)據(jù)，在查詢時(shí)能顯著加快查詢速度，滿足用戶對響應(yīng)時(shí)間的需求。

商業(yè)智能核心技術(shù)

構(gòu)建一個(gè)完整的商業(yè)智能系統(tǒng)涉及到的幾個(gè)核心技術(shù)：

1、）數(shù)據(jù)倉庫技術(shù)：數(shù)據(jù)倉庫是一個(gè)面向主題的、集成的、穩(wěn)定的、包含歷史數(shù)據(jù)的數(shù)據(jù)集合。它用于支持管理中的決策指定過程。數(shù)據(jù)倉庫系統(tǒng)是對數(shù)據(jù)的處理技術(shù)的集成，而商業(yè)智能系統(tǒng)的核心是解決商業(yè)問題，它是把數(shù)據(jù)處理技術(shù)和商務(wù)規(guī)則相結(jié)合提高商業(yè)利潤減少商業(yè)風(fēng)險(xiǎn)，是數(shù)據(jù)倉庫技術(shù)、商業(yè)規(guī)則、決策處理技術(shù)相結(jié)合。

2、）數(shù)據(jù)挖掘技術(shù)（DM）：指從海量數(shù)據(jù)中發(fā)現(xiàn)隱藏于其后的規(guī)律或數(shù)據(jù)間的關(guān)系，通常是采用機(jī)器自動(dòng)識(shí)別方式處理。數(shù)據(jù)挖掘技術(shù)中常用的數(shù)據(jù)模型有：

a、）分類模型，根據(jù)商業(yè)數(shù)據(jù)屬性將數(shù)據(jù)分配到不同的組中。

b、）關(guān)聯(lián)模型，主要描述一組數(shù)據(jù)項(xiàng)目中的密切度和關(guān)系。

c、）順序模型，分析數(shù)據(jù)倉庫中某類同時(shí)間相關(guān)的數(shù)據(jù)，并發(fā)現(xiàn)某一段時(shí)間內(nèi)相關(guān)聯(lián)的數(shù)據(jù)處理模型。順序模型是特殊的關(guān)聯(lián)模型，它在關(guān)聯(lián)模型中加入了時(shí)間屬性。

d、）聚簇模型，當(dāng)要分析的數(shù)據(jù)缺少描述信息，或者無法組織成任何分類模型，則可以采用聚簇模型。聚簇模型是按照某種相近程度度量方法將用戶數(shù)據(jù)分成互不相同的一些分組。組中的數(shù)據(jù)相近，組之間的數(shù)據(jù)相差甚大。聚簇模型的核心是將某些明顯相近程度測量方法轉(zhuǎn)換為定量測試方法。

3、）聯(lián)機(jī)分析處理（OLAP）。它主要通過多維的方式來對數(shù)據(jù)進(jìn)行分析、查詢和報(bào)表處理。于OLTP不同，OLTP主要用來完成用戶的事務(wù)處理，對響應(yīng)時(shí)間要求較高。而OLAP主要對用戶當(dāng)前或歷史數(shù)據(jù)進(jìn)行分析處理，輔助領(lǐng)導(dǎo)決策。