商业智能数据仓库核心篇Oracle文档的重写

商业智能的核心是从多个企业运营系统中提取数据并进行清理，确保数据准确性。随后，通过ETL过程将数据加载到企业级数据仓库中，形成企业数据的整体视图。利用适当的查询、分析工具、数据挖掘和OLAP工具对数据进行进一步分析和处理，转化为支持决策的关键知识，最终为管理层的决策过程提供支持。

数据仓库和数据挖掘是现代商业智能领域的核心概念，对企业的决策支持和CRM至关重要。数据仓库是一个集成的、面向主题的数据集合，存储和管理历史数据，支持分析和决策。与传统的事务处理数据库不同，数据仓库解决了大数据分析中的性能、数据集成、历史数据处理和数据格式问题。数据挖掘则利用数据仓库中的数据发现模式、规则和趋势，帮助企业理解客户行为、预测市场趋势。通过数据清洗、转换和各种挖掘算法，企业能够优化产品定位、提高销售额。数据仓库和数据挖掘的结合，为企业提供了强大的分析能力，支持智能决策。

这份资源聚焦于 Biml，一种用于简化商业智能 (BI) 和数据仓库解决方案开发的声明性语言。通过深入探讨 Biml 的语法和功能，它为构建、自动化和管理 SSIS 包、SSAS 多维数据集以及 SSRS 报告提供了全面指南。

数据仓库区别于传统数据库，具备以下显著特征： 1. 面向主题:数据仓库聚焦于特定的主题领域，例如客户、产品、交易或财务等，而非具体的业务流程。 2. 数据集成:数据仓库整合来自多个异构数据源的信息，经过提取、清洗、转换和加载(ETL)过程，消除数据冗余和不一致性，形成高质量的数据集合。 3. 非易失性:数据仓库的数据通常以批量方式加载，并以历史快照的形式保存，不会像操作型系统那样频繁更新。 4. 时效性:数据仓库涵盖较长的时间跨度，通常为5到10年，用于支持长期趋势分析和决策。 5. 时间维度:时间是数据仓库的关键维度，数据以时间序列的形式存储，便于进行时间点或时间段的查询分析，揭示数据随时间推移的变化规律。

InfoBright的源码安装及使用指南

数据仓库的核心特征 数据仓库作为决策支持系统的关键组件，具备以下核心特征： 面向主题: 数据组织围绕核心主题，如客户、产品、交易等，而非具体的应用。数据来源于多个操作型系统，并进行整合，为分析提供全面的视角。 集成: 数据仓库的数据经过提取、清理、转换和加载，确保数据质量和一致性，消除冗余和不一致。 稳定性: 数据仓库的数据一旦进入，便保持稳定，不会被修改或删除。历史数据可追溯，为趋势分析提供可靠依据。 随时间变化: 数据仓库包含时间维度，记录历史数据，支持对趋势和变化进行分析。 多粒度: 数据存储在不同的粒度级别，包括综合级、细节级等，以满足不同分析需求。 这些特征使得数据仓库成为企业进行决策支持、商业智能和数据分析的强大工具。

商业银行IT系统中的数据仓库涵盖了数据的抽取、存储和管理、以及数据的分析和展现三个关键技术层面。数据抽取层负责ETL过程的设计和实施，确保数据加载和更新。存储和管理层采用ODS-DW结构，支持多维查询和包括业务数据和元数据的稳定存储。数据分析和展现层提供OLAP和数据挖掘技术，利用人工智能和统计分析发现并预测隐藏在历史数据中的规律。

BI，即商业智能，它利用数据仓库技术、线上分析处理、数据挖掘和数据展现等现代技术，将数据转化为可 actionable 的商业洞察，助力企业实现价值增长。 很多人会疑惑，商业智能和大数据是否相同？

数据仓库的三大技术层面 数据仓库的功能和逻辑结构决定了其三大技术层面：数据抽取、存储和管理以及数据分析和展现。 1. 数据抽取层 负责设计和实现ETL过程。 完成数据仓库的数据加载和更新。 数据源包括行内业务系统和行外相关数据。 2. 存储和管理层 采用ODS-DW二层结构。 存储的数据具有以下特性： 面向主题 集成 相对稳定（不可删改） 随时间不断变化 支持多维分析的查询模式。 存储内容包括业务数据和元数据。 保存的数据类型包括结构化数据和非结构化数据。 3. 数据分析和展现层 提供OLAP设计、分析和展现手段。 包括联机分析和数据挖掘两大技术。 ETL过程 ETL包括数据抽取、转换和装载三个过程，技术上主要涉及增量、转换、调度和监控等方面的处理。 数据挖掘 数据挖掘是从数据仓库中发现并提取隐藏信息的全新技术，利用人工智能、统计分析等多种技术和各类挖掘工具及数据算法，分析企业历史数据，进行深层次挖掘，实现规则性发现及预测功能，侧重于对事务中蕴涵的未知规律进行发现。 案例：广东发展银行 行为计分机制: 跟踪和监控每个信用卡持卡用户的行为、消费模式和还款数据，并根据相应的数学模型，智能化地调整用户的信贷额，同时亦可从而找出高增值客户，向他们推广新产品或服务。 申请计分机制: 透过先进的数据挖掘技术对大量信用卡客户数据进行分析，寻找客户信用风险的特征和规律，建立相应的数学模型，为新的信用卡申请者或已有的客户进行信用评分。 常用BI厂商和产品 ETL: Informatica, SQL Server Analysis Server, datastage DW: IBM DB2, Oracle, Sybase IQ, NCR Teradata OLAP: Cognos, Business Objects, MicroStrategy, Hyperion, IBM Data Mining: IBM, SAS, SPSS