_商业智能：数据分析基础
商业智能与数据分析技术手册
商业智能与数据分析技术手册在当今数据驱动的商业环境下，商业智能和数据分析技术已成为企业决策的核心。
本手册将介绍商业智能和数据分析技术的基本概念、应用及工具，帮助读者在快速发展的商业智能和数据分析市场中茁壮成长。
一、商业智能商业智能（Business Intelligence，BI）是指通过数据挖掘、数据分析等技术，将企业内部和外部的各种数据整合起来，进行综合分析得出企业的经营情况和未来的经营趋势，以服务企业的决策制定、战略规划和生产管理等。
商业智能的应用主要分为四方面：1.报表分析：通过报表分析企业的经营数据，进行营销分析、业务分析、战略分析等，进一步优化和调整企业运营策略。
2.数据挖掘：利用商业智能工具进行数据挖掘，探索数据内在的联系，并根据挖掘结果为企业的产品研发、营销、运营等提供支持。
3.在线分析处理（OLAP）：通过多维度数据切割、旋转、过滤和钻取，进行数据分析、决策制定、预警和风险评估等。
4.数据仓库：构建企业数据仓库，集中存储企业内部以及外部的各种各样数据，并根据业务需求提供全面、统一、可靠、高效的查询、分析和管理功能。
二、数据分析技术数据分析技术是指以统计学、计量经济学、计算机科学等为基础，通过采集、整理、分析数据来解决实际问题的一种技术。
数据分析技术的目的是从数据中发现、提取并呈现信息，以帮助人们从数据中获得可操作的见解，进而支持决策制定。
数据分析技术的应用范围很广，例如：1.大数据分析：随着互联网的快速发展和物联网技术的大规模应用，大数据分析已成为数据分析领域的一个重要分支。
2.预测分析：预测分析是利用数据分析工具，研究数据的特征和规律，预测未来发展趋势和变化。
3.高维数据分析：随着数据量的爆发式增长，高维数据分析成为数据分析领域的热门领域。
4.社交网络分析：通过社交网络关系的建立和维护，挖掘数据之间的关联和相互作用。
三、商业智能和数据分析技术手册商业智能和数据分析技术手册提供了企业使用商业智能或数据分析技术的基本知识，并介绍如何将这些技术用于企业的决策制定、战略规划和运营管理等。
数据分析与商业智能培训ppt
非结构化数据
指没有固定格式或有限长度的 数据，如文本、图像、音频和
视频等。
实时数据
指在特定时间点收集并用于实 时分析的数据，如股票交易数
据。
外部数据
指从外部来源获取的数据，如 市场调查、公开统计数据等。
数据收集与清洗
01
02
03
数据收集
根据业务需求和目标，通 过各种方式获取所需的数 据。
数据清洗
总结词
普及率高、功能丰富的电子表格软件
详细描述
Excel是微软开发的一款电子表格软件，它提供了丰富的数据分析和可视化功能，可以 帮助用户轻松地处理和分析数据。Excel具有广泛的应用范围和用户基础，使得它成为 许多数据分析师和企业用户的首选工具。Excel支持多种图表类型和数据可视化效果，
并且可以通过添加自定义函数和模块来扩展其功能。
对收集到的数据进行预处 理，包括去除重复项、处 理缺失值、转换数据类型 等。
数据转换
将数据从一种格式或结构 转换为另一种格式或结构 ，以便于分析和可视化。
数据探索与可视化
数据探索
通过统计方法和技术，了 解数据的分布、趋势和关 联性。
可视化工具
使用各种可视化工具和技 术，将数据以图表、图像 等形式呈现出来，以便更 好地理解和分析。
06 数据分析与商业 智能的未来发展
大数据时代的挑战与机遇
挑战
随着大数据的爆炸式增长，如何有效地收集、处理和分析海量数据成为一项巨 大的挑战。同时，数据的质量、准确性和完整性也面临着诸多问题。
机遇
大数据提供了前所未有的机会，通过深入挖掘和分析数据，企业可以更好地理 解客户需求、优化业务流程、提高决策效率和创造更多商业价值。
商业智能原理
商业智能原理商业智能（Business Intelligence）是一个综合系统，它将数据分析、业务知识和决策支持等领域结合在一起，帮助企业从大量的数据中提取有价值的信息，并以此为基础做出战略和经营决策。
商业智能的原理涵盖了数据的收集、加工、分析和应用等方面，本文将详细介绍商业智能的原理与应用。
1. 数据收集商业智能的第一个步骤是数据收集。
在此阶段，企业需要收集各种来源的内部和外部数据，包括销售数据、客户数据、竞争对手数据、市场数据等等。
这些数据来自不同的渠道，包括企业内部系统、第三方数据供应商、社交媒体等。
数据收集是商业智能的基础，只有拥有准确、完整的数据，才能进行后续的分析和应用。
2. 数据加工数据加工是商业智能的重要环节。
在此阶段，企业需要对收集到的数据进行清洗、整合和转换，以确保数据的准确性和一致性。
数据清洗包括处理缺失值、重复值和异常值等；数据整合是将来自不同来源的数据进行统一，确保数据能够进行比较和分析；数据转换包括将数据转化为可分析的形式，例如将文本数据转化为数值型数据。
3. 数据分析数据分析是商业智能的核心环节。
通过应用各种分析方法和技术，企业可以从大量数据中发现有价值的信息和模式，并从中获取商业洞察。
数据分析的方法包括统计分析、数据挖掘、机器学习等。
通过数据分析，企业可以对市场趋势、竞争对手、产品表现等进行深入了解，为决策提供科学依据。
4. 数据应用数据应用是商业智能的最终目标。
通过将数据分析的结果应用于实际业务环境中，企业能够优化业务流程、改进决策过程、提高业务绩效。
数据应用可以是生成报表和可视化图表，为管理层和决策者提供直观的数据呈现；也可以是构建预测模型和优化算法，帮助企业进行有效的资源分配和运营管理。
商业智能的原理基于数据的价值和应用。
通过收集、加工、分析和应用数据，企业可以获取战略和竞争优势，提高决策的准确性和效率。
商业智能不仅可以帮助企业识别问题和机会，还可以为企业决策者提供实时的决策支持，使企业能够快速应对市场变化和竞争挑战。
数据分析与商业智能课后习题参考答案
数据分析与商业智能课后习题参考答案题一: 数据分析基础1. 什么是数据分析？数据分析是一种通过收集、清洗、转换和分析数据来提取有价值信息的过程。
它的目标是帮助人们做出基于数据的决策，并揭示隐藏在数据背后的模式、趋势和关联性。
2. 数据分析的主要步骤有哪些？数据分析的主要步骤包括：- 收集数据：从各种来源获取数据，包括数据库、文本文件、传感器等。
- 清洗数据：对收集到的数据进行清洗，去除无效或错误的数据，并进行数据格式转换。
- 转换数据：将数据转换为适合分析的形式，如将文本数据转换为数值型数据。
- 分析数据：应用统计学和机器研究算法对数据进行分析，揭示数据背后的模式和关联性。
- 解释结果：对分析结果进行解释，并提供有关数据的见解和建议。
3. 数据分析的应用领域有哪些？数据分析在各个领域都有广泛的应用，包括但不限于：- 商业决策：帮助企业做出市场营销、供应链管理、产品定价等决策。
- 社交媒体分析：通过分析社交媒体数据了解用户偏好、社交趋势等。
- 金融风险分析：通过分析金融数据预测市场风险和投资回报。
- 医疗健康分析：分析医疗数据以支持疾病预防、诊断和治疗决策。
- 运输与物流优化：通过分析运输和物流数据提高效率和减少成本。
题二: 商业智能的概念和基本原理1. 什么是商业智能？商业智能（Business Intelligence，BI）是指通过收集、整理和分析企业内部和外部的数据，将其转化为有用信息，以支持企业决策和战略规划的过程。
2. 商业智能的基本原理是什么？商业智能的基本原理包括：- 数据仓库：将企业各个业务系统收集到的数据进行整合和存储，以便后续分析和查询。
- 数据清洗和转换：对数据进行清洗和转换，去除重复、无效或错误数据，并将其转换为适合分析的形式。
- 数据挖掘：应用数据挖掘技术，如聚类、分类、关联规则等，从大量的数据中挖掘有价值的信息。
- 可视化和报告：通过数据可视化和报告工具，以图表、表格等形式展示分析结果，以便用户理解和决策。
大数据时代的商业智能与数据分析
大数据时代的商业智能与数据分析1. 引言1.1 概述在大数据时代的到来之前，商业决策往往是基于经验和直觉进行。
然而，随着社会的不断发展和技术的迅速进步，大量的数据被生成和存储，这使得传统商业决策方法显得无法满足对信息和洞察力越来越高的需求。
1.2 商业智能与数据分析概念商业智能是一种利用各种技术和工具处理、分析和可视化企业数据以支持商业决策的方法。
它包括了从数据仓库和在线分析处理（OLAP）到报表、仪表盘和数据挖掘等多个方面。
数据分析是通过使用统计学、数学建模、机器学习以及其他相关技术，从大规模的数据中提取出有价值信息，并将其转化为洞察力和见解的过程。
1.3 目的和意义本文旨在深入探讨在大数据时代背景下商业智能与数据分析的重要性与应用。
通过研究定义及特点，我们可以更好地理解商业智能如何应对大量的企业数据，并将其转化为有意义的信息。
同时，通过实践案例分析，我们可以了解数据分析在商业中的具体应用，并探讨数据驱动决策对企业发展的重要性和影响。
此外，本文还将讨论大数据时代对商业智能和数据分析带来的挑战。
包括数据隐私与安全问题以及技术和人才需求的增长。
最后，我们将总结关键观点与结论，并展望未来发展趋势与挑战克服方向，以期为读者提供有关商业智能与数据分析在大数据时代下的重要性以及发展前景的全面认识。
2. 大数据时代的商业智能2.1 定义及特点在大数据时代，商业智能（Business Intelligence）是指利用大数据分析技术和工具，将海量、复杂的数据转化为有价值的信息和知识，以支持企业决策制定和战略规划。
商业智能通过收集、整合、分析和可视化多源异构数据，帮助企业发现趋势、模式与关联性，并提供准确、可靠的决策支持。
其特点如下：- 数据驱动：商业智能基于事实数据进行分析与决策制定，强调依据客观数据进行经营管理。
- 实时性：大数据的快速处理使商业智能能够实时监控和反馈企业运营情况，及时作出调整与优化。
- 可视化展示：通过数据可视化手段，商业智能将抽象的数据转化为直观的图表、仪表盘等形式，更加易于理解和传播。
商业智能大数据分析
商业智能大数据分析在当今的商业环境中，数据的积累和分析变得日益重要。
商业智能（Business Intelligence，简称BI）作为一种数据分析工具，它帮助企业从海量数据中提取有价值的信息，从而做出更明智的商业决策。
商业智能大数据分析不仅仅是数据的简单收集，它涉及到数据挖掘、数据仓库、数据可视化等多个方面。
以下是商业智能大数据分析的详细内容。
首先，商业智能大数据分析的第一步是数据收集。
企业需要从内部系统和外部来源收集数据，这些数据可能包括销售记录、客户反馈、市场趋势等。
数据的质量和完整性直接影响到分析结果的准确性。
其次，数据存储是商业智能大数据分析的关键环节。
企业通常会建立数据仓库来集中存储和管理数据。
数据仓库不仅能够存储大量的数据，还能够提供数据的快速查询和分析功能。
接下来，数据清洗和预处理是确保数据分析准确性的重要步骤。
在这个过程中，需要剔除无效数据、填补缺失值、标准化数据格式等，以保证数据的一致性和可用性。
然后，数据挖掘是商业智能大数据分析的核心。
通过应用统计学、机器学习和人工智能等技术，企业可以从数据中发现潜在的模式和趋势。
例如，通过分析顾客购买行为，企业可以预测未来的销售趋势，或者发现潜在的市场机会。
此外，数据可视化是商业智能大数据分析的重要组成部分。
通过图表、图形和仪表板等形式，企业可以将复杂的数据分析结果直观地展示给决策者。
这不仅提高了决策的效率，也使得非技术人员能够更好地理解数据。
最后，商业智能大数据分析的实施需要跨部门的协作。
从IT部门到业务部门，每个团队都需要参与到数据分析的过程中，确保数据分析能够满足企业的实际需求。
综上所述，商业智能大数据分析是一个复杂的过程，它涉及到数据的收集、存储、清洗、挖掘和可视化等多个环节。
通过有效的商业智能大数据分析，企业可以更好地理解市场动态，优化业务流程，提高竞争力。
随着技术的不断进步，商业智能大数据分析将继续在商业决策中发挥重要作用。
数据分析与商业智能培训
总结与展望
商业智能发展趋势
01
随着人工智能、云计算和物联网等技术的不断发展，商业智能
将变得更加智能化、实时化和精细化。
未来挑战与机遇
02
未来商业智能发展面临着数据安全、隐私保护和技术标准等挑
战，但同时也带来了更多的创新和应用机遇。
企业应对策略
03
企业需要积极拥抱新技术，加强数据安全和隐私保护，培养专
的数据分析和推荐服务。
云计算对商业智能影响和挑战
数据存储和处理能力
云计算提供了大规模的数据存储和处理能力，使得商业智能系统 可以处理更大量的数据，提供更深入的分析和洞察。
灵活性和可扩展性
云计算的灵活性和可扩展性使得商业智能系统可以根据业务需求进 行快速调整和扩展。
数据安全和隐私保护
云计算的使用也带来了数据安全和隐私保护的问题，需要采取额外 的安全措施来保护敏感数据。
大数据对商业智能影响和挑战
影响
大数据为商业智能提供了更广泛、更深入的数据来源，使得商业智能分析更加 全面、准确。同时，大数据处理技术也提高了商业智能的处理效率和分析能力 。
挑战
大数据的复杂性和不确定性给商业智能带来了挑战，包括数据清洗、整合、存 储、处理和分析等方面的难度增加。此外，大数据的隐私和安全问题也是商业 智能需要面对的挑战。
发现数据项之间在时间或其他序列 上的有趣关联，如用户行为分析中 的连续事件序列。
应用场景
市场篮子分析、用户行为分析、网 络安全等。
分类与预测模型构建
分类模型
通过对已知类别的数据进行学习，预测新数 据的类别。
常用方法
决策树、逻辑回归、支持向量机、随机森林 等。
预测模型
通过对历史数据进行学习，预测未来数据的 趋势和结果。
商业智能系统的数据分析和应用
商业智能系统的数据分析和应用随着市场竞争加剧和市场营销环境的复杂性增加，企业需要通过各种手段来提高其竞争力和利润空间。
商业智能系统，即BI系统，是一种通过数据挖掘和数据分析来提高企业决策能力和效率的工具。
本文将讨论商业智能系统的数据分析和应用。
一、商业智能系统的数据分析商业智能系统通过数据分析来揭示数据背后的信息，为企业提供有关业务运营和市场趋势的见解。
商业智能系统自身无法产生决策，但是它可以向企业决策者提供支持和判断依据。
1. 数据仓库商业智能系统的数据仓库是业务数据的集合，可供分析师、数据挖掘专家和企业决策者使用。
数据仓库的结构与操作方式通常为星形或雪花形式，基本上是所有数据的汇总。
数据仓库可以跨越多个应用程序和数据库，为企业提供全面、准确和及时的数据。
2. 数据挖掘数据挖掘是商业智能系统的关键技术。
它是通过分析模式、建立预测模型和发现规律等手段，对数据进行系统研究和探索。
数据挖掘可以帮助企业发现隐藏在数据背后的信息，从而提高决策能力和效率。
3. 数据可视化商业智能系统通过数据可视化将数据转化为可读易懂的格式，包括表格、图表和地图等。
数据可视化为企业提供了更清晰的数据见解，帮助企业决策者更好地理解和应用数据。
二、商业智能系统的应用商业智能系统适用于各种业务领域，包括金融、零售、医疗、教育等。
它可以用于许多不同的应用程序，如营销、库存、客户服务、生产和财务等。
以下是一些商业智能系统的应用案例。
1. 营销商业智能系统可以帮助企业评估市场趋势、了解竞争对手、分析客户需求和优化定价策略。
通过使用商业智能系统，企业可以更好地了解客户行为和偏好，从而更好地定位市场和调整营销策略。
2. 库存商业智能系统可以提供库存分析，以帮助企业优化库存管理。
它可以跟踪库存、采购和销售信息，从而提高库存周转率、减少库存成本和最大程度地满足客户需求。
3. 客户服务商业智能系统可以帮助企业提高客户服务质量。
它可以分析客户满意度、客户投诉和客户反馈等信息，从而提供更好的客户服务体验，促进客户忠诚度和增加销售额。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第1章商业智能：数据分析基础本章目标：●理解商业智能系统的用途和结构●理解多维数据分析的概念●学习如何使用数据仓库实现维度数据模型●学习如何使用分析服务实现维度数据模型1.1 商业智能简介商业智能(Business Intelligence，BI)是从一个公司的运行系统或外部资源所包含的数据中获得的信息。
商业智能有助于我们更好更快地做出决策。
假设你现在是一家新创公司的总经理，公司名为Adventure Works Cycles(下文简称AWC公司)，面向北美、欧洲以及亚洲制造和销售自行车、自行车部件、运动服饰和相关配件。
AWC公司需要发展，可目前有限的资源无法支撑其壮大。
但是为了公司的发展你必须做出决策，而为了做出合理的决策，你需要一些特殊的信息。
你可能会阅读《华尔街日报》来把握最新的商业趋势，或者在收藏夹中保存网站的书签。
所有这些信息以及你积累的经验会让你做出一个主观的、凭直觉的(gut-feeling)决策。
但事实上，你可能希望自己的决定是客观的、有数据支撑的。
需要的数据包括公司的订单处理、会计报表、人力资源以及其他的商业系统。
同时还需要一个由第三方提供的市场预测数据和汇率信息。
这时，需要一个能将所有这些信息汇总起来供今后使用的工具，这个工具就是商业智能系统。
商业智能系统是一种解决方案，它能从多个数据源收集数据，将各种数据进行转化使之一致并能存储在同一个位置，为你进行分析和制定决策提供数据支持。
商业智能系统至多由以下五层组成：(1) 数据源层(2) 数据转换层(3) 数据存取层(4) 分析层(5) 表示层数据源层包含的数据有：①维护公司日常运作的系统中的数据，包括文本文件、Excel电子表格文件或Access数据库文件中的数据；②从外部源中获取的数据。
由于这些数据从不同的数据源中获得，因此很难直接利用它们创建报表和进行分析。
数据转换层用于从不同数据源提取数据，修改数据使其内部一致，并将修改后的数据载入数据存储系统。
数据存取层是在关系数据库管理系统(RDBMS)中创建的数据仓库。
数据仓库是一个记录系统，包含了公司中可信的数据。
成熟的企业数据仓库包含了与该企业相关的所有数据。
数据仓库繁忙而复杂，数据每月、每周、每日或者以更频繁的频率被装载进来，日夜不停地进行报表生成和分析查询。
为了减小数据仓库的压力，同时简化用户的访问，同一个主题(individual subject area)的有关数据被提取出来，进行汇总并装载入数据集市(data mart)。
数据集市可以是关系型数据库，也可以是联机分析处理(OLAP)数据库。
本书讨论的分析服务正是多维联机分析处理数据库的一个例子。
商业智能系统中的分析层用于把数据(data)转化成信息(information)，并且向决策者提供了一个便捷的访问渠道。
多维联机分析处理数据库构成了商业智能系统的分析层。
当详细信息从数据仓库装载到多维联机处理数据库时，汇总信息已经被预先计算了。
由于汇总信息存储在数据库中，报表和分析请求能被很快执行。
当数据装载到多维联机分析处理数据库时，元数据(metadata)被加入数据中。
元数据是关于数据的数据。
在联机分析处理数据库中，元数据包括数据中的关系和层次结构，数据是如何被分类和汇总的以及数据应该如何进行格式化以便于展示。
元数据让联机分析处理数据库中的数据变成了信息。
而复杂的计算能在联机分析处理数据库中被创建和存储。
这将使信息访问变得非常容易，因为相关用户不必重复地创建各种复杂的计算，并且公司中的所有人都可以使用准确且统一的计算公式。
报表及可视化工具构成了商业智能系统中的表示层。
表示层中的应用程序能查询数据仓库、数据集市或多维联机分析处理数据库，并将数据表示为各种不同的格式。
商业智能系统可以将报表发送到外部的销售人员和配送人员的移动电话上，来指示他们每天的工作。
分析工作流图说明了复杂的商业处理过程，图上每个节点提供了决策者所需的信息以便其能做出高价值(high-valued)的决策。
交互式分析报表利用其“切片和切块”、深入分析功能和多维数据的可视化技术帮助管理者和分析员找出问题所在，从而找到必要的信息，帮助公司更有效地运行并充分地利用新的机会。
仪表板报表提供了关键绩效指标(KPI)，使管理人员能够快速地判断当前公司是否按照其战略目标在运行。
对商业智能系统的具体组成我们不必教条。
商业智能系统可以由上面提到的全部或部分层组成。
例如，要在一个准实时的监控系统中使用分析服务，我们可以每隔几分钟直接将数据从制造系统控制数据库载入多维OLAP数据库。
接着，商业智能系统的表示层从分析服务中读取数据并以图表的形式将生产线上每台机器的情况显示出来，并通过与其长期平均运行状况比较，来判断目前运行情况的好坏。
在这个商业智能系统中没有数据仓库，同时数据转换层和分析层被结合了起来。
商业智能系统的复杂程度并不重要，重要的是在需要的时候，它能提供与决策相关的信息，这些信息应该易于理解，有说服力，可靠，同时应能够快速方便地访问和操作。
1.2 多维数据分析我们使用商业智能系统来进行多维数据分析。
不要被多维数据分析这个术语吓到。
其实我们进行多维数据分析已经有一段时间了。
你可能曾经读过按各个不同属性显示数值的报表(例如按客户细分按月来做的调查)，这就是多维数据分析。
在这种情况下，客户细分和月份都是用于分析调查数据的维度。
在本小节中，我们将学习多维数据分析中的一些概念，如属性、层次结构和维度，为第2章的学习做准备。
在第2章中，我们将学习多维OLAP数据库以及分析服务的独特优势。
1.2.1 数据分析中的属性为了帮助你理解属性和层次结构的概念，设想这样的场景，你是AWC公司的总经理，希望更多地了解公司的业绩，于是从业务分析员处获得了如表1.1所示的一份报表。
表1.1 AWC公司业绩42看到这个表格后你可能会发懵。
的确，这应该是某个问题的答案，但是这是什么问题？这份报表没有意义。
没有上下文的数字可能是数据，但不是信息。
在商业智能中，用来监控公司运行的可概括的数值被称作度量值(measure)。
在寻找数字信息的过程中，首先要做的就是确定所需要的度量值。
度量值可以是“销售额”(Sales Dollars)、“发货量”(Shipment Units)、“每小时残次品数”(Defects Per Hour)或“广告战的效果”(Ad Campaign Response)等。
我们来看一下AWC公司的销售报告，如表1.2所示。
表1.2AWC公司销售报表销售量70通过增加标签，数字从数据变成了信息。
我们从中可以知道，70代表了销售量。
这个标签就是元数据(metadata)，即关于数据的数据。
商业智能应用程序将数据转换成信息的方式之一是通过增加元数据。
只看单个数据，我们并不能得到许多信息，因此我们希望将数据打散使其包含更多的信息。
例如，要知道公司在一段时间内的业绩如何，就需要如表1.3所示的月度分析报表。
表1.3 AWC公司月度分析报表2011年1月2011年2月2011年3月2011年4月4 14 27 25由于有更多的元数据，我们获得了更多的信息。
每个销售量的一个属性是该销售发生的月份。
公司已经运作了4个月，因此在表的最上方一行是月份的属性标签。
值得注意的是，月份标签是按时间顺序排列的，而不是按字母顺序或随机排列的。
报表中属性标签出现的顺序也是元数据，这对于帮助了解公司在一段时间内的业绩至关重要。
你可能对前面的月度报表还不满意，因为公司不止销售一种产品。
每种产品在各个时间段表现如何呢？此时需要如表1.4所示的按照不同产品和月份生成的一份新报表。
表1.4 AWC公司按产品和月份列出的销售报表产品2011年1月2011年2月2011年3月2011年4月Mountain-500 Black,40 1 3 1 2Mountain-500 Black,44 2 1Mountain-500 Black,48 1 2 1Mountain-500 Silver,40 1 2 1Mountain-500 Silver,44 1 1 1Mountain-500 Silver,48 2Road-750 Black,44 10 7Road-750 Black,48 5 9Hitch Rack 1 6 6 3由于有更多的元数据，我们现在获得了更多的信息。
每个销售量的值都有两个属性：特定的月份和特定的产品。
公司总共生产三种产品模型，由于尺寸和颜色的不同，共有9种不同的产品。
因此，报表左列共有9个属性标签，分别对应每一种产品。
表1.4显示了AWC公司详细的销售数据，由于AWC是家小公司，我们可以很容易通过查看类似于表1.4的报表来了解AWC公司的业务情况。
然而，随着AWC公司的壮大，开始生产更多的产品，类似于表1.4的报表会逐渐增长到数页。
这种包含许多细节的行的报表会使我们难以了解公司的发展趋势。
心理学研究表明：大多数的人能够理解7个或7组项目，因此过多的细节会使管理者了解公司业绩变得非常困难。
研究还表明，人们通过分组(聚合)来处理过多的细节。
随着AWC公司的壮大，我们希望将日益增加的单个产品信息以模型、子类、类别来进行分组，理想的情况下，每组包含7件产品。
通过寻找共有属性，可以创建产品分组。
如表1.5所示，可以将产品名按照模型名、颜色和尺寸属性进行划分。
表1.5 产品属性产品模型颜色尺寸Mountain-500 Black,40 Mountain-500 黑色40Mountain-500 Black,44 Mountain-500 黑色44Mountain-500 Black,48 Mountain-500 黑色48Mountain-500 Silver,40 Mountain-500 银色40Mountain-500 Silver,44 Mountain-500 银色44Mountain-500 Silver,48 Mountain-500 银色48Road-750 Black,44 Road-750 黑色44续表产品模型颜色尺寸Road-750 Black,48 Road-750 黑色48Hitch Rack Hitch Rack我们得到了三个额外的产品属性标签列表，可以据此在报表中创建分组。
由于“属性标签列表”这个表达过于繁琐，商业智能从业者就将每一个属性标签列表称为属性。
由于每一属性标签列的标签都相互关联并属于一个相同的属性，这些标签被称为成员。
例如，“模型”属性有三个成员：Hitch Rack、Mountain-500和Road-750；而“颜色”属性具有两个成员：Black和Silver。
“产品”属性被称作关键属性。
关键属性唯一地确定了成员的所有其他属性。