SAP BI的介绍

数据仓库最根本的特点是物理地存放数据，而且这些数据不是最新的、专有的，而是来源于其它的数据库，它要建立在一个较全面和完善的信息应用的基础上，用于支持高层决策分析，而事务处理数据仓库在企业的信息环境中承担的是日常操作性的任务，数据仓库是数据库技术的一种新的应用，到目前为止，数据仓库还是常用数据库管理系统来管理其中的数据。
在采用“最小粒度原则”的同时，我们不必担心海量数据所带来的汇总分析效率问题，因为在后续建立多维分析模型（CUBE）的时候，我们会对数据提前进行汇总，从而保障产生分析结果的效率。
1
数据仓库是一个拥有自带数据库的系统，它从其他不同的系统中抽取数据来支持查询和分析。为了方便数据的检索和分析，我们需要一种特殊的数据库设计技术----星形模型。
数据仓库是一个面向主题的过程而操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织。主题是一个抽象的概念，是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息的系统相关。
SAP /I
如前边所述，SAP BI与BW的区别就是在于版本的问题，我们在介绍星状结构的时候你会发现二者在表的设计上可能发生了变化。但是在技术方面，BW的操作与BI的区别不是特别的大。只是我们在不同的版本上看到的界面不一致而已。所以如果大家看到关于BW的一些内容的时候也不要感到惊奇。
当出现BW与BI出现不一致的情况下，我会对二者进行比较，以方便大家的学习与操作。这里将包含概念的区分以及技术操作的变更。甚至会出现怎么将3.5版本的BW标准内容转换成7.0的BI内容。这些具体体现在技术的操作。
1.1
数据仓库（Data Warehouse DW）是为了便于多维分析和多角度展现而将数据按特定的模式进行存储所建立起来的关系型数据库，它的数据基于OLTP源系统。数据仓库中的数据是细节的、集成的、面向主题的，以OLAP系统的分析需求为目的。
数据仓库的架构模型包括了星型架构与雪花型架构两种模式。如图所示，星型架构的中间为事实表，四周为维度表，类似星星；而相比较而言，雪花型架构的中间为事实表，两边的维度表可以再有其关联子表，从而表达了清晰的维度层次关系。
1.2.2
在确定了主题以后，我们将考虑要分析的技术指标，诸如年销售额之类。它们一般为数值型数据。我们或者将该数据汇总，或者将该数据取次数、独立次数或取最大最小值等，这样的数据称为量度。
量度是要统计的指标，必须事先选择恰当，基于不同的量度可以进行复杂关键性能指标（KPI）等的设计和计算。
1.2.3
在确定了量度之后，我们要考虑到该量度的汇总情况和不同维度下量度的聚合情况。考虑到量度的聚合程度不同，我们将采用“最小粒度原则”，即将量度的粒度设置到最小。
目前，大家公认的数据仓库创始人是W.H.Inmon在他所著的《建立数据仓库》一书中对数据仓库所下的定义：数据仓库就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。数据仓库中的数据面向主题与传统的数据库面向应用相对应。主题是一个在较高层次将数据归类的标准，每一个主题对应一个宏观的分析领域。数据仓库的集成特性是指在数据进入数据仓库之前，必须进行数据加工和集成，这是建立数据仓库的关键步骤，首先要统一原始数据中的矛盾之处，还要将原始数据结构做成一个面向应用主题的转变，数据仓库的稳定性是指数据仓库反应的是历史数据的内容，而不是日常事务处理产生的数据，数据经加工和集成进入数据仓库后是很少修改或根本不修改的；数据仓库是不同时间的数据集合，它要求数据仓库中的数据保存时能满足进行决策分析的需要，而且数据仓库中的数据都要表明该数据的历史时期。
因此，在很多的场合，我们也把数据仓库系统成为“决策支持系统”。由于这些原因，数据仓库的用户不是类似银行柜员的终端操作人员，而是针对各个业务部门的用户和有关决策人员。因此，数据仓库的用户比传统的0LTP<OnLine Transaction Processing，联机事物处理>用户少的多。对于数据仓库而言，我们使用的是OLAP操作。这里又是与一般数据库的一个较大的区别。本章我们会涉及到对OLAP与OLTP的解释以及区别的介绍。
我们可以形象的将一个主题想象为一颗星星：统计数值型数据（量度）存在于星星中间的事实表；分析角度（维度）是星星的各个角；我们将通过维度的组合，来考察量度。那么，“某年某月某一地区的啤酒销售情况”这样一个主题，就要求我们通过时间和地区两个维度的组合，来考察销售情况这个量度。从而，不同的主题来源于数据仓库中的不同子集，我们可以称之为数据集市。数据集市体现了数据仓库某一方面的信息，多个数据集市构成了数据仓库。关于主题的介绍大家可以参考1.3小节。
这里解释一个目前对数据仓库某些认识上的误区。这个也是我在初学的时候犯下的错误。对数据仓库最大的误解就是，初学者把它当作一个现成、可以直接买来使用的产品。事实上，数据仓库和数据库不同，他不是现成的软件或者硬件产品。比较确切地说，数据仓库是一种解决方案，是对原始的操作数据进行各种处理并转换成有用信息的处理过程，用户可以通过分析这些信息，从而做出策略性的决策。
例如：假设目前的数据最小记录到秒，即数据库中记录了每一秒的交易额。那么，如果我们可以确认，在将来的分析需求中，时间只需要精确到天就可以的话，我们就可以在ETL处理过程中，按天来汇总数据，此时，数据仓库中量度的粒度就是“天”；反过来，如果我们不能确认将来的分析需求在时间上是否需要精确到秒，那么，我们就需要遵循“最小粒度原则”，在数据仓库的事实表中保留每一秒的数据，以便日后对“秒”进行分析。
从OLAP系统的分析需求和ETL的处理效率两方面来考虑：星型结构聚合快，分析效率高；而雪花型结构明确，便于与OLTP系统交互。因此，在实际项目中，我们将综合运用星型架构与雪花型架构来设计数据仓库。
1.2
1.2.1
即确定数据分析或前端展现的主题。例如：我们希望分析某年某月某一地区的啤酒销售情况，这就是一个主题。主题要体现出某一方面的各分析角度（维度）和统计数值型数据（量度）之间的关系，确定主题时要综合考虑。