OLAP工具 商务智能
《商务智能方法与应用》教学大纲
商务智能方法与应用（含实验）（）教学大纲（2018版）曙光瑞翼教育2018年8月前言一、大纲编写依据《商务智能方法与应用》是高校面向全校的公选课，是一门理论结合实践，专业性并不强的大数据相关课程。
通过该课程的学习，培养学生设计和使用商务智能相关技术的能力，熟悉商务智能的基本概念及构成，重点掌握商务智能在各个领域的应用，以及如何进行建立数据仓库、如何进行在线分析处理、如何实现数据挖掘与数据可视化。
通过这一系类的技术如何帮助决策者进行决策。
二、课程目的1、知识目标本课程目的是通过讲授及有关讨论使学生掌握在当今商务环境下如何整合和优化企业的信息资源，充分发挥企业的“知识资本”优势，将信息转换成企业智能，并进一步转换为企业利润。
通过本课程的学习及讨论，将培养学生如何整合企业内部资源并部署实施商务智能战略的能力。
主要重点在于大数据行业内的商务智能工具的应用以及行业实践。
2、能力目标(1) 实践能力通过本课程的学习，对学生进行实践技能的训练，巩固其在课堂上所学书本知识，加深对商务智能的基本概念、基本原理和分析方法的理解，掌握商务智能的核心技术与工具，并能运用典型的商务智能工具处理、解决一些实际问题。
同时，通过实践教学活动，拓宽学生的知识领域，锻炼学生的实践技能，培养科学严谨、求真务实的工作作风。
(2) 创新能力通过使用商务智能原理与应用的学习，从数据采集、数据分析、数据挖掘、数据可视化的工作原理与应用等方面，使学生具备一定的使用商务智能主流工具进行数据分析的能力。
三、教学方法1、课堂教学(1) 讲授本课程的教学内容以讲授为主，讲授的主要内容有商务智能关键技术：数据仓库、在线分析处理、维度建模。
根据教学大纲的要求，突出重点和难点。
(2) 教师指导下的学生自学指导学生自主学习商务智能相关技术与主流商务智能相关工具。
教师通过给出一些相关的实例程序帮助学生理解和进行方案设计，并布置相应的上机习题让学生进行练习。
(3) 其它教学方法采用多媒体辅助教学手段，结合传统教学方法，解决好教学内容多、信息量大与学时少的矛盾；充分利用学校的图书馆的资源优势，查阅与课程相关的资料；通过布置课程设计来提高学生的综合处理问题的能力和软件开发的能力。
BI的价值
方法
时间周期 投资 对用户需求
多
短 少 低 较长 较大 较高
原型法
很长（5－10年） 很大 很高 22
ODS应用举例
管理系统 所有业务系统的批量数据 ETL到ODS 所有业务系统的实时数据 均由EAI转发
ODS EAI ACRM DW ECIF OCRM 风险管理
ODS仅和EAI发生实时数据 交换，且这些数据主要是 生产系统 OCRM等管理系统进行实时 数据同步
常常被作为数据仓库的过渡，也是数据仓库项目的可选
项之一。
19
为什么需要有一个ODS系统
在业务系统和数据仓库之间形成一个隔离层。
一般的数据仓库应用系统都具有非常复 转移一部分业务系统细节查询的功能。
杂的数据来源，这些数据存放在不同的地理 位置、不同的数据库、不同的应用之中，从 完成数据仓库中不能完成的一些功能。 这些业务系统对数据进行抽取并不是一件容 在数据仓库建立之前，大量的报表、分析是由业务 易的事。因此，ODS用于存放从业务系统 系统直接支持的，在一些比较复杂的报表生成过程中， 直接抽取出来的数据，这些数据从数据结构、 对业务系统的运行产生相当大的压力。 ODS的数据从粒DW层所存 一般来说，带有ODS的数据仓库体系结构中， 数据之间的逻辑关系上都与业务系统基本保 度、储的数据都是进行汇总过的数据和运营指标，并不存储每笔交 组织方式等各个方面都保持了与业务系统的一致， 持一致，因此在抽取过程中极大降低了数据 那么原来由业务系统产生的报表、细节数据的查询自然 易产生的细节数据，但是在某些特殊的应用中，可能需要对交 转化的复杂性，而主要关注数据抽取的接口、 能够从 ODS中进行，从而降低业务系统的查询压力。 易细节数据进行查询，这时就需要把细节数据查询的功能转移 数据量大小、抽取方式等方面的问题。 到ODS来完成，而且ODS的数据模型按照面向主题的方式进行 存储，可以方便地支持多维分析等查询功能。即数据仓库从宏 观角度满足企业的决策支持要求，而ODS层则从微观角度反映 细节交易数据或者低粒度的数据查询要求。
数据仓库、OLAP与数据挖掘关系概述
数据仓库、OLAP与数据挖掘关系概述 摘要：数据仓库、OLAP与数据挖掘是当今的技术热点，数据仓库是一种解决数据使用的高效技术，OLAP则将数据通过多维视角和多种层次向用户进行多方式的呈现，数据挖掘为之提供了更好的决策支持和服务，同时促进了数据仓库技术的发展，本文简单介绍了这三者的概念和应用。 关键词：数据仓库 OLAP 数据挖掘
一、数据仓库 数据仓库是一种资讯系统的资料储存理论，此理论强调利用某些特殊资料储存方式，让所包含的资料，特别有利于分析处理，以产生有价值的资讯并依此作决策。利用数据仓库方式所存放的资料，具有一但存入，便不随时间而更动的特性，同时存入的资料必定包含时间属性，通常一个数据仓库皆会含有大量的历史性资料，并利用特定分析方式，自其中发掘出特定资讯。 1.1 数据仓库的特征 （1）数据仓库的数据是面向主题的。主题是一个抽象的概念，是较高层次上企业信息系统中的数据综合、归类并进行分析利用的抽象。在逻辑意义上，它是对应企业中某一宏观分析领域所涉及的分析对象。面向主题的数据组织方式，就是在较高层次上对分析对象的数据的一个完整、一致的描述，能完整、统一地刻划各个分析对象所涉及的企业的各项数据，以及数据之间的联系。所谓较高层次是相对面向应用的数据组织方式而言的，是指按照主题进行数据组织的方式具有 更高的数据抽象级别。 （2）数据仓库的数据是集成的 。数据仓库的数据是从原有的分散的数据库数据抽取来的。数据仓库的每一个主题所对应的源数据在原有的各分散数据库中有许多重复和不一致的地方，且来源于不同的联机系统的数据都和不同的应用逻辑捆绑在一起；数据仓库中的综合数据不能从原有的数据库系统直接得到。因此在数据进入数据仓库之前，必然要经过统一与综合，这一步是数据仓库建设中最关键、最复杂的一步。 （3）数据仓库的数据是不可更新的。数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一般情况下并不进行修改操作。数据仓库的数据反映的是一段相当长的时间内历史数据的内容，是不同时点的数据库快照的集合，以及基于这些快照进行统计、综合和重组的导出数据，而不是联机处理的数据。 （4）数据仓库的数据是随时间不断变化的。数据仓库的用户进行分析处理时是不进行数据更新操作的。但并不是说，在从数据集成输入数据仓库开始到最终被删除的整个数据生存周期中，所有的数据仓库数据都是永远不变的。 1.2 数据仓库的类型 数据仓库的类型根据数据仓库的数据类型和它们所解决的企业问题范围，一般可将数据仓库分为下列3种类型：企业数据仓库（EDW）、操作型数据库（ODS）和数据集市（Data Marts）。 （1）企业数据仓库为通用数据仓库，它既含有大量详细的数据，也含有大量累赘的或聚集的数据，这些数据具有不易改变性和面向历史性。此种数据仓库被采用进行涵盖多种企业领域上的战略或战术上的决策。 （2）操作型数据库既可以被用来针对工作数据做决策支持，又可用做将数据加载到数据仓库时的过度区域。与EDW相比，ODS是面向主题和面向综合的，易变的，仅含有目前的、详细的数据，不含有累计的、历史性的数据。 （3）数据集市是为了特定的应用目的或应用范围，从而数据仓库中独立出来的一部分数据，也可称为部门数据或主题数据。几组数据集市可以组成一个EDW。 二、OLAP技术 联机分析处理（On-Line Analytical Processing，简称OLAP），是一套以多维度方式分析数据，而能弹性地提供积存上钻（Roll-up）、下钻（Drill-down）、和透视分析（pivot）等操作，呈现集成性决策信息的方法，多用于决策支持系统、商务智能或数据仓库。其主要的功能，在于方便大规模数据分析及统计计算，对决策提供参考和支持。与之相区别的是联机交易处理（OLTP）。 OLAP需以大量历史数据为基础配合上时间点的差异并对多维度及汇整型的信息进行复杂的分析。OLAP需要用户有主观的信息需求定义，因此系统效率较佳。 在实际应用中用广义和狭义两种不同的理解。广义上的理解与字面意思相同，即针对于OLTP而言，泛指一切不对数据进行输入等事务性处理，而基于已有数据进行分析的方法。但更多的情况下OLAP是被理解为其狭义上的含义，即与多维分析相关，基于立方体（CUBE）计算而进行的分析。 2.1 OLAP的多维分析特性 OLAP具有两个重要的特点：一是在线性，体现为对用户请求的快速响应和交互式操作；二是多维分析，也就是说，OLAP展现在用户面前的是一个多维视图，使用者可以对其进行各种多维分析操作。下面我们具体介绍OLAP的多维分析特性。 在实际的决策制定过程中，决策者需要的不是某一指标单一的值，而是希望从多个角度或者从不同的考察范围来观察某一指标或多个指标，通过分析对比，从而找出这些指标间隐藏的内在关系，并预测这些指标的发展趋势，即决策所需的数据总是和一些分析角度和分析指标有关。OLAP的主要工作就是将数据仓库中的数据转换到多维数据结构中，并且对上述多维数据结构执行有效且非常复杂的多维查询。 2.2 OLAP的多维分析操作 多维分析操作是指对以多维形式组织起来的数据采取切片、切块、旋转等各种分析操作，以求剖析数据、使最终用户能从多个角度、多个侧面去观察数据库中的数据、从而深入地了解包含在数据中的信息、内涵。多维分析的基本操作有： （1）切片操作：是在给定的多维数据集的某一个维上选定一维成员，从而得到一个多维数据子集的动作。如果有（维1，维2，„„，维i，„„，维n，度量）多维数据集，对维i选定了某个维成员，那么（维1，维2，„„，维i成员，„„，维n，度量）就是多维数据集（维1，维2，„„，维i，„„，维n，度量）在维i上的一个切片。 （2）切块操作：在多维数据集的某一维上选定某一区间的维成员的操作称为切块，即限制多维数据集的某一维的取值区间。 （3）旋转是一种目视操作，它转动多维数据集的视角，提供数据的替代表示。旋转操作可以将多维数据集的不同维进行交换显示，从而使用户更加直观地观察数据集中不同维之间的关系。 （4）钻取分为向下钻取和向上钻取。下钻操作是由不太详细的高层次汇总数据分解为更详细的低层次数据。上钻是下钻的逆操作，它是通过一个维的概念分层向上攀升，或者通过维归约，在多维数据集上进行聚集。 （5）在OLAP分析操作中，还有“钻过”（drill-across）和“钻透”（drill-through）等。“钻过”涉及多个事实表的查询；“钻透”操作使用关系SQL机制，钻到多维数据集的底层，到后端关系表。 （6）其它的OLAP操作还包括计算统计表中的最高或最低N项、平均值、移动平均值、增长率、各类百分比等。 三、数据挖掘 数据挖掘（Data mining），又译为资料探勘、数据挖掘、数据采矿。它是数据库知识发现（Knowledge-Discovery in Databases，缩写：KDD）中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性（属于Association rule learning）的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。 3.1 数据挖掘与传统数据分析的区别 数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先未知，有效和可实用三个特征。先前未知的信息是指该信息是预先未曾预料到的，既数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。在商业应用中最典型的例子就是一家连锁店通过数据挖掘发现了小孩尿布和啤酒之间有着惊人的联系。 尽管通常数据挖掘应用于数据分析，但是像人工智能一样，它也是一个具有丰富含义的词汇，可用于不同的领域。 它与KDD的关系是：KDD是从数据中辨别有效的、新颖的、潜在有用的、最终可理解的模式的过程；而数据挖掘是KDD通过特定的算法在可接受的计算效率限制内生成特定模式的一个步骤。 3.2 数据挖掘的分析方法 数据挖掘利用的技术越多，得出的结果精确性就越高。原因很简单，对于某一种技术不适用的问题，其它方法即可能奏效，这主要取决于问题的类型以及数据的类型和规模。数据挖掘方法有多种，其中比较典型的有关联分析、序列模式分析、分类分析、聚类分析等。 （1）关联分析，即利用关联规则进行数据挖掘。在数据挖掘研究领域，对于关联分析的研究开展得比较深入，人们提出了多种关联规则的挖掘算法，如APRIORI、STEM、AIS、DHP等算法。关联分析的目的是挖掘隐藏在数据间的相互关系，它能发现数据库中形如“90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。 （2）序列模式分析和关联分析相似，其目的也是为了挖掘数据之间的联系，但序列模式分析的侧重点在于分析数据间的前后序列关系。它能发现数据库中形如“在某一段时间内，顾客购买商品A，接着购买商品B，而后购买商品C，即序列A→B→C出现的频度较高”之类的知识，序列模式分析描述的问题是:在给定交易序列数据库中，每个序列是按照交易时间排列的一组交易集，挖掘序列函数作用在这个交易序列数据库上，返回该数据库中出现的高频序列。 （3）分类分析，设有一个数据库和一组具有不同特征的标记，该数据库中的每一个记录都赋予一个类别的标记，这样的数据库称为示例数据库或训练集。分类分析就是通过分析示例数据库中的数据，为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其它数据库中的记录进行分类。目前已有多种分类分析模型得到应用，其中几种典型模型是线性回归模型、决策树模型、基本规则模型和神经网络模型。 （4） 聚类分析与分类分析不同，聚类分析输入的是一组未分类记录，并且这些记录应分成几类事先也不知道。聚类分析就是通过分析数据库中的记录数据，根据一定的分类规则，合理地划分记录集合，确定每个记录所在类别。它所采用的分类规则是由聚类分析工具决定的。聚类分析的方法很多，其中包括系统聚类法、分解法、加入法、动态聚类法、模糊聚类法、运筹方法等。采用不同的聚类方法，对于相同的记录集合可能有不同的划分结果。 四、 数据仓库、OLAP与数据挖掘的关系 数据仓库将来自于各种数据源的数据，根据不同的主题进行存储，并对原始数据进行抽取、转换和加载等一系列筛选和清理工作。OLAP则将数据通过多维视角和多种层次向用户进行多方式的呈现。数据挖掘则应用不同的算法，向用户揭示数据间的规律性，从而辅助商业决策。
《商务智能方法与应用》教学大纲
商务智能方法与应用（含实验）（）教学大纲（2018版）曙光瑞翼教育2018年8月前言一、大纲编写依据《商务智能方法与应用》是高校面向全校的公选课，是一门理论结合实践，专业性并不强的大数据相关课程。
通过该课程的学习，培养学生设计和使用商务智能相关技术的能力，熟悉商务智能的基本概念及构成，重点掌握商务智能在各个领域的应用，以及如何进行建立数据仓库、如何进行在线分析处理、如何实现数据挖掘与数据可视化。
通过这一系类的技术如何帮助决策者进行决策。
二、课程目的1、知识目标本课程目的是通过讲授及有关讨论使学生掌握在当今商务环境下如何整合和优化企业的信息资源，充分发挥企业的“知识资本”优势，将信息转换成企业智能，并进一步转换为企业利润。
通过本课程的学习及讨论，将培养学生如何整合企业内部资源并部署实施商务智能战略的能力。
主要重点在于大数据行业内的商务智能工具的应用以及行业实践。
2、能力目标(1) 实践能力通过本课程的学习，对学生进行实践技能的训练，巩固其在课堂上所学书本知识，加深对商务智能的基本概念、基本原理和分析方法的理解，掌握商务智能的核心技术与工具，并能运用典型的商务智能工具处理、解决一些实际问题。
同时，通过实践教学活动，拓宽学生的知识领域，锻炼学生的实践技能，培养科学严谨、求真务实的工作作风。
(2) 创新能力通过使用商务智能原理与应用的学习，从数据采集、数据分析、数据挖掘、数据可视化的工作原理与应用等方面，使学生具备一定的使用商务智能主流工具进行数据分析的能力。
三、教学方法1、课堂教学(1) 讲授本课程的教学内容以讲授为主，讲授的主要内容有商务智能关键技术：数据仓库、在线分析处理、维度建模。
根据教学大纲的要求，突出重点和难点。
(2) 教师指导下的学生自学指导学生自主学习商务智能相关技术与主流商务智能相关工具。
教师通过给出一些相关的实例程序帮助学生理解和进行方案设计，并布置相应的上机习题让学生进行练习。
(3) 其它教学方法采用多媒体辅助教学手段，结合传统教学方法，解决好教学内容多、信息量大与学时少的矛盾；充分利用学校的图书馆的资源优势，查阅与课程相关的资料；通过布置课程设计来提高学生的综合处理问题的能力和软件开发的能力。
BI基础概念培训.ppt
•
北京市管委IT状况
• 应急事件处理数据
•
• •
基础地理信息数据
视频监控数据 城管通平台数据
应急事件处理 数据
基础地 理信息 数据
视频监控数 据
城管通平台 数据
•
• •
井盖数据
市政设施数据 环卫信息数据
环卫信息数据 户外广告数 据
?
井盖数据
市政设施数 据
•
•
户外广告数据
… …
为什么我们需要商务智能？
为什么我们需要商务智能？
• 在过去的几十年里，各种机构已经花费了大量的财力和资 源去构建联机事务处理系统(OLTP)和资源计划系统(ERP)等各 种系统.不断累计的信息和存储在数据仓库中的数据达到了 令人惊讶的规模。 当这些系统极大地改善了信息的自动处理能力时，也造就 了很多“信息孤岛”(information silos)------大量只有很有限 的获取和分析能力的数据。一项IBM的调查表明，大部分机 构只利用了其存储信息的2%--4%。
市场份额主要由国际BI厂商占领
为什么我们需要商务智能？
• 我们在未来的三年中将会制造出比过去三十万年更多的数据资 料！！！ －－－－－－加州大学信息管理学院 <<商业周刊>>统计,54%的人认为很难找到他们想得到的信息. 43%的人认为不知道这些内部的信息是否正确. 77%的人认为由于信息的缺乏,很多决定是不正确 的. 61%的人认为50%的决定是拍脑袋来的.
– 面向的是数据，不是过程 – 使用通用的分析方法和模型
• 不局限于特定的使用人
– Information worker、Knowledge Worker – 领导层和决策层 – 任何其他需要使用数据和报表的人
SAP_BO_BW相关技术介绍
加强业务运营管理、协助形成经营决策、支持企业战略目标
Information Technology
目录
SAP BO与BW简介
商务智能平台 – Business Objects Enterprise 动态交互分析工具-SAP BO CX(Xcelsius、Dashboard) 企业级报表工具-SAP BO CR(Crystal Report) 查询分析工具-Web Intelligence
概述
信息对象组（InfoObject Catalog） 特性Characteristic 关键值Key figures 单位（Unit） 时间特性（Time Characteristic）
PSA(Persistent Staging Area,持续中转区) ODS（Operational Data Store，运营数据存储） DSO（Data Store Object，数据存储对象） 信息立方体（InfoCube） 多信息提供者Multi Provider 信息集InfoSet 虚拟提供者（Virtual Provider） 信息源InfoSource
SAP BW/BO Universe BO Data Service BW InfoSource / DataSource BW ETL OLAP的多维数据分析
加强业务运营管理、协助形成经营决策、支持企业战略目标
Information Technology
商务智能平台 – Business Objects Enterprise
SAP BW/BO Universe BO Data Service BW InfoSource / DataSource BW ETL OLAP的多维数据分析
主流商务智能软件分析
根据 ＯＬ Ｐ分类 ， Ａ 可将 Ｂ 工具分为两大类 ： Ｉ 第一类基于
Ｒ ）Ａ ， （Ｌ Ｐ 代表 产 品 提 供 商 有 Ｍｉ ｏ ｔ ｔ ｙ 美 国 ） Ｂ ｓ ｅｓ ｃ Ｓｒ ｅ （ ｒ ａｇ 、 ｕｉ ｓ ｎ
一
２ 商 务 智 能软 件 分 类
商务智能的过程 是企业 的决策人 员 以数 据仓 库 为基
础 ， 由联 机分 析 处 理 （ Ａ Ｐ 工 具 、 据 挖 掘 工 具 加 上 决 经 ＯＩ ） 数
策规划人员的专业 知识 ， 从数据 中获得有用的信 息和知识 ， 帮助企业获 取利 润。ＯＬ Ｐ在 商务 智能 中扮 演 着重要 角 Ａ 色， 是数据仓库 系统 中重要 的一项应 用技术 。在 ＯＬ ＡＰ技 术发展过程 中， Ｃ ｄ 由 ｏ ｄ提 出 的 】ＯＬ ２ ＡＰ准则 ＿ 派生 了 两 １ 一 种 主要 的 ＯＬ ＡＰ流 派 ， 以关 系型 数据 库 为基础 的 Ｒ 即 Ｏ— Ｌ （ ＡＰ 关系型 ０Ｌ ） 术 和以 多维数据 库 为基 础的 ＭＯ ＡＰ 技 ～ Ｌ （ ＡＰ 多维 型 ＯＬ ） ＡＰ 技术 。
ｚ ｓ ｔ ｅ ｃ ｒ ｅ ｔｈ ｓｎ ｓ ｎ ｅ ｌ ｅ ｃ ｏ ｔ ｒ ，ｃ ｍｐ ｒ ｓ ｔ ｉ ｓ ｒ ａ ｒ ｐ ｅ ｅ ｔ ｔ ｅ Ｂ ｒ ｄ ｃ ｓ ａ ｄ ｄ ｓ ｕ ｓ ｓ ｈ ｗ Ｏ ｅ ｈ ｕ ｒ ｎ ｕ ｉ ｅ ｓ ｉ ｔ ｌ ｇ ｎ ｅ ｓ ｆｗａ ｅ ｏ ａ ｅ ＷＯ ｍａ ｎ ｔ ｅ ｍ ｅ ｒ ｓ ｎ ａ ｉ Ｉ ｐ ｏ ｕ ｔ ， ｎ ｉｃ ｓ ｅ ｏ ｔ ｉ ｖ ｃ ｒ ｅ ｔｙ ｃ ｏ ｓ ｈ ｒ ｐ ｒＢＩｔ ｏ ｓ ｔ ｕ ｔ ｎ ’ ｐ ｌ ａ ｉ ｎ ｏ ｒ ｃ ｌ ｈ ｏ ｅ ｔ ｅ ｐ ｏ ｅ ｏ ｌ Ｏ ｓ ｉ ｏ ｅ Ｓａ ｐ ｉ ｔ ． ｃ ｏ
BI的价值解析
4
商业智能是企业利用现代信息技术收集、管理和分析 结构化和非结构化的商务数据和信息，创造和累计商 务知识和见解，改善商务决策水平，采取有效的商务 行动，完善各种商务流程，提升各方面商务绩效，增 什么是 BI（商务智能） 强综合竞争力的智慧和能力。 是一个过程，是系统工程，是解决方案。 这一过程(也是庞大系统工程)中所涉及到的技术,工具, 管理,理念等等因素都可以纳入BI这个范畴。
OLAP
决策人员,高级管理人员 分析决策 面向主题 历史的, 聚集的, 多维的，集 成的, 统一的 读上百万条记录
工作单位
用户数
简单的事务
上千个
复杂的查询
上百个
DB 大小
100MB-GB
100GB-TB
14
数据仓库建模的基本概念
第三范式
维度
维度的粒度 维度的层次
事实
关系型建模
11
OLTP (on-line transaction processing) 联机事务处理
特点：事务驱动的，面向应用的，实时的。
它所擅长的就是处理当前实时的数据，实现企业业务 的计算机化，主要针对企业的业务人员。
是传统的关系型数据库的主要应用，主要是基本的、 日常的事务处理。
12
OLAP (Online Analytical Processing)
联机分析处理
它所擅长的是对企业的当前和历史数据进行分析，对 企业的状况进行分析，主要是针对企业管理人员 是数据仓库系统的主要应用，支持复杂的分析操作， 侧重决策支持，并且提供直观易懂的查询结果。
13
OLTP与OLAP特点比较
商业智能全面介绍
商业智能全面介绍王涛威商业智能的概念已经出现了十年以上了，但是关于商业智能的定义现在仍然不是很清晰，也有很多人对商业智能认识模糊。
本文对商业智能做了全方位的介绍，以期能让大家对商业智能有个全面的了解。
商业智能初体验一说起商业智能，大家都感觉很神秘、高深，其实在我们的生活中，随时都可能在使用商业智能产品或商业智能系统提供的服务。
比如我们搜索信息会使用的百度、谷歌的搜索引擎，这个搜索引擎就是商业智能。
我们在网上购物时购物网站会向我们推荐一些商品，这个推荐系统也是商业智能，其他包括天气预报、广告定投、超市布局、保险理赔防诈骗系统，这些都是商业智能。
2004年以来，商业智能每年都入选CIO最关心的十大内容之一，原因是企业经营过程中，决策失误的成本最高、风险最大。
商业智能发展历史商业智能有很多名称，它的曾用名包括但不限于以下几个：商务智能、决策支持、专家系统、营销系统。
决策支持系统（Decision Support System，简称DSS) 大致经历了这样几个发展历程：20世纪60年代后期，面向模型的DSS诞生，标志着决策支持系统这门学科的开端；20世纪70年代，DSS的理论得到长足发展，80年代前期和中期，实现了金融规划系统以及群体决策支持系统（Group DSS）；20世纪80年代中期，通过将DSS与知识系统相结合，提出发展了智能决策支持系统（IDSS）的设想;此后，开始出现了主管信息系统( executive information system，简称EIS) 、联机分析处理（OLAP）等；到了20世纪90年代中期，人们开始关注和开发基于Web的DSS，随着Internet的革命性发展和深入应用，基于分布式的、支持群体网络化和远程化协同的情报分析与综合决策支持系统逐步浮出水面并开始走向应用；随着人工智能技术的不断发展，DSS的智能化程度越来越高，对人们决策的支持能力也越来越强大。
商业智能定义常见定义方式一、根据技术定义商业智能系统涉及数据仓库、数据处理和展现三大技术领域。
商业智能论文
商业智能(-- --计算机学科前沿讲座论文)昆明理工大学信息院计算机应用技术专业：计算机应用技术2010/11信息技术的高速发展带来了企业利用信息技术提高本身竞争力的巨大空间：信息技术不但使企业获取需要的信息，而且，促进企业对信息的再利用，以此营造企业的竞争优势。
企业一直在寻找对商业智能的理解和实现的方式，以增强企业的竞争力。
早在80年代，当时“商业智能”的标准是能容易地获得想要的数据和信息。
90年代是商业智能真正起步的阶段。
到目前为止，关于BI还没有统一的定义，不同的人只是从不同的方面表达了对“商业智能”的理解。
早在90年代初，Garter Group的Howard Dresner把EUQR（终端查询和报表）、DSS、OLAP称为商业智能。
企业使用这些工具使企业获得的优势也被称为商业智能。
后来，出现了数据仓库、数据集市技术，以及与之相关的ETL（抽取，转换，上载）、数据清洗、数据挖掘、商业建模等，人们也将这些技术统归为商业智能的领域。
一、商业智能简介商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。
商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。
这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。
而商业智能能够辅助的业务经营决策既可以是作业层的，也可以是管理层和策略层的决策。
商业智能是对商业信息的搜集、管理和分析的过程，目的是使企业的各级决策者获得知识和洞察力，促使他们做出对企业更有利的决策。
商业智能系统从企业运作的日常数据中开发出结论性、基于事实和具有可实施性的信息，使企业管理者和决策者能以一种更清晰的角度看待业务数据，提高企业运作效率，增加利润并建立良好的客户关系，从而使企业能更快更容易地做出更好的商业决策，以最短的时间发现商业机会并捕捉商业机遇。
- 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)。
浏览分析数据
运用多维分析方法分析数据-上卷“借款日期”
浏览分析数据
运用多维分析方法分析数据 筛选“亏损”企业
浏览分析数据
运用多维分析方法分析数据-某个维度成员切片
浏览分析数据
运用多维分析方法分析数据-多个维度成员切块
10
SQL Server Analysis Services需要的软硬件环境
硬件/软件 计算机处理器
内存 (RAM)
要求 Intel 或兼容机（Pentium 133 MHz 或更高）
最小 32 MB（推荐 64 MB）
磁盘驱动器 硬盘空间
操作系统
CD-ROM 驱动器 50 – 90 MB（如果安装包括常用文件和示例在内的所有组件则需 130 MB）。
11
工具的安装
安装Analysis Services
12
实验：多维数据组织与分析（OLAP）
主要内容： （1）运用Analysis Server工具进行维度、度量 值以及多维数据集的创建（模拟案例）； （2）使用维度浏览器进行多维数据的查询、编辑 操作； （3）对多维数据集进行切片、切块、旋转、钻取 操作； （4）完成以上内容后，小组讨论课程大作业
16
参考：浏览分析数据
使用多维数 据集浏览器 查看数据
浏览分析数据
运用多维分析方法分析数据-转轴（更换查看多维数据集的视角）
浏览分析数据
运用多维分析方法分析数据-转轴（更换查看多维数据集的视角）
浏览分析数据
运用多维分 析方法分析 数据 -下钻“借款 日期”
客户端体系结构的核心是数据透视表服务 （PivotTable Service）。 它与Analysis服务器交互，并为访问服务 器端的OLAP数据的客户端应用提供基于 COM的接口。
8
Analysis Services 客户端的体系结构
当不能连接到 OLAP服务器时可以使用
当不能连接到 OLAP服务器或者OLEDB 数据源时可以使用
数据仓库与OLAP实践
2010-11-22
常用的服务器端分析工具
可以用作多维数据分析的服务器端工具很 多，其中常用的、功能比较强大的有： Microsoft公司的SQL Server Analysis Services（SQL Server分 析服务）； IBM公司的DB2 OLAP Server （OLAP服务器）。
13
实验：多维数据组织与分析（OLAP）
1.完成“快速入门” 2.完成“基本功能”的练习内容
14
实验：多维数据组织与分析（OLAP）
3.掌握存档、删除和还原数据库 4.请将文件备份在自己的U盘或信箱里，以便下次 上课继续使用。
15
要求： 完成实验报告 下课前交到指定文件夹（E:\11.22\电子0701 或 电子0702）
Microsoft Windows 2000 Server 或有 Service Pack 5 或更高版本的 Microsoft Windows NT Server 4.0。对于客户端计算机上的仅客户端组件，可以是： Windows 2000 Professional，Windows NT Workstation 4.0及Service Pack 5
2
SQL Server Analysis Services
Analysis Services提供了从数据仓库中 设计、构建及管理多维数据集的能力，同 时也可以让客户端取得OLAP数据。 我们从分析服务的特点、体系结构、存储 结构三个方面介绍分析服务。
3
1. 分析服务的特点
易用性； 灵活的数据存储模型； 伸缩性； 集成； 支持大量的API和函数； 分布式处理能力； 服务器端结构的高速缓存。
4
2．分析服务的体系结构
5
2.1服务器端体系结构
Analysis Services 提供服务器功能以创建和管理 OLAP 多维数据集及数据挖掘模型，并通过透视表服务为 客户端提供数据。 服务器端操作通常包括： 从关系数据库，通常是数据仓库，创建并处理多维数据 集。 以多维结构、关系数据库或二者的结合形式存储多维数 据集数据。 从多维数据集或关系数据库创建数据挖掘模型，通常是 在数据仓库中创建。 以多维结构、关系数据库或标准化 XML 格式的预测模 型标记语言 (PMML) 的形式存储数据挖掘模型的数据。
OLAP立方的 OLE DB 数据源
客户端应用
带OLAP和数据挖掘支持 的OLE DB 多维数据 文件
MOLAP
数据透视表服务 带OLAP扩展的ADO
多维数据
数据挖掘模 型的数据源
客户端应用
本地数据挖 掘模型
Analysis 服务器
9
数据透视表服务的功能
为所有客户端应用程序进行在线和离线分析提供统一的与 OLAP服务器的连接点。 作为服务提供支持使用关系型数据库创建的多维数据，实 现多维数据展示功能。 支持SQL子集，并能将查询结果以数据透视表的形式显 示出来。 支持MDX（多维表达式）。 支持在客户端直接从关系型数据源中创建本地多维数据。 支持客户端从存放在分析服务器上的数据挖掘模型建立本 地的数据挖掘模型。 支持用户从数据源下载数据，并以多维结构保存在本地， 以便进行离线分析。
6
Analysis Services的服务器端体系结构
微软管理控制台（MMC）
管理器中的 分析部件 企业管理 器
用户部件
Analysis Manager
用户应用
对象模型（决策支持对 象，DSO）
元数据
Analysis 服务器
数据源
数据透视表服务
多维数据集 挖掘 模型
客户端应用
7
2.2客户端体系结构
网络软件
联机产品 文档查看器 访问权限
Windows 2000、Windows NT 4.0、Windows 98 或 Windows 95 内置网络 软件，以及 TCP/IP（包含在 Windows 中）。
Microsoft Internet Explorer 5.0或更高版本 。在安装Internet Explorer 5.0之前须安装 Windows NT 4.0 Service Pack 5或更高版本。 若要安装用于分析服务器的服务，必须用管理员权限登录到该服务器。