1.什么是商業智能？

術語商業智能統稱為用于數據收集，集成，分析和可視化的工具和技術。我們從不同數據源收集的原始數據使用BI技術轉換為可理解的數據或有意義的信息。該信息通過查找趨勢和模式進行戰略性解釋，以便通過分析數據揭示的事實支持業務決策。

為簡化概念，我們從各種來源收集原始數據，并在商業智能工具的幫助下將其轉換為有意義的信息。我們可以將這些數據存儲在特定數據結構中的數據文件，數據庫，數據倉庫或數據湖中。從數據倉庫，我們可以以報表，查詢的形式檢索存儲的數據，制作儀表板進行數據分析。我們使用稱為ETL（Extract，Transform，Load）的過程來完成此操作。因此，企業高管可以在不同級別上使用提取，轉換和加載的數據。他利用這一點通過分析數據揭示的有用見解來吸取見解并為決策提供動力。

2.什么是數據倉庫？

數據倉庫是將數據存儲在數據倉庫中的過程，數據倉庫是遵循關系數據庫模型的數據庫。從不同的數據源中選擇數據，進行匯總，組織和管理，以便為分析和查詢提供有意義的數據洞察。處理和管理我們在企業級別使用的大量數據的整體方法。在這種有益健康的方法中，數據不僅僅是從數據源中獲取操作或事務任務，而是以我們用于分析和比較目的的某種方式進行轉換。

數據倉庫由其他幾個術語所知，如決策支持系統（DSS），執行信息系統，管理信息系統，商業智能解決方案，分析應用程序。我們將其稱為決策支持系統，因為它提供了有用的見解和模式，這些數據通過分析得出數據，從而使業務中的重要決策變得簡單和安全。因此，在幾乎所有企業中，數據倉庫都與操作數據庫分開維護。我們僅將其用于交易目的，這在目的上更客觀。

3.數據倉庫如何運作？

在正常操作數據庫中是完全標準化的數據或處于第三范式（3NF）。在3NF狀態中，數據庫中表的每個字段在功能上僅依賴于主鍵，并且不包含任何間接關聯。這意味著高度分支數據，因此在這種情況下獲取數據是一個緩慢的過程。在數據倉庫中，數據被去標準化，即它從3NF轉換為2NF，因此被稱為大數據。我們稱之為大數據，因為數據冗余增加，因此數據大小增加。創建數據倉庫的唯一目的是快速檢索已處理的數據。此外，提供總計數據，如總數，平均數，一般趨勢等，供企業分析和制定有利于其業務和行業運作的決策。

4.數據倉庫的組件

數據倉庫有幾個組件協同工作，使數據倉庫成為可能。

運營系統：這些是企業中不同的運營領域，它們有著獨特的目的，并為企業的正常運作做出貢獻。不同的操作系統可以是營銷，銷售，企業資源規劃（ERP）等。所有這些系統都有自己的規范化數據庫。

集成層：不得操縱操作系統中存在的規范化數據。相反，我們將數據復制到集成層暫存區域，在該區域中以特定方式操作和轉換它。完成的一項基本操作是將復制的數據轉換為單一的標準化格式，因為在操作系統中，數據不以相同的格式存在。例如，在數據字段中，數據可以在一個表中以磅為單位，在另一個表中以美元為單位。

數據倉庫：轉換后的標準化數據流入下一個元素，稱為數據倉庫，這是一個非常大的數據庫。因此，來自整個企業的數據存儲在該數據庫中以第二范式具有一定的統一格式和結構。

數據集市：這些是數據倉庫中特定于目的的子數據庫，僅包含整個大數據的某些部分。在每個數據集市中，只有那些對特定用途有用的數據可用，就像有不同的數據集市用于與營銷，財務，管理等相關的分析。這些數據庫中的每一個都不會彼此重合或共享他們的數據。在每個中執行的操作不會影響另一個。這使得從數據集市中獲取數據比從更大的數據倉庫中獲取數據要快得多。

數據倉庫中的數據集市

數據倉庫是一個綜合數據庫，因為它包含處理過的數據信息，可以直接由BI工具進行分析。與此相反，如果直接從數據源獲取原始數據，則可能會遇到數據格式不均勻，數據未結構化且未排序等問題。為了防止所有這些發生，數據倉庫充當原始數據庫和BI工具之間的中間數據源。數據倉庫合并從不同來源獲取的數據，并為分析提供結構和含義。它還有助于進行數據挖掘，即在給定數據中查找模式。

5.商業智能和數據倉庫

數據倉庫和商業智能通常齊頭并進，因為數據倉庫中提供的數據是商業智能工具使用的核心。億信BI，華為，Chartio，Looker等BI工具使用來自數據倉庫的數據，用于查詢，報告，分析和數據挖掘等目的。

在任何企業中，商業智能在其順利和具有成本效益的運作中發揮著核心作用。因此，BI有助于提高運營效率，包括ERP報告，KPI跟蹤，風險管理，產品盈利能力，成本核算，物流等。還有助于客戶互動，包括銷售分析，銷售預測，細分，活動策劃，客戶盈利能力等等

當用戶需要與查詢相關的數據時，例如訂單何時發貨？本月有多少產品X商品已售出？等等。使用在線事務處理從傳統數據庫中獲取數據使用（OLTP）。也就是說，當您需要數據作為直接問題或查詢的答案時，就會完成此類數據檢索。然而，如果您需要更多主觀和整體查詢的數據，例如影響訂單處理時間的因素，每個產品線對毛利等的貢獻，則使用數據倉庫。從我們之前的討論中，我們知道數據倉庫存儲已處理和聚合的數據，這些數據最適合用作上述主觀查詢的答案。商業智能工具需要來自數據倉庫的此類數據。數據通過在線分析處理（OLAP）傳輸。事實證明，數據倉庫和OLAP是使用OLTP的舊決策應用程序急需的跳轉。截至當時，數據質量較差，而非標準化格式的非結構化數據。也，分散的數據和從源頭檢索數據是一個緩慢的過程。因此，幾乎所有企業都轉而使用OLAP和數據倉庫模型。

6. 商業智能與數據倉庫的相關性

數據倉庫和BI的體系結構

第1步：從傳統數據，工作簿，Excel文件等數據源中提取原始數據。

步驟2?：合并并集成從不同數據源收集的原始數據，以存儲在稱為數據倉庫的特殊數據庫中。數據倉庫在概念上是一個數據庫，但實際上它是一個技術驅動的系統，它包含已處理的數據，元數據存儲庫等。我們從源獲取數據到數據倉庫的過程是ETL（Extract，Transform，加載）。這將從原始源中提取原始數據，以不同方式轉換或操作它，并將其加載到數據倉庫中。

步驟3?：如果您希望將數據倉庫中的數據用于特定目的（如市場營銷分析，財務分析等），則會創建數據倉庫的子集，稱為數據集市和數據立方體。從數據倉庫到數據集市的數據也通過ETL。

步驟4?：從數據倉庫和數據集市，數據被重定向到數據或OLAP多維數據集，這些多維數據集的數據已準備好供前端BI工具或客戶端使用。在前端，存在BI工具，例如查詢工具，報告，分析和數據挖掘。這些BI工具從OLAP多維數據集中查詢數據并將其用于分析。

7.當前的商業智能和數據倉庫方案

隨著技術的變化和隨著時間的推移而變得越來越好，數據倉庫的替代品也被引入市場。它們是數據湖，ELT流程和自動化數據倉庫，可以加快數據處理和分析速度。像Hadoop這樣的數據湖和技術遵循Extract-Load-Transform，它比ETL更靈活。每當BI工具需要數據時，我們從數據湖中獲取數據并相應地進行轉換以進行分析。但是，企業仍然需要數據倉庫進行分析，這需要結構化和處理過的數據。

所以，這就是商業智能和數據倉庫。