数据仓库工具箱

第Ⅰ部分 需求、实施和体系结构　第1章 定义业务需求 　　1.1 长期成功的最重要的决定因素 　　1.2 揭示业务价值 　　1.3 业务需求示例：Adventure Works Cycles 　　1.4 小结 　第2章 业务过程维度模型设计 　　2.1 维度建模概念和术语 　　2.2 其他设计概念和技术 　　2.3 维度建模过程　　2.4 案例研究:创建Adventure Works Cycles订单维度模型 　　2.5 小结 　第3章 工具集 　　3.1 Microsoft DW/BI 工具集 　　3.2 使用Microsoft工具集的原因

第Ⅰ部分 需求、实施和体系结构　第1章 定义业务需求 　　1.1 长期成功的最重要的决定因素 　　1.2 揭示业务价值 　　1.3 业务需求示例：Adventure Works Cycles 　　1.4 小结 　第2章 业务过程维度模型设计 　　2.1 维度建模概念和术语 　　2.2 其他设计概念和技术 　　2.3 维度建模过程　　2.4 案例研究:创建Adventure Works Cycles订单维度模型 　　2.5 小结 　第3章 工具集 　　3.1 Microsoft DW/BI 工具集 　　3.2 使用Microsoft工具集的原因 　　3.3 Microsoft DW/BI系统的体系结构 　　3.4 Microsoft工具概述 　　3.5 小结 第Ⅱ部分 开发和填充数据库　第4章 设置和物理设计 　　4.1 系统规模考虑事项 　　4.2 系统配置考虑 　　4.3 软件安装和配置 　　4.4 物理数据仓库数据库设计 　　4.5 小结 　第5章 设计ETL系统 　　5.1 SQL Server Integration Services简介 　　5.2 高级计划 　　5.3 更新Analysis Services数据库 　　5.4 ETL系统物理设计 　　5.5 开发详细的规范 　　5.6 小结 　第6章 开发ETL系统 　　6.1 起始 　　6.2 维度处理 　　6.3 事实处理 　　6.4 补充介绍 　　6.5 小结 　第7章 设计Analysis Services OLAP数据库 　　7.1 选择Analysis Services的原因 　　7.2 设计OLAP结构 　　7.3 物理设计的考虑因素 　　7.4 小结 第Ⅲ部分 商业智能应用程序的开发　第8章 商业智能应用程序 　　8.1 商业智能的基本概念 　　8.2 商业智能应用程序的价值 　　8.3 交付平台选项 　　8.4 BI应用程序的开发过程 　　8.5 小结 　第9章 在Reporting Services中构建BI应用程序 　　9.1 报表高层次的体系结构 　　9.2 报表的构建和传送 　　9.3 小结 　第10章 数据挖掘的加入 　　10.1 数据挖掘的定义 　　10.2 SQL Server数据挖掘体系结构的概述 　　10.3 Microsoft数据挖掘的算法 　　10.4 数据挖掘的过程 　　10.5 数据挖掘的示例 　　10.6 小结 第Ⅳ部分 DW/BI系统的部署和管理　第11章 使用现有的数据仓库进行工作 　　11.1 事情的现状 　　11.2 从SQL Server 2000转换到SQL Server 2005 　　11.3 与非SQL Server 2005组件的集成 　　11.4 小结 　第12章 安全 　　12.1 确定安全管理员 　　12.2 保护硬件 　　12.3 保护操作系统 　　12.4 保护开发环境 　　12.5 保护数据 　　12.6 使用情况的监控 　　12.7 保护隐私 　　12.8 小结 　第13章 元数据规划 　　13.1 元数据的基础 　　13.2 元数据标准 　　13.3 SQL Server 2005元数据 　　13.4 实用的元数据方法 　　13.4 小结 　第14章 部署 　　14.1 系统部署 　　14.2 数据仓库和BI文档 　　14.3 用户的培训 　　14.4 用户支持 　　14.5 台式计算机的准备和配置 　　14.6 小结 　第15章 运行与维护 　　15.1 提供用户支持 　　15.2 系统管理 　　15.3 小结 第Ⅴ部分 DW/BI系统的扩充　第16章 成长的管理 　　16.1 生命周期的迭代：成长的DW/BI系统 　　16.2 销售和期望的管理 　　16.3 系统互连 　　16.4 小结 　第17章 实时商业智能 　　17.1 为（和不为）实时数据创建事例 　　17.2 实时地执行报表 　　17.3 实时地加载DW/BI系统 　　17.4 使用Analysis Services来传送实时数据 　　17.5 小结 　第18章 目前的需要以及未来的展望 　　18.1 DW/BI项目中的很大风险 　　18.2 Microsoft BI工具集中受欢迎的部分 　　18.3 未来的方向：改进的空间 　　18.4 小结

数据仓库和商业智能至少自1970年就具有相似的形式，并且持续享受着无限的技术生命周期。在1995年，我们的主要作者构建了第一个顾问公司，其中的作者之一认为数据仓库已经结束了，这个浪潮已经开始回落。幸运的是，我们在找到工作之前获得了更多的项目。12年后，数据仓库和商业智能依然很强大，事实上，仅仅在过去几年我们才看到它们在工业上的成熟。　　成熟市场的一个标志就是单源提供者的出现——对不愿冒风险的公司来说这是一种安全的选择。数据仓库技术涵盖了从深奥源系统知识到用户接口设计以及具有最好实践的BI应用。尽管许多销售商在最近几年都争着把自己放在端到端的提供者位置上，但对于我们来说，很显然，数据仓库销售商确实是那些可以提供端到端解决方案的人。在2001年，当我们首次讨论这本书时，我们已经感觉到Microsoft要以一个诱人的价格强行将一个可行的、单源数据仓库系统提供者的概念加入到现实世界中。　　我们相信向单源提供者的转变意味着必须将Kimball Method技术扩展到特定的产品级，使其可以直接投放单源提供者市场。我们选择Microsoft工具集作为测试样例有两个原因，首先，SQL Server 2005是一个强大的BI平台，Microsoft自20世纪90年代中期投资Analysis Services引擎以来，就一直在扩展和增强商业智能方面投资巨大。投资的级别也因此巨大地翻升。随着SQL Server 2005开发的开始，SQL Server 2005开发团队增长到200人，Microsoft对于将商业智能引入主流市场很认真。其次，两位作者都从1997到2002或2004在Microsoft工作，特别地，Joy曾是SQL Server Business Intelligence 开发团队中SQL Server BI Best Practices组的经理，这可以给予我们一系列很强的工作关系以及访问关键的支持资源。　　本书覆盖了整个数据仓库生命周期，因而可以给数据仓库团队的每个成员提供有用的指导，从项目经理到业务分析师、数据建模者、ETL开发者、DBA，分析型应用开发人员甚至业务用户都可以从本书中受益。我们相信本书对从事Microsoft SQL Server 2005数据仓库项目的任何人都非常有价值。　　本书的主要读者是在Microsoft SQL Server平台上启动项目的新的DW/BI团队，我们假定您并没有构建DW/BI系统的经验，但假定您对Microsoft世界有一个基本的认识：操作系统、基础设施组件以及资源。我们也假定您对关系数据库（表、列和简单SQL）有一个基本认识，并且对SQL Server 2000关系数据库有一定认识，尽管这并不是一个必备条件。贯穿全书，我们提供了许多其他书和资源的参考。　　第二个读者群是有Kimball Method DW/BI使用经验但首次接触Microsoft SQL Server 2005工具集的读者，这些读者可能需要阅读一些资料以便了解基础结构，特别是如果您从来没有使用过Windows Server更需如此。我们将指出对于那些曾经阅读过我们的Toolkit书籍以及实践过我们的方法的读者需要复习哪些部分和章节，不过再次阅读这些材料并没有坏处。　　不管您的背景如何，如果您从一个新项目开始将从本书受益匪浅。尽管我们确实提供了运转现有的数据仓库的建议，但在理想情况下，您不会对任何已有的数据仓库或数据集市满意，至少在新系统部署后对仍然留在原处的系统不会满意。