数据仓库应用指南

译者序前言作者简介第一部分 准备第1章 数据仓库和商务智能概述1.1 商务智能概述1.1.1 定义1.1.2 商务智能的价值1.1.3 剖析商务智能1.1.4 商务智能的成功要素1.1.5 商务智能的目标1.1.6 BI用户展现层1.1.7 BI工具和架构1.1.8 全球化带来的发展1.2 数据仓库概述1.2.1 定义1.2.2 数据仓库系统1.2.3 数据仓库架构1.2.4 数据流术语1.2.5 数据仓库目标1.2.6 数据结构化策略1.2.7 数据仓库业务1.3 常见问题1.3.1 当前系统是否足够好1.3.2 数据仓库的价值1.3.3 成本多高1.3.4 时间多长1.3.5 成功的因素第2章 企业中的数据2.1 企业资产2.1.1 具有上下文的数据2.1.2 数据质量2.1.3 数据字典2.1.4 数据组件2.2 组织数据2.2.1 对数据结构化2.2.2 数据模型2.2.3 数据架构2.3 竞争优势2.3.1 构建还是购买数据模型2.3.2 指导业务第3章 为什么创建数据仓库3.1 平台迁移3.1.1 业务连续性3.1.2 逆向工程3.1.3 数据质量3.1.4 并行环境3.1.5 附加值3.2 数据仓库集中化3.2.1 企业间并购3.2.2 企业内合并3.2.3 集中式设计和局部使用3.3 数据集市整合3.4 新方案3.5 新方案：动态报表3.6 “Just Build It”模式3.7 数据Floundation3.8 不构建数据仓库的原因3.8.1 数据质量差3.8.2 缺乏商业目标3.8.3 缺乏管理层支持3.8.4 目标不明确3.8.5 当前系统足够用3.8.6 缺乏人才资源3.8.7 环境不稳定3.8.8 成本太高3.8.9 管理不善第4章 数据仓库和商务智能战略4.1 商务智能战略4.1.1 商业目标4.1.2 商业用途4.1.3 架构概览4.2 数据仓库战略4.2.1 用途4.2.2 数据仓库架构4.3 重点和成功4.3.1 整个企业还是业务线4.3.2 目标明确4.3.3 成功：衡量的标准是什么4.4 从何处着手4.4.1 关于商务智能4.4.2 关于数据仓库4.5 如何开始4.5.1 关于商务智能4.5.2 关于数据仓库4.6 项目阶段化4.7 需要多长时间（重新回顾）4.8 兴趣点4.8.1 常见的失败原因4.8.2 基本原则第5章 项目资源：角色和洞察力5.1 关键点5.1.1 项目团队5.1.2 资深专业知识5.1.3 领导力5.1.4 项目发起人5.1.5 数据仓库管理层5.2 团队结构5.2.1 管理层发起人5.2.2 数据管家5.2.3 基本资源5.3 定期审查：进度审核5.4 能力中心第6章 项目总结概论6.1 项目章程6.2 项目范畴6.3 工作说明书第二部分 组件第7章 商务智能：数据集市及其使用方式7.1 为什么要对数据建模7.1.1 数据模型的类型7.1.2 数据设计7.2 事实表7.2.1 事实的类型7.2.2 事实表的类型7.2.3 衡量指标来源7.2.4 事实表关键字7.2.5 事实表粒度7.2.6 事实表密度7.2.7 无事实的事实表7.3 维度表7.3.1 维度还是指标7.3.2 历史表和日期表7.3.3 维度表关键字7.3.4 维度表的粒度7.3.5 维度属性的来源和价值7.3.6 维度类型7.3.7 级别和辅助表7.3.8 个人信息表7.3.9 维度数7.4 规模第8章 企业数据模型8.1 数据模型概览8.2 构建企业数据模型的目标8.3 企业数据模型的好处8.4 数据模型：从何处开始8.5 完全自上而下的数据模型8.5.1 主题领域模型8.5.2 概念模型8.5.3 实体关系模型8.6 总线结构8.7 购买的数据模型8.8 模型分析8.8.1 数据组件8.8.2 范化数据模型8.8.3 超类和子类模型8.8.4 在范化的数据模型中收集历史信息8.8.5 代理键8.8.6 逻辑和物理数据模型8.8.7 是否具备参照完整性8.9 其他数据模型8.9.1 输入数据模型8.9.2 临时存储数据模型8.10 最后的思考第9章 数据仓库架构：组件9.1 架构概述9.2 架构师角色9.2.1 解决方案架构师9.2.2 数据仓库架构师9.2.3 技术架构师9.2.4 数据架构师9.2.5 ETL架构师9.2.6 BI架构师9.2.7 综合9.3 体系结构分层9.3.1 单层体系结构9.3.2 经典的两层体系结构9.3.3 高级的三层体系结构9.4 数据仓库架构9.4.1 单独的数据集市架构9.4.2 总线结构9.4.3 中央存储库架构9.4.4 联合架构9.5 组件（分层）9.5.1 数据源9.5.2 数据生成9.5.3 数据组织9.5.4 数据分发9.5.5 信息输出9.6 实现方式9.6.1 数据设计和数据流9.6.2 逻辑和物理模型9.6.3 自上而下的方式9.6.4 自下而上的方式9.6.5 混合模式9.7 捷径9.7.1 数据采集层9.7.2 中央数据层9.7.3 数据分发层9.7.4 表现层9.7.5 用户展现层9.7.6 方法论9.7.7 现成的解决方案第10章 ETL和数据质量10.1 架构10.1.1 数据获取10.1.2 数据分发10.1.3 ETL映射10.1.4 初始加载和增量加载10.1.5 ETL、ELT和ETTL10.1.6 并行操作10.1.7 ETL功能角色10.1.8 数据流图10.1.9 业务数据存储系统10.2 数据源系统10.2.1 没有数据源10.2.2 多个数据源10.2.3 其他来源（结构化输入文件）10.2.4 非结构化数据10.3 数据剖析10.4 数据获取10.4.1 多个大文件10.4.2 伪文件10.4.3 故障预防策略10.5 转换和临时数据存储10.5.1 准备工作10.5.2 代理键10.5.3 参照完整性10.5.4 聚合、分析和汇总10.5.5 编码表10.6 加载10.6.1 是否加载历史数据10.6.2 插入、更新、插入或更新、删除10.6.3 数据获取信息10.6.4 加载调度10.7 企业数据仓库的临时数据存储和总线架构的临时数据存储10.8 数据分发10.9 数据质量10.10 ETL工具第11章 项目规划和方法论11.1 基础11.1.1 风险：逐步发展11.1.2 风险：数据质量11.1.3 风险：资源11.1.4 风险：成本11.1.5 变更管理11.1.6 最佳实践11.2 错误11.3 项目规划方法论11.3.1 业务需求分析11.3.2 战略和规划11.3.3 解决方案纲要11.3.4 设计11.3.5 构建11.3.6 部署11.3.7 使用第三部分 构建第12章 工作场景12.1 让我们开始“烹饪”吧12.2 自上而下12.2.1 字典12.2.2 集中式数据模型12.2.3 数据架构12.2.4 数据源12.2.5 数据模型12.2.6 数据库12.2.7 数据获取12.2.8 解决方案概述12.3 自下而上12.3.1 最终结果12.3.2 字典12.3.3 数据架构12.3.4 一致性维度的管理12.3.5 数据源12.3.6 解决方案概述12.4 混合式12.4.1 起步工作12.4.2 数据模型12.4.3 数据架构12.4.4 解决方案概述12.5 归并12.6 没有输入：结构化的输入文件12.7 集成的第二阶段12.8 更大的框架：企业信息架构第13章 数据监理13.1 什么是数据监理13.2 数据监理的原因13.3 企业结构13.4 驱动和启动13.5 数据监理的主要方面13.5.1 安全性和敏感性13.5.2 数据质量13.5.3 所有权13.5.4 变更控制13.6 数据监理的准备工作第14章 项目后评审14.1 概述14.2 项目评审14.3 后续工作

设计、部署和管理自定义数据仓库　 创建安全、开放和灵活的商务智能架构　 规划未来数据需求和使用《数据仓库应用指南：数据仓库与商务智能最佳实践》全面系统地讲解如何规划、设计、构建和管理数据仓库/商务智能解决方案。介绍在数据仓库开发项目中如何激励用户，在整个企业范围内更好地驱动决策制定，从专业的开发和培训人员获取详细的指导和最佳实践经验。本书内容涉及如何选择恰当的组件、构建企业数据模型、配置数据集市和数据仓库、构建数据流并降低风险，还涉及项目开发中变更管理、数据监理和安全方面的问题。　 主要内容：　 · 理解BI和数据仓库系统组件　 · 建立项目目标并有效制定部署计划　 · 用数据挖掘发现组织内业务见解　 · 使用ETL技术对数据进行输入、清洗和规范化　 · 使用结构化输入文件来定义数据需求　 · 使用自上而下、自下而上、混合的设计方式　 · 使用数据监理工具来处理安全和性能优化问题【作者简介】Robert（Bob）Laberge，多家互联网企业的创始人、IBM产业模式和资产实验室的首席顾问，他的研究重点是数据仓库和商务智能解决方案。　 Bob早在20世纪70年代末就开始其职业生涯，当时比尔·盖茨还只是一个百万富翁，Bob曾经是开发人员、数据库管理员、数据建模师、项目经理、数据架构师、企业信息架构师、数据仓库/商务智能审计员、战略师，而且还是富于创新的企业家。从那时，Bob就跑遍全球，通过设计、优化、最佳实践和在概念层、逻辑层和物理层的常识说明，提供指导、培训和证明数据仓库和商务智能实践经验和解决方案。Bob成功地帮助了50多家大型企业扩展业务，这些企业涉及零售、保险、医疗、铁路、电信、电子商务和银行等行业。