动态数据仓库的商务智能系统分析论文

从软件系统应用角度看是数据仓库、联机分析处理、数据挖掘等技术方法和工具在商业活动中的集中应用。其工作原理是从企业各类数据源收集数据，经过抽取(extract)、转化(transform)、加载(load)，送入数据仓库，使用数据查询分析工具、数据挖掘工具和联机分析处理工具对信息进行处理，并以定制的动态报表实时展示，从而将信息转变为辅助决策的知识，最终呈现给用户。商务智能软件的功能有：多维数据分析及展现、报表工具、趋势分析、可视化工具、数据挖掘等。

在满足商务智能各基本功能的前提下，企业对如何保证获取和分析数据的实时性更为关注。即：数据抽取、转换、加载、集成的实时性和分析，以对决策提供实时支持。

动态数据仓库是对传统数据仓库的延伸和扩展，通过动态数据加载，动态事件驱动和动态数据访问，对不同用户群体(管理层、分析师、业务员)进行分门别类的决策支持，将原来后台的商务智能推向前端，使实时商务智能[2]成为可能。

数据仓库作为商务智能的重要依托，是对“海量数据”、“大数据”进行分析处理的核心物理架构。借助数据仓库技术，可以将来自于不同数据源平台 (如crm、scm、erp、oa以及企业外部的系统和零散数据)格式不一的数据处理成语义格式一致的多源数据进行存储。以往数据仓库很强调海量，但随着商业机会出现的周期越来越短，只有少数行业垄断企业凭借海量数据获得商业智能素材，对于大多数企业而言必须快速地掌握信息变化，即便是小量、甚至个别的信息也有商机可挖。由此可见，更快的动态数据日益成为今后的主流。相比传统数据仓库，动态数据仓库强调数据的及时性和同步，其实质是将数据仓库和一个运作数据存储结合起来，以便对数据同时更新，并从同一个中央仓库中获得时间敏感性数据和详细历史数据。

动态数据仓库关键是动态加载数据，也就是数据仓库的etl过程。etl是将业务系统的数据源按一定顺序进行采集，然后按照数据存储结构进行合理的转换，并将源数据中出现的二义性、重复、不完整、违反业务或逻辑规则等问题统一进行处理，最后按照数据仓库的结构进行数据加载，也就是常说得数据抽取、转化、装载。这一过程实现了多种类、多平台数据源的整合，解决数据在时间、不稳定性、依赖性等方面的差异，保证数据一致性，达到正确理解数据业务含义的目的，这也是etl技术核心所在。数据的实时加载有多种方法，早期有短时间间隔内批量数据抽取盒利用eai消息队列的数据传输，后有利用soa框架和xml 统一数据格式解决数据与数据源的实时同步问题[34]。