了解当前商业智能的 10 个基本概念
Posted: Wed Dec 11, 2024 4:44 am
在这篇文章中发现公司需要收集其业务生成的数据以获得竞争优势。
1-关系数据库。平常的
实体关系模型在生产数据库和分析数据库中都是最标准化的。根据定义，这些数据库将被分解为实体，每个实体是一个表或一组数据，用于存储有关业务单元（例如用户、产品、销售、客户...）的信息，并且在其设计中维护着业务单元的关系。与另一个实体进行逻辑和/或物理级别的比较，通过这种方式，例如可以将客户与他们消费的产品和他们开具的账单联系起来。
2- 非关系数据库。新的。它是做什么用的？
记录在计算机平台上的大量事件集合无需将它们划分为实体，这为我们可以收集的信息量以及如何利用这些信息开辟了新的可能性。
此类数据库最常见的 求职者数据库 用途之一是在网络上使用，根据用户配置文件，推荐购买一种或另一种产品。
3-数据 治理。
新的信息收集系统在保证其质量和完整性方面需要更加谨慎，这导致了一个概念的出现，这个概念虽然并不新鲜，但现在确实以数据治理（或数据监控）的形式出现。 、对其最终质量负责的人员或系统。
4- 数据集市和数据仓库。
数据集市，一种从单个业务领域收集信息的系统，而这些信息不一定与其他领域相关。
数据仓库、数据集市集或分析空间，其中组合了公司不同业务区域的元素，因此可以进行复杂的横向分析。
双
5-ETL（后端）
ETL（提取、转换和加载），通过这个过程，软件工具可以让我们捕获公司自己的业务、CRM或ERP数据库等生成的信息，以便稍后对其进行转换、适应并最终加载进入分析数据库，我们将在其中利用和分析它。
通过 ETL，我们将生成包含我们想要利用的信息的存储库：数据集市和数据仓库
6- 事实和维度
数据集市以及数据仓库由事实表和维度表组成。
前者记录了业务的价值或指标，而后者则允许根据分布变量来衡量这些指标。一个很好的例子是能够可视化当年月份（维度）的销售行为（事实） 。
7- 建模和报告（前端）
建模和报告工具（OBIEE、Business Object、Qlick View ...）允许在仪表板或报告中准备数据，这将有助于其解释、双变量表、统计指标、趋势图等......一切必要对于业务分析师或业务负责人来说，可以为其业务做出最佳决策。
8-让我们谈谈架构和基础设施。基础知识
通过思考架构和基础设施，我们至少在比喻意义上更接近支持我们的 BI 项目的建筑物的基础。
架构是项目的物理结构、数据从其起源到最终利用的层（或数据库），以及所述数据将经历的工作流程和转换。
通过基础设施，我们将更多地参考项目的技术需求：托管数据的服务器和数据开发技术。良好的基础设施规模将使我们既不会达不到运营要求，也不会过度增加我们无法获得合理使用比例的产品成本。
9- 浑浊。迁移到云端
传统的分析系统明显依赖于公司拥有的物理硬件，必须提前预测所需的内容，这为系统提供了很少的灵活性和可扩展性。
将物理服务器迁移到云中的虚拟空间（主要软件公司已经提供了这种可能性：微软、亚马逊、谷歌...）消除了这些问题并为大数据系统生成了理想的环境
10-大数据和 Hadoop。
大数据可能是商业 智能中最具创新性和最流行的概念，目前来自最尖端技术公司的大量数据分析师和工程师正在集中精力。
三个“V”概括了海量数据存储的成功：速度、可变性和容量，即可以实时或以最小延迟利用尽可能多样化和丰富的大量数据。
Hadoop 是一个框架，是利用大数据最流行的框架之一 ，它通过基于集群分布式文件系统 (HDFS) 的技术和众多后续处理工具（Ambari、Sqooq、Hive、Pig ...）提供必要的基础设施。仅举几个例子）。
1-关系数据库。平常的
实体关系模型在生产数据库和分析数据库中都是最标准化的。根据定义，这些数据库将被分解为实体，每个实体是一个表或一组数据，用于存储有关业务单元（例如用户、产品、销售、客户...）的信息，并且在其设计中维护着业务单元的关系。与另一个实体进行逻辑和/或物理级别的比较，通过这种方式，例如可以将客户与他们消费的产品和他们开具的账单联系起来。
2- 非关系数据库。新的。它是做什么用的？
记录在计算机平台上的大量事件集合无需将它们划分为实体，这为我们可以收集的信息量以及如何利用这些信息开辟了新的可能性。
此类数据库最常见的 求职者数据库 用途之一是在网络上使用，根据用户配置文件，推荐购买一种或另一种产品。
3-数据 治理。
新的信息收集系统在保证其质量和完整性方面需要更加谨慎，这导致了一个概念的出现，这个概念虽然并不新鲜，但现在确实以数据治理（或数据监控）的形式出现。 、对其最终质量负责的人员或系统。
4- 数据集市和数据仓库。
数据集市，一种从单个业务领域收集信息的系统，而这些信息不一定与其他领域相关。
数据仓库、数据集市集或分析空间，其中组合了公司不同业务区域的元素，因此可以进行复杂的横向分析。
双
5-ETL（后端）
ETL（提取、转换和加载），通过这个过程，软件工具可以让我们捕获公司自己的业务、CRM或ERP数据库等生成的信息，以便稍后对其进行转换、适应并最终加载进入分析数据库，我们将在其中利用和分析它。
通过 ETL，我们将生成包含我们想要利用的信息的存储库：数据集市和数据仓库
6- 事实和维度
数据集市以及数据仓库由事实表和维度表组成。
前者记录了业务的价值或指标，而后者则允许根据分布变量来衡量这些指标。一个很好的例子是能够可视化当年月份（维度）的销售行为（事实） 。
7- 建模和报告（前端）
建模和报告工具（OBIEE、Business Object、Qlick View ...）允许在仪表板或报告中准备数据，这将有助于其解释、双变量表、统计指标、趋势图等......一切必要对于业务分析师或业务负责人来说，可以为其业务做出最佳决策。
8-让我们谈谈架构和基础设施。基础知识
通过思考架构和基础设施，我们至少在比喻意义上更接近支持我们的 BI 项目的建筑物的基础。
架构是项目的物理结构、数据从其起源到最终利用的层（或数据库），以及所述数据将经历的工作流程和转换。
通过基础设施，我们将更多地参考项目的技术需求：托管数据的服务器和数据开发技术。良好的基础设施规模将使我们既不会达不到运营要求，也不会过度增加我们无法获得合理使用比例的产品成本。
9- 浑浊。迁移到云端
传统的分析系统明显依赖于公司拥有的物理硬件，必须提前预测所需的内容，这为系统提供了很少的灵活性和可扩展性。
将物理服务器迁移到云中的虚拟空间（主要软件公司已经提供了这种可能性：微软、亚马逊、谷歌...）消除了这些问题并为大数据系统生成了理想的环境
10-大数据和 Hadoop。
大数据可能是商业 智能中最具创新性和最流行的概念，目前来自最尖端技术公司的大量数据分析师和工程师正在集中精力。
三个“V”概括了海量数据存储的成功：速度、可变性和容量，即可以实时或以最小延迟利用尽可能多样化和丰富的大量数据。
Hadoop 是一个框架，是利用大数据最流行的框架之一 ，它通过基于集群分布式文件系统 (HDFS) 的技术和众多后续处理工具（Ambari、Sqooq、Hive、Pig ...）提供必要的基础设施。仅举几个例子）。