與業務系統相似,商業智能的基礎是數據。可是,由於關注的重點不一樣,業務系統的數據使用方式和商業智能系統有較大差異。本文主要介紹的就是如何理解商業智能所需的多維數據模型和多維數據分析。數據庫
多維數據模型是爲了知足用戶從多角度多層次進行數據查詢和分析的須要而創建起來的基於事實和維的數據庫模型,其基本的應用是爲了實現OLAP(Online Analytical Processing)。spa
其中,每一個維對應於模式中的一個或一組屬性,而每一個單元存放某種彙集度量值,如count或sum。數據立方體提供數據的多維視圖,並容許預計算和快速訪問彙總數據。blog
數據立方體是一類多維矩陣,讓用戶從多個角度探索和分析數據集,一般是一次同時考慮三個或更多因素(維度)。數據立方體是二維表格的多維擴展,如同幾何學中立方體是正方形的三維擴展同樣。「立方體」這個詞讓咱們想起三維的物體,咱們也能夠把三維的數據立方體看做是一組相似的互相疊加起來的二維表格。下面是一個數據立方體的示意圖,這張圖上,每個小方格表明着一個「源、路線、時間」組合下的包數和上一次的時間。ci
圖1:數據立方體get
關於數據立方體,這裏必須注意的是數據立方體只是多維模型的一個形象的說法。立方體其自己只有三維,但多維模型不只限於三維模型,能夠組合更多的維度,但一方面是出於更方便地解釋和描述,同時也是給思惟成像和想象的空間;另外一方面是爲了與傳統關係型數據庫的二維表區別開來,因而就有了數據立方體的叫法。數據分析
在多維數據模型中,有一些基本概念,結合上面的例子,這些概念很好理解。產品
在不一樣的數據分析軟件或方法中,上述概念可能有不一樣的表述,好比Wyn Enterprise中將「度量值」稱爲「度量」可是核心含義是能夠舉一反三的。it
多維數據模型支持多種操做,這些操做被稱爲多維分析操做,它們支撐着商業智能的交互性。多維分析操做包括:鑽取(Drill-down)、上卷(Roll-up)、切片(Slice)、切塊(Dice)以及旋轉(Pivot),下面仍是以上面的數據立方體爲例來逐一解釋。io
圖2:多維分析的基本操做數據可視化
鑽取(Drill-down):在維的不一樣層次間的變化,從上層降到下一層,或者說是將彙總數據拆分到更細節的數據,好比經過對2018年第二季度的總銷售數據進行鑽取來查看2018年第二季度四、五、6每月的消費數據,如上圖;固然也能夠鑽取浙江省來查看杭州市、寧波市、溫州市……這些城市的銷售數據。
上卷(Roll-up):鑽取的逆操做,即從細粒度數據向高層的聚合,如將江蘇省、上海市和浙江省的銷售數據進行彙總來查看江浙滬地區的銷售數據,如上圖。
切片(Slice):選擇維中特定的值進行分析,好比只選擇電子產品的銷售數據,或者2010年第二季度的數據。
切塊(Dice):選擇維中特定區間的數據或者某批特定值進行分析,好比選擇2010年第一季度到2010年第二季度的銷售數據,或者是電子產品和日用品的銷售數據。
旋轉(Pivot):即維的位置的互換,就像是二維表的行列轉換,如圖中經過旋轉實現產品維和地域維的互換。部分商業智能軟件,如Wyn Enterprise將旋轉和鑽取合二爲一,大大提高了數據分析的便利性。
本文介紹了商業智能的數據基礎,多維數據模型與分析方法的概念。商業智能軟件的核心就是從業務系統或其餘數據源中抓取數據,組織成多維數據模型,而且提供一系列包括數據可視化在內的交互手段,幫助使用者進行多維數據分析。
隨着時代的進步,包括Wyn Enterprise在內的商業智能軟件已經可讓用戶經過在頁面上妥妥拽拽便可完成本文中介紹的建模和分析過程,必定程度上,拉低了商業智能的門檻,讓更多的企業能夠經過商業智能獲益。