商業智慧主要功能是用於大量資料的查詢
假設分析人員希望透過資料倉儲查詢出所有銷售相關之彙總結果, 在這樣的情境之下:
必須以訂單主檔為主, 若是資料庫正規化的程度越高的話,
則進行查詢時需要連結的資料表越多, 查詢速度也會隨之遞減
在局端(local)的交易系統所存放的資料可能是單次交易所累積的區域資料
所以在進行查詢時, 儘需要分析較少的資料量, 速度會較快
但是商業智慧則是必須倚重大量的資料運算與分析, 才能從中得到所謂的智慧
傳統的E-R 關係與正規化的資料庫則都無法符合這樣的需求.
因此, 維度模型便是一個好的解決方法. 也就是利用維度(Dimension)與事實(Fact)來分析管理儲存資料
以產品銷售分析來說, 時間就是一個商業實體(business entity), 因為他包含了所有與時間相關的所有分析角度, 舉例來說
我們從時間的角度細分刻度由小而大可以區分為:秒, 分, 小時, 天, 週, 月, 季, 年
我們從時間的使用邏輯分單位可以區分為:星期幾, 上午, 下午, 第N季, 西元年,
這樣的不同欄位敘述都在說明不同長短的時間, 通常會利用一個維度資料表來存放
另外一個與維度相對應的就是事實(fact), 主要是用來記錄addictive的文字,數值資料細節透過大量的外索引鍵與其他維度資料表進行相互之間的連結, 通常事實資料表的資料量較為龐大, 所記錄的資訊與時間高度相關, 會隨著時間遞移而累積膨脹.
維度模型是透過事實資料表為中心, 根據所面對處理資訊的可彙總性, 將資料切割為個別事實資料表(fact table), 再將敘述性維度環繞在外.因此, 需要被彙總計算的欄位就可以構成事實資料表的核心.
承續前例, 數量與價格就夠成了訂單事實資料表的核心.
然而, 一個E-R模型可以被分解為多的事實中心的維度模型, 維度模型則可以分為星狀架構(star)與雪花狀架構(snowflake), 透過鍵值(foreign key)的連結或是彙總資訊的位置都有機會可以找出存在事實資料表中的潛在事實,進一步成為智慧的來源.
留言列表
英國旅遊經驗 
