1. Different Approaches
There are several ways to build a data warehouse, among which the most famous two are Top-down approach and Bottom-up approach.
Besides these industrial approaches, approaches most frequently used by unprofessional DW builders are building firstly Data marts then DW from reporting needs, building DW by simply copying of transactional databases, and there are some other methods they can find when meeting the urgent schedule of the project.
因BeiAn的原因，商业智能之路博客的地址更改为http://www.bi-professional.com,希望以后不再麻烦。
欢迎申请@bi-professional.com邮件帐户：注册入口（由微软live.com邮件服务器承载）
传统的DW/OLAP模式（数据抽取ETL->数据仓库DW->维度建模->在线分析处理OLAP->前端展示）或DB/Report（数据库->SQL或宜用的SQL设计器->报表）模式的所谓的商业智能，在处理业务决策支持的过程中，已经分别显得过于理想化：对决策的过程的支持不仅仅限于技术的手段、传统的技术手段单调且死板，带给最终用户的价值只是在限定的查询之上的结果展示。经过十几年的发展之后，商业智能的定义逐渐泛化，越来越多的理念及技术被引入：商业智能厂商不断尝试引入新的手段，不断丰富自己的商业智能体系，以更好的支持业务分析及决策。本文将列举过去几年商业智能领域的相关产品已经出现的若干特点。
转自：商业智能翻译小组-蔡旭 (欢迎各位同仁加入商业智能翻译小组)
简介
作为国际上比较权威的商业智能机构TDWI提出了数据仓库成熟度模型，描述一个企业商业智能发展的阶段和特点。文中对各阶段使用的技术的优缺点进行了比较和推荐，非常有实用价值。
我们中的许多人都曾经多年从事数据仓库管理工作。有些人做出了战略性的系统，让用户和企业高管十分满意。有些人则在为维持企业持续投入支持数据仓库项目挣扎，同时他的用户却在拼命要求更好更准确的信息。
怎样才能有个成功的解决方案？你的数据仓库方案跟同行业中的公司相比如何？怎样才能将你的解决方案提升一个层次？
今天又很多数据仓库项目经理都在问以上的问题。不幸的是，没有一个容易的解答。TDWI开发了一个数据仓库成熟度模型，以供参照。这个模型提供了一个便捷的方式来衡量你的数据仓库解决方案，现在在哪，下一步该怎么做。 阅读全文…
网络收集的某集团公司商业智能项目在经营分析方面的原始需求，包括对关键绩效指标KPI分析，财务分析（资产负债分析、现金流量分析等），业务分析（产品生产、销售、库存成本分析，销售市场分析，销售成本利润分析等）。另外，还对凭证查询及具体的数据分析方法提出了要求。
注：讨论的内容太长,先后整理成两部分,本篇是第二部分。
商业智能到底智能在哪里？作为一个涉足这一领域多年的从业者，这几年一直在思考这个问题。本系列将仅从自己的认识，就该问题逐渐展开内容。首先，从网上发起的讨论开始，以下是本人在论坛发起的讨论主帖，主帖之后是大家的讨论观点。
* comiunknown
发表于：2008-11-12 17:46:42140楼 得分:3
要谈BI的用途和智能程度，我们首先要搞清楚BI应该做什么，不能做什么。我的观点是：BI只能是一种数据分析/比较的工具软件，不要指望它给出结论和解决方案，把BI生成的数据分析/比较结果交给行业或企业内部决策人员就行了。
当然，按什么规则分析/比较/挖掘数据仓库中的数据，不同行业，不同企业之间的差异可能很大，但是，我们总能找到一些通用性比较强的规则，如按时间段比较，按类别比较等等。更专业的分析/比较/挖掘规则则需要对该行业，该企业熟悉的专家，行业人士来制定。我们的目标是让不懂编程的专家，行业人士方便的按照他们的想法制定出适合自己行业，自己企业的数据分析/比较规则。退一步来讲，就是让规则的定义简单化，傻瓜化。至于根据这个规则产生的结果有多么离谱，都不是BI开发人员所要思考的。
