BI解决方案(IBM)

XXX公司BI系统方案建议书IBM公司软件部二〇一九年九月目录第一章概述 (1)第二章商业智能综述 (2)2.1商业智能基本结构 (2)2.1.1 IBM数据仓库架构 (3)2.1.2 数据仓库：用于抽取、整合、分布、存储有用的信息 (4)2.1.3 多维分析：全方位了解现状 (4)2.1.4 前台分析工具 (5)2.1.5 数据挖掘 (5)2.2商业智能方案实施原则 (5)2.2.1 分阶段、循序渐进的原则 (5)2.2.2 实用原则 (6)2.2.3 知识原则 (6)第三章XXX公司BI系统方案 (7)3.1XXX公司BI系统的需求分析 (7)3.2IBM的解决方案 (7)3.3建议架构 (9)第四章所选IBM产品简介 (11)4.1DB2UDB (11)4.1.1 概述：DB2家族(Family)与DB2通用数据库(UDB) V7.2 (11)4.1.2 DB2通用数据库(UDB) V7.2的特色 (12)4.1.3 DB2通用数据库(UDB)的其他先进功能 (22)4.2DB2W AREHOUSE M ANAGER (数据仓库管理器) (26)4.2.1 DB2 Warehouse Manager的主要部件 (26)4.2.2 数据抽取、转换和加载(ETL)功能 (27)4.2.3 元数据(Meta Data)管理 (31)4.2.4 DB2 Warehouse Manager的其它技术特点 (31)4.3IBM OLAP S ERVER(多维数据库服务器) (33)4.3.1 DB2 OLAP Server引擎 (33)4.3.2 DB2 OLAP Server各个附件 (34)4.3.3 DB2 OLAP Server与DB2 Warehouse Manager集成 (36)4.3.4 DB2 OLAP Server支持的前端工具 (36)4.4DB2OLAP A NALYZER (37)4.5数据挖掘工具（IBM I NTELLIGENT M INER） (37)4.5.1 数据挖掘的实现方法 (38)4.5.2 数据挖掘基本方法 (39)4.5.3 数据挖掘与多维分析相结合 (40)第五章工程服务和售后服务 (41)5.1工程服务 (41)5.2售后服务 (41)5.2.1 IBM数据仓库的安装及配置服务 (41)5.2.2 IBM数据仓库的维护服务 (41)5.2.3 IBM数据仓库的顾问服务 (42)5.2.4 IBM培训服务 (42)5.3技术文档 (42)第一章概述随着市场竞争的日益激烈，各家公司纷纷把提高决策的科学性、合理性提高到一个新的认识高度。

在此背景下，利用信息技术的最新手段，利用业务数据进行面向决策的分析这一方法纷纷被国内外许多公司所采用。

通过有目的、有选择地采集业务数据，并将其转换为对决策有用的信息，用于智能化的分析、预测和模拟等目的，这样的应用被称为商业智能应用。

从国内外各行各业的发展经验看，实施商业智能是提高企业进行高效的业务分析和科学决策的有效手段。

作为一个具有八十多年历史，以开发信息技术和商业应用而闻名的“蓝色巨人”，IBM 在这一领域进行了多年的研究，发展出完备的商业智能技术，为商业数据自动转化为商业知识提供了现实的方案。

商业智能的本质，是提取收集到的数据，进行智能化的分析，揭示企业运作和市场情况，帮助管理层做出正确明智的经营决定。

一般现代化的业务操作，通常都会产生大量的数据，如话单、账单以及客户资料等，其中一部分是决策关键数据，但并不是所有的数据都对决策有决定意义。

商业智能包括收集、清理、管理和分析这些数据，将数据转化为有用的信息，然后及时分发到企业各处，用于改善业务决策。

企业可以利用它的信息和结论进行更加灵活的阶段性的决策：如采用什么产品、针对哪类客户、如何选择和有效地推出服务等等，也可以实现高效的财务分析、销售分析、风险管理、分销和后勤管理等等。

这一切都是为了降低成本、提高利润率和扩大市场分额。

第二章商业智能综述2.1 商业智能基本结构当今，许多企业认识到只有靠充分利用，发掘其现有数据，才能实现更大的商业效益。

日常的商务应用生成了大量的数据，这些数据若用于决策支持则会带来显著的附加值。

若再加上市场分析报告、独立的市场调查、质量评测结果和顾问评估等外来数据时，上述处理过程产生的效益可进一步增强。

而数据仓库正是汇总这些商用信息后，进而支持数据发掘、多维数据分析等当今尖端技术和传统的查询及表报功能，这些对于在当今激烈的商业竞争中保持领先是至关重要的。

那么怎样把这样大量的数据转换成可靠的、商用的信息以便于决策支持呢？建立数据仓库正被广泛地公认为最好的转换手段。

图 1 数据仓库建立过程根据IDC的调查，使用数据仓库的投资回报率平均超过400％，尤其是从小型数据仓库开始实施的平均超过500％。

2.1.1IBM数据仓库架构IBM早在90年代初期，就投入大量优秀技术人员和资金开始了数据仓库的研究，并启动了Star-Burst大型科研项目。

该项目主要就是为了攻克数据仓库领域的一些技术难题，例如优化星型连接(Star-join)，实现多维分析。

因此，IBM现在发布的数据仓库产品都是经过反复推敲和久经考验的，真正做到让用户买起来放心，用起来舒心。

基于对数据仓库结构的深刻理解和多年积累的经验，IBM设计了自己的数据仓库结构，见下图：数据仓库的组成。

作为一个开发式结构，它方便了用户的产品选择、实施和今后的扩展。

图 2 IBM数据仓库架构上图为IBM三层次数据仓库结构：从第一层OLTP业务系统到第二层数据仓库为建仓过程，从第二层到第三层数据集市为按主题分类建立应用的过程。

第一步包括数据抽取、数据转换、数据分布等步骤，按照统一的数据格式标准进行统一的数据转换，建立可被企业各部门充分共享的数据仓库。

其中，数据抽取阶段完成对各种数据源的访问，数据转换阶段完成对数据的清洗、汇总和整合等，数据分布阶段完成对结果数据存储的分配。

这三个阶段通常紧密结合在一起，由一个产品或几个产品配合实现。

例如，DB2 Warehouse Manager既可独立完成，又可结合DataJoiner、DataPropagator实现对异构数据和数据复制的处理。

DB2 Warehouse Manager可进行数据映射的定义，以定期地抽取、转换和分布数据；DataJoiner可访问的各种关系型数据库包括DB2数据库家族、ORACLE、SYBASE、INFORMIX和MS SQL Server等；DataPropagator主要用于数据复制，采用数据复制的方式可对业务数据仓库进行增量数据更新，避免对作业系统事物处理性能的影响和大量重复抽取数据。

数据的存储由DB2家族产品来完成，以保证数据仓库始终高性能地运转，提供完整、准确的数据，便于将来的升级和扩展。

第二步，在按主题分类建立应用时，若既想拥有多维数据库的独特功能，又要把数据存放在关系型数据库中以便管理，则DB2 OLAP Server是用户的最佳选择。

DB2 Warehouse Manager中提供的Information Catalog通过描述性数据帮助用户查找和理解数据仓库中的数据，Intelligent Miner用于数据挖掘以便帮助决策者预测或发现隐藏的关系。

最后，我们以报表或图形的方式将结果数据呈现给用户，这通常由第三方产品来实现，它们包括：Hyperion Analyzer, Cognos，Brio，Business Objects等。

商业智能的实现方式多种多样，其规模和特点由用户的需求来决定。

但万变不离其宗，其基本体系结构往往包括三个部分。

2.1.2数据仓库：用于抽取、整合、分布、存储有用的信息一个企业的信息往往分布在不同的部门和分支机构，管理者要综观全局、运筹帷幄，必须能迅速地找到能反映真实情况的数据，这些数据也许是当前的现实数据，也可能是过去的历史数据。

因此，有必要把各个区域的数据集合起来，去其糟粕、取其精华，将真实的、对决策有用的数据保留下来，随时准备管理人员使用。

因此，数据仓库不仅仅是个数据的储存仓库，更重要的是它提供了丰富的工具来清洗、转换和从各地提取数据，使得放在仓库里的数据有条有理，易于使用。

2.1.3多维分析：全方位了解现状管理人员往往希望从不同的角度来审视业务数值，比如从时间、地域、产品来看同一类业务的总额。

每一个分析的角度可以叫作一个维，因此，我们把多角度分析方式称为多维分析。

以前，每一个分析的角度需要制作一张报表。

由此产生了在线多维分析工具，它的主要功能，是根据用户常用的多种分析角度，事先计算好一些辅助结构，以便在查询时能尽快抽取到所要的记录，并快速地从一维转变到另一维，将不同角度的信息以数字、直方图、饼图、曲线等等方式展现在您面前。

2.1.4前台分析工具提供简单易用的图形化界面给管理人员，由他们自由选择要分析的数据、定义分析角度、显示分析结果。

往往与多维分析工具配合，作为多维分析服务器的前台界面。

以上三部分是商业智能的基础。

它完成的是对用户数据的整理和观察，可以说，它的工作是总结过去。

在此基础结构之上，商业智能可以发挥更进一步的作用，利用数据挖掘技术，发现问题、找出规律，达到真正的智能效果：预测将来。

2.1.5数据挖掘正如在矿井中可以挖掘出珍贵的矿石，在数据仓库的数据里也常常可以挖掘出业务人员意想不到的信息。

它比多维分析更进一步。

例如，如果管理人员要求比较各个区域某类业务在过去一年的情况，可以从多维分析中找答案。

但是，如果管理人员要问为何一种业务在某地区的情况突然变得特别好或是不好，或者问该业务在另一地区将会怎么样，这时数据挖掘工具可以作出回答。

简单的说，数据挖掘使用统计、分析等数学方法、以及电脑学习和神经网络等人工智能方式，从大量的数据中，找寻数据与数据之间的关系。

这种关系，一般显示数据组之间相似或相反的行为或变化。

一个细心的分析者，往往能从这些发掘出来的关系得到启示。

而这种启示又很可能使得到它的业者，获得其他竞争者所没有的先机。

数据挖掘要求有数据仓库作基础，并要求数据仓库里已经存有丰富的数据。

因此，在实施商业智能方案时，一般分两步走：第一步实现数据仓库和多维分析，构造商业智能的基础，实现分析应用；第二步实现数据挖掘，发挥商业智能的特色。

2.2 商业智能方案实施原则实施商业智能方案项目工程，与实施传统的应用系统有很大的不同。

其中最重要的是，商业智能的实施是不断的交流过程，只有双方紧密的合作才能取得实施的成功。

我们建议，工程实施上采取以下原则：2.2.1分阶段、循序渐进的原则任何一个项目的实施都是一个发现问题，解决问题，积累经验，又遇到新问题，再解决，再积累的循序渐进的过程。