在熟悉完下面这三种维度的创建方式之后,就可以开始创建我们的第一个 Cube 了. SSAS 系列 - 自定义的日期维度设计 SSAS 系列 - 基于雪花模型的维度设计 SSAS系列 - 关于父子维度的设计 我们将使用下面的这些脚本来创建一些维度表和事实表,数据源的来源是 AdventureWorksDW2012,但由于数据列太多因此我精简了一些表并且自定义了 DimDate 表. USE BIWORK_SSIS GO SET NOCOUNT ON IF OBJECT_ID('FactIntern

企业中常常会出现这样一幕幕尴尬的场景: 企业的决策人员需要从不同的角度来审视业务,协助他们分析业务,例如分析销售数据,可能会综合时间周期.产品类别.地理分布.客户群类等多种因素来考量.IT人员在每一个分析角度上都建了一张报表.然而,决策人员需要更多的分析数据,他们需要在各个角度不同组合上再生成报表,IT人员就需要大量的时间来制作报表.IT人员表示终于可以喘口气的时候,决策者又有了新的想法,得了,再做报表吧.为了避免这种尴尬的情况,多维数据库(Cube)的构建便应运而生. Cube,即多维数据库,

https://msdn.microsoft.com/EN-US/library/dd252604.aspx     Cube是一个多维度的结构,它是BI应用开发的基础.本文描述了cube的组成部分,让你能更好地理解如何使用cube来分析数据. 1.Cube的结构     一个cube由一组测量和维度属性构成.对于AX分析cube,测量和维度在AOT中定义.Perspective用于标识那些包含着测量和维度的表和视图. 1.1.测量     一个测量,是表或视图中一个包含着可计量的数据的列,通常

在Bi领域,cube是一个非常重要的概念,是多维立方体的简称,主要是用于支持联机分析应用(OLAP),为企业决策提供支持.Cube就像一个坐标系,每一个Dimension代表一个坐标系,要想得到一个一个点,就必须在每一个坐标轴上取得一个值,而这个点就是Cube中的Cell. 如下图: Cube是联机分析的关键.他们是一种多维结构,包含原始事实数据.聚合数据,这些数据聚合允许用户快速进行复杂的查询,Mdx语言就应用它更是如鱼得水. Cube包含两个基本概念:维度和度量 维度(Dimension):

之前我写了一篇在 SSRS 开发中处理这种父子关系的汇总与聚合的文章 (SSRS 系列 - 使用分组 Group 属性实现基于父子递归关系的汇总报表),示例中的查询是基于 SQL Server 关系型数据库的,这一篇是基于 MDX 父子维度的 SSRS 报表. 沿用上一篇中的 (SSAS系列 - 关于父子维度的设计)父子维度 和(SSAS 系列 - 自定义的日期维度设计) 的时间维度,并在此基础上创建 Cube 并部署. 当然在这个例子中可能不会使用到时间维度,之所以添加进来只是因为在 Cube

为什么会产生OLAP? 随着数据库技术的发展应用,数据库存储的数据量从M字节以及G(千兆)字节过渡到T字节和P字节,同时,用户的查询需求也越来越复杂,设计的已不仅是查询或者操纵一张关系表中的一条或几条记录,而且要对多张次奥中的千万条记录的数据进行数据分析和信息综合,关系数据库也已经不能全部满足这一要求. 决策数据就是多维数据,多维数据就是决策的主要内容,OLAP专门设计用于支持复杂的分析操作,侧重对决策人员和高层管理人员的决策支持,可以根据分析人员的要求快速.灵活地进行大数据量的复杂查询处理,并

有两个事实表,因此就有两个度量值组,并且向导将为非维度键的事实表中的每一个数值列创建一个度量值.由于我们这里不需要那么多,所以只选择部分度量值.另外要注意,度量值的名称源于事实表中的列,所有名称由可能相同.但是在多维数据集中,由于度量值的名称必须是唯一的,所以向导会在重复的度量值名称后添加所属的度量值组名称. 下一步的时候多维数据集的向导识别了度量值组即之前的事实表与之相关的维度表,因此这里全部会显示出来. 为多维数据集取一个名称并保存. 历年理化指标分析Cube 最终效果:区域维度:地州,专县

本节建立: 历年的初烟水分均值变化分析Cube:区域维度:地州,专县时间维度:年等级维度:大等级,小等级指标:水分均值 数据源视图: 数据处理: ) ) DELETE FROM T_QualMoisture_Middle WHERE V_Produce_ID + V_Batch_ID NOT IN ( SELECT ProductionNo + FormulaNo FROM vRoastingPlan ) 维度用法: 分区: 最终浏览器效果:

关系 OLAP (ROLAP)ROLAP的基本数据和聚合数据均存放在关系数据库中:ROLAP 存储模式使得分区的聚合存储在关系数据库的表(在分区数据源中指定)中.但是,可为分区数据使用 ROLAP 存储模式,而不在关系数据库中创建聚合.使用 ROLAP 的维度的数据实际上存储在用于定义维度的表中.相对查询性能低. 多维 OLAP (MOLAP) MLOAP的基本数据和聚合数据均存放在多维数据库中:MOLAP 存储模式使得分区的聚合和其源数据的复本以多维结构存储在分析服务器计算机上.根据分区聚合的

该系统属于数据仓库系统,与传统的管理信息系统有本质差别,是“面向主题”设计的.“面向主题”的方式,既有利于数据组织和利用,又有利于用户的理解和使用. 分析主题主要维度:烟叶级别.烟叶级别按等级信息.烟叶级别按分级标准(标准维度) 产地(父子维度) 检测时间(时间维度,以Tqc_Raw_Chemistry .CheckTime字段派生CheckDate字段) 样品维度增加按样品来源.按打叶计划层次结构 主要指标:总糖% TotalSugar还原糖% ReducingSugar尼古丁% Nicoti

主要维度: 班组班次检测项质检日期(时间维度)加工客户加工类型收购类型生产线产地烟叶级别 主要指标:慢速测定_平均值快速测定_平均值红外测定_平均值ETL设计 需要抽取的维度表: 序号 表名 说明 备注 1 T_Department 班组 YYERP库中对应表T_Department 2 T_TeamOrder 班次 YYERP库中对应表T_TeamOrder 3 T_DIC_QualTest 检测项 OnlineQualDB库中对应表T_DIC_QualTest 4 T_DIC_QualPro

分析主题主要维度:烟叶级别.烟叶级别按等级信息.烟叶级别按分级标准(标准维度)产地(父子维度)检测时间(时间维度,以Tqc_Raw_SmokingTest .CheckTime字段派生CheckDate字段)样品维度 主要指标: 香气特征_清香_平均值香气特征_甜香_平均值香气特征_焦香_平均值烟气特征_浓度_平均值烟气特征_劲头_平均值质量特征_香气质_平均值质量特征_香气量_平均值质量特征_杂气_平均值质量特征_刺激_平均值质量特征_余味_平均值质量特征_合计_平均值 新增2个命名计算: E

分析主题主要维度:烟叶级别.烟叶级别按等级信息.烟叶级别按分级标准(标准维度)产地(父子维度)检测时间(时间维度,以Tqc_Raw_PresentationQuality . CheckTime字段派生CheckDate字段)样品维度 主要指标:部位_平均值颜色_平均值成熟度_平均值油分_平均值身份_平均值叶片结构_平均值色度_平均值质量水平_平均值叶片特征_平均值外观质量合计_平均值 新建命名计算:ETL设计 需要抽取的维度表: 序号 表名 说明 备注   烟叶级别: 1 T_GBGradeC

数据源设置:数据处理逻辑: --处理丢失外键关系数据 SELECT * FROM T_ReportLeafGrade WHERE FSubFID NOT IN ( SELECT FID FROM T_RaceLeafReport ) DELETE FROM T_ReportLeafGrade WHERE FSubFID NOT IN ( SELECT FID FROM T_RaceLeafReport ) --处理供应商关系 SELECT * FROM T_RaceLeafReport WHER

数据源设置: 数据处理逻辑: --I_GBGradeID SELECT * FROM T_NPick_PkgMov WHERE I_GBGradeID NOT IN ( SELECT I_GBGradeID FROM T_GBGradeCode ) DELETE FROM T_NPick_PkgMov WHERE I_GBGradeID NOT IN ( SELECT I_GBGradeID FROM T_GBGradeCode ) --V_CustomerID SELECT * FROM T_

如今的企业经营方式,业务对于数据分析有极大的需求,但却苦于没有数据以及工具的有效支持,业务分析仍就依赖于IT报表制作.而IT方不断地按业务需求去调研.确认业务逻辑,然后取数做报表,其中还要忍受业务的需求变更. Gartner在2016年的商业智能报告中指出,企业传统的IT应用系统虽然已经非常普及,但由于数据整合的复杂性和业务逻辑的多变性,传统BI工具已不能满足企业对于及时性数据分析的需求.以IT主导的商业智能BI和分析将逐步演变为以业务为主导的自助式分析. 工欲善其事,必先利其器.企业对于自助式

如今,百度一下商业智能或BI工具,总能看到Tableau的身影.并不是Tableau的营销做得好,而是国内对于商业智能工具的认知和选择似乎都落在了Tableau身上.导致不管业内业外都对商业智能的概念有了偏颇之见,认为就是一个前端展示工具,就是一个做图表的. 这里并不是在否认Tableau.确实,Tableau的可视化,图表制作能力被众人称赞,这点值得国内BI厂商借鉴.但从商业智能的应用来看,企业对于BI的关注,更多的是数据处理的性能(数据量.速度.稳定性).产品的适配性(可开发性.可集成性)以

过去,有关企业数据分析的重担都压在IT部门,传统BI分析更多面向的是具有IT背景的人员.但随着业务分析需求的增加,很多公司都希望为业务用户提供自助分析服务,将分析工作落实到业务人员手中.但同时,分析工具毕竟作为一个系统架设在企业数据分析平台的前端,需要适应企业的复杂业态,于是自助式BI成了不二选择. 由于数据的数量和复杂性,自助式BI工具需要兼顾这两个方面: 1. 工具的易操作性 工具是否简单易用,分析逻辑是否符合常规,决定着这个工具能否被快速地掌握.自助分析工具应避免复杂SQL的学习以及额外的

BI是所有IT系统中最适合于管理层和决策层使用的信息系统. ERP等各类信息系统中的数据,只有通过BI才能将隐藏在数据中的信息挖掘出来.转化为事实. BI的实施也需要依据企业情况进行“定制”.如何实施BI?实施过程中需要注意什么?这里以帆软商业智能FineBI的项目为例,分享BI 实施的过程经验. 项目实施背景 实施的对象是一家服务于三大运营商的项目实施公司.其业务遍布全国各地,每个月存在大量数据的互动与分析,所以数据量非常大. 在过去十年,公司为项目实施业务建立了两个系统,一个是SAP,主要关

说起互联网.电商的数据分析,更多的是谈应用案例,如何去实践数据化管理运营.而这里,我们要从技术角度分享关于数据的技术架构干货,如何应用BI. 原文是云猴网BI总经理王卫东在帆软大数据上的演讲,以下是整理的文字稿. 在电商领域,我们一般认为所有的数据都可以分为四大类型,流量.销量.商品和会员,这也是最基础的报表需求. 流量部分,可以分为受访.点击.搜索.来源等等.这些流量信息运用的重点在于一些广告包括一些产品的改版以及搜索引擎的相关信息展示.虽然这方面百度.GA可以给你提供这方面的信息,但未必能完