书籍详情
数据仓库应用指南：数据仓库与商务智能最佳实践
作者：拉柏格 著，祝洪凯，李妹芳 译
出版社：机械工业出版社
出版时间：2012-03-01
ISBN：9787111370444
定价：¥69.00
购买这本书可以去
内容简介
《数据仓库应用指南：数据仓库与商务智能最佳实践》全面系统地讲解如何规划、设计、构建和管理数据仓库／商务智能解决方案。本书介绍在数据仓库开发项目中如何激励用户，在整个企业范围内更好地驱动决策制定，从专业的开发人员获取详细的指导和最佳实践经验。本书内容涉及如何选择恰当的组件、构建企业数据模型、配置数据集市和数据仓库、构建数据流并降低风险，还涉及项目开发中变更管理、数据监理和安全方面的问题。
作者简介
Robert（Bob）Laberge是多家互联网企业的创始人、IBM产业模式和资产实验室的首席顾问，他的研究重点是数据仓库和商务智能解决方案。 Bob早在20世纪70年代末就开始其职业生涯，当时比尔·盖茨还只是一个百万富翁，Bob曾经是开发人员、数据库管理员、数据建模师、项目经理、数据架构师、企业信息架构师、数据仓库/商务智能审计员、战略师，而且还是富于创新的企业家。从那时，Bob就跑遍全球，通过设计、优化、最佳实践和在概念层、逻辑层和物理层的常识说明，提供指导、培训和证明数据仓库和商务智能实践经验和解决方案。Bob成功地帮助了50多家大型企业扩展业务，这些企业涉及零售、保险、医疗、铁路、电信、电子商务和银行等行业。
目录
译者序
前言
作者简介
第一部分 准备
第1章 数据仓库和商务智能概述
1.1 商务智能概述
1.1.1 定义
1.1.2 商务智能的价值
1.1.3 剖析商务智能
1.1.4 商务智能的成功要素
1.1.5 商务智能的目标
1.1.6 BI用户展现层
1.1.7 BI工具和架构
1.1.8 全球化带来的发展
1.2 数据仓库概述
1.2.1 定义
1.2.2 数据仓库系统
1.2.3 数据仓库架构
1.2.4 数据流术语
1.2.5 数据仓库目标
1.2.6 数据结构化策略
1.2.7 数据仓库业务
1.3 常见问题
1.3.1 当前系统是否足够好
1.3.2 数据仓库的价值
1.3.3 成本多高
1.3.4 时间多长
1.3.5 成功的因素
第2章 企业中的数据
2.1 企业资产
2.1.1 具有上下文的数据
2.1.2 数据质量
2.1.3 数据字典
2.1.4 数据组件
2.2 组织数据
2.2.1 对数据结构化
2.2.2 数据模型
2.2.3 数据架构
2.3 竞争优势
2.3.1 构建还是购买数据模型
2.3.2 指导业务
第3章 为什么创建数据仓库
3.1 平台迁移
3.1.1 业务连续性
3.1.2 逆向工程
3.1.3 数据质量
3.1.4 并行环境
3.1.5 附加值
3.2 数据仓库集中化
3.2.1 企业间并购
3.2.2 企业内合并
3.2.3 集中式设计和局部使用
3.3 数据集市整合
3.4 新方案
3.5 新方案：动态报表
3.6 “Just Build It”模式
3.7 数据Floundation
3.8 不构建数据仓库的原因
3.8.1 数据质量差
3.8.2 缺乏商业目标
3.8.3 缺乏管理层支持
3.8.4 目标不明确
3.8.5 当前系统足够用
3.8.6 缺乏人才资源
3.8.7 环境不稳定
3.8.8 成本太高
3.8.9 管理不善
第4章 数据仓库和商务智能战略
4.1 商务智能战略
4.1.1 商业目标
4.1.2 商业用途
4.1.3 架构概览
4.2 数据仓库战略
4.2.1 用途
4.2.2 数据仓库架构
4.3 重点和成功
4.3.1 整个企业还是业务线
4.3.2 目标明确
4.3.3 成功：衡量的标准是什么
4.4 从何处着手
4.4.1 关于商务智能
4.4.2 关于数据仓库
4.5 如何开始
4.5.1 关于商务智能
4.5.2 关于数据仓库
4.6 项目阶段化
4.7 需要多长时间（重新回顾）
4.8 兴趣点
4.8.1 常见的失败原因
4.8.2 基本原则
第5章 项目资源：角色和洞察力
5.1 关键点
5.1.1 项目团队
5.1.2 资深专业知识
5.1.3 领导力
5.1.4 项目发起人
5.1.5 数据仓库管理层
5.2 团队结构
5.2.1 管理层发起人
5.2.2 数据管家
5.2.3 基本资源
5.3 定期审查：进度审核
5.4 能力中心
第6章 项目总结概论
6.1 项目章程
6.2 项目范畴
6.3 工作说明书
第二部分 组件
第7章 商务智能：数据集市及其使用方式
7.1 为什么要对数据建模
7.1.1 数据模型的类型
7.1.2 数据设计
7.2 事实表
7.2.1 事实的类型
7.2.2 事实表的类型
7.2.3 衡量指标来源
7.2.4 事实表关键字
7.2.5 事实表粒度
7.2.6 事实表密度
7.2.7 无事实的事实表
7.3 维度表
7.3.1 维度还是指标
7.3.2 历史表和日期表
7.3.3 维度表关键字
7.3.4 维度表的粒度
7.3.5 维度属性的来源和价值
7.3.6 维度类型
7.3.7 级别和辅助表
7.3.8 个人信息表
7.3.9 维度数
7.4 规模
第8章 企业数据模型
8.1 数据模型概览
8.2 构建企业数据模型的目标
8.3 企业数据模型的好处
8.4 数据模型：从何处开始
8.5 完全自上而下的数据模型
8.5.1 主题领域模型
8.5.2 概念模型
8.5.3 实体关系模型
8.6 总线结构
8.7 购买的数据模型
8.8 模型分析
8.8.1 数据组件
8.8.2 范化数据模型
8.8.3 超类和子类模型
8.8.4 在范化的数据模型中收集历史信息
8.8.5 代理键
8.8.6 逻辑和物理数据模型
8.8.7 是否具备参照完整性
8.9 其他数据模型
8.9.1 输入数据模型
8.9.2 临时存储数据模型
8.10 最后的思考
第9章 数据仓库架构：组件
9.1 架构概述
9.2 架构师角色
9.2.1 解决方案架构师
9.2.2 数据仓库架构师
9.2.3 技术架构师
9.2.4 数据架构师
9.2.5 ETL架构师
9.2.6 BI架构师
9.2.7 综合
9.3 体系结构分层
9.3.1 单层体系结构
9.3.2 经典的两层体系结构
9.3.3 高级的三层体系结构
9.4 数据仓库架构
9.4.1 单独的数据集市架构
9.4.2 总线结构
9.4.3 中央存储库架构
9.4.4 联合架构
9.5 组件（分层）
9.5.1 数据源
9.5.2 数据生成
9.5.3 数据组织
9.5.4 数据分发
9.5.5 信息输出
9.6 实现方式
9.6.1 数据设计和数据流
9.6.2 逻辑和物理模型
9.6.3 自上而下的方式
9.6.4 自下而上的方式
9.6.5 混合模式
9.7 捷径
9.7.1 数据采集层
9.7.2 中央数据层
9.7.3 数据分发层
9.7.4 表现层
9.7.5 用户展现层
9.7.6 方法论
9.7.7 现成的解决方案
第10章 ETL和数据质量
10.1 架构
10.1.1 数据获取
10.1.2 数据分发
10.1.3 ETL映射
10.1.4 初始加载和增量加载
10.1.5 ETL、ELT和ETTL
10.1.6 并行操作
10.1.7 ETL功能角色
10.1.8 数据流图
10.1.9 业务数据存储系统
10.2 数据源系统
10.2.1 没有数据源
10.2.2 多个数据源
10.2.3 其他来源（结构化输入文件）
10.2.4 非结构化数据
10.3 数据剖析
10.4 数据获取
10.4.1 多个大文件
10.4.2 伪文件
10.4.3 故障预防策略
10.5 转换和临时数据存储
10.5.1 准备工作
10.5.2 代理键
10.5.3 参照完整性
10.5.4 聚合、分析和汇总
10.5.5 编码表
10.6 加载
10.6.1 是否加载历史数据
10.6.2 插入、更新、插入或更新、删除
10.6.3 数据获取信息
10.6.4 加载调度
10.7 企业数据仓库的临时数据存储和总线架构的临时数据存储
10.8 数据分发
10.9 数据质量
10.10 ETL工具
第11章 项目规划和方法论
11.1 基础
11.1.1 风险：逐步发展
11.1.2 风险：数据质量
11.1.3 风险：资源
11.1.4 风险：成本
11.1.5 变更管理
11.1.6 最佳实践
11.2 错误
11.3 项目规划方法论
11.3.1 业务需求分析
11.3.2 战略和规划
11.3.3 解决方案纲要
11.3.4 设计
11.3.5 构建
11.3.6 部署
11.3.7 使用
第三部分 构建
第12章 工作场景
12.1 我们开始“烹饪”吧
12.2 自上而下
12.2.1 字典
12.2.2 集中式数据模型
12.2.3 数据架构
12.2.4 数据源
12.2.5 数据模型
12.2.6 数据库
12.2.7 数据获取
12.2.8 解决方案概述
12.3 自下而上
12.3.1 最终结果
12.3.2 字典
12.3.3 数据架构
12.3.4 一致性维度的管理
12.3.5 数据源
12.3.6 解决方案概述
12.4 混合式
12.4.1 起步工作
12.4.2 数据模型
12.4.3 数据架构
12.4.4 解决方案概述
12.5 归并
12.6 没有输入：结构化的输入文件
12.7 集成的第二阶段
12.8 更大的框架：企业信息架构
第13章 数据监理
13.1 什么是数据监理
13.2 数据监理的原因
13.3 企业结构
13.4 驱动和启动
13.5 数据监理的主要方面
13.5.1 安全性和敏感性
13.5.2 数据质量
13.5.3 所有权
13.5.4 变更控制
13.6 数据监理的准备工作
第14章 项目后评审
14.1 概述
14.2 项目评审
14.3 后续工作
前言
作者简介
第一部分 准备
第1章 数据仓库和商务智能概述
1.1 商务智能概述
1.1.1 定义
1.1.2 商务智能的价值
1.1.3 剖析商务智能
1.1.4 商务智能的成功要素
1.1.5 商务智能的目标
1.1.6 BI用户展现层
1.1.7 BI工具和架构
1.1.8 全球化带来的发展
1.2 数据仓库概述
1.2.1 定义
1.2.2 数据仓库系统
1.2.3 数据仓库架构
1.2.4 数据流术语
1.2.5 数据仓库目标
1.2.6 数据结构化策略
1.2.7 数据仓库业务
1.3 常见问题
1.3.1 当前系统是否足够好
1.3.2 数据仓库的价值
1.3.3 成本多高
1.3.4 时间多长
1.3.5 成功的因素
第2章 企业中的数据
2.1 企业资产
2.1.1 具有上下文的数据
2.1.2 数据质量
2.1.3 数据字典
2.1.4 数据组件
2.2 组织数据
2.2.1 对数据结构化
2.2.2 数据模型
2.2.3 数据架构
2.3 竞争优势
2.3.1 构建还是购买数据模型
2.3.2 指导业务
第3章 为什么创建数据仓库
3.1 平台迁移
3.1.1 业务连续性
3.1.2 逆向工程
3.1.3 数据质量
3.1.4 并行环境
3.1.5 附加值
3.2 数据仓库集中化
3.2.1 企业间并购
3.2.2 企业内合并
3.2.3 集中式设计和局部使用
3.3 数据集市整合
3.4 新方案
3.5 新方案：动态报表
3.6 “Just Build It”模式
3.7 数据Floundation
3.8 不构建数据仓库的原因
3.8.1 数据质量差
3.8.2 缺乏商业目标
3.8.3 缺乏管理层支持
3.8.4 目标不明确
3.8.5 当前系统足够用
3.8.6 缺乏人才资源
3.8.7 环境不稳定
3.8.8 成本太高
3.8.9 管理不善
第4章 数据仓库和商务智能战略
4.1 商务智能战略
4.1.1 商业目标
4.1.2 商业用途
4.1.3 架构概览
4.2 数据仓库战略
4.2.1 用途
4.2.2 数据仓库架构
4.3 重点和成功
4.3.1 整个企业还是业务线
4.3.2 目标明确
4.3.3 成功：衡量的标准是什么
4.4 从何处着手
4.4.1 关于商务智能
4.4.2 关于数据仓库
4.5 如何开始
4.5.1 关于商务智能
4.5.2 关于数据仓库
4.6 项目阶段化
4.7 需要多长时间（重新回顾）
4.8 兴趣点
4.8.1 常见的失败原因
4.8.2 基本原则
第5章 项目资源：角色和洞察力
5.1 关键点
5.1.1 项目团队
5.1.2 资深专业知识
5.1.3 领导力
5.1.4 项目发起人
5.1.5 数据仓库管理层
5.2 团队结构
5.2.1 管理层发起人
5.2.2 数据管家
5.2.3 基本资源
5.3 定期审查：进度审核
5.4 能力中心
第6章 项目总结概论
6.1 项目章程
6.2 项目范畴
6.3 工作说明书
第二部分 组件
第7章 商务智能：数据集市及其使用方式
7.1 为什么要对数据建模
7.1.1 数据模型的类型
7.1.2 数据设计
7.2 事实表
7.2.1 事实的类型
7.2.2 事实表的类型
7.2.3 衡量指标来源
7.2.4 事实表关键字
7.2.5 事实表粒度
7.2.6 事实表密度
7.2.7 无事实的事实表
7.3 维度表
7.3.1 维度还是指标
7.3.2 历史表和日期表
7.3.3 维度表关键字
7.3.4 维度表的粒度
7.3.5 维度属性的来源和价值
7.3.6 维度类型
7.3.7 级别和辅助表
7.3.8 个人信息表
7.3.9 维度数
7.4 规模
第8章 企业数据模型
8.1 数据模型概览
8.2 构建企业数据模型的目标
8.3 企业数据模型的好处
8.4 数据模型：从何处开始
8.5 完全自上而下的数据模型
8.5.1 主题领域模型
8.5.2 概念模型
8.5.3 实体关系模型
8.6 总线结构
8.7 购买的数据模型
8.8 模型分析
8.8.1 数据组件
8.8.2 范化数据模型
8.8.3 超类和子类模型
8.8.4 在范化的数据模型中收集历史信息
8.8.5 代理键
8.8.6 逻辑和物理数据模型
8.8.7 是否具备参照完整性
8.9 其他数据模型
8.9.1 输入数据模型
8.9.2 临时存储数据模型
8.10 最后的思考
第9章 数据仓库架构：组件
9.1 架构概述
9.2 架构师角色
9.2.1 解决方案架构师
9.2.2 数据仓库架构师
9.2.3 技术架构师
9.2.4 数据架构师
9.2.5 ETL架构师
9.2.6 BI架构师
9.2.7 综合
9.3 体系结构分层
9.3.1 单层体系结构
9.3.2 经典的两层体系结构
9.3.3 高级的三层体系结构
9.4 数据仓库架构
9.4.1 单独的数据集市架构
9.4.2 总线结构
9.4.3 中央存储库架构
9.4.4 联合架构
9.5 组件（分层）
9.5.1 数据源
9.5.2 数据生成
9.5.3 数据组织
9.5.4 数据分发
9.5.5 信息输出
9.6 实现方式
9.6.1 数据设计和数据流
9.6.2 逻辑和物理模型
9.6.3 自上而下的方式
9.6.4 自下而上的方式
9.6.5 混合模式
9.7 捷径
9.7.1 数据采集层
9.7.2 中央数据层
9.7.3 数据分发层
9.7.4 表现层
9.7.5 用户展现层
9.7.6 方法论
9.7.7 现成的解决方案
第10章 ETL和数据质量
10.1 架构
10.1.1 数据获取
10.1.2 数据分发
10.1.3 ETL映射
10.1.4 初始加载和增量加载
10.1.5 ETL、ELT和ETTL
10.1.6 并行操作
10.1.7 ETL功能角色
10.1.8 数据流图
10.1.9 业务数据存储系统
10.2 数据源系统
10.2.1 没有数据源
10.2.2 多个数据源
10.2.3 其他来源（结构化输入文件）
10.2.4 非结构化数据
10.3 数据剖析
10.4 数据获取
10.4.1 多个大文件
10.4.2 伪文件
10.4.3 故障预防策略
10.5 转换和临时数据存储
10.5.1 准备工作
10.5.2 代理键
10.5.3 参照完整性
10.5.4 聚合、分析和汇总
10.5.5 编码表
10.6 加载
10.6.1 是否加载历史数据
10.6.2 插入、更新、插入或更新、删除
10.6.3 数据获取信息
10.6.4 加载调度
10.7 企业数据仓库的临时数据存储和总线架构的临时数据存储
10.8 数据分发
10.9 数据质量
10.10 ETL工具
第11章 项目规划和方法论
11.1 基础
11.1.1 风险：逐步发展
11.1.2 风险：数据质量
11.1.3 风险：资源
11.1.4 风险：成本
11.1.5 变更管理
11.1.6 最佳实践
11.2 错误
11.3 项目规划方法论
11.3.1 业务需求分析
11.3.2 战略和规划
11.3.3 解决方案纲要
11.3.4 设计
11.3.5 构建
11.3.6 部署
11.3.7 使用
第三部分 构建
第12章 工作场景
12.1 我们开始“烹饪”吧
12.2 自上而下
12.2.1 字典
12.2.2 集中式数据模型
12.2.3 数据架构
12.2.4 数据源
12.2.5 数据模型
12.2.6 数据库
12.2.7 数据获取
12.2.8 解决方案概述
12.3 自下而上
12.3.1 最终结果
12.3.2 字典
12.3.3 数据架构
12.3.4 一致性维度的管理
12.3.5 数据源
12.3.6 解决方案概述
12.4 混合式
12.4.1 起步工作
12.4.2 数据模型
12.4.3 数据架构
12.4.4 解决方案概述
12.5 归并
12.6 没有输入：结构化的输入文件
12.7 集成的第二阶段
12.8 更大的框架：企业信息架构
第13章 数据监理
13.1 什么是数据监理
13.2 数据监理的原因
13.3 企业结构
13.4 驱动和启动
13.5 数据监理的主要方面
13.5.1 安全性和敏感性
13.5.2 数据质量
13.5.3 所有权
13.5.4 变更控制
13.6 数据监理的准备工作
第14章 项目后评审
14.1 概述
14.2 项目评审
14.3 后续工作
猜您喜欢
