概念：DW 与 BI

DW和BI的概念比较容易混淆，下面就结合自己的认识进行简单的描述：

 

数据仓库：DW---Data Warehouse

 

       侧重于信息的整合、数据准备，包括数据迁移、组织、存取等后台工作。数据仓库的一个目的就是把企业的信息访问基础从一种非结构化的或发展中的环境改变成一种结构化或规划良好的环境。按照W.H.Inmon 这位数据仓库权威的说法，“数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程”。

      在建模方面，目前较常用的两种建模方法是所谓的第三范式(3NF, 即 Third Normal Form)和星型模式 (Star-Schema)，粒度和分割时DW的两个重要概念。

      数据集市(DM，Data Market)，可以理解为为部门范围级别的决策支持应用而设计的，其数据模型设计和数据组织上更多地服务于一个部门的信息需求，而数据仓库所对应的是整个企业的层面的整体信息视图，体现决策信息在企业的共性需求。

      操作型数据存储区(ODS, Operational Data Store)是为了弥补业务系统和数据仓库之间的数据同步差距而提出的，ODS+DW在实现实时或者准实时的数据抽取上有自己的优势，劣势就在于增减了模型设计的复杂度和成本。

 

商业智能：BI---Business Intelligence

 

      侧重于数据的查询和报告，多维或者联机的数据分析，数据挖掘和数据可视化工具等数据应用的前台操作，其中数据挖掘是较高层级的商业智能应用。

      BI的前身是EIS（领导信息系统，Executive Information System），之后又被叫做DSS（决策支持系统,Decision Support System）。从技术层面上讲，商业智能或数据仓库并不是什么新技术，它只是数据库技术、OLAP 技术、数据采集和迁移技术、网络技术、GUI 技术、查询&报表技术、统计学、人工智能、知识发现技术等理论和技术的综合运用，从这个意义上，把商业智能看成是一种体系结构应该比较恰当。

      商业智能的核心内容是从许多来自企业不同的业务处理系统的数据中，提取出有用的数据，进行清理以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL 过程，整合到一个企业级的数据库里，从而得到企业信息的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具等对数据仓库里的数据进行分析和处理，形成信息，甚至进一步把信息提炼出辅助决策的知识，最后把知识呈现给管理者，为管理者的决策过程提供支持。

 

 

业务信息仓库：BW---Business Information Warehouse

 

      与前两者息息相关，也是我日后的研究重点所在...