首先，本书大体上都是在讲美国政府在各社会团体不断争取权利、三权分立制度的制衡下，一步步将信息公然的历程。和数据对美国政治所产生的影响，美国政府如何保护公民隐私等等。实在真正触及到企业如何变得更加智能，惟有第四章讲得非常具体。先来看一下完全的商务智能流程：1、通过各种来源的关系型数据库，使用ELT （提取、转换、加载）工具，对来自不同系统的数据以同一格式进行清洗、转换、集成进进到数据仓库。2、锁定目标数据落后行联机分析。通过不同的分析角度进行***分析，这样用户可以随时创建自己需要的报表，开发职员只要在后台为用户创建构建***的数据立方体模型，用户就能够直接在前真个各个维度之间进行切换，从不同的维度对数据进行分析。从而取得更加全面的、动态的的分析结果。
3、进行数据发掘。就是从海量数据中，发掘出具有价值的数据。通过对数据的发掘其一、可以发现数据的历史规律，对过往进行总结。其二、可以根据数据对未来进行猜测。企业可以根据猜测对未来行情趋势做出预判，并作出相干决策。4、数据可视化，我想任何人看到一推数据，就会感到很头疼。固然也很不直观，到底企业的各项指标相比往年是好是坏往做对照也会很麻烦。使用各种图表、三维地图、动态摹拟和相干的动画技术是本来枯燥乏味的数据，变得生动起来。数据可视化把数据以更加直观的形态展现出来，令人们对相干数据做到一目了然。5、通过上面几步我们就把本来毫无价值的数据，变成了信息，最后演化为知识。其次，我们北京大学青鸟公司应当斟酌的：1、是不是有必要建立数据仓库？固然我这个题目我也在线上向IBM 数据仓库的职员询问过。要斟酌的有两个因素：其一、数据量的级别，其二、对数据发掘的程度。一、数据量。收集器实时都对新闻、论坛、博客、微博在进行收集，固然假如说一年的数据量不算大的话，亦或宁波本地的数据量也没那末大的话。公司假定几年后、几十年后业务量增大了，做到了浙江省乃至全国的时候。那个时候的数据量我想应当是非常的庞大了。二、对数据发掘的程度，固然有关公司触及的更多。不过有时候那些公司做得仅仅是从收集的数据那里通过筛选，将相干信息发送给相干的客户。个人觉得这个价值应当被放大，通过对相干数据的发掘对过往的规律进行总结，对未来的趋势做出猜测。如固特异轮胎，根据往年的数据总结出某款轮胎某地和在哪一个时间段销量最大，然后第二年可以根据这个数据，制造商可以提早对该型号轮胎进行大量备货以备不时之需。通过发掘在特定的时间段，哪几种商品***销售会得到更好的销量等等。固然数据仓库是面向主题的数据集合，用于支持管理中的决策制定。个人觉得对公司领导层做出正确决策有很大的指导作用。2、公司应当加大数据发掘能力。公司在招聘往里面招聘的所谓数据分析师，只不过是用来数据监测的。真正意义上面的数据分析师很是匮乏。现在客户大多希看的是能够给本企业决策有指导性意义的报告、或建议。这就需要我们通过数据发掘猜测出未来趋势，即猜测性分析。这样不管在产品推广，和在本品牌虔诚度上都会有一定的保障。3、是不是能通过联机分析处理将数据从各个角度、不同纬度展现出来。例如对销售数据的分析，时间周期是一个维度，产品种别、分销渠道、地理散布、客户群类也分别是一个维度。一旦***数据模型建立完成，用户可以快速地从各个分析角度获得数据，也能动态的在各个角度之间切换或进行多角度综合分析。4、数据可视化设计上需要强化。相干系统是直接给客户进行操纵使用的，但我们所生成报告里面的统计图、走势图还不能很直观的展现给客户。这个对客户体验来讲是非常致命的，由于一旦不能直观的体现数据所显现出来的状态，客户就不能对其决策做出正确的判定。进一步致使客户对我们虔诚度的下降。
首先，本书大体上都是在讲美国政府在各社会团体不断争取权利、三权分立制度的制衡下，一步步将信息公然的历程。和数据对美国政治所产生的影响，美国政府如何保护公民隐私等等。实在真正触及到企业如何变得更加智能，惟有第四章讲得非常具体。先来看一下完全的商务智能流程：1、通过各种来源的关系型数据库，使用ELT （提取、转换、加载）工具，对来自不同系统的数据以同一格式进行清洗、转换、集成进进到数据仓库。2、锁定目标数据落后行联机分析。通过不同的分析角度进行***分析，这样用户可以随时创建自己需要的报表，开发职员只要在后台为用户创建构建***的数据立方体模型，用户就能够直接在前真个各个维度之间进行切换，从不同的维度对数据进行分析。从而取得更加全面的、动态的的分析结果。
3、进行数据发掘。就是从海量数据中，发掘出具有价值的数据。通过对数据的发掘其一、可以发现数据的历史规律，对过往进行总结。其二、可以根据数据对未来进行猜测。企业可以根据猜测对未来行情趋势做出预判，并作出相干决策。4、数据可视化，我想任何人看到一推数据，就会感到很头疼。固然也很不直观，到底企业的各项指标相比往年是好是坏往做对照也会很麻烦。使用各种图表、三维地图、动态摹拟和相干的动画技术是本来枯燥乏味的数据，变得生动起来。数据可视化把数据以更加直观的形态展现出来，令人们对相干数据做到一目了然。5、通过上面几步我们就把本来毫无价值的数据，变成了信息，最后演化为知识。其次，我们北京大学青鸟公司应当斟酌的：1、是不是有必要建立数据仓库？固然我这个题目我也在线上向IBM 数据仓库的职员询问过。要斟酌的有两个因素：其一、数据量的级别，其二、对数据发掘的程度。一、数据量。收集器实时都对新闻、论坛、博客、微博在进行收集，固然假如说一年的数据量不算大的话，亦或宁波本地的数据量也没那末大的话。公司假定几年后、几十年后业务量增大了，做到了浙江省乃至全国的时候。那个时候的数据量我想应当是非常的庞大了。二、对数据发掘的程度，固然有关公司触及的更多。不过有时候那些公司做得仅仅是从收集的数据那里通过筛选，将相干信息发送给相干的客户。个人觉得这个价值应当被放大，通过对相干数据的发掘对过往的规律进行总结，对未来的趋势做出猜测。如固特异轮胎，根据往年的数据总结出某款轮胎某地和在哪一个时间段销量最大，然后第二年可以根据这个数据，制造商可以提早对该型号轮胎进行大量备货以备不时之需。通过发掘在特定的时间段，哪几种商品***销售会得到更好的销量等等。固然数据仓库是面向主题的数据集合，用于支持管理中的决策制定。个人觉得对公司领导层做出正确决策有很大的指导作用。2、公司应当加大数据发掘能力。公司在招聘往里面招聘的所谓数据分析师，只不过是用来数据监测的。真正意义上面的数据分析师很是匮乏。现在客户大多希看的是能够给本企业决策有指导性意义的报告、或建议。这就需要我们通过数据发掘猜测出未来趋势，即猜测性分析。这样不管在产品推广，和在本品牌虔诚度上都会有一定的保障。3、是不是能通过联机分析处理将数据从各个角度、不同纬度展现出来。例如对销售数据的分析，时间周期是一个维度，产品种别、分销渠道、地理散布、客户群类也分别是一个维度。一旦***数据模型建立完成，用户可以快速地从各个分析角度获得数据，也能动态的在各个角度之间切换或进行多角度综合分析。4、数据可视化设计上需要强化。相干系统是直接给客户进行操纵使用的，但我们所生成报告里面的统计图、走势图还不能很直观的展现给客户。这个对客户体验来讲是非常致命的，由于一旦不能直观的体现数据所显现出来的状态，客户就不能对其决策做出正确的判定。进一步致使客户对我们虔诚度的下降。