1、更多企業學院：中小企業治理全能版183套講座+89700份資料總經理、高層治理49套講座+16388份資料中層治理學院46套講座+6020份資料國學智慧、易經46套講座人力資源學院56套講座+27123份資料各時期職員培訓學院77套講座+ 324份資料職員治理企業學院67套講座+ 8720份資料工廠生產治理學院52套講座+ 13920份資料財務治理學院53套講座+ 17945份資料銷售經理學院56套講座+ 14350份資料銷售人員培訓學院72套講座+ 4879份資料更多企業學院：中小企業治理全能版183套講座+89700份資料總經理、高層治理49套講座+16388份資料中層治理學院46套講座+

2、6020份資料國學智慧、易經46套講座人力資源學院56套講座+27123份資料各時期職員培訓學院77套講座+ 324份資料職員治理企業學院67套講座+ 8720份資料工廠生產治理學院52套講座+ 13920份資料財務治理學院53套講座+ 17945份資料銷售經理學院56套講座+ 14350份資料銷售人員培訓學院72套講座+ 4879份資料更多企業學院：中小企業治理全能版183套講座+89700份資料總經理、高層治理49套講座+16388份資料中層治理學院46套講座+6020份資料國學智慧、易經46套講座人力資源學院56套講座+27123份資料各時期職員培訓學院77套講座+ 324份資料職員治理

3、企業學院67套講座+ 8720份資料工廠生產治理學院52套講座+ 13920份資料財務治理學院53套講座+ 17945份資料銷售經理學院56套講座+ 14350份資料銷售人員培訓學院72套講座+ 4879份資料商業智能的一大重要應用是在數據量龐大而嘈雜的制造業中，能夠講，制造業是特不需要商業智能的行業。因此，本期我們就將目光轉向制造業，討論一下商業智能在 ERP業務中的應用。在 文中，我們以一家鞋服制造企業為例，描述其ERP相關的BI系統項目特點，讓大伙兒對制造業 BI在ERP業務的應用有一個直 觀的印象和清晰的理解。商業智能的一大重要應用是在數據量龐大而嘈雜的制 造業中，能夠講，制造業是特不

4、需要商業智能的行業。因此，本 期，我們就將目光轉向制造業， 討論一下商業智能在 ERP業務中 的應用。ERP#務數據的特點1、數據量龐大。制造業的數據量特不大，動輒以百萬、千萬為單位計，甚至上億條，能夠講是海量的，會對企業的業務數據庫 造成極大的負荷，因此，制造業是特不適合做 BI 項目的。2、數據整齊程度差，隨意性較大。大量數據采集是人工歸集的， 數據準確性專門差，且專門不規整，數據格式專門不統一，數據 類型混亂而嘈雜。3、信息分散、不及時、不共享。和其他行業不同，制造業產、 供、銷、人、財、物是一個有機的整體，它們之間存在大量信息 交換。而人工治理信息分散，缺乏完善的基礎數據，大大阻礙治

5、理決策的科學性和準確性。二、ERP業務BI項目特點下面，我們就以一家鞋服制造企業為例， 描述其 ERP相關的BI系統項目特點，讓大伙兒對制造業BI在ERP業務的應用有一個直觀的印象和清晰的理解。我們都明白，一個完整的 BI 項目流程包括三個差不多步驟：第一步，通過 ETL流程，利用 WINDOWS SQL SERVER 200的組件INTEGRATION SERVICE工具，將數據從業務數據庫源系統中抽取、轉換、清洗和加載到數據倉庫中； 第二步，通過OLAP流程，利用 WINDOWS SQL SERVER 20中的5 / 14組件ANALYSISSERVICESC具，將數據倉庫中的數據，按照分

6、析 的模式進行聚合和計算， 并把計算結果以某種特定的結果存儲起 來，搭建起多維分析模型，以便客戶端快速查詢和使用。第三步， 通過報表流程 ，利用 WINDOWS SQL SERVER 2中00的5 組件REPORTING SERVICES表工具，將客戶端需要的信息完整、迅速而靈活地展現出來，完成數據前端展現任務。在本例中，源數據來自于企業的 ERP系統，8個事實表記錄以每 天幾萬條的數量級增加， 目前均已累計達到百余萬行。 針對如此 的系統特性，為了提高查詢效率，我們在設計數據倉庫的時候， 需要注意如下幾點：1）為了加快數據查詢的速度，提高數據倉庫的執行性能，在每 張維度表的主鍵列上建立聚攏索

7、引，在每張事實表的 ID 列上建 立聚攏索引，并在每個關聯列上建立非聚攏索引。2） 盡量將常用的計算固化成數據表中的字段列，并通過ETL過程進行處理。盡管如此會使數據倉庫變得更加龐大，然而，卻提 升了前端查詢、 匯總和分析的效率。 關于輔助領導決策的企業級BI 系統來講，關于分析效率的需求遠高于數據倉庫的空間占有需求。3）制造業的數據最大特點確實是數據量極其龐大，會致Cube處6 / 14理變慢，占用專門多的系統資源。因此，在搭建數據倉庫時，就 必須提早采納一定的設計策略和調整方法。 方法確實是將維度表 盡量制作的薄一點，同時，將事實表盡量制作的窄一點。如此， 在 Cube 處理時，就會大大提

8、高效率。在數據倉庫建模完成后，我們通過ETL過程將源系統中的數據導 入到數據倉庫。那么，在應用 SSIS 的過程中，我們需要注意如 下幾點：1) 數據格式不統一、 不規整問題 。本例中，在字段中含有“ ”、“”等全角字符，SSIS在處理時就會報錯，必須進行處理。 解決方法確實是在列名后加上 collate Chinese_PRC_CI_AS_WS 關鍵字，即可找到含有全角的字符， 然后用 Replace 即可替換掉。2) ETL的增量抽取問題。由于制造業數據量極大，更新速度快， 且對數據更新的實時性要求極高， 不可能每次都將全部數據進行 抽取加載， 因此，增量抽取問題就顯的尤為重要了。 解決方

9、法為： 1、在時刻戳字段添加聚攏索引； 2、設置變量獵取最大值。3) ETL包調度遠程連接報錯問題。在ETL包中，假如連接治理器連接的是遠程服務器的數據庫，手動運行ETL包沒有問題，但是，假如在調度中運行該包，就會報錯。解決方法為，在本地服 務器和遠程服務器使用同一用戶名和密碼。之后，我們就能夠為 OLAP維度建模了。我們以數據倉庫中的維度表為基礎，建立維度。其中，比較值得一提的是地區維度的設計： Dim_Rigion ，該維度共有 3 個屬性，分不是 Dim Region ，ArealD，以及Parentrowid，其中Dim Region字段作為邏輯主鍵，并在此屬性層次結構下， 與其他 2 個屬性層次結構分不建立 了屬性關系。一般項目中的地區維度會被建成標準的層次關系， 然而在本例中， 基于銷售地區分布不平衡的特點， 我們采納了父 子維度關系， 簡練的表達了地區之間的從屬關系。 如圖所示： DimRegion 字段和 Parentrowid 字段形成了父子維度關系。（圖一）在將數據倉庫建模和 OLAP維度建模成功搭建好以后，現在，我們開始以數據倉庫為基礎創建多維立方體CUBE在那個地點，我們建立了 8 個度量值組，分不為 Fact_SalesOrder（ 采購訂單 度量值組 ） ， Fact_Po