SQL Server 2005 中的商务智能和数据仓库(7)

以下是网页上显示的一些 KPI 示例：

实时商务智能

数据仓库和商务智能应用程序过去都是使用“过时”的或高延迟的数据，数据每月、每周或每天刷新一次。传统拥护者断言，实时 BI 是相互矛盾的，因为统计决策不需要刷新频率过高（超过每天一次）的数据。评论者忘记了一件事情，就是商务智能应深入整个企业，而不仅仅是将策略或制定的战术决策部署给少数的分析家或行政执行人员。可操作的商务智能要求低延迟的数据。

Analysis Services 2005 为可操作的商务智能提供了新的处理选项。在 Analysis Services 2000 中，无论是多维数据集的存储模式还是分区策略，都是用“拉”模型处理。启动 Analysis Services 进程在源数据库中查找新的信息、处理可选存储的详细数据，并计算和存储聚合。

在 Analysis Services 2005 中仍支持“拉”模型，但结合了对低延迟商务智能异常有效的其他选项。

•	从 DTS 管道中推出数据，或从自定义应用程序中推出数据。数据可以从 DTS 包管道直接流入 Analysis Services 分区，不用立即存储。这种方案可用于降低分析数据的延迟（和存储成本）。
•	按主动缓存管理多维数据集，以指定延迟和性能特性管理缓存，勿需管理干涉。

Analysis Services 多维存储的查询性能特性主宰着关系型存储。简而言之，查询针对多维 (MOLAP) 存储执行时效果最佳。其不足之处是延迟：多维存储是从其关系源向下流动的。主动缓存技术的技巧就在于能够在最小化数据延迟和管理成本的同时最大化查询性能。

主动缓存功能简化了管理数据过期问题的过程。如果事务发生在源数据库（如新的维度成员或新的事实事务）上，现有“缓存”便会过期。主动缓存技术提供了一种可调整的机制，可确定重新构建多维缓存的频率；指定在重新构建缓存时答复查询的方式；在不需要任何管理干涉的情况下启动过程。

主动缓存技术使您可以将多维数据集设置为在事务发生时，自动刷新其多维缓存。虽然 Analysis Services 处理数据速度非常快，但处理过程还是需要一些时间的。如果多维缓存处理过程没有完成，主动缓存配置便可以自动将查询重定向到相关的存储。

在设计主动缓存配置时，一定要谨记必须为每个多维分区都设置主动缓存。如果分区包括短时间范围（如一小时）内的数据，缓存刷新过程可能会发生的非常快。最为复杂的主动缓存配置依赖于从关系数据库发往有更新发生的 Analysis Services 的通知。Microsoft SQL Server 关系数据库支持这种通知。对于不能够提交通知的数据库，可以将 Analysis Services 配置为根据定义的查询，轮询更改。

主动缓存的参数有：

•	静止期：在服务器开始处理新信息前，关系源必须处于事务空闲状态的时间量。该参数通常设置为一个小于十秒钟的值。如果在关系源上存在许多连续的更新，则应等待静止期，以针对重复性删除和重建缓存加以保护。
•	延迟：允许用户访问过期数据的时间量。如果延迟设置为 0，则只要收到通知，用户查询就会被重定向到关系源。如果延迟设置为 600 秒，用户则只能访问十分钟前的数据。如果设置为 -1，则表示用户将一直访问过期数据，直至主动缓存处理完毕。
•	静默覆盖间隔：更改通知与主动缓存处理开始之间的最大持续时间。如果源数据库被不断更新，此参数将覆盖“静止期”设置。
•	强制重建间隔：当源数据库系统不能提供更新通知时，可使用此参数提供简单的主动缓存功能。如果源数据在 SQL Server RDBMS 中，则应将该参数设置为 0。

数据挖掘

概述

Microsoft SQL Server 2005 Data Mining（数据挖掘）属于商务智能技术，它可帮助您构建复杂的分析模型，并使其与您的业务操作相集成。数据挖掘可回答如下问题

•	该客户的信用风险如何？
•	客户的特征如何？
•	人们愿意同时购买哪些产品？
•	下个月能卖出多少产品？

数据挖掘应用程序将数据挖掘模型集成到日常的业务运营之中。许多数据挖掘项目的目标是构建可供业务用户、合作伙伴和客户使用的分析应用程序，而不必理会应用程序底层的复杂计算。要实现这一目标，需要执行两个主要步骤：构建数据挖掘模型并构建应用程序。SQL Server 2005 Data Mining 使这些步骤比以往更加简单。

Microsoft 2005 中数据挖掘功能的目标是构建具备以下特征的工具：

•	简单易用
•	可提供一整套的功能
•	可轻松嵌入到产品应用程序中
•	紧密集成其他的 SQL Server BI 技术，以及
•	能够扩展数据挖掘应用程序的市场。

可以肯定，本白皮书的每位读者几乎都曾“使用”过数据挖掘应用程序。如果您已在线购得了本书或音乐，并收到了“购买此产品的其他客户”的建议，或者，如果信用卡公司要求您确认一宗可疑交易，或者，食品店在收条上打印个性化优惠券，所有这些，都是您从使用数据挖掘应用程序中得到的好处。时至今日，这种应用程序的开发已集中于解决大型公司所面临的最大问题，这些公司能够承受分析能力的匮乏以及巨额的开发费用，而这些都是过去用传统方法构建数据挖掘应用程序所需面对的。正如 Microsoft 的 OLAP 技术已推动了 OLAP 市场增长一样，我们期望能够将数据挖掘技术推广开来，使那些在过去不能开发这种应用程序的企业和部门也能够加入到其开发行列中来。

使用 SQL Server 2005 Data Mining 工具开发一套数据模式，然后在这些模式的基础上随意执行预测。这是所有数据挖掘的模式：开发、模式发现和模式预测。

数据挖掘算法

所有数据挖掘工具（包括 Microsoft SQL Server 2005 Analysis Services）都采用了多种算法。当然，Analysis Services 是可扩展的；第三方 ISV 可以开发算法，并将所开发的算法无缝地融入到 Analysis Services 数据挖掘框架之中。根据数据和目标的不同，应该采用不同的算法，而且每种算法都可用于解决多个问题。

数据挖掘工具擅长解决多种类型的问题。下表概括了业务问题的大致分类：

分析问题	示例	Microsoft 算法
分类：为案例分配预定义的级别（如“好”与“差”）	• 信用风险分析 • 客户流失分析 • 客户挽留	• 决策树 • 贝叶斯算法 • 神经网络
分割：开发一种按相似案例分组的分类方法	• 客户资料分析 • 邮件推销活动	• 群集 • 顺序群集
关联：相关性高级计算	• 购物篮分析 • 高级数据研究	• 决策树 • 相关规则
时间序列预测：预测未来	• 预测销售 • 预测股票价格	• 时间序列
预测：根据相似案例（如现有客户）的值预测新方案（如新客户）的值	• 提供保险率 • 预测客户收入 • 预测温度	• 全部
偏差分析：发现案例或群体与其他案例和群体之间的差别	• 信用卡欺骗检测 • 网络入侵分析	• 全部