用于商業智能的數據存儲
數據存在于整個組織的多個系統中。為了進行最準確的分析，公司應確保這些系統中每個系統的數據類型之間的格式標準化。例如，大型企業可以在其客戶關系管理（CRM）應用程序中獲得有關其客戶的信息，并在其企業資源計劃（ERP）應用程序中獲得財務數據。這些單獨的程序可能對數據進行不同的標記和分類，并且需要在分析之前對數據進行標準化。

一些商業智能軟件程序通過本地API連接或webhook直接從源應用程序中提取數據進行分析。其他商業智能系統需要使用數據存儲系統來在公共位置聚合各種數據集。小型企業，單個部門或單個用戶可能會發現本地連接有效，但是大型公司，企業公司和生成大型數據集的公司將需要更全面的商業智能設置。

如果他們選擇集中式存儲解決方案，則企業可以使用數據倉庫或數據集市來存儲其業務信息，并購買提取，轉換和加載（ETL）軟件來促進其數據存儲。或者，他們可以使用像Hadoop這樣的數據存儲框架來管理其數據。

數據倉庫
商業智能通過構建數據倉庫將不同的數據源組合到一個數據庫中。數據倉庫充當其他BI應用程序要查詢和分析的數據的中央存儲庫。數據倉庫使用提取，轉換和加載方法，匯總了整個組織中的數據，并使其他應用程序更容易快速訪問它們。

分析和報告工具仍然可以在沒有數據倉庫的情況下運行，但是通過CRM軟件甚至銷售點（POS）軟件運行報告不僅限制了智能的重點，而且還負面影響了這些應用程序的性能。而且，這些系統中的數據以不同的格式存在，因此在不將數據重構為通用格式并將其存儲在通用區域的情況下，很難得出結論和確定模式。

存儲在數據倉庫中的數據采用維度或事實的形式，這些維度或事實是從產生數據的系統中提取的。事實代表特定操作（例如小部件的銷售）的數字。維度通過添加日期和位置為事實提供上下文，也稱為元數據。例如，尺寸可以使小部件的銷售分散數月或數年，從而使查詢更易于執行。

數據集市
從本質上來說，數據倉庫是更簡單，更狹窄的版本，數據集市專注于特定的數據子集，而不是存儲整個公司的數據。他們可能存儲更頻繁使用的數據，或僅一個部門使用的數據。公司會發現，實施數據集市要比數據倉庫便宜，而且它們可以通過限制數據庫的復雜性為非IT員工提供更好的用戶體驗。

提取，轉換和加載（ETL）軟件
ETL應用程序以將數據傳輸到數據倉庫中的過程命名，可以在中央位置標準化數據。公司可以購買ETL軟件，數據倉庫軟件或作為附加應用程序。讓我們檢查一下ETL流程的每個部分：

提取：數據提取是從其原始系統中檢索數據的過程。通常是流程中最困難的方面，從其源系統（例如，ERP或CRM系統）提取數據的成功程度會影響其余流程的成功。非結構化數據的格式不適合插入行和列，這使得在將數據存儲在數據倉庫中之后進行分析變得更加困難。用元數據標記非結構化數據，例如有關作者，內容類型和其他識別因素的信息，可以幫助團隊在將數據存儲在數據倉庫中并最終加載到BI軟件中時找到正確的數據。
轉換：從原始應用程序中提取數據后，必須對數據進行規范化，然后才能將其存儲在數據倉庫中以備將來使用。為了使商務智能系統中的分析正常工作，來自不同來源應用程序的數據必須以相同的格式存在，否則查詢將不準確。
加載：現在已經從數據源系統中提取了數據并在轉換階段對其進行了規范化，現在可以將其加載到中央數據庫（最常見的是數據倉庫）中了。負載頻率將因組織而異。一些企業可能每周輸入一次新數據，而其他企業則每天都會輸入。
Hadoop的
Hadoop是流行的數據存儲框架，是用于存儲和處理大量數據的基礎架構。盡管Hadoop存儲數據，但與傳統數據倉庫的存儲方式卻有所不同。Hadoop使用群集系統-Hadoop分布式文件系統或HDFS-允許用戶將文件存儲在多個服務器中。

Hadoop的基礎設施為管理和產生大量數據以及非常大的數據文件的企業提供了一個出色的框架。由于其集群框架，Hadoop還可以充當備份機制：如果一臺服務器出現故障，企業就不會失去對所有數據的訪問權限。Hadoop不適合像普通數據倉庫這樣的即席查詢，對于不熟悉JavaScript的用戶而言，Hadoop可能會非常復雜。

使用商業智能軟件分析大數據
無論企業是選擇將其數據存儲在數據倉庫中還是在源系統上運行查詢，數據分析以及由此產生的見解都使該領域吸引了業務用戶。分析技術在復雜性方面有所不同，但是組合大量規范化數據以識別模式的通用方法在各個平臺之間仍然保持一致。

數據挖掘
數據挖掘也稱為“數據發現”，涉及對數據集的自動和半自動分析，以發現模式和不一致之處。從數據挖掘中得出的常見相關性包括對特定的數據集進行分組，在數據中查找異常值以及從不同的數據集中繪制連接或依存關系。

數據挖掘通常會發現更復雜的分析中使用的模式，例如預測建模，這使其成為BI流程的重要組成部分。

在數據挖掘執行的標準過程中，關聯規則學習帶來了最大的好處。通過檢查數據以繪制依存關系并構建關聯，關聯規則可以幫助企業更好地了解客戶與網站互動的方式，甚至是影響他們購買行為的因素。

最初引入關聯規則學習是為了發現超市銷售點系統中記錄的購買數據之間的聯系。例如，如果客戶購買了番茄醬和奶酪，則關聯規則可能會發現該客戶也購買了漢堡包肉。盡管這是一個簡單的示例，但它試圖說明一種分析類型，該分析現在將各種行業中極其復雜的事件鏈連接起來，并幫助用戶找到本來可以隱藏的關聯。

使用商務智能軟件進行數據分析
預測分析應用程序可能是BI最令人興奮的方面之一，它是數據挖掘的高級子集。顧名思義，預測分析根據當前和歷史數據預測未來事件。通過繪制數據集之間的連接，這些軟件應用程序可以預測未來事件的可能性，這可以為企業帶來巨大的競爭優勢。

預測分析涉及詳細的建模，甚至涉足機器學習領域，其中軟件實際上是從過去的事件中學習以預測未來的結果。為了我們的目的，讓我們關注預測分析的三種主要形式：

預測建模
這種最著名的預測分析領域是這種軟件，其名稱含義是：它可以進行預測，尤其是在涉及單個元素時。預測模型在特定的測量單位和與該單位有關的至少一個或多個特征之間尋找相關性。目標是在不同數據集之間找到相同的相關性。

描述性建模
預測模型搜索單位與其功能之間的單個相關性（例如，為了預測客戶更換保險提供商的可能性），描述性模型試圖將數據縮減為可管理的大小和分組。描述性分析非常適合用于匯總信息，例如唯一的頁面瀏覽量或社交媒體提及。

決策分析
決策分析考慮了與離散決策相關的所有因素。決策分析預測動作將在決策中涉及的所有變量中產生級聯效應。換句話說，決策分析為企業提供了預測結果并采取行動所需的具體信息。

自然語言處理
數據以三種主要形式出現：結構化，半結構化和非結構化。非結構化數據是最常見的數據，包括文本文檔和其他類型的文件，這些文件以計算機無法輕松讀取的格式存在。

非結構化數據無法存儲在行或列中，這使得傳統數據挖掘軟件無法進行分析。但是，這些數據通常對于理解業務成果至關重要。由于存在大量非結構化數據，因此文本分析應該是尋找最佳商務智能軟件時的主要考慮因素。