1．商务智能关键技术

商务智能涉及的信息技术主要包括：ETL、数据仓库、商务智能应用技术等。

ETL是指采用数据抽取(Extraction)、转换(Transformation)和加载(Loading)等技术，从业务系统或外部系统抽取数据，并以数据仓库需要的格式和形态，在规定的时间装入到数据仓库中去。ETL工具的关键技术在于能够快速从源系统抽取增量数据，提供并行的多任务数据抽取进程，通过计划作业，提供丰富的数据转换处理功能，其中尤为关键的在于如何捕获业务系统的增量数据。大多数的ETL工具主要是依靠捕获数据库表记录变化来获得增量。少量的ETL工具则是基于应用级来捕获增量，一般这种工具都是配合专有应用使用，比如，SAP公司的ERP可以产生应用级的增量数据变动，但是其增量仅提供SAP BW产品数据抽取使用。通用的ETL工具包括Oracle公司的Oracle Data Integrator，IBM公司的DataStage，SAP Business Objects公司的Data Integrator，以及Informatica公司的数据集成产品。

数据仓库( Data Warehouse)是面向主题的、集成的、稳定的、不同时间的数据集合，为分析和决策提供一个完整的应用视图，为数据挖掘、数据分析提供统一的应用界面和访问接口，是商务智能总体技术架构的核心。数据仓库中的数据存储方式，存在两种主要的不同途径。Ralph. Kimball建议采用维度模式，即数据仓库中的数据需要按照维度构造模型，或者是常说的雪花模式构造模型。而William H．Inmon则强调数据仓库中的数据需要采用实体一关系模型（E-R模型）或者俗称的第三范式模型。在数据仓库的建设上，Kimball建议采用自底向上的方式，即先为特定业务部门提供报表及分析的数据集市，然后通过总线将不同的数据集市集成在一起从而构成一个整体的数据仓库。Inmon则建议采用自顶向下的模式，要从企业的整体上来构建数据仓库，数据仓库中的数据必须是“原子”数据，保持最细的数据粒度，数据仓库是企业信息资源库的核心，满足部门报表和分析的数据集市必须基于数据仓库基础之上来建立。Inmon方式建设的数据仓库从企业整体架构而言更为坚固，但是采用这种方式的成本很大，建设周期很长，业务部门在一定时间内无法受益。长久以来Kimball的方式占据了上风，很多企业面向部门需求建设了大量的部门数据集市，但是这种建设方式的弊端也是显而易见的，主要是数据不一致，数据冗余和面临业务变革调整困难，近些年全球大型企业开始对建设的数据集市进行整合，重新回到Inmon的集中数据仓库模式。