作者：Itzik Ben-Gan
圖書：http://item.jd.com/11362891.html
輸入到數據庫的中數據以及後期查詢出的數據，通常被認爲是靜態的東西，但在許多環境中，數據其實更類似於在流水線上的產品，另一個環境移動到一個環境，並在線上進行轉換。本節介紹數據可以駐留的不同環境，以及數據生命週期各個階段的數據和環境特徵。圖1-4舉例說明了數據生命週期。
圖1-4 數據生命週期
這是每個縮略詞所代表的簡要說明。
OLTP：聯機事務處理。
DSA：數據準備區。
DW：數據倉庫。
BISM：商業智能語義模型。
DM：數據挖掘。
ETL：提取、轉換和加載。
MDX：多維表達式。
DAX：數據分析表達式。
DMX：數據挖掘擴展插件。
1．聯機事務處理
數據開始輸入到聯機事務處理（OLTP）系統，OLTP系統的重點是數據輸入，而不是數據報告──事務主要是插入、更新和刪除數據。關係模型主要是針對OLTP系統，規範化的模型爲數據輸入和數據一致性提供了良好的性能。在規範化環境中，每個表代表一個實體並保持最小冗餘。當需要修改一個細節時，你僅需在一個位置修改，這樣對於數據修改可以獲得最優性能，並減少出錯機率。
不過，OLTP環境並不適合報告，因爲規範化的模型通常涉及多個表（用於對應每個實體）以及複雜的關聯。即使是簡單的報表也需要聯接許多表，結果是造成查詢複雜和表現欠佳。
你可以在SQL Server中實現一個OLTP數據庫，並使用T-SQL進行管理和查詢。
2．數據倉庫
數據倉庫（DW）是一個以檢索數據和報告爲目的設計的環境。當它服務於整個組織時，這樣的環境叫做數據倉庫；當它僅服務於組織的一部分（如特定部門）或是組織的一個主題區域時，叫做數據集市。數據倉庫主要是爲了支持數據檢索需求進行的數據模型設計和優化，模型故意進行了冗餘、減少表和簡化關係，最終結果是與OLTP環境相比更加簡單、查詢更高效。
最簡單的數據倉庫設計稱爲星型架構。星型架構包括多個維度表和一個事實表，每個維度表表示要分析的數據主題。例如，在訂單和銷售處理系統中，你可能要分析客戶、產品、僱員、時間以及類似主題數據。星型架構中，每個維度以冗餘數據方式填充成一個單個表。例如，產品維度會被填充成一個單個表ProductDim，替代3個規範化表：Products、ProductSubCategories和ProductCategories。如果要規範化一個維度表，會產生多個表來表示該維度，得到一個所謂的雪花維度。包含雪花維度的架構稱爲雪花架構（而不是星型架構）。
事實表包含事實和度量，如數量和每個相關組合維度鍵的值。例如，對於客戶、產品、僱員和天數的每個相關組合，事實表會有一個行包含數量和值。請注意，數據倉庫中的數據通常是預先聚合到一定的粒度級別（例如天），不像OLTP環境中的數據，它通常是在事務級別記錄。
過去，SQL Server的早期版本主要針對OLTP環境，但最終SQLServer也開始面對數據倉庫系統和數據分析需求。你可以用SQL Server數據庫來實現數據倉庫，並使用T-SQL進行管理和查詢。
從源系統（OLTP及其他）提取數據、處理數據並將其加載到數據倉庫的過程，稱爲提取、轉換和加載，或是ETL。SQL Server提供了一個稱爲Microsoft SQL ServerIntegration Services（SSIS）的工具來處理ETL的需求。
ETL過程往往會涉及OLTP和DW之間數據準備區（DSA）的使用，DSA通常駐留在像SQL Server數據庫這樣的關係數據庫中，並作爲數據清洗區域使用。DSA沒有對最終用戶開放。
3．商業智能語義模型
商業智能語義模型（BISM）是微軟支持完整BI堆棧應用的最新模型，目的是提供豐富、靈活、高效、可擴展的分析和報告功能。其體系結構包括三層：數據模型、業務邏輯與查詢、數據訪問。
模型可以部署在Analysis Services服務器或PowerPivot上。Analysis Services是針對BI專業人員和IT人員，而PowerPivot是針對企業用戶。對於Analysis Services，你可以使用多維數據模型或表格（關係）。對於PowerPivot，你可以使用表格數據模型。
業務邏輯和查詢使用兩種語言：多維表達式（MDX）基於多維概念；數據分析表達式（DAX）基於表格的概念。
數據訪問層可以從不同來源獲取數據：像DW這樣的關係型數據庫、文件、雲服務、行業（line of business，LOB）應用程序、Odata訂閱等。數據訪問層既可以在本地緩存數據，也可以僅作爲連接數據源的直通層。緩存模式下可以有兩種存儲引擎方式選擇，一種是稱爲MOLAP的預先聚合方式，當初設計它是爲了支持多維模型稱；另一種是稱爲VertiPaq的新引擎，它實現了列存儲概念，具有很高的壓縮級別和非常快速的處理引擎，不再需要預先聚合、索引等。
參閱:本節BISM有很多概念要消化——對於一本T-SQL基礎知識的圖書或許有點太多了。如果你想了解BISM和更多詳細介紹，你可以在下面來自Analysis Services團隊的博客中找到答案，http://blogs.msdn.com/b/analysisservices/archive/2011/05/16/analysis-services-vision-amp-roadmap-update.aspx。
4．數據挖掘
BISM爲用戶提供所有可能問題的答案，但用戶的任務是提出正確的問題──篩選差異、趨勢和其他來自海洋數據的有用信息。動態分析過程中，用戶從一個集合視圖導航到另一個集合視圖，以此類推，交叉分析數據，從而最終找到有用的信息。
數據挖掘（DM）是第二步，數據挖掘模型可以替代用戶在數據海洋中查找有用的信息。也就是說，是由數據挖掘算法梳理數據，並從中篩選有用信息。對於組織機構，數據挖掘具有巨大的商業價值，幫助查明趨勢，找出客戶一起購買的產品，預測基於特定參數的客戶選擇等。
AnalysisServices支持的數據挖掘算法包括：聚類分析、決策樹和其他類似需求。用於管理和查詢數據挖掘模型的語言是數據挖掘擴展插件（Data Mining Extensions，DMX）。
