数据仓库工具箱(第3版)——维度建模权威指南

第1章 数据仓库、商业智能及维度建模初步
1．1 数据获取与数据分析的区别
1．2 数据仓库与商业智能的目标
1．3 维度建模简介
1．3．1 星型模式与OLAP多维数据库
1．3．2 用于度量的事实表
1．3．3 用于描述环境的维度表
1．3．4 星型模式中维度与事实的连接
1．4 Kimball的DW/BI架构
1．4．1 操作型源系统
1．4．2 获取．转换-力口载（ETL）系统
1．4．3 用于支持商业智能决策的展现区
1．4．4 商业智能应用
1．4．5 以餐厅为例描述Kimball架构
1．5 其他DW/BI架构
1．5．1 独立数据集市架构
1．5．2 辐射状企业信息工厂hlmon架构
1．5．3 混合辐射状架构与Kimball架构
1．6 维度建模神话
1．6．1 神话1：维度模型仅包含汇总数据
1．6 ，2神话2：维度模型是部门级而不是企业级的
1．6．3 神话3：维度模型是不可扩展的
1．6．4 神话4：维度模型仅用于预测
1．6．5 神话5：维度模型不能被集成
1．7 考虑使用维度模型的更多理由
1．8 本章小结

第2章 Kimball维度建模技术概述
2．1 基本概念
2．1．1 收集业务需求与数据实现
2．1．2 协作维度建模研讨
2．1．3 4步骤维度设计过程
2．1．4 业务过程
2．1．5 粒度
2．1．6 描述环境的维度
2．1．7 用于度量的事实
2．1．8 星型模式与OLAP多维数据库
2．1．9 方便地扩展到维度模型
2．2 事实表技术基础
2．2．1 事实表结构
2．2．2 可加、半可加、不可加事实
2．2．3 事实表中的空值
2．2．4 -致性事实
2．2．5 事务事实表
2．2．6 周期快照事实表
2．2．7 累积快照事实表
2．2．8 无事实的事实表
2．2．9 聚集事实表或OLAP多维数据库
2．2．1 0合并事实表
2．3 维度表技术基础
2．3．1 维度表结构
2．3．2 维度代理键
2．3．3 自然键、持久键和超自然键
2．3．4 下钻
2．3．5 退化维度
2．3．6 非规范化扁平维度
2．3．7 多层次维度
2．3．8 文档属性的标识与指示器
2．3．9 维度表中的空值属性
2．3．10 日历日期维度
2．3．11 扮演角色的维度
2．3．12 杂项维度
2．3．13 雪花维度
2．3．14 支架维度
2．4 使用一致性维度集成
2．4．1 一致性维度
2．4．2 缩减维度
2．4．3 跨表钻取
2．4．4 价值链
2．4．5 企业数据仓库总线架构
2．4．6 企业数据仓库总线矩阵
2．4．7 总线矩阵实现细节
2．4．8 机会／利益相关方矩阵
2．5 处理缓慢变化维度属性
2．5．1 类型0：原样保留
2．5．2 类型1：重写
2．5．3 类型2：增加新行
2．5．4 类型3：增加新属性
2．5．5 类型4：增加微型维度
2．5．6 类型5：增加微型维度及类型1支架
……

第3章 零售业务
第4章 库存
第5童采购
第6章 订单管理
第7章 会计
第8章 客户关系管理
第9章 人力资源管理
第10章 金融服务
第11章 电信
第12章 交通运输
第13章 教育
第14章 医疗卫生
第15章 电子商务
第16章 保险业务
第17章 KimballDW/BI生命周期概述
第18章 维度建模过程与任务
第19章 ETL子系统与技术
第20章 ETL系统设计与开发过程和任务
第21章 大数据分析