SSAS SQL Server 数据仓库 相关概念-维度表和事实表概述

 

多维数据集：多维数据集是联机分析处理 (OLAP) 中的主要对象，是一项可对数据仓库中的数据进行快速访问的技术。多维数据集是一个数据集合，通常从数据仓库的子集构造，并组织和汇总成一个由一组维度和度量值定义的多维结构。

基本概念：

1.多维数据集：多维数据集是联机分析处理 (OLAP) 中的主要对象，是一项可对数据仓库中的数据进行快速访问的技术。多维数据集是一个数据集合，通常从数据仓库的子集构造，并组织和汇总成一个由一组维度和度量值定义的多维结构。

2.维度：是多维数据集的结构性特性。它们是事实数据表中用来描述数据的分类的有组织层次结构(级别)。这些分类和级别描述了一些相似的成员集合，用户将基于这些成员集合进行分析。

3.度量值：在多维数据集中，度量值是一组值，这些值基于多维数据集的事实数据表中的一列，而且通常为数字。此外，度量值是所分析的多维数据集的中 心值。即，度量值是最终用户浏览多维数据集时重点查看的数字数据。您所选择的度量值取决于最终用户所请求的信息类型。一些常见的度量值有 sales、cost、expenditures 和 production count 等。

4.元数据：不同 OLAP 组件中的数据和应用程序的结构模型。元数据描述 OLTP 数据库中的表、数据仓库和数据集市中的多维数据集这类对象，还记录哪些应用程序引用不同的记录块。

5.级别：级别是维度层次结构的一个元素。级别描述了数据的层次结构，从数据的最高(汇总程度最大)级别直到最低(最详细)级别。

6.数据挖掘：数据挖掘使您得以定义包含分组和预测规则的模型，以便应用于关系数据库或多维 OLAP 数据集中的数据。之后，这些预测模型便可用于自动执行复杂的数据分析，以找出帮助识别新机会并选择有获胜把握的机会的趋势。

7.多维 OLAP (MOLAP)：MOLAP 存储模式使得分区的聚合和其源数据的复本以多维结构存储在分析服务器计算机上。根据分区聚合的百分比和设计，MOLAP 存储模式为达到最快查询响应时间提供了潜在可能性。总而言之，MOLAP 更加适合于频繁使用的多维数据集中的分区和对快速查询响应的需要。

8.关系 OLAP (ROLAP)：ROLAP 存储模式使得分区的聚合存储在关系数据库的表(在分区数据源中指定)中。但是，可为分区数据使用 ROLAP 存储模式，而不在关系数据库中创建聚合。

9.混合 OLAP (HOLAP)：HOLAP 存储模式结合了 MOLAP 和 ROLAP 二者的特性。

10.粒度：数据汇总的层次或深度。

11.聚合|聚集：聚合是预先计算好的数据汇总，由于在问题提出之前已经准备了答案，聚合可以改进查询响应时间。

12.切块：由多个维的多个成员限定的分区数据，称为一个切块。

13.切片：由一个维的一个成员限定的分区数据，称为一个切片。

14.数据钻取：最终用户从常规多维数据集、虚拟多维数据集或链接多维数据集中选择单个单元，并从该单元的源数据中检索结果集以获得更详细的信息，这个操作过程就是数据钻取。

15.数据挖掘模型：数据挖掘使您得以定义包含分组和预测规则的模型，以便应用于关系数据库或多维 OLAP 数据集中的数据。之后，这些预测模型便可用于自动执行复杂的数据分析，以找出帮助识别新机会并选择有获胜把握的机会的趋势。

数据库维度 (Database dimension)
“数据库维度”是与某个键属性相关的维度属性的集合，而该键属性又与度量值维度中的事实数据相关。

维度属性 (Dimension attribute)
“维度属性”被绑定到维度表中的一个或多个列并包含成员。维度属性可以包含客户名称、月份名称和产品名称。

成员 (Member)
“成员”是维度属性（包括度量值维度）的值。层次结构中的成员可以是叶成员、父成员、数据成员或“(全部)”成员。

度量值 (Measure)
“度量值”是来自事实数据表的值，也称为“事实数据”。度量值维度的值有时也通称为“成员”。度量值通常是数值，但也可以是字符串值。

Measures 维度 (Measures dimension)
“度量值维度”是包含多维数据集中所有度量值的维度。度量值维度是一种特殊的维度，其中的成员通常是根据各个维度属性（存在指定的度量值）的当前成员（通常采用求和或计数方式）进行聚合。

度量值组 (Measure Group)
“度量值组”是 SQL Server 2005 Analysis Services 多维数据集中的相关度量值集合（通常是来自同一事实数据表的度量值）。在 SQL Server 2005 Analysis Services 中，一个多维数据集可包含多个度量值组。

“(全部)”成员 ((All) member)
“(全部)”成员是属性层次结构或用户定义的层次结构中的所有成员的计算值。

计算成员 (Calculated member)
“计算成员”是在查询时定义和计算的维度成员。可以在用户查询或 MDX 计算脚本中定义计算成员，并将其存储在服务器上。 一个计算成员对应于定义它们的维度中的多个维度表行。

数据成员 (Data member)
“数据成员”是在父子层次结构中与父成员相关联的子成员。数据成员包含其父成员的数据值，而不是该父成员的子级的聚合值。

父成员 (Parent member)
“父成员”是父子层次结构中的成员，包含其子级的聚合值。

叶成员 (leaf member)
“叶成员”是层次结构中不包含子级的成员。

子成员 (Child member)
“子成员”是层次结构中位于顶层下面的成员。

键属性 (Key attribute)
数据库维度的“键属性”是维度中的所有非键属性（以直接或间接方式）所链接到的属性。键属性通常也是粒度属性。

粒度属性 (Granularity attribute)
多维数据集维度的属性，它将维度链接到度量值维度内度量值组中的事实数据。如果粒度属性和键属性为不同的属性，则非键属性必须直接或间接地链接到粒度属性。在多维数据集中，粒度属性定义维度的粒度。

多维数据集维度 (Cube dimension)
“多维数据集维度”是多维数据集中的数据库维度实例。

属性层次结构 (Attribute hierarchy)
“属性层次结构”是包含以下级别的属性成员层次结构：

包含所有非重复属性成员的叶级别，叶级别的各个成员也称为“叶成员”。
中间级别（如果属性层次结构为父子层次结构）。
可选的“(全部)”级别 (IsAggregatable=True)，它包含属性层次结构的叶成员的聚合值。“(全部)”级别的成员也称为“(全部)”成员。
默认情况下，将为每个维度属性定义属性层次结构 (AttributeHierarchyEnabled=True)。属性层次结构默认为可见 (AttributeHierarchyVisible=True)。

均衡层次结构 (Balanced hierarchy)
“均衡层次结构”是顶级成员与任何叶成员之间存在相同级别数的层次结构。

不齐整层次结构 (Ragged hierarchy)
请参见“非均衡层次结构 (Unbalanced hierarchy)”。

非均衡层次结构 (Unbalanced hierarchy)
“非均衡层次结构”是顶级与叶级之间存在不同级别数的层次结构。父子层次结构即是不齐整层次结构的一个例子。非均衡层次结构也称为“不齐整层次结构”。

父子层次结构 (Parent-child hierarchy)
“父子层次结构”是一种将维度属性设置为 parent 类型的特殊的属性层次结构。父子层次结构是由子成员和父成员构成的非均衡层次结构。父子层次结构包含以下级别：

包含父成员子级的子级别。父成员的子级包含聚合到父成员的属性成员（包括数据成员）。
包含父成员的中间级别。
可选的“(全部)”级别 (IsAggregatable=True)，它包含父子层次结构叶成员的聚合值，“(全部)”级别的成员也称为“(全部)”成员。
每个维度中只能存在一个父子层次结构，并且必须与键属性相关。
用户定义的层次结构 (User-defined hierarchy)
“用户定义的层次结构”是属性层次结构的均衡层次结构，旨在帮助用户浏览多维数据集数据。用户定义的层次结构不添加到多维数据集空间。在某些情况下可以隐藏用户定义的层次结构中的级别并使其以非均衡的形式显示。

属性关系 (Attribute relationship)
“属性关系”是属性间的一对多关系，例如州省市自治区和城市维度属性间的关系。

成员属性 (Member property)
成员属性 是特性成员的属性，例如客户的性别或产品的颜色。

单元 (Cell)
多维数据集中的“单元”是度量值维度成员的成员与多维数据集中各个属性层次结构的成员相交处所在的空间。

度量值维度的成员可以是叶成员（单个事实数据）或聚合成员（例如，特定年份聚合的销售额）。
维度的成员可以是叶成员、数据成员、父成员或“(全部)”成员。
多维数据集空间 (Cube space)
“多维数据集空间”是多维数据集属性层次结构的成员与多维数据集的度量值的交集。

子多维数据集 (Subcube)
“子多维数据集”是表示多维数据集的筛选视图的多维数据集子集。可以使用 MDX 计算脚本中的 Scope 语句或 MDX 查询中的嵌套 select 语句定义子多维数据集。

带有嵌套 select 语句的子多维数据集 (Subcube with Subselect)
用 MDX 查询中的嵌套 select 语句定义的子多维数据集包含符合子多维数据集定义的所有成员，其结果如下：

包含层次结构的“(全部)”成员与包含层次结构的每个叶成员的结果是相同的。
包含任何成员将包括其祖先和后代。
包含用户定义的层次结构中某级别的每个成员将包含该用户定义的层次结构中的所有成员，但可排除不与此级别成员共存的其他层次结构的成员（例如不包含客户的城市）。
多维数据集中的每个“(全部)”成员始终存在于从该多维数据集创建的子多维数据集中。
子多维数据集中的聚合值将进行直接求和。

SQL Server数据库维度表和事实表概述:

事实表

每个数据仓库都包含一个或者多个事实数据表。事实数据表可能包含业务销售数据，如现金登记事务

所产生的数据，事实数据表通常包含大量的行。事实数据表的主要特点是包含数字数据(事实)，并且这些数字信息可以汇总，以提供有关单位作为历史的数 据，每个事实数据表包含一个由多个部分组成的索引，该索引包含作为外键的相关性纬度表的主键，而维度表包含事实记录的特性。事实数据表不应该包含描述性的 信息，也不应该包含除数字度量字段及使事实与纬度表中对应项的相关索引字段之外的任何数据。

包含在事实数据表中的“度量值”有两中：一种是可以累计的度量值，另一种是非累计的度量值。最有用的度量值是可累计的度量值，其累计起来的数字是非 常有意义的。用户可以通过累计度量值获得汇总信息，例如。可以汇总具体时间段内一组商店的特定商品的销售情况。非累计的度量值也可以用于事实数据表，单汇 总结果一般是没有意义的，例如，在一座大厦的不同位置测量温度时，如果将大厦中所有不同位置的温度累加是没有意义的，但是求平均值是有意义的。

一般来说，一个事实数据表都要和一个或多个纬度表相关联，用户在利用事实数据表创建多维数据集时，可以使用一个或多个维度表。

维度表

维度表可以看作是用户来分析数据的窗口，纬度表中包含事实数据表中事实记录的特性，有些特性提供描述性信息，有些特性指定如何汇总事实数据表数据， 以便为分析者提供有用的信息，维度表包含帮助汇总数据的特性的层次结构。例如，包含产品信息的维度表通常包含将产品分为食品、饮料、非消费品等若干类的层 次结构，这些产品中的每一类进一步多次细分，直到各产品达到最低级别。

在维度表中，每个表都包含独立于其他维度表的事实 特性，例如，客户维度表包含有关客户的数据。维度表中的列字段可以将信息分为不同层次的结构级。

结论:

1、事实表就是你要关注的内容;

2、维度表就是你观察该事务的角度，是从哪个角度去观察这个内容的。

例如，某地区商品的销量，是从地区这个角度观察商品销量的。事实表就是销量表，维度表就是地区表。

 

 

 

商业智能：BI解决方案构建数据基础

2011-12-09 13:39:55 作者：admin 来源： 浏览次数：31网友评论 2 条

DBA们都知道数据在任何商业智能 (BI) 解决方案中都是最重要的部分。今天我们就要谈到的就是这个问题。

DBA们都知道数据在任何商业智能 (BI) 解决方案中都是最重要的部分。今天我们就要谈到的就是这个问题。

AD：

数据在任何商业智能 (BI) 解决方案中都是最重要的部分。正如 Stacia Misner 在“规划您的首个 Microsoft BI 解决方案”中所说，收集和维护 BI 解决方案数据涉及几个步骤。BI 专业人员称这些步骤为提取、转换和加载 (ETL) 过程。即使您不准备将 BI 作为自己的工作重心，您仍可以利用 ETL 方法和工具来管理日常工作中进行决策所需的数据。在本文中，我将向您介绍如何设计和构建一个简单的数据市场，从而演示如何使用 SQL Server 2008 Integration Services (SSIS) 对您自己的 BI 解决方案执行 ETL。

了解要求

和所有 IT 项目一样，开始 ETL 项目的最佳做法是了解您希望构建的 BI 解决方案的总体要求，然后再决定怎样利用数据才能最好地满足这些要求。第一篇系列文章提供了 BI 解决方案的案例背景。在案例中需要 BI 解决方案的是虚拟公司 Adventure Works。文章通过叙述该公司要回答的几个问题列出了分析要求。从这些问题中可以明显看出 Adventure Works 需要从以下不同角度了解其产品销售：不同分销渠道（经销商或 Internet）的收益率、产品需求随时间推移发生的变化以及按产品、销售人员、地理区域和经销商类型统计的实际销售额与预测销售额之间的差异。回答这 些问题有助于 Adventure Works 决定将重点放在哪个分销渠道才能增加利润、如何调整生产流程才能最好地满足需求、如何改变销售战略才能帮助该公司实现销售目标。将 SQL Server Reporting Services (SSRS) 添加到 BI 解决方案后，您就能看出数据是如何帮助回答这些商业问题的。

在按照这些要求开始为 Adventure Works 设计数据市场之前，我希望从商业角度建立信息需求模型。换言之，设计数据市场的依据是用户如何提问，而不是从数据源获取数据的方式。

本文中的代码示例需要 SQL Server 2008 Adventure Works OLTP 示例数据库。

使用维度模型

构建数据市场通常要使用维度模型设计。维度模型设计是非常适合用于分析的数据库架构。（kimballgroup.com 是了解维度模型的一个非常好的资源。）维度模型以用户熟悉的方式呈现数据，而且能够帮助您构建适合查询大量数据的优化数据结构。您可以通过对数据进行去规 范化实现这种优化。去规范化能够使数据库引擎在查询时快速选择并高效聚合大量数据。我将在 Adventure Works 解决方案的去规范化架构中设定两种类型的表：维度表和事实表。维度表存储经销商或产品等有关业务实体和对象的信息。事实表用来存储需要聚合的销售额数值， 表中包含将事实表与维度表关联起来的度量值和键。稍后我将在下文中详细介绍事实表。

可以采用两种架构实现维度模型表：星型架构和雪花型架构。简单说来，星型架构中每种维度使用一个表，因此每个查询与事实表之间都是单一联接的。雪花 型架构中每种维度使用两个或多个表，因此查询中需要更多联接才能查看所有数据。这种级联联接的集合意味着雪花型架构的查询速度通常要比星型架构的查询速度 慢。出于本文的需要，为了简化设计，我将使用星型架构。

创建总线矩阵

Adventure Works 的 BI 解决方案中的重点是与销售相关的维度。为了确定与销售相关的维度，我要创建一个总线矩阵，这是维度建模过程中的一个步骤。Adventure Works 有两种销售渠道：向经销商批发和通过 Internet 零售。我还使用总线矩阵来确定每个维度与以上两种类型的销售渠道或其中一种的关系。图 1 所示为我的 Adventure Works 销售总线矩阵示例。

Adventure Works 销售	日期	产品	客户	促销	地域	经销 商	销售 区域	员工	货币
Internet 销售	X	X	X	X			X		X
经销商销售	X	X		X		X	X	X	X

图 1 Adventure Works 销售总线矩阵

下一步是确定解决方案的度量值。度量值是进行分析所需的数值。这些数值可以直接取自销售额或产品成本等数据源，也可以经过计算得出，如将某一数量乘 以一定的金额得到扩展销售额。此外，还需要确定在每个维度中应包含哪些属性。属性是维度中的单个元素（对应于表中的列），如销售区域维度中的国家/地区或 日期维度中的年份。您可以根据分析需要使用属性对数据进行分组或筛选。本文不会对所有标识的度量值或维度属性进行详细介绍，但您需要注意有必要执行标识过 程。

创建数据映射

在创建数据市场的物理表之前，我需要进行一些其他规划。具体而言，我需要构建一个数据映射文档，以便将数据市场架构中的每个目标列映射到 Adventure Works OLTP 源系统中的列。源系统就是 AdventureWorks2008 数据库，您可以按照 Stacia Misner 文章第 31 页的内容下载和安装该数据库。您可以使用各种应用程序创建数据映射。与格式相比，更重要的是内容。我习惯在 Microsoft Office Excel 中开发数据映射。图 2 所示为我在数据映射中创建的 DimProduct 选项卡。此外，我还创建了 DimCustomer 和 FactInternetSales 数据映射。工作簿中的每个工作表表示数据市场中的一个表。每个工作表中只有两列：一个源列和一个目标列。

图 2 DimProduct 数据映射选项卡

每个维度表（日期维度表除外）中都包含名为代理键的主键（通常为标识列）。使用代理键的好处之一是在合并多个系统的数据时不会出现重复键。

维度表还有一个可选键列。这些可选键表示自然键，有时也称为业务键。自然键用于标识源系统。例如，客户维度中的 CustomerAlternateKey 列映射到 Adventure Works OLTP 数据库中 Sales.Customer 表的 AccountNumber 字段。通过将这些键存储在维度表中，每次对各个维度运行 ETL 过程时，我可以将维度中已有的记录与从数据源中提取的记录进行匹配。

几乎每个数据市场都包含日期维度，因为业务分析往往按照日期、星期、月份、季度或年份来比较度量值变化。由于日期维度很少从源系统中获取，因此不应 使用基于 SQL Server 标识的键。为此，我将改用以 YYYYMMDD 格式存储为 SQL Server 整数列的智能键。智能键是根据逻辑或脚本生成的键，而不是像 SQL Server 中的标识列那样自动递增的键。

请注意，日期维度通常并不映射到源表。因此，我将使用脚本生成数据，以便将记录加载到表中。

由于我的小型架构所需的 ETL 过程相当简单，因此这样的数据映射足以满足需要。在实际项目中，我会为数据映射添加注释，指出何时需要进行复杂的转换。

构建数据市场

逻辑建模完成之后，现在我需要创建 ETL 过程要加载的物理表及这些表的承载数据库。我将使用基本的 T-SQL 脚本来创建数据库及其关联的维度表和事实表。在（2009 代码下载）的示例 BI 解决方案的相应下载中可以找到完整的 T-SQL 脚本。

出于本文的需要，我仅构建了整个销售数据市场架构的一个子集，以便在 SSIS 中涵盖整个 ETL 过程。在精简版架构中，我仅加入了 Internet 销售事实表中的 OrderQuantity 和 SalesAmount 两个度量值。此外，在此精简版架构中，我还加入了简化的客户、产品以及日期维度表。

开发 ETL 过程

构建 BI 解决方案的下一步是设计和开发 ETL 过程。我们先回顾一下，ETL 包含从数据源提取数据、转换数据然后再将数据加载到目标库的整个技术过程。一般来说，BI 解决方案中的 ETL 过程先从平面文件以及 OLTP 操作数据库中提取数据，然后转换数据使其适应维度模型（例如，星型架构），最后再将结果数据加载到数据市场。

在 BIDS 中创建 SSIS 项目

开发 ETL 过程的第一步是在 Business Intelligence Development Studio (BIDS) 中创建新项目。SQL Server 2008 附带了 BIDS，在安装过程中选择“工作站组件”选项即可安装 BIDS。BIDS 中提供适用于 SSIS、SSAS 和 SSRS 的项目模板。与 Visual Studio 一样，BIDS 也支持源代码控制集成。

要启动 BIDS，请转到“开始”\“程序”\“Microsoft SQL Server 2008”\“Business Intelligence Development Studio”并选择“文件”\“新建项目”。您会看到如图 3 所示的“新建项目”模板。

图 3 BIDS 2008 中的“新建项目”模板

在“模板”窗格中选择“Integration Services 项目”。在“名称”文本框中，键入“ssis_TECHNET_AW2008”，然后单击“OK”。BIDS 应显示一个打开的 SSIS 项目。

创建公共数据连接

SSIS 2008 中的另一项出色功能是可以在单个数据包之外创建数据源连接。您可以定义数据源连接一次，然后在解决方案中的一个或多个 SSIS 数据包中引用此连接。有关如何创建 BIDS 数据源的更多信息，请参阅“如何：使用数据源向导定义数据源（分析服务）”。

创建两个新的数据源连接：一个用于 TECHNET_AW2008SalesDataMart 数据库，另一个用于 AdventureWorks2008 OLTP 数据库。将这两个数据源连接分别命名为 AW_DM.ds 和 AW_OLTP.ds。

开发维度 ETL

用来加载产品维度的 ETL 非常简单。我需要从 Adventure Works Production.Product 表提取数据，并将这些数据加载到 TECHNET_AW2008SalesDataMart 数据库中。首先，我要重命名 BIDS 为我的 SSIS 项目创建的默认数据包。（数据包就是一个容器，存储 SSIS 将执行的工作流中的所有步骤。）在解决方案资源管理器中右键单击默认数据包，选择“重命名”。键入“DIM_PRODUCT.dtsx”，然后按 Enter。

接下来，我需要使用预建的数据源来创建本地数据包连接管理器。新建两个引用先前生成的数据源的连接管理器。

定义数据流以提取并加载

SSIS 中的一个数据流任务封装了对于简单维度实施 ETL 所需的全部数据。我只需将一个数据流任务从工具箱拖动到控制流设计器图面并将其重命名为 EL（用于提取和加载）。右键单击设计器中的数据流任务，然后选择“编辑”。BIDS 现在显示数据流设计器。

产品维度数据包的提取部分需要查询 AdventureWorks2008 Production.Product 表。为设置此任务，我从工具箱中将一个 OLE DB 源组件拖动到数据流设计器图面上，然后将该 OLE DB 源组件重命名为“AW_OLTP”。

接下来，我定义数据包的加载部分，以便加载到数据市场。我只将 OLE DB 目标组件的新实例拖动到数据流设计器图面，并将其重命名为“AW_OLTP”。然后，我单击 OLE DB 源 (AW_OLTP) 组件并将 OLE DB 源上显示的绿色箭头拖动到 AW_DM OLE DB 目标组件以连接这两个组件。

此时，我已将必需的组件添加到数据流中，但我仍需要配置每个组件，以便 SSIS 知道我要如何提取和加载数据。右键单击 AW_DM OLE DB 目标组件，然后选择“编辑”。打开 OLE DB 目标编辑器后，我确保选择 AW_DM 作为 OLE DB 连接管理器。然后，我展开表名称下拉列表并选择 dbo.DimProduct 表。最后，我单击“映射”选项卡确认映射正确。单击“确定”确认映射。如果您已经有了可以引用的数据映射，此过程就简单多了，特别是在处理大型表时。产品 维度的 ETL 数据包现已完成。

在 BIDS 中可以轻松执行该数据包。要测试产品维度数据包，请打开该数据包并按 F5。

开发其他数据包

我按照创建产品数据包的方式创建客户维度数据包。此处将不重述创建此新数据包应遵循的步骤。请自行尝试创建此数据包。请注意，此数据包使用数据源中 的 XML 数据类型列 (Person.Person.Demographics)，这需要您解析出单独的人口统计相关属性。要解析 SQL Server XML 数据类型列中的单个值，您可以在 XML 数据类型固有的 Value() 方法中使用 XQuery。请将完成的数据包命名为 DIM_CUSTOMER.dtsx。

为日期维度开发 SSIS 数据包是可选的。由于此维度通常没有源数据，因此加载它的最简单方法是使用基本的 T-SQL 脚本。您可以在已完成的解决方案中找到我使用的脚本。

开发 Internet 销售事实表数据包

Internet 销售事实表数据包查询所有的 Internet 销售，并按照产品、客户和日期（即订单日期）返回销售详情。与维度表数据包不同，事实表数据包在向事实表加载数据前需要一个额外的步骤，即查询相应维度表 中的代理键和智能键。您可以创建一个新数据包并将其命名为 FACT_INTERNET_SALES.dtsx。

此数据包的提取部分需要使用图 4 所示的 T-SQL 代码查询 AdventureWorks2008 OLTP 数据库。

1.      SELECT 

2.             P.ProductID  

3.             ,CONVERT(INT,CONVERT( CHAR(4), YEAR(H.OrderDate) ) + RIGHT('0'+ CONVERT(VARCHAR(3),   

4.                  MONTH(H.OrderDate) ),2) + RIGHT('0'+ CONVERT( VARCHAR(3),   

5.      DAY(H.OrderDate) ),2)) AS OrderDateKey  

6.             ,C.AccountNumber   

7.             ,SUM(D.OrderQty) AS OrderQuantity  

8.             ,SUM(D.LineTotal) AS SalesAmount  

9.      FROM 

10.           [Sales].[SalesOrderDetail] D  

11.    INNER JOIN 

12.           [Sales].[SalesOrderHeader] H ON (D.SalesOrderID = H.SalesOrderID)  

13.    INNER JOIN 

14.           [Production].[Product] P ON (D.ProductID = P.ProductID)  

15.    INNER JOIN 

16.           [Sales].[Customer] C ON (H.CustomerID = C.CustomerID)  

17.    WHERE 

18.            H.OnlineOrderFlag = 1  

19.    GROUP BY 

20.            P.ProductID  

21.            ,H.OrderDate   

22.            ,C.AccountNumber 

图 4 用于按产品、日期和客户划分的 Internet 销售的 T-SQL 代码

在此数据包的控制流图面中创建一个新的数据流。打开数据流设计器，创建一个 OLE DB 源组件。将该组件命名为 AW_OLTP，使用图 4 中的查询作为其源。此查询会生成 Adventure Works 销售表中 OrderQuantity 和 SalesAmount 两个度量值的聚合（总和）。

现在，您需要配置一个查询转换。将查询转换组件的两个新实例从工具箱中拖动到数据流设计器图面，并将其重名为“产品”和“客户”。配置第一个实例 （产品），使其查询产品维度表中的 ProductKey。配置方法为将维度表的 AlternateKey 与从 AW_OLTP 源查询传入的 ProductID 字段相联接。

配置第二个实例（客户），使其查询客户维度表中的 CustomerKey。配置方法为将维度表中的 AlternateKey 与从 AW_OLTP 源查询传入的 AccountNumber 字段相联接。

最后步骤

最后一步是将数据加载到 FactInternetSales 事实表，并将每个维度的自然键替换为查询转换找到的代理键。拖放 OLE DB 目标组件的新实例，并将其命名为“AW_DM”。编辑该 OLE DB 目标组件，选择 AW_DM 连接管理器。然后，选择 dbo.FactInternetSales 表并单击“映射”选项卡。确保映射如图 5 所示。单击“确定”完成此数据包逻辑。

图 5 用于 Internet 销售事实表的 OLE DB 目标映射

要测试 Internet 销售事实数据包，请在 BIDS 中打开此数据包并按 F5。

现在，您基本了解了维度建模和使用 SSIS 构建按 ETL 设计的数据包。在第三篇系列文章中，您将学习如何使用填充的数据市场创建用于 SSAS 数据库的维度和多维数据集。多维数据集构建完成后，您可以开发一个 SSIS 数据包。这样，每次有新数据添加到数据市场中，您都可以在 SSAS 数据库中持续更新这些对象。当使用单一查询无法满足报告要求时，SSIS 甚至能够准备在 SSRS 报告中显示的数据。如您所见，SSIS 可以做大量工作来帮助您管理 BI 解决方案，而不仅仅是 ETL 处理。