BI，更优秀的数据平台：数据库分层设计 (bi 数据库 分层 设计)
随着数据量的不断增加，数据的价值越来越受到企业的重视，并且越来越多的企业开始使用商业智能（BI）工具来分析和管理数据。在BI流程中，数据库是非常关键的一部分，数据库分层设计则是构建一个更优秀的数据平台不可或缺的重要因素。
什么是数据库分层设计？
数据库分层设计是将数据库拆分成多个层次，每个层次可以被单独管理的一个过程。可以简单地将其看作是将数据库中的数据和逻辑分离。通常，数据库分层设计包括以下三个层次：
之一层：原始数据层。这是存储数据的更底层，其主要目的是存储数据，包括原始数据、原始数据转换后的数据、以及数据等。原始数据层对数据进行存储和管理。
第二层：数据仓库层。这是生成数据仓库的层次，它负责处理原始数据并进行数据清洗、转换、整合、集中、聚合等操作，将数据仓库的数据结构与原始数据分离出来。数据仓库层对数据进行了变革和重构。
第三层：报表中心层。这是展现和管理数据的层次，其主要目的是向业务管理者提供数据分析和决策支持服务。这些数据分析和决策支持服务可以针对特定问题、特定模型和特定领域进行管理。
为什么要设立数据库分层？
数据库分层设计的一个主要优点就是将数据和逻辑分离开来，这样可以更好地控制数据的安全性和使用性。此外，数据库分层设计还有以下优点：
1. 降低维护成本：当数据库拆分成多个层次后，可以更清晰地进行组织和管理，这样可以降低维护成本。
2. 优化查询性能：当数据仓库层为各种查询操作提供了额外的列索引时，查询性能可以获得极大的提升，从而帮助业务管理者得到更快更精确的查询结果。
3. 改善数据质量：通过分层设计，可以对数据进行控制和优化，从而保证数据质量的稳定性和可靠性。
4. 强化数据安全：通过不同的数据区分和安全级别，可以保护不同级别的企业数据不被非法用户获取，有助于提高数据安全性。
5. 扩展可扩展性：当企业的业务规模扩大时，如果数据库没有分层设计，那么可能需要对数据库进行重新设计和配置，成本非常高。而有了数据库分层设计后，可以在各个层次上进行分布式处理等操作，从而扩展数据库的可扩展性。
如何实施数据库分层设计？
实施数据库分层设计需要进行以下步骤：
1. 规划数据库分层：需要对数据进行分类，以便能够更好地识别和划分数据区域。此外，需要在不同层级之间建立清晰的映射关系。
2. 创建数据模型：为每个层级创建数据模型，包括原始数据模型和数据仓库模型。这些数据模型可以是关系型模型，也可以是其他模型。但是，需要确保模型能够清晰地映射数据和模型之间的关系。
3. 构建ETL工具：要进行数据清洗，转换和加载（ETL）操作，构建ETL工具以帮助实现这些操作。
4. 使用数据仓库后端：使用数据仓库后端工具，例如Oracle或Microsoft SQL Server等数据库管理软件，来管理数据，并使其更易于访问。
5. 实现报表服务：设置报表服务来报告每个层级的数据，并确保报表中的数据可用于所有相关的业务应用。
数据库分层设计是构建一个优秀的数据平台至关重要的一环。它将数据和逻辑分离开来，有助于降低维护成本，优化查询性能，改善数据质量，增强数据安全性，以及扩展可扩展性。对于企业而言，实施数据库分层设计是非常必要和有价值的，能够帮助企业更好地掌握数据，从而更好地发挥业务价值。
相关问题拓展阅读：
销售部BI数据可以展现哪些内容？
一、
1.数据移动 从这里抽取数据移动到那里，
2.数据分析统计 join count sum group by 之类的
3.数据报表:报表显示统计分析数据—部署
二、
1.etl和数据挖掘,展现
三、
1.能完成我们日常的商业数据提取，分析，展现的工作就是BI
四、
1.BI就是对业务系统积累下来的数据进行分析和挖掘，BI有专门的技术（比如多维数据库），可以方便快速的显示聚合过的数据，能在更高的层面上展现信息。BI的数据挖掘就是从大量业务数据中发现未知的有用信息或者联系。
五、
商业智能也称作BI是英文单词Business Intelligence的缩写。商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等来饥侍自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。 商业智能的概念最早在1996年提出。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。
因此，把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、 OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。
目前，商业智能产品及解决方案大致可分为数据仓库产品、数据抽取产品、OLAP产品、展示产品、和集成以上几种产品的针对某个应用的整体解决方案等。
应具有的功能
目前，很多厂商活跃在商业智能（下面称BI）领域。事实上，能够满足用户需要的BI产品和方案必须建立在稳定、整合的平台之上，该平台需要提供用户管理、安全性控制、连接数据源以及访问、分析和共享信息的功能。BI平台的标准化也非常重烂芦吵要，因为这关系到与企业多种应用系统的兼容问题，解决不了兼容问题，BI系统就不能发挥出应有哗拿效果。这里我们通过对一个实验室的BI系统模型（我们将其称为D系统）进行功能解剖，来介绍BI系统。
D系统是一个面向终端使用者，直接访问业务数据，能够使管理者从各个角度出发分析利用商业数据，及时地掌握组织的运营现状，作出科学的经营决策的系统。D系统可实现从简单的标准报表浏览到高级的数据分析，满足组织内部人员的需求。D系统涵盖了常规意义上商业智能（BI）系统的功能，主要构架包括以下几个方面。
读取数据
D系统可读取多种格式（如Excel、Access、以Tab分割的txt和固定长的txt等）的文件，同时可读取关系型数据库 (对应ODBC)中的数据。在读取文本和数据的基础上，D系统还可以完成：
连接文本 把2个CSV文件中的共同项目作为键（Key），将所需的数据合并到一个文件，这样可以象操作数据库一样方便，但无须用户编程即可实现。
设置项目类型 作为数据的项目类型，除按钮(button)（文字项目）、数值项目以外，还可以设置日期表示形式的日期数据项目、多媒体项目和不需要生成按钮但在列表显示中能够浏览的参照项目。
期间设置 日期项目数据可以根据年度或季度等组合后生成新??下午或时间带等组合后生成新的时间项目。
设置等级 对于数值项目，可以任意设置等级，生成与之相对应的按钮。例如，可以生成与年龄项目中的20岁年龄段、30岁年龄段的等级相对应的按钮。
分析功能
关联/限定 关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是，事件发生的概率和条件概率应该符合一定的统计意义。D系统把这种关联的分析设计成按钮的形式，通过选择有/无关联，同时/相反的关联。对于结构化的数据，以客户的购买习惯数据为例，利用D系统的关联分析，可以发现客户的关联购买需要。例如，一个开设储蓄账户的客户很可能同时进行债券交易和股票交易。利用这种知识可以采取积极的营销策略，扩展客户购买的产品范围，吸引更多的客户。
显示数值比例/指示显示顺序 D系统可使数值项目的数据之间的比例关系通过按钮的大小来呈现，并显示其构成比，还可以改变数值项目数据的排列顺序等。选择按钮后，动态显示不断发生变化。这样能够获得直观的数据比较效果，并能够凸显差异，便于深入分析现象背后的本质。
监视功能 预先设置条件，使符合条件的按钮显示报警（红）、注意（黄）信号，使问题所在一目了然。比如说：上季度营业额少于100万元的店警告（黄色标出），少于50万元的报警（红色标出）。执行后，D系统就把以店名命名的按钮用相应的颜色表示出来。
按钮增值功能 可将多个按钮组合，形成新的按钮。比如：把【4月】、【5月】、【6月】三个按钮组合后得到新的按钮【第2季度】。
记录选择功能 从大量数据中选择按钮，取出必要的数据。挑出来的数据可重新构成同样的操作环境。这样用户可以把精力集中在所关心的数据上。
多媒体情报表示功能 由数码相机拍摄的照片或影像文件、通过扫描仪输入的图形等多媒体文件、文字处理或者电子表格软件做成的报告书、HTML等标准形式保存的文件等，可以通过按钮进行查找。
分割按钮功能 在分割特定按钮类的情况下，只需切换被分割的个别按钮，便可连接不断实行已登录过的定型处理。
程序调用功能 把通过按钮查找抽取出的数据，传给其他的软件或用户原有的程序，并执行这些程序。
查找按钮名称功能 通过按钮名查找按钮，可以指定精确和模糊两种查找方法。另外，其他的按钮类也可以对查找结果相关的数据进行限定。
BI是商务智能的简称，今天主要介绍BI数据分析部分。 可以大概总结为 ：用数据的手段， 使得业务做的更好。
工作主要包括： 数据报表、余蠢临时查询、数据分析（探索性研究、问题诊断、业务预测、业务建议、效果评估）、特定数据方法
数据报表： 主要为数据监控用
核心在于：提炼抽象业务的逻辑关系， 固化成KPI和过程指标体系， 使得这些指标可以准确、真实、及时甚至提前反映出业务的好坏，使得业务人员有的放矢。
难点：1、要从业务人员纷繁的需求中提炼出共性；
2、 整理出业务的核心逻辑（例如app推广的逻辑在于：新激活－新激活购买转化－每日购买表现；新激活－新激活到二次访问－留存-DAU 等等）；纯毁衡
3、举一反三，通过了解业务， 脑补业务人员暂未提及的指标、唯独甚至逻辑， 以减少临时查询。
4、解决开发资源问题， 帮助沟通线上开发产生的数据逻辑和数据口径。
5、做部分数据模型设计， 更好的跟dw同学沟通需求。
临时查询：满足业务同学随时看数据的需求
核心在于：在需求明确沟通、无歧义、且确认过必要性 或建 议新的数据口径后， 及时、准确的提供数据。
难点：1、需求较多， 也比较着急， 时间成本很高。
2、 与业务同学沟通需求必要性较困难， 业务同学不太能接受自己的需求没必要、或者想要的数据并不能解决他需要的问题
3、对重复或者预计会重复的数据， 抽象固化成报表的能力。
4、对于临时查询，没有太多的核对数据时间，很多时候也没有可校验的报表和数据， 所以保证数据准确性更加重要和有难度。
l 数据分析：这部分内容比较广泛， 按照业务阶段包括 探索性研究、问题诊断、业务预测、业务建议、效果评估
每种分析的侧重点略有不同：
探索性研究侧重分析问题的全面性， 对可能的有用信息的判断，结果的公正性和有针对性。
问题诊断侧重在快速、准确、直达要害的诊断出问题， 并言简意赅的及时给出结论。
业务预测侧重在评估预测的必要性、重要性、可行性；预测结果偏差小、稳定。
效果评估侧重评估的公正客观、给出明确的、有指导性的、正确的评估结果。
难点不详述了， 但对于数据分析师来讲，做数据分析最重要的就是充分的业务理解、对业务的深入思考、与业务人员的详细沟通、对问题判断的一点灵感 和 对分析结果的自我挑战和论证。 更大的误区：分析结果的数据非常详细，没有明确结论或结论经不起推敲（仍然， 对于不同的分析类型， 可能这一点上不太一样）。
l 特定数据方法：解决非数据解决不了的问题
核心：运用数据方法，解决特定问题，包括数据挖掘（为什么不叫数据挖掘， 因为里面有些并不是使用做做通用的挖掘算法）。
这种说法也略宽泛， 比如小号判断逻辑、appstore细分渠道、渠道价值预测。
难点：周期比较长，很多需要协调线上和dw开发资源
有效性、准确性和误判率都需要与业务人员明确和清晰的沟通
有维护成本， 并非做好一次就结束
l 综上
1、BI是个重思考的职位， 基本工作内容如前所列。
建议一、BI同学提高自身能力，尽量提高临时查询中固化的比例，尽量协调数据开发人员的资源， 解决更多的问题
建议二、定期向业务人员介绍现有固化产品数据，做到可以产品解决的就不提临时查询。
建议三、业务人员积极的解决力所能及的数据问题。
建议四、业务人员提需求前，可以帮忙解决两个问题：为什么要这个数据？没有现成的数据可替代吗？
2、 加强数据分析工作。 在有限的时间内， 尽量解决给业务带来更多价值的问题。
3、定期介绍BI工作的进展和方法，使得业务人员自己也成为分析师， 使得沟通更有效。
什么是数据仓库，数据仓库在哪里保存数据。BI项目需要用到哪些技术
数据仓库还是数据库,数据还是在数据库里放着呢,不过是按照数据仓库的理念去设竖漏扒计架构和开发数据库.BI项目余昌主要运用搜告数据仓库,OLAP,和数据挖掘的技术,细分下来又有主流数据库的开发,如oracle,db2,sqlserver, java,cognos,bo,biee,sas,spss,clementine,weka等等
一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。先大概列一下互联网行业数据仓库、数据平台的用途：
整合公司所有业务数据，建立统一的数据中心；
提供各种报表，有给高层的，有给各个业务的；
为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；
为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；
分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；
开发数据产品，直接或间接为公司盈利；
建设开放数据平台，开放公司数据；
。。。。。。
上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新岩渗的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；
其实，互联网行如枣纳业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；
建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。
整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：
请点击输入图片描述
逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。
我们从下往上看：
数据采集数据采集层的任渣没务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。
数据源的种类比较多：
网站日志：
作为互联网行业，网站日志占的份额更大，网站日志存储在多台网站日志服务器上，
一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；
业务数据库：
业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。
当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS。
来自于Ftp/Http的数据源：
有可能一些合作伙伴提供的数据，需要通过Ftp/Http等定时获取，DataX也可以满足该需求；
其他数据源：
比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成；
数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。
离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；
当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》
实时计算部分，后面单独说。
数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；
前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据； 和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。
另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。
数据应用
业务产品
业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；
报表
同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；
即席查询
即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；
这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。
即席查询一般是通过SQL完成，更大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。
当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。
OLAP
目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；
这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；
比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。
其它数据接口
这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。
实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。
我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。
做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。
任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；
这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始； 这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。
前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。
总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。
请点击输入图片描述
请点击输入图片描述
国内外有哪些比较实用的bi数据分析系统
国外BI数据分析系统有tableau，这是一种几乎是数据分析师人人会提的工具，内置常用的分析图表，和一些数据分析模型，可以快速的探索式数据分析，制作数据分析报告。 因为是商业智能，解决的问烂好题更偏向商业分析，用 Tableau可以快速地坦扮做出动态交互图，并且图表和配色也拿得出手。
国内BI数据分析系统FineBI，性价比很高，自助式BI工具，也是一款成熟的数据分析产品。内置丰富图表，不需要代码调用，可饥信铅直接拖拽生成，包括一些数据挖掘模型也是。可用于业务数据的快速分析，制作dashboard，也可构建可视化大屏。他是tableau的平价替代，有别于Tableau的是，企业级数据分析的功能更多。可与大数据平台，各类多维数据库结合，所以在企业级BI应用上广泛，个人使用免费。
BI系统排名渗备？BI办公系统怎么选?什么是用户口碑更好的BI系统？
近日B2B的大众点评，著名的CIO选型经验交流社区 ——选型宝 发布了中国之一份完全由用户实名点评生成的BI系统选型报告！
选型宝是中国的更大的CIO选型经验交流社区，社区里已经有上万名CIO贡献的实名点评。
关于BI类产品，选型宝社区目前共收到实名点评超过500条。
基于这500条用户的实名点评，选型宝的报告里，帆坦给出了BI厂商口碑象限图
其中 帆软、Tableau、微软、SAP等厂商处于领导者象限。
10大用户口碑更好的BI产品，排名如下：
除了排名，选型宝还建立了20个专业的分析维度，例如功能、性能、易于使用性、易维护性等，可以自动对软件的各个维度进行打分。
现在，您可以进入选型宝官网，选择您在考察的BI产品，就能生成一份态喊桐专属的选型报告，快到选型宝官网试试吧。
关于bi 数据库 分层 设计的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
