其次是中小企业在BI上一次性资金投入少，但对短期回报要求高。中小企业由于规模有限，不可能对企业的信息化做大的资金投入，尤其是软件方面，一次性投入几十万元人民币，对多数中小企业来说就是一个非常庞大的数字了，它们也不可能向大型企业那样几个月，甚至几年后再计算收益，因此更希望在投入的短时间内取得效果，而且效果越明显越好。然而，商业智能的发展是建立在数据仓库基础上的，从目前国内外数据仓库的建设表明，数据仓库建设不是一朝一夕的工作，它需要企业拥有强大的数据源，强大的资金作后盾，同时要配备一批数据仓库管理，维护人员进行日常工作。对于广大中小企业而言，面对刚刚兴起的商业智能，企业决策者只能在理论上认可。那么，是不是中小企业就根本不需要BI呢?答案是否定的。国内中小企业需要商业智能，随着我国经济的不断发展，企业也在不断壮大，商业智能的兴起，使企业看到信息时代的优越性，现有的ERP系统不能满足决策者的要求，中小企业迫切希望能应用商业智能给企业提供帮助。
其原因在于：
1．有关决策支持的功能分布于ERP的各个部分中，不利于系统的更新及维护。企业的决策需求随着业务需求及市场的变化而不断发生变化，在分散的系统中更新、维护系统远远不如在集中的系统中方便。
2．较难应用OLAF的分析技术。OLAF技术为数据的快速查询，分析提供了一种非常好的方法，但分散的系统不利于OLAP技术的实现。
3．不利于数据挖掘技术的应用。数据挖掘技术是现代人工智能和专家系统必用的技术，是数据仓库和数据集市常用的技术，目前多数企业的ERP系统在数据分析方面是以数据库为基础，数据来源不同，不能形成统一的格式，很少建立起自己的数据仓库或数据集市，使数据挖掘技术不能很好利用。
4．有关决策支持的功能分布于ERP的各个系统中，不能充分发挥第三方数据展示工具的应用。在数据仓库的解决方案中，有很多的专用工具可以选择，而分散的系统造成了工具使用上的难度。
研究意义
基于目前情况，本课题研究意义是把数据集市引入商业智能系统中代替数据仓库，使国内的中小企业也能拥有自己的商业智能，利用ERP系统提供的大量及时的数据果断决策，使用少量的投资，获取更大的回报，抓住机遇，赢得优势，使企业生存发展处于不败之地。通过引入数据集市建立的ERP软件的商业智能，它的优势在于：
1．数据集市是一种更小、更集中的数据仓库，是为企业提供分析商业数据的一条廉价途径。它是具有特定应用的数据仓库，主要针对某个具有战略意义的应用或具体部门级的应用，把企业长期积累的数据充分利用。
2．数据集市一般包含有关某一特定业务领域的数据，可以分布在不同的物理平台上，随着企业的壮大，当更多的数据集市加人时，应将这些数据集市加以集成，最终建立起一种结构，即构成企业级数据仓库的数据。
相关理论与技术
数据仓库
业界公认的数据仓库概念创始人w．H．Iumon在‘建立数据仓库》一书中对数据仓库的定义是：数据仓库就是面向主题的、集成的、稳定的、不同时问的数据集合，用以支持经营管理中的决策制定过程。
数据仓库中的数据面向主题与传统数据库面向应用相对应。主题是一个在较高层次将数据归类的标准，每一个主题对应一个宏观的分析领域：数据仓库的集成特性是指在数据进人数据仓库之前，必须经过数据加工和集成，这是建立数据仓库的关键步骤，首先要统一原始数据中的矛盾之处，还要将原始数据结构做一个从面向应用向面向主题的转变：数据仓库的稳定性是指数据仓库反映的是历史数据的内容，而不是日常事务处理产生的数据，数据经加工和集成进入数据仓库后是极少或根本不修改的；数据仓库是不同时间的数据集合，它要求数据仓库中的数据保存时限能满足进行决策分析的需要，而且数据仓库中的数据都要标明该数据的历史时期。
数据仓库最根本的特点是物理地存放数据，而且这些数据并不是最新的、专有的，而是来源于其它数据库的。数据仓库的建立并不是要取代数据库，它要建立在一个较全面和完善的信息应用的基础上，用于支持高层决策分析，而事务处理数据库在企业的信息环境中承担的是日常操作性的任务。数据仓库是数据库技术的一种新的应用，而且到目前为止，数据仓库还是用数据库管理系统来管理其中的数据，
数据仓库的结构
数据仓库是存储数据的一种组织形式，它从传统数据库中获得原始数据，先按辅助决策的主题要求形成当前基本数据层，再按综合决策的要求形成综合数据层(又可分为轻度综合层和高度综合层)。随着时间的推移，由时间控制机制将当前基本数据层转为历史数据层。可见数据仓库中逻辑结构数据由3层到4层数据组成，它们均由元数据
联机分析处理
联机分析处理(On-Line Analytical Process，OLAP)瑚，是使分析人员，管理人员或执行人员能够从各种角度，对原始数据转化出来的，能够真正为用户所证明的，并真实反映企业维持性的信息进行快速，一致，交互的存取，从而获得对数据的更深入得了解的一般软件技术。OLAP的目标是满足决策支持或多维环境特定的查询和数据分析工具的集合。
联机分析处理是数据仓库进行决策分析的一个重要概念，是一种共享多维信息的快速分析工具，也称多维分析。它是一种数据分析技术，能够完成基于某种数据存储的数据分析功能。OLAP技术是对由语意动态对象建立的，以动态微立方结构形式存储的表进行向下钻取(Drill Down)。向上钻取(Drill Up)，跨越钻取，切片和切换等操作实现数据的多维分析。完成这些功能和任务涉及的技术包括数据库，数据仓库，可视化网络，数据挖掘和领域知识处理等，系统集成还要处理多种环境。
在适应性方面，有以下几方面不同：
在维数交化方面
MOLAP具有较高的预综合度，随维数的增加，数据超立方体的体积增长十分迅速，管理较难，相比之下，ROLAP的预综合度较低，管理灵活，维的增加对数据集市的影响较小，适应性较强。
在数据变化方面
由于MOLAP的高效率是建立在预综合基础上的，当数据变化频繁时，如阴进行预综合所需的开销将十分客观，它对数据变化的适应性不如ROi．^P。
在数据量方面
作为ROLAP基础的RDBMS，其发展历程要远远超过MDDB，目前以拥有较强的并行处理能力，能较好的适应大数据量的运算，同时在对软硬件环境的适应能力上，也具有明显的优势。
联机分析处理与数据仓库的关系
在数据仓库中，OLAP和数据仓库是密不可分的，但是两者具有不同的概念。数据仓库是一个包含企业历史数据的大规模数据库，这些历史数据主要用于对企业的经营决策提供分析和支持。数据仓库中的数据是不能用于连机事务处理系统(OLTP)的，而OLAP技术则利用数据仓库中的数据进行联机分析，将复杂的分析查询结果快速地返回用户。OLAP利用多维数据集和数据聚集技术对数据仓库中的数据进行组织和汇总，用联机分析和可视化工具对这些数据迅速进行评价。从图2-1中可以发现OLAP用多维结构表示数据仓库中的数据，创建组织和汇总数据的立方体，这样才能有效地提高用户复杂查询的要求。因此数据仓库的结构将直接影响立方体的设计和构造，也就影响OLAP的：工作效率。从OLAP使用的效率角度考虑，在设计数据仓库时应该考虑这样一些因素。
数据挖掘技术
数据挖掘技术建立在数据仓库之上，一方面能够提高数据仓库系统的决策支持能力，另一方面，由于数据仓库完成了数据的清洗、ETL(抽取，转换，装载)，数据挖掘面对的是经过初步处理的数据，更加有利于数据挖掘功能的发挥。与展示企业历史和现有信息的静态、动态报表及查询等分析方法不同，数据挖掘是从数据库中智能地寻找模型，从海量数据中归纳出有用信息。可以说通过商业智能系统，企业获得洞察力的主要手段就是数据挖掘。
