精华内容
下载资源
问答
  • 仓库报表系统

    2016-06-02 13:34:32
    仓库报表系统
  • 仓库报表系统Java源码

    2016-07-25 16:40:15
    仓库报表系统Java源码
  • 东莞台商信息网大量的管理资料下载 * * 商业银行数据仓库 报表设计 版本 1.0 7/22/2020 声明本文档含有专有信息未经合法授权不得使用 台州商业银行数据仓库项目 . 报表设计 目录 1.报表系统 3 1.1.业务分析 3 1.2....
  • 东莞台商信息网大量的管理资料下载 * * 商业银行数据仓库 报表设计 版本 1.0 7/22/2020 声明本文档含有专有信息未经合法授权不得使用 台州商业银行数据仓库项目 . 报表设计 目录 1.报表系统 3 1.1.业务分析 3 1.2....
  • 仓库管理报表

    2020-12-15 21:07:10
    这是一款整理发布的仓库管理报表,适用于学习、借鉴、参考仓库管理报表,欢迎大家下载使用。P...该文档为仓库管理报表,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • 仓库管理EXCEL报表

    2011-12-31 16:14:33
    仓库管理EXCEL报表 仓库管理EXCEL报表仓库管理EXCEL报表仓库管理EXCEL报表仓库管理EXCEL报表
  • 仓库进销存报表

    2013-02-25 11:17:14
    仓库进销存报表\适合品种不多的小型企业、简单、实用,欢迎下载,交流
  • 将数据仓库技术应用于报表系统,从大量的运营数据中提取出关键数据,同时发现有用的信息,对于帮助企业管理人员制定正确的决策,提高企业整体竟争力有着重要的意义。针对某煤炭企业对制作报表所提出的需求,设计并开发了...
  • 最新仓库管理表格——商品单价调查月报表更新,需要使用的朋友可以来下载看看样式,仓库管理表格——商品...该文档为仓库管理表格——商品单价调查月报表,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以...
  • 最新仓库管理表格——原物料库存月报表更新,需要使用的朋友可以来下载看看样式,仓库管理表格——原物料...该文档为仓库管理表格——原物料库存月报表,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以...
  • 延期了很久的定时任务+报表汇总不准确的问题,今天发现问题根源,在这里记录一下排查的过程和心得体会。 根据产品经理给出的报表中有问题的商品去库里查,没有发现问题。 当发现11月份数据没有的时候查了代码,发现...

    延期了很久的定时任务+报表汇总不准确的问题,今天发现问题根源,在这里记录一下排查的过程和心得体会。

    1. 根据产品经理给出的报表中有问题的商品去库里查,没有发现问题。
    2. 当发现11月份数据没有的时候查了代码,发现从临时表到历史表的备份错误,做了修改。问题还没有完
    3. 11月份报表不是一部分有问题而是全部都有问题,原因是由于备份删除策略导致过两个月一来一回将11月份详细数据删除,查无历史。
    4. 今天排查问题,发现在修改单据的时候,出现了出库类型与库存变动类型记的不一致,导致报表根据类型汇总的时候同一个商品的不同出库类型计算有误。这个问题由来已久,问题总是在报表中发现,但是根源一直没有找到,只是在怀疑定时任务有问题或者绘制过程有问题。
    5. 根据出库完成后并进行修改的单子来看在库存变动表中记录的类型与出库类型以及要统计的类型id部分对不上,不仅仅是日常出库,调拨出库,套餐出库都有类似的问题。
    6. 在进行出库操作的时候这种错误就发生了,而在后期报表汇总的时候没有发现。
    7. 经过修改将库存变动记录表的类型与出库表的类型设置一致应该没有问题。

    那么现在来回想一下为什么会出现这个很久很久没有解决的问题
    1. 出库类型之前有三类,后面由于需求变更,出库模块里面加了领用类型,这个领用类型包括这三类。同时报表也根据这些领用类型去分类汇总。
    2. 在变更这些类型的时候没有考虑到对现有系统功能的影响,并且进行评估。
    3. 同时原有的三种类型还是有自己的用处的,只是这些类型被混在了库存变动表里,替代了真正的领用类型导致由于修改单据出现某些特定的错误数据。

    由此可以得出结论:
    1. 在根据id去设置数据,获取数据,汇总数据的时候,类型变更需要提前进行技术评估,评估变更的影响,影响到了哪些模块和功能。
    2. 开发人员应该更多的理解每一行代码什么意思,代表什么操作。整个代码块代表什么业务操作。每个业务操作有什么意义,这些比较复杂的业务操作都需要记录在代码注释里。
    3. 开发人员应与产品经理,测试人员配合测试,对于每一轮测试,都有一个明确的测试目标,预期结果,结果验证的过程。测试过程中抓住主要矛盾,深入分析排查问题,对于已经确认没有问题的业务逻辑在排查过程中不应牵扯进入测试排查问题的环节。
    4. 根据一个有问题的数据的入口,或者日志排查相应问题,不能空看代码,需要帮助的时候及时跟领导协调资源。

    展开全文
  • 为了解决这个问题,我是不是可以根据报表的需求,先建立一个数据仓库,然后将不同的数据都导入这个数据仓库,最后根据这个数据仓库的数据做报表。 这样可以吗?或者说还有没有其他的方法? 当从多个SQL Server...
  • 在数据仓库的基本报表制作过程中,通常会使用SQL作为数据源,可是普通的SQL实在不适合处理一些较为复杂的逻辑判断;一般而言,待查询的数据类型主要包括日期型、数字型、字符串这三类数据类型;在报表查询界面前段...

    原创于2008年04月02日,2009年10月18日迁移至此。


    在数据仓库的基本报表制作过程中,通常会使用 SQL 作为数据源,可是普通的 SQL 实 在不适合处理一些较为复杂的逻辑判断;一般而言,待查询的数据类型主要包括日期型、数字型、字符串这三类数据类型;在报表查询界面前段,实际上会对查询的 数据作一些缺省处理,例如有些字段可输可不输,输入的字段需要按照输入的内容进行查询,而未输入的字段通常会选择忽略该条件的存在,如何判断该字段是否输 入了呢,当然是针对这些未输入的字段提供一些缺省值了,例如某个数字类型的字段未输入,则赋一个缺省值 -1 ,某个字符串字段未输入,则赋一个缺省值为 ’ ‘ ,某个日期未输入,则赋一个缺省值为 SYSDATE ;这个时候只要在 SQL 中针对不同的缺省值和应该输入的值进行处理就 OK 了。

    当然当更加复杂的查询逻辑实在不适合用 SQL 处理时,最好选择使用存储过程的方法了;其次过于复杂的 SQL 可能会带来数据库 性能问题,因此这些基于 SQL 的报表最好不要在大型数据表上操作。

    下面是构造了一个包含以上三种数据类型的数据表,并填充了一些测试数据。

    CREATE TABLE TestReportParameter

    (

     VarcharField    VARCHAR2(20),

     NumberField     NUMBER(10,0),

     DateField       DATE 

    );

     

    INSERT INTO TestReportParameter VALUES('a',1,SYSDATE-1);

    INSERT INTO TestReportParameter VALUES('b',2,SYSDATE);

    INSERT INTO TestReportParameter VALUES('c',3,SYSDATE+2);

    INSERT INTO TestReportParameter VALUES('d',4,SYSDATE-2);

    COMMIT;

     

    处理的秘密在于对缺省值和输入值之间做一个判断,保持任何一种值的存在为 TRUE 即可。

    对于单值数据的处理比较简单,参看下面脚本

    SELECT *

     FROM TestReportParameter

     WHERE (' ' = &VarcharField OR VarcharField = &VarcharField)

      AND (-1 = &NumberField OR NumberField = &NumberField)

     

    对于多选值的处理则一定要使用 DECODE 函数才能避免错误的发生,处理的逻辑同上。

    SELECT *

     FROM TestReportParameter

     WHERE (

            ' '=DECODE(&VarcharField,' ',' ',&VarcharField)

            OR

            VarcharField IN (&VarcharField)

          )

      AND (

            -1=DECODE(&NumberField,-1,-1,&NumberField)

            OR

            NumberField IN (&NumberField)

          )

    展开全文
  • 关系数据仓库报表工作负载的特征是事务的数量少,然而规模非常大。很容易识别这些应用程序 -- 它们通常以读取工作负载(如决策支持、分析和报告)为主,并定期执行数据补充或批量加载。在分析数据库设计、资源利用...
    关系数据仓库或报表工作负载的特征是事务的数量少,然而规模非常大。很容易识别这些应用程序 -- 它们通常以读取工作负载(如决策支持、分析和报告)为主,并定期执行数据补充或批量加载。在分析数据库设计、资源利用率和系统性能的重要性时,一定要记住这些特征。数据仓库或报表应用程序应避免的最大的性能瓶颈或陷阱如下所述。
    

    在以下情况下会出现数据库设计问题……

        1.  执行过多的排序操作。如果您不断重复执行相同的排序操作,可以通过建立适当的索引来避免这些问题。
     
        2.   对堆表执行过多的 RID 查找。RID 查找意味着要检索未包含在所用的索引中的列,这需要额外的 IO。通过包含非聚簇索引可以避免这一问题。
     
        3.  针对聚簇键的键查找看起来像联接,然而它们仅在 XML 显示计划中仍被标记为“查找”。通过包含非聚簇索引可以避免这些问题。
     
       4.  在联接列上若缺失可能有益的索引会导致哈希联接。对联接列建立索引可以避免哈希。
     

    CPU 陷阱……

        1.  如果信号等待时间超过总等待时间的 25%,就会出现 CPU 瓶颈。请参阅 sys.dm_os_wait_stats 以了解信号等待时间和总等待时间。信号等待时间测量的是可运行的队列等待 CPU 的时间。高信号等待时间表明存在 CPU 瓶颈。
     
        2.  避免不适当的计划重复使用。如果查询是完全相同的,那么计划重复使用是一件好事。但是,允许计划重复使用的查询参数化只有在结果集(以及中间工作表)与原始计划的大小相似时才适用。如果由于参数值的不同使结果集的大小明显不同(这在数据仓库方案中是很常见的),则计划重复使用可能是有害的。不良的计划还可能导致查询运行时间更长和 IO 或内存压力。因此,在此类情况下计划生成的成本优于计划重复使用的成本。与 OLTP 不同,数据仓库查询在结果集或最佳查询计划方面并不总是相同的。  

    在以下情况下会出现内存瓶颈……

        1.  页预期寿命突然大幅下降。DW 应用程序(如,大事务)可能会经历页预期寿命的大幅下降。这是由于大规模读取的缓存刷新造成的。请参阅 Perfmon 对象 SQL Server Buffer Manager。
     
       2.   悬而未决的内存授予。请参阅 Perfmon 对象 SQL Server Memory Manager 中的计数器内存授予挂起。大量内存授予在数据仓库应用程序中可能是很常见的。更大的内存会非常有益,否则用户在内存授予发生之前将无法执行。
     
      3.    突然下降或持续下滑的 SQL 缓存命中率。缓存命中率下降或很低可能表明内存压力或缺失索引。

    在以下情况下会出现 IO 瓶颈……

       1.  衡量写入性能的最佳标准是每次读取的磁盘秒数和每次写入的磁盘秒数。当 IO 系统未处于重大负载下时,将没有磁盘等候队列,因此每次读取或写入的磁盘秒数应达到最佳值。通常,在没有 IO 压力的情况下完成一次读取需要 4-8 毫秒的时间。影响 IO 吞吐量的因素有磁盘轴的数量,以及驱动器吞吐量,如每秒的顺序或随机 IO(按照供应商的规定)。随着 IO 请求的增加,您可能会注意到出现了磁盘等候队列。队列的影响反映在每次读取或写入的磁盘秒数变高。对于许多应用程序来说,每次读取的磁盘秒数值周期性地升高可能是可接受的。对于高性能 OLTP 应用程序来说,完善的 SAN 子系统在处理 IO 活动尖峰中提供了更高的 IO 可放缩性和可恢复性。持续较高的每次读取的磁盘秒数值(大于 15 毫秒)表明存在磁盘瓶颈。
     
        2.   每次写入的平均磁盘秒数高。请参阅 Perfmon 逻辑或物理磁盘。在进行插入、更新或删除时可以记录数据仓库负载,在使用大容量复制时可以不做记录。记录操作需要事务日志写入。对于高性能 SAN 环境来说,事务日志写入速度最快可达到 1 毫秒(或更短)。对于许多应用程序来说,考虑到完善的 SAN 子系统的高成本,每次写入的平均磁盘秒数中出现周期性尖峰是可接受的。但是,每次写入的平均磁盘秒数值居高不下肯定表明存在磁盘瓶颈。
     
       3.  大 IO(如,表和范围扫描)可能是由于缺失索引造成的。
     

    在以下情况下会出现阻塞瓶颈……

        1.  索引争用。在 sys.dm_db_index_operational_stats 中查找高锁定和闩锁等待时间。将锁定和闩锁请求进行比较。
     
        2.   高平均行锁定或闩锁等待时间。平均行锁定或闩锁等待时间是通过以下计算得出的:锁定和闩锁等待时间(以毫秒 (ms) 为单位)除以锁定和闩锁等待数。从 sys.dm_db_index_operational_stats 中计算出的平均锁定等待毫秒数表示每个阻塞的平均时间。
     
        3.   阻塞进程报告显示长时间阻塞。请参阅错误和警告事件下的 sp_configure“阻塞的进程阈值”和 Profiler“阻塞的进程报告”。
     
        4.   大量死锁。请参阅锁定事件下的 Profiler“图形化死锁”以了解死锁中涉及的内容。
     

    在以下情况下会出现网络瓶颈……

        1.  高网络延迟,再加上一个会造成对数据库的多次回转访问的应用程序。
     
        2.  网络带宽已用完。请参阅性能监视器的网络接口对象中的计数器“数据包/秒”和当前的带宽计数器。对于 TCP/IP 帧,实际带宽的计算方法如下:数据包/秒 * 1500 * 8 /1000000 Mbps。
     

    等待时间统计陷阱……

        1.  因为数据仓库和报表工作负载基本上都是读取,这些读取与其他读取兼容,不兼容的独占锁定等待一般仅在批量加载或定期数据补充过程中才起作用。如果顶部等待时间统计为 LCK_x. 或 PAGELATCH_EX,请参阅“使用‘等待和队列’进行 SQL Server 2005 性能调谐”以了解对 sys.dm_os_wait_stats 的说明。
     
        2.   如果 sys.dm_os_wait_stats 中的顶部等待时间统计与 IO(如 ASYNCH_IO_COMPLETION、IO_COMPLETION、LOGMGR、WRITELOG 或 PAGEIOLATCH_x)相关,就会出现 IO 瓶颈。
     

    索引陷阱。

        1.  大型数据仓库可受益于更多的索引。索引可用于包含查询和避免排序。对于数据仓库应用程序来说,索引的成本开销仅在加载数据时才得到回报。
     
        2.  检查 sys.dm_db_missing_index_group_stats、sys.dm_db_missing_index_groups 和 sys.dm_db_missing_index_details 中缺失的索引
     

    密切关注碎片情况。

        1.  过多的碎片会给大 IO 操作带来问题。动态管理表值函数 sys.dm_db_index_physical_stats 在 avg_fragmentation_in_percent 栏中返回碎片百分比。碎片量不应超过 25%。减少索引碎片有益于数据仓库和报表方案中常见的大范围扫描
     

    考虑为实现快速负载进行表分区

        1.  对于数据仓库中常见的大型表来说,表分区能够提供重要的性能和管理优势。例如,最快的负载类型是不作记录的大容量复制。对不作记录的大容量复制的要求是必须丢弃索引。这在大到有十亿行的表中是不可行的,除非您使用表分区。允许创建一个与此大型表相同的中间表(除去索引)。快速、不作记录的大容量复制用于加载数据。随后,按照约定将索引添加到中间表中。然后,仅涉及元数据的 SWITCH IN 操作对填充的中间表和分区表中的空白目标分区切换指针位置,导致分区和空白中间表完全填充。除了快速大容量复制之外,中间表还能使我们消除加载过程中大型分区表中的阻塞。有关详细信息,请参阅“将大容量数据加载到分区表中”。除了快速加载之外,分区表还允许快速删除(或存档目的,或滑动窗口删除),其中大容量记录删除替换为仅涉及元数据的分区 SWITCH OUT 操作,为整个分区(要“删除”)和空白单块表切换指针位置。SWITCH OUT 导致一个空白分区和一个完全填充的单块中间表。随后,可以丢弃此单块表或使用 SWITCH IN 将其添加到分区存档表中。分区在与特定的文件组放置结合使用时,还能提供管理改进,允许自定义的备份和还原战略。
     

        与 OLTP 相对,数据仓库或报表应用程序以少量迥然不同的大 SELECT 事务为特征。其意义对于数据库设计、资源使用情况和系统性能是非常明显的。这些差异导致对象和资源利用情况大不相同。

    展开全文
  • 企业级商业智能 BI 分析平台的构建是一个系统性的工程,涉及业务分析需求的把控、各类数据资源的整合清洗、数据仓库的架构设计、可视化分析报表逻辑设计、IT 部门与业务部门的工作边界划分与配合等等居多环节。...

    企业级商业智能 BI 分析平台的构建是一个系统性的工程,涉及业务分析需求的把控、各类数据资源的整合清洗、数据仓库的架构设计、可视化分析报表逻辑设计、IT 部门与业务部门的工作边界划分与配合等等居多环节。

    阿里数据大拿的10年经验总结:做好2个环节,BI与报表就成功一半

    FineBI做的

    每一个环节的重要性都不容忽视,今天我们重点选择两个环节进行阐述。第一是业务分析需求的把控,第二是数据仓库的构建,这两个问题处理的好坏也在很大程度上决定了一个商业智能 BI 项目的成败。

    业务分析需求层面碰到的痛点与解决方式

    对于很多准备或者正在规划商业智能 BI 项目的企业来说,业务分析需求的梳理是整个项目开始的第一步,往往也是最困难的:

    1. 业务部门往往提不出比较具体的分析需求。

    2. IT 部门很难深入到业务,也提不出适合业务部门的分析需求。

    3. BI 实施方很难在短时间内梳理清并通过一种非常直观的方式和业务用户进行有效的沟通。

    4. 对于管理层、上级领导部门,特别希望可以直接看到可视化报表分析的成果,他们不会去关心技术和如何实现的问题。

    5. BI 项目需求分析涉及到很多部门,有的时候内部资源的沟通、协调和推动往往比外部的推动要困难的多。

    FineBI的做法是:结合用户需求以及其在各个行业多年沉淀下来的业务经验快速的提供各类分析图表,用户可以选择适合企业自身的分析维度和指标、分析模板,或者基于的各类指标分析体系提出自己的想法,所有可视化分析内容可随时调整以完全达到用户的分析需求。

    阿里数据大拿的10年经验总结:做好2个环节,BI与报表就成功一半

     

    数据仓库架构与开发层面碰到的痛点与解决方式

    数据仓库的开发,可以理解为一种技术,也可以理解为一种方法论或解决方案。在商业智能 BI 中,数据仓库就是最核心的那一层,起到的就是一个承上启下的作用。往下承接各类数据源中的数据,往上支撑各类分析报表。

    再形象一点,数据仓库就如同人身体中的腰腹一样,腰腹力量是人的最核心的力量,所有的运动都离不开腰腹力量的支撑,重要性不可忽视。

    但目前的现状是越来越多的企业为了追求所谓的 "敏捷" 基本上已经放弃了传统数据仓库的构建。敏捷快速开发是没有错的,但很多人错就错在没有分清楚什么时候应该敏捷,什么时候应该保留传统数据仓库的架构。关于这一点,会在以后的文章中专门讲到。

    阿里数据大拿的10年经验总结:做好2个环节,BI与报表就成功一半

     

    同时,数据仓库的构建水平将直接影响到商业智能 BI 项目的整体质量。潜在的问题也恰恰出在这里:数据仓库的架构设计对开发人员的能力要求相对较高,并且在同一个项目上,不同开发人员对数据仓库理解的不一致也可能会造成设计的缺陷。

    造成这种问题的原因有很多,有几个点我可以在这里简单总结一下:

    1. 现在很多的 BI 分析产品工具整体的设计思路就是在弱化数据仓库的作用,过度的追求前端可视化的效果,过度的追求快速敏捷开发。

    这类产品的定位实际上更加适用于个人或者部门级的数据分析场景,并不适合一个真正企业级的 BI 项目构建。对于真正注重企业级 BI 的项目开发,我们不应该削弱数据仓库的作用,反而更应该加强。

    在这样的一种刻意营造的"行业趋势"推动下,新进入商业智能 BI 行业的开发人员至少有很大一部分很难有机会再深入数据仓库的学习和实践,大部分人的主要工作就是取数和做报表。

    2. 大部分经历过传统数据仓库搭建的这批人员要么逐步退出一线开发,要么进入比较稳定的甲方企业继续大型的数据仓库设计与架构贡献自己的专业能力,因此仍然活跃在市场上且能够把控一个企业级数据仓库架构设计的乙方专家也越来越少。

    阿里数据大拿的10年经验总结:做好2个环节,BI与报表就成功一半

     

    目前在项目上比较常见的 BI 开发形式就是来一张报表写一组 SQL 语句,再来一张报表再写一组 SQL 语句。由于项目进度和工期,或者经验水平的缺乏,底层的数据仓库架构设计基本上是缺乏统一规划和深度考虑的。

    所以企业级的 BI 项目离不开数据仓库的规划与设计,而这种规划与设计对人的依赖相对较高,当市场上这类人越来越稀缺的时候,企业想要构建一个稳定可扩展的数据仓库难度就更大。

    要解决的问题是什么? 就是如何让数据仓库的构建可以不依赖于某一个人,而是在某一个平台上直接赋予企业一个完整的企业级数据仓库开发能力,并且让所有的 BI 开发人员都自动的遵守同一种开发准则,这个问题就迎刃而解了。

    那就是将数据仓库完全产品化,变成一种解决方案,将整个数据仓库的开发过程标准化和规范化,比如FineBI和Tableau这类BI工具里,已经内置了核心的分析维度和指标,以及相关的取数计算逻辑。

    通过数据仓库的平台能力,企业可以极大的提高数据仓库的开发效率,并且统一标准和规范,避免因人员流动而造成的项目卡壳等问题。各类维度和指标关联清晰可见,所有分析指标可追踪可查看,给项目的长期升级和维护带来了很大的帮助。

    BI 行业的两个观点

    1. 三分工具,七分实施 —— 对于一个稳定的商业智能 BI 项目来说,三分靠工具,七分靠实施,真正决定项目成功与否的是如何落地实施。而落地实施的关键第一在于需求把控,第二在于数据仓库核心的设计。

    2. 20% 的时间做报表,80% 的时间处理数据 —— 在一个完整的商业智能 BI 项目中,只有 20% 的时间是在处理开发各种可视化报表,80% 的时间基本上都花在需求梳理、数据清洗治理、ETL 过程、数据仓库的搭建上。

    当然,影响一个 BI 项目成败的因素也有很多,只是业务需求分析和数据仓库这两个环节的重要性更高一些,值得我们花时间和精力投入。

    展开全文
  • 数据仓库要采集业务数据做BI 报表 但是好像业务系统也能做,现在有点迷茫,这样看来数仓的用途并不大,请大神赐教
  • 以xx国寿为例分析了保险行业BI报表的技术架构及数据仓库,通过阅读本文,可以初步理解保险行业的BI发展,及报表在BI行业的应用。
  • 报表绝对是让人痛苦的东西。格式复杂、需求多变,没事就增加几个。虽然说起报表感觉很老土,但确实是需求量最大的一个东西。貌似做报表多的人,基本上都会做一个自己的工具,至少也会做一个引擎,按照自己的理解用一...
  • 《百度数据仓库体系》主要的概述了百度大数据问题、百度数据仓库产品、百度大数据多维分析和报表引擎产品等....更多
  • SAP基底数据仓库实战项目(从底层到前端完成一张数据报表) 上次用了挺长时间写了一篇序章,年前一直在忙,没时间发布,这次来学习实现一个从底层SAP系统,经过取数,建表,转换,读取新表,建立数据集,到加载数据...
  • 统计报表和数据分析平台是银行各部门及业务人员常用的两种分析方式,本节主要介绍这两种分析方式的重点功能和架构设计。
  • 2、复购率ADS报表开发 需求举例: 当日,各个品类的复购率! 计算逻辑: 所谓购买次数,一个订单就是一次购买! 订单主要信息表 ods_b2c_orders order_id, user_id o1,u1 o2,u1 o3,u1 o4,u2 o5,u2 订单商品信息表 ...
  • ORACLE数据库,刚进电信实习,一个经营分析系统的项目组,主要做运维、数据仓库。最基本的事情就是完成电信方要求的各种报表,需要的能力就是写SQL。目前对简单的SQL语句,关键字都了解,问题是对于复杂SQL很头疼,...
  • 本项目教程笔记源自多易教育《Titan综合数据仓库与数据运营系统》,在CSDN学院有相关视频教程购买链接,大数据企业级项目实战–Titan大型数据运营系统 本项目课程是一门极具综合性和完整性的大型大数据项目实战课程...
  • 学完本课程,你将很容易就拿到大数据数仓建设或用户画像建设等岗位的OFFER 本课程项目涵盖数据采集与预处理、数据仓库体系建设、用户画像系统建设、数据治理(元数据管理、数据质量管理)、任务调度系统、数据服务...
  • 都可以通过查询 日活/日新 多维报表 即可得出 《详见项目代码》 本项目教程笔记源自多易教育《Titan综合数据仓库与数据运营系统》,在CSDN学院有相关视频教程购买链接,大数据企业级项目实战–Titan大型数据运营系统...
  • 报表测试

    千次阅读 2015-10-14 15:30:07
    报表测试分为:报表界面测试、报表安全性、报表准确性、报表展示速度(也就是性能)。   数据准确性测试   报表测试的系统分为两类,一类是业务系统中,带有统计分析功能模块,该模块中包含分析报表,这个...
  • 报表故障排除:报表性能http://msdn.microsoft.com/zh-cn/library/bb522806.aspx查看报表时,可能需要等待很长时间才能看到第一页。若要帮助确定需要报表处理时间的位置,请参阅(){function onclic
  • 但传统的报表工具+数据仓库+ETL方式很难实现此类实时报表,往往只能看到昨天、上周甚至是上个月的情况,也就是T+1、T+7、T+30等等,统称T+n报表。   传统方式之所以难以实现T+0报表,主要是原因以下三点: ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 39,795
精华内容 15,918
关键字:

仓库报表