microstrategy数据分析中的P值怎么计算、什么意义？

微软BI有哪些优势和劣势

要选型，首先要了解目前市场上主流的BI产品： 数据库方面，有DB2、Oracle、SQLServer、Teradata，早先还有专门用于数据仓库的Redbrick（被IBM收编以后，退出历史舞台）。

ETL工具上，像Datastage、Powercenter都是比较主流的，此外，还有很多公司也有自己的ETL产品，例如SAS的ETLServer、BO的DataIntegrator等。

OLAP工具上，则还可以细分为MOLAP（MuiltDimensionOLAP，多维度型在线分析系统）和ROLAP（RelationalOLAP，关系型在线分析系统），前者可以选择Hyperion、Cognos、Microsoft公司的产品，而后者可供选择的余地就不多，像Microstrategy可能是目前能够看得见市场份额比较大的，以前和Redbrick一起。

此外，还有一个叫Metacube的ROLAP工具，早在2000年以后也退出市场。

数据挖掘产品领域，有SAS、SPSS等两大厂家，而像IBM、Teradata也都有自己的挖掘工具。

除此之外，在报表服务器、前端工具上的选择可就多了，其中，Cognos、BO、Brio是比较主流的。

从这些主流产品来看，大多是舶来品。

国内也有研发BI产品的，比较完整的BI解决方案不多，只针对于某个环节的产品倒是琳琅满目，且多限于ETL、前端以及数据挖掘产品。

不过最近了解到一个还算比较完整的BI软件，奥威智动的Power-BI，它根据不同业务主题，预设了十多个基于ServerAanlysisService的OLAP多维数据集；有成熟的，非常实用的决策分析模型，而不仅仅是报表。

最大的特点就是安装即可使用，无需实施，省去了很多功夫。

而且价格相对比较亲民，名气倒不是很响，但在业内口碑还不错，在国内中小企业中已经有一定的市场占有率。

从目前各类用户的产品选型过程来看，问题多出在以下几个方面。

其一，只见树木不见森林，只顾得降低单个工具的成本，却忽视了总体成本。

有些大企业在IT建设上一掷千金，从不在乎在购买产品上投入多少，每一块都是选用最好的。

但是，的企业则不得不出于成本考虑，能省则省。

除了数据库和OLAP工具两项之外，经常动心思的地方就是，设想如果把ETL和前端展现自己来开发是不是会省点资金出来。

然而问题是，如果仅仅从单个产品的成本考虑而忽视综合的项目成本，最后很可能会被难以维护的程序所困扰，甚至要完全推翻重来，这样的成本恐怕会更高。

而对于那些财大气粗的大企业来说，即便选择了每个领域最好的产品，组合起来也不一定就是最好的。

其二，评估报告难以客观。

企业负责产品选型的人，通常要求厂商提供一份评估报告，要列出几种方案选择，各自优劣何在，最后得出哪种方案是最适合自己的。

如果从字面上理解此报告，某种产品哪方面比较好，哪方面不好，这并不客观。

对于厂商而言，这就是一笔单子，当然会尽量把自己产品的优势体现出来，而回避自己的弱势。

同时对于选型负责人来说，也许其早就对某种工具有好感，或是跟某个厂家的关系不错，甚至有更进一步的交易。

这样的情况，想客观一点不容易。

选型要点 其实，如果是选择这些主流的产品的话，大家知道一句话，“没有最好的，只有最合适的”。

什么是最合适？抛开上面提到的幕后因素，其实也就是三点需要考虑——产品成本、开发人员对这个产品的熟悉程度、有没有类似案例。

首先看成本。

NCR、IBM和Oracle的产品线完整，但却很贵。

微软的产品便宜些，可如果数据量大，恐怕又不太敢用它，就更别谈那些不要钱的开源产品了。

当然，成本不光是产品本身的价格决定的，后面人员学习、项目延期、客户满意度低都要作为成本考虑，这些隐型成本才是难以计算的。

提到成本，就不能不提一下BI模型，因为BI产品中模型是最昂贵的一部分，在国内很大一部分企业采用的自主开发的方式，采用这种方式可以避免高额的费用，但却无法学习到国外先进的商业经验。

再看人员的经验。

人的学习曲线是不可避免的，不要妄想人们接触一个新产品就能立马成为高手，能够基于陌生的产品做出良好架构。

这方面，显然Oracle和微软有优势，因为在这两家产品上有经验的人多，好找。

当然，如果你们原来的业务系统用的就是这几家产品之一，不妨仍然用它。

其次案例比白皮书更重要。

如今很多BI厂商可以提供全方位解决方案，提供一站式服务。

像IBM、Oracle、SAS都称自己是这样的全方案提供商，也就是说它们的产品线已经包含了数据库、OLAP、ETL等各类工具。

直接选用它们，就不用再为工具选型烦恼了，但企业有时由于各方面的原因，决定不使用一家产品时，要考虑他们之间是否兼容。

但如果你要是从产品的白皮书里去寻找此类信息，会发现说得很美，互相之间会如何完美地“无缝”兼容，但实际上却不是那么回事。

因此，不要去看这些文字的东西，要去寻找同行业类似的案例，如果同行业没有，就去寻找数据量类似、业务复杂度类似以及相似应用的其他行业案例。

什么是BI商业智能方案?

商业智能 商业智能，又称商务智能，英文为Business Intelligence，简写为BI。

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。

商业智能的概念于1996年最早由加特纳集团（Gartner Group）提出，加特纳集团将商业智能定义为：商业智能描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。

商业智能技术提供使企业迅速分析数据的技术和方法，包括收集、管理和分析数据，将这些数据转化为有用的信息，然后分发到企业各处。

目前，学术界对商业智能的定义并不统一。

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。

可以认为，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力（insight），促使他们做出对企业更有利的决策。

商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。

商业智能的实现涉及到软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。

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。

提供商业智能解决方案的著名IT厂商包括微软、IBM、Oracle、Microstrategy、Business Objects、Cognos、SAS等。

MSTR是什么？Microstrategy是什么？两者的关系是？详解，不要废话。

/view/348022.htm这是百度百科对Microstrategy的解释。

MicroStrategy能够协助各公司开发各种大型数据库以及个人用户的分析软件，允许各公司通过电话、传真、电子邮件以及互联网向用户传送各种定制的、个性化的信息。

用户也可以根据自己的情况决定何时或者以何种方式等来收看各公司的信息。

MSTR是Microstrategy的简称 /view/cd1c03fb770bf78a6529543d.html这是百度文档关于MSTR的培训教程，可以看下 /ethtech这个人的百度空间中有很多Microstrategy的介绍

数据分析中的P值怎么计算、什么意义？

一、P值计算方法 左侧检验P值是当时，检验统计量小于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值。

右侧检验P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值。

双侧检验P值是当μ=μ0时，检验统计量大于或等于根据实际观测样本数据计算得到的检验统计量值的概率，即p值。

二、P值的意义 P 值即概率，反映某一事件发生的可能性大小。

统计学根据显著性检验方法所得到的P 值，一般以P < 0.05 为显著， P <0.01 为非常显著，其含义是样本间的差异由抽样误差所致的概率小于0.05 或0.01。

扩展资料： 数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

这一过程也是质量管理体系的支持过程。

在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。

数据分析是数学与计算机科学相结合的产物。

在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析;其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。

参考资料：假设检验中的P值_百度百科