هوش تجاری

1. Usability: ارائه تمامي امکانات BI به نحوي يکسان و مشترک براي تمامي کاربران مختلف و آمادگي براي تهيه تمامي اطلاعات مورد نياز کاربران مختلف.
2. استفاده از يک API مشترک و واحد براي يکپارچه­سازي (Integration) و گسترش­پذيري (Extensibility): يک API امکان يکپارچه کردن BI با ساير سيستم­هاي فعلي يا بعدي را به وجود مي­آورد. در اين راستا بايد از يک نوع API استفاده کرد که تمامي component هاي BI را در برمي­گيرد.
3. استفاده بهينه از منابع موجود براي ساده­سازي و ROI: يک معماري نوين براي BI بايد بيشترين بازگشت سرمايه را با پياده­سازي و به کارگيري سريع سيستم BI دربرداشته باشد. اين معماري بايد از محيط برنامه­هاي کاربردي مختلف پيچيده و ترکيبي و يکپارچه­سازي با زيرساخت­هايي مانند platform ها، پايگاه­هاي داده، منابع OLAP، سرورها، برنامه­هاي کاربردي وب سرورها، تامين­کننده­هاي امنيت (Security Providers)، کاهش پياده­سازي­هاي جديد و هزينه­هاي نگه­داري پشتيباني نمايد.
4. دسترسي گسترده به داه­هاي سازمان: هر سازماني طيف گسترده­اي از داده­هاي مختلف و مکانيزم­هاي ذخيره­سازي براي کاربران مختلف و براي اهداف مختلف دارد. براي ايجاد انعطاف­پذيري سيستم (Flexibility) براي يکپارچه­سازي داده­ها (data Integration) و دسترسي به داده­ها بايد در معماري سيستم از يک استراتژي باز داده­اي (open data strategy) استفاده کرد. کاربراني که از داده­هاي استفاده مي­کنند بايد از جامعيت داده در سراسر سازمان اطمينان داشته باشند.
5. Common business view: فرايندهاي تجاري و تحليل­هاي انجام شده بر اساس آنها، فارغ از منبع داده و اطلاعات بايد در سراسر سيستم BI مشترک بوده و تمامي نتيجه­گيري­ها در يک راستا باشند. تا مديران و knowledge worker ها با اطمينان از صحت و جامعيت داده (Validity) از نتايج تحليلي استفاده نمايند.
6. Agility: معماري BI بايد به گونه­اي باشد که در صورت ايجاد تغييري در سازمان مانند يک استراتژي جديد، يک برنامه کاربردي جديد و... تغييرات لارم را به سرعت و درستي در ساير بخش ها اعمال نمايد.
7. Interoperability of BI Capabilities: کاربران تجاري نياز دارند به تمام capability هاي BI از طريق يک رابط دسترسي داشته باشند. کاربران مي توانند از طريق اين واسط مشترک به تحليل ها و ابزارهاي مختلفي دسترسي داشته باشند و يا به صورت اشتراکي در تهيه يک گزارش شرکت کنند. کاربر گزارشي را تهيه کرده و در اختيار ديگران قرار مي دهد. هر کسي تنها اطلاعاتي را که بايد ببيند، مشاهده مي کند. در نهايت مدير تجاري از گزارش هاي مختلف را مشاهده کرده و نتايج به دست آمده را در اختيار ديگران قرار مي دهد.
8. سهولت در به کار گيري (Deploy): براي به دست آوردن حداکثر فوايد استفاده از BI، نيازمند معماري هستيم که به راحتي قابل پياده سازي، يکپارچه کردن و به کارگيري باشد. شرکاي تجاري و مشتري ها نياز مند سيستم هايي هستند که به راحتي قابل نصب، به کار گيري و استفاده باشد.
9. Scalability and Reliability.
10. Security: معماري BI بايد آماده پذيرش تعداد زيادي از security provider ها را داشته باشد.

معماري يك پايگاه داده تحليلي شامل سه لايه مي باشد:

1- لايه زيرين، منابع اوليه داده را تشكيل مي­دهد. اين لايه شامل پايگاه­هاي داده رابطه­اي، فايل­هاي مسطح و منابع ديگر است.

2- لايه مياني را خود پايگاه داده تحليلي و سرويس دهنده­هاي پردازش تحليلي برخط تشكيل مي­دهند. سرويس دهنده­هاي پردازش تحليلي بر خط، داده چند بعدي را براي ارائه به كاربران نهايي در اختيار قرار مي­دهند.

3- لايه انتهايي، سرويس گيرنده­ها هستند كه با عمليات داده­كاوي، پرس­وجو و تحليل، داده را از سرويس­دهنده­هاي پردازش تحليلي بر خط مي­گيرند.

سرويس‌دهنده­هاي پردازش تحليلي بر خط كه در لايه مياني معماري پايگاه داده تحليلي قرار دارند، سه نوع هستند:

1- پردازش تحليلي برخط رابطه‌اي (Relational OLAP- ROLAP)

2- پردازش تحليلي برخط چندبعدي (Multi-dimensional OLAP- MOLAP )

3- پردازش تحليلي برخط تركيبي (Hybrid OLAP - HOLAP )

در این لایه بندی به DWH به عنوان یک black box نگاه شده است و جایگاه آن در بین سایر ابزار ها بیان شده است. همانطور که مشخص است، ارتباط بین لایه اول با لایه دوم از طریق فرایند ETL برقرار می شود. این فرایند در واقع همان مرحله اول ساخت DWH است که در بخش قبل بیان شد. لایه میانی خود DWH و گروهی از سرویس دهنده ها قرار گرفته اند، که سرویس های خاص DWH را در اختیار ابزارهای سطح بالا قرار می دهند. این ابزار ها در واقع در مرخحله سوم ساخت DWH به وجود می آیند. در انتها ایه ای از یک سری ابزار سطح بالای تحلیلی وجود دارد که در مرحله آخر به وجود می آیند. لایه انتهایی دارای ابزارهای خاص منظوره برای انجام فرایندهای تصمیم گیری در سطوح مختلف سازمانی است. لایه میانی یک بستر عمومی است که به وسیله هوش تجاری ایجاد می شود و قابلیت به اشتراک گذاری بسیاری از امکانات خاص را برای برنامه ها و ابزار های مختلف دارد.

1- آماده­سازي (ETL)

·        استخراج داده

·        پاك­سازي داده

·        بايگاني كردن داده قبل و بعد از پاك­سازي

2- يكپارچگي(Integrity)

·        تطبيق داده و يكپارچگي چند منبع داده­اي

3- تحليل سطح بالا

·        محاسبه ديدهاي تحليلي از ديدهاي پايه - ايجاد پارامترهاي تحليلي

4- خصوصي­سازي

·        استخراج و خصوصي سازي اطلاعات - ايجاد پايگاه داده تحليلي خاص

هر یک از این مراحل، توسط افراد خاصی باید انجام شود. در واقع تخصص های مورد نیاز برای انجام هر یک از مراحل فوق با هم دیگر فرقق می کند.

باید توجه داشت که تقریبا از مرحله اول نیازمند وجود Repository  برای ذخیره meta data ها هستیم. همچنین ممکن است در مراحل آخر نیازمندی جدیدی برای مرحله ETL پیش آید که در این صورت نیازمند انجام مجدد مراحل اولیه هستیم.

Metadata اطلاعات توصيف کننده داده هاي موجود در data warehouse است. اين اطلاعات شامل موارد زير مي­شود:

·        توصيف ساختار اطلاعات در data warehouse.

·             schema, view, dimensions, hierarchies, derived data definitions, data mart locations and contents

·        Metadata هاي عملياتي (operational).

·             data lineage (history of migrated data and transformation path)

·             currency of data (active, archived, or purged)

·              monitoring information (warehouse usage statistics, error reports, audit trails)

·       روش­هاي مورد استفاده براي خلاصه­سازي.

·       تناضر بين اطلاعات موجود در Data warehouse با محيط هاي عملياتي سازمان.

·       داده هاي مربوط به کارايي (performance) سيستم.

·       داده هاي تجاري: مانند اصطلاحات و تعاريف تجاري، مالکيت داده ها، سياست هاي تجاري و... .

بخشي از اطلاعات موجود در DWH در Data Mart نگهداري مي شود. اين اطلاعات بر حسب نياز گروه­هايي که در بخش IT سازمان فعاليت مي کنند انتخاب و استخراج مي شوند. در حالت کلي، اطلاعات مذکور از منابع اطلاعاتي مختلف موجود در سطح سازمان قابل تهيه هستند. معمولا اطلاعات موجود درData Mart از يک DWH استخراج مي شود. در مجموع مي­توان گفت در يک Data Mart ايجاد شده براي يک گروه knowledge worker، اطلاعاتي وجود دارد که گروه مذکور، از لحاظ تحليلي و محتوايي به آن نياز دارند و اين اطلاعات را مي­توان به فرمت مناسب براي گروه مذکور نمايش داد. Data mart ها به سه صورت وابسته، منطقي و Operational Data Store (ODS) وجود دارند.

• Data Mart وابسته: يک پايگاه داده فيزيکي است که ممکن است سخت افزار آن از سخت افزار DWH مجزا باشد و شامل زيرمجموعه هاي کوچکي از اطلاعات مي شود.
• Data mart منطقي: به صورت فيزيکي وجود ندارد بلکه يک view فيلتر شده از DWH است. اين نوع Data Mart نيازي به حافظه اضافي ندارد و داده ها هميشه بروز هستند. البته در اين نوع Data Mart زمان پاسخ دهي سيستم بيشتر خواهد بود.
• ODS: يک پايگاه داده يکپارچه از داده هاي عملياتي سازمان هستند که معمولا اطلاعات باارزش يک دوره 30 يا 60 روزه را در بر دارند و براي گزارش گيري هاي مربوط به زمان حال که قابل دستيابي از DWH نيستند، مورد استفاده قرار مي گيرند.

لازم به ذکر است از Data Mart ها به صورت جداول ايندکس هم استفاده مي­شود به اين صورت که به جاي آنکه اطلاعات سيستم در يک پايگاه اطلاعاتي مرکزي تکرار شود، اطلاعات سازمان تنها در منابع اطلاعاتي اوليه ذخيره مي شوند و ايندکس هايي از اطلاعات ايجاد مي شوند. در اين ايندکس ها (که همان Data Martها هستند)، مشخص شده است که هر منبع اطلاعاتي شامل چه اطلاعاتي است و چگونه مي توان اطلاعات مورد نظر را از آن استخراج کرد. به اين روش، روش quick and dirty گفته مي شود. زيرا در اين روش Data Mart ها را مي­توان به سرعت ايجاد کرد و از طرفي اطلاعات مانند روش قبل پاکسازي نمي شوند.

يک Data warehouse براي جمع آوري تمامي اطلاعات در مورد موضوعات (subjects) مختلف مانند مشتري ها، محصولات، فروش، منابع، پرسونل و... ايجاد مي شود. اين اطلاعات در حوزه کل سازمان قرار دارد. ولي Data Martها اطلاعات زير مجموعه هاي سازماني را که روي يک موضوع خاص متمرکز است، در بر دارند.

براي ايجاد بستر داده اي براي BI به دو روش مي توان عمل کرد:

1- بالا به پايين (top-down): گه در اين روش يک DWH يکپارچه و يا يک ODS براي کل يک سازمان ايجاد مي شود. اين پايگاه داده بزرگ تمامي اطلاعات و داده هاي عملياتي سازمان را در بر دارد. ايجاد، پياده سازي و استفاده از اين نوع پايگاه داده بسيار گران، هزينه بر و سخت است.

2- پايين به بالا (down-top): در اين روش داده هاي مرتبط با هم در يک data mart قرار مي گيرند و چندين data mart در نقاط مختلف سازمان ايجاد شده و در راستاي همديگر يک DWH براي سازمان ايجاد مي کنند.

براي ايجاد بستر داده اي يک سازمان روش اول بسيار سخت و هزينه بر است و در بسياري از کاربرد ها غير ممکن به نظر مي رسد.

با توجه به اينکه بسياري از سازمان ها از قبل داراي منابع داده اي جدا هستند، استفاده از Data mart ها بسيار به صرفه به نظرمي آيد و عملا نيز بسياري از سازمان ها از اين روش در BI استفاده مي کنند. يکي از نقاط ضعف اين روش اين است که داده ها و اطلاعات مربوط به يک فعاليت در سازمان ممکن است در چندين data mart نگه داري شود که باعث ايجاد افزونگي در اطلاعات سازمان مي شود.

Data mart ها بنا به کاربرد و انتظاراتی که از لحاظ کارآیی از آنها دارند، طراحی و پیاه سازی می شوند. در کاربرد­هایی که نیاز است آخرین تغییرات داده های سازمان در Data mart وجود داشته باشد نمی توان از Data mart های وابسته استفاده کرد و بهتر است در صورت کوچک بودن حجم پردازش مربوط به query از Data mart منطقی استفاده شود. در صورتی که حجم پردازش بالا باشد و نتوان آن را در زمان مناسبی از DWH استخراج کرد بهتر است بنا به مقدار هزینه ای که برای استقرار در نظر گرفته شده است، از Data mart های وابسته و یا ODS ها استفاده شود.

با توجه به تقسیم بندی application های هوش تجاری در سطوح مختلف سازمانی (استراتژیک، تاکتیکی و عملیاتی) می­توان گفت data mart هایی که خاص منظور هستند، بیشتر ما بین سطوح عملیاتی و تاکتیکی کاربرد دارند. این data mart های اطلاعات ورودی خود را از سیستم های عملیاتی گرفته و با استفاده از ابزارهای هوشمند در سطوح میانی مدیریت که مربوط به مدیریت تاکتیکی می شود کاربرد دارند.

برای استفاده در سطوح استراتژیک که در سطوح بالای مدیریتی انجام می شود و در دفعات کم معمولا با انبوه اطلاعات enterprise wide سر و کار دارد، می توان از خود DWH و یا data mart های خاص استفاده کرد.

همچنین می توان از ترکیبی از روش های فوق برای پیاده سازی data mart های خاص استفاده کرد. برای مثال می توان از قسمتی از داده های یک Data mart وابسته را با استفاده از تکنیک data mart منطقی از بخش دیگری از یک Data mart دیگر تهیه کرد.

1- مبتني بر موضوع:

·                 سازماندهي داده­ها بسته به چگونگي ارجاع كاربران.

2- يكپارچگي

·                    يكپارچه سازي اسامي.

·                    يكپارچه سازي واحدهاي اندازه­گيري متغيرها.

·                    يكپارچه سازي ساختارهاي داده­اي از نظر محدوده ارزشها.

·                    حذف ناسازگاريها و اطلاعات متناقض.

3-  غير قابل تغيير

·                   داده­هاي فقط خواندني

4- محدوده وسيع زماني

·                   محيط هاي عملياتي: گستره زماني 60-90 روز

·                   پايگاه داده تحليلی: گستره زماني 5-10 سال

5- خلاصه شده

·                   داده هاي تحليلي مناسب براي تصميم­گيري­ها بر اساس اهداف تعيين شده

6- حجيم

·                   به علت محدوده وسيع زماني

7- نرمال­نشده

·                   امكان وجود افزونگي

پایگاه­داده تحلیلی در واقع پایگاهی است که خروجی فرایند ETL در آن قرار می­گیرد. داده­های استخراج شده و منتقل شده در این پایگاه داده load می­شوند. قابل ذکر است که در پیاده سازی یک DWH می­توان از روش­های مختلفی استفاده کرد که استفاده از data martها یکی از آن است. بسته به نحوه پیاده­سازی یک DWH میزان اهمیت خصوصیات فوق تغییر می­کنند.

دقت در خصوصیات مهم فوق نشان می دهد که آنچه در پیاده سازی و کارگیری یک DWH بیشتر مهم است، میزان توانایی آن در پاسخ گویی به query ها است و هزینه را بیشتر در بخش ایجاد و وارد کردن اطلاعات وارد می کنند تا هزینه زمانی کمتر و کارآیی بالاتری را در هنگام بازیابی اطلاعات به دست آورند. این نکته مهم در می تواند در معماری سیستم بسیار مهم باشد.

برخي از سازمان­ها تمايل دارند DWH به صورت سراسري طراحي شود به طوريکه تمامي اطلاعات موجود در سازمان در آن قرار گيرند. طراحي و استفاده از DWH به اين صورت کاري پيچيده و زمان­بر است. به همين علت در بسياري از سازمان ها از Data Mart استفاده مي­شود.

Meta data اطلاعاتي در رابطه با انتقال و تبديل داده­ها، عملکرد DWH، تناظر منابع اطلاعاتي و جداول پايگاه­داده (که در آنها مشخص شده است منابع اطلاعاتي اوليه به چه قسمت­هايي از DWH نگاشت شده اند) مي باشد. از اطلاعات موجود در meta data مي­توان در مواردي مانند نظارت خودکار، پيش­بيني گرايش­هاي سازمان و استفاده مجدد از اطلاعات استفاده کرد. مثال هايي از meta data عبارتند از:

• اطلاعات بارگذاري داده­ها: براي مثال مجموعه­هاي داده­ها در چه زماني در  DWHقرار داده شده­اند.
• تغييرات schema: تغييراتي که در schema رخ مي­دهد. براي مثال چه تغييراتي و کي در تعاريف جداول اطلاعاتي ايجاد شده است.
• آمار تبديلات انجام شده: اطلاعاتي مانند مدت زمان انجام تبديل­هاي انجام شده بر روي داده­ها و تعداد رکوردهاي پردازش شده در انجام اين تبديلات در اين قسمت نگهداري مي­شوند.

براي انجام فرايند ETL مي توان در سازمان برنامه­هاي نرم افزاري مورد نياز را نوشت. اين برنامه ها عمومًا برنامه­هاي پيچيده­اي هستند. از اين رو ابزار زيادي براي ETL به وجود آمده­اند به طوريکه مي­توان از آنها براي اين منظور استفاده کرد.

داده­هاي تبديل شده به شکل استاندارد مورد نظر، در اين مرحله در پايگاه داده DWH قرار مي­گيرند. داده­ها معمولا به دليل حجم بالا، به صورت دوره­اي در DWH بارگذاري مي­شوند نه پيوسته. به عبارت ديگر، وقتي اطلاعات در يک منبع اطلاعاتي تغيير کرد يا اطلاعات جديدي به آن اضافه شد، تغیيرات به صورت آني به DWH منتقل نمي­شود. بلکه DWH به صورت دوره­اي و در بازه­هاي منظم زماني به روز مي­شود.

پس از استخراج اطلاعات، بايد پردازش­هايي روي آنها انجام شود تا فرمت آنها مناسب و يکپارچه شود. در اين مرحله موارد زير انجام مي شوند:

1-     اعتبارسنجي داده­ها: سازگاري و عدم تناقض اطلاعات جديد استخراج شده از منابع اطلاعاتي و اطلاعات موجود در DWH در اين قسمت بررسي مي­شود.

2-     بررسي صحت داده­ها: آيا فيلدها مقادير درستي به خود گرفته­اند؟ براي مثال آيا در فيلدي که ارزش مقادير on و off هستند، تمامي داده­ها يکي از اين دو مقدار را دارند؟

3-     تبديل انواع داده­ها: داده­ها از منابع اطلاعاتي مختلف مي­آيند و در نتيجه ممکن است فيلدهاي مشابه داراي مقادير مختلفي باشند. براي مثال يک فيلد دو مقداري در يک منبع اطلاعاتي on و off باشد و در منبع اطلاعاتي ديگر ۰ و ۱. تمامي اطلاعاتي که وارد DWH مي­شوند بايد از اين جهت اصلاح شوند.

4-     اعمال قوانين تجاري: در اين مرحله مي­توان بررسي کرد آيا داده­هاي موجود مطابق با نيازهاي سازماني هستند؟ براي مثال آيا در اطلاعات مربوط به مشتريان نام و نام خانوادگي آنها وجود دارد.

5-     يکپارچه­سازي اطلاعات: براي مثال ممکن است يک سيستم اطلاعات مشتريان را نگهداري کند و سيستم ديگر اطلاعات فروش را. اطلاعات موجود در دو سيستم مذکور بايد با هم يکپارچه شوند.

اين مرحله در واقع، پيچيده ترين مرحله در فرآيند ETL است. قسمتي از اين فرآيند را مي­توان در مرحله استخراج داده­ها انجام داد. مانند سيستم­هاي اطلاعاتي قديمي که در آنها اطلاعات از تمامي فايل­هاي اطلاعاتي موجود جمع­آوري شده و يک فايل متني از روي آنها ساخته مي­شود.

ابتدا بايد اطلاعات از منابع اطلاعاتي مورد نظر استخراج شوند. در اين مرحله ممکن است اطلاعات از منبع اطلاعاتي اوليه حذف شود يا بدون حذف از آن در DWH کپي شود. اغلب داده­هاي اطلاعاتي قديمي که در امور روزمره سازمان کاربردي ندارند و نگه­داري آنها تنها جنبه حفظ تاريخچه سيستم را دارد، از منبع اطلاعاتي اوليه حذف شده به DWH منتقل مي­شود. به اين ترتيب بهره­وري و کارايي منابع اطلاعاتي مذکور در سطح مطلوبي نگاه داشته مي­شود.

داده­هاي استخراج شده از منابع اطلاعاتي اوليه معمولا در فضاي Staging در DWH قرار داده مي­شوند و در ساير مراحل ETL مورد پردازش قرار مي­گيرند. اين فضا معمولا يک پايگاه­داده رابطه­اي است که به عنوان فضاي حافظه­اي موقت براي پردازش اطلاعات به وجود آمده است.

مرحله استخراج اطلاعات معمولا در سطح منابع اطلاعاتي انجام مي­شود به ويژه اگر منبع اطلاعاتي مورد نظر، پايگاه­داده باشد. در سيستم­هاي قديمي، روش متداول براي استخراج اطلاعات، توليد فايل­هاي متني از روي اطلاعات مي­باشد. در سيستم­هاي جديدتر از امکاناتي مانند API، OLE DB وODBC ها براي اين امر استفاده مي­شود.

طي فرآيند ETL داده­ها از منابع اطلاعاتي مورد نياز موجود در سازمان يا خارج از آن مانند، پايگاه­هاي داده، فايل­هاي متني، سيستم­هاي قديمي و صفحات گسترده (Spread Sheets) استخراج شده و تبديل به اطلاعاتي سازگار با فرمت معين مي­شوند و سپس در يک مخزن اطلاعاتي که در اغلب اوقات يک DWH است، قرار داده مي­شوند. براي انجام ETL نياز به تخصص­هاي مختلفي چون تجزيه و تحليل تجاري، طراحي پايگاه داده و برنامه­نويسي وجود دارد.

پيش از انجام فرآيند ETL ابتدا بايد منابع اطلاعاتي که قرار است داده­هاي آنها به DWH منتقل شوند، شناسايي شوند، مقصد آنها در DWH مشخص شوند و تبديلاتي که بايد بر آنها انجام شود تا واردDWH شوند، تعيين شوند. نحوه نگاشت اطلاعات به صورت اوليه، بايد در مرحله جمع­آوري نيازها و مدل­سازي اطلاعات انجام شود. اطلاعات جزيي تر مربوط به نحوه نگاشت داده ها از منابع اطلاعاتي اوليه به DWH در مرحله طراحي و پياده­سازي ETL مشخص مي­شود.

·        شناسايي منابع اطلاعاتي: پايگاه­هاي داده mainframe مانند:VSAM ،DB2 ،IBMS Adabas  و ISAM پايگاه­هاي داده client-server مانندInformix  و Oracle پايگاه­هاي اطلاعاتي PC مانند Access، صفحات گسترده مانند Excel نمونه­هايي از مهمترين انواع منابع اطلاعاتي را تشکيل مي­دهند. در برخي سيستم­ها شناسايي منابع اطلاعاتي به سادگي مکان­يابي سرورهاي پايگاه­داده سيستم است. در برخي سيستم­هاي پيچيده­تر، براي شناسايي اين منابع بايد اعمالي نظير تعريف دقيق فيلدهاي اطلاعاتي و تعريف ارزش­هاي اطلاعاتي مربوط به اين فيلدها انجام شود.

·        تعِيين مقصد داده­ها: براي تمامي اطلاعات موجود در منابع اطلاعاتي شناسايي شده بايد مکاني در DWH در نظر گرفته شود. داده هاي اطلاعاتي در قسمت­هاي مختلفDWH  قرار مي­گيرند.

·        نگاشت داده­هاي اطلاعاتي از مبدأ به مقصد: نحوه نگاشت داده­ها از مبدأ به مقصد و تغييراتي که بايد بر داده­هاي اوليه اعمال شود تا به فرمت مناسب براي DWH درآيند بايد تعيين شوند. اين تغييرات موارد زير شامل مي­شود:

o       خلاصه سازي اطلاعات.

o       تغيير اطلاعات.

o       کدگشايي اطلاعات کد شده.

o       ايجاد تغييرات لازم براي هماهنگ سازي داده­هاي اطلاعاتي مشابه که در چند منبع اطلاعاتي مختلف وجود دارند.

اطلاعات مربوط به نحوه نگاشت اطلاعات در نقشه اطلاعات (Data Map) نگهداري مي شود.

يک سيستم ETL داراي چهار بخش اصلي است:

• استخراج (Extraction)
• تبديل (Transformation)
• بارگذاري (Loading)
• Meta Data

فرایند ETL، یک پروسه محسوب می شود. به این معنی که به صورت پیوسته و مداوم در سیستم باید انجام شود. به ازای داده هایی عملیاتی که در طول زمان در سازمان به وجود می آید این فرایند نیز انجام می شود. آنچه که در استقرار یک هوش تجاری در سازمان مهم است ایجاد مهماری و ساختاری مناسب است به طوری که این در طول اجرای عملیات مختلف، ETL با سازگاری با آن فرایند به سرعت انجام پذیرد. پس ساختار مورد استفاده برای ETL قبل از انجام آن از اهمیت بالایی برخوردار است. فرایند ETL به دلیل اینکه روی حجم بالایی از اطلاعات انجام می شود و معملا همراه با یکپارچه کردن داده ها همراه است می بایست در طول دوره های مختلف انجام شود. در این دوره ها و به هنگام آغاز فرایند ETL به دلیل بالا رفتن حجم ترافیک شبکه و پردازش سرورهای پایگاه داده ممکن است در انجام فرایندهای دیگر تجاری BI اختلال ایجاد شود که می بایست در طراحی هوش تجاری مورد توجه قرار گیرد.