BI建模的质量直接影响数据仓库项目的质量，所以在建模前，要对数据仓库的架构组成、大小以及模型功能有明确的定义。
影响BI数据仓库建模的因素众多，往往会随着项目的具体情况不同而变化。但有些原则是相通的，各种项目的实施过程都需要考虑，而一些常见的、项目人员容易不解的问题也同样需要重视。
BI建模原则
1、 围绕业务情况建模：业务需求是基础，数据仓库的数据组织是面向主题的，而不是面向报表的，是面向业务分析的主题领域的，比如常见的销售分析、合同尾款分析、客户关系分析等等。
2、 保证数据的一致性：要保证数据之间逻辑关系的正确性和完整性，数据仓库要实现对数据的集成与数据的同构性，和数据的相对稳定，为实现应用而进行实时读写操作。
3、 使用调度：数据仓库要有能反映历史变化与及时准确的数据处理能力，所以BI建模增量更新时必须使用调度，即对事实数据表进行增量更新处理。在使用调度前要考虑到实际的数据量，明确数据多久更新一次。数据量大的可以每天，那么数据可以按天抽取，或者像帆软商业智能FineBI那样，采用定时增量更新；变化不大的可以一周或是更久。如果有缓慢变化维度情况，调度时需要考虑到维度表更新情况，在更新事实数据表之前要先更新维度表。
4、 需求与现实的平衡：依据业务需求提供用户可接受BI方案，在进行BI建模时需要不断在用户需求和数据源事实之间进行平衡，不光是设计人员自身平衡，企业业务人员也同样要面对这样的现实。
常见问题
1、 模型的设计如何入手？
BI建模的目的无非是为了提升管理水平，这也是上BI项目的核心意义所在。前期一定要了解清楚业务需求、业务范围等内容，明确企业对商业智能的期望和需要分析哪些主题。协同分析客户目前的管理水平、企业架构和运作流程，管理过程的薄弱点和关键点是什么，来帮助企业人员认识自己的需求。
2、实施忽略确认过程
很多项目人员在确认过企业需求后就觉得可以大刀阔斧地设计实施了，但在实际过程中往往遇到各种对不上的问题。究其原因在前期商讨过程中总会有遗漏，一些人员对业务也并非有深刻的理解，造成后续不断调整，项目周期拖延。所以在建模过程中，一定要不断地确认业务分析模型，数据能否支撑。好的商业智能BI项目实施，通常会充分了解数据抽取对象的业务系统，和业务人员充分沟通，与领导反复确认，避免企业后续的重复工作，加重企业负担。
本文转载自帆软商业智能FineBI: http://www.finebi.com/bi/?p=3362