案例01｜Maryland 稅務詐欺：資料倉儲與分析降低誤判
案例05｜AARP：商業智慧基礎設施現代化與 347% 投資報酬率
案例06｜資料整合：擷取轉換載入、企業應用整合、企業資訊整合與近即時資料
案例08｜資料視覺化：Minard、圖表分類與 Gapminder
案例09｜Sport England：KNIME × Power BI 自動化社群媒體報告
案例11｜Big Chain：Inmon 與 Kimball 資料倉儲方法選擇
案例12｜Regional Bank：企業應用整合、企業資訊整合、擷取轉換載入與即時資料倉儲
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| 商業智慧（Business Intelligence, BI） | 整合資料、報表、視覺化與分析，以支援管理決策 | 把企業資料轉為洞察與決策支援 | BI 與商業分析、資料倉儲關係密切，但不是單一工具 |
| 資料倉儲 | 整合組織內外部資料，作為 BI／分析的主要資訊來源 | 建立一致、可查詢的企業分析資料基礎 | 需考慮架構、資料品質、管理支持、預算與期望管理 |
| 資料倉儲架構 | 兩層式、三層式、網頁式、企業資料倉儲（Enterprise Data Warehouse, EDW）、資料市集等 | 依組織規模與分析需求配置系統 | 成功需同時考量資訊品質、系統品質，以及個人／組織影響 |
| 維度建模／線上分析處理 | 事實表、維度表、星狀／雪花架構、資料立方體與切片 | 多維查詢與管理分析 | 與線上交易處理（Online Transaction Processing, OLTP）的目的不同 |
| 資料整合 | 擷取轉換載入（Extract, Transform, Load, ETL）、企業應用整合（Enterprise Application Integration, EAI）、企業資訊整合（Enterprise Information Integration, EII）、服務導向架構（Service-Oriented Architecture, SOA） | 整合不同來源並支援批次或更即時的資料需求 | 原書指出 ETL 往往約占資料導向專案 70% 的時間 |
| 資料湖 | 大量資料以原生／原始格式保存，尤其適合保留非結構化資料 | 為未來大數據分析保留彈性 | 原始儲存不等同已治理、可直接決策的資料倉儲 |
| 資訊視覺化 | 依管理問題選擇圖表，呈現趨勢、比較與關係等 | 加速理解與溝通分析結果 | 圖表形式必須服務資訊目的 |
| 儀表板 | 監控 → 分析 → 管理三層 | 監控關鍵績效指標（Key Performance Indicator, KPI）、追查根本原因、連結營運行動 | 資料需可靠、及時、完整、一致，並提供脈絡與下鑽功能 |
本章把商業智慧（Business Intelligence, BI）放在資料驅動決策架構中理解。BI 需要可靠的資料來源，而資料倉儲的核心價值在於把分散的組織內外部資料整合、轉換並提供一致的分析基礎。Maryland 稅務詐欺案例顯示，當歷史資料能被整合並建立更細緻的詐欺特徵與分數時，決策流程可以從單一規則篩選轉向具有優先順序的分析工作流程。
原書介紹兩層式、三層式、網頁式、EDW 與資料市集等不同架構，也討論 Inmon 與 Kimball 的建置思路。選擇架構時不能只比較技術規格；商業目標、管理者／終端使用者支持、時程、預算與期望管理都是成功條件。