用途：该项目提供完整的企业数据工程流水线，将原始 CSV（Sales、Products、Customers）经 SSIS 抽取转换后加载到 SQL Server 星型模型数据仓库，再用 Python/Pandas 做数据质量审计与可视化，用 PySpark 做大数据聚合分析。
主要能力：SSIS 负责 ETL 编排与错误处理；SQL Server 建立维度表 dim_Customers、dim_Products 与事实表 fact_Sales，并提供 vw_RevenueByProduct、vw_CustomerLTV 等 BI 视图；Python 脚本执行空值、孤立记录、收入分布审计及客户分层；PySpark 通过 JDBC 读取数据，做月度收入、品类绩效聚合，并支持分区写入 Parquet 与广播连接优化。
使用方式：需 SQL Server 2019+、SSIS、Visual Studio+SSDT、Python 3.10+、Java 8+。安装依赖：pip install pandas sqlalchemy pyodbc pyspark matplotlib。先执行 01_Schema_Setup.sql 建库建表，再在 Visual Studio 创建 Integration Services 项目并配置连接管理器，或用 dtexec /FILE "EnterpriseETL\Package.dtsx" 运行包；随后运行 python project_audit.py 与 spark-submit --jars mssql-jdbc-9.4.0.jre8.jar pyspark_analytics.py。增量加载可用 stg_Sales 与 MERGE 语句实现。
适用场景：企业数据仓库建设、ETL 自动化、数据质量审计、客户分层与大规模销售分析。
限制：依赖 Microsoft 与 Apache 技术栈，需自行准备 SQL Server、SSIS、Spark 环境及 JDBC 驱动；资料未提供具体收费、价格或性能基准，实际效果取决于数据规模与部署配置。