数据仓库的逻辑模型

金融业逻辑数据模型FS-LDM 当事人PARTY主题1 定义/准入原则当事人（Party）是指银行所服务的任意对象和感兴趣进行分析的各种对象。

如：个人或公司客户、同业客户、潜在客户、代理机构、雇员、分行、部门等，一个当事人可以同时是这当中的许多角色。

当事人是一个独立的人或者一组人组成的机构、团体等，可分为个人、机构和家庭，他们是和银行有往来或者出于市场营销、分析管理等各种需要而希望关心和分析的个体或人群。

从数据仓库模型角度考虑，可以包括以下当事人信息：⏹在银行登记注册开立账户的单位/企业客户⏹在银行登记注册开立账户的个人普通客户⏹和银行有业务往来的其他金融机构（如国内同业、海外代理行等）⏹登记注册使用某项特殊服务的客户（如基金注册登记机构、基金交易客户、银行卡特约单位、联名认同单位、电子银行缴费单位/个人、网银集团客户/贵宾企业/商户/学校、航空公司等）⏹机构的内部组织（如分支机构、部门、团队等）⏹机构的员工（如柜员、客户经理等）⏹外部机构提供清单（如人行征信系统、国家统计局等）上银行感兴趣的各种对象⏹为银行提供某项专业服务的当事人（如咨询公司、设备提供商、法律顾问等）2 唯一标识当事人的唯一标识是“当事人编号”，该字段可以直接取自原业务系统中的唯一客户编号（可能需要加工，区分对公、个人和机构等），也可以由数据仓库系统按照一定的规则自行编制一个唯一编号。

3 当事人分类当事人分为个人当事人、机构当事人、家庭三类，机构当事人又分为内部机构和外部机构，外部机构又细分成“商业组织机构（企业）”和“非盈利组织机构（协会）”。

此外，“当事人”实体还可以通过“潜在客户标志”、“提供商标志”等字段实现其他口径不排他的分类。

⏹提供商信息：记录提供商的信息，如法律顾问、咨询家、财务顾问等和银行往来的历史记录等；⏹潜在客户信息：该实体记录银行所感兴趣的各种潜在客户的信息；⏹机构名称历史：记录机构的名称的变更历史，包括过去的、现在的正式名称、简称等。

数据库逻辑模型数据库逻辑模型，又叫做逻辑数据模型，是数据库技术中一种重要的基本模型。

它处于物理数据存储和用户使用之间，它表示数据库信息和关系模型之间的映射。

它支持用户定义更通用的视图，可以分解成较低级别的视图，来支持与特定数据库之间的映射，从而扩展应用程序的功能，它可以使应用程序开发者更充分地表达自己的需求，以实现更丰富的应用。

数据库逻辑模型的构建是一种结构的设计，它是一种用于描述数据之间的关系以及如何从数据库中获取和整理信息的技术。

它包含了定义系统的属性，以及确定数据之间的关系的规则。

逻辑模型的最大特点在于它将数据从物理存储中分离出来，因此，在模型中可以实现复杂的关系，并可以更有效地持久化数据，并将其存储在指定的数据库中。

数据库逻辑模型分为三个基本结构，分别为实体，关系和属性。

实体表示一个可以创建或改变的独立的物理对象，它可以包括一个或多个概念或元素，以及可以定义实体之间的关系。

关系是一种映射关系，它定义了不同实体之间的联系，这样，数据库就可以实现数据之间的连接和查询。

最后，属性是实体的描述，可以定义实体的特性和特征，以及特定实体所具有的属性。

在实际应用中，数据库逻辑模型有很多优点。

它极大地提升了灵活性，可以大大降低维护成本，因为可以拆分数据，从而使其可以更容易地更新和维护，可以节省存储空间，减少重复存储的数据，并可以有效提高关系数据库的性能。

在数据库技术中，数据库逻辑模型是一种非常重要的模型，它把数据从物理存储中分离出来，提供了一种方便的方式来实现复杂的关系，有效利用存储空间，提高性能，降低维护成本，从而给企业应用和管理带来更大的便利，可以有效地支持企业更好地进行管控，降低企业的日常管理成本，产生更大的价值。

数据库数据模型中逻辑模型的定义
在数据库设计过程中，逻辑模型是指对实际需求进行抽象和建模的过程，用于描述数据的组织结构、关系和约束。

逻辑模型的特点：
•逻辑模型更接近于真实世界的需求，而不是数据库管理系统的具体实现细节。

•逻辑模型使用概念和实体之间的关系来描述数据的逻辑结构。

•逻辑模型可以独立于数据库管理系统的特性进行设计和分析。

逻辑模型的常见类型：
1.关系模型：使用表格和关系来表示数据之间的关系。

2.层次模型：使用树形结构表示数据之间的层次关系。

3.网状模型：使用复杂的链接结构表示数据之间的关系。

通过使用逻辑模型，数据库设计者可以更好地理解和组织数据，从而提高数据库的可维护性和可扩展性。

注意：逻辑模型是数据库设计过程中重要的一步，需要详细考虑实际需求和数据之间的关系。

数据库逻辑模型数据库是一个存放和管理信息的系统，由于计算机技术发展，数据库应用变得越来越广泛，被大量使用。

这就需要一个更为完善的模型来支撑数据库应用，这就是数据库逻辑模型。

数据库逻辑模型是一种结构性体系，它以复杂的数据组织形式来表示现实世界的结构和实体，并且能够把细节的数据的表示转换成更加合理的数据结构。

数据库逻辑模型通常分为三种不同的基本模型，它们分别是关系模型、网状模型和层次模型。

三种基本模型的定义及它们之间的联系如下：关系模型：关系模型把信息作为表格表示，把相互关联的关系以表格的形式表达出来，每个表有几个列来表示信息，每一行表示一条记录，每一列表示一个属性。

网状模型：网状模型用网络元素表示信息，形成网络模型，并且实现程序开发以及数据管理。

网状模型包含两个概念：节点和链接。

节点是数据的物理存储单元，用节点的集合表示数据的物理结构，链接用来表示数据之间的逻辑关系。

层次模型：层次模型是由父子层构成的数据结构，描述了信息中联系关系和隶属关系，树形结构也是层次模型的一种特殊表示方式。

层次模型因为它的易用性，而被广泛的使用。

数据库的物理机构可能不同，但是它们的逻辑结构是相同的，因此需要数据库逻辑模型。

数据库逻辑模型的最终目的是确保数据的一致性，实现数据的有效管理。

相较于其它模型，数据库逻辑模型有很多优点。

首先它可以把细节的数据表示转换成更加完善的数据库模型，其次它可以实现数据的有效管理以及更高效的处理，最后它也能够有效支撑现实世界的复杂数据组织。

数据库逻辑模型被广泛的使用在许多不同的领域，它可以用于客户关系管理，可以用于网上购物，也可以用于媒体，教育等等。

其实数据库逻辑模型正成为一种不可或缺的部分，它对各种不同领域的数据库应用起到越来越重要的作用。

总之，数据库逻辑模型是一种高效、灵活、实用的模型，它已经成为今天不同领域数据库应用的重要组成部分，未来它也将发挥更加重要的作用。

数据仓库的概念模型的概念数据仓库是一种用于支持决策分析和业务报告的数据存储和管理系统。

它的主要目标是将来自不同数据源的大量数据集成到一个统一的、结构化的、易于查询和分析的数据集中，以便帮助企业进行决策制定和战略规划。

数据仓库的概念模型是数据仓库设计的核心基础，它描述了数据仓库中存储的数据以及数据之间的关系和属性。

概念模型体现了数据仓库的逻辑结构，为数据仓库的建立、使用和维护提供了指导和便利。

数据仓库的概念模型通常采用星型模型或雪花模型。

星型模型是以事实表为核心，围绕事实表构建多个维度表。

事实表存储了事实数据，如销售量、收入等，而维度表包含了与事实数据相关的各种维度，如时间、地区、产品等。

事实表和维度表通过外键关联起来，形成一个星形的数据结构。

星型模型简单直观，易于理解和查询，适用于较为简单的数据仓库场景。

雪花模型在星型模型的基础上进一步细化了维度表，将维度表再次分解成更小的表。

这种模型可以更好地表达维度之间的关系，但也带来了更复杂的查询和维护操作。

通常情况下，星型模型适用于规模较小、数据结构相对简单的数据仓库，而雪花模型适用于规模较大、数据结构复杂的数据仓库。

在数据仓库的概念模型中，一般还包括以下几个关键元素：1. 数据源：数据仓库的数据源包括各种数据库、文件、应用系统等，数据从这些源中抽取、清洗和转换后存储到数据仓库中。

2. ETL过程：ETL（抽取、转换、加载）是数据仓库的重要组成部分。

在ETL过程中，数据从各个源系统中抽取出来，经过一系列的转换操作，最后加载到数据仓库中。

ETL过程的设计和实现对数据仓库的性能和质量有着重要影响。

3. 元数据：元数据是数据仓库中的数据描述信息，包括数据定义、数据源、数据转换规则、数据质量、数据字典等。

元数据的管理对于数据仓库的正确理解和有效使用至关重要。

4. 查询和报告：数据仓库的主要目标是提供给决策者和业务用户一个易于查询和分析的数据集。

因此，数据仓库的概念模型需要考虑查询和报告的需求，提供适当的数据结构和查询接口。

胖⼦哥的⼤数据之路（9）-数据仓库⾦融⾏业数据逻辑模型FS-LDM引⾔： ⼤数据不是海市蜃楼，万丈⾼楼平地起只是意淫，⼤数据发展还要从点滴做起，基于⼤数据构建国家级、⾏业级数据中⼼的项⽬会越来越多，⼤数据只是技术，⽽⾮解决⽅案，同样⾯临数据组织模式，数据逻辑模式的问题。

它⼭之⽯可以攻⽟，本⽂就数据仓库领域数据逻辑模型建设最负盛名的FS-LDM进⾏介绍，旨在抛砖引⽟，希望能够给⼤家以启迪。

参与交流请加群：347018601⼀、概述（1）什么是LDM 逻辑数据模型LDM是数据仓库的数据建设阶段为解决业务需求⽽定义的数据仓库模型解决⽅案，它是指导数据仓库进⾏数据存放、数据组织、以及如何⽀持应⽤的蓝图，定义需要追踪和管理的各种重要实体、属性、关系。

（2）为什么需要LDM 操作型数据库和数据仓库都需要的数据组织模式； LDM是构建DW的第⼀步，是建⽴BI的基础框架，是提供价值数据分析的重要基础，为复杂的DW系统实施提供了规范和基础结构的蓝图； LDM促进业务部门和IT分析⼈员之间的有效沟通，形成对重要业务定义和术语的统⼀认识。

具备跨部门、中性的特征，能够表达所有的业务；（3）主流LDM有哪些 Teradata FS-LDM(⾦融服务逻辑数据模型)：是预先构建的LDM，利⽤它可以直接开始数据仓库模型设计，它是⼀个成熟的产品； IBM有BDWM(Banking Data Warehouse Model)；⼆、FS-LDM ⾦融11个主题模型1.团体 PARTY是指银⾏作为⼀个⾦融机构所服务的任意对象和感兴趣进⾏分析的各种对象。

如个⼈、公司客户、潜在客户、代理机构、合作伙伴、雇员、分⾏、部门等。

⼀个团体可以同时是这当中许多种⾓⾊。

借助团体主题的建⽴可以实现基于客户基本信息的分析，是实现以客户为中⼼的各种分析应⽤的重要基础。

2.资产 ASSET⽤于描述团体的资产，资产主题包含两⼤类的资产，客户资产和建⾏⾃有资产。

第四章作业1.数据仓库的需求分析的任务是什么？P67需求分析的任务是通过详细调查现实世界要处理的对象（企业、部门用户等），充分了解源系统工作概况，明确用户的各种需求，为设计数据仓库服务。

概括地说，需求分析要明确用那些数据经过分析来实现用户的决策支持需求。

2.数据仓库系统需要确定的问题有哪些？P67、、（1）确定主题域a)明确对于决策分析最有价值的主题领域有哪些b)每个主题域的商业维度是那些？每个维度的粒度层次有哪些？c)制定决策的商业分区是什么？d)不同地区需要哪些信息来制定决策？e)对那个区域提供特定的商品和服务？（2）支持决策的数据来源a)那些源数据与商品的主题有关？b)在已有的报表和在线查询（OLTP）中得到什么样的信息？c)提供决策支持的细节程度是怎么样的？（3）数据仓库的成功标准和关键性指标a)衡量数据仓库成功的标准是什么？b)有哪些关键的性能指标？如何监控？c)对数据仓库的期望是什么？d)对数据仓库的预期用途有哪些？e)对计划中的数据仓库的考虑要点是什么？（4）数据量与更新频率a)数据仓库的总数据量有多少？b)决策支持所需的数据更新频率是多少？时间间隔是多长？c)每种决策分析与不同时间的标准对比如何？d)数据仓库中的信息需求的时间界限是什么？3.实现决策支持所需要的数据包括哪些内容？P68（1）源数据（2）数据转换（3）数据存储（4）决策分析4．概念：将需求分析过程中得到的用户需求抽象为计算机表示的信息结构，叫做概念模型。

特点：（1）能真实反映现实世界，能满足用户对数据的分析，达到决策支持的要求，它是现实世界的一个真实模型。

（2）易于理解，便利和用户交换意见，在用户的参与下，能有效地完成对数据仓库的成功设计。

（3）易于更改，当用户需求发生变化时，容易对概念模型修改和扩充。

（4）易于向数据仓库的数据模型（星型模型）转换。

5．用长方形表示实体，在数据仓库中就表示主题，椭圆形表示主题的属性，并用无向边把主题与其属性连接起来；用菱形表示主题之间的联系，用无向边把菱形分别与有关的主题连接；若主题之间的联系也具有属性，则把属性和菱形也用无向边连接上。

业务驱动任何需求均来源于业务,业务决定了需求,需求分析的正确与否是关系到项目成败的关键所在,从任何角度都可以说项目是由业务驱动的所以数据仓库项目也是由业务所驱动的.但是数据仓库不同于日常的信息系统开发,除了遵循其他系统开发的需求,分析,设计,测试等通常的软件声明周期之外;他还涉及到企业信息数据的集成,大容量数据的阶段处理和分层存储,数据仓库的模式选择等等,因此数据仓库的物理模型异常重要,这也是关系到数据仓库项目成败的关键.数据仓库的结构总的来说是采用了三级数据模型的方式:概念模型: 也就是业务模型,由企业决策者,商务领域知识专家和IT专家共同企业级地跨领域业务系统需求分析的结果.逻辑模型：用来构建数据仓库的数据库逻辑模型。

根据分析系统的实际需求决策构建数据库逻辑关系模型,定义数据库物体结构及其关系。

他关联着数据仓库的逻辑模型和物理模型这两头.物理模型：构建数据仓库的物理分布模型,主要包含数据仓库的软硬件配置,资源情况以及数据仓库模式。

如上图所示,在数据仓库项目中,物理模型设计和业务模型设计象两个轮子一样有力的支撑着数据仓库的实施,两者并行不悖,缺一不可.实际上,我有意的扩大了物理模型和业务模型的内涵和外延.在这里物理模型不仅仅是数据的存储,而且也包含了数据仓库项目实施的方法论,资源,以及软硬件选型等等;而业务模型不仅仅是主题模型的确立,也包含了企业的发展战略,行业模本等等.一个优秀的项目必定会兼顾业务需求和行业的标准两个方面,业务需求即包括用户提出的实际需求,也要客观分析它隐含的更深层次的需求,但是往往用户的需求是不明确的,需要加以提炼甚至在商务知识专家引导下加以引导升华,和用户一起进行需求分析工作;不能满足用户的需求,项目也就失去原本的意义了.物理模型就像大厦的基础架构,就是通用的业界标准,无论是一座摩天大厦也好,还是茅草房也好,在架构师的眼里,他只是一所建筑,地基->层层建筑->封顶,这样的工序一样也不能少,关系到住户的安全,房屋的建筑质量也必须得以保证,唯一的区别是建筑的材料,地基是采用钢筋水泥还是石头,墙壁采用木质还是钢筋水泥或是砖头;当然材料和建筑细节还是会有区别的,视用户给出的成本而定;还有不可忽视的一点是,数据仓库的数据从几百GB到几十TB不等,即使支撑这些数据的RDBMS无论有多么强大,仍不可避免的要考虑到数据库的物理设计.接下来,将详细阐述数据仓库概念模型(业务模型),逻辑模型,物理模型的意义.概念模型设计进行概念模型设计所要完成的工作是:界定系统边界确定主要的主题域及其内容确定主题域的关系概念模型设计是，在原有的业务数据库的基础上建立了一个较为稳固的概念模型。

数据仓库模型的特点对于传统的OLTP系统,我们总是按照应用来建立它的模型,换言之,OLTP系统是面向应用的。

而数据仓库则一般按照主题(Subject)来建模,它是面向主题的。

何谓应用?何谓主题?让我们来看一个简单的例子。

在银行中,一般都有对私(个人储蓄)、对公(企业储蓄)、信用卡等多种业务系统,它们都是面向应用的,所支持的交易类型简单而且固定。

由于实施的先后等原因,这些系统可能运行在不同的平台上,相互之间没有什么关系,各系统之间的数据存在冗余。

比如每个系统中都会有客户的数据,当针对银行建立其数据仓库应用时,要把上述生产系统中的数据转换到数据仓库中来。

从整个银行的角度来看,其数据模型不再面向个别应用,而是面向整个银行的主题,比如客户、产品、渠道等。

因此,各个生产系统中与客户、产品、渠道等相关的信息将分别转换到数据仓库中相应的主题中,从而在整个银行的业务界面上提供一个一致的信息视图。

数据仓库的建模方法逻辑建模是数据仓库实施中的重要一环,因为它能直接反映出业务部门的需求,同时对系统的物理实施有着重要的指导作用。

目前较常用的两种建模方法是所谓的第三范式(3NF,即Third Normal Form)和星型模式(Star-Schema),我们将重点讨论两种方法的特点和它们在数据仓库系统中的适用场合。

什么是第三范式范式是数据库逻辑模型设计的基本理论,一个关系模型可以从第一范式到第五范式进行无损分解,这个过程也称为规范化(Normalize)。

在数据仓库的模型设计中目前一般采用第三范式,它有非常严格的数学定义。

如果从其表达的含义来看,一个符合第三范式的关系必须具有以下三个条件:1. 每个属性的值唯一,不具有多义性;2. 每个非主属性必须完全依赖于整个主键,而非主键的一部分;3. 每个非主属性不能依赖于其他关系中的属性,因为这样的话,这种属性应该归到其他关系中去。

我们可以看到,第三范式的定义基本上是围绕主键与非主属性之间的关系而作出的。

UML的数据仓库逻辑建模研究分析数据仓库逻辑建模是指通过UML（Unified Modeling Language）来对数据仓库系统进行分析和研究的过程。

在这个过程中，我们使用UML的视图、图和图表等工具来描述数据仓库系统的逻辑结构和行为。

首先，我们可以使用UML的用例图来描述数据仓库系统的功能和用户需求。

用例图可以帮助我们识别数据仓库系统的主要功能和主要用户，并定义各个功能之间的关系和交互。

例如，我们可以定义数据仓库系统的主要用例，如数据导入、数据查询、数据分析等，并通过用例之间的关系和依赖来描述它们之间的交互。

接下来，我们可以使用UML的类图来描述数据仓库系统中的实体和类之间的关系和结构。

类图可以帮助我们识别数据仓库系统中的实体、属性和关系，并定义它们之间的依赖和关联。

例如，我们可以定义数据仓库系统的主要实体类，如数据表、维度表、事实表等，并通过类之间的关联和依赖来描述它们之间的关系和结构。

此外，我们还可以使用UML的时序图来描述数据仓库系统中的事件和过程。

时序图可以帮助我们分析数据仓库系统中各个过程之间的时序关系和消息交互。

例如，我们可以通过时序图来描述数据仓库系统的数据导入过程，包括数据的来源、转换和加载等，以及数据查询和分析的过程，包括用户的请求、系统的处理和返回结果等。

最后，我们可以使用UML的活动图来描述数据仓库系统中的工作流程和业务逻辑。

活动图可以帮助我们分析数据仓库系统的业务流程和系统行为，并定义各个活动之间的控制流程和动作。

例如，我们可以通过活动图来描述数据仓库系统的数据清洗过程，包括数据的筛选、清洗和转换等，以及数据分析的过程，包括数据的统计、聚合和挖掘等。

综上所述，通过使用UML的视图、图和图表等工具，我们可以对数据仓库系统进行逻辑建模的研究和分析。

通过这些模型和图表，我们可以更好地理解数据仓库系统的结构和行为，并优化系统的设计和实现。

数据仓库逻辑建模是一个复杂而又关键的过程，它涉及到对数据仓库系统的需求分析、系统结构设计和系统行为分析等方面。

数据仓库的数据模型设计和数据库系统的数据模型设计有什么不同？数据模型是指现实世界数据特征的抽象，是客观事物及其联系的数据描述。

数据仓库和数据库系统的数据模型设计都包括概念模型设计、逻辑模型设计和物理模型设计。

数据仓库的数据模型设计和数据库系统的数据模型设计的区别：一、模型设计阶段的不同1) 数据仓库的概念模型设计以用户理解的方式表达数据仓库的结构，确定数据仓库要访问的信息，主要是以信息包图的方法用二维表格反映数据多维性，从整体上表示用户对信息的需求，指明用户希望从数据仓库中分析的各种指标，它包括三个重要对象：指标、维度和类别。

与数据库的概念模型设计类似，也采用“实体——关系”（E-R）方法来建模，但不同的是需要用分析主题代替传统E-R方法中的实体。

数据库系统的数据模型包括概念模型——按用户的观点对数据建模。

主要用于数据库设计，采用“实体——关系”（E-R）方法来建模；逻辑模型——按计算机系统的观点对数据建模，是具体的DBMS所支持的数据模型；物理模型——对数据最底层的抽象，描述数据在系统内部的表示方式和存取方法。

2) 数据仓库的逻辑模型设计：数据仓库是多维数据库。

数据仓库的逻辑模型是对主题域进行细化，每个主题域包含若干个数据表，并为表增加时间字段，进行表的分割，合理化表的划分。

它扩展了关系数据库模型，以星型架构为主要结构方式的，并在它的基础上，扩展雪花型架构、星群型架构等方式。

3) 数据仓库的物理数据模型就是逻辑数据模型在数据仓库中的实现，如：物理存取方式、数据存储结构、数据存放位置以及存储分配等。

物理数据模型设计实现时，所考虑的主要因素有：I／O存取时间、空间利用率和维护代价。

数据库系统的物理数据设计是在已确定的逻辑数据库结构设计的基础上，兼顾数据库的物理环境、操作约束、数据库性能和数据安全性等问题，设计出在特定环境下，具有高效率、可实现性的物理数据库的过程。

二、数据模型类别、结构不同数据仓库常用的数据模型有星型、雪花型、星群型三种。