制造业数据仓库 逻辑模型

数据仓库的逻辑模型介绍
数据仓库是一种面向主题的、集成的、稳定的、不同时间的数据集合，用于支持管理决策过程。

逻辑模型是数据仓库的核心，它描述了数据仓库中数据的组织和存储方式，以及数据仓库的结构和功能。

本文将介绍数据仓库的逻辑模型，包括数据仓库的数据源、数据存储、数据集市和数据访问。

一、数据源
数据仓库的数据源可以是多种类型的，包括关系数据库、OLAP 数据库、文件系统、外部数据源等。

不同的数据源具有不同的特点和优势，需要根据实际情况选择合适的数据源。

二、数据存储
数据仓库的数据存储是指将数据源中的数据加载到数据仓库中，并对数据进行处理和转换，以满足数据仓库的需求。

数据存储通常采用分布式存储架构，以支持大量数据的存储和查询。

三、数据集市
数据集市是数据仓库中面向特定主题的数据集合，它将数据仓库中的数据按照业务需求进行分类和组织。

数据集市通常包括多个表，每个表代表一个主题，例如销售、客户、产品等。

数据集市中的数据可以根据业务需求进行查询和分析。

四、数据访问
数据访问是指数据仓库中的数据如何被访问和使用。

数据仓库的数据访问通常采用OLAP（联机分析处理）和数据挖掘技术。

OLAP技术支持用户对数据仓库中的数据进行快速查询和分析，数据挖掘技术则可以帮助用户从大量数据中发现有价值的信息和规律。

总之，数据仓库的逻辑模型是数据仓库的核心，它描述了数据仓
库中数据的组织和存储方式，以及数据仓库的结构和功能。

数据仓库的数据源、数据存储、数据集市和数据访问是数据仓库逻辑模型的重要组成部分，它们共同构成了一个完整的数据仓库系统。

数据仓库建模方法论数据仓库建模是指将数据仓库中的数据按照某种标准和规范进行组织和管理的过程。

数据仓库建模方法论包括了多种方法和技术，用于帮助用户理解和分析数据仓库中的数据，从而支持决策制定和业务分析。

一、维度建模方法维度建模方法是数据仓库建模的核心方法之一，它以维度为核心，将数据按照维度进行组织和管理，从而提供给用户灵活和高效的数据查询和分析能力。

1.1 星型模型星型模型是最常见和简单的维度建模方法，它将数据仓库中的事实表和多个维度表通过共享主键的方式进行关联。

事实表包含了衡量业务过程中的事件或指标，而维度表包含了用于描述和过滤事实记录的属性。

星型模型的结构清晰，易于理解和使用，适用于绝大部分的数据仓库场景。

1.2 雪花型模型雪花型模型是在星型模型的基础上进行扩展和优化的一种模型，它通过拆分维度表中的属性，将其拆分为多个维度表和子维度表，从而使得数据仓库更加灵活和高效。

雪花型模型适用于维度表中的属性比较复杂和层次结构比较多的情况。

1.3 天际线模型天际线模型是一种比较先进和复杂的维度建模方法，它通过将事实表和维度表按照一定的规则进行分组和划分，从而实现多个星型模型之间的关联。

天际线模型适用于数据仓库中包含多个相互关联的业务过程和多个不同的粒度的情况。

二、多维建模方法多维建模方法是在维度建模方法基础上进行进一步抽象和简化的一种方法，它通过创建多维数据立方体和维度层次结构来组织和管理数据。

2.1 数据立方体数据立方体是多维建模的核心概念，它将数据按照事实和维度进行组织和管理，从而提供给用户直观和高效的数据查询和分析能力。

数据立方体包含了多个维度和度量，用户可以通过选择和组合维度和度量进行数据分析和挖掘。

2.2 维度层次结构维度层次结构是多维建模的关键技术，它通过将维度进行分层和组织，从而实现维度之间的关联和上下级关系。

维度层次结构可以有效地减少数据的冗余和复杂性，提高数据仓库的查询和分析效率。

三、模式设计方法模式设计方法是在维度建模方法和多维建模方法的基础上进行进一步的抽象和规范的一种方法，它通过定义模式和规则来组织和管理数据仓库中的数据。

数据库建模：概念模型,逻辑模型和物理模型概念模型设计 , 逻辑模型设计 , 物理模型设计是数据库及数据仓库模型设计的三个主要步骤1. 概念模型概念模型就是在了解了⽤户的需求 , ⽤户的业务领域⼯作情况以后 , 经过分析和总结 , 提炼出来的⽤以描述⽤户业务需求的⼀些概念的东西 ;如销售业务中的客户和定单 , 还有就是商品 , 业务员 , ⽤ USE CASE 来描述就是 : 业务员与客户就购买商品之事签定下定单 , 概念模型使⽤ E-R 图表⽰ , E-R 图主要是由实体 , 属性和联系三个要素构成的 , 该阶段需完成 :1. 该系统的商业⽬的是什么 , 要解决何种业务场景2. 该业务场景中 , 有哪些⼈或组织参与 , ⾓⾊分别是什么3. 该业务场景中 , 有哪些物件参与 ,4. 此外需要具备相关⾏业经验 , 如核⼼业务流程 , 组织架构 , ⾏业术语5. 5w1h , who , what , when , where , why, how2. 逻辑模型逻辑模型是将概念模型转化为具体的数据模型的过程 , 即按照概念结构设计阶段建⽴的基本 E-R 图 , 按选定的管理系统软件⽀持的数据模型(层次/⽹状/关系/⾯向对象) , 转换成相应的逻辑模型 , 这种转换要符合关系数据模型的原则 ;还以销售业务为例 : 客户信息基本上要包括 : 单位名称 , 联系⼈ , 联系电话 , 地址等属性商品信息基本上要包括 : 名称 , 类型 , 规格 , 单价等属性定单信息基本上要包括 : ⽇期和时间属性 ; 并且定单要与客户 , 业务员和商品明细关联 , 该阶段需完成 :1. 分多少个主题 , 每个主题包含的实体2. 每个实体的属性都有什么3. 各个实体之间的关系是什么4. 各个实体间是否有关系约束3. 物理模型物理模型就是针对上述逻辑模型所说的内容 , 在具体的物理介质上实现出来 , 系统需要建⽴⼏个数据表 : 业务员信息表 , 客户信息表 , 商品信息表 , 定单表 ; 系统要包括⼏个功能 : 业务员信息维护 , 客户信息维护 , 商品信息维护 , 建⽴销售定单 ; 表 , 视图 , 字段 , 数据类型 , 长度 , 主键, 外键 , 索引 , 约束 , 是否可为空 , 默认值 , 该阶段需完成 :1. 类型与长度的定义2. 字段的其他详细定义 , ⾮空 , 默认值3. 却准详细的定义 , 枚举类型字段 , 各枚举值具体含义4. 约束的定义 , 主键 , 外键这三个过程 , 就是实现⼀个数据库设计的三个关键的步骤 , 是⼀个从抽象到具体的⼀个不断细化完善的分析 , 设计和开发的过程 ;。

工业领域大数据中台的数仓分层维度建模的模型算法随着工业领域大数据应用的不断深入，大数据中台的数仓分层维度建模成为工业数据处理的一项重要工作。

数仓分层维度建模是指将业务数据按照不同的维度进行分层建模，以便更好地支持数据分析和挖掘。

在工业领域中，数仓分层维度建模的模型算法有以下几种常用的方法。

1.维度建模理论维度建模理论是数仓分层维度建模的基础，它提出了一种将业务数据按照事实表和维度表进行建模的方法。

事实表是指记录具体业务事件发生的事实记录，而维度表则是描述事实记录中各种维度属性的表。

维度建模理论提供了一种将业务数据按照不同的维度进行分层建模的方法，以便更好地支持数据分析和挖掘。

2.数据挖掘算法数据挖掘算法是数仓分层维度建模中的关键技术之一，它们用于识别和挖掘数据中的模式和规律，以便更好地支持业务决策。

数据挖掘算法常用的有聚类算法、关联规则挖掘算法、分类算法和预测算法等。

这些算法能够帮助工业企业发现隐藏在海量数据中的有价值的知识和信息，从而帮助企业优化生产流程、提高产品质量和预测市场需求。

3.数据清洗和集成技术在工业领域，由于数据来源多样化、格式不一和质量差异化，因此数据清洗和集成技术非常重要。

数据清洗用于处理数据中的错误和不完整性，而数据集成则是将来自不同数据源的数据集成到一个一致的数据模型中。

数据清洗和集成技术能够帮助工业企业构建更加完整、准确和一致的数据仓库，从而为后续的数据分析和挖掘提供可靠的数据基础。

4. OLAP（联机分析处理）技术OLAP技术是一种用于多维数据分析的技术，它可以对数仓中的数据进行多维分析和交互式查询。

工业企业可以使用OLAP技术来分析生产过程中的关键指标（KPI）和趋势，以便更好地监控生产过程和进行实时决策。

OLAP技术提供了一种高效的数据分析手段，可以帮助企业从多个角度观察和分析生产过程中的数据。

5.数据可视化技术数据可视化技术是将大规模数据转换成图形化数据的技术，它可以帮助人们更直观地理解数据和发现数据中的规律。

概念数据模型设计（CDM）与逻辑数据模型设计（LDM）、物理数据模型设计（PDM）是数据库及数据仓库模型设计的三个主要步骤。

在数据仓库领域有一个概念叫conceptual data model，中文一般翻译为“概念数据模型”。

概念数据模型是最终用户对数据存储的看法，反映了最终用户综合性的信息需求，它以数据类的方式描述企业级的数据需求，数据类代表了在业务环境中自然聚集成的几个主要类别数据。

概念数据模型的内容包括重要的实体及实体之间的关系。

在概念数据模型中不包括实体的属性，也不用定义实体的主键。

这是概念数据模型和逻辑数据模型的主要区别。

概念数据模型的目标是统一业务概念，作为业务人员和技术人员之间沟通的桥梁，确定不同实体之间的最高层次的关系。

在有些数据模型的设计过程中，概念数据模型是和逻辑数据模型合在一起进行设计的。

在数据仓库领域有一个概念叫logical data model，中文一般翻译为“逻辑数据模型”。

逻辑数据模型反映的是系统分析设计人员对数据存储的观点，是对概念数据模型进一步的分解和细化。

逻辑数据模型是根据业务规则确定的，关于业务对象、业务对象的数据项及业务对象之间关系的基本蓝图。

逻辑数据模型的内容包括所有的实体和关系，确定每个实体的属性，定义每个实体的主键，指定实体的外键，需要进行范式化处理。

逻辑数据模型的目标是尽可能详细的描述数据，但并不考虑数据在物理上如何来实现。

逻辑数据建模不仅会影响数据库设计的方向，还间接影响最终数据库的性能和管理。

如果在实现逻辑数据模型时投入得足够多，那么在物理数据模型设计时就可以有许多可供选择的方法。

在数据仓库领域有一个概念叫physical data model，中文一般翻译为“物理数据模型”。

物理数据模型是在逻辑数据模型的基础上，考虑各种具体的技术实现因素，进行数据库体系结构设计，真正实现数据在数据库中的存放。

物理数据模型的内容包括确定所有的表和列，定义外键用于确定表之间的关系，基于用户的需求可能进行发范式化等内容。

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。

数据仓库的多维数据模型数据仓库是一个面向主题的、集成的、稳定的、历史的数据集合，用于支持管理决策。

而多维数据模型是数据仓库中用于表示和组织数据的一种方式。

本文将详细介绍数据仓库的多维数据模型，包括其定义、特点、设计原则和常用的模型类型。

一、多维数据模型的定义多维数据模型是一种以多维数据结构来组织和表示数据的模型。

它通过将数据组织成多个维度和度量值的组合，以便更好地支持数据分析和决策。

多维数据模型以事实表（Fact Table）和维度表（Dimension Table）为核心，通过它们之间的关联关系来描述数据。

二、多维数据模型的特点1. 多维性：多维数据模型可以同时考虑多个维度，例如时间、地理位置、产品等，以便更全面地分析数据。

2. 高度会萃：多维数据模型中的事实表通常包含大量记录，每条记录代表一个事实的度量值，这些度量值可以是数值型、文本型等。

通过对事实表进行会萃操作，可以提高查询性能。

3. 灵便性：多维数据模型可以根据需求灵便地进行扩展和调整，以适应不同的分析需求。

4. 易于理解：多维数据模型以直观的方式表示数据，通过维度和度量值的组合，可以形成易于理解的数据立方体结构。

三、多维数据模型的设计原则在设计多维数据模型时，需要遵循以下原则：1. 主题导向：多维数据模型应该以业务主题为导向，以满足特定的分析需求。

每一个主题应该对应一个事实表和相关的维度表。

2. 维度层次：维度表应该包含多个层次，以便更好地组织和表示数据。

例如，时间维度可以有年、季度、月等层次。

3. 一致性：多维数据模型中的维度和度量值应该保持一致，以便更好地进行数据分析和比较。

4. 可扩展性：多维数据模型应该具有良好的扩展性，以便在数据量增加或者业务需求变化时进行调整。

四、常用的多维数据模型类型1. 星型模型（Star Schema）：星型模型是最常见的多维数据模型类型之一。

它以一个事实表为中心，周围环绕着多个维度表，形成星型的结构。

数仓模型层说明书一、简介数据仓库模型层，也称为数仓模型层，是数据仓库架构中的核心组成部分。

它负责将原始数据转化为有组织、有意义的信息，以便进行数据分析和业务决策。

本说明书将详细描述数仓模型层的构成、功能和设计原则。

二、数仓模型层构成数仓模型层通常由以下三个层次构成：1. 物理层：这一层主要负责存储和管理原始数据。

它包括各种数据源（如数据库、数据文件等）和数据存储介质（如硬盘、SSD等）。

2. 逻辑层：这一层是数仓模型的核心，负责将物理层的数据转化为逻辑视图。

它包括数据模型（如星型模型、雪花模型等）和元数据（描述数据的数据）。

3. 应用层：这一层提供数据服务，支持各种数据分析和业务应用。

它包括报表、仪表盘、数据挖掘工具等。

三、数仓模型层功能数仓模型层的主要功能包括：1. 数据整合：将来自不同数据源的数据整合到一个统一的数据仓库中，消除数据冗余和冲突。

2. 数据清洗：对数据进行清洗和转换，确保数据的准确性和一致性。

3. 数据建模：通过建立逻辑模型，将数据组织成有意义的结构，便于分析和查询。

4. 数据安全：提供数据访问控制和安全保障，确保数据的机密性和完整性。

5. 数据服务：提供各种数据服务和应用，支持业务分析和决策。

四、数仓模型层设计原则在进行数仓模型层设计时，应遵循以下原则：1. 面向主题：设计时应以业务需求为导向，将数据按照主题进行组织，如销售、库存等。

2. 层次分明：物理层、逻辑层和应用层应层次分明，避免数据的冗余和冲突。

3. 灵活性：设计时应考虑未来的业务变化和扩展，保持模型的灵活性和可扩展性。

4. 性能优化：通过对数据的合理组织和索引，优化查询性能，提高数据处理效率。

5. 安全性：确保数据的安全性和隐私保护，控制对数据的访问和操作。

6. 标准化：遵循统一的数据标准和规范，保证数据的准确性和一致性。

7. 可维护性：设计时应考虑维护的便利性，降低维护成本。

8. 最佳实践：参考业界最佳实践，不断优化和完善数仓模型层的设计。

数据治理及数据仓库模型设计数据治理是指针对组织的数据资产进行管理和控制的一系列策略、规则、流程和工具的框架。

数据仓库模型设计是指根据组织的需求和业务规则设计数据仓库的结构，包括数据模型、数据流程和数据定义等。

数据治理的目标是确保数据准确、完整、一致和可信，以支持组织的决策和业务运营。

数据治理包括以下几个方面的内容：1.数据质量管理：对数据进行质量评估、监控和改进，确保数据的准确性和可靠性。

2.数据安全与隐私管理：制定数据安全和隐私政策，保护数据的机密性和完整性，防止数据泄露和滥用。

3.数据规范管理：制定数据规范和标准，确保数据的一致性和可比性，方便数据的集成和共享。

4.数据访问和权限管理：定义数据访问和权限控制策略，保护敏感数据的访问和使用，确保数据的合规性和合法性。

5.数据生命周期管理：对数据的创建、存储、共享、使用和销毁进行管理，确保数据的有效性和可管理性。

在数据治理的基础上，设计数据仓库模型是实现数据驱动决策的关键环节。

数据仓库模型设计包括以下几个步骤：1.需求分析：了解组织的业务需求和决策需求，确定需要收集和分析的数据。

2.数据建模：根据需求分析结果设计数据模型，包括概念模型、逻辑模型和物理模型，确保数据的一致性和可查询性。

3.数据抽取和加载：确定数据从各个源系统抽取的策略和方法，并设计数据加载过程，确保数据的准确性和完整性。

4.数据集成和转换：将来自不同源系统的数据进行集成和转换，统一数据的格式和定义，方便数据的分析和查询。

5.数据存储和索引：确定数据的存储结构和索引策略，提高数据的查询性能和可扩展性。

6.数据访问和查询：设计数据访问和查询接口，方便用户通过查询工具和报表系统获取数据。

7.数据维护和更新：设计数据维护和更新的策略和过程，包括数据清洗、数据转换和数据更新等。

8.数据安全和备份：制定数据安全和备份策略，保护数据的安全性和可恢复性，防止数据丢失和损坏。

综上所述，数据治理和数据仓库模型设计是组织实现数据驱动决策和业务运营的重要环节。

数据仓库建模三模型1)三范式(3NF)的原子层+数据集市这样的数据仓库架构最大的倡导者就是数据仓库之父Inmon，而他的企业信息工厂(Corporate Information System)就是典型的代表。

这样的架构也称之为企业数据仓库(Enterprise Data Warehouse，EDW)。

企业信息工厂的实现方式是，首先进行全企业的数据整合，建立企业信息模型，即EDW。

对于各种分析需求再建立相应的数据集市或者探索仓库，其数据来源于EDW。

三范式的原子层给建立OLAP带来一定的复杂性，但是对于建立更复杂的应用，如挖掘仓库、探索仓库提供了更好的支持。

这类架构的建设周期比较长，相应的成本也比较高。

2)星型结构(Star Schema)的原子层+HOLAP星型结构最大的倡导者是Kimall，他的总线架构是该类架构的典型代表。

总线架构实现方式是，首先在数据准备区中建立一致性维度、建立一致性事实的计算方法；其次在一致性维度、一致性事实的基础上逐步建立数据集市。

每次增加数据集市，都会在数据准备区整合一致性维度，并将整合好的一致性维度同步更新到所有的数据集市。

这样，建立的所有数据集市合在一起就是一个整合好的数据仓库。

正是因为总线架构这个可以逐步建立的特点，它的开发周期比其他架构方式的开发周期要短，相应的成本也要低。

在星型结构的原子层上可以直接建立聚集，也可以建立HOLAP。

笔者比较倾向于Kimball的星型结构的原子层架构，在这种架构中的经验也比较多。

3)三范式(3NF)的原子层+ROLAP这样的数据仓库架构也称为集中式架构(Centralized Architecture)，思路是在三范式的原子层上直接建立ROLAP，做的比较出色的就是MicroStrategy。

在三范式的原子层上定义ROLAP比在星型结构的原子层上定义ROLAP要复杂很多。

采用这种架构需要在定义ROLAP是多下些功夫，而且ROLAP的元数据不一定是通用的格式，所以对ROLAP做展现很可能会受到工具的局限。

数仓建模概念模型
数仓建模是数据仓库设计的关键阶段之一，它旨在建立一个概念模型，以理解业务需求和数据结构，并为数据仓库的实际构建提供指导。

数仓建模的概念模型主要包括以下几个方面：
1. 实体（Entity）：实体是指在业务领域中具有独立身份和特征的对象，可以是客户、产品、订单等。

在概念模型中，通过实体来表示业务中的重要概念。

2. 属性（Attribute）：属性描述了实体的特征或属性，例如客户实体可以有姓名、年龄、性别等属性。

属性可以是单值的，也可以是多值的。

3. 关系（Relationship）：关系用于描述实体之间的联系和依赖关系。

例如客户实体和订单实体之间存在一对多的关系，一个客户可以有多个订单。

4. 主键（Primary Key）：主键是唯一标识实体的属性，用于确保数据的唯一性和参照完整性。

每个实体都应该有一个主键。

5. 外键（Foreign Key）：外键用于建立实体之间的关联关系。

在概念模型中，外键表示某个实体引用另一个实体的主键，从而建立它们之间的关系。

6. 维度（Dimension）：维度是描述业务过程中的特定方面的属性集合。

例如时间、地理位置等可以作为维度来描述。

7. 度量（Measure）：度量是衡量业务指标的属性，例如销售额、
利润等。

度量通常与维度相关联。

通过对这些概念的建模，数仓建模可以帮助数据仓库项目团队更好地理解业务需求，并将之转化为可操作的数据结构。

概念模型是数据仓库设计的基础，它为后续的物理模型设计和数据仓库实施提供了指导和依据。

概念数据模型（ConceptDataModel，CDM）、逻辑数据模型（LogicalDa。

在讨论三种数据模型之前，我们⾸先学习⼀下所谓的数据模型。

数据模型由三部分组成：数据结构、数据操作和数据约束。

1. 数据结构：数据结构主要描述数据的类型、内容、性质、以及数据之间的联系，是整个数据模型的基础，⽽针对数据的操作和数据之间的约束都是建⽴在数据结构的基础上的；2. 数据操作：主要定义了在相应的数据结构上的操作类型和操作⽅式（数据库中的增删改查等）；3. 数据约束：数据约束主要⽤来描述数据库中数据结构之间的语法、词义联系以及彼此之间的相互约束和制约关系（如MySQL中使⽤外键保证数据之间的数据完整性）；1.概念数据模型（CDM）概念数据模型是现实世界到信息世界的第⼀层抽象，主要是在⾼⽔平和⾯向业务的⾓度对信息的⼀种描述，通常作为业务⼈员和技术⼈员之间沟通的桥梁。

作为现实世界的概念化结构，这种数据模型使得数据库的设计⼈员在最初的数据库设计阶段将精⼒集中在数据之间的联系上，⽽不⽤同时关注数据的底层细节（如所⽤的计算机系统的特性以及数据库管理系统---DBMS的特性）。

概念数据模型主要的贡献在于分析数据之间的联系，它是⽤户对数据存储的⼀种⾼度抽象，反应的是⽤户的⼀种业务层⾯的综合信息需求。

在这个阶段⼀般会形成整个数据模型或者是软件系统中的实体的概念以及实体之间的联系，为构建逻辑数据模型奠定基础。

下图中描述了现实世界和信息世界以及最终转换成计算机世界信息的转流程。

2.逻辑数据模型（LDM） 逻辑数据模型是对概念数据模型进⼀步具体化，在概念数据模型定义实体的基础上定义了各个实体的属性，是⽤户从数据库的⾓度能够看到的数据的模型，是所使⽤的数据库管理系统（Database Management System，DBMS）所⽀持的数据类型（⽹状数据模型、层次数据模型、关系数据模型）。

这种数据模型架起了⽤户和系统之间的桥梁，既要⾯向⽤户，同时也考虑到了所⽤的DBMS所⽀持的特性。