下载文档原格式
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。
LD学习发展工具模型学习型组织的修炼培训发展模型•学习型组织建设•组织变革推动•能力效能提升•企业文化塑造•领导力发展项目•高潜人才培养项目•专业能力养成项目•新员工培养项目•各类专项培养项目•讲师队伍建设•课程资源开发•HRBI/云平台•LM学习管理平台•KM知识管理平台•部门培训赋能平台等•培训体系规划•培训需求分析•培训方案设计•培训计划制定•培训制度建立•培训BP：需求收集和相应部门等•培训实务：计划、实施、评估等•培训数据：授课记录、学员档案等•培训成本：资产管理、费用报销等•培训文档：服务协议、文件稽核等培训运营管理培训项目管理培训战略培训体系搭建培训平台和资源建设学习发展三支柱模型聚焦问题与经 验沉淀与传播聚焦学习支持 与学习技术& 通用项目交付聚焦学习的 数字化升级自驱动学 习文化职级评审CTL 技术领导者中心岗位画像|标签LDC 学习发展中心KM-C 知识管理中心岗位任务|问题序列HR 招聘与人才盘点学习技 术支持提供岗位 知识图谱数字化学习提供学习支持构建组织学习生态组织学习的目的是达成共同愿景，促进战略目标的实施考核指标：愿景和战略的认知度和接受度学习的结果是组织学习达成的结果考核指标包括知识产权数量的增加、质量的改善、生产效率的提高等组织能力类指标学习的主体人员是企业的利益相关者。
包括管理者、员工、顾客、供应商和经销商、合作伙伴和联盟、社会机构等考核指标包括各类人员在学习型组织中应该担当角色的拟合度学习的过程包括个人、团队、组织学习三个层次和企业文化、组织结构、知识管理保障促进因素考核指标包括两类：①个人、团队、组织学习力指标，②保障促进因素的拟合度Person（人员）Perfoma-nce（结果）Purpose（目的）Process（过程）学习力评估4P模型团队学习组织学习企业文化组织结构知识管理过程评估结果示意图个人学习示例A分公司评估结果B分公司评估结果C分公司评估结果理想学习力表现Purpose（目的）Person（人员）Process（过程）Performance（结果）注：每个维度的分值都有评估标准和含义ALO 模型之培训体系的设计流程市场主管研发主管产品主管运营主管1.识别关键岗位主题专家流程专家课件设计知识迁移※⁂‼⌘市场主管研发主管产品主管运营主管业务需求创新需求发展需求Q1Q2Q3Q42.分析三大需求3.关键问题排序4.组建项目团队5.学习产品设计6.学习产品交付基于用户体验不断迭代更新从用户到用户的设计逻辑基于战略与绩效的培训体系设计价值链人才 测评培训 制度能力 模型职位 晋升教练 体系轮岗 制度课程 体系学习 文化师资 体系ADDIE 教学设计模型（或其他变形模型）课堂培训 教练辅导 行动学习 游戏化学习M-learning 在线直播 培训社群用户（学员）下接绩效上接战略ELN 培训体系建设6A 模型•入职指导•辅导人员•作业流程•作业指导书•资材•制造•直接人员•管理通识•班组长/全才•基层主管•中阶主管•高阶主管•Self-study in e-learningsystem •新专案•品质技能与概念•ISO 训练•TL9000•讲师•OHSAS •ESR 无铅 制程•工业安全•卫生相关WZS Training Architecture新进人 员训练上岗 资格职能 训练管理才 能训练质量 训练其他类ESR讲师 训练赋能业务的企业学习体系构建图紧密结合业务的课程业务绩效项目探索并共创项目03 产品内容04 学习场景工作学习训战 综合•导师•教练05 讲师队伍业务导师专职讲师•课程授课•学习设计•项目资讯06 组织运营学习部门业务部门•赋能•组织驱动•工具方法 •资源保障战略业务问题业务价值链任务图谱知识图谱体系构建知识管理社群学习在线学习•萃取•开发•共创•试点•迭代07 底层方法敏捷共创1.价值定位战略落地 业绩提升 业务产品创新2.构建逻辑业务培训123模型内容 五行静态 学习动态 学习培训关联度•培训内容与日常工作的关联度•学员评价+管理者评价人才供给度•数量+质量•质量考评：三堂会审+时间周期问题解决数•培训多大程度上解决了工 作中的问题•学员评价+管理者评价一些内容，两种形式，三大效果“4C模型理论”提升在线学习效率CLV=f(C ontent.C ontext.C overage)C ulture内容体验运营文化普林斯顿大学的学习过程（Learning Process ）Define My IDEAL Self : My Personal & Professional Aspirations & GoalsWhat strengths must I have to do my job well? What do I want out of work and life?How do I want to be perceived by others? How do I want to act?Who do I want to be?Implement The Learning &Development PlanWith which new skills ，competencies andbehaviors can I experiment or apply and practice ？On what new thoughts and felling should I reflect?Assess or Evaluate My REAL SelfThough Feedback and Self-AssessmentWhat are my strengths?How does my IDEAL self overlap with my REAL self?What does my gaps?Where does my IDEAL self differ from my REAL self?Create An Action Plan For Each CriticalSkill ，competency &Behavior:70%/20%/10% FormulaWhat are my on-the-job experiences? What real task or skill should I work on?What training ,courses or books are available to me?Where does my IDEAL self differ from my REAL self?Prioritize Learning & Development Needs : Build On Strengths , Close GapsWhat are the most critical skills , competencies and behaviors I need to learn and develop ？Cultivating trusted relationshipsThat help , support , encourage each step of your journeySupervisors , peers , mentors , coaches , friends , family70%20%10%基层员工学习体系——三态模型常态 学习动态 学习三态 模型静态 学习基于任务 动态学习常态分享 交流机制基本知识 基本技能静态学习学习精进螺旋模型融通推行能力→善思VS 笃行剖析结构能力→内脑VS 外脑洞察迁移能力→固守VS 发展总结提炼能力→苦干VS巧干观察反思主动实践理论抽象具体经验认识实践新的主动实践积累促进优化受挑战引发凝练验证指导学习科学：学习金字塔听讲（Lecture）阅读（Reading）视、听（Audiovisual）演示10%20%30%50%75%90%学习内容评价留存率5%被动学习主动学习（Demonstration）讨论（Discussion）实践（Practice Doing）教授给他人（T each Others）学习金字塔学科研究理论：戴尔经验之塔&学习金字塔语言符号 视觉符号广播、录音、照片、幻灯片； 电影；电视；参观展览；野外旅行；观摩示范参与演习；设计的经验；有目的的直接经验抽象经验观察经验做的经验戴尔经验之塔学习科学：艾宾浩斯遗忘曲线时间间隔记忆量刚记完100%20分钟后58.2%1小时后44.2%8~9小时后35.8%1天后33.7%2天后27.8%6天后25.4%31天后21.1%58.20%33.70%27.80%25.40%21.10%10.00%0.00%20.00%30.00%50.00%44.20%40.00%35.80%60.00%70.00%510253035记忆保留比率1520时间（天）艾宾浩斯遗忘曲线学习科学：ARCS动机设计模型通过教学设计，围绕四个方面来调动学习者动机A-注意Attention吸引注意力，激发好奇心S-满意Satisfaction适时奖赏，支持满意情绪R-关联Relevance培训内容与学员过去经验关联C-信心Confidence加强交流反馈，维护自信学科研究理论：诺尔斯成人学习理论自我 概念随着个体的不断成熟，其自我概念将从依赖性 向独立性转化经验成人在社会生活中积累的经验，为成人学习提积累供了丰富资源社会 角色成人学习计划、目的、内容、方法等与其社会 角色密切相关学习成熟个体学习目的从为将来工作准备知识向直目的接应用知识转变成人学习者四大突出特征效果 法则学习需要在愉快的环境和氛围中进行练习 法则学习需要通过大量的练习来加深印象联想 法则理论联系实际有利于对认知对象的掌握有备 法则在有需求的时候才选择学习，有一定的目的性成人学习者四大法则学科研究理论：库伯经验学习圈具体经验抽象概括主动实验反思观察行为 改造意识 改造通过体验掌握通过理解掌握调节型学习者（Accomodator ）通常使用具体的思维方式感知信息， 并对信息进行主动加工，会冒险和变换实践方式，具有一定的灵活性聚合型学习者（Converger ）通常使用抽象的思维方式感知信息， 并对信息进行积极的加工，他们在 学习活动中需要关注解决实际问题发散型学习者（Diverger ）通常使用具体的思维方式感知信息， 并对信息进行反思性加工，这类学 习者需要独自从事学习活动同化型学习者（Assimilator ）通常使用抽象的思维方式感知信息， 并对信息作出反思性加工，需要采 用细节性、顺序性的步骤进行思考学科研究理论：麦肯锡721学习法则传统学习项目外部测评外派项目个体学习正式的业绩评估工作轮岗发展规划360度反馈导师制 非正式的辅导和反馈工作轮换的速度角色扮演告诉优点和缺点结构化的职业路径行动学习项目对个人能力发展的有效性对公司的有效性70%岗位学习20%人际学习10%课堂学习业务价值链模型认 知品牌形象 触达品牌宣传门店形象新品展示 媒体助力互 动产品服务 体验引流入店服务体验 商品管理 口碑见证首 单顾客购买 实现需求探询极致服务 顾客购买 售后支持复 购品牌价值 放大会员管理营销推广 增值服务 新品研发忠 诚深度互动 融合专属服务粉丝社群 个人IP 打造 加盟合作客户 旅程业务 价值链创造价值BID 用户需求分析模型业务Business发展Development创新Innovation培训体系设计必须关心用户的三大核心需求业务需求：解决用户目前工作中由于能力瓶颈而带来的工作成功瓶颈； 创新需求：能够创造性地解决问题，让业绩成果“靓点倍出”；发展需求：能够为用户的职位晋升做好储备型培训。
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。
TeraData⾦融数据模型Teradata天睿公司提出⼀种先进的FS-LDM模型(Financial Services Logcial Data Model) --企业级数据模型，包括⾦融机构业务数据，囊括了银⾏约80%的业务数据，并把预定义的业务模板连接到核⼼银⾏业务数据和数据仓库中。
Teradata FS-LDM是⼀个成熟产品，在⼀个集成的模型内⽀持保险、银⾏及证券，包含⼗⼤主题：当事⼈、产品、协议、事件、资产、财务、机构、地域、营销、渠道。
⼗⼤主题划分如下：BANK-LDM主题域模型设计采⽤分类设计的策略:1、重点设计主题（客户、协议、事件、资产、财务）特点：是模型中的重点主题，且在源系统中有丰富的数据来源和参照。
⽬标：尽量保持完整性、丰富性。
策略：按照FS-LDM的框架进⾏设计，同时补充银⾏的个性数据元素。
2、⾃主设计主题（申请、营销活动、渠道、机构、产品）特点：⾮核⼼主题，基本没有或者仅有⾮常少的数据来源和参照。
⽬标：保证模型架构的完整性和扩充性。
策略：按照FS-LDM进⾏设计，将来根据实际情况调整。
3、简化设计主题（地域）特点：模型的重要参考主题，⼀般情况下源系统有数据，但定义和使⽤⽅法与FS-LDM不匹配。
⽬标：暂不进⾏唯⼀地址识别，但要完整保留此类信息。
策略：暂作为客户等的属性信息进⾏设计。
逻辑数据模型LDM，以协议主题实例：数据仓库模型层次划分：TeraData数据仓库整体架构：IBM与Teradata仓库模型⽐较银⾏业：IBM有BDWM(Banking Data Warehouse Model) Teradata有FS-LDM(Financial Services Logical Data Model)电信业：IBM有TDWM(Telecom Data Warehouse Model) Teradata有TS-LDM(Telecom Services Logical Data Model)IBM模型主题划分如下：国内⼚商提供的解决⽅案：⼚商(⼀)⼚商（⼆）TeraData实施案例：（1）农业银⾏/p-187788246565.html（2）徽商银⾏/view/05e78cf17c1cfad6195fa713.html总结：结合两⼤⼚商提供的数据仓库解决⽅案，可以看出，其就数据仓库划分的主题基本类似，内容都差不多，只是叫法不同⽽已。
fs-ldm主题划分方法fs-ldm（Fuzzy Set-based Latent Dirichlet Allocation Model）是一种基于模糊集和潜在狄利克雷分配模型的主题划分方法。
它的目标是通过将文本数据划分为不同的主题，从而揭示文本数据中的隐藏主题。
fs-ldm方法的详细划分步骤如下：1. 数据预处理：首先，需要对原始文本数据进行预处理，包括去除噪声、停用词和标点符号，进行词干化或词形还原等操作。
这样可以减少数据的噪声，提高后续处理的效果。
2. 构建词袋模型：将预处理后的文本数据转化为词袋模型，即将每个文档表示为一个向量，向量中的每个元素表示一个词在文档中出现的次数或权重。
3. 初始化参数：为模型中的参数进行初始化，包括主题数、超参数和模糊度参数等。
主题数表示希望将文本数据划分为多少个主题，超参数用于控制模型的复杂度，模糊度参数用于控制模糊集的模糊程度。
4. 模型训练：使用EM算法进行模型的训练。
首先，随机初始化文档-主题和词-主题分布的参数。
然后，通过迭代的方式，通过E步计算每个词在每个主题下的概率，通过M步更新文档-主题和词-主题分布的参数。
重复执行E步和M 步，直到模型收敛。
5. 主题划分：根据训练好的模型，可以根据文档-主题和词-主题分布的参数，将文本数据划分为不同的主题。
对于每个文档，可以根据文档-主题分布，确定其属于每个主题的概率。
对于每个词，可以根据词-主题分布，确定其属于每个主题的概率。
根据这些概率，可以将文本数据划分为最可能的主题。
6. 主题解释：根据划分结果，可以对每个主题进行解释和理解。
可以通过查看每个主题中的高概率词语，来推断主题的含义和内容。
也可以通过查看每个主题在不同文档中的分布情况，来推断主题的关联性和重要性。
以上就是fs-ldm主题划分方法的详细步骤。
通过这些步骤，可以将文本数据划分为不同的主题，并揭示文本数据中的隐藏主题。
fs-ldm主题划分方法主题划分是文本处理的重要任务之一，它能够将大量的文本按照主题进行分类，使得我们能够更好地理解和分析文本内容。
在这篇文章中，我们将介绍一种主题划分方法，即fs-ldm方法。
fs-ldm方法是基于概率图模型的主题划分方法，它能够通过分析文本中的词汇共现关系来确定不同主题之间的边界。
下面我们将详细介绍fs-ldm方法的步骤和原理。
首先，我们需要根据文本数据构建一个词汇共现网络。
词汇共现网络是一个图结构，其中每个节点代表一个词汇，边表示两个词汇之间的共现关系。
通过分析词汇共现网络，我们可以揭示文本中的主题分布。
接下来，我们使用Latent Dirichlet Allocation（LDA）模型对词汇共现网络进行建模。
LDA模型是一种生成式模型，能够将文本中的主题分布建模为先验概率分布，并通过观测到的文本数据推断主题的后验概率分布。
在fs-ldm方法中，我们使用LDA模型来学习主题的概率分布，并据此划分不同主题。
通过LDA模型学习到的主题分布，我们可以得到每个词汇在不同主题下的概率。
根据这些概率，我们可以计算每个主题之间的相似度。
具体而言，我们使用余弦相似度来衡量不同主题之间的相似程度。
当相似度超过设定的阈值时，我们认为这两个主题可以合并。
在合并主题时，我们需要考虑主题的权重。
在fs-ldm方法中，我们使用一个权重函数来计算合并后主题的权重。
权重函数根据合并前主题的权重和相似度来计算合并后主题的权重，从而保证合并后主题能够继承合并前主题的重要特征。
经过多次合并和权重更新，我们最终得到一组稳定的主题划分结果。
这些主题划分结果可以帮助我们理解文本的内在结构，进而进行更深入的分析和应用。
综上所述，fs-ldm方法是一种基于概率图模型的主题划分方法，能够通过分析词汇共现关系来划分文本的主题。
该方法在文本处理和分析领域有着广泛的应用前景，能够帮助我们更好地理解和利用大量文本数据。
