企业数据仓库概念模型设计
数据仓库设计 星型模型
3.2概念模型设计
3.2.3常见的概念模型
E-R图方法具备较好的可操作型，形式简明，易于 理解，对于客观世界中的事物具有良好的描述能 力，因此，它是设计数据仓库的有力工具。
但是E-R图法也存在着“重点不突出”的缺陷，它 所描述的所有实体，其地位是平等的，反映不出管 理者和决策者所重点关心的对象。
3.2概念模型设计
3.2.3常见的概念模型
星型模型
缺点： 当业务发生变化时，原来的维度不能满足要求， 需要增加维度，由于事实表中的主键是由所有的 维度表中的主键组成，所以这种维度的变化带来 的数据的变化是非常复杂的； 数据冗余量很大，不适合大数据量的情况
思考
什么样的数据仓库适合星型模型？
因此，需要数据仓库中的概念模型。
3.2概念模型设计
3.2.3常见的概念模型
星型模型
星形模型是最常用的数据仓库设计结构的实 现模式，它使数据仓库形成了一个集成系统， 为最终用户提供报表服务和分析服务
3.2概念模型设计
3.2.3常见的概念模型
星形模型通过使用一个包含主题的事实表和多个维度表 来支持各种决策查询。
3.2概念模型设计
3.2.3常见的概念模型
星型模型
优点： 由于数据的组织已经过预处理，主要数据都在庞大的 事实表中，所以只要扫描事实表就可以进行查询，而不 必把多个庞大的表联接起来，查询访问效率较高； 同时由于维表一般都很小，甚至可以放在高速缓存中 ，与事实表进行连接时其速度较快； 对于非计算机专业的用户而言，星形模型比较直观， 通过分析星形模型，很容易组合出各种查询。
3.2.3常见的概念模型
星型模型
维度表
维度表
维度表2概念模型设计
数据仓库中的多维数据模型设计与实现教程
数据仓库中的多维数据模型设计与实现教程在数据仓库中，多维数据模型设计与实现是一项关键任务。
它不仅可以帮助企业组织和分析庞大的数据量，还能提供决策支持和洞察力。
本文将介绍数据仓库中多维数据模型的概念、设计原则以及实现方法，帮助读者全面了解和掌握这一重要主题。
一、多维数据模型的概念多维数据模型是基于数据的特征和关联性来组织数据的一种模型。
它通过将数据按照不同的业务维度进行分组和分类，将数据以多维方式呈现，从而提供了更加直观和灵活的数据分析能力。
多维数据模型主要由维度、度量和层次结构组成。
1. 维度：维度是描述业务问题的属性，它可以是时间、地理位置、产品、客户等。
维度用来描述数据的特征，例如销售额可以按照时间、地理位置和产品维度进行分析。
2. 度量：度量是可以进行数值计算和分析的数据，例如销售额、利润、数量等。
度量用来描述数据的量度，便于进行各种统计分析。
3. 层次结构：层次结构是维度之间的关系，它描述了维度之间的层次结构和上下级关系。
例如时间维度可以由年、月、日等层次结构组成。
二、多维数据模型的设计原则在设计多维数据模型时，需要遵循一些原则，以确保模型的合理性和有效性。
1. 简单性：多维数据模型应该尽可能简单，避免过于复杂的维度和层次结构。
简单的模型易于理解和维护，提高数据分析效率。
2. 一致性：多维数据模型中的维度和度量应该保持一致性，避免冗余和重复。
一致的模型有助于提高查询效率和数据一致性。
3. 可扩展性：多维数据模型应该具有良好的扩展性，能够容纳未来的需求变化和数据增长。
设计时需要考虑到未来可能发生的维度扩展和度量变化。
4. 性能优化：多维数据模型的设计也要考虑到查询性能的优化。
根据实际需求和查询模式，合理设计维度的层次结构、聚集表和索引等，以提高查询效率。
三、多维数据模型的实现方法在实现多维数据模型时，需要选择合适的工具和技术来支持模型的构建和数据的加载。
1. 数据抽取和转换：多维数据模型的实现通常需要进行数据抽取和转换，将源系统的数据转化为可用于多维模型的格式。
数据仓库模型的设计
数据仓库模型的设计数据仓库模型的设计大体上可以分为以下三个层面的设计151:.概念模型设计;.逻辑模型设计;.物理模型设计;下面就从这三个层面分别介绍数据仓库模型的设计。
2.5.1概念模型设计进行概念模型设计所要完成的工作是:<1>界定系统边界<2>确定主要的主题域及其内容概念模型设计的成果是，在原有的数据库的基础上建立了一个较为稳固的概念模型。
因为数据仓库是对原有数据库系统中的数据进行集成和重组而形成的数据集合，所以数据仓库的概念模型设计，首先要对原有数据库系统加以分析理解，看在原有的数据库系统中“有什么”、“怎样组织的”和“如何分布的”等，然后再来考虑应当如何建立数据仓库系统的概念模型。
一方面，通过原有的数据库的设计文档以及在数据字典中的数据库关系模式，可以对企业现有的数据库中的内容有一个完整而清晰的认识;另一方面，数据仓库的概念模型是面向企业全局建立的，它为集成来自各个面向应用的数据库的数据提供了统一的概念视图。
概念模型的设计是在较高的抽象层次上的设计，因此建立概念模型时不用考虑具体技术条件的限制。
1.界定系统的边界数据仓库是面向决策分析的数据库，我们无法在数据仓库设计的最初就得到详细而明确的需求，但是一些基本的方向性的需求还是摆在了设计人员的面前:. 要做的决策类型有哪些?. 决策者感兴趣的是什么问题?. 这些问题需要什么样的信息?. 要得到这些信息需要包含原有数据库系统的哪些部分的数据?这样，我们可以划定一个当前的大致的系统边界，集中精力进行最需要的部分的开发。
因而，从某种意义上讲，界定系统边界的工作也可以看作是数据仓库系统设计的需求分析，因为它将决策者的数据分析的需求用系统边界的定义形式反映出来。
2，确定主要的主题域在这一步中，要确定系统所包含的主题域，然后对每个主题域的内容进行较明确数据仓库建模技术在电信行业中的应用的描述，描述的内容包括:. 主题域的公共码键;. 主题域之间的联系:. 充分代表主题的属性组。
EDW_(DM数据仓库数据建模)模型设计
大客户分析管理系统
企
运营报表 仪表盘
业
信
息 门 户 数据挖 掘引擎 数据挖 掘应用
保险数据模型
数据集市
元数据库
为什么需要企业模型？
数据集市之间数据一致性
包含全部历史的核心数据
一致的事实表和维度
EDW 数据模型在项目实施中的作用
DWM 数据仓库模型
业务量分析 数据集市
车险承保分析 通用承保分析
核心业务 财务系统 再保险系统 人意险系统 精算系统 aCRM 数据集市 客户关系 管理OCRM ALM 客户讯息 ECIF 财务分析 数据集市 外部数据 财务分析 应用 ALM应用 业务持续性 分析数据集市 风险管理 应用
监管报表
管理报表
“数据和信息集成平台” “统一的分析平台” “唯一的信息出口”
带anchor的实体
带status表的实体（Commercial agreement、Group agreement、Individual agreement、 Claim folder、Elementary claim） 不带status表的实体
除表的主键、type id、Partition key、Status、Status date、Status reason、 Valid from date、Valid to date、 Effective from date、Effective to date、 Population timestamp之外的所有字段 除表的主键、 type id、 Partition key、 Valid from date、Valid to date、Effective from date、Effective to date、 Population timestamp之外的所有字段
数据仓库的概念模型的概念
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。
概念数据模型设计与逻辑数据模型设计
概念数据模型设计与逻辑数据模型设计、物理数据模型设计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。
数仓概念模型
数仓概念模型数仓（Data Warehouse）是指将不同来源、不同格式、不同粒度的数据集中存储、整合和管理，以支持企业决策和分析的一种数据存储和管理架构。
数仓的概念模型是指在构建数仓之前，需要对数据仓库的结构、组成和关系进行规划和设计，以确保数据能够被有效地存储、检索和分析。
数仓的概念模型主要包括以下几个方面：1. 维度（Dimension）：维度是描述业务的属性，用于对事实数据进行分类和分析。
常见的维度包括时间维度、产品维度、地理维度等。
维度通常具有层级结构，可以形成多维分析的基础。
2. 事实（Fact）：事实是数仓中的可量化数据，用于支持分析和决策。
事实通常与维度相关联，例如销售额、订单数量等。
事实数据可以通过维度的交叉组合进行多维分析。
3. 粒度（Granularity）：粒度指的是事实数据所描述的事件或行为的详细程度。
粒度可以是天、月、年等不同的时间单位，也可以是产品的不同属性级别等。
选择适当的粒度可以满足不同层次的数据分析需求。
4. 关系模型（Relationship Model）：数仓中的数据往往具有多个维度之间的关系。
关系模型描述了维度之间的关联关系，包括一对一、一对多、多对多等不同类型的关系。
合理的关系模型可以提高数据的查询效率和分析能力。
5. 星型模型和雪花模型：数仓的概念模型可以采用星型模型或雪花模型来表示。
星型模型是以一个中心事实表为核心，周围围绕着多个维度表的模型结构，简单直观，易于理解和查询。
雪花模型在星型模型的基础上进一步细化维度表，形成多层级的关系，适用于复杂分析需求。
通过设计和构建数仓的概念模型，可以清晰地定义数据的结构和关系，为后续的数据抽取、转换和加载（ETL）过程提供指导，同时也为用户提供了一个统一、标准化的数据视图，方便进行数据分析和决策支持。
4种数据仓库建模方法
引言概述在数字化时代，数据成为企业运营和决策的重要驱动力。
为了更好地管理和利用企业数据，很多企业采用数据仓库来集成和存储数据。
数据仓库建模是数据仓库设计的核心环节，它决定了数据在仓库中的组织结构和查询方式。
本文将介绍四种常见的数据仓库建模方法，包括维度建模、实体关系模型、标准化模型以及主题建模。
维度建模维度建模是一种以事实表和维度表作为核心的建模方法。
事实表是存储数值型数据的表，维度表则存储描述性属性的表。
在维度建模中，事实表和维度表通过共享主键来建立关联。
小点详细阐述：1.事实表的设计：事实表应选择合适的粒度，并包含与业务流程相关的度量。
例如，销售事实表可以包含销售额、销售数量等度量。
2.维度表的设计：维度表应包含与业务流程相关的描述性属性，例如时间、产品、地理位置等。
维度应具有层次结构，以便支持多维分析。
3.关系型数据库实现：维度建模通常使用关系型数据库来实现，它通过表和关联键来表示维度和事实之间的关系。
实体关系模型实体关系模型是一种基于关系代数和数据库范式的建模方法。
它通过实体、属性和关系来描述数据的结构。
实体关系模型适用于较复杂的数据仓库场景，其中数据具有多层级和复杂的关系。
小点详细阐述：1.实体的建模：实体是数据仓库中的核心对象，它代表了业务流程中的实际对象。
实体的属性描述了实体的特征。
2.关系的建模：关系描述了实体间的关联和依赖关系。
在实体关系模型中，关系通过外键建立。
3.数据库范式：实体关系模型追求高度的数据规范化，以减少数据冗余和不一致性。
标准化模型标准化模型是一种以消除冗余数据为核心的建模方法。
在标准化模型中，数据被拆分为多个表，并通过关系建立关联。
小点详细阐述：1.数据拆分：标准化模型通过将数据拆分为多个表，将重复的数据存储在一个地方，并通过外键建立关联。
2.数据插入和查询：标准化模型在数据插入和查询时需要进行多表关联操作，对性能有一定影响。
3.适用场景：标准化模型适用于事务性场景，如订单管理、库存管理等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据源
数据准备区
数据仓库
数据集市
用户
外部数据 操作型系统业务数据
文档资料数据
元数据
概要数据
原始数据
采购 销售
图 １ 数据仓库概念结构
库存
查询工具 报表工具 分析工具 数据挖掘工具
— １４５ —
科技信息
计算机与网络
３． 数据仓库的数据组织结构 数 据 仓 库 中 的 数 据 存 在 于 不 同 综 合 级 别 ， 将 其 称 之 为“ 粒 度 ”。粒 度 越 粗 ， 表 示 的 细 节 程 度 就 越 低 ， 综 合 程 度 就 越 高 。历 史基本数据经过综合后， 首先进入当前基本数据， 并根据具体 需要进行进一步的综合， 然后进入轻度综合级乃至高度综合 级。 数据仓库中还有一部分重要的数据是元数据。元数据是 “ 关 于 数 据 的 数 据 ”， 整 个 数 据 仓 库 的 组 织 结 构 都 是 由 它 来 组 织的， 用来对数据仓库中的各种数据进行详细的描述与说明，
科技信息
计算机与网络
企业数据仓库概念模型设计
陕西财经职业技术学院 曾贵荣 马勇
［ 摘 要］ 计 算 机 应 用 于 企 业 管 理 先 后 经 历 了 ＭＲ Ｐ 、闭 环 ＭＲ Ｐ 、ＭＲ ＰⅡ 和 ＥＲ Ｐ 四 个 阶 段 ， 目 前 正 向 基 于 数 据 仓 库 技 术 的 智 能协同商务系统方向发展。数据仓库就是为了满足企业对海量历史数据处理分析的决策支持应运而生的信息新技术。本文首 先探讨了数据仓库的基本理论， 然后讨论了企业数据仓库数据组成结构及组织方式， 最后设计出了面向企业销售主题的数据仓 库概念模型。
表 ２ 面向主题的数据组织
主题
信息类
数据字段
销售信息
产品固有信息 销
客户固有信息 售
时间信息
员工固有信息
时 间 编 号 、客 户 编 号 、产 品 编 号 、员 工 编 号 、销 售 金 额 、销 售 数 量 ， …… 产 品 编 号 、产 品 名 称 、产 品 类 别 、单 价 ， …… 客 户 编 号 、客 户 名 称 、地 址 、所 在 市 、所 在 县 、电 话 ， …… 时 间 编 号 、年 度 、季 度 、月 、日 ， …… 员 工 编 号 、员 工 姓 名 、性 别 ， ……
“ 雪 花 模 式 ”是“ 星 型 模 式 ”的 扩 展 ， 它 将 星 型 模 式 的 维 表 进一步层次化， 把维表中的数据分解到附加表中， 以提供更加 细化的深层次维度， 如图 ４ 所示。
ｃｕｓｔｏｍｅｒ
ｔｉｍｅ
ｃｕｓｔｏｍｅｒ
ｔｉｍｅ
Ｓａｌｅｓ＿ｆａｃｔ
Ｓａｌｅｓ＿ｆａｃｔ
ｓｔｏｒｅ ｐｒｏｄｕｃｔｉｏｎ
（ ２） 面 向 销 售 主 题 的 数 据 仓 库 概 念 模 型 按照数据仓库的数据组织方式， 应该以企业原有的信息 系统数据平台为基础， 结合企业各种分析领域的实际需求抽 取出包含有各自独立的逻辑内涵的主题， 并且确定每一个主
题 所 应 该 包 含 的 数 据 内 容 ， 将 其 对 应 为 一 个 分 析 对 象 。在 企 业 的经营销售子系统中主题应该是销售， 其主题的数据组织如 表 ２ 所示， 数据关系如图 ６ 所示。
高度综合级
２００１ 年—２００６ 年 周销售情况
轻度综合级
２００１ 年—２００６ 年 月销售情况
元
数
据
２００１ 年—２００６ 年
当前基本数据
年销售情况
历史基本数据
１９９６ 年—２００１ 年 销售情况
图 ２ 数据仓库数据组织结构
４． 数据仓库的数据组织方式 数 据 仓 库 的 数 据 组 织 有 两 种 方 式 ， 一 种 是 通 过“ 维 度 － 事 实 ”表 的 方 式 组 织 ， 另 一 种 是 基 于 多 维 的 超 立 方 体 结 构 来 组 织 数 据 。通 过“ 维 度 － 事 实 ”表 的 方 式 组 织 数 据 的 方 式 可 以 以“ 星 型 模 式 ”（ ｓｔａｒ ｓｃｈｅｍａ） 或 者“ 雪 花 模 式 ”（ｓｎｏｗｆｌａｋｅ ｓｃｈｅｍａ）存 在 。 “ 星 型 模 式 ”的 数 据 模 型 有 一 个“ 事 实 ”表 和 多 个“ 维 度 ”表 构 成， 事实表包含数字数据事实， 而这些数字数据可以汇总， 以提 供有关单位作为历史数据。维度表包含描述事实数据表中事实 记录的特性， 它包含的列可用于将信息分为不同的层次结构级，
其成员会按照金字塔形布局排列， 水平布局有维度层次结构中 具有相同级别的列的列值构成， 而垂直布局由维度层次结构中 具 有 不 同 级 别 的 列 值 构 成 。 例 如 ， 图 ３ 中 Ｓａｌｅｓ＿ｆａｃｔ 表 是 一 个 反 映 某 个 商 场 销 售 情 况 的 事 实 表 ， 其 它 表 分 别 从 时 间 、地 点 、客 户 、 商 品 、 促 销 的 角 度 来 描 述 Ｓａｌｅｓ＿ｆａｃｔ 表 的 每 一 行 数 据 发 生 的 背 景 ， 它 们 就 是 与 Ｓａｌｅｓ＿ｆａｃｔ 事 实 表 相 关 联 的 维 度 表 。
说明每个数据的上下文关系， 使每个数据具有符合现实的真 实 含 义 ， 使 最 终 用 户 了 解 这 些 数 据 之 间 的 关 系 。它 的 作 用 可 以 归纳为： 定位数据仓库的目录； 解决面向应用的操作型环境和 数据仓库的复杂关系。从面向应用的操作型数据环境到数据 仓库环境的转换是很复杂的， 元数据包括对这种转换的描述， 即 包 含 了 所 有 源 数 据 项 名 、属 性 及 其 在 数 据 仓 库 中 的 转 换 ； 指 导从当前基本数据到轻度综合级， 轻度综合级到高度综合级 的综合算法选择。可以将数据仓库的数据组成表示为如图 ２ 所示的结构。
（ ３） 时 变 的 数据仓库中的数据是随着时间的变化而发生变化的。尽 管数据仓库中的数据不像事务处理系统中的数据需要随时反 映业务处理后数据的变化， 但是数据仓库中的数据也不是不 变的， 它需要随时捕获事务处理系统中变化了的数据， 将那些 变化了的数据追加到数据仓库中， 在数据仓库中不断的生成 事 务 处 理 数 据 库 的 快 照 ， 以 满 足 决 策 对 数 据 信 息 的 需 要 。数 据 仓库中数据的变化还反映在数据的删除上， 数据仓库中的数 据如果超出了规定的期限， 就会被自动删除。 （ ４） 非 易 失 性 数据仓库中的数据不像事务处理系统中的数据那样需要 进行频繁的更新， 它里面的数据大多都是历史数据， 在进入数 据仓库之前已经经过加工和集成， 很少需要修改， 主要用来进 行分析决策。 ２． 数据仓库的概念结构 数 据 仓 库 包 含 数 据 源 、数 据 准 备 区 、数 据 仓 库 数 据 库 、数 据 集 市 、知 识 挖 掘 库 以 及 各 种 管 理 工 具 和 应 用 工 具 ， 如 图 １ 所 示。数据仓库创建后首先从数据源中抽取所需要的数据到数 据准备区， 在数据准备区中对数据进行必要的处理， 再加载到 数据仓库数据库中， 最后根据用户的需求将数据发布到数据 集 市 、知 识 挖 掘 库 中 。当 用 户 使 用 数 据 仓 库 时 ， 可 以 通 过 ＯＬＡＰ （ Ｏｎｌｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ） 等 数 据 仓 库 应 用 工 具 向 数 据 集 市 、 知识挖掘库进行决策查询分析或者知识挖掘。
表 １ 经营销售子系统数据库子系统模式名称源自属性经订单
订 单 编 号 、客 户 编 号 、员 工 编 号 、日 期 ， ……
营
订单明细
订 单 编 号 、产 品 编 号 、单 价 、数 量 、折 扣 ……
销
产品
产 品 编 号 、产 品 名 称 、产 品 类 别 编 号 、单 价 、库 存 量 ……
售
子
产品类别
时间信息
时间编号
年度
１
季度
月
日
ｎ
……
ｎ 产品固有信息
产品编号
产品名称
产品类别
１
单价
……
销售信息
时间编号
客户编号
产品编号
员工编号
ｎ
销售金额
销售数量 ｎ
……
图 ６ 面向主题数据关系图
客户固有信息
客户编号
１
客户名称
客户地址
所在市
所在县
电话
……
员工
员工编号
员工姓名
性别
１
出生日期
授雇日期
电话
……
结论 企业采用数据仓库可以帮助企业利用历史数据以及外部 信 息 辅 助 决 策 分 析 ， 提 高 了 企 业 的 信 息 共 享 度 和 集 成 度 。企 业 数据仓库建立是一项庞大的系统工程， 需要在企业原有信息 系统基础之上， 对企业业务层和数据层进行彻底的再思考和 综合的分析， 从而建立适合企业决策分析的数据仓库。
产 品 类 别 编 号 、类 别 名 称 、产 品 说 明 、……
系
客户
客 户 编 号 、客 户 名 称 、客 户 地 址 、所 在 市 、所 在 县 ， ……
统
员工
员 工 编 号 、员 工 姓 名 、性 别 、出 生 日 期 、授 雇 日 期 、电 话 ， ……
— １４６ —
科技信息
计算机与网络
ｐｒｏｄｕｃｔｉｏｎ
ｓｔｏｒｅ
ｐｒｏｄｕｃｔｉｏｎ
ｐｒｏｄｕｃｔｉｏｎ
ｐｒｏｄｕｃｔｉｏｎ＿ｃｌａｓｓ
图 ３“星型模式”
５． 面向销售主题的数据仓库概念模型 （ １） 原 始 数 据 组 织 企业已经建立了自己的面向事务处理的信息系统数据
图 ４“雪花模式” 库， 其中经营销售子系统的数据库模式如表 １ 所示， 各个模式 之间的联系如图 ５ 所示。
ｎ
产品
产品编号
１
产品名称
产品类别编号
ｎ
单价