零售营销——数据仓库建模
第2章 零 售 营 销
理解维度建模原理的最佳途径，是通过一系列切实的例子去进行实践。通过观察实际的实例，就能使设计方面的挑战与解决办法了然于心，这比仅仅通过抽象的表述进行学习要有效得多。本书中采用了大量取自诸多行业方面的实例，目的在于使读者不要为自己的业务细节所困扰而得到恰当的设计。
如果打算学习维度建模方面的知识，请不妨通读本书各章，即使不从事零售业务或者不在一个电信公司工作也要这样做。本书并不打算成为向某具体产业或者业务提供全面的解决办法的手册，各章以几乎在每种业务的维度建模中都会遇到的典型问题集的比喻形式进行内容的叙述。大学、保险公司、银行以及航空业等都几乎无一例外地需要本章所述的零售方面所使用的技能。此外，可以设想一下，如果一个人的业务总在随时间发生变化，那么会需要什么呢？当处理从自己公司获得的数据时，很容易受过去经历的复杂性影响而使事情变糟。通过走出去，然后带一两个经过充分考虑的设计原理回来，就能做到在进入纷繁的业务细节处理时，仍然能够记住设计原理的宗旨。
本章概念：
设计维度模型的四步过程
事务级事实表
可加性与非可加性事实
样本维度表属性
诸如促销这样的因果维度
诸如交易票据编号这样的合并维度
维度模型的扩展
“使用过多维度”陷阱的避免
代理关键字
市场容量分析 第2章 零售营销
27 ◣ 2.1 四步维度设计过程
整本书考虑一致地按照具有一定顺序的四个步骤的方式进行维度数据库的设计。这四个步骤的含义会随着各种不同设计的进行逐渐变得更加清晰起来，不过首先还是给出一些初始说明。
（1）选取要建模的业务处理过程。
业务处理过程是机构中进行的一般都由源数据收集系统提供支持的自然业务活动。听取用户的意见是选取业务处理过程的效率最高的方式。用户叫嚷着要在数据仓库中进行分析的性能度量值是从业务评测处理过程得来的。典型的业务处理过程包括原材料购买、订货、运输、开票、库存与账目管理等。要记住的重要一点是，这里谈到的业务处理过程并不是指业务部门或者职能。比如，可以建立一个用来处理订单数据的单一维度模型，而不应为要存取订单数据的销售与市场部门建立单独的模型。通过将注意力集中放在业务处理过程方面，而不是业务部门方面，就能在机构范围内更加经济地提交一致的数据。如果建立的维度模型是同部门捆绑在一起的，就无法避免出现具有不同标记与术语的数据拷贝的可能性。多重数据流向单独的维度模型，会使用户在应付不一致性的问题方面显得很脆弱。确保一致性的最佳办法是对数据进行一次性地发布。单一的发布过程还能减少ETL的开发量，以及后续数据管理与磁盘存储方面的负担。
（2）定义业务处理的粒度。
粒度定义意味着对各事实表行实际代表的内容给出明确的说明。粒度传递了同事实表度量值相联系的细节所达到的程度方面的信息。它给出了后面这个问题的答案：“如何描述事实表的单个行？”。
典型的粒度定义包括：
顾客购物券上扫描设备一次拾取的分列项内容
医生开出的单据项目内容
个人登机通行证内容
仓库中每种产品库存水平的日快照
每个银行账号的月快照
数据仓库团队经常将这个看起来似乎不必要的步骤绕了过去。请不要这样做！对于设计团队的每个人来说，能够在事实表粒度上做到一致是很重要的。没有粒度的定义实际上是不可能达到下面第3步中提出的要求的。需要数据仓库工具箱
28 引起注意的是，一个不合适的粒度定义会使数据仓库的实现令人摸不着头脑。粒度定义是不容轻视的至关重要的步骤。说到这里，你应该能够发现在第3步或第4步中给出的粒度说明是错误的。好了，还是先回到第2步重新给出粒度的正确定义，而后再看第3步或第4步的内容。
（3）选定用于每个事实表行的维度。
维度所引出的问题是，“业务人员将如何描述从业务处理过程得到的数据？”应该用一组在每个度量上下文中取单一值而代表了所有可能情况的丰富描述，将事实表装扮起来。如果对粒度方面的内容很清楚，那么维度的确定一般是非常容易的。通过维度的选定，可以列出那些使每个维度表丰满起来的离散的文本属性。常见维度的例子包括日期、产品、顾客、事务类型和状况等。
（4）确定用于形成每个事实表行的数字型事实。
事实的确定可以通过回答“要对什么内容进行评测”这个问题来进行。业务用户在这些业务处理性能度量值的分析方面具有浓厚的兴趣。设计中所有供选取的信息必须满足在第2步中定义的粒度要求。明显属于不同粒度的事实必须放在单独的事实表中。典型的事实是诸如订货量或者支出额这样的可加性数字数据。
整本书在开发各个实例研究时，都将按这样的四个步骤来展开，并以用户对业务的理解作为确定维度模型所需维度与事实的内容的依据。很显然，在按照如图2.1所示的四个步骤确定相关内容时，需要同时考虑业务用户需求和源数据本身。千万要克服只看看源数据文件就对数据进行建模的偏向。虽然说，一头扎进文件设计图与复写簿中去搜集数据比采访业务人员具有少得多的风险，但这不能代替用户的介入。遗憾的是，许多机构仍然企图使用这种受数据驱动的最省力的方法去建模，结果是很少有成功的。
◣ 2.2 零售实例的研究
这里先对在本实例研究中要使用的零售业务进行简要的描述，以使建立 业务需求
维度模型
1.业务处理
2.粒度
3.维度
4.事实
数据实际
图2.1 四步骤维度设计
过程的关键输入内容 第2章 零售营销
29 的维度与事实表更容易理解。之所以从这个行业入手，是因为它与大家都是密切相关的。设想一下在一家大型杂货连锁店总部工作的情形，其业务涵盖分布在5个州范围内的100多家杂货店。每个商店都有完整的配套部门，包括杂货、冷冻食品、奶制品、肉制品、农产品、面包店、花卉门市以及卫生/美术方面的辅助人员等，并有大致6万多个品种的产品放在货架上。每个品种的产品被称做库存储藏单位（SKUs，Stock Keeping Units）。大约55 000个SKUs来自外部的生产厂家，并在包装上印有条形码。这些条形码被叫做统一产品编码（UPCs，Universal Product Codes）。UPCs具有与单个SKUs相同的粒度。一个产品的不同包装类型具有一个单独的UPC，因而也有一个单独的SKU。
剩下的5 000个SKUs从诸如肉制品、农产品、面包店或者花卉门市等部门获取。虽然这些产品具有举国一致的可识别UPCs，杂货连锁店仍旧可以给它们分配SKU编号。既然杂货店是高度自动化的，那么完全可以为这些从其他部门取来的许多项目贴上扫描标记。尽管条形码不是UPCs，但它是确定无疑的SKU编号。
数据是从杂货店中多个令人感兴趣的地方收集得到的，其中一些最有用途的数据是在顾客购买产品时从收银机那里收集的。现代杂货店直接将条形码扫描到销售点（POS，Point-Of-Sale）系统中去，POS系统放在杂货店中对顾客外卖食品进行检测的出口处。厂家发货的后门是另外一个令人感兴趣的数据收集点。
在杂货店，管理方面所关注的是如何使产品的订购、储存与销售运作能最大限度地实现利润而开展后勤工作。利润最终要靠尽可能施加到每种产品上的管理职责、产品采购成本与额外开销的降低、以及在竞争激烈的价格战环境中吸引尽可能多的顾客等方面的一系列工作来获取。最重要的管理决策应该是关于定价与促销工作方面的。产品促销包括临时降价、在报纸与报纸夹页中加入广告内容、杂货店的陈设（包括廊端展销）和优惠券发行等工作。掀起产品销售量浪潮的最直接与最有效的方式是大幅度地降低产品的价格。
将纸巾降价一半，并为此打出配套广告和召开展销会，就可以使纸巾的销售量一下子提升10个点。遗憾的是，如此大规模的降价通常是经受不住的，因为这样的纸巾销售很可能是亏本的。这些问题说明，如何使各种形式的促销活动所产生的效能清晰可见是杂货店运营情况分析的重要部分。
在对业务实例研究进行描述之后，现在就可以开始维度建模的设计工作了。 数据仓库工具箱
30 2.2.1 第一步：选取业务处理
设计工作的第一步是，通过将对业务需求的理解与对可用数据的理解组合起来而确定建模的业务处理内容。
建立的第一个维度模型应该是一个最有影响的模型——它应该对最紧迫的业务问题做出回答，并且对数据的抽取来说是容易访问的。
在这个零售实例研究中，管理方面要做的事情就是更好地理解像POS系统记录的顾客购买情况。于是，建模所提供的业务处理就相应成为一个POS零售业务。这类数据可以用来分析出什么促销条件下的什么日子里，在什么商店正在销售什么样的产品等方面的内容。
2.2.2 第二步：定义粒度
一旦将业务处理确定下来，数据仓库团队下一个就面临关于粒度确定的严肃课题。应该在维度模型中给出何种详细程度的细节内容？这就引出了关于设计的一个重要提示。
应优先考虑为业务处理获取最有原子性的信息而开发维度模型。原子型数据是所收集的最详细的信息，这样的数据不能再做更进一步的细分。
通过在最低层面上装配数据，大多原子粒度在具有多个前端的应用场合显示出其价值所在。原子型数据是高度维结构化的。事实度量值越细微并具有原子性，就越能够确切地知道更多的事情，所有那些确切知道的事情都转换为维度。在这点上，原子型数据可以说是维度方法的一个极佳匹配。
原子型数据可为分析方面提供最大限度的灵活性，因为它可以接受任何可能形式的约束，并可以以任何可能的形式出现。维度模型的细节性数据是安如泰山的，并随时准备接受业务用户的特殊攻击。
当然，可以总是给业务处理定义较高层面的粒度，这种粒度表示最具有原子性的数据的聚集。不过，只要选取较高层面的粒度，就意味着将自己限制到更少或者细节性可能更小的维度上了。具有较少粒度性的模型容易直接遭到深入到细节内容的不可预见的用户请求的攻击。如果不让用户存取原子型数据，则他将不可避免地在分析方面撞上南墙。就如将在第16章所见到的那样，聚集概要性数据作为调整性能的一种手段起着非常重要的作用，但它 第2章 零售营销
31 绝对不能作为用户存取最低层面的细节内容的替代品。遗憾的是，有些实业界的权威人士在这方面一直显得含糊不清。他们宣称维度模型只适合于总结性数据，并批评那些认为维度建模方法可以满足预测业务需求的看法。这样的误解会随着细节性的原子型数据在维度模型中的出现而慢慢地消逝。
在该实例研究中，最佳粒度的数据是POS事务的单个分列项。为了确保得到最大限度的维度性和灵活性，所有讨论都将在这个粒度上展开。将这个粒度的定义针对第一版的原文做出修改是毫无价值的。以前，我们也将注意力集中在POS数据上，但不是考虑如何在维度模型中对事务分列项目细节进行表示，而是注重提供一天中某个商场所堆积的产品与促销方面的数据。在当时，这些每日产品总量反映了辛迪加零售数据库的技术状况。指望当时的硬件与软件能够有效地处理与各个POS事务分列项相关的数据海量的想法，是很不合时宜的。
通过访问POS事务信息，能够得出一个关于商场销售非常详细的概况。虽然用户或许对与特定POS事务相联系的单个项目的分析并不是很感兴趣，但数据库团队仍然无法预知出他们抽取数据的各种可能方式。例如，他们可能想弄清星期一相对于星期日在销售上的不同情况，或者想评估一下是否值得为诸如谷物一类的物品准备那么多不同大小的商标，或者想了解有多少购物者会对优惠50%的洗发精促销活动特别有兴趣，或者想确定如果对一个竞争很激烈的饮用苏打产品在经过了大力的促销宣传以后进行降价销售会造成什么样的影响等。虽然这些查询没有一个只对来自某单个特定事务的数据存在要求，但它们都是些需要精确切割的细节性数据的涉及面很广的问题。如果用户只能存取总结性数据，则不能回答其中的任何一个问题。
零售业分析型CRM应用研究
ＭＡＲＫＥＴＩＮＧ・营销导师■■■■■
霉售业 析型Ｃ ＲＭ应用研究
近十几年来，我国零售市场的经营 业态和规模发展迅速，但零售企业的经 济效益还不尽如人意，行业利润整体下 降，远低于发达国家３０％的水平。造成这 一结果的主要原因之一是国内零售商家 竞争手段限于价格大战、促销大战，竞争 力低下。赢得客户是零售商提升竞争力 的关键，由于零售商经营的商品种类很 多，结构复杂，其客户绝大多数都是单个 的消费者，他们数量大、分布广、结构复 杂，按照一般的方法，很难对其开展一对 一的营销。国内零售商要提高经济效益， 构建企业竞争优势，必须结合其经营特 点，充分运用现代客户关系管理 （Ｃｕｓｔｏｍｅｒ Ｒｅｌａｔｉｏｎｓｈｉｐ Ｍａｎａｇｅｍｅｎｔ，简称 ＣＲＭ）的思想与技术，识别和留住有价值 的客户，为客户提供个性化的关怀。 一、零售业分析型ＣＲＭ的应用要点 目前，ＣＲＭ系统在我国零售业已有 初步的应用，诸如ＥＤＩ（电子数据交换） 系统、ＰＯＳ（电子收款）系统的运用极大 地提高了我国零售企业的销售水平，使 得超级市场等新的零售业态在市场竞争 中获得了较大优势，但ＣＲＭ系统的应用 还是简单的、不完整的。要真正体现以客 户为中心的思想，必须构建以数据仓库 和数据挖掘为核心的分析型ＣＲＭ，构建 分析型ＣＲＭ必须考虑到以下要求。 １．以功能强大的数据库为基础。由于 零售业的商品、客户数量多，产生的信息 量极大，零售业的ＣＲＭ系统需要有一个 功能强大的数据库支持。数据库一方面 要有较大的存储能力，要能够自动地将 文／叶孝明柳炳祥 每天的各种信息随时收集、储存起来，另 一方面还要有较强的数据处理能力，这 可以通过将数据库集成到数据仓库中来 实现，然后对数据仓库进行联机分析处 理，使这些数据成为企业经营管理的有 用信息。 ２．以数据分析与数据挖掘为核心。零 售业的ＣＲＭ系统的重要功能是为企业 的经营活动提供支持信息，通过对客户 信息的分析，发现客户购买活动的规律， 作为经营决策的依据。因此，零售业的 ＣＲＭ系统必须以数据分析和数据挖掘为 核心，能够对大量的客户数据进行分类、 聚类以及关联性分析，通过数据挖掘将 数据转变为客户知识，再根据这些客户 知识来安排企业的销售、营销及服务活 动。 ３．对客户主动服务的技术手段。以客 户为中心的零售服务不再局限于等客上 门式的被动服务，而应该是根据客户的 需求主动为客户服务，这就需要ＣＲＭ系 统为其提供技术手段，如通过企业网站 开展电子销售，利用商业智能工具对客 户需求快速做出响应，为不同客户设计 不同的服务内容，提供不同的服务项目， 满足客户的个性化需求。除了满足客户 一般的购物需求外，企业还能为客户提 供各种增值服务，如主动为客户提供其 所需要的信息、对客户所购买商品使用 情况的跟踪和关怀等。 ４．与ＰＯＳ／ＭＩＳ系统的有机结合。 ＰＯＳ／ＭＩＳ系统是零售业信息化管理的基 础。ＰＯＳ系统是由ＰＯＳ机对每日的商品 销售、库存等信息进行实时采集，并将其 输入ＭＩＳ系统，ＭＩＳ系统再将这些信息 进行处理，对企业的商流、物流、资金流 进行协调和管理。显然，ＰＯＳ／ＭＩＳ系统与 ＣＲＭ系统有着密切的关系，ＣＲＭ离不开 ＰＯＳ／ＭＩＳ系统的信息采集和处理， ＰＯＳ／ＭＩＳ系统的管理决策也离不开ＣＲＭ 系统的一些客户分析与数据挖掘的结 果。因此，要将ＣＲＭ系统与ＰＯＳ／ＭＩＳ系 统紧密地结合在一起，不仅要使两个系 统实现无缝的连接，更主要的是要将两 个系统的信息进行集成，这样才能使 ＣＲＭ系统更好地发挥作用，同时也使 ＰＯＳ／ＭＩＳ系统的功能更加完善。 二、零售业客户数据仓库构建 在客户数据仓库需求分析的过程 中，通过与企业中的管理者、数据分析人 员和客户关系管理专家的交流，获得他 们感兴趣的与客户关系管理相关的多维 查询，并对其进行分类，每类查询与一个 主题相对应。零售企业中与客户相关的 领域主要包括销售、营销和客户服务与 支持。下面将针对销售这一主题，采用常 用的事实表一维表数据模型对客户数据 仓库的逻辑模型进行具体设计。 １．事实表一维表数据模型设计。①事 实表的设计。多维数据模型围绕主题组 织，主题用事实表表示。事实表应该包括 各相关维表的关键字和度量。销售主题 与时间、客户、产品、地点等维度相关，因 此，在设计销售事实表时应包括上述各 个维表的关键字。此外，由于销售分析中 最重要的是要对销售数量、销售额、销售 ２００６・
数据仓库与商业智能课程大纲
数据仓库与商业智能课程大纲
一、课程简介
数据仓库与商业智能课程旨在介绍与应用数据仓库及商业智能相关的基本概念、技术和方法。通过本课程的学习，学生将能够理解数据仓库构建的基本原理与步骤，熟悉商业智能的关键技术与工具，并能实践数据仓库与商业智能的具体应用。
二、课程目标
1. 理解数据仓库的概念、特点和作用，掌握数据仓库的基本架构和设计原则；
2. 熟悉数据仓库建模的基本方法和技术，能够进行数据仓库的逻辑和物理设计；
3. 掌握ETL（抽取、转换、加载）技术及工具，能够实现数据仓库的数据集成和清洗；
4. 了解商业智能的基本概念和发展历程，熟悉常用的商业智能工具和技术；
5. 学习商业智能的关键技术，包括多维数据分析、数据挖掘、报表与仪表盘设计等；
6. 实践数据仓库与商业智能的具体应用，包括企业绩效分析、市场营销分析、客户关系管理等。
三、课程内容 1. 数据仓库基础
- 数据仓库概述与特点
- 数据仓库架构与组成
- 数据仓库与传统数据库的区别
2. 数据仓库建模
- 数据仓库建模概述
- 维度建模与事实建模
- 基于星型模型和雪花模型的数据仓库设计
3. 数据仓库实施
- 数据抽取与清洗
- 数据转换与集成
- 数据加载与刷新
4. 商业智能概述
- 商业智能发展历程
- 商业智能与数据仓库的关系
- 商业智能的基本架构与组成
5. 多维数据分析 - 多维模型与OLAP（联机分析处理）
- 多维数据分析工具与技术
- 多维数据分析应用案例
6. 数据挖掘与预测分析
- 数据挖掘概述与任务
- 常用的数据挖掘技术与算法
- 数据挖掘在商业智能中的应用
7. 报表与仪表盘设计
- 报表与仪表盘的概念与设计原则
- 报表与仪表盘设计工具与技术
- 报表与仪表盘设计案例
8. 数据仓库与商业智能应用
零售业销售数据分析
零售业销售数据分析
随着电子商务的快速发展和消费者购物行为的变化，零售业销售数据分析变得越来越重要。通过对销售数据的深入分析，零售商可以更好地了解市场趋势、消费者需求和产品表现，从而制定更有效的销售策略和决策。本文将探讨零售业销售数据分析的重要性、常用的分析方法和工具，以及如何利用数据分析提升销售业绩。
一、零售业销售数据分析的重要性
1.了解市场趋势和消费者需求
零售业销售数据分析可以帮助零售商了解市场趋势和消费者需求的变化。通过分析销售数据，可以得出某个产品的销售量、销售额、销售渠道等信息，从而了解产品的受欢迎程度和市场份额。同时，还可以分析消费者购买行为，如购买时间、购买渠道、购买偏好等，以及消费者的人口统计学特征，如年龄、性别、地理位置等。这些数据可以帮助零售商更好地了解市场趋势和消费者需求，从而调整产品定位、开发新产品和制定营销策略。
2.优化供应链管理
销售数据分析还可以帮助零售商优化供应链管理。通过分析销售数据，可以预测产品需求量，从而合理安排库存和采购计划，避免库存过剩或缺货的情况发生。同时，还可以分析供应商的交货时间、产品质量等指标，评估供应商的绩效并优化供应链合作关系。通过优化供应链管理，零售商可以降低成本、提高效率，从而提升竞争力。
3.改善营销策略和促销活动
销售数据分析可以帮助零售商改善营销策略和促销活动。通过分析销售数据，可以了解不同促销活动的效果、不同渠道的销售表现等信息，从而调整促销活动的内容和方式，提高促销活动的效果。同时，还可以分析不同消费者群体的购买偏好和购买能力，制定个性化的营销策略，提高销售转化率和客户满意度。
二、常用的销售数据分析方法和工具
1.数据可视化
数据可视化是一种直观展示数据的方法，可以帮助零售商更好地理解和分析销售数据。常用的数据可视化工具包括数据仪表盘、图表和地图等。通过数据可视化，可以将复杂的销售数据以图形化的方式呈现，使数据更易于理解和分析。同时，还可以通过交互式数据可视化工具，如Tableau和Power BI，进行数据探索和发现隐藏的模式或趋势。
银行数据仓库模型9大主题
银行数据仓库模型9大主题
摘要：
一、简介
二、银行数据仓库模型的九大主题
1.客户主题
2.产品主题
3.协议主题
4.事件主题
5.渠道主题
6.营销主题
7.银行主题
8.资产主题
9.财务主题
三、总结
正文：
一、简介
随着金融业务的快速发展，银行数据仓库模型在银行业的业务决策中发挥着越来越重要的作用。银行数据仓库模型通过对银行业务数据的整合和分析，帮助银行实现对业务的快速反应和决策。本文将介绍银行数据仓库模型的九大主题，以帮助读者更好地理解和应用这一模型。
二、银行数据仓库模型的九大主题 1.客户主题：客户主题主要关注银行的客户信息，包括客户基本信息、客户行为信息和客户价值信息等。通过对客户信息的分析，银行可以更好地了解客户需求，从而设计出更符合客户需求的产品和服务。
2.产品主题：产品主题主要关注银行的产品信息，包括产品基本信息、产品销售情况和产品利润等。通过对产品信息的分析，银行可以更好地了解市场需求，从而调整产品结构，提高产品竞争力。
3.协议主题：协议主题主要关注银行的协议信息，包括合同、协议和担保等。通过对协议信息的分析，银行可以更好地了解协议的履行情况，从而降低信用风险。
4.事件主题：事件主题主要关注银行的业务事件信息，包括账户开立、账户变更和账户关闭等。通过对事件信息的分析，银行可以更好地了解业务流程，从而优化业务流程，提高业务效率。
5.渠道主题：渠道主题主要关注银行的销售渠道信息，包括网点、网上银行和手机银行等。通过对渠道信息的分析，银行可以更好地了解渠道的效益，从而优化渠道结构，提高渠道效益。
6.营销主题：营销主题主要关注银行的营销活动信息，包括营销活动策划、营销活动实施和营销活动效果等。通过对营销信息的分析，银行可以更好地了解营销活动的效果，从而优化营销策略，提高营销收益。
7.银行主题：银行主题主要关注银行的整体信息，包括银行战略、银行管理和银行运营等。通过对银行信息的分析，银行可以更好地了解银行的整体状况，从而调整银行战略，提高银行竞争力。
浅谈银行数据仓库：数据集市建模思路——监管报送项目的数据集市建模实践
浅谈银⾏数据仓库：数据集市建模思路——监管报送项⽬的数据
集市建模实践
前⾔：数据集市的⽬标
数据集市，是数据仓库 ADM 层最主要的数据形态，应⽤在特定业务场景的⾼度汇总数据，⽀持特定⼈员或部门进⾏数据分析、统计、决策
等⾏为。（数据仓库分层架构及建设思路可查阅作者的《浅谈银⾏数据仓库的构建之路》）概念理解起来不难，难在如何制定数据集市的落
地⽅式，这时必须结果导向，从实现⽬标进⾏反推。
数据集市的⽬标
从概念可以了解，数据集市是应⽤在特定业务场景的，专门⽀持特定⼈员或部门的数据集，所以数据集市的⾸要⽬标是满⾜特定⼈员或部门
提出的业务场景。⽐如报表集市，业务⼈员要求的是按照需求⽂档开发出固定报表查询即可，可是开发团队却开发出⼀张张⼤宽表给业务⼈
员进⾏⾃助查询，希望业务⼈员通过⼤宽表就可以随时设计出⾃⼰想要的报表，最终业务⼈员愿意买账吗？
数据集市是以实现特定⼈员或部门提出的特定业务场景为⽬标进⾏设计。
数据集市的模型数量有标准要求吗？
别⼈家⼀个数据集市少则⼗⼏个模型，多则上百个模型，是否模型数量达到⼀定程度才能称为数据集市？还是从⽬标出发，数据集市是为了
实现特定业务场景⽽设计，⽽业务场景也是有⼤⼩之分的。⼩的业务场景可能⼀张报表就可以实现，⽐如 2020 年度单位存款基础数据报送
要求，⼤的业务场景确实需要上百个模型来⽀持，⽐如零售管理部的营销分析集市。⽆论是⼀张报表还是上百个模型，都属于实现了特定业
务场景的数据集市。当然，数据集市过⼩，⽐如上述的⼀张报表，会合并到⼤的数据集市中，⽐如报表集市，为了更好实现维护与管理。
数据集市的模型数量没有标准要求，关键是能否实现⽬标。
数据集市的建模⽅式有标准要求吗？
⽬前主流的标准建模⽅式有三类：
1） 星型模型
最常⽤的建模⽅式，模型由⼀个事实表与⼀组维表连接⽽成，维表只能与事实表关联，维表间不能关联，犹如被多个卫星环绕核⼼⾏星的系
统，所以称为星型模型。
2） 雪花模型
雪花模型同样由⼀个事实表与⼀组维表连接⽽成，对⽐星型模型，雪花模型的维表是由⼤维表与⼩维表连接⽽成，这样⼤维表与⼩维表之间
零售营销——数据仓库建模
第2章 零 售 营 销
理解维度建模原理的最佳途径，是通过一系列切实的例子去进行实践。通过观察实际的实例，就能使设计方面的挑战与解决办法了然于心，这比仅仅通过抽象的表述进行学习要有效得多。本书中采用了大量取自诸多行业方面的实例，目的在于使读者不要为自己的业务细节所困扰而得到恰当的设计。
如果打算学习维度建模方面的知识，请不妨通读本书各章，即使不从事零售业务或者不在一个电信公司工作也要这样做。本书并不打算成为向某具体产业或者业务提供全面的解决办法的手册，各章以几乎在每种业务的维度建模中都会遇到的典型问题集的比喻形式进行内容的叙述。大学、保险公司、银行以及航空业等都几乎无一例外地需要本章所述的零售方面所使用的技能。此外，可以设想一下，如果一个人的业务总在随时间发生变化，那么会需要什么呢？当处理从自己公司获得的数据时，很容易受过去经历的复杂性影响而使事情变糟。通过走出去，然后带一两个经过充分考虑的设计原理回来，就能做到在进入纷繁的业务细节处理时，仍然能够记住设计原理的宗旨。
本章概念：
设计维度模型的四步过程
事务级事实表
可加性与非可加性事实
样本维度表属性
诸如促销这样的因果维度
诸如交易票据编号这样的合并维度
维度模型的扩展
“使用过多维度”陷阱的避免
代理关键字
市场容量分析 第2章 零售营销
27 ◣ 2.1 四步维度设计过程
整本书考虑一致地按照具有一定顺序的四个步骤的方式进行维度数据库的设计。这四个步骤的含义会随着各种不同设计的进行逐渐变得更加清晰起来，不过首先还是给出一些初始说明。
（1）选取要建模的业务处理过程。
业务处理过程是机构中进行的一般都由源数据收集系统提供支持的自然业务活动。听取用户的意见是选取业务处理过程的效率最高的方式。用户叫嚷着要在数据仓库中进行分析的性能度量值是从业务评测处理过程得来的。典型的业务处理过程包括原材料购买、订货、运输、开票、库存与账目管理等。要记住的重要一点是，这里谈到的业务处理过程并不是指业务部门或者职能。比如，可以建立一个用来处理订单数据的单一维度模型，而不应为要存取订单数据的销售与市场部门建立单独的模型。通过将注意力集中放在业务处理过程方面，而不是业务部门方面，就能在机构范围内更加经济地提交一致的数据。如果建立的维度模型是同部门捆绑在一起的，就无法避免出现具有不同标记与术语的数据拷贝的可能性。多重数据流向单独的维度模型，会使用户在应付不一致性的问题方面显得很脆弱。确保一致性的最佳办法是对数据进行一次性地发布。单一的发布过程还能减少ETL的开发量，以及后续数据管理与磁盘存储方面的负担。
数据仓库——精选推荐
数据仓库
第⼀章 数据仓库概念
数据仓库（英语：Data Warehouse，简称数仓、DW）,是⼀个⽤于存储、分析、报告的数据系统。数据仓库的⽬的是构建⾯向分析的集成
化数据环境，为企业提供决策⽀持（Decision Support）。
数据仓库本⾝并不“⽣产”任何数据，其数据来源于不同外部系统；同时数据仓库⾃⾝也不需要“消费”任何的数据，其结果开放给各个外部应⽤
使⽤，这也是为什么叫“仓库”，⽽不叫“⼯⼚”的原因。
第⼆章 场景案例
数据仓库为何⽽来？
先下结论：为了分析数据⽽来，分析结果给企业决策提供⽀撑。
信息总是⽤作两个⽬的：操作型记录的保存和分析型决策的制定。数据仓库是信息技术长期发展的产物。
下⾯以中国⼈寿保险公司（chinalife）发展为例，阐述数据仓库为何⽽来？
2.1 操作型记录的保存
中国⼈寿保险（集团）公司下辖多条业务线，包括：⼈寿险、财险、车险，养⽼险等。各业务线的业务正常运营需要记录维护包括客户、保
单、收付费、核保、理赔等信息。
联机事务处理系统（OLTP）正好可以满⾜上述业务需求开展, 其主要任务是执⾏联机事务和查询处理。其基本特征是前台接收的⽤户数据可
以⽴即传送到后台进⾏处理，并在很短的时间内给出处理结果。关系型数据库是OLTP典型应⽤，⽐如：Oracle、Mysql、SQL Server等。
2.2 分析型决策的制定随着集团业务的持续运营，业务数据将会越来越多。由此也产⽣出许多运营相关的困惑：能够确定哪些险种正在恶化或已成为不良险种？能够⽤有效的⽅式制定新增和续保的政策吗？理赔过程有欺诈的可能吗？现在得到的报表是否只是某条业务线的？
集团整体层⾯数据如何？
为了能够正确认识这些问题，制定相关的解决措施，瞎拍桌⼦是肯定不⾏的。最稳妥办法就是：基于业务数据开展数据分析，基于分析的结
果给决策提供⽀撑。也就是所谓的数据驱动决策的制定。
然后，⾯临下⼀个问题：在哪⾥进⾏数据分析？数据库可以吗？
2.3 OLTP环境开展分析可⾏吗？
零售业数据仓库的建立及数据分析
浅谈零售业数据仓库的建立及数据分析
摘 要 本文简要介绍了数据仓库以及olap技术在零售业销售系统中的应用。主要集中于数据仓库的概念和多维分析方法。在对销售数据进行多维建模和多维分析的探讨中,主要利用了sql server
2005 分析服务器和商业智能开发平台。在本文内容的后一部分还提到了使用microsoft excel的数据透视功能对多维模型进行多种形式的可视化前端展示。使读者能够对如何结合数据仓库和olap技术开发切合方案的销售数据分析系统以及浏览和分析数据的方法有所了解。
关键词 零售业;数据仓库;olap;sql server2005
中图分类号tp311 文献标识码a 文章编号
1674-6708(2010)30-0077-02
elementary introduction on the data warehousing and data
analysis in retail
abstract this paper introduces the application of data
warehousing and olap technology in the retail sales
info-system, with the emphasis on the concept of data
warehousing and methods of multi-dimensional analysis. in the
process of the multi-dimensional modeling and analysis to
sales data, we mainly use sql server 2005 analysis service
and business intelligence development platform. in the latter
part of this paper, we also mention the capabilities of microsoft excel’s pivottable to achieve the visual desktop
基于数据仓库的客户关系管理--NCR Teradata CRM解决方案
基于数据仓库的客户关系管理--NCR Teradata CRM解决方案
佚 名
【期刊名称】《中国金融电脑》
【年(卷),期】2005(000)007
【摘 要】@@ Teradata CRM解决方案基于Teradata可扩展的数据仓库技术,有效整合与运用既有数据仓库中的客户基本数据、交易数据帮助银行全面了解客户所有行为.银行通过数据仓库提供的客户分析可更为深入地了解客户,依据客户需求和客户特点规划适当的促销方案,然后选择适当的营销渠道与客户进行良好的接触,将客户关系管理提升到一个新层次.
【总页数】2页(P91-92)
【正文语种】中 文
【中图分类】TP3
【相关文献】
1.NCR凸现零售科技新优势——Teradata数据仓库让零售更轻松 [J],
2.NCR Teradata数据仓库证券业解决方案 [J], 倪百礼
3.Vodafone采用Teradata动态数据仓库强化客户关系管理 [J],
4.NCR Teradata为上海银行搭建高效数据仓库平台 [J], 牛
5.NCR Teradata数据仓库解决方案被DHL选中 [J], 钱
因版权原因，仅展示原文概要，查看原文内容请购买