文档介绍：2018/11/30
库文档分享
内容
第2章数据仓库的数据模型
第3章数据仓库的数据组织
第4章数据仓库设计
2018/11/30
库文档分享
第2章数据仓库的数据模型
本章要点
数据仓库的概念模型:信息包图
数据仓库的逻辑模型:星型图、雪花模型
数据仓库的物理模型
2018/11/30
库文档分享
数据仓库的数据模型- 与数据库系统数据模型的区别
数据仓库的数据模型中不包含纯操作型数据。
数据仓库的数据模型扩充了键结构,增加了时间属性作为键的一部分。
数据仓库的数据模型中增加了一些面向主题的导出数据。
2018/11/30
库文档分享
星型图模型
物理数据模型
概念模型
逻辑模型
物理模型
面向用户的需求
细化层次
更详细的
技术细节
数据仓库的数据模型
信息包图
2018/11/30
库文档分享
信息包图(概念模型)
信息包图:是数据仓库的数据模型的第一层或最高层。由于大多数商务数据是多维的,但传统的数据模型表示三维以上的数据有一定困难。而信息包图简化了这一过程并且允许用户设计多维信息包并与开发者和其他用户建立联系。这种模型集中在用户对信息包的需要,信息包提供了分析人员思维模式的可视化表示。
工作:
确定系统边界:决策类型、需要的信息、原始信息
确定主题域及其内容:主题域的公共键、联系、属性组
确定维度:如时间维、销售位置维、产品维、组别维等
确定类别:相应维的详细类别
确定指标和事实:用于进行分析的数值化信息
2018/11/30
库文档分享
信息包:
维度
类别
空白信息包图样式
指标和事实
2018/11/30
库文档分享
解:首先根据销售分析的实际需求,确定信息包的维度、类别和指标与事实:
(1)维度:包括日期维、销售地点维、销售产品维、年龄组别维、性别维等。
(2)类别:确定各维的详细类别,如:日期维包括年(10)、季度(40)、月(120)等类别,括号中的数字分别指出各类别的数量;销售地点维包括国家(15)、区域(45)、城市(280)、区(880)、商店(2000)等类别,括号中的数字同样分别指出各类别的数量;类似地,可以确定销售产品、年龄组别维、性别维等的详细类别。
(3)指标和事实:确定用于进行分析的数值化信息,包括预测销售量、实际销售量和预测偏差等。
〖例〗试画出销售分析的信息包图
2018/11/30
库文档分享
销售分析的信息包图
日期
销售地点
销售产品
年龄组别
性别
年(10)
国家(15)
产品类(6)
年龄组(8)
性别组(2)
季度(40)
区域(45)
产品组(48)
月(120)
城市(280)
产品(240)
区(880)
商店(2000)
指标和事实:
预测销售量、实际销售量、预测偏差
信息包: 销售分析
维度
类别
2018/11/30
库文档分享
星型图模型(逻辑模型)
星型图:数据仓库的数据模型的第二层是向最终的数据结构添加某些细节的星型图模型。
与传统的关系模型相比,星型图模型简化了用户分析所需的关系,从支持决策的角度去定义数据实体,更适合大量复杂查询。
星形图包括了三种逻辑实体:
指标、维度、详细类别
2018/11/30
库文档分享
〖例〗销售分析的星型图模型。
日期维
产品维
地区维
代理商维
其他维
销售分析
实际销售
预测销售
预测偏差
在星型图中,通过维度实体获得指标实体数据。指标实体与维度实体间的联系通过每个维度中的最低层的详细类别实体连接。