AdventureWorksDW2008R2数据模型分析

网状数据模型具有直接反映现实世界的优点，例如每个节点可以有多个父节点，同时具备高效的存取性能。然而，它的结构复杂，随着应用环境扩展，数据库结构变得更加复杂，这不利于最终用户的理解和操作。DDL和DML语言也较为复杂，用户难以轻松使用。

Oracle ERP 系统中，各模块并非孤立存在，而是通过数据流进行紧密关联，形成一体化的业务处理平台。例如，采购模块 (PO) 创建的采购订单，经审批后传递至库存模块 (INV) 进行收货处理，相关的物料信息也会同步更新。如果涉及生产环节，在制品模块 (WIP) 会跟踪记录生产过程中的物料消耗和产品完工情况，最终成本模块 (COST) 根据相关数据计算产品成本。财务方面，总账模块 (GL) 记录所有财务交易，应收模块 (AR) 则管理与客户之间的交易往来。各个模块之间的数据流转和相互依赖，确保了业务运作的完整性和数据的一致性。

根据应用的不同目的，数据模型划分为两类： 概念模型（信息模型）按用户的观点来对数据和信息建模；主要用于数据库设计。 数据模型按计算机系统的观点对数据建模；主要包括网状模型、层次模型、关系模型等，主要用于DBMS的实现。

关系数据模型的优缺点（续）缺点1. 存取路径对用户透明，导致查询效率往往不如非关系数据模型。2. 为提高性能，必须对用户的查询请求进行优化。3. 增加了开发DBMS的难度。

比较标准： 使用便捷性 实现效率

在Microsoft SQL Server 2008 R2中，数据探索是一种强大的工具，用于揭示大数据中的模式、趋势和关联。详细介绍了各种挖掘模型的内容，帮助用户深入理解模型的操作原理及其发现的见解。以下是各种挖掘模型的简要概述： 1. 关联模型：这种模型用于发现不同属性之间的频繁项集和关联规则，例如协助零售商优化产品推荐和促销策略。 2. 聚类分析模型：通过将数据分组为不同的簇，使得同一组内的数据点相似，这对市场细分和客户分类非常有用。 3. 决策树模型：通过一系列问题（节点）预测目标变量，易于理解和解释，常用于分类任务。 4. 线性回归模型：预测连续数值型目标变量，分析因变量与自变量的关系。 5. 逻辑回归模型：用于二分类问题，通过Sigmoid函数预测事件发生的概率。 6. 朴素贝叶斯模型：基于特征独立性假设，在文本分类和垃圾邮件过滤中表现突出。 7. 神经网络模型：模拟人脑结构，处理复杂非线性关系，适用于解决高维度问题。 8. 顺序分析和聚类分析模型：结合序列模式和聚类分析，识别时间序列模式和群体行为。 9. 时序模型：处理时间序列数据，如股票价格或销售趋势，预测未来变化。 这些模型在SQL Server 2008 R2中提供了标准化结构，用户可以通过Business Intelligence Development Studio查看器或编写查询来探索和利用MINING_MODEL_CONTENT架构行集的信息。

AdventureWorks2008、AdventureWorks2008R2、AdventureWorks2012 和 AdventureWorksDW2008R2、AdventureWorksDW2012 的示例数据库整合，以前曾存在问题，希望此次能够完美使用。

AdventureWorksDW2008-2012数据库当前已转换为支持SQL2008的格式。

启动 PowerDesigner 并创建新模型 打开 PowerDesigner 软件。 在菜单栏中选择“文件” > “新建模型”。 在弹出的“新建模型”窗口中，选择“概念数据模型 (CDM)” 类型。 在“模型名称”字段中输入您想要为模型指定的名称。 点击“确定”按钮创建模型。