表达数据模型的顶级数据存储 - 数据仓库简介

逻辑数据模型：数据仓库的核心 逻辑数据模型在数据仓库中扮演着关键角色，它连接着源数据和最终用于分析的应用数据模型。它负责： 存储和管理数据: 定义数据结构、组织和存储采集的数据，为后续分析奠定基础。 回答业务问题: 通过逻辑模型，可以将业务问题转化为数据查询，从而提取有价值的信息。 数据清洗和转换: 定义数据清洗和转换规则，确保数据质量和一致性。 支持多种应用: 为数据集市、商业智能 (BI) 工具和数据挖掘等应用提供数据基础。 建模方法论： 构建逻辑数据模型通常采用以下方法： 实体关系 (ER) 建模: 识别数据实体及其关系，构建实体关系图 (ERD)。 维度建模: 定义事实表和维度表，适用于分析型应用。 逻辑数据模型的价值： 数据理解和沟通: 提供清晰的数据视图，方便业务人员和技术人员理解数据。 数据质量保证: 通过定义数据规则，确保数据的一致性和准确性。 应用开发效率: 简化数据访问，提高应用开发效率。 逻辑数据模型是数据仓库建设的基石，它为数据整合、分析和应用提供了一个坚实的基础。

产品是指金融机构为扩展市场份额和满足更广泛客户需求而制定的可营销的交易品种集合。产品在销售或客户使用过程中，可能需要考虑竞争对手提供的同类产品。在业务系统中，有关产品的信息通常需要与现有业务品种进行映射。

多维数据模型的事实度量(Metrics)涉及时间维的属性。

元数据模型是关于现有操作型业务系统数据源的描述信息，包括物理数据结构、数据项的业务定义与更新频率、数据项的有效值以及其他具有相同业务含义的数据项清单。数据仓库的多维模型标准包括星型模型和雪花维模型，前者由维和事实表构成，后者由相互关联的多个维表组成，通过减少数据存储量增加模型的灵活性，但查询复杂化。时间维用来描述事实数据的时间属性，包括Year、Quarter、Month、Day、Hour、Minute、Second等层次。

数据仓库是主题导向、整合、相对稳定、反映历史变化的数据集合。它是一种“数据存储”体系结构，支持结构化、启发式、标准化查询、分析报告和决策支持。

数据仓库模型包括多种视图和物理表，例如跑批视图用于开发，虚拟视图V80简化下流影响，公共视图和部门视图用于权限控制和数据安全性。物理表包括全量切片表、流水切片表、拉链表和月末大拉链表，用于存储不同类型的数据。数据分类涵盖基础数据、组合数据、回流数据、检核数据和其他数据，每种数据具有特定的预处理和汇总层级。

以个人产品覆盖度为例的应用架构，正在探索数据仓库模型的基本概念。

资产设计原则涵盖了从业务系统中获取的各类客户资产和建行自有资产，包括房地产、存货、机动车辆以及在其他金融机构的存款。客户在本行的存款虽然也是资产，但不在此处列出。客户资产来源于贷款申请时的各种担保信息和抵质押品信息，建行自有资产主要由抵债资产组成。当前在源业务系统中记录的资产包括：CMIS、OPICS、DMAMIS、CLPM、SARM、PMIS、OBDI。数据仓库模型的简介将进一步说明资产管理和整合的方法。

建立一个统一的、共享的基础数据平台，为各个业务部门的不同业务需求提供一致的、规范的数据；数据的组织围绕银行主要的主题领域进行，如客户、产品、账户和渠道等；一个可扩展的、动态的模型能够经得住时间的考验，当业务改变时（如改变组织结构和产品交易），能够将对数据模型的影响减至最小甚至完全不受影响； DW的数据模型应该是中性的，能够满足各种不同的分析逻辑的要求而设计的，因此它不同于通常所看到的为了支持某个特定的、预先定义的处理过程而设计的模型；数据模型涉及范围广阔，是多功能的和集成的；统一与共享，在于设计的整合。可扩展、动态—范式化/抽象化