事实建模

事实表与维度表设计是数据仓库中的重要组成部分，用于有效管理和分析数据。事实表记录了业务过程的事实，而维度表则包含了描述事实表中数据的上下文信息。通过合理的设计方法，可以确保数据仓库的高效运作和数据分析的准确性。

事实星座模式示例：以销售数据为例 销售事实表（Sales Fact Table） | 字段名 | 描述 ||---|---|| time_key | 时间维度键 || item_key | 商品维度键 || branch_key | 分支机构维度键 || location_key | 地理位置维度键 || units_sold | 销售数量 || dollars_sold | 销售额 || avg_sales | 平均销售额 | 运输事实表（Shipping Fact Table） | 字段名 | 描述 ||---|---|| time_key | 时间维度键 || item_key | 商品维度键 || shipper_key | 承运商维度键 || from_location | 起始地维度键 || to_location | 目的地维度键 || dollars_cost | 运输成本 || units_shipped | 运输数量 | 时间维度表（Time Dimension） | 字段名 | 描述 ||---|---|| time_key | 时间维度键 || day_of_the_week | 星期几 || month | 月份 || quarter | 季度 || year | 年份 | 地理位置维度表（Location Dimension） | 字段名 | 描述 ||---|---|| location_key | 地理位置维度键 || street | 街道 || city | 城市 || province_or_state | 省/州 || country | 国家 | 商品维度表（Item Dimension） | 字段名 | 描述 ||---|---|| item_key | 商品维度键 || item_name | 商品名称 || brand | 品牌 || type | 类型 || supplier_type | 供应商类型 | 分支机构维度表（Branch Dimension） | 字段名 | 描述 ||---|---|| branch_key | 分支机构维度键 || branch_name | 分支机构名称 || branch_type | 分支机构类型 | 承运商维度表（Shipper Dimension） | 字段名 | 描述 ||---|---|| shipper_key | 承运商维度键 || shipper_name | 承运商名称 || location_key | 承运商地理位置维度键 || shipper_type | 承运商类型 |

设计数据库时，有两个不争的事实：数据库中冗余的数据需要额外的维护，因此高质量的表应尽量减少冗余数据；数据库中经常变化的数据需要额外的维护，因此高质量的表应尽量避免数据频繁变动。评估数据库表设计的质量应考虑这些关键因素。

通过构建包含基础均衡、泡沫均衡、周期和混沌四种形态的多主体股市模型，并进行计算机仿真实验，本研究分析了不同市场形态下股票市场收益率的统计特征。 研究发现，四种市场形态都呈现出尖峰肥尾、波动聚集和长期记忆（PL）特性。其中，基础均衡状态下这些特征最为显著，周期和混沌状态次之，泡沫均衡状态最弱。

账户活动事实表 账户活动事实表提供账户在特定期间内的活动摘要。例如，在月度快照中，每个账户都有一个记录，其中包含该月的所有活动。 维护策略 周期快照事实表通过一次性加载所有记录进行维护，并在当前紧迫滚动周期内进行增量更新。这确保了在整个历史周期内始终提供最新数据。 加载特性 周期快照事实表与事务粒度表具有相似的加载特性。在数据仓库加载过程中，所有记录将在每个周期性加载中按最近时间分区进行分组。

以数据使用和更好的架构设计为重点，借助 MongoDB Packt 2015，优化 MongoDB 数据建模。

创建数据库与模型：建立数据架构的基础。 创建表、表空间、序列：定义数据存储结构。 创建用户：管理数据库访问权限。 设置关系：建立表之间的关联。 生成数据库脚本：将模型转换为可执行代码。 连接数据库：与外部数据库建立通信。 反向工程：从现有数据库生成模型。 修改数据模型：调整数据结构。 更新数据库：将模型更改同步到数据库。 生成数据字典：记录数据库元数据。 生成测试数据：填充数据库以进行测试。 配置数据源：连接到不同类型的数据源。

提升建模技术利用随机科学控制方法，不仅能评估行为效果，还能建立预测模型，预测行为的增量响应。这种数据挖掘技术主要应用于金融服务、电信和零售直销行业，用于增加销售、交叉销售、减少客户流失。传统的倾向模型和响应模型只是对目标用户进行评分，而没有确保模型的结果能够最大化活动效果。因此，需要另一种统计模型来确定哪些用户可能对营销推广活动产生显著反应，即“敏感于营销”的用户。提升建模技术的最终目标是识别最可能受到营销活动影响的用户，以提升活动的效果（r(test)- r(control)），增加投资回报率（ROI），提高整体市场响应率。

实体关系建模（ER图）是数据库设计的关键技术之一。

图5.5处理精确时间度量的事实表设计与日期维表不同，通常少有对分秒的描述。如果企业有定义明确时间片的属性（如轮班时间、广告时间等），可将这些属性定义为对午夜时点的偏移量。若粒度为分钟，则每日时间维度将产生1440条记录；若粒度为秒，则会有86400条记录。此时可采用之前描述的SQL日期时间戳设计。6.6大维度数据仓库中最有趣的维度包括客户、产品等，大企业客户维度通常有上百万记录，每条记录有上百个字段。大型个人客户维度则可能超过千万条记录，字段数多数时候较少。大维度通常由多个数据源衍生，企业中客户可来自多个账户管理系统，如银行中客户可能来自抵押、信用卡、支票和储蓄等多个业务部门。银行若欲创建所有部门客户维表，则需对这些独立客户列表进行剔重、规范化和合并，步骤见图5.6。