這個看起來很簡單，但是怎麼讓實際出貨量與客戶預測量發生關系呢？客戶預測量是否也要建一個表？公司調整好的預測也要紀錄下來，是否也要建一個表，還是和客戶預測量放一起？數據如何加進系統去，手工添加還是寫代碼？

根據現在它們使用的報表，只需要細分到月即可。但是如果以後它們有其它要求，是否該留一定的余地？

在日常生活中，我们要使用大量的应用程序来生成新的数据、变更数据、删除数据，当然在大多数的情况下我们还要查阅和分析数据。就来想象一个收发 email 的简单应用程序吧。我们已经存储了地址信息，可能还存储了一些文档。我们可以决定是否存储已经发送过的邮件，但是也可能隔一段时间后将其删除，或者删除已经发送过的所有邮件。那么我们该如何处理一段时间以前删除或者修改过的地址呢？我们再也不会看到它们了。

Email 程序大部分都属于不是很复杂的数据库，但是完全可以将其看作一个在单用户环境下的 OLTP（在线事务处理系统）简单示例。它使用了所有的所谓访问数据的操作 CRUD（创建、读取、更新、删除）。当数据存储达到一定量的时候，规模就会几乎保持不变，因为可以从存储中删除过期数据。

数据仓库就完全是一种不同种类的应用程序。它并不是用来运行当前的操作，例如发送邮件。它是用来分析数据并且从现有数据中发现新的价值，主要是用来预测未来的情况。数据仓库并不是解决所有问题的通用结构。它必须集中于某一问题领域，例如航空服务、顾客收益等。

数据仓库也有有趣的一面，那就是数据库本身是稳定增长的。数据没有被删除，也不发生变更。我们不需要将冗余数据置于数据库之外（因为加入仓库中的数据经过了数据净化的过程，该过程检查了数据的正确性）来减少复杂性同时增强读取操作的性能。

为了能够对数据仓库中的数据进行分析，数据存储于一个多维结构中，叫做星型模式。如果将星型模式扩展，就会得到雪花模式。本白皮书将会阐述如何使用IBM Rational Rose进行星型模式建模和雪花模式建模。

在OLAP中，一个分析主题的数据通常存放在多维数据库中或是星型模式的事实表中。特别是在多维数据库中，并且提供切片、钻取、旋转等功能，可以形象地看作成是一个立方体（当然，这个分析主题并不仅仅限于三维的立方），开始cube常用于MOLAP语境中，指一个分析主题。当然逐渐地，现在也可以指ROLAP中星型模式。

OLAP

在线分析处理，从若干维度观察度量的技术。 OnLine Analytic Processing的缩写。

分类

一般可以分成：

• MOLAP:使用独立的多维存储技术，可以想象成数据存储在一个多维的数组当中，此数组的索引也就是OLAP的维度元素，而数组中每个单元格，存储的就是度量值。
• ROLAP:使用基于关系数据库的存储技术，一般建立在星型模式或雪花模式的关系结构上，建立OLAP元数据，诸如维表、事实表、聚集表等。
• HOLAP:MOLAP和ROLAP的杂种。

MOLAP

    主题包括两方面的内容:

    主题的固有信息是对该主题的属性的描述信息，如商品的颜色、类别、产地、类型等；主题的业务信息是对该主题在各类业务中的流动信息的描述，如商品的销售信息、商品的员工信息等。面向主题的数据组织是将原来的按应用进行组织的关系模式重新以面向主题的方式加以改造，是按照确定的主题及其模式，从面向应用的各子系统中抽取出相应的数据，形成关于该主题的全局一致的企业模式和信息集合，以便在此基础分析该主题的相关信息，从面向主题的角度观察原有的数据。在信息集成中，主题通常由一组关系表实现。

    目前，有两种不同的数据建模方法可以满足信息集成数据建模的需要实体关系模型、维度建模、ERM建模由于ERM可用于理解和简化商业领域和复杂系统环境中的模糊数据关系，因此它是一种抽取工具。图1显示了一个简单的ERM。ERM建模方法可使用以下两个基本概念产生特定兴趣领域的数据模型：

    实体

    实体之间的关系
    实体可定义为人、地点、事情，以及商业或组织的相关事件，例如“产品”，如图1所示。实体代表一类对象，它们是现实世界中可以按属性和特征进行观察和分类的一些事物。

    关系描述模型中各实体之间的结构性交互和关联显示了实体间的相关性。例如，图1中，箭头从“产品”指向“订单”。箭头每一端的数字定义了关系的基数，本例中为1对n（或1对多）。

    另外信息集成中的数据建模通常采用3NF模型。因为这类模型最初是为最小化数据冗余而设计的，该模型在值发生改变时，可使数据库中的更新数量达到最小，这对降低维护复杂度是非常有价值的。

    维度建模
    维度建模是一种将数据模型概念化和形象化为一组可用一般商业概念描述的度量的技术。在总结和重新整理数据以及显示数据视图以支持数据分析时，该技术特别有用。维度建模主要处理数字数据，比如值、计数、重量和出现次数。维度模型包含的基本概念有：

    事实维度
    度量（变量）
    事实是相关数据项的集合，包含度量和环境数据。每个事实一般代表商业项、商业事物或可以在商业或商业过程分析中使用的事件。

    维度是从特定角度描述事实数据的一组成员或单位。在图表中，维度通常是用轴来表示的。在维度模型中，事实表中的每个数据点都与多维中每个维度的一个成员相关联。维度决定了事实的环境背景。

    度量是事实的数字属性，表示商业相对于维度的性能和行为。其实际成员称为变量。例如，度量为销售额、销售量、供应量等等。度量由维度的成员组合来决定，并定位到事实中。

    维度建模的基本模型为如图2所示的星型模型。该模型通常有一个较大的中央表（事实表）和一组以放射状围绕在事实表周围的较小的表（维度表）。

    确定建模技术
    根据作者的经验，在选择建模技术时，采用混合的方法比采用单纯的方法更好。如果使用得当，这两种方法都有好处这两种数据建模技术看上去有很大的不同，但它们也有很多相似之处。维度建模可以使用相同的符号，比如实体、关系、属性和主关键字。而且，通常可以说事实就是一个实体，其主关键字为外关键字的组合，而外关键字又引用维度。

    因此，可以说维度建模是ERM建模的一种特殊形式。但是，传统的ERM通过实体间复杂的关系来表现模型中的复杂关系，而维度模型主要面向分析优先使用哪种技术取决于目标数据库的目的，如果目标数据库用作单纯的业务处理，则优先使用ERM技术。在业务处理中，我们通常只是对非常特殊的任务（这些任务一般由ERM的实体来表示）请求少量数据，并且需要来自源系统的非常快的数据。

    由于ERM中没有冗余数据或只有少量的冗余数据，因此可以从源系统或通过应用程序非常快地进行更新。能够快速更新的另一个原因是现有系统通常也是使用ERM设计的。因此在更新过程中的转换需要可能会非常小。

    如果目标数据库更多地用作数据访问系统，那么就优先使用维度建模方法。在这种情况下，在更新数据的过程中，可进行许多转换，并可安排数据以满足数据访问应用程序的需要。虽然这也意味着更高的数据冗余，但也可使用于分析的复杂查询更快速地进行。

    以下是某烟厂的信息集成建模实例，维度建模的数据组织方式如图3所示：

    由图3可知，数据的组织方法是：

    1.按照生产单位，把制丝部分的数据分成机台、工序、生产线、班组、车间、全厂。卷接包部分分成机台、系统、区域、班组、车间、全厂。

    2.在每个生产单位的类别下，按照时间，分成批、班次、日、月、年。

    3.每个时间段内分别以计划调度类、产量统计类、设备管理类、物耗管理类、烟叶单耗类、工艺质量类等类别来组织数据。

    4.特定数据按照烟号、牌号进行细分。运用多维的方法分析数据，为逻辑模型设计时采用各种结构建立多维数据库提供了方便，比如采用关系型或雪花型等等。

----面向数据的建模方法把模型的输入输出看成是最为重要的，因此，首先定义的是数据结构，而过程模块是从数据结构中导出的，即功能跟随数据。最有影响的面向数据的设计方法是Jackson设计法。

----面向信息的建模方法与面向数据建模方法的区别就是信息和数据的区别。信息和数据都是信息系统中最基本的术语，数据是指记载下来的事实，是客观实体属性的值，而信息是构成一定含义的一组数据。面向信息建模方法是从整个系统的逻辑数据模型开始的，通过一个全局信息需求视图来说明系统中所有基本数据实体及其相互关系，然后，在此基础上逐步构造整个模型，信息模型记录系统运作所需的信息实体，如：人员，地点，事物，观念等，为分析现行系统提供信息的图形化表示。数据建模的目的是设计和实现满足系统信息需求的数据库结构，即数据建模支持系统设计。

----决策支持系统由数据库、模型库和各自的管理系统组成。决策支持系统模型需要反映的问题是系统的决策制订原则和机理、系统的组织机构和人员配置。通过对决策系统的建模，企业的领导可以对企业有一个细致的了解，从而发现其中问题。如组织结构臃肿，职权划分不清，权力范围不合理等，据此进行相应的改革。比较成熟的决策支持系统建模方法有Petri网和GRAI法。

----面向对象的分析方法是利用面向对象的信息建模概念，如实体、关系、属性等，同时运用封装、继承、多态等机制来构造模拟现实系统的方法。传统的结构化设计方法的基本点是面向过程，系统被分解成若干个过程。而面向对象的方法是采用构造模型的观点，在系统的开发过程中，各个步骤的共同的目标是建造一个问题域的模型。在面向对象的设计中，初始元素是对象，然后将具有共同特征的对象归纳成类，组织类之间的等级关系，构造类库。在应用时，在类库中选择相应的类。

最近逛书店发现一本数据建模的好书——《数据建模：分析与设计的工具和技巧》(Data Modeler's Workbench：Tools and Techniques for Analysis and Design)，作者Steve Hoberman。粗读完一遍后，感觉这本书的确无愧于译者和国外专家们的盛赞：“这本书充满了对改进数据模型和设计有益的技术和技巧，并且它还极富阅读乐趣——一个了不起的结合！任何一个数据建模者都应该拥有一本Steve Hoberman的关于数据建模工具和技术的书。”

　　尽管我对自己所掌握的数据建模知识有一定的自负，读完该书后，还是获益良多。本着好书大家一起分享的想法，我把该书的每个章节的总结和技巧建议列出来，以方便手头暂时没有该书的朋友在数据建模时参考。该书所介绍的工具和模版可在作者的Web站点下载，地址是：
　　www.wiley.com/compbooks/hoberman