‘壹’ 数据仓库数据建模的几种思路
数据仓库数据建模的几种思路主要分为一下几种
1. 星型模式
星形模式(Star Schema)是最常用的维度建模方式。星型模式是以事实表为中心，所有的维度表直接连接在事实表上，像星星一样。星形模式的维度建模由一个事实表和一组维表成，且具有以下特点：a. 维表只和事实表关联，维表之间没有关联；b. 每个维表主键为单列，且该主键放置在事实表中，作为两边连接的外键；c. 以事实表为核心，维表围绕核心呈星形分布；
星座模型
‘贰’ 数字媒体数据的建模方法主要有哪三种,简述之
一般一种数据库对应一种数据模型，所以正确的提法是：数据库中数据模型主要有哪些模型吧？
我猜你是接下来要考《数据库概论》吧，呵呵！以我的经验来看，数据库考的话，这类问题顶多出个选择题或者填空题，就算考“这些模型的特点是什么？”也应该不会是简答题，考你些干条条，毕竟“数据库”不是‘大学思想政治课’。
这应该是《数据库概论（第四版）》中第一章绪论里面的知识，绪论算是基础篇里的概论，应该说都是些前导概念吧，这些概念的实际应用是在后续章节中展开的，所以这些了解了解就可以了。
‘叁’ 数据建模中比较常用的工具有哪些
随着科技的日新月异，人们对数据的依赖稳步上升中，尤其在商业等领域，对于企业而言正确且连贯的数据流，是他们做出快速、精准的决策的重要依据之一。因此，建立正确的数据流和数据结构才能保证最好的结果，这个过程就是大家耳闻能详的数据建模。
下面为大家推荐一些数据建模中常见的几种工具。
1、SQL数据库建模器
该软件使企业可以参与逆向工程和正向工程。利用已经存在的数据库并完善它们。然后，使用正向工程技术来了解它们如何随时间的推移而增长。该平台的更多独特功能包括创建多个主题区域的能力以及非常友好的用户界面。使用此工具的一些企业包括福特、联想、Wayfair和德勤等公司。
2、PowerDesigner
PowerDesigner是目前数据建模业界的领头羊。功能包括：完整的集成模型，和面向包含IT为中心的、非IT为中心的差异化建模诉求。支持非常强大的元数据信息库和各种不同格式的输出。PowerDesigner拥有一个优雅且人性化的界面，非常易懂的帮助文档，快速帮助用户解决专业问题。
3、CA ERwin
ERwin 也是业界领先的数据建模解决方案，能够为用户提供一个简单而优雅的界面同时处理复杂的数据环境问题。Erwin的解决方案提提供敏捷模型，同时元数据可以放在普通的数据库中进行处理，这样就能够保证数据的一致性和安全性。Erwin支持高度自定义的数据类型、APIs，允许自动执行宏语言等等。Erwin还建有一个很活跃的用户讨论社区，使得用户之间可以分享知识和各种经验。
4、SQL Power Architect
SQL Power Architect 是一个Java开发的数据库建模工具，特别适合做数据仓库和数据集市的应用建模，它允许设计人员同时打开多个数据源连接，并直接从数据库中获取模型定义。
5、dbdiagram.io
dbdiagram.io是一个快速上手的数据库设计器，专注于绘制数据库关系图，专为开发人员，DBA，数据分析师而设计，在线保存和共享图表可帮助您使用其自己的特定于域的语言（DSL：Domain-specific language）绘制数据库图。它们的定义语言非常简单，使用键盘即可轻松进行编辑/复制，UI简洁，并包含有漂亮的图表。
为了避免错误并加快进度，建议大家可以使用这些更加专业的工具（软件），来帮助我们建立数据模型，且能够更快捷的生成报告来描述这个数据模型，为大家带来实利。
‘肆’ 如何进行数据建模
如何进行数据建模
正确完成建模
在过去的几十年里，数据建模的努力通常集中在关系数据建模或可扩展标记语言(XML)的建模上。只要数据存储在关系数据库中，关系数据建模就会很好，但除此之外，它很少会有其他的用途。而且XML也不能被可靠地称为建模语言。XML是序列化数据的规范--即定义了如何将数据写入文件。XML为构造数据的序列化提供了一种格式，但它不是一个真正的模型。
我所说的“模型”指的是以数学为基础的形式规范。实际上，这意味着是可以使用形式化方法进行验证的东西。通俗地说，这意味着我们可以用数学运算来证明它是正确的，并且我们可以使验证过程自动化。而在XML模式中捕获数据不符合此定义下的模型。但可以肯定的是，我们可以使用软件来验证该XML格式是否良好，是否符合一些XML模式的文档。但这还不足以真正地对数据进行建模。
无论是计算机还是人，如果不同时理解数据的语法(结构)和语义(含义)，就无法理解数据。XML可以捕获语法，但它不能天生捕获语义。语义可以用XML格式编写，但是这些语义必须首先在一些更正式的建模方案中被捕获。换句话说，企业需要一个正式的本体。这种建模方案大多基于形式逻辑，通常是公共逻辑或描述逻辑。
迄今为止，最常用的语义建模语言是基于描述逻辑的网络本体语言(OWL)。这意味着我们不仅可以正式验证模型及其包含的数据，还可以通过对数据的推理来推断新的事实，并且我们可以证明这些推断的正确性。因为OWL是本体建模的事实上的标准，所以我将把剩下的内容限制在OWL上。
但是等等!所有这些都不意味着你需要将你的数据存储为OWL。在你过于担心如何将存储格式强加给不情愿的开发人员之前，先听我说完。
‘伍’ 数据建模的分析方法有哪些并写出他们的大概介绍
从目前的数据库及数据仓库建模方法来说，主要分为四类。
第一类是大家最为熟悉的关系数据库的三范式建模，通常我们将三范式建模方法用于建立各种操作型数据库系统。
第二类是Inmon提倡的三范式数据仓库建模，它和操作型数据库系统的三范式建模在侧重点上有些不同。Inmon的数据仓库建模方法分为三层，第一层是实体关系层，也即企业的业务数据模型层，在这一层上和企业的操作型数据库系统建模方法是相同的；第二层是数据项集层，在这一层的建模方法根据数据的产生频率及访问频率等因素与企业的操作型数据库系统的建模方法产生了不同；第三层物理层是第二层的具体实现。
第三类是Kimball提倡的数据仓库的维度建模，我们一般也称之为星型结构建模，有时也加入一些雪花模型在里面。维度建模是一种面向用户需求的、容易理解的、访问效率高的建模方法，也是笔者比较喜欢的一种建模方式。
第四类是更为灵活的一种建模方式，通常用于后台的数据准备区，建模的方式不拘一格，以能满足需要为目的，建好的表不对用户提供接口，多为临时表。
下面简单谈谈第四类建模方法的一些的经验。
数据准备区有一个最大的特点，就是不会直接面对用户，所以对数据准备区中的表进行操作的人只有ETL工程师。ETL工程师可以自己来决定表中数据的范围和数据的生命周期。下面举两个例子：
1）数据范围小的临时表
当需要整合或清洗的数据量过大时，我们可以建立同样结构的临时表，在临时表中只保留我们需要处理的部分数据。这样，不论是更新还是对表中某些项的计算都会效率提高很多。处理好的数据发送入准备加载到数据仓库中的表中，最后一次性加载入数据仓库。
2）带有冗余字段的临时表
由于数据准备区中的表只有自己使用，所以建立冗余字段可以起到很好的作用而不用承担风险。
举例来说，笔者在项目中曾遇到这样的需求，客户表{客户ID，客户净扣值}，债项表{债项ID，客户ID，债项余额，债项净扣值}，即客户和债项是一对多的关系。其中，客户净扣值和债项余额已知，需要计算债项净扣值。计算的规则是按债项余额的比例分配客户的净扣值。这时，我们可以给两个表增加几个冗余字段，如客户表{客户ID，客户净扣值，客户余额}，债项表{债项ID，客户ID，债项余额，债项净扣值，客户余额，客户净扣值}。这样通过三条SQL就可以直接完成整个计算过程。将债项余额汇总到客户余额，将客户余额和客户净扣值冗余到债项表中，在债项表中通过（债项余额×客户净扣值/客户余额）公式即可直接计算处债项净扣值。
另外还有很多大家可以发挥的建表方式，如不需要主键的临时表等等。总结来说，正因为数据准备区是不对用户提供接口的，所以我们一定要利用好这一点，以给我们的数据处理工作带来最大的便利为目的来进行数据准备区的表设计。
‘陆’ 为什么要进行数据建模 如果不定义数据字典
能够促进业务与技术进行有效沟通，形成对主要业务定义和术语的统一认识，具有跨部门、中性的特征，可以表达和涵盖所有的业务。
无论是操作型数据库，还是数据仓库都需要数据模型组织数据构成，指导数据表设计。
数据建模至关重要。数据建模过程需要专业的建模人员，业务人员以及潜在信息系统的用户紧密工作在一起。数据建模是认识数据的过程，数据模型是数据建模的输出模型有很多种，例如企业数据模型，物理模型，逻辑模型，业务模型，数据使用模型等等。
‘柒’ 数据库管理系统常见的数据模型有层次模型，网状模型和什么
数据库管理系统常见的数据模型有层次模型，网状模型和语义模型。
在关系模型基础上增加全新的数据构造器和数据处理原语，用来表达复杂的结构和丰富的语义的一类新的数据模型。
数据库管理系统是一个能够提供数据录入、修改、查询的数据操作软件，具有数据定义、数据操作、数据存储与管理、数据维护、通信等功能，且能够允许多用户使用。另外，数据库管理系统的发展与计算机技术发展密切相关。
为此，若要进一步完善计算机数据库管理系统，技术人员就应当不断创新、改革计算机技术，并不断拓宽计算机数据库管理系统的应用范围，从而真正促进计算机数据库管理系统技术的革新。
(7)数据库建模技术扩展阅读：
数据库管理应尽可能地消除了冗余，但是并没有完全消除，而是控制大量数据库固有的冗余。例如，为了表现数据间的关系，数据项的重复一般是必要的，有时为了提高性能也会重复一些数据项。
通过消除或控制冗余，可降低不一致性产生的危险。如果数据项在数据库中只存储了一次，则任何对该值的更新均只需进行一次，而且新的值立即就被所有用户获得。
如果数据项不只存储了一次，而且系统意识到这点，系统将可以确保该项的所有拷贝都保持一致。不幸的是，许多DBMS都不能自动确保这种类型的一致性。
数据库应该被有权限的用户共享。DBMS的引入使更多的用户可以更方便的共享更多的数据。新的应用程序可以依赖于数据库中已经存在的数据，并且只增加没有存储的数据，而不用重新定义所有的数据需求。
‘捌’ 关于数据库建模，概念模型，逻辑模型，物理模型的区别和转化
最近在进行UML学习过程中，突然忘记了大学时关于数据库理论中概念模型、逻辑模型、物理模型之间的区别。随机复习上网并复习，并在此记录一下，数据库建模是对现实世界进行分析、抽象、并从中找出内在联系，进而确定数据库的结构。
1、概念模型：就是从现实世界到信息世界的第一层抽象，确定领域实体属性关系等，使用E-R图表示，E-R图主要是由实体、属性和联系三个要素构成的。
2、逻辑模型：是将概念模型转化为具体的数据模型的过程，即按照概念结构设计阶段建立的基本E-R图，按选定的管理系统软件支持的数据模型（层次、网状、
关系、面向对象），转换成相应的逻辑模型。这种转换要符合关系数据模型的原则。目前最流行就是关系模型（也就是对应的关系数据库）
E-R图向关系模型的转换是要解决如何将实体和实体间的联系转换为关系，并确定这些关系的属性和码。这种转换一般按下面的原则进行：
（1）一个实体转换为一个关系，实体的属性就是关系的属性，实体的码就是关系的码。
（2）一个联系也转换为一个关系，联系的属性及联系所连接的实体的码都转换为关系的属性，但是关系的码会根据联系的类型变化，如果是：
1：1联系，两端实体的码都成为关系的候选码。
1：n联系，n端实体的码成为关系的码。
m：n联系，两端实体码的组合成为关系的码。
3、物理模型就是根据逻辑模型对应到具体的数据模型的机器实现。物理模型是对真实数据库的描述。如关系数据库中的一些对象为表、视图、字段、数据类型、长度、主键、外键、索引、约束、是否可为空、默认值。
‘玖’ 什么是数据建模
数据建模是一个用于定义和分析在组织的信息系统范围内支持商业流程所需的数据要求的过程。简单来说，数据建模是基于对业务数据的理解和数据分析的需要，将各类数据进行整合和关联，使得数据可以最终以可视化的方式呈现，让使用者能够快速地、高效地获取到数据中有价值的信息，从而做出准确有效的决策。
之所以数据建模会变得复杂且难度大，是因为在建模过程中会引入数学公式或模型，用于确定数据实体之间的关联关系。不同的业务逻辑和商业需求需要选择不同的数学公式或模型，而且，一个好的数据模型需要通过多次的测试和优化迭代来完成，这就使得数据建模的难度变得很高。但是，数据分析中的建模并没有想象中的那么高深莫测，人人都可以做出适合自己的模型。
数据建模总归是为了分析数据从而解决商业问题。如下图数据建模的流程图，数据建模核心部分是变量处理和模型搭建。
变量处理
模型搭建
在建模之前，首先要决定选择哪些变量进行建模，主要从业务逻辑和数据逻辑两方面来考虑。业务逻辑需要了解数据来源的背景，通过了解业务知识来判断哪些变量在业务上很有价值的，哪些变量是可以选择的。数据逻辑则是从数据的完整性，集中度，是否与其他变量强相关等角度来考虑。
除了选择变量，对于一些变量的重构也是需要在建模前进行。例如客户的满意度有“满意”“不满意”，可以将其重构成数字“0”和“1”，便于后续建模使用。除此以外，还有将变量单独计算（取平均值）和组合计算（如A*B）也是常用的重构方法，例如，缺失值以数据取平均值的方式替换。
在模型搭建时，会经历选择算法、设定参数、加载算法、测试结果四个过程。在这个过程中，测试结果会引导调整之前设定的参数，加载算法会对应调整之前选择的算法，而选择算法时会考虑到已定的变量，如果变量不满足算法要求，还需回到选择/重构变量，直至得到最合适的模型。
在优化模型的过程中，模型的解释能力和实用性会不断地提升。在结果输出之后，还需接收业务人员的反馈，看看模型是否解决了他们的问题，如果没有，还需进一步修改和调整。
MicroStrategy在数据领域深挖企业需求，经过多年的研究和沉淀，结合众多复杂的应用场景，不断更新体验，深入开发各种数据辅助功能，使客户可以一站式链接各类型数据资源，完成数据导入和数据建模。在MicroStrategy 平台中，既支持传统方式数据建模，即通过Project Schema 来进行建模，又支持自助式数据导入的建模方式。
‘拾’ 常用的输入数据建模方法有哪些他们的应用特点是什么
目前最常用的三种数据模型为层次模型、网状模型和关系模型。
一、层次模型
层次模型将数据组织成一对多关系的结构，层次结构采用关键字来访问其中每一层次的每一部分。
层次模型发展最早，它以树结构为基本结构，典型代表是IMS模型。
优点是存取方便且速度快；结构清晰，容易理解；数据修改和数据库扩展容易实现；检索关键属性十分方便。
二、网状模型
网状模型用连接指令或指针来确定数据间的显式连接关系，是具有多对多类型的数据组织方式。
网状数据模型通过网状结构表示数据间联系，开发较早且有一定优点，目前使用仍较多，典型代表是 DBTG模型。
优点是能明确而方便地表示数据间的复杂关系。