客户关系管理—理论与实践 第四章.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * ER（Entity-relationship）图：实体关系图，也称ERD，出现于20世纪70年代中期，创建者是Perter?Chen博士。ER图概念化地构建实体间关系的模型。ER图的理念是：项目所有参与者都能理解ER图。ER图由不同实体类型、关系、特性和类型构成。实体是诸如用户的实际对象，有时更抽象，但必须有业务意义。特性用于描述实体，关系用于实体之间。ER图的一个问题是没有真正的标准。不过，多数人对ER图的用法差别并不大。 * OLTP vs OLAP OLTP ? 细节的 ? 综合的或派生的 ? 当前的 ? 历史的 ? 可更新 ? 不可更新 ? 需求事先可知道 ? 需求事先不知道 ? 符合系统生命周期 ? 完全不同的生命周期 ? 对性能要求高 ? 对性能要求相对宽松 ? 事务驱动 ? 数据驱动 ? 面向应用 ? 面向分析 ? 一次操作数据量小 ? 一次操作数据量大 ? 支持日常事务 ? 支持管理需求 OLAP OLAP的多维数据概念 多维结构是决策支持的支柱，也是OLAP的核心。OLAP展现在用户面前的是一幅幅多维视图。 维是人们观察问题的特定角度，例如：时间维、地理维、产品维。 假定某某是个百货零售商，有一些因素会影响他的销售业务，如商品、时间、商店或流通渠道，更具体一点，如品牌、月份、地区等。对某一给定的商品，也许他想知道该商品在哪个商店和哪段时间的销售情况。对某一商店，也许他想知道哪个商品在哪段时间的销售情况。在某一时间，也许他想知道哪个商店哪种产品的销售情况。因此，他需要决策支持来帮助制定销售政策。 这里，商店、时间和产品都是维。各个商店的集合是一维，时间的集合是一维，商品的集合是一维。维就是相同类数据的集合，也可以理解为变量。而每个商店、每段时间、每种商品都是某一维的一个成员。每个销售事实由一个特定的商店、特定的时间和特定的商品组成。 OLAP的多维数据概念 维有自己固有的属性，如层次结构（对数据进行聚合分析时要用到）、排序（定义变量时要用到）、计算逻辑（是基于矩阵的算法，可有效地指定规则）。这些属性对进行决策支持是非常有用的。 维层次——人们在观察数据的某个特定角度(即某个维)还可以存在细节程度不同的多个描述方面，我们称这多个描述方面为维的层次。例　时间维：日期，月份，季度，年不同层次。 维成员——维的一个取值成为该维的一个维成员。如果维已经分成了多层次的，则维成员就是不同维层次取值的组合。例如：某公司销售数据在省、市、县，地理维有三个层次，则“山东省日照市五莲县”就构成地理维的一个维成员。维成员并不一定要在维的每一个层次上都取值，例如：山东省，山东省日照市，日照市五莲县都是地理维的维成员。 OLAP的多维数据概念 多维数据集——数据立方体或超立方。多维数据集是决策支持的支柱，也是OLAP的核心。数据仓库的数据队以多位数据的形式存储。多维数据集可以用一个多维数组表示。多维数据集的形式化表示：（维1，维2，．．．，维n，观察变量）。 人们很容易理解一个二维表(如通常的电子表格)，对于三维立方体同样也容易理解。OLAP通常将三维立方体的数据进行切片，显示三维的某一平面。如一个立方体有时间维、商品维、收入维，其图形很容易在屏幕上显示出来并进行切片。 但是要加一维（如加入商店维），则图形很难想象，也不容易在屏幕上画出来。要突破三维的障碍，就必须理解逻辑维和物理维的差异。OLAP的多维分析视图就是冲破了物理的三维概念，采用了旋转、嵌套、切片、钻取和高维可视化技术，在屏幕上展示多维视图的结构，使用户直观地理解、分析数据，进行决策支持。 OLAP的多维数据概念 OLAP的多维数据概念 数据单元。多维数据集的取值称为数据单元。 当在多维数据集的每个维都选中一个维成员以后，这些维成员的组合就惟一确定了观察变量的值。 数据单元也就可以表示为：（维1维成员，维2维成员，维3维成员，观察变量）。 OLAP的多维数据概念