|
现实中我们经常听到各种各样的模型，比如数学模型、算法模型、数据模型等等，还有最近大火的AI大模型。
甚至，领导们也会经常说：你们建个模型测算一下呀~
似乎听起来只要能跟模型产生联系，就会给人一种高大上、专业的感觉。
那么究竟什么是【模型】呢？
模型是对现实客观事物的一种抽象表示，可以是虚拟的描述，也可以是实体模型。比如售楼处的沙盘，就是模型的一种。
那什么是【数据模型】呢？
数据模型是通过数据、数据关系和数据属性对现实世界、业务逻辑进行抽象和简化描述，它用于理解、表示和组织数据元素，是现实世界、业务逻辑在数据层面的投影。有助于揭示业务现象背后的规律，还可以帮助预测未来趋势和做出决策。
学习数据模型，需要了解一些基本概念，包括但不限于如下这些：
1.实体（Entity）
现实世界中的具体对象、事物或概念，可以是人、物、事件等。在数据模型中，实体用于表示数据的基本单位。
2.属性（Attribute）：
实体具有的特征或性质，用于描述实体的特征。例如，对于一个“学生”实体，其属性可以是姓名、年龄、性别等。
3.关系（Relationship）：
实体之间的联系或连接，描述实体之间的相关性和依赖关系。例如，一个“学生”实体和一个“课程”实体之间存在关系，表示学生选修了某门课程。
两个不同实体集之间存在以下3种关系类型。
一对一（1 : 1），指实体集a中的一个实体最多只与实体集b中的一个实体相联系。
一对多（1 : N），指实体集a中的一个实体可与实体集b中的多个实体相联系。
多对多（N : N），指实体集a中的多个实体可与实体集b中的多个实体相联系。
4.实体关系图（Entity-Relationship Diagram，ERD）：
基于实体和关系构建的图形表示，用于可视化数据模型的结构。ERD通过图形符号表示实体、属性和关系之间的联系。
5.主键（Primary Key）：
实体中用于唯一标识每个实体实例的属性或属性组合。主键用于确保实体实例之间的唯一性。
6.外键（Foreign Key）：
表示实体之间的关联关系，指向另一个实体的主键。外键用于建立表与表之间的关联，实现数据的一致性和完整性。
7.范式（Normalization）：
数据库设计中的一种规范化过程，用于确保数据的高效性和可靠性。范式通过分解数据，消除冗余和数据依赖，提高数据库的性能和可维护性。
Part.02 常见数据建模方法
1.关系型数据模型：
关系型数据模型是最常见和广泛使用的数据模型之一。它将数据组织成二维表格形式，其中表格由行和列组成，行表示数据的记录，列表示记录中的属性。关系型数据模型使用关系（Relationship）来描述不同表之间的联系和依赖关系，通过主键（Primary Key）和外键（Foreign Key）来建立表与表之间的关联。关系型数据库常见的代表是SQL（Structured Query Language）数据库，如MySQL和Oracle。
2.实体-关系模型：
实体-关系模型是一种基于实体（Entity）和关系（Relationship）的数据模型。它通过实体描述真实世界的对象或概念，用属性（Attribute）描述实体的特征，通过关系描述实体之间的关联。实体-关系模型以ER图（Entity-Relationship Diagram）的形式可视化，使用图形符号表示实体、属性和关系之间的联系。ER模型的关键概念包括实体、属性、关系、主键和外键，这些概念用于描述和建模数据之间的逻辑关系。
3.维度建模：
是数据仓库大师Ralph Kimball提出的一种用于数据仓库（Data Warehouse）的建模技术。用于设计数据仓库（Data Warehouse）和商业智能（Business Intelligence）系统。它以事实表（Fact Table）和维度表（Dimension Table）为中心，用于分析和报告业务指标。
在维度建模中，事实表包含事实（Facts）和度量（Measures），描述业务事实的数值或数量。维度表包含描述事实的上下文信息，如时间维度、产品维度、地理位置维度等，用于为事实提供详细的分析维度。维度建模通过将数据转化为多维结构，提供了更强大和灵活的分析能力，以支持数据分析和决策支持。
在BI里面，常用维度建模。在将业务需求和数据转化为合适的数据模型时，通常有以下流程：
1.定义业务需求：
了解业务需求是维度建模的第一步。通过和业务相关的人员交流，澄清需求、目标和数据要求。这样能够更好地把握数据建模的方向和重点。
2.定义维度和度量：
通过业务需求确定需要的维度和度量。维度可以是时间、产品、客户等描述业务特征的数据，而度量是需要分析和决策的业务指标或数据值，如销售额、订单数量等。
3.设计事实表（Fact Table）：
事实表是维度建模中最核心的数据结构之一。它通过与多个维度表（Dimension Tables）进行关联建立起来，并存储度量信息。事实表常常是按照业务事件或时间周期进行组织，如销售事实表、订单事实表等。
4.设计维度表（Dimension Tables）：
维度表是描述维度数据的数据结构，与事实表进行关联。在设计维度表时需要确定维度的层次结构、属性、关系等信息。常见的维度包括时间维度、产品维度、客户维度等。
5.建立模型：
在此步骤中，建立维度表和事实表之间的逻辑关系，创建完整的维度模型。在维度模型中，事实表是一个中心的数据集合，与多个维度表之间形成关联。
星型模式（Star Schema）和雪花模式（Snowflake Schema）：
星型模式是维度建模中最常用的数据结构之一，它采用了一个中心的事实表（Fact Table）与多个维度表（Dimension Tables）的关联结构，形成一个类似星星的图形。模式简单、易于理解和使用，适用于大多数数据分析场景。
而雪花模式是星型模式的扩展，它在维度表之间建立了更多的关联关系，形成像雪花一样的图形。雪花模式用于复杂的维度结构，能够提供更精细的维度分析能力。
6.优化性能：
优化性能是维度建模流程的最后一步。在此步骤中进行模型优化、索引优化、数据加载和更新等工作，以提高查询性能、系统效率，提升用户体验。
文末彩蛋
本篇纯理论，可能略显晦涩，但这是理解数据模型的基础~
读到这里的同学，私信我，送199元课程优惠券，免费学习~
限3张哈~
| 
