数据仓库专题(6)-如何构建主题域模型原则之站在巨人的肩上(二)NCR FS-LDM主题域模型划分
一、前言
分布式数据仓库模型的架构设计,受分布式技术的影响,很多有自己特色的地方,但是在概念模型和逻辑模型设计方面,还是有很多可以从传统数据仓库模型进行借鉴的地方。NCR FS-LDM数据模型是金融行业事实上的工业标准。也是各行业数据仓库模型的基础和蓝本。本文以NCR FS-LDM10.0版本为基础,介绍NCR FS-LDM主题域模型的划分和定义。
二、模型结构
三、概念定义
FS-LDM十大主题域概念定义如下表所示:
英文名称 |
中文名称 |
概念定义 |
Party |
当事人 |
指银行所服务的任意对象和感兴趣进行分析的各种对象。如个人或公司客户、潜在客户、代理机构、雇员、分行、部门等。 |
Internal Org |
内部组织 |
可能是银行内部的组织机构(如分行、支行、网点、部门等),也可能是任何一个法人机构当事人的内部组织,严格意义上这些也是一种特殊的PARY。 |
Agreement |
协议 |
是金融机构与当事人之间针对某种特定产品或服务而签立的契约关系,它可以是多样化的,如帐户、客户和银行签订的合同等。当金融机构与客户之间针对某种产品或服务的条款和条件达成协议时,一个协议(AGREEMENT)就会被开立,因此协议是客户和银行往来的重要载体。 |
Asset |
资产 |
可能采集到的客户的资产(负债)信息,也包括银行向外租赁的资产信息。这些信息的来源很多情况下是在客户申请贷款时所提供的各种担保品信息、抵质押品信息等。 |
Product |
产品 |
指为拓展市场占有率,满足客户更广泛需求而制定的可营销的交易品种的集合,产品是金融机构向用户销售的或提供给客户所使用的服务。 |
英文名称 |
中文名称 |
概念定义 |
Location |
地域 |
是希望观察和分析的任何区域,既包括传统类型的地址信息(如国家、地区、城市、区县、街道等),又包括如电话信息、邮箱、黄页等电子地址信息。 |
Event |
事件 |
是一个范围很广义的概念,可以记录各种与银行相关的活动的详细情况。既可以与资金相关,也可以与资金无关;既可以有客户参与,也可以没有客户参与;既可以与帐户相关,也可以与帐户无关;可以由客户发起,也可以由银行发起。 |
Campaign |
营销活动 |
记录针对客户所做的宣传、促销等活动的相关信息,是为了获取、维护、增强金融机构与客户的关系而开展的,其目的可能是为推广某些产品,也可能是为了树立市场形象。 |
Finance |
财务 |
主要包括银行的总帐信息,是描述科目组织、控制、内部核算等银行核心科目帐务以及预算管理有关的内容。该主题抽象地描述了银行内部帐务的组织模式,能够适应不同的科目组织体系。 |
Channel |
渠道 |
描述的是当各种事件发生时,当事双方(主要是指客户和银行)进行交互和接触的手段及方法,通过它客户与银行进行接触、购买产品、使用服务并交流信息。 |
数据仓库专题(6)-如何构建主题域模型原则之站在巨人的肩上(二)NCR FS-LDM主题域模型划分相关推荐
- 数据仓库的模型设计 A. 数据建模方法论 数据仓库模型设计遵循“自顶向下、逐步求精”的设计原则。 模型设计分为三个阶段: 1,概念模型 对业务的范围和使用,从高度上进行抽象概括,也就是划分主题域。 一
感谢分享!http://blog.itpub.net/23659908/viewspace-1118762/ 数据仓库的模型设计 A. 数据建模方法论 数据仓库模型设计遵循"自顶向下.逐步求 ...
- R语言使用lm构建线性回归模型、并将目标变量对数化(log10)实战:可视化模型预测输出与实际值对比图、可视化模型的残差、模型预测中系统误差的一个例子 、自定义函数计算R方指标和均方根误差RMSE
R语言使用lm构建线性回归模型.并将目标变量对数化(log10)实战:可视化模型预测输出与实际值对比图.可视化模型的残差.模型预测中系统误差的一个例子 .自定义函数计算R方指标和均方根误差RMSE 目 ...
- sklearn使用投票器VotingClassifier算法构建多模型融合的软投票器分类器(soft voting)并计算融合模型的混淆矩阵、可视化混淆矩阵(confusion matrix)
sklearn使用投票器VotingClassifier算法构建多模型融合的软投票器分类器(soft voting)并计算融合模型的混淆矩阵.可视化混淆矩阵(confusion matrix) 目录
- sklearn使用投票器VotingClassifier算法构建多模型融合的硬投票器分类器(hard voting)并计算融合模型的混淆矩阵、可视化混淆矩阵(confusion matrix)
sklearn使用投票器VotingClassifier算法构建多模型融合的硬投票器分类器(hard voting)并计算融合模型的混淆矩阵.可视化混淆矩阵(confusion matrix) 目录
- R语言使用lm构建线性回归模型、并将目标变量对数化实战:模型训练集和测试集的残差总结信息(residiual summary)、模型训练(测试)集自由度计算、模型训练(测试)集残差标准误计算
R语言使用lm构建线性回归模型.并将目标变量对数化实战:模型训练集和测试集的残差总结信息(residiual summary).模型训练(测试)集自由度计算.模型训练(测试)集残差标准误计算(Resi ...
- R语言构建xgboost文本分类模型(bag of words):xgb.cv函数交叉验证确定xgboost模型的最优子树个数、交叉验证获取最优子树之后构建最优xgboost模型并评估模型文本分类效能
R语言构建xgboost文本分类模型(bag of words):xgb.cv函数交叉验证确定xgboost模型的最优子树个数.交叉验证获取最优子树之后构建最优xgboost模型并评估模型文本分类效能 ...
- R语言构建xgboost模型:xgb.cv函数交叉验证确定模型的最优子树个数(可视化交叉验证对数损失函数与xgboost模型子树个数的关系)、交叉验证获取最优子树之后构建最优xgboost模型
R语言构建xgboost模型:xgb.cv函数交叉验证确定模型的最优子树个数(可视化交叉验证对数损失函数与xgboost模型子树个数的关系).交叉验证获取最优子树之后构建最优xgboost模型 目录
- R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释:基于训练数据以及模型构建LIME解释器解释多个iris数据样本的预测结果、使用LIME解释器进行模型预测结果解释
R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释:基于训练数据以及模型构建LIME解释器解释多个iris数据样本的预测结果.使用LIME解释器进行模型预测结果解释并可 ...
- 数据仓库专题(2)-Kimball维度建模四步骤
一.前言 四步过程维度建模由Kimball提出,可以做为业务梳理.数据梳理后进行多维数据模型设计的指导流程,但是不能作为数据仓库系统建设的指导流程.本文就相关流程及核心问题进行解读. 二.数据仓库建设 ...
最新文章
- linux文件系统中文件基本权限,Linux文件权限基本属性图文详解
- Linux下利用backtrace追踪函数调用堆栈以及定位段错误
- c语言用数组实现栈的插入,用数组实现栈的功能的C语言代码?
- MFC中对话框的操作
- nginx ngx_http_proxy_module(反向代理)
- windows下的Redis安装:
- 类垂直站点插件实现与分享
- python对电影进行预测评分_TMDb电影数据分析 电影评分预测
- 焓湿图软件 android,焓湿图查询计算软件
- html制作简历供人填写,求职简历制作个人定制代写
- 2021-06-16 srm平台电子化采购的优势
- C语言-输出几个数的最大数
- 墙面有几种装修方法_外墙有几种装修方法
- linux 光盘刻录命令,linux 刻录光盘 命令 cdrecord
- 达梦|我和达梦不打不相识的故事
- 入职快手半年工作小结
- eclipse的jar包在Linux中报错
- 清明节主题PPT模板
- Python 操作 Excel,如何又快又好?
- 制作画中画视频的方法分享