FS-LDM逻辑数据模型开发培训客户化方法论
金融业逻辑数据模型-数仓十大主题-LDM_当事人主题
金融业逻辑数据模型FS-LDM 当事人PARTY主题1 定义/准入原则当事人（Party）是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、同业客户、潜在客户、代理机构、雇员、分行、部门等，一个当事人可以同时是这当中的许多角色。
当事人是一个独立的人或者一组人组成的机构、团体等，可分为个人、机构和家庭，他们是和银行有往来或者出于市场营销、分析管理等各种需要而希望关心和分析的个体或人群。
从数据仓库模型角度考虑，可以包括以下当事人信息：⏹在银行登记注册开立账户的单位/企业客户⏹在银行登记注册开立账户的个人普通客户⏹和银行有业务往来的其他金融机构（如国内同业、海外代理行等）⏹登记注册使用某项特殊服务的客户（如基金注册登记机构、基金交易客户、银行卡特约单位、联名认同单位、电子银行缴费单位/个人、网银集团客户/贵宾企业/商户/学校、航空公司等）⏹机构的内部组织（如分支机构、部门、团队等）⏹机构的员工（如柜员、客户经理等）⏹外部机构提供清单（如人行征信系统、国家统计局等）上银行感兴趣的各种对象⏹为银行提供某项专业服务的当事人（如咨询公司、设备提供商、法律顾问等）2 唯一标识当事人的唯一标识是“当事人编号”，该字段可以直接取自原业务系统中的唯一客户编号（可能需要加工，区分对公、个人和机构等），也可以由数据仓库系统按照一定的规则自行编制一个唯一编号。
3 当事人分类当事人分为个人当事人、机构当事人、家庭三类，机构当事人又分为内部机构和外部机构，外部机构又细分成“商业组织机构（企业）”和“非盈利组织机构（协会）”。
此外，“当事人”实体还可以通过“潜在客户标志”、“提供商标志”等字段实现其他口径不排他的分类。
⏹提供商信息：记录提供商的信息，如法律顾问、咨询家、财务顾问等和银行往来的历史记录等；⏹潜在客户信息：该实体记录银行所感兴趣的各种潜在客户的信息；⏹机构名称历史：记录机构的名称的变更历史，包括过去的、现在的正式名称、简称等。
【工具模型】LD学习发展模型大全
LD学习发展工具模型学习型组织的修炼培训发展模型•学习型组织建设•组织变革推动•能力效能提升•企业文化塑造•领导力发展项目•高潜人才培养项目•专业能力养成项目•新员工培养项目•各类专项培养项目•讲师队伍建设•课程资源开发•HRBI/云平台•LM学习管理平台•KM知识管理平台•部门培训赋能平台等•培训体系规划•培训需求分析•培训方案设计•培训计划制定•培训制度建立•培训BP：需求收集和相应部门等•培训实务：计划、实施、评估等•培训数据：授课记录、学员档案等•培训成本：资产管理、费用报销等•培训文档：服务协议、文件稽核等培训运营管理培训项目管理培训战略培训体系搭建培训平台和资源建设学习发展三支柱模型聚焦问题与经 验沉淀与传播聚焦学习支持 与学习技术& 通用项目交付聚焦学习的 数字化升级自驱动学 习文化职级评审CTL 技术领导者中心岗位画像|标签LDC 学习发展中心KM-C 知识管理中心岗位任务|问题序列HR 招聘与人才盘点学习技 术支持提供岗位 知识图谱数字化学习提供学习支持构建组织学习生态组织学习的目的是达成共同愿景，促进战略目标的实施考核指标：愿景和战略的认知度和接受度学习的结果是组织学习达成的结果考核指标包括知识产权数量的增加、质量的改善、生产效率的提高等组织能力类指标学习的主体人员是企业的利益相关者。
包括管理者、员工、顾客、供应商和经销商、合作伙伴和联盟、社会机构等考核指标包括各类人员在学习型组织中应该担当角色的拟合度学习的过程包括个人、团队、组织学习三个层次和企业文化、组织结构、知识管理保障促进因素考核指标包括两类：①个人、团队、组织学习力指标，②保障促进因素的拟合度Person（人员）Perfoma-nce（结果）Purpose（目的）Process（过程）学习力评估4P模型团队学习组织学习企业文化组织结构知识管理过程评估结果示意图个人学习示例A分公司评估结果B分公司评估结果C分公司评估结果理想学习力表现Purpose（目的）Person（人员）Process（过程）Performance（结果）注：每个维度的分值都有评估标准和含义ALO 模型之培训体系的设计流程市场主管研发主管产品主管运营主管1.识别关键岗位主题专家流程专家课件设计知识迁移※⁂‼⌘市场主管研发主管产品主管运营主管业务需求创新需求发展需求Q1Q2Q3Q42.分析三大需求3.关键问题排序4.组建项目团队5.学习产品设计6.学习产品交付基于用户体验不断迭代更新从用户到用户的设计逻辑基于战略与绩效的培训体系设计价值链人才 测评培训 制度能力 模型职位 晋升教练 体系轮岗 制度课程 体系学习 文化师资 体系ADDIE 教学设计模型（或其他变形模型）课堂培训 教练辅导 行动学习 游戏化学习M-learning 在线直播 培训社群用户（学员）下接绩效上接战略ELN 培训体系建设6A 模型•入职指导•辅导人员•作业流程•作业指导书•资材•制造•直接人员•管理通识•班组长/全才•基层主管•中阶主管•高阶主管•Self-study in e-learningsystem •新专案•品质技能与概念•ISO 训练•TL9000•讲师•OHSAS •ESR 无铅 制程•工业安全•卫生相关WZS Training Architecture新进人 员训练上岗 资格职能 训练管理才 能训练质量 训练其他类ESR讲师 训练赋能业务的企业学习体系构建图紧密结合业务的课程业务绩效项目探索并共创项目03 产品内容04 学习场景工作学习训战 综合•导师•教练05 讲师队伍业务导师专职讲师•课程授课•学习设计•项目资讯06 组织运营学习部门业务部门•赋能•组织驱动•工具方法 •资源保障战略业务问题业务价值链任务图谱知识图谱体系构建知识管理社群学习在线学习•萃取•开发•共创•试点•迭代07 底层方法敏捷共创1.价值定位战略落地 业绩提升 业务产品创新2.构建逻辑业务培训123模型内容 五行静态 学习动态 学习培训关联度•培训内容与日常工作的关联度•学员评价+管理者评价人才供给度•数量+质量•质量考评：三堂会审+时间周期问题解决数•培训多大程度上解决了工 作中的问题•学员评价+管理者评价一些内容，两种形式，三大效果“4C模型理论”提升在线学习效率CLV=f(C ontent.C ontext.C overage)C ulture内容体验运营文化普林斯顿大学的学习过程（Learning Process ）Define My IDEAL Self : My Personal & Professional Aspirations & GoalsWhat strengths must I have to do my job well? What do I want out of work and life?How do I want to be perceived by others? How do I want to act?Who do I want to be?Implement The Learning &Development PlanWith which new skills ，competencies andbehaviors can I experiment or apply and practice ？On what new thoughts and felling should I reflect?Assess or Evaluate My REAL SelfThough Feedback and Self-AssessmentWhat are my strengths?How does my IDEAL self overlap with my REAL self?What does my gaps?Where does my IDEAL self differ from my REAL self?Create An Action Plan For Each CriticalSkill ，competency &Behavior:70%/20%/10% FormulaWhat are my on-the-job experiences? What real task or skill should I work on?What training ,courses or books are available to me?Where does my IDEAL self differ from my REAL self?Prioritize Learning & Development Needs : Build On Strengths , Close GapsWhat are the most critical skills , competencies and behaviors I need to learn and develop ？Cultivating trusted relationshipsThat help , support , encourage each step of your journeySupervisors , peers , mentors , coaches , friends , family70%20%10%基层员工学习体系——三态模型常态 学习动态 学习三态 模型静态 学习基于任务 动态学习常态分享 交流机制基本知识 基本技能静态学习学习精进螺旋模型融通推行能力→善思VS 笃行剖析结构能力→内脑VS 外脑洞察迁移能力→固守VS 发展总结提炼能力→苦干VS巧干观察反思主动实践理论抽象具体经验认识实践新的主动实践积累促进优化受挑战引发凝练验证指导学习科学：学习金字塔听讲（Lecture）阅读（Reading）视、听（Audiovisual）演示10%20%30%50%75%90%学习内容评价留存率5%被动学习主动学习（Demonstration）讨论（Discussion）实践（Practice Doing）教授给他人（T each Others）学习金字塔学科研究理论：戴尔经验之塔&学习金字塔语言符号 视觉符号广播、录音、照片、幻灯片； 电影；电视；参观展览；野外旅行；观摩示范参与演习；设计的经验；有目的的直接经验抽象经验观察经验做的经验戴尔经验之塔学习科学：艾宾浩斯遗忘曲线时间间隔记忆量刚记完100%20分钟后58.2%1小时后44.2%8~9小时后35.8%1天后33.7%2天后27.8%6天后25.4%31天后21.1%58.20%33.70%27.80%25.40%21.10%10.00%0.00%20.00%30.00%50.00%44.20%40.00%35.80%60.00%70.00%510253035记忆保留比率1520时间（天）艾宾浩斯遗忘曲线学习科学：ARCS动机设计模型通过教学设计，围绕四个方面来调动学习者动机A-注意Attention吸引注意力，激发好奇心S-满意Satisfaction适时奖赏，支持满意情绪R-关联Relevance培训内容与学员过去经验关联C-信心Confidence加强交流反馈，维护自信学科研究理论：诺尔斯成人学习理论自我 概念随着个体的不断成熟，其自我概念将从依赖性 向独立性转化经验成人在社会生活中积累的经验，为成人学习提积累供了丰富资源社会 角色成人学习计划、目的、内容、方法等与其社会 角色密切相关学习成熟个体学习目的从为将来工作准备知识向直目的接应用知识转变成人学习者四大突出特征效果 法则学习需要在愉快的环境和氛围中进行练习 法则学习需要通过大量的练习来加深印象联想 法则理论联系实际有利于对认知对象的掌握有备 法则在有需求的时候才选择学习，有一定的目的性成人学习者四大法则学科研究理论：库伯经验学习圈具体经验抽象概括主动实验反思观察行为 改造意识 改造通过体验掌握通过理解掌握调节型学习者（Accomodator ）通常使用具体的思维方式感知信息， 并对信息进行主动加工，会冒险和变换实践方式，具有一定的灵活性聚合型学习者（Converger ）通常使用抽象的思维方式感知信息， 并对信息进行积极的加工，他们在 学习活动中需要关注解决实际问题发散型学习者（Diverger ）通常使用具体的思维方式感知信息， 并对信息进行反思性加工，这类学 习者需要独自从事学习活动同化型学习者（Assimilator ）通常使用抽象的思维方式感知信息， 并对信息作出反思性加工，需要采 用细节性、顺序性的步骤进行思考学科研究理论：麦肯锡721学习法则传统学习项目外部测评外派项目个体学习正式的业绩评估工作轮岗发展规划360度反馈导师制 非正式的辅导和反馈工作轮换的速度角色扮演告诉优点和缺点结构化的职业路径行动学习项目对个人能力发展的有效性对公司的有效性70%岗位学习20%人际学习10%课堂学习业务价值链模型认 知品牌形象 触达品牌宣传门店形象新品展示 媒体助力互 动产品服务 体验引流入店服务体验 商品管理 口碑见证首 单顾客购买 实现需求探询极致服务 顾客购买 售后支持复 购品牌价值 放大会员管理营销推广 增值服务 新品研发忠 诚深度互动 融合专属服务粉丝社群 个人IP 打造 加盟合作客户 旅程业务 价值链创造价值BID 用户需求分析模型业务Business发展Development创新Innovation培训体系设计必须关心用户的三大核心需求业务需求：解决用户目前工作中由于能力瓶颈而带来的工作成功瓶颈； 创新需求：能够创造性地解决问题，让业绩成果“靓点倍出”；发展需求：能够为用户的职位晋升做好储备型培训。
数据模型建设方法及工艺分享
维度建模最简单的描述就是，按照事实表， 维表来构建数据仓库，数据集市。这种数 据模型易于用户理解和数据分析操作，从 数据分析的需求场景出发，重点关注用户 如何快速的完成数据分析需求。最常用的 就是星型模型和雪花模型。
优点： ➢ 宽表设计、关联少、性能高，业务
相对好理解 ➢ 采用字段冗余来换取少关联
缺点： ➢ 需求出发，会造成孤立主题域，数
优点： ➢ 模型稳定性好 ➢ 减少冗余
缺点： ➢ 需要全面了解企业业务和数据； ➢ 实施周期比较长； ➢ 对建模人员要求高，要熟悉所有主
要业务，要有深度的模型功底； ➢ 3NF的建模，虽然冗余低、扩展性
高，但做了拆分，导致业务理解和 使用困难，需要多表关联。
DataVault
维度
DataVault的主要思想。其设计理念是要 满足企业对灵活性、可扩展性、一致性和 对需求的快速适应性等要求。在物理建模 时，混合了包括范式建模和星型模型在内 的建模方法，在范式与宽表间寻找一个平 衡点。
数据模型建设方法及工艺 分享
目录
1
背景知识
2 模型建设方法原则
3
模型建设工艺
4
指标库探讨
数据抽象层次
现实世界
概念模型
Subject, Definition and Scope
逻辑数据模型
Entity, Attribute and Cardinality
物理数据模型
Table, Column and Relationship
据冗余，难以扩展。 ➢ 在构建星型模式之前需要进行数据
预处理，因此导致进行大量数据处 理、统一计算才能形成事实表。 ➢ 当业务发生变化，需要重新进行维 度定义时，需要重新进行维度数据 的预处理。
胖子哥的大数据之路（9）-数据仓库金融行业数据逻辑模型FS-LDM
胖⼦哥的⼤数据之路（9）-数据仓库⾦融⾏业数据逻辑模型FS-LDM引⾔： ⼤数据不是海市蜃楼，万丈⾼楼平地起只是意淫，⼤数据发展还要从点滴做起，基于⼤数据构建国家级、⾏业级数据中⼼的项⽬会越来越多，⼤数据只是技术，⽽⾮解决⽅案，同样⾯临数据组织模式，数据逻辑模式的问题。
它⼭之⽯可以攻⽟，本⽂就数据仓库领域数据逻辑模型建设最负盛名的FS-LDM进⾏介绍，旨在抛砖引⽟，希望能够给⼤家以启迪。
参与交流请加群：347018601⼀、概述（1）什么是LDM 逻辑数据模型LDM是数据仓库的数据建设阶段为解决业务需求⽽定义的数据仓库模型解决⽅案，它是指导数据仓库进⾏数据存放、数据组织、以及如何⽀持应⽤的蓝图，定义需要追踪和管理的各种重要实体、属性、关系。
（2）为什么需要LDM 操作型数据库和数据仓库都需要的数据组织模式； LDM是构建DW的第⼀步，是建⽴BI的基础框架，是提供价值数据分析的重要基础，为复杂的DW系统实施提供了规范和基础结构的蓝图； LDM促进业务部门和IT分析⼈员之间的有效沟通，形成对重要业务定义和术语的统⼀认识。
具备跨部门、中性的特征，能够表达所有的业务；（3）主流LDM有哪些 Teradata FS-LDM(⾦融服务逻辑数据模型)：是预先构建的LDM，利⽤它可以直接开始数据仓库模型设计，它是⼀个成熟的产品； IBM有BDWM(Banking Data Warehouse Model)；⼆、FS-LDM ⾦融11个主题模型1.团体 PARTY是指银⾏作为⼀个⾦融机构所服务的任意对象和感兴趣进⾏分析的各种对象。
如个⼈、公司客户、潜在客户、代理机构、合作伙伴、雇员、分⾏、部门等。
⼀个团体可以同时是这当中许多种⾓⾊。
借助团体主题的建⽴可以实现基于客户基本信息的分析，是实现以客户为中⼼的各种分析应⽤的重要基础。
2.资产 ASSET⽤于描述团体的资产，资产主题包含两⼤类的资产，客户资产和建⾏⾃有资产。
TeraData金融数据模型
TeraData⾦融数据模型Teradata天睿公司提出⼀种先进的FS-LDM模型(Financial Services Logcial Data Model) --企业级数据模型，包括⾦融机构业务数据，囊括了银⾏约80%的业务数据，并把预定义的业务模板连接到核⼼银⾏业务数据和数据仓库中。
Teradata FS-LDM是⼀个成熟产品，在⼀个集成的模型内⽀持保险、银⾏及证券，包含⼗⼤主题：当事⼈、产品、协议、事件、资产、财务、机构、地域、营销、渠道。
⼗⼤主题划分如下：BANK-LDM主题域模型设计采⽤分类设计的策略:1、重点设计主题（客户、协议、事件、资产、财务）特点：是模型中的重点主题，且在源系统中有丰富的数据来源和参照。
⽬标：尽量保持完整性、丰富性。
策略：按照FS-LDM的框架进⾏设计，同时补充银⾏的个性数据元素。
2、⾃主设计主题（申请、营销活动、渠道、机构、产品）特点：⾮核⼼主题，基本没有或者仅有⾮常少的数据来源和参照。
⽬标：保证模型架构的完整性和扩充性。
策略：按照FS-LDM进⾏设计，将来根据实际情况调整。
3、简化设计主题（地域）特点：模型的重要参考主题，⼀般情况下源系统有数据，但定义和使⽤⽅法与FS-LDM不匹配。
⽬标：暂不进⾏唯⼀地址识别，但要完整保留此类信息。
策略：暂作为客户等的属性信息进⾏设计。
逻辑数据模型LDM，以协议主题实例：数据仓库模型层次划分：TeraData数据仓库整体架构：IBM与Teradata仓库模型⽐较银⾏业：IBM有BDWM(Banking Data Warehouse Model) Teradata有FS-LDM(Financial Services Logical Data Model)电信业：IBM有TDWM(Telecom Data Warehouse Model) Teradata有TS-LDM(Telecom Services Logical Data Model)IBM模型主题划分如下：国内⼚商提供的解决⽅案：⼚商(⼀)⼚商（⼆）TeraData实施案例：（1）农业银⾏/p-187788246565.html（2）徽商银⾏/view/05e78cf17c1cfad6195fa713.html总结：结合两⼤⼚商提供的数据仓库解决⽅案，可以看出，其就数据仓库划分的主题基本类似，内容都差不多，只是叫法不同⽽已。
fsldm主题划分方法
fs-ldm主题划分方法fs-ldm（Fuzzy Set-based Latent Dirichlet Allocation Model）是一种基于模糊集和潜在狄利克雷分配模型的主题划分方法。
它的目标是通过将文本数据划分为不同的主题，从而揭示文本数据中的隐藏主题。
fs-ldm方法的详细划分步骤如下：1. 数据预处理：首先，需要对原始文本数据进行预处理，包括去除噪声、停用词和标点符号，进行词干化或词形还原等操作。
这样可以减少数据的噪声，提高后续处理的效果。
2. 构建词袋模型：将预处理后的文本数据转化为词袋模型，即将每个文档表示为一个向量，向量中的每个元素表示一个词在文档中出现的次数或权重。
3. 初始化参数：为模型中的参数进行初始化，包括主题数、超参数和模糊度参数等。
主题数表示希望将文本数据划分为多少个主题，超参数用于控制模型的复杂度，模糊度参数用于控制模糊集的模糊程度。
4. 模型训练：使用EM算法进行模型的训练。
首先，随机初始化文档-主题和词-主题分布的参数。
然后，通过迭代的方式，通过E步计算每个词在每个主题下的概率，通过M步更新文档-主题和词-主题分布的参数。
重复执行E步和M 步，直到模型收敛。
5. 主题划分：根据训练好的模型，可以根据文档-主题和词-主题分布的参数，将文本数据划分为不同的主题。
对于每个文档，可以根据文档-主题分布，确定其属于每个主题的概率。
对于每个词，可以根据词-主题分布，确定其属于每个主题的概率。
根据这些概率，可以将文本数据划分为最可能的主题。
6. 主题解释：根据划分结果，可以对每个主题进行解释和理解。
可以通过查看每个主题中的高概率词语，来推断主题的含义和内容。
也可以通过查看每个主题在不同文档中的分布情况，来推断主题的关联性和重要性。
以上就是fs-ldm主题划分方法的详细步骤。
通过这些步骤，可以将文本数据划分为不同的主题，并揭示文本数据中的隐藏主题。
Teradata FS-LDM-模型介绍与建模过程-经典收藏
产品 产品号
账户
账号
客 户 号 (FK) 产 品 号 (FK) 机 构 号 (FK) 员 工 号 (FK) 渠 道 号 (FK)
员工 员工号
渠道 渠道号
交易的 操作员
交易 流水号
账 号 (FK) 渠 道 号 (FK) 员 工 号 (FK)
机构 机构号
财务 财务科目
交易系统数据模型-交易与其他实体的关系
LDM
•数据清洗／转换／加载 •文本文件
Teradata金融业逻辑数据模型FS-LDM
• 交易系统数据模型 • 什么是逻辑数据模型LDM? • 为什么EDW需要逻辑数据模型? • 什么是Teradata FS-LDM ？ • Teradata FS-LDM主题介绍 • Teradata FS-LDM建模过程
客户 客户号
产品 产品号
账户
账号
客 户 号 (FK) 产 品 号 (FK) 机 构 号 (FK) 员 工 号 (FK) 渠 道 号 (FK)
渠道 渠道号
员工 员工号
交易
流水号
账 号 (FK) 渠 道 号 (FK) 员 工 号 (FK) 机 构 号 (FK)
机构 机构号
交易相关 的机构
财务 财务科目
交易系统数据模型-交易与其他实体的关系
什么是Teradata FS-LDM？
• Teradata FS-LDM是为金融机构和保险公司预先构建的逻
辑数据模型，通过它可以直接开始数据仓库模型设计
• 它是我们授权给用户使用的一种产品
• 它可以在一个集成的模型内支持银行、保险、以及证券代理业 务
• 它为您提供投资保护
Party
Party Asset
机构 机构号
fs-ldm主题划分方法
fs-ldm主题划分方法主题划分是文本处理的重要任务之一，它能够将大量的文本按照主题进行分类，使得我们能够更好地理解和分析文本内容。
在这篇文章中，我们将介绍一种主题划分方法，即fs-ldm方法。
fs-ldm方法是基于概率图模型的主题划分方法，它能够通过分析文本中的词汇共现关系来确定不同主题之间的边界。
下面我们将详细介绍fs-ldm方法的步骤和原理。
首先，我们需要根据文本数据构建一个词汇共现网络。
词汇共现网络是一个图结构，其中每个节点代表一个词汇，边表示两个词汇之间的共现关系。
通过分析词汇共现网络，我们可以揭示文本中的主题分布。
接下来，我们使用Latent Dirichlet Allocation（LDA）模型对词汇共现网络进行建模。
LDA模型是一种生成式模型，能够将文本中的主题分布建模为先验概率分布，并通过观测到的文本数据推断主题的后验概率分布。
在fs-ldm方法中，我们使用LDA模型来学习主题的概率分布，并据此划分不同主题。
通过LDA模型学习到的主题分布，我们可以得到每个词汇在不同主题下的概率。
根据这些概率，我们可以计算每个主题之间的相似度。
具体而言，我们使用余弦相似度来衡量不同主题之间的相似程度。
当相似度超过设定的阈值时，我们认为这两个主题可以合并。
在合并主题时，我们需要考虑主题的权重。
在fs-ldm方法中，我们使用一个权重函数来计算合并后主题的权重。
权重函数根据合并前主题的权重和相似度来计算合并后主题的权重，从而保证合并后主题能够继承合并前主题的重要特征。
经过多次合并和权重更新，我们最终得到一组稳定的主题划分结果。
这些主题划分结果可以帮助我们理解文本的内在结构，进而进行更深入的分析和应用。
综上所述，fs-ldm方法是一种基于概率图模型的主题划分方法，能够通过分析词汇共现关系来划分文本的主题。
该方法在文本处理和分析领域有着广泛的应用前景，能够帮助我们更好地理解和利用大量文本数据。
FSLDM逻辑数据模型开发培训客户化方法论PPT课件
26
成功关键要素
➢ 对源业务系统的了解 ➢ 完备的文档/数据资料 ➢ 学习沟通能力 ➢ 有效的问题解决机制和确认机制
27
谢谢
Q&A
28
2024/10/31
29
以上工作须有业务人员和熟悉业务系统的技术人员的参与和配合
17
客户化模型2—统一业务定义
在详细了解FS-LDM的基础上，通过对源系统相关信息的了 解和整理工作，IT人员和业务人员应该对一些重要的业务元素统 一定义，包括：
• 产品
• 渠道 • 当事人
及时确认！
• 协议
• 事件
• ……
18
客户化模型3—完善和回顾
•收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证
•确定范围 •讲解模板 •分析样本数据
•协议
•完善和回顾 •合理性验证
•事件
•规范验证
•渠道
•内部机构
24
模型的实施
• 确定数据类型，建立PDM； • 进行数据映射； • 制定抽取策略；
转入ETL工作
• 开发基础应用； • 进行用户培训和推广； • 制定下阶段工作目标和范围；
•介绍源业务系统 •产品 •框架设计 •分析整理数据结构 •当事人 •模型详细设计 •分析样本数据 •协议 •完善和回顾
•事件 •渠道 •内部机构
•应用验证 •数据验证 •合理性验证 •规范验证
21
模型的验证
• 技术角度： —是否符合建模规范 —是否有足够的文档支持
• 业务角度： —选取不同的业务需求，从不同的角度对模型进行验证； —通过应用需求验证，评估数据组织的合理性；
05-逻辑数据模型(LDM)
第2页，共29页。
5.2 创建LDM
在创建LDM之前，与CDM类似，首 先要根据需求分析结果，从中提取 系统需要处理的数据。包括实体、 联系、特殊的业务规则等等，为创 建LDM奠定基础。
3
第3页，共29页。
5.2.1 创建LDM的方法
建立LDM可以采用下面几种方法： • 新建LDM。 • 从已有LDM生成新的LDM。 • 从CDM生成LDM。 • 通过逆向工程由PDM生成LDM。 本章主要叙述新建LDM以及从已有LDM生成
2.定义实体
选择工具箱中的Entity图标，光标形状由指针 状态变为选定图标的形状；在图形设计工作区适 当位置单击鼠标左键放置实体。可以连续放置多 个实体；在LDM工作区空白处单击鼠标右键，结 束实体定义工作。
3.设置实体属性 双击实体符号，打开实体属性窗口，如
图5.2所示。属性窗口中各选项卡的参数含7 义同CDM。
逻辑数据模型(LDM)介于概念数据模型(CDM)和物理数 据模型(PDM)之间，表示概念之间的逻辑次序，是一个属 于方法层次的模型。逻辑数据模型一方面描述了实体、 实体属性以及实体之间关系，另一方面又将继承、实体 关系中的引用等在实体的属性中进行展示。逻辑数据模 型使得整个概念数据模型更易于理解，同时又不依赖于 具体的数据库实现，使用逻辑数据模型可以生成针对具 体数据库管理系统的物理数据模型。采用 PowerDesigner完成数据建模，逻辑数据模型设计不 是必须的，可以由概念数据模型直接生成物理数据模 型。
5
第5页，共29页。
5.2.2 创建LDM (续)
表 5-1 LDM 工具选项板各选项含义
序号 图标 英文名称
含义
1
Entity
实体
培训开发理论模型及讲解(培训管理者必懂的知识理论模型)
兴趣 学员
问卷调查 小组访谈 工作跟踪
困难
培训需求差距分析模型
所需的培训水平
理想 的技 能水 平
现有 的技 能水 平
实操流程
理想状态
理想状态的技 能水平要求？ ASK分别是什 么？
现实状态
现实表现出来 的技能水平？ ASK分别怎么 样？
定准差距
定位差距点； 准确识别哪些是 可以通过培训解 决的差距？ ASK分别培训什 么？
培训需求评价系性模型。
应用 Goldstein 模型目前是全球范围内认同度最 广的培训需求分析模型。对专业性要求较高， 且未考虑员工想学什么。
培训需求调查体系
参加公司会议 与高层经理直接面谈 研究会议纪要和业务重点
战略
文化 公司
目标
直接面谈 问卷调查 绩效考评
业绩
工作 主管
需求查 问题 发展
来源 莎朗·L·波曼(Sharon L.
Bowman) 职 业 演 说 家 、 公司培训师学区以及大学 员工发展顾问与导师著有8 部培训与激励学习方面的 著作。
应用 用于课堂教学策略， 活
动的设计，书中提及4个环 节共计65种策略。
库伯学习圈-体验式设计
来源 大 卫 · 库 伯 (David kolb) 在 总 结 了 约 翰 · 杜 威
来源
美国学者汤姆·W·戈特将“现实状态”与“理想状态”
之间的“差距”称为缺口，并依此确定员工知识、技能
和态度等培训内容，这就是培训需求差距分析模型。
应用
企业培训需求分析常用的模。笔者
认为更适合于解决短期的，单点的培训
的问题。
前瞻性培训需求分析模型
满意的 工作绩效
来源 由美国学者Terry·L·leap和Michael D·Crino 提出的。将“前瞻性”思想运用在培训需求分 析是该模型的精髓。他们认为随着技术的不断 进步和员工的个人成长需要，即使员工目前的 工作绩效是令人满意的，也可能会因为需要为 工作调动做准备、为职位晋升做准备等原因提 出培训的要求。前瞻性培训需求分析模型为这 些情况提供了良好的分析框架，如右图：
FS-LDM金融业逻辑数据模型白皮书
»产品特点
金融业逻辑数据模型（FS-LDM ）是NCR 多年来在全球实施209家金融业数据仓库项目后的经验结晶，是一个非常成熟稳健的逻辑数据模型和全球性产品，蕴含了现代商业银行分析决策和客户关系管理的各个方面，主要有以下优势：
集成性：涉及范围广：支撑金融企业广泛的业
务，如零售银行、公司业务、保险、信用卡、证券经纪、电子商务等，满足混业经营的需要。
灵活性：是一个满足第三范式的数据模型，与
操作系统、数据库系统和物理平台无关，能够最大限度地控制数据冗余，并保证足够的灵活性。
扩展性：经得住时间的考验，在业务改变时，
尽量小改动模型，甚至不做任何改动就可以适应这种变化。
稳定性：自1996年至今，模型已经过多个版
本变更，目前最新版7.0是在新巴赛尔协议数据需求驱动下的完善和增强，但是基本结构和核心都未曾改变。
可实施性：模型产品配备了丰富的说明和文
档，包括样本表、实体和属性的定义，业务规则，以及逻辑视图等，实用性和可操作性强，易于客户化。
风险小：该模型已经被全球范围内多家金融机
构建设数据仓库系统所使用，模型本身体现了在很多项目中成功实施的经验结晶，可以节省时间，从而降低费用。
应用中性：不针对特别的应用或功能设计，能
最大程度适应将来业务的扩展和变化。
FSLDM逻辑数据模型开发培训
?建立AGREEMENT 、当事人、产品主题之间的关系，识 别持有某种产品客户的特征，寻找具有相似特征的潜 在客户销售相同的产品，实现交叉销售。
? AGREEMENT 主题与事件主题和内部机构主题也有密切 的联系。
16
AGREEMENT主题-业务规则
22
AGREEMENT主题—概貌
? 账户组
? 账户和帐户组的关系
? 协议
? 余额类关键信息
? 账户关系
? 金融账户
? 关键性金额信息
23
AGREEMENT主题- 帐户帐户关系
? 该实体标识帐户与帐户之间的关 系以及关系的类型。
? 帐户之间的关系类型可能是担保 的关系，或是一个帐户由于筹措 资金的需要而被另一个帐户所取 代，或一个帐户对另一个帐户的 投资提供保护。
? 资产负债类型代码
? 产品组巴赛尔权重
? 余额类型代码
11
PRODUCT主题—适用范围
? 特性适用范围
? 特性
?产品适用范围
? 产品特性适用范围
? 产品
? 产品特性
12
PRODUCT主题 - 与其他主题的关系
? 产品组和当事人关系
? 产品组和产品关系
? 产品和地区关系
? 产品组
? 产品
? 和当事人关系
INTERNAL ORGANIZATION
A unit of business within the financial institution or insurance company.
PRODUCT
Any marketable product or service including terms and conditions.
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
11
分析源系统
介绍源业务系统
系统架构 / 设计思想 业务功能 / 重要流程 系统定位 和其他系统的关系
分析整理数据结构
了解每个表的用途 分析每个字段的含义 整理数据结构 归纳分类数据表
• 清晰了解现状 • 为客户化提供基础
分析样本数据
分析数据的填写规则 验证业务规则 查询某种规律
2
逻辑数据模型客户化方法论
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•应用验证 •框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证 •分析样本数据 •协议 •完善和回顾 •合理性验证 •确定范围 •讲解模板 •事件 •规范验证 •渠道 •内部机构
23
模型的实施
• 确定数据类型，建立PDM； • 进行数据映射；
• 制定抽取策略；
转入ETL工作
• 开发基础应用； • 进行用户培训和推广； • 制定下阶段工作目标和范围；
24
一个好的LDM应该是……
中性的，共享的：不针对某个特别的应用而设计；
灵活的，可扩展的：能以第三范式存放最详尽的数据，业务 发生变化时易于扩展，适应复杂的实际业务情况；
•应用验证 •数据验证 •合理性验证 •规范验证
20
模型的验证
• 技术角度： —是否符合建模规范 —是否有足够的文档支持
• 业务角度：
—选取不同的业务需求，从不同的角度对模型进行验证； —通过应用需求验证，评估数据组织的合理性；
验证和评估结果将成为调整、完善模型的依据。
21
客户化模型—提交物
• 模型验证文档
6
准备工作—提交物
• 源业务系统介绍材料
• 样本数据报送表
• 组织架构建议和分工
7
NCR逻辑数据模型客户化方法论
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•应用验证 •框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证 •分析样本数据 •协议 •完善和回顾 •合理性验证 •确定范围 •讲解模板 •事件 •规范验证 •渠道 •内部机构
• 系统数据字典
有完整的数据字典（含字段说明）供分析用。
• 样本数据 验证重要的、复杂的业务规则，帮助分析数据 的使用规则。如果涉及到多个系统，应该保证各系 统数据之间的同步性。
5
准备工作3—确定范围
• 数据源范围
客户化工作会涉及几个源业务系统？
• 样本数据 会选择多少机构、多长时间的数据？ • 提交物 客户化工作结束之后的提交物主要包括哪些？
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •分析样本数据 •协议 •完善和回顾 •确定范围 •讲解模板 •事件 •渠道 •内部机构
－建立各实体间的关系；尽可能准确地体现业务规则；
－建立主题之间的关联，参照业务需求对实体和属性进行调整。 • 设计过程中也需要对相关代码表进行整理，建立主外键关系；
以上工作须有业务人员和熟悉业务系统的技术人员的参与和配合
16
客户化模型2—统一业务定义
在详细了解FS-LDM的基础上，通过对源系统相关信息的了
26
谢谢
Q&A
27
关键点： • 有效的问题反馈机制 • 完备的数据资料和文档
12
源业务系统分析—提交物
• 源业务系统介绍 • 数据结构整理 • 数据字典整理 • 数据表分类 • 问题跟踪表
13
NCR逻辑数据模型客户化方法论
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•应用验证 •框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证 •分析样本数据 •协议 •完善和回顾 •合理性验证 •确定范围 •讲解模板 •事件 •规范验证 •渠道 •内部机构
稳定的，经得起考验的：能够在很长时间内保持稳定性，回 答不断产生、不断变化且无法预先定义的业务问题；
规范的，易懂的：使用业务语言进行模型设计，易于让业务 人员理解和使用，有助于IT和业务部门人员的沟通；
25
成功关键要素
对源业务系统的了解
完备的文档/数据资料 学习沟通能力 有效的问题解决机制和确认机制
• • • •
就术语达成共识 确定LDM定位和作用 确定实施策略 制定详细工作方式
9
交流研讨—提交物
• 培训材料
• 学习资料
10
NCR逻辑数据模型客户化方法论
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•应用验证 •框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证 •分析样本数据 •协议 •完善和回顾 •合理性验证 •确定范围 •讲解模板 •事件 •规范验证 •渠道 •内部机构
数据建模小组
• NCR人员(2~4) • 银行人员(2~4)
数据规范小组
• NCR人员(1~2) • 银行人员(2~3)
ETL小组
• NCR人员 • 银行人员
应用小组
• NCR人员 • 银行人员
黄色部分是在数据仓库项目组中和LDM建设相关的人员
4
准备工作2—收集资料
• 系统介绍
包括系统架构、主要设计思想以及和其他系统 的关系等。
14
客户化模型1—框架设计
• 基于NCR的FS-LDM，根据所设定的目标和数据范围，确定
需要建设的主题范围，构建LDM的原型框架。 • LDM原型框架决定数据仓库的数据组织原则和基本形式，也 决定了数据仓库的应用范围和应用模式。
蓝本
15
客户化模型2—模型详细设计
• 基于LDM原型框架，进行各主题的详细设计，主要任务包括： －创建各主题的实体和属性，并进行尽可能详细、准确的定义和 说明；
3
准备工作1—组建团队
项目总监 • 银行领导 • NCR领导
项目经理 银行后援支持组 • 业务专家 • 管理分析人员 • 资深技术人员 • 银行项目经理 • NCR项目经理
NCR专家顾问组 • 资深业务顾问 • 资深系统架构师 • 资深模型顾问 • 资深技术顾问
技术人员： •熟悉业务系统 •沟通能力强 •理解数据 业务人员： •熟悉业务规则 •掌握实际运作 •确认规范和定义
8
项目组交流研讨
NCR FS-LDM产品培训 NCR资深建模专家就FS-LDM进行详细的介绍，主要包括数 据模型的一些基本概念、常用的建模方法、FS-LDM各主题的定 义和主要内容、关键实体和属性描述等。 客户化研讨 帮助项目组所有成员清楚地了解客户化过程，明确小组的 工作方式和主要工作目标、任务，并且共同制定详细工作方式， 才能够保证后续工作的顺利展开。
逻辑数据模型客户化方法论
NCR逻辑数据模型客户化方法论
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•应用验证 •框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证 •分析样本数据 •协议 •完善和回顾 •合理性验证 •确定范围 •讲解模板 •事件 •规范验证 •渠道 •内部机构
解和整理工作，IT人员和业务人员应该对一些重要的业务元素统
一定义，包括： • 产品 • 渠道 • 当事人
及时确认！
• 协议
• 事件
• ……
17
客户化模型3—完善和回顾
（1）与熟悉业务系统的技术人员进行交流和探讨：
—是否正确理解了原业务系统的数据 —是否有重要的数据被遗漏 —实体之间的关系是否正确
（2）与业务专家进行模型的回顾和检讨：
• 验证后LDM
• 模型说明文档
22
NCR逻辑数据模型客户化方法论
前期 准备
项目组 交流研讨
分析 源系统
统一 业务定义
客户化
FS-LDM
模型 验证
•应用验证 •框架设计 •组建团队 •FS－LDM介绍 •介绍源业务系统 •产品 •收集资料 •客户化研讨 •分析整理数据结构 •当事人 •模型详细设计 •数据验证 •分析样本数据 •协议 •完善和回顾 •合理性验证 •确定范围 •讲解模板 •事件 •规范验证 •渠道 •内部机构
—是否能够帮助实现业务需求 —是否能够很容易地理解 —重要的业务规则是否得以体现 —回答、解决问题是否方便
（3）对数据主题、实体、属性进行确认和完善；
可能需要多次的讨论和交流
18
客户化模型—提交物
• 概念模型 • 框架模型 • 模型命名规范 • 客户化后LDM • 问题跟踪表
19
NCR逻辑数据模型客户化方法论