| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 课题选择的动机 | 第10页 |
| 1.3 研究的技术路线 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第2章 数据仓库概念与Teradata技术 | 第12-24页 |
| 2.1 数据仓库的发展历史 | 第12-13页 |
| 2.2 Teradata公司简介 | 第13页 |
| 2.3 数据仓库其他的概念 | 第13-16页 |
| 2.3.1 OLAP和OLTP | 第13-15页 |
| 2.3.2 数据仓库查询特点 | 第15-16页 |
| 2.3.3 数据仓库体系结构 | 第16页 |
| 2.4 数据仓库与数据集市 | 第16-17页 |
| 2.5 Teradata的技术特征 | 第17-24页 |
| 2.5.1 Teradata的可扩展的方法论 | 第17-18页 |
| 2.5.2 Teradata可扩展的数据框架 | 第18-20页 |
| 2.5.3 Teradata的系统组成部件 | 第20-21页 |
| 2.5.4 Teradata的系统工作原理 | 第21-22页 |
| 2.5.5 Teradata的并行处理机制 | 第22-23页 |
| 2.5.6 Teradata的索引 | 第23-24页 |
| 第3章 数据仓库的建模 | 第24-33页 |
| 3.1 Teradata的概念数据模型 | 第24-25页 |
| 3.2 数据模型的方法论 | 第25-33页 |
| 3.2.1 数据模型的概念 | 第25-26页 |
| 3.2.2 研究数据模型的现实意义 | 第26-27页 |
| 3.2.3 数据模型的建立方法 | 第27-33页 |
| 第4章 Teradata零售行业的数据模型 | 第33-47页 |
| 4.1 数据模型的设计 | 第33-36页 |
| 4.1.1 建立LDM的基本思路 | 第33-34页 |
| 4.1.2 数据模型的设计规则 | 第34-35页 |
| 4.1.3 LDM的设计 | 第35-36页 |
| 4.2 数据模型的客户化实施 | 第36-41页 |
| 4.2.1 逻辑模型的客户化 | 第37页 |
| 4.2.2 物理模型的客户化 | 第37-38页 |
| 4.2.3 主题域的设计 | 第38-39页 |
| 4.2.4 主题概述 | 第39页 |
| 4.2.5 人口统计特征的LDM | 第39-41页 |
| 4.2.6 人口统计特征(Demographic)的PDM | 第41页 |
| 4.3 数据模型的优化 | 第41-47页 |
| 4.3.1 物理模型优化概要 | 第41-43页 |
| 4.3.2 物理模型优化的途径 | 第43页 |
| 4.3.3 物理模型优化方法 | 第43-45页 |
| 4.3.4 SQL的优化 | 第45-46页 |
| 4.3.5 调度程序的优化 | 第46页 |
| 4.3.6 PDM优化的测试 | 第46-47页 |
| 第5章 零售行业数据模型价值的研究 | 第47-54页 |
| 5.1 客户眼中的数据模型 | 第47页 |
| 5.2 数据模型支持BIOs | 第47-48页 |
| 5.3 数据模型支持的商务智能分析 | 第48-50页 |
| 5.4 一个客户的实例 | 第50-54页 |
| 5.4.1 企业的角度 | 第50-51页 |
| 5.4.2 缺口分析(Gap Analysis) | 第51页 |
| 5.4.3 BIOs:数据与业务成果的联系 | 第51-52页 |
| 5.4.4 关于数据模型的主题域 | 第52-54页 |
| 第6章 总结与展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57页 |