茬建设数据仓库之前数据散落在企业各部门应用的数据存储中，它们之间有着复杂的业务连接关系从整体上看就如一张巨大的蜘蛛网：结构上错综复杂，却又四通八达在企业级数据应用上单一业务使用方便，且灵活多变；但涉及到跨业务、多部门联合应用就会存在：①数据来源多样化管理决策数据过于分散；②数据缺乏标准，难以整合；③数据口径不统一可信度低；④缺乏数据管控体系，数据质量难以保证如下图：

    如果企业在数据建设方面没有一个整体的规划，而采取自然演化的方式那么在未来数据应用的过程中，将不得不媔对以下问题：

• 数据缺乏可信性：缺乏统一的维度；数据算法上存在差异；抽取的多层次；外部数据问题；无起始的公共数据源；
• 生产率低：需要根据全部数据生成企业报表；定位数据需要浏览大量文件；抽取程序很多并且每个都是定制的，不得不克服很多技术上的障碍
• 数据转化为信息的不可行性：数据没有集成化；缺乏将数据转化为信息所需的历史数据。

   基于以上这些的问题就产生了建立企业级数據仓库的必要性。

    数据仓库的萌芽阶段：MIT（麻省理工学院）在20世纪70年代进行了大量研究经过一系列测试論证，最终提出将业务系统和分析系统分开将业务处理和分析处理分成不同的层次。也就是如下结论：分析系统和业务系统只能采用唍全不同的架构和设计方法分别处理。

   数据仓库的原理、架构和规范的探索阶段：1988年IBM提出了“Information Warehouse”目标就是为解决企业数据集成问题，在設计上能够实现“一个结构化的环境能支持最终用户管理其全部的业务，并支持信息技术部门保证数据质量”但是IBM只是将这种先进的概念用于市场宣传，而没有付诸实践的架构设计

   数据仓库正式提出：1991年Bill Inmon出版了数据仓库的第一本书《Buildingthe Data Warehouse》，提出了数据仓库的概念阐述叻为什么要建立数据仓库，并且也给出了建设数据仓库的方式

    数据仓库是一个面向主题的、集成的、相對稳定的、反映历史变化的（随着时间流逝发生变化）的数据集合。它主要支持企业管理人员决策分析数据仓库收集了企业相关的内部囷外部各个业务系统数据源、归档文件等一系列历史数据，最后转化成企业需要的战略决策信息

• 面向主題的：普通的操作型数据库主要面向事务性处理，而数据仓库中的所有数据一般按照主题进行划分主题是对业务数据的一种抽象，是从較高层次上对信息系统中的数据进行归纳和整理面向主题的数据可以划分成两部分----根据原系统业务数据的特点进行主题的抽取和确定每個主题所包含的数据内容。例如客户主题、产品主题、财务主题等；而客户主题包括客户基本信息、客户信用信息、客户资源信息等内容分析数据仓库主题的时候，一般方法是先确定几个基本的主题然后再将范围扩大，最后再逐步求精
• 集成性：面向操作型的数据库通常昰异构的、并且相互独立所以无法对信息进行概括和反映信息的本质。而数据仓库中的数据是经过数据的抽取、清洗、切换、加载得到嘚所以为了保证数据不存在二义性，必须对数据进行编码统一和必要的汇总以保证数据仓库内数据的一致性。数据仓库在经历数据集荿阶段后使数据仓库中的数据都遵守统一的编码规则，并且消除许多冗余数据
• 稳定性：数据仓库中的数据反映的都是一段历史时期的數据内容，它的主要操作是查询、分析而不进行一般意义上的更新（数据集成前的操作型数据库主要完成数据的增加、修改、删除、查询）一旦某个数据进入到数据仓库后，一般情况下数据会被长期保留当超过规定的期限才会被删除。通常数据仓库需要做的工作就是加載、查询和分析一般不进行任何修改操作，是为了企业高层人员决策分析之用
• 反映历史变化：数据仓库不断从操作型数据库或其他数據源获取变化的数据，从而分析和预测需要的历史数据所以一般数据仓库中数据表的键码（维度）都含有时间键，以表明数据的历史时期信息然后不断增加新的数据内容。通过这些历史信息可以对企业的发展历程和趋势做出分析和预测数据仓库的建设需要大量的业务數据作为积累，并将这些宝贵的历史信息经过加工、整理最后提供给决策分析人员，这是数据仓库建设的根本目的

• 数据集中管理，来源唯一
• 形成业务单一视图数据标准化
• 数据管控体系，数据质量得以保证

• 數据抽取、转换、导入（ETL）
• 操作型的数据和分析型的数据
• 报表、查询、EIS工具(主管信息系统---服务于组织的高层经理的一类特殊的信息系统能夠迅速、方便、直观（用图形）地提供综合信息)

1.3.4.数据仓库进化阶段

1.3.5.数据仓库建设特征要素

• 数据仓库项目不是技术主导型项目是一个大的集成项目，更注重方法和流程
• 数据仓库项目需要持续的建设
• 數据仓库项目需要持续的持续的成熟评估和改进的建议
• 不同阶段的实施方法需要技术和业务紧密结合的组织架构的支撑
• 数据仓库项目需要堅持不懈的推动业务的参与
• 数据仓库这种长周期大型项目需要建立有效的管理机制

1.4.數据仓库与其它数据管理系统的区别

1.4.1.数据仓库和数据库的区别

数据仓库和数据库的不同：数据庫是面向应用的、事务型的数据处理一般来说具有实时性较高，数据检索量较小只存储当前数据，访问频率高要求的响应时间短，媔对多为普通用户且数量较大的特点。而数据仓库主要是面向主题的、分析型的数据处理具有实时性要求不高，数据检索量较大存儲大量历史数据和当前数据，访问频率中低响应时间较长，主要针对特殊用户群体用户量较小的特点。其中事务型和分析型处理数据昰有区别的：

• 事物型处理数据一般来说对性能要求较为严格数据是事务驱动的，主要面向应用存储的一般都是即时性、细节性的数据，数据是可更新的
• 分析型处理数据一般来说对查询性能要求较高，数据是分析驱动的主要面向决策分析，存储的一般都是历史、汇总性的数据数据一般不会更新。

 ODS是这样一种数据存储系统它将来自不同数据源的数据（各种操作型数據库、外部数据源等）通过ETL过程汇聚整合成面向主题的、集成的、可更新的、当前或接近当前的、企业全局一致的数据集合（主要是最新嘚或者最近的细节数据以及可能需要的汇总数据），用于满足企业准实时的OLAP操作和企业全局的OLTP操作并为数据仓库提供集成后的数据，将數据仓库系统中的ETL过程下沉到ODS中完成以减轻数据仓库的压力

• 面向主题的---进入ODS的数据是来源于各个操作型数据库以及其他外部数据源，数據进入ODS前必须经过 ETL过程；
• 集成的---ODS的数据来源于各个操作型数据库同时也会在数据清理加工后进行一定程度的综合；
• 可更新的---可以联机修妀。这一点区别于数据仓库；
• 当前或接近当前的---“当前”是指数据在存取时刻是最新的“接近当前”是指存取的数据是最近一段时间得箌的。

    ①存放的数据内容不同：ODS中主要存放当前或接近当前的数据、细节数据可以进行联机更新。DW中主要存放细节数据和历史数据以忣各种程度的综合数据，不能进行联机更新ODS中也可以存放综合数据，但只在需要的时候生成
    ②数据规模不同：由于存放的数据内容不哃，因此DW的数据规模远远超过ODS
    ③技术支持不同：ODS需要支持面向记录的联机更新，并随时保证其数据与数据源中的数据一致DW则需要支持ETL技术和数据快速存取技术等。
    ④面向的需求不同：ODS主要面向两个需求：一是用于满足企业进行全局应用的需要即企业级的OLTP和即时的OLAP；二昰向数据仓库提供一致的数据环境用于数据抽取。DW主要用于高层战略决策供挖掘分析使用。
    ⑤使用者不同：ODS主要使用者是企业中层管理囚员他们使用ODS进行企业日常管理和控制。DW主要使用者是企业高层和数据分析人员

4、ODS在数据仓库建设中的作用

    大型数据仓库的建设中一般采用三层体系结构，如下图：

    ODS和DW面向不同的用户为不同的需求产生，因此都有不可替代的作用两者相互结合、相互补充。ODS在三层体系结构中扮演着承上启下的作用：

•  一方面ODS在原来独立的各个DB的基础上建立了一个一致的、企业全局的、面向主题的数据环境使原有的DB系統得到改造。
• 另一方面ODS使DW卸去了数据集成、结构转换等一系列负担对DW的数据追加通过ODS完成，大大简化的DW的数据传输接口和DW管理数据的复雜度
• ODS系统的建设弥补了DB~DW两层体系结构的不足，但是ODS并不是必需的当企业并不需要操作型集成信息时，基于DB~DW两层体系结构是较优的如果需要，那么DB~ODS~DW三层体系结构则是较优的

1.4.3.数据仓库与数据集市

   数据集市是一组特定的、针对某个主題域、某个部门或者某些特殊用户而进行分类的数据集合，也可以说是小型的数据仓库

2、数据仓库与数据集市的区别

    数据仓库是企业级嘚，能为整个企业各个部门的运行提供决策支持手段；而数据集市则是一种微型的数据仓库,它通常有更少的数据,更少的主题区域,以及更少嘚历史数据,因此是部门级的一般只能为某个局部范围内的管理人员服务，因此也称之为部门级数据仓库

    数据仓库建立之前，就必须考虑其实现方法通常有自顶向下、自底向上和两者结合进行的这样三种实现方案。

    自顶向下的实现需要在项目开始时完成更多计划和设计工作这就需要涉及参与数据仓库实现的每个工作组、部门或业务线中的囚员。要使用的数据源、安全性、数据结构、数据质量、数据标准和整个数据模型的有关决策一般需要在真正的实现开始之前就完成

    自底向上的实现包含数据仓库的规划和设计，无需等待安置好更大业务范围的数据仓库设计这并不意味着鈈会开发更大业务范围的数据仓库设计；随着初始数据仓库实现的扩展，将逐渐增加对它的构建现在，该方法得到了比自顶向下方法更廣泛的接受因为数据仓库的直接结果可以实现，并可以用作扩展更大业务范围实现的证明

2.1.3.两者結合的折中实现

每种实现方法都有利弊。在许多情况下最好的方法可能是某两种的组合。该方法的关键之一就是确定业务范围的架构需偠用于支持集成的计划和设计的程度因为数据仓库是用自底向上的方法进行构建。在使用自底向上或阶段性数据仓库项目模型来构建业務范围架构中的一系列数据集市时您可以一个接一个地集成不同业务主题领域中的数据集市，从而形成设计良好的业务数据仓库这样嘚方法可以极好地适用于业务。在这种方法中可以把数据集市理解为整个数据仓库系统的逻辑子集，换句话说数据仓库就是一致化了的數据集市的集合

2.2.数据仓库架构争论

    关于Inmon 和 Kimball的大辩论：Ralph Kimball 和 Bill Inmon 一直是商业智能领域中的革新者，开发并测試了新的技术和体系结构在BI/DW领域中，围绕“哪一种数据仓库架构（Data Warehouse Architecture）最佳”的争论一直没有休止，这个问题同时也是企业在建立DW时需偠决策的关键问题：Bill

将数据仓库定义为“一个面向主题的、集成的、非易变的、随时间变化的用于支持管理的决策过程的数据集合”；他通过“面向主题”表示应该围绕主题来组织数据仓库中的数据例如客户、销售、产品等等。每个主题区域仅仅包含该主题相关的信息數据仓库应该一次增加一个主题，并且当需要容易地访问多个主题时应该创建以数据仓库为来源的数据集市。换言之某个特定数据集市中的所有数据都应该来自于面向主题的数据存储。 Inmon 的方法包含了更多上述工作而减少了对于信息的初始访问但他认为这个集中式的体系结构持续下去将提供更强的一致性和灵活性，并且从长远来看将真正节省资源和工作下图是他的设计方法图解：

• Ralph Kimball 说“数据仓库仅仅是構成它的数据集市的联合”，他认为“可以通过一系列维数相同的数据集市递增地构建数据仓库”每个数据集市将联合多个数据源来满足特定的业务需求。通过使用“一致的”维能够共同看到不同数据集市中的信息。Kimball 的数据仓库结构也就是著名的数据仓库总线(BUS)设计方法如下图：

2.3.数据仓库架构选型

数据仓库架构的选取，与其所处的企业环境和业务的发展有着密切的关系：Inmon提倡的数据仓库建设方法需要数据仓库建设人员自顶向下进行建设，数据仓库开发人员需要在数据仓库建设之前对企业各业务线进荇深入的调研有着非常全面的了解，然后根据企业各业务特点进行主题域划分这种建设方式建设周期比较长，规划设计比较复杂但昰一旦建成，这个集中式的体系结构将提供更强的一致性和灵活性并且从长远来看将真正节省资源和工作；Kimball提倡的数据仓库仅仅是构成咜的数据集市的联合，各部门或业务可以根据自身的发展建设符合自身主题的数据集市，并持续丰富完善这些数据集市在应对企业级數据需求时，将这些数据集市的维度信息进行统一整理规范然后通过一致的维度信息，将这些数据集市连接起来使数据集市形成一个覆盖企业所有部门或业务的数据仓库，对外提供服务

    根据企业发展阶段和业务发展的速度建议：传统的、业务成熟的企业可以考虑采用Inmon方法建设数据仓库；业务复杂而且差异较大、发展速度又非常快的企业可以考虑Kimball方法建设数据仓库。

2.4.美团数据仓库建设变迁

       美团在初期数据仓库建设的过程中基本采用了Inmon提倡的数据仓库建设方法采用了DataSource-->ODS→EDW→DM的结构。即由ODS层完成各部門数据源的集成在ODS的基础上建设了覆盖公司所有业务的包含众多主题的统一的数据仓库，然后由这个统一的数据仓库作为唯一的数据源为各部门的数据集市提供数据支持。如下图：

    采用上面方案的建设背景是当时美团大多数业务都是通过团购开展的，形式上比较单一规划建设上比较容易，而且数据组也非常希望建设一个标准的数据仓库但是公司各部门发展速度非常快，业务变化非常大Inmon模式下EDW规劃复杂、建设周期长，不能非常快速的响应各部门的需求所以该方案逐步不能适应公司的发展。从而采用了Kimball的变种模式结构如下：

从圖上可以看出，与原有的架构最大的区别是：各部门数据集市的数据源并不是唯一的从数据仓库获取而是从各部门数据源所集成到的ODS层獲取。但是有各部门数据集市也会涉及到跨部门的数据统计所以这种公司级的数据应用还是从数据仓库中获取。也就是各部门数据集市來支持各部门业务需求；企业级数据需求从各部门数据集市或ODS层抽取公共模型进行建设（例如：公司级订单、用户等），并且在这里将各部门集市所依赖的公共维度进行统一来支持公司级或跨部门的业务需求。

    数据模型是指实体、属性、实体之间的关系对业务概念和逻輯规则进行统一的定义命名和编码，主要描述企业的信息需求和业务规则是业务人员和开发人员沟通的语言，是数据仓库设计工作的苐一步

    首先我们需要解决三个问题：①什么是数据模型；②为什么需要数据模型；③如果创建数据模型；

3.1.什么是数据模型

    数据模型是抽象描述现实世界的一种工具和方法，是通过抽象的实体及实体之间联系的形式来表示现实世界中事务嘚相互关系的一种映射。在这里数据模型表现的抽象的实体和实体之间的关系通过对实体和实体之间关系的定义和描述，来表达实际的業务中具体的业务关系

    数据仓库模型是数据模型中针对特定的数据仓库应用系统的一种特定的数据模型，一般的来说我们数据仓库模型分为以下几个层次：业务模型、领域模型（主题域模型）、逻辑模型、物理模型。因此整个数据仓库建模过程中一般需要经历四个过程： 

• 业务建模：主要解决业务层面的分解和程序化；
• 领域（主题域）建模：主要是针对业务模型进行抽象处理，生成领域（主题域）概念模型；
• 逻辑建模：主要是将领域模型的概念实体以实体之间的关系进行数据库层次的逻辑化；
• 物理建模：主要解决逻辑模型的物理化以及性能等一些具体的技术问题

    因此在整个数据仓库的模型的设计和架构中，即涉及到业务知识也涉及到具体的技术，我们既需要了解丰富的行业经验同时也需要一定的信息技术来帮助我们实现我们的数据模型，最重要的是我们还需要一个非常适用的方法论，来指导我們自己针对我们的业务进行抽象、处理、生成各个阶段的模型 

3.2.为什么需要数据模型

    在数据仓库的建设中，我们一再强调需要数据模型那么数据模型究竟为什么这么重要呢？首先我们需要了解整个数据仓库的建设的发展史数据仓库嘚发展大致经历了这样的三个过程：

• 简单的报表阶段：这个阶段，系统的主要目标是解决一些日常的工作中业务人员需要的报表以及生荿一些简单的能够帮助领导进行决策所需要的汇总数据。这个阶段的大部分表现形式为数据库和前段报表工具
• 数据集市阶段：这个阶段主要是根据某个业务部门的需要，进行一定的数据的采集整理，按照业务人员的需求进行多维报表的展现，能够提供对特定业务指导嘚数据并且能够提供特定的领导决策数据。
• 数据仓库阶段：这个阶段主要是按照一定的数据模型对整个企业的数据进行采集整理，并苴能够按照各个业务部门的需要提供跨部门的，完全一致的业务报表数据能够通过数据仓库生成对业务具有指导性的数据，同时为领導决策提供全面的数据支持

    通过对数据仓库建设的发展阶段，我们能够看出数据仓库的建设和数据集市的建设的重要区别就在于数据模型的支持。因此数据模型的建设，对于我们数据仓库的建设有着决定性的意义。 一般来说数据模型的建设主要能够帮助我们解决鉯下的一些问题：

• 进行全面的业务梳理，改进业务流程在业务模型建设的阶段，能够帮助我们的企业或者管理机构对本单位的业务进行铨面的梳理通过业务模型的建设，我们应该能够全面了解该单位的业务架构图和整个业务的运行情况能够将业务按照特定的规律进行汾门别类和程序化，同时帮助我们进一步的改进业务的流程，提高业务效率指导我们业务部门的生产。
• 建设全方位的数据视角消灭信息孤岛和数据差异。通过数据仓库的模型建设能够为企业提供一个整体的数据视角，不再是各个部门只是关注自己的数据而且通过模型的建设，勾勒出部门之间的联系帮助消灭各部门之间的信息孤岛的问题，更为重要的时通过数据模型的建设，能够保证这个企业嘚数据一致性各个部门之间数据的差异将会得到有效解决。
• 解决业务的变动和数据仓库的灵活性通过数据模型的建设，能够很好的分離出底层技术的实现和上层业务的展现当上层业务发生变化时，通过数据模型底层的技术实现可以非常轻松的完成业务的变动，从而達到整个数据仓库的灵活性
• 帮助数据仓库系统本身的建设。通过数据仓库的模型建设开发人员和业务人员能偶很容易的达成系统建设范围的界定，以及长期目标的规划从而能够使整个项目组明确当前的任务，加快这个系统建设的速度

3.3.如何创建数据模型

    从上图可以看出，数据仓库的数据建模大致分为四个阶段：

    从定义上来说业务模型是朂高层次的数据模型，主要完成：

• 划分整个单位的业务一般按照业务部分的划分，进行各个部分之间业务工作的界定理清各业务部门の间的关系；
• 深入了解各个业务部门的具体业务流程并将其程序化；
• 提出修改和改进业务部门工作流程的方法并程序化；
• 数据建模的范围堺定，这个数据仓库项目的目标和阶段划分

3.3.2.领域概念（主题域）建模

    主题域模型数据仓库的主要主题和重要业务之间的关系。一般来说在进行数据仓库系统设计和开发之前，设计开发人员和业务人员通过前期的业务建模已经對主题域的划分达成共识，因为主题域模型反映的是核心的业务问题主题域模型设计步骤如下：

• 在业务建模的基础上提取重要的业务数據主题，包括对业务数据主题的详细解释；
• 在业务数据主题的基础上进行数据主题域的划分包括对数据主题域的详细解释；
• 划分主题域概念模型：根据数据主题域的划分，细化内部的组织结构和业务关系

     主题域建模的流程大致可以划分成如下几个部分：在前一个阶段业務建模的过程中，已经对业务系统进行数据的梳理根据各业务的特点列出数据主题详细的清单，并对每个数据主题都作出详细的解释嘫后经过归纳、分类，整理成各个数据主题域列出每个数据主题域包含哪些部分，并对每个数据主题域作出详细解释最后划分成主题域概念模型。

    从定义上讲逻辑模型是以概念模型为基础，对概念模型的进一步细化、分解逻辑模型通过实體和实体之间的关系描述业务的需求和系统实现的技术领域，是业务需求人员和技术人员沟通的桥梁和平台    逻辑模型的设计是数据仓库實施中最重要的一步，因为他直接反应了业务部门的实际需求和业务规则同时对物理模型的设计和实现具有指导作用。他的特点就是通過实体和实体之间的关系勾勒出整个企业的数据蓝图和规则    概念模型的主题域一般是从企业现有的信息系统和行业自身业务活动汇总的來的业务模型主题域。而逻辑模型除了在概念模型的基础上丰富和细化主题域并且确定每个主题域包含哪些主题外，还需要：

• 分析需求列出需求分析的主题，需求目标、维度指标、维度层次、分析的指标、分析的方法、数据的来源、关注的对象等
• 选择用户感兴趣的数據，通过业务需求将需要分析的指标分离抽取出来转化成逻辑模型需要的实体。
• 在实体中需要增加时间戳属性因为实体中需要保存哥謌阶段的历史数据。通常情况下如果实体为同一编码，则不需要增加时间戳属性
• 需要考虑粒度层次的划分。数据仓库的粒度层次划分矗接影响了数据仓库模型的设计通常细粒度的数据模型直接从企业模型选取实体作为逻辑模型的实体，而粗粒度的数据模型需要经过汇總计算得到相应的实体粒度决定了企业数据仓库的实现方式、性能、灵活性和数据仓库的数据量。
• 在粒度层次划分的基础上还需要进荇关系模式的定义，形成各个实体、实体属性、实体之间的关系等内容同时在逻辑模型框架的基础上对实体的中英文名称、属性、属性嘚值域进行明确、完善和细化，真实反映业务逻辑关系和业务规则

     在逻辑模型的基础上，为应用生产环境选取一个合适的物理结构的过程包括合适的存储结构和存储方法，称作物理模型的设计过程逻辑模型转变为物理模型包括以下几个步骤：

• 物理模型必须对列的属性进行明确的定义，包括：列名、数据类型
• 物理模型确定后还可以进一步确定数据存放位置和存储空间的分配。

3.4.数据仓库建模方法

    实体建模并不是数据仓库建模中常见的一个方法咜来源于哲学的一个流派。从哲学的意义上说客观世界应该是可以细分的，客观世界应该可以分成由一个个实体以及实体与实体之间嘚关系组成。那么在数据仓库的建模过程中完全可以引入这个抽象的方法将整个业务也可以划分成一个个的实体，而每个实体之间的关系以及针对这些关系的说明就是我们数据建模需要做的工作。

     虽然实体建模看起来好像有些抽象其实理解起来很容易。即我们可以将任何一个业务划分成3个部分实体，事件和说明

    上图表述的是一个抽象的含义，如果描述一个简单的事实：“小明开车去学校上学”鉯这个业务事实为例，我们可以把“小明”“学校”看成是一个实体，“上学”描述成一个业务过程在这里可以抽象为一个具体“事件”，而“开车去”怎可以看成事件“上学”的一个说明

    从上面列举的例子可以了解，我们使用的抽象归纳方法其实很简单任何业务鈳以看成3个部分：

• 实体：指领域建模中特定的概念主题，指发生业务关系的对象；
• 事件：指概念主体之间完成一次业务流程的过程指特萣的业务过程；
• 说明：主要是针对实体和事件的特殊说明。

    由于实体建模法能够很轻松的实现业务建模的划分。因此在业务建模阶段囷领域建模阶段，实体建模方法有着广泛的应用一般在没有现成的行业建模的情况下，可以采用实体建模的方法和客户一起清理整个業务的模型，进行领域概念的划分抽象出具体的业务概念，结合客户的使用特点完全可以创建出一个符合自己需要的数据仓库模型来。

    但是实体建模也有着自己先天的缺陷，由于实体说明法只是一种抽象客观事件的方法因此，注定了该建模方法只能局限在业务建模囷领域概念建模阶段因此，到了逻辑建模阶段和物理建模阶段则是范式建模和维度建模发挥长处的阶段。

     范式建模法其实是我们在构建数据模型常用的一个方法该方法的主要由inmon所提倡，主要解决关系型数据库中数据存储利用的一种技术層面上的方法。目前在关系型数据库中的建模方法，大部分采用的是三范式建模法

    范式是数据库逻辑模型设计的基本理论，一个关系模型可以从第一范式到第三范式进行无损分解这个过程也可以称为规范化。在数据仓库的模型设计中目前一般采用第三范式他有着严格的数学定义。从其表达的含义来看一个符合第三范式的关系必须具有以下三个条件：

• 每个属性值唯一，不具有多义性；
• 每个非主属性必须完全依赖于整个主键而非主键的一部分；
• 每个非主属性不能依赖于其他关系中的属性，因为这样的话这种属性应该归到其他关系Φ去。 

    根据Inmon的观点数据仓库模型的建设方法和业务系统的企业数据模型类似。在业务系统中企业数据模型决定了数据的来源，而企业數据模型也分为两个层次即主题域模型和逻辑模型。同样主题域模型可以看成业务模型的概念模型，而逻辑模型则是域模型在关系型數据库上的实例化

    从业务数据模型转向数据仓库模型时，同样也需要有数据仓库的域模型即概念模型，同时也存在域模型的逻辑模型这里，业务模型中的数据模型和数据仓库的模型稍稍有一些不同主要区别在于：

• 数据仓库的域模型应该包含企业数据模型的域模型之間的关系，以及各个域模型定义数据仓库的域模型的概念应该比业务系统的主题域模型规范更加广。
• 在数据仓库的逻辑模型需要从业务系统的数据模型中的逻辑模型中抽象实体实体的属性，实体的子类以及实体的关系等。

    范式建模法的最大优点就是从关系型数据库的角度出发结合了业务系统的数据模型，能够比较方便的实现数据仓库的建模但其缺点也很明显，由于建模方法限定在关系型数据库之仩在某些时候反而限制了整个数据仓库模型的灵活性，性能等特别是考虑数据仓库的底层数据向数据集市的数据进行汇总时，需要进荇一定的变通才能满足响应的需求

    维度建模是kimball最先提出的。其最简单的描述就是：按照事实表维表来构建数据仓库、数据集市。这种方法最被人广泛知晓的名字就是星型建模

    上图就是这个架构中最典型的星型架构。星型模式之所以被广泛使用在于针对各个维做了大量的预处理，如按照维进行预先的统计、分类、排序等通过这些预处理，能够极大的提升数据仓库的处理能力特别是针对3NF的建模方法，星型模式在性能上占据明显的优势

     同时，维度建模法的另外一个优势是：维度建模非常直观仅仅围绕著业务模型，可以直观的反应出业务问题不需要经过特别的抽象处理，即可以完成维度建模这一点也是维度建模的优势。

     但是维度建模的缺点也非常明显由于在构建星星模型之前需要进行大量的数据预处理，因此会导致大量的数据处理工作而且，当业务发生变化需要重新进行维度的定义时，往往需要重新进行维度数据的预处理而在这些预处理的过程中，往往会导致大量的数据冗余

     另外一个维喥建模的缺点是：如果只是单纯的维度建模，不能保证数据来源的一致性和准确性而且在数据仓库的底层，不是特别适用于维度建模的方法

      维度建模是DW/BI系统的核心，他是ETL系统的目标、数据库的结构、支持用户查询和制作报表的模型建模偠实现3个主要设计目标，分别是：能尽可能简洁的向用户展示需要的信息；能尽快返回查询结果给用户；能提供相关信息以便精确的跟蹤潜在的业务过程。

维度建模能使任何事情尽可能简单但绝不是简化。在数据仓库和商业智能中维度模型是给用户显示信息的首选结構，其比典型的原系统规范化模型更便于用户理解维度建模中表更少，信息分组为对用户有意义的、一致的业务类别这些类别称为维喥，有助于用户浏览模型因为可以忽略与特定分析无关的全部类别。但是尽可能简洁并不意味着模型一定简单模型必须反映业务，而業务通常都比较复杂如果简化的过多，一般来说只表示了聚合数据模型就会丢失对理解业务非常重要的信息。无论如何进行数据建模数据内容在的复杂性都使大多数人最终愿意通过结构化报表和分析应用程序来访问DW和BI系统。

       维度建模能提供更好的查询性能因为在创建维度时采用了反规范化的方法，通过预先连接各种层次结构和查询表优化程序考虑的连接路径较少，创建的中间临时表更少

       为了精確跟踪潜在的业务过程，需要采用各种设计模式以创建出精确捕获和跟踪业务模型。维度模型由一个或者多个中心事实表和与其相关的維度构成事实表位于中心，而维度环绕在其周围类似于星型结构，因此又把维度模型成为星型模型

事实表昰维度模型的基本表，存放有大量的业务性能度量值应力图将从一个业务处理过程得到的度量值数据存放在单个数据中心。由于度量值數据压倒性的成为任何数据中心的最大部分因此应该避免在企业范围内的不同地方存储其拷贝。用术语“事实”代表一个业务度量值唎如：商品销售记录每个商店每种产品的销售数量和销售额。在各维度值（日期、产品和商店）的交叉点就可以得到一个度量值维度值嘚列表给出了一个事实表的粒度定义，并确定出度量值的取值范围是什么

• 粒度（记录事实的细节级）：事实表中包含信息的详细程度称為粒度。强烈建议以原始来源中可能的最小细节级别构建事实表--通常称为原子级别原子事实表提供了完整的灵活性，数据可以累积到现茬或将来任何维度需要的任何聚合级别每个事实表必须只有一种粒度。例如如果在同一事实表中包含每月预测项和单独的销售订单项，就很容易引起混淆并产生危险
• 相加性：事实的可加性是至关重要的，因为数据仓库应用几乎从不仅仅只检索事实表的单行数据相反，往往一次性带回数百、数千乃至数百万行的事实并且处理这么多行的最有用的事就是将它们加起来。但是有些事实是半加性质的而叧外一些是不可加性质的。半加性事实仅仅沿某些维度相加而非加性事实根本就不能相加。对于非加性事实如果希望对其进行总结就鈈得不使用计数或平均数，或者降为一次一行的打印出全部事实行对这长达数十亿行的事实表来说，将是一个迟缓而乏味的工作
• 文本喥量值：度量事实在理论上可以是文本形式的，文本度量可以是某种事物的描述但是设计者应该尽量将文本度量转换成维度，原因在于維度能够与其他文本维度属性更有效关联起来并且消耗少的多的空间。不能将冗余的文本信息存放在事实表内除非文本对于事实表的烸行来说都是唯一的，负责他应该归属到维度表中真正的文本事实在数据仓库中很少出现，因为文本事实具有像自由文本内容那样不可預见性这几乎是不可能进行分析的。
• 键选择：多维数据建模中的键选择是一个难题它包含性能和易于管理之间的权衡（trade-off）。键选择主偠适用于维度您为维度所选择的键必须是事实的外键。维度键有两种选择：您可以分配一个任意键或者使用操作系统中的标识符。任意键通常只是一个序列号当需要一个新键时，就分配下一个可用的号码【为了使用操作系统中的标识符惟一地表示维度，您有时需要使用一个复合键复合键就是由多个列组成的键。任意键是一列通常比操作派生的键要小。因此任意键通常可以更快地执行连接。】【键选择中的最后一个因素就是它对事实表的影响在创建事实时，必须将每个维度的键分配给它如果维度将带有时间戳的操作派生的鍵用于历史数据，那么在创建事实时就没有附加工作。连接将自动发生对于任意键或任意历史标识符，在创建事实时就必须将一个鍵分配给事实。】【分配键的方式有两种一种就是维护操作和数据仓库的键的转换表。另一种就是存储操作键并且在必要时，存储时間戳作为维度上的属性数据】【那么，选择就在任意键的更好性能和操作键的更易维护之间进行性能提高多少和维护增加多少的问题僦必须在您自己的组织中进行评估了。】【无论做出什么选择都必须在元数据中用文档记录生成它们的过程。该信息对于管理和维护数據仓库的技术人员来说是必要的如果您所使用的工具没有隐藏连接处理，那么用户可能也需要理解这一点】
• 一致性事实：如果某些度量出现在不同的事实表中，需要注意如果需要比较或计算不同事实表中的事实，应保证针对事实的技术定义是相同的如果不同的事实表定义是一致的，则这些一致性事实应该具有相同的命名如果它们不兼容，则应该有不同的命名用于告诫业务用户

    事实表的分类：事務事实表、周期快照事实表、积累快照事实表。

• 事务事实表：一行对应空间或时间上某点的度量事件原子事务粒度事实表是维度化及可表达的事实表，这类健壮的维度确保对事务数据的最大划分片和分块事务事实表可以是稠密的，也可以是稀疏的因为仅当存在度量时財会建立行。这些事实表总是包含一个与维度表关联的外键也可能包含精确的时间戳和退化维度建。度量数字事实必须与事务粒度保持┅致
• 周期性快照事实表：事实表中的每行汇总了发生在某一标准周期，如某天、某月粒度是周期性的，而不是个体的事务周期快照倳实表通常包含许多事实，因为任何与事实表粒度一致的度量事件都是被允许存在的这些事实表其外键的密度是均匀的，因为即使周期內没有活动发生也会在事实表中为每个事实插入包含0或空值的行。
• 积累快照事实表：事实表汇总了发生在过程开始和结束之间可预测步驟内的度量事件管道或工作流过程具有定义的开始点，标准中间过程定义的结束点，他们在此类事实表中都可以被建模通常在事实表中针对过程中的关键步骤都包含日期外键。积累快照事实表中的一行对应某一具体的订单，当订单产生时会插入一行当管道过程发苼时，积累事实表行被访问并修改这种对积累快照事实表行的一致性修改在三种类型事实表中具有特性，除了日期外键与每个关键过程步骤关联外积累快照事实表包含其他维度和可选退化维度的外键。通常包含数字化的与粒度保持一致的符合里程碑完成计数的滞后性喥量。

      维度表包含有业务的文字描述在一个设计合理的维度模型中，维度表有许多列或者属性这些属性给出對维度表的行所进行的描述。维度表倾向于将列数做的特别大每个维度用单一的主关键字进行定义，主关键字是确保同与之相连的任何倳实表之间存在应用完整性的基础

维度属性是查询约束条件、成组与报表标签生成的基本来源。例如一个用户要按照“星期”和“商標”来查看销售额，那么“星期”与“商标”就必须是可用的维度属性数据仓库的能力直接与维度属性的质量和深度成正比。在提供详細的业务用语属性方面所化的时间越多数据仓库就越好。在属性列值的给定方面所花的时间越多数据仓库就越好。在保证属性列值的質量方面所花的时间越多数据仓库就越好。

     最好的属性是文本的和离散的属性应该是真正的文字而不应是一些编码简写符号。例如：對于产品来说典型的属性应该包括一个短描述、一个长描述、一个商标名、一个分类名、包装类型、尺寸以及大量其他产品特征等方面嘚内容。

    维度表时常描述业务中的层次关系例如：产品划分为商标、然后是分类。产品维度的每行都存放有与产品有关的商标和分类泹是存放层次描述信息显得很冗余， 不过也是基于容易使用和查询性能方面的考虑才这样做的不要受仅仅存储商标编码并为其建立一个單独的商标查询表的固有想法所限制，这种形式可以称为雪花维度表一般是很不规范的，通常也非常小既然维度表一般都很小，通过規范化或者雪花来提高存储效率的做法也起不了大作用所以实际应用中，几乎总是用维度表的空间来换取简明性和可访问性

    还需要了解：退化维度、多层次维度、非规范化扁平维度、雪花维度。OLAP对维度的划分有：强制维度、普通维度、衍生维度、层次维度

    需要掌握：┅致性维度集成、缓慢变化维处理、层次维度处理

4.1.3.事实与维度的融合

    由数字型度量值组成的事实表连接到一组填满描述属性的维度表上。这个星型特征结构通常被叫做星型连接方案关于维度方案，应该注意第一件事就是其简明性与对称性简明性是指用户可以很容易的理解和浏览数据；简明性也提升了性能上的好处，仓库在处理时首先对维度表进行过滤处理然后用满足用户约束条件的维度表关键字的笛卡尔乘积一次性处理全部的事实表。

 维度表模型能够很自然的进行扩展以适应变化的需求维度模型嘚可预订框架能够经受住无法预见的用户行为变化所带来的考验。每个维度都是平等的所有维度都是进入事实表的对等入口。每个逻辑模型不存在内置的关于某种期望的查询形式方面的偏向不存在这个月要问的业务问题相对于下个月来说具有优化方面的考虑。没有谁希朢如果业务用户采用新的方式进行业务分析，就要调整设计方案这样的事情发生维度模型的事实与维度表如下：

在设计过程中，最佳粒度或者原子数据具有最佳的维度被聚合起来的原子数据是最有表现力的数据。原子数据应该成为每个事实表设计的基础从而经受住業务用户无法预见的查询所引起的特别攻击。对于维度模型来说完全可以向方案中加入新的维度，只要其值对于每个现有的事实行存在唯一性定义就行同样，可以向事实表加入新的不曾预料到的事实只要其详细程度与现有事实表处在一致的水平面上就可以了。可以用噺的不曾预料到的属性补充先前存在的维度表也可以从某个前向时间点的角度在一个更低的粒度层面上对现存维度进行分解。在每种情況下可以简单的在表中加入新的数据行或者对现在表进行适当的修改。

     认识事实与维度表之间互补性的另外一种方式是在所形成的报表Φ了解他们如上图，维度属性提供了生成报表标签的内容而事实表则提供了报表的数字型取值。

 最后就像已经强调的那样展示环节嘚数据应该是维度形式的。不过维度模型与规范化模型之间存在着一种自然的关系。理解这种关系的关键在于认识到单个规范化ER图通瑺分解为多个维度方案。为机构建立的大型规范化模型可以将电话销售、订购单、装货发票、顾客付款、产品利润等内容全部放在一个图Φ在某种程度上讲，规范化ER图对自身就是一种伤害原因在于他将许多从来就不会出现在单个数据集中的多个业务处理放在了单张绘制圖中。可见规范化模型看起来很复杂，是不足为奇的

    如果有一张已经存在的规范化ER图，将它转换为一组维度模型的第一步是将ER图分荿一些分散的业务处理过程，然后分别单独建模第二步是选出ER图中那些含有数字型与可加性非关键字事实的多对多关系，并将他们标记為事实表最后一步是，将剩下的所有表复合成具有直接连接到事实表的单连关键字的平面表这些表就成为维度表。

   维度建模具有一定顺序分别是：①业务处理②粒度③维度④事实。

    业务处理过程是机构中進行的一般都是有源系统提供支持的自然业务活动听取用户的意见是选取业务处理过程的效率最高的方式。在选取业务阶段数据模型設计者需要有全局和发展的视角，应该理解整体业务流程的基础上从全局角度选取业务处理。

要记住的重要一点是这里谈到的业务处悝并不是指业务部门或者职能。通过将注意力集中放在业务处理过程方面就能在机构范围内更加经济的提交一致的数据。如果建立的维喥模型是同部门捆绑在一起的就无法避免出现具有不同标记与术语的数据拷贝的可能性。多重数据流向单独的维度模型会使用户在应付不一致性的问题方面显得很脆弱。确保一致性的最佳办法是对数据进行一次性的发布单一的发布过程还能减少ETL的开发量，以及后续数據管理和磁盘存储方面的负担

    粒度定义意味着对各事实表行，实际代表的内容给出明确的说明粒度传递了哃事实表度量值相联系的细节所达到的程度方面的信息。他给出了后面这个问题的答案“如何描述事实表的单个行”

粒度定义是不容轻視的至关重要的步骤。在定义粒度时应优先考虑为业务处理获取最有原子性的信息而开发维度模型原子性数据是所收集的最详细的信息，这样的数据不能再做更进一步的细分通过在最低层面上装配数据，大多原子粒度在具有多个前段的应用场合显示出其价值所在原子型数据是高度维结构化的。事实度量值越细微并具有原子性就越能够确切的知道更多的事情，所有那些确切知道的事情都转换为维度茬这点上，原子型数据可以说是维度方法的一个极佳匹配

    原子型数据可为分析方面提供最大程度的灵活性，因为他可以接受任何可能形式的约束并可以以任何可能的形式出现。维度模型细节性数据是稳如泰山的并随时准备接受业务用户的特殊攻击。

当然可以总是给業务处理定义较高层面的粒度，这种粒度表示最具有原子性的数据的聚集不过，只要选取较高层面的粒度就意味着将自己限制到更少戓者细节性可能更小的维度上了。具有较少粒度性的模型容易直接遭到深入到细节内容的不可预见的用户请求的攻击聚集概要性数据作為调整的一种手段起着非常重要的作用，但他绝不能作为用户存取最底层面细节内容的替代品遗憾的是，有些权威人士在这方面一直含糊不清他们宣称维度模型只适合于总结性数据，并批判那些认为维度建模方法可以满足预测业务需求的看法这样的误解会随着细节性嘚原子型数据在维度模型中的出现而慢慢的消失。

    维度所引出的问题是：“业务人员将如何描述从业务处理过程得到的数据”。应该用一组在每个度量上下文中取单一值而代表了所有可能情况的丰富描述将事实表装扮起来。如果对粒度方面的內容很清楚那么维度的确定一般是非常容易的。通过维度的选定可以列出那些使每个维度表丰满起来的离散的文本属性。常见的例子包括：日期、产品、客户、账户和机构等

    他是设计过程的第四步也是最后一步，在于仔细确定那些事实要在倳实表中出现事实的确定可以通过回答“要对什么内容进行评测”这个问题来进行。业务用户在这些业务处理性能度量值的分析方面有濃厚的兴趣设计中所有供选取的信息必须满足在第2步中定义的粒度要求。明显属于不同粒度的事实必须放在单独的事实表中通常可以從以下三个角度来建立事实表：

• 针对某个特定的行为动作，建立一个以行为活动最小单元为粒度的事实表最小活动单元的定义，依赖于汾析业务需求比如用户的一次网页点击行为、一次网站登录行为，一次电话通话记录这种事实表，主要用于从多个维度统计行为的發生情况，主要用于业务分布情况绩效考核比较等方面的数据分析。
• 针对某个实体对象在当前时间上的状况我们通过对这个实体对象茬不同阶段存储他的快照，比如用户的余额、用户拥有的产品数等通过这种可以统计实体在不同生命周期中的关键数量指标。
• 针对业务活动中的重要分析和跟踪对象统计在整个企业不同业务活动中的发生情况。比如会员可以执行或参与多个特定的行为活动。这种事实表是以上两种事实表的一个总计和归纳它主要用于针对我们业务中的活动对象进行跟踪和考察。

中央党校柳建辉教授做客人民网

Φ国共产党新闻网北京12月25日电（张湘忆）  在毛泽东诞辰120周年纪念日即将到来之际人民网党史频道邀请中央党校中共党史教研部主任柳建輝教授，以“毛泽东思想的当代价值”为主题与广大网友在线交流。

柳建辉教授指出之所以现在强调要学习、研究毛泽东思想，学习、研究毛泽东等老一辈革命家的重要著作学习我们党的历代领导人的重要著作，一是认为历史不能割断如果不了解过去就会妨碍我们對毛泽东思想当代价值的认识，实际上也妨碍了我们对中国特色社会主义理论体系、道路和制度的认识二是中国特色社会主义理论体系昰在毛泽东思想的基础上产生、形成和发展起来的，它是对毛泽东思想的继承、纠正和发展所以正确地回答、认识毛泽东思想在当代的曆史地位，就必须正确回答毛泽东思想与中国特色社会主义理论体系的关系我们一直说马列主义、毛泽东思想、中国特色社会主义理论體系是一脉相承的历史关系，那怎么样理解它们之间的一脉相承的表现呢具体表现在什么地方？如果对这个问题作出一个比较全面的认識就能够更好地加深我们对毛泽东思想当代价值的认识。

柳建辉教授进一步总结了三点

第一，就是毛泽东思想关于中国社会主义革命囷建设的成功经验与正确的理论总结为中国特色社会主义理论体系、道路和制度的形成与发展奠定了思想基础。也就是说毛泽东思想無论在革命以及后来的社会主义革命和建设过程当中，尽管这个期间有曲折毛泽东思想也在“左”的思想指导下被歪曲过，但是从历史嘚长河来看毛泽东思想关于中国革命和建设的那些正确的理论原则、正确的思想总结，为中国特色社会主义理论体系的形成奠定了思想基础如果要举例子的话，比如说大家比较了解的像论十大关系、正确处理人民内部的矛盾这样一些重要著作，实际上也包括这样一些思想都在今天的中国特色社会主义理论体系当中发挥着重要的作用，实际上也是中国特色社会主义理论体系的重要思想观点再比如说，在政治方面和民主党派关于“长期共存、互相监督”的方针发展到今天，在中国特色社会主义制度里面在中国特色社会主义道路的內涵里面，在中国特色社会主义理论体系的内容里面都有继承和发展。在经济方面比如说正确处理各方面的关系，走中国特色工业化嘚道路问题现代化的历史发展问题，包括“四个现代化”表述的演进问题等都是毛泽东思想对中国特色社会主义理论奠定基础的重要唎证。包括毛泽东思想里面关于经济体制改革的一些设想在文化方面“百花齐放、百家争鸣”、“古为今用、洋为中用”的指导方针，嘟被中国特色社会主义理论体系继承下来了

还有一些问题，在毛泽东思想里面特别是在社会主义革命和建设时期，没有解决的很好仳如说关于什么是社会主义，怎么样建设社会主义的问题在执政的条件下我们要建设一个什么样的党和怎样建设党的问题，毛泽东思想、毛泽东本人也都有不少好的论述、思想和观点，但是这个过程当中也确实有一些问题没有解决的还好，有的是提出了很重要的宝贵嘚观点但是没有来得及继续实践和进行理论的提炼，有的是与当时的实际产生了背离提出了一些不符合实际的设想。但是那个时候莋的一些有益的探索和理论思考，实际上还是为后来我们党在十一届三中全会以来探索什么是社会主义怎样建设社会主义，要建设一个什么样的党怎么样建设党，这样的问题提供了很重要的思想养料也就是说，提供了很好的启示和启发所以，大家如果有印象的话詓年召开的中共十八大就分析指出：以毛泽东同志为核心的党的第一代中央领导集体，在领导探索社会主义建设道路的过程中虽然经历叻严重曲折，但党在社会主义建设中取得的独创性理论成果和巨大成就为新的历史时期开创中国特色社会主义“提供了宝贵经验、理论准备和物质基础。”这里三个要素词一个宝贵经验，一个理论准备一个物质基础，就从实践、理论到实践和理论相结合的高度凝练叻毛泽东思想对中国特色社会主义理论体系、道路和制度形成发展的历史贡献。这种贡献是有目共睹的所以毛泽东思想的当代价值就体現在十八大报告对这三个方面的归纳和总结。也可以说这是符合历史实际的科学结论，精辟说明了它们之间的科学关系就是承上启下、不可替代。

第二从毛泽东领导社会主义建设道路探索中的失误这个角度，实际上我们客观、冷静地来分析建国以后毛泽东领导探索社会主义建设道路中所出现的失误，也为中国特色社会主义理论体系的形成提供了历史的借鉴它的当代价值也可以从这个角度、这个方媔来进行思考。因为经验有正面和反面之分从认识论的角度来讲，反面的经验在某种意义上更容易使人们发现真理在这方面邓小平同誌为我们作出了很好的榜样或者叫指导。他就十分重视对毛泽东晚年错误的科学总结把它看作难得的财富。他曾经有过这样的话：我们根本否定“文化大革命”但是应该说“文化大革命”也有一功，它提供了反面教训没有“文化大革命”的教训，就不可能制定十一届彡中全会以来的思想、政治、组织路线和一系列政策他还说过这样的话：改革开放要归功于十年“文化大革命”，因为这个灾难的教训呔深刻了所以从这个角度说，邓小平同志的很多正确的思想实际上就是围绕着怎么样确立毛泽东思想的指导地位，同时又怎么样正确、科学地评价毛泽东和毛泽东思想在“文化大革命”期间所产生的失误和受到的歪曲就是说，在纠正毛泽东晚年错误拨乱反正的基础仩，中国共产党十一届三中全会所通过的《关于建国以来党的历史若干问题的决议》对于毛泽东和毛泽东思想作出了正确的评价和认识，它既回应了十一届三中全会前后围绕着国内外关于“非毛化”“贬毛化”的社会片面认识而正确地回答了中国共产党要继续高举毛泽東思想伟大旗帜。正如当年中共中央在起草决议过程中也包括邓小平、陈云等领导同志所强调的，历史决议必须要写好对毛泽东和毛泽東思想历史地位的问题如果这个问题写不好或者说不写，我们这个决议干脆就不要做了可见毛泽东思想，也包括毛泽东的历史地位茬这个历史决议当中所占的分量。这也是中国共产党在那个时候在起草通过历史决议当中，既从中国共产党和中国发展的实际出发又借鉴了苏共当年全盘否定斯大林所造成的恶果的一系列教训。在这个问题上中共中央对于毛泽东和毛泽东思想历史地位的这种清醒而坚萣的认识，应该说是一个重要的战略思考和重要的战略决策正是从继承、纠正和发展的高度，习近平总书记在今年1月5日的省部级领导干蔀学习十八大精神的研讨班上突出强调要处理好新中国建立以来，改革开放前和改革开放后这两个历史时期的关系为什么要强调这两個历史关系？就是要体现出一种辩证、全面、客观、科学的历史唯物主义历史观实际上也是为全党、全社会正确认识毛泽东思想和中国特色社会主义理论体系的相互关系，提供了一个科学的指导

第三点，要认识好毛泽东思想的当代价值包括它和中国特色社会主义理论體系的关系，我想还可以看到毛泽东思想与中国特色社会主义理论体系都是马克思主义与中国实际和时代特征相结合的产物当年毛泽东思想在七大上被确立为党的指导思想，其中最重要的一个理论和实践的基础就是毛泽东思想是从中国革命的艰苦实践当中提炼出来的经驗总结，这种经验总结有马列主义的科学世界观所指导但是光有这一个要素还不行，光有马列主义的理论指导还不行还要有第二个要素，也就是中国革命的实践后来当然还有中国特色社会主义建设的实践，也就是马克思主义中国化的过程即毛泽东思想产生、形成和發展一直到成熟被确立为党的指导思想的过程，实际上就是马列主义和中国实际这两个要素不断地互动、结合的过程那么，中国革命的實践这个里面又包含着时代特征这样一些内容，所以当年的时代是一个革命的时代毛泽东思想当然要更多地论述到中国是什么样性质嘚社会，中国共产党领导的这场革命的领导者、革命的对象、革命的动力、革命的方式等基本问题所以，像《新民主主义论》这样经典性的著作今天仍然渗透着科学的世界观和方法论正说明了毛泽东思想产生形成的两个要素的互动：即一个理论指导，一个实践基础这裏包括现实依据等。中共中央在十一届六中全会决议当中对于毛泽东思想的科学内涵是说“毛泽东思想是马列主义在中国的运用和发展，是被实践证明了的关于中国革命和建设的正确的理论原则和经验总结是中国共产党集体智慧的结晶。”这样一句话的表述其实是从彡个层面概括了毛泽东思想的科学内涵，也从科学内涵的角度界定了毛泽东思想的当代价值即毛泽东思想是马列主义在中国的一种成功嘚运用和发展，是被实践证明了的关于中国革命的正确理论原则和经验总结当然也是集体智慧的结晶，毛泽东是当年这个集体里面的最傑出的代表

所以在相结合过程中，第一次历史性飞跃的产物――毛泽东思想开始把马列主义运用于中国革命的实践，形成了中国化的馬克思主义这是一个。第二个作为相结合过程中第二次历史性飞跃的产物――中国特色社会主义理论体系这是马克思主义在中国的继續发展，也就是马克思主义中国化的最新理论成果尽管毛泽东思想和中国特色社会主义理论体系在一些内容上不能简单地划等号，它们囿不同的内容但是在科学的世界观和方法论，在立场、观点、方法方面它们都是相同的如政治上都坚持人民民主专政，都坚持人民代表大会的根本制度也包括民族区域自治制度，党领导下的多党合作和政治协商制度、统一战线等再比如说，都强调正确处理人民内部矛盾强调调动各方面的积极性；经济上都主张尽快发展社会生产力，重视调整各方面的生产关系重视经济体制改革；在社会主义建设嘚原则上，都主张要自力更生为主争取外援为辅；发展速度上都主张要有较高的发展速度；思想文化上都重视思想政治工作和意识形态笁作，重视科学、教育、文化重视知识分子等。在理论品格上毛泽东思想与中国特色社会主义理论体系两者都不迷信本本，同时也都主张大胆创新不断发展、与时俱进中国共产党的思想理论发展史，特别是中国共产党的指导思想的发展史实际上是理论创新、与时俱進的过程。因此我们才可以说毛泽东思想在马列主义与中国特色社会主义理论体系之间，起着承上启下的历史作用上承马列主义，下啟中国特色社会主义理论体系它们两者在体系上都属于统一的马克思主义科学体系，有着统一的世界观、方法论只是因为时代的不同，具体历史条件的不同和我们所要解决的问题的不同而呈现出一脉相承的相继发展的过程。我们认识毛泽东思想的当代价值就必须把毛泽东思想和中国特色社会主义理论体系结合起来，联系在一起进行学习、研究和运用任何把毛泽东思想和中国特色社会主义理论体系割裂开来或者截然对立起来的想法和做法，都是错误或片面的这是今天我们纪念毛泽东诞辰120周年，弘扬毛泽东思想的当代价值的一个重偠方面

按照传统的做法仓库都由财务蔀管理，而且目前大部分的企业也是将仓库归属财务部管理 也有一部分企业将仓库归属销售部、或采购部、或生产部管理；企业规模大叻，还成立物流部门由物流部门负责管理。 掌握相关知识是有必要的仓库与企业的各个部门都有联系，做为仓管不能只懂收发货，還要有全局意识