邏輯模型建設方法
邏輯建模是數據倉庫實施中的重要壹環,因為它能直接反映出業務部門的需求,同時對系統的物理實施有著重要的指導作用。目前較常用的兩種建模方法是所謂的第三範式 (3NF,即 Third Normal Form)和星型模式 (Star-Schema)
第三範式
關系模式滿足以下特征：
1 每個屬性的值唯壹,不具有多義性;
2. 每個非主屬性必須完全依賴於整個主鍵,而非主鍵的壹部分;
3. 每個非主屬性不能依賴於其他關系中的屬性,因為這樣的話,這種屬性應該歸到其他關系中去
星型模型
星型模式是壹種多維的數據關系，它由壹個事實表(Fact Table)和壹組維表(Dimens ion Table)組成。每個維表都有壹個維作為主鍵，所有這些維則組合成事實表的主鍵，換言之，事實表主鍵的每個元素都是維表的外鍵。事實表的非主屬性稱為事實 (Fact)，它們壹般都是數值或其他可以進行計算的數據;而維大都是文字、時間等類型的數據。
第三範式和星型模式在數據倉庫中的應用
大多數人在設計中央數據倉庫的邏輯模型時，都按照第三範式來設計;而在進行物理實施時，則由於數據庫引擎的限制，不得不對邏輯模型進行不規範處理 (De-Normalize)， 以提高系統的響應速度，這當然是以增加系統的復雜度、維護工作量、磁盤使用比率 (指原始數據與磁盤大小的比率)並降低系統執行動態查詢能力為代價的。
那麽，在中央數據倉庫中是否可以采用星型模式來進行模型設計呢?我們知道，星型模式中有壹個事實表和壹組維表，我們可以把事實看成是各個維交叉點上的值。
星型模式之所以速度快，在於針對各個維作了大量的預處理，如按照維進行預先的統計、分類、排序等。因此，在星型模式設計的數據倉庫中，作報表的速度雖然很快，但由於存在大量的預處理，其建模過程相對來說就比較慢。當業務問題發生變化，原來的維不能滿足要求時，需要增加新的維。由於事實表的主鍵由所有維表的主鍵組成，這種維的變動將是非常復雜、非常耗時的。星型模式另壹個顯著的缺點是數據的冗余量很大。綜合這些討論，不難得出結論，星型模式比較適合於預先定義好的問題，如需要產生大量報表的場合;而不適合於動態查詢多、系統可擴展能力要求高或者數據量很大的場合。因此，星型模式在壹些要求大量報表的部門數據集市中有較多的應用。
總之，上面討論了數據倉庫模型設計中常用的兩種方法。對於部門數據集市，當數據量不大、報表較固定時可以采用星型模式;對於企業級數據倉庫，考慮到系統的可擴展能力、投資成本和易於管理等多種因素，最好采用第三範式。
邏輯模型指數據倉庫數據的邏輯表現形式。從最終應用的功能和性能的角度來看，數據倉庫的數據邏輯模型也許是整個項目最重要的方面，需要領域專家的參與。從內容上看，涉及的方面有確立主題域，粒度層次的劃分，確定數據分割策略，關系模式的確定。
邏輯模型的質量標準
對邏輯模型的評估，就是對邏輯模型質量的考察，什麽是邏輯模型的質量呢？從狹義的概念說，邏輯模型是否正確表達了業務規則，也就是準確，但是隨著人們對數據倉庫認識的加深，質量的含義不斷延伸,現在對模型質量要求不僅僅單純指單純的業務規則，還包括模型滿足用戶分析需求的程度，它是壹個包含豐富內涵、具有多維因素的綜合性概念。相應地邏輯模型質量概念的認識也從狹義向廣義轉變，準確性已不再是衡量唯壹標準。評估邏輯模型壹般包括如下方面的標準
正確性
邏輯模型的建設方法是正確的，遵循了從上到下和從下到上相結合的方法，選擇了正確的模型表示方式，對實際業務采用正確的概化抽象。
準確性（精度）
指邏輯模型和實際業務即“真值”之間的差異程度。誤差越小，準確性就越高。這裏，所謂的“真值”是可知的，盡管邏輯模型經過了抽象，概化等方法總結***性，但是模型的具體化後，與“真值”是應當符合的。可以通過範圍誤差、計數誤差、不回答率、加工整理差錯、模型假設誤差等影響準確性的各個因素，測算統計估算值的變動系數、標準差、均方差、曲線配合吻合度、假設檢驗、偏差等，修正邏輯模型將其的誤差控制在壹個可接受的置信區間內。
適用性
指收集的信息是否有用，是否符合用戶的需求。它要求邏輯模型的粒度，分割方式符合用戶的分析需求。
可解釋性
是指在公布邏輯模型時，應同時公開邏輯模型的的補充解釋信息或稱為“元數據”，即關於模型數據的解釋說明。內容包括所使用的建設方法，建設目標，以防止模型數據二義性導致錯誤解釋和使用。
完備性
目前的業務需求和所用的業務規則完全包含在邏輯模型中。模型中不存在沒有包含的需求業務對象（如實體，屬性，以及之間的關系）
壹致性
模型中的各個對象命名方式統壹，有明確的命名規範。而且模型中各個相關對象的粒度壹致，業務邏輯模型對象的劃分標準應當統壹。
擴展性
當新的業務產生時，僅僅是增加了相關邏輯模型對象的實例內容，不影響目前的邏輯模型，模型這些分類能夠隨統計分析需求的不同進行相應的調整，無需改變數據庫結構，具有靈活的擴展性。僅在個別情況下，需要對邏輯模型的屬性或者實體本身增加，支持分步驟的實施。
可銜接性
邏輯模型來自擁有行業經驗的概念模型，裏面凝聚了許多成功的經驗，而且從規劃上符合行業系統的長遠發展，因此邏輯模型應當從概念模型上相對平滑的過度過來。此外，物理模型應當來自與邏輯模型，邏輯模型的建設應當具有壹定的可操作性，便於向物理模型的轉化。
邏輯模型中常犯的錯誤：
命名規範不統壹
對於匯總數據，低粒度數據或歷史數據采用已定義的命名規範。
粒度層次不統壹
有的具體，有的過於抽象
不準確
業務關系表示錯
不全面：
壹些屬性外鍵標識沒有主表
無用關聯關系多：
模型中各種對象所表示的內容，應當與用戶的業務分析需求密切相關。
與行業通用模型移動的兼容性差：
與行業通用模型存在較大的差異，不利於系統的將來發展符合信息發展的趨勢。
總結
商業智能和數據倉庫系統的建設作為壹個漸進、叠代的過程，其發展趨勢是從現有的初步應用如報表分析、數據集市，向深度和廣度復雜分析和數據挖掘技術應用發展，其依賴的數據存儲模型，包括邏輯模型和物理模型，也是壹個不斷發展，不斷豐富完善的過程。