LDM

黑白分明的结构图，搭配清晰的逻辑链路，PARTY 主题—信用-FS-LDM 培训材料真的是搞信用建模的朋友的好帮手。它把信用额度、当事人、评级、系统违约历史等核心字段都整理得挺明白，做业务梳理的时候能省不少事。当事人的信用评分和外部名单历史的关系也列得蛮清楚，想把模型建好，先得搞清楚数据之间的这些小九九。拿来当参考模版，或者对照自家系统对齐字段，都是挺合适的。哦对了，如果你刚好在做FS-LDM建模，强烈推荐顺手看看FS-LDM 相关实体的当事人财务档案-TD 数据仓库模型详解，细节拉满，不看可惜。另外几个资料也不错，比如R 语言信用卡违约率建模九种机器学习方法实现这个，用来对比各算法表现，还挺

LDM实现为PDM的条件： 核心业务规则（70%） 软/硬件平台特性（10%） 个性化用户/开发商（20%）

PARTY 主题的名称逻辑蛮值得参考的，是当事人姓名、机构、历史称谓这些信息的梳理方式，贴合实际业务场景。嗯，像正式称呼、昵称、尊称、简称这些名字的各种形式，它都有覆盖，连前缀都考虑到了，挺细的。 FS-LDM 的培训材料里，讲了不少关于名称建模的干货。比如你要建个数据仓库，名字字段总是绕不开吧？这里就把正式名称、历史名称、非正式称呼等字段都拆得明明白白。你就按它那套做，清洗数据方便、查询也高效。 另外，有些关联资源也蛮有用，比如RapidMiner扩展配合NamSor来识别名字的性别和文化背景，国际化场景贼香。还有那个TD 模型，不光名称，还有角色和财务档案也能串起来，模型设计思路实用。 还

通过建立超级父类实体，可以发现共性并集中存放，从而使应用程序的开发更加便捷。这一过程还能减少多个实体之间的复杂关联，进而提升模型的清晰度和可维护性。Super Type Sub Type抽象整合业务模型设计的精髓，为用户提供单一视图的高效解决方案。

业务关系更全面 主索引选择更灵活 数据分布更合理 全表扫描更少 连接选择更多 优化器性能更佳 数据分离更优（耦合度更低） 底层模型与用户分离更清晰 数据控制更完善 行字段更简洁 应用分离更彻底 行大小更小 数据块大小更合适 日志空间更节省 物理I/O更低

FS-LDM 协议评分与评级模型：基于 TD 数据仓库 本部分重点解析 FS-LDM 框架下，以 TD 数据仓库为基础构建的协议评分与评级模型。

Teradata 的 FS-LDM 模型 V10.0 参考手册第二册，结构清晰，内容覆盖蛮全面。尤其适合正在搞数据仓库建模或者深入 FS 主题的朋友。里面不光有模型结构，还有不少关于实体关系的，看着就省心。 FS-LDM 的这个新版本，多细节做了调整，比如PARTY主题的实体分类方式，逻辑更清晰了。想搞清楚信用评级、当事人资产之类的业务逻辑，这本手册还挺能帮上忙的。 讲到建模，手册里配的建模示例蛮实用，不是那种一堆抽象图，而是结合了TD 数据仓库的实际用例，讲得透彻，学完就能上手。建议搭配FS-LDM 客户化建模示例一起看，效果更好。 另外，想了解PARTY类的朋友，顺手翻下PARTY 主题信

TD数据仓库模型介绍 建模过程： 协议产品历史 协议状态历史 协议关系历史 资产价值历史 当事人资产评估 资产检查历史 协议资产关系历史

重要的社交聚会—核心实体和关系t当事人t机构t个人t潜在客户信息t客户资产信息t信用评级评分信息t名称信息t………… t当事人之间的关系t当事人和账户的关系t当事人和产品的关系t当事人和事件的关系t当事人和地址的关系t…………

FS-LDM模型在交易系统模型的基础上，引入了TD数据仓库模型，用于存储和管理营销活动地址和当事人资产信息。 TD数据仓库模型的建立过程包括以下步骤： 需求分析与数据源确定: 明确业务需求，确定所需数据的来源。 数据模型设计: 设计数据仓库的表结构，包括字段定义、数据类型、关系等。 数据ETL: 从源系统中抽取数据，进行数据清洗、转换和加载到数据仓库中。 数据质量校验: 对数据仓库中的数据进行质量校验，确保数据的准确性和完整性。 模型部署与应用: 将数据仓库模型部署到生产环境，并应用于实际业务场景。