（2）中间层模型（数据项集或者DIS）
对高层模型中每个实体建一个中间层模应税型。即：上述模型中每一个实体（卖家、买家、订单）都对应一个DIS。中间层模型的4个基本构造：
从中间层模型细化而来，有时也称物理模型为关系表。如果要搭建好这一层，你需要进行如下两步操作：
第一步：确定数据粒度。
啥是“数据的粒度”？数据粒度：数据最小的单元和数据汇总的单元，粒度越小表示越细，粒度越大表示越粗。例如：分钟级别的数据粒度一定四川省比月级别的数据粒度小。
为啥要预估数据的粒度？好处是啥？
要回答好这个问题，首先要回忆一下上篇文章讲解的「3层6类」数据分层。数据分层的方式有很多，针对不应税同体量、不同业务需求的数据会有不同的设计架构。并且数据粒度的预估同时可以带来如下的好处：
- 多视角分析数据：可以通过不同的粒度对数据进行分析。
- 低粒度数据灵活：有了最小粒度的数据，可以定位到根本的原因
- 高粒度数据概括：对于高度概括的数据，可以对整体业务进行把控
- 未知数据需求：对于未来的各种预测场景，可以通过所搭建的各类数据建设去进行解决
数据粒度的分档有哪些？
数所得率据粒度的预估过程如下：对数仓中将来的数据行数和所需的DASD（直接存取存储设备）数进行粗略估算。分档可以按照如下进行分档：
- 少量数据：数据有10000行：啥粒度都可以，闭眼建粒度
- 中等数据：数据有10000000行：需要一个低粒度级别，例如：天和周比起来就是低粒度，秒和分钟比起来就是低粒度
- 大量数据：数据有100亿行：需要高粒度级 数据移到溢出存储器。
如何预估数据粒度?
对一个已知的表，预估的方式如下：
- 一张表的总空间=每行空间的大小*行数*时间 索引数据的大小*时间
- 总空间=表1的空间 表2的空间 …. 表N的空间每行空间的大小要分别从最大和最小考虑：
- 每行空间的大小 = [每行的最小估计值（下限），每行的最大估计值（上限）]行数的预估，同样需要需要预估下时间范围企业所得税内的最大和最小值：
- 行数=[最小行数（下限），最大行数（上限）]
时间范围可以暂且按照一年和五年这两个时间去预估考虑下。
注意：
溢出存储器中的数据。一年内总行数超过100000000，需小心设计，计算器可以把一部分数据转移到溢出存储器中，从而应对数据量过大对性能造成的影响
确定粒度级别。首先要靠常识和行业处理经验进行合理的推断，接着要考虑对数据仓库获取数据的各个不同的体系结构实体的需求进行预测
第二步：考虑各种因素的核心物理I/O的使用情况。
物理IO就是将数据从外部存储器调入计算器，或将数据从计算器送到外部存储器。为啥要进行物理IO的考虑？
为什么要考虑这一步？首先数据模型输出的都是表，每张表上承载的数据是有限的，所以需要通过表和表四川之间的关联进行关联。关联的方式就显得异常重要，如何设计表和表之间的链接，显得所得率尤为重要。如果设计好了可以减少访问次数，降低IO；如果计算器设计不好就会造成数据冗余，访问困难，会提升IO。
如何进行规范化从而降低物理IO？
数据在计算机和外部存储之间的传送以块为单位。从性能来看，物理IO重要是因为：存储器和计算器间的数据传输速度比计算器运算速度四川要慢2-3个数量级。物理IO是影响性能的主要因素。那么如何进行规范化降低物理IO，可以根据情况使用如下方式：
- 数据数组：数据放在数组的一行中，这样可以一次性去获取所需数据。
- 合并表：常用数据合并为一张表
- 选择冗余：特意引入冗余数据。常用信息散落各个表中，便于查看
- 分离数据：从访问次数这个角度把一张表中的数据分为高频数据和低频数据。分别建一张高频表和一张低频表
- 导出数据：生成一个字段来存储计算出的数据
- 预格式化
- 人工关系
- 预连接表
三、Inmon模型适用范围
Inmon模型的特点是：开发进度慢，实施成本高，建设周期很长。尤其是建设前期需要花费大量时企业所得税间，后期投入相对比较小，对开发人员的要求比较高，一般会选择专家团队进行开发，维护起来相对而言比较容易。
适合对设计科学性和规范性较高的企业，在业务模式较固定的行业应用较好，比如金融、电信、石油等行业。
四、Inmon模型小结
优点：可以系统性的满足企业需求。因为Inmon采用的思路是自上而下的的建设方法，统一接入系统元数据，统一根据业务部门需求建设数据集市。因为建设较为规范，所以后期的维护成本非常小
缺点：瀑布式建设，前期建设人力（需要专家团队建设）、资源等投入四川省很大。由于它的思路是从数据源头进行系统性的全面建设，一次性接入所有数据，打通所有数据，建好所有模型，所以建设的代价很大。
