下面以关系数据库系统Informix为例，介绍改善用户查询计划的方法。
1．合理使用索引
索引是数据库中重要的数据结构，它的根本目的就是为了提高查询效率。现在大多数的数据库产品都采用IBM最先提出的ISAM索引结构。索引的使用要恰到好处，其使用原则如下：
●在经常进行连接，但是没有指定为外键的列上建立索引，而不经常连接的字段则由优化器自动生成索引。
●在频繁进行排序或分组（即进行group by或order by操作）的列上建立索引。
●在条件表达式中经常用到的不同值较多的列上建立检索，在不同值少的列上不要建立索引。比如在雇员表的“性别”列上只有“男”与“女”两个不同值，因此就无必要建立索引。如果建立索引不但不会提高查询效率，反而会严重降低更新速度。
●如果待排序的列有多个，可以在这些列上建立复合索引（pound index）。
●使用系统工具。如Informix数据库有一个tbcheck工具，可以在可疑的索引上进行检查。在一些数据库服务器上，索引可能失效或者因为频繁操作而使得读取效率降低，如果一个使用索引的查询不明不白地慢下来，可以试着用tbcheck工具检查索引的完整性，必要时进行修复。另外，当数据库表更新大量数据后，删除并重建索引可以提高查询速度。
2．避免或简化排序
应当简化或避免对大型表进行重复的排序。当能够利用索引自动以适当的次序产生输出时，优化器就避免了排序的步骤。以下是一些影响因素：
●索引中不包括一个或几个待排序的列；
●group by或order by子句中列的次序与索引的次序不一样；
●排序的列来自不同的表。
为了避免不必要的排序，就要正确地增建索引，合理地合并数据库表（尽管有时可能影响表的规范化，但相对于效率的提高是值得的）。如果排序不可避免，那么应当试图简化它，如缩小排序的列的范围等。
3．消除对大型表行数据的顺序存取
在嵌套查询中，对表的顺序存取对查询效率可能产生致命的影响。比如采用顺序存取策略，一个嵌套3层的查询，如果每层都查询1000行，那么这个查询就要查询10亿行数据。避免这种情况的主要方法就是对连接的列进行索引。例如，两个表：学生表（学号、姓名、年龄……）和选课表（学号、课程号、成绩）。如果两个表要做连接，就要在“学号”这个连接字段上建立索引。
还可以使用并集来避免顺序存取。尽管在所有的检查列上都有索引，但某些形式的where子句强迫优化器使用顺序存取。下面的查询将强迫对orders表执行顺序操作：
SELECT ＊ FROM orders WHERE (customer_num=104 AND order_num>1001) OR order_num=1008
虽然在customer_num和order_num上建有索引，但是在上面的语句中优化器还是使用顺序存取路径扫描整个表。因为这个语句要检索的是分离的行的 *** ，所以应该改为如下语句：
SELECT ＊ FROM orders WHERE customer_num=104 AND order_num>1001
UNION
SELECT ＊ FROM orders WHERE order_num=1008
这样就能利用索引路径处理查询。
4．避免相关子查询
一个列的标签同时在主查询和where子句中的查询中出现，那么很可能当主查询中的列值改变之后，子查询必须重新查询一次。查询嵌套层次越多，效率越低，因此应当尽量避免子查询。如果子查询不可避免，那么要在子查询中过滤掉尽可能多的行。
5．避免困难的正规表达式
MATCHES和LIKE关键字支持通配符匹配，技术上叫正规表达式。但这种匹配特别耗费时间。例如：SELECT ＊ FROM customer WHERE zipcode LIKE “98_ _ _”
即使在zipcode字段上建立了索引，在这种情况下也还是采用顺序扫描的方式。如果把语句改为SELECT ＊ FROM customer WHERE zipcode >“98000”，在执行查询时就会利用索引来查询，显然会大大提高速度。
另外，还要避免非开始的子串。例如语句：SELECT ＊ FROM customer WHERE zipcode[2，3]>“80”，在where子句中采用了非开始子串，因而这个语句也不会使用索引。
6．使用临时表加速查询
把表的一个子集进行排序并创建临时表，有时能加速查询。它有助于避免多重排序操作，而且在其他方面还能简化优化器的工作。例如：
SELECT cust.name，rcvbles.balance，……other columns
FROM cust，rcvbles
WHERE cust.customer_id = rcvlbes.customer_id
AND rcvblls.balance>0
AND cust.postcode>“98000”
ORDER BY cust.name
如果这个查询要被执行多次而不止一次，可以把所有未付款的客户找出来放在一个临时文件中，并按客户的名字进行排序：
SELECT cust.name，rcvbles.balance，……other columns
FROM cust，rcvbles
WHERE cust.customer_id = rcvlbes.customer_id
AND rcvblls.balance>0
ORDER BY cust.name
INTO TEMP cust_with_balance
然后以下面的方式在临时表中查询：
SELECT ＊ FROM cust_with_balance
WHERE postcode>“98000”
临时表中的行要比主表中的行少，而且物理顺序就是所要求的顺序，减少了磁盘I/O，所以查询工作量可以得到大幅减少。
注意：临时表创建后不会反映主表的修改。在主表中数据频繁修改的情况下，注意不要丢失数据。
7．用排序来取代非顺序存取
非顺序磁盘存取是最慢的操作，表现在磁盘存取臂的来回移动。SQL语句隐藏了这一情况，使得我们在写应用程序时很容易写出要求存取大量非顺序页的查询。
有些时候，用数据库的排序能力来替代非顺序的存取能改进查询。
实例分析
下面我们举一个制造公司的例子来说明如何进行查询优化。制造公司数据库中包括3个表，模式如下所示：
1．part表
零件号?????零件描述????????其他列
（part_num）?（part_desc）??????（other column）
102，032???Seageat 30G disk?????……
500，049???Novel 10M neork card??……
……
2．vendor表
厂商号??????厂商名??????其他列
（vendor _num）?（vendor_name） （other column）
910，257?????Seageat Corp???……
523，045?????IBM Corp?????……
……
3．parven表
零件号?????厂商号?????零件数量
（part_num）?（vendor_num）?（part_amount）
102，032????910，257????3,450,000
234，423????321，001????4，000，000
……
下面的查询将在这些表上定期运行，并产生关于所有零件数量的报表：
SELECT part_desc，vendor_name，part_amount
FROM part，vendor，parven
WHERE part.part_num=parven.part_num
AND parven.vendor_num = vendor.vendor_num
ORDER BY part.part_num
如果不建立索引，上述查询代码的开销将十分巨大。为此，我们在零件号和厂商号上建立索引。索引的建立避免了在嵌套中反复扫描。关于表与索引的统计信息如下：
表?????行尺寸???行数量?????每页行数量???数据页数量
（table）?(row size)?（Row count）?（Rows/Pages）?（Data Pages）
part????150?????10，000????25???????400
Vendor???150?????1，000???? 25???????40
Parven???13????? 15，000????300?????? 50
索引?????键尺寸???每页键数量???页面数量
（Indexes）?(Key Size)?（Keys/Page)???(Leaf Pages）
part?????4??????500???????20
Vendor????4??????500???????2
Parven????8??????250???????60
看起来是个相对简单的3表连接，但是其查询开销是很大的。通过查看系统表可以看到，在part_num上和vendor_num上有簇索引，因此索引是按照物理顺序存放的。parven表没有特定的存放次序。这些表的大小说明从缓冲页中非顺序存取的成功率很小。此语句的优化查询规划是：首先从part中顺序读取400页，然后再对parven表非顺序存取1万次，每次2页（一个索引页、一个数据页），总计2万个磁盘页，最后对vendor表非顺序存取1.5万次，合3万个磁盘页。可以看出在这个索引好的连接上花费的磁盘存取为5.04万次。
建议你直接用Jdbc好了，用batch，这样是最快的。
打开数据库
con.Open();
读取数据
OdbcDataReader reader = cmd.ExecuteReader();
把数据加载到临时表
dt.Load(reader);
在使用完毕之后，一定要关闭，要不然会出问题
reader.Close();
这个问题是这样的：
首先你要明确你的插入是正常业务需求么？如果是，那么只能接受这样的数据插入量。
其次你说数据库存不下了 那么你可以让你的数据库上限变大 这个你可以在数据库里面设置的 里面有个数据库文件属性 maxsize
最后有个方法可以使用，如果你的历史数据不会对目前业务造成很大影响 可以考虑归档处理 定时将不用的数据移入历史表 或者另外一个数据库。
注意平时对数据库的维护 定期整理索引碎片
时间维度分区表，然后定情按照规则将属于历史的分区数据迁移到，历史库上，写个存储自动维护分区表。
一次性插入大量数据，只能使用循环，
如：游标，while 循环语句
下面介绍While 循环插入数据，
SQL 代码如下：
IF OBJECT_ID('dbo.Nums') IS NOT NULL
DROP TABLE dbo.Nums;
GO
CREATE TABLE dbo.Nums(n INT NOT NULL PRIMARY KEY);
DECLARE @max AS INT, @rc AS INT;
SET @max = 5000000;
SET @rc = 1;
INSERT INTO Nums VALUES(1);
WHILE @rc * 2 <= @max
BEGIN
INSERT INTO dbo.Nums SELECT n + @rc FROM dbo.Nums;
SET @rc = @rc * 2;
END
INSERT INTO dbo.Nums SELECT n + @rc FROM dbo.Nums WHERE n + @rc <= @max;
--以上函数取自Inside SQL Server 2005: T-SQL Query一书。
INSERT dbo.Sample SELECT n, RAND(CAST(NEWID() AS BINARY(16))) FROM Nums
ini_set('max_execution_time',Ɔ');
$pdo = new PDO("mysql:host=localhost;dbname=test","root","123456");
$sql = "insert into test(name,age,state,created_time) values";
for($i=0; $i<100000; $i++){
$sql .="('zhangsan',21,1,-09-17')";
}
$sql = substr($sql,0,strlen($sql)-1);
var_mp($sql);
if($pdo -> exec($sql)){
echo "插入成功！";
echo $pdo -> lastinsertid();
}
试试吧。10万条1分钟多，我觉得还行
就是直接把DataSet 类型作为参数直接传递给服务端
WCF默认支持这么做，直接传Datatable不行。
你看一下 “服务引用设置”中你选的 *** 类型是什么，我选的是System.Array
字典 *** 类型是默认第一项 System.Collections.Generic.Dictionary
又是一个把自己架在火上烤的需求啊，
如果不考虑传输因素，可以调整wcf配置，提升传递的容量，如果是对象传递可能还要调整对象层次的深度
『贰』 浅谈Oracle中大数据量表的管理
简介
随着信息业的发展 在企业级数据库应用中 经常会有一些几十GB 上百GB的数据表 这些大数据量表的设计 维护及其备份都是数据库管理中的重点及其难点 本文就从设计 维护及其备份方面探讨一下大数据量表的管理
设计
大表时效性
大数据量表的数据量一般来说是跟时间成正比的 时间越久 数据量越大 在设计阶段首先要考虑这些大表的时效性
通常情况 在一定的时间区间 数据的访问频度比较大 超过这个区间 数据的访问频度极小 这个时间区间根据不同的应用类型而不同 通常是几个月 超过这个时间区间的数据可以认为是历史数据 数据访问的可能性不打 在企业应用中 并不是所有的数据都需要保留在生产数据库中 对于这些历史数据 可以考虑离线存放 或者是存放在另外的数据库中 比如数据仓库等
大表的时效性可以通过在表上加时间戳列来实现
使用分区表
Oracle 以后提供了分区表的功能 分区表可以把一个表的数据从物理和逻辑上分割成小的区域 Oracle支持非常大的分区表 一个对象可以允许多达 个分区 对于大表来说 使用分区表是首选方案 分区表可以改善表的维护 备份 恢复及查询性能
分区表有 种分区方式
n Range Partitioning
n Hash Partitioning
n Composite Partitioning
n List Partitioning
对于有时效性的大表 可以采用按时间分区的 Range Partitioning表 例如按天分区的分区表
CREATE TABLE Test(
DATATIME DATE NOT NULL
P NUMBER NULL
P NUMBER NULL
P NUMBER NULL
P NUMBER NULL
P NUMBER NULL
P NUMBER NULL
P NUMBER NULL
P NUMBER NULL
CONSTRAINT PK_TEST PRIMARY KEY (datatime p p ) USING INDEX LOCAL TABLESPACE USERINDEX
)
PARTITION BY RANGE (DATATIME)
(PARTITION Test_ VALUES LESS THAN (TO_DATE( YYYY MM DD ))
(PARTITION Test_ VALUES LESS THAN (TO_DATE( YYYY MM DD ))
……
);
对于按时间分区仍然不能满足性能需求的表 还可以根据应用需求 使用子分区对表进一步细化
应用设计中 要充分利用分区表的特性 对大表的访问要完全避免全表访问 缩小访问范围 在查询条件中 尽量使用分区的列
维护
大表的维护工作比较繁琐 索引的维护 存储空间的维护 历史数据的清理等等 使用分区表可以简化大表的维护工作 但是如果表很多的话 手动的创建 删除分区也是一件很繁琐 而且容易出错的事情
此章节以按天分区的分区表为例讨论大表的自动维护
分区表的命名规则
分区表分区的命名应当按照一定的规则命名 以利于自动维护的实现 本例采用按天分区的分区表 分区的命名方式为TABLENAME_YYMMDD 例如 TEST表的 年 月 日的分区命名为TEST _
维护字典
在数据库中创建维护字典表 存放需要自动维护的分区表的信息 包括表名 schema 表的类型 数据在数据库中的保留时间等信息
Table Name: H_RETENTION
Column Type Null? Description
tablename Varchar ( ) Not null 表名
schemaname Varchar ( ) Not null Schema
typeid Varchar ( ) Not null 表类型 PARTITION NORMAL …
retention Number( ) Not null 该表的保存天数
自动创建分区
对于按时间分区的分区表 若不能及时创建新的数据分区 会导致数据无法插入到分区表的严重后果 数据库会产生报错信息ORA : inserted partition key does not map to any partition 插入失败
创建分区可以手工创建 也可以根据维护字典 通过系统的任务调度来创建分区 通常是在月底创建下个月的分区
自动创建分区实现如下
/**************************************************************************
Program Name:Add_Partition
Description:
创建某个用户下个月的所有分区
***************************************************************************/
PROCEDURE add_partition (v_schema IN VARCHAR )
IS
CURSOR c_td_table
IS
SELECT tablename
FROM h_retention
WHERE typeid ＝ PARTITION
AND schemaname = UPPER (v_schema)
ORDER BY tablename;
v_cur BINARY_INTEGER;
v_int BINARY_INTEGER;
v_partition VARCHAR ( );
v_date DATE;
v_days NUMBER;
sql_stmt VARCHAR ( ); String used to save sql statement
err_msg VARCHAR ( );
BEGIN
v_date := TRUNC (ADD_MONTHS (SYSDATE ) MM );
v_days :=
TO_NUMBER (TO_CHAR (LAST_DAY (ADD_MONTHS (SYSDATE )) DD ));
v_cur := DBMS_SQL open_cursor;
FOR v_table IN c_td_table
LOOP
v_date := TRUNC (ADD_MONTHS (SYSDATE ) MM );
v_partition := v_table tablename;
FOR i IN v_days
LOOP
BEGIN
sql_stmt :=
ALTER TABLE
|| v_schema
||
|| v_table tablename
|| ADD PARTITION
|| v_partition
|| _
|| TO_CHAR (v_date YYMMDD )
||
|| VALUES LESS THAN (TO_DATE(
|| TO_CHAR (v_date + YYYY MM DD )
|| YYYY MM DD )) ;
DBMS_SQL parse (v_cur sql_stmt DBMS_SQL native);
v_int := DBMS_SQL EXECUTE (v_cur);
EXCEPTION
WHEN OTHERS
THEN
err_msg :=
v_partition
|| : Create
|| TO_CHAR (v_date YYMMDD )
|| partition unsuccessfully! Error Information:
|| SQLERRM;
log_insert (err_msg); You can define your own log_insert function
MIT;
END;
v_date := v_date + ;
END LOOP;
END LOOP;
DBMS_SQL close_cursor (v_cur);
END;
自动删除过期分区
为了释放存储空间并提高大表的性能 要从数据库中删除大表中过期的历史数据 删除操作可以手工执行 也可以通过系统的任务调度来自动删除 分区表数据删除只需要删除相应的数据分区 与delete相比 有如下好处
u 速度快
u 占用回滚表空间少
u 产生日志量少
u 释放空间
如果有global的索引 删除分区后需要重建索引
自动删除分区实现如下
lishixin/Article/program/Oracle/201311/18275
『叁』 Oracle数据库大数据量表如何优化
要看数据多到何种程度。
比如一个表的笔数只是几百，如果不需要和其他大表关联内查询数据，连索引都不用建。
如果容是几十万级别的表，一般正确建索引就可以。
如果是千万级别的表，不但要正确建索引，而且要定时手工进行收集统计信息维护，不建议系统自动维护，以免影响使用性能。
如果是亿以上级别的表，则可考虑按一定条件拆分表资料，将旧资料归档，这样可改善生成表的使用。
数据库优化的同时，程序也要进行相应优化，程序和数据科学搭配，才能使性能达到最佳。
『肆』 Oracle数据库大数据量表如何优化
要看数据多到何种程度。
比如一个表的笔数只是几百，如果不需要和其他大表关联查询数据，连索引都不用建。
如果是几十万级别的表，一般正确建索引就可以。
如果是千万级别的表，不但要正确建索引，而且要定时手工进行收集统计信息维护，不建议系统自动维护，以免影响使用性能。
如果是亿以上级别的表，则可考虑按一定条件拆分表资拆好租料，将旧资料归档，这样可改旅兆善生成表的使用。
数据库优化的同时，程序也要袜盯进行相应优化，程序和
数据科学
搭配，才能使性能达到最佳。
『伍』 供应链大数据分析
供应链大数据分析
供应链大数据分析，越来越多的企业采用数据分析来应对供应链中断，并加强供应链管理(SCM)，目前有几项重大中断正在影响供应链。以下分享供应链大数据分析，一起来看看。
全面解析大数据给供应链带来的益处
时下，大数据已经完全跨越概念炒作，而成为很多行业业务发展中实实在在应用的重要武器，但是在供应链管理领域，大数据技术的应用产业发展则处于起步阶段，但是相信伴随其他行业大数据的快速发展，供应链管理中的大数据也会迅速跟上来，那么人们势必会问大数据到底能够为供应链带来哪些益处呢，下面请随乾元坤和我一同了解大数据给供应链带来的好处。
大数据与供应链
1、库存优化。比如，SAS独有的功能强大的库存优化模型可以实现在保持很高的客户满意度基础上，把供应成本降到最低并提高供应链的反应速度。
其库存成本第一年就可下降15%～30%，预测未来的准确性则会上升20%，由此带来的是其整体营收会上升7%～10%。当然还有一些其他的潜在好处，如提升市场份额等。此外，运用SAS系统，产品质量会得到显著提升，次品率也会因此减少10%～20%。
2、创造经营效益，从供应链渠道，以及生产现场的仪器或传感器网络收集了大量数据。利用大数据对这些数据库进行更紧密的整合与分析，可以帮助改善库存管理、销售与分销流程的效率，以及对设备的连续监控。制造业要想发展，企业必须了解大数据可以产生的成本效益。对设备进行预测性维护，现在就具备采用大数据技术的条件。制造业将是大数据营业收入的主要来源。
3、B2B电商供应链整合。强大的电商将引领上游下游生产计划-下游销售对接，这种对接趋势是上游制造业外包供应链管理Supply-Chain，只专注于生产Manufacturing，ProctionChain(R&D)。
物流外包上升到供应链外包是一个巨大的飞跃，体现了电商的强大竞争力和整合能力，海量数据支持和跨平台、跨公司的对接成为可能。B-B供应链整合具有强大的市场空间，能够改善我国产业布局、产业链优化、优化产能分配、降低库存、降低供应链成本、提高供应链效率。
4、物流平台规模发展，B-C商业模式整合已经成为现实，但是物流执行平台的建设是拖后腿的瓶颈。多样产品的销售供应链的整合有很大的技术难题，如供货周期、库存周期、配送时效、物流操作要求等，这样的物流中心难度很大。
大数据平台建设将驱动整体销售供应链整合;中国的还有的现实问题跨区域物流配送、城乡差异等，政府的管制是一大难点/疑难杂症，大数据平台有助于政府职能调整到位。
5、产品协同设计，过去大家最关心的是产品设计。可是现在，在产品设计和开发过程中，相关人员相互协同，工厂与制造能力也在同步设计和开发中。当前的压力在于向市场交付更具竞争力、更高配置、更低价格、更高质量的产品，而同时满足所有这些要求，是制造和工程企业的下一个重大的价值所在。这也正是大数据的用武之地。
企业如何部署大数据?
要让数据发挥价值，首先要处理大数据，要能够共享、集成、存储和搜索来自众多源头的庞大数据。而就供应链而言，这意味着要能够接受来自第三方系统的数据，并加快反馈速度。
其整体影响是增强协同性、加快决策制定和提高透明度，这对所有相关人员都有帮助。传统供应链已经在使用大量的结构化数据，企业部署了先进的供应链管理系统，将资源数据，交易数据，供应商数据，质量数据等等存储起来用于跟踪供应链执行效率，成本，控制产品质量。
大数据给供应链带来的好处
而当前大数据的概念则超出了传统数据产生、获取、转换、应用分析和存储的概念，出现非结构化数据，数据内容也出现多样化，大数据部署将面临新的挑战。
针对如今所生成、传输和存储的海量信息进行简单处理所带来的挑战。当前，数据量呈爆炸式增长，而随着M2M(机器对机器的通讯)的应用，此趋势仍将持续下去。
但是，如若能够解决这些挑战，将可以打开崭新的局面?核心在两个方面：
1、解决数据的生成问题，即如何利用物联网技术M2M获取实时过程数据，虚拟化供应链的流程。通过挖掘这些新数据集的潜力，并结合来源广泛的信息，就可能获得全新的洞见。如此，企业可以开发全新的流程，并与产品全生命周期的各个方面直接关联。与之集成的还有报告和分析功能，为流程提供反馈，从而创建一个良性的强化循环。
2、解决数据应用的问题，如何让供应链各个价值转换过程产生的数据发生商业价值，是发挥数据部署的革命性生产力的根本。大数据在供应链的应用已经不是简单的交易状态可视，支撑决策库存水平，传统ERP结构是无法承担的。因此企业必须重新做好数据应用的顶层设计，建立强大全面的大数据应用分析模型，才能应对复杂海量的数据如何发挥价值的挑战。
大数据在供应链领域的应用刚刚起步，随着供应链的迅速发展，大数据分析，数据管理，大数据应用，大数据存储在供应链领域蕴含巨大的发展潜力，大数据的投资也只有与供应链结合，才能产生可持续、规模化发展的产业
大数据分析对供应链有什么影响
如今，从物流到客户偏好的各种数据的持续增长正在迅速改变企业的经营方式，并突出了对加强数据管理和分析的强烈需求。大数据分析(指大型和复杂的数据集)的好处是显而易见的：大数据可以完全改变组织的工作方式，在效率、成本、可见性和客户满意度方面产生巨大差异。
大数据来源广泛：
-如今的技术和社交平台允许企业以评级、评论和博客评论的形式获得直接的客户反馈。
-来自移动通信、社交平台和电子商务的数据正在与来自企业系统的数据集成。
-随着物联网和机器对机器通信的引入，制造业正在从基于事件的计划转变为实时感测。
-不断发展的传感器技术可提供实时设备和产品状况数据，从而实现自动维护和过程调整。
数据在数量上、种类上和速度上都有所增长，如果以正确的方式加以利用，可以带来巨大的价值。
研究显示，企业已经在推动整个企业供应链的生产力，但在供应链功能中使用大数据分析在全球企业中并不普遍或协调得很好。受益于大数据分析的公司有三个共同点：它们拥有强大的企业级分析战略，它们将大数据分析嵌入供应链运营，它们拥有合适的人才库，能够从大数据中产生可操作的见解。
有必要雇用、培训和扶持能够帮助企业从大数据分析中受益的领导者。从人力资本的角度来看，大多数公司的定位尚不足以接受数字化供应链转型。我们分析了各行各业的50多位高级供应链高管的个人资料，以了解他们在供应链数字化方面的定位。在涉及所谓的“数字防备连续性”方面，各行各业的公司中绝大多数高管都普遍缺乏。
调研机构采访了各行各业的商界领袖，以探讨当今日益数字化的世界对首席供应链官的角色以及供应链领导者与高级管理人员中其他高管人员之间互动的影响。通过这些访谈，我们发现了供应链领导者应具备的四个关键特征，以便能够从大数据分析中获得收益：
1、对数据和系统技术有深刻的了解。当今的企业可以通过数据分析和通过数字方式收集数据来深入了解客户行为。尽管不需要首席供应链官成为信息技术（IT）专家，但他们应该对数据收集、技术和分析有足够的了解，以引导对话并为高级领导者及其供应链团队提供数字化愿景。
供应链领导者应认识到如何实施和利用相关平台和流程以及数据来自何处，并应表现出对来自各种渠道的数据范围和规模的扎实理解。重要的是，领导者必须准备好对数据采取明智的行动。
2、具有影响力的协作方法。如果首席供应链官在孤岛工作，将无法从大数据分析中获得收益。在内部，供应链领导者必须能够与首席技术官进行沟通和协作，以帮助确定适合组织的技术和政策；
与首席数据官一起了解如何最佳地捕获和使用数据；与首席营销官一起，评估供应链如何能够更专注于客户和需求驱动，并与首席执行官具体沟通更广泛的创造价值的机会。最终，供应链执行官将需要能够与内部利益相关者和外部供应商建立桥梁。
3、跨职能经验。如今的供应链管理人员具有跨部门的经验，并且能够理解和与来自多个业务部门的人员进行交流。重要的是，首席供应链官员还必须具有销售、财务或技术方面的知识。
4、发展新技能和培训他人的能力。当今的首席供应链官必须紧跟最新技术，以确保组织适当地吸收数字技能和分析人才。企业犯的最大错误之一是在没有适当准备组织的情况下实施大数据分析项目。建立内部计划以确保在整个供应链中采用技能至关重要。
要从整个供应链或整个组织的大数据分析中获取所有好处，不仅需要技术和IT。从首席执行官和执行委员会开始，企业必须准备好支持一种全新的思维方式，培养一种对创新和技术开放的文化，并愿意挑战关于供应链管理方式的惯例。
大数据分析对供应链有什么影响、中琛魔方大数据分析平台(www、zcmorefun、com)表示由于供应网络上数十亿的连接设备提供关于服务需求、位置和库存分布的实时信息，甚至实现预期的需求，理解和接受大数据的执行领导层、数字颠覆和这些趋势的人力资本方面对未来企业的优势至关重要。
"以零售门店为中心"的供应链分析框架
一、目的
本文旨在介绍“以零售门店为中心”的供应链管理，简要介绍此框架下供应链管理的具体内容及行业痛点。
二、供应链是什么？
供应链
所谓供应链，是指由涉及将产品或服务提供给最终消费者的整个活动过程的上游、中游和下游企业所构成的网络。包括从原材料采购开始，历经供应商、制造商、分销商、零售商，直至最终消费者的整个运作过程。
供应链管理
供应链管理，指的是围绕核心企业，对供应链中的物流、信息流、资金流以及贸易伙伴关系等进行组织、计划、协调、控制和优化的一系列现代化管理。
它将企业内部经营所有的业务单元如订单、采购、库存、计划、生产、质量、运输、市场、销售、服务等以及相应的财务活动、人事管理均纳入一条供应链内进行统筹管理。
在传统零售或者传统行业中，供应链主要局限在供应链的后端，即采购、生产、物流等职能，与消费者、销售渠道的协同整合严重不足，导致牛鞭效应、孤岛现象、的出现，让供应链的反应总是很滞后。
三、“以零售门店为中心”的供应链管理
供应链网络
“以零售门店为中心”的'供应链网络（见下图），即以满足门店销售及运营核心、销售利润最大化的供应链管理。
在此分析框架上，核心目标是最大条件满足消费者需求，即管理缺货、减少缺货，管理滞销、处理滞销。此框架下供应链管理的内容为：门店补货、门店调拨、缺货管理管理、滞销管理、促销管理等。
供应链管理
需求预测
需求预测是所有供应链规划的基础；供应链中所有的流程都是根据对顾客需求的预测来进行的。因此，供应链管理的首要工作是对未来顾客的需求进行预测。
1、预测需要考虑的影响因素
需求预测需要考虑的重要影响因素：
历史需求
产品补货提前期
节假日
广告或其他营销活动的力度
竞争对手采取的行动
价格及促销计划
经济状况
2、预测方法
定性预测法
主要依赖于人的主观判断。当可供参考的历史数据很少或专家拥有影响预测的需求市场信息时，采用定性预测方法最合适。
时间序列预测法
运用历史需求数据对未来需求进行预测，它尤其适用于每年基本需求模式变化不大的场景。
因果关系预测法
假定需求预测与某些环境因素(经济状况、税率等)调度相关，因果关系预测法可以找到这些环境因素与需求的关联性，通过预测这些外界因素的变化来预测未来需求。
仿真法
通过模拟消费者的选择来预测需求。如价格促销将会带来什么样的影响？竞争对手在附近开设一家新店会带来什么样的影响？
门店补货
1、什么时候补货？
什么时候补货？它是时间与频次的问题，即补货的触发点问题。
通常有两种策略：
策略一、设置库存阀值，若库存低于阀值则补货。通过连续检查的方法，判断某个时刻是否需要补货。
策略二、设置固定的补货周期，零售门店通常按周来设置补货频次，即一周设置多次补货频次，并固定在某几天，如某门店在周一、周三、周五补货。
连锁零售企业一般采用第二种策略，主要是因为零售企业经营的SKU数量众多；另一方面，策略一的物流及仓库排班及排车不确定高，不适合物流及仓库的管理及运营。
本文的供应链链管理以策略二为基础，并依此展开分析及研究。
2、补什么商品？
季节性的品类调整
门店必须根据季节的变化，对商品陈列位置、商品结构、店铺氛围进行调整。一般来讲，门店应该每年进行两次大的调整，即：每年3-4月份针对春夏季的调整，每年国庆节过后的10-11月份期间的针对秋冬季节的调整; 每个季度针对本季度特殊季节、节日的变化进行的小调整，或临时调整。
调整商品结构
商品结构必须根据季节变化进行调整。季节变化对商品结构的影响是非常大的，必须在季节变化到来之前，及时调整品类结构，压缩过季商品品类，扩大应季商品的品类。
调整陈列位置和陈列资源
门店的陈列位置、陈列资源，对商品销售产出的贡献非常巨大，不同的陈列位置商品销售会有几倍甚至几十倍的差距。门店的重点陈列位置、陈列资源必须随季节变化而调整。一是季节商品是产生销售贡献*大的商品，二是季节商品是*能体现门店经营特色的商品，三是季节商品是*能提示消费者购物的商品。
重大节庆的品类调整
在快时尚、轻奢的品类中，很容易出现春节、妇女节(女王节)、情人节、开学季、圣诞节、双十一等的节庆影响，表现出销量井喷。零售企业需要根据节庆来完善丰富的品类结构，满足顾客在特定节庆时期的消费需求。
市场变化导致的品类调整
禁配策略
地理环境因素，如西北地区处于内陆、远离海洋，夏天不适合配沙滩游玩类用品。风俗、宗教类因素，穆斯林地区禁止配送猪肉类食品。
新品策略
若零售公司准备投放一批新品，零售门店则需要为新品调整货架，增加新品的曝光度，引导消费者产生首次购买、重复购买。
3、补多少量？
补货量 = 需求量 – 门店库存
计算门店需求时以需求预测为基础，同时考虑下述影响需求及供给的约束条件：
仓库容量
门店货架容量
过去需求
产品补货提前期
广告计划或其他营销活动的力度
价格促销计划
竞争企业采取的行动
4、缺货场景的库存分配策略
策略一：增加相似商品的补货库存 相似商品：功能、颜色、功效相似的商品。
策略二：增加其他畅销品的库存 根据商品的销售量排名，根据一定的分配策略来补货。
缺货管理
连锁零售企业商品缺货状况会引发消费者的各种反应， 最终导致零售企业的销售损失，48%的人会购买同一品种的替代品，15％的消费者不再购买，31％的顾客会到另一家店购买时再实施消费行为，顾客的转店率是37％。
1、缺货原因及应对策略
仓库缺货
渠道单一。单纯地依靠某一个供应商或过分依赖某些材料部件，一旦某个供应环节中断，将影响整个供应链的正常运作。缺乏预见能力。由于缺乏对供应链上的可预测性，不具有对供应商的供应能力和不确定性的前向洞察力，常常会面临种种不确定因素影响所带来的库存短缺。应对措施：替代商品
补货量不足
某商品销售出现显著增长，且明显大于预期、门店库存不足，但补货不及时。应对措施：门店调拨 在零售行业中，线上线下竞争如此激烈，谁能快速解决各个商圈内门店之间、商圈之间超密集的调拨需求，实现高效调拨、把握销售机会，实现销售业绩的新突破。
滞销管理
1、滞销危害
在陈列空间上，滞销商品大量陈列占据了门店的货架空间，迫使其他畅销品的陈列空间不够，新上市商品无法正常上货。
滞销商品占用大量的资金，使得零售门店的流动资金日益萎缩，严重的会影响到正常商品采购、甚至导致门店倒闭。
对于顾客来说，滞销商品大量陈列在货架上，这样既影响了顾客挑选自己需要的商品，浪费了消费者的注意力，甚至导致顾客无法找到正常的商品，损失了门店应该获取的利润。
从门店商圈来看，门店大量商品长期不做销售周转，消费可能会对门店失去信息，减少或改变原本的购物需求，转向其他门店进行消费。
2、滞销原因
季节因素
部分商品因地区差异存在明显的季节之分，该部分商品由于季末没有做特殊处理，导致在库时间高于规定的天数，形成滞销，体现在换季时门店任务按正常时段的销售量作为补货的依据产生。
补货模型不合理因素
行业中大多数公司会把门店库存管理权交给店长，由于公司的高速发展，门店会不断地有新店长上任，店长库存管理概念模糊，在补货时大多凭借个人经验确定补货数量，容易导致部分补货量较大的商品滞销。
价格因素滞销
部分商品会因为价格不合理而导致滞销，一种是低价格商品，由于门店所处的商圈消费水平较高，价格低廉的老药滞销；另一种则是因为门店商品售价明显高于竞争对手的售价导致滞销。
陈列因素
与海量商品相比，门店的货架资源永远都是稀缺的，部分企业会给予部分商品特殊待遇，不能公平合理地分配货架资源，导致部分商品因陈列位置差、曝光率低，从而导致滞销。
淘汰商品不顺畅
商品都会存在生命周期，特别是一些广告商品，然而大多数公司更新商品都比较被动，不会主动去优化商品，会导致商品因同质化严重而引起滞销。
批量采购决策失误
供应链上游对市场需求及销售情况没有准确把握，商品采购数量过多，从而导致滞销。
突发因素
某些突发因素导致消费行为发生重大变化。如”非洲猪瘟”导致猪肉类食品无法销售出去，从而导致滞销。
痛点
供应链上游滞销引发的风险转稼
在零售连锁供应链网络中，供应链上游由于产品开发、采购失误等决策失误导致的库存积压，上游往往会将库存风险转稼到供应链末端(零售门店)，从而占用零售门店大量的流动资金及货架资源。
市场快速变化，难以准确预测和判断供货情况。
门店端某款产品突然爆发，致使供应链上下游仓库出现大面积缺货，此种情况供应链无法快速反应或供应周期过长，从而导致销售机会的浪费。
预期范围内、延迟或产能不足，导致销售机会的损失。
某些品类由于供应链上游(采购、供应商)等原因，如产能不足或机器故障等原因导致交付延迟，从而导致销售机会的浪费。
市场竞争加剧，线下实体店客流下滑
总结
供应链末端(零售门店)缺乏足够或针对性的应对措施
供应链上下游协同是解决”零售门店”问题的重要方向
科学、精准的货架管理将是提升门店销售、实现供应链价值的重要方向
四、供应链的发展趋势
全渠道趋势
移动互联网的迅猛发展催生了O2O、C2B、P2P等新业态，全球传统产业开始受冲击，受互联网思维与互联网、大数据、云计算等技术深度影响出现变革，全球传统行业将互联网化，拥抱O2O全渠道零售大时代。
供应链日趋可视化
在运营中对商品广泛使用了电子标签，将线上线下数据同步，如SKU同步、库存同步、价格同步、促销同步；实现线上下单，线下有货，后台统一促销和价格。
供应链可视化以后，未来所有业务职能包括销售、市场、财务、研发、采购和物流等进行有机的集成和协同就有了可能，可以对消费者需求、门店或网上库存、销售趋势、物流信息、原产地信息等进行可视化展示，实现供应链敏捷和迅速反应。
新时代下的供应链可视化未来将持续向消费者、SKU、店员延伸，通过可视化集成平台，战略计划与业务紧密链接，需求与供应的平衡，订单履行策略的实施，库存与服务水平的调整等具体策略将得到高效的执行。
供应链预测智能化
在新零售的业态中，大量零售运营数据包括消费者、商品、销售、库存、订单等在不同的应用场景中海量产生，结合在不同业务场景和业务目标，如商品品类管理、销售预测、动态定价、促销安排、自动补货、安全库存设定、仓店和店店之间的调拨、供应计划排程、物流计划制定等，再匹配上合适的算法，即可对这些应用场景进行数字建模，逻辑简单来说就是“获取数据—分析数据—建立模型—预测未来—支持决策”。
本质上说，智能算法是一项预测科技，而预测的目的不是为预测而预测，而是用来指导人类的各项行为决策，以免人在决策时因为未知和不确定而焦虑。
当全新的供应链体系，能够实时显示运营动态，如货龄、售罄率、缺货率、畅售滞销占比、退货率、订单满足率、库存周转率、目标完成比率等，同时又能相互链接和协同，那么将很容易形成通用运营决策建议，如智能选品、智能定价、自动预测、自动促销、自动补货和下单等。
在此基础之上，供应链管理人员所做的事情就是搜集信息、判断需求、和客户沟通、协同各种资源、寻找创新机会等。
『陆』 如何提高SQL Server大数据条件下的查询速度
1.关于索引优化
建索引的选择必须结合SQL查询、修改、删除语句的需要，一般的说法是在WHERE里经常出现的字段建索引。如果在WHERE经常是几个字段一起出现而且是用AND连接的，那就应该建这几个字段一起的联合索引，而且次序也需要考虑，一般是最常出现的放前面，重复率低的放前面。
SQL Server提供了一种简化并自动维护数据库的工具。这个称之为数据库维护计划向导（Database Maintenance Plan Wizard ，DMPW）的工具也包括了对索引的优化。如果你运行这个向导，你会看到关于数据库中关于索引的统计量，这些统计量作为日志工作并定时更新，这样就减轻了手工重建索引或者DBCC INDEXDEFRAG所带来的工作量。如果你不想自动定期刷新索引统计量，你还可以在DMPW中选择重新组织数据和数据页，这将停止旧有索引并按特定的填充因子重建索引。
2.
改善硬件（双CPU，Raid 5，增加内存）
tempdb这个临时数据库，它对性能的影响较大。tempdb和其他数据库一样可以增大，可以缩小。当数据文件需要增长的时候，通常不能保持剩余部分的连续性。这时文件就会产生碎片，这种碎片会造成性能下降。这种碎片属于外来性碎片。要阻止在tempdb中产生外来性碎片，必须保证有足够的硬盘空间。一般将tempdb的容量放到平均使用容量。而你也应该允许tempdb自动增长，比如你有个一个超大的join操作，它建立了一个超过tempdb容量的时候，该查询将失败。你还要设置一个合理的单位增长量。因为如果你设得太小，将会产生许多外来性碎片，反而会占用更多资源。sqlserver调优最有效的做法之一，就是把争夺资源的操作独立出去。tempdb就是一个需要独立出去的部分而tempdb和其他系统库一样是公用的，是存取最可能频繁的库，所有处理临时表、子查询、GROUP BY、排序、DISTINCT、连接等等。它最适合放到一个具有快速读写能力的设备上。比如RAID0卷或RAID0+1卷上。
查询语句一定要使用存储过程；
3、查询尽量使用TOP子句
4.将表按一定的约束分成子表,(如按分类)创建约束,在用Like 时,先用分类 and like , 应该可能解决问题. 而且效果立秆见影!(你要确定SQL会认识你建的分区视图).我一个表有上百万的记录(700兆),用分区视图后,查询速度基本跟10万行一样.
如果还是太慢,还可以考滤分布式分区视图!这总可以解决问题了吧!
关键在于你能否把大表按某种约束分解成子表.
『柒』 大数据量高并发访问数据库结构的设计
大数据量高并发访问数据库结构的设计
如果不能设计一个合理的数据库模型，不仅会增加客户端和服务器段程序的编程和维护的难度，而且将会影响系统实际运行的性能。所以，在一个系统开始实施之前，完备的数据库模型的设计是必须的。
在一个系统分析、设计阶段，因为数据量较小，负荷较低。我们往往只注意到功能的实现，而很难注意到性能的薄弱之处，等到系统投入实际运行一段时间后，才发现系统的性能在降低，这时再来考虑提高系统性能则要花费更多的人力物力，而整个系统也不可避免的形成了一个打补丁工程。
所以在考虑整个系统的流程的时候，我们必须要考虑，在高并发大数据量的访问情况下，我们的系统会不会出现极端的情况。（例如：对外统计系统在7月16日出现的数据异常的情况，并发大数据量的的访问造成，数据库的响应时间不能跟上数据刷新的速度造成。具体情况是：在日期临界时（00：00：00），判断数据库中是否有当前日期的记录，没有则插入一条当前日期的记录。在低并发访问的情况下，不会发生问题，但是当日期临界时的访问量相当大的时候，在做这一判断的时候，会出现多次条件成立，则数据库里会被插入多条当前日期的记录，从而造成数据错误。），数据库的模型确定下来之后，我们有必要做一个系统内数据流向图，分析可能出现的瓶颈。
为了保证数据库的一致性和完整性，在逻辑设计的时候往往会设计过多的表间关联，尽可能的降低数据的冗余。（例如用户表的地区，我们可以把地区另外存放到一个地区表中）如果数据冗余低，数据的完整性容易得到保证，提高了数据吞吐速度，保证了数据的完整性，清楚地表达数据元素之间的关系。而对于多表之间的关联查询（尤其是大数据表）时，其性能将会降低，同时也提高了客户端程序的编程难度，因此，物理设计需折衷考虑，根据业务规则，确定对关联表的数据量大小、数据项的访问频度，对此类数据表频繁的关联查询应适当提高数据冗余设计但增加了表间连接查询的操作，也使得程序的变得复杂，为了提高系统的响应时间，合理的数据冗余也是必要的。设计人员在设计阶段应根据系统操作的类型、频度加以均衡考虑。
另外，最好不要用自增属性字段作为主键与子表关联。不便于系统的迁移和数据恢复。对外统计系统映射关系丢失（******************）。
原来的表格必须可以通过由它分离出去的表格重新构建。使用这个规定的好处是，你可以确保不会在分离的表格中引入多余的列，所有你创建的表格结构都与它们的实际需要一样大。应用这条规定是一个好习惯，不过除非你要处理一个非常大型的数据，否则你将不需要用到它。（例如一个通行证系统，我可以将USERID，USERNAME，USERPASSWORD，单独出来作个表，再把USERID作为其他表的外键）
表的设计具体注意的问题：
1、数据行的长度不要超过8020字节，如果超过这个长度的话在物理页中这条数据会占用两行从而造成存储碎片，降低查询效率。
2、能够用数字类型的字段尽量选择数字类型而不用字符串类型的（电话号码），这会降低查询和连接的性能，并会增加存储开销。这是因为引擎在处理查询和连接回逐个比较字符串中每一个字符，而对于数字型而言只需要比较一次就够了。
3、对于不可变字符类型char和可变字符类型varchar都是8000字节,char查询快，但是耗存储空间，varchar查询相对慢一些但是节省存储空间。在设计字段的时候可以灵活选择，例如用户名、密码等长度变化不大的字段可以选择CHAR，对于评论等长度变化大的字段可以选择VARCHAR。
4、字段的长度在最大限度的满足可能的需要的前提下，应该尽可能的设得短一些，这样可以提高查询的效率，而且在建立索引的时候也可以减少资源的消耗。
5、基本表及其字段之间的关系, 应尽量满足第三范式。但是，满足第三范式的数据库设计，往往不是最好的设计。为了提高数据库的运行效率，常常需要降低范式标准：适当增加冗余，达到以空间换时间的目的。
6、若两个实体之间存在多对多的关系，则应消除这种关系。消除的办法是，在两者之间增加第三个实体。这样，原来一个多对多的关系，现在变为两个一对多的关系。要将原来两个实体的属性合理地分配到三个实体中去。这里的第三个实体，实质上是一个较复杂的关系，它对应一张基本表。一般来讲，数据库设计工具不能识别多对多的关系，但能处理多对多的关系。
7、主键PK的取值方法，PK是供程序员使用的表间连接工具，可以是一无物理意义的数字串, 由程序自动加1来实现。也可以是有物理意义的字段名或字段名的组合。不过前者比后者好。当PK是字段名的组合时，建议字段的个数不要太多，多了不但索引占用空间大，而且速度也慢。
8、主键与外键在多表中的重复出现, 不属于数据冗余，这个概念必须清楚，事实上有许多人还不清楚。非键字段的重复出现, 才是数据冗余！而且是一种低级冗余，即重复性的冗余。高级冗余不是字段的重复出现，而是字段的派生出现。
〖例4〗：商品中的“单价、数量、金额”三个字段，“金额”就是由“单价”乘以“数量”派生出来的，它就是冗余，而且是一种高级冗余。冗余的目的是为了提高处理速度。只有低级冗余才会增加数据的不一致性，因为同一数据，可能从不同时间、地点、角色上多次录入。因此，我们提倡高级冗余(派生性冗余)，反对低级冗余(重复性冗余)。
9、中间表是存放统计数据的表，它是为数据仓库、输出报表或查询结果而设计的，有时它没有主键与外键(数据仓库除外)。临时表是程序员个人设计的，存放临时记录，为个人所用。基表和中间表由DBA维护，临时表由程序员自己用程序自动维护。
10、防止数据库设计打补丁的方法是“三少原则”
(1) 一个数据库中表的个数越少越好。只有表的个数少了，才能说明系统的E--R图少而精，去掉了重复的多余的实体，形成了对客观世界的高度抽象，进行了系统的数据集成，防止了打补丁式的设计；
(2) 一个表中组合主键的字段个数越少越好。因为主键的作用，一是建主键索引，二是做为子表的外键，所以组合主键的字段个数少了，不仅节省了运行时间，而且节省了索引存储空间；
(3) 一个表中的字段个数越少越好。只有字段的个数少了，才能说明在系统中不存在数据重复，且很少有数据冗余，更重要的是督促读者学会“列变行”，这样就防止了将子表中的字段拉入到主表中去，在主表中留下许多空余的字段。所谓“列变行”，就是将主表中的一部分内容拉出去，另外单独建一个子表。这个方法很简单，有的人就是不习惯、不采纳、不执行。
数据库设计的实用原则是：在数据冗余和处理速度之间找到合适的平衡点。“三少”是一个整体概念，综合观点，不能孤立某一个原则。该原则是相对的，不是绝对的。“三多”原则肯定是错误的。试想：若覆盖系统同样的功能，一百个实体(共一千个属性) 的E--R图，肯定比二百个实体(共二千个属性)的E--R图，要好得多。
提倡“三少”原则，是叫读者学会利用数据库设计技术进行系统的数据集成。数据集成的步骤是将文件系统集成为应用数据库，将应用数据库集成为主题数据库，将主题数据库集成为全局综合数据库。集成的程度越高，数据共享性就越强，信息孤岛现象就越少，整个企业信息系统的全局E—R图中实体的个数、主键的个数、属性的个数就会越少。
提倡“三少”原则的目的，是防止读者利用打补丁技术，不断地对数据库进行增删改，使企业数据库变成了随意设计数据库表的“垃圾堆”，或数据库表的“大杂院”，最后造成数据库中的基本表、代码表、中间表、临时表杂乱无章，不计其数，导致企事业单位的信息系统无法维护而瘫痪。
“三多”原则任何人都可以做到，该原则是“打补丁方法”设计数据库的歪理学说。“三少”原则是少而精的原则，它要求有较高的数据库设计技巧与艺术，不是任何人都能做到的，因为该原则是杜绝用“打补丁方法”设计数据库的理论依据。
11、在给定的系统硬件和系统软件条件下，提高数据库系统的运行效率的办法是：
(1) 在数据库物理设计时，降低范式，增加冗余, 少用触发器, 多用存储过程。
(2) 当计算非常复杂、而且记录条数非常巨大时(例如一千万条)，复杂计算要先在数据库外面，以文件系统方式用编程语言计算处理完成之后，最后才入库追加到表中去。
(3) 发现某个表的记录太多，例如超过一千万条，则要对该表进行水平分割。水平分割的做法是，以该表主键PK的某个值为界线，将该表的记录水平分割为两个表。若发现某个表的字段太多，例如超过八十个，则垂直分割该表，将原来的一个表分解为两个表。
(4) 对数据库管理系统DBMS进行系统优化，即优化各种系统参数，如缓冲区个数。
(5) 在使用面向数据的SQL语言进行程序设计时，尽量采取优化算法。
总之，要提高数据库的运行效率，必须从数据库系统级优化、数据库设计级优化、程序实现级优化，这三个层次上同时下功夫。
主键设计：
1、不建议用多个字段做主键，单个表还可以，但是关联关系就会有问题，主键自增是高性能的。
2、一般情况下，如果有两个外键，不建议采用两个外键作为联合住建，另建一个字段作为主键。除非这条记录没有逻辑删除标志，且该表永远只有一条此联合主键的记录。
3、一般而言，一个实体不能既无主键又无外键。在E—R 图中, 处于叶子部位的实体, 可以定义主键，也可以不定义主键(因为它无子孙), 但必须要有外键(因为它有父亲)。
主键与外键的设计，在全局数据库的设计中，占有重要地位。当全局数据库的设计完成以后，有个美国数据库设计专家说：“键，到处都是键，除了键之外，什么也没有”，这就是他的数据库设计经验之谈，也反映了他对信息系统核心(数据模型)的高度抽象思想。因为：主键是实体的高度抽象，主键与、外键的配对，表示实体之间的连接。
『捌』 Oracle数据库大数据量表如何优化
要看数据多到何种程度。
比如一个表的笔数只是几百，如果不需要和其他
大表
关联查询数据，连
索引
都不用建。
如果是几十万级别的表，一般正确建索引就可以。
如果是千万级别的表，不但要正确建索引，而且要定时手工进行收集
统计信息
维护，不建议系统自动维护，以免影响
使用性能
。
如果是亿以上级别的表，则可考虑按一定条件拆分表
资料
，将旧资料归档，这样可改善生成表的使用。
数据库优化的同时，
程序
也要进行相应优化，程序和
数据科学
搭配，才能使性能达到最佳。