如何建模一个数据仓库？

思维导图

 

 

建模目标：

 1、基于正确的标准下尽可能提高性能。

 2、是为了给用户进行展示数据和扩展使用。

建模思想

 　　建模的思路主要有两种：一种是OLTP，面向事务进行建模；一种是OLAP，面向分析进行建模，二者的使用场景和要求是不同的：前者更关注简单的事务，更关注修改操作，对于事务的响应性能要求很高，其中的数据也是规范化，不冗余的；而后者更关注复杂的查询和分析，数据一般只读，数据为了更具有表现性，通常会比较冗余，例如：前者可能是超市的一个订单，需要进行及时反映，而后者是超市的年终分析，需要进行分析大量数据。

OLTP建模要求

 　　在OLTP中，事务是简单的，但是高效的，处理的事务的吞吐量很关键，面向顾客和填写操作这个事务的人，它通常是使用ER图进行建模，规范化的建模来见识冗余和数据不一致，然后是修改方便，但是查询不方便（需要join很多表）。

数据仓库建模的要求

 　　对于数据仓库，是面向复杂查询，分析的，更多是进行读取，用于主要是数据分析师和决策者，ER图不可以进行数据仓库的建模，ER图数据冗余太少，并且表太多，要得到一个信息需要联合大量的表，在数据分析中需要的时长超过了用户的底线，需要特殊的建模技术去进行建模数据仓库。

事实和维度

 　　要想进行建模好数据仓库，就要了解事实和维度这个概念，维度一般是描述信息，比如时间，地区......但是事实是数值，可以进行计算的，比如购买数量，花费金额。

数据仓库的概念模型

 　　数据仓库是应该是可以进行高效查询的，可以数据仓库看成一个数据块，维度代表坐标，事实就是里的内容，每一个事实就可以通过维度进行计算出来。

数据仓库的实现方式

 　　主要有两种方式，利用关系型数据库实现，或者利用多维数组进行实现，前者成熟，具有高的公司标准，有大量工具可以进行使用，后者则和概念模型高度一致，具有很高的性能。

ROLAP实现

 　　他是数据仓库利用关系型数据实现一个具体方式，每一个表是二维的，通过主外键进行连接成数据仓库，是扁平化的。

 　　事实表在存放事实，维度表存放描述信息，维度表的外键作为事实表的联合主键。

　　事实表和维度表区别如下：

 星型建模方式

　　

 　　仅事实表和维度表进行相连，维度表不相连，像星星一样，这样可以简化查询的join复杂度，提高查询效率，但是和现实生活不符合。

　　

 

　　把逻辑建模的每一个维度转换一个维度表，通过外键进行和事实表连接。

　　具体例子如下：

 

 雪花建模

 　　对于维度表进行了拆分，进行减少了冗余度，看起来像雪花一样。

星座型建模

 　　星型建模的复合版本，更加贴合事实，因为有很多数据的维度是共享的，也可以更加细化。

 RLOAP建模上下文

 RLAOP总结