数据仓库建设之模型设计
以下为数仓建设知识积累：
一、数据仓库建设流程
二、数据仓库建设方法论
数据驱动+应用驱动模式相结合，保证数据模型具有良好的稳定性与可扩展性：
三、模型设计方法
1、设计规范
（1）需求规范
规范化需求提出途径、留档存底、避免重复提出
（2）设计过程
规范化需求分析过程，设计过程，避免遗漏事项造成不利影响
（3）模型命名
统一模型命名，风格统一，便于管理、维护及使用
（4）字段命名
统一字段命名，实体属性规范化，整洁干练
（5）文档输出
规范化格式文档，易于业务人员理解和使用，便于沟通
2、建模方法
公共模型层侧重采用维度建模为主，范式建模为辅的建模设计方法，最大化发挥数据管理、应用性能、灵活扩展等优势
下面简要介绍范式建模与维度建模，并以具体实例来进行实践：
3.2.1 范式建模与维度建模
| 范式建模 | 维度建模 | |
| 定义 | 范式建模即实体关系（E-R）建模，ER模型有两个基本组成部分，实体+实体之间的关系 | 维度建模是专门用于分析型数据仓库、数据集市建模的方法，以分析决策需求出发构建模型，重点解决用户如何更快速完成分析需求，有较好的大规模复杂查询响应性能 |
| 数据流向 | 从数据的流向上看是自上而下的，“上”即为数据的上游，“下”即为数据的下游，即从分散异构的数据源---->数据仓库---->数据集市 | 从流程上看是自下而上，即从数据集市---->数据仓库---->分散异构的数据源 |
| 导向 | 以数据源头为导向，然后一步步探索获取尽量符合预期的数据，因为数据源往往是异构的，所以更加强调数据的清洗工作，将数据抽取为实体-关系模型，不强调事实表与维度表的概念 | 以最终任务为导向，将数据按照目标拆分出不同的表需求，数据会抽取为事实-维度模型，数据源经ETL转化为事实表和维度表导入数据集市，以星型模型或雪花模型等方式构建维度数据仓库 |
| 特点 | 范式建模方法能在最大程度上减少冗余，并保证数据结构具有足够的灵活性和可扩展性，但应用性能差 | 在应用性能上占据明显优势；非范式，允许数据冗余，其结构简单易于理解，可直观反映业务问题 |
3.2.2 应用：具体实例—电商购物
源表（来自于电商系统后台数据库中的表）：用户信息表、城市信息表、用户等级表、商品信息表、用户订单表
范式建模：将源表抽取为实体表、关系表：
维度建模将源表抽取为事实表与维度表：
3、技术路线
采用总线架构的技术框架、确保主题模型的可扩展性：（1）一致性维度：全局共享性维度统一；（2）一致性实事实：全局事实度量名称、概念、口径一致。
4、事实与维度
3.4.1 维度
- 维度是用来描述：谁、何时、何地、为何、如何
- 数据仓库的能力直接与维度属性的质量和深度成正比
- 当不同的维度表的属性具有相同列名和领域内容时，成维度表具有一致性
3.4.2 事实
- 事务性交易事实表：记录事务层面的事实，保存的是最原子的数据，也称“原子事实表”
- 周期快照事实表：具有规律性、可预见的时间间隔来记录事实，时间间隔如每天、每月、每年等
- 累积快照事实表：具有确定的开始和结束事件，并且记录关键事件或者过程的里程碑，因此包含了很多日期的外键
5、建模步骤
（转载请注明出处）
