数据仓库的两种建模方法(范式建模和维度建模)
数据仓库的两种建模⽅法（范式建模和维度建模）
范式建模
Inmon提出的集线器的⾃上⽽下（EDW-DM）的数据仓库架构。操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，然后通过ODS的数据建设原⼦数据的数据仓库EDW，EDW不是多维格式的，不⽅便上层应⽤做数据分析，所以需要通过汇总建设成多维格式的数据集市层。优势：易于维护，⾼度集成；劣势：结构死板，部署周期较长
范式建模应⽤在EDW层
⼀个符合第三范式的关系必须具有以下三个条件:
1. 每个属性的值唯⼀，不具有多义性;
2. 每个⾮主属性必须完全依赖于整个主键,⽽⾮主键的⼀部分;
3. 每个⾮主属性不能依赖于其他关系中的属性，因为这样的话，这种属性应该归到其他关系中去。
但是由于EDW的数据是原⼦粒度的，数据量⽐较⼤，完全规范的3范式在数据的交互的时候效率⽐较低下，所以通常会根据实际情况在事实表上做⼀些冗余，减少过多的数据交互。
Inmon理论下结构就是：ODS、EDW和DM，也就是贴源层、主题模型层、共性加⼯层以及集市层。每⼀个层对应于数据库下⾯的模式，接下来依次介绍这四个层：
（1）  ODS（贴源层）：即这⾥存放的数据与原系统保持⼀致，将采集公司所有的系统产⽣的数据以及外部数据（包括合作数据以及爬⾍获得的数据），将所采集的数据汇总到⼀起，供EDW和DM使⽤；
（2）  EDW：这⼀层分为两个，即ADM（共性加⼯层）和FDM（主题模型层）。其中FDM将从ODS层不同系统不同表的字段进⾏分类，同⼀主题的字段都归为⼀类，⽬前流⾏的⼗⼤主题；ADM是加⼯⼀些共性的指标，指标从ODS或者FDM的字段加⼯来，这层主要供集市层使⽤；
（3）  DM：数据集市层，这⼀层是将业务部门所关注的指标进⾏汇总，形成的数据，不同的业务部门可以形成不同的集市，具体情况可以视情况⽽定；集市层的架构可以细分为：基础层、汇总层和分析层。
这样的层次结构，虽然层次很清晰，但是如果越靠近底层数据出现问题，那么就会越影响到后⾯的；同时时间上做不到实时更新，⼀边都是T+1，或者越到后⾯时效性都可能是T+2/3的情况。因此当我们考虑到我们的应⽤的场景是否需要考虑时效性的时候，我们也要做出相应的调整。
维度建模
Kimball提出的总线式的⾃下⽽上（DM-DW）的数据仓库架构。同样的，操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，然后通过ODS的数据，利⽤维度建模⽅法建设⼀致维度的数据集市。通过⼀致性维度可以将数据集市联系在⼀起，由所有的数据集市组成数据仓库。优势：构建迅速，最快的看到投资回报率，敏捷灵活；劣势：作为企业资源不太好维护，结构复杂，数据集市集成困难。
星型模型（推荐）和雪花模型
在复合式的数据仓库架构中，操作型或事务型系统的数据源，通过ETL抽取转换和加载到数据仓库的ODS层，然后通过ODS的数据，利⽤范式建模⽅法，建设原⼦数据的数据仓库EDW，然后基于EDW，利⽤维度建模⽅法建设数据集市。建模方法
优劣⽐较
特性Kimball Inmon
时间快速交付路漫漫其修远兮
开发难度⼩⼤
维护难度⼤⼩
技能要求⼊门级专家级
数据要求特定业务企业级
参考⽂献：
扩展阅读：
⼀般常规的数据仓库层级结构可分为：ods、dw(默认为汇总数据层，也可在细分为dwd(明细)与dw(汇总)两层)、dm共三层：
ods层：称为接⼝层或近源数据层，表结构与源系统表结构⾼度相似，通常在ods层主要会做字段的筛选，枚举值转换，编码统⼀，异常&缺失数据处理等操作。
dw层：称为中间层，按主题建模（域->主题）的明细数据层，数据粒度与ods层⼀致。
dm层：称为数据集市层，集市层是按照业务主题、分主题构建出来的、⾯向特定部门或⼈员的数据集合。
维度建模源于Kimball提出的总线式的⾃下⽽上（DM-DW）的数据仓库架构。
特点：
1.模型结构简单，星型模型为主；
2.开发周期短，能够快速迭代；
3.维护成本较⾼；
范式建模源于Inmon提出的集线器的⾃上⽽下（EDW-DM）的数据仓库架构。
特点：
1.同⼀份数据只存放在⼀个地⽅，因此只能从⼀个地⽅获取，没有数据冗余，保证了数据⼀致性；
2.解耦（系统级与业务级），⽅便维护；
3.开发周期较长，开发成本较⾼；
当下的数据仓库模型架构设计中，dw层通常会采⽤范式建模，并且可以根据实际情况允许存在⼀些冗余。
dm层通常会采⽤维度建模，因为采⽤维度建模构建出来的数据模型更加符合普通⼈的认知、易于被普通⼈所理解，从⽽有利于数据的推⼴使⽤。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。