当前位置：首页> 数据模型——数据仓库的灵魂

数据模型——数据仓库的灵魂

时间：2023-03-16 11:59:05 下载该word文档

数据模型——数据仓库的灵魂
（来源：毕马威大数据挖掘,2017-08-28）

越来越多的业务，越来越多的信息化系统，让很多公司拥有了海量数据，但是分散的数据、隔离的系统，又形成了一个个数据孤岛。于是，为了利用好数据，各大公司纷纷建设了数据仓库，或者是最近升级为大数据平台之类的，但是，不同条线不同场景的数据又要如何整合到同一个仓库呢？
数据模型就此应运而生，通过高度抽象的数据模型，整合各个源系统的数据，最终形成统一、规范、易用的数据仓库，进而提供包括数据集市、数据挖掘、报表展示、即席查询等上层服务。
数据模型究竟是干什么的，该怎么构建呢？笔者接下来为大家做一些入门的概念普及。

◆为什么需要数据模型？
数据模型能够促进业务与技术进行有效沟通，形成对主要业务定义和术语的统一认识，具有跨部门、中性的特征，可以表达和涵盖所有的业务。
无论是操作型数据库，还是数据仓库都需要数据模型组织数据构成，指导数据表设计。或许Linux的创始人Torvalds说的一句话——“烂程序员关心的是代码，好程序员关心的是数据结构和他们之间的关系”最能够说明数据模型的重要性。只有数据模型将数据有序的组织和存储起来之后，大数据才能得到高性能、低成本、高效率、高质量的使用。

◆常见数据建模方法介绍❶ER模型

ER模型是数据仓库之父Inmon推崇的、从全企业的高度设计一个3NF模型的方法，用实体加关系描述的数据模型描述企业业务架构，在范式理论上符合3NF，站在企业角度面向主题的抽象，而不是针对某个具体业务流程的实体对象关系抽象。它更多是面向数据的整合和一致性治理，正如Inmon所希望达到的“singleversionofthetruth”。
ER模型最基本的要素是实体、属性和关系：

实体：具有相同属性的实体具有相同的特征和性质，用关系：数据对象彼此之间的关系；
属性：实体具有的某个特性，一般多个属性来刻画某个实体名及其属性名集合来抽象和刻画同类实体；

实体。❷维度模型
维度模型是数据仓库领域另一位大师RalphKimball所倡导的。维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能，更直接面向业务。典型的代表是我们比较熟知的星形模型，以及在一些特殊场景下适用的雪花模型。
维度模型最基本的两个要素是事实表和维度表：

事实表：一般由两部分组成，维度和度量，通俗的理解为“某人在某个时间什么条件下做了什么事情”的事实记录，它拥有最大的数据量，是业务流程的核心体现。

维度表：对事实表的补充说明，描述和还原事实发生时的场景，比如通过用户、商品、地址、时间等维度还原商品订单发生时的场景。

阅读全文