首页  思维导图  详情

数据仓库学习之仓库建模

2019-12-09 10:12:13   4  举报





AI智能生成

为你推荐

查看更多



数仓建模

作者其他创作

大纲/内容

什么是建模？

用抽象描述现实的方法，例如：在数据库设计时，抽象实体之间的关系，来表达具体业务的关系

建模的阶段逐步细化

1.业务建模

一般按照部门划分整个单位的业务，界定业务界限、理清部门间业务关系

深入到各部门具体的业务流程

确定目标、范围和实施阶段

2.领域概念建模

进一步抽取关键业务概念，并抽象化

将关键业务分组

理清分组间的概念，形成领域概念模型

3.逻辑建模

将业务概念实体化

4.物理建模

根据逻辑建模，调整技术平台工具选型、设备资源

实施

建模学习

分层

ODS

该层存在的意义在于：1.是数据团队和业务团队的天然分界线2.保障数据追溯3.保障系统稳定

该层和业务数据同步应使用现成的工具，如：OGG/canal/sqoop/Debezium.好处是：1.抽取效率高2.容易适应数据库变更3.可以做到实时4.可以使用工具自带的管理功能，如任务调度、定时、监控、发送消息状态等

DWD

DWM

DWS

APP

建模方法？可以在不同的建模阶段选取不同的建模方法

范式建模法

在关系型数据库中一般采取该建模方法

3NF

每个属性值唯一，不具有多义性

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 ;

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

适用

只是基于关系型数据库建立数据仓库的情况下

优点

基于关系型数据库建模，快速、方便

缺点

对于非关系型、弱关系型数据处理时不灵活，不好扩展

实体建模法

将一个业务划分成实体、事件、说明

由于实体说明法只是一种抽象客观世界的方法，因此，注定了该建模方法只能局限在业务建模和领域概念建模阶段。因此，到了逻辑建模阶段和物理建模阶段，则是范式建模和维度建模发挥长处的阶段。

维度建模法

Kimball提出的概念，按照事实表，维表来构建数据仓库

模式

星型模型

多个维度与事实表直接相连

数据预处理，数据冗余。

易于理解

性能高

会导致大量数据冗余

雪花模型

对星型模型进一步增加维度，层次化

维度建模构建，使用总线矩阵

总线矩阵，明确每个数据域下有哪些业务过程后，即可构建总线矩阵，需要明确业务过程与那些维度相关，并定义每个数据域下的业务过程和维度。

Data Value模型

DV建模的思想主要是假设业务规则（数据关系）是变化的，如一般情况下，用户属于一个部门，用户和部门是多对一的关系，但假如有某天规则发生变化，用户可以属于多个部门，那就变成了多对多的关系。这样仓库中的数据模型就需要重新设计。DV模型所有的关系都是多对多的，如果发生上述情况，不需要更改数据模型。所以DV模型能够更好的适应业务变化。

基本结构

中心表（HUB）

用于记录在业务应用中常用到的业务实体键值，如员工ID，发票号、客户编号、车辆号等

链接表（LINK）

卫星表（Statellites）

数仓建设步骤

1.需求分析

确定数据仓库建设的需求、目标、意义、数据范围、领域、数据量级等（非业务需求）

2.对数仓整体规划、设计，包括资源、工具、软件、边界等

3.建模阶段

3.1 业务建模

从顶层较粗粒度的业务分析，此时需界定好相关业务系统的关系、每个业务系统的的业务规则、确定业务层面的目标、范围