数据仓库的演变与目的
数据仓库的最初目的是为了数据分析，将企业各系统的数据汇总到一个离线仓库中，以便进行大规模的查询和分析，从而获得业务指标，辅助决策。
随着信息化和数字化的发展，数据仓库逐渐演变为数据湖，汇聚了企业的所有数据，其应用场景也不再局限于数据分析。
数据仓库的分层理论
在数据仓库的实践中，我们通常遵循以下分层理论：
ODS（操作数据存储）：作为采集数据层，保持数据原貌，基本不进行加工。
CDM（公共数据模型）：作为整合数据层，使用数仓建模方法整合数据，便于查找和使用。
ADS（应用数据模型）：面向具体应用场景，按需加工结果数据。
数仓建模主要集中在后两层，随着经验的积累，衍生出多种建模理论，其中维度建模和实体关系建模最为常见。
维度建模因其适用于大多数分析场景而广受欢迎。
信息整合的逻辑
在业务系统中，信息通常以实体关系模型的形式组织，符合范式标准，但由于技术限制，往往呈现为复杂的雪花状结构。
业务系统依赖数据中间件或框架来辅助查询。
而在数据仓库中，由于设计的不同，这些约束和封装被去除，导致多级分散的数据对SQL查询分析不友好，因此需要数据整合。
整合的目的是构建一个结构清晰的数据集合，既保持信息的完整性，又便于维护。这就是所谓的整合数据层建模，也称为中间层数据模型。
维度建模的方法
维度建模的详细介绍和实践方法可以通过内网搜索获得。
其核心是围绕数据分析的指标进行设计。维度表代表分析的视角，事实表代表计算的对象。
然而，将这种模型应用于信息整合场景时，我们发现并非所有信息都能归为维度，也非所有计算对象都能归为事实。
这种定义上的转换并不唯一，导致理解和使用上的困难。
实体建模的方法
实体关系模型（ER模型）在业务系统中的应用更为广泛，它包括实体对象、业务单据和关系，形成对企业信息的全面覆盖。
ER模型在数据仓库中的应用更接近业务系统模型，适合进行全局信息整合，但对数据研发人员的能力要求较高。
结语
以上是我对数据仓库建模的一些思考。由于个人水平和表达能力有限，这些观点仅供参考，希望对大家有所启发。
数据体系构建👇
数仓解惑：什么是 OneData 体系？
数仓实践：OLAP数仓总结
更多精彩
扫一扫
508
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
