范式建模维度建模比较说课讲解

维度建模案例的详细说明和讲解维度建模是一种常用的数据建模方法，它在构建数据仓库和商业智能系统中具有重要的作用。

本文将详细说明和讲解维度建模案例，包括其基本概念、设计原则以及实际应用。

一、维度建模基本概念维度建模是一种从用户的观点出发来组织和表示数据的方法。

它通过将数据划分为事实表和维度表，将业务过程中的指标与其背后的业务上下文关联起来，以便于理解和分析。

具体而言，维度表存储与业务过程相关的维度属性，例如日期、产品、地点等；而事实表则存储与指标相关的数据，例如销售额、利润等。

维度建模的设计原则主要包括：简单性、可理解性、一致性和可扩展性。

简单性指设计应该尽量保持简单，避免过度复杂和冗余；可理解性指设计应该易于理解和解释，符合用户的需求和认知；一致性指设计应该在整个数据仓库中保持一致，避免冲突和不一致；可扩展性指设计应该具备扩展和适应变化的能力。

二、维度建模的实际应用案例1. 零售业销售分析：假设我们拥有一个零售业数据仓库，其中包含了各种维度和事实数据。

我们可以使用维度建模来进行销售数据的分析和报表生成。

例如，我们可以将日期、产品、地点等维度与销售额、销售数量等事实数据关联起来，以便分析销售趋势、产品销售排行等信息。

2. 客户关系管理分析：在客户关系管理系统中，我们可以使用维度建模来分析客户的购买行为、消费偏好等信息。

例如，我们可以将客户、产品、时间等维度与购买金额、购买次数等事实数据关联起来，以便分析每个客户的购买习惯、忠诚度等指标。

3. 健康保险索赔分析：在健康保险业务中，我们可以使用维度建模来分析索赔数据。

例如，我们可以将保险公司、被保险人、医院等维度与索赔金额、索赔原因等事实数据关联起来，以便分析索赔金额的分布、索赔原因的排名等信息。

三、维度建模的观点和理解维度建模作为一种常用的数据建模方法，具有许多优点。

首先，它能够将复杂的业务过程和指标进行简化和抽象，使得数据更易于理解和分析。

其次，维度建模能够提供多维度的视角，使得用户能够从不同角度进行数据分析。

范式建模和维度建模的区别不同点⾸先最⼤的不同就是企业数据仓库的模式不同，inmon是采⽤第三范式的格式，⽽kimball则采⽤了多维模型–星型模型，并且还是最低粒度的数据存储。

其次是，维度数据仓库可以被分析系统直接访问，当然这种访问⽅式毕竟在分析过程中很少使⽤。

最后就是数据集市的概念有逻辑上的区别，在kimball的架构中，数据集市有维度数据仓库的⾼亮显⽰的表的⼦集来表⽰。

有的时候，在kimball的架构中，有⼀个可变通的设计，就是在ETL的过程中加⼊ODS层，使得ODS层中能保留第三范式的⼀组表来作为ETL过程的过度。

但是这个思想，Kimball看来只是ETL的过程辅助⽽已。

最后维度建模⾃底向上，范式建模⾃顶向下相同点Kimball和Inmon是两种主流的数据仓库⽅法论，分别由 Ralph Kimbal⼤神和 Bill Inmon⼤神提出，在实际数据仓库建设中，业界往往会相互借鉴使⽤两种开发模式，这两种的相同点如下：1. 都是假设操作型系统和分析型系统是分离的；2. 数据源（操作型系统）都是众多；3. ETL整合了多种操作型系统的信息，集中到⼀个企业数据仓库。

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。

数据仓库建模方法论通过上一篇数据仓库建设的全局概览，我们认识了数据仓库，也明确了数据建模在仓库建设中的核心地位，数据仓库模型是整个大厦的基石，也是个难点。

1什么是数据模型数据模型是抽象描述现实世界的一种方法，是通过抽象的实体及实体之间的联系来表示现实世界中事务的相互关系的一种映射。

数据仓库模型是数据模型中针对特定的数据仓库应用系统的特定模型。

由下图四部分内容组成：●业务建模，主要解决业务层面的分解和程序化。

●领域建模，主要对业务模型进行抽象处理，生成领域概念模型。

●逻辑建模，主要将领域模型的概念实体以及实体之间的关系进行数据库层次的逻辑化。

●物理建模，主要解决逻辑模型针对不同关系型数据库的物理化以及性能等一些具体的技术问题。

2数据仓库数据模型架构数据仓库模型由五部分组成，如下图：系统记录域：数据仓库业务数据存储区，模型保证了数据的一致性。

（继续使用Oracle？）内部管理域：也就是元数据模型的存储管理。

（工具待定）汇总域：系统记录域的汇总数据，数据模型保证的主题分析的性能，满足部分报表查询。

分析域：用于各个业务部分的具体的主题分析。

也就是数据集市。

反馈域：针对前端反馈的数据，根据业务需求而定。

3数据模型的作用●进行全面的业务梳理，改进业务流程。

●建立全方位的数据视角，打通信息孤岛，去除数据差异。

●解决业务的变动，提高数据仓库灵活性。

●帮助数据仓库系统本身的建设。

4如何创建数据仓库模型4.1数据仓库建模四个阶段4.1.1业务建模●划分整个企业的业务，一般按部门划分，进行各个部分之间业务工作的界定，理清各业务部门之间的关系。

●深入了解各业务部门工作流程的方法。

●提出修改和改进业务部门工作流程的方法。

●数据建模的范围界定，确定数据仓库项目的目标和阶段划分。

4.1.2领域概念建模●抽取关键业务概念，并抽象化。

●将业务概念分组，按业务主线聚合类似的分组概念。

●细化分组概述，理清分组概念内的精力流程并抽象化。

通俗易懂数仓建模—Inmon范式建模与Kimball维度建模在数据仓库领域，有两位大师，一位是“数据仓库”之父B i l l I n m o n，一位是数据仓库权威专家R a l p h K im ba l l，两位大师每人都有一本经典著作，I n m o n大师著作《数据仓库》及K im ba l l大师的《数仓工具箱》，两本书也代表了两种不同的数仓建设模式，这两种架构模式支撑了数据仓库以及商业智能近二十年的发展。

今天我们就来聊下这两种建模方式——范式建模和维度建模。

本文开始先简单理解两种建模的核心思想，然后根据一个具体的例子，分别使用这两种建模方式进行建模，大家便会一目了然！一、两种建模思想对于In mo n和K i m ba l l两种建模方式可以长篇大论叙述，但理论是很枯燥的，尤其是晦涩难懂的文字，大家读完估计也不会收获太多，所以我根据自己的理解用通俗的语言提炼出最核心的概念。

范式建模范式建模是数仓之父In mo n所倡导的，“数据仓库”这个词就是这位大师所定义的，这种建模方式在范式理论上符合3N F，这里的3N F与O L T P中的3N F还是有点区别的：关系数据库中的3N F是针对具体的业务流程的实体对象关系抽象，而数据仓库的3N F是站在企业角度面向主题的抽象。

I n m o n模型从流程上看是自上而下的，自上而下指的是数据的流向，“上”即数据的上游，“下”即数据的下游，即从分散异构的数据源-> 数据仓库-> 数据集市。

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，所以会更加强调数据的清洗工作，将数据抽取为实体-关系模型，并不强调事实表和维度表的概念。

维度建模K i m b al l模型从流程上看是自下而上的，即从数据集市-> 数据仓库-> 分散异构的数据源。

K i mb a l l是以最终任务为导向，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E T L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，架构体系中，数据集市与数据仓库是紧密结合的，数据集市是数据仓库中一个逻辑上的主题域。

范式模型和维度模型
范式模型是一种关系数据库设计范式，旨在消除数据冗余并确
保数据的一致性和完整性。

范式模型通常包括第一范式（1NF）、第
二范式（2NF）、第三范式（3NF）等。

在范式模型中，数据被组织
成多个彼此相关的表，每个表包含特定类型的数据，并且每个数据
项都被存储在一个唯一的位置。

这种结构使得数据更新和维护更加
简单，但有时也会导致查询性能较差，因为需要进行多个表的连接
操作。

维度模型是一种用于数据仓库和商业智能的建模方法，它主要
用于分析和报告目的。

维度模型将数据组织成事实表和维度表的结构。

事实表包含业务度量和指标，而维度表包含描述性信息，例如
时间、地点、产品等。

这种模型的优势在于能够提供快速的查询性
能和简单的数据分析，但在某些情况下可能会导致数据冗余。

范式模型和维度模型在数据建模和数据库设计中有着不同的应
用场景。

范式模型适用于OLTP（联机事务处理）系统，用于支持日
常的业务操作和数据更新。

而维度模型适用于OLAP（联机分析处理）系统，用于支持数据分析和报告。

在实际应用中，通常会根据具体
的业务需求和系统特点来选择合适的数据模型。

综上所述，范式模型和维度模型都是重要的数据建模方法，它们各自具有特定的优势和适用场景。

在实际应用中，需要根据具体的业务需求和系统特点来选择合适的数据模型，以确保数据存储、管理和分析的高效性和可靠性。

详解数据建模方法、模型、规范、流程、架构、分层和工具01 数据建模相关概念数据几乎总是用于两种目的：操作型记录的保存和分析型决策的制定。

简单来说，操作型系统保存数据，分析型系统使用数据。

前者一般仅反映数据的最新状态，按单条记录事务性来处理；其优化的核心是更快地处理事务。

后者往往是反映数据一段时间的状态变化，按大批量方式处理数据；其核心是高性能、多维度处理数据。

通常我们将操作型系统简称为OLTP（On-Line Transaction Processing）—联机事务处理，将分析型系统简称为OLAP（On-Line Analytical Processing）—联机分析处理。

针对这两种不同的数据用途，如何组织数据，更好地满足数据使用需求。

这里就涉及到数据建模问题。

即设计一种数据组织方式（模型），来满足不同场景。

在OLTP场景中，常用的是使用实体关系模型（ER）来存储，从而在事务处理中解决数据的冗余和一致性问题。

在OLAP场景中，有多种建模方式有：ER模型、星型模型和多维模型。

02 维度建模维度建模，是数据仓库大师Ralph Kimball提出的，是数据仓库工程领域最流行的数仓建模经典。

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。

它是面向分析的，为了提高查询性能可以增加数据冗余，反规范化的设计技术。

2、维度表维度表，一致性维度，业务过程的发生或分析角度，我们主要关注下退化维度和缓慢变化维。

退化维度（DegenerateDimension）在维度类型中，有一种重要的维度称作为退化维度，亦维度退化一说。

这种维度指的是直接把一些简单的维度放在事实表中。

退化维度是维度建模领域中的一个非常重要的概念，它对理解维度建模有着非常重要的作用，退化维度一般在分析中可以用来做分组使用。

缓慢变化维（Slowly Changing Dimensions）维度的属性并不是始终不变的，它会随着时间的流逝发生缓慢的变化，这种随时间发生变化的维度我们一般称之为缓慢变化维（SCD）。

范式建模维度建模比较范式建模维度建模一、范式建模这样的设计方式是在关系型数据库中常用的，Inmon 的范式建模法的最大优点就是从关系型数据库的角度出发，结合了业务系统的数据模型，能够比较方便的实现数据仓库的建模。

1.1 范式化模型设计需满足下面三大范式：1.1.1 第一范式（1NF）: 原子性字段不可再分, 否则就不是关系数据库;1.1.2 第二范式（2NF）: 唯一性一个表只说明一个事物;1.1.3 第三范式（3NF）: 每列都与主键有直接关系，不存在传递依赖;1.2 特点：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；解耦（系统级与业务级），方便维护；设计思路自上而下，适合上游基础数据存储，同一份数据只存储一份，没有数据冗余，方便解耦，易维护，缺点是开发周期一般比较长，维护成本高；二、维度建模维度建模是一种将数据结构化的逻辑设计方法，它将客观世界划分为度量和上下文。

度量是常常是以数值形式出现，事实周围有上下文包围着，这种上下文被直观地分成独立的逻辑块，称之为维度。

维度建模是面向分析，为了提高查询性能可以增加数据冗余，反规范化的设计技术。

2.1 特点：模型结构简单，星型模型为主开发周期短，能够快速迭代维护成本较高维度建模是面向分析，为了提高查询性能可以增加数据冗余，反规范化的设计技术设计思路是自下而上总，开，适合统计多层次维度的汇，适合下游应用数据存储高发周期短，缺点是维护成本1.3 维度建模的常见模式1.1.4 星形模式星形模式(Star Schema) 是最常用的维度建模方式，下图展示了使用星形模式：构进行维度建模的关系结维度 C 维度 BFK FK维度D FK FK 维度 A事实表FK FK维度E ??.可以看出，星形模式的维度建模由一个事实表和一组维表成，且具有以下特点：a. 维表只和事实表关联，维表之间没有关联；b. 每个维表的主码为单列，且该主码放置在事实表中，作为两边连接的外码；c. 以事实表为核心，维表围绕核心呈星形分布；1.1.5 雪花模式接外连雪花模式(Snowflake Schema) 是对星形模式的扩展，每个维表可继续向：构多个子维表。

阐述维度建模法的过程
一、维度建模法的概念
维度建模法指的是一种数据分析方法，它可以用来分析用户行为和用户特征之间的关系，从而提供有关用户以及用户行为的见解和洞察。

维度建模法集中于捕捉用户行为并加以分析，从而实现更精细的客户特征分析，并基于这些分析结果改进商业活动。

二、维度建模法的过程
（1）数据准备：数据准备阶段是维度建模法过程的第一步，其中要识别和收集相关数据，并对数据进行清理和转换，使其适合分析。

（2）数据挖掘：数据挖掘阶段需要使用数据挖掘技术来发现用户行为数据中隐藏的模式，以及预测和非结构化数据之间的关系。

（3）特征发现：在特征发现阶段，需要分析数据挖掘所提取的模式，以及对结构化数据和非结构化数据进行合并，以便更好地发现用户行为数据中隐含的特征。

（4）建模：建模阶段需要使用计算机技术来建立一个模型，从而对用户特征进行分析。

（5）结果可视化：结果可视化阶段是维度建模法的最后一步，主要是将建模结果以图表或者其他形式进行可视化，以便便于分析和理解。

- 1 -。

数据中心建模方案前言每个行业有自己的模型，但是不同行业的数据模型，在数据建模的方法上，却都有着共通的基本特点。

什么是数据模型数据模型是抽象描述现实世界的一种工具和方法，是通过抽象的实体及实体之间联系的形式，来表示现实世界中事务的相系的一种映射。

在这里，数据模型表现的抽象的是实体和实体之间的关系，通过对实体和实体之间关系的定义和描述，来表达实际的业务中具体的业务关系。

数据仓库模型是数据模型中针对特定的数据仓库应用系统的一种特定的数据模型，一般的来说，我们数据仓库模型分为几下几个层次。

数据仓库模型通过上面的图形，我们能够很容易的看出在整个数据仓库得建模过程中，我们需要经历一般四个过程：•业务建模，生成业务模型，主要解决业务层面的分解和程序化。

•领域建模，生成领域模型，主要是对业务模型进行抽象处理，生成领域概念模型。

•逻辑建模，生成逻辑模型，主要是将领域模型的概念实体以及实体之间的关系进行数据库层次的逻辑化。

•物理建模，生成物理模型，主要解决，逻辑模型针对不同关系型数据库的物理化以及性能等一些具体的技术问题。

因此，在整个数据仓库的模型的设计和架构中，既涉及到业务知识，也涉及到了具体的技术，我们既需要了解丰富的行业经验，同时，也需要一定的信息技术来帮助我们实现我们的数据模型，最重要的是，我们还需要一个非常适用的方法论，来指导我们自己针对我们的业务进行抽象，处理，生成各个阶段的模型。

为什么需要数据模型在数据仓库的建设中，我们一再强调需要数据模型，那么数据模型究竟为什么这么重要呢？首先我们需要了解整个数据仓库的建设的发展史。

数据仓库的发展大致经历了这样的三个过程：•简单报表阶段：这个阶段，系统的主要目标是解决一些日常的工作中业务人员需要的报表，•以及生成一些简单的能够帮助领导进行决策所需要的汇总数据。

这个阶段的大部分表现形式为数据库和前端报表工具。

•数据集市阶段：这个阶段，主要是根据某个业务部门的需要，进行一定的数据的采集，整理，按照业务人员的需要，进行多维报表的展现，能够提供对特定业务指导的数据，并且能够提供特定的领导决策数据。