数据仓库建模（二）：建模流程

该系列的文章仅为记录以及《数据仓库工具箱（维度建模指南）》的读后心得和思考，如有异议，请留言

将某些事情以具体、有形的方式抽象成数据集展示出来是数仓建设的最终目的，因此数据模型一定要保持简单性的设计，如果从复杂的数据模型起步，最终将会导致模型过于复杂，从而导致查询性能低下。爱因斯坦曾经说过：“凡事应该尽量简单，直到不能再简单为止”。 – 《数据仓库工具箱（维度建模指南）》

Ralph Kimball 是一位数仓建设领域的大师，《数据仓库工具箱（维度建模指南）》 这本书就是这位大师和另外一位大师 Margy Ross 创作的。

Kimball 所提出的这种维度建模理论，被大部分人接受并广泛使用，包括各个公司的一些建模方案都是基于这些理论实现的，虽然不知道 Kimball 这个名词。。。

该篇博客主要是对 Kimball 建模的流程做记录并分享自己的心得

① 选择业务过程

业务过程是组织完成的操作类型活动，例如，获得订单、处理保险索赔、学生课程注册或每个月账单的快照等

获取事实一般是通过业务过程事件的建立或获取事实度量，并转换为事实表中的事实。业务过程的选择非常重要，因为业务过程定义了特定的设计目标以及对粒度、维度、事实的定义。每个业务过程对应企业数据仓库总线矩阵中的一行

② 声明粒度

粒度用于确定某一事实表中的行表示什么

在选择维度或事实前必须声明粒度，因为每个候选维度或事实必须与定义的粒度保持一致

在所有维度设计中强制实行一致性是保证 BI 应用性能和易用性的关键。在从给定的业务过程获取数据时，原子粒度是最低级别的粒度，一般是从原子级别粒度数据开始设计，因为原子粒度数据能够承受无法预期的用户查询。上卷汇总粒度对性能调整来说非常重要，但这样的粒度往往要猜测业务公共问题。针对不同的事实表粒度，要建立不同的物理表，在同一事实表中不要混用多种不同的粒度。

③ 确认维度

维度是围绕业务过程中的事件，按照不同的维度去描述事实

维度表有时被称为数据仓库的 “灵魂” ，因为维度表包含业务分析的如口和描述性标识

④ 确认事实

一个事实表行对应一个度量事件，并且事实表行必须和声明的粒度保持一致。例如，在零售业务中，一个销售产品的数量与其总销售额的事实中，不允许让员工的工资存在与该事实中，因为这时的粒度不允许

⑤ 拓展维度模型

维度模型对数据关系发生变化要有灵活的适应性。当发生以下情况时，我们只需要更改 SQL 的查询语句就可以完成我们的目标查询