商务智能 维度建模.pptVIP

维度建模 》前情回顾 数据仓库的概念 数据库与数据仓库 ④ 数据仓库结构 Q数据仑库特点 数据仓库模型 数据仓库工具Hive 目录 维度建模设计 维度表技术基础 的主要流程 01 02 0304 05 维度建模简介 事实表技术基础 维度模型的误区 01 维度模型简介 维度模型简介 维度建模被广泛接受为数据分析的首选技术,因为它同时满足了两个需求 向业务用户交付可以理解的数据 提供快速查询性能 》维度建模是使数据库变得简单的一项长期技术。在数次案例之后,∏组织、咨询人员和业务用户都 自然而然地倾向于一个简单的维度结构,以满足人们对简单性的基本需求。简单性是至关重要的 因为它确保了在用户能够轻松地理解数据的前提下允许软件快速地导航和传递结果。 ·例如,一位管理人员描述她的业务:“我们在不同的市场销售产品,并随着时间来衡量我们 的业绩。维度设计师遵从产品、市场和时间的重点进行模型设计。 维度建模方法 维度建模 ·适合表连接以及聚合计算的 查询请求; 易用,易理解,查询效率高 更适合作为分析型应用 (OLAP、BI)的基础 实体建模 第三范式(3NF)建模 适用于频繁的 Update, insert 抽象客观世界的方法,局限 种(事务型应用) 于业务建模和领域概念建模 ·规范化模型过于复杂,无法得 到直观的、高性能的数据检索 》星型模型 维度建模是数据仓库建设中的一种数据建模方法。 Kimba‖最先提岀这-概念。其最简单的 描述就是,按照事实表,维度表来构建数据仓库,数据集市。这种方法被人广泛知哓的名字 就是星型模式(Star- schema) 部门维 地域维 剖门键 也域键 国家省份城市 省份 BB CD 代理处 A 地域建 时间维 星型模式之所以广泛被使用,在于针对各个维作 销售数量 销售金额 了大量的预处理,如按照维进行预先的统计、分 产品 产品售价 类、排序等。通过这些预处理,能够极大的提升 产品质量 数据仓库的处理能力 图1星型模型 》星型模型 当星型模型的维度表进一步层次化,就形成了雪花模型。 门维 国家锥 地域维 地域 国家名称 部门键 雪花模型的优点是:通过 最大限度地减少数据存储 省份名称 时间键 量以及联合较小的维表来 剖门键 时间 改善查询性能。也就是去 销售数量 除了数据余。 销售金额 产品描述 产品售价 产品质量 图2雪花模型 维度建模的优点 围绕业务 模型 直观 不需要抽 象处理 反应业 务问题 维度建模缺点 由于在构建星型模式之前需要进行大量的数据预处理,因此 会导致大量的数据预处理工作。 当业务发生变化,需要重新进行维度的定义时,往往需要重 新进行维度数据的预处理。而在这些预处理过程中,会导致 大量的数据冗余。 》如果只是依靠单纯的维度建模,不能保证数据来源的一致性 和准确性。 》在数据仓库的底层,不是特别适用于维度建模的方法。