维度建模指南.ppt

每个事实表的粒度是一个事件量测。用来描述数据或事件。事件可以发生，但是没有具体的测量值。 事故事件(FK) 位置(FK) 事故类型(FK) 事故当事人组(FK) 原告组(FK) 证人组(FK) 事故当事人组(FK) 事故当事人(FK) 事故角色 原告组(FK) 原告(FK) 原告角色 证人组(FK) 证人(FK) 证人角色 事故当事人PK) 属性.. 原告PK) 属性.. 证人(PK) 属性.. 1 确定每个事实表的粒度 2 确定维度的属性 3 确定维度的层次 4 确定每个事实所需要关联的维度 5 确定事实，包括预先计算的 6 确定缓慢变化维 确定详细数据的粒度级别 此过程必须是在建模之前最需要考虑的问题 比较典型的粒度指的是单独的，基于时间的或聚集在一个常用的维度的事务 去定是否需要同时存储编号和描述，或者只是编号，或者只是描述的信息 确定哪些字段的值需要被筛选掉或者需要存在 对于时间维度，我们需要确定的是年，季度，月，周，日等不同的层次 对于产品维度，我们需要确定的是产品大类，产品小类，产品等不同的层次 需要注意的是比如在销售中，地理位置的层次可能和真正的地理位置的层次会有不同 通常的维度包括时间，产品，投保人，代理人，和地理等常见对象 请注意，创建的维度需要和与其连接的事实的粒度保持一致 需要根据具体业务来确定事实及其量度 对于每个聚合事实需要在应用(ETL)过程中进行计算 根据需求，对缓慢变化维进行相应的处理 比如： 对于一个需求为不保留历史的客户维度，我们使用第一种类型的缓慢变化维来处理 对于一个需求为需要保留历史的产品维度，我们需要使用第二种类型的缓慢变化维来处理 在常规的数据流传递途径上，第三种方式不经常出现，相反,他们经常是一种ETL 团队成员间口头上执行决定 By Z.RaiNy 1.基础术语 2.维度建模中的三种模型 3.维度的类型 4.事实的类型 5.维度建模的一般过程 每个数据仓库都包含一个或者多个事实数据表。事实数据表可能包含业务销售数据，如现金登记事务所产生的数据，事实数据表通常包含大量的行 一般事实表中只存放数字或者一些Flag用来统计(Count)，如收益、数量、支出等 销售事实 收益 数量 支出 毛利 … 维度表可以看作是用户来分析数据的窗口，维度表中包含事实数据表中事实记录的特性，有些特性提供描述性信息，有些特性指定如何汇总事实数据表数据，以便为分析者提供有用的信息，维度表包含帮助汇总数据的特性的层次结构。 客户维 时间维 商场维 产品维 销售事实 时间ID 客户ID 产品ID 商场ID 收益 数量 支出 毛利 … 粒度是指数据仓库的数据单位中保存数据的细化或综合程度的级别。细化程度越高，粒度级就越小；相反，细化程度越低，粒度级就越大。设计粒度是设计数据仓库中的一个重要的前提 层次指描述明细数据的层次 星形模型(Star Schema) 雪花模型(Snowflake Schema) 多维模型(Multi-dimension Schema) 数据或展现的安全性 复杂的查询和分析 事实被维度所包围，且维度没有被新的表连接 客户维 时间维 商场维 产品维 销售事实 时间ID 客户ID 产品ID 商场ID 收益 数量 支出 毛利 … 星形模型是一个比较折中的的建模方式(BI APPS中都是用的是星形的建模方式) 事实表被多个维表或一个或多个层次所包围 客户维 时间维 商场维 产品维 销售事实 时间ID 客户ID 产品ID 商场ID 收益 数量 支出 毛利 … 联系人维 联系人维 雪花模型一般在处理大的且相对静态的层次的时候使用 层次数据库，只有一个结构(立方体Cube)相当于一个多维数组。它包含了所有数据在各种级别的汇总 需要特定的多维数据库或者多维数据库引擎(Essbase)的支持 数据存储空间的问题：当新添加一个维度的时候，数据的量便会成指数增长 缓慢变化维(Slowly Changing Dimension) 快速变化维(Rapidly Changing Dimension) 大维(Huge Dimension)和迷你维(Mini-Dimension) 退化维(Degenerate Dimension) 大多数的维度的内容都会有不同程度的改变。比如： 雇员的升职 客户更改了他的名称或地址 我们如何去处理这些维度中的变化呢？ 下面提供了三个处理缓慢变化维的方式 直接更新到原先记录中 标记记录有效时间的开始日期和结束日期，加入版本控制 在记录中添加一个字段来记录历史 客户Simmy将自己的地址由原先的Addr1改为Addr2。这时我们需要将这个记录了客户Simmy的记录中Address从Addr