数据仓库维度设计,数据仓库维度的退化

大数据分析基础——维度模型

维度是维度建模的基础和灵魂。在维度建模中，将度量称为“事实” ， 将环境描述为“维度”，维度是用于分析事实所需要的多样环境。例如， 在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

事件模型是用户行为数据分析的第一步，也是分析的核心和基础，它背后的数据结构、采集时机以及对事件的管理是事件模型中的三大要素。

通过数据分析模型，不仅能降低运营人员的认知成本，还能帮助我们拨冗化简复杂问题，快速理解客观事物，轻松上手数据分析。

【总结】维度数据建模过程及举例

1、通过对业务需求以及可用数据源的综合考虑，确定对哪种业务过程开展建模工作 建立的第一个维度模型应该是一个最有影响的模型——它应该对最紧迫的业务问题作出并且对数据的抽取来说是最容易的。

2、收集业务需求和数据实现 开始维度建模工作前，需要理解业务需求，以及作为基础的源数据的实际情况。通过与业务代表交流来发现需求，用于理解他们的基于关键性能指标、竞争性商业问题、决策制定过程、支持分析需求的目标。

3、维度是维度建模的基础和灵魂。在维度建模中，将度量称为“事实” ， 将环境描述为“维度”，维度是用于分析事实所需要的多样环境。例如， 在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。

《数据仓库工具箱》读书笔记(一):维度建模初步

维度模型是数据仓库领域大师Ralph Kimall所倡导，他的《数据仓库工具箱》，是数据仓库工程领域最流行的数仓建模经典。

如果具有高度非关联的属性，包含更多的数量值，则将它们合并为单一的杂项维度为主没有多的意义。在建模表头/明细数据维度时需要避免两个常见的设计错误。将事务表头当成维度。

维度建模：维度建模是专门应用于分析型数据库、数据仓库、数据市集建模的方法。

数据库与数据仓库的异同在哪里?

1、数据库是面向事务的设计，数据仓库是面向主题设计的。数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。“与时间相关”：数据库保存信息的时候，并不强调一定有时间信息。

2、数据库是为捕获数据而设计，数据仓库是为分析数据而设计。数据仓库，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，它决不是所谓的“大型数据库”。

3、是由一批数据构成的有序集合，这些数据被存放在结构化的数据表里。实现目的的不同一开始就注定它们的差异。传统数据库包括增删改查，但数据仓库注重查询。而传统数据库的主要任务是执行联机事务处理。主要负责日常操作。

4、逐渐演化到非常精细化和具体的用户的集群分析，特定用户在某种使用场景中。那么在这里前一种业务数据库（读写都优化）的是业务性数据库，后一种是分析性数据库，即数据仓库。

5、数据库作为数据仓库的一个组成部分，应从数据仓库中导出，也就是说，首先要建立数据仓库，然后从数据仓库自然生成数据库。

6、再看看应用的不同 业务数据库是面向操作的，主要服务于业务产品和开发。而数据仓库则是面向分析的，主要服务于分析人员。评价数据仓库做的好不好，就看分析师用得爽不爽。

标签：维度仓库数据退化设计