数据仓库的建模方法

一： 范式建模

1、每个属性值唯一，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的属性

业务数据模型转向模型，同样也需要数据仓库的域模型，也叫概念模型，同时也要有域领域的逻辑模型

  • 数据仓库的域模型比业务系统的主题范围更加广泛
  • 数据仓库的逻辑模型需要从数据模型的逻辑中的抽象实体

二：维度建模法
按照事实表，维度表来构建数据仓库的数据集市《星型模型》，星型模型针对各个维度做了大量的预处理，按照维度进行预先的统计，能够极大的提升数据仓库的处理能力。

  1. 优点：维度建模非常直观，可以直观的反应业务模型的业务问题。
  2. 缺点：会有大量的数据处理工作；
    当业务发生变化时，需要重新定义维度的定义，往往要重新进行维度数据的预处理，会产生大量的数据冗余。

三：实体建模法
两个实体产生的关系和行为，是一种抽象客观世界的方法。
所以该建模方法只是适用于业务建模和领域建模。

  1. 业务建模阶段：首先要清楚业务的几个主线，主线业务内分析业务主题
  2. 领域建模阶段：很重要的阶段
    1、抽象方法层，整个数据模型的核心方法，领域概念建模的实体的划分通过这种方法来实现。
    2、领域概念层，抽象程度高低的不同，实体的理解也不同，
    3、具体业务层，具体的业务层只是领域模型中的一些不同组合而已。
    4、业务主线层。
    一般在业务建模的时候，已经完成这方面的划分，一般通过这种大的业务主线来划分整个业务模型的大框架。
  3. 逻辑建模阶段
    1、实例化每一个抽象的实体
    2、找出抽象实体间的联系并将其实例化
    3、找出抽象事件的关系，并将其实例化
    这个阶段要表达出实体的属性，以及实体与实体之间的关系。

四：物理建模阶段
将前面的逻辑数据建模落地的一个过程。

  • 生成创建表的脚本，不同的数据仓库平台可能生成不同的数据库的脚本。
  • 针对数据集市的要求，按照维度建模的方法生成一些事实表维度表的工作。
  • 针对数据仓库的ETL和元数据的管理的需要，生成一些数据仓库维护的表，日志等。