模型|数仓避坑：搞懂维度模型( 二 )

范式模型主要解决数据的插入和更新，维护一致性等问题，维度模型则解决大数据场景分析的问题，这两者也就是所谓的 OLTP 和 OLAP 。
通过一个荒诞的例子来理解两者的区别。
你家是个大家族，七大姑八大姨，平时需要打电话联系。范式建模：每个人只存自己同辈人以及各自子女的联系方式。如果叔叔想找侄子/侄女（你），只能通过你爸爸。维度建模：所有的亲戚联系方式都写到了一个家庭通讯录上，想找人，直接找通讯录。
这个例子现实生活不存在，主要想帮助大家理解两种模型的差异：

范式模型为了应对数据频繁变更的场景，数据存得零散。为了保证数据的一致性，还要符合一定的规范，我们常见的是三范式（3NF）。
维度模型会将数据冗余，把一些相关的数据存到一起，方便快速查询取数。

维度模型的出现，就是为了解决大数据量导致的查询慢的问题。
四、维度建模的四大要素数据仓库领域的经典著作《维度建模工具箱》中，Kimball 定义了经典的维度建模的四步曲：选定业务过程、声明粒度、确定维度、构建事实。
1. 业务过程很多数据仓库书籍都给出了业务过程的通用定义：业务过程是企业活动中的事件，如下单、支付、退款都是业务过程，业务过程是一个不可拆分的行为事件。
看完定义，我们就会犯难了，什么是企业活动中的事件？打开手机付款，选择支付宝和微信，这些操作算不算业务过程？
这里，我们真得咬文嚼字，回归场景。交易的场景，有 2 个参与方：消费者和便利店。
便利店作为企业，如果它关心的结果只是消费者买了什么、买了多少，那消费者选择支付方式的事件，它完全不管，也不用记录。
但如果用户只开通了微信支付，没开通支付宝，因为支付问题导致没法成交，那企业肯定也会关心选择支付方式这个事件以及其结果。
业务过程，是不可拆分的事件，而且是基于分析目标进行选定的。
理解一个词，不能脱离情景，多尝试将自己置于企业经营的情景下。
企业里每天都有各种事情，而作为管理者的我们，最核心的关注点是什么？是从收益、成本出发，价值链条上最具影响力的事情或者事件。
2. 粒度理解粒度，其实很简单：干什么样的事情，会新增一条记录。
小乐支付了一笔，系统会新增一条支付记录，当我们要统计分析交易的订单数时，订单是最细的粒度。
而这笔交易中，包含了两个商品，当我们要分析所有订单卖出的商品数，每个商品则变成了最细粒度。
3. 维度维度，就是我们要进行分析的角度。
比如，在便利店场景中，一天的经营结束了，可以按品牌的维度分析，各个品牌的酸奶销售量；可以按日期维度分析，我们可以知道，周一到周日，每天的交易额如何。
某天，当我们发现交易数据发生异常的时候，我们可以按照品牌、日期等维度进行分析，逐个排查，直到找到根本的原因。
4. 事实广义地来说，所有被记录下来的事情，都是事实。
而维度建模中，对事实进行了细分，事实包含 2 类属性：维度、度量。维度就是上文所说的各个角度的数据，而度量，则通常是数值型的。
举个例子，我们描述一个长方形，但是没描述它具体多长、多宽，其他人是没法确定这个长方形具体多大的。
只有补充上它对应的维度和度量，人们才能理解。比如，长 4cm，宽 3cm。
长、宽是维度，4米、3米则是对应维度上的度量。
事实，就是描述客观事物的所有核心信息的所有数据的集合。
五、总结

模型是映射 “事实” 的东西，构建这个东西的动作就叫做建模。
- 上一页
- 1
- 2
- 3
- 下一页