數(shù)據(jù)倉庫建模詳解和建模技巧

1、一、構(gòu)建企業(yè)級數(shù)據(jù)倉庫五步法(一)、確定主題即確定數(shù)據(jù)分析或前端展現(xiàn)的主題。例如：我們希望分析某年某月某一地區(qū)的啤酒銷售情況，這就是一個(gè)主題。主題要體現(xiàn)出某一方面的各分析角度(維度)和統(tǒng)計(jì)數(shù)值型數(shù)據(jù)(量度)之間的關(guān)系，確定主題時(shí)要綜合考慮。我們可以形象的將一個(gè)主題想象為一顆星星：統(tǒng)計(jì)數(shù)值型數(shù)據(jù)(量度)存在于星星中間的事實(shí)表;分析角度(維度)是星星的各個(gè)角;我們將通過維度的組合，來考察量度。那么，“某年某月某一地區(qū)的啤酒銷售情況”這樣一個(gè)主題，就要求我們通過時(shí)間和地區(qū)兩個(gè)維度的組合，來考察銷售情況這個(gè)量度。從而，不同的主題來源于數(shù)據(jù)倉庫中的不同子集，我們可以稱之為數(shù)據(jù)集市。數(shù)據(jù)集市體現(xiàn)了數(shù)據(jù)倉庫

2、某一方面的信息，多個(gè)數(shù)據(jù)集市構(gòu)成了數(shù)據(jù)倉庫。(二)、確定量度在確定了主題以后，我們將考慮要分析的技術(shù)指標(biāo)，諸如年銷售額之類。它們一般為數(shù)值型數(shù)據(jù)。我們或者將該數(shù)據(jù)匯總，或者將該數(shù)據(jù)取次數(shù)、獨(dú)立次數(shù)或取最大最小值等，這樣的數(shù)據(jù)稱為量度。量度是要統(tǒng)計(jì)的指標(biāo)，必須事先選擇恰當(dāng)，基于不同的量度可以進(jìn)行復(fù)雜關(guān)鍵性能指標(biāo)(KPI)等的設(shè)計(jì)和計(jì)算。(三)、確定事實(shí)數(shù)據(jù)粒度在確定了量度之后，我們要考慮到該量度的匯總情況和不同維度下量度的聚合情況?？紤]到量度的聚合程度不同，我們將采用“最小粒度原則”，即將量度的粒度設(shè)置到最小。例如：假設(shè)目前的數(shù)據(jù)最小記錄到秒，即數(shù)據(jù)庫中記錄了每一秒的交易額。那么，如果我們可以確

3、認(rèn)，在將來的分析需求中，時(shí)間只需要精確到天就可以的話，我們就可以在ETL處理過程中，按天來匯總數(shù)據(jù)，此時(shí)，數(shù)據(jù)倉庫中量度的粒度就是“天”;反過來，如果我們不能確認(rèn)將來的分析需求在時(shí)間上是否需要精確到秒，那么，我們就需要遵循“最小粒度原則”，在數(shù)據(jù)倉庫的事實(shí)表中保留每一秒的數(shù)據(jù)，以便日后對“秒”進(jìn)行分析。在采用“最小粒度原則”的同時(shí)，我們不必?fù)?dān)心海量數(shù)據(jù)所帶來的匯總分析效率問題，因?yàn)樵诤罄m(xù)建立多維分析模型(CUBE)的時(shí)候，我們會(huì)對數(shù)據(jù)提前進(jìn)行匯總，從而保障產(chǎn)生分析結(jié)果的效率。關(guān)于建立多維分析模型(CUBE)的相關(guān)問題，我們將在下期欄目中予以闡述。(四)、確定維度維度是指分析的各個(gè)角度。例如我們

4、希望按照時(shí)間，或者按照地區(qū)，或者按照產(chǎn)品進(jìn)行分析，那么這里的時(shí)間、地區(qū)、產(chǎn)品就是相應(yīng)的維度?；诓煌木S度，我們可以看到各量度的匯總情況，也可以基于所有的維度進(jìn)行交叉分析。這里我們首先要確定維度的層次(Hierarchy)和級別(Level)。如圖所示，我們在時(shí)間維度上，按照“年 -季度-月”形成了一個(gè)層次，其中“年”、“季度”、“月”成為了這個(gè)層次的3個(gè)級別;同理，當(dāng)我們建立產(chǎn)品維度時(shí)，我們可以將“產(chǎn)品大類-產(chǎn)品子類-產(chǎn)品”劃為一個(gè)層次，其中包含“產(chǎn)品大類”、“產(chǎn)品子類”、“產(chǎn)品”三個(gè)級別。那么，我們分析中所用到的這些維度，在數(shù)據(jù)倉庫中的存在形式是怎樣的呢?我們可以將3個(gè)級別設(shè)置成一張數(shù)據(jù)表

5、中的3個(gè)字段，比如時(shí)間維度;我們也可以使用三張表，分別保存產(chǎn)品大類、產(chǎn)品子類、產(chǎn)品三部分?jǐn)?shù)據(jù)，比如產(chǎn)品維度.另外，值得一提的是，我們在建立維度表時(shí)要充分使用代理鍵。代理鍵是數(shù)值型的ID號碼(例如圖六中每張表的第一個(gè)字段)，它唯一標(biāo)識(shí)了每一維度成員。更重要的是，在聚合時(shí)，數(shù)值型字段的匹配和比較，JOIN效率高，便于聚合。同時(shí)，代理鍵對緩慢變化維度有著重要的意義，在原數(shù)據(jù)主鍵相同的情況下，它起到了對新數(shù)據(jù)與歷史數(shù)據(jù)的標(biāo)識(shí)作用。在此，我們不妨談一談維度表隨時(shí)間變化的問題，這是我們經(jīng)常會(huì)遇到的情況，我們稱其為緩慢變化維度。比如我們增加了新的產(chǎn)品，或者產(chǎn)品的ID號碼修改了，或者產(chǎn)品增加了一個(gè)新的屬性，此

6、時(shí)，維度表就會(huì)被修改或者增加新的記錄行。這樣，我們在ETL的過程中，就要考慮到緩慢變化維度的處理。對于緩慢變化維度，有三種情況：1、緩慢變化維度第一種類型：歷史數(shù)據(jù)需要修改。這種情況下，我們使用UPDATE方法來修改維度表中的數(shù)據(jù)。例如：產(chǎn)品的ID號碼為123，后來發(fā)現(xiàn)ID號碼錯(cuò)了，需要改寫成456，那么，我們就在ETL處理時(shí)，直接修改維度表中原來的ID號碼為456。2、緩慢變化維度第二種類型：歷史數(shù)據(jù)保留，新增數(shù)據(jù)也要保留。這時(shí)，要將原數(shù)據(jù)更新，將新數(shù)據(jù)插入，我們使用UPDATE / INSERT。比如：某一員工2005年在A部門，2006年時(shí)他調(diào)到了B部門。那么在統(tǒng)計(jì)2005年的數(shù)據(jù)時(shí)就應(yīng)

7、該將該員工定位到A部門;而在統(tǒng)計(jì) 2006年數(shù)據(jù)時(shí)就應(yīng)該定位到B部門，然后再有新的數(shù)據(jù)插入時(shí)，將按照新部門(B部門)進(jìn)行處理，這樣我們的做法是將該維度成員列表加入標(biāo)識(shí)列，將歷史的數(shù)據(jù)標(biāo)識(shí)為“過期”，將目前的數(shù)據(jù)標(biāo)識(shí)為“當(dāng)前的”。另一種方法是將該維度打上時(shí)間戳，即將歷史數(shù)據(jù)生效的時(shí)間段作為它的一個(gè)屬性，在與原始表匹配生成事實(shí)表時(shí)將按照時(shí)間段進(jìn)行關(guān)聯(lián)，這種方法的好處是該維度成員生效時(shí)間明確。3、緩慢變化維度第三種類型：新增數(shù)據(jù)維度成員改變了屬性。例如：某一維度成員新加入了一列，該列在歷史數(shù)據(jù)中不能基于它瀏覽，而在目前數(shù)據(jù)和將來數(shù)據(jù)中可以按照它瀏覽，那么此時(shí)我們需要改變維度表屬性，即加入新的字段列。

8、那么，我們將使用存儲(chǔ)過程或程序生成新的維度屬性，在后續(xù)的數(shù)據(jù)中將基于新的屬性進(jìn)行查看。(五)、創(chuàng)建事實(shí)表在確定好事實(shí)數(shù)據(jù)和維度后，我們將考慮加載事實(shí)表。在公司的大量數(shù)據(jù)堆積如山時(shí)，我們想看看里面究竟是什么，結(jié)果發(fā)現(xiàn)里面是一筆筆生產(chǎn)記錄，一筆筆交易記錄 那么這些記錄是我們將要建立的事實(shí)表的原始數(shù)據(jù)，即關(guān)于某一主題的事實(shí)記錄表。我們的做法是將原始表與維度表進(jìn)行關(guān)聯(lián)，生成事實(shí)表(圖六：pic6.bmp)。注意在關(guān)聯(lián)時(shí)有為空的數(shù)據(jù)時(shí)(數(shù)據(jù)源臟)，需要使用外連接，連接后我們將各維度的代理鍵取出放于事實(shí)表中，事實(shí)表除了各維度代理鍵外，還有各量度數(shù)據(jù)，這將來自原始表，事實(shí)表中將存在維度代理鍵和各量度，而不應(yīng)

9、該存在描述性信息，即符合“瘦高原則”，即要求事實(shí)表數(shù)據(jù)條數(shù)盡量多(粒度最小)，而描述性信息盡量少。如果考慮到擴(kuò)展，可以將事實(shí)表加一唯一標(biāo)識(shí)列，以為了以后擴(kuò)展將該事實(shí)作為雪花型維度，不過不需要時(shí)一般建議不用這樣做。事實(shí)數(shù)據(jù)表是數(shù)據(jù)倉庫的核心，需要精心維護(hù)，在JOIN后將得到事實(shí)數(shù)據(jù)表，一般記錄條數(shù)都比較大，我們需要為其設(shè)置復(fù)合主鍵和索引，以實(shí)現(xiàn)數(shù)據(jù)的完整性和基于數(shù)據(jù)倉庫的查詢性能優(yōu)化。事實(shí)數(shù)據(jù)表與維度表一起放于數(shù)據(jù)倉庫中，如果前端需要連接數(shù)據(jù)倉庫進(jìn)行查詢，我們還需要建立一些相關(guān)的中間匯總表或物化視圖，以方便查詢。二、項(xiàng)目模型實(shí)踐技巧(一)、準(zhǔn)備區(qū)的運(yùn)用在構(gòu)建數(shù)據(jù)倉庫時(shí)，如果數(shù)據(jù)源位于一臺(tái)服務(wù)器上

10、，數(shù)據(jù)倉庫在另一臺(tái)服務(wù)器端，考慮到數(shù)據(jù)源Server端訪問頻繁，并且數(shù)據(jù)量大，需要不斷更新，所以可以建立準(zhǔn)備區(qū)數(shù)據(jù)庫(圖八：pic8.bmp)。先將數(shù)據(jù)抽取到準(zhǔn)備區(qū)中，然后基于準(zhǔn)備區(qū)中的數(shù)據(jù)進(jìn)行處理，這樣處理的好處是防止了在原 OLTP系統(tǒng)中頻繁訪問，進(jìn)行數(shù)據(jù)運(yùn)算或排序等操作。例如我們可以按照天將數(shù)據(jù)抽取到準(zhǔn)備區(qū)中，基于數(shù)據(jù)準(zhǔn)備區(qū)，我們將進(jìn)行數(shù)據(jù)的轉(zhuǎn)換、整合、將不同數(shù)據(jù)源的數(shù)據(jù)進(jìn)行一致性處理。數(shù)據(jù)準(zhǔn)備區(qū)中將存在原始抽取表、轉(zhuǎn)換中間表和臨時(shí)表以及ETL日志表等。(二)、時(shí)間戳的運(yùn)用時(shí)間維度對于某一事實(shí)主題來說十分重要，因?yàn)椴煌臅r(shí)間有不同的統(tǒng)計(jì)數(shù)據(jù)信息，那么按照時(shí)間記錄的信息將發(fā)揮很重要的作用。

11、在ETL中，時(shí)間戳有其特殊的作用，在上面提到的緩慢變化維度中，我們可以使用時(shí)間戳標(biāo)識(shí)維度成員;在記錄數(shù)據(jù)庫和數(shù)據(jù)倉庫的操作時(shí)，我們也將使用時(shí)間戳標(biāo)識(shí)信息。例如：在進(jìn)行數(shù)據(jù)抽取時(shí)，我們將按照時(shí)間戳對OLTP系統(tǒng)中的數(shù)據(jù)進(jìn)行抽取，比如在午夜0：00取前一天的數(shù)據(jù)，我們將按照OLTP系統(tǒng)中的時(shí)間戳取 GETDATE到GETDATE減一天，這樣得到前一天數(shù)據(jù)。(三)、日志表的運(yùn)用在對數(shù)據(jù)進(jìn)行處理時(shí)，難免會(huì)發(fā)生數(shù)據(jù)處理錯(cuò)誤，產(chǎn)生出錯(cuò)信息，那么我們?nèi)绾潍@得出錯(cuò)信息并及時(shí)修正呢? 方法是我們使用一張或多張Log日志表，將出錯(cuò)信息記錄下來，在日志表中我們將記錄每次抽取的條數(shù)、處理成功的條數(shù)、處理失敗的條數(shù)、處理失敗的數(shù)據(jù)、處理時(shí)間等等。這樣，當(dāng)數(shù)據(jù)發(fā)生錯(cuò)誤時(shí)，我們很容易發(fā)現(xiàn)問題所在，然后對出錯(cuò)的數(shù)據(jù)進(jìn)行修正或重新處理。(四)、使用調(diào)度在對數(shù)據(jù)倉庫進(jìn)行增量更新時(shí)必須使用調(diào)度(圖九：pic9.bmp)，即對事實(shí)數(shù)據(jù)表進(jìn)行增量更新處理。在使用調(diào)度前要考慮到事實(shí)數(shù)據(jù)量，確定需要多長時(shí)間更新一次。比如希望按天進(jìn)行查看，那么我們最好按天進(jìn)行抽取，如果數(shù)據(jù)量不大，可以按照月或半年對數(shù)據(jù)進(jìn)行更新