随着企业信息化发展，数据仓库逐渐成为核心。从直接查询业务系统数据库，到建立镜像数据库，再到系统化规划的数据仓库，数据管理不断进化。星型或雪花型结构是数据仓库常见形式，但限制了面向业务的分析。多维数据库的出现，通过维度与数据集市模型，提升了分析能力，并支持业务人员自主分析。关系型数据库的局限在于其二维表结构，而多维数据库结合数据立方体，提供了更强大的分析功能。
第一阶段
企业信息化达到一定程度之后，一定会有报表的需求，此时直接从业务系统的数据库进行查询。
第二阶段
直接查询业务系统数据库，很容易对业务系统造成影响，这时可能会将数据抽取出来，放在一个镜像数据库里进行查询。
第三阶段
当数据规模越来越大，报表与数据分析的需求也随之增多。开始对数据进行系统化的规划与管理时，数据仓库的雏形也已建立起来。
关系型数据库的星形（或雪花型）结构是数据仓库的常见形式之一，但不是唯一的形式，只要能做到将数据有序管理，基本上就可以称之为数据仓库。
当建立起心形或雪花型的数据仓库的时候，已经可以做一些基本的数据分析了。但是会有一些弊端。星形或水上行结构虽然模拟了多维数据模型，但是其本质上还是关系型数据库的表字段以及数据行的模型。无法做到真正意义上的面对业务时的数据分析。而且这种直接建立在关系型数据库之上的模型，很难让业务人员自主进行数据分析。
第四阶段
基于关系数据库星型或雪花型结构所建立的数据仓库，虽然可以进行数据分析，但分析能力不强。
星型或雪花型结构虽然模拟了多维数据模型，但其本质上还是关系型数据库的表及字段模型，无法做到真正意义上面向业务的数据分析，而且这种直接建立在关系型数据库之上的模型，很难让业务人员独立进行数据分析。
第五阶段
由于多维数据库维度既业务的特性，所以基于多维数据库所建立的数据体系的分析能力要强很多，而且也能将让业务人员自主分析这一目标落地实现。
多维数据库向外提供维度与数据集市模型，数据的实际物理存储则对外屏蔽。关系型数据库可以作为多维数据库的一种底层实现，当然还有其他的方式，比如数据块文件、分布式存储等。
关系型数据库的星型（或雪花型）结构容易与多维数据库的维度与数据立方体结构产生一些混淆，主要是由于以下两点原因：
多维数据库可以使用关系数据库作为数据实际存储方案；
多维数据库的MDX与关系数据库的SQL在语法结构上的类似。
以上两点原因使得在关系数据库的星型（或雪花型）模型上使用SQL进行查询被误认为是可以进行多维分析的，实际上这是非常错误的认识，原因在于表及字段模型和维度及数据立方体模型本质上的区别。
以上是思迈特软件Smartbi的分享，更多行业干货可关注我们下一期的分享。思迈特软件Smartbi是知名国产BI品牌,专注于商业智能BI与大数据BI分析平台软件产业的研发及服务。经过多年持续自主研发，凝聚大量商业智能最佳实践经验，整合了各行业的数据分析和决策支持的功能需求。满足最终用户在企业级报表、数据可视化分析、自助探索分析、数据挖掘建模、AI智能分析等大数据分析需求。
现个人版提供全模块长期免费使用，有兴趣的小伙伴可登陆官网免费试用~
5018
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
