数据仓库建模（维度建模）-维表设计

数据仓库与数据库的区别

数据库：用于日常的事务处理，存储数据量相对较小，对于存储和查询都有相应的优化，但是对于历史数据量很大的情况下就不适用了。
数据仓库：OLAP 用于大数据量的数据分析处理，优化了查询对于写操作并没太大的优化，因此在大数量方面的查询，支持复杂的查询分析，侧重于决策支持。
数据仓库建模方式通常使用维度建模法，建立相应的事实表与维度表。例如星型模型，雪花模型和星座模型。

• 星型模型
  每一个维表都与都与事实表相关联。数据冗余量较大
• 雪花模型
  有些维表可能不与事实表直接关联，而是通过其他维表关联到事实表。数据冗余量较小
• 星座模型
  由多个事实表相组合，维表是公共的。企业中一般都是星座模型

星型模型和雪花模型的区别

星型模型的数据冗余量相对于雪花模型要大，但是在复杂分析的效率上面来讲，星型模型的效率会更高一点，因为在复杂分析时Join的次数可以减少。

维度设计

维度设计的过程其实就是确定维度属性的过程，维度属性的优劣决定了维度使用的方便性。数据仓库的能力与维度属性的广度和深度成正比。

维度设计方法

• 选择维度或新建维度 在数据仓库中维度必须唯一，只允许有一个维度定义 如商品
• 确定主维表
• 确定相关维表 从业务过程出发 确定哪些相关维表与主维表存在关联。
• 确定维度属性
  以淘宝商品维度为例，从主维表（ s_auction_auctions ）和类目、SPU 、卖家、店铺等相关维表中
  选择维度属性或生成新的维度属性。<