数据仓库模型数据仓库四大模型

ER模型（Bill Inmon 比尔·恩门）提出  （大型企业底层构建）

1，整体性考虑：全面了解企业业务和数据

2，实施周期长

3，建模人员的能力要求高

步骤：

高层模型：考虑所有上层主题，主题之间的关系

中层模型：细化 上层主题 数据项

物理模型：基于性能，存储，平台特点，数据合并，分区设计

 

维度建模（Ralph Kimball 拉尔夫·金博尔）提出 （当前最主流的模型）

星型：所有维表直接连接到事实表

雪花型： 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上

（雪花型场景：

   1， 大型客户维度，客户属性需要隐匿

   2，银行、金融多种产品属性无法共享

   3，多切页日历维，结账期、季度、假期

）

建模过程

1，选择需要进行分析决策的业务过程

2，选择粒度：时间维度

3，识别维表：基于粒度设计维表，包括维度属性，用于分析时进行分组和筛选

4，选择事实：确定分析需要衡量的指标，筛选有用字段

 

Data Vault 模型：ER模型的衍生，设计出发点是为了实现数据整合，但不能直接用于数据分析决策。强调数据的历史性、可追溯性和原子性。范化程度较高

Anchor 模型：对Data Vault进一步范化处理，核心思想是所有的扩展都是添加而不是修改，模型高度范化，6NF。基本变成k-v结构模型