数据模型设计方法论汇总

数据模型设计(数仓方法论)

3.1、维度建模

• • 精通星型模型（Star Schema）和雪花模型（Snowflake Schema）的设计原理和应用场景。
  • 能够根据业务需求和查询性能要求设计合适的维度模型和事实表。
  • 熟悉缓慢变化维度（Slowly Changing Dimensions, SCD）的处理策略。

维度建模的三种模型 Kimball方法论提出了维度建模方法，将表分为事实表和维度表，以优化查询性能并提高最终用户访问数据的便利性。 Inmon方法论则是一种自上而下的数据仓库设计方法，强调数据仓库的规范性、一致性、整合性，以确保数据的准确性、可信度。 维度建模是一种在数据仓库中用于数据建模的技术，它将 事实表 和 维度表 组织在一起，以提供快速、简单的数据分析功能。 在维度建模中，事实表：度量指标，维度表：维度属性。常见的维度建模有星型模型、雪花模型和星座模型。 星型模型  和 雪花模型 被  Kimball（肯啵）方法论 采用，都强调数据的查询性能和分析需求，注重数据仓库的灵活性和可扩展性。 三范式（3NF）被Inmon（移门）方法论采用，都强调数据的一致性、完整性和准确性，注重数据仓库的基础架构建设和数据管理。

1】、星型模型【Kimball方法论】

是最简单和常用的模型，它以一个事实表为中心，周围连接着多个维度表。事实表包含主要的业务数据，而维度表则用于描述事实表中的数据。 但由于其结构简单明了，查询效率较高，因此在冗余可以接受的前提下，实际运用中星型模型使用更多，也更有效率。 简单说：它以一个事实表为中心，周围连接着多个维度表。事实表包含度量值，而维度表则用于描述事实的各个方面。 ★优点: 简单易理解、易于查询和数据仓库的高性能,良好的数据完整性和灵活性，可以轻松地添加或删除维度属性。 ★缺点: 处理大规模、复杂数据时可能会出现瓶颈，而且它可能会消耗较多的存储空间和带宽，时效性跟不上。

2】、雪花模型

雪花模型是对星型模型的扩展，