数据模型建设-架构对比及数仓建模阶段划分

3.3.1 流程

Inmon架构是自顶向下，即从数据抽取-->数据仓库-->数据集市，以数据源为导向，是一种瀑布流开发方法，模型偏向于3NF，

Kimball:架构是自下向上，即从数据集市(主题划分)-->数据仓库--> 数据抽取，是以需求为导向的，一般使用星型模型

3.3.2 事实表与维表

Inmon架构下，不强调事实表和维表的概念，因为数据源变化可能会比较大，更加强调的是数据清洗的工作

kimball架构强调模型由事实表和维表组成，注重事实表与维表的设计

3.3.3 数据集市

Inmon架构中，数据集市有自己的物理存储，是真实存在的。

Kimball数据仓库架构中，数据集市是一个逻辑概念，只是多维数据仓库中的主题域划分，并没有自己的物理存储，也可以说是虚拟的数据集市。是数据仓库的一个访问层，是按主题域组织的数据集合，用于支持部门级的决策。

3.3.4 中心

Inmon架构是以部门为中心，而Kimball架构是以业务过程为中心

3.3.5 EDW访问

Inmon架构中用户可以直接访问企业数据仓库(EDW)

Kimball架构中用户不可以直接访问企业数据仓库(EDW)，只能访问展现区数据

企业开发中一般选择Kimball维度建模

四 数仓建模阶段划分

4.1 业务模型

生成业务模型，主要解决业务层面的分解和程序化

• 划分整个单位的业务，一般按照业务部门的划分，进行各个部分之间业务工作的界定，理清各业务部门之间的关系。
• 深入了解各个业务部门的内具体业务流程并将其程序化。

• 提出修改和改进业务部门工作流程的方法并程序化。
• 数据建模的范围界定，整个数据仓库项目的目标和阶段划分。

4.2 领域模型

• 生成领域模型，主要是对业务模型进行抽象处理，生成领域概念模型。
• 抽取关键业务概念，并将之抽象化。

• 将业务概念分组，按照业务主线聚合类似的分组概念。
• 细化分组概念，理清分组概念内的业务流程并抽象化。

• 理清分组概念之间的关联，形成完整的领域概念模型。

4.3 逻辑模型

生成逻辑模型，主要是将领域模型的概念实体以及实体之间的关系进行数据库层次的逻辑化。

• 业务概念实体化，并考虑其具体的属性
• 事件实体化，并考虑其属性内容

• 说明实体化，并考虑其属性内容

4.4 物理模型

生成物理模型，主要解决，逻辑模型针对不同关系型数据库的物理化以及性能等一些具体的技术问题。

• 针对特定物理化平台，做出相应的技术调整
• 针对模型的性能考虑，对特定平台作出相应的调整

• 针对管理的需要，结合特定的平台，做出相应的调整

生成最后的执行脚本，并完善之。