大數據培訓：數據倉庫建模

什么是數據模型
數據模型是抽象描述現實世界的一種工具和方法，是通過抽象的實體及實體之間聯(lián)系的形式，來表示現實世界中事務的相互關系的一種映射。在這里，數據模型表現的抽象的是實體和實體之間的關系，通過對實體和實體之間關系的定義和描述，來表達實際的業(yè)務中具體的業(yè)務關系。
數據倉庫模型是數據模型中針對特定的數據倉庫應用系統(tǒng)的一種特定的數據模型，一般的來說，我們數據倉庫模型分為幾下幾個層次，如圖 2 所示。
圖 2. 數據倉庫模型 通過上面的圖形，我們能夠很容易的看出在整個數據倉庫得建模過程中，我們需要經歷一般四個過程：
· 業(yè)務建模，生成業(yè)務模型，主要解決業(yè)務層面的分解和程序化。
· 領域建模，生成領域模型，主要是對業(yè)務模型進行抽象處理，生成領域概念模型。
· 邏輯建模，生成邏輯模型，主要是將領域模型的概念實體以及實體之間的關系進行數據庫層次的邏輯化。
· 物理建模，生成物理模型，主要解決，邏輯模型針對不同關系型數據庫的物理化以及性能等一些具體的技術問題。
因此，在整個數據倉庫的模型的設計和架構中，既涉及到業(yè)務知識，也涉及到了具體的技術，我們既需要了解豐富的行業(yè)經驗，同時，也需要一定的信息技術來幫助我們實現我們的數據模型，最重要的是，我們還需要一個非常適用的方法論，來指導我們自己針對我們的業(yè)務進行抽象，處理，生成各個階段的模型。
1 為什么需要數據倉庫模型
在數據倉庫的建設中，我們一再強調需要數據模型，那么數據模型究竟為什么這么重要呢?首先我們需要了解整個數據倉庫的建設的發(fā)展史。
數據倉庫的發(fā)展大致經歷了這樣的三個過程：
· 簡單報表階段：這個階段，系統(tǒng)的主要目標是解決一些日常的工作中業(yè)務人員需要的報表，以及生成一些簡單的能夠幫助領導進行決策所需要的匯總數據。這個階段的大部分表現形式為數據庫和前端報表工具。
· 數據集市階段：這個階段，主要是根據某個業(yè)務部門的需要，進行一定的數據的采集，整理，按照業(yè)務人員的需要，進行多維報表的展現，能夠提供對特定業(yè)務指導的數據，并且能夠提供特定的領導決策數據。
· 數據倉庫階段：這個階段，主要是按照一定的數據模型，對整個企業(yè)的數據進行采集，整理，并且能夠按照各個業(yè)務部門的需要，提供跨部門的，完全一致的業(yè)務報表數據，能夠通過數據倉庫生成對對業(yè)務具有指導性的數據，同時，為領導決策提供全面的數據支持。
通過數據倉庫建設的發(fā)展階段，我們能夠看出，數據倉庫的建設和數據集市的建設的重要區(qū)別就在于數據模型的支持。因此，數據模型的建設，對于我們數據倉庫的建設，有著決定性的意義。
一般來說，數據模型的建設主要能夠幫助我們解決以下的一些問題：
· 進行全面的業(yè)務梳理，改進業(yè)務流程。在業(yè)務模型建設的階段，能夠幫助我們的企業(yè)或者是管理機關對本單位的業(yè)務進行全面的梳理。通過業(yè)務模型的建設，我們應該能夠全面了解該單位的業(yè)務架構圖和整個業(yè)務的運行情況，能夠將業(yè)務按照特定的規(guī)律進行分門別類和程序化，同時，幫助我們進一步的改進業(yè)務的流程，提高業(yè)務效率，指導我們的業(yè)務部門的生產。
· 建立全方位的數據視角，消滅信息孤島和數據差異。通過數據倉庫的模型建設，能夠為企業(yè)提供一個整體的數據視角，不再是各個部門只是關注自己的數據，而且通過模型的建設，勾勒出了部門之間內在的聯(lián)系，幫助消滅各個部門之間的信息孤島的問題，更為重要的是，通過數據模型的建設，能夠保證整個企業(yè)的數據的一致性，各個部門之間數據的差異將會得到有效解決。
· 解決業(yè)務的變動和數據倉庫的靈活性。通過數據模型的建設，能夠很好的分離出底層技術的實現和上層業(yè)務的展現。當上層業(yè)務發(fā)生變化時，通過數據模型，底層的技術實現可以非常輕松的完成業(yè)務的變動，從而達到整個數據倉庫系統(tǒng)的靈活性。
· 幫助數據倉庫系統(tǒng)本身的建設。通過數據倉庫的模型建設，開發(fā)人員和業(yè)務人員能夠很容易的達成系統(tǒng)建設范圍的界定，以及長期目標的規(guī)劃，從而能夠使整個項目組明確當前的任務，加快整個系統(tǒng)建設的速度。
2 如何建設數據倉庫模型
建設數據模型既然是整個數據倉庫建設中一個非常重要的關鍵部分，那么，怎么建設我們的數據倉庫模型就是我們需要解決的一個問題。這里我們將要詳細介紹如何創(chuàng)建適合自己的數據模型。
3.1 數據倉庫數據模型架構
數據倉庫的數據模型的架構和數據倉庫的整體架構是緊密關聯(lián)在一起的，我們首先來了解一下整個數據倉庫的數據模型應該包含的幾個部分。從下圖我們可以很清楚地看到，整個數據模型的架構分成 5 大部分，每個部分其實都有其獨特的功能。
圖 3. 數據倉庫數據模型架構 從上圖我們可以看出，整個數據倉庫的數據模型可以分為大概 5 大部分：
· 系統(tǒng)記錄域(System of Record)：這部分是主要的數據倉庫業(yè)務數據存儲區(qū)，數據模型在這里保證了數據的一致性。
· 內部管理域(Housekeeping)：這部分主要存儲數據倉庫用于內部管理的元數據，數據模型在這里能夠幫助進行統(tǒng)一的元數據的管理。
· 匯總域(Summary of Area)：這部分數據來自于系統(tǒng)記錄域的匯總，數據模型在這里保證了分析域的主題分析的性能，滿足了部分的報表查詢。
· 分析域(Analysis Area)：這部分數據模型主要用于各個業(yè)務部分的具體的主題業(yè)務分析。這部分數據模型可以單獨存儲在相應的數據集市中。
· 反饋域(Feedback Area)：可選項，這部分數據模型主要用于相應前端的反饋數據，數據倉庫可以視業(yè)務的需要設置這一區(qū)域。
通過對整個數據倉庫模型的數據區(qū)域的劃分，我們可以了解到，一個好的數據模型，不僅僅是對業(yè)務進行抽象劃分，而且對實現技術也進行具體的指導，它應該涵蓋了從業(yè)務到實現技術的各個部分。
3.2 數據倉庫建模階段劃分
我們前面介紹了數據倉庫模型的幾個層次，下面我們講一下，針對這幾個層次的不同階段的數據建模的工作的主要內容：
圖 4. 數據倉庫建模階段劃分 從上圖我們可以清楚地看出，數據倉庫的數據建模大致分為四個階段：
1. 業(yè)務建模，這部分建模工作，主要包含以下幾個部分：
· 劃分整個單位的業(yè)務，一般按照業(yè)務部門的劃分，進行各個部分之間業(yè)務工作的界定，理清各業(yè)務部門之間的關系。
· 深入了解各個業(yè)務部門的內具體業(yè)務流程并將其程序化。
· 提出修改和改進業(yè)務部門工作流程的方法并程序化。
· 數據建模的范圍界定，整個數據倉庫項目的目標和階段劃分。
2. 領域概念建模，這部分得建模工作，主要包含以下幾個部分：
· 抽取關鍵業(yè)務概念，并將之抽象化。
· 將業(yè)務概念分組，按照業(yè)務主線聚合類似的分組概念。
· 細化分組概念，理清分組概念內的業(yè)務流程并抽象化。
· 理清分組概念之間的關聯(lián)，形成完整的領域概念模型。
3. 邏輯建模，這部分的建模工作，主要包含以下幾個部分：
· 業(yè)務概念實體化，并考慮其具體的屬性
· 事件實體化，并考慮其屬性內容
· 說明實體化，并考慮其屬性內容
4. 物理建模，這部分得建模工作，主要包含以下幾個部分：
· 針對特定物理化平臺，做出相應的技術調整
· 針對模型的性能考慮，對特定平臺作出相應的調整· 針對管理的需要，結合特定的平臺，做出相應的調整· 生成最后的執(zhí)行腳本，并完善之。
從我們上面對數據倉庫的數據建模階段的各個階段的劃分，我們能夠了解到整個數據倉庫建模的主要工作和工作量，希望能夠對我們在實際的項目建設能夠有所幫助。
3.4 數據倉庫建模方法
大千世界，表面看五彩繽紛，實質上，萬物都遵循其自有的法則。數據倉庫的建模方法同樣也有很多種，每一種建模方法其實代表了哲學上的一個觀點，代表了一種歸納，概括世界的一種方法。目前業(yè)界較為流行的數據倉庫的建模方法非常多，這里主要介紹范式建模法，維度建模法，實體建模法等幾種方法，每種方法其實從本質上講就是從不同的角度看我們業(yè)務中的問題，不管從技術層面還是業(yè)務層面，其實代表的是哲學上的一種世界觀。我們下面給大家詳細介紹一下這些建模方法。
1. 范式建模法(Third Normal Form，3NF)
范式建模法其實是我們在構建數據模型常用的一個方法，該方法的主要由 Inmon 所提倡，主要解決關系型數據庫得數據存儲，利用的一種技術層面上的方法。目前，我們在關系型數據庫中的建模方法，大部分采用的是三范式建模法。
范式是數據庫邏輯模型設計的基本理論，一個關系模型可以從第一范式到第五范式進行無損分解，這個過程也可稱為規(guī)范化。在數據倉庫的模型設計中目前一般采用第三范式，它有著嚴格的數學定義。從其表達的含義來看，一個符合第三范式的關系必須具有以下三個條件 :
· 每個屬性值唯一，不具有多義性 ;
· 每個非主屬性必須完全依賴于整個主鍵，而非主鍵的一部分 ;· 每個非主屬性不能依賴于其他關系中的屬性，因為這樣的話，這種屬性應該歸到其他關系中去。
由于范式是基于整個關系型數據庫的理論基礎之上發(fā)展而來的，因此，本人在這里不多做介紹，有興趣的讀者可以通過閱讀相應的材料來獲得這方面的知識。
根據 Inmon 的觀點，數據倉庫模型得建設方法和業(yè)務系統(tǒng)的企業(yè)數據模型類似。在業(yè)務系統(tǒng)中，企業(yè)數據模型決定了數據的來源，而企業(yè)數據模型也分為兩個層次，即主題域模型和邏輯模型。同樣，主題域模型可以看成是業(yè)務模型的概念模型，而邏輯模型則是域模型在關系型數據庫上的實例。
圖 5. 范式建模法 從業(yè)務數據模型轉向數據倉庫模型時，同樣也需要有數據倉庫的域模型，即概念模型，同時也存在域模型的邏輯模型。這里，業(yè)務模型中的數據模型和數據倉庫的模型稍微有一些不同。主要區(qū)別在于：
· 數據倉庫的域模型應該包含企業(yè)數據模型的域模型之間的關系，以及各主題域定義。數據倉庫的域模型的概念應該比業(yè)務系統(tǒng)的主題域模型范圍更加廣。
· 在數據倉庫的邏輯模型需要從業(yè)務系統(tǒng)的數據模型中的邏輯模型中抽象實體，實體的屬性，實體的子類，以及實體的關系等。
以筆者的觀點來看，Inmon 的范式建模法的最大優(yōu)點就是從關系型數據庫的角度出發(fā)，結合了業(yè)務系統(tǒng)的數據模型，能夠比較方便的實現數據倉庫的建模。但其缺點也是明顯的，由于建模方法限定在關系型數據庫之上，在某些時候反而限制了整個數據倉庫模型的靈活性，性能等，特別是考慮到數據倉庫的底層數據向數據集市的數據進行匯總時，需要進行一定的變通才能滿足相應的需求。因此，筆者建議讀者們在實際的使用中，參考使用這一建模方式。
2. 維度建模法
維度建模法，Kimball 最先提出這一概念。其最簡單的描述就是，按照事實表，維表來構建數據倉庫，數據集市。這種方法的最被人廣泛知曉的名字就是星型模式(Star-schema)。
圖 6. 維度建模法 上圖的這個架構中是典型的星型架構。星型模式之所以廣泛被使用，在于針對各個維作了大量的預處理，如按照維進行預先的統(tǒng)計、分類、排序等。通過這些預處理，能夠極大的提升數據倉庫的處理能力。特別是針對 3NF 的建模方法，星型模式在性能上占據明顯的優(yōu)勢。
同時，維度建模法的另外一個優(yōu)點是，維度建模非常直觀，緊緊圍繞著業(yè)務模型，可以直觀的反映出業(yè)務模型中的業(yè)務問題。不需要經過特別的抽象處理，即可以完成維度建模。這一點也是維度建模的優(yōu)勢。
但是，維度建模法的缺點也是非常明顯的，由于在構建星型模式之前需要進行大量的數據預處理，因此會導致大量的數據處理工作。而且，當業(yè)務發(fā)生變化，需要重新進行維度的定義時，往往需要重新進行維度數據的預處理。而在這些與處理過程中，往往會導致大量的數據冗余。
另外一個維度建模法的缺點就是，如果只是依靠單純的維度建模，不能保證數據來源的一致性和準確性，而且在數據倉庫的底層，不是特別適用于維度建模的方法。
因此以筆者的觀點看，維度建模的領域主要適用與數據集市層，它的最大的作用其實是為了解決數據倉庫建模中的性能問題。維度建模很難能夠提供一個完整地描述真實業(yè)務實體之間的復雜關系的抽象方法。
3. 實體建模法
實體建模法并不是數據倉庫建模中常見的一個方法，它來源于哲學的一個流派。從哲學的意義上說，客觀世界應該是可以細分的，客觀世界應該可以分成由一個個實體，以及實體與實體之間的關系組成。那么我們在數據倉庫的建模過程中完全可以引入這個抽象的方法，將整個業(yè)務也可以劃分成一個個的實體，而每個實體之間的關系，以及針對這些關系的說明就是我們數據建模需要做的工作。
雖然實體法粗看起來好像有一些抽象，其實理解起來很容易。即我們可以將任何一個業(yè)務過程劃分成 3 個部分，實體，事件和說明，如下圖所示：
圖 7. 實體建模法 上圖表述的是一個抽象的含義，如果我們描述一個簡單的事實：“小明開車去學校上學”。以這個業(yè)務事實為例，我們可以把“小明”，“學校”看成是一個實體，“上學”描述的是一個業(yè)務過程，我們在這里可以抽象為一個具體“事件”，而“開車去”則可以看成是事件“上學”的一個說明。
從上面的舉例我們可以了解，我們使用的抽象歸納方法其實很簡單，任何業(yè)務可以看成 3 個部分：
· 實體，主要指領域模型中特定的概念主體，指發(fā)生業(yè)務關系的對象。
· 事件，主要指概念主體之間完成一次業(yè)務流程的過程，特指特定的業(yè)務過程。
· 說明，主要是針對實體和事件的特殊說明。
由于實體建模法，能夠很輕松的實現業(yè)務模型的劃分，因此，在業(yè)務建模階段和領域概念建模階段，實體建模法有著廣泛的應用。從筆者的經驗來看，再沒有現成的行業(yè)模型的情況下，我們可以采用實體建模的方法，和客戶一起理清整個業(yè)務的模型，進行領域概念模型的劃分，抽象出具體的業(yè)務概念，結合客戶的使用特點，完全可以創(chuàng)建出一個符合自己需要的數據倉庫模型來。
但是，實體建模法也有著自己先天的缺陷，由于實體說明法只是一種抽象客觀世界的方法，因此，注定了該建模方法只能局限在業(yè)務建模和領域概念建模階段。因此，到了邏輯建模階段和物理建模階段，則是范式建模和維度建模發(fā)揮長處的階段。
因此，筆者建議讀者在創(chuàng)建自己的數據倉庫模型的時候，可以參考使用上述的三種數據倉庫得建模方法，在各個不同階段采用不同的方法，從而能夠保證整個數據倉庫建模的質量。