目錄
- 前言
- 維度建模
- 星型模型
- 小結
前言
維度建模是Kimball提出來的經典的數據倉庫建模思想。維度建模提倡針對某一主題，通過建設維度和事實來快速建設數據倉庫。與維度建模相對應的自然是Inmon的范式建模。在上篇也提到范式建模非常適合應用於中間明細層的建設，那么在DW/DM層為什么選擇使用維度建模呢？這是第一個問題。維度建模的核心是總線架構，一致性維度，一致性事實。本篇的主題是總線架構，那為什么說維度模型是總線式架構？本篇通過維度建模和星型模型的講解來分別解釋這兩個問題。
維度建模
維度模型之所以被選擇在DW/DM層上來實現，是因為維度建模的如下特點：
- 易用性。數據倉庫的目的是DSS，即決策支持系統(Decision Support System ，簡稱DSS)，既然面向的的是分析用戶，那么數據越容易理解，越能受用戶歡迎，而維度建模包含具有描述特性的維度表可以讓用戶很容易理解數據，而不像范式建模，由於太過規范化而導致用戶對數據的理解有一定的難度，需要對業務的很深很細的了解。
- 性能高。通過數據的處理，排序和整合，構建出來的維度表，不僅能夠讓用戶很方便的理解數據，使用數據，而且在計算所需要的數據的時候，不需要關聯太多的表，從而使得計算的性能很高。
- 擴展性。具有非常好的可擴展性，以便容納不可預知的新數據源和新的設計決策。可以很方便在不改變模型粒度情況下，增加新的分析維度和事實，不需要重載數據，也不需要為了適應新的改變而重新編碼。
星型模型
提起維度建模就不得不提星型模型和雪花模型之爭，具體兩種模型是什么，之前已經討論過了http://www.cnblogs.com/benchen/p/6011721.html，而且網上也很容易找到，這里就不再贅述。在Kimball的理論中，星型模型備受推崇。原因有以下幾點吧。
- 星型模型更具有易理解性，畢竟維度模型都是直接掛在事實表，沒有額外的關聯，所有的維度信息都匯集在維表中了。
- 星型模型性能更高。只需要一次的關聯就能獲取這一維度的所有描述信息。
- 冗余程度要更高，所有有層次關系的維度，都被設計成扁平化，有一定的冗余。但是維度表的冗余相比事實表畢竟不是一個數量級的。鑒於上面的兩點，更多的偏愛於星型模型。
星型模型是針對的單一事實表的情形，當有多個事實表通過維度關聯在了一起就形成了星座模型。星座模型可以是同一主題單不同粒度的事實表之間的關聯，也可以是不同主題的事實表共用同一維表。畢竟是有全局的一致性維度。
小結
維度建模適合於DW/DM層建模，通過使用維度建模，用戶可以得到很好的效果，只有用戶滿意了，數據倉庫才能實現更大的價值。可以說維度建模的核心是星型模型，星型模型所擁有的特點正是用戶方便使用的根源。
當然維度模型也有着一些缺點，比如數據的一致性很難保證，數據的冗余，大量的維度信息處理等，但這些相對於有點來講都是可接受的，而且也可以通過其他方式避免和簡化的。
以維表為總線，事實表以維表為基礎的總線矩陣，意味着建設出來的架構正是總線式架構。