【必知】数据仓库的建模方法

• 性能：良好的数据模型能帮助我们快速查询所需要的数据，减少数据的I/O吞吐；
• 成本：良好的数据模型能极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低大数据系统中的存储和计算成本；
• 效率：良好的数据模型能极大地改善用户使用数据的体验，提高使用数据的效率；
• 质量：良好的数据模型能改善数据统计口径的不一致性，减少数据计算错误的可能性。

ER模型

• 需要全面了解整个企业业务和数据；
• 实施周期非常长；
• 对建模人员的能力要求非常高。

• 高层模型：一个高度抽象的模型，描述主要的主题以及主题间的关系，用于描述企业的业务总体概况；
• 中层模型：在高层模型的基础上，细化主题的数据项；
• 物理模型(也叫底层模型)：在中层模型的基础上，考虑物理存储，同时基于性能和平台特点进行物理属性的设计，也可能做一 些表的合并、分区的设计等 。

维度模型

• 选择需要进行分析决策的业务过程：业务过程可以是单个业务事件，比如交易的支付、退款等；某个事件的状态，比如当前的账户余额等；一系列相关业务事件组成的业务流程。
• 选择数据的粒度：在事件分析中，我们要预判所有分析需要细分的程度，从而决定选择的粒度识别维表。选择好粒度之后，就需要基于此粒度设计维表，包括维度属性，用于分析时进行分组和筛选。
• 选择事实：确定分析需要衡量的指标 。