满满的干货:带你一起走进数据仓库的世界

Posted 2021-04-24 洛洛成长

上一篇简单的说了一下BI，现在带大家认识一下数据仓库（DW），DW是BI的基石，也是做数据分析，数据挖掘的基础，把DW做好了，数据才能枝繁叶茂，蓬勃生长。大家应该都听说过数据库，那么数据仓库也数据库究竟有什么不同呢，接下来就让我一一解除大家的疑惑吧。

01

—

数据库：顾名思义，就是存放数据的地方，数据大家都知道是什么，所有具有描述性的符号记录都是数据。数据库的数据具有永久存储，有组织和可以进行共享三个特点。而数据仓库则是基于数据库基础上对数据进行汇总整合。

之前说过BI是针对企业数据，对企业数据进行分析，从而让企业决策者更好的决策，所以数据仓库的建立必须要针对业务需求，以业务为驱动。

如何来判断一个数据仓库有没有价值主要从以下几个方面来看：

1. DW需要方便的存取信息：

因为主要是做给业务人员来看的，所以数据必须具体直观性，内容需要易于理解，并且能以各种形式和维度进行分割合并数据。

2. DW 必须以一致的形式和格式展示信息：

首先确定数据准确性是可信的，因为DW是汇总了不同来源的数据，需要对这些数据进行数据清洗后，格式保持统一，确保可放在不同数据源能够共用。

3.DW 必须能够可变化性，可拓展性：

因为企业的需求也是不断在变化的，业务环境和数据也可能发生变化，所以在创建之初就必须考虑这些变化情况，变化后的数据也要方便的存储到数据仓库中，已经存在的在变化之后也不能发生损坏和丢失数据。

4.DW需要实时展示信息：

因为主要用于操作决策，当然信息最好能够实时更新，但是由于网络和工具的局限性，一般都会隔天更新。

当然还有一些关于数据仓库安全方面的地方需要注意，但是对于新手来说，只要满足以上几点就完全可以，至于安全方面的内容，咱们之后再说。

介绍完数据仓库咱们说一下数据仓库最重要知识点之维度建模。首先普及一下：像日期，产品，地理位置这些描述性的表叫做维度表，像数量这种数值型的叫做事实表。在关系型数据库中实现的维度模型主要分为星形模型，雪花模型，在多维数据库环境中实现的维度模型通常为OLAP多维数据库。

• 星形模型

  
  

一般来说，描述字段比较简单短洁，没有多种关联关系的都用星形模型。

•  雪花模型

雪花模型是对星形模型的一种延伸，一般描述字段过多，或者多种关联关系，会选择雪花模型，比如说事实表是通过地理维度关联到销售人员维度，如果把地理维度和销售人员维度汇总起来的话，不利于数据的拓展性，所以必须分为两个维度这样就产生了雪花模型。

码字不易，多多谅解，下一篇咱们主要介绍一下事实表和维度表，以及它们之间如何进行连接的。踏实务实才能走得更远，每天一点小知识，一天一个小技能。希望大家多多支持哦。