数据仓库常见建模方法与大数据领域建模实例综述

Posted 2021-05-07 云 祁

大家好，我是云祁，好久不见~

今天来和大家聊聊数仓常见的一些建模方法和具体的实例演示，一起来看看吧。

一、为什么需要数据建模？

在开始今天的话题之前，我们不妨思考下，到底为什么需要进行数据建模？

随着从IT时代到DT时代的跨越，数据开始出现爆发式的增长，这当中产生的价值也是不言而喻。如何将这些数据进行有序、有结构地分类组织存储，是我们所有数据从业者都要面临的一个挑战。

如果把数据看作图书馆里的书，我们希望看到它们在书架上分门别类地放置，而不是乱糟糟的堆砌在一起。

大数据的数仓建模正是通过建模的方法，更好的组织、存储数据，以便在性能、成本、效率和数据质量之间找到最佳平衡点，一般我们会从以下面四点考虑：

• 性能：能够快速查询所需的数据，减少数据I/O的吞吐。
• 成本：减少不必要的数据冗余，实现计算结果的复用，降低大数据系统中的存储成本和计算成本。
• 效率：改善用使用数据的体验，提高使用效率。
• 质量：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，提供高质量的、一致的数据访问平台。

因此，毋庸置疑，大数据系统、数据平台都需要数据模型方法来帮助更好的组织和存储数据，数据建模的工作，也正是围绕上述四个指标取得最佳的平衡而努力。

二、从 OLTP 和 OLAP 系统的区别看模型方法论的选择

OLTP系统通常面向的主要数据操作是随机读写，主要采用3NF的实体关系模型存储数据，从而在事务处理中解决数据的冗余和一致性问题。

OLAP系统面向的主要数据操作是批量读写，事务处理中的一致性不是OLAP所关注的，其主要关注数据的整合，以及在一次性的复杂大数据查询和处理的性能，因此它需要采用不同的建模方法，例如维度建模。

如果大家想进一步了解 OLAP系统，可以学习这篇文章： 关于OLAP数仓，这大概是史上最全面的总结！

三、典型的数据仓库建模方法论

数据仓库本质是从数据库衍生出来的，所以数据仓库的建模也是不断衍生发展的。

从最早的借鉴关系型数据库理论的范式建模，到逐渐提出维度建模等等，越往后建模的要求越高，越需满足3NF、4NF等。但是对于数据仓库来说，目前主流还是维度建模，会夹杂着范式建模。

数据仓库建模方法论可分为：E-R模型、维度模型、Data Vault模型、Anchor模型。

3.1 E-R模型

将事物抽象为“实体”、“属性”、“关系”来表示数据关联和事物描述，这种对数据的抽象建模通常被称为E-R实体关系模型。

数据仓库之父 Bill Inmon 提出的建模方法，从全企业的高度设计一个3NF模型，用实体关系（Entity Relationship）模型来描述企业业务，满足3NF。

数据仓库的3NF与OLTP系统中的3NF的区别在于，它是站在企业角度面向主题的抽象，而不是针对某个具体的业务流程。

采用 E-R模型建设数据仓库模型的出发点是整合数据，对各个系统的数据以整个企业角度按主题进行相似的组合和合并，并进行一致性处理，为数据分析决策服务，但是并不能直接用于分析决策。

作为一种标准的数据建模方案，它的实施周期非常长，一致性和扩展性比较好，能经得起时间的考验。但是随着企业数据的高速增长、复杂化，数仓如果全部使用E-R模型进行建模就显得越来越不适合现代化复杂、多变的业务组织，因此一般只有在数仓底层ODS、DWD会采用E-R关系模型进行设计。

E-R建模步骤分为三个阶段：

• 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（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。

E-R模型在实践中最典型的代表是 Teradata 公司基于金融业务发布的 FS-LDM (Financial Services Logical Data Model ），它通过对金融业务的高度抽象和总结，将金融业务划分为10大主题，企业基于此模型适当调整和扩展就能快速实施落地。

3.2 维度模型

维度模型是数据仓库领域 Ralph Kimball 大师倡导的，是数据仓库工程领域最流行的数仓建模经典。

维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能。

其中典型的代表就是使用星型模型，以及在一些特殊场景下使用的雪花模型。

其设计主要分为以下几个步骤：

1. 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；也可以是某个事件的状态，比如当前账户的余额；还有就是一系列相关业务事件组成的业务流程，具体需要我们分析的是某些事件发生的情况，还是当前状态，或是事件流转效率。
2. 选择粒度。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。粒度是维度的一个组合。
3. 识别维表。选择好粒度之后，就需要基于这个粒度来设计维表，包括维度属性，用于分析时进行分组和筛选。
4. 选择事实。确定分析需要衡量的指标。

在 Ralph Kimball 提出对数据仓库维度建模，我们将数据仓库中的表划分为事实表、维度表两种类型。

针对维度建模中事实表和维度表的设计，之前有详细介绍过，感兴趣的同学可以看：维度建模技术实践——深入事实表 、维度建模的灵魂所在——维度表设计。

在这里，我就以常见的电商场景为例：在一次购买的事件中，涉及主体包括客户、商品、商家，产生的可度量值会包括商品数量、金额、件数等。

事实表根据粒度的角色划分不同，可分为事务事实表、周期快照事实表、累积快照事实表等。

1. 事务事实表：用于承载事务数据，任何类型的事件都可以被理解为一种事务，比如商家在交易过程中的常见订单、买家付款，物流过程中的揽货、发货、签收，退款中的申请退款。
2. 周期快照事实表：快照事实表以预定的间隔采样状态度量，比如自然年至今或者历史至今的下单金额、支付金额、支付买家数、支付商品件数等等状态度量。
3. 累计快照事实表：数据不断更新，选取多业务过程日期。用来记录具有时间跨度的业务处理过程的整个过程的信息，每个生命周期一行，通常这类事实表比较少见。

我们继续就上述的电商场景，聊聊在维表设计时需要关注的一些东西：

1. 缓慢变化维度：例如会员表的手机号、地址、生日等属性。
2. 退化维度 ：订货单表的订单编号、物流表的物流编号等。
3. 雪花维度：满足第三范式的维度关系结构。
4. 非规范化扁平维度：商品维表众中产品、品牌、类目、品类等。
5. 多层次维度：地区维度的省、市、区县，商品的类目层级。
6. 角色维度：日期维度在物流中扮演发货日期、送货日期、收获日期等不同角色。

接下来就是针对维度建模按照数据的组织类型，可以划分为星型模型、雪花模型、星座模型。

1. 星型模型：星型模型主要是维表和事实表，以事实表为中心，所有维度直接关联在事实表上，呈星型分布。

2. 雪花模型，在星型模型的基础上，维度表上又关联了其他维度表。这种模型维护成本高，性能方面会差一些。

3. 星座模型，是对星型模型的扩展延伸，多张事实表共享维度表。实际上数仓模型建设后期，大部分维度建模都是星座模型。

简单总结下就是：

1. 星型模型和雪花模型主要区别就是对维度表的拆分。
2. 对于雪花模型，维度表的涉及更加规范，一般符合3NF，有效降低数据冗余，维度表之间不会相互关联。
3. 星型模型，一般采用降维的操作，反规范化，不符合3NF，通过利用冗余来避免模型过于复杂，提高易用性和分析效率，效率相对较高。

3.3 DataVault 模型

Data Vault 是 Dan Linstedt 发起创建的一种模型，它是 E-R 模型的衍生，其设计的出发点也是为了实现数据的整合，但不能直接用于数据分析决策。

它强调建立一个可审计的基础数据层，也就是强调数据的历史性、可追溯性和原子性，而不要求对数据进行过度的一致性处理和整合。

同时它基于主题概念将企业数据进行结构化组织，并引入了更进一步的范式处理来优化模型，以应对源系统变更的扩展性。 Data Vault 型由以下几部分组成：

1. Hub - 中心表：是企业的核心业务实体，由实体 Key、数仓序列代理键、装载时间、数据来源组成，不包含非键值以外的业务数据属性本身。
2. Link - 链接表：代表 Hub 之间的关系。这里与 ER 模型最大的区别是将关系作为一个独立的单元抽象，可以提升模型的扩展性。它可以直接描述 1:1、1:2和n:n的关系，而不需要做任何变更。它由 Hub的代理键、装载时间、数据来源组成。
3. Satellite - 卫星表：数仓中数据的主要载体，包括对链接表、中心表的数据描述、数值度量等信息。

Data Vault 模型比 E-R 模型更容易设计和产出，它的 ETL 加工可实现配置化。我们可以将 Hub 想象成人的骨架，那么 Link 就是连接骨架的韧带，而 SateIIite 就是骨架上面的血肉。

3.4 Anchor 模型

Anchor 对 Data Vault 模型做了进一步的规范化处理，它的核心思想是所有的扩展只是添加而不是修改，因此将模型规范到6NF，基本变成了 k-v 结构化模型。

1. Anchors ：类似于 Data Vault 的 Hub ，代表业务实体，且只有主键。
2. Attributes ：功能类似于 Data Vault 的 Satellite，但是它更加规范化，将其全部 k-v 结构化， 一个表只有一个 Anchors 的属性描述。
3. Ties ：就是 Anchors 之间的关系，单独用表来描述，类似于 Data Vault 的 Link ，可以提升整体模型关系的扩展能力。
4. Knots ：代表那些可能会在 Anchors 中公用的属性的提炼，比如性别、状态等这种枚举类型且被公用的属性。

由于过度规范化，使用中牵涉到太多的Join操作，这里我们就仅作了解。

四、总结

以上为四种基本的建模方法，目前主流建模方法为： E-R模型、维度模型。

E-R模型通常用于OLTP数据库建模，应用到构建数仓时就更偏向于数据整合，站在企业整体考虑，将各个系统的数据按相似性一致性、合并处理，为数据分析、决策服务，但并不便于直接用来支持分析。

维度建模是面向分析场景而生，针对分析场景构建数仓模型；重点关注快速、灵活的解决分析需求，同时能够提供大规模数据的快速响应性能。针对性强，主要应用于数据仓库构建和OLAP引擎低层数据模型。

数据仓库模型的设计是灵活的，不会局限于某一种模型，需要以实际的需求场景为导向，需要兼顾灵活性、可扩展性以及技术可靠性及实现成本。

我是「云祁」，一枚热爱技术、会写诗的大数据开发猿，欢迎大家关注呀！

Respect ~